迭代EnSRF方案设计及在Lorenz96模式下的检验

本文利用非同步(Asynchronous)算法设计了一个包含迭代过程的集合平方根滤波方案(迭代EnSRF),并在Lorenz96模式下详细对比分析了该方案和传统EnSRF方案的同化效果。与传统EnSRF方案不同,迭代EnSRF方案能够同时更新两个时次的背景场并通过迭代过程来改进分析结果。本文不仅检验了迭代EnSRF在同化不同类型观测资料时的效果,还检验了存在模式误差时该方案的同化效果,并且对同化结果的合理性进行了详细分析。试验结果表明:在完美模式下,迭代EnSRF能够显著加快同化常规观测时的收敛速度,并能够更加有效地同化非常规观测资料;在存在模式误差时,迭代EnSRF并不能有效改进分析结果;当对不准确的模式参数进行扰动后,迭代EnSRF能够更好地利用改进后的集合预报系统来提高其对部分类型观测的分析结果。进一步的分析表明,分析结果的改进主要得益于迭代EnSRF改进了背景误差协方差空间结构,并使得EnSRF的线性假设得到更好的满足。

随机强迫对集合预报效果的影响研究

以Lorenz96模式为动力框架,建立了考虑模式随机强迫不确定性的集合预报系统,并选择模式气候态和集合平均预报效果为研究对象,研究随机强迫对集合预报效果的影响。结果表明,在数值模式积分过程中引入恰当的随机强迫构成的新计算范式,较非随机强迫更接近真值的气候平均与气候标准差,对刻画数值模式的气候态也有正效果;且随机强迫的正效果主要体现在长时效阶段。集合平均预报方面,绝大部分白噪声随机强迫对应的集合预报效果优于非随机强迫集合预报,集合预报效果也随白噪声强迫增大非单调变化,并且非线性系统不同,相同比率的白噪声随机强迫产生的效果也不同。同时,绝大部分红噪声随机强迫对应的集合预报效果也优于非随机强迫集合预报,但仅部分φ(表示所引入外强迫的随机性部分和确定性部分相互耦合的一个度量)值对应的红噪声强迫集合预报优于白噪声随机强迫集合预报;而且红噪声随机强迫集合预报改善效果随系数φ的正负分布非对称且非单调变化。此外,相关系数φ的选择也依赖于模型。

局地误差子空间变换卡尔曼滤波方法的最优参数选取

基于PDAF同化框架,通过Lorenz96模型的孪生实验,探讨了LESTKF同化方案中的两个重要参数局地化半径和遗忘因子对于同化结果的影响。实验结果表明:局地化半径对分析结果的空间分布影响明显。局地化半径过大,不能很好地滤去背景误差协方差矩阵中的虚假相关;局地化半径过小则分析太细节化使得物理量场不符合实际。遗忘因子的选取对于同化效果影响显著:孪生实验证明遗忘因子(取值为0~1)选取适当能够明显提高同化效果,但如果选得太小则会使同化结果过于接近模式,观测信息对模式的调整将减弱。当二者同时作为自变量影响Lorenz96模式的同化效果时,存在一个最优的参数选择区域,但该最优区域紧邻滤波发散的区域,因此在实际同化应用中应格外重视。

基于机器学习的非线性局部Lyapunov向量集合预报订正

基于Lorenz96模型初步探讨了机器学习算法提高非线性局部Lyapunov向量(NLLV)集合预报效果的可行性和有效性.结果表明:基于岭回归算法和NLLV集合预报结果建立的机器学习模型(Ens-ML)能够有效提高整体预报技巧,而且优于集合平均预报(Ens Ave)、控制预报(Ctrl)以及基于Ctrl结果建立的机器学习模型(Ctrl-ML).同时,还发现Ens-ML的预报技巧改进程度依赖于集合成员的数量,即增加集合成员数有助于提高Ens-ML模型的整体预报准确率.通过对比个例预报表现得到,随着预报时间延长,Ens-ML,Ctrl-ML和Ens Ave的个例预报误差逐渐小于Ctrl.进一步分析Ens-ML,Ctrl-ML和Ens Ave预报的吸引子,发现它们的概率分布的值域收缩、峰度增大并向平均值靠拢,尤其Ens-ML的表现更为明显.