基于传统数据同化（DA）的目标观测方法长期存在模型依赖性这一关键难题。本研究提出一种基于多模式预报集合的新策略，用以解决该挑战。研究发现：当集合样本量达到足够大时，所识别的最优观测站点趋于稳定且不依赖于模式。这一新发现回应了目标观测分析中悬而未决的模型依赖性难题，为最优观测站点识别提供了高效、客观的方法。
基于该策略，本研究利用第六次国际耦合模式比较计划（CMIP6）的多套历史模拟数据与再分析资料，针对厄尔尼诺 — 南方涛动（ENSO）预报，在热带太平洋区域设计了一套最优观测阵列。敏感性试验表明：当数据集数量达到 12 个时，即可获得稳健的最优观测阵列；排名前 10 的最优观测站点主要集中在赤道中东太平洋，可将初始场不确定性降低 67%。基于通用地球系统模式（CESM）集成调整卡尔曼滤波（EAKF）同化系统开展的观测系统模拟试验（OSSE）进一步验证了上述结论。
本研究提出的非模式依赖新策略，即便采用现有目标观测算法，也可实现面向 ENSO 预报的稳健海洋观测网设计，可为国际热带太平洋观测系统（TPOS）2020 计划目标提供有力支撑。
 

目标观测,数据同化,ENSO