地球系统模式理论与技术研究综述

秦昆; 周扬; 黄静; 刘娟; 喻雪松; 高牧寒; 刘东海; 高谢庆

doi:10.20125/j.2097-2245.202301004

华南地理学报 >

2023 , Vol. 1 >Issue 1: 36 - 50

DOI: https://doi.org/10.20125/j.2097-2245.202301004

理论前沿

地球系统模式理论与技术研究综述

秦昆 ^,¹ ,
周扬 ^,¹ ,
黄静 ² ,
刘娟 ² ,
喻雪松 ¹ ,
高牧寒 ¹ ,
刘东海 ¹ ,
高谢庆 ¹

展开

^1. 武汉大学遥感信息工程学院，武汉 430079
^2. 北京应用气象研究所，北京 100029

周扬（1996-），男，山东青岛人，博士生，研究方向为时空大数据分析、空间人文社会地理计算、地球系统模式。E-mail： zhouyang0612@whu.edu.cn

秦昆（1972-），男，湖北随州人，教授，博士，研究方向为时空大数据分析、空间人文社会地理计算、地球系统模式。E-mail：qink@whu.edu.cn

收稿日期: 2023-01-05

修回日期: 2023-04-06

网络出版日期: 2023-06-25

基金资助

国家自然科学基金项目(42171448)

收起

Review on the Theories and Technologies of the Earth System Model

QIN Kun ^,¹ ,
ZHOU Yang ^,¹ ,
HUANG Jing ² ,
LIU Juan ² ,
YU Xuesong ¹ ,
GAO Muhan ¹ ,
LIU Donghai ¹ ,
GAO Xieqing ¹

Expand

^1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
^2. Beijing Institute of Applied Meteorology, Beijing 100029, China

Received date: 2023-01-05

Revised date: 2023-04-06

Online published: 2023-06-25

Fold

摘要

地球系统模式是理解过去气候与环境演变机理、预估未来潜在全球变化情景的重要工具，是集成地学相关研究的重要平台，已经成为国际前沿课题。地理信息科学的研究对象正在从传统的地球表层向整个地球系统发展，文章从地球信息科学的视角，对地球系统模式理论与关键技术进行综述分析，包括：地球系统模式关键概念及各分量关系、地球系统模式关键技术分析（包括数值模式与求解方法、参数化方法、高性能计算方法、海量数据存储方法等）、地球系统模式关键数据分析（包括美国、欧洲、日本和中国的再分析数据等）、地球系统模式预报方法分析（包括集合预报、多尺度预报、智能预报、高时空分辨率预报等）。最后，对地球系统模式研究的未来发展趋势及应用前景进行了展望。

关键词： 地球系统模式; 地球圈层; 数值模式; 再分析; 地球系统模式预报

本文引用格式

秦昆 , 周扬 , 黄静 , 刘娟 , 喻雪松 , 高牧寒 , 刘东海 , 高谢庆 . 地球系统模式理论与技术研究综述[J]. 华南地理学报, 2023 , 1(1) : 36 -50 . DOI: 10.20125/j.2097-2245.202301004

Abstract

Earth System Model (ESM) is a set of important tools to understand the mechanism of historical climate change and environment evolution, to forecast the future potential global change, and it is an important platform to integrate related researches about geosciences. The research object of geographic information science is developing from the traditional earth surface to the entire earth system. This paper summarizes and analyzes the theories and key technologies of the earth system model from the perspective of geographic information science. It includes basic concepts of the earth system model and their component relationships, the key technologies of the earth system model (including numerical model and solving methods, parametrization methods, high performance parallel computation methods, data storage methods for mass data, and so on), critical data of the earth system model (including the reanalysis data from the United States, Europe, Japan, and China), and the forecast methods of the earth system model (including ensemble forecast, multiscale forecast, intelligent forecast, high spatiotemporal resolution forecast). Finally, the paper prospects the future development trend and application prospect of the earth system model research.

Key words： earth system model; geospheres; numerical model; reanalysis data; forecast of the earth system model

地球系统模式是理解过去气候与环境演变机理、预估未来潜在全球变化情景的重要工具^［1］。地球系统模式是集成地学相关研究的重要平台，地球系统模式的出现是地球系统科学发展进程的一个重要里程碑，其发展水平及模拟能力的高低已经成为衡量一个国家地学综合水平的重要标志。地球系统模式涉及的学科领域非常广泛，不仅涵盖地球科学各领域，而且与计算机科学密切相关。一个国家地球系统模式的有无及模拟性能的好坏，不仅仅是反映该国的地球科学研究能力，在一定程度上还体现着该国综合科学技术水平的高低^［1］。地球气候系统模式是开展多学科、多圈层集成研究的重要平台，其发展是国际地学领域特别是全球变化领域竞争的前沿^［2］。

地球系统模式，特别是气候系统模式的发展已经成为国际前沿研究课题，世界各发达国家纷纷制定了各种气候系统模式乃至地球系统模式研究的计划，并投入巨资进行研究。例如，美国国家大气研究中心（National Center for Atmospheric Research，NCAR）于1994年提出了“通用气候系统模式研究计划（Community Climate System Model，CCSM）（1995—2000年）”，并于2000年延续该计划至2005年，并于2009年又进一步提出了“通用地球系统模式（Community Earth System Model，CESM）科学计划（2009—2015年）”。欧盟于2000年提出了发展“欧洲地球系统模拟网络”计划，包括“地球系统模拟集成”和“气候资料存储与分发”两个子计划。日本推出了两大气候研究计划：一是1997年开始的“全球变化前沿计划（Frontier Research System for Global Change，FRSGC）”^［3］，另外一个是同步启动的“地球模拟器（Earth Simulator）计划”。日本用“地球模拟器”来表征地球系统模式与高性能计算机的有机结合，作为地球系统科学研究的工具和地球系统科学不同学科分支相互交叉的重要平台^［1］，日本代表了本领域的最高水平^［3］。另外，澳大利亚、加拿大、挪威、韩国等国也都提出了各自的气候系统模式或地球系统模式的发展计划^［3］。中国的地球系统模式研发始于20世纪80年代，已有30多年的研究历史，目前已经进入快速发展期^［2］，在大气环流模式、海洋环流模式、陆面过程模式及其相互耦合等方面取得了令人瞩目的成绩^［1］。我国首个研制成功的地球系统数值模拟大科学装置——“寰”已于2021年在北京怀柔科学城落成。

传统的地球系统模式主要是指“气候系统模式”，即地球系统模式基础研究阶段的“物理气候系统模式”。目前国际上提到的地球系统模式实际上还不是严格意义上的“地球系统模式”，而应该是“地球气候系统模式”。发展物理气候系统模式的目的在于理解多圈层相互作用的物理规律。发展地球气候系统模式的目的，则是通过大气、陆地和海洋之间的能量、动量和物质交换，来了解地球能量过程、生态过程和新陈代谢的运行规律，并了解土地地表覆盖、土地利用变化和温室气体排放通过这些过程所引起的气候响应。

尽管生物地球化学模式、固体地球模式等模式分量取得了一定程度的发展，许多相关的理化过程仍需要进一步研究，以促进不同模式分量的耦合、推动地球系统模式的研发^{［2，4-5］}。在地球系统理论研究方面迫切需要开展地球系统多圈层的概念、理论的梳理，明确各模式分量的内涵与模式分量间的关系，为研究真正的、多圈层耦合的地球系统模式提供理论支撑。针对地球系统模式耦合的相关研究表明，在模式预报、物理框架、参数耦合等技术和方法层面还存在诸多亟待攻关的科学问题^［6-7］。地球系统模式研究迫切需要开展地球系统模式关键技术与模拟预报方法的梳理分析，以理清当前发展现状，为进一步开发适用于真正的地球系统模式模拟的预报方法和技术提供参考。伴随着地球科学观测水平的提升，地球系统各圈层的数据资料得以不断被扩充、丰富^［8］。因此，迫切需要对数据的最新发展情况开展梳理与总结，为后续的地球系统模式研究迭代优化提供更加丰富、完善的数据。

本文对地球系统模式的理论与技术进行全面梳理，综述分析地球系统模式的概念及各分量关系，分析地球系统模式的关键技术、关键数据和预报方法，最后对地球系统模式的未来研究和发展方向进行了展望，拟为地球系统模式的研究提供基础性参考。

1 地球系统模式的概念及各分量的关系

从气候系统模式开始，地球系统模式经历了长期的发展，逐渐从单一模式的研究转向多分量模式的耦合研究。本文以理清地球系统模式的关键概念为目标，讨论地球系统模式发展阶段、地球系统模式与地球系统以及地球系统模式各分量间的关系。

1.1 地球系统模式的概念及发展阶段

目前，大家比较认可的地球系统模式的概念为：地球系统模式是基于地球系统中的动力、物理、化学和生物过程建立起来的数学方程组（包括动力学方程组和参数化方法）来确定各个部分（大气圈、水圈、冰雪圈、岩石圈、生物圈）的性状，由此构成地球系统的数学物理模型，然后用数值的方法进行求解，编织成一种大型综合性计算程序，并通过计算机实现对地球系统复杂行为和过程的模拟与预测^{［1，6，9-11］}。由于地球系统科学的复杂性，这种工具对计算机内存和计算速度要求非常高，只有当今世界最先进的高性能计算机才有可能实现。地球系统模式是地球系统模式模拟及模式预报的前提和基础^［12-14］。

地球系统模式最初主要是指气候系统模式，后来伴随着地球科学各分支学科的不断发展、融合，地球系统模式逐渐由单一分量的模式转向多圈层耦合的地球系统模式，也就是目前的地球系统模式。以发展相对成熟的气候系统模式为中心，海洋模式、陆地-植被-河流联合传输模式等与气候相关的模式逐渐被融合进来，一些学者将这种融合发展的阶段称为“过渡阶段”^［1，15］。

目前对地球系统模式的研究中，一方面对固体地球、海洋等分量的模式研究取得了较大发展，另一方面这些分量模式与气候系统模式的耦合不断深化。例如，中国科学院研发了地球系统模式CAS-ESM（Chinese Academy of Sciences-Earth System Model），实现了包括地球物理气候系统（大气、海洋环流、海冰、陆表面过程）与生态环境系统（生物地球化学、动态植被、气溶胶与大气化学）的全耦合模拟^［16］。美国海洋和大气管理局（NOAA）下属的地球物理流体动力学实验室开发的地球系统模式GFDL-ESM（Geophysical Fluid Dynamics Laboratory-Earth System Model）的新版本模式中，包含了海洋环流模式、植被动力学模式以及陆地生物地球化学等分量的集成耦合，体现了地球系统模式向多圈层耦合的全新阶段发展的趋势^［4］。

地球系统模式从气候模式开始，不断融入其他地球系统模式分量的研究，逐渐发展为多圈层耦合的地球系统模式，体现了耦合程度不断加深的发展趋势。概括来说，地球系统模式的发展可以划分为3个阶段^［1，17］：（1）基础阶段：以地球流体（大气、海洋）为主体的物理气候系统模式阶段，其中的固体地球部分只考虑了地球表层的陆面物理过程。（2）过渡阶段：在物理气候模式的基础上考虑大气化学过程、生物地球化学过程和人文过程的地球气候系统模式阶段，具备对碳、氮等循环过程的定量描述能力，但物理气候系统模式的应用、评估、改进和完善仍然是这个阶段的重点。（3）成型阶段：在地球气候系统模式的基础上进一步考虑其与固体地球（地球板块移动及其引发的地形变化、地震、火山爆发等）和空间大气相互作用的相对完整的数值模式阶段，及真正意义上的地球系统模式阶段^［1］。

1.2 地球系统模式与地球系统

地球系统是指由大气圈、水圈、陆地圈和生物圈组成的有机整体系统。地球系统本身由众多子系统组成，如何表达这些子系统内部和系统之间的运行、驱动机制，进而探索地球的系统性变化机理，最终为解决全球环境变化问题提供经验，是目前针对地球系统科学研究的重要问题^［18-20］。

地球系统模式是对地球系统进行模拟、分析的数值模式，构建科学合理的地球系统模式，需要理清地球系统各圈层的结构，并把握各圈层间的相互作用。因此，针对地球系统模式的研究在关注圈层的能量转化过程、生态变化过程以及新陈代谢等过程的基础上，更加强调能量、动量和物质在不同圈层之间的交换和转化，关注跨多个时间和空间尺度的各种子系统的相互作用^［21-22］。

发展多圈层耦合的真正意义上的地球系统模式是定量考察地球流体运动与固体地球过程的相互作用以及空间天气对地球系统的影响等问题，以及预测全球性变化的重要依据^［1］。未来地球系统和地球系统模式的研究，将更加注重圈层的整体性与分量模式的关联耦合，为解决全球性的关键问题提供更加丰富的理论支撑。

1.3 地球系统模式各分量的关系

地球系统模式由多个子模式构成，涵盖了大气、海洋、陆面等多个圈层中相互作用的动力与物理过程，主要包括大气环流模式、大洋环流模式、海冰模式、陆面过程模式、地球生物化学模式、耦合器等分量^［1］。

各分量的具体说明为：（1）大气环流模式：地球系统模式最基本的分量模式之一，也是发展较早较为成熟的分量模式之一。国际上主要的大气环流模式采用格点框架和谱模式框架。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）自1990至2022年，先后发布的6次评估报告（IPCC AR1、AR2、AR3、AR4、AR5、AR6）中，都把大气环流的研究作为其中的重中之重来进行介绍。（2）大洋环流模式：地球模式的另一基础性分量模式。利用该模式可以模拟海流、涡旋等，可以再现局地海-气耦合引发的大尺度气候特征等^［1］。（3）海冰模式：海冰模式包括海冰动力学模型，可以用于计算海冰厚度分布和海冰强度，描述海冰冰面融池变化等^［1］。（4）陆面过程模式：陆面过程是指发生在陆地表层的所有物理、化学、生物过程，及其与大气、海洋的相互作用过程。陆面过程模式是指定量描述这些过程以及研究人类活动与环境相互作用的数学物理模式，并可以通过计算机实现仿真，是天气/气候/地球系统模式的核心组成部分^［23］。（5）地球生物化学模式：是地球系统动力学中最复杂和人们认识最少的部分，是综合陆地生态系统-大气过程研究（iLEAPS）的国际地圈-生物圈计划（IGBP）的重点研究对象。（6）耦合器：地球系统模式的关键模块，用于实现不同分量模式间的相互作用和系统集成，包括不同分量间的数据传递和不同模式间的数据插值等。

地球系统模式的各分量之间的关系可总结为“相互关联，彼此耦合”。其中，相互关联指各分量模式之间存在关联关系，例如，基于气候系统模式和海洋系统模式的模拟表明，温室气体排放带来的全球变暖与海温异常变化存在关联，而大洋环流也可能导致沿海地区气温的变化。相互耦合则是由于地球系统模式的不同分量之间彼此存在关联，某种分量模式发生变化可能对其他分量模式的某些特征产生影响。在当前的地球系统模式的研究中，相关研究人员大多都关注到了各分量之间的耦合关系，并在CAS-ESM、CNRM-ESM、GFDL-ESM等为代表的地球系统模式中得以体现^{［4， 16， 24-25］}。结合地球系统模式的发展阶段来看，尽管地球系统模式各分量之间的关联和耦合关系已得到比较充分的证明，未来仍有必要对各分量间耦合作用的机理、规律进行更加深入的挖掘和分析。

2 地球系统模式的关键技术分析

地球系统模式能够反映地球系统各圈层之间的相互作用，基于地球系统中的物理、化学、生物等过程建立数值模式，并结合一定的物理参数化方法，能够为模拟、预测地球系统的复杂行为提供方法基础与技术支撑。地球系统模式的关键技术包括：地球系统的数值模式与求解方法、地球系统模式的参数化方法、地球系统模式的高性能并行计算技术、地球系统模式的海量数据存储管理技术等。

2.1 地球系统模式关键技术发展现状

地球系统的大气、海洋、固体地球等圈层中包含了复杂的性状特征与运动变化规律，相关研究人员试图通过建立地球物理、动力、化学、生物等过程模型对其进行分析、理解，进而开展全球变化的预测分析^［26-28］。在相关技术方法中，数值模式提供了丰富的数值表达与模型构建方法，可以用于刻画地球系统中的复杂过程，逐渐发展为地球系统模式的核心技术。然而由于地球系统物理、化学、生物等过程中分辨率、非线性等问题，增加了模型构建、参数分析等方面的不确定性，限制了模式的表达和求解；一种可行的方法是引入成熟的参数化方案对相关的复杂效应、过程等进行表达，使其便于计算与求解^［29-31］。地球系统模式领域的学者开展了丰富的参数化研究工作，促使参数化方案成为地球系统模式计算与求解的一项重要技术支撑。

随着观测水平的提升，地球系统模式研究领域积累了海量的时空大数据，如何高效地应用相关数据开展地球科学的长周期观测、复杂规律挖掘与计算分析等，成为地球系统模式研究面临的又一关键科学问题^［32-34］。为解决这一问题，研究人员主要从数据存储和计算效率入手，提出多级信息网格、分层存储管理等面向海量数据的存储管理技术，形成了面向长期大尺度地球空间观测数据的存取体系^［35-36］；针对计算效率问题，通过部署云计算、超级计算机等高性能计算相关的软硬件架构，提升地球系统模式数值分析在面向大规模计算、海量并发时的处理能力，并通过并行计算等手段，将复杂的地球系统计算任务分解为可并行处理的子任务，从而进一步优化地球系统模式计算的能力^{［10， 37-40］}。通过将高性能并行计算与海量数据存储管理等技术引入地球系统模式研究领域，为构建起一套覆盖数据获取、处理、存取、计算的方法体系，有助于进一步拓展地球系统模式研究范围。

数值模式与参数化方案实现了复杂地球系统过程到可计算数理模型的转化，是地球系统模式研究的基础性技术；高性能并行计算提升了地球系统模式的计算效率，海量数据存储技术则为地球系统模式提供了更为强大的数据支撑，二者共同提升了数值模式与参数化的效率，进而提升了地球系统模式分析解决复杂问题的能力。

2.2 地球系统的数值模式与求解方法

地球系统模式数值模式是指针对地球系统中发生的各种动力学、化学、生物过程，经过数据采集、处理、模型拟合等操作，得到的可用于预测地球系统未来行为模式的数学模型。地球系统模式的数值模式求解方法是针对这些数学模型，探索利用数值方法对其进行求解。

目前，地球系统的模式研究包含了动力学方程、化学方程以及生物学方程等数值求解方程。动力学方程主要面向地球系统圈层中的动力学过程，利用数值模拟的方式进行建模分析。例如，Paek等^［41］基于回归模型和正交函数建模实现了厄尔尼诺现象的动力学分析；Pfahl等^［42］将降水过程中的热力学和动力学过程构造成导数方程实现了极端气候事件分析。化学方程主要用于分析地球系统中发生的化学反应，对其进行建模分析。例如，张思聪等^［43］基于耦合的常微分方程实现了临近空间大气化学过程的快速建模；Penenko等^［44］基于不确定性函数实现了对大气化学模型的数据同化方法的扩展，生物学方程侧重于刻画大气、海洋等各圈层中的生态过程，并通过数值模型对生态过程进行表达。例如，基于平流扩散方程将海洋生物的作用纳入海洋碳循环模式研究，基于质量平衡模型和不确定性分析Argo浮标数据实现海洋年际群落产量的分析^［45-46］。

针对地球系统数值模式中的相关方程，一种主流的求解思路是通过离散化的思想来对方程所表示的连续过程进行近似计算。目前，针对地球系统模式领域的离散化求解，主要包括谱方法、有限差分、有限元和有限容积等方法。有限差分是指用差商代替微商，从而近似求解微分方程各阶导数的相关方法。例如，Ying等^［47］基于二阶湍流闭合模型对湍流进行了数值模拟研究；Feng等^［48］开展了基于低阶数值方案的大涡流模拟研究，采用了有限差分的方法对连续过程进行求解。有限元是指对待求解的问题区域进行分解，使分解后的每个子区域都成为简单部分的一类方法。例如，基于有限元离散化对大气动力学模式的守恒特性进行了有效改善^［49］，在非流体静压沿海海洋模型上通过有限元方法优化实现了分析效率的提升^［50］。有限容积则是将计算区域划分为一系列不重复的控制体积，并在此基础上展开方程求解；Scholz等^［50］在有限体积海冰模型（FESOM2.0）的评估中得出有限体积法的引入是模型计算效率提升的重要原因，Lu等^［50-51］在潮汐动力学模拟方程的求解中引入了交错格网的有限体积方法。

数值模式及其求解方法没有绝对的优劣之分，应针对相应的时空特征和环境条件设计多种方案的组合试验，通过对照的方式确定针对某分量模式或某过程的最优方案。

2.3 地球系统模式的参数化方法

参数化作为对地球系统模式的模型、过程的表示，能够通过有限、具体的参数设置，对物理效应、过程等进行表达。地球系统模式中的参数化方法主要是针对地球系统模式特定分量中进行参数化建模，包括：积云对流参数化方案、微物理过程参数化方案、边界层参数化方案、陆面过程参数化方案、辐射传输过程参数化方案等。

积云对流过程是大气中十分重要的非绝热加热过程，与大气中其他过程存在着相互作用，积云对流参数化方案是对这类过程进行参数化建模。针对该参数化方法的方案主要有：Kain-Fritsch方案、Betts-Miller-Janjic方案和Grell-Devenyi集合方案等，以及在此基础上的改进方案^［52-54］。

微物理过程是在粒子尺度上发生的水汽、云、雨、雪等过程，针对这些过程进行参数化建模的方案即为微物理过程参数化方案。该领域发展比较充分的参数化方案主要来自于“天气研究和预报”模式（Weather Research and Forecasting，WRF），包括：Lin方案、WSM（WRF Single-Moment Microphysics）系列方案、WDM（WRF Double-Moment Microphysics）系列方案等，以及在此基础上提出的各种改进方案^［55-61］。

边界层参数化方案是对发生在高雷诺数绕流中紧贴物面的粘性力不可忽略的流动薄层，即边界层中过程的参数化建模。主要的边界层参数化方案包括：MYJ方案、BL方案、YSU方案等以及相关改进方案^［62-64］。

陆面过程参数化方案主要是面向陆面上发生的一系列过程，以及由于陆面与大气的差异而发生的物质、能量等交换过程的参数化建模。常用方案包括：CLM方案、SIB方案、BATS方案、RUC方案、TD方案、PX方案以及Noah方案及其优化方案等^［65-68］。

辐射传输过程方案主要研究由长波辐射、短波辐射的传输引发的能量分布以及天气过程等方面的参数化建模。发展较充分的方案包括：RRTMG方案、Dudhia方案、GFDL方案和CAM方案及相关优化方案^［69-72］。

2.4 地球系统模式的高性能并行计算技术

高性能计算在地球系统模式计算中具有广阔的应用前景。鉴于地球系统模式的相关数值模式及求解方法具有信息量大、实时性强、在物理和计算方法上具有可并行性等特点，应用高性能、并行的计算方法进行处理，将有助于提升地球系统模式的计算能力^［73］。地球系统模式的高性能并行计算体系比较庞大，涉及包括多核和众核架构、大规模并行处理机、GPU（图形处理器）计算、云计算等在内的多种要素。

多核架构是对多个计算引擎进行集成，众核架构集成的引擎可达数十个以上，有助于支撑地球系统模式的并行化计算。相较于单核、顺序的计算，多核、众核结构的引入，为并行化提供了可能，显著提升了计算的性能^［74-75］。

大规模并行处理机（MPP）的计算引擎数量达到了数百至数万个，其强大的计算能力使其具备为地球系统模式计算提供支撑的可能。一些依赖于传统的计算方式较难进行的工作如高时空分辨率、自适应规模的地球系统模式计算得以开展，并且随着现有计算平台对计算节点通讯能力、并行能力的优化，未来MPP的适用性有望进一步提升^［76-78］。

GPU计算相较于传统基于CPU的计算，在计算能力、性能方面均有提升，因而也有助于提高地球系统模式的计算效率。基于GPU内核运行短波传输方案、气候系统海洋模型等算法和模型，相较于仅依靠CPU内核计算，可取得高达数十倍的加速效果。

云计算通过高性能计算机的集成，能够凭借优质的计算资源实现对地球系统模式的高效计算。基于云计算开发数值天气预报、WRF模式等较为复杂的模式计算已能够比较高效地实现，并有潜力对更多的地球系统模式计算场景提供支撑^［79-80］。

2.5 地球系统模式的海量数据存储管理技术

随着地球系统模式计算方法的不断进步与相关数据的不断累积，如何高效地存储、利用这些海量数据成为亟待解决的重要问题。需要从存储架构、数据管理、数据并发和数据服务等多个方面进行合理的规划与设计。

存储架构需要解决地球系统模式的海量数据采用何种形态和机理的系统进行管理，当前主流的方法是采用分布式的系统架构进行管理。例如，基于Hadoop分布式系统能够实现气象数据的高效管理^［81］，基于Hadoop和Spark实现了对地球科学大数据的有效管理等^［82］。

随着时间推移，地球系统模式历史数据的价值也可能随之变化，因此需要在数据的生命周期内对其按照价值进行合理的存储资源分配，实现有效的数据管理。在相关的管理方法中较为主流的方法是分级管理，核心是将价值较高的数据存储在优质的存储资源上，而将一般的数据存储在普通资源上。国家气象信息中心和欧洲中期天气预报中心等机构在进行气象信息数据存储、共享时均提出了这一思想，并开展了相关研究与实践^［83-85］。

数据并发是地球系统模式海量数据存储管理面临的又一关键问题，其主要目的是避免出现逻辑错误与服务崩溃等致命性问题，同时提升相关系统的效率。例如，基于WRF模型的雷达数据反演的研究表明多线程并发有助于效率提升^［86］，通过多线程并行提高了地面气象观测数据的入库效率^［87］。

对于地球系统模式的科学数据，应通过数据服务的提供，满足合理的科研与应用需要。目前应用于地球系统模式海量数据的服务包括：应用程序接口（API）调用、数据订单服务等，前者主要是通过访问API接口获取系统中的数据，如美国国家太阳辐射数据库（NSRDB）、欧洲中期天气预报中心ERA5数据等均提供API访问服务^［88-89］；后者是指对提交有效订单的用户提供数据^［90］。

3 地球系统模式关键数据分析

地球系统模式输入需要设置初始条件与强迫场等，这些数据包括常规观测数据、卫星观测数据等。如今，再分析计划发展迅速，同化了多源观测资料，具有时空覆盖广、格网化等优势，广泛应用于地球系统模式研究。再分析数据集是在资料同化系统和相关数据库基础上，对多源观测数据进行质量控制和同化等处理获取的综合性数据集。目前，主流的再分析数据主要来自于美国、欧洲、日本和中国等国家或地区。对再分析资料进行梳理，有助于为地球系统模式模拟、预报等科学研究提供丰富的基础数据。

3.1 美国的再分析资料

美国的地球系统模式再分析资料主要来自于美国国家环境预报中心（NCEP）、美国国家航空航天局（NASA）等。

NCEP提供的再分析资料主要包括4类：NCEP/NCAR、NCEP/DOE、NCEP CFSR以及NCEP CFSv2。NCEP再分析资料可对地球系统模式中的地形、气温、湿度、海洋温度、海冰分布、海平面高度等变量进行表征，可用于沿海波浪场模拟、年代际气候变化、地震灾害的预测等地球系统模式的模拟和预报，并能够进一步支撑“海-陆-气”多圈层的变化模拟研究^［91-93］。

NASA提供的再分析资料为“现代研究与应用回顾分析”（MERRA），主要是将NASA地球观测系统中的卫星观测数据应用到气候变化领域，其能够提供的地球系统模式模拟资料包括地形、气温、湿度和温室气体含量等。MERRA的再分析资料主要应用于降水、气温以及地表特性变化的模拟分析，如基于MERRA数据实现了中亚降水量的模拟^［94］；研究表明MERRA数据能够在高原的气候特征分析上发挥作用^［95］；将MERRA再分析资料与遥感反演数据进行结合，实现了对土壤湿度特性的模拟分析等^［96］。

总体上，NCEP系列和MERRA系列再分析资料在地球系统模式的模拟分析中都能够提供良好的支持，但前者涉及“海-陆-气”等多圈层的变量，而后者主要面向大气和陆地圈层。

3.2 欧洲中期天气预报中心（ECMWF）再分析资料

欧洲发布的地球系统模式再分析资料主要来自于欧洲中期天气预报中心（ECMWF），该中心发布的“ECMWF再分析”（ERA）系列数据是目前地球系统模式研究，特别是气候系统模式研究重要的再分析资料。ERA系列使用较为广泛的数据集是ERA-Interim和ERA5。

ERA-Interim是由ECMWF基于早期的大气模型改进而来，其中的核心变量主要面向海浪、陆面和大气领域。ERA-Interim能够支持地球系统中多个分量模式的研究。在海洋模式方面，ERA-Interim在波浪能流密度、波高与平均周期等参数上具有较好的模拟效果，可支撑长周期的海洋过程建模；对于陆面模式，ERA-Interim与遥感数据结合后可实现冻土状态、土壤含水量等变量进行长时间序列的模拟^［97-98］；在气候模式上，基于站点观测结果验证，ERA-Interim在反映气温、气压等气象参数的年际变化上具有良好的准确性^［99-100］。

ERA5是在ERA-Interim于2019年停止生产后进行接替的后继版本，是ERA系列目前最新的综合性再分析数据。相较于ERA-Interim，ERA5的时空分辨率有明显的提高，对对流层大气的模拟和预测能力得到了明显提升；对于海洋、陆面的变量如海温、海冰和土壤湿度等的预测精度有不同程度的提升^［89］。

总体上，作为地球系统模式研究发挥重要作用的两代ECMWF再分析资料，尽管目前仍有基于ERA-Interim开展的研究，考虑到ERA-Interim已停产的现状，未来的研究将更多地向ERA5进行转移。

3.3 日本气象局（JMA）再分析资料

日本发布的地球系统模式再分析数据主要由日本气象局发布，称为“日本再分析”资料（JRA）。JRA的数据资料主要分为两代，分别是涵盖25年（1979—2004年）的JRA数据JRA-25，以及涵盖55年期（1957年至今）的JRA数据JRA-55。

JRA-25是JMA早期推出的再分析数据集，主要侧重于气候的诊断分析与应用。JRA-25在降水、云层分析和风廓线等相关气候模拟场景中，仍具备一定的模拟精度^［101］。JRA-55相较于JRA-25，在同化方案和分辨率上均有升级，是一套更加全面的再分析数据集，主要面向气温、降水、地形等相关变量。相关研究^{［102-104］}表明，JRA-55能够胜任部分海洋环流模拟、大气季节内震荡、陆表冰雪融水径流模拟等地球系统中多个分量模式的模拟分析。

考虑到JRA-25数据在时间上至多支持到2004年，未来的地球系统模式模拟研究将更多地基于JRA-55开展。

3.4 中国的全球陆面/大气再分析资料

国外大气再分析计划发展迅速，我国此前相关业务和科研工作严重依赖国外的数据。但国外产品质量有限，时效上也很难满足我国业务与科研需求。由国家气象信息中心牵头，多部门、多单位参与协同创新，气象部门研发的我国第一代全球大气和陆面再分析产品（CRA-40）已于2021年5月13日在京正式发布，时间覆盖1979——2018年。以ERA5为基准，评估显示CRA-40与国际第三代全球大气再分析产品质量相当。

CRA-40作为新推出的大气再分析资料，目前仍在推广应用。现有研究主要针对大气与陆地变量。大气方面，CRA-40能较好地表征内蒙古地区降水量的时空变化特征^［105］，以及中国区域的总云量空间分布特征以及气压、气温、天顶对流层总延迟的日变化总体趋势^{［106-107］}。陆地方面，CRA-40在描述中国地表相对湿度的长期变化和差异方面表现较好^［108］；能提供全球或区域高分辨率土壤湿度产品，能较好地模拟季风区干、湿土壤的持续时段和土壤湿度变化振幅^［109］。CRA-40可为各地球系统模式提供基础数据，且相比于其他再分析资料，其在中国区域具有一定优势。

尽管我国的大气再分析计划相对起步较晚、再分析资料积累相对较少，但随着CRA-40再分析产品的发布，以及相关再分析计划的持续推进，未来我国在再分析资料以及地球系统模式研究的关键数据积累方面可以得到持续向好发展。

4 地球系统模式的预报方法分析

预报是地球系统模式研究的重要应用，包括数值天气预报、季节性和年际预测、气候变化分析等^［110］。这里综述集合预报与多尺度预报的研究进展，并重点分析地球系统模式预报的2个前沿发展方向：基于人工智能的地球系统模式预报、高时空分辨率的地球系统模式预报。

4.1 集合预报与多尺度预报技术

预报是指建立了地球系统数值模式以后，将某一时刻初始场通过积分得到未来时刻预报场的过程。传统的预报是决定式的，即给定一个确定的初始场，就会得到唯一的预报场。但是，在业务应用中，仅仅一个预报结果是不够的，我们还需要知道预报结果的可信度以及所有可能出现的未来状态^［111］。预报的结果是预报场的集合，这种方法就是集合预报。

集合预报的思想最早在大气研究中被提出^{［112-113］}。随着方法不断发展，其内涵也不断丰富。早期集合预报研究的重点在于如何模拟物理过程中的随机性，得到初始值的集合，再用这些初始值进行预报。具体方法是生成多个微小的初始扰动并叠加到初始场上，包括蒙特卡洛扰动法等随机扰动法、考虑动力学特征的快速增长模法，以及在资料同化之前就增加扰动的方法等^{［40，114-115］}。集合预报的另一类方法则不同，关注的是数值模式本身的不确定性，由于不同预报模式通常具有不同的动力框架和参数化方案，预报能力和偏差大小各有不同，因此可以构造数值模式的集合来处理同一初始场。具体方法有2类：一类是用单一模式，但是调整其中的参数，把参数当作随机变量或选用不同的参数化方案^{［116-117］}；另一类是多模式集成预报，即同时使用2个或2个以上的模式，这类利用统计理论与预报诊断、基于多个集合预报系统的多模式集成预报技术近年来得到了快速发展^［118］。完整的集合预报系统还包括集合预报产品的解释和应用，需要进行信息提炼^［119］。例如从多个预报值中提取平均值、中值，或刻画模式要素的发散程度和可信区间、计算概率等。

目前集合预报的研究重点在于多模式集成预报，这类方法增加了模式的不确定性，提高了集合离散度以及概率预报的可靠性，与其他集合预报方法相比具有更多优势，已得到了广泛的业务应用^［120］。整体上，集合预报是数值预报领域中主流的方法之一，经过近20年来的发展，各项技术细节研究都仍然展现出活力。现有的集合预报方法仍属于中尺度范畴，对不确定性的对流尺度集合预报技术的研究是未来重要的方向之一。

4.2 基于人工智能的地球系统模式预报技术

随着人工智能和深度学习的发展，相关技术在大气、海洋预报领域得到了广泛的应用，将人工智能技术用于模式的学习和预测，与数值预报十分契合。研究^［121］表明，深度学习具有从大量的高维时空分布气象海洋数据中提取复杂时空特征的能力，且具备计算效率高、可迁移性强、协同性和灵活性优等特点，相比传统模式预报技术具有很多优势。

以海浪预测为例，人工智能对海浪预测预报的研究大多是利用机器学习算法和神经网络对海浪进行预测。例如，用支持向量机建立海浪有效波高短期预测模型，对小数据集结果较好，可以有效解决预报中的非线性问题^［122］。较为复杂的深度学习模型如长短时记忆网络、循环神经网络、卷积神经网络等，在地球系统模式预报中的应用常见于海浪波高的预报研究^{［123-124］}。人工智能技术在短期临时天气预报和中短期预报中都得到了应用，并且取得了很好的效果^{［125-126］}。

综合分析人工智能在不同地球系统模式预报中的应用，可以发现广受推荐的深度学习模型在不同具体模式中都产生了好的效果。尽管如此，人工智能的解释性和物理约束的缺乏问题不可忽视。需要将人工智能自下而上的数据驱动模式，与地球系统物理模型自上而下的理论模式进行结合^［127］，从而提升智能化地球系统模式分析过程和结果的可解释性。

4.3 高时空分辨率的地球系统模式预报技术

传统的地球系统模式预报局限于特定的空间和时间尺度：在不同空间尺度上，如区域和全球尺度，模式的参数、网格的层级等都有所不同；在不同时间尺度上，如短期、中期、季节内尺度，预报的技术、使用的数据等也不一致。这是由于研究初期理论和算力的薄弱所致，必须切分为不同尺度来进行研究。现在则需要不断发展模式和模式预报的精细化、复杂化和多样化程度，改进模式动力框架，提高计算性能，以适应多目的的应用需求。在这方面，我国新一代多尺度数值预报系统GRAPES开发了多尺度通用模式动力框架及物理过程，建立了新一代全球/区域数值天气预报系统^［128］，并不断更新，提高水平分辨率与垂直分辨率、改进优化模式方案等^［129］。

高时空分辨率的模式预报技术与多尺度预报具有一定相关性，提高模式预报的时空分辨率有助于模糊尺度的界限。不仅如此，高分辨率资料同化和预报有更重要的实际应用场景。在这方面，使用高分辨率卫星遥感资料是一种有效的手段^［130］。例如气象卫星遥感观测能够提供覆盖全球的大气、海洋、地表和云况等大量信息。研究^{［131-132］}表明，将卫星遥感资料引入数值天气预报模式，可以极大提高模式预报的准确率。随着我国风云、高分等卫星技术不断发展，利用我国国产遥感资料实现高时空分辨率的模式预报的可行性逐步增加，其应用前景广阔，战略意义显著。

5 总结与展望

从气候系统模式起步，经历了数十年发展，地球系统模式从理论到方法、从技术到应用都取得了突破性进展，成为丰富地球科学研究、解决全球性问题的重要基础。面向地球系统模式理论与方法的前沿成果，本文从发展阶段、地球系统模式与地球系统的关系、各分量的关系梳理了地球系统模式的概念及各分量关系；基于数值模式与求解方法、参数化方法、高性能并行计算、海量数据存储管理分析了地球系统模式关键技术的进展；以再分析资料为基础，分析了中、美、日、欧等主要国家和地区的地球系统模式关键数据；同时根据集合预报、基于人工智能的预报技术、高时空分辨率预报技术对地球系统的预报方法进行了系统梳理，以期能够为地球系统模式未来的创新性研究和应用提供理论与方法层面的基础和参考。

地球系统模式的研究虽然取得了诸多进展，但是仍存在一些有待进一步解决的重要科学问题。例如，地球系统模式部分关键性数据共享政策、关键性技术的标准规范仍有待进一步明确^［133］，相关天气、气候的预报模式发展仍不充分等，这些问题都需要通过后续的理论与方法研究进一步解决和优化。未来地球系统模式在整体发展、概念研究、关键技术研究、关键数据分析和预报方法优化上，需关注以下5个方面的问题^{［1-2，5，17，134-135］}：

（1）在地球系统模式整体发展方面：应在现有的地球系统模式研究基础上采取迭代优化的连续性与继承性研究路线，在保持对发展成熟的模式分量持续优化的前提下，重点推进薄弱模式分量，推动耦合各分量的真正地球系统模式发展。地球系统模式的整体发展方向为：在保持气候系统模式持续迭代、优化发展的基础上，加大对生物地球化学模式、固体地球模式等模式分量的研究力度；进一步加强地球系统模式的耦合研究，推动地球系统模式的综合性巨系统深入发展。

（2）在地球系统模式概念方面：现有研究对发展真正意义上的“地球系统模式”、深入认知地球系统各圈层与地球系统模式各分量起到了推动作用，其中多圈层关联、多分量耦合的思想将有望在地球系统模式耦合器的发展上起到指导作用。地球系统模式关键概念和理论的未来研究方向为：在地球系统各圈层研究基础上进一步发掘圈层间的相互作用；充分挖掘地球系统模式各分量的关联，并进一步发展耦合的地球系统模式。

（3）在地球系统模式关键技术方面：数值模式与计算方法、参数化方案为模拟和预报提供了方法参考；高性能计算和海量数据存储技术提升了模式的效率，将进一步应用于模式设计与地球系统模式模拟系统的开发。地球系统模式关键技术的未来研究方向为：发展天气-气候一体化的动力框架及适合次网格尺度的参数化方案；各类数值模式、计算方法与参数化方案在精度、效率等方面仍有待继续提升；在性能方面，未来并行架构仍需进一步扩大，同时推动更多技术融合及新架构开发；存储上进一步向大容量、高速度、高安全性方向深化。

（4）在地球系统模式关键数据方面：再分析资料可广泛用于天气预报、模拟模式设计、模型参数验证等方面，再分析计划深受各国和各区域的重视，得到了各方的大力支持。地球系统模式再分析资料的未来发展趋势为：模式分辨率逐渐提升；同化方法越来越先进，同时向多维、复合方向改进；同化的观测资料数量与质量不断提升，各类观测资料占比将逐渐得到进一步优化；大气与其他过程的再分析也将逐渐更加深入地耦合。

（5）在地球系统模式的预报技术方面：现有预报技术在预估未来气候变化，服务于国家生态文明建设、全球变化和可持续发展的战略需求方面做出了贡献，未来仍需进一步增加相关投入以推进预报技术的发展：一方面，传统的集合预报技术将继续深化；另一方面，新技术如人工智能技术、大数据技术等高新技术将继续被吸收，并与预报领域进行更深入的结合，这也是建立新一代地球系统模式数值预报业务系统的关键。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	王斌, 周天军, 俞永强, 等. 地球系统模式发展展望[J]. 气象学报, 2008, 66(6): 857-869.

2	周天军, 陈梓明, 邹立维, 等. 中国地球气候系统模式的发展及其模拟和预估[J]. 气象学报, 2020, 78(3): 332-350.

3	罗勇, 王绍武, 党鸿雁, 等. 近20年来气候模式的发展与模式比较计划[J]. 地球科学进展, 2002, 17(3): 372-377.

4	Dunne J P, Horowitz L W, Adcroft A J, et al. The GFDL earth system model version 4.1 (GFDL-ESM 4.1): overall coupled model description and simulation characteristics[J]. Journal of Advances in Modeling Earth Systems, 2020, 12(11): e2019MS002015.

5	Lovato T, Peano D, Butenschön M, et al. CMIP6 simulations with the CMCC Earth system model (CMCC-ESM2)[J]. Journal of Advances in Modeling Earth Systems, 2022, 14(3): e2021MS002814.

6	Danabasoglu G, Lamarque J F, Bacmeister J, et al. The community earth system model version 2 (CESM2) [J]. Journal of Advances in Modeling Earth Systems, 2020, 12(2): e2019MS001916.

7	Zhang J A, Kalina E A, Biswas M K, et al. A review and evaluation of planetary boundary layer parameterizations in hurricane weather research and forecasting model using idealized simulations and observations[J]. Atmosphere, 2020, 11(10): 1091.

8	Horsburgh J S, Aufdenkampe A K, Mayorga E, et al. Observations Data Model 2: a community information model for spatially discrete Earth observations[J]. Environmental Modelling & Software, 2016, 79: 55-74.

9	Weber S L. The utility of earth system models of intermediate complexity (EMICs)[J]. Wiley Interdisciplinary Reviews: Climate Change, 2010, 1(2): 243-252.

10	Rasch P J, Xie S, Ma P L, et al. An overview of the atmospheric component of the energy exascale earth system model[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(8): 2377-2411.

11	Maher P, Gerber E P, Medeiros B, et al. Model hierarchies for understanding atmospheric circulation[J]. Reviews of Geophysics, 2019, 57(2): 250-280.

12	Xue Y, Palmer-Brown D, Guo H. The use of high-performance and high-throughput computing for the fertilization of digital earth and global change studies[J]. International Journal of Digital Earth, 2011, 4(3): 185-210.

13	Wang Y, Hao H, Zhang J, et al. Performance optimization and evaluation for parallel processing of big data in earth system models[J]. Cluster Computing, 2019, 22(1): 2371-2381.

14	Zhuang X, Min J, Zhang L, et al. Insights into convective-scale predictability in east China: error growth dynamics and associated impact on precipitation of warm-season convective events[J]. Advances in Atmospheric Sciences, 2020, 37(8): 893-911.

15	Washington W M, Buja L, Craig A. The computational future for climate and earth system models: on the path to petaflop and beyond[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2009, 367(1890): 833-846.

16	周广庆, 张云泉, 姜金荣, 等.地球系统模式CAS-ESM[J].数据与计算发展前沿, 2020, 2(1): 38-54.

17	Bonan G B, Doney S C. Climate, ecosystems, and planetary futures: the challenge to predict life in Earth system models[J]. Science, 2018, 359(6375): eaam8328.

18	Van Looy K, Bouma J, Herbst M, et al. Pedotransfer functions in earth system science: challenges and perspectives[J]. Reviews of Geophysics, 2017, 55(4): 1199-1256.

19	Steffen W, Richardson K, Rockström J, et al. The emergence and evolution of earth system science[J]. Nature Reviews Earth & Environment, 2020, 1(1): 54-63.

20	Runge J, Bathiany S, Bollt E, et al. Inferring causation from time series in earth system sciences[J]. Nature communications, 2019, 10(1): 1-13.

21	周天军, 邹立维, 吴波, 等. 中国地球气候系统模式研究进展:CMIP计划实施近20年回顾[J]. 气象学报, 2014, 72(5): 892-907.

22	Hurrell J W, Holland M M, Gent P R, et al. The community earth system model: a framework for collaborative research[J]. Bulletin of the American Meteorological Society, 2013, 94(9): 1339-1360.

23	戴永久. 陆面过程模式研发中的问题[J]. 大气科学学报, 2020, 43(1): 33-38.

24	Séférian R, Nabat P, Michou M, et al. Evaluation of CNRM earth system model, CNRM-ESM2-1: role of earth system processes in present-day and future climate[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(12): 4182-4227.

25	Sun Z, Gao X, Jiangbo J, et al. The improvements of the upper zonal currents by SST assimilation over the tropical pacific in a coupled climate model[J]. Frontiers in Earth Science, 2022: 362.

26	Hartmann A, Goldscheider N, Wagener T, et al. Karst water resources in a changing world: review of hydrological modeling approaches[J]. Reviews of Geophysics, 2014, 52(3): 218-242.

27	Meehl G A, Richter J H, Teng H, et al. Initialized earth system prediction from subseasonal to decadal timescales[J]. Nature Reviews Earth & Environment, 2021, 2(5): 340-357.

28	Morgenstern O, Hegglin M I, Rozanov E, et al. Review of the global models used within phase 1 of the Chemistry–Climate Model Initiative (CCMI)[J]. Geoscientific Model Development, 2017, 10(2): 639-671.

29	Donner L J, Large W G. Climate modeling[J]. Annual Review of Environment and Resources, 2008, 33: 1-17.

30	Pokhrel Y N, Hanasaki N, Wada Y, et al. Recent progresses in incorporating human land–water management into global land surface models toward their integration into Earth system models[J]. Wiley Interdisciplinary Reviews: Water, 2016, 3(4): 548-574.

31	Villalba-Pradas A, Tapiador F J. Empirical values and assumptions in the convection schemes of numerical models[J]. Geoscientific Model Development, 2022, 15(9): 3447-3518.

32	Baumann P, Mazzetti P, Ungar J, et al. Big data analytics for earth sciences: the EarthServer approach[J]. International Journal of Digital Earth, 2016, 9(1): 3-29.

33	Yao X, Li G. Big spatial vector data management: a review[J]. Big Earth Data, 2018, 2(1): 108-129.

34	Xia J, Wang J, Niu S. Research challenges and opportunities for using big data in global change biology[J]. Global change biology, 2020, 26(11): 6040-6061.

35	Perez R F, Perez O, Portela O, et al. Evaluation model for long term data archiving systems in the context of Earth Observation[C]//2011 IEEE 27th Symposium on Mass Storage Systems and Technologies (MSST). IEEE, 2011: 1-5.

36	李爽, 程承旗, 童晓冲, 等.基于多级信息网格的海量遥感数据存储管理研究[J].测绘学报, 2016, 45(S1): 106-114.

37	Dennis J M, Edwards J, Evans K J, et al. CAM-SE: a scalable spectral element dynamical core for the community atmosphere model[J]. The International Journal of High Performance Computing Applications, 2012, 26(1): 74-89.

38	Fu H, Liao J, Yang J, et al. The Sunway TaihuLight supercomputer: system and applications[J]. Science China Information Sciences, 2016, 59: 1-16.

39	Maronga B, Banzhaf S, Burmeister C, et al. Overview of the PALM model system 6.0[J]. Geoscientific Model Development, 2020, 13(3): 1335-1372.

40	Zhuang J, Jacob D J, Lin H, et al. Enabling high-performance cloud computing for earth science modeling on over a thousand cores: application to the GEOS‐chem atmospheric chemistry model[J]. Journal of Advances in Modeling Earth Systems, 2020, 12(5): e2020MS002064.

41	Paek H, Yu J Y, Qian C. Why were the 2015/2016 and 1997/1998 extreme El Niños different?[J]. Geophysical Research Letters, 2017, 44(4): 1848-1856.

42	Pfahl S, O’Gorman P A, Fischer E M. Understanding the regional pattern of projected future changes in extreme precipitation[J]. Nature Climate Change, 2017, 7(6): 423-427.

43	张思聪, 成巍, 王承志, 等.临近空间大气化学过程快速建模技术初探[J]. 空间科学学报, 2022, 42(1): 91-102.

44	Penenko A V, Konopleva V S, Golenko P M, et al. Uncertainty-function-based continuation framework in data assimilation algorithms for atmospheric chemistry models[C]//27th International Symposium on Atmospheric and Ocean Optics, Atmospheric Physics. SPIE, 2021, 11916: 1821-1827.

45	浦一芬, 王明星. 海洋碳循环模式(I)：一个包括海洋动力学环流、化学过程和生物过程的二维碳模式的建立[J]. 气候与环境研究, 2000(2): 129-140.

46	Yang B, Emerson S R, Bushinsky S M. Annual net community production in the subtropical Pacific ocean from in situ oxygen measurements on profiling floats[J]. Global Biogeochemical Cycles, 2017, 31(4): 728-744.

47	Ying R, Canuto V M. Numerical simulation of flow over two-dimensional hills using a second-order turbulence closure model[J]. Boundary-layer meteorology, 1997, 85(3): 447-474.

48	Feng S, Zheng X, Hu R, et al. Large eddy simulation of high-reynolds-number atmospheric boundary layer flow with improved near-wall correction[J]. Applied Mathematics and Mechanics, 2020, 41(1): 33-50.

49	Melvin T, Benacchio T, Shipway B, et al. A mixed finite-element, finite-volume, semi-implicit discretization for atmospheric dynamics: cartesian geometry[J]. Quarterly Journal of the Royal Meteorological Society, 2019, 145(724): 2835-2853.

50	Scholz P, Sidorenko D, Gurses O, et al. Assessment of the finite-volume sea ice-ocean model (FESOM2. 0)–Part 1: description of selected key model elements and comparison to its predecessor version[J]. Geoscientific Model Development, 2019, 12(11): 4875-4899.

51	Lu F, Konecny M, Chen M, et al. A barotropic tide model for global ocean based on rotated spherical longitude-latitude grids[J]. Water, 2021, 13(19): 2670.

52	Janjić Z I. Comments on “development and evaluation of a convection scheme for use in climate models”[J]. Journal of the Atmospheric Sciences, 2000, 57(21): 3686-3686.

53	Grell G A, Dévényi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophysical Research Letters, 2002, 29(14): 1-38.

54	Kain J S. The Kain–Fritsch convective parameterization: an update[J]. Journal of Applied Meteorology, 2004, 43(1): 170-181.

55	Lin Y L, Farley R D, Orville H D. Bulk parameterization of the snow field in a cloud model[J]. Journal of Applied Meteorology and Climatology, 1983, 22(6): 1065-1092.

56	Chen S H, Sun W Y. A one-dimensional time dependent cloud model[J]. Journal of the Meteorological Society of Japan. Ser. II, 2002, 80(1): 99-118.

57	Lim K S S, Hong S Y. Development of an effective double-moment cloud microphysics scheme with prognostic cloud condensation nuclei (CCN) for weather and climate models[J]. Monthly Weather Review, 2010, 138(5): 1587-1612.

58	张晓惠, 高志球, 魏东平. 简单生物圈模式(SiB2)中湍流能量通量对近地层两类阻抗系数的敏感性研究[J].大气科学, 2012, 36(5): 1053-1062.

59	蔡福, 明惠青, 米娜, 等. 陆面过程模型CoLM与BATS1e的模拟精度比较——以东北玉米农田为例[J].地理科学, 2014, 34(6): 740-747.

60	Bae S Y, Hong S Y, Tao W K. Development of a single-moment cloud microphysics scheme with prognostic hail for the Weather Research and Forecasting (WRF) model[J]. Asia-Pacific Journal of Atmospheric Sciences, 2019, 55(2): 233-245.

61	宁锋伟. 陆面过程模型CLM 5.0在高寒山区的适用性研究[D].兰州：兰州大学, 2022.

62	Bougeault P, Lacarrere P. Parameterization of orography-induced turbulence in a mesobeta-scale model[J]. Monthly Weather Review, 1989, 117(8): 1872-1890.

63	Janjić Z I. The step-mountain eta coordinate model: further developments of the convection, viscous sublayer, and turbulence closure schemes[J]. Monthly Weather Review, 1994, 122(5): 927-945.

64	Hong S Y, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Monthly Weather Review, 2006, 134(9): 2318-2341.

65	Dudhia J. A multi-layer soil temperature model for MM5[C]// The Sixth PSU/NCAR mesoscale model users’ workshop. National Center for Atmospheric Research Boulder, CO, USA, 1996: 22-24.

66	Smirnova T N, Sakhno O V, Tikhonov E A, et al. Self-processing photopolymers for holographic recording in spectral range 500 to 700 nm[C]. Optoelectronic and Hybrid Optical/Digital Systems for Image and Signal Processing. SPIE, 2000, 4148: 209-213.

67	Chen F, Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001, 129(4): 569-585.

68	Xiu A, Pleim J E. Development of a land surface model. Part I: Application in a mesoscale meteorological model[J]. Journal of Applied Meteorology and Climatology, 2001, 40(2): 192-209.

69	Fels S B, Schwarzkopf M D. The simplified exchange approximation: a new method for radiative transfer calculations[J]. Journal of the Atmospheric Sciences, 1975, 32(7):1475-1488.

70	Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. Journal of Atmospheric Sciences, 1989, 46(20): 3077-3107.

71	Iacono M J, Delamere J S, Mlawer E J, et al. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models[J]. Journal of Geophysical Research: Atmospheres, 2008, 113(D13).

72	Collins W D, Rasch P J, Boville B A, et al. Description of the NCAR community atmosphere model (CAM 3.0)[J]. NCAR Tech. Note NCAR/TN-464+ STR, 2004, 226: 1326-1334.

73	李俊醅, 庄子波. WRF 模式在 LINUX 集群系统的并行计算与评测[J]. 计算机技术与发展, 2012, 22(7): 5-8.

74	Iwata K, Tanaka Y, Nakamura R, et al. Optimization and performance evaluation of stereo-matching software on many-core processors[J]. Procedia Computer Science, 2011, 4: 1545-1553.

75	Londhe A, Rastogi R, Srivastava A, et al. Adaptively accelerating FWM2DA seismic modelling program on multi-core CPU and GPU architectures[J]. Computers & Geosciences, 2021, 146: 104637.

76	Clauer C R, Gombosi T I, Powell K G, et al. Development of an integrated predictive MHD space weather model from the solar surface to the Earth’s upper atmosphere[C]//COSPAR Colloquia Series. Pergamon, 2002, 12: 149-161.

77	Slingo J, Bates K, Nikiforakis N, et al. Developing the next-generation climate system models: challenges and achievements[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2009, 367(1890): 815-831.

78	普业, 李立娟. 高分辨地球系统模式的千核应用[J]. 科研信息化技术与应用, 2010, 1(4): 69-75.

79	陈晓燕, 姜蕊, 刘俊, 等. 云计算在数值天气预报中的应用[J]. 新型工业化, 2016, 6(10): 66-69.

80	Powers J G, Werner K K, Gill D O, et al. Cloud computing efforts for the weather research and forecasting model[J]. Bulletin of the American Meteorological Society, 2021, 102(6): E1261-E1274.

81	曾乐, 陈东辉, 肖卫青, 等. 基于Hadoop的气象数据存储检索应用研究[J]. 信息系统工程, 2014(8): 138-140.

82	Zhou S, Li X, Matsui T, Tao W. Visualization and diagnosis of earth science data through Hadoop and Spark[C]//2016 IEEE International Conference on Big Data (Big Data). IEEE, 2016: 2974-2980.

83	Gray P, Dixon D, Hoffmann G R. Large databases in a meteorological environment[C]//Applications of Optical Digital Data Disk Storage Systems. SPIE, 1984, 490: 34-38.

84	沈文海, 赵芳, 高华云, 等. 国家级气象资料存储检索系统的建立[J]. 应用气象学报, 2004, 15(6): 727-736.

85	李集明, 沈文海, 王国复. 气象信息共享平台及其关键技术研究[J]. 应用气象学报, 2006, 17(5): 8.

86	Liu X, Wu Z, Wang H. Inversion method of regional range-dependent surface ducts with a base layer by Doppler weather radar echoes based on WRF model[J]. Atmosphere, 2020, 11(7): 754.

87	曾行吉, 李莹, 宋瑶. 地面气象观测数据入库多线程并行设计与实现[J]. 气象研究与应用, 2017, 38(3): 3.

88	Sengupta M, Xie Y, Lopez A, et al. The national solar radiation data base (NSRDB)[J]. Renewable and Sustainable Energy Reviews, 2018, 89: 51-60.

89	Hersbach H, Bell B, Berrisford P, et al. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049.

90	刘阳成, 周俭, 谢玉波. 海量数据存储管理技术研究[J]. 微计算机应用, 2011, 32(10): 4.

91	黄刚. NCEP/NCAR和ERA-40再分析资料以及探空观测资料分析中国北方地区年代际气候变化[J]. 气候与环境研究, 2006(3): 310-320.

92	徐俊波, 周国祥, 沈轶杰, 等. NCEP震前异常增温数据插值及可视化方法[J]. 合肥工业大学学报(自然科学版), 2019, 42(9): 1199-1204+1257.

93	谭海燕, 邵珠晓, 梁丙臣, 等. ERA5风场与NCEP风场在黄海、东海波浪模拟的适用性对比研究[J]. 海洋通报, 2021, 40(5): 524-540.

94	胡增运, 倪勇勇, 邵华, 等. CFSR、ERA-Interim和MERRA降水资料在中亚地区的适用性[J]. 干旱区地理, 2013, 36(4): 700-708.

95	Wang A, Zeng X. Evaluation of multi-reanalysis products with in situ observations over the Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D5).

96	范科科, 张强, 史培军, 等. 基于卫星遥感和再分析数据的青藏高原土壤湿度数据评估[J].地理学报, 2018, 73(9): 1778-1791.

97	Zeng J, Li Z, Chen Q, et al. Evaluation of remotely sensed and reanalysis soil moisture products over the Tibetan Plateau using in-situ observations[J]. Remote Sensing of Environment, 2015, 163: 91-110

98	Obu J, Westermann S, Bartsch A, et al. Northern hemisphere permafrost map based on TTOP modelling for 2000-2016 at 1 km² scale[J]. Earth-Science Reviews, 2019, 193: 299-316.

99	高路, 郝璐. ERA-Interim气温数据在中国区域的适用性评估[J]. 亚热带资源与环境学报, 2014, 9(2): 75-81.

100	赵静旸, 宋淑丽, 朱文耀. ERA-Interim应用于中国地区地基GPS/PWV计算的精度评估[J].武汉大学学报(信息科学版), 2014, 39(8): 935-939+1008.

101	Onogi K, Koide H, Sakamoto M, et al. JRA-25: Japanese 25-year re-analysis project: Progress and status[J]. Quarterly Journal of the Royal Meteorological Society: a journal of the atmospheric sciences, applied meteorology and physical oceanography, 2005, 131(613): 3259-3268.

102	Suzuki T, Yamazaki D, Tsujino H, et al. A dataset of continental river discharge based on JRA-55 for use in a global ocean circulation model[J]. Journal of Oceanography, 2018, 74(4): 421-429.

103	Kikuchi K. Extension of the bimodal intra-seasonal oscillation index using JRA-55 reanalysis[J]. Climate Dynamics, 2020, 54(1): 919-933.

104	Nazeer A, Maskey S, Skaugen T, et al. Simulating the hydrological regime of the snow fed and glaciarised Gilgit Basin in the upper indus using global precipitation products and a data parsimonious precipitation-runoff model[J]. Science of the Total Environment, 2022, 802: 149872.

105	宋海清, 朱仲元, 李云鹏. 陆面同化及再分析降水资料在内蒙古地区的适用性[J]. 干旱区研究, 2021, 38(6): 1624-1636.

106	张德杰, 师春香, 张涛, 等. 多种资料的总云量产品在中国区域的对比分析[J]. 高原气象, 2022, 41(3): 803-813.

107	刘梦杰, 张卫星, 张镇驿, 等. CRA40在中国地区GNSS水汽反演中的适用性评估与分析[J]. 南京信息工程大学学报(自然科学版), 2021, 13(2): 138-144.

108	Zhang J, Zhao T, Li Z, Li C. Evaluation of surface relative humidity in China from the CRA-40 and current re-analyses[J]. Advances in Atmospheric Sciences, 2021, 38(11): 1958-1976.

109	刘维成,徐丽丽,朱姜韬,等. 再分析资料和陆面数据同化资料土壤湿度产品在中国北方地区的适用性评估[J]. 大气科学学报, 2022, 45(4): 616-629.

110	Chris H, Cecelia D, Balaji, et al. The architecture of the earth system modeling framework[J]. Computing in Science & Engineering, 2004, 6(1): 18-28.

111	杜钧. 集合预报的现状和前景[J]. 应用气象学报, 2002(1): 16-28.

112	Epstein E S. Stochastic dynamic prediction[J]. Tellus, 1969, 21(6): 739-759.

113	Leith C E. Theoretical skill of Monte Carlo forecasts[J]. Monthly Weather Review, 1974, 102(6): 409-418.

114	Mullen S L, Baurahefner D P. Monte Carlo simulations of explosive cyclogenesis[J]. Monthly Weather Review, 1994, 122: 1548-1567.

115	Houtekamer P L, Derome J. Methods for ensemble prediction[J]. Monthly Weather Review, 1995, 123(7): 2181-2196.

116	Houtekamer P L, Lefaivre L, Derome J, et al. A system simulation approach to ensemble prediction[J]. Monthly Weather Review. 1996, 124(6): 1225-1242.

117	Buizza R, Miller M, Palmer T N. Stochastic representation of model uncertainties in the ECMWF EPS[J]. Quarterly Journal of the Royal Meteorological Society. 1999, 125: 2887-2908.

118	周海, 秦昊, 吉璐莹, 等. 地面气象要素多模式集成预报研究进展[J].大气科学学报, 1-10.

119	陈静, 陈德辉, 颜宏. 集合数值预报发展与研究进展[J]. 应用气象学报, 2002(4): 497-507.

120	张璟, 李泓, 段晚锁, 等. 台风集合预报研究进展[J]. 大气科学学报, 2022, 45(5): 713-727.

121	李扬, 刘玉宝, 许小峰. 基于深度学习改进数值天气预报模式和预报的研究及挑战[J]. 气象科技进展, 2021, 11(3): 103-112.

122	王燕, 钟建, 张志远. 支持向量回归的机器学习方法在海浪预测中的应用[J]. 海洋预报, 2020, 37(3): 29-34.

123	卢鹏, 年圣全, 邹国良, 等. 基于变分模态分解和注意力机制的浪高预测[J]. 海洋测绘, 2021, 41(2): 34-39.

124	莫旭涛, 李自立. 神经网络北部湾海洋浪高预测[J]. 现代电子技术, 2021, 44(13): 55-59.

125	Shi X J, Chen Z R, Wang H, et al. Convolutional LSTM network: a machine learning approach for precipitation nowcasting [C]. Proceedings of the 28th International Conference on Neural Information Processing Systems, 2015, 1: 802-810.

126	Tompson J, Schlachter K, Sprechmann P, et al. Accelerating Eulerian fluid simulation with convolutional networks[C]. Proceedings of the 34th International Conference on Machine Learning, PMLR, 2017, 70: 3424-3433.

127	秦昆, 王宇帆, 黄静, 等.数据驱动与理论驱动双向耦合的智能化地球系统模式探索[J]. 地理空间信息, 2023, 21(3): 1-4.

128	陈德辉, 沈学顺. 新一代数值预报系统GRAPES研究进展[J]. 应用气象学报, 2006(6): 773-777.

129	黄丽萍, 陈德辉, 邓莲堂, 等. GRAPES_Meso V4.0主要技术改进和预报效果检验[J]. 应用气象学报, 2017, 28(1): 25-37.

130	王业桂, 张斌, 李娟, 等. 高分辨率卫星遥感资料在全球数值天气预报中的同化应用评估[C]. 第八届高分辨率对地观测学术年会论文集, 2022: 868-879.

131	Ruggiero F H. Assimilation of satellite imager data and surface observations to improve and analysis of circulations forced by cloud shading contrasts[J]. Monthly Weather Review,2000,128(2):434-448.

132	杨毅, 邱崇践, 龚建东, 等. 利用 3维变分方法同化多普勒天气雷达资料的试验研究[J]. 气象科学, 2008, 28(2): 124-132.

133	周天军, 邹立维, 陈晓龙. 第六次国际耦合模式比较计划（CMIP6）评述[J]. 气候化研究进展, 2019, 15(5): 445-456.

134	Chen H, Zhu Q, Peng C, et al. The impacts of climate change and human activities on biogeochemical cycles on the Q inghai‐T ibetan P lateau[J]. Global Change Biology, 2013, 19(10): 2940-2955.

135	Séférian R, Berthet S, Yool A, et al. Tracking improvement in simulated marine biogeochemistry between CMIP5 and CMIP6[J]. Current Climate Change Reports, 2020, 6(3): 95-119.

Options

文章导航

模态框（Modal）标题

摘要