论文部分内容阅读
集合—变分同化方法逐渐成为发展同化方法的重心,它同时保留了集合方法和变分方法的优势。NLS-3DVar ( Non-linear Least Squares-based on Three-dimensional Variational Data Assimilation,非线性最小二乘三维变分同化)方法作为3DEnVar方法(不依赖于伴随模式求解的集合3DVar方法)中的一个代表,采用有限集合样本估算背景误差协方差B,并通过局地化方案来缓解集合样本不足导致的虚假相关。合理的采样方法和局地化方案是同化方法成功与否的关键。本论文采用历史采样法和集合扩展局地化方案对NLS-3DVar方法进行完善,并优化计算方法,使其结果精度更高,计算过程消耗资源更少;另一方面,引入多重网格策略对不同尺度的观测信息进行分析,由于对观测数据的稀疏化处理,使得基于多重网格策略的NLS-3DVar方法在计算效率上有了很大提高。本论文将NLS-3DVar方法进行以上改进后,又通过与Cressman插值与STMAS (Space-Time Multiscale Analysis System)算法的对比来进行效果检验。用2400多个国家级气象观测站逐时气温数据和NCEP再分析气温数据的进行同化,得到中国区域空间分辨率1°×1°,时间分辨率为6小时的气温融合产品。分别从单重网格(分辨率1°×1°)和双重网格(分辨率由2°×2°到1°×1°)利用2014年1～12月(4、5月除外)的独立检验数据考察NLS-3DVar气温融合产品质量,验证基于多重网格策略的NLS-3DVar方法的优越性。在单重网格下,与Cressman插值产品(均方根误差和相关系数的年平均值分别为1.961℃d-1和0.924)相比,NLS-3DVar产品全年始终具有最小的均方根误差和最大的相关系数,年平均值分别为1.915℃ d-1和0.929;站点间误差分析进一步表明,NLS-3DVar产品在大多数检验站点精度更高,在新疆、甘肃、云南、陕西等地区尤为突出;加入双重网格策略的NLS-3DVar产品与单重网格的NLS-3DVar产品误差对比显示,均方根误差年平均值分别为1.711℃ d-1和1.649℃ d-1,相关系数年平均值分别为0.968和0.970,二者在均方根误差和相关系数的表现上都极为相似,即双重网格NLS-3DVar气温产品尽管对观测数据采取了稀疏化处理,但依旧维持了原有的产品精度,并且在计算效率上提高了 1倍多。而与同样在双重网格下基于多尺度的STMAS算法相比,双重网格的NLS-3DVar方法在产品精度上同样占据优势,在计算效率上单位时次耗时与STMAS算法几乎相当。