初始扰动振幅和集合样本数对CNOPs集合预报的影响

初始扰动振幅的大小和集合样本数对于集合预报取得更高预报技巧具有重要意义。本文将正交条件非线性最优扰动方法(orthogonal conditional nonlinear optimal perturbations,简称CNOPs)应用于概念模型Lorenz-96模式探讨了初始扰动振幅和集合样本数对集合预报技巧的影响,从而为使用更复杂模式进行集合预报提供指导。结果表明,由于CNOPs扮演了非线性系统中的最优初始扰动,从而使得当初始扰动振幅小于初始分析误差的大小时,CNOPs集合预报获得更高的预报技巧,并且CNOPs集合预报的最高预报技巧总是高于奇异向量法(singular vectors,简称SVs)集合预报的最高预报技巧。结果还表明,CNOPs集合预报倾向于具有一个合适的样本数时,达到最高技巧。更好的集合离散度--预报误差关系和更为平坦的Talagrand图(Talagrand diagram)进一步证明了CNOPs集合预报系统的可靠性,从而夯实了上述结果的合理性。因此,针对CNOPs集合预报,本文认为采用一个适当小于初始分析误差的初始扰动振幅和一个合适的集合样本数,有利于CNOPs集合预报达到最高预报技巧。

集合预报方法的全局研究

应用一个最大简化的６变量非线性模式，引入胞映射全局分析方法，研究初值误差范围内不同扰动对预报结果的影响。在获得对其全局认识的基础上，再通过理论研究与预报实践证明，集合预报方法确能改进预报。理论研究表明，可以求出最佳集合样本数，而且由模式预报试验得到的最佳集合样本数与理论结果是一致的。另外，观测精度、预报精度以及模式状态变量的个数对最佳集合样本数有着不同的影响。