海洋垂向混合参数化方案对模式系统性误差的影响机制研究

The reasons of climate change and the prediction of its trends have always been important in the fields of ocean and atmospheric research. Numerical models are powerful tools for climate studies. However, there are great systematic differences between the model results and the observations. These errors are commonly found in the current models, and can degrade the credibility of model results. Previous studies have shown that ocean vertical mixing parameterization has great uncertainties, and is an important cause of model errors. Therefore, investigating the impacts of vertical mixing scheme onto models errors, can not only promote the understanding of mechanism by which the model errors arise, but also be important to improve the modeling and forecasting capabilities of climate models. Based on the systematic model errors in the CMIP/OMIP and the observations from Argo and microstructure profiles, the present project will explore the relationships between the uncertainties in vertical mixing scheme and the model errors. Besides, the inverse method and the fine-scale method are employed to optimize the key parameters in the vertical mixing scheme, and numerical experiments are carried out to test the effectiveness of the optimized parameters. As a result, this study will quantify the contribution of the vertical mixing scheme to the systematic errors, offering an effective way to improve climate simulations.

气候变化的原因与未来变化趋势的预测一直都是海洋和大气研究领域中的重要内容。数值模式是进行气候研究的重要工具，然而模式结果与观测之间通常存在较大的系统性差异。这些误差是当前模式中的共性问题，其严重限制了模式的模拟和预报能力。研究表明，海洋垂向混合参数化方案存在很大的不确定性，是导致模式误差的重要原因。因此，开展海洋垂向混合参数化方案对模式系统性误差影响机制的研究，对于认清模式误差的产生机制、提高模式的模拟和预报能力都具有重要的科学意义和应用价值。本项目针对CMIP/OMIP模式结果中的系统性误差，结合湍流微尺度和Argo观测资料，探讨参数化方案与模式误差的内在关联。同时采用观测反算和细尺度参数化方法，优化参数化方案中的关键参数。进一步借助数值实验，检验优化参数的有效性，量化垂向混合参数化方案对模式系统性误差的贡献，为模式改进提供科学依据。

自2021年诺贝尔物理学奖获得者真锅淑郎等人于1969年首次建立了涵盖全球大气、海洋等分系统的耦合模式以来，海气耦合模式一直是进行气候研究的重要工具。然而，即使是最新发布的耦合模式结果，与观测之间仍存在较大的系统性差异，这些误差严重制约了模式对当前气候模拟和未来气候变化预估的能力，并直接影响到联合国政府间气候变化专门委员会评估报告的可信度。海洋垂向混合参数化方案存在很大的不确定性，是一个公认的重要误差来源。这是由于当前气候模式采用基于物理经验关系的参数化方案，很难准确地刻画好观测到的海洋垂向湍流热交换过程。因此本项目针对CMIP/OMIP模式结果中的系统性误差，结合湍流微尺度和Argo观测资料，探讨参数化方案与模式误差的内在关联。同时采用观测反算、细尺度参数化方法以及深度学习技术，优化参数化方案中的关键参数，设计了性能更优、泛化能力较强的参数化方案，最终实现提升气候模式性能的目标。