类型a

主作者和机构：本研究由Atsushi Okazaki、Takemasa Miyoshi、Kei Yoshimura、Steven J. Greybush 和 Fuqing Zhang共同完成，他们分别来自宾夕法尼亚州立大学气象与大气科学系、日本理化学研究所计算科学中心、东京大学工业科学研究所等机构。该研究于2021年发表在《Journal of Geophysical Research: Atmospheres》期刊上。

学术背景：本研究主要涉及古气候重建领域，特别是数据同化（Data Assimilation, DA）方法的应用。DA是一种结合模型模拟和观测数据以估计最可能状态的方法，在数值天气预报（Numerical Weather Prediction, NWP）中已广泛应用并成熟。然而，在古气候重建中，由于观测数据通常是时间平均值而非瞬时值，因此DA的应用有所不同。研究旨在比较在线数据同化（Online-DA）和离线数据同化（Offline-DA）的性能，并探讨其与系统可预测性的关系。

详细工作流程： 1. 模型选择：研究使用了一个名为SPEEDY的中等复杂度大气环流模型（AGCM），并耦合了一个板状海洋模型（Slab Ocean Model）。SPEEDY模型具有较低的计算成本，适合进行可行性研究。 2. 数据同化方法：采用时间平均更新（Time-Average Update, TAU）方法，仅更新模型状态的时间平均分量，保留偏差部分不变。具体而言，使用局部集合变换卡尔曼滤波器（Local Ensemble Transform Kalman Filter, LETKF）来更新时间平均分量。 3. 实验设计：进行了多个理想化的观测系统模拟实验（OSSE），包括不同时间平均长度（τ）的观测数据集。实验分为三类：无DA（NODA）、离线DA（OFFLINE）和在线DA（ONLINE）。每种实验又包含七个子实验，分别对应不同的τ值（1天、3天、10天、1个月、3个月、6个月、12个月）。 4. 可预测性测量：通过集合预报和异常相关系数（Anomaly Correlation Coefficient, ACC）来测量表面气温（SAT）和海表温度（SST）的可预测性。初始条件的设定方式有四种，分别用于测量内在可预测性、实际可预测性和潜在可预测性。

主要结果： 1. 在τ为90天的情况下，当τ小于或等于10天时，对于SAT，ONLINE的均方根误差（RMSE）显著小于OFFLINE（p<0.05）。对于SST，当τ小于或等于3个月时，ONLINE的表现优于OFFLINE（p<0.05）。 2. 当延长海洋的记忆长度至360天时，ONLINE相对于OFFLINE的优势进一步增强。对于SST，τ为1个月和3个月时，ONLINE_LONG的RMSE分别降至0.88和0.91，显著优于OFFLINE_LONG（p<0.001）。此外，当τ为6个月时，ONLINE_LONG的表现也优于OFFLINE_LONG。 3. 对于SST，当τ大于或等于1个月时，大部分改进来自于利用SAT观测更新海洋变量。这表明大气观测对海洋变量的更新具有重要意义。 4. 研究还发现，当τ较短时，由于集合规模较小和信噪比较低，强耦合同化（Strongly Coupled Data Assimilation, SCDA）可能导致SST技能下降。然而，通过调整局地化尺度或使用相关截断方法可以有效缓解这一问题。

结论和意义：研究表明，当系统的实际可预测性长于观测数据的时间分辨率时，在线数据同化（Online-DA）优于离线数据同化（Offline-DA）。此外，大气观测对海洋变量的更新具有重要作用，特别是在较长的时间尺度上。这些发现不仅有助于改进古气候重建方法，也为未来使用更复杂的气候模型进行研究提供了重要参考。

研究亮点： 1. 首次使用耦合通用环流模型（CGCM）展示了在线DA在处理时间平均数据时的优势。 2. 强调了大气观测对海洋变量更新的重要性，特别是在较长的时间尺度上。 3. 提出了通过调整局地化尺度或使用相关截断方法来改善SCDA性能的新思路。

其他有价值内容：研究假设完美模型情景，排除了模型误差的影响。然而，在实际应用中，模型误差是大气-海洋耦合同化和年代际预测中的主要问题之一。因此，开发有效的偏差减少方法以实现使用CGCM的在线DA仍是一个重要的研究方向。