GRAPES全球集合预报的集合卡尔曼变换初始扰动方案初步研究

初始扰动方案是集合预报研究的核心问题之一。文中根据最新提出的基于集合卡尔曼变换(ETKF)理论的集合初始扰动方案,利用模拟观测系统及其调整的观测误差与放大因子的方案,研究发展了针对中国GRAPES全球预报系统的集合初始扰动方案,建立了GRAPES全球集合预报系统。利用14个集合成员进行了近两个月的集合预报试验,重点研究了初始扰动的结构特征、扰动振幅以及扰动增长特征,分析了集合扰动初始场的质量与性能。初步试验结果表明,基于ETKF初始扰动方案的GRAPES全球集合初始扰动能够较好地反映分析误差方差的主要模态结构和扰动振幅,并具有比较合理的集合离散度。分析误差方差能够准确地反应模拟观测资料的空间分布特征。初始扰动方差近似等于预报误差方差,并对全球观测系统的空间变化具有准确的响应。集合扰动具有合适的增长率,在96h的预报时效内可以有效地保持适当的集合离散度。52d集合预报统计分析显示,北半球集合平均的预报质量评分相对于控制预报具有较明显的优势,副热带高压特征线的个例预报也表明GRAPES全球集合预报在短期预报时效内具有很好的预报效果。基于ETKF初始扰动方案的GRAPES全球集合预报系统显示出良好的发展前景和应用潜力。

基于集合卡尔曼变换的目标观测敏感区识别系统优化及影响试验

在基于集合卡尔曼变换(Ensemble Transform Kalman Filter,ETKF)方法的适应性观测系统的基础上,考虑湿度因子作用并增加对流层低层的大气运动信息,发展了更加适用于我国中尺度高影响天气系统敏感区识别的优化方案。针对环北京夏季暴雨和冬季降雪的高影响天气个例,分别设计4组试验进行观测敏感区识别试验,考察了优化方案目标观测敏感区识别质量,并对分析和预报结果进行了评估。结果表明:优化方案的目标观测敏感区识别效果最佳,对环北京夏季暴雨和冬季降雪天气的目标观测敏感区质量有明显改善,湿度因子可使最强观测敏感区更加集中,对夏季降水敏感区的影响比冬季降雪天气更加明显。低层大气信息的引入对最强观测敏感区的准确识别也具有重要的积极作用。目标观测敏感区的目标资料对分析和短期预报质量具有明显的正贡献。

集合变换卡尔曼滤波局地化对区域集合初始扰动的影响

集合变换卡尔曼滤波(ensemble transform Kalman filter,ETKF)是一种有效的集合预报初始扰动构造方案。但是,有限的集合样本、相同的集合成员设置以及预报模式误差等可能会使两个距离较远的状态变量产生虚假相关,从而影响ETKF集合扰动的质量。为了有效解决远距离虚假相关问题,将局地化思想引入ETKF方案。本文针对GRAPES区域集合预报系统(GRAPES REPS),对ETKF初值扰动局地化方案的效果进行了试验分析,为进一步改善和优化局地化方案(LETKF方案)提供依据。通过一周的连续试验,从暴雨个例、集合预报多种评分检验等方面分析了LETKF初始扰动方案所产生的集合预报质量。结果表明,区域集合预报中集合变换卡尔曼滤波初始扰动的局地化方案能够更加合理地捕捉到快速增长的分析误差的物理结构,更准确地再现数值模式预报误差的线性与非线性传播和演变特征。该局地化方案可以较好地改进预报质量,提高降水预报的准确率,尤其是针对小雨、中雨、暴雨量级的预报。相对于现有区域集合预报的业务系统GRAPES REPS,基于局地化ETKF初始扰动方案的区域集合预报具有较明显的优势。总体来看,LETKF初始扰动方案可更好地改善区域集合预报的质量。

适应性观测与集合变换卡尔曼滤波方法介绍

给出适应性观测理论和集合变换卡尔曼滤波方法及其研究现状的综述。重点介绍了集合变换卡尔曼滤波方法及其相关的一些问题。在数值预报领域,一种新的途径是利用数值预报系统信息在预报时效内确定出某些区域,如果在这些区域进行补充观测,可以最有效地改进预报技能。这种方法被称为适应性或目标观测,所确定的观测区域称为敏感区,敏感区内增加观测后分析质量将得到改善,对后续的预报技能可产生最大的预期影响。目前适应性观测研究已经成为世界气象组织(WMO)组织的THORPEX计划的一个子计划。集合变换卡尔曼滤波(The Ensemble Transform Kalman Filer,简称ETKF)是一种次优的卡尔曼滤波方案,最早是作为一种适应性观测算法提出的,现在还被用于集合预报初始扰动的生成。ETKF方法不仅可以同化观测资料,而且可以估计出观测对预报误差的影响。它与其它集合卡尔曼滤波方案不同之处在于:ETKF利用集合变换和无量纲化的思想求解与观测有关的误差协方差矩阵,可以快速估计出不同附加观测造成的预报误差协方差的减少量,预报误差减少最多的一组观测所对应的区域就是所寻找的敏感区。

基于集合卡尔曼变换的东中国海声学敏感区判定方法

为改善海洋与水声环境预报质量,针对常规观测成本高、资料利用率低等问题,将适应性观测方法应用于海洋声学领域。结合海洋-声学耦合模式与集合卡尔曼转换敏感区诊断方法,以东中国海宫古海峡北部区域为验证区,计算并分析不同条件下海洋环境敏感区与声学敏感区分布,通过观测系统模拟试验验证适应性观测对验证区预报的提升效果。结果表明,两种敏感区位置随时间间隔增加均向验证区上游移动,海洋环境敏感区相比于声学敏感区分布更为集中,且平移特征更明显;对海洋环境敏感区和声学敏感区添加适应性观测均能提升海洋与水声环境的预报质量,提升效果随时间间隔增加而减小,在某种类型敏感区的适应性观测对相对应参数的预报质量提升效果优于对其他类型敏感区进行观测的效果。

基于集合卡尔曼变换的区域集合预报初步研究

为了深入研究集合卡尔曼变换(Ensemble Transform Kalman Filter,ETKF)初值扰动方法,提高集合预报质量,从全球大集合预报资料中提取初始扰动场,建立区域模式的ETKF初值扰动方案,对2008年7月22日发生在中国东部的一次暴雨过程进行集合预报试验,并分析ETKF方案构造的扰动场特征和集合预报效果。结果表明,由ETKF初始扰动方案产生的扰动场大小与分布合理,能够反映观测站点的空间分布,能够保持所有正交、不相关方向的误差方差。集合预报降水落区相对控制预报有所改善,集合平均小雨和中雨TS评分和BS评分总体优于控制预报。24h集合预报的Talagrand分布优于36h预报。试验结果揭示了ETKF初值扰动方案的基本性质及利用ETKF方法进行区域集合预报的可行性。

多物理ETKF在暴雨集合预报中的初步应用

基于集合转换卡尔曼滤波(ETKF)的初值扰动方法是目前集合预报领域热点方法之一,但应用在短期集合预报中仍存在离散度不够、误差较大等问题。考虑到在区域短期集合预报中,模式不确定性和边界不确定性的影响不能忽略,本文尝试在ETKF生成分析扰动的过程中,同时考虑初值不确定性、物理不确定性与边界不确定性,进而构建多初值、多物理、多边界ETKF集合,并以2010年9月30日到10月8日海南岛特大暴雨作为研究个例,对其在暴雨集合预报中的应用展开初步研究,重点分析多种物理参数化过程对预报结果的影响。结果表明,多物理过程的ETKF(多物理ETKF)和单物理过程的ETKF(单一ETKF)均优于对照预报,多物理ETKF优势更加明显,其均方根误差、离散度等指标均得到很好的改善;对于降水采用SAL方法进行检验,发现多物理ETKF对于降水位置的预报有明显的改善,对于特大暴雨的强度预报也略有改善。研究表明,在ETKF初值扰动中加入多种物理过程,可以有效改善短期集合的离散度,提高预报准确率,有良好的发展前景和应用潜力。

GRAPES区域集合预报系统应用研究

为发展GRAPES(Global and Regional Assimilation and Prediction System)区域集合预报系统(GRAPES Regional Ensemble Prediction System,GRAPES-REPS),采用集合变换卡尔曼滤波(ETKF)初值扰动方法以及多物理过程组合的模式扰动方法,基于业务区域模式GRAPES_MesoV3.3.2.4构建了区域集合预报系统,进行了连续40 d的批量试验,重点分析了ETKF初值扰动的结构及其演变特征,并通过概率预报检验方法对GRAPES-REPS进行了集合预报系统性能检验和降水预报检验,分析了该系统对强降水个例的预报效果。试验结果表明,GRAPES-REPS能产生较合理的集合预报初值扰动,扰动结构随流型依赖并对观测有较好的响应,且扰动成员相互正交。扰动总能量分析表明集合扰动能够随预报时效保持合理增长状态。集合预报检验表明集合预报结果优于控制预报,集合成员间在72 h预报时效内能保持合理的集合离散度。将该区域集合预报系统与业务上基于WRF模式的区域集合预报系统WRF-REPS进行了降水预报对比,表明GRAPES-REPS的降水预报能力表现要优于业务WRF-REPS。强降水个例分析表明集合预报能较好预报出强降水中心,预报效果明显优于控制预报。

基于局地集合变换卡尔曼滤波的全球海洋资料同化系统设计及算法加速

通过对局地集合变换卡尔曼滤波(LETKF)算法的计算时间复杂度的完整分析,发现计算集合空间分析场误差协方差的逆矩阵这一过程计算量最大,耗时最长。且在并行计算环境下,该步骤CPU计算量分配不均是影响计算效率的直接原因。为解决这一问题,采用“贪心算法”设计了一套新的负载均衡策略,并使用该策略开发了一个基于LETKF和并行海洋模块2(POP2)的高性能并行海洋资料同化系统。将2004年1~2月日平均的最优插值海表温度资料(OISST)和同时期的Argo温盐剖面资料同化进入POP2。结果表明,同化有效降低了温度和盐度的均方根误差。同时,在不改变计算结果的前提下,相比原始同化系统,新系统计算性能提升1倍。在更高分辨率(0.1°×0.1°)下,该系统的计算性能仍然可以提升1倍,说明新设计的负载均衡方案稳定可靠。该方案具有很强的可扩展性和移植性,在业务预报中有广泛的应用前景。

基于集合的观测资料影响性评价——简单AGCM的理想试验

在Liu and Kalnay（2008）的研究基础上,将基于集合的观测资料影响性评价方法（简称LK08法）运用到一个简单的大气环流模式中,对模拟探空资料的预报影响性进行了综合评价,考察了LK08法在真实大气环流模式上的适用性。研究结果表明,应用基于集合的评价方法可以一次性计算出同化系统中每个观测的影响性,然后按观测手段、观测区域等进行影响性数值的简单累加,以此可以比较不同类型观测的相对影响性。比较结果显示,不同半球的模拟探空观测对预报的总影响性相差不大,但由于南半球资料个数要远远少于北半球,因此,南半球单个观测的影响性要大于北半球的单个观测。不同观测类型对预报的总影响性也不相同。有效性验证分析表明,按LK08法计算得到的总体观测影响性能解释实际影响性的70%~80%,且很好地抓住了其变化和走势。

联合资料同化理论及其研究进展

联合资料同化是在"集合预报与资料同化一体化"的思想框架下研究发展的一种数值预报新理论和新方法。它在变分同化系统框架的基础上,充分利用集合预报结果,构造"流依赖"的背景误差协方差,提高对不同尺度天气系统背景误差协方差的刻画能力,进而改善分析和预报的质量。目前该方法已引起国际各主要气象业务中心广泛关注,极具业务应用潜力。本文以联合ETKF-3D-Var为例简要介绍了联合资料同化理论及其研究进展,也说明了联合资料同化的应用前景。

黑潮流域海温适应性观测敏感区诊断方法研究

敏感区诊断是适应性观测的关键问题,集合变换卡尔曼方法(EnsembleTransformKalmanFilter,ETKF)是目前主要的诊断方法之一。将集合变换卡尔曼方法应用于海洋环境适应性观测,根据ROMS海洋模式数据构建海表温度集合预报,以黑潮流域宫古海峡附近海域为验证区进行敏感区诊断计算,分析不同间隔时间条件下敏感区分布情况,结合模拟系统观测试验验证在敏感区进行适应性观测对预报质量的提升效果。结果表明,在诊断所得敏感区内添加观测能够提升预报质量;随时间间隔增大,敏感区向上游区域平移且预报质量提升效果减小;与在验证区整体添加观测相比,敏感区观测对预报质量提升效果基本相同并且观测成本明显减少。

基于数据同化的气动压力稀疏重构方法

风洞实验中获取模型高精度压力分布至关重要,但现有测量方法仍然存在一些缺陷。为获得风洞模型的全域压力分布,本文通过集合变换卡尔曼滤波(ETKF)对风洞实验的稀疏实测数据和数值计算数据进行同化,实现了基于模型物面有限测点的全空间流场高精度重构。分别使用二维翼型RAE 2822和NACA 0012进行实验验证,RAE 2822的压力稀疏重构结果比线性理论修正更加接近实测结果,此效果在激波位置体现得尤其明显,压力系数的预测误差降低了约3%,使用ETKF修正后的迎角及马赫数集合均值计算得到的机翼升力系数和力矩系数与实验值的误差均小于1%;NACA 0012实验面向风洞测量的全场感知应用,探讨了基于少量测点进行压力重构的可行性。实验结果表明:采用机翼物面6个测点重构的压力系数,相对误差可达2.42%,且同化效果与数据点位置密切相关。

一种新的模式倾向误差估计算法及其在ENSO模拟中的应用

气候模式是我们理解、模拟和预报气候演变的重要工具。然而即使是目前最先进的耦合模式,其模拟和预报与大气/海洋的真实状态相比,仍存在较大偏差,这是由于在模式的倾向方程中不可避免地存在系统性的误差(倾向误差)。因此,减小模式倾向误差对改进模式的模拟和预报效果具有重要意义。该研究首先发展了一种新的计算模式倾向误差的估计算法——基于局地集合变换卡尔曼滤波器(local ensemble transform kalman filter,LETKF)同化技术的倾向误差估计算法。在此基础上,将新发展的算法应用到Zebiak-Cane(ZC)模式,通过同化海表面温度异常(sea surface temperature anomaly,SSTA)数据,估计随时空变化的倾向误差,并使用计算得到的倾向误差订正模式,进行积分模拟。结果表明:(1)倾向误差和ZC模式的模拟偏差具有高度相关性;(2)订正后的模式改善了对厄尔尼诺-南方涛动(El Ni?o-Southern Oscillation,ENSO)的一些重要特征的模拟。这说明新发展的模式倾向误差估计算法十分有效且在ENSO模拟中具有较好的应用价值,此外,这种新的模式倾向误差估计算法,计算高效简便,可便捷地应用于各模式中,利于推广。

Lorenz-96模式中三种目标观测方法的有效性比较

目标观测是有效提升观测效能和观测质量的一种观测策略,其核心部分是敏感区的识别。本文在Lorenz-96模式上比较了奇异向量法(SVs)、集合变换卡尔曼滤波法(ETKF)和条件非线性最优扰动法(CNOP)识别敏感区的优劣,并尝试揭示ETKF方法性能不稳定的原因与机制。试验结果表明:在312h内的不同预报时刻,CNOP方法识别的敏感区范围较小且对预报效果的提升率最高;SVs方法识别的敏感区对72h内的预报有较好的改进,但72h后改进程度急剧下降,到120h后基本失效;ETKF方法识别的敏感区在72h内不如其他方法的效果好。此外,在ETKF方法识别的敏感区与随机选取的敏感区对比中发现,由于ETKF方法操作时采用顺序观测资料处理方案搜寻敏感区,本质上忽略了观测资料间的相关性,导致ETKF方法识别出的敏感区并不一定是全局信号方差最大的区域,对预报效果的改善有限,这也说明了如何优化敏感区搜寻方案是提高ETKF方法效能的关键。

一种新的耦合模糊控制局地化的同化方法

由于在数据同化过程中远距离的观测与同化状态之间存在着虚假相关,局地化方法受到广泛关注。同时,在集合数目较少的同化情况下,观测数据难以得到有效利用,使得同化效果欠佳。因此,提出了一种新的模糊控制局地化同化方法,通过模糊控制算法判断观测点与状态更新点之间的距离,构造观测位置模糊权重。利用非线性Lorenz-96模型,比较分析模糊控制局地化同化(FLETKF)算法与模糊控制同化(FETKF)方法、局地化分析同化(LETKF)算法和集合转换卡尔曼滤波(ETKF)算法在非线性强迫参数变化时的性能,同时探讨了4种算法在不同强度下的优劣。研究结果表明,新方法能够获得更有效的观测权重,避免了远距离观测与状态变量之间的虚假相关,减小由于观测数据难以得到有效利用而带来的误差,在不同观测误差协方差情况下,随着集合数的增加,4种算法中FLETKF能够保持较好的鲁棒性,在观测误差协方差较大时,FLETKF方法的均方根误差(RMSE)相对FETKF方法的RMSE值减小98.2%,提高了同化精度,但在同化所需时间上,由于模糊控制局地化同化方法在判断观测点与状态更新点之间的距离,构造观测位置等价权重需要较长的额外时间,因此,并行计算的性能需进一步研究。