贝叶斯膨胀算法对EnSRF雷达资料同化的影响研究

本文针对2009年6月5日发生在我国华东地区的一次中尺度对流过程（Mesoscale Convective System,简称MCS）,基于集合均方根滤波（Ensemble Square Root Filter,简称EnSRF）方法同化多部多普勒天气雷达资料,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,分析了两种膨胀算法对EnSRF同化效果的影响。结果表明:贝叶斯膨胀算法同化的雷达组合反射率因子在强对流中心处有所增强,改善了基于常数膨胀算法的EnSRF同化强对流系统偏弱的问题。相比常数膨胀算法,贝叶斯膨胀算法同化的冷池结构更合理,径向风和反射率因子的均方根误差均减少。进一步探讨贝叶斯膨胀算法对同化效果改善的原因,结果发现:贝叶斯膨胀参数的分布与反射率因子的均方根误差分布十分吻合,这表明贝叶斯膨胀算法可以在背景场均方根误差较大,即背景场与观测差距较大时,给出较大的膨胀参数,进而增加集合的背景场误差,使得观测权重增大,从而给出了较大的分析增量。对集合平均分析场进行了1小时的确定性预报发现,贝叶斯膨胀算法提高了预报模式对安徽与江苏交界处的强对流系统的模拟效果,回波强度更强,冷池强度和范围更大,且对于不同组合反射率因子的阀值,贝叶斯膨胀算法的评分（Equitable Threat Score,简称ETS）均高于常数膨胀算法。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EnSRF同化雷达资料的效果。     

EnKF局地化算法对雷达资料同化的影响研究

分级集合滤波(Hierarchical Ensemble Filter,HEF)和采样误差修正(Sampling Error Correction,SEC)局地化算法能够使采样误差取得极小值,且不需要给出距离的定义。为了检验其理论优势,基于集合卡尔曼滤波(Ensemble Kalman Filter,En KF)方法同化模拟雷达资料,通过与Gaspari-Cohn(GC)局地化算法对比,分析不同局地化算法对En KF同化效果的影响。结果表明,HEF和SEC局地化算法的雷达回波在水平和垂直方向上均强于GC局地化算法。HEF局地化算法各个变量的离散度最高,均方根误差最低;SEC局地化算法离散度略低,均方根误差略高;GC局地化算法离散度最低,均方根误差最高。相比于GC局地化算法,HEF和SEC局地化算法的冷池强度减弱,面积减小,下沉气流的速度和范围增大,雹霰混合比的大小和覆盖面积增大。通过模拟发现,HEF局地化算法模拟的北侧对流中心最强,SEC局地化算法模拟的南侧对流中心最强,且模拟出(40 km,60 km)处的强对流中心。HEF局地化算法模拟的冷池强度最强,HEF和SEC局地化算法基本上模拟出北侧的雹霰混合比高值区。这表明HEF局地化算法有效地改进了基于GC局地化算法的En KF雷达资料同化效果,SEC局地化算法减小了计算量,是HEF局地化算法较好的近似。     

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。     

雷达资料同化对2015年台风彩虹数值模拟改进

基于WRF中尺度模式,采用集合卡尔曼滤波方法同化中国岸基多普勒天气雷达径向速度资料,对2015年登陆台风彩虹（1522）进行数值试验。从台风强度、路径、结构等方面验证了同化效果,并对不同区域雷达观测资料的同化敏感性进行讨论。试验结果表明:在同化窗内同化分析场台风位置误差相比未同化平均减小15 km,最多时刻减小38 km,同化资料时次越多,确定性预报路径误差越小。同化雷达资料后较好地反映出台风彩虹（1522）近海加强过程,台风中心最低气压同化分析和预报误差相比未同化最大减小超过25 hPa,台风眼的尺度、眼墙处对流非对称结构相比未同化与观测更加接近。试验还表明:台风内核100 km范围内的雷达观测对同化效果影响最大,仅同化这部分资料（约占总量的20%）各方面效果与同化全部资料相近,而仅同化100 km以外资料效果明显不及同化所有资料。仅同化台风内核雷达观测资料可以在不影响同化效果的前提下,使集合同化计算机时减小为原来的1/3,该策略可为台风实际业务预报提供一定参考。     

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.     

集合卡尔曼滤波同化中雷达位置的敏感性研究

针对对流尺度集合卡尔曼滤波（EnKF）雷达资料同化中雷达位置对同化的影响进行研究。为了考察强对流出现在雷达不同方位时集合卡尔曼滤波同化雷达资料的能力,以一个理想风暴为例,设计了8个均匀分布在模拟区域周围的模拟雷达进行试验。单雷达同化试验中,初期同化对雷达位置较敏感,而十几个循环后对雷达方位的敏感性降低。造成初期同化效果较差的雷达观测位于模拟区域正南和正北方向,这两部雷达与模拟区域中心的连线垂直于风暴移动方向（即环境气流的方向）。双雷达试验的结果表明,正东、正南、正西和正北方向的雷达组合观测会使同化初期误差较大,这说明并不是所有与风暴连线成90°的雷达组合都能在短时同化中得到合理的分析结果,还需要都处于模拟区域对角线上（即与环境气流成45°夹角）,同化效果才较好。短时同化后的确定性预报结果表明,较大分析误差也会导致较大预报误差。这些分析误差主要是由于同化初期不准确的集合平均场驱动出的不合理的背景误差协方差造成的。当背景场随着同化循环得到改进后,驱动出的合理的背景误差协方差使得不同位置雷达同化造成的差异逐步减小。基于上述结果,引入迭代集合均方根滤波（iEnSRF）算法,结果显示使用该算法后,雷达位置对同化效果的影响减小,同化不同位置的雷达资料均能有效降低分析和预报误差。      

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。     

多普勒雷达资料同化对暴雨预报的影响

诊断分析了2007年8月8日陕西中南部一次突发性大暴雨过程,利用WRFV3.4数值预报模式及WRF-3DVAR变分同化系统,采用直接同化西安C波段多普勒雷达资料的方法,设计了4组试验方案。结果表明,多普勒雷达资料同化能有效改进WRF数值模式性能,不同的同化方案对模式初始场及预报场有不同的改进,同化反射率对初始水汽场的改变较为显著,而同化径向速度对初始风场的改变更为明显。在加入雷达资料同化后模式系统对中小尺度天气系统特征的模拟效果提高,风场的辐合特征更为明显,水汽也有显著增强,降水强度和中心跟实况更为接近。     

EnSRF雷达资料同化对一次强对流天气模拟的影响研究

利用ARPS(Advanced Regional Prediction System)模式和具有流依赖背景误差协方差的集合均方根滤波(Ensemble Square Root Filter,简称En SRF)方法,通过同化多部多普勒雷达资料,对2013年6月23日的强对流天气过程进行了研究。首先对比同化试验和观测的组合反射率因子,检验了同化效果。通过计算均方根误差和离散度,进一步定量评估了同化结果。再对比模式变量,综合分析了En SRF雷达资料同化对模式热力、动力、湿度和微物理量等变量的影响。最后对集合平均场进行1 km的高分辨率数值模拟。结果表明:En SRF能够同化出与观测类似的对流系统,且减弱了南北部的虚假回波。径向风和反射率因子的均方根误差明显减少。En SRF雷达同化能够明显优化模式的初始场,同化试验的回波在垂直方向上范围增加,强度偏弱。在强对流区域,低层的冷池温度最多降低6 K,相对湿度最多增加30%。对流区域的雨水、冰晶和雪的混合比均有明显增加。模拟发现同化试验能够较好地模拟出对流系统的结构和位置。     

多普勒天气雷达资料同化对冬季暴雨模拟的影响研究

采用基于本征正交分解的四维集合变分同化（POD-4DEnVar）方法,利用梅州站的多普勒天气雷达资料和NCEP资料,对2015年12月9日一次华南冬季暴雨过程进行同化试验,探讨了同化不同的雷达观测要素对暴雨模拟的影响。结果表明:同化多普勒天气雷达资料有利于削弱控制试验偏强降水的模拟结果,改善降水分布结构;同化不同的雷达观测要素得到的模拟结果不同,同时同化径向风和反射率的降水模拟结果最好。同化试验对降水模拟结果的改善主要通过调整初始时刻的风场和水汽条件来实现,一方面减弱偏南风和偏东风在暴雨区的辐合,阻碍海上暖湿气流对暴雨区的水汽输送,另一方面直接削弱暴雨区的水汽条件,大幅降低水汽混合比。同化试验相对于控制试验的同化增量远大于不同雷达观测要素的同化试验之间的分析场差异,这表明同化不同的雷达观测要素对初始风场和水汽条件的调整呈现类似的特征。虽然同化试验的初始场存在较小的差异,但随着模式积分,16 h后模拟降水出现了明显差异。分析同化试验之间的初始偏差演变发现,850~700 hPa的平均垂直速度偏差和雨水混合比偏差在模式积分至16 h开始急剧增长,这种变量偏差的急剧增长与逐时降水偏差的迅速增加一致,是降水偏差增长的直接原因。另外,这两个变量偏差的增大,也伴随着偏差能量的增大,变量偏差增长最明显的时段为偏差能量增幅最大的时段,且偏差能量迅速增长早于变量偏差和降水偏差的迅速增长,变量偏差增长最明显的区域为偏差能量梯度较大的区域。     

循环同化雷达资料对一次飑线系统临近预报的改进作用

利用WRF(Weather Research Forecast)模式及其3D-Var(Three-Dimensional Variational assimilation)变分系统,针对2017年7月7日一次飑线进行了雷达资料的循环同化敏感性试验.结果表明:以循环同化雷达资料至飑线成熟期时刻的试验预报效果最好,主要原因...     

雷达资料同化对2016年6月23日阜宁龙卷模拟的改进

基于GSI（Community Gridpoint Statistical Interpolation）同化系统和WRF（Weather Research and Forecasting）模式,探讨了多部多普勒雷达的反射率因子和径向速度资料同化对2016年6月23日江苏阜宁龙卷模拟的改进效果和影响过程。结果表明:（1）仅同化雷达反射率因子和仅同化径向速度均能在一定程度上改进模式对阜宁龙卷及其环境场的模拟,且雷达径向速度同化的改进作用更大;同时同化两种资料改进效果最佳。（2）雷达反射率因子同化是利用复杂云分析技术,直接修正了水凝物含量,增加了潜热释放,对低层大气热力场进行了正温度扰动调整,从而主要改进了初始场的水汽条件和热力条件;而雷达径向速度同化通过三维变分技术直接修正了风场,进而引起水汽输送变化影响水凝物的调整和大气热力场的变化,对初始场的动力条件和热力条件修正较大;同时同化两种资料修正了初始场的动力和热力结构,保证了两者物理上的协调,综合了两者的改进作用,从而取得最佳模拟效果。（3）同时同化雷达反射率因子和径向速度后,模式在阜宁附近模拟出了明显的涡旋结构,尽管涡旋强度和龙卷结构与实况仍有一定差距,但涡旋发生发展过程、路径、地面小时极大风和降水等模拟与实况吻合度均明显高于对照试验。      

多普勒雷达资料同化对江苏一次飑线过程的数值模拟

应用新一代中尺度预报模式WRF模式及其3DVar同化系统, 针对江苏地区2009年6月14日飑线过程进行了多普勒雷达资料的同化试验研究, 在对雷达资料进行严格质量控制的基础上, 设计一系列尺度化因子优化调整及同化频率的敏感性试验。试验结果表明:同化后初始场得到不同程度改善, 适当的尺度化因子设定, 能够有效改进对模式初始场中700 hPa风场和850 hPa温度场以及组合反射率因子等要素的分析, 进而改善短时降水预报和风暴的垂直结构配置;并且同化频率越高, 对初始场的组合反射率因子分布与观测更为接近, 短时降水预报越准确。     

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.     

基于Hybrid EnSRF-En3DVar的雷达资料同化研究

基于WRF模式构建了Hybrid En SRF-En3DVar同化系统,该系统使用En SRF方案直接更新集合扰动。利用构建的同化系统针对台风"桑美"分别进行集合协方差权重敏感性试验和同化雷达不同观测资料的敏感性试验。集合协方差权重敏感性试验发现:当集合协方差权重分别为0.25、0.5和0.75时,同化效果优于3DVar试验,其中0.75的集合协方差权重试验得到了分析场的最优估计;当集合协方差权重为1.0时,分析场最差。同化雷达不同观测资料的敏感性试验表明,联合同化雷达径向风及反射率能有效改善大气湿度场和风场,但对风场的改善效果不如仅同化雷达径向风好。将En SRF集合扰动更新方案与扰动观测方案综合分析发现,扰动观测方案集合离散度较小,计算代价大,En SRF方案优于扰动观测方案。