将多重网格策略引入NLS-3DVar(Non-linear Least Squares-based on Three-dimensional Variational Data Assimilation,非线性最小二乘三维变分同化)方法,进而应用于2400多个国家级气象观测站逐时气温数据和NCEP再分析气温数据的融合,...将多重网格策略引入NLS-3DVar(Non-linear Least Squares-based on Three-dimensional Variational Data Assimilation,非线性最小二乘三维变分同化)方法,进而应用于2400多个国家级气象观测站逐时气温数据和NCEP再分析气温数据的融合,得到中国区域空间分辨率1°×1°,时间分辨率为6小时的气温融合产品。分别从单重网格(分辨率1°×1°)和双重网格(分辨率由2°×2°到1°×1°)利用2014年1~12月(4、5月除外)的独立检验数据考察NLS-3DVar气温融合产品质量,验证基于多重网格策略的NLS-3DVar方法的优越性。在单重网格下,与广泛应用于气象行业的Cressman插值产品(均方根误差和相关系数的年平均值分别为1.961°C d^(-1)和0.924)相比,NLS-3DVar产品全年始终具有最小的均方根误差和最大的相关系数,年平均值分别为1.915°C d^(-1)和0.929;站点间误差分析进一步表明,NLS-3DVar产品在大多数检验站点精度更高,在新疆、甘肃、云南、陕西等地区尤为突出;加入双重网格策略的NLS-3DVar产品与单重网格的NLS-3DVar产品误差对比显示,均方根误差年平均值分别为1.649°C d^(-1)和1.711°C d^(-1),相关系数年平均值分别为0.970和0.968,二者在均方根误差和相关系数的表现上都极为相似,即双重网格NLS-3DVar气温产品尽管对观测数据采取了稀疏化处理,但依旧维持了原有的产品精度,并且在计算效率上提高了1倍多。而与同样在双重网格下基于多尺度的STMAS(Space–Time Multiscale Analysis System)算法相比,双重网格的NLS-3DVar产品在产品精度上同样占据优势,在计算效率上单位时次耗时与STMAS算法几乎相当。展开更多
大气中CO2含量的增加速率已经超过了自然界所能吸收的速度,并逐步影响到全球气候变暖。利用模型模拟分析已经成为一个重要的工具用以深入对碳循环的理解。本文使用2008~2010年的生物模型SiB3(Simple Biosphere version 3)与优化后的CT20...大气中CO2含量的增加速率已经超过了自然界所能吸收的速度,并逐步影响到全球气候变暖。利用模型模拟分析已经成为一个重要的工具用以深入对碳循环的理解。本文使用2008~2010年的生物模型SiB3(Simple Biosphere version 3)与优化后的CT2016(Carbon Tracker 2016)陆地生态系统碳通量驱动GEOS-Chem大气化学传输模型模拟全球CO2浓度。通过分析模拟CO2浓度的空间分布与季节变化,加深对全球碳源汇分布特点的理解,探究陆地生态系统碳通量不确定性对模拟结果的影响,进而认识陆地生态系统碳通量反演精度提升的重要性。SiB3与优化后的CT2016陆地生态系统碳通量都具有明显的季节变化,但在欧洲地区碳源汇的表现相反,其全球总量与空间分布也存在极大的不确定性。模拟CO2浓度结果表明:在人为活动较少地区,陆地生态系统碳通量对近地面CO2浓度空间分布起主导作用,尤其在南半球和欧洲地区模拟浓度有明显差异,且两种模拟结果的季节差异依赖于陆地生态系统碳通量的季节变化。将模拟结果与9个观测站点资料进行对比,以期选用合适的陆地生态系统碳通量来提升GEOS-Chem模拟CO2浓度的精度。实验结果表明:两种模拟结果均能较好的模拟CO2浓度的季节变化及其峰谷值,但CT2016模拟的CO2浓度在多数站点处更接近观测资料,模拟准确性更高。展开更多
文摘将多重网格策略引入NLS-3DVar(Non-linear Least Squares-based on Three-dimensional Variational Data Assimilation,非线性最小二乘三维变分同化)方法,进而应用于2400多个国家级气象观测站逐时气温数据和NCEP再分析气温数据的融合,得到中国区域空间分辨率1°×1°,时间分辨率为6小时的气温融合产品。分别从单重网格(分辨率1°×1°)和双重网格(分辨率由2°×2°到1°×1°)利用2014年1~12月(4、5月除外)的独立检验数据考察NLS-3DVar气温融合产品质量,验证基于多重网格策略的NLS-3DVar方法的优越性。在单重网格下,与广泛应用于气象行业的Cressman插值产品(均方根误差和相关系数的年平均值分别为1.961°C d^(-1)和0.924)相比,NLS-3DVar产品全年始终具有最小的均方根误差和最大的相关系数,年平均值分别为1.915°C d^(-1)和0.929;站点间误差分析进一步表明,NLS-3DVar产品在大多数检验站点精度更高,在新疆、甘肃、云南、陕西等地区尤为突出;加入双重网格策略的NLS-3DVar产品与单重网格的NLS-3DVar产品误差对比显示,均方根误差年平均值分别为1.649°C d^(-1)和1.711°C d^(-1),相关系数年平均值分别为0.970和0.968,二者在均方根误差和相关系数的表现上都极为相似,即双重网格NLS-3DVar气温产品尽管对观测数据采取了稀疏化处理,但依旧维持了原有的产品精度,并且在计算效率上提高了1倍多。而与同样在双重网格下基于多尺度的STMAS(Space–Time Multiscale Analysis System)算法相比,双重网格的NLS-3DVar产品在产品精度上同样占据优势,在计算效率上单位时次耗时与STMAS算法几乎相当。
