王丹陽(yáng)，蘇 涵，張春玲,2

(1.上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306;2.上海海洋大學(xué)極地研究中心，上海 201306)

引 言

Argo(Array for Real-time Geostrophic Oceanography)俗稱“全球Argo海洋觀測(cè)網(wǎng)”,類似于陸地上的探空氣球，是由3000個(gè)自動(dòng)剖面浮標(biāo)組成一個(gè)龐大的全球海洋觀測(cè)網(wǎng)，旨在準(zhǔn)實(shí)時(shí)、大范圍、高分辨率獲取全球海洋次表層觀測(cè)資料[1]，進(jìn)而利用這些數(shù)據(jù)幫助我們更好地認(rèn)知海洋內(nèi)部的長(zhǎng)期變化，提高氣候預(yù)報(bào)精度，從而有效抵御全球日益嚴(yán)重的氣候?yàn)?zāi)害給人類造成的威脅。2013年，國(guó)際Argo計(jì)劃提出了從“核心Argo”向“全球Argo”拓展的設(shè)想，計(jì)劃建成由4000個(gè)浮標(biāo)組成的覆蓋水域更深厚、涉及領(lǐng)域更寬廣、觀測(cè)時(shí)域更長(zhǎng)遠(yuǎn)的全球Argo實(shí)時(shí)海洋觀測(cè)網(wǎng)，并計(jì)劃在2025年之前建成一個(gè)由4700個(gè)自動(dòng)剖面浮標(biāo)組成的全球(包含有冰覆蓋的南北極海域和重要邊緣海區(qū)域)、全海深(0～6000 m)、多學(xué)科(包括物理海洋和生物地球化學(xué)等10多個(gè)海洋環(huán)境要素)的實(shí)時(shí)海洋觀測(cè)網(wǎng)。生物地球化學(xué)Argo(BGC-Argo)和深海Argo子計(jì)劃應(yīng)運(yùn)而生，目前BGC-Argo已經(jīng)成為全球Argo實(shí)時(shí)海洋觀測(cè)系統(tǒng)中的重要組成部分。

自2000年以來(lái)，國(guó)際Argo計(jì)劃各成員國(guó)已經(jīng)在全球海洋陸續(xù)投放了約1.7萬(wàn)個(gè)自動(dòng)剖面浮標(biāo)，截至2020年9月底，在全球海洋上維持正常工作的浮標(biāo)有3904個(gè)。這些浮標(biāo)所獲得的觀測(cè)剖面數(shù)量已逾200萬(wàn)條，其中包含生物地球化學(xué)(BGC)環(huán)境要素的逾20萬(wàn)條。由于Argo的標(biāo)準(zhǔn)任務(wù)是一個(gè)“懸停漂移-剖面測(cè)量”的過(guò)程[2],即，浮標(biāo)首先在1000 dbar深度層上懸停，并隨洋流漂移，每10天下沉到2000 dbar，然后在上升到海面過(guò)程中收集海水的溫、鹽度數(shù)據(jù)，浮出水面后通過(guò)衛(wèi)星將觀測(cè)數(shù)據(jù)傳回岸上，然后再次下潛到預(yù)設(shè)的漂移層上，繼續(xù)下一個(gè)觀測(cè)任務(wù)。因此，其觀測(cè)剖面數(shù)據(jù)在空間上是散點(diǎn)觀測(cè)，具有空間不均勻性，為了克服Argo剖面資料被廣泛應(yīng)用于氣候預(yù)測(cè)和海洋、大氣科學(xué)研究所受到的限制，國(guó)內(nèi)外許多學(xué)者借助于一些常用的數(shù)據(jù)同化方法，如逐步訂正[3]、最優(yōu)插值(Optimal Interpolation, OI)[4]、集合卡爾曼濾波(Ensemble Kalman Filter，EnKF)[5]、集合最優(yōu)插值(Ensemble Optimal Interpolation, EnOI)[6],以及三維變分(Three Dimensional Variational，3-D Var)[7]等等，研制了包含多個(gè)海洋要素、多種分辨率的網(wǎng)格化產(chǎn)品。

本文對(duì)目前適用于Argo剖面資料的常用數(shù)據(jù)同化方法、國(guó)內(nèi)外基于Argo觀測(cè)資料構(gòu)建的網(wǎng)格化數(shù)據(jù)產(chǎn)品進(jìn)行了比較系統(tǒng)地回顧和總結(jié)，對(duì)比分析了各種同化方法的適用條件和計(jì)算效率，以及各種Argo網(wǎng)格化產(chǎn)品的特點(diǎn)，并針對(duì)目前Argo資料的觀測(cè)現(xiàn)狀，給出了未來(lái)Argo數(shù)據(jù)同化的研究展望。

1 方法分析

1.1 早期方法

1949年P(guān)anofsky開(kāi)創(chuàng)性地提出了多項(xiàng)式擬合(Polynomial Fitting，PF)[8]，多項(xiàng)式擬合是用一個(gè)多項(xiàng)式展開(kāi)去擬合包含數(shù)個(gè)分析格點(diǎn)的一小塊分析區(qū)域中的所有觀測(cè)點(diǎn)，得到觀測(cè)數(shù)據(jù)的客觀分析場(chǎng)。展開(kāi)系數(shù)用最小二乘擬合確定。但此方法的區(qū)域多項(xiàng)式擬合并不穩(wěn)定，當(dāng)資料缺測(cè)時(shí)更是如此,而且會(huì)導(dǎo)致分析在擬合的各個(gè)區(qū)域之間不連續(xù)。1954年Gilchrist和Cressman在多項(xiàng)式擬合的基礎(chǔ)上，利用頻譜分析，對(duì)氣象數(shù)據(jù)所對(duì)應(yīng)的頻率進(jìn)行選擇，通過(guò)選擇不同的頻率成分來(lái)過(guò)濾錯(cuò)誤信息，從而給出了函數(shù)濾波(Function Filtering，F(xiàn)F)[9]的簡(jiǎn)單函數(shù)模型。

而Gilchrist在1954年提出了理想逐步訂正法(Successive Correction，SC)的原型[9]，后由Bergthorson[10](1955)對(duì)其進(jìn)行理論論證，并由Cressman[3]發(fā)展成熟，形成基于迭代算法的逐步訂正法。這種方法首先要求給出網(wǎng)格點(diǎn)的初始值，然后從每一個(gè)觀測(cè)中減去對(duì)該觀測(cè)點(diǎn)的估計(jì)值得到觀測(cè)增量，通過(guò)將分析格點(diǎn)周圍影響區(qū)域內(nèi)的觀測(cè)增量進(jìn)行加權(quán)組合得到分析增量，再將分析增量加到背景場(chǎng)上得到最終的分析場(chǎng)，并進(jìn)行逐步迭代，直到分析值達(dá)到某種預(yù)期的精度[11]。起初，Cressman給出了與距離平方成反比的二次權(quán)重函數(shù)，后來(lái)，Barnes[12]提出采用高斯型的權(quán)重函數(shù),但該方案收斂較慢，一般需要迭代3～4次，之后，Barnes[13]對(duì)這一方案又作了改進(jìn)，采用收斂因子來(lái)加快收斂速度。

以上這些早期的資料同化方法沒(méi)有充分利用模式和觀測(cè)資料的誤差統(tǒng)計(jì)信息，也沒(méi)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)，都屬于經(jīng)驗(yàn)分析方法，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(méi)有得到廣泛應(yīng)用。

1.2 現(xiàn)代方法

60年代初，最優(yōu)插值法(Optimal Interpolation，OI)的提出，使得資料同化方法有了基于統(tǒng)計(jì)估計(jì)理論的基礎(chǔ)。目前的數(shù)據(jù)同化方法根據(jù)其理論可分為兩類，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、擴(kuò)展卡爾曼濾波、集合卡爾曼濾波、集合最優(yōu)插值等；另外一類是基于最優(yōu)控制理論的，如三維變分，強(qiáng)約束四維變分和弱約束四維變分等。這里主要總結(jié)回顧廣泛用于Argo資料同化的幾種方法的基本原理，主要包括：最優(yōu)插值、集合卡爾曼濾波、集合最優(yōu)插值、三維變分和四維變分等。

最優(yōu)插值(OI)的分析場(chǎng)是背景場(chǎng)與由權(quán)重矩陣加權(quán)的修正量之和[4]采用最小二乘方法求得最佳線性無(wú)偏估計(jì)方程中的最優(yōu)權(quán)重矩陣。此方法的基本假設(shè)是,對(duì)于一個(gè)模型變量,在確定它的增量時(shí),只有幾個(gè)觀測(cè)值是重要的。因此，OI易于編碼，計(jì)算量相對(duì)較小，但其分析結(jié)果并非全局最優(yōu)，并且，OI是針對(duì)線性系統(tǒng)發(fā)展起來(lái)的，難以確保大小尺度分析的一致性。集合卡爾曼濾波方法[5]是在卡爾曼濾波[14]的基礎(chǔ)上發(fā)展起來(lái)的，其基于蒙特卡羅算法，結(jié)合了卡爾曼濾波和集合預(yù)報(bào)的優(yōu)點(diǎn),用有限的集合樣本來(lái)估算誤差協(xié)方差矩陣的不確定性。EnKF概念簡(jiǎn)單,不需要作線性假設(shè),也無(wú)需求解模式的切線性及其伴隨,適合于并行計(jì)算等優(yōu)點(diǎn),是一個(gè)目前比較流行的方法。但EnKF計(jì)算量比OI要大得多，并且會(huì)因?yàn)闃颖炯想x散度不夠而產(chǎn)生樣本誤差問(wèn)題，系統(tǒng)的非線性，及通常利用擾動(dòng)觀測(cè)法獲取樣本初值，使得這種樣本誤差問(wèn)題更為明顯。此后，Evensen[6]將集合思想吸收到最優(yōu)插值同化技術(shù)中,提出了集合最優(yōu)插值數(shù)據(jù)同化法：格點(diǎn)的分析值在一個(gè)固定的模式向量樣本集合(如長(zhǎng)時(shí)間序列的模式積分)空間內(nèi)進(jìn)行計(jì)算，模式統(tǒng)計(jì)誤差不隨時(shí)間變化,從而減少計(jì)算量。EnOI能夠保持準(zhǔn)動(dòng)力一致性，避免假設(shè)均勻和各向同性等，但其在誤差計(jì)算時(shí)仍沿用EnKF集合預(yù)報(bào)的方式，以獲得較傳統(tǒng)OI方法更優(yōu)的分析值，由于模式誤差不隨模式積分時(shí)間改變，EnOI較EnKF得到一個(gè)次優(yōu)解。

最初出現(xiàn)的變分同化方法是三維變分(3D-Var)，3D-Var以極大似然估計(jì)理論為基礎(chǔ)，通過(guò)求解一個(gè)目標(biāo)函數(shù)(也稱代價(jià)函數(shù))的極小值(一般利用目標(biāo)函數(shù)的梯度求其極小值),產(chǎn)生一個(gè)分析時(shí)刻的綜合考慮背景場(chǎng)和觀測(cè)值的大氣或海洋真實(shí)狀態(tài)的最大似然估計(jì)，并且給出背景場(chǎng)和觀測(cè)場(chǎng)各自相應(yīng)的精度。3D-VAR的分析解為全局最優(yōu)，可以處理觀測(cè)算子是非線性的情況，并能同化各種不同來(lái)源的觀測(cè)資料。但此方法是在某一時(shí)刻進(jìn)行的分析,前一時(shí)刻的同化結(jié)果可作為后一時(shí)刻模式運(yùn)行的初始場(chǎng)。但在使用時(shí),無(wú)法用后面時(shí)刻的資料來(lái)訂正前面的結(jié)果,同化的解在時(shí)間上不連續(xù)。為彌補(bǔ)3D-Var的這一缺陷，LeDimet等人于二十世紀(jì)八十年代提出了4D-Var[15]。4D-Var是在3D-Var的基礎(chǔ)上，增加了時(shí)間變量的同化，在時(shí)間窗口內(nèi)利用完整的動(dòng)力模式作為強(qiáng)約束，自動(dòng)調(diào)整模式誤差，以便得到更精確的同化結(jié)果。并將某一時(shí)間段上的觀測(cè)數(shù)據(jù)均納入到同化系統(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，計(jì)算量特別大。

1.3 主要方法對(duì)比分析

進(jìn)入本世紀(jì)以來(lái)，海洋資料同化技術(shù)取得了快速的發(fā)展，從早期比較簡(jiǎn)單的客觀分析法，發(fā)展到現(xiàn)在能夠同化大量非常規(guī)資料的四維變分和集合卡爾曼濾波等比較流行的方法。如上所述，每種同化方法均有其優(yōu)缺點(diǎn)(表1)：逐步訂正的優(yōu)點(diǎn)在于計(jì)算量小，算法簡(jiǎn)單，計(jì)算速度快；缺點(diǎn)在于沒(méi)有理論基礎(chǔ)，屬于經(jīng)驗(yàn)分析方法；OI的優(yōu)點(diǎn)在于計(jì)算量小、易于編碼且可以得到較合理的分析，缺點(diǎn)在于它是局部最優(yōu)、不隨時(shí)間變化且主要針對(duì)線性系統(tǒng)；EnKF的優(yōu)點(diǎn)在于它不需要求解模式伴隨且適用于并行計(jì)算，缺點(diǎn)在于計(jì)算量比OI要大得多且樣本集合離散度不夠；EnOI的優(yōu)點(diǎn)在于計(jì)算量小、能保持準(zhǔn)動(dòng)力一致性，缺點(diǎn)在于模式誤差不隨積分時(shí)間變化且仍采用集合預(yù)報(bào)的方式；3D-Var的優(yōu)點(diǎn)在于它可以處理非線性算子并且可以進(jìn)行全局分析，缺點(diǎn)在于計(jì)算量大、解在時(shí)間上不連續(xù)；4D-Var的優(yōu)點(diǎn)在于它可以同化多時(shí)刻觀測(cè)資料、可在目標(biāo)函數(shù)上加上其他約束項(xiàng)，缺點(diǎn)在于計(jì)算量比3D-VAR大得多且難以得到伴隨方程的離散形式。這使得每種方法在實(shí)際應(yīng)用中都有其一定的限制和使用范圍，而且不同方法對(duì)于資料質(zhì)量的依賴性也不同，逐步訂正、最優(yōu)插值及三維變分都是基于觀測(cè)誤差恒定的假設(shè)，因此對(duì)于觀測(cè)精度較低的數(shù)據(jù)，其同化結(jié)果精度也會(huì)隨之降低。而卡爾曼濾波方法則可以通過(guò)濾波的方法，將異常觀測(cè)數(shù)據(jù)加以平滑，同化結(jié)果對(duì)觀測(cè)資料質(zhì)量的依賴度較低。

表1 各種同化方法比較分析

2 Argo網(wǎng)格化產(chǎn)品研制現(xiàn)狀

目前Argo剖面浮標(biāo)獲取的觀測(cè)資料已經(jīng)成為海洋氣候模式中的重要數(shù)據(jù)來(lái)源，但是由于Argo剖面浮標(biāo)具有“隨波逐流”的特性，其觀測(cè)剖面在位置和時(shí)間上有很大的隨意性，這使得Argo觀測(cè)資料的應(yīng)用范圍受到了一定的限制。隨著數(shù)據(jù)同化技術(shù)的不斷發(fā)展以及Argo觀測(cè)剖面數(shù)量的持續(xù)快速增長(zhǎng)，國(guó)內(nèi)外學(xué)者利用各種同化手段，有效地將各種類型的海洋觀測(cè)資料進(jìn)行融合，并推出了一系列網(wǎng)格化數(shù)據(jù)集。

2.1 國(guó)內(nèi)網(wǎng)格化產(chǎn)品

近年來(lái)，國(guó)內(nèi)學(xué)者陸續(xù)研發(fā)了Argo網(wǎng)格化數(shù)據(jù)產(chǎn)品和再分析數(shù)據(jù)集，通過(guò)中國(guó)Argo實(shí)時(shí)資料中心網(wǎng)站(http://www.argo.org.cn/)公開(kāi)發(fā)布，供廣大用戶使用。其中，中國(guó)Argo實(shí)時(shí)資料中心自主研發(fā)的網(wǎng)格化產(chǎn)品涵蓋了多個(gè)要素，針對(duì)不同科學(xué)研究需求類型，并不定期的更新：《全球海洋Argo網(wǎng)格數(shù)據(jù)集(BOA_Argo)》是利用Barnes逐步訂正法[3,11,13]，完全基于Argo觀測(cè)剖面資料本身，首先融合形成多年平均氣候態(tài)溫、鹽度分布場(chǎng)，進(jìn)而構(gòu)建季節(jié)平均和月平均初始場(chǎng)，然后對(duì)2004年1月以來(lái)全球海域的Argo溫、鹽度剖面資料進(jìn)行客觀分析而構(gòu)建的。該數(shù)據(jù)集水平分辨率為1°×1°，其垂向分辯率在0～1975 dbar水深范圍內(nèi)分為58個(gè)標(biāo)準(zhǔn)層，其除了溫度和鹽度兩個(gè)基本要素外，還包括混合層的相關(guān)參數(shù)，并且每年更新，目前最新版本的計(jì)算結(jié)果截止到2019年12月[16]。利用基于梯度依賴相關(guān)尺度的最優(yōu)插值客觀分析方法[17-18]，融合太平洋海域(120°E～70°W,60°S～60°N)Argo溫、鹽度剖面資料構(gòu)建的《Argo三維網(wǎng)格資料(GDCSM_Argo)》，同樣也是立足于Argo觀測(cè)資料本身研發(fā)的1°×1°、逐年逐月的Argo三維網(wǎng)格資料產(chǎn)品。此數(shù)據(jù)集目前已更新過(guò)兩個(gè)版本，最新結(jié)果截止到2017年12月?！稛釒窖蠛Ｓ駻rgo衍生數(shù)據(jù)(熱、鹽含量)產(chǎn)品》和《西太平洋海域Argo衍生數(shù)據(jù)(混合層、溫躍層)產(chǎn)品》則是分別基于不同的溫、鹽度網(wǎng)格數(shù)據(jù)產(chǎn)品，采用最大角度法[19]和梯度法[20-21]計(jì)算的逐年逐月，空間分辨率1°×1°的混合層和溫躍層的各物理參數(shù)，這兩個(gè)數(shù)據(jù)集也在不定期更新中。

國(guó)內(nèi)許多涉?？蒲性核惭邪l(fā)制作了多個(gè)不同類型的數(shù)據(jù)集，如，2008年，中國(guó)科學(xué)院大氣物理研究所基于卡爾曼濾波，估算了1999—2010年期間全球海洋的Argo浮標(biāo)漂流軌跡[22]，制作了全球海洋表層流資料集。對(duì)該數(shù)據(jù)集的時(shí)間分辨率分年平均和月平均兩種，對(duì)應(yīng)的空間分辨率分別為1°×1°和2°×2°；國(guó)家海洋信息中心為了給出更為客觀和準(zhǔn)確的分析場(chǎng)，使用三維空間的多重網(wǎng)格，通過(guò)三維變分?jǐn)?shù)據(jù)同化方法[7，23]對(duì)2005年1月—2009年12月期間全球的Argo溫、鹽度剖面資料進(jìn)行同化分析，于2011年構(gòu)建了主要包含溫度和鹽度的逐年逐月的全球Argo網(wǎng)格化產(chǎn)品，該產(chǎn)品水平分辨率為1°×1°，垂向在0～2000 m水深范圍內(nèi)分為26個(gè)不等間隔的標(biāo)準(zhǔn)層；2017年，國(guó)家海洋預(yù)報(bào)中心研發(fā)的《西太平洋海域Argo資料同化再分析數(shù)據(jù)集(ROSWPOA)》是基于HYCOM海洋模式[24]，采用集合最優(yōu)插值同化方案(EnOI)[6]，同化了2005年1月—2015年12月期間西太平洋海域(120°E～180°E，30°S～40°N)的Argo剖面資料、衛(wèi)星海平面異常和海面溫度制作完成的。該數(shù)據(jù)集的水平分辨率為1/4°×1/4°,垂向在5～1000 m水深范圍內(nèi)分為22個(gè)標(biāo)準(zhǔn)層；中科院大氣物理所也使用EnOI方法制作了全球1°×1°的月平均溫、鹽度產(chǎn)品[25-26]，并且為了準(zhǔn)確評(píng)估OHC，溫度和鹽度分別采用了WOD數(shù)據(jù)庫(kù)1960—2015年和1960—2017年期間的觀測(cè)資料。

2.2 國(guó)外網(wǎng)格化產(chǎn)品

法國(guó)Coriolis數(shù)據(jù)中心為綜合構(gòu)建Argo數(shù)據(jù)集設(shè)計(jì)開(kāi)發(fā)了ISAS(In Situ Analysis System)溫鹽分析系統(tǒng)[27]。該系統(tǒng)以三維最優(yōu)插值法為理論基礎(chǔ)，融合了Argo、XBT、CTD等溫鹽觀測(cè)資料，從而進(jìn)行全球0～2000 m上層海洋的業(yè)務(wù)化預(yù)報(bào)，水平分辨率為0.5°×0.5°。目前，該系統(tǒng)已發(fā)展到ISAS_V15版本[28]；英國(guó)氣象局的FOAM(Forecasting Ocean Assimilation Model)業(yè)務(wù)化海洋預(yù)報(bào)系統(tǒng)[29]基于最優(yōu)插值法理論，使用分析訂正方法進(jìn)行四維迭代分析，在北大西洋進(jìn)行了兩組同化試驗(yàn)，同化資料包括實(shí)地測(cè)量的海表溫度、Argo溫鹽剖面數(shù)據(jù)、衛(wèi)星遙感反演的海表異常及海冰資料，實(shí)驗(yàn)結(jié)果表明在該系統(tǒng)中同化Argo資料對(duì)于提高溫鹽度預(yù)報(bào)精度是必不可少的，該數(shù)據(jù)集更新頻率為每月一次，目前已經(jīng)更新到EN.4.2.1版本；日本海洋地球科技廳(Japan Agency for Marine-Earth Science and Technology, JAMSTEC)利用二維最優(yōu)插值方法，同化Argo浮標(biāo)、TRITON錨碇浮標(biāo)和船載CTD儀等觀測(cè)資料，制作了空間分辨率為1°×1°的全球海洋(包括白令海峽，但除去邊緣海)0～2000 dbar的月平均溫、鹽度數(shù)據(jù)集[30]；美國(guó)夏威夷大學(xué)國(guó)際太平洋研究中心(International Pacific Research Center, IPRC)使用2005年以來(lái)的Argo剖面浮標(biāo)資料及Aviso衛(wèi)星高度計(jì)資料，利用變分插值技術(shù)生成了垂向27層(0～2000 m)，全球2005—2009年氣候態(tài)及逐年的年平均、季平均和月平均網(wǎng)格化溫度、鹽度及動(dòng)力高度資料；印度國(guó)家海洋信息中心(Indian National Centre for Ocean Information Services, INCOIS)的客觀分析系統(tǒng)是Argo數(shù)據(jù)處理系統(tǒng)的一部分，用來(lái)分析處理印度洋海域2002年以來(lái)的Argo浮標(biāo)溫、鹽度觀測(cè)資料[31]。該系統(tǒng)采用的客觀分析方法是最優(yōu)插值的簡(jiǎn)化形式，即不引入初始場(chǎng)，分析值僅依賴于觀測(cè)數(shù)據(jù)，觀測(cè)值經(jīng)高斯權(quán)重函數(shù)加權(quán)平均插值到格點(diǎn)上，整個(gè)分析過(guò)程類似于目標(biāo)函數(shù)的單一迭代，從而退化為最優(yōu)客觀分析過(guò)程；而美國(guó)Scripps海洋研究所的Roemmich[32]不加入任何其他觀測(cè)資料，通過(guò)線性插值將2004—2008年五年的近35萬(wàn)條Argo浮標(biāo)剖面觀測(cè)數(shù)據(jù)垂向插值到2.5～1975 dbar，構(gòu)建了空間分辨率為1°×1°，垂向58層的氣候態(tài)溫、鹽度分布場(chǎng)，并計(jì)算了月平均異常值，給出了完全基于Argo數(shù)據(jù)的現(xiàn)代上層海洋的一個(gè)基本描述，為現(xiàn)行Argo數(shù)據(jù)與過(guò)去數(shù)據(jù)集作對(duì)比提供了基線，表明了Argo數(shù)據(jù)足以衡量大尺度波動(dòng)異常，并證實(shí)了Argo數(shù)據(jù)集與其他相關(guān)海洋觀測(cè)資料的相容性。Roemmich等的研究被視為朝著整合Argo資料和其他對(duì)氣候變化有重要影響的海洋數(shù)據(jù)邁進(jìn)的起步階段。該數(shù)據(jù)集目前也在持續(xù)更新中，更新的頻率為每月一次。

這些數(shù)據(jù)集針對(duì)不同的科研問(wèn)題研制而成，其時(shí)間分辨率、空間分辨率、包含的環(huán)境要素、涵蓋的時(shí)間范圍和空間范圍以及采用的數(shù)據(jù)同化(分析)方法等，均具有各自的特點(diǎn)。總體而言，大部分?jǐn)?shù)據(jù)集僅采用Argo觀測(cè)剖面研制，且空間分辨率、時(shí)間分辨率多數(shù)達(dá)到1°×1°和月平均及以上。這也再一次證明，Argo剖面資料，尤其是核心Argo計(jì)劃觀測(cè)得到的溫、鹽度剖面數(shù)量已足以滿足高分辨率網(wǎng)格數(shù)據(jù)產(chǎn)品制作的需求。這些數(shù)據(jù)集的制作，70%以上采用了最優(yōu)插值法(OI)數(shù)據(jù)同化方法，這或許與OI的編碼簡(jiǎn)單、理論充分、分析結(jié)果合理以及計(jì)算效率高等優(yōu)點(diǎn)息息相關(guān)。但縱觀所有Argo數(shù)據(jù)產(chǎn)品，同化結(jié)果的環(huán)境要素仍以溫度、鹽度及其衍生的熱含量、躍層參數(shù)等變量為主，生物地球化學(xué)觀測(cè)要素并未囊括其中，這或許是受制于BGC-Argo觀測(cè)數(shù)據(jù)的數(shù)量與質(zhì)量問(wèn)題。盡管如此，目前這些基于Argo觀測(cè)剖面研發(fā)的網(wǎng)格化產(chǎn)品，將Argo散點(diǎn)觀測(cè)資料進(jìn)行時(shí)空規(guī)則均勻化，極大地?cái)U(kuò)展了Argo資料的應(yīng)用范圍。

3 小結(jié)與展望

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(lái)一直受到觀測(cè)資料不足的制約。隨著海洋觀測(cè)技術(shù)的發(fā)展，特別是海洋衛(wèi)星成功發(fā)射和全球Argo實(shí)時(shí)海洋觀測(cè)網(wǎng)的建立，人們開(kāi)始有能力獲取廣闊海洋上大量的、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)研究中的廣泛應(yīng)用，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，海洋再分析資料集的制作等方面取得的一系列應(yīng)用成果，有利于深化人們對(duì)各種物理海洋現(xiàn)象的認(rèn)識(shí)。

隨著國(guó)際Argo計(jì)劃的成功運(yùn)行和不斷擴(kuò)展，觀測(cè)要素在核心Argo觀測(cè)網(wǎng)所積累的溫度、鹽度、壓力(深度)剖面的基礎(chǔ)上不斷擴(kuò)充，如BGC-Argo可以觀測(cè)一系列的生物地球化學(xué)參數(shù)，包括溶解氧含量、葉綠素a濃度、硝酸鹽濃度、pH值、懸浮顆粒物和下行輻照等[33]，這為Argo剖面資料的網(wǎng)格化研究提出了新的要求，主要體現(xiàn)在以下兩個(gè)方面。

3.1 Argo子計(jì)劃的剖面觀測(cè)資料需要進(jìn)行網(wǎng)格化才能更有效的得到廣泛應(yīng)用

2016年10月正式啟動(dòng)的BGC-Argo計(jì)劃是第一個(gè)有能力監(jiān)測(cè)全球生物地球化學(xué)過(guò)程的項(xiàng)目[34]，由于BGC-Argo計(jì)劃的正式實(shí)施距今天只有5年的時(shí)間，目前BGC-Argo溶解氧觀測(cè)剖面在全球海域空間分布極不均勻，但在其集中分布的南大洋、印度洋、北大西洋、西北太平洋以及地中海五個(gè)試驗(yàn)區(qū)，數(shù)據(jù)密度已能夠滿足空間分辨率為1°的網(wǎng)格化的基本要求。同時(shí)，溶解氧作為海洋生態(tài)系統(tǒng)和生物地球化學(xué)中的一個(gè)基本參數(shù)，在海洋新陳代謝[35]、海氣通量[36-37]、海氣交換過(guò)程[38]、凈群落生產(chǎn)力[39-41]以及最低溶解氧區(qū)(oxygenminimumzones,OMZS)變異[42-44]等問(wèn)題的研究中都發(fā)揮著重要的作用。但相對(duì)于散點(diǎn)剖面資料，很多熱點(diǎn)科學(xué)問(wèn)題的深入研究更依賴于空間分布均勻的網(wǎng)格數(shù)據(jù)[45]。而其他生物地球化學(xué)要素觀測(cè)剖面也日益增長(zhǎng)，截止到2020年10月底，硝酸鹽、葉綠素a、pH值、懸浮顆粒物及下行輻照的觀測(cè)剖面總數(shù)均已超過(guò)3萬(wàn)條，且葉綠素a已接近10萬(wàn)條。

3.2 針對(duì)新的觀測(cè)要素的數(shù)據(jù)同化方法有待于改進(jìn)發(fā)展

不同類型的觀測(cè)數(shù)據(jù)，尤其是新的傳感器所獲取的觀測(cè)數(shù)據(jù)，難以采用同一種校正方法，而且校正系統(tǒng)之間也可能存在系統(tǒng)性誤差，即使采用同一種方法進(jìn)行質(zhì)量檢驗(yàn)的數(shù)據(jù)，其所對(duì)應(yīng)的校正誤差也不盡相同，這將給數(shù)據(jù)網(wǎng)格化過(guò)程帶來(lái)了一定的困難。例如，目前鮮有的包括溶解氧的全球海洋客觀分析數(shù)據(jù)集WOA18，由于其采用的客觀分析方法無(wú)法合理給出不同系統(tǒng)誤差的權(quán)重[44]，該溶解氧數(shù)據(jù)集制作時(shí)僅僅采用了利用化學(xué)法測(cè)得的溶解氧數(shù)據(jù)。而如前文所述，法國(guó)Coriolis數(shù)據(jù)中心、美國(guó)Scripps海洋研究所、日本海洋科技中心和中國(guó)Argo實(shí)時(shí)資料中心等，采用不同的客觀分析方法研制的Argo網(wǎng)格化數(shù)據(jù)產(chǎn)品中，目前也仍主要基于“Core-Argo”觀測(cè)網(wǎng)所積累的溫度、電導(dǎo)率(鹽度)和壓力(深度)剖面數(shù)據(jù)構(gòu)建的網(wǎng)格數(shù)據(jù)集，尚未包含由“BGC-Argo”觀測(cè)網(wǎng)所積累的生物地球化學(xué)要素，其中一個(gè)關(guān)鍵所在即為發(fā)展一種合適的數(shù)據(jù)同化方法。未來(lái)，長(zhǎng)時(shí)間序列的全球海洋剖面數(shù)據(jù)將主要依靠Argo、Glider等自動(dòng)平臺(tái)的組網(wǎng)觀測(cè)，如何將這些數(shù)據(jù)有效融合，并改進(jìn)或突破傳統(tǒng)方法，利用機(jī)器學(xué)習(xí)等人工智能方法，構(gòu)建或重構(gòu)高時(shí)空分辨率的網(wǎng)格化產(chǎn)品，將或是數(shù)據(jù)同化的未來(lái)發(fā)展方向。