海洋模式的误差主要来源于物理过程参数化、数值方法、分辨率、以及大气强迫和边界条件的不确定性。用来减小模式误差,提高模式性能一个主要的方式就是资料同化,同化方法主要结合观测和模式结果给出更接近于真实的分析值。资料同化给模式提供更精确的初始条件,从而增加了模式的短期中期的可预报性。本文利用PDAF(Parallel Data Assimilation Framework)同化框架中的集合同化方法ESTKF(Error Subspace Transform Kalman filter)分别通过简单同化实验;实际同化海表高度异常SLA(Sea Level Anomaly)到1/12°高分辨率大洋环流模式NEMO(Nucleus for European Modelling of the Ocean)中,并通过实验优化了同化方案中的两个重要的同化参数:局地化半径和forgetting factor。结论表明:局地化半径对分析结果的空间分布影响明显:局地化半径过大,则并不能很好地滤去背景误差协方差矩阵中的虚假相关;局地化半径过小则分析太细节化使得物理量场不符合实际。Forgetting facor的选取对于同化效果影响显著,通过理论实验我们知道如果Forgetting factor(取值为0到1)选取得适当,则可以明显提高同化效果,但也不是越小越好,如果选得越小则会使同化结果过于接近模式,观测信息对模式的调整将减弱。因此在实际同化中选取该参数要格外注意。在实际同化实验中,结论与简单实验的结论一致。