风暴尺度集合预报中的混合初始扰动方法及其在北京2012年“7.21”暴雨预报中的应用

风暴尺度集合预报系统（Storm-Scale Ensemble Forecast system,简称SSEFs）中集合成员之间发散度不足一直都是研究的难点。本文尝试了将Barnes空间滤波融入到集合转换卡尔曼滤波（ETKF）更新预报系统中的混合初值扰动法。该方案将ETKF方法的小尺度信息与来自于侧边界条件扰动的大尺度信息相结合,缓解了扰动在侧边界不匹配的问题。通过2012年北京“7.21”暴雨并使用邻位方法对比分析了不同初值扰动方案在不同时间尺度与空间尺度上的特征,在此基础上进一步探讨了构造混合初始扰动法的可行性。结果表明:ETKF试验所构造的初始扰动无法与侧边界条件扰动相匹配,混合后的初始扰动可以有效缓解SSEFs中由于初始扰动与侧边界扰动不匹配产生的虚假波动,其中大尺度信息保留较多的混合试验（ETKF80）和动力降尺度方案（Down）在减少虚假波动方面的效果最优;从集合离散度来看,在前期暖区降水阶段ETKF的离散度在小尺度上最大,随着锋面降水的开始,Down的离散度逐渐超过ETKF,而使用各滤波波段构造的混合试验同时具备ETKF与Down二者的特征。选择合理的滤波波段可以获得最为合理的离散度表现（ETKF180）,说明仅考虑侧边界匹配（Down和ETKF80）并不能获得最合理的集合离散度,应综合考虑其他因素。从降水概率预报结果来看,选取合适的滤波波段所构造的混合扰动试验同样获得了较好的效果。     

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。     

基于集合卡尔曼滤波的湖泊富营养化模型Delft3D-BLOOM数据同化

富营养化模型是进行湖泊水环境质量预测和管理的重要工具,然而模型客观存在的误差一直是应用者关心的重要问题.数据同化作为连接观测数据与数值模型的重要方法,可以有效提高模型的准确性.集合卡尔曼滤波(En KF)是众多数据同化算法中应用最为广泛的一种,可进行非线性系统的数据同化,并能有效降低数据同化的计算量.本研究以太湖作为具体实例,选择Delft3D-BLOOM作为富营养化模型,在数值实验确定En KF集合数为100、观测误差方差为1%、模拟误差方差为10%的基础上分别进行模型状态变量同化以及状态变量与关键参数同步同化.结果显示,仅同化状态变量时,模型预测精度有所增加;同时同化状态变量和关键参数时,可显著提升模型在湖泊水环境质量预测中的精度.该研究为应用集合卡尔曼滤波以提高复杂的湖库富营养化模型模拟精度提供了有效的方法.     

Evaluating Soil Moisture Predictions Based on Ensemble Kalman Filter and SiB2 Model

Soil moisture is an important variable in the fields of hydrology, meteorology, and agriculture, and has been used for numerous applications and forecasts. Accurate soil moisture predictions on both a large scale and local scale for different soil depths are needed. In this study, a soil moisture assimilation and prediction based on the Ensemble Kalman Filter(EnKF) and Simple Biosphere Model(SiB2) have been performed in Meilin watershed, eastern China, to evaluate the initial state values with different assimilation frequencies and precipitation influences on soil moisture predictions. The assimilated results at the end of the assimilation period with different assimilation frequencies were set to be the initial values for the prediction period. The measured precipitation, randomly generated precipitation,and zero precipitation were used to force the land surface model in the prediction period. Ten cases were considered based on the initial value and precipitation. The results indicate that, for the summer prediction period with the deeper water table depth, the assimilation results with different assimilation frequencies influence soil moisture predictions significantly. The higher assimilation frequency gives better soil moisture predictions for a long lead-time. The soil moisture predictions are affected by precipitation within the prediction period. For a short lead-time, the soil moisture predictions are better for the case with precipitation, but for a long lead-time, they are better without precipitation. For the winter prediction period with a lower water table depth, there are better soil moisture predictions for the whole prediction period. Unlike the summer prediction period, the soil moisture predictions of winter prediction period are not significantly influenced by precipitation. Overall, it is shown that soil moisture assimilations improve its predictions.     

随机强迫对集合预报效果的影响研究

以Lorenz96模式为动力框架,建立了考虑模式随机强迫不确定性的集合预报系统,并选择模式气候态和集合平均预报效果为研究对象,研究随机强迫对集合预报效果的影响.结果表明,在数值模式积分过程中引入恰当的随机强迫构成的新计算范式,较非随机强迫更接近真值的气候平均与气候标准差,对刻画数值模式的气候态也有正效果;且随机强迫的正效果主要体现在长时效阶段.集合平均预报方面,绝大部分白噪声随机强迫对应的集合预报效果优于非随机强迫集合预报,集合预报效果也随白噪声强迫增大非单调变化,并且非线性系统不同,相同比率的白噪声随机强迫产生的效果也不同.同时,绝大部分红噪声随机强迫对应的集合预报效果也优于非随机强迫集合预报,但仅部分φ(表示所引入外强迫的随机性部分和确定性部分相互耦合的一个度量)值对应的红噪声强迫集合预报优于白噪声随机强迫集合预报;而且红噪声随机强迫集合预报改善效果随系数的正负分布非对称且非单调变化.此外,相关系数φ的选择也依赖于模型.     

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。     

多物理ETKF在暴雨集合预报中的初步应用

基于集合转换卡尔曼滤波（ETKF）的初值扰动方法是目前集合预报领域热点方法之一,但应用在短期集合预报中仍存在离散度不够、误差较大等问题。考虑到在区域短期集合预报中,模式不确定性和边界不确定性的影响不能忽略,本文尝试在ETKF生成分析扰动的过程中,同时考虑初值不确定性、物理不确定性与边界不确定性,进而构建多初值、多物理、多边界ETKF集合,并以2010年9月30日到10月8日海南岛特大暴雨作为研究个例,对其在暴雨集合预报中的应用展开初步研究,重点分析多种物理参数化过程对预报结果的影响。结果表明,多物理过程的ETKF（多物理ETKF）和单物理过程的ETKF（单一ETKF）均优于对照预报,多物理ETKF优势更加明显,其均方根误差、离散度等指标均得到很好的改善;对于降水采用SAL方法进行检验,发现多物理ETKF对于降水位置的预报有明显的改善,对于特大暴雨的强度预报也略有改善。研究表明,在ETKF初值扰动中加入多种物理过程,可以有效改善短期集合的离散度,提高预报准确率,有良好的发展前景和应用潜力。     

并行技术在神威集合数值天气预报系统中的应用

文章讨论了基于神威巨型机的并行化集合数值天气预报系统中实现的各种并行算法, 性能分析结果表明并行方案最大限度的利用了神威机的处理器资源, 设计的并行算法效率较高, 满足了实时业务运行的时效要求。     

基于增长模繁殖法的初始分析误差 计算及集合预报试验

首先用成对繁殖的方法对NCEP再分析资料与T106分析场中的快速增长分析误差进行了计算和比较,然后把它们叠加到各自的初始场中进行了多初值集合预报试验。结果表明,用不同分析资料计算的达到饱和的快速增长误差,两者在全球分布上既有许多相似的地方,也存在一些不同,多初值集合是综合考虑它们的有效方法;考虑了两种分析误差的集合预报比只考虑一种分析误差的集合预报优越;在集合总成员数不变的前提下,发现引入另一种分析资料的集合成员数并不是越多越好,就预报技巧的最大改善而言,其存在一个阀值。     

相似集合预报方法在北京区域地面气温和风速预报中的应用

相似集合是近年来提出的一种基于相似理论、大数据挖掘和集合预报思路的统计释用方法。文中首先介绍了相似集合的基本原理,并应用该方法对北京快速更新循环数值预报系统（BJ-RUC）v3.0预报地面要素开展了订正释用试验。结果表明,相似集合订正后,在0—36 h预报时段内,10 m风速的均方根误差降低44%,2 m气温的均方根误差降低22%,均方根误差均显著减小。对比测站预报误差的水平分布,相似集合方法的应用对于提升非城区站点的10 m风速预报、复杂地形区域的2 m气温预报具有更为明显的效果。相同预报因子的相似集合和支持向量机方法对模式10 m风速和2 m气温预报均具有显著且相似的订正效果,但相似集合方法具有计算资源需求较少、不需要大量人工干预的优势。相似集合方法形成的集合较好地模拟了模式平均误差的增长情况,集合离散度与集合平均均方根误差表现出理想的统计一致性,即相似集合方法在形成确定性预报的同时,还能够提供预报要素的不确定性或概率信息。因此,相似集合方法在模式预报订正及释用方面具有广阔的应用前景。