论文部分内容阅读
天气预报已成为人们生活中必不可少的部分,现代天气预报的结果主要来源于数值天气预报模式。数值天气预报本质上是一种初值优化问题,即在一定的初始场和边界约束条件下,求解模型的方程组,对接下来某个时间段的大气状态变化规律进行预测。数值天气预报的预报质量与初始场信息的质量直接相关。将掩星资料同化进数值天气预报模式中可以明显改善初始场质量,提高其预报质量。在掩星资料同化技术中,现有的大气参数求解算法存在一些不足。本课题提出了一种基于同步微扰随机近似(Simultaneous perturbation stochastic approximation, SPSA)的大气参数求解方法。该方法利用梯度估计引导搜索过程逼近最优解,避开了复杂的代价函数求导过程,可实现性好。本文的主要研究内容及创新工作如下：(1)主要介绍了掩星观测的相关知识,并重点研究了掩星资料同化技术。本文首先研究了掩星观测技术的基本原理,并推导了掩星资料同化的代价函数,掩星资料同化技术本质上是一种高维、梯度难以计算的函数优化问题；然后根据观测资料不同将观测算子分成了大气折射率算子和弯曲角算子,并对每种算子进行了细分,总结了各类观测算子的优缺点；最后概括并分析了现有的大气参数求解算法,指出了现有算法在观测算子复杂时可行性差等不足。(2)提出了一种基于SPSA算法的大气参数求解算法。同时根据代价函数的实际特点,本文对SPSA算法进行如下改进：根据待优化参数特点,以迭代步长向量代替迭代步长因子并且利用方差进一步调整迭代步长向量。SPSA算法在高维、难求导的优化问题中应用广泛,适合求解掩星资料同化技术的代价函数极小值。本文通过大量的对比实验验证了改进型SPSA算法求解大气参数的有效性,科学性。针对现有大气参数求解算法的不足,本文提出了基于掩星资料同化的改进型SPSA大气参数求解方法。本文的相关方法丰富了掩星同化技术理论,这些方法不仅有理论上的创新性,也有一定的实际应用价值。