尺度叠加高斯相关模型在GRAPES-RAFS中的应用

背景误差水平相关模型影响着分析增量的结构,同时也决定着不同尺度上分析增量信息的多少.为了提高中小尺度系统的分析质量,研究尺度叠加高斯相关模型的特征及其在三维变分同化系统中的应用效果.通过分析高斯模型和尺度叠加高斯模型的空间特征,以及它们的拉普拉斯算子和谱响应函数的特征,同时依据统计的背景误差特征来改进背景误差水平相关模...     

基于小波域高斯尺度混合模型的天气雷达图像高分辨率插值

采用可精确刻画雷达回波强度数据统计特征的小波域高斯尺度混合（GSM）模型作为雷达图像先验模型,进行天气雷达图像插值,在提高图像分辨率的同时有效重建降水回波中局部强回波值、小尺度变化细节等一些重要空间分布统计特征。分析和总结雷达回波强度数据小波频率域统计特点,建立小波域GSM模型;匹配天气雷达图像小波系数和GSM模型,利用贝叶斯理论估计更小尺度的小波系数,进行小波逆变换,完成高分辨率天气雷达图像插值。试验表明,该算法能从低分辨率图像中估计出高分辨率高频系数,且所利用的先验模型充分考虑降水数据本身的特点,可有效捕获降水回波结构的非高斯特征和局部相关特性,重建雷达图像中的局部变化细节。      

亚高斯贝叶斯预报处理器及其初步试验

为用户提供概率天气预报信息是公共气象服务的发展趋势,概率天气预报技术的不断改进实现了概率天气预报信息的不断优化。在众多概率天气预报技术方法中,贝叶斯预报处理器是一种新近出现的、基于贝叶斯统计理论的概率预报技术;贝叶斯预报处理器可以根据一个确定性预报系统的预报值与观测值之间代表着这个系统预报性能的统计关系,借助于贝叶斯统计理论,把一个确定性预报转化为一个概率预报,从而实现对预报不确定性的定量化。由于亚高斯似然模型可以适用于多种单调似然比随机依赖结构,故采用该似然模型的亚高斯贝叶斯预报处理器,它在气象、水文等领域具有较强的适用性。在简要介绍了连续型二维随机变量情形下的贝叶斯定理及正态-线性贝叶斯预报处理器之后,详细论述了采用单一预报因子的连续型预报量亚高斯贝叶斯预报处理器,并以长沙站和武汉站2008年1月每日00时(世界时)地面气温(T2m)的中国国家气象中心、欧洲中期天气预报中心、美国国家环境预测中心集合预报中的控制预报资料(预报时效选为96h)作为确定性预报样本,对亚高斯贝叶斯预报处理器进行了初步试验。结果表明,亚高斯贝叶斯预报处理器可以将T2m各集合预报中的控制预报转化为能定量地表达各控制预报不确定性的T2...     

山地天文辐射的地形影响与空间尺度效应研究

基于1∶25×104数字高程模型数据,依据起伏地形下天文辐射分布式模型算法,研究了陕西山地天文辐射空间分布规律,详细分析了地形因子对天文辐射的影响规律;同时,从不同的DEM分辨率和不同地貌类型两个方面探讨了天文辐射的空间尺度效应。结果表明:陕西天文辐射总量随着纬度的升高呈由南向北降低的趋势;局地地形因子对天文辐射的影响随季节、纬度、坡度及坡向等因素而变;同时山地天文辐射的空间尺度效应在地势起伏较大的山区和高原地区表现尤为明显。     

风廓线雷达风场资料质量控制初探

基于2016年2月和8月江西宜春风廓线雷达探测水平风场数据,分别利用扩展经验正交函数(EOF)分析重构法和高斯滤波法对其进行质量控制。结果发现,相比原始观测风场,EOF分析重构法和高斯滤波法均能有效过滤风廓线雷达原始风场的高频脉动。两种方法对比分析发现,对于空间尺度的瞬时扰动,EOF分析重构法质控效果优于高斯滤波法;对于时间尺度的瞬时扰动,高斯滤波法质控效果优于EOF方法。     

用ADMS-城市模型与一般高斯模型预测SO2浓度的对比分析

应用高斯模型和ADMS-城市模型分别计算了辽阳地区在不同条件下的SO2日均浓度，并与实测浓度进行了对比分析。结果表明。应用ADMS-模型可以得到与实测浓度较一致的结果。     

高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验

利用2006—2016年冬春季浙江四个海岛气象站10 m大风观测资料和ERA-interim资料,首先分析了阵风因子和阵风风速的概率分布特征;然后统计阵风与10 m至500 hPa层的气温、风速、散度、涡度、比湿、垂直速度、浮力能等要素的关系,选取高相关的预报因子;最后采用高斯过程回归方法建立阵风概率预报模型,并进行试报。(1)平均风速相同时对应的阵风因子变化较大,导致阵风也出现大的差异,说明阵风数据分布具有混沌性;阵风风速具有正态或准正态分布特点,在自然对数处理后完全符合正态分布,表明采用高斯过程回归方法建立阵风概率预报模型合理可行。(2)阵风与大气低层的动力因子相关较好,而在近中层则与热力因子相关较好。(3)阵风大值样本在大气低层具有更强的下沉速度,有利于上层动量向下输送,且大值样本对应的中层气温和比湿相对大些,说明中层暖湿气流有利于湍流的发展和不稳定能量的交换。(4)试报模型的因子权重尺度分析表明,最佳预报因子绝大多数集中在875 hPa层以下,说明大气低层因子对近地面阵风起主导作用。(5)高斯过程回归模型试报表明,大部分站点阵风预报的50%概率区间上下界跨度约为2.5 m/s,75%概率区间跨度约为4.5 m/s,样本的50%和75%概率区间击中率均符合预期。      

基于改进的高斯混合模型脑ＭＲ图像分割

ＭＲ图像中常含有偏移场以及噪声现象,传统的高斯混合模型无法得到正确的分类．在高斯混合模型目标函数中加入偏移场估计与噪声去除,完善其分 类效果,使分类结果较好地克服偏移场和噪声影响．实验表明,该算法在得到较准确的分类结果的同时还能很好地估计偏移场．     

用ADMS-城市模型与一般高斯模型预测SO_2浓度的对比分析

应用高斯模型和ADMS-城市模型分别计算了辽阳地区在不同条件下的SO₂日均浓度 ,并与实测浓度进行了对比分析。结果表明 ,应用ADMS-模型可以得到与实测浓度较一致的结果     

基于GWR模型的典型区域GPM数据降尺度研究——以浙江省为例北大核心

为提高研究区域的降尺度效果,基于地理加权回归法(Geographically Weighted Regression,GWR),选取全球降水计划(Global Precipitation Measurement,GPM)3IMERGM产品,以数字高程模型(Digital Elevation Model,DEM)作为控制解释变量,将其分别与解释变量水汽通量散度、气温构建两个降尺度模型、与解释变量归一化植被指数(Normalized Difference Vegetation Index,NDVI)构建对照降尺度模型,对浙江省进行降尺度研究。利用研究区域内气象站点的实测数据,对由不同解释变量构建的3个降尺度模型的降尺度结果进行对比分析及精度验证。结果表明:构建的3个降尺度模型中,引入解释变量水汽通量散度构建的降尺度模型的综合效果优于其余两种模型,水汽通量散度较NDVI、气温更适合作为解释变量。构建的降尺度模型有效地提高了GPM数据的空间分辨率(由0.1°提升至1 km),降尺度数据维持了精度且能够更真实反映研究区域内的降水量分布情况。     

背景误差水平相关结构对四维变分资料同化的影响研究

为考察GRAPES全球四维变分同化（4DVar）的分析增量在谱空间的时间演变特征,分析当同化时间窗起始时刻与终止时刻背景误差水平相关特征明显不一致时对分析与预报造成的影响,对GRAPES全球4DVar的背景误差水平相关采用二阶自回归模型（SOAR）、集合资料同化生成扰动样本估计的水平相关模型以及基于这两者的背景误差谱空间融合模型进行比较。结果表明,SOAR的分析增量在20波以上的天气尺度波动的分析信息明显不足,而将集合资料同化样本所计算的水平相关的功率谱方差与SOAR功率谱方差进行融合,水平相关特征呈现出多尺度水平相关的特点,可以更好地吸纳观测信息,显著改善北半球形势场、温度与风场预报效果,南半球也有改善,对赤道地区的影响中性。表明研究发展的融合水平相关方案合理、实用。      

GRAPES-3DVar高阶递归滤波方案及其初步试验

背景误差协方差矩阵B及其逆的求解是三维变分同化研究的核心问题之一.在GRAPES区域三维变分同化系统(GRAPES-3Dvar)中背景误差协方差矩阵的水平变换部分,假定各向同性并进行递归滤波运算.原有方案中采用一阶递归滤波器,但收敛不够迅速,每次循环同化时需滤波10次才能使目标函数收敛.根据Purser等2003年的研...     

雷达观测对应模式变量非线性特征及对四维变分同化的影响

四维变分同化（4DVar）中切线性模式和伴随模式的时间积分长度即为同化时间窗的长度。为理解线性模式时间积分长度对4DVar的具体影响,在雷达观测对应变量非线性分析的基础上,进行了一系列不同时间窗（10 min、20 min和30 min）4DVar单点观测试验和一次降雨的实际雷达同化和预报试验。从径向风同化来看:短时间窗（10 min）的风场增量更大、更局地;长时间窗(20 min、30 min)的风场增量则更具系统性特征,但会丢失一些小尺度信息,导致暴雨预报能力降低。从反射率同化来看:短时间窗对6 h内强降水预报有较明显的改善,较长时间窗甚至会降低降水预报效果。研究旨在为合理设置4DVar的同化时间窗提供参考,以有效利用高时空分辨率的雷达观测资料,又尽量减小线性化造成的误差,进而快速有效地同化雷达信息。      

GRAPES Hybrid-3DVar对台风苏迪罗的数值试验

为了把反映天气形势变化的背景误差协方差引入到变分分析系统中来提高分析质量,本文在GRAPES区域三维变分框架的基础上通过扩展控制变量方法实现动态与静态背景误差协方差耦合,建立混合三维变分分析系统（GRAPES Hybrid-3DVar）。通过控制变量扰动产生的集合样本进行单点观测分析试验验证Hybrid-3DVar及其局地化方案的合理性,并针对台风苏迪罗进行实际观测资料同化和数值预报试验,结果表明:用集合样本描述的背景误差协方差是随着天气流型变化的,动力场和质量场的离散度在台风中心处最大,因而混合同化的分析增量包含更多细微结构和中小尺度信息;其分析和24 h内预报要素质量优于3DVar,24 h内降水强度和落区预报也更准确,混合同化分析改善了3DVar分析的降水空报问题;同时混合同化分析的24 h内台风路径预报也最接近实况,台风强度预报在48 h之内都比3DVar更接近观测。     

The Structure of Background-error Covariance in a Four-dimensional Variational Data Assimilation System: Single-point Experiment

A four dimensional variational data assimilation (4DVar) based on a dimension-reduced projection (DRP-4DVar) has been developed as a hybrid of the 4DVar and Ensemble Kalman filter (EnKF) concepts. Its good flow-dependent features are demonstrated in single-point experiments through comparisons with adjoint-based 4DVar and three-dimensional variational data (3DVar) assimilations using the fifth-generation Pennsylvania State University-National Center for Atmospheric Research Mesoscale Model (MM5). The results reveal that DRP-4DVar can reasonably generate a background error covariance matrix (simply B-matrix) during the assimilation window from an initial estimation using a number of initial condition dependent historical forecast samples. In contrast, flow-dependence in the B-matrix of MM5 4DVar is barely detectable. It is argued that use of diagonal estimation in the B-matrix of the MM5 4DVar method at the initial time leads to this failure. The experiments also show that the increments produced by DRP-4DVar are anisotropic and no longer symmetric with respect to observation location due to the effects of the weather trends captured in its B-matrix. This differs from the MM5 3DVar which does not consider the influence of heterogeneous forcing on the correlation structure of the B-matrix, a condition that is realistic for many situations. Thus, the MM5 3DVar assimilation could only present an isotropic and homogeneous structure in its increments.     

GRAPES全球三维变分同化中卫星微波温度计亮温的背景误差及在质量控制中的应用

模式变量背景误差在观测空间的投影,也即观测变量的背景误差包含了变分同化系统的重要信息,其在诊断和分析变分同化系统中资料的影响等方面具有重要作用,特别是在背景场检查质量控制中。在GRAPES全球三维变分同化(3DVar)系统中仅给定了控制变量的背景误差,并未直接给定观测变量的背景误差。为了能够对GRAPES全球3DVar进行全面的诊断和分析,改进卫星微波温度计资料的质量控制,推导出GRAPES全球3DVar同化系统控制变量随机扰动方法估计观测变量的背景误差的公式,为分析和改进GRAPES全球3DVar提供了一个有力工具,并进而估计了AMSU-A亮温的背景误差,分析了AMSU-A不同通道亮温的背景误差特征,将其应用于GRAPES全球3DVar的AMSU-A亮温的背景场检查质量控制中。结果表明,控制变量随机扰动方法估计的GRAPES全球3DVar同化系统AMSU-A亮温的背景误差正确合理。同化循环预报试验结果表明,亮温的背景误差在背景场检查中的应用显著提高了GRAPES全球3DVar同化的亮温资料的数量,显著提高了GRAPES南半球对流层中高层位势高度场的预报技巧。在GRAPES全球3DVar同化系统中推导和实现的控制变量扰动方法为诊断和分析GRAPES全球3DVar观测资料同化效果提供了有力工具。      

Numerical experiments for Typhoon Dan incorporating AMSU-A retrieved data with 3DVM

Two sets of assimilation experiments on a landfalling typhoon—Typhoon Dan(1999)over the western North Pacific were designed to compare the performances of two kinds of variational data assimilation schemes that are the 3-Dimensional Variational data assimilation of Mapped observation(3DVM)and the 4-dimensional variational data assimilation(4DVar).Results show that:(1)both the 3DVM and 4DVar successfully improved the simulations of typhoon intensity and track incorporating the satellite AMSU-A retrieved temperature and wind data into the initial conditions,and the 3DVM more significantly due to the flow-dependent of background error covariance matrix and observation error covariance matrix like 3-dimensional variational data assimilation(3DVar)circle;(2)inclusions of extra model integration iterations at each observation time in the 3DVM make it more consistent with prediction model;(3)the 3DVM is much more time-saving due to the exclusion of the adjoint technique in it.     

物理滤波初始化四维变分在临近预报中的应用

运用WRF模式（Weather Research and Forecasting Model,天气研究和预报模式）和WRFDA同化（WRF Data Assimilation,WRF资料同化）系统,探究采用物理滤波初始化四维变分同化方法提高数值预报在临近预报时效的预报能力的可能性。通过采用12 min同化窗,在不显著增加计算量的情况下,得到更协调的模式初始场,从而提高模式预报能力。选取2018年8月华北地区17个降水个例进行研究,结果表明:采用物理滤波初始化四维变分同化技术能够明显改进模式短时临近降水预报能力,明显提高对大量级降水预报的ETS评分,6 h累积降水大于25.0 mm量级的ETS评分由0.125提高到0.190,且6 h累积降水大于60.0 mm量级的ETS评分由0.016提高到0.081。研究还表明:同化雷达风场通过改进初始动力场使次网格尺度降水过程（积云参数化）快速响应,可提高短时临近时段的降水预报能力。     

Doppler Radar Data Assimilation with a Local SVD-En3DVar Method

An observation localization scheme is introduced into an ensemble-based three-dimensional variational (3DVar) assimilation method based on the singular value decomposition technique (SVD-En3DVar) to improve assimilation skill. A point-by-point analysis technique is adopted in which the weight of each observation decreases with increasing distance between the analysis point and the observation point. A set of numerical experiments, in which simulated Doppler radar data are assimilated into the Weather Research and Forecasting (WRF) model, is designed to test the scheme. The results are compared with those obtained using the original global and local patch schemes in SVD-En3DVar, neither of which includes this type of observation localization. The observation localization scheme not only eliminates spurious analysis increments in areas of missing data, but also avoids the discontinuous analysis fields that arise from the local patch scheme. The new scheme provides better analysis fields and a more reasonable short-range rainfall forecast than the original schemes. Additional forecast experiments that assimilate real data from 10 radars indicate that the short-term precipitation forecast skill can be improved by assimilating radar data and the observation localization scheme provides a better forecast than the other two schemes.