Abstract The monthly global 2° × 2° Extended Reconstructed Sea Surface Temperature (ERSST) has been revised and updated from version 4 to version 5. This update incorporates a new release of ICOADS release 3.0 (R3.0), a decade of near-surface data from Argo floats, and a new estimate of centennial sea ice from HadISST2. A number of choices in aspects of quality control, bias adjustment, and interpolation have been substantively revised. The resulting ERSST estimates have more realistic spatiotemporal variations, better representation of high-latitude SSTs, and ship SST biases are now calculated relative to more accurate buoy measurements, while the global long-term trend remains about the same. Progressive experiments have been undertaken to highlight the effects of each change in data source and analysis technique upon the final product. The reconstructed SST is systematically decreased by 0.077°C, as the reference data source is switched from ship SST in ERSSTv4 to modern buoy SST in ERSSTv5. Furthermore, high-latitude SSTs are decreased by 0.1°–0.2°C by using sea ice concentration from HadISST2 over HadISST1. Changes arising from remaining innovations are mostly important at small space and time scales, primarily having an impact where and when input observations are sparse. Cross validations and verifications with independent modern observations show that the updates incorporated in ERSSTv5 have improved the representation of spatial variability over the global oceans, the magnitude of El Niño and La Niña events, and the decadal nature of SST changes over 1930s–40s when observation instruments changed rapidly. Both long- (1900–2015) and short-term (2000–15) SST trends in ERSSTv5 remain significant as in ERSSTv4.

Abstract The monthly Extended Reconstructed Sea Surface Temperature (ERSST) dataset, available on global 2° × 2° grids, has been revised herein to version 4 (v4) from v3b. Major revisions include updated and substantially more complete input data from the International Comprehensive Ocean–Atmosphere Data Set (ICOADS) release 2.5; revised empirical orthogonal teleconnections (EOTs) and EOT acceptance criterion; updated sea surface temperature (SST) quality control procedures; revised SST anomaly (SSTA) evaluation methods; updated bias adjustments of ship SSTs using the Hadley Centre Nighttime Marine Air Temperature dataset version 2 (HadNMAT2); and buoy SST bias adjustment not previously made in v3b. Tests show that the impacts of the revisions to ship SST bias adjustment in ERSST.v4 are dominant among all revisions and updates. The effect is to make SST 0.1°–0.2°C cooler north of 30°S but 0.1°–0.2°C warmer south of 30°S in ERSST.v4 than in ERSST.v3b before 1940. In comparison with the Met Office SST product [the Hadley Centre Sea Surface Temperature dataset, version 3 (HadSST3)], the ship SST bias adjustment in ERSST.v4 is 0.1°–0.2°C cooler in the tropics but 0.1°–0.2°C warmer in the midlatitude oceans both before 1940 and from 1945 to 1970. Comparisons highlight differences in long-term SST trends and SSTA variations at decadal time scales among ERSST.v4, ERSST.v3b, HadSST3, and Centennial Observation-Based Estimates of SST version 2 (COBE-SST2), which is largely associated with the difference of bias adjustments in these SST products. The tests also show that, when compared with v3b, SSTAs in ERSST.v4 can substantially better represent the El Niño/La Niña behavior when observations are sparse before 1940. Comparisons indicate that SSTs in ERSST.v4 are as close to satellite-based observations as other similar SST analyses.

Much study has been devoted to the possible causes of an apparent decrease in the upward trend of global surface temperatures since 1998, a phenomenon that has been dubbed the global warming "hiatus." Here, we present an updated global surface temperature analysis that reveals that global trends are higher than those reported by the Intergovernmental Panel on Climate Change, especially in recent decades, and that the central estimate for the rate of warming during the first 15 years of the 21st century is at least as great as the last half of the 20th century. These results do not support the notion of a "slowdown" in the increase of global surface temperature.

Abstract The NOAA/NESDIS/NCEI Daily Optimum Interpolation Sea Surface Temperature (SST), version 2.0, dataset (DOISST v2.0) is a blend of in situ ship and buoy SSTs with satellite SSTs derived from the Advanced Very High Resolution Radiometer (AVHRR). DOISST v2.0 exhibited a cold bias in the Indian, South Pacific, and South Atlantic Oceans that is due to a lack of ingested drifting-buoy SSTs in the system, which resulted from a gradual data format change from the traditional alphanumeric codes (TAC) to the binary universal form for the representation of meteorological data (BUFR). The cold bias against Argo was about −0.14°C on global average and −0.28°C in the Indian Ocean from January 2016 to August 2019. We explored the reasons for these cold biases through six progressive experiments. These experiments showed that the cold biases can be effectively reduced by adjusting ship SSTs with available buoy SSTs, using the latest available ICOADS R3.0.2 derived from merging BUFR and TAC, as well as by including Argo observations above 5-m depth. The impact of using the satellite MetOp-B instead of NOAA-19 was notable for high-latitude oceans but small on global average, since their biases are adjusted using in situ SSTs. In addition, the warm SSTs in the Arctic were improved by applying a freezing point instead of regressed ice-SST proxy. This paper describes an upgraded version, DOISST v2.1, which addresses biases in v2.0. Overall, by updating v2.0 to v2.1, the biases are reduced to −0.07° and −0.14°C in the global ocean and Indian Ocean, respectively, when compared with independent Argo observations and are reduced to −0.04° and −0.08°C in the global ocean and Indian Ocean, respectively, when compared with dependent Argo observations. The difference against the Group for High Resolution SST (GHRSST) Multiproduct Ensemble (GMPE) product is reduced from −0.09° to −0.01°C in the global oceans and from −0.20° to −0.04°C in the Indian Ocean.

It is commonly believed that greenhouse‐gas‐induced global warming can weaken the east Asian winter monsoon but strengthen the summer monsoon, because of stronger warming over high‐latitude land as compared to low‐latitude oceans. In this study, we show that the surface wind speed associated with the east Asian monsoon has significantly weakened in both winter and summer in the recent three decades. From 1969 to 2000, the annual mean wind speed over China has decreased steadily by 28%, and the prevalence of windy days (daily mean wind speed > 5 m/s) has decreased by 58%. The temperature trends during this period have not been uniform. Significant winter warming in northern China may explain the decline of the winter monsoon, while the summer cooling in central south China and warming over the South China Sea and the western North Pacific Ocean may be responsible for weakening the summer monsoon. In addition, we found that the monsoon wind speed is also highly correlated with incoming solar radiation at the surface. The present results, when interpreted together with those of recent climate model simulations, suggest two mechanisms that govern the decline of the east Asian winter and summer monsoons, both of which may be related to human activity. The winter decline is associated with global‐scale warming that may be attributed to increased greenhouse gas emission, while the summer decline is associated with local cooling over south‐central China that may result from air pollution.

Abstract Described herein is the parametric and structural uncertainty quantification for the monthly Extended Reconstructed Sea Surface Temperature (ERSST) version 4 (v4). A Monte Carlo ensemble approach was adopted to characterize parametric uncertainty, because initial experiments indicate the existence of significant nonlinear interactions. Globally, the resulting ensemble exhibits a wider uncertainty range before 1900, as well as an uncertainty maximum around World War II. Changes at smaller spatial scales in many regions, or for important features such as Niño-3.4 variability, are found to be dominated by particular parameter choices. Substantial differences in parametric uncertainty estimates are found between ERSST.v4 and the independently derived Hadley Centre SST version 3 (HadSST3) product. The largest uncertainties are over the mid and high latitudes in ERSST.v4 but in the tropics in HadSST3. Overall, in comparison with HadSST3, ERSST.v4 has larger parametric uncertainties at smaller spatial and shorter time scales and smaller parametric uncertainties at longer time scales, which likely reflects the different sources of uncertainty quantified in the respective parametric analyses. ERSST.v4 exhibits a stronger globally averaged warming trend than HadSST3 during the period of 1910–2012, but with a smaller parametric uncertainty. These global-mean trend estimates and their uncertainties marginally overlap. Several additional SST datasets are used to infer the structural uncertainty inherent in SST estimates. For the global mean, the structural uncertainty, estimated as the spread between available SST products, is more often than not larger than the parametric uncertainty in ERSST.v4. Neither parametric nor structural uncertainties call into question that on the global-mean level and centennial time scale, SSTs have warmed notably.

Abstract NOAA’s Extended Reconstructed Sea Surface Temperature (SST; ERSST) is operational global SST product based on in situ observations, which has been widely used monitoring and assessing global ocean climate particularly El Niño and Southern Oscillation (ENSO) events. ERSSTv5 and its predecessors, however, encountered two shortcomings: (1) low SST spatial-variabilities in the data sparse regions before the 1950s and (2) low performance scores against in situ observations after the 1970s. The first problem has been mitigated in this Part study of ERSSTv6 by removing a 3-month running average and applying an interpolation method using an artificial neural network (ANN). The improvements of ANN method over an empirical orthogonal teleconnection (EOT) method used in previous versions were assessed against validation, testing, and observation datasets. In comparison with ERSSTv5, the spatial correlation coefficient (SCC) with reference to observations increases by 5%, and root-mean-square-difference (RMSD) with reference to observations decreases by 0.03°C in ERSSTv6. The improvements of SCC and RMSD are more pronounced in the tropical Pacific and the Southern Hemisphere oceans between 60°S and 30°S. The second problem has been addressed separately in our Part II study.