GRAPES集合卡尔曼滤波资料同化系统Ⅱ：区域分析及集合预报

GRAPES集合卡尔曼滤波资料同化方法能够分批同化常规观测资料,GRAPES集合卡尔曼滤波同化系统的设计及其与GRAPES三维变分同化系统的对比试验结果表明,GRAPES集合卡尔曼滤波系统能够得到合理的分析,并且具有实际运行能力。在此基础上,进行集合卡尔曼滤波区域同化分析及集合预报试验,对比区域模式面三维变分同化分析预报结果,研究表明,集合卡尔曼滤波分析比三维变分分析具有一定优势,降水预报更接近实况。考察了预报误差特征随天气形势的变化情况,表明预报误差相关场和均方差的分布随着天气形式不同而变化。     

四维集合变分同化方法在华南冬季暴雨模拟中的应用

利用WRF（Weather Research and Forecasting）模式和基于本征正交分解的四维集合变分同化方法（POD-4DEnVar）,对2015年12月9日一次华南暴雨过程进行多普勒雷达资料同化试验,并与三维变分同化试验（WRF-3DVar）进行对比,讨论了POD-4DEnVar方法中局地化半径对模拟效果的敏感性。结果表明,比较不同化雷达资料的控制试验,WRF-3DVar和WRF-POD-4DEnVar试验的降水模拟结果得到明显改善,且WRF-POD-4DEnVar的降水强度更接近实况。两种同化方法通过改变不同的初始要素达到改进降水模拟效果的目的,3DVar方法通过调整初始风场,间接减弱暴雨发生的水汽条件,POD-4DEnVar方法则直接调整湿度场。在降水过程中,同化试验改变了冷空气活动和水汽通量辐合的模拟结果,从而改善降水的模拟效果。POD-4DEnVar方法对局地化半径比较敏感,随局地化半径增大,同化对风场和湿度场的影响范围扩大,当局地化半径取为200 km时,降水模拟的效果最好。      

TOPEX/Poseidon高度计资料在全球海洋环流模式中的同化及分析

利用一个新的四维变分海洋资料同化系统LICOM-3DVM对TOPEX／Poseidon高度计资料进行了同化。该同化系统是在LASG／IAP气候海洋模式LICOM1．0的基础上建立起来的,所用的同化方法为三维变分映射资料同化方法3DVM。高度计观测资料是采取间接的方式进行同化,即先建立起二维海面高度距平场与三维温度场的统计关系,并由此通过观测的海面高度距平信息反演出“观测”的三维温度场,然后利用LICOM-3DVM四维变分同化系统将此反演的温度场同化到海洋模式中。作者设计了两组试验并对结果进行了比较分析,积分时间从1993年1月至2001年12月共9年时间。结果表明,由于上混合层相关系数较小,因此同化后海温没有改进;而在温跃层以及更深层次,同化后的海温均有很大程度的改善。从对赤道太平洋地区海温的气候态、季节变化和年际变化以及Nino3区的Nino指数的模拟情况来看,由于同化时将海面高度异常和海温异常之间的相关参数取为常数,没有考虑其季节和年际变化,因此,同化后对于赤道太平洋的年际变化没有改善。对于黑潮地区,由于模式的分辨率较低,同化之前没有很好地模拟出温度锋面,温度和盐度梯度都偏小,流速也偏弱;而同化后使得温度锋面和盐度梯度与WOA01更加吻合,流速增强。     

使用卫星资料进行边界层四维变分同化研究综述

数值天气预报是当前天气预报的重要手段之一,而同化工作一直是数值预报研究的重点。在查阅了近年来国内外相关文献的基础上,对使用卫星举行资料边界层四维变分同化的研究进展进行了论述,并对最优插值法和变分法2种主要的研究方法进行了简单介绍。研究结果认为,变分方法对于初始场的改善具有明显的效果,与纯粹的统计插值方法相比,变分法具有十分明显的优势;理论上变分法能够同化所有类型大气探测资料,对非常规探测的包容能力极强,不仅能最大限度地获得观测中的信息量,而且避免了各种反演不适定问题。     

用一种新的同化方法同化降水量资料

Observations of accumulated precipitation are extremely valuable for effectively improving rainfall analysis and forecast. It is, however, difficult to use such observations directly through sequential assimilation methods, such as three-dimensional variational data assimilation or an Ensemble Kalman Filter. In this study, the authors illustrate a new approach that makes effective use of precipitation data to improve rainfall forecast. The new method directly obtains an optimal solution in a reduced space by fitting observations with historical time series generated by the model; it also avoids the implementation of tangent linear model and its adjoint. A lot of historical samples are produced as the ensemble of precipitation observations with the fully nonlinear forecast model. The results show that the new approach is capable of extracting information from precipitation observations to improve the analysis and forecast. This method provides comparable performance with the standard four- dimensional variational data assimilation at a much lower computational cost.     

使用混合样本的集合四维变分同化试验研究

基于集合和奇异值分解的四维变分同化方法(SVD-En4DVar)的同化效果对采用的预报样本容量有很强的依赖性,其中一个重要原因是在SVD-En4DVar中分析变量被表示为按照扰动预报集合提取的奇异向量作线性展开的形式,这种展开存在截断误差,过少的样本数会造成过大的截断误差。为了在不增加计算量的情况下增加用于同化的样本,从而改善同化效果,本文提出了流依赖的预报样本与定常样本相混合的方法。定常样本有两种生成方法：第一种是按照给定的统计结构给出伪随机扰动场直接叠加到四维背景场上而完全不经过模式积分;第二种是在第一个同化循环时将伪随机扰动场叠加到初始背景场,然后在分析时间窗内积分模式得到扰动预报样本,最后将其中一部分保留不动作为后面同化循环的定常样本。利用浅水方程模式和80个变量的Lorenz-96模式及模拟资料进行数值试验,比较不同样本结构的同化效果。结果表明,在浅水方程模式的同化中,完全采用大容量的定常样本仍然可以得到较好的结果,但对Lorenz-96模式效果不好。采用混合样本后,这两类模式的同化都可以得到较好的结果,在相同的计算时间下,混合样本方法可以明显提高同化精度,其中第二种产生定常样本的方法要好于第一种。     

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。     

FY-3A卫星微波资料的集合变分混合同化试验

以2012年"北京7.21暴雨"为例,实现了集合变分混合同化方法对FY-3A的微波温度仪和微波湿度仪资料的直接同化,并与三维变分方法进行了比较。结果表明:虽然两种同化方法同化FY-3A微波资料都能改进降水模拟效果,但是与实况相比,集合变分混合同化方法改进效果更为明显,其能有效减少虚假强降水的模拟,改进强降水中心位置的模拟,SAL评分定量检验也同样表明,集合变分混合同化方法对暴雨的模拟效果要优于三维变分同化方法;无论是热力学变量还是动力学变量,集合变分同化得到的初始场均方根误差均显著小于三维变分同化的结果;两种方法同化FY-3A微波资料均能改变初始场中的各种物理量信息,但不同方法得到的同化增量大小和分布却有明显的差异:三维变分同化方法对初始场的调整区域和强度都要大于混合同化方法,且其同化增量表现出均匀和各向同性的分布特点;而利用集合信息的混合同化方法得到的同化增量分布表现为非均匀性和各向异性,具有"流依赖性"的特征,这使得初始场的分布更合理,有利于改善降水的模拟效果。     

资料同化方法研究进展

数值天气预报模式的不断完善和大气观测探测资料（特别是卫星、雷达等非常规探测资料）的大量涌现,推动着资料同化方法的逐步发展.文章主要回顾了资料同化方法研究的发展过程、目前的应用现状以及对未来同化方法的展望.随着人们对资料同化含义的深入理解,对于资料同化的研究由初始的探索阶段逐步发展到以经验性为主的同化方法,主要包括SCM和nudging;统计方法的引入,成为资料同化方法研究发展道路上具有重要意义的一个里程碑,从而出现了多元统计插值同化,比如OI,3D-Var以及PSAS;针对背景误差协方差固定不变与实际情况的差异,考虑时间维的四维资料同化方法成为目前国际上较为主流的同化研究方法,其中以4D-Var和Kalman滤波为代表;随着计算机技术的进步,更加合理的四维资料同化方法将会成为未来业务预报中主要的资料同化方法.     

SVD-En3DVar同化方法在一次飑线过程中的应用北大核心CSCD

基于集合和奇异值分解的三维变分同化方法(SVD-En3DVar)对2009年6月14日江苏地区的一次飑线过程进行多普勒雷达资料同化预报数值试验,以检验该方法在这类尺度较小的强对流天气过程中的同化应用效果。同时,还讨论了SVD-En3DVar的分块局地化方案中水平半径对此次飑线过程同化效果的敏感性,并应用WRF 3DVar进行了平行对比试验。数值试验结果表明,应用SVD-En3DVar方法同化多普勒雷达资料后能够有效调整风场、比湿和位温等状态变量,同化预报结果对分块局地化方案中水平半径参数较为敏感,水平分块半径为50 km时对组合反射率的预报效果最好。SVD-En3DVar和WRF 3DVar两种同化方法同化雷达资料后都能够提高雷达组合回波的预报水平,但SVD-En3DVar方法的效果明显优于WRF 3DVar同化系统,对回波带位置及其向东南方向发展趋势的预报和观测回波较为一致。     

An Ensemble-Based Three-Dimensional Variational Assimilation Method for Land Data Assimilation

Land surface models are often highly nonlinear with model physics that contain parameterized discontinuities. These model attributes severely limit the application of advanced variational data assimilation methods into land data assimilation. The ensemble Kalman filter （EnKF） has been widely employed for land data assimilation because of its simple conceptual formulation and relative ease of implementation. An updated ensemble-based three-dimensional variational assimilation （En3-DVar） method is proposed for land data assimilation This new method incorporates Monte Carlo sampling strategies into the 3-D variational data assimilation framework. The proper orthogonal decomposition （POD） technique is used to efficiently approximate a forecast ensemble produced by the Monte Carlo method in a 3-D space that uses a set of base vectors that span the ensemble. The data assimilation process is thus significantly simplified. Our assimilation experiments indicate that this new En3-DVar method considerably outperforms the EnKF method by increasing assimilation precision. Furthermore, computational costs for the new En3-DVar method are much lower than for the EnKF method.     

大气污染资料同化与应用综述

我国正面临以高浓度臭氧和细颗粒物为典型特征的大气复合污染问题,对其进行模拟和预报是有效应对大气污染的关键。大气复合污染预报的不确定性来源复杂,同时存在化学非线性的影响,各种模式输入不确定性对模拟预报影响的时空差异较大,从而导致很多不确定性约束方法难以确定关键的不确定性因子而进行有针对性的约束和订正。利用资料同化方法融合模式、多源观测等信息,减小模式输入数据的不确定性成为提升大气污染模拟预报精度的关键。本文将简要介绍大气污染资料同化相关的模式不确定性、同化算法以及污染物浓度场同化、源反演研究上的进展,探讨大气污染资料同化面临的主要挑战和发展趋势。     

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。     

雷达降水资料一维变分同化研究——湿度廓线调整

采用η坐标中尺度有限区域模式进行了数字化天气雷达探测降水资料的一维变分(1DVAR)同化试验,结果表明充分利用高时空分辨率的雷达降水资料所包含的丰富的中尺度信息,调整湿度廓线,从而改善模式初始湿度场,能有效提高模式暴雨预报能力。“98·7”鄂东沿江特大暴雨的数值试验结果表明,应用1DVAR方法同化1h雷达降水资料调整模式湿度廓线后,极大地缩小了分析降水与观测降水间的差距,而且24h预报能模拟出与实际降水发生区域相对应的位于鄂东的大暴雨区,而变分前模式预报效果不佳。进一步的分析表明,应用雷达降水资料对短时预报(0～12h)的改进更为显著,而对12h之后降水预报的改善则不明显。     

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.     

Altimetric Data Assimilation by EnOI and 3DVAR in a Tropical Pacific Model: Impact on the Simulation of Variability

When altimetric data is assimilated,3DVAR and Ensemble Optimal Interpolation(EnOI) have different ways of projecting the surface information downward.In 3DVAR,it is achieved by minimizing a cost function relating the temperature,salinity,and sea level.In EnOI,however,the surface information is propagated to other variables via a stationary ensemble.In this study,the differences between the two methods were compared and their impacts on the simulated variability were evaluated in a tropical Pacific model.Sea level anomalies(SLA) from the TOPEX/Poseidon were assimilated using both methods on data from 1997 to 2001 in a coarse resolution model.Results show that the standard deviation of sea level was improved by both methods,but the EnOI was more effective in the central/eastern Pacific.Meanwhile,the SLA evolution was better reproduced with EnOI than with 3DVAR.Correlations of temperature with the reanalysis data increased with EnOI by 0.1-0.2 above 200 m.In the eastern Pacific below 200 m,the correlations also increased by 0.2.However,the correlations decreased with 3DVAR in many areas.Correlations with the independent TAO profiles were also compared at two locations.While the correlations increased by up to 0.2 at some depths with EnOI,3DVAR generally reduced the correlations by 0.1-0.3.Though both methods were able to reduce the model-data difference in climatological sense,3DVAR appears to have degraded the simulated variability,especially during El Nin o-Southern Oscillation events.For salinity,similar results were found from the correlations.This tendency should be considered in future SLA assimilations,though the comparisons may vary among different model implementations.     

Improvement in Background Error Covariances Using Ensemble Forecasts for Assimilation of High-Resolution Satellite Data

Satellite data obtained over synoptic data-sparse regions such as an ocean contribute toward improving the quality of the initial state of limited-area models. Background error covariances are crucial to the proper distribution of satellite-observed information in variational data assimilation. In the NMC (National Meteorological Center) method, background error covariances are underestimated over data-sparse regions such as an ocean because of small differences between different forecast times. Thus, it is necessary to reconstruct and tune the background error covariances so as to maximize the usefulness of the satellite data for the initial state of limited-area models, especially over an ocean where there is a lack of conventional data. In this study, we attempted to estimate background error covariances so as to provide adequate error statistics for data-sparse regions by using ensemble forecasts of optimal perturbations using bred vectors. The background error covariances estimated by the ensemble method reduced the overestimation of error amplitude obtained by the NMC method. By employing an appropriate horizontal length scale to exclude spurious correlations, the ensemble method produced better results than the NMC method in the assimilation of retrieved satellite data. Because the ensemble method distributes observed information over a limited local area, it would be more useful in the analysis of high-resolution satellite data. Accordingly, the performance of forecast models can be improved over the area where the satellite data are assimilated.     

反演同化和直接同化多普勒雷达径向风的对比试验

针对2003年7月5日江淮流域一次暴雨过程,以NCEP/NCAR 1°×1°再分析资料为背景场,采用WRF(weather research and forecasting)模式及其三维变分同化系统,对雷达径向风和E-VAP(extended velocity azimuth processing)反演的水平风场进行了直接同化和反演同化试验,结果表明:直接同化雷达径向风资料后,增加了初始风场的中小尺度信息,改善了垂直速度条件,且在风场作用下水汽分布得到改善;反演同化资料虽然能增加初始场的中小尺度信息,但效果不如直接同化明显;无论直接同化还是反演同化都能改善降水预报,但直接同化好于反演同化,且间隔5～6 min比30 min的直接同化模拟效果好.     

A New Global Four-Dimensional Variational Ocean Data Assimilation System and Its Application

A four-dimensional variational data assimilation （4DVar） system of the LASG/IAP Climate Ocean Model, version 1.0 （LICOM1.0）, named LICOM-3DVM, has been developed using the three-dimensional variational data assimilation of mapped observation （3DVM）, a 4DVar method newly proposed in the past two years. Two experiments with 12-year model integrations were designed to validate it. One is the assimilation run, called ASSM, which incorporated the analyzed weekly sea surface temperature （SST） fields from Reynolds and Smith （OISST） between 1990 and 2001 once a week by the LICOM-3DVM. The other is the control run without any assimilation, named CTL. ASSM shows that the simulated temperatures of the upper ocean （above 50 meters）, especially the SST of equatorial Pacific, coincide with the Tropic Atmosphere Ocean （TAO） mooring data, the World Ocean Atlas 2001 （WOA01） data and the Met Office Hadley Centre＇s sea ice and sea surface temperature （HadISST） data. It decreased the cold bias existing in CTL in the eastern Pacific and produced a Nifio index that agrees with observation well. The validation results suggest that the LICOM-3DVM is able to effectively adjust the model results of the ocean temperature, although it＇s hard to correct the subsurface results and it even makes them worse in some areas due to the incorporation of only surface data. Future development of the LICOM-3DVM is to include subsurface in situ observations and satellite observations to further improve model simulations.