英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

全球气象再分析中的南极降雪评价

摘要

利用CloudSat提供的最近的降水观测资料，对各种气象分析和再分析的能力进行了评估，以反映出南极的降雪情况。对2007–2010年期间的ECMWF中期再分析（ERA再分析）的性能,、气候预报系统再分析、日本55年再分析(JRA55) 、研究和应用的现代回顾性分析(MERRA)以及现代回顾性分析与研究应用2（MERRA-2）ECMWF业务分析结果进行了比较。

在2007年至2010年之间，重新分析了南极82◦S以北的平均降雪率，从每年165毫米到225毫米不等，而CloudSat观测表明每年的降雪量为172毫米。ERA再分析产生的降雪量与观测的降雪量最接近，但所有的再分析都是根据CloudSat观测报告的南极雪量的季节和年际变化进行的。

1. 引言

南极冰原的表面质 量平衡（降水、升华/蒸发、融水径流和吹雪的总和）预计将在21世纪增加（Frieler等人，2015年；Gregory和Huybrechts，2006年），这将缓和冰原对海平面上升的未来贡献。然而，在过去几十年里，从整个南极冰原的再分析数据和观测来看，在表层质量平衡方面没有明显的趋势（Frezzotti等人，2013年）。Monaghan等人，2006年）。

在南极洲，实地观测很少，气象再分析是研究过去几十年气候的宝贵信息来源，并被用于几项研究，以确定积雪堆积的特征（Brom wich等人，2011年；Marshall，2009年；Monaghan等人，2006年）。Brom等人。(2011年)利用Arthern等人计算的地表质量平衡图评估了几个气象再分析中的南极积雪积累(定义为降水减去蒸发/升华)。(2006年)来自现场测量并根据遥感观测作出推断。他们的结论是，在各种再分析数据集中，1989–2009年期间,ERA再分析很可能是南极雪堆积变化最现实的表现。然而，对于再分析中的积雪积累，一些过程，如融水径流和吹雪等，在将再分析与地表质量平衡观测结果进行比较时，会产生偏差。

气象分析重现南极降水的能力是表面质量平衡的主要术语，但由于缺乏现场观测（南极洲没有降水测量网），这种能力仍然鲜为人知。最近，利用CloudSat卫星提供的数据，对南极洲（高达82度）的降水进行了遥感观测[（刘，2008年；斯蒂芬斯等人，2008年）和帕勒梅等人（2014年）]，产生了第一个使用两种新的CloudSat产品对南极降水（高达82 ° S）进行的独立模式和多年气候研究。在最近的一项研究中，Behangi等人（2016年）对各种再分析数据集再现的高纬度降水进行了评估，他们认为，与南极降水的CloudSat观测相比，ERA再分析是最接近的再分析。

在这项研究中，我们使用了由Palerme等人提出的新的卫星气候学。2014年，在各种气象再分析数据集中对南极降雪进行评估：欧洲中期天气预报中心（ECMWF）中期再分析(临时)、国家环境预测中心(NCEP)气候预报系统再分析(CFSR)、日本气象厅(JMA)55年再分析（JRA55），美国国家航空和宇宙航行局（NASA）现代时代研究与应用回顾分析（MERRA）与现代时代研究与应用回顾分析2(MERRA-2)。虽然由于空间分辨率以及模式物理和数据同化方案的不断提高，ECMWF的业务分析对气候研究的兴趣较小，但也将其与CloudSat观测进行了比较，因为ECMWF的业务分析是利用最新的物理数据和比ECMWF再分析更好的空间分辨率进行的。本研究以南极大陆为研究对象，对比Behrangi等人（2000年）的研究，对南极大陆降水的空间格局和季节循环进行了较深入的研究。(2016).此外，本文还分析了降雪率和大气湿度收支的年际变化，并没有用Behrangi等人（2004年）对研究中的几个数据集进行评估。(2016年)(CFSR、JRA55、MERRA-2和ECMWF业务分析)。

本研究中使用的数据集和方法见第2节。在第3节中，对气象再分析模拟的南极降雪进行了检验，并与CloudSat观测结果进行了比较。对2007-2010年降雪率的空间格局、季节性和年际变化进行了评价。第3节还对大气水汽收支进行了分析。第4节对本研究中所使用的再分析的可靠性进行了讨论并提出了结论。

1. 数据和方法

CloudSat 2C-SNOW-PROFILE产品（Wood等人，2016年）提供了在1◦（纬度）times; 2◦（经度）网格进行了处理的2006年8月以来降雪量，就如Palerme等人所描述的，该产品提供了对2006年8月以来降雪量的瞬时评估，以生成了南极降雪率的地图。(2014). 本研究使用2007–2010年这段时间来考虑CloudSat观测中的全部时间（由于电池问题，CloudSat在2011年4月失去了夜间观测能力）。研究表明，CloudSat的时空采样足以绘制出2006年8月至2011年4月期间降雪率的情况，其结果优于1◦times;2◦网格（Palerme等人，2014年）。本研究假定在2007–2010年期间，由于每个网格单元的样本数量相差很小，因此CloudSat的抽样也足以绘制出2007–2010年期间降雪率的情况。应该指出的是，Behrangi等人（2016年）使用了不同的空间分辨率（2.5◦times;2.5◦网格）和不同的空间覆盖率（Behrangi等人（2016年）研究了80°S以北，而不是以往82°S以北的区域）。这可以解释他们在2007–2010年期间报告的CloudSat观测的平均降雪量（年均178毫米，而这里是172毫米每年）。在2C-SNOW-PROFILE算法中，确定了降水的相位，利用ECMWF业务分析估算的近地表气温，估算出降水熔融率低于10%时的降雪率（Wood等人，2016年）。

由于缺乏跨越整个冰原的地表观测，很难评估这种新气候学的不确定性，但Boening等人（2012年）但是博宁已经证明了CloudSat观测到的降雪率与GRACE对Dronning Maud陆地（南极洲东部）的冰量变化的独立估计是一致的。然而，在从GRACE反演冰川质量变化方面也存在着很大的不确定性，例如与冰川均衡调整有关的问题（Paulson等人，2007年）。最近在南极建立了陆基雷达，以便评估CloudSat降雪的反演工作，以及利用地面雷达网络从2C-SNOW-PROFILE产品中进行检索（Cao等人，2014年；Chen等人，2016年）和瑞典（Norin等人，2015年）。这些比较表明，2C-SNOW-PROFILE算法在轻度降水方面表现良好，但往往低估了中等和特大降雪的降雪率（Cao等人，2014年；Chen等人，2016年；Norin等人，2015年）。由于在冰原上观测到的降雪率较低，因此这在南极不应该是一个重要的问题（Palerme等人，2014年）。此外，2C-SNOW-PROFILE算法的相位鉴别与地面雷达观测结果吻合得很好（Chen等人，2016年）。

结合数值天气再分析利用历史气象观测资料进行预报，为研究过去几十年的气候提供了有价值的资料。必须指出的，这些观测不包括降水量。在再分析期间，预测模型和数据同化方案被冻结，但观测所吸收的气象变化会引起预报中的虚假变化。

表1显示了本研究中使用的再分析的主要特点。再分析的空间分辨率范围从ERA再分析（Dee等人，2011年）的T255（80公里）到CFSR（Saha等人，2010年）的T382（38公里）。CFSR不同于其他再分析，它使用一个耦合的大气-海洋-冰-陆地模式进行预报（Saha等人，2010年）。再分析采用不同的物理参数和数据同化方案。JRA 55（Kobayashi等人，2015年）和ERA再分析（Dee等人，2011年）实现四维变分资料同化（4D-Var），以解释时间演变的观测同化窗口内，而其他再分析利用三维变分资料同化（3D-Var）。

本研究对美国国家航空局和太空总署编制的两个再分析数据集进行研究：他们使用了一个3D-Var同化系统，带有增量分析更新（IAU），允许从模型状态到观测状态的平稳过渡（Rienecker等人，2011年）。特别是，这改善了降水的自旋上升问题。MERRA-2最近才推出，在模型和数据同化方面有许多改进（Bosilovich等人，2015年）。特别是，大气中的水量收支现在按年按比例来平衡的（Takacs等人，2016年）。此外，MERRA-2吸收了在MERRA投入生产时不可获得的最新观测结果（Bosilovich等人，2015年）。

2007年至2010年期间，ECMWF进行的业务分析了空间分辨率从T799（25公里）到T1279（约16公里）（www.ecm wf.int）。它们是由4D-Var同化系统和比ERA再分析再分析更发达的物理学产生的。由于沿海和内陆地区之间的降水梯度很强，预计ECMWF业务分析的空间分辨率比再分析高，将对南极降水预报产生影响（Bromich，1988年）这两个区域（图1，右下角）可以按冰原的中高度（2250米）区分开，并在本研究中分别进行了研究。外围地区，是降水主要落区（Bromwich，1988年；Palerme等人，2014年），降水主要受天气尺度低压的影响（Bromwich，1988年）。内陆高原的特点是由于极低的温度和离海洋较远的距离而形成的低降水率。此外，这一地区晴空条件下的降水量可能占重要比例（Bromwich，1988年；Fujita和Abe，2006年）。

为了减少对CloudSat观测结果的再分析，所有数据集都已内插到1◦（纬度）times;2◦（经度）网格上。此外，由于CloudSat观测没有覆盖82◦S和极地之间的地区，本研究中再分析的降水量和降雪量平均到南极大陆82◦S地区。在考虑海/陆问题时，根据网格单元中含有陆地和海洋的网格单元中的土地比例对降水量进行加权。

3、 成果

3.1平均降雪率

如图1和图2所示，用气象再分析和ECMWF业务分析模拟的平均降雪率与图中的CloudSat观测结果进行了比较。在南极大陆（82◦S以北），所有再分析数据集，除ERA再分析数据外，产生的降雪率都高于CloudSat观测数据（每年172毫米）。ERA再分析卫星观测产生的降雪率最接近（每年165毫米）CloudSat观测数据，ECMWF业务分析模拟降雪率（每年185毫米）略大于CloudSat观测到的降雪率。最高降雪率是由MERRA-2（每年225毫米）模拟产生的。

应该注意的是，CloudSat观测受到地面杂波的影响，这掩盖了2C-SNOW-PROFile算法中在地面以上1200米处发生的降雪事件（Wood等人，2016年）。这也许可以解释为什么CloudSat观测显示冰原内部降雪率低于的其他数据集，而在这一数据中，有很大一部分降水落在了晴朗的天空条件下(Bromwich, 1988;Fujita和Abe, 2006年)，并可能在地面以上的第一公里形成。

再分析和ECMWF业务分析产生的总降水量（雨 雪）也在图中显示。2.2C-SNOW-PROFILE产品中没有雨和混相降水的强度（2C-SNOW-PROFILE产品只有在降雨量低于10%时才能提供降雪率），这就阻止了将再分析中的液态降水部分与CloudSat 观测结果直接进行比较。JRA55、MERRA和MERRA-2中，液态降水量与降雪量之间的差异，在南极大陆地区（高达82◦S）可以忽略不计。然而，在ECMWF运行分析中，液态降水量的比例约为1%，而在ERA再分析为5%。在ERA再分析中，外围地区液态降水尤其重要，约占总降水量的6%。然而，这些结果必须要谨慎看待，因为降雪变量的定义在不同的数据集之间是不同的。例如，在ERA再分析数据中，当发生混合降水时，雨变量中考虑了降水的熔融部分，而固体部分则被认为是降雪。因此，降水量之间的大部分差异可能是由于ERA 再分析数据中的混合降水造成的。在CFSR中，雪产品是绝对的：它甚至排除了最轻微的融化部分，因此与其他再分析相比，低估了降雪量。我们使用的CFSR变量是降水减雨量。

3.2季节和年际变化

图3显示了再分析、ECMWF运行分析和CloudSat观测模拟的降雪率的季节变化。总体上，不同的数据 集产生相似的南极大陆降雪率季节循环（高达82◦S），降雪率在3月-4月（MAM）和6月-7月-8月（JJA）较高，而降雪率在12月-8月（JJA）较低 1-2月(DJF)。在云卫星观测和JRA55中，降雪率最高的季节是MAM，其次是JJA，而其他所有数据集都产生了JJA中的最大降雪率，其次是MAM。但是，各数据集降雪率最高的两个季节的降雪率的标准差均较小，各数据集中降雪率的标准差均大于两者的平均降雪率的差值。总体上，不同的数据集对于降雪率的季节循环的空间格局有很好的一致性（图4）。然而，不同的数据集在南极高原上的季节循环有所不同。CloudSat观测得出的季节周期与冰原内部重新分析的季节周期完全不同，DJF中降雪率特别高，与再分析者相比，JJA的降雪率特别低。

图5、图6显示了2007年至2010年间降雪率的年际变化。在南极大陆（高达82◦S），所有的数据集都在2009年产生了最大的降雪率（图5）。与2007年至2010年期间的平均降雪率相比，2009年南极高原的降雪率特别高。图6表明，再分析和ECMWF业务分析产生的降雪率年际变化的空间格局也与CloudSat观测到的空间格局相似。2009年在Dronning Maud区域上发生了强降水事件，这一事件被CloudSat观测到了（Boening等人，2012年），并通过所有再分析和ECMWF业务分析（图6）进行了模拟。有人认为，El Nintilde;o南方涛动（ENSO）在2009年这次强降雪事件的形成过程中发挥了重要作用（Boening等人，20

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21402]，资料为PDF文档或Word文档，PDF文档可免费转换为Word