集合资料同化是依赖于统计理论,集合预报方法和资料同化方法的有机结合。Ensemble Kalman Filter(EnKF)方法是目前在强非线性系统中应用最广泛,效果最明显的集合资料同化方法。但是在实际执行同化过程中,集合同化方法仍存在着两个关键问题——如何进行模式误差扰动和计算量大的问题。1.集合资料同化方法的两个基础假设就是模式变量的高斯分布假设和误差统计的无偏估计,也就是样本的平均值和协方差都是精确的。那么在顺序同化中,有三种误差就不得不被考虑。它们分别是模式的初始误差、模式误差和观测误差。这就是值得我们关注的第一个关键问题——误差问题。集合同化方法的顺利实施离不开误差的准确给定。而目前在实际应用中,这方面的工作仍然存在着较大的缺口。事实上,初始样本的统计信息应该体现着模式初始状态的不确定性,尤其是样本的标准差(或者被称作离散度)应该代表了背景误差协方差的信息。在本文中,我们首先对模式的长期预报进行了模式性能的评估,并与观测比较得到了可靠的模式不确定性的定量估计。我们沿用了Evensen(1994,2003)介绍的初始样本生成方法,并实际应用于HYCOM模式在太平洋的试验研究中。初始样本是通过对模式层结产生扰动,进而引入大气随机强迫场运行1个月来生成。在样本的产生过程中,我们成功地调整了混合层温度扰动的垂直关系和相关尺度。在进行资料同化前,通过比较初始样本的离散度和模式初始的不确定性,以及比较典型位置的样本的相关型来验证初始误差的准确性是本文的一大特点。我们发现,该方法能够得到与观测误差相符的样本的离散度,典型位置的相关型也能很好的体现出流系特征。2.尽管我们在集合同化EnKF试验中,采用了一个相对较小的样本(大小为100个),同时我们也应用了国内计算速度最快的大型IBM计算机,但是这样的计算量仍然是非常昂贵的。那么这就是第二个关键问题——计算量过大的问题。在本文中,我们也讨论了一个计算量非常小的EnKF方法的简化方法——EnOI方法。为了比较EnOI和EnKF两个方法,我们设计了一组只同化海面高度