考虑次网格变异性和土壤冻融过程的土壤湿度同化方案

集合Kalman滤波以其简单有效的特点在陆面数据同化中广泛应用,通常作为预报模型的陆面过程模式往往要考虑模式次网格变异性和土壤冻融过程,若对此不加考虑而直接对土壤湿度进行同化可能会使得同化结果发生偏差.将双集合Kalman滤波应用于土壤湿度的同化,基于NCAR/CLM陆面过程模式建立了一个考虑次网格变异性和土壤冻融过程的土壤湿度同化方案:在同一个时间步内用状态滤波对模式网格内某片上液态水分含量进行优化,用参数滤波对该片上的固态水分含量和其他片上的液态/固态水分含量进行优化,由此考虑模式次网格变异性和土壤冻融过程的影响,从而实现对整个模式网格上土壤湿度的同化.初步的同化试验表明:其同化效果在有、无土壤冻融阶段都优于一般的不考虑次网格变异性和土壤冻融变化的同化方案;该同化方案不仅能够提高那些有直接观测信息的土壤层的土壤湿度模拟精度,还能在一定程度上改善那些没有任何观测信息的土壤层的模拟效果;另外,土壤湿度同化结果的改善还能在一定程度上提高陆面模式对于土壤温度的模拟精度.

基于DEnKF方法的考虑次网格变异性的MODIS雪盖同化

基于通用陆面模型(CoLM)和确定性集合卡尔曼滤波算法发展了一个考虑模型次网格变异性的MODIS雪盖同化方案,提高雪深模拟的估计精度。利用北疆阿勒泰地区5个气象站点2007年11月至2008年4月逐日雪深观测数据对同化结果进行了验证。结果表明,该同化方案不需要对MODIS雪盖观测数据进行扰动,能明显提高雪深模拟的精度。另外,雪深同化结果与地面观测雪深具有一致的时间变化趋势,能准确地反映积雪深度在各个不同时段的变化特性。