顺序数据同化算法的敏感性分析

为了探讨不同同化指标对顺序数据同化的影响,选择En KF,DEn KF,En SRF三种经典的顺序同化算法,结合Lorenz-1963模型进行敏感性实验分析,研究同化总时间、同化步长、集合成员数、方差膨胀因子、观测数目和局地化半径等指标对同化结果的影响。实验表明:同化总时间、同化步长、集合成员数、方差膨胀因子、观测数目和局地化半径对同化结果有直接的影响,基于En KF的改进算法在有限范围内是优于En KF的;当达到一定条件时,以上所有方法的同化结果趋于相同。研究结果对于实际应用中的最优顺序同化算法选择具有指导意义。

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。

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。