古气候重建：“类比”的集合数据同化方法

学术 2024-11-22 16:53 中国香港

理解气候系统演变机制及长时间尺度气候变化主要依赖于气候模式数值模拟和古气候代用记录重建。代用记录（如树轮、冰芯、珊瑚等）具有长时间跨度，能够揭示过去气候状态；同时，基于动力框架和物理过程的气候模式可以模拟过去气候状态、捕捉气候系统特征。而古气候数据同化作为一种古气候重建客观框架，将具有不确定性的气候模拟和代用记录相结合，为气候状态提供优化的估计。离线集合Kalman滤波(offline ensemble Kalman filter; OEnKF)是古气候数据同化中广泛使用的同化方法，因为离线同化从已有的气候模拟中随机取样获得集合先验信息，避免气候模式长时间模拟的巨大计算代价，同时集合Kalman滤波又易于建立，可有效使用代用记录约束过去气候状态。但是由于是离线同化，传统的OEnKF无法获得“流依赖”的误差特征，尽管天气气候状态是随时间演变的。

南京大学谈哲敏院士和雷荔傈教授团队从“类比”(analog)方法获得启发，利用代用记录筛选集合样本，得到的集合先验信息以及样本估计的背景误差协方差均具有“流依赖”特征。团队提出“类比”离线集合Kalman滤波(analog offline EnKF; AOEnKF)，既保留了离线同化在高计算效率上的优势，又利用“类比”方法获得类似于在线集合Kalman滤波(cycling EnKF; CEnKF)的“流依赖”背景误差特征。在Lorenz模型的理想实验中，AOEnKF相比OEnKF与CEnKF，可获得更精确的先验信息和后验分析场 (图1)。

图1. 各同化方法的时空平均RMSE随局地化(localization)尺度的变化。(a)先验集合平均RMSE(b)后验集合平均RMSE。对于(b)，圆圈代表OEnKF与其他方法的RMSE差异在99%置信区间内是显著的。叉号代表AOEnKF_E(与观测欧式距离最小的挑选准则)与AOEnKF_C(与观测相关系数最大的挑选准则)的RMSE差异在99%置信区间内是显著的。AOEnKFs_Mean表示使用静态背景误差协方差更新“类比”先验集合。

但因为有限的集合数目，“类比”集合估计的背景误差特征受到样本误差影响，团队进一步结合“类比”集合估计的“流依赖”背景误差协方差与静态背景误差协方差，发展了“类比”混合权重集合Kalman滤波(hybrid gain analog offline EnKF; HGAOEnKF)，既获得了“流依赖”背景误差特征，又通过引入静态背景误差协方差减少样本误差，相对于传统的OEnKF和AOEnKF，HGAOEnKF获得更加精确的地表气温、降水和土壤湿度的重建 (图2)。

图2 各同化方法的时空平均RMSE随集合数目的变化。重建状态量是(a)地表温度(b)降水(c)表层土壤湿度(d)深层土壤湿度。黑色水平线表示使用集合数目100的OEnKF进行100次蒙特卡洛实现的RMSE，AOEnKF-B与OEnKF-B表示使用静态B更新 “类比”与静态先验集合。

上述工作为古气候数据同化如何有效利用气候数值模拟提供了一个新的角度，也对过去千年(Last Millennium)、全新世(the Holocene)和末次冰盛期(Last Glacial Maximum; LGM)等时段的气候状态研究提供了新思路。上述工作以“An Analog Offline EnKF for Paleoclimate Data Assimilation”和“A Hybrid Gain Analog Offline EnKF for Paleoclimate Data Assimilation”为题发表在期刊《Journal of Advances in Modeling Earth Systems》上。文章的第一作者为南京大学大气科学学院博士生孙浩昊，通讯作者为南京大学雷荔傈教授，合作作者包括俄亥俄州立大学的刘征宇教授，南京师范大学的宁亮教授，南京大学谈哲敏院士。研究工作受到国家重点研发课题“热带西太平洋全新世气候变化的数据同化理论及技术”资助。

【文章信息】

(1) Sun, H., L. Lei, Z. Liu, L. Ning, and Z. Tan, 2023: A Hybrid Gain Analog Offline EnKF for Paleoclimate Data Assimilation. Journal of Advances in Modeling Earth Systems 16, e2022MS003414. https://doi.org/10.1029/2022MS003414

(2) Sun, H., L. Lei, Z. Liu, L. Ning, and Z. Tan, 2022: An Analog Offline EnKF for Paleoclimate Data Assimilation. Journal of Advances in Modeling Earth Systems, 14, e2021MS002674. https://doi.org/10.1029/2021MS002674

【往期回顾】