动力气候模式的系统性倾向误差源于其对物理过程的不完美刻画，是制约气候预测技巧的关键瓶颈之一。现有误差估计方法多聚焦于初始误差的最优增长或依赖于伴随模式的复杂优化，难以高效估计具有时空结构的系统性倾向误差。本研究基于集合调整卡尔曼滤波(EAKF)，提出了一个耦合状态估计与误差反演的新框架，实现了对地理依赖的模式倾向误差的动态同步估计。该方法无需伴随模式，计算可行性强。将其应用于 Zebiak–Cane 中等复杂度 ENSO 模式，利用 1970–2024 年观测海表面温度(SST)异常进行估计与验证。结果表明，估计的倾向误差其主导经验正交函数(EOF)模态可清晰识别出由热带海气耦合过程缺陷导致的类ENSO型误差及与副热带过程相关的经向偶极型误差;倾向误差空间结构与模式在El Niño/La Niña事件中的模拟误差高度相关，空间相关系数分别达0.78和0.70。通过将估计的倾向误差主模态引入模式动力方程进行校正，改进后的模式显著提升了ENSO事件的空间结构与强度模拟，并更好地再现了ENSO的多样性、冬季锁相特征及2–7年的准周期振荡。本研究将EAKF从传统状态与参数估计拓展至模式倾向误差的动态估计与校正，填补了利用集合卡尔曼滤波技术系统估计模式物理缺陷所引发倾向误差的研究空白，不仅为改进中等复杂度耦合模式的ENSO模拟与预测提供了有效途径，也为气候模式中其他过程的偏差校正提供了方法论参考。

模式倾向误差，厄尔尼诺–南方涛动，数据同化，集合调整卡尔曼滤波器