论文部分内容阅读
本文主要采用1.5-层浅水海洋模式结合条件非线性最优扰动(CNOP)方法和第一线性奇异向量(FSV)方法确定了黑潮大弯曲路径预报中的目标观测敏感区。通过一系列敏感性试验和理想回报试验考察了敏感区的敏感性和有效性,并且利用观测系统模拟试验(OSSE)对目标观测的效果进行了评估。此外,本文进一步验证了浅水模式中得到的敏感区在多层复杂的Princeton Ocean Model(POM)模式中的有效性。本文的主要内容和结论如下:首先,利用1.5-层浅水海洋模式对黑潮路径变异进行了数值模拟,基于CNOP和FSV方法识别了目标观测的敏感区。通过敏感性试验考察了初始误差的空间结构及其所在位置对误差发展的影响,结果表明:(1)具有CNOP和FSV型初始误差在预报终止时刻的动能发展要大于随机误差的动能发展,其中CNOP型初始误差的动能发展是最大的;(2)将具有CNOP和FSV型初始误差叠加在CNOP敏感区位置上,在预报终止时刻的动能发展比叠加在FSV敏感区和随机选取区域内的动能发展要大;(3)随机初始误差在CNOP和FSV敏感区内的动能发展要比随机区域内误差的动能发展大,并且在CNOP敏感区内的影响最大。这说明CNOP敏感区比FSV敏感区以及随机区域更加敏感和有效。另外,通过理想回报试验的结果表明:在CNOP敏感区内减小(或消除)CNOP型初始误差要比在FSV敏感区内减小(或消除)FSV型初始误差对预报的改善程度大。这表明通过目标观测策略排除CNOP敏感区内可能存在的具有CNOP型结构的初始误差,原则上可以避免出现较差的预报结果。其次,通过OSSE试验结果发现,在CNOP和FSV方法确定的敏感区内进行目标观测,对黑潮大弯曲路径的预报改善程度要比在随机选择区域内增加观测对预报的改善程度大,并且在CNOP敏感区内增加额外观测对预报的改善程度最大。最后,利用POM模式模拟了日本南部黑潮的路径变异过程。此外,验证了具有类似浅水模式中得到的初始误差类型在POM模式中也能产生较大的预报误差,浅水模式中识别的目标观测敏感区在POM模式中依然有效,并且CNOP敏感区较FSV敏感区更加敏感有效,这与浅水模式中得出的结论基本一致。说明在日本南部黑潮大弯曲路径预报的目标观测敏感区识别问题上,CNOP方法是更为有效可行的方法。