评估 Moana 业务化预报系统同化创新的 Mangōpare 渔船观测数据在新西兰 Aotearoa 的应用

《Journal of Marine Science and Engineering》：An Assessment of the Moana Operational Forecast System Assimilating Innovative Mangōpare Fishing Vessel Observations in Aotearoa, New Zealand Joao Marcos Azevedo Correia de Souza and Carine de Godoi Rezende Costa

　　

新西兰 Aotearoa 周边的沿海海域是全球海洋中观测最少的区域之一，这限制了研究人员监测和预报海洋状况的能力。Moana 项目通过一个新的观测系统来解决这一差距，该系统包括安装在商业渔具上的温度传感器——Mangōpare 渔船 (Fishing Vessel, FV) 网络。本研究首次评估了新西兰业务化海洋四维变分数据同化 (4D-Var) 系统，该系统将这些 FV 观测数据纳入一个区域海洋模型 (Regional Ocean Model, ROMS) 中。利用仅一年多时间的业务化预报，研究人员表明，FV 温度剖面显著改善了次表层温度的表征，尤其是在卫星产品存在暖偏差或缺失关键特征（如上升流和中尺度变率）的沿海区域。同化 FV 数据减少了整个上层海洋的背景温度偏差，并增强了受主要洋流和动态沿海过程影响区域的预报技能。研究人员还识别出对卫星海表温度 (Sea Surface Temperature, SST) 缺失时期的敏感性，这可能导致对可用观测的过拟合。总体而言，结果证明 FV 观测提供了关键的次表层信息，并能显著加强业务化沿海海洋预报系统。

**论文解读：同化 Mangōpare 渔船观测数据提升新西兰沿海业务化预报性能**

**研究背景与问题**
全球海洋观测系统在沿海和陆架海域存在显著空白，Argo 计划中的剖面浮标无法覆盖水深小于 1000 m 的区域，而这些区域承载了大部分经济活动。观测不足导致次表层数据同化模型在陆架区域的精度难以评估，进而影响对极端事件（如海洋热浪 (MHW) 和海洋寒潮 (MCS)）的预报能力，可能造成严重的生态和经济损失。为填补这一空白，Moana 项目与新西兰 (Aotearoa) 渔业合作，开发并部署了基于商业渔具的 Mangōpare 温度传感器网络，旨在提供稳定的次表层观测。本研究旨在首次评估将此类创新渔船 (FV) 观测同化入区域业务化海洋四维变分数据同化 (4D-Var) 系统后的性能，验证其对沿海海洋预报的改进作用。论文发表在《Journal of Marine Science and Engineering》。

**主要关键技术与方法**（不超过250字）
研究人员采用了以下核心技术方法：区域海洋模型 (ROMS, 版本 3.9) 配置于新西兰高分辨率域（约 5 km，467×397 网格），嵌套于 Mercator 全球海洋分析与预报产品，使用 ECMWF IFS 大气强迫，并加入 TPXO 潮汐谐波；四维变分数据同化 (4D-Var) 方案，采用 3 天同化窗口、5 个内循环和 1 个外循环，背景误差协方差来自 25 年自由积分；观测系统包括 Mangōpare 原位温度剖面（约 250 艘渔船）、OSTIA 卫星海表温度 (SST) 及沿轨卫星海面高度 (SSH) 数据（来自 Copernicus）；系统运行于高性能计算 (HPC) 集群，每日生成 7 天预报，分析输出归档近 7 天结果。样本来源覆盖新西兰 Aotearoa 周边海域，观测数据源自 Mangōpare 传感器（商业渔具搭载）。

**研究结果**
**数据同化系统的整体评估**：通过分析创新（观测-背景）与增量（分析-背景）时间序列（图 2）以及成本函数最小化比率（图 5），研究人员发现：同化 Mangōpare 温度观测有效减小了上层海洋的温度偏差（增量小于创新），并显著削弱了季节性和区域性的暖偏差；OSTIA SST 产品在近岸区域（尤其北岛）存在持续暖偏差，最大差值可达 ±2.5 °C 甚至 10 °C（图 4），且缺失关键过程如上升流和中尺度涡旋；当 OSTIA SST 数据因获取故障缺失时，系统可能出现过拟合，表现为成本函数比率异常降低（如 2024 年 7 月），并降低同化精度（表 2）。

**分析增量的地理分布**：通过绘制 SSH 和 SST 的改进度图（图 6）以及原位温度剖面改进度图（图 7）和平均差/标准差图（图 8、图 9），研究人员得出：SSH 分析在全域优于背景，西海岸和主要洋流区（如 East Auckland Current、Southland Current）改进显著（>15 cm 或 ~10 cm）；SST 改进主要出现于近岸和边界区域（~0.1 °C），但在 Cape Reinga 和 East Cape 等上升流区因 OSTIA 误表示而显示负值；原位温度在 0–100 m 层改进约 0.25–0.3 °C（较观测偏暖），在 100–500 m 和 500–1000 m 层改进明显（图 7），尤其在高变率区域（如 East Cape 东海岸）改进幅度可达 5–10 倍于 SST 负值；标准差值在高变区域较大（图 9），反映出同化对背景误差的约束作用。

**总结讨论与结论翻译**
**总结讨论**：Mangōpare 传感器提供了前所未有的海洋内部观测覆盖，填补了 Argo 浮标无法触及的浅水区域空白，与渔业合作实现了观测与预报用户的双向增益。然而，业务化系统仍以卫星 SST 为主要数据源（数量级高于其他类型），其近岸精度问题及获取中断可能导致过拟合。未来应替换为 L3 SST 来源并增强数据获取冗余，同时考虑纳入微波 SST、Argo 浮标及沿岸固定观测。观测系统与数据同化业务化预报必须协同发展，以提升海洋安全和蓝色经济服务能力。

**研究结论**（翻译自论文第 4 节）：Mangōpare 传感器提供的海洋内部前所未有的大量观测及其广阔的地理覆盖，为新西兰 Aotearoa 周边的海洋业务化预报带来了阶跃性改进。大多数预报系统依赖 Argo 剖面浮标提供关于海洋次表层温度结构的信息。尽管这些观测是全球海洋观测系统的基石，但它们对区域应用存在显著局限，因为其覆盖范围无法延伸至水深 1000 m 以下的浅水区。与渔业合作部署的 Mangōpare 传感器填补了这一覆盖空白，同时与观测和预报的重要最终用户建立了牢固关系。结果产生了更好的分析和预报，如图 2、图 6 和图 7 中的改进指标所证明。参考文献 [29] 强调了覆盖（而非单纯观测数量）对于改进模型结果的重要性。尽管研究人员无法在当前分析中证明这一点，但 Mangōpare 观测提供的区域覆盖对于设置海洋热浪的发展和可预报性环境很重要，如参考文献 [45] 所示。然而，表面观测仍然构成大多数海洋预报系统同化数据的主体。在本系统中，来自 OSTIA 的 SST 在数量上高出任何其他观测类型约一个数量级。与近表层原位温度观测的比较引发了对该产品在新西兰 Aotearoa 沿海海域准确性的担忧。此外，观测获取时间上的黑障导致模型可能对原位观测过度拟合，从而潜在降低解的质量。未来工作应包括用 L3 观测源替代 OSTIA SST，并加强数据下载稳健性以避免黑障。拥有多个 SST 来源有助于避免该观测类型的完全中断。应研究纳入微波获取的 SST，考虑到新西兰 Aotearoa 上空频繁且大范围的云覆盖。此外，纳入 Argo 浮标和其他近实时观测源（如沿海站和锚系传感器）有望提高开阔水域和沿海区域的分析精度。海洋观测系统与数据同化业务化预报必须齐头并进，因为两个前沿的创新为彼此提供关键信息，并有助于改善对海洋安全和蓝色经济至关重要的服务。