本文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：
主要作者及研究机构
本研究由Terence J. O’Kane、Paul A. Sandery、Vassili Kitsios、Pavel Sakov、Matthew A. Chamberlain、Mark A. Collier、Russell Fiedler、Thomas S. Moore、Christopher C. Chapman、Bernadette M. Sloyan和Richard J. Matear共同完成。研究团队主要来自澳大利亚的CSIRO Oceans and Atmosphere，以及Monash University和Bureau of Meteorology等机构。研究于2021年7月发表在《Journal of Climate》期刊上。
学术背景
本研究的主要科学领域是气候预测和再分析（climate prediction and reanalysis）。随着全球气候变化问题的日益严重，理解过去几十年的气候变异性对于预测未来气候趋势至关重要。然而，全球观测系统在空间和时间上的异质性限制了我们对气候系统的全面理解。因此，本研究旨在开发一种新的气候再分析系统——CSIRO Climate Retrospective Analysis and Forecast Ensemble System, version 1 (CAFE60v1)，以生成1960年至今的全球气候系统的大集合再分析数据，并为多年气候预测提供初始条件。研究的一个重要目标是评估强耦合数据同化（strongly coupled data assimilation, SCDA）在数据稀疏区域的有效性，通过跨域协方差（cross-domain covariances）来约束气候模型。
研究流程
研究分为以下几个主要步骤：
1. 系统设计与模型配置
CAFE60v1系统基于GFDL的CM2.1气候模型，包括海洋、大气、海冰和陆地组件。海洋模型采用1/8°的分辨率，大气模型的分辨率为2°×2.5°，海冰模型与海洋模型共享网格。模型配置中还包括了海洋生物地球化学（ocean biogeochemistry, OBGC）模块。系统通过强耦合数据同化（SCDA）技术，使用集合变换卡尔曼滤波器（Ensemble Transform Kalman Filter, ETKF）来同化观测数据。
数据同化方法
研究采用了强耦合数据同化（SCDA）方法，通过ETKF估计跨域协方差。每月同化的数据包括卫星观测（如海表高度、海表温度、海冰浓度）和现场观测（如海洋温度和盐度剖面）。大气观测数据则从JRA-55大气再分析中采样。SCDA通过显式跨域协方差将海洋、大气、海冰和OBGC耦合在一起，从而在数据稀疏的区域提供额外的约束。
观测数据预处理与同化
所有观测数据在进入同化系统之前被转换为超级观测（superobservations），即在同一网格单元和时间窗口内的观测数据被合并为一个具有更小误差的观测值。同化过程中，使用了水平局部化（horizontal localization）技术来消除背景误差协方差中的虚假长程相关性。
系统评估与结果分析
研究对同化系统进行了详细评估，包括对海洋、大气和海冰的误差统计。通过计算预测创新（forecast innovation）和分析创新（analysis innovation）的均方偏差（mean absolute deviation, MAD）和偏差（bias），研究评估了同化系统在不同时间段的性能。特别是在2000年之后，随着Argo浮标和卫星观测的普及，海洋上层的结构得到了显著改善。
主要结果
1. 海洋同化结果
研究发现，在2000年之前，海洋观测数据的稀疏性导致模型在数据稀疏区域的约束不足。随着Argo浮标和卫星观测的引入，海洋上层结构的误差显著降低，特别是在温跃层（thermocline）区域。海表高度（sea level anomaly, SLA）的同化结果也显示，全球平均海平面的系统偏差在1992年之后得到了有效控制。
大气同化结果
大气同化结果显示，尽管在1992年至1994年期间，由于海表高度数据的快速引入，大气比湿（specific humidity）的分析偏差有所增加，但在1994年之后，全球海平面的调整使得大气比湿的偏差逐渐减小。大气温度和风场的预测创新和分析创新均显示出较高的同化精度，特别是在大尺度特征上。
海冰同化结果
海冰同化结果显示，南极海冰浓度的误差主要集中在夏季，特别是在海冰边缘区域。同化系统能够有效减少海冰浓度的分析误差，但在夏季海冰温度的同化结果中仍存在较大的偏差，表明模型在模拟夏季海冰温度方面存在不足。
结论
CAFE60v1系统通过强耦合数据同化技术，成功生成了1960年至今的全球气候系统的大集合再分析数据，并为多年气候预测提供了高质量的初始条件。研究结果表明，SCDA在数据稀疏区域具有显著的优势，特别是在跨域协方差的约束下，模型的同化精度得到了显著提升。此外，CAFE60v1系统为未来气候再分析提供了新的思路，特别是在多年代际气候预测中的应用潜力。
研究亮点
1. 强耦合数据同化（SCDA）的应用
本研究首次在气候再分析中广泛应用SCDA技术，通过跨域协方差有效约束了数据稀疏区域的模型误差。
大集合再分析
CAFE60v1系统生成了96个气候轨迹（state estimates），为多年代际气候预测提供了丰富的初始条件。
跨领域耦合
研究通过显式跨域协方差将海洋、大气、海冰和OBGC耦合在一起，显著提高了模型的同化精度。
其他有价值的内容
研究还探讨了未来发展方向，包括海冰同化、参数估计以及OBGC观测数据的直接同化。随着计算资源的增加，CAFE60v1系统的预测集合将进一步扩展，为近十年的气候分析提供前所未有的资源。
这篇研究为气候预测和再分析领域提供了重要的科学价值和应用潜力，特别是在多年代际气候预测和全球气候变化研究中的应用。