基于集合耦合同化的西风爆发参数估计方法研究及其在ENSO预报中的应用

El Niño-Southern Oscillation (ENSO) is the most prominent short-term climate oscillation on the earth, and it significantly influences the climate system in most regions of the world, including China. Therefore, it is of great significance that predicting the strength and time of ENSO events accurately. However, false predictions of a few El Niño events in history have severely restricted ENSO predictability. Studies have shown that westerly wind bursts (WWB), which occur in the tropical Pacific, play a very important role in the occurrence and development of El Niño. In this proposed project, WWB will be introduced into the Zebiak-Cane model through parameterization scheme, and then WWB parameter estimation will be conducted through assimilating sea surface temperature anomalies (SSTA) based on ensemble Kalman filter. Based on the previous work, we will perform ENSO forecast experiments, hoping to improve the forecast skill of ENSO. This proposed project not only is a frontier research topic in the field of marine and atmospheric science but also has important theoretical contributions in coupled data assimilation.

厄尔尼诺-南方涛动(ENSO)是地球上最为显著的短期气候振荡，对包括我国在内的全球大部分地区的气候系统有着举足轻重的影响，因此准确预测ENSO的强度及时间具有重要意义。然而，历史上对几次厄尔尼诺事件的错误的预测，严重制约了ENSO的实际预测水平。研究表明，发生于热带太平洋地区的西风爆发(WWB)事件对厄尔尼诺的发生、发展及形态起着十分重要的作用。本项目将基于Zebiak-Cane模式，通过参数化方案将WWB介绍进模式，使用集合同化方法(EnKF)同化海洋观测资料(SSTA)，对WWB参数进行估计，并实施ENSO后报试验，提高ENSO预报技巧。这项研究不仅是当前海洋与大气科学领域的国际前沿课题，而且利用海洋观测资料，在耦合同化框架下对WWB参数进行优化，对耦合同化方法的研究具有一定的理论意义。

ENSO现象是地球上最为显著的短期气候振荡,它对包括我国在内的全球大部分地区的气候系统有着举足轻重的影响。因此，ENSO预测研究具有重要的意义。然而目前国际上对其预测结果呈现很大的不确定性，这在国际上激发了新一轮 ENSO研究热潮。研究表明，初始误差和模式误差是影响ENSO预报技巧的最主要的因素，而这两类误差因素均可通过资料同化改善。.本项目基于ENSO研究中广泛使用的Zebiak-Cane模式的最新版本——LDEO5，使用先进的集合卡尔曼滤波器方法，先后开展了初始化和参数估计及其在ENSO集合预报中的应用研究。在初始化工作中，使用EnKF构建耦合同化系统，同化多源资料（SSTA和纬向风应力异常），并使用随机最优扰动方法度量随机大气过程对模式预报误差的影响，产生100个集合预报。1856-2018年后报实验表明该预报系统提高了LDEO5的Niño3.4指数预报技巧，提前6个月的预报技巧为0.75，达到国际先进预报模式的水平。该系统从2018年2月开始进行实时预报试验，提前9个月准确预报了2018/19年的弱厄尔尼诺事件。自2019年3月开始，先后在国家海洋环境预报中心和国家气候中心推广应用。在参数估计工作中，使用LETKF建立LDEO5模式的同化系统，同化SSTA，对模式参数进行估计。OSSE结果表明，单参数估计实验和多参数估计实验均能成功估计出参数的默认值；参数估计实验与仅状态估计相比，降低了模式误差，提高了ENSO预报技巧，其中，多参数估计的结果优于单参数估计的结果。.以上成果主要以论文形式发表，发表SCI论文1篇（Climate Dynamics），投稿中文核心论文1篇（海洋与湖沼），完稿待投英文SCI论文1篇。本项目的研究将先进的同化方法应用到ENSO预报中，解决了耦合资料同化中出现的一些问题，提高了LDEO5对ENSO的预报能力，具有一定的科学意义。