EnKF中误差协方差优化方法及在资料同化中应用

集合卡尔曼滤波 (the Ensemble Kalman Filter,简称EnKF) 中将预报集合的统计协方差作为预报误差协方差,但该估计可能严重偏离真实的预报误差协方差,影响同化精度。基于极大似然估计理论,发展了一种优化预报误差协方差矩阵的实时膨胀方法,即MLE (the Maximum Likelihood Estimation) 方法。利用蒙古国基准站Delgertsgot (简称DGS站) 观测资料,基于EnKF方法和MLE方法,在通用陆面模式 (the Common Land Model,简称CoLM) 中同化了地表温度和10 cm土壤温度观测资料,建立了土壤温度同化系统。结果表明:MLE方法对地表温度和各层土壤温度 (尤其深层土壤温度) 的估计比EnKF方法准确。考虑到浅层和深层土壤温度的差别,在实施MLE方法时对浅层和深层土壤温度采用了不同的膨胀因子。对比膨胀因子为单一标量时的结果,多因子膨胀能缓解深层土壤温度的不合理膨胀,改善同化效果。     

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。      

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。     

WRF-EnKF系统对中国南方一次暴雨过程确定性预报的试验

文章利用美国宾州州立大学的WRF EnKF(Ensemble Kalman Filter)实时预报系统(Real time Penn State WRF EnKF System),针对2013年5月15—16日发生在中国南方的暴雨过程进行了数值预报试验,以初步检验该系统对我国南方降水确定性预报的效果。数值试验采用2013年5月14日08时（北京时）起报的6 h间隔的1°×1° NCEP GFS (globle forecast system) 60 h预报数据（预报到5月16日20时）作为初始条件和边界条件。其中,控制试验不同化任何观测资料,同化试验通过集合卡尔曼滤波方法同化常规探空资料,分别进行确定性预报。结果表明：利用WRF EnKF系统同化常规探空资料,显著改善了数值预报的初始场,减小了各物理量的预报偏差和预报均方根误差,进而提高了此次暴雨过程的降水落区和强度的预报准确率。     

登陆台风强度变化过程预报的影响试验研究

探索了基于WRF模式的集合卡尔曼滤波同化方法（WRF-EnKF,简称EnKF）在近海有可能达到更强台风连续循环同化中国大陆高时空分辨率多普勒天气雷达径向风观测资料的效果,同时检验台风Vicente（2012）的三维结构演变及其动力学特征。通过短期集合预报得到跟随当前流场变化着的背景误差协方差的台风涡旋和动力学结构。研究发现,EnKF同化预报系统能有效地同化高时空分辨率雷达径向速度观测资料,显著改善初始场中台风Vicente的中小尺度内核结构,同时提高对台风Vicente的路径和强度及其相伴随的短期强降水预报。在台风最强时刻同化雷达径向风观测能快速（1~2 h）得到真实的暖核台风结构,同时进一步提高台风路径和强度的预报。另外,EnKF同化雷达径向风观测资料还能有效提高短期降水预报,1 h和3 h累积降水的分布、降水中心以及降水随时间演变都能得到显著改善,这与改善台风路径、结构和强度有密切关系。因此,对中国东南沿海有可能达到较强的台风进行同化雷达径向风观测资料可改善登陆台风的预报水平,这为利用我国地基多普勒天气雷达观测资料改善模式的初始场从而提高台风预报提供一定的指示作用。      

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。     

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。     

ETKF协方差膨胀方案对WRFDA混合同化及预报的影响

为讨论集合变换卡尔曼滤波不同协方差膨胀方案对集合-变分混合同化及预报的影响,开展了中国中东部区域一次连续大范围降水过程的连续10天的循环同化和预报试验。结果表明:4种不同的协方差膨胀方案相对于无协方差膨胀的方案,均有效地提高了混合同化和预报的效果。将同化时次之前所有膨胀系数平均值作为新膨胀系数的方案,同化和预报的效果均是最差的;其他3种协方差膨胀方案效果较为接近略有区别:对于风场,将预报误差协方差投影到集合子空间的方案和采用平均新息协方差信息的方案表现较好;对于温度场、湿度场和降水预报,采用平均新息协方差信息的方案和采用了同化时次前两次集合预报比率的方案较好。     

非线性滤波在含“开关”过程的资料同化中的应用研究

利用一个描述实际数值天气预报模式中比湿在单格线上随时间发展的偏微分方程作为控制方程,研究分析了非线性滤波方法在含开关过程的资料同化中的有效性和可行性。首先在贝叶斯理论框架下,讨论了一般情形的非线性滤波方法,然后对基于粒子滤波(PF)和基于集合卡尔曼滤波(EnKF)的两种同化方法进行对比,由于EnKF是通过对集合成员的统计分析得到的误差分布的一阶矩和二阶矩来近似真实误差分布的,所以当用高斯分布近似真实误差分布所产生的误差较大时,基于EnKF的同化方法得到的结果也会有较大的误差。最后分别从观测算子为线性和非线性、观测误差为高斯型和非高斯型4种情形进行数值试验,结果显示当观测误差为高斯型时,无论观测算子为线性还是非线性,基于PF和基于EnKF的同化方法都能克服由开关过程给资料同化带来的困难,给出满意的同化结果;而当观测误差为非高斯型时,EnKF出现滤波不稳定,产生了非理想的同化结果,但PF方法仍然能够有效地发挥作用,给出满意的同化结果。     

A ＂Dressed＂ Ensemble Kalman Filter Using the Hybrid Coordinate Ocean Model in the Pacific

The computational cost required by the Ensemble Kalman Filter (EnKF) is much larger than that of some simpler assimilation schemes, such as Optimal Interpolation (OI) or three-dimension variational assimilation (3DVAR). Ensemble optimal interpolation (EnOI), a crudely simplified implementation of EnKF, is sometimes used as a substitute in some oceanic applications and requires much less computational time than EnKF. In this paper, to compromise between computational cost and dynamic covariance, we use the idea of ``dressing' a small size dynamical ensemble with a larger number of static ensembles in order to form an approximate dynamic covariance. The term ``dressing' means that a dynamical ensemble seed from model runs is perturbed by adding the anomalies of some static ensembles. This dressing EnKF (DrEnKF for short) scheme is tested in assimilation of real altimetry data in the Pacific using the HYbrid Coordinate Ocean Model (HYCOM) over a four-year period. Ten dynamical ensemble seeds are each dressed by 10 static ensemble members selected from a 100-member static ensemble. Results are compared to two EnKF assimilation runs that use 10 and 100 dynamical ensemble members. Both temperature and salinity fields from the DrEnKF and the EnKF are compared to observations from Argo floats and an OI SST dataset. The results show that the DrEnKF and the 100-member EnKF yield similar root mean square errors (RMSE) at every model level. Error covariance matrices from the DrEnKF and the 100-member EnKF are also compared and show good agreement.     

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。     

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.     

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。     

Estimating the Soil Moisture Profile by Assimilating Near-Surface Observations with the Ensemble Kalman Filter （EnKF）

The paper investigates the ability to retrieve the true soil moisture profile by assimilating near-surface soil moisture into a soil moisture model with an ensemble Kalman filter （EnKF） assimilation scheme, including the effect of ensemble size, update interval and nonlinearities in the profile retrieval, the required time for full retrieval of the soil moisture profiles, and the possible influence of the depth of the soil moisture observation. These questions are addressed by a desktop study using synthetic data. The ＂true＂ soil moisture profiles are generated from the soil moisture model under the boundary condition of 0.5 cm d^-1 evaporation. To test the assimilation schemes, the model is initialized with a poor initial guess of the soil moisture profile, and different ensemble sizes are tested showing that an ensemble of 40 members is enough to represent the covariance of the model forecasts. Also compared are the results with those from the direct insertion assimilation scheme, showing that the EnKF is superior to the direct insertion assimilation scheme, for hourly observations, with retrieval of the soil moisture profile being achieved in 16 h as compared to 12 days or more. For daily observations, the true soil moisture profile is achieved in about 15 days with the EnKF, but it is impossible to approximate the true moisture within 18 days by using direct insertion. It is also found that observation depth does not have a significant effect on profile retrieval time for the EnKF. The nonlinearities have some negative influence on the optimal estimates of soil moisture profile but not very seriously.     

A Time-Averaged Covariance Method in the EnKF for Argo Data Assimilation

In the ensemble Kalman filter (EnKF), ensemble size is one of the key factors that significantly affects the performance of a data assimilation system. A relatively small ensemble size often must be chosen because of the limitations of computational resources, which often biases the estimation of the background error covariance matrix. This is an issue of particular concern in Argo data assimilation, where the most complex state-of-the-art models are often used. In this study, we propose a time-averaged covariance method to estimate the background error covariance matrix. This method assumes that the statistical properties of the background errors do not change significantly at neighbouring analysis steps during a short time window, allowing the ensembles generated at previous steps to be used in present steps. As such, a joint ensemble matrix combining ensembles of previous and present steps can be constructed to form a larger ensemble for estimating the background error covariance. This method can enlarge the ensemble size without increasing the number of model integrations, and this method is equivalent to estimating the background error covariance matrix using the mean ensemble covariance averaged over several assimilation steps. We apply this method to the assimilation of Argo and altimetry datasets with an oceanic general circulation model.

Experiments show that the use of this time-averaged covariance can improve the performance of the EnKF by reducing the root mean square error (RMSE) and improving the estimation of error covariance structure as well as the relationship between ensemble spread and RMSE.

RÉSUMÉ [Traduit par la rédaction] Dans le filtre de Kalman d'ensemble (EnKF), la taille de l'ensemble est l'un des facteurs clés qui ont une influence importante sur la performance d'un système d'assimilation de données. Il faut souvent choisir une taille d'ensemble assez petite à cause des limites des ressources informatiques, ce qui biaise souvent l'estimation de la matrice de covariance de l'erreur de fond. Cette question revêt une importance particulière pour l'assimilation des données Argo, qui fait souvent appel à des modèles de pointe très complexes. Dans cette étude, nous proposons une méthode de covariance moyennée dans le temps pour estimer la matrice de covariance de l'erreur de fond. Cette méthode suppose que les propriétés statistiques des erreurs de fond ne changent pas de façon importante d'une étape d'analyse à la suivante durant un court laps de temps, ce qui permet d'utiliser dans les étapes courantes les ensembles générés aux étapes précédentes. Ainsi, on peut construire une matrice d'ensembles conjoints combinant les ensembles des étapes précédentes et courantes pour former un plus grand ensemble dans le but d'estimer la covariance de l'erreur de fond. Cette méthode peut accroître la taille de l'ensemble sans augmenter le nombre d'intégrations du modèle; elle équivaut à estimer la matrice de covariance de l'erreur de fond en utilisant la covariance moyenne de l'ensemble calculée sur plusieurs étapes d'assimilation. Nous appliquons cette méthode à l'assimilation des ensembles de données Argo et d'altimétrie avec un modèle de circulation océanique générale.

Des essais montrent que l'emploi de cette covariance moyennée dans le temps peut améliorer la performance de l'EnKF en réduisant l’écart-type et en améliorant l'estimation de la structure de la covariance de l'erreur de même que la relation entre l'étalement et l'écart-type l'ensemble.     

A Prototype Regional GSI-based EnKF-Variational Hybrid Data Assimilation System for the Rapid Refresh Forecasting System:Dual-Resolution Implementation and Testing Results

A dual-resolution(DR) version of a regional ensemble Kalman filter(EnKF)-3D ensemble variational(3DEnVar) coupled hybrid data assimilation system is implemented as a prototype for the operational Rapid Refresh forecasting system. The DR 3DEnVar system combines a high-resolution(HR) deterministic background forecast with lower-resolution(LR) EnKF ensemble perturbations used for flow-dependent background error covariance to produce a HR analysis. The computational cost is substantially reduced by running the ensemble forecasts and EnKF analyses at LR. The DR 3DEnVar system is tested with 3-h cycles over a 9-day period using a 40/13-km grid spacing combination. The HR forecasts from the DR hybrid analyses are compared with forecasts launched from HR Gridpoint Statistical Interpolation(GSI) 3D variational(3DVar)analyses, and single LR hybrid analyses interpolated to the HR grid. With the DR 3DEnVar system, a 90% weight for the ensemble covariance yields the lowest forecast errors and the DR hybrid system clearly outperforms the HR GSI 3DVar.Humidity and wind forecasts are also better than those launched from interpolated LR hybrid analyses, but the temperature forecasts are slightly worse. The humidity forecasts are improved most. For precipitation forecasts, the DR 3DEnVar always outperforms HR GSI 3DVar. It also outperforms the LR 3DEnVar, except for the initial forecast period and lower thresholds.