李宏，許建平,2

（1．國(guó)家海洋局第二海洋研究所，浙江 杭州 310012；2. 衛(wèi)星海洋環(huán)境動(dòng)力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310012）

資料同化技術(shù)的發(fā)展及其在海洋科學(xué)中的應(yīng)用

李宏1，許建平1,2

（1．國(guó)家海洋局第二海洋研究所，浙江 杭州 310012；2. 衛(wèi)星海洋環(huán)境動(dòng)力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310012）

回顧了資料同化技術(shù)，特別是基于最優(yōu)控制和統(tǒng)計(jì)估計(jì)這兩大理論基礎(chǔ)發(fā)展起來的幾種資料同化方法的研究進(jìn)展，以及這些方法在海洋科學(xué)研究中的應(yīng)用現(xiàn)狀。可以看到，由于海洋觀測(cè)資料（如地轉(zhuǎn)海洋學(xué)實(shí)時(shí)觀測(cè)陣（Array for Real-time Geostrophic Oceanography，Argo）、熱帶大氣海洋陣列（Tropical Atmosphere/Ocean array, TAO）、拋棄式溫度深度儀（Expendable Bathythermograph,XBT）、溫鹽深儀(Conductance-Temperature-Depth, CTD)、海洋表層溫度(Sea Surface Temperaturem, SST)、海面高度等（Sea Surface Height,SSH），存在種類繁多，且量大、均一性差等特點(diǎn)，資料同化技術(shù)面臨種種挑戰(zhàn)；同時(shí)，隨著海洋科學(xué)的發(fā)展，無論是海洋數(shù)值預(yù)報(bào)精度的提高、海洋數(shù)據(jù)產(chǎn)品的開發(fā)，還是對(duì)物理海洋現(xiàn)象的細(xì)致描述和深化認(rèn)識(shí)，也都離不開資料同化技術(shù)的進(jìn)一步發(fā)展。

資料同化技術(shù)；發(fā)展；海洋科學(xué)；應(yīng)用

資料同化（Data Assimilation，也叫數(shù)據(jù)同化）最初來源于為數(shù)值天氣預(yù)報(bào)提供必要的初值，現(xiàn)在已經(jīng)發(fā)展成為能夠有效利用大量多源非常規(guī)資料的一種新穎技術(shù)手段，它不僅可以為海洋數(shù)值預(yù)報(bào)模式提供初始場(chǎng)，還可以構(gòu)造海洋再分析資料集，為海洋觀測(cè)計(jì)劃和數(shù)值預(yù)報(bào)模式物理量及參數(shù)等提供設(shè)計(jì)依據(jù)[1]。近十年來，資料同化技術(shù)取得了快速的發(fā)展，從早期比較簡(jiǎn)單的客觀分析法（Objective Analysis，OA）發(fā)展到現(xiàn)在能夠同化大量非常規(guī)資料[2]的四維變分（4 Dimensional Variation，4D-Var）和集合卡爾曼濾波（Ensemble Kalman Filter，EnKF）等。如今，隨著海洋觀測(cè)技術(shù)和方法的不斷改進(jìn)，觀測(cè)資料（如衛(wèi)星遙感、雷達(dá)、船舶報(bào)、驗(yàn)潮站、XBT、TAO、Argo等）在大量遞增。但這些資料存在空間分布不均勻（南半球資料偏少，北半球資料多，近海偏多，深海大洋偏少）、時(shí)間分布不一致、資料來源的不同性，以及各種誤差信息的不統(tǒng)一性等特點(diǎn)。因此，如何將這些不同類別的資料合理地融合進(jìn)入海洋數(shù)值模式，并能客觀地揭示海洋中存在的各種物理海洋現(xiàn)象及其形成機(jī)制，從而能有效改進(jìn)數(shù)值預(yù)報(bào)的結(jié)果，是資料同化技術(shù)面臨的問題。

本文首先回顧了資料同化技術(shù)的發(fā)展過程，并對(duì)不同方法的優(yōu)缺點(diǎn)做了簡(jiǎn)要闡述，隨后重點(diǎn)介紹了資料同化技術(shù)在海洋科學(xué)領(lǐng)域中的應(yīng)用，并展望了其未來發(fā)展的方向。

1 資料同化技術(shù)及其進(jìn)展

早期的資料同化方法，也稱客觀分析法（Objective Analysis，OA），如1949年由Panosky開創(chuàng)性提出的多項(xiàng)式擬合（Polynomial Fitting，PF）[3]、1954年Gilchrist和Cressman發(fā)展的函數(shù)濾波法（Function Filtering，F(xiàn)F）等[4]，以及最初由 Gilchrist提出的理想逐步訂正法（Successive Correction，SC）原型[4]，后（1955年）由 Bergthorson對(duì)其進(jìn)行理論論證[5]并由 Cressman（1959年）發(fā)展成熟的基于迭代算法的逐步訂正法[6]等，這些其實(shí)都是經(jīng)驗(yàn)分析方法，沒有充分利用模式和觀測(cè)資料的誤差統(tǒng)計(jì)信息，也沒有利用模式的時(shí)空演變信息，并且缺乏強(qiáng)有力的理論基礎(chǔ)。因此，在實(shí)際數(shù)值預(yù)報(bào)特別是在海洋科學(xué)研究中并沒有得到廣泛應(yīng)用。直到20世紀(jì)60年代初，最優(yōu)插值法（Optimal Interpolation，OI）的提出，資料同化方法才有了基于統(tǒng)計(jì)估計(jì)理論的基礎(chǔ)。目前的資料同化方法根據(jù)其理論原理可分為兩類，一類是基于統(tǒng)計(jì)估計(jì)理論的，如最優(yōu)插值、卡爾曼濾波（Kalman Filter，KF）、擴(kuò)展卡爾曼濾波（Extend Kalman Filter，EKF）、集合卡爾曼濾波(EnKF)等；另外一類是基于最優(yōu)控制的（也有稱變分的），如三維變分(3 Dimensional Variation，3D-Var)、四維變分（4D-Var）等。本文主要回顧基于最優(yōu)控制和統(tǒng)計(jì)估計(jì)這兩大理論基礎(chǔ)發(fā)展起來的資料同化技術(shù)。

1.1 基于統(tǒng)計(jì)估計(jì)的資料同化技術(shù)

1.1.1 OI OI[8]首先由Gandin在1963年提出，它是一種新的基于統(tǒng)計(jì)理論基礎(chǔ)的均方差最小線性插值法，該方法考慮了模式和觀測(cè)數(shù)據(jù)的誤差統(tǒng)計(jì)信息，并加入必要的權(quán)重，能夠較好的刻畫出實(shí)際大氣（海洋）狀態(tài)，因而在 20世紀(jì)八、九十年代業(yè)務(wù)化數(shù)值預(yù)報(bào)當(dāng)中占主流地位。

OI的一個(gè)基本假定是：在確定每個(gè)模式變量的分析增量時(shí)，僅有幾個(gè)觀測(cè)值是重要的。基于這一假設(shè)，OI就易于編碼并且計(jì)算量相對(duì)較小，這是它的主要優(yōu)點(diǎn)[9]。但OI的缺點(diǎn)也是顯而易見的，由于所用協(xié)方差矩陣是固定的，不隨時(shí)間變化，這就限制了它不能將動(dòng)力模式和觀測(cè)信息很好地融合在一起；且一般的 OI是單變量分析，這可能造成物理量的不協(xié)調(diào)[10]。OI通常選擇分析格點(diǎn)附近的觀測(cè)資料來做局部分析，這可以減小計(jì)算量，但分析結(jié)果并非全局最優(yōu)，分析在空間上不協(xié)調(diào)[11]；OI是針對(duì)線性系統(tǒng)發(fā)展起來的，難以處理觀測(cè)算子非線性的情況；當(dāng)對(duì)模式狀態(tài)的不同部分采取不同的觀測(cè)值時(shí)，會(huì)使分析場(chǎng)產(chǎn)生虛假的噪音[9]；另外，OI無法確保大小尺度分析的一致性[12]。

1.1.2 KF KF算法最初由Kalman 1960年[13]引進(jìn)用于離散時(shí)間下的線性系統(tǒng)濾波，且由 Kalman和Bucy[14]擴(kuò)展用于連續(xù)時(shí)間系統(tǒng)濾波，類似于OI，KF也是基于統(tǒng)計(jì)估計(jì)理論發(fā)展起來的。在系統(tǒng)是線性、誤差是白噪音和高斯型的情況下，KF以分析誤差的最小方差為標(biāo)準(zhǔn)提供分析最優(yōu)值。區(qū)別于后面的4D-Var，KF顯式發(fā)展背景場(chǎng)誤差協(xié)方差，因而不需要伴隨算子，這是其一大優(yōu)點(diǎn)；另外，KF可以直接提供分析誤差協(xié)方差矩陣，這是 4D-Var不具備的優(yōu)勢(shì)。但由于其高昂的計(jì)算代價(jià)而難以應(yīng)用于實(shí)際數(shù)據(jù)同化當(dāng)中。

實(shí)際上，大氣和海洋預(yù)報(bào)模式大多數(shù)是高維非線性系統(tǒng)，KF算法對(duì)此無能為力。于是，有學(xué)者針對(duì)非線性系統(tǒng)提出了被后人所稱的“EKF”。

1.1.3 EKF EKF基于切線性假設(shè)（僅保留模式一階導(dǎo)數(shù)項(xiàng)），對(duì)一般的弱非線性問題是一種很好的近似，但對(duì)于強(qiáng)非線性問題，這一假設(shè)本身就偏離實(shí)際很遠(yuǎn)，簡(jiǎn)化后的方程恰恰去掉了原始方程中最重要的部分，僅保留二三階導(dǎo)數(shù)項(xiàng)的“閉合”技術(shù)，對(duì)非線性模式本身是一個(gè)很困難的問題，處理不好直接導(dǎo)致濾波發(fā)散[15]。因而，EKF難以應(yīng)用于強(qiáng)非線性系統(tǒng)，同時(shí)，與EK一樣計(jì)算量巨大。所以，EKF在實(shí)際應(yīng)用中也是難以發(fā)揮作用。

為了解決（E）KF的計(jì)算代價(jià)問題，許多學(xué)者做了大量探索性工作[16-20]，試圖尋求一種次優(yōu)方案來代替EKF，具有代表性的有降秩平方根卡爾曼濾波（Reduced Rank Square Root，RRSQRT）[17]和奇異進(jìn)化擴(kuò)展卡爾曼濾波（Singular Evolution Extended Kalman Filter，SEEK）[18]，這兩種方法均是通過對(duì)誤差協(xié)方差矩陣進(jìn)行特征值分解，并將其投影于主特征向量空間，由此來降低協(xié)方差矩陣的秩，以此來降低計(jì)算量和存儲(chǔ)量。在所有的改進(jìn)方案中，以Evensen 在二十世紀(jì)九十年代提出的基于集合思想的EnKF[16]最引人注目。

1.1.4 EnKF EnKF是一種基于蒙特卡羅算法的集合方法，它用有限的集合樣本來估算誤差協(xié)方差矩陣的不確定性[16,19-20]，這樣計(jì)算量明顯減小。在系統(tǒng)為線性，且當(dāng)樣本數(shù)量趨于無窮時(shí)，EnKF和KF是等價(jià)的[21]。EnKF利用集合擾動(dòng)的方法構(gòu)造初始場(chǎng)易于編碼實(shí)施，且用集合方法來估計(jì)背景場(chǎng)的誤差協(xié)方差，這相對(duì)4D-Var來說，就不需要切線性假設(shè)和伴隨算子的構(gòu)造，也無需模式的反向積分[20-21]，這是其主要優(yōu)勢(shì)；另外，EnKF自動(dòng)提供分析誤差協(xié)方差矩陣，這也是變分同化法所不具備的優(yōu)點(diǎn)。

當(dāng)然，EnKF也還存在諸多問題。首先卡爾曼濾波是基于誤差的無偏估計(jì)及概論密度的高斯分布假設(shè)，這兩個(gè)假設(shè)在實(shí)際當(dāng)中并不一定是可靠的[9]。其次，由于EnKF是通過選取有限的樣本來構(gòu)造背景場(chǎng)誤差協(xié)方差，這勢(shì)必使得樣本集合離散度不夠（樣本量有限），產(chǎn)生樣本誤差問題[22-25]。并且在實(shí)際操作中，系統(tǒng)的非線性性，及通常利用擾動(dòng)觀測(cè)法獲取樣本初值[24]使得這種樣本誤差問題更為明顯。隨后發(fā)展的平方根法（或者確定性方法）來獲取樣本初值[24-25]能有效避免傳統(tǒng)樣本誤差問題，另外局地化方法能抑制由有限集合樣本數(shù)引起的虛假遠(yuǎn)程觀測(cè)相關(guān)性[26-27]，但它也能導(dǎo)致初始條件的動(dòng)力不平衡性[2,28]。再者，如 Houtekamer等[29]指出的那樣，EnKF僅用常規(guī)意義下的一組集合實(shí)施同化會(huì)產(chǎn)生“近交（inbreeding）”問題，提出用兩組集合實(shí)施同化：根據(jù)每組集合進(jìn)行短期預(yù)報(bào)得出的協(xié)方差矩陣來計(jì)算的Kalman權(quán)重函數(shù)互相交換使用，這種方案可以避免“近交”問題，后被廣泛采用[29-30]。

EnKF 的計(jì)算量相對(duì)4D-Var來說，依然很大，但其集合思想為資料同化技術(shù)的發(fā)展提供了一種新的思路，一些學(xué)者已將集合吸收到其他較為簡(jiǎn)單的同化技術(shù)當(dāng)中，如Envesen等[20]最初提到集合最優(yōu)插值（Ensemble Optimal Interpolation,EnOI）方法，就是EnKF的簡(jiǎn)化版。與EnKF一樣，EnOI采用集合樣本的方法來生成背景協(xié)方差矩陣，但EnOI用靜態(tài)樣本，只用一個(gè)積分模式，而EnKF用動(dòng)態(tài)樣本，需要多個(gè)積分模式，因此EnOI計(jì)算量遠(yuǎn)小于EnKF[20]。目前，EnOI也取得了較快的發(fā)展，感興趣的讀者可以參考相關(guān)文獻(xiàn)[31-32]。

1.2 基于最優(yōu)控制的資料同化技術(shù)

1.2.1 3D-Var 最初出現(xiàn)的變分同化技術(shù)是3D-Var，3D-Var基于最優(yōu)控制理論而發(fā)展，通過分析預(yù)報(bào)值與觀測(cè)值之間的距離最小化來得到海洋或大氣狀態(tài)的最優(yōu)估計(jì)量。

相對(duì)于 OI，3D-Var可以做多變量同化分析，且在三維空間中進(jìn)行全局分析，分析解為全局最優(yōu)；也可以處理觀測(cè)算子非線性的情況，這樣可以同化各種不同來源的觀測(cè)資料，包括常規(guī)的和非常規(guī)的、非同步的等，如 XBT、TAO、Argo[33]以及衛(wèi)星觀測(cè)資料[34]等；另外可以在代價(jià)函數(shù)上加入額外的平衡約束項(xiàng)，這樣能抑制分析場(chǎng)帶來的重力噪音[35]。

然而，由于三維變分無時(shí)間變量，因此動(dòng)力模式不能對(duì)其進(jìn)行約束，其獲得的初值在時(shí)間上是不連續(xù)的，也難以保障與模式協(xié)調(diào)[9]；另外，模式在同化時(shí)間窗口內(nèi)被認(rèn)為是靜止的，而且使時(shí)間窗口內(nèi)的任何觀察數(shù)據(jù)都被認(rèn)為是同一時(shí)刻的觀測(cè)值，這無疑會(huì)使得同化結(jié)果與實(shí)際產(chǎn)生某些偏差[36]，這是它的主要缺點(diǎn)。為彌補(bǔ) 3D-Var的這一缺陷，F(xiàn).X.LeDimet等人于 20世紀(jì) 80年代提出了4D-Var[37]。

1.2.2 4D-Var 4D-Var[37]是將 3D-Var進(jìn)一步擴(kuò)展成為包含時(shí)間變量的同化分析。4D-Var在時(shí)間窗口內(nèi)利用完整的動(dòng)力模式作為強(qiáng)約束，能自動(dòng)調(diào)整模式誤差，使得同化結(jié)果更可靠。而且，規(guī)定在某一時(shí)間段上的觀測(cè)數(shù)據(jù)均可納入到同化系統(tǒng)。背景場(chǎng)誤差協(xié)方差隱式發(fā)展，誤差信息隨動(dòng)力模式而向前傳播，這些是4D-Var的主要優(yōu)勢(shì)。由于4D-Var需要求解伴隨模式，并且代價(jià)函數(shù)求解通常采用最速下降法、共軛梯度法及準(zhǔn)—牛頓迭代法等迭代計(jì)算，所以，計(jì)算量特別大。

針對(duì)4D-Var計(jì)算量大的缺點(diǎn)，許多學(xué)者提出了新的改進(jìn)方法，如早期由 Courtier提出的增量法[38]，利用轉(zhuǎn)換算子將原來模式高分辨率的增量場(chǎng)轉(zhuǎn)換為低分辨率場(chǎng)，在低維空間中進(jìn)行計(jì)算，最后利用逆轉(zhuǎn)換算子將迭代獲得的低維增量轉(zhuǎn)換到原來的空間增量中，但增量法無法確保結(jié)果的收斂性[9]。國(guó)內(nèi)有學(xué)者提出基于奇異值分解（Singular Value Decomposition，SVD）技術(shù)的顯式四維變分同化法[39]及基于本征正交分解（Proper Orthogonal Decomposition，POD）函數(shù)技術(shù)的顯式四維變分法[40]等，這兩種方法在某些地方是相似的，都是通過對(duì)協(xié)方差矩陣進(jìn)行分解重構(gòu)來縮減計(jì)算量，且均無需伴隨模式的求解及切線性假設(shè)，能夠有效減少計(jì)算量，但其穩(wěn)定性仍需進(jìn)一步測(cè)試。

除此以外，4D-Var（特別是強(qiáng)約束4D-Var）在同化時(shí)間窗口內(nèi)隱含了“完美”模式這一假設(shè)，當(dāng)模式誤差大的時(shí)候，這一假設(shè)本身就不成立。此外，實(shí)施伴隨算子的編碼本身也是一件相當(dāng)繁重和復(fù)雜的工作，物理過程參數(shù)化也會(huì)引起目標(biāo)泛函產(chǎn)生不連續(xù)問題[35]，對(duì)同化時(shí)間窗口長(zhǎng)度的確定沒有形成較統(tǒng)一的方法[41]。

2 資料同化技術(shù)在海洋科學(xué)中的應(yīng)用

海洋科學(xué)的發(fā)展，特別是物理海洋學(xué)研究和業(yè)務(wù)化海洋預(yù)測(cè)預(yù)報(bào)技術(shù)的發(fā)展，長(zhǎng)期以來一直受到觀測(cè)資料不足的制約。然而，這一狀況在近十年中得到了根本改善。隨著海洋觀測(cè)技術(shù)的發(fā)展，特別是TOPEX/Poseidon、Jason-1和NOAA等帶有探測(cè)海面高度和海面溫度等海洋要素的衛(wèi)星成功發(fā)射，以及全球 Argo實(shí)時(shí)海洋觀測(cè)網(wǎng)的建立等，人們開始有能力獲取廣闊洋面上大量的、高分辨率的實(shí)時(shí)海洋觀測(cè)數(shù)據(jù)。與此同時(shí)資料同化技術(shù)在海洋科學(xué)研究中也取得了長(zhǎng)足的進(jìn)步，并在業(yè)務(wù)化海洋預(yù)報(bào)的構(gòu)建、海洋再分析資料集的制作和深化對(duì)物理海洋現(xiàn)象的認(rèn)識(shí)等方面取得了許多可喜的應(yīng)用成果。

2.1 構(gòu)建海洋預(yù)報(bào)系統(tǒng)

長(zhǎng)期以來，海洋預(yù)報(bào)的準(zhǔn)確度由于受到觀測(cè)區(qū)域的覆蓋有限，且資料觀測(cè)周期短、均一性差等因素的影響，盡管計(jì)算機(jī)容量和計(jì)算速度已經(jīng)是今非昔比，但預(yù)報(bào)結(jié)果依然不盡人意。究其原因，除了上面所述的缺陷外，還與模式本身的誤差有關(guān)。于是人們發(fā)現(xiàn)，資料同化技術(shù)能將各種不同類別和時(shí)間段的觀測(cè)資料不斷地融于數(shù)值模式，并將短期分析預(yù)報(bào)結(jié)果作為模式預(yù)報(bào)的初值，以此將觀測(cè)與模式的結(jié)果不斷融合成為一個(gè)最優(yōu)值，最終減小誤差，提高預(yù)報(bào)精度。為此，許多國(guó)家首先針對(duì)海洋預(yù)報(bào)建立了專門的研究計(jì)劃，利用資料同化技術(shù)并結(jié)合海洋模式開發(fā)出相應(yīng)的海洋預(yù)報(bào)系統(tǒng)。

澳大利亞的海洋模型分析預(yù)報(bào)系統(tǒng)[42]（Ocean Model,Analysis and Prediction System，即OceanMAPS），就是利用中尺度海洋模式4（Modular Ocean Model 4，即MOM4）并結(jié)合集EnOI開發(fā)而成。其中，觀測(cè)誤差協(xié)方差考慮了儀器測(cè)量誤差與代表性誤差，背景誤差協(xié)方差利用集合樣本生成，并假設(shè)非同質(zhì)及各向異性[42]，這一誤差方案能很好地代表不同時(shí)空范圍內(nèi)的海洋變化狀態(tài)，同化獲得的分析增量能夠反映出不同區(qū)域的冷暖渦狀況，對(duì)圍繞澳大利亞海域的環(huán)流特征及中尺度現(xiàn)象等能夠獲得準(zhǔn)確的預(yù)報(bào)結(jié)果。該系統(tǒng)同化資料有 SST（AMSR-E），T/S 剖面和SSH（Jason 和 Envisat）等。

英國(guó)的預(yù)報(bào)海洋同化模型系統(tǒng)[43]（Forecast Ocean Assimilation Model，即FOAM）采用了NEMO模式和較為簡(jiǎn)單的同化技術(shù)，即分析訂正與增量分析更新方案（ACS和IAU），這類似于最優(yōu)插值法。利用的同化資料主要有：SST（OSTIA）、T/S剖面、SSH（Jason、Envisat、GFO及SSALTO/DUACS）,以及海冰濃度。該系統(tǒng)假設(shè)預(yù)報(bào)誤差來源于2個(gè)方面[43]，一個(gè)是模式外強(qiáng)迫誤差（風(fēng)，熱通量，淡水通量強(qiáng)迫等），另一個(gè)是模式自身內(nèi)部動(dòng)力過程引起的誤差，溫鹽剖面資料的同化對(duì)模式溫鹽場(chǎng)（尤其鹽度場(chǎng)）的改進(jìn)較大，進(jìn)而對(duì)密度場(chǎng)能做出快速的調(diào)整。FOAM對(duì)溫鹽的預(yù)報(bào)最大誤差出現(xiàn)在上層海洋（主要在混合層），均方根誤差分別為1.3oC和0.3，而在 1 000 m以下，誤差分別降到0.5oC和0.1[43]。

美國(guó)海軍的復(fù)雜坐標(biāo)海洋模式/海軍耦合海洋資料同化系統(tǒng)[44]（Hybrid Coordinate Ocean Model/Navy Coupled Ocean Data Assimilation，即HYCOM/NCODA）采用多變量OI同化技術(shù)，將背景誤差協(xié)方差分離為背景誤差方差與相關(guān)矩陣，考慮垂向和水平相關(guān)，并以流－依賴（flow-dependent）部分來修正這種關(guān)系，變量間的相關(guān)性采用自相關(guān)模型函數(shù)來刻畫。利用的同化資料主要有：SST（衛(wèi)星和現(xiàn)場(chǎng)），海冰濃度、SSH（Jason、Envisat、GFO及NAVO ADFC）和T/S剖面等。該系統(tǒng)目前已經(jīng)業(yè)務(wù)化，對(duì)全球海洋SST的預(yù)報(bào)均方根誤差可以控制在1oC以內(nèi)，海面高度預(yù)報(bào)誤差則在3 cm以內(nèi)[44]。

日本氣象研究所開發(fā)的多變量海洋變分估計(jì)系統(tǒng)[45]（The Meteorological Research Institue（MRI）multivariate ocean Variational estimation，即MOVE/MRI.COM）采用了3D-Var,且同化中的背景協(xié)方差矩陣由氣候態(tài)溫鹽垂直耦合 EOF來分解[45]獲取。利用的同化資料主要有：SST（MGD），SSH（Jason和Ensivat）和T/S剖面。該系統(tǒng)對(duì)北太平洋中尺度渦的分布特征有較為清晰的描述，對(duì)黑潮輸運(yùn)量的模擬預(yù)報(bào)與由高度計(jì)資料估算的輸運(yùn)量相關(guān)系數(shù)最高可達(dá)0.59[45]。

意大利地中海預(yù)報(bào)系統(tǒng)（Mediterranean Forecast System，即 MFS）[46]采用 3D-Var和 NEMO模式開發(fā)，具有較高的分辨率（水平 1/16o，垂向71層）。利用的同化資料主要有 SST（AVHRR），SSH（Jason、Envisat、GFO 及 NAVO ADFC）和T/S剖面。MFS是較早實(shí)現(xiàn)業(yè)務(wù)化海洋預(yù)報(bào)系統(tǒng)之一，并經(jīng)過不斷改進(jìn)[47]，目前該系統(tǒng)基于新的背景場(chǎng)誤差協(xié)方差模型而發(fā)展起來的，考慮了復(fù)雜的海岸邊界條件及海底地形變化，同化試驗(yàn)表明海表高度誤差隨著預(yù)報(bào)時(shí)間的推進(jìn)不斷減小并趨于穩(wěn)定，同化后，海表高度誤差能降低到5 cm以下，而在未同化觀測(cè)資料時(shí)，此誤差是遞增的。

中國(guó)國(guó)家海洋環(huán)境預(yù)報(bào)中心（The National Marine Environment Forcast Centre of China，即NMEFC）開發(fā)的海洋系統(tǒng)[48]，其背景協(xié)方差矩陣構(gòu)造與HYCOM/NCODA系統(tǒng)類似，均將水平和垂直方向的相關(guān)性分離[48]，但 NMEFC采用 3D-Var同化技術(shù)，利用非線性的溫鹽關(guān)系作為平衡約束并以此構(gòu)建協(xié)方差矩陣。目前，該中心不僅利用NMEFC實(shí)時(shí)發(fā)布熱帶太平洋溫、鹽度場(chǎng)數(shù)據(jù)產(chǎn)品，還對(duì)ENSO進(jìn)行實(shí)時(shí)監(jiān)測(cè)。利用的同化資料主要有：SST（Reynolds）、SSH（Jason）和T/S剖面剖面。

綜上所述，各國(guó)的海洋預(yù)報(bào)系統(tǒng)盡管利用的數(shù)值模式不盡相同，但同化技術(shù)幾乎均采用了較為先進(jìn)、也是比較成熟的OI、EnOI和3D-Var等方法；且利用的同化資料除了由衛(wèi)星觀測(cè)的 SST和 SSH外，大都采用了溫、鹽度剖面資料，以及海冰濃度資料等。為此，各預(yù)報(bào)系統(tǒng)的預(yù)報(bào)精度都有了不同程度的提高。

2.2 制作海洋再分析資料集

資料同化技術(shù)除了被廣泛應(yīng)用于構(gòu)建完美的海洋預(yù)報(bào)系統(tǒng)外，人們還利用它能有效的將各種類型的海洋觀測(cè)資料融入海洋模式中，生成時(shí)空分布更加完善的分析資料的特點(diǎn)，廣泛用來制作海洋再分析資料集，以便充分利用通過現(xiàn)有觀測(cè)技術(shù)所能獲得的全部信息，盡可能真實(shí)地揭示海洋的真實(shí)狀態(tài)。

一種被稱為簡(jiǎn)單海洋資料同化（Simple Ocean Data Assimilation）的再分析資料集，即SODA，應(yīng)該是資料同化技術(shù)在海洋科學(xué)中應(yīng)用的成功典范，曾被各國(guó)海洋和大氣科學(xué)領(lǐng)域中的專家、學(xué)者廣泛運(yùn)用。早在1999年，Garton等[49,50]利用MOM2模式并結(jié)合 OI技術(shù)，利用當(dāng)時(shí)能獲得的所有觀測(cè)資料，如MBT、XBT、CTD、SST、岸站資料、水文資料和SSH等，從而構(gòu)建了海洋科學(xué)領(lǐng)域首個(gè)再分析資料集，即包含了1950年至1995年期間全球海洋上層海水溫度、鹽度和海面高度及流場(chǎng)等要素的月平均再分析資料集。

當(dāng)時(shí)，該資料集的水平分辨率為0.5o×0.5o，垂向分40層。同化考慮了背景場(chǎng)誤差的空間相關(guān)性，其預(yù)報(bào)誤差是基于統(tǒng)計(jì)估計(jì)理論來計(jì)算的，并假設(shè)其不隨時(shí)間變化而僅與空間尺度相關(guān)[49]。初步的檢驗(yàn)結(jié)果表明，SODA資料集反映的EI Nino及太平洋-北美（Pacific-North American）異常信號(hào)與觀測(cè)資料提供的信號(hào)比較相符。但早期SODA資料集的不足在于[50]，同化缺乏海表鹽度資料，限制了對(duì)混合層鹽度年際變化的正確估計(jì)；其次，SODA資料集對(duì)溫躍層及一些典型水團(tuán)的變化形成過程刻畫不充分，這與應(yīng)用的OI同化技術(shù)的自身缺陷有關(guān)，因?yàn)?OI所用的協(xié)方差矩陣是固定的，且不隨時(shí)間變化，這就使得它不能將動(dòng)力模式和觀測(cè)信息很好地融合在一起，這勢(shì)必會(huì)引起誤差；再者SODA資料集對(duì)地形變化不敏感，難以捕捉近海環(huán)流特征及中尺度渦現(xiàn)象；此外，SODA資料獲得的海洋要素在南半球和印度洋存在較大誤差，而這與觀測(cè)資料的稀疏存在一定關(guān)系。SODA資料集在不斷更新中，Carton等[51]2008年利用類似的方法制作了平均分辨率為0.25o×0.4o，垂向40層的再分析資料，分為5天平均和月平均，資料年限為1958－2001年，少量的 Argo溫鹽剖面資料加入到同化中。另外，SODA資料集的幾個(gè)最新版本已在其網(wǎng)站（http://www.atmos.umd.edu/～ocean/）發(fā)布。

不同于SODA資料集，由日本科學(xué)家利用其開發(fā)的多變量海洋變分估計(jì)與綜合海洋模式、預(yù)報(bào)、分析和合成系統(tǒng)[52]（Multivariate Ocean Variational Estimation &Comprehensive Ocean Modeling， Prediction, Analysis and Synthesis System in the Kuroshio region）生成的再分析資料集，即 MOVE & COMPASS-K，這是一個(gè)專門應(yīng)用于黑潮區(qū)域的再分析資料集，利用了 3D-Var和Nuding同化技術(shù)，并同化了現(xiàn)場(chǎng)溫、鹽度觀測(cè)值（來自于 GTSPP、XBT、TAO、Argo等觀測(cè)手段）和海表高度（SSH）、SST等來自于衛(wèi)星觀測(cè)的資料。MOVE & COMPASS-K 再分析資料集的水平分辨率在北太平洋（23oN–45oN 和 120oE–180oE）海域?yàn)?1/4o×1/4o；其他區(qū)域?yàn)?0.5o×0.5o，垂向?yàn)?21層，資料年限從 1993－2001年?？梢?，雖然應(yīng)用了全球Argo實(shí)時(shí)海洋觀測(cè)網(wǎng)提供的溫、鹽度剖面資料，但由于該觀測(cè)網(wǎng)那時(shí)還剛剛開始建設(shè)，相信不會(huì)有太多的 Argo資料應(yīng)用其中。而由 MOVE &COMPASS-K資料集[51]估算的黑潮最大（最?。┝魉倥c實(shí)測(cè)ADCP值均方根誤差為0.749 m/s（0.271 m/s），并能再現(xiàn)黑潮在日本南部海域的流軸結(jié)構(gòu)。不過，對(duì)琉球群島流系的體積輸運(yùn)量估算則存在 3.1 Sv（1Sv=106m3/s）的偏差。

中國(guó)在制作海洋再分析資料集方面起步較晚。2007年，國(guó)家海洋環(huán)境預(yù)報(bào)中心利用業(yè)已建立的熱帶太平洋溫度鹽度同化業(yè)務(wù)化系統(tǒng)，開始在其網(wǎng)站（http://dell1500sc.nmefc.gov.cn/qxzl/qxzl.asp）上發(fā)布熱帶太平洋溫度鹽度再分析產(chǎn)品，使中國(guó)成為繼美國(guó)、日本、法國(guó)、意大利和加拿大等發(fā)達(dá)國(guó)家之后具有發(fā)布熱帶太平洋溫度鹽度再分析產(chǎn)品的國(guó)家之一。該系統(tǒng)能對(duì)海洋衛(wèi)星遙感、Argo及TAO等觀測(cè)資料進(jìn)行同化分析處理，實(shí)現(xiàn)了熱帶太平洋海域溫、鹽度多元資料同化再分析的業(yè)務(wù)化運(yùn)行。該產(chǎn)品每月（25日左右）發(fā)布，主要提供熱帶太平洋區(qū)域（120oE-70oW，30oN-30oS，水平分辨率為經(jīng)向2o、緯向1o；垂向10～630 m）的溫度、鹽度月平均同化再分析場(chǎng)。2009年，國(guó)家海洋信息中心發(fā)布了另一個(gè)海洋再分析資料集，簡(jiǎn)稱 CORA（China Ocean Reanalysis）[53]。該資料集借助普林斯頓廣義坐標(biāo)系統(tǒng)海洋模式（Princeton Ocean Model with generalized coordinate system，即POMgcs）制作完成。考慮到海洋觀測(cè)數(shù)據(jù)的時(shí)空分布不均勻性，為了有效提取海洋觀測(cè)數(shù)據(jù)中的多尺度信息，并結(jié)合海洋要素的變化特征及其觀測(cè)數(shù)據(jù)的時(shí)空分布特點(diǎn)，研發(fā)了多重網(wǎng)格三維變分海洋數(shù)據(jù)同化方法，用其同化溫、鹽度現(xiàn)場(chǎng)觀測(cè)和衛(wèi)星測(cè)溫以及衛(wèi)星測(cè)高數(shù)據(jù)。CORA再分析產(chǎn)品時(shí)段是從1986年1月至2008年12月共23年；海區(qū)范圍為99oE～148oE、10oS～52oN，即同時(shí)包括渤海、黃海、東海和南海及其鄰近海域；時(shí)間分辨率為歷年、各月，空間水平網(wǎng)格分辨率為0.5o×0.5o、垂向?yàn)?5層。

此外，美國(guó)的Stammer等[54]和澳大利亞的Oke等[31]還分別利用麻省理工一般環(huán)流模式（Massachusetts Institute of Technology General Circulation Model，即MITgcm）和澳大利亞海洋預(yù)報(bào)模式（Ocean Forecasting Australia Model，即OFAM），并運(yùn)用4D-Var和EnOI同化技術(shù)，分別制作完成了 1992－1997年間的海洋環(huán)流及氣候估計(jì)-1（Estimating the Circulation and Climate of the Ocean-1，即 ECCO-1）資料集和 1992－2004年間的BRAN（Bluelink ReAnalysis）再分析資料集，而他們利用的同化資料不僅有衛(wèi)星遙感觀測(cè)資料（如SSH、SLA等）、長(zhǎng)期錨碇站觀測(cè)資料（如TAO）和短期臨時(shí)站觀測(cè)資料（如XBT，CTD等），還有長(zhǎng)期漂移浮標(biāo)觀測(cè)的資料（如ALACE，Argo等）。由此可見，再分析資料集是一種將不同時(shí)間段內(nèi)各種類別零散的觀測(cè)資料，通過資料同化技術(shù)并結(jié)合數(shù)值模式進(jìn)行綜合分析而生成的網(wǎng)格化數(shù)據(jù)集，它能再現(xiàn)海面高度、三維溫度、鹽度和流場(chǎng)的時(shí)空演變過程，為系統(tǒng)深入研究海洋對(duì)氣候變化的響應(yīng)、大洋環(huán)流與溫鹽結(jié)構(gòu)、海洋過程與現(xiàn)象，以及監(jiān)測(cè)方案的設(shè)計(jì)等提供更加豐富的信息[53]。

2.3 深化對(duì)物理海洋現(xiàn)象的認(rèn)識(shí)

準(zhǔn)確地預(yù)報(bào)海洋，不僅需要大量的現(xiàn)場(chǎng)觀測(cè)資料、一個(gè)完美的數(shù)值預(yù)報(bào)模式，更需要對(duì)引起海洋變化的各種現(xiàn)象，特別是物理海洋現(xiàn)象的全面而又系統(tǒng)的認(rèn)識(shí)。資料同化技術(shù)可以幫助人們從大量的觀測(cè)資料中提取出更多、更有用的信息，從而深化人們對(duì)各種物理海洋現(xiàn)象的認(rèn)識(shí)。

早期，Derber等[55]的工作僅限于同化溫度資料，包括海表及垂直剖面溫度資料，他先對(duì)溫度資料進(jìn)行嚴(yán)格的質(zhì)量控制，隨后借助 3D-Var同化工具，利用觀測(cè)資料連續(xù)訂正模式解，其每步訂正均插入前后15 d（也即30 d的同化窗口）的觀測(cè)值，有效彌補(bǔ)了觀測(cè)資料不足的問題；最后將同化得出的SST與氣候中心業(yè)務(wù)化SST產(chǎn)品進(jìn)行了比較，發(fā)現(xiàn)在大尺度特征上兩者表現(xiàn)出一致性，但相比過于平滑的業(yè)務(wù)化SST，同化后的SST在捕捉小尺度變化特征上表現(xiàn)出一定的優(yōu)勢(shì)。此外，同化溫度垂直剖面資料有效地修正了溫躍層和混合層的深度，并改進(jìn)了對(duì)赤道潛流的強(qiáng)度及其垂向結(jié)構(gòu)的描述。

Stammer等[54]利用MITgcm模式和4D-Var同化技術(shù)來研究全球海洋環(huán)流現(xiàn)象，同化利用了溫鹽剖面、SST及衛(wèi)星高度計(jì)資料等。同化有效修正了灣流延伸體的空間結(jié)構(gòu)，由于模式分辨率（水平2o×2o，垂向32層）相對(duì)較低，并且用于同化的次表層觀測(cè)資料不足，同化對(duì)次表層海洋運(yùn)動(dòng)（比如典型水團(tuán)的形成和運(yùn)動(dòng)）特征的刻畫效果欠佳。

Masuda等[56]則利用4D-Var和MOM模式構(gòu)造一個(gè)精度稍好（水平1o×1o，垂直36層）的同化系統(tǒng)來改進(jìn)模式對(duì)北太平洋動(dòng)力場(chǎng)的估計(jì)。首先用氣候態(tài)風(fēng)場(chǎng)和溫鹽場(chǎng)強(qiáng)迫并采用溫鹽張弛邊界條件使模式積分 60年，以最后一年結(jié)果為初始場(chǎng)，隨后利用4D-Var將WOA98氣候態(tài)月平均和Argo溫鹽剖面、OISST及TOPEX/Poseidon衛(wèi)星10天平均海面動(dòng)力高度異常值同化進(jìn)入模式，得益于分辨率的提高及同化資料的增加，同化的效果是明顯的：同化強(qiáng)化了北太平洋中層水（North Pacific Intermediate Water，NPIW）的南侵，削減了南太平洋熱帶水高鹽區(qū)的影響范圍，這些與觀測(cè)事實(shí)更為相符，并調(diào)整了凈海氣熱通量在熱帶太平洋中的分布結(jié)構(gòu)，使其與衛(wèi)星觀測(cè)結(jié)果趨于一致；另外，還對(duì)黑潮過于北侵及親潮顯著性北退的分布特征得到了修正。

Ishikawa等[57]的工作更令人鼓舞，它用4D-Var構(gòu)建西北太平洋高精度（水平 1/6o×1/8o，垂直 78層）同化監(jiān)測(cè)系統(tǒng)，該系統(tǒng)同化的資料包括現(xiàn)場(chǎng)觀測(cè)的常規(guī)溫、鹽度資料和衛(wèi)星反演的SST、SSH數(shù)據(jù)。對(duì)西北太平洋的兩大重要流系（黑潮和親潮）進(jìn)行了深入研究，發(fā)現(xiàn)同化手段不僅優(yōu)化了模式對(duì)二者輸運(yùn)量的模擬結(jié)果，還修正了兩大流系交界處的鋒面結(jié)構(gòu)以及中尺度渦的空間分布特征。

朱江等[10]曾用 OI發(fā)展了一個(gè)海溫短期數(shù)值預(yù)報(bào)系統(tǒng)。他首先利用最優(yōu)插值質(zhì)量控制法對(duì)船舶報(bào)SST資料進(jìn)行質(zhì)量控制，然后將資料插值到模式格點(diǎn)進(jìn)行同化，類似于Derber等[55]的方案，在每次用OI 進(jìn)行SST同化過程中，加入了前后相差6 h的相鄰資料作為同時(shí)資料來解決資料稀釋問題。同化使得絕大部分海域的SST得到修正，觀測(cè)密集區(qū)的誤差可以降低到 0.6oC，另外同化后黑潮（暖）、黃海暖流、朝鮮西岸沿岸流（冷）等主要流系的分布得到了更清楚的反映。近些年來，朱江等[33]還利用研發(fā)的 OVALS（Ocean Variational Analysis System）同化系統(tǒng)，并結(jié)合一個(gè)大洋環(huán)流模式，探討了熱帶太平洋海域的三維溫、鹽場(chǎng)。在海面高度資料同化中引入了一個(gè)新的基于三維變分的同化方案，并考慮了背景場(chǎng)誤差的垂直相關(guān)性和非線性的溫-鹽關(guān)系[58]。其中非線性的溫鹽關(guān)系是通過將Derber等[59]的線性平衡約束方案推廣到非線性[60]的情況來考慮,從而可以通過同化高度計(jì)資料來直接調(diào)整模式的溫、鹽度場(chǎng)。由熱帶太平洋的同化試驗(yàn)結(jié)果表明，經(jīng)過同化后的溫度和鹽度場(chǎng)較非同化試驗(yàn)產(chǎn)生了顯著的改善。如利用獨(dú)立的月平均溫度和鹽度的 TAO 觀測(cè)資料進(jìn)行檢驗(yàn), 溫度場(chǎng)的均方根誤差從 2.35℃減小到了 0.63℃,鹽度場(chǎng)總的均方根誤差從0.78 psu減小到了0.34 psu。尤其在南、北緯的副熱帶海域和東、西沿岸地帶的鹽度場(chǎng)修正得更大，更接近實(shí)際觀測(cè)。高山等[34]利用該同化系統(tǒng)研究了西北太平洋中尺度渦的特征，他們將衛(wèi)星高度計(jì)資料同化反演成為溫鹽“偽觀測(cè)”數(shù)據(jù), 然后再進(jìn)行常規(guī)溫鹽同化,得到溫鹽分析場(chǎng)。由高度計(jì)反演溫鹽場(chǎng)的同化方法，極大地提高了中尺度渦模擬的精確性，且模擬的中尺度渦能夠迅速響應(yīng)溫鹽場(chǎng)的變化，并對(duì)自身流場(chǎng)做出快速調(diào)整。

王東曉等[61]則嘗試了衛(wèi)星高度計(jì)資料的同化，采用簡(jiǎn)單的牛頓松弛逼近同化技術(shù)，僅提取高度計(jì)資料的海表信息，未考慮垂向投影技術(shù)，同樣取得了不錯(cuò)的效果。同化結(jié)果有效地修正了南海大尺度環(huán)流特征，南海天氣尺度渦旋亦被同化所“喚醒”。隨著同化技術(shù)的發(fā)展，韓桂軍等[62]采用基于最優(yōu)控制理論的伴隨同化技術(shù)建立潮汐模型，在同化驗(yàn)潮站水位和T/P測(cè)高資料后，發(fā)現(xiàn)模型開邊界條件中M2分潮調(diào)和常數(shù)得到了優(yōu)化，說明同化對(duì)模型的校正是十分有效的。Han等[63]還采用相同的方法進(jìn)一步拓展了上述工作，隨著觀測(cè)資料的逐步融合，水深、底摩擦系數(shù)及潮汐開邊界條件等未知參數(shù)得到有效校正，發(fā)現(xiàn)經(jīng)過參數(shù)優(yōu)化后的模式對(duì)水位的模擬精度顯著提高了，對(duì)中國(guó)近海 14個(gè)潮位站模擬的水位最大均方根誤差由原先的75 cm降到45 cm。另外，近些年來，國(guó)內(nèi)關(guān)于資料同化在南海的發(fā)展及應(yīng)用方面也取得了一些有益的成果，有興趣的讀者可以參考文獻(xiàn)[64,65]。

資料同化在海洋科學(xué)領(lǐng)域中的應(yīng)用相當(dāng)廣泛，除了上面介紹的幾種應(yīng)用外，在為海洋模式提供初始場(chǎng)[53]，確定海洋模式未知參數(shù)[62,63]和反演模式外強(qiáng)迫場(chǎng)（如風(fēng)場(chǎng)，海氣界面熱通量）[56,66]等方面，也有許多學(xué)者進(jìn)行了嘗試，并取得了豐富的應(yīng)用研究成果。因限于篇幅，這里不再贅述。

3 討論與展望

綜上所述，進(jìn)入 21世紀(jì)以來，無論是資料同化技術(shù)本身還是其在海洋科學(xué)領(lǐng)域中的應(yīng)用都得到了快速的發(fā)展，但也還存在一些有待解決的“瓶頸”問題。就資料同化技術(shù)的發(fā)展而言，如今變分同化和集合同化（分別以4D-Var和EnKF為代表）已經(jīng)發(fā)展成為兩大主流方向。4D-Var在理論研究上相對(duì)較為完善，但其計(jì)算量龐大依然是人們重點(diǎn)關(guān)注的問題；同樣，EnKF的計(jì)算量也相當(dāng)大，并且仍有理論問題尚未完全解決，如集合樣本生成和濾波發(fā)散等問題。不過，EnKF以其簡(jiǎn)便易行的算法和易于操作的優(yōu)點(diǎn)受到越來越多人的關(guān)注，有學(xué)者[67]通過同化雷達(dá)數(shù)據(jù)來比較 2種方法（EnKF和4D-Var）的優(yōu)劣。初步的結(jié)果表明，隨著同化時(shí)間的推進(jìn)，EnKF的效果要優(yōu)于 4D-Var；且 EnKF對(duì)模式誤差較 4D-Var來說更為敏感[41]。這些研究結(jié)果或許揭示了這樣一個(gè)事實(shí)，即EnKF較4D-Var來說，具有更大的發(fā)展?jié)摿Α?/p>

另就資料同化技術(shù)在海洋科學(xué)中的應(yīng)用發(fā)展而言，早期的海洋資料同化僅考慮了溫度的同化調(diào)整而忽略了鹽度的變化，從而導(dǎo)致密度場(chǎng)被嚴(yán)重惡化，同化后的結(jié)果甚至比沒有同化任何觀測(cè)資料時(shí)還要差[68,69]。為了彌補(bǔ)鹽度觀測(cè)資料的不足，解決同化中只有溫度沒有鹽度的問題，需要把鹽度和溫度關(guān)聯(lián)起來，才能有效減小同化中產(chǎn)生的虛假信息[69]。但已有的研究表明，將鹽度資料同化進(jìn)入模式當(dāng)中，即便是考慮了適當(dāng)?shù)臏佧}約束關(guān)系，得到的鹽度場(chǎng)也可能會(huì)與實(shí)際值存在偏差。因此，對(duì)鹽度的同化尤應(yīng)引起重視。這里不但存在溫鹽多變量約束問題，還可能存在海洋混合和熱鹽環(huán)流等這些難以刻畫的現(xiàn)象[70]。國(guó)內(nèi)有學(xué)者[33,53,71]對(duì)Argo溫鹽多變量同化做了研究，并通過同化高度計(jì)資料來直接調(diào)整溫鹽度場(chǎng)，同化表明 Argo資料能和其他資料形成很好的互補(bǔ)，在改進(jìn)鹽度場(chǎng)方面具有十分重要的作用。也有學(xué)者[70]針對(duì) Argo溫鹽剖面的一致性嘗試了將沿著等溫線的鹽度觀測(cè)值 S(T)同化進(jìn)入模式，而非常規(guī)鹽度觀測(cè)S(z)同化，結(jié)果表明采用這種鹽度同化方式能有效保持海洋水團(tuán)性質(zhì)，因而溫鹽場(chǎng)，乃至密度場(chǎng)和流場(chǎng)在同化中可以得到一致性校正。因此，鹽度資料的同化仍是未來的研究重點(diǎn)之一。

此外，衛(wèi)星遙感數(shù)據(jù)和現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)的多源同化問題。由于衛(wèi)星遙感反演的是一種非常規(guī)的觀測(cè)數(shù)據(jù)，且主要反映海洋表面的信息，其特點(diǎn)是時(shí)空覆蓋率高；而現(xiàn)場(chǎng)觀測(cè)資料（如Argo，XBT，TAO，CTD等）主要反映的是海洋表層以下的變化信息，其時(shí)空覆蓋率相對(duì)較低，如何將它們有效融入數(shù)值模式，形成各種觀測(cè)資料的互補(bǔ)，更好地揭示海洋中存在的多種尺度的物理海洋現(xiàn)象，并能摸清它們分布的特征和變化的規(guī)律，從而到達(dá)海洋預(yù)測(cè)預(yù)報(bào)精度的目標(biāo)，這是資料同化技術(shù)在海洋科學(xué)領(lǐng)域中廣泛應(yīng)用所要解決的問題。雖然，目前國(guó)內(nèi)有學(xué)者[33,53,71]對(duì)衛(wèi)星高度計(jì)和其他常規(guī)資料結(jié)合同化方面做了一些有益的嘗試，但離業(yè)務(wù)化應(yīng)用尚有差距。此外，由遙感反演的其他海表信息如葉綠素、溶解氧、PH值等，如何在海洋科學(xué)研究中同化這類資料，也是需要進(jìn)一步探討的問題。

隨著全球 Argo實(shí)時(shí)海洋觀測(cè)網(wǎng)的進(jìn)一步完善和長(zhǎng)期（至少 10年）維持，海表鹽度觀測(cè)衛(wèi)星的即將升空，以及計(jì)算機(jī)性能的不斷提高，資料同化這一先進(jìn)技術(shù)必將在海洋科學(xué)研究中得到愈來愈廣泛的應(yīng)用，并有望取得長(zhǎng)足的進(jìn)步，促進(jìn)海洋科學(xué)的快速發(fā)展。

[1] 萬利穎. 集合同化方法在太平洋海洋高度計(jì)資料同化中的應(yīng)用研究 [D]. 北京: 中國(guó)科學(xué)院大氣物理研究所, 2006.

[2] Lorenc A C. The potential of the ensemble Kalman filter for NWPA comparison with 4D-Var [J]. Quart. J. Roy. Meteor. Soc. , 2003b,129: 3183-3203.

[3] Panofsky H A. Objective weather-map analysis [J]. J. Appl. Meteor.,1949, 6: 386-392.

[4] Gilchrist B, Cressman G P. An experiment in Objective analysis [J].Tellus. , 1954, 6(4): 309-318.

[5] Bergthorson P, D??s B. Numerical weather map analysis [J].Tellus. , 1955, 7, 329-340.

[6] Cressman G P. An operational objective analysis system [J]. Mon.Wea. Rev. , 1959, 87: 367-374.

[7] Hoke J, Anthes R. The initialization of numerical models by a dynamic relexation technique [J]. Mon. Wea. Rev. , 1976, 104:1551-1556.

[8] Gandin L S. Objective Analysis of Meteorological Fields,Gidrometoro-logicheskoe Izdatelstvo, Leningrad(in Russian),English translation by Israel program for scientific translations,Jerusalem, 1963, 242.

[9] Bouttier F, Courtier P. Data assimilation concepts and methods March 1999, ECMWF培訓(xùn)教程.Available at: http: //twister. ou.edu/OBAN2006/Assim_concepts. pdf.

[10] 朱江, 徐啟春, 王賜霞, 等. 海溫?cái)?shù)值預(yù)報(bào)資料同化試驗(yàn)Ⅰ. 客觀分析的最優(yōu)插值法試驗(yàn) [J]. 海洋學(xué)報(bào), 1996, 17(6): 9-20.

[11] Kalnay E. Atmospheric Modeling, Data Assimilation and Pridctability [M]. Cambridge: Cambridge University Press , 2003.

[12] Lorenc A. A Global Three-Dimensional Multivariate Statistical Interpolation Scheme [J]. Mon. Wea. Rev. , 1981, 109(4): 701-720.

[13] Kalman R E. A new approach to linear filter and prediction problems [J]. Transaction of the ASME, Journal of Basic Engineering, 1960, 82D: 34-45.

[14] Kalman R E, Bucy R. New results in linear filtering and predication theory [J]. Transaction of the ASME, Journal of Basic Engineering,1961, 83: 95-108.

[15] 高山紅, 吳增茂, 謝紅琴. Kalman濾波在氣象數(shù)據(jù)同化中的發(fā)展與應(yīng)用 [J]. 地球科學(xué)進(jìn)展, 2000, 15(5): 571-575.

[16] Evensen G. Sequential data assimilation with a Nonlinearquasigeostrophic model using Monte Carlo methods to forecast error statistics [J]. J. Geophys. Res, 1994, 10: 143-162.

[17] Heemink A W, Verlaan M, Segers A J. Variance reduced ensemble Kalman Filtering [J]. Mon. Wea. Rev. , 2001, 129: 1718-1728.

[18] Pham D T, Verron J, Roubaud M C. Singular evolutive extended Kalman filter with EOF initialization for data assimilation in oceanography [J]. J. Mar. Syst. , 1998, 16: 323-340.

[19] Burgers G, Leeuwen P J, Evensen G. Analysis scheme in the ensemble Kalman filter [J]. Mon. Wea. Rev. , 1998, 126:1719-1724.

[20] Evensen G. The ensemble Kalman filter: theoretical formulation and practical implementation [J]. Ocen. Dyn. , 2003, 53: 343-367.

[21] Houtekamer P L, Mitchell H L. Ensemble Kalman filtering. [J]. Q. J.R. Meteorol. Soc. , 2005, 131: 3269-3289.

[22] Anderson J L. An ensemble adjustment Kalman filter for data assimilation [J]. Mon. Wea. Rev. , 2001, 129: 2 884-2 903.

[23] Bishop C H, Etherton B J, Majumdar S J. Adaptive sampling with the ensemble transform Kalman filter. Part I: Theoretical aspects [J].Mon. Wea. Rev. , 2001, 129: 420-436.

[24] Whitaker J S, Hamill T M. Ensemble Data Assimilation without perturbed observations [J]. Mon. Wea Rev., 2002, 130(7):1913-1924.

[25] Tippett M K, Anderson J L, Bishop C H, et al. Ensemble square root filters [J]. Mon. Wea. Rev. , 2003, 131: 1485-1490.

[26] Ott E, Hunt B R, Szunyogh I, et al. A local ensemble Kalman filter for atmospheric data assimilation [J]. Tellus., 2004(a), 56A:415-428.

[27] Hunt B R, Kostelich E J, Szunyogh I. Efficient data assimilation for spatiotemporal chaos: a localensemble transform Kalman filter [J].Physica. D. , 2007, 230: 112-126.

[28] Houtekamer P L, Mitchell H L, Pellerin G, et al. Atmospheric data assimilation with an ensemble Kalman filter: results with real observation [J]. Mon. Wea. Rev. , 2005, 133: 604-620.

[29] Houtekamer P L, Mitchell H L. Data assimilation using an ensemble Kalman filter technique [J]. Mon. Wea. Rev. , 1998, 126: 796-811

[30] Houtekamer P L, Mitchell H L. A sequential ensemble Kalman filter for atmospheric data assimilation [J]. Mon. Wea. Rev., 2001, 29:123-134.

[31] Oke P R, Schiller A, Griffin A, et al. Ensemble data assimilation for an eddy-resolving ocean model of Australian region [J]. Q. J. R.Meteorol. Soc. , 2005, 131: 3301-3311.

[32] Oke P R, Brassington G B, Griffin D A, et al. The Bluelink ocean data assimilation system (BODAS) [J]. Ocean. Modelling. , 2008,21: 46-70.

[33] 朱江, 周廣慶, 閆長(zhǎng)香, 等. 一個(gè)三維變分海洋資料同化系統(tǒng)的設(shè)計(jì)和初步應(yīng)用 [J]. 中國(guó)科學(xué)D輯, 2007, 37(2): 261-271.

[34] 高山, 王凡, 李明悝, 等. 中尺度渦的高度計(jì)資料同化模擬 [J].中國(guó)科學(xué)D輯, 2007, 37(12): 1669-1678.

[35] Tsuyuki T, Miyoshi T. Recent progress of data assimilation methods in meteorology [J]. J. Meteor. Soc. Japan. , 2007, 85B: 331-361.

[36] 王斌, 趙穎. 一種新的資料同化方法 [J]. 氣象學(xué)報(bào), 2005, 63(5):694-701.

[37] Le Dimet F X, Talagrand O. Variational algorithms for analysis and assimilation of meteorological observations: theoretical aspects [J].Tellus. , 1986, 38A: 97-100.

[38] Courtier P. A strategy for operational implementation of 4D-Var,using an incremental Approach [J]. Q. J. R. Meteorol. Soc. , 1994,120: 1367-1387.

[39] 邱崇踐, 張蕾, 邵愛梅. 一種顯式四維變分資料同化方法 [J].中國(guó)科學(xué)D輯, 2007, 37(5), 698-704.

[40] 田向軍, 謝正輝. 基于本征正交分解的顯式四維變分同化方法:理論與驗(yàn)證 [J]. 中科科學(xué)D輯, 2009, 39(4): 529-536.

[41] Kalnay E, Li H, Miyoshi T, et al. 4-D-Var or ensemble Kalman filter? [J]. Tellus. , 2007, 59A: 758-773.

[42] Brassington G B, Pugh C S, Schulz E, et al. BLUElink＞Development of operational oceanography and servicing in Australia[J]. Journal of Research and Practice in information Technology. ,2007, 39: 151-164

[43] Martin M J, Hines A, Bell M J. Data assimilation in the FOAM operational short-range ocean forecasting system: a description of the scheme and its impact [J]. Q. J. R. Meteorol. Soc. , 2007, 133:981–995

[44] Metzger E J, Hurlburt H E, Wallcraft A J, et al. Validation Test Report for the Global Ocean Prediction System V3.0–1/12°HYCOM/NCODA: Phase I .Available at: http: //www. dtic.mil/cgi-bin/GetTRDoc?Location=U2&doc=GetTRDoc. pdf&AD=ADA518693. orecasting system: first phase

[45] Norihisa U, Shiro I, Yosuke F, et al. Meteorological Research Institute multivariateocean variational estimation (MOVE) system:Some early results [J]. Advances in space Research, 2006, 37:806-822.

[46] Pinardi N. The Mediterranean ocean forecasting system: first phase of implementation (1998–2001) [J]. AnnalesGeophysicae. , 2003, 21:3-20.

[47] Dobricic S, Pinardi N. An oceanographic three-dimensional variational data assimilation scheme [J]. Ocean. Modelling. , 2008,22: 89-105

[48] Dombrowsky L, Bertino L, Brassington G, et al. GODAE systems in operation. Available at: http: //www.earth-prints. org/bitstream/2122/4779/1/20081214% 20Godae%20Paper. pdf.

[49] Carton J A, Chepurin G, Cao X. A Simple Ocean Data Assimilation Analysis of the Global Upper Ocean 1950–95. Part I: Methodology[J]. J. Phys. Oceanogr. , 2000, 30: 294-309.

[50] Carton J A, Chepurin G, Cao X. A Simple Ocean Data Assimilation Analysis of the Global Upper Ocean 1950–95. Part II: Results [J]. J.Phys. Oceanogr. , 2000, 30: 311-326.

[51] Carton J A, Giese B S. A Reanalysis of Ocean Climate Using Simple Ocean Data Assimilation(SODA) [J]. Mon. Wea. Rev. ,2008, 136: 2999-3017.

[52] Masafumi K, Tsurane K, Hiroshi I, et al. Operational Data Assimilation System for the Kuroshio South of Japan: Reanalysis and Validation [J]. Journal of Oceanography. , 2004, 60: 303-312.

[53] 韓桂軍: 中國(guó)近海及鄰近海域海洋再分析技術(shù)報(bào)告[R/OL]. 國(guó)家海洋信息中心, 天津. 2009[2010-10-21]. http://www.cora.net.cn/CORA技術(shù)報(bào)告.pdf.

[54] Stammer D C, Wunsch R, Giering C, et al. Global ocean circulation during 1992–1997, estimated from ocean bservations and a general circulation model [J]. J. Geophys. Res. , 2002, 107(C9), 3118,DOI10. 1029/2001JC000888.

[55] Derber J, Rosati A. A global oceanic data assimilation system [J]. J.Phys. Oceanogr. , 1989, 19: 1333-1347.

[56] Masuda S, Awaji T, Sugiura N, et al. Improved estimates of the dynamical state of the North Pacific ocean from a 4 dimensional variational data assimilation [J]. Geophys. Res. Lett. , 30(16), 1868,doi: 10. 1029/2003GL017604, 20032003.

[57] Ishikawa Y. High-resolution synthetic monitoring by a 4-dimension--al variational dataassimilation system in the northwestern North Pacific [J]. J. Mar. Syst., 2009, 78(2): 237-248, doi: 10. 1016/j.jmarsys. 2009. 02. 016.

[58] Chang X Y, Jiang Z, Rongfeng L, et al. Roles of vertical correlations of background error and T-Srelations in estimation of temperature andsalinity profiles from sea surface dynamicheight [J].J. Gepphys. Res. , 2004, 109, C08010, doi: 10. 1029/2003JC002224.

[59] Derber J, Bouttier F. A reformulation of the background error covariance in ECMWF global data assimilation system [J]. Tellus. ,1999, 51A: 195–221.

[60] Jiang Z, Changxiang Y. Nonlinear balance constrains in 3DVAR data assimilation [J]. Science in China(D). , 2006, 49(3): 331-336.

[61] 王東曉, 施平, 楊昆, 等. 南海TOPEX海面高度資料的混合同化試驗(yàn) [J]. 海洋與湖沼, 2001, 32(1): 101-108.

[62] 韓桂軍, 方國(guó)洪, 馬繼瑞, 等. 利用伴隨法優(yōu)化非線性潮汐模型的開邊界條件Ⅱ: 黃海、東海潮汐資料的同化試驗(yàn) [J]. 海洋學(xué)報(bào), 2001, 23(2): 25-31.

[63] GuiJun H, Wei L, ZhongJie H, et al. Assimilated Tidal Results of Tide Gauge and TOPEX／POSEIDON Data over the China Seas Using a Variational Adjpint Approach with a Nonlinear Numerical Model. [J]. Advances In Atmospheric Sciences., 2006, 23(3):449-460.

[64] Ye Q S, Jiang Z, Dong X W, et al. Performace of four Sea surfacetemperature assimilation schemes in South China Sea[J].Continetal Shelf Research. , 2009, 29: 1489-1510.

[65] Xian J X, Dong X W, Jian J X. The assimilation experiment in the southwestern of Shouth China sea in summer 2000 [J]. Chinese Science Bulletin. , 2006, 51(z2): 31-37.

[66] Tziperman E, Thacker W C. An optimal control/adjoint equations approach to studying the oceanic general circulation [J]. J. Phys.Oceanogr. , 1989, 19: 1471-1485.

[67] Caya A, Sun J, Snyder C. A Comparison between the 4DVAR and the Ensemble Kalman Filter Techniques for Radar Data Assimilation [J]. Mon. Wea. Rev. , 2005, 133: 3081-3094.

[68] Troccoli A, Haines K. Use of the temperature–salinity relation in a data assimilation context [J]. J. Atmos. Oceanic. Technol. , 1999, 16:2011-2025.

[69] Troccoli A, Coauthors. Salinity adjustments in the presence of temperature data assimilation [J]. Mon. Wea. Rev. , 2002, 130:89-102.

[70] Gregory C S, Keith H. Evaluation of the S(T) assimilation method with the Argo dataset [J]. Q. J. R. Meteorol. Soc. , 2009, 135:739-756.

[71] 朱江, 閆長(zhǎng)香, 萬莉穎. Argo資料在太平洋海洋資料同化中的應(yīng)用. [C]//許建平主編, Argo應(yīng)用研究論文集, 北京: 海洋出版社,2006: 151-162.

Development of data assimilation and its application in ocean science

LI Hong1, XU Jian-ping1,2

(1. Second Institute of Oceanography, State Oceanic Administration, HangZhou 310012, China;
2. State Key Laboratory of Satellite Ocean Environment Dynamics, HangZhou 310012,China）

Development of data assimilation techniques, especially those based on two major theories of optimal control and statistical estimation, and their application status in the study of ocean sciences are reviewed in this paper.It can be seen that owing to the grate variety, huge amount and poor uniformity of the ocean observation data such as Argo(Array for Real-time Geostrophic Oceanography),TAO(Tropical Atmosphere/Ocean array), XBT(Expendable Bathythermograph), CTD (Conductance-Temperature-Depth), SST(Sea Surface Temperature)and sea surface height etc., and data assimilation techniques are facing various challenges. With the development of ocean science, the improvement of ocean numerical prediction accuracy, development of physical data products, and detailed description or deepened understanding of physical phenomenon can not be achieved without further development of data assimilation techniques.

data assimilation techniques; development; ocean science; application.

P731; O232

A

1001-6932(2011)04-0463-10

2010-10-21；

2011-03-10

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃課題（2007CB816001）；國(guó)家海洋局第二海洋研究所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資助（1477-50）；國(guó)家海洋局青年海洋科學(xué)基金資助項(xiàng)目（1059-50）。

李宏（1986－），男，碩士研究生，主要從事物理海洋學(xué)資料分析研究。電子郵箱：slvester_hong@163.com。

許建平，研究員，博導(dǎo)，電子郵箱：13805744970@139.com。