次季节至季节（S2S）预测初始化方法及其对预报技巧的影响

doi:10.7522/j.issn.1000-694X.2026.00047

摘要/Abstract

摘要：

次季节至季节（Subseasonal-to-Seasonal， S2S）预测介于短期天气预报与长期气候预测之间，其预报技巧在很大程度上取决于气候系统模式的初始化质量。与短期天气预报信号主要来源于初值、季节至年际预测受初值和外强迫的共同影响不同，S2S预测的可预报性来源于对流层大气快变过程与海洋、陆面、平流层等慢变过程的相互作用。如何在初始化中兼顾不同时间尺度过程、增强系统内部一致性，是提高S2S预测能力的关键。本文综述了S2S预测初始化方法的研究进展，依据耦合程度归纳为非耦合、弱耦合和强耦合初始化三类。基于对国内外主要业务中心18个预测系统的分析，当前弱耦合同化在物理一致性、数值稳定性和预报精度等方面均取得了较好的效果，已成为当前业务初始化系统的主流方向。进一步从MJO、ENSO、平流层—对流层耦合、陆面记忆和海冰等可预报性来源出发，讨论了不同同化策略的作用及其对极端事件次季节预测的影响，并对强耦合同化面临的方法学挑战及未来发展方向进行了展望。

关键词: 次季节至季节（S2S）预测, 耦合同化, 初始冲击, 可预报性来源, 人工智能

Abstract:

Subseasonal-to-seasonal （S2S） prediction lies between short-range weather forecasting and long-term climate prediction， and its forecast skill depends to a large extent on the initialization quality of climate system model. Unlike short-range weather forecasts， whose signals mainly come from initial conditions， and seasonal-to-interannual predictions， which are influenced by both initial condition and external forcing， the predictability of S2S forecasts arises from the interactions between fast atmospheric processes in the troposphere and slower processes such as those in the ocean， land surface， and stratosphere. How to account for processes operating on different timescales during initialization and to enhance the internal consistency of the coupled system is the key to improving S2S prediction capability. This paper reviews the recent progress in initialization methods for S2S prediction and classifies them into uncoupled， weakly coupled， and strongly coupled initialization approaches according to the degree of coupling. Based on an analysis of 18 forecasting systems from major operational centers worldwide， weakly coupled data assimilation currently achieves good performance in terms of physical consistency， numerical stability， and forecast skill， and has become the mainstream approach for operational initialization. Furthermore， starting from the major sources of S2S predictability， including the Madden-Julian Oscillation （MJO）， the El Niño-Southern Oscillation （ENSO）， stratosphere-troposphere coupling， land-surface memory， and sea ice， the study discusses the roles of different assimilation strategies and their influence on subseasonal prediction of extreme events. The methodological challenges facing strongly coupled data assimilation and possible future directions are also discussed.

Key words: subseasonal-to-seasonal （s2s） prediction, coupled data assimilation, initialization shock, sources of predictability, artificial intelligence

中图分类号:

S716.1

宋琳琳, 和玉君, 王斌. 次季节至季节（S2S）预测初始化方法及其对预报技巧的影响[J]. 中国沙漠, 2026, 46(3): 262-274.

Linlin Song, Yujun He, Bin Wang. Research progress on initialization methods for subseasonal-to-seasonal （S2S） prediction and their impacts on forecast skill[J]. Journal of Desert Research, 2026, 46(3): 262-274.

图/表 2

参考文献 79

[1]	White C J， Carlsen H， Robertson A W，et al.Potential applications of subseasonal-to-seasonal （S2S） predictions［J］.Meteorological Applications，2017，24（3）：315-325.
[2]	Vitart F， Robertson A W， Brookshaw A，et al.The WWRP/WCRP S2S project and its achievements［J］.Bulletin of the American Meteorological Society，2025，106（5）：791-808.
[3]	Vitart F， Ardilouze C， Bonet A，et al.The subseasonal to seasonal （S2S） prediction project database［J］.Bulletin of the American Meteorological Society，2017，98（1）：163-173.
[4]	Pegion K， Kirtman B P， Becker E，et al.The Subseasonal Experiment （SubX）：a multimodel subseasonal prediction experiment［J］.Bulletin of the American Meteorological Society，2019，100（10）：2043-2060.
[5]	Meehl G A， Richter J H， Teng H Y，et al.Initialized Earth system prediction from subseasonal to decadal timescales［J］.Nature Reviews Earth & Environment，2021，2（5）：340-357.
[6]	Mulholland D P， Laloyaux P， Haines K，et al.Origin and Impact of Initialization shocks in coupled atmosphere-ocean forecasts［J］.Monthly Weather Review，2015，143（11）：4631-4644.
[7]	Lea D J， Mirouze I， Martin M J，et al.Assessing a new coupled data assimilation system based on the met office coupled atmosphere-land-ocean-sea ice model［J］.Monthly Weather Review，2015，143（11）：4678-4694.
[8]	Browne P A， De Rosnay P， Zuo H，et al.Weakly Coupled ocean-atmosphere data assimilation in the ECMWF NWP System［J］.Remote Sensing，2019，11（3）：234.
[9]	Trémole Y， Auligné T.The joint effort for data assimilation integration （JEDI）［N］.Joint Center for Satellite Data Assimilation （JCSDA） Quarterly Newsletter，2020.
[10]	Sluka T C， Penny S G， Kalnay E，et al.Assimilating atmospheric observations into the ocean using strongly coupled ensemble data assimilation［J］.Geophysical Research Letters，2016，43（2）：752-9.
[11]	鲍艳，吕世华.干旱、半干旱区陆-气相互作用的研究进展［J］.中国沙漠，2006，26（3）：454-460.
[12]	朱德琴，高晓清，陈文.陆面模式（SSiB）对敦煌荒漠戈壁下垫面陆面过程的模拟及敏感性试验［J］.中国沙漠，2006，26（3）：466-472.
[13]	程姗岭，于海鹏，任钰，等.中国干旱半干旱区气候异常影响机理研究进展［J］.中国沙漠，2023，43（3）：21-35.
[14]	Penny S G， Akella S， Buehner M，et al.Coupled Data Assimilation for Integrated Earth System Analysis and Prediction：Goals，Challenges，and Recommendations［R］.2017.
[15]	Zhang S Q， Liu Z Y， Zhang X F，et al.Coupled data assimilation and parameter estimation in coupled ocean-atmosphere models：a review［J］.Climate Dynamics，2020，54（11）：5127-5144.
[16]	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.
[17]	Laloyaux P， Balmaseda M， Dee D，et al.A coupled data assimilation system for climate reanalysis［J］.Quarterly Journal of the Royal Meteorological Society，2016，142（694）：65-78.
[18]	Fujii Y， Yoshida T， Sugimoto H，et al.Evaluation of a global ocean reanalysis generated by a global ocean data assimilation system based on a four-dimensional variational （4DVAR） method［J］.Frontiers in Climate，2023，4：1019673.
[19]	Saha S， Moorthi S， Pan H L，et al.The NCEP climate forecast system reanalysis［J］.Bulletin of the American Meteorological Society，2010，91（8）：1015-58.
[20]	Choi N， Lee M I， Ham Y G，et al.Reducing initialization shock by atmosphere-ocean coupled data assimilation and its impacts on the subseasonal prediction skill［J］.Journal of Climate，2025，38（6）：1389-1401.
[21]	Barton N， Metzger E J， Reynolds C A，et al.The navy's earth system prediction capability：a new global coupled atmosphere-ocean-sea ice prediction system designed for daily to subseasonal forecasting［J］.Earth and Space Science，2021，8（4）：e2020EA001199.
[22]	Mogensen K， Weaver A， Balmaseda M.The NEMOVAR ocean data assimilation system as implemented in the ECMWF ocean analysis for System 4［R］：ECMWF，2012.
[23]	Penny S G， Kalnay E， Carton J A，et al.The local ensemble transform Kalman filter and the running-in-place algorithm applied to a global ocean general circulation model［J］.Nonlinear Processes in Geophysics，2013，20（6）：1031-1046.
[24]	Hackert E， Akella S， Ren L，et al.Impact of the TAO/TRITON array on reanalyses and predictions of the 2015 El Niño［J］.Journal of Geophysical Research：Oceans，2023，128（11）：e2023JC020039.
[25]	Liu X， Yao J， Wu T，et al.Development of coupled data assimilation with the BCC climate system model：highlighting the role of sea-ice assimilation for global analysis［J］.Journal of Advances in Modeling Earth Systems，2021，13（4）：e2020MS002368.
[26]	Molod A， Hackert E， Vikhliaev Y，et al.GEOS-S2S Version 2：The GMAO high-resolution coupled model and assimilation system for seasonal prediction［J］.Journal of Geophysical Research：Atmospheres，2020，125（5）：e2019JD031767.
[27]	Liu Y K， Bao Q， He B，et al.Dynamical madden-julian oscillation forecasts using an ensemble subseasonal-to-seasonal forecast system of the IAP-CAS model［J］.Geoscientific Model Development，2024，17（16）：6249-6275.
[28]	Wu T W， Yu R C， Lu Y X，et al.BCC-CSM2-HR：a high-resolution version of the Beijing climate center climate system model［J］.Geoscientific Model Development，2021，14（5）：2977-3006.
[29]	Lu F， Harrison M J， Rosati A，et al.GFDL's SPEAR seasonal prediction system：initialization and ocean tendency adjustment （OTA） for coupled model predictions［J］.Journal of Advances in Modeling Earth Systems，2020，12（12）：e2020MS002149.
[30]	Wu J Y， Li Y， Luo J J，et al.Prediction and predictability of boreal winter MJO using a multi-member subseasonal to seasonal forecast system of NUIST （NUIST CFS 1.1）［J］.Climate Dynamics，2024，62（5）：3003-3026.
[31]	Zeng L J， Bao Q， Wu X F，et al.Impacts of humidity initialization on MJO prediction：a study in an operational sub-seasonal to seasonal system［J］.Atmospheric Research，2023，294：106946.
[32]	Kettleborough J A， Davis P J， Comer R E，et al.Global seasonal forecasting system 6 （GloSea6）：a large ensemble seasonal forecasting system［J］.Monthly Weather Review，2026，154（1）：39-57.
[33]	Buehner M， Caya A， Carrieres T，et al.Assimilation of SSMIS and ASCAT data and the replacement of highly uncertain estimates in the environment canada regional ice prediction system［J］.Quarterly Journal of the Royal Meteorological Society，2016，142（695）：562-73.
[34]	Tondeur M， Carrassi A， Vannitsem S，et al.On Temporal Scale Separation in Coupled Data Assimilation with the Ensemble Kalman Filter［J］.Journal of Statistical Physics，2020，179（5）：1161-1185.
[35]	Kalnay E， Sluka T， Yoshida T，et al.Review article：towards strongly coupled ensemble data assimilation with additional improvements from machine learning［J］.Nonlin Processes Geophys，2023，30（2）：217-236.
[36]	Smith P J， Fowler A M， Lawless A S.Exploring strategies for coupled 4D-Var data assimilation using an idealised atmosphere-ocean model［J］.Tellus A：Dynamic Meteorology and Oceanography，2015，67（1）：27025.
[37]	Smith P J， Lawless A S， Nichols N K.The role of cross-domain error correlations in strongly coupled 4D-Var atmosphere-ocean data assimilation［J］.Quarterly Journal of the Royal Meteorological Society，2020，146（730）：2450-2465.
[38]	Yoshida T， Kalnay E.Correlation-cutoff method for covariance localization in strongly coupled data assimilation［J］.Monthly Weather Review，2018，146（9）：2881-2889.
[39]	Miwa N， Sawada Y.Strongly versus weakly coupled data assimilation in coupled systems with various inter-compartment interactions［J］.Journal of Advances in Modeling Earth Systems，2024，16（3）：e2022MS003113.
[40]	Goodliff M， Penny S G.Developing 4D-Var for strongly coupled data assimilation using a coupled atmosphere-ocean quasigeostrophic model［J］.Monthly Weather Review，2022，150（9）：2443-2458.
[41]	De Andrade F M， Coelho C a S， Cavalcanti I F A.Global precipitation hindcast quality assessment of the Subseasonal to Seasonal （S2S） prediction project models［J］.Climate Dynamics，2019，52（9）：5451-75.
[42]	Liu X F， Zhu Z W， Chen S J，et al.Do the S2S models have prediction skills beyond the weather timescale for winter snowfall over eastern China？［J］.Advances in Atmospheric Sciences，2026，43（4）：874-888.
[43]	Richter J H， Glanville A A， King T，et al.Quantifying sources of subseasonal prediction skill in CESM2［J］.npj Climate and Atmospheric Science，2024，7（1）：59.
[44]	Koster R D， Mahanama S P P， Yamada T J，et al.The Second phase of the global land-atmosphere coupling experiment：soil moisture contributions to subseasonal forecast skill［J］.Journal of Hydrometeorology，2011，12（5）：805-822.
[45]	Demott C A， Klingaman N P， Woolnough S J.Atmosphere-ocean coupled processes in the Madden-Julian oscillation［J］.Reviews of Geophysics，2015，53（4）：1099-1154.
[46]	Bengtsson L， Tulich S N， Dias J，et al.The crucial role of the initial state in MJO prediction［J］.Geophysical Research Letters，2025，52（8）：e2025GL115833.
[47]	Kim H， Janiga M A， Pegion K.MJO Propagation processes and mean biases in the subX and S2S reforecasts［J］.Journal of Geophysical Research：Atmospheres，2019，124（16）：9314-9331.
[48]	Wu J， Ren H L， Lu B，et al.Effects of Moisture Initialization on MJO and its Teleconnection Prediction in BCC Subseasonal Coupled Model［J］.Journal of Geophysical Research：Atmospheres，2020，125（1）：e2019JD031537.
[49]	Webber B G M， Matthews A J， Heywood K J，et al.Ocean Rossby waves as a triggering mechanism for primary Madden-Julian events［J］.Quarterly Journal of the Royal Meteorological Society，2012，138（663）：514-527.
[50]	Christophersen J A， Rydbeck A， Flatau M，et al.Oceanic Rossby wave predictability in ECMWF's subseasonal-to-seasonal reforecasts［J］.Quarterly Journal of the Royal Meteorological Society，2024，150（759）：1048-1067.
[51]	Zheng C， Chang E K-M， Kim H，et al.Subseasonal to seasonal prediction of wintertime northern hemisphere extratropical cyclone activity by S2S and NMME Models［J］.Journal of Geophysical Research：Atmospheres，2019，124（22）：12057-12077.
[52]	Balan-Sarojini B， Balmaseda M A， Vitart F，et al.Impact of ocean in-situ observations on ECMWF sub-seasonal forecasts［J］.Frontiers in Marine Science，2024，11：1396491.
[53]	Wei H-H， Subramanian A C， Karnauskas K B，et al.The role of in situ ocean data assimilation in ECMWF subseasonal forecasts of sea-surface temperature and mixed-layer depth over the tropical Pacific ocean［J］.Quarterly Journal of the Royal Meteorological Society，2023，149（757）：3513-3524.
[54]	Hackert E， Akella S， Ruiz-Xomchuk V，et al.Impact of rain-adjusted satellite sea surface salinity on ENSO predictions From the GMAO S2S Forecast System［J］.Journal of Geophysical Research：Oceans，2025，130（5）：e2024JC021773.
[55]	Bai H， Li B， Mehra A，et al.The impact of tropical SST biases on the S2S precipitation forecast skill over the contiguous United States in the UFS global coupled model［J］.Weather and Forecasting，2023，38（6）：937-952.
[56]	Domeisen D I V， Butler A H， Charlton-Perez A J，et al.The role of the stratosphere in subseasonal to seasonal prediction：2.predictability arising from stratosphere-troposphere coupling［J］.Journal of Geophysical Research：Atmospheres，2020，125（2）：e2019JD030923.
[57]	Domeisen D I V， Butler A H， Charlton-Perez A J，et al.The role of the stratosphere in subseasonal to seasonal prediction：1.predictability of the stratosphere［J］.Journal of Geophysical Research：Atmospheres，2020，125（2）：e2019JD030920.
[58]	Lawrence Z D， Elsbury D， Butler A H，et al.Evaluation of processes related to stratosphere-troposphere coupling in GEFSv12 Subseasonal hindcasts［J］.Monthly Weather Review，2023，151（7）：1735-1755.
[59]	Lonitz K， Vitart F， Healy S B，et al.Sub-seasonal impact of GNSS radio occultation data［J］.Geophysical Research Letters，2025，52（21）：e2025GL116068.
[60]	Koster R D， Mahanama S P P， Yamada T J，et al.Contribution of land surface initialization to subseasonal forecast skill：first results from a multi-model experiment［J］.Geophysical Research Letters，2010，37（2）：1-14.
[61]	Wedd R， Alves O， De Burgh-Day C，et al.ACCESS-S2：the upgraded bureau of meteorology multi-week to seasonal prediction system［J］.Journal of Southern Hemisphere Earth Systems Science，2022，72（3）：218-42.
[62]	Nair A S， Counillon F， Keenlyside N.Improving subseasonal forecast skill in the norwegian climate prediction model using soil moisture data assimilation［J］.Climate Dynamics，2024，62（12）：10483-10502.
[63]	Ardilouze C， Boone A A.Impact of initializing the soil with a thermally and hydrologically balanced state on subseasonal predictability［J］.Climate Dynamics，2024，62（4）：2629-2644.
[64]	Li W K， Hu S Z， Hsu P-C，et al.Systematic bias of Tibetan Plateau snow cover in subseasonal-to-seasonal models［J］.The Cryosphere，2020，14（10）：3565-79.
[65]	Liu A L， Yang J， Bao Q，et al.Subseasonal-to-seasonal prediction of arctic sea ice using a fully coupled dynamical ensemble forecast system［J］.Atmospheric Research，2023，295：107014.
[66]	Xiu Y W， Luo H， Yang Q H，et al.The challenge of arctic sea ice thickness prediction by ECMWF on subseasonal time scales［J］.Geophysical Research Letters，2022，49（8）：e2021GL097476.
[67]	Vitart F， Robertson A W.The sub-seasonal to seasonal prediction project （S2S） and the prediction of extreme events［J］.npj Climate and Atmospheric Science，2018，1（1）：3.
[68]	Lee C Y， Camargo S J， Vitart F，et al.Subseasonal tropical Cyclone genesis prediction and MJO in the S2S dataset［J］.Weather and Forecasting，2018，33（4）：967-988.
[69]	Hu J L， Xu J X， Luo J J，et al.Sub-seasonal forecast of global marine heatwaves based on NUIST CFS1.1［J］.Advances in Atmospheric Sciences，2025，42（7）：1285-300.
[70]	Lim Y K， Deangelis A M， Thomas N P，et al.Remote forcing and prediction of the June 2023 Texas heat wave［J］.Journal of Climate，2025，38（21）：6397-6411.
[71]	Lim Y， Molod A M， Koster R D，et al.The role of land-atmosphere coupling in subseasonal surface air temperature prediction across the contiguous United States［J］.Hydrology and Earth System Sciences，2025，29（15）：3435-45.
[72]	Camp J， Gregory P， Marshall A G，et al.Skilful multiweek predictions of tropical cyclone frequency in the Northern Hemisphere using ACCESS-S2［J］.Quarterly Journal of the Royal Meteorological Society，2024，150（762）：2848-2868.
[73]	Lamichhane D， Bao Q， Jin R，et al.Dynamical prediction of sub-seasonal tropical cyclones：IAP-CAS model advances［J］.Atmospheric Research，2026，330：108551.
[74]	Geer A J.Learning earth system models from observations：machine learning or data assimilation？［J］.Philosophical Transactions of the Royal Society A：Mathematical，Physical and Engineering Sciences，2021，379（2194）：20200089.
[75]	Shlezinger N， Revach G， Ghosh A，et al.Artificial intelligence-aided kalman Filters：AI-Augmented designs for kalman-type algorithms［J］.IEEE Signal Processing Magazine，2025，42（3）：52-76.
[76]	Farchi A， Chrust M， Bocquet M，et al.Online model error correction with neural networks in the incremental 4D-Var framework［J］.Journal of Advances in Modeling Earth Systems，2023，15（9）：e2022MS003474.
[77]	Chen T-C， Penny S G， Whitaker J S，et al.Correcting systematic and state-dependent errors in the NOAA FV3-GFS using neural networks［J］.Journal of Advances in Modeling Earth Systems，2022，14（11）：e2022MS003309.
[78]	Melinc B， Perkan U， Zaplotnik Ž.A unified neural background-error covariance model for midlatitude and tropical atmospheric data Assimilation［J］.Journal of Advances in Modeling Earth Systems，2026，18（1）：e2025MS005360.
[79]	Xue Y， Simon S M， Anderson J R，et al.Advancing NOAA's subseasonal and seasonal applications and enhancing collaboration among stakeholders，modelers，and researchers［J］.Bulletin of the American Meteorological Society，2025，106（7）：1295-1302.

机构	预测系统	模式分量	初始化方法	大气初始化	海洋初始化	陆面初始化	海冰初始化	参考文献
BoM	POAMA P24	气/海/陆	非耦合	单独大气模式向再分析资料Nudging	PEODAS再分析资料	单独大气模式向再分析资料Nudging	—	ECMWF网站https://confluence.ecmwf.int/display/S2S/
CMA	BCC-CPS-S2Sv2	气/海/陆/冰	非耦合	ECMWF分析资料	EnOI	无	OI
CMA	BCC-CPS-S2Sv2	气/海/陆/冰	弱耦合	Nudging	EnOI	无	OI
CNR-ISAC	GLOBO 2023.0	气/陆	非耦合	ERA5再分析资料	—	ERA5再分析资料	—
CNR-ISAC	GLOBO 2023.0	气/陆	非耦合	GEFS分析资料	—	GEFS分析资料	—
CNRM	S2S-SYS3	气/海/陆/冰	非耦合	ERA5再分析资料	GLORYS12V1再分析资料	ERA5再分析资料	无
CNRM	S2S-SYS3	气/海/陆/冰	非耦合	IFS HRES分析资料	GLO12分析资料	ECMWF分析资料	GLO12分析资料
CPTEC	BAM-1.2	气/陆	非耦合	ERA-Interim再分析资料	—	无	—
CPTEC	BAM-1.2	气/陆	非耦合	GDS分析资料	—	气候态	—
ECCC	GEPS8	气/海/陆/冰	非耦合	ERA5再分析资料	ORAS5再分析资料	离线表面预测系统在大气资料强迫下的运行结果	数字化海冰图，HadISST
ECCC	GEPS8	气/海/陆/冰	非耦合	分析资料	ECCC分析资料	分析资料	ECCC分析资料
ECMWF	CY49R1	气/海/陆/冰/浪	非耦合	ERA5再分析资料	ORAS5再分析资料	无	无
ECMWF	CY49R1	气/海/陆/冰/浪	非耦合	4DVar	3DVar	SEKF	3DVar
HMCR	EK40	气/陆	非耦合	ERA5再分析资料	—	SEKF、OI	—
HMCR	EK40	气/陆	非耦合	3DVar、OI	—	SEKF	—
IAP-CAS	CAS-FGOALS-f2-V1.4	气/海/陆/冰	弱耦合	Nudging	Nudging	无	无
JMA	CPS4	气/海/陆/冰	非耦合	JRA-3Q再分析资料	MOVE-G3分析资料	单独陆面模式在JRA-3Q大气资料强迫下运行结果	MOVE-G3分析资料
JMA	CPS4	气/海/陆/冰	非耦合	GA分析资料	MOVE-G3分析资料	单独陆面模式在JRA-3Q和GA大气资料强迫下运行结果	MOVE-G3分析资料
KMA	GloSea6-GC3.2	气/海/陆/冰	非耦合	ERA-Interim再分析资料	英国气象局海洋同化系统	ERA-Interim再分析资料	无
KMA	GloSea6-GC3.2	气/海/陆/冰	非耦合	4DVar	GODAPS2分析资料	单独陆面模式在大气资料强迫下运行结果、KMA数值天气预报全球分析资料	GODAPS2分析资料
NCEP	CFSv2	气/海/陆/冰	弱耦合	3DVar	3DVar、Nudging	半耦合陆面同化系统在CFSR大气同化输出和观测降水强迫下的运行结果	同化观测海冰资料	Saha^[19]
UKMO	GloSea6	气/海/陆/冰	非耦合	ERA-Interim再分析资料	NEMOVAR再分析资料	ERA-Interim再分析资料	NEMOVAR再分析资料	ECMWF网站
UKMO	GloSea6	气/海/陆/冰	非耦合	4DVar	NEMOVAR再分析资料	单独陆面模式在大气分析资料强迫下的运行结果	NEMOVAR再分析资料	ECMWF网站
ECMWF	Cy50r1	气/海/陆/冰/浪	准强耦合	En4D-Var+EDA(耦合外循环)	ORAS6集合分析	离线(SEKF)+再分析	耦合同化	Laloyaux^[17]
GFDL	SPEAR	气/海/陆/冰	弱耦合	Nudging	EAKF	无	EAKF	Lu^[29]
NASA	GEOS-S2S-3	气/海/陆/冰	弱耦合	3D-EnVar+Replay	LETKF	离线(Catchment)	无	Lim^[71]
Navy	ESPC-E v1	气/海/冰	弱耦合	En4D-Var	NCODA 3DVar	—	NCODA 3DVar	Barton^[21]
NUIST	CFS 1.1	气/海	弱耦合	Nudging	Nudging	—	—	Wu^[30]

机构	预测系统	模式分量	初始化方法	大气初始化	海洋初始化	陆面初始化	海冰初始化	参考文献
BoM	POAMA P24	气/海/陆	非耦合	单独大气模式向再分析资料Nudging	PEODAS再分析资料	单独大气模式向再分析资料Nudging	—	ECMWF网站https://confluence.ecmwf.int/display/S2S/
CMA	BCC-CPS-S2Sv2	气/海/陆/冰	非耦合	ECMWF分析资料	EnOI	无	OI
CMA	BCC-CPS-S2Sv2	气/海/陆/冰	弱耦合	Nudging	EnOI	无	OI
CNR-ISAC	GLOBO 2023.0	气/陆	非耦合	ERA5再分析资料	—	ERA5再分析资料	—
CNR-ISAC	GLOBO 2023.0	气/陆	非耦合	GEFS分析资料	—	GEFS分析资料	—
CNRM	S2S-SYS3	气/海/陆/冰	非耦合	ERA5再分析资料	GLORYS12V1再分析资料	ERA5再分析资料	无
CNRM	S2S-SYS3	气/海/陆/冰	非耦合	IFS HRES分析资料	GLO12分析资料	ECMWF分析资料	GLO12分析资料
CPTEC	BAM-1.2	气/陆	非耦合	ERA-Interim再分析资料	—	无	—
CPTEC	BAM-1.2	气/陆	非耦合	GDS分析资料	—	气候态	—
ECCC	GEPS8	气/海/陆/冰	非耦合	ERA5再分析资料	ORAS5再分析资料	离线表面预测系统在大气资料强迫下的运行结果	数字化海冰图，HadISST
ECCC	GEPS8	气/海/陆/冰	非耦合	分析资料	ECCC分析资料	分析资料	ECCC分析资料
ECMWF	CY49R1	气/海/陆/冰/浪	非耦合	ERA5再分析资料	ORAS5再分析资料	无	无
ECMWF	CY49R1	气/海/陆/冰/浪	非耦合	4DVar	3DVar	SEKF	3DVar
HMCR	EK40	气/陆	非耦合	ERA5再分析资料	—	SEKF、OI	—
HMCR	EK40	气/陆	非耦合	3DVar、OI	—	SEKF	—
IAP-CAS	CAS-FGOALS-f2-V1.4	气/海/陆/冰	弱耦合	Nudging	Nudging	无	无
JMA	CPS4	气/海/陆/冰	非耦合	JRA-3Q再分析资料	MOVE-G3分析资料	单独陆面模式在JRA-3Q大气资料强迫下运行结果	MOVE-G3分析资料
JMA	CPS4	气/海/陆/冰	非耦合	GA分析资料	MOVE-G3分析资料	单独陆面模式在JRA-3Q和GA大气资料强迫下运行结果	MOVE-G3分析资料
KMA	GloSea6-GC3.2	气/海/陆/冰	非耦合	ERA-Interim再分析资料	英国气象局海洋同化系统	ERA-Interim再分析资料	无
KMA	GloSea6-GC3.2	气/海/陆/冰	非耦合	4DVar	GODAPS2分析资料	单独陆面模式在大气资料强迫下运行结果、KMA数值天气预报全球分析资料	GODAPS2分析资料
NCEP	CFSv2	气/海/陆/冰	弱耦合	3DVar	3DVar、Nudging	半耦合陆面同化系统在CFSR大气同化输出和观测降水强迫下的运行结果	同化观测海冰资料	Saha^[19]
UKMO	GloSea6	气/海/陆/冰	非耦合	ERA-Interim再分析资料	NEMOVAR再分析资料	ERA-Interim再分析资料	NEMOVAR再分析资料	ECMWF网站
UKMO	GloSea6	气/海/陆/冰	非耦合	4DVar	NEMOVAR再分析资料	单独陆面模式在大气分析资料强迫下的运行结果	NEMOVAR再分析资料	ECMWF网站
ECMWF	Cy50r1	气/海/陆/冰/浪	准强耦合	En4D-Var+EDA(耦合外循环)	ORAS6集合分析	离线(SEKF)+再分析	耦合同化	Laloyaux^[17]
GFDL	SPEAR	气/海/陆/冰	弱耦合	Nudging	EAKF	无	EAKF	Lu^[29]
NASA	GEOS-S2S-3	气/海/陆/冰	弱耦合	3D-EnVar+Replay	LETKF	离线(Catchment)	无	Lim^[71]
Navy	ESPC-E v1	气/海/冰	弱耦合	En4D-Var	NCODA 3DVar	—	NCODA 3DVar	Barton^[21]
NUIST	CFS 1.1	气/海	弱耦合	Nudging	Nudging	—	—	Wu^[30]