条件非线性最优扰动在可预报性问题研究中的应用

本文总结了近年来条件非线性最优扰动方法的应用研究的主要进展.主要包括四个方面:(1)将条件非线性最优扰动(CNOP)方法拓展到既考虑初始扰动又考虑模式参数扰动,形成了拓展的CNOP方法.拓展的CNOP方法不仅能够应用于研究分别由初始误差和模式参数误差导致的可预报性问题,而且能够用于探讨初始误差和模式参数误差同时存在的情形;(2)将拓展的CNOP方法分别应用于ENSO和黑潮可预报性研究,考察了初始误差和模式参数误差对其可预报性的影响,揭示了初始误差在导致ENSO和黑潮大弯曲路径预报不确定性中的重要作用;(3)考察了阻塞事件发生的最优前期征兆(OPR)以及导致其预报不确定性的最优增长初始误差(OGR),揭示了OPR和OGR空间模态及其演变机制的相似性及其局地性特征;(4)研究了台风预报的目标观测问题,用CNOP方法确定了台风预报的目标观测敏感区,通过观测系统模拟试验(OSSEs)和/或观测系统试验(OSEs),表明了CNOP敏感区在改进台风预报中的有效性.具体地,台风OGR的主要误差分布在某一特定区域,空间分布具有明显的局地性特征,在台风OGR的局地性区域增加观测,有效改进了台风的预报技巧,该区域代表了台风预报的初值敏感区.事实上,上述El Ni(n)o事件、黑潮路径变异以及阻塞事件的OGR的空间分布也具有明显的局地性特征,这些事件的OGR刻画的局地性区域可能也代表了初值敏感区.     

一种求解条件非线性最优扰动的快速算法及其在台风目标观测中的初步检验

条件非线性最优扰动(CNOP)是Mu等2003年提出的一个新的理论方法,它是线性奇异向量在非线性情形的推广,克服了线性奇异向量不能代表非线性系统最快发展扰动的缺陷,成为非线性系统可预报性和敏感性等研究新的有效工具.然而,由于以往CNOP的求解需要采用伴随技术,计算量相当巨大,限制了该方法的推广应用.为了克服这一困难,本文基于经验正交分解(EOF),提出了一种求解CNOP的快速算法,利用GRAPES区域业务预报模式实现了CNOP快速计算,并在台风"麦莎"的目标观测研究中得到初步检验,通过观测系统模拟实验(OSSE)检验了该方法确定敏感性区域(瞄准区)的有效性和可行性.试验结果表明,用快速算法求解的CNOP,其净能量随时间快速地发展,而且发展呈非线性.在台风"麦莎"个例的目标观测试验中,用快速算法得到的预报时间为24 h的CNOP可以有效地识别瞄准区,并通过瞄准区内初值的改善,可明显减少目标区域(检验区)内24 h累计降水预报误差.尤其,累计降水预报的这种改进效果能够延伸到更长时间(如72 h),尽管检验时间是设在第24小时.进一步分析发现,24 h累计降水预报误差的减少是通过利用瞄准区内改善的初值改进初始时刻台风暖心结构、高空相对涡度以及水汽条件等而得以实现的.     

条件非线性最优扰动方法在黑潮目标观测研究中的应用

对近年来利用条件非线性最优扰动（Conditional Nonlinear Optimal Perturbation,CNOP）方法开展的黑潮目标观测研究进行了总结,主要包括日本南部黑潮路径变异的目标观测研究、黑潮延伸体模态转变的目标观测研究和源区黑潮流量变化的目标观测研究。通过计算这些事件的CNOP型扰动,发现这些事件的CNOP型扰动具有局地特征,可以作为实施目标观测的敏感区。理想回报试验结果表明,如果在由CNOP方法识别的敏感区内实施目标观测,则会大幅度提高上述事件的预报技巧。     

条件非线性最优扰动方法在适应性观测研究中的初步应用

针对适应性观测中敏感性区域的确定问题,考虑初始误差对预报结果的影响, 比较了条件非线性最优扰动(CNOP)与第一线性奇异向量(FSV)在两个降水个例中的空间结构的差异,考察了它们总能量范数随时间发展演变的异同。结合敏感性试验的分析,揭示了预报结果对CNOP类型的初始误差的敏感性要大于对FSV类型的初始误差的敏感性,因而减少初值中CNOP类型误差的振幅比减少FSV类型的收益要大。这一结果表明可以把CNOP方法应用于适应性观测来识别大气的敏感区。关于将CNOP方法有效地应用于适应性观测所面临的挑战及需要采取的对策等也进行了讨论。     

北京地区一次空气重污染过程的目标观测分析

针对北京市2016年12月16~21日的空气重污染过程进行了回报试验,探讨了该次事件预报的目标观测敏感区。使用新一代高分辨率中尺度气象模式（Weather Research Forecasting,WRF）和嵌套网格空气质量模式（Nested Air Quality Prediction Model System,NAQPMS）,针对初始气象场的不确定性,通过4套初始场资料识别了影响北京地区细颗粒物（PM2.5）预报水平的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风场、温度、比湿不确定性的影响时,发现改善黑龙江区域上述气象要素的初始场精度,对北京地区PM2.5预报不确定的减小最显著;当分别考察风场、温度、比湿的不确定性的影响时,发现初始风场精度的改善,尤其是黑龙江区域风场精度的改善,能够更大程度地减小北京地区PM2.5的预报误差,对北京东南地区的PM2.5预报误差的减小甚至可达到40%以上。因此,优先对黑龙江区域的气象场,尤其是该区域的风场进行目标观测,并将其同化到预报模式的初始场中,将会有效提高初始气象场的质量,进而大大减小北京地区PM2.5浓度的预报误差,提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量,而黑龙江地区则是该目标观测的敏感区域。     

基于集合卡尔曼变换的目标观测敏感区识别系统优化及影响试验

在基于集合卡尔曼变换(Ensemble Transform Kalman Filter,ETKF)方法的适应性观测系统的基础上,考虑湿度因子作用并增加对流层低层的大气运动信息,发展了更加适用于我国中尺度高影响天气系统敏感区识别的优化方案。针对环北京夏季暴雨和冬季降雪的高影响天气个例,分别设计4组试验进行观测敏感区识别试验,考察了优化方案目标观测敏感区识别质量,并对分析和预报结果进行了评估。结果表明:优化方案的目标观测敏感区识别效果最佳,对环北京夏季暴雨和冬季降雪天气的目标观测敏感区质量有明显改善,湿度因子可使最强观测敏感区更加集中,对夏季降水敏感区的影响比冬季降雪天气更加明显。低层大气信息的引入对最强观测敏感区的准确识别也具有重要的积极作用。目标观测敏感区的目标资料对分析和短期预报质量具有明显的正贡献。     

北京地区暴雨个例的观测敏感区研究

利用基于集合预报的相关方法对2009年7月23日发生在北京及周边地区的暴雨过程的观测敏感区进行了分析。通过WRF(Weather Research Forecast)三维变分方法对初始场进行随机扰动,形成30个初始集合样本,做了预报时效为12 h的集合预报。利用该方法分析检验区(北京及周边地区)累积降水[14:00(北京时间,下同)至20:00]相对于初始时刻(08:00)各基本要素的敏感性,确定感性要素及其对应的区域。研究发现初步确定的敏感性要素为水汽和温度,对应的敏感区分别位于北京的西南侧和北京的东北侧,且通过实况分析可知初步确定的敏感性要素和对应的敏感区具有明确的物理意义。还进一步通过观测系统模拟试验(OSSE)的资料同化验证所确定的敏感区,结果表明在水汽对应的敏感区内同化水汽对降水的预报结果有明显的改进;在温度对应的敏感区内同化温度,降水的预报准确率有了明显的提高,说明了初步确定的敏感性要素和敏感区的正确性。在水汽对应的敏感区内同化水汽的同时在温度对应的敏感区内同化温度,使降水预报的技巧有大幅度的提高,说明了温度和水汽的共同作用对提高降水预报准确率贡献最大。因此,通过基于集合预报的相关方法能够快速的确定敏感区。研究结果将为确定北京暴雨的观测敏感区提供参考。     

应用奇异向量方法的适应性观测实例研究

近年来,通过适应性观测技术来减小预报误差已成为国际上数值预报中的一项关键技术,然而实施适应性观测对减小预报误差的影响评估是一个需要深入讨论的问题。文中利用奇异向量方法以2007年3月4日东北地区暴风雪天气过程为研究对象,考察了预报误差对不同观测区域观测资料的敏感性,在确定能量范数的基础上,分析了奇异向量的水平分和特征和垂直分布特征,利用奇异向量的空间结构确定了敏感区域。通过伪逆初始扰动场作为分析误差,研究验证区域的预报误差对不同区域增加观测的敏感性,试验结果表明,在敏感区域内进行补充观测来改善分析误差,能够最有效地提高验证区域内的预报水平;而减小非敏感区域内的分析误差对减小预报误差的贡献相对较小。这些结果表明,利用奇异向量法定义敏感区进行适应性观测,能够和有限的观测资源和计算资源的条件下,最大程度地减小验证区域的预报误差,从而达到提高验证区域预报准确率的目的。     

区域初始分析误差对梅雨锋中尺度低压数值预报的影响

以梅雨锋中尺度低压个例为研究对象,根据目标观测的思想,采用NCEP和T106再分析资料分析了区域初始分析误差对梅雨锋中尺度低压数值预报误差的影响。结果表明:区域初始分析误差对数值预报误差有重要影响,改善某些特定区域初始场质量有可能改善随后数值预报的效果。但是,区域初始分析误差对数值预报误差的影响较为复杂,它与天气类型、不同个例和区域间误差相互作用等因素密切相关。对梅雨锋中尺度低压短期数值预报有较大影响的初始分析误差与梅雨锋锋区及其附近地区的要素场关系密切,相比较而言,风场似乎更加重要一些。如果对梅雨锋带中低层风切变区及相伴低空急流区有更好的描述,这将对梅雨锋中尺度低压系统数值预报效果的改善有着积极的作用。在此基础上,就相关的目标观测设计问题作了简要讨论。     

粒子滤波同化在厄尔尼诺-南方涛动目标观测中的应用

针对粒子滤波—目标观测方法的局限性,提出了能够克服该局限性的新目标观测方法,并将其应用于厄尔尼诺—南方涛动可预报性研究,揭示了东太平洋型厄尔尼诺事件和中太平洋型厄尔尼诺事件的目标观测敏感区。通过同化该敏感区的目标观测,显著减小了两类厄尔尼诺事件的预报不确定性,验证了新方法揭示的目标观测敏感区在改进厄尔尼诺预报技巧中具有更加重要的作用。     

基于CNOP方法的台风目标观测中三种敏感区 确定方案的比较研究

在目标观测中,敏感区的确定是个关键性的问题。本文详细研究了如何用条件非线性最优扰动（CNOP）方法确定敏感区。提出了三种确定敏感区的方案:水平投影方案、单点能量投影方案以及垂直积分能量方案。比较了三种方案确定的敏感区的差异,分析了它们所阐释的物理意义,讨论了它们的优缺点,并通过理想回报试验考查了不同方案确定的敏感区的有效性。对六个台风个例的应用结果显示,单点能量投影方案与垂直积分能量方案下识别的敏感区较为相似,二者与水平投影方案确定的敏感区则有较大的区别。两种能量方案确定的敏感区更多地反映了环境场对台风的影响,而水平投影方案则反映了台风自身对流不对称性结构对台风发展变化的影响。理想回报试验结果表明,由两种能量方案确定的敏感区对预报误差能量的减小程度以及路径预报的改善程度都要大于水平投影方案确定的敏感区的效果,且垂直积分能量方案确定的敏感区的有效性最高。而在强度预报方面,三种方案对预报效果的改善程度相当。因此,总的说在台风目标观测研究中,利用CNOP方法确定敏感区时,垂直积分能量方案是较佳的方案。     

条件非线性最优扰动(CNOP):简介与数值求解

介绍了条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)的定义及其在大气和海洋等可预报性研究中的应用。根据研究对象不同,CNOP分为与初始扰动有关的CNOP(CNOP-I)方法、与模式参数扰动有关的CNOP(CNOP-P)方法和同时考虑初始扰动和模式参数扰动的CNOP方法。目前,CNOP-I方法已经应用于ENSO、黑潮和阻塞可预报性以及热盐环流和草原生态系统稳定性的研究。此外,CNOP-I方法也被应用于探讨台风目标观测的研究,利用CNOP-I方法能够识别出台风预报的初值敏感区,通过观测系统模拟试验表明在初值敏感区增加观测能够有效改进台风的预报技巧。CNOP-P方法也在ENSO和黑潮可预报性以及热盐环流和草原生态系统稳定性研究中得到了应用。为了将CNOP方法应用于更多的领域,本文利用一个简单的Burgers方程,介绍了如何通过建立Burgers方程的切线性模式和伴随模式,从而利用非线性最优化算法计算获得CNOP。这一数值试验为将CNOP方法应用于更多的领域提供了借鉴。     

条件非线性最优扰动方法在台风“风神”和“凤凰”相互作用过程中的应用研究

利用条件非线性最优扰动(CNOP)方法,对2002年发生在西太平洋上的台风“风神”和“凤凰”之间的相互作用进行研究。CNOP方法可揭示出“风神”对“凤凰”单向引导作用的过程,表现为若将“凤凰”所在区域作为验证区域,用CNOP方法识别的敏感区主要位于“风神”所在区域,呈现出环绕“风神”的半环状结构;若将“风神”所在区域作为验证区域,则CNOP方法所识别的敏感区主要位于“风神”与副高交界的地方,远离“凤凰”所在的区域,可见,“风神”主要受副高的影响。敏感性试验表明,CNOP所识别的敏感区内误差的发展要大于台风中心周围区域内初始误差的发展,且在全场误差的发展中占有较大的比重,说明CNOP所识别的敏感区对验证区域的预报有较大的影响。      

适应性观测研究现状和展望

适应性观测是指为了有针对性地提高高影响天气数值预报的质量,在已有观测系统基础上对特定敏感区域/特定时段进行补充性加强观测。十多年来,这种旨在提高数值预报质量的新策略在国际上引起高度重视,成功开展了多个系列外场观测试验,并在适应性观测敏感区识别方法的发展和适应性观测资料同化后对数值预报质量影响的定量评估等方面均取得了重要的研究成果。文中简述了适应性观测问题及其目的,着重分析和总结了目标敏感区识别方法及其特点和适应性观测对数值预报质量的影响等方面的研究进展,并讨论了适应性观测资料改进未来数值预报质量需要解决的关键科学问题。     

MJO随机强迫对CNOP型初始误差演变的影响

用Zebiak-Cane模式和季节内振荡(Madden-Julian Oscillation,MJO)的参数化表述以及条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)方法,分析了以ENSO事件为基态的CNOP型初始误差的空间结构增长规律。结果表明,参数化的MJO对CNOP型初始误差的发展影响较小,其影响主要是使中东太平洋的海表面温度异常增大。CNOP型初始误差比由MJO不确定性产生的模式误差的影响大,前者可能是造成ENSO事件预报不确定性的主要误差来源。由于CNOP型初始误差的局地性,本结论可用来指导ENSO的目标观测和适应性资料同化。     

适应性观测与集合变换卡尔曼滤波方法介绍

给出适应性观测理论和集合变换卡尔曼滤波方法及其研究现状的综述。重点介绍了集合变换卡尔曼滤波方法及其相关的一些问题。在数值预报领域,一种新的途径是利用数值预报系统信息在预报时效内确定出某些区域,如果在这些区域进行补充观测,可以最有效地改进预报技能。这种方法被称为适应性或目标观测,所确定的观测区域称为敏感区,敏感区内增加观测后分析质量将得到改善,对后续的预报技能可产生最大的预期影响。目前适应性观测研究已经成为世界气象组织(WMO)组织的THORPEX计划的一个子计划。集合变换卡尔曼滤波(The Ensemble Transform Kalman Filer,简称ETKF)是一种次优的卡尔曼滤波方案,最早是作为一种适应性观测算法提出的,现在还被用于集合预报初始扰动的生成。ETKF方法不仅可以同化观测资料,而且可以估计出观测对预报误差的影响。它与其它集合卡尔曼滤波方案不同之处在于:ETKF利用集合变换和无量纲化的思想求解与观测有关的误差协方差矩阵,可以快速估计出不同附加观测造成的预报误差协方差的减少量,预报误差减少最多的一组观测所对应的区域就是所寻找的敏感区。     

台风“灿鸿”(1509)的适应性观测敏感区特征及其模拟观测同化研究

适应性观测可以改善资料同化和预报质量。本文利用集合卡尔曼变换适应性观测系统对2015年09号台风“灿鸿”进行了观测敏感区识别,并以第一目标时刻的观测敏感区为基础,运用观测系统模拟试验方法获取模拟的适应性观测资料。基于WRF中尺度同化和预报系统,开展了适应性观测敏感区模拟资料的同化和预报试验。研究发现,台风“灿鸿”(1509)的观测敏感区主要位于台风中心的东北侧及东南侧。同化敏感区内模拟观测资料比同化常规观测资料能更好地改善分析质量和高度、台风路径的预报质量,但对降水的预报改善较弱。     

地面观测资料在快速更新同化系统中的敏感性试验

通过对2011年7月31日发生在上海的局地强对流过程,利用快速更新同化系统(SMS-WARR),设计了四个试验,对地面观测资料(常规地面观测资料、加密自动气象站资料)进行敏感性数值试验。结果表明:不同地面观测资料同化对模式初始场的调整作用不同,地面观测资料的疏密影响模式初始场预报,加密自动站气象资料同化对初始温度场、风场的影响最明显;所有试验中,同化所有观测资料的模式能较好地模拟出此次强降水过程,且模拟的地面温度场、风场以及辐合线的演变与实况基本一致;通过分析、比较各试验初始场和预报结果的影响发现,同化所有地面观测资料能改善模式的初值,且观测资料通过循环同化的方式融合进模式,提高了模式对强对流中尺度结构特征的刻画,改善了对局地强对流天气系统的预报效果。     

Lorenz 96模式中三种目标观测方法的有效性比较

目标观测是有效提升观测效能和观测质量的一种观测策略,其核心部分是敏感区的识别。本文在Lorenz-96模式上比较了奇异向量法(SVs)、集合变换卡尔曼滤波法(ETKF)和条件非线性最优扰动法(CNOP)识别敏感区的优劣,并尝试揭示ETKF方法性能不稳定的原因与机制。试验结果表明:在312h内的不同预报时刻,CNOP方法识别的敏感区范围较小且对预报效果的提升率最高;SVs方法识别的敏感区对72h内的预报有较好的改进,但72h后改进程度急剧下降,到120h后基本失效;ETKF方法识别的敏感区在72h内不如其他方法的效果好。此外,在ETKF方法识别的敏感区与随机选取的敏感区对比中发现,由于ETKF方法操作时采用顺序观测资料处理方案搜寻敏感区,本质上忽略了观测资料间的相关性,导致ETKF方法识别出的敏感区并不一定是全局信号方差最大的区域,对预报效果的改善有限,这也说明了如何优化敏感区搜寻方案是提高ETKF方法效能的关键。     

伴随敏感性方法、第一奇异向量方法以及条件非线性最优扰动方法在台风目标观测敏感区识别中的比较研究

本文通过深入分析伴随敏感性（ADS）方法、第一奇异向量（LSV）方法、以及条件非线性最优扰动（CNOP）方法在目标观测敏感区识别方面的原理,提出了非线性程度的概念和计算方法,考察了转向型和直线型台风的非线性程度,分析了上述三种方法在不同非线性程度下识别的敏感区的异同,同时对比了转向型和直线型台风的敏感区的差异,并通过敏感性试验探讨了在不同非线性程度下以及在转向型与直线型台风中,预报对敏感区内初值的敏感性程度,进而探讨台风目标观测在不同情况下的有效性。结果表明,转向型台风的非线性程度差别比较大,或者特别强,或者特别弱;而直线型台风非线性程度居中,不同台风个例之间的非线性程度差别较小。对于非线性较弱的台风,三种方法识别的敏感区较为相似,而对于非线性较强的台风,LSV方法与ADS方法识别的敏感区较为相似,但是与CNOP方法识别的敏感区具有较大的差别。对于转向型台风,敏感区主要位于行进路径的右前方,而对于直线型台风,敏感区主要位于初始台风位置的后方。敏感性试验表明,不论台风非线性强弱,转向还是直行,CNOP敏感区内的随机扰动发展最大,而LSV敏感区内叠加的随机扰动发展次之,ADS敏感区内叠加的扰动发展最小;此外,非线性弱的台风,扰动的发展大于非线性强的台风的扰动的发展,表明非线性弱的台风预报受初值影响更大,目标观测的效果可能会更明显。