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。     

AMSR-E土壤湿度产品在锡林浩特草地样区的精度验证

AMSR-E土壤湿度产品已逐渐应用于气象,农业等各个领域,对土壤湿度的研究,特别是干旱半干旱地区,有着重要的科研和现实意义.为了验证AMSR-E土壤湿度产品在锡林浩特草地的适用性,利用锡林浩特草地野外实验,在3 km×3km范围内,与同经纬度地面9个点的2 cm土壤体积含水量数据作产品精度验证.通过与降水量的比较,验证了AMSR-E土壤湿度产品的可靠性,通过与地面实测值的比较,验证结果表明,AMSR-E反演的平均土壤体积含水量与地面实测平均土壤体积含水量分别为13.3%和11.8%,两者土壤体积含水量的RMSE为3.7%.     

AMSR-E卫星亮度温度数据在高原东北部土壤湿度观测和模拟中的应用

为了改进青藏高原东北部土壤湿度的观测和模拟效果,利用AMSR-E(Advanced Microwave Scanning Radiometer-EOS)亮度温度资料,估算了高原东北部的土壤湿度值;还利用耦合了Noah陆面模型的WRF中尺度模式WRF-Noah,结合牛顿松驰逼近同化法对AMSR-E估算的土壤湿度进行了同化试验。结果表明:与实测及NCEP再分析值土壤湿度相比,估算的高原东北部的土壤湿度值虽小些,但能够体现土壤湿度随降水事件等的影响。使用牛顿松弛逼近法同化后比没有同化或采用直接替代法模拟的土壤湿度的效果要好。在区域尺度上,通过对牛顿松弛逼近法中质量因子的详细控制,采用该同化方法后对沙漠地区土壤湿度的模拟改善最为明显,其次是草地以及灌木丛与草地混合区;在时间尺度上,采用牛顿松弛逼近同化方法后模拟值与实测值的均方根误差得到减少。     

不同模式误差方案在集合Kalman滤波土壤湿度同化中的比较试验

本文主要目的是探讨不同模式误差方案在土壤湿度同化中的性能。基于集合Kalman滤波同化方法和AVIM (Atmosphere-Vegetation Interaction Model) 陆面模式, 利用理想试验对膨胀因子方案 (Covariance Inflation, 简称CI)、 直接随机扰动方案 (Direct Random Disturbance, 简称DRD)、 误差源扰动方案 (Source Random Disturbance, 简称SRD) 等3种模式误差方案的同化效果进行了比较, 讨论了各方案在不同观测误差、 观测层数、 观测间隔情况下的同化性能。试验结果表明在观测误差估计完全准确的情况下, 3种方案都能获得较好的同化效果, 并且SRD方案相对于真值的均方根误差最小。当观测误差估计不准确时, SRD方案的同化效果仍能基本得以保持, 而CI和DRD方案则对观测误差估计更为敏感, 同化效果下降明显。当同化多层观测时, CI和DRD方案由于难以保持不同层观测之间的匹配关系, 同化结果反而变差, 而SRD方案能有效协调同化多层观测, 增加观测层后同化结果有了进一步的改善。当观测时间间隔较大时, CI和DRD方案的同化效果显著下降; 而SRD方案由于包含了一定的误差订正功能, 在观测稀疏时仍能保持较好的同化效果。     

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。     

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。     

时间扩展取样集合卡尔曼滤波同化模拟探空试验研究

目前,集合卡尔曼滤波同化预报循环系统主要的计算量和时间都花费在样本成员的预报上,小样本数虽能减少计算量,但样本数过少,特别是当有模式误差时,又会导致滤波发散。为了提高集合卡尔曼滤波同化预报循环系统的效率并减轻滤波发散等问题,开展了基于WRF的时间扩展取样集合卡尔曼滤波同化模拟探空的试验研究,以考察其在中尺度模式中的同化效果。预报时对一组样本数为Nb的样本,不仅在分析时刻取样,同时也在分析时刻前和后每间隔Δt时间进行M次取样,即在没增加预报样本数的情况下,增加了分析样本成员数(Nb+2M×Nb),从而在保证不降低分析精度的前提下,也达到减小集合卡尔曼滤波的计算量的要求。通过一系列试验来检验时间扩展取样的时间间隔Δt及在分析时刻前和后最大取样次数M对同化结果的影响。试验结果表明,当选择合适的Δt和M时,时间扩展集合卡尔曼滤波的同化效果非常接近于样本数为(1+2M)×Nb的传统集合卡尔曼滤波效果,具有一定的可行性。     

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。     

集合卡尔曼滤波同化多普勒雷达资料的观测系统模拟试验

本文将集合卡尔曼滤波同化技术应用到对流尺度系统中,实施了基于WRF模式的同化单部多普勒雷达径向风和反射率因子的观测系统模拟试验,验证了其在对流尺度中应用的可行性和有效性,并对同化系统的特性进行了探讨。试验表明:WRF-EnKF雷达资料同化系统能较准确分析模式风暴的流场、热力场、微物理量场的细致特征;几乎所有变量的预报和分析误差经过同化循环后都能显著下降,同化分析基本上能使预报场在各层上都有所改进,对预报场误差较大层次的更正更为显著;约8个同化循环后,EnKF能在雷达反射率、径向风观测与背景场间建立较可靠的相关关系,使模式各变量场能被准确分析更新,背景场误差协方差在水平方向和垂直方向都有着复杂的结构,是高度非均匀、各项异性和流依赖的;集合平均分析场做的确定性预报在短时间内能较好保持真值场风暴的细节结构,但预报误差增长较快。     

臭氧卫星观测资料同化系统构建及其试验研究

为检验臭氧卫星资料同化对臭氧分析场和预报场的影响,基于集合平方根滤波(ENSRF)理论,结合通用地球系统模式(CESM),构建了CESM-ENSRF同化预报系统。系统构建过程考虑了卡尔曼滤波同化中的关键问题:利用全场随机扰动对初始场加扰,结合一般协方差膨胀和松弛协方差膨胀方法实现协方差膨胀,使用五阶距离相关函数进行协方差局地化。将构建的系统用于微波临边探测器(MLS)臭氧廓线数据的同化,分析臭氧卫星资料同化对模式预报的影响。结果表明:构建的CESM-ENSRF同化系统有效实现了臭氧资料同化,臭氧卫星资料同化对臭氧分析场和预报场精度有较大改进。     

A Multimodel Ensemble-based Kalman Filter for the Retrieval of Soil Moisture Profiles

With the combination of three land surface models (LSMs) and the ensemble Kalman filter (EnKF), a multimodel EnKF is proposed in which the multimodel background superensemble error covariance matrix is estimated by two different algorithms: the Simple Model Average (SMA) and the Weighted Average Method (WAM). The two algorithms are tested and compared in terms of their abilities to retrieve the true soil moisture profile by respectively assimilating both synthetically-generated and actual near-surface soil moisture measurements. The results from the synthetic experiment show that the performances of the SMA and WAM algorithms were quite different. The SMA algorithm did not help to improve the estimates of soil moisture at the deep layers, although its performance was not the worst when compared with the results from the single-model EnKF. On the contrary, the results from the WAM algorithm were better than those from any single-model EnKF. The tested results from assimilating the field measurements show that the performance of the two multimodel EnKF algorithms was very stable compared with the single-model EnKF. Although comparisons could only be made at three shallow layers, on average, the performance of the WAM algorithm was still slightly better than that of the SMA algorithm. As a result, the WAM algorithm should be adopted to approximate the multimodel background superensemble error covariance and hence used to estimate soil moisture states at the relatively deep layers.     

AMSR2辐射率资料同化对台风“山神”分析和预报的影响研究

在WRFDA-3DVar（Weather Research and Forecasting model's 3-dimensional variational data assimilation）的框架下,添加了新的探测器AMSR2（Advanced Microwave Scanning Radiometer 2）微波辐射率资料的同化模块,实现了AMSR2辐射率资料在中小尺度同化系统中的有效使用。台风"山神"（Son-Tinh）直接同化AMSR2资料的个例试验结果表明,AMSR2资料可以很好的探测出台风的形态,并且与没有同化该资料的控制试验相比,同化AMSR2辐射率资料可以有效提高模式分析场的质量,进一步提高了台风中心气压,最大风速和台风路径的预报。     

Time-Expanded Sampling Approach for Ensemble Kalman Filter:Experiment Assimilation of Simulated Soundings

In the Ensemble Kalman Filter (EnKF) data assimilation-prediction system, most of the computationtime is spent on the prediction runs of ensemble members. A limited or small ensemble size does reduce thecomputational cost, but an excessively small ensemble size usually leads to filter divergence, especially whenthere are model errors. In order to improve the efficiency of the EnKF data assimilation-prediction systemand prevent it against filter divergence, a time-expanded sampling approach for EnKF based on the WRF(Weather Research and Forecasting) model is used to assimilate simulated sounding data. The approachsamples a series of perturbed state vectors from Nb member prediction runs not only at the analysis time(as the conventional approach does) but also at equally separated time levels (time interval is △t) beforeand after the analysis time with M times. All the above sampled state vectors are used to construct theensemble and compute the background covariance for the analysis, so the ensemble size is increased fromNb to Nb+2M￡Nb=(1+2M)×Nb) without increasing the number of prediction runs (it is still Nb). Thisreduces the computational cost. A series of experiments are conducted to investigate the impact of △t (thetime interval of time-expanded sampling) and M (the maximum sampling times) on the analysis. The resultsshow that if △t and M are properly selected, the time-expanded sampling approach achieves the similareffect to that from the conventional approach with an ensemble size of (1+2M)×Nb, but the number ofprediction runs is greatly reduced.     

Evaluating Soil Moisture Predictions Based on Ensemble Kalman Filter and SiB2 Model

Soil moisture is an important variable in the fields of hydrology, meteorology, and agriculture, and has been used for numerous applications and forecasts. Accurate soil moisture predictions on both a large scale and local scale for different soil depths are needed. In this study, a soil moisture assimilation and prediction based on the Ensemble Kalman Filter(EnKF) and Simple Biosphere Model(SiB2) have been performed in Meilin watershed, eastern China, to evaluate the initial state values with different assimilation frequencies and precipitation influences on soil moisture predictions. The assimilated results at the end of the assimilation period with different assimilation frequencies were set to be the initial values for the prediction period. The measured precipitation, randomly generated precipitation,and zero precipitation were used to force the land surface model in the prediction period. Ten cases were considered based on the initial value and precipitation. The results indicate that, for the summer prediction period with the deeper water table depth, the assimilation results with different assimilation frequencies influence soil moisture predictions significantly. The higher assimilation frequency gives better soil moisture predictions for a long lead-time. The soil moisture predictions are affected by precipitation within the prediction period. For a short lead-time, the soil moisture predictions are better for the case with precipitation, but for a long lead-time, they are better without precipitation. For the winter prediction period with a lower water table depth, there are better soil moisture predictions for the whole prediction period. Unlike the summer prediction period, the soil moisture predictions of winter prediction period are not significantly influenced by precipitation. Overall, it is shown that soil moisture assimilations improve its predictions.     

云雨条件下AMSR2微波成像资料同化试验及其在台风预报中的应用

采用WRF-ARW和WRFDA的3.8版本进行云雨条件下AMSR2(Advanced Microwave Scanning Radiometer 2)卫星微波成像资料的同化试验,并选择2014年7月第9号台风"威马逊"为研究对象,检验同化云雨条件下的AMSR2资料对台风预报结果的影响。结果表明:(1)云雨条件下的质量控制方案所保留的像元明显多于晴空条件下质量控制方案,且亮温模拟结果更加接近观测;(2)云雨影响的加入使得风场、高度场和海平面气压场的模拟结果好于晴空条件下模拟,且对台风中心有增温、增湿的作用。(3)云雨条件下模拟对台风的路径和强度预报均有改善。     

四维变分同化和集合平方根滤波联合反演土壤湿度廓线的研究

提出将集合平方根滤波（EnSRF）估计的预报误差协方差用于四维变分（4DVAR）的同化方案（文中称混合四维变分同化方法,简称混合方法）来反演土壤湿度廓线,该方法由两个同化时段构成: 第一时段为EnSRF,第二时段为4DVAR,此种组合可以充分发挥每一同化方法的优势。通过同化表层土壤湿度观测反演土壤湿度廓线这一理想试验来验证方法的可行性,并与EnSRF和4DVAR的反演结果进行比较,结果表明, 混合方法反演的分析时刻土壤湿度廓线都优于EnSRF和4DVAR的结果。与此同时,为了克服小样本在估算背景场误差协方差矩阵时出现的虚假相关对反演的干扰, 提出在原有协方差矩阵中加入具有高斯指数函数成分来降低其影响;与修正前结果相比,反演的中下层（地下34～100 cm） 土壤湿度的均方根误差从0.036 cm3/cm3降到0.016 cm3/cm3, 降幅为55.6%, 更重要的是大大降低了部分深度处反演土壤湿度的误差, 如地下90 cm处误差从0.085 cm3/cm3降到0.024 cm3/cm3, 降幅达71.8%。     

土壤湿度对卫星辐射率资料直接同化的影响

本研究利用WRF模式及其三维变分同化系统实现了对NOAA-16 AMSU-A微波资料的直接同化,针对2010年6月19日江西地区的一次强降水过程开展模拟与同化试验,并利用中国区域土壤湿度同化系统(CLSMDAS—China Land Soil Moisture Data Assimilation System)输出的土壤湿度值替换NCEP(National Centers for Environmental Prediction)资料中的土壤湿度,研究土壤湿度初值对辐射率资料直接同化中观测场与背景场偏差调整的影响。结果表明:采用CLSMDAS输出土壤湿度初值条件下模拟的亮温值与实际观测值更为接近,经过质量控制和偏差订正后更多的观测资料能够进入到同化系统中,说明改进的土壤湿度初值条件下观测算子的计算值得到正的调整,对低层地表通道的改进效果明显,尤其以50.3 GHz的窗区通道3的结果最为理想;针对此次强降水过程中24 h累积降水分布的模拟结果,CLSMDAS输出土壤湿度初值条件下同化AMSU-A资料,能够较为准确的把握整个雨带的走向、大雨以上级别降水的落区范围、降水中心落区及强度等。说明准确的土壤湿度初值能够改进卫星辐射率资料的同化结果,进而提高数值模式的模拟预报能力。     

考虑植被的热惯量法反演土壤湿度的一次试验

应用NOAA／AVHRR通道1、通道2和通道4资料计算表观热惯量和植被指数，并结合农业气象试验站观测的土壤湿度，分别建立了传统的和考虑植被指数的表观热惯量估算实验区域土壤湿度的方程。