两种耦合模糊控制的局地化方法研究

在集合数据同化过程中,由于远距离的观测与同化状态之间存在着虚假相关,局地化方法受到广泛关注.此外,由于集合数的限制,容易引起欠采样和协方差被低估等现象,使得滤波效果欠佳.因此,提出模糊控制算法,模糊控制算法主要用于判断观测点与状态更新点之间的距离来匹配相应的观测权重,进而调整局地化系数来更新背景误差协方差和观测误差协方差矩阵,从而得到有效的状态估计.基于背景误差协方差局地化方法和观测误差协方差局地化方法,耦合模糊控制,形成了新的算法—模糊控制的背景误差协方差局地化方法和模糊控制的观测误差协方差局地化方法.利用Lorenz-96模型,在小集合数和局地化半径下,得出模糊控制的背景误差协方差局地化方法和模糊控制的观测误差协方差局地化方法有较好的同化性能.通过分析泰勒图谱甄别出新算法与观测点具有高度的相关性以及较小的空间变异性.最后,在不同维数的模糊控制器下,新算法的有效性进一步得到验证.为今后数据同化误差处理方面提供了良好的研究平台.     

一种新的耦合模糊控制局地化的同化方法

由于在数据同化过程中远距离的观测与同化状态之间存在着虚假相关,局地化方法受到广泛关注。同时,在集合数目较少的同化情况下,观测数据难以得到有效利用,使得同化效果欠佳。因此,提出了一种新的模糊控制局地化同化方法,通过模糊控制算法判断观测点与状态更新点之间的距离,构造观测位置模糊权重。利用非线性Lorenz-96模型,比较分析模糊控制局地化同化(FLETKF)算法与模糊控制同化(FETKF)方法、局地化分析同化(LETKF)算法和集合转换卡尔曼滤波(ETKF)算法在非线性强迫参数变化时的性能,同时探讨了4种算法在不同强度下的优劣。研究结果表明,新方法能够获得更有效的观测权重,避免了远距离观测与状态变量之间的虚假相关,减小由于观测数据难以得到有效利用而带来的误差,在不同观测误差协方差情况下,随着集合数的增加,4种算法中FLETKF能够保持较好的鲁棒性,在观测误差协方差较大时,FLETKF方法的均方根误差(RMSE)相对FETKF方法的RMSE值减小98.2%,提高了同化精度,但在同化所需时间上,由于模糊控制局地化同化方法在判断观测点与状态更新点之间的距离,构造观测位置等价权重需要较长的额外时间,因此,并行计算的性能需进一步研究。