基于集合同化方法的南海北部最优观测实验

根据集合同化理论及最优观测方法,应用基于ROMS模式的南海北部区域模拟结果作为集合样本,对该区域的最优观测廓线以及最优观测航次进行了评估和选择.最优观测方法是一种不需要直接同化观测,而通过最小化分析场误差方差理论值来选择最优观测点的方法.最优观测方法根据卡曼滤波理论中协方差矩阵的更新方程,使用一组模式或观测得到的历史样...     

集合数据同化方法的发展与应用概述

集合数据同化方法具有简洁概念化的公式和应用起来相对容易等优点,因此,它们获得了普及性的应用;近10年来集合数据同化方法已经得到了快速的发展。综述了包括集合卡尔曼滤波(EnKF,Ensemble Kalman Filter)、集合卡尔曼平滑(EnKS,Ensemble Kalman Smoother)、集合方均根滤波(EnSRF,Ensemble Square-Root Filter)和减秩卡尔曼滤波(SEEK,Singular Evolutive Extended Kalman Filter)等集合数据同化方法的研究进展状况。通过与其它数据同化方法的对比,总结出了这些方法的特点,探讨了我国在集合数据同化方法研究中存在的问题并展望了该方法的研究和应用前景。     

集合同化方法在黄海海域海表面温度同化中的应用

The effects of sea surface temperature(SST) data assimilation in two regional ocean modeling systems were examined for the Yellow Sea(YS). The SST data from the Operational Sea Surface Temperature and Sea Ice Analysis(OSTIA) were assimilated. The National Marine Environmental Forecasting Center(NMEFC) modeling system uses the ensemble optimal interpolation method for ocean data assimilation and the Kunsan National University(KNU) modeling system uses the ensemble Kalman filter. Without data assimilation, the NMEFC modeling system was better in simulating the subsurface temperature while the KNU modeling system was better in simulating SST. The disparity between both modeling systems might be related to differences in calculating the surface heat flux, horizontal grid spacing, and atmospheric forcing data. The data assimilation reduced the root mean square error(RMSE) of the SST from 1.78°C(1.46°C) to 1.30°C(1.21°C) for the NMEFC(KNU) modeling system when the simulated temperature was compared to Optimum Interpolation Sea Surface Temperature(OISST) SST dataset. A comparison with the buoy SST data indicated a 41%(31%) decrease in the SST error for the NMEFC(KNU) modeling system by the data assimilation. In both data assimilative systems, the RMSE of the temperature was less than 1.5°C in the upper 20 m and approximately 3.1°C in the lower layer in October. In contrast, it was less than 1.0°C throughout the water column in February. This study suggests that assimilations of the observed temperature profiles are necessary in order to correct the lower layer temperature during the stratified season and an ocean modeling system with small grid spacing and optimal data assimilation method is preferable to ensure accurate predictions of the coastal ocean in the YS.     

基于集合最优插值方法的南海北部海区的数据同化试验

基于ROMS(Regional Ocean Modeling System)模式建立一个南海北部集合最优插值的同化系统,并且利用2008年夏季SCOPE(Northern South China Sea Coastal Oceanographic Process Experiment)航次的温盐数据以及航次期间逐日OS...     

最优插值法在海温数据同化中的应用研究

海洋声场环境是决定海军作战行动成败的重要组成要素之一,海洋的垂直温度结构作为影响声速场的最重要因素,为了更精确更为实际的反映其分布特点,对其各种数据进行同化研究是十分必要的。文中针对海温数据来源的特点,提出了一种海温数据同化的最优插值方法,较好地完成了各种观测数据与背景数据的同化,并用各种数据进行了检验,其结果表明,利用最优插值法对海温数据进行同化处理是可行的,且同化效果比较理想。     

最优插值方法在西北太平洋海温同化中的应用研究

本文开发出一套与三维温盐流数值模式POM相匹配的最优插值数值同化模块,具有将船舶报资料和Argo海温数据加入数值模拟的能力.利用该同化系统,本文对2001～2002年进行了数值模拟试验,通过模拟结果和未加入同化的模拟结果的对比表明,该同化系统能有效地改进三维海温模拟结果,使之更为接近于观测值.     

MASNUM-WAM海浪模式集合Kalman滤波同化研究——Ⅱ.集合样本对同化效果的影响

背景误差相关结构的确定是影响海浪同化效果的关键因素之一。集合Kalman滤波是一种较为成熟的同化方法,其可以对背景误差进行实时更新和动态估计,现已广泛应用于海洋和大气领域的研究。本文基于MASNUM-WAM海浪模式,分别采用静态样本集合Kalman滤波和EAKF方法,针对2014年全球海域开展海浪数据同化实验,同化资料为Jason-2卫星高度计数据,利用Saral卫星高度计资料对同化实验结果进行检验。结果表明,两组同化方案均有效提高了海浪模式的模拟水平,EAKF方案在风场变化较大的西风带区域表现显著优于静态样本集合Kalman滤波方案,但总体上两者相差不大。综合考虑计算成本和同化效果,静态样本集合Kalman滤波方案更适用于海浪业务化预报。     

集合最优插值方法在北印度洋海浪同化中的应用

基于第三代海浪模式WaveWatch III,采用集合最优插值(EnOI)方法对北印度洋海浪进行同化数值实验研究。在集合样本选取方案上,针对不同的实验分别选取有效波高(SWH)的历史后报场(样本A)、24h变化(样本B)以及以同一时刻72h预报时效和24h预报时效的差异(样本C)用于估计背景误差协方差。样本A和样本B是为海浪模拟而设计,样本C是为海浪预报而设计;通过与由高度计数据确定的模式背景误差进行比较,认为样本B优于样本A。采用样本B对2011年北印度洋海浪场进行同化模拟,结果表明2011-03-11相对误差改进都在5%及以上,其中7月份改进效果最佳。采用样本C对2013-07的有效波高进行0~72h预报,发现同化使0~24h预报改进最明显:均方根误差改进0.12m,相对误差改进5%。浮标检验结果支持上述结论。     

集合资料同化方法的理论框架及其在海洋资料同化的研究展望

在海洋动力系统的数值模拟中,海洋资料同化是一种能够有效融合多源海洋观测资料和数值模式的方法。它不仅可以显著地提高数值模拟的效果,构造海洋再分析资料场,还能有效减少海洋和气候预报时模式初始条件的不确定性。因此,海洋资料同化对于海洋研究和业务化应用具有非常重要的意义。资料同化方法的研究一直是大气、海洋科学的热门课题之一。其中,集合卡尔曼滤波器(EnKF)是一种有效的资料同化方法,自提出以来经过了20多年的发展和改进,已经在海洋资料同化中得到了广泛的研究和应用。近年来,随着动力模式的不断发展和计算能力的提高,粒子滤波器由于不受模型线性和误差高斯分布假设的约束,也逐渐成为了当前资料同化方法研究的热点。本文分析和总结了目前关于集合卡尔曼滤波器和粒子滤波器的一些最新理论研究结果,在贝叶斯滤波理论的框架下讨论了这两类算法的关联和区别,以及各自在资料同化实践中的优势和不足。在此基础上,我们探讨了粒子滤波器应用于海洋模式资料同化的主要困难和目前可行的一些解决方法,展望了集合资料同化方法研究的新趋势,为集合资料同化方法的进一步发展和应用提供理论基础。     

集合滤波和三维变分混合数据同化方法研究

发展了一种新的混合数据同化方法——基于集合滤波和三维变分的混合数据同化方法。该方法将集合调整卡尔曼滤波(ensemble adjustment Kalman filter,EAKF)得到的集合样本扰动通过一个转换矩阵的形式直接作用到背景场上,利用顺序滤波的思想得到分析场的一个扰动;然后在三维变分(three dimensional variational analysis,3D-Var)的框架下与观测数据进行拟合,从而给出分析场的最优估计。文中以Lorenz63模型为例,开展了理想数据同化试验,结果表明,相比于集合调整卡尔曼滤波,这种新的混合同化方法可以给出更好的同化结果。     

复杂多通道带乘性噪声系统的最优固定域平滑算法

研究 1种在更弱的乘性噪声限制条件下系统的状态最优估计算法。在最优滤波算法的基础上 ,进一步给出了在线性最小方差意义下最优的固定域平滑算法。针对该算法所进行的仿真研究已表明该算法的有效性     

多尺度带乘性噪声系统的最优状态平滑算法

针对多尺度带乘性噪声系统,在多尺度最优滤波融合的基础上,进行状态最优固定域平滑算法的研究.通过推广得到的平滑算法需要大量的局部传感器参数,而分布式多尺度滤波融合后不能保留这些信息.针对这一弊端对算法进行改进,推导出仅使用融合后的一步预测及滤波值的平滑算法.该算法在线性最小方差意义下是最优的.计算机仿真验证了算法的可行性.     

东海断面调查数据的最优插值同化试验

以World Ocean Atlas(WOA)气候态月平均资料作为数据同化的背景场,以断面调查数据作为数据同化的观测场,采用最优插值法,对WOA数据进行同化处理,得到分析场,并通过一维搜索方法获得最优相关距离尺度,对分析场进行优化。将调整得到的分析场作为现场观测数据的补充,然后对其网格化并绘制等值线图。两组试验结果表明,经过同化处理后绘制得到的等值线图既保留了区域的气候态特征,又体现了观测期间的特点,在一定程度上可以避免因数据空间分辨率不足所导致的插值结果异常,较单纯使用实测数据或将实测数据与WOA数据简单叠加得到的等值线分布更合理。最优相关距离尺度的大小依同化对象数据类型的不同而不同,一维搜索方法可以较便捷的获得最优相关距离尺度,提高数据同化的效果。     

不同 AMDAR资料同化时间窗对台风“摩羯”预报影响研究

2018年第14号台风“摩羯”对山东造成了大范围暴雨和大风天气,基于WRF（Weather Research and Forecasting）模式及其Hybrid-3DVAR混合同化预报系统,对Hybrid-3DVAR不同集合协方差比例和不同航空气象数据转发（aircraft meteorological data relay,以下简称AMDAR）资料同化时间窗对台风“摩羯”预报的影响进行了数值研究。结果表明：加大集合协方差比例对台风“摩羯”路径预报有较大影响和改进;当全部取来自集合体的流依赖误差协方差时,预报的台风路径最好,降水预报也最接近实况;AMDAR资料同化对于台风路径和降水预报也有正的改进作用,但加大集合协方差比例到100%时对台风路径预报影响更大;不同资料同化时间窗会影响同化的AMDAR资料数量,从而影响台风降水精细化预报;45 min同化时间窗的要素预报误差最小,对台风造成的强降水精细特征预报最接近实况;不同资料同化时间窗主要影响台风降水预报落区分布,对台风路径预报影响相对较小。     

多通道带乘性噪声系统的最优固定域平滑算法

在以往的乘性噪声系统的观测模型中 ,由于假定各通道的乘性噪声是完全相同的 ,因此并不是真正的多通道系统。而本文则考虑各通道乘性噪声不同的情况 ,即真正意义上的多通道带乘性噪声系统。在褚东升等“噪声相关时多通道带乘性噪声系统最优滤波”的基础上 ,进一步给出了固定域平滑算法。该算法在线性最小方差意义下为最优的。通过仿真计算 ,说明了该算法的有效性     

带乘性噪声系统在加性噪声相关时的最优固定域平滑及反褶积算法

最优平滑及最优反褶积在石油地震勘探、通讯工程、语音处理等应用领域都具有十分重要的意义。以往的带乘性噪声系统的平滑及反褶积大都对系统模型的噪声特性有着较强的限制条件 ,要求动态噪声及观测噪声互相独立或只能在同时刻相关。该文给出了一种在动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形下带乘性噪声系统的固定域平滑及反褶积算法 ,该算法在线性最小方差意义下是最优的。通过仿真计算 ,说明了该算法的有效性。     

海洋资料同化对气候季节-年际预测技巧及初始场的影响试验

集合卡尔曼滤波(Ensemble Kalman filter, EnKF)是一种国内外广泛使用的海洋资料同化方案, 用集合成员的状态集合表征模式的背景误差协方差, 结合观测误差协方差, 计算卡尔曼增益矩阵, 有效地将观测信息添加到模式初始场中。由于季节、年际预测很大程度上受到初始场的影响, 因此资料同化可以提高模式的预测性能。本文在NUIST-CFS1.0预测系统逐日SST nudging的初始化方案上, 利用EnKF在每个月末将全场(full field)海表温度(sea surface temperature, SST)、温盐廓线(in-situ temperature and salinity profiles, T-S profiles)以及卫星观测海平面高度异常(sea level anomalies, SLA)观测资料同化到模式初始场中, 对比分析了无海洋资料同化以及加入同化后初始场的区别、加入海洋资料同化后模式提前1~24个月预测性能的差异以及对于厄尔尼诺-南方涛动(El Niño-southern oscillation, ENSO)预测技巧的影响。结果表明, 加入海洋资料同化能有效地改进初始场, 并且呈现随深度增加初始场改进越显著的特征。加入同化后, 对全球SST、次表层海水温度的平均预测技巧均有一定的提高, 也表现出随深度增加预测技巧改进越明显的特征。但加入海洋资料同化后, 模式对ENSO的预测技巧有所下降, 可能是由于模式误差的存在, 使得同化后的预测初始场从接近观测的状态又逐渐恢复到与模式动力相匹配的状态, 加剧了赤道太平洋冷舌偏西、中东部偏暖的气候平均态漂移。