导读

印度夏季风降水的准确预测对周边国家地区的社会经济发展至关重要，但当前的预报技巧仍然远低于其潜在水平，其中一个主要误差来源是预报初始场的不确定性。目前世界主流的季节性预报系统普遍采用海洋-大气环流耦合模式，由于海洋能够保存气候的长期信号并对大气产生影响，因此相对于单纯大气环流模式，耦合模式在多尺度气候变率的模拟预报中表现出优势。本文引入了改进的海洋数据同化技术，将不同来源的观测融合到海洋模式中，提高了海洋初始场的准确性，进而有效提升了印度夏季风降水的季节预报水平。相关研究成果于近日发表在Science合作期刊Ocean-Land-Atmosphere Research (OLAR) 上。

图1  图形摘要

主要内容

本文采用CFSv2耦合模式进行了两个历史集合回报试验（CTL和NIC），两个试验唯一的区别在于海洋初始场，其中NIC试验使用了改进的海洋初始场。回报试验使用2011年至2018年2月的第5、10、15、20和25天每6小时的初始场组成2月起报的20个集合成员。

研究结果表明，NIC试验的初始场在全球关键海洋变量（例如温度和热含量）有显著的改进，特别是在热带太平洋地区（图2）。在NIC的回报结果中，全球海洋表层和次表层相关变量的预报均有显著改进，这表明新的海洋初始化方案对海洋热力学和动力学过程均有改进，能够更好地模拟海表温度的年际变异及其相关的大气反馈。

NIC试验显著提升了印度夏季风降水提前4个月的预报技巧，整个印度（中部印度）的降水预报技巧（时间相关系数）从CTL试验的0.14（-0.11）提高到了0.51（0.46），同时普遍存在的干燥偏差也得到了缓解（图3）。大尺度风环流和湿度等大气变量的预报均得到改善（图4）。

本文的研究证实了更准确的海洋初始场对印度夏季风季节预报的重要性。新的同化系统不仅提高了全球海洋变量的模拟准确性，而且对季风降水等大气变量的季节预报有着显著的积极影响，为提高气象预报水平和深化对季风系统的理解提供了有力的支持。

图2  CTL试验中（a）100 m和（c）300 m深度海温在2011-2018年2月与EN4海温数据的相关系数。（b）和（c）为NIC试验中相应的结果。

图3  CTL和NIC回报试验中（a）整个印度和（b）印度中部夏季（6月-9月）降水的预报技巧。（c）和（d）分别为整个印度和印度中部的每个集合成员及集合平均的预报技巧。

图4 （a）CTL和（b）NIC回报试验中夏季（6月-9月）200 hPa速度势的预报技巧。

总结与展望

耦合数据同化是当前数据同化领域的前沿技术，该技术仍处于研究初期的发展阶段，本文为耦合数据同化技术的有效性提供了坚实的证明。这一研究的成果为未来的发展奠定了基础，通过不断改进耦合同化，提高预报初始场精度，不断提升对印度夏季风降水以及其他高影响事件的季节预报水平，从而增强对灾害性气候事件的应对能力。

原文链接：https://spj.science.org/doi/10.34133/olar.0034

文章标题：

Role of Improved Ocean Initial State in the Seasonal Prediction of Indian Summer Monsoon: A Case Study

文章作者：

Samir Pokhrel, Hasibur Rahaman, Subodh Kumar Saha, Hemantkumar Chaudhari, Anupam Hazra and M. Ravichandran

文章摘要：

This case study has made an effort to show the impact of improved ocean initial conditions (ICs) in a coupled forecast system (CFSv2) simulation on the seasonal prediction of Indian summer monsoon rainfall (ISMR). CFSv2 is used as an operational dynamical model for the seasonal prediction of ISMR. Here, we show an improved ISMR skill by initializing the ocean component of CFSv2 using new improved ocean ICs based on Global Ocean Data Assimilation System (GODAS) analysis. This new analysis is better than the NCEP GODAS, which uses the earlier-generation ocean model MOM4p0d and assimilates observed temperature and synthetic salinity using the 3DVar assimilation scheme. However, the new, improved GODAS analysis uses the MOM4p1 ocean model and assimilates observed salinity instead of synthetic salinity. We performed twin sets of nearly identical model experiments differing only in their ICs, with one set using NCEP ICs and the other using the new ICs (NIC). The NIC experiment consistently shows better El Niño–Southern Oscillation prediction skill than the NCEP IC experiment. This advancement leads to improvement in the ISMR skill. We found that the substantial improvements in both oceanic and atmospheric variables in a coupled feedback system contributed to the improved ISMR skills. The enhanced ISMR skill score of the NIC experiment might be the result of improved teleconnections, better depiction of large-scale monsoon circulations, and reduced model drift.

文章引用：

Pokhrel S, Rahaman H, Saha SK, Chaudhari H, Hazra A, Ravichandran M. Role of Improved Ocean Initial State in the Seasonal Prediction of Indian Summer Monsoon: A Case Study. Ocean-Land-Atmos. Res. 2024;3:Article 0034. DOI:10.34133/olar.0034

OLAR 期刊简介

Ocean-Land-Atmosphere Research (OLAR) 由南方海洋实验室和美国科学促进会合作出版，入选2022年度中国科技期刊卓越行动计划高起点新刊项目，是海洋负排放国际大科学计划（Ocean Negative Carbon Emissions, ONCE）指定的官方唯一合作期刊。期刊以“服务科学研究，推动技术创新”为办刊宗旨，坚持发表高质量、高水平论文，力争成为具有较大影响力的国际一流学术期刊。本刊以海洋相关学科为重点，刊稿主题包括但不限于：海陆气相互作用、海洋碳中和、物理海洋学、海洋生物与生态、海洋地质与地球物理、化学海洋学、海洋气象学、大气物理与大气环境、冰冻圈科学、河口海岸学、海洋工程与海洋技术、海洋资源开发与利用。OLAR 投稿系统目前已正式开放，热烈欢迎相关研究领域科学家踊跃投稿。分享卓见，探索前沿，OLAR 诚邀您一起荟萃科学发现，共享学术盛筵！

期刊官网：https://spj.science.org/journals/olar/

投稿系统：https://www.editorialmanager.com/olar/

扫码关注OLAR官方微信公众号