《Journal of Great Lakes Research》：Sensitivity of circulation, thermal structure, and transient features to surface forcing in a Lake Erie FVCOM model
编辑推荐：
研究FVCOM模型在湖Erie的敏感性，对比两个表面风强迫数据集发现显著差异，影响模型热力学结构、水循环及瞬态现象，强调数据同化（DA）对提升预测精度的重要性。
大卫·拉塞尔|马修·J·霍夫曼|伊代香代
应用数学与统计及科学计算项目，马里兰大学，校园大道4176号，大学公园，MD 20742，美国
摘要
伊利湖是五大湖中城市化程度最高、生物生产力最强的湖泊，目前有多个运行中或半运行的系统用于生成水温和水流、水位、湖冰、有害藻华以及湖泊底部缺氧状况的模型预报。由于伊利湖相对较浅且湖面上的风观测数据较少，这些预报中的主要误差来源可能是表面风强迫的误差。本研究调查了2016年版本的FVCOM模型对用于驱动模型的表面风强迫的敏感性。使用两种不同的风强迫数据集对模型进行了一年的模拟，结果发现模型环流、温跃层形状和深度以及潮汐和近惯性振荡等瞬态现象存在显著差异。这些结果突显了具有风驱动环流的湖泊在长期和短期预报方面面临的一些挑战，并指出了利用数据同化（DA）来调整预报初始化以更准确地匹配近期观测数据的重要性——这一方法尚未应用于五大湖的运行预报系统中。未来将探讨在伊利湖中使用基于集合的数据同化系统。
引言
五大湖运行预报系统（GLOFS，Schwab和Bedford，1994年；Anderson等人，2018年）生成基于模型的水温、水流速度和水位预报，以及适用情况下的湖冰浓度、厚度和速度预报。该系统目前使用了四个基于有限体积社区海洋模型（FVCOM；Chen等人，2003年；Chen等人，2011年）的独立运行的水动力模型，并与海冰模型UG-CICE（Gao等人，2011年）耦合。自由表面的大气边界条件来自两个来源：对于即时预报（当前时间前24小时的数据），使用美国国家海洋和大气管理局（NOAA）的高分辨率快速更新（HRRR）模型（Dowell等人，2022年）的1小时预报；对于5天预报（从即时预报开始），则使用国家数字预报数据库（NDFD）的预报（与NOAA-COOPS的Todd Ehret的个人交流，2025年）。2016年，GLOFS进行了重大升级，旧的普林斯顿海洋模型（POM）被FVCOM模型取代，后者采用非结构化网格上的有限体积方法，在需要高分辨率的区域（如浅水盆地或复杂海岸线附近）能够实现高分辨率。这些模型还用于季节性相关预报系统，例如伊利湖有害藻华预报（Rowe等人，2016年）和伊利湖实验性缺氧预报（Rowe等人，2019年）。自2016年以来，随着新版组成模型的发布，GLOFS持续改进，本文写作时使用的是FVCOM 4.4.7版本和HRRR 4.1版本。
尽管GLOFS模型表现良好，但由于模型本身（例如简化假设、物理定律的离散化、次网格尺度过程）以及模型使用的初始和边界条件中的误差，任何独立运行模型的预报都不可避免地存在误差。这些不同误差来源的相对重要性取决于具体系统。例如，在全球大气中，初始状态的误差非常重要，因为系统中的不稳定性可能导致这些误差迅速扩大。在数值天气预报中，长期以来一直通过数据同化（DA）来解决这个问题，即定期调整和重新初始化模型状态以更准确地匹配近期观测数据。目前，GLOFS尚未使用DA来重新初始化模型状态，因此预报误差可能会不受控制地扩大，尤其是在表层以下，因为表层通量的变化影响可能传播缓慢。
伊利湖是五大湖中城市化程度最高、生物生产力最强的湖泊，同时也是最浅的湖泊，因此与其他湖泊相比，表面边界条件（尤其是风强迫）的误差很可能是预报误差的主要来源，在其他湖泊中，密度驱动的水流起着更重要的作用（Beletsky等人，1999年）。在转向FVCOM模型后，伊利湖运行预报系统（LEOFS，GLOFS的一个组成部分）的回溯和即时/预报评估报告显示某些地点的温度和水位与观测值存在显著偏差，这主要归因于风强迫的误差（Kelley等人，2018年；Xu等人，2018年）。Rowe等人（2019年）使用相同的FVCOM模型研究中央盆地缺氧情况，发现温跃层的深度和形状对所使用的风强迫数据集的选择非常敏感，关于哪种数据集能更接近观测到的温度和溶解氧剖面得出了不同的结论。这与其他研究结果一致，这些研究表明温跃层的形状（即碗状或圆顶状）取决于风应力旋度是气旋性的还是反气旋性的，无论是在观测数据中还是在基于POM的模型中（Beletsky等人，2012年；Beletsky等人，2013年）。鉴于这些结果，以及伊利湖与天气（湖效应雪、潮汐引起的洪水）和环境压力（有害藻华、缺氧、入侵物种、塑料污染）相关的持续问题，近年来人们越来越关注使用DA来改进LEOFS（Ye等人，2020年）。作者即将发表的论文将进一步探讨基于集合的数据同化方法以改进LEOFS的即时预报。
本研究通过更全面地分析夏季（有害藻华和缺氧底部水域容易发生的月份）自由运行FVCOM模型中风强迫误差导致的模型状态误差的性质和程度，为这一目标铺平了道路。与以往仅验证模型与观测数据的一致性不同，本研究深入探讨了文中使用的两种表面风强迫数据集对2016年版本LEOFS模型的影响。首先，通过为期四个月的敏感性实验评估了模型温度、速度和自由表面高度对表面风强迫的响应时间，各强迫变量的相对影响，以及初始化与强迫差异的相对影响。然后，通过平均场和经验正交函数（EOF）分解（Jolliffe，2011年）比较了这两种数据集的影响。使用每种数据集进行了为期一年的自由模型运行（包括春季转换和分层开始的几个月），并比较了它们对模型环流和热结构在6月至8月期间的影响，以及它们对两种亚24小时时间尺度上的瞬态现象（潮汐和近惯性振荡）的影响（Boyce和Chiocchio，1987年；Saylor和Miller，1987年；Rao等人，2008年）。这项分析本身就很有趣，同时为即将发表的关于数据同化的论文奠定了基础，在该论文中，通过一系列观测系统模拟实验（OSSEs）进行测试，其中一个场作为“真实”风场，另一个作为“错误”风场。在该研究中，基于集合的数据同化系统尝试利用使用真实风场的模拟观测数据（“自然运行”）来纠正主要由错误风引起的预报误差，并结合基于两种风场的EOF分解的强迫集合。
本文的结构如下：第2节介绍模型、表面风强迫数据集和实验设置；第3节展示了初步敏感性实验的结果，详细分析了两种风强迫数据集，并通过平均场和多个地点的时间序列的EOF和谱分析比较了这两种数据集驱动的两年自由模型运行的结果；第4节总结了主要发现及其对预报的意义，并指出了使用数据同化系统（如作者即将发表的论文中提出的系统）增强预报模型的重要性。
部分摘录
预报模型
本研究中使用的伊利湖FVCOM模型由NOAA的五大湖环境研究实验室（GLERL）提供。FVCOM版本（3.2.0）和配置是LEOFS在2016年使用的情况，当时尚未耦合海冰模型。FVCOM采用有限体积方法（Eymard等人，2000年）在具有地形跟随垂直坐标的非规则水平网格上求解流体流动的3D原始方程（动量、连续性、温度、盐度、密度）的积分形式。
模型和强迫变量的敏感性
作为理解模型对表面风强迫敏感性的第一步，本文展示了第2.3节和表1、表2中描述的为期四个月的模型敏感性实验的结果。对于HS和IS运行，绘制了空间均方根差异（RMSD）的时间序列，以确定（i）HS运行中的每个变量达到接近HL状态所需的时间，以及（ii）仅由风强迫引起的HS与HL差异的大小。
结论
本研究调查了2016年版本的伊利湖FVCOM模型对夏季大气表面风强迫数据集选择的敏感性，此时湖泊发生两种最重要的潜在危害——有害藻华和缺氧底部水域。2017年全年使用两种不同的表面风强迫数据集驱动模型：一种来自NOAA的HRRR模型，另一种基于地面观测数据。
作者贡献声明
大卫·拉塞尔：写作——审阅与编辑、撰写初稿、可视化、软件开发、方法论研究、数据分析、概念构思。马修·J·霍夫曼：写作——审阅与编辑、监督、软件开发、资源管理、方法论研究、数据分析、概念构思。伊代香代：写作——审阅与编辑、监督、项目管理、方法论研究、数据获取、概念构思。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢Eric Anderson和NOAA GLERL提供FVCOM模型及初始化和强迫数据集，以及Stephen Pawson和NASA的全球建模与同化办公室（GMAO）在写作过程中的支持。本研究使用了圣地亚哥超级计算中心（SDSC）的Comet和Expanse计算集群，通过高级网络基础设施协调生态系统：服务与支持（ACCESS）计划分配的OCE150006号资源。
