ETKF协方差膨胀方案对WRFDA混合同化及预报的影响

为讨论集合变换卡尔曼滤波不同协方差膨胀方案对集合-变分混合同化及预报的影响,开展了中国中东部区域一次连续大范围降水过程的连续10天的循环同化和预报试验。结果表明:4种不同的协方差膨胀方案相对于无协方差膨胀的方案,均有效地提高了混合同化和预报的效果。将同化时次之前所有膨胀系数平均值作为新膨胀系数的方案,同化和预报的效果均是最差的;其他3种协方差膨胀方案效果较为接近略有区别:对于风场,将预报误差协方差投影到集合子空间的方案和采用平均新息协方差信息的方案表现较好;对于温度场、湿度场和降水预报,采用平均新息协方差信息的方案和采用了同化时次前两次集合预报比率的方案较好。

基于DEnKF的背景误差协方差局地化和协方差膨胀研究

尽管DEnKF同化不会引入观测采样误差,但小集合仍会造成背景误差协方差矩阵存在伪相关,出现滤波发散。为了减少小集合对数据同化结果的影响,结合Lorenz96模型和DEnKF同化方案分析了协方差局地化和协方差膨胀方法对背景误差协方差矩阵、增益矩阵及同化结果的影响。实验表明:协方差局地化方法能消除背景误差协方差矩阵和增益矩阵中的伪相关,增大背景误差协方差矩阵的秩,有助于滤波算法收敛到真实解;而协方差膨胀方法不能消除背景误差协方差矩阵和增益矩阵中的伪相关,只能改善在每个同化周期内背景误差协方差系统性被低估的现象;同化过程中采用合适的局地化半径和方差膨胀因子能够较好地改善同化结果的精度。

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。