2. 中国气象局高影响天气重点开放实验室,湖南 长沙 410073;
3. 国家海洋信息中心,天津 300171;
4. 中国人民解放军 91001部队,北京 100161;
5. 中国人民解放军 92859 部队,天津 300061
2. High Impact Weather Key Laboratory of CMA, Changsha 410073, China;
3. National Marine Data and Information Services 300171, Tianjin China;
4. No. 91001 Unit of PLA, Beijing 100161, China;
5. No. 92859 Unit of PLA, Tianjin 300061, China
准确的海洋环境预报信息能够为海上作战筹划提供更好的保障,是发挥海洋环境“战斗力倍增器”作用的基础。美国海军海洋学业务保障部门的职责是提高对海上作战环境的认识和理解,构建基于数值模式和实时观测相结合的环境预报系统,保障从全球到战术尺度,从海洋、海冰到大气的各个圈层。为了实现该目标,美国海军业务和研究部门构建了从全球到近岸、海洋到大气的一系列数值预报系统。
2014年《Oceanography》期刊曾以专刊形式发表了10篇关于美国海军业务模式的文章。这是美国海军最近一次(约10年一度,另两次分别是1992年和2002年)对海洋环境预报系统的全面展示[1]。包括全球海洋和海冰预报系统[2]、可重定位区域和沿海临近预报/预报系统[3]、全球和区域海浪预报系统[4]、生物光学预报系统[5]、近岸海洋预报系统[6]、耦合海流-海浪预报系统[7]、海洋-大气耦合中尺度预报系统-热带气旋[8]和全球环境模式[9]等。我国学者对此进行了细致分析和阐述。朱亚平等[10]总结了美国海军业务系统发展特点及发展规划。徐洋等[11]概述了美国海军海洋预报系统的发展历程、成果及现状。李茂林等[12]从数值模式结构、关键技术、性能等方面介绍了美国海军业务化模式的发展历程和现状。
实时精准、客观定量的预报预测是提高海洋环境安全保障能力之一[13]。为了提供更精细、更准确的战场海洋环境保障,美国海军一直在持续更新或新增海洋环境预报系统。相对于对民用业务化海洋预报系统及时、全面总结相比[14],由于美国海军业务预报系统相关信息发布并不及时、全面,制约了对其现状的了解和掌握。本文通过总结近十年美国海军全球大气、海洋和耦合业务预报系统的相关信息,梳理其目前的能力和现状,以期为我国的海洋环境预报系统的开发提供借鉴。
1 大气预报系统海军全球环境模式(Navy Global Environmental Model,NAVGEM)是美国海军唯一业务运行的全球数值天气预报系统,提供长达10天的天气预报。其结果为美国海军战术决策辅助提供支撑,还用于驱动海洋模式,以及区域模式的基础数据。
1.1 大气模式NAVGEM由美国海军研究实验室(Naval Research Laboratory,NRL)全球建模和数据同化部门开发。NAVGEM采用了半拉格朗日/半隐式(Semi-Lagrangian/Semi-Implicit,SL/SI)动力内核。NAVGEM 于 2013 年 2 月开始业务化运行,取代了海军全球大气预报系统(Navy Operational Global Atmospheric Prediction System,NOGAPS)。
1.2 大气同化系统大气变分数据同化系统-加速表达器(NRL Atmospheric Variational Data Assimilation System-Accelerated Representer,NAVDAS-AR)[15]能够执行弱或强约束变分同化;计算在观测空间进行,因此其维数通常比相应的模式状态空间小的多[16]。每6 h就会同化数以百计的数据类型,处理数亿计的观测数据,包括来自无线电探空仪、船舶和GNSS弯曲角[17]等。
1.3 大气预报系统2020年4月29日,NAVGEM 2.0版正式投入使用(见表1)。相对于上一代1.4.3版本,NAVGEM 2.0将水平分辨率从31 km提高到19 km,并改进了物理—动力学耦合过程,以更加准确地描述与作战相关的现象,如用于支持有人和无人飞机飞行的低空风;改进了对云形成和移动的预报用于支持进攻和防御情报、监视和侦察。预计下一代NAVGEM v3.0系统将大气垂直分层提高到100层,并进一步升级物理过程。
![]() |
表 1 NAVGEM系统一览表 Tab.1 Overview of NAVGEM systems |
与大气预报系统相比,全球海洋预报系统(Global Ocean Forecast System,GOFS)需要更精细的水平分辨率和更长的机时,主要是因为海水不稳定流出现的空间尺度要比大气小20~30倍(海洋中尺度涡旋和大气中气旋/反气旋的空间尺度分别为100 km和
混合坐标海洋模式(Hybrid Coordinate Ocean Model,HYCOM)[18]是一种基于原始方程的通用海洋环流模式,能够预报全球海洋的三维温度、盐度和流场结构。HYCOM包括不同形式垂直坐标(因此被命名为混合坐标),包括:1)等密度面,通常用于层化深海;2)等压面(几乎与等深面重合),通常用于混合层;3)地形追随坐标,通常用于浅海。HYCOM将这3种坐标结合使用,利用分层连续性方程在不同坐标类型之间进行动态平滑过渡。混合坐标将传统等密度坐标模式扩展到浅海和弱分层区域。在层化海水中保留了等密度面模式的显著优势,同时允许在海面附近和浅海区域有更高的垂直分辨率,从而能够更好地描述上层海水物理性质。
2.1.2 海冰模式海冰模式为洛斯阿拉莫斯开发的社区海冰模式(Community Ice Code,CICE)[19]。CICE包括复杂的海冰热力学过程,包括多冰层、多雪层,以及对多类冰厚度的预报能力。此外,CICE还有几个相互作用的组成部分,包括计算雪引起的冰雪局部生长速率的热力学模型;垂直传输、辐射通量和湍流通量;基于冰物质强度模型预报冰速度场的模式;描述海冰密集度、范围和其他状态变量平流的传输模型;以及基于能量平衡和应变率在厚度类别之间对海冰进行转移的冰脊参数化方案。
2.2 海洋同化系统海军耦合海洋数据同化(Navy Coupled Ocean Data Assimilation,NCODA)[20]系统是广泛应用于大气业务预报系统的多元最优插值技术的海洋学版本。NCODA 中的海洋分析变量包括温度、盐度、位势(动力高度)和速度。为了支持 HYCOM,NCODA 中添加了一个新的分析变量,用于校正混合垂直坐标模式的压强。NCODA同化了卫星高度计,卫星海水温度,以及抛弃式温深计、Argo浮标和锚系浮标的原位温度和盐度垂直剖面。NCODA通过制作合成剖面数据,将海面信息向下投影到水柱中(方法见表2),并将结果同化到预报模式中。
![]() |
表 2 美国海军海洋数据同化系统 Tab.2 US navy ocean data assimilation system |
海洋数据同化旨在约束海洋数值模拟结果,以便对海洋进行准确的预报。用于同化的数据来自卫星观测的SSH和海表面温度(Sea Surface Temperature, SST)。虽然也使用表层以下的温度和盐度观测剖面,但这些数据覆盖范围较小,且分布较为稀疏。为了利用丰富的海表观测数据构建三维温盐场,美国海军使用合成垂直剖面的方法,即通过构建历史统计关系,实现遥感观测SSH和SST的表层—水下投影,从而获得温度和盐度“伪观测”剖面。美国海军首先开发的合成温盐剖面系统是模块化海洋数据同化系统(Modular Ocean Data Assimilation System, MODAS)[21]。基础是表面参数与次表层状态或经验正交函数(Empirical Orthogonal Functions,EOFs)振幅之间的多元回归,其中的EOFs由历史温度和盐度剖面计算获得。
MODAS包括动态气候态与静态气候态两类。对于静态MODAS系统,其与传统的统计分析相似,提供了历史三维温度和盐度统计分析数据集。对于动态MODAS系统,其核心是SSH和SST生成水下温度“合成剖面”技术,即利用卫星观测的SST和SSH异常,使用从历史剖面中建立的回归关系,将海表面信息向下投影,从而构建出水下温度结构。
MODAS系统的主要缺点是缺乏垂直梯度约束,导致跃层处温度投影精度较低,从而影响声速场结构的反演。
2.2.2 ISOP为了改善合成剖面的垂直梯度,NRL开发了改进型合成海洋剖面系统(Improved Synthetic Ocean Profile, ISOP)[22]。ISOP系统采用3层设计。第1层为表面混合层,即从表层向下到混合层(Mixed Layer Depth,MLD)底相对均匀。MLD是ISOP系统的输入量。第2层为动力层,代表从MLD底部穿越温跃层至
ISOP系统采用一维变分方法生成历史垂直协方差,不仅保留了海水物理性质的表层和次表层关系,还保留了垂直梯度之间的关系。测试结果表明[22],ISOP使模式对海洋垂直结构的预报更加准确,进而对垂向声传播/传播损失的预报更加准确。但ISOP系统仅使用了温度和盐度数据,未能同化日渐丰富的海洋流场观测数据。
2.2.3 ISOP2为了同化流场数据,NRL开发了改进型合成海洋剖面系统2(Improved Synthetic Ocean Profile 2, ISOP2)。ISOP2通过2个步骤实现观测流场的同化。第一步利用传统NCODA 3DVAR方法,使用温度、盐度和SSH异常数据产生温度、盐度和流场(将温盐转化为位势,然后利用地转关系计算地转流)的三维增量。第二步是利用NCODA 3DVAR的修改版本,仅同化欧拉流场观测值,同时利用温度和盐度的垂直误差协方差(利用温度和盐度得到的位势),得到另一组温度、盐度以及纬向流和经向流速度的三维增量,并将这些增量添加到第一步增量中。
测试结果表明[25-26],同化了漂流浮标流场数据不仅对表面流场预报有积极的影响,而且对水下温盐结构也会产生正面效应。
2.3 海洋预报系统GOFS 3.5是美国海军最新的全球海洋预报系统,与GOFS 3.1相比,主要有3个区别(见表3):
![]() |
表 3 GOFS系统一览表 Tab.3 Overview of GOFS |
GOFS 3.1是在
GOFS 3.5中加入了天文潮强迫,可以产生潮汐频率的内重力波,也就是内潮。内潮是由大尺度正压潮流经海底地形产生的垂直运动。相对于正压潮,内潮的水平尺度更小。内潮在海洋内部存在较大起伏,并产生垂直剪切速度场。
GOFS 3.5考虑了3个最大的半日分潮(M2、S2和N2)和2个最大全日分潮(K1和O1)的引潮力强迫。引潮力通过自吸和负荷项增强,前者使得海洋和固体地球发生自引力形变,后者使得固体地球发生承载形变。此外,模式还引入了增强状态集合卡尔曼滤波技术,用于改善正压潮致SSH的模拟误差。
2.3.3 使用新版本海冰模式在冰冻圈预测方面,2个预报系统的最大区别是GOFS 3.1采用CICE V4.0,而GOFS 3.5采用CICE V5.1.2。新版本CICE模式修正了已知的软件错误,引入了2个新的融池参数化方案,改进了形状阻力参数化方案,高频耦合更新了海冰速度,并引入了弹性-各向异性-塑性流变学等。
通过综合评估,包括温度、盐度随深度变化的误差,等温线深度的误差,声场指标的误差和表层流速的误差,得出GOFS 3.5的预报效果显著优于GOFS 3.1的结论。此外,GOFS 3.5对潮位模拟整体上与数据同化反演得到的潮汐解吻合的较好。GOFS 3.5在北极海域的模拟效果显著提高,且海冰边缘误差随预报时长增长得更加缓慢。总体来说,GOFS 3.5的预报性能等于或优于GOFS 3.1,预计将成为美国海军独立运行的海洋/海冰预报系统。
3 海气耦合预报系统对于延伸期(指超过天气尺度的时间,一般为15~30天)预报而言,需要全球集合预报系统来产生高质量的预报结果。美国海军地球系统预报武器(Navy-Earth System Prediction Capability,Navy-ESPC)[27]是由NRL开发的新一代全球大气-海洋-海冰耦合预报系统,能够开展逐日到次季节时间尺度的业务预报。
3.1 耦合器Navy-ESPC预报系统通过地球系统模式框架(Earth System Modeling Framework,ESMF)进行耦合。ESMF将子模式在指定耦合时间步长上进行动态交互,并允许不同子模式根据自身描述的物理过程进行相应调整。此外,通过将大型数据集保存在内存中,与单独运行的子模式相比,整个系统中文件输入/输出(Input/Output,I/O)会显著减少。
3.2 集合方案Navy-ESPC集合预报系统为16个子模式集合的配置。Navy-ESPC集合扰动观测法不同于NAVGEM集合预报系统的方法,也不同于美国海军海洋局正在测试的区域海洋集合方法。在Navy-ESPC扰动观测法中,每个子模式都保持着一个独立的预报一同化周期。在这个周期中,通过在观测中添加随机扰动的方式来引入,其会在分析中产生差异,导致预报结果的差异,从而提高集合预报系统的离散度。
3.3 耦合预报系统Navy-ESPC子模式包括当前正在业务化运行的预报系统:NAVGEM、HYCOM和CICE。Navy-ESPC系统是为了满足从几天到几个月时间尺度上全球环境高分辨率预报的需求(见表4)。Navy-ESPC第1版集合预报系统(Navy ESPC V1-Ens)于2020年8月投入使用,每周产生45天的16个成员预报。
![]() |
表 4 ESPC系统一览表 Tab.4 Overview of ESPC systems |
对Navy-ESPC的测试结果表明[28],Navy-ESPC表征大尺度大气特征的能力与主流业务中心相当,如Madden-Julian振荡、北大西洋涛动、南极涛动,以及其他指数;SST的表现也优于气候态。此外,尽管预报效果存在季节依赖,但Navy-ESPC对北极和南极海冰范围超过45天的预测优于气候态。
4 结 语美国海军在全球部署了大约
[1] |
BURNETT W, HARPER S, PRELLER R, et al. Overview of operational ocean forecasting in the US Navy: Past, Present, and Future[J]. Oceanography, 2014, 27(3): 24-31. DOI:10.5670/oceanog.2014.65 |
[2] |
METZGER E J, SMEDSTAD O M, THOPPIL P G, et al. US Navy operational global ocean and arctic ice prediction systems[J]. Oceanography, 2014, 27(3): 32-43. DOI:10.5670/oceanog.2014.66 |
[3] |
ROWLEY C, MASK A. Regional and Coastal Prediction with the relocatable ocean nowcast/forecast system[J]. Oceanography, 2014, 27(3): 44-55. DOI:10.5670/oceanog.2014.67 |
[4] |
ROGERS W E, DYKES J D, WITTMANN P A. US Navy global and regional wave modeling[J]. Oceanography, 2014, 27(3): 56-67. DOI:10.5670/oceanog.2014.68 |
[5] |
JOLLIFF J K, LADNER S, CROUT R, et al. Forecasting the Ocean's optical environment using the biocast system[J]. Oceanography, 2014, 27(3): 68-79. DOI:10.5670/oceanog.2014.69 |
[6] |
VEERAMONY J, ORZECH M D, EDWARDS K L, et al. Navy nearshore ocean prediction systems[J]. Oceanography, 2014, 27(3): 80-91. DOI:10.5670/oceanog.2014.70 |
[7] |
ALLARD R, ROGERS E, MARTIN P, et al. The US Navy coupled ocean-wave prediction system[J]. Oceanography, 2014, 27(3): 92-103. DOI:10.5670/oceanog.2014.71 |
[8] |
DOYLE J D, HODUR R M, CHEN S U E, et al. Tropical Cyclone prediction using COAMPS-TC[J]. Oceanography, 2014, 27(3): 104-115. DOI:10.5670/oceanog.2014.72 |
[9] |
HOGAN T F, LIU M, RIDOUT J A, et al. The Navy global environmental model[J]. Oceanography, 2014, 27(3): 116-125. DOI:10.5670/oceanog.2014.73 |
[10] |
朱亚平, 程周杰, 何锡玉. 美国海军海洋业务预报纵览[J]. 海洋预报, 2015, 32(5): 98-105. ZHU Yaping, CHENG Zhoujie, HE Xiyu. Overview of US navy marine operations forecasting[J]. Ocean Forecast, 2015, 32(5): 98-105. DOI:10.11737/j.issn.1003-0239.2015.05.012 |
[11] |
徐洋, 齐久成, 李清, 等. 美国海军业务化海洋预报系统综述[J]. 舰船科学技术, 2016, 38(9): 142-146. XU Yang, QI Jiucheng, LI Qing, et al. Overview of the US navy's operational marine forecasting system[J]. Ship Science and Technology, 2016, 38(9): 142-146. DOI:10.3404/j.issn.1672-7619.2016.05.030 |
[12] |
李茂林, 余向军, 李庆红. 美国海军业务化海洋预报系统发展历程及启示[J]. 舰船科学技术, 2021, 43(19): 181-185. LI Maolin, YU Xiangjun, LI Qinghong. The development history and implications of the US navy's operational marine forecasting system[J]. Ship Science and Technology, 2021, 43(19): 181-185. |
[13] |
毛华斌, 吴园涛, 殷建平, 等. 海洋环境安全保障技术发展现状和展望[J]. 中国科学院院刊, 2022, 37(7): 870-880. MAO Huabin, WU Yuantao, YIN Jianping, et al. Current status and prospects of marine environmental security technology development[J]. Journal of the Chinese Academy of Sciences, 2022, 37(7): 870-880. |
[14] |
张永垂, 陈诗尧, 王宁, 等. 全球业务化海洋预报系统进展[J]. 地球科学进展, 2022, 37(4): 344-357. ZHANG Yongchui, CHEN Shiyao, WANG Ning, et al. Progress of global operational ocean forecasting system[J]. Progress in Earth Science, 2022, 37(4): 344-357. DOI:10.11867/j.issn.1001-8166.2022.014 |
[15] |
XU L, ROSMOND T, DALEY R. Development of NAVDAS-AR: Formulation and initial tests of the linear problem[J]. Tellus A: Dynamic Meteorology and Oceanography, 2005, 57(4): 546-559. DOI:10.3402/tellusa.v57i4.14710 |
[16] |
STONE R E, REYNOLDS C A, DOYLE J D, et al. Atmospheric river reconnaissance observation impact in the Navy Global Forecast System[J]. Monthly Weather Review, 2020, 148(2): 763-782. DOI:10.1175/MWR-D-19-0101.1 |
[17] |
CHRISTOPHERSEN H, RUSTON B, BAKER N L. Assimilation of GNSS zenith total delay in NAVGEM[J]. Journal of Geophysical Research: Atmospheres, 2023, 128(3): e2022JD037502. DOI:10.1029/2022JD037502 |
[18] |
HALLIWELL G R. Evaluation of vertical coordinate and vertical mixing algorithms in the HYbrid-Coordinate Ocean Model (HYCOM)[J]. Ocean Modelling, 2004, 7(3): 285-322. DOI:10.1016/j.ocemod.2003.10.002 |
[19] |
HUNKE E, LIPSCOMB W, JONES P, et al. CICE, the Los Alamos sea ice model [R]: Los Alamos National Lab. (LANL), Los Alamos, NM (United States), 2017.
|
[20] |
CUMMINGS J A. Operational multivariate ocean data assimilation[J]. Quarterly Journal of the Royal Meteorological Society: A journal of the atmospheric sciences, applied meteorology and physical oceanography, 2005, 131(13): 3583-3604. |
[21] |
FOX D, TEAGUE W, BARRON C, et al. The modular ocean data assimilation system (MODAS)[J]. Journal of Atmospheric and Oceanic Technology, 2002, 19(2): 240-252. DOI:10.1175/1520-0426(2002)019<0240:TMODAS>2.0.CO;2 |
[22] |
HELBER R W, TOWNSEND T L, BARRON C N, et al. Validation test report for the Improved Synthetic Ocean Profile (ISOP) system, Part I: Synthetic profile methods and algorithm [J]. Naval Res Lab Rep NRL/MR/7320-13-9364, 2013.
|
[23] |
FUJII Y, KAMACHI M. Three-dimensional analysis of temperature and salinity in the equatorial Pacific using a variational method with vertical coupled temperature‐salinity empirical orthogonal function modes [J]. Journal of Geophysical Research: Oceans, 2003, 108(C9).
|
[24] |
FUJII Y, KAMACHI M. A reconstruction of observed profiles in the sea east of Japan using vertical coupled temperature-salinity EOF modes[J]. Journal of oceanography, 2003, 59: 173-186. DOI:10.1023/A:1025539104750 |
[25] |
HELBER R W, SMITH S R, JACOBS G A, et al. Ocean drifter velocity data assimilation, Part 1: Formulation and diagnostic results[J]. Ocean Modelling, 2023, 183: 102195. DOI:10.1016/j.ocemod.2023.102195 |
[26] |
SMITH S R, HELBER R W, JACOBS G A, et al. Ocean drifter velocity data assimilation Part 2: Forecast validation[J]. Ocean Modelling, 2023, 185: 102260. DOI:10.1016/j.ocemod.2023.102260 |
[27] |
BARTON N, METZGER E J, REYNOLDS C A, et al. The Navy's Earth System Prediction Capability: A new global coupled atmosphere-ocean-sea ice prediction system designed for daily to subseasonal forecasting[J]. Earth and Space science, 2021, 8(4): e2020EA001199. DOI:10.1029/2020EA001199 |
[28] |
BARTON N, JANIGA M, MCLAY J, et al. Earth system prediction capability (ESPC) initial operational capability (IOC) ensemble system [J]. NRL Memorandum Report, 2019.
|
[29] |
张永垂, 胡王江, 邵晨, 等. 美国海军海洋学业务体系概述[J]. 舰船科学技术, 2024, 46(1): 180-185. ZHANG Yongchui, HU Wangjiang, SHAO Chen, et al. Overview of the US navy's oceanography business system[J]. Ship Science and Technology, 2024, 46(1): 180-185. |