论文部分内容阅读
背景场误差协方差的决定着资料同化分析场中所包含观测与背景场信息之间的比重,合理的背景场误差协方差对资料同化的质量起着至关重要的作用。为加深对背景场误差协方差的理解,探讨不同背景场样本得到的背景场误差协方差的区别及其对同化和数值预报效果的影响,本文针对背景场误差误差协方差中背景场误差的模拟问题,利用控制变量随机扰动法(RandomCV法)、增长模繁殖法(BGM法)、全场随机加扰法(MVP法)以及NMC法(也称NCEP方法)模拟得到了四组背景场样本,并基于WRFDA同化系统计算得到各背景场误差协方差矩阵,通过背景误差协方差的特征分析、单点观测理想试验和连续循环同化及数值预报试验,对各背景场误差协方差的特征及其对同化和数值预报效果的影响进行了详细讨论,取得的主要结论为：(1)背景误差协方差的结构特征分析表明：NMC与RandomCV方法得到的背景场误差协方差的第一模态特征值比BGM和MVP方法得到的要大,说明NMC与RandomCV方法的背景场误差的振幅特征更为显著,而且同化过程中这两种方法得到的背景场误差协方差会加大观测的权重；特征长度尺度大小代表了观测信息的影响范围,RandomCV和BGM方法得到的背景场误差协方差的长度尺度均大于其他方法。(2)温度单点观测同化理想试验表明：理想试验的增量场特征与各方法得到的背景场误差协方差矩阵的特征分析结论基本一致,单点观测信息的影响范围基本是以RandomCV和NMC方法比其他方法大,增量的强度以BGM和RandomCV方法较强。(3)循环同化及数值预报试验表明：利用NMC和RandomCV方法得到背景场误差协方差进行同化后,与观测场相比的均方根误差和绝对偏差均最小,WRF模式自带的背景误差协方差矩阵的同化及预报效果稍差,整体效果不及NMC和RandomCV方法,MVP方法最差。(4)由于NMC获得背景场误差协方差的方法需要连续一个月及以上的样本,需要下载大量的再分析数据并进行连续一个月及以上的数值模拟,本文的RandomCV方法,利用WRFDA系统自带的背景场误差协方差,对初始场进行加扰,通过使用生成的初始场进行集合预报,从而获得背景场样本计算背景场误差协方差,达到了与NMC方法效果基本接近的同化和预报效果,而RandomCV方法的背景误差样本在计算耗时和人力成本上相对较NMC方法低。