集合卡尔曼滤波同化多普勒雷达资料的数值试验

利用集合卡尔曼滤波(EnKF)在云数值模式中同化模拟多普勒雷达资料,并考察了不同条件下EnKF同化方法的性能.结果显示,经过几个同化周期后,EnKF分析结果非常接近真值.单多普勒雷达资料EnKF同化对雷达位置不太敏感,双雷达资料同化结果在同化的初期阶段比单雷达资料同化结果准确.同化由反射率导出的雨水比直接同化反射率资料更有效,联合同化径向速度和雨水有利于提高同化分析效果.协方差对EnKF同化效果起着非常重要的作用,考虑模式全部预报变量与径向速度协方差的同化效果比仅考虑速度场与径向速度协方差的同化效果好.雷达资料缺值降低了同化效果,此时增加地面常规观测资料的同化可以明显提高同化分析效果.EnKF同化技术对雷达观测资料误差不太敏感.初始集合对同化分析有较大影响.EnKF同化受集合大小和观测资料影响半径.同化对模式误差较敏感.利用EnKF同化双多普勒雷达资料,分析了一次梅雨锋暴雨过程的中尺度结构.结果表明,EnKF同化技术能够从双多普勒雷达资料反演暴雨中尺度系统的动力场、热力场和微物理场,反演的风场是较准确的,反演的热力场和微物理场分布也是基本合理的.中低层切变线是此次暴雨的主要动力特征,对流云表现为低层辐合、高层辐散并有垂直上升运动伴随,其热力特征表现为低层是低压区,高层为高压区,中部为暖区而上、下部为冷区,水汽、云水和雨水分别集中在对流云体内、上升气流区和强回波区.     

华南暴雨区域集合预报中不同同化方案的影响试验研究

基于全球集合预报系统(GEFS)资料,利用WRF中尺度模式及GEFS动力降尺度获取区域集合预报初值场,通过对同化后的分析场进行模式积分实现华南前汛期区域集合预报。对2019年6月10日的一次华南前汛期暴雨过程进行不同同化方案的试验:混合同化(Hybrid)、三维变分(3Dvar)、集合卡尔曼滤波(EnKF)和对比试验(Ctrl)四组试验的对比分析,探讨具有不同背景误差协方差矩阵的同化方案对区域集合预报集合扰动和集合离散随时间演变特征的影响,评估不同试验的降水模拟效果。(1) Hybrid对模式初始场有较好的改善作用,而3DVar和EnKF对初始场的改善作用不明显。(2) 对风场、温度场和湿度场,在前期预报中Hybrid的预报误差小于3DVar和EnKF,在中后期的预报中,3DVar和EnKF的预报误差得到改善,且好于Hybrid。同样,集合扰动能量,Hybrid和Ctrl在前期预报发展好于3DVar和EnKF,而在中后期的预报3DVar和EnKF好于Hybrid和Ctrl。(3) 从24 h累积降水评分中,整体上同化试验好于Ctrl,3DVar和EnKF好于Hybrid,且3DVar对大中雨级别的降水评分较好,而EnKF对暴雨以上级别的降水评分较好。(4) 对于集合统计检验分析,同化试验的AUC值都大于Ctrl的AUC值,24 h累积降水量阈值在10~100 mm的AUC值,3DVar最好;而125 mm阈值的AUC值,EnKF最好。      

混合误差协方差用于集合平方根滤波同化的试验

在集合卡尔曼滤波方法中, 根据预报集合统计提供的依流型而变的预报误差协方差对同化起到决定性的作用。但在集合样本容量不足及模式存在系统误差时, 由预报集合估计的预报误差协方差会出现明显偏差。既要减小这种估计偏差对同化产生的影响而又不增加计算量, 一种可供选择的方法是将定常或准定常的高斯型预报误差协方差和由预报集合估计的预报误差协方差加权平均用于集合卡尔曼滤波同化。利用浅水方程模式, 通过观测系统模拟试验检验在不同的模式误差、 集合成员数以及观测密度条件下, 将这种混合预报误差协方差矩阵用于在集合平方根滤波的效果。试验结果表明, 当预报集合成员数较多而模式又无误差时, 不必采用混合的预报误差协方差矩阵, 否则, 采用混合的预报误差协方差矩阵都有可能改进分析和预报。混合预报误差协方差的最优的权重系数与模式误差关系密切, 模式误差越大, 定常预报误差协方差的权重越大。最优的权重系数与集合成员数及观测密度也有一定关系。     

集合卡尔曼滤波同化探空资料的数值试验

应用集合卡尔曼滤波（Ensemble Kalman Filter;EnKF）方法,同化了2005年7月一次暴雨过程的探空观测资料,并用非静力中尺度模式MM5进行数值模拟试验。结果表明：在理想模式的假设下,即假设真实模拟和所产生的集合用的是同一个模式并有相同的初始误差,EnKF方法同化的分析结果较好。如果不运用EnKF方法同化探空观测资料,则集合预报结果和不加扰动的单个数值预报结果都没有EnKF方法同化过的好。     

基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用

基于集合平方根滤波方法(En SRF)同化方法和NOAH陆面模式的WRF-En SRF陆面同化系统,同化了江苏省70个自动站资料进行试验,研究加入不同的同化资料(地表温度、10 cm土壤温度、20 cm土壤温度)及初始扰动强度的大小对陆面数据同化系统性能的影响,以及对不同区域(降水大值区和降水小值区)的分析场进行效果对比,并且检验了同化系统在一次典型的梅雨锋暴雨的同化效果,证明了这个系统的有效性和可行性。对于资料选取试验,比较全场平均的同化时刻分析场模拟观测相对真实观测的均方根误差可以得到:同化地表温度资料并且初始扰动强度1 K的时候同化效果最理想。对于选定的降水大值区和降水小值区来讲,降水大值区的土壤温度和土壤湿度分析场更加接近于真实场。运用于一次梅雨锋暴雨的同化实验,对于最后一个同化时次的分析场作为背景场做集合预报,最终证明预报结果是有效的。土壤温度、土壤湿度、地表温度和近地面风场的预报结果都较用NCEP再分析资料直接做预报作为控制试验的结果有不同程度的改进。这说明该系统应用于实际同化中的性能较为良好,可以应用于实际土壤湿度与温度的预报。     

集合卡尔曼滤波数据同化在一维波动方程中的应用

简要回顾了集合卡尔曼滤波(EnKF：Ensemble Kalman Filter)数据同化方法的发展历史,并介绍了EnKF数据同化方法的基本原理,利用一维非线性波动方程进行了数值试验。EnKF数据同化方法的实现过程简单可行。避免了EKF中协方差演变方程预报过程中出现的计算不准确和关于协方差矩阵的大量数据的存储问题,最主要的是EnKF可以有效控制模式变量估计误差方差的增长,改善预报效果。     

数值预报同化系统中观测资料误差分析

在观测资料同化系统中,观测误差均方差与背景场误差均方差共同决定着观测信息与背景场信息的相对重要性以及这些信息在空间及不同变量间的扩展方式,故在资料同化系统中起到决定性作用.因此,观测误差均方差的合理估计是非常重要的.采用贝塞尔函数拟合方法,从探空观测资料与背景场的偏差(IV)协方差中分离出探空资料的观测误差均方差与模式的背景场误差均方差;再从其他观测资料偏差协方差中扣除背景场误差均方差来估计其它观测误差均方差.观测误差均方差分析使用2006年8月1-31日观测资料,国家气象中心T213L31全球中期分析预报系统的6小时预报作为背景场.结果显示估计的观测误差均方差是比较合理的.     

集合Kalman滤波在土壤湿度同化中的应用

基于非饱和土壤水模型和集合卡尔曼滤波 (Ensemble Kalman Filter, 简称EnKF) 并结合陆面水文模型——可变下渗能力模型 (Variable Infiltration Capacity, 简称VIC模型) 发展了一个土壤湿度同化方案。利用1998年6~8月淮河流域能量和水循环试验 (HUBEX) 项目外场观测试验区——史灌河流域梅山站土壤湿度逐日观测资料及1986~1993年合肥和南阳两站点的土壤湿度旬观测资料进行同化试验, 结果表明该同化方案能完整估计土壤湿度廓线, 同化的土壤湿度与观测资料基本吻合, 反映了土壤湿度的日、 旬、 月、 季变化, 同化方案是合理的。与基于扩展卡尔曼滤波 (Extended Kalman Filter, 简称EKF) 的土壤湿度同化方案的结果比较, 基于EnKF的土壤湿度同化方案易于实现, 且通过选择恰当的集合样本数其同化效果总体上略优于EKF同化方案, 但前者同化时需要花费较多的计算时间。     

集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的应用

此文目的是讨论污染源反演问题的统计方法.基于Bayes估计理论,该文将资料同化中的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波应用在污染源反演问题中.在详细给出污染源反演的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波的严格数学表达后,用一个简单的模型演示了集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的可行性,并且通过对比理想试验结果比较了集合卡尔曼平滑和集合卡尔曼滤波方法在反演污染源排放的效果,讨论了观测误差和污染源先验误差估计对反演结果的影响.试验结果表明在观测间隔小和观测误差小的情况下,集合卡尔曼滤波和集合卡尔曼平滑都可以有效地反演出随时间变化的污染源排放.当观测误差增大时,集合卡尔曼滤波和集合卡尔曼平滑的反演效果都有一定降低,但是反演误差的增加少于观测误差的增加,同时集合卡尔曼平滑(Ensemble Kalman smoother,简称EnKS)对观测误差比集合卡尔曼滤波(Ensemble Kalman filter,简称EnKF)更为敏感.当观测时间间隔较大时,EnKF不能对没有观测时的污染源排放进行估计,仅能对有观测时的污染源排放进行较好的反演.而EnKS可以利用观测对观测时刻前的污染源排放进行反演,因此其效果明显好于EnKF,并且在观测时间间隔较大的情况下依然可以较好地反演出污染源排放.试验结果还显示污染源排放的先验误差估计对反演的结果有较大影响.     

适应性观测与集合变换卡尔曼滤波方法介绍

给出适应性观测理论和集合变换卡尔曼滤波方法及其研究现状的综述。重点介绍了集合变换卡尔曼滤波方法及其相关的一些问题。在数值预报领域,一种新的途径是利用数值预报系统信息在预报时效内确定出某些区域,如果在这些区域进行补充观测,可以最有效地改进预报技能。这种方法被称为适应性或目标观测,所确定的观测区域称为敏感区,敏感区内增加观测后分析质量将得到改善,对后续的预报技能可产生最大的预期影响。目前适应性观测研究已经成为世界气象组织(WMO)组织的THORPEX计划的一个子计划。集合变换卡尔曼滤波(The Ensemble Transform Kalman Filer,简称ETKF)是一种次优的卡尔曼滤波方案,最早是作为一种适应性观测算法提出的,现在还被用于集合预报初始扰动的生成。ETKF方法不仅可以同化观测资料,而且可以估计出观测对预报误差的影响。它与其它集合卡尔曼滤波方案不同之处在于:ETKF利用集合变换和无量纲化的思想求解与观测有关的误差协方差矩阵,可以快速估计出不同附加观测造成的预报误差协方差的减少量,预报误差减少最多的一组观测所对应的区域就是所寻找的敏感区。     

EnKF协方差膨胀算法对雷达资料同化的影响研究

基于集合卡尔曼滤波(EnKF)方法同化模拟雷达径向风和回波,引入具有时空自适应理论优势的贝叶斯膨胀算法,通过与常数膨胀算法的对比,分析了两种协方差膨胀算法对EnKF同化效果的影响。结果表明:在对流区域的北侧,由贝叶斯膨胀算法分析得到的回波在水平和垂直结构上均增强;在对流区域,由贝叶斯膨胀算法分析得到的各变量的集合离散度增大,均方根误差减小,水平和垂直速度增大,冷池强度减弱;模拟还发现贝叶斯膨胀算法提高了强对流系统的模拟效果,回波强度增强,阵风锋区内水平和垂直风速增大。这表明贝叶斯膨胀算法有效地改进了基于常数膨胀算法的EnKF同化雷达资料的效果。     

Using analysis state to construct a forecast error covariance matrix in ensemble Kalman filter assimilation

Correctly estimating the forecast error covariance matrix is a key step in any data assimilation scheme. If it is not correctly estimated, the assimilated states could be far from the true states. A popular method to address this problem is error covariance matrix inflation. That is, to multiply the forecast error covariance matrix by an appropriate factor. In this paper, analysis states are used to construct the forecast error covariance matrix and an adaptive estimation procedure associated with the error covariance matrix inflation technique is developed. The proposed assimilation scheme was tested on the Lorenz-96 model and 2D Shallow Water Equation model, both of which are associated with spatially correlated observational systems. The experiments showed that by introducing the proposed structure of the forecast error covariance matrix and applying its adaptive estimation procedure, the assimilation results were further improved.     

CoLM模式地表温度变分同化研究

本文采用变分方法对通用陆面模式 (CoLM) 中的地表温度进行同化.同化伴随约束条件采用CoLM模式中的地表及植被能量平衡方程,调节因子采用裸土及植被蒸发比.采用美国通量网 (AmeriFlux) 中的Bonville站数据对同化方法进行了单点验证,验证结果表明同化后地表温度以及蒸散结果更加接近于实测值.选取中国华北地区对同化方法进行区域验证,结果显示每天仅采用白天一次观测值对地表温度进行同化的方法是有效的.通过对同化前后地表温度误差直方图比较可以发现,在有MODIS观测值的区域,同化后白天地表温度误差大大降低,同时,同化后地表蒸散空间分布图也发生了变化.单点验证以及区域验证结果都表明了变分同化方法是可靠的.变分同化方法可以改进陆面模式模拟结果,对于地表过程研究中的植被生态、水文等研究具有重要意义,同时,陆面模式可以与数值预报模式进行耦合,改进数值预报结果.     

Assimilating Best Track Minimum Sea Level Pressure Data Together with Doppler Radar Data Using an Ensemble Kalman Filter for Hurricane Ike (2008) at a Cloud-Resolving Resolution

Extending an earlier study, the best track minimum sea level pressure (MSLP) data are assimilated for landfalling Hurricane Ike (2008) using an ensemble Kalman filter (EnKF), in addition to data from two coastal ground-based Doppler radars, at a 4-km grid spacing. Treated as a sea level pressure observation, the MSLP assimilation by the EnKF enhances the hurricane warm core structure and results in a stronger and deeper analyzed vortex than that in the GFS (Global Forecast System) analysis; it also improves the subsequent 18-h hurricane intensity and track forecasts. With a 2-h total assimilation window length, the assimilation of MSLP data interpolated to 10-min intervals results in more balanced analyses with smaller subsequent forecast error growth and better intensity and track forecasts than when the data are assimilated every 60 minutes. Radar data are always assimilated at 10-min intervals. For both intensity and track forecasts, assimilating MSLP only outperforms assimilating radar reflectivity (Z) only. For intensity forecast, assimilating MSLP at 10-min intervals outperforms radar radial wind (Vr) data (assimilated at 10-min intervals), but assimilating MSLP at 60-min intervals fails to beat Vr data. For track forecast, MSLP assimilation has a slightly (noticeably) larger positive impact than Vr(Z) data. When Vr or Z is combined with MSLP, both intensity and track forecasts are improved more than the assimilation of individual observation type. When the total assimilation window length is reduced to 1h or less, the assimilation of MSLP alone even at 10-min intervals produces poorer 18-h intensity forecasts than assimilating Vr only, indicating that many assimilation cycles are needed to establish balanced analyses when MSLP data alone are assimilated; this is due to the very limited pieces of information that MSLP data provide.     

The retrospective prediction of El Niño-southern oscillation from 1881 to 2000 by a hybrid coupled model: (I) Sea surface temperature assimilation with ensemble Kalman filter

In this study, we assimilated sea surface temperature (SST) data of the past 120 years into an oceanic general circulation model (OGCM) for El Niño-southern oscillation (ENSO) retrospective predictions using ensemble Kalman filter (EnKF). It was found that the ensemble covariance matrix in EnKF can act as a time-variant transfer operator to project the SST corrections onto the subsurface temperatures effectively when initial perturbations of ensemble were constructed using vertically coherent random fields. As such the increments of subsurface temperatures can be obtained via the transfer operator during assimilation cycles. The results show that the SST assimilation improves the model simulation skills significantly, not only for the SST anomalies over the whole assimilated domain, but also for the subsurface temperature anomalies of the upper 100 m over the tropical Pacific off the equator. Along the equator, the improvement of the assimilation is confined within the mixing layer because strong upwelling motions there prevent the downward transfer of SST information. The retrospective prediction skills of ENSO over the past 120 years from 1881 to 2000 were significantly improved by the SST assimilation at all leads of 1–12 months, especially for the 3–6 months leads, compared with those initialized by the control run without assimilation. The skilful predictions by the assimilation allow us to further study ENSO predictability using this coupled model.     

Application of an error statistics estimation method to the PSAS forecast error covariance model

In atmospheric data assimilation systems, the forecast error covariance model is an important component. However, the paralneters required by a forecast error covariance model are difficult to obtain due to the absence of the truth. This study applies an error statistics estimation method to the Pfiysical-space Statistical Analysis System （PSAS） height-wind forecast error covariance model. This method consists of two components： the first component computes the error statistics by using the National Meteorological Center （NMC） method, which is a lagged-forecast difference approach, within the framework of the PSAS height-wind forecast error covariance model; the second obtains a calibration formula to rescale the error standard deviations provided by the NMC method. The calibration is against the error statistics estimated by using a maximum-likelihood estimation （MLE） with rawindsonde height observed-minus-forecast residuals. A complete set of formulas for estimating the error statistics and for the calibration is applied to a one-month-long dataset generated by a general circulation model of the Global Model and Assimilation Office （GMAO）, NASA. There is a clear constant relationship between the error statistics estimates of the NMC-method and MLE. The final product provides a full set of 6-hour error statistics required by the PSAS height-wind forecast error covariance model over the globe. The features of these error statistics are examined and discussed.     

基于集合卡尔曼滤波的土壤水分同化试验

集合卡尔曼滤波是由大气数据同化发展的新的顺序同化算法,它利用蒙特卡罗方法计算背景场的误差协方差矩阵,克服了卡尔曼滤波需要线性化的模型算子和观测算子的难点。我们发展了一个基于集合卡尔曼滤波和简单生物圈模型(SiB2,Simple Biosphere Model)的单点陆面数据同化方案。利用1998年7月6日至8月9日青藏高原GAME-Tibet实验区MS3608站点的观测数据进行了同化试验。结果表明,利用集合卡尔曼滤波的数据同化方法可以明显地提高表层、根区、深层土壤水分的估算精度。     

GRAPES集合卡尔曼滤波资料同化系统Ⅰ:系统设计及初步试验

集合卡尔曼滤波资料同化方法,可以用集合样本统计出随天气形势变化的误差协方差,是当前资料同化领域的研究热点。主要介绍了GRAPES集合卡尔曼滤波资料同化系统的设计以及初步的试验结果。针对集合卡尔曼滤波同化实际观测资料难以实施的问题,采用成批观测同化的顺序同化方法进行多变量的集合卡尔曼滤波同化;为了滤除有限集合数造成的误差相关噪音和缓解求逆矩阵不满秩的问题,在水平和垂直方向都采用了Schur滤波;建立了与GRAPES预报模式的垂直坐标和预报变量一致的模式面集合卡尔曼滤波系统;集合样本的生成考虑了模式变量的空间相关和模式变量之间的相关,通过利用三维变分分析中的控制变量变换得到模式变量扰动场。通过比较GRAPES集合卡尔曼滤波资料同化系统和GRAPES区域三维变分资料同化系统的单点观测资料同化分析结果,对比背景误差相关系数的分布,验证了GRAPES集合卡尔曼滤波系统的正确性。此外,同化区域探空观测资料试验结果表明,GRAPES集合卡尔曼滤波资料同化系统能够得到合理的分析,并且具有实际运行能力。对分析结果进行12h预报表明,GRAPES集合卡尔曼滤波资料同化系统的分析协调性不如三维变分资料同化系统。