论文部分内容阅读
近年来,为了最大程度地改进预报技能,一种利用预报系统信息来确定进行补充观测区域的方法迅速发展起来,我们称之为适应性观测方法或目标观测方法。确定的观测区域称之为敏感区域,在敏感区内改善分析质量对后续的预报技能产生最大的预期影响。目前适应性观测研究已经成为THORPEX计划中的一个子计划。集合变换卡尔曼滤波+(ETKF)方法最早是作为一种适应性观测算法提出的,现又被用于集合预报初始扰动的生成。ETKF方法是一种次优的卡尔曼滤波方案,像其它卡尔曼滤波方案一样,它不仅可以同化观测资料而且可以估计出观测对预报误差协方差的影响。它与其它集合卡尔曼滤波方案不同在于它利用集合变换和无量纲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所造成的预报误差的减少量。现有的研究成果表明,ETKF方法无论是作为集合预报初始扰动的生成方法还是作为一种适应性观测算法都具有业务应用的潜力。目前国内在集合变换卡尔曼滤波方面的研究开展地比较少,因此对集合变换卡尔曼滤波方法的研究具有重要的科学价值和现实意义。
本文在前人的理论研究基础之上,构建ETKF平台,利用了实际大气预报模式(GRAPES)进行数值试验,对集合变换卡尔曼滤波理论及其在集合预报和适应性观测两方面的应用进行了研究。下面是本文的研究结果和结论:
(1)集合变换卡尔曼滤波方法作为一种集合预报初始扰动的生成方法时,在假设系统是线性和不随时间变化、观测网的地理分布不变、观测误差固定、并且初始集合扰动代表误差增长的方向时,所得到的分析扰动在彼此正交化的观测空间中的概率分布是一样的。本文选取了一次暴雨过程进行试验,根据试验结果统计分析发现在真实大气模式的试验设置下,利用ETKF方法得到的分析扰动在集合子空间基本上也是等概率分布的。
(2)在集合预报试验当中,由于集合数的限制会造成分析误差协方差矩阵的低估,需要引入扩大因子(inflationfactor)调整集合预报扰动的幅度。本文利用两种不同的扩大因子计算方案进行试验,试验1选用Wang和Bishop(2003)文中介绍的方法进行试验,试验2是采用类似breeding方法调整集合扰动的大小。试验1得到的扰动的幅度是先增大后减小,最后趋于稳定;试验2的扰动是缓慢的增长,增长到一定大小保持不变。两组试验得到的扰动场最终都趋于稳定,扰动维持在观测误差大小附近,说明两种方法得到的扰动增长是合理变化的。
(3)考察了集合数的变化对扩大因子的影响,试验表明随着集合数的增加一倍扩大因子的数值减少了将近一半。说明在集合数增大的过程中扩大因子的作用在逐渐变小。
(4)集合变换卡尔曼滤波方法作为一种适应性观测算法,可以直接估计出加入观测后预报误差的减少量。本文用ETKF方法得到的预报误差的减少量的变化与深层平均风(DLM)的结果进行了对比,结果表明利用ETKF方法估计得到的信号方差是合理的。