集合变分混合同化背景误差协方差流依赖性分析

通过单点观测试验的方法,对集合变分混合同化背景误差协方差的流依赖特征、流依赖性影响因子、产生原因,以及集合预报方法对流依赖性的影响进行了研究。结果表明:由于引入了集合信息,集合变分混合同化的分析增量与天气系统的分布有关,具有非均匀、各向异性的特征;这种流依赖特征对混合系数敏感,当集合协方差所占权重很小时,分析增量仍呈现出均匀、各向同性特征;混合同化背景误差协方差的流依赖特征不仅与集合样本有关,还与构造集合协方差的ETKF方法有关,只引入与环流形势密切相关的集合样本并不能使分析增量表现出显著的流依赖性,集合样本和ETKF方法共同作用才能将流依赖信息引入到混合协方差中,使分析增量出现流依赖特征;不同集合预报方法对混合协方差的流依赖特征有显著影响,考虑初值和物理过程的超级集合,以及在超级集合样本上再进行ETKF更新扰动后样本构造的混合协方差流依赖特征更加显著。

时间依赖的多尺度背景误差协方差研究I——构造

为了在资料同化中更好地应用多尺度同化技术,针对当前GRAPES多尺度3D-Var同化系统中背景误差协方差设置的缺陷,探讨如何引入随时间演变的多尺度信息的方法。首先,基于GRAPES模式集合预报系统,利用集合预报结果构造了新型的背景误差协方差,该新型协方差的标准差与相关关系能随着时间演变而发生变化,即具有时间依赖特征。然后,为了考虑背景误差协方差的多尺度特征,针对不同尺度背景场将该新型协方差进行不同程度的缩放,即假设不同尺度的背景误差单变量标准差与相关尺度以及多变量相关系数与原估计值之间存在一定的比例关系。通过选择不同的缩放系数,其对应的分析增量将产生不同量值与尺度的变化,即可对相应的分析场进行多尺度调整。

时间依赖的多尺度背景误差协方差研究Ⅱ——应用

将基于GRAPES 3D-Var资料同化系统构造的具有时间依赖特征与多尺度特征的新型背景误差协方差应用于一个实际天气个例研究,确定出新型协方差中不同尺度标准差合适的缩放系数。该新型协方差在不同尺度的分析过程中产生了量值与尺度差异很大的分析增量,既很好地保留大尺度背景场信息,也使局地观测信息被很好保留并有效提取。不同尺度分析增量的共同作用最终导致分析场调整出更符合天气系统尺度特征的增量,从而更大程度地调整不同尺度天气系统的结构,并进一步改进相应的降水预报。另外,将观测资料按空间分布密度高低分别同化,能更有效提取不同分布密度观测资料中不同尺度的信息。为期一个月的批量试验表明,该协方差对应的前12 h降水预报效果改善明显,尤其是强降水预报。

纬度依赖背景场误差协方差及其对台风同化和预报的影响研究

合理的背景场误差协方差矩阵是做好变分同化的关键。为进一步认识背景场误差协方差矩阵在中尺度预报中的作用,对背景场误差协方差中平衡关系的纬度依赖特征及其对中尺度同化及预报效果的影响进行了研究。为使得平衡关系既包含纬度依赖特征,又降低纬度依赖带来的非平衡的噪音信息,在背景场误差协方差矩阵构造的平衡变换过程中引入了递归滤波的方法,对平衡变换中的回归系数进行了滤波平滑。同化单点观测的理想试验表明纬度依赖的背景场误差协方差具有更合理的动力关系,且滤波后的背景场误差协方差既保持了纬度依赖特征且明显平滑了噪音信息。台风"莫拉克"同化数值模拟试验表明纬度依赖的背景场误差协方差明显提高了36 h及以上的中心海平面最低气压和路径预报的预报效果。

基于云依赖背景场误差协方差的雷达资料同化及对降雨预报影响研究

传统变分同化方法中使用各向同性和均质的背景场误差协方差,忽略了背景场误差协方差的天气系统依赖性,而在变分框架下引入集合流依赖的背景场误差协方差还需要额外的集合预报。为在变分同化中引入更合理的背景场误差协方差,通过引入云指数构建“云依赖”背景场误差协方差,提出了一种云依赖背景场误差协方差的同化方案,并应用于雷达等多源观测资料同化。基于云依赖背景场误差协方差的资料同化方案,开展了一系列单点观测试验、梅雨期批量循环同化预报试验以及降雨个例详细诊断分析。从单点观测试验看,云依赖背景场误差协方差可以实时动态地调整各格点背景场误差,使分析增量具有明显的各向异性和对云雨特征的依赖;批量循环同化与预报试验表明采用云依赖背景场误差协方差的雷达资料同化可以稳定提高降水预报能力,对大量级降水评分的改善尤为明显;对强对流暴雨过程的诊断进一步表明,云依赖背景场误差协方差的应用改进了动力、热力、水汽和水凝物场的预报。基于云依赖背景场误差协方差的同化方案,能在变分同化框架下引入更符合实时天气特征的背景场误差协方差信息,为更好地同化高分辨率雷达资料提供了基础,有效提高了降雨预报的效果。

四维变分资料同化中非平衡项方差的流依赖估计

优化和改进变分资料同化系统中的背景误差协方差模型,使之能够正确反映随流型演变的不确定性信息,是提高中期数值预报精度的重要技术手段。集合四维变分资料同化的一大关键是如何根据自身的背景误差协方差模型提取和应用流依赖背景信息。为了提高变分资料同化解算的效率,通过将某些变量划分为平衡部分和非平衡部分,平衡部分依据平衡约束关系与一个特定的变量相联系,剩余的非平衡部分在各变量间互不相关。随着数值预报模式的不断优化,非平衡方差在总方差中的影响越来越重要。本文介绍了YH4DVAR的背景误差协方差模型和集合四维变分资料同化系统架构,重点分析了平衡算子。通过集合方法估计得到了散度、温度、地面气压的非平衡项流依赖方差。最后,为了减少有限样本噪声对方差估计的影响,对非平衡项方差进行了校正和滤波。

CMA-TYM混合En3DVar方案的设计和初步试验

基于CMA-TYM的3DVar系统,发展了利用扩展控制变量引入流依赖背景误差协方差(集合扰动成员统计表达)的混合En3DVar同化方案。测试显示,单点台风中心气压数据同化会引起风场非对称增量形成,以及导致传统3DVar方案认为不相关的湿度增量出现。台风个例试验表明,混合En3DVar方案能提取台风内零散观测资料信息,并按实际台风动力特征和分布区域向四周传播,从而影响分析场中台风涡旋强度、结构。同时,与3DVar方案相比,混合En3DVar方案对提高台风路径、强度预报效果明显。

集合最优插值中的样本选取

背景误差协方差控制了分析向观测调整的幅度以及调整的结构,所以其对同化分析的质量起着至关重要的作用。对于集合同化方法而言,样本决定了背景误差协方差的分布。基于HYCOM海洋数值模式结果,针对集合最优插值方法,探讨了静态样本的选取和更新对背景误差协方差结构分布的影响,研究结果表明:由变量的原始状态数据估计的静态样本会夸大样本相关性,由扣除季节变化得到的距平数据统计出的静态样本能比较合理地反映背景误差协方差的结构;在季风控制区,具有季节变化的样本比静态样本更能适应背景误差协方差随流形分布的特征。同时一系列的同化试验也被实施来进一步调查不同样本对同化分析的影响。

集合四维变分资料同化研究进展

背景误差协方差矩阵的精确定义是构建高水平资料同化系统的先决条件。传统四维变分资料同化(4D-Var)方法将观测资料处理转化成以动力模式为约束的泛函极小化问题,通过调整控制变量,使指定时间窗口内由控制变量得到的模式预报结果与实际观测资料之间的偏差达到最小。该方法在同化窗口内可以利用模式的切线性和伴随隐式地改变背景误差协方差,能够在某种程度上满足快速发展的天气过程。但是大部分业务中心的四维变分资料同化系统仍采用静态化的背景误差协方差矩阵模型来缓解背景误差协方差矩阵的维度问题,即矩阵维数远大于可用信息量。随着计算机科学的迅猛发展,维度问题可以进一步通过集合的方法缓解。集合四维变分资料同化就是基于这一目标通过构造多个能反映出背景误差协方差分布特征的样本集合来弥补可用信息量的不足。该方法目前已在ECMWF、Mete-France等业务中心实现业务化,为确定性四维变分资料同化系统提供流依赖背景误差协方差估计。简要介绍了集合四维变分资料同化方法的基本原理;其次以ECMWF为例,概述了四维变分资料同化系统的业务现状,重点阐述了系统在开发过程中需要解决的扰动、滤波、校正等一些关键技术;最后探讨集合四维变分资料同化系统目前存在的问题和未来可能的研究方向。