基于ROMS(Regional Ocean Modeling System)模式建立一个南海北部集合最优插值的同化系统,并且利用2008年夏季SCOPE(Northern South China Sea Coastal Oceanographic Process Experiment)航次的温盐数据以及航次期间逐日OSTIA(Operatio...基于ROMS(Regional Ocean Modeling System)模式建立一个南海北部集合最优插值的同化系统,并且利用2008年夏季SCOPE(Northern South China Sea Coastal Oceanographic Process Experiment)航次的温盐数据以及航次期间逐日OSTIA(Operational Sea Surface Temperature and Sea Ice Analysis)数据进行同化试验。试验结果表明:同化较好地改善了海表温度的模拟,加强了南海北部的上升流,尤其是加强了珠江冲淡水的模拟,垂向定量的分析表明,温度整层都得到改善,表层改善达到30%,盐度在80 m以上得到明显改善,表层改善40%。此外,针对近岸卫星SST(sea surface temperature)和航次SST的不协调性问题以及不同观测数量对同化结果的影响,利用敏感性同化试验进行了初步探讨,结果显示:相对于剔除40 m以浅,同化所有区域内卫星SST资料能显著减小近岸区域的SST均方根误差(约51%);加密用于同化的SST数据量,如由每隔5个格点调整为每隔3个格点选取观测数据,也能在此基础上再减小SST的均方根误差(约9.1%),但二者的SST分布形态均与观测吻合。展开更多
在海洋数据同化领域,集合最优插值方法中,矩阵求逆过程所使用的奇异值分解(singular value decomposition,SVD)十分耗时。对集合最优插值中逆矩阵的求逆过程进行优化,分别使用LU分解、Choleskey分解、QR分解来替代SVD分解。首先,通过LU...在海洋数据同化领域,集合最优插值方法中,矩阵求逆过程所使用的奇异值分解(singular value decomposition,SVD)十分耗时。对集合最优插值中逆矩阵的求逆过程进行优化,分别使用LU分解、Choleskey分解、QR分解来替代SVD分解。首先,通过LU分解(Choleskey分解或QR分解)得到相应的三角矩阵(或正交矩阵);然后,利用分解后的矩阵来实现相关逆矩阵的计算。由于LU分解、Choleskey分解、QR分解的算法复杂度都远小于SVD分解,因此改进后的同化程序能得到大幅度的性能提升。数值结果表明,所采用的三种矩阵分解方法相比于SVD分解,都能将集合最优插值的计算效率提升至少两倍以上。值得一提的是,在四种矩阵分解中Choleskey分解使得整个同化程序的性能达到了最优。展开更多
文摘对A rtstein给出的度量平均的定义作了改进,给出一种新的集合插值,并基于这种新的集合插值,对相应的关于一般紧集的样条细分和插值细分分别作了研究,并给出了细分的收敛性性质.与此同时,将这种新的集合插值与基于度量平均的插值及基于M inkow sk i平均的插值分别作了比较,可以看出新的集合插值在某些方面具有更好的物理性质.
文摘基于ROMS(Regional Ocean Modeling System)模式建立一个南海北部集合最优插值的同化系统,并且利用2008年夏季SCOPE(Northern South China Sea Coastal Oceanographic Process Experiment)航次的温盐数据以及航次期间逐日OSTIA(Operational Sea Surface Temperature and Sea Ice Analysis)数据进行同化试验。试验结果表明:同化较好地改善了海表温度的模拟,加强了南海北部的上升流,尤其是加强了珠江冲淡水的模拟,垂向定量的分析表明,温度整层都得到改善,表层改善达到30%,盐度在80 m以上得到明显改善,表层改善40%。此外,针对近岸卫星SST(sea surface temperature)和航次SST的不协调性问题以及不同观测数量对同化结果的影响,利用敏感性同化试验进行了初步探讨,结果显示:相对于剔除40 m以浅,同化所有区域内卫星SST资料能显著减小近岸区域的SST均方根误差(约51%);加密用于同化的SST数据量,如由每隔5个格点调整为每隔3个格点选取观测数据,也能在此基础上再减小SST的均方根误差(约9.1%),但二者的SST分布形态均与观测吻合。
文摘在海洋数据同化领域,集合最优插值方法中,矩阵求逆过程所使用的奇异值分解(singular value decomposition,SVD)十分耗时。对集合最优插值中逆矩阵的求逆过程进行优化,分别使用LU分解、Choleskey分解、QR分解来替代SVD分解。首先,通过LU分解(Choleskey分解或QR分解)得到相应的三角矩阵(或正交矩阵);然后,利用分解后的矩阵来实现相关逆矩阵的计算。由于LU分解、Choleskey分解、QR分解的算法复杂度都远小于SVD分解,因此改进后的同化程序能得到大幅度的性能提升。数值结果表明,所采用的三种矩阵分解方法相比于SVD分解,都能将集合最优插值的计算效率提升至少两倍以上。值得一提的是,在四种矩阵分解中Choleskey分解使得整个同化程序的性能达到了最优。