集合滤波和三维变分混合数据同化方法研究

发展了一种新的混合数据同化方法——基于集合滤波和三维变分的混合数据同化方法。该方法将集合调整卡尔曼滤波(ensemble adjustment Kalman filter,EAKF)得到的集合样本扰动通过一个转换矩阵的形式直接作用到背景场上,利用顺序滤波的思想得到分析场的一个扰动;然后在三维变分(three dimensional variational analysis,3D-Var)的框架下与观测数据进行拟合,从而给出分析场的最优估计。文中以Lorenz63模型为例,开展了理想数据同化试验,结果表明,相比于集合调整卡尔曼滤波,这种新的混合同化方法可以给出更好的同化结果。

基于多点地质统计与集合平滑数据同化方法识别非高斯渗透系数场

在冲积含水层中,由于岩相的非均质分布,渗透系数一般呈现出明显的非高斯特性(例如砂和黏土两种岩相),非高斯特性给地下水模型参数的推估带来了困难与挑战。目前广泛使用的集合平滑数据同化方法(ESMDA)虽然有效且计算成本较低,但仅适用于高斯场。多点地质统计方法虽已广泛用于模拟非高斯场,但其无法融入动态观测数据推估参数。基于多点地质统计方法中的直接采样法(DS)与集合平滑数据同化方法,构建一种新的数据同化框架(ESMDA-DS),既可保持参数场的非高斯特性,又可融合多源数据精确推估非高斯场。构建三个理想算例验证ESMDA-DS对非高斯参数场的推估效果,并探讨了不同类型观测数据对推估效果、水位与浓度预测精度的影响。三个理想算例包括仅融合水位数据(Case 1),同时融合水位与浓度数据(Case 2),同时融合水位、浓度与对数渗透系数数据(Case 3)。结果表明:ESMDA-DS方法结合了ESMDA与DS的各自优势,能有效融合观测数据推估渗透系数场,并保持参数场的非高斯特性。通过对比三个算例推估结果,Case 3的参数场推估效果最好,水位与浓度预测精度最高,Case 2次之,Case 1最差,表明融合多源数据可改善推估效果,提高预测精度。

伴随数据同化方法及其在地幔对流中的应用

伴随数据同化方法是一个基于梯度法的反演技巧,尤其适用于对非线性问题的反演。最近几年里,该方法在地球物理问题中的应用取得了长足发展。文中试图从理论推导到其在地幔对流中的应用对该方法进行系统阐述,并附例图加以说明。伴随数据同化方法的基础是扰动理论,将模型输出与观测值的差别归因于模型输入中存在的误差,而该输入误差可以通过输出误差的最小二乘对输入条件的一阶倒数(梯度)来表示,这个联系就称作伴随算子。非线性问题的反演需要用到多次迭代;对输入误差的预估程度会直接影响计算和结果收敛的速度。作为描述当前地幔结构最有力证据的地震层析成像技术的不断进步,不论是在区域还是全球尺度上,都为地幔对流的反演提供了一个出发点。通过进一步同化或者比较相关的地质学证据特别是地表动力沉降观测,地幔对流反演可以克服目前仍然存在的地幔动力学各参数的不确定性的影响,从而进一步揭示壳幔系统的动力学机制。讨论的一个实际的例子是如何使用该方法反推出Farallon板块于晚白垩世时期在北美板块下的平俯冲过程以及该研究所导致的地球物理学及地质学意义。

陆面数据同化系统及其在全球变化研究中的应用

陆面数据同化的研究起源于20世纪末,发展比较迅速。本文从当前发展比较成熟的陆面数据同化系统、同化方法以及陆面数据同化在全球变化研究中的应用三方面做了综述。比较成熟的陆面数据同化系统主要是美国(全球)和欧洲的陆面数据同化系统,加拿大、韩国和我国的数据同化系统最近才有所发展;数据同化方法主要以基于统计估计理论和以基于变分的两大类方法为主流,近年来人工神经网络和粒子滤波技术有所发展;在生态水文学、碳循环和作物估产的应用研究中,陆面数据同化方法已经发挥了重要作用。

加强观测网建设促进数值预报业务发展

现有观测网的粗分辨率已成为影响初值场精度从而制约数值预报质量提高的主要因素之一。改善和加强我国现有的观测网对提高我国数值预报准确率至关重要。利用观测系统模拟试验的方法确定在有限的经费投入前提下最佳的观测系统配置。条件成熟时进行一次展示观测的加强对数值预报效果影响的大型外场试验 ,以检验根据观测系统模拟试验结果而加强的观测是否能有效地提高数值预报水准。