论文部分内容阅读
资料同化是数值天气预报的一个重要环节，同化结果的好坏对数值预报效果有关键的影响。资料同化的效果，不仅取决于观测资料的质量与数量，更与采用的同化方法密切相关。结合了四维变分与集合Kalman滤波方法优势的四维集合变分方法系列(4DEnVar)，是当前业务同化方法发展的主流趋势和前沿方向。本文主要关注一种具有代表性的4DEnVar方法，即降维投影四维变分同化方法(DRP-4DVar)，对其各个方面进行了分析和改进，并将其应用于我国全球天气预报模式GRAPES-GFS中。本文主要内容包括: (1)针对DRP-4DVar求解中存在的线性近似问题，设计了一种简单、高效的非线性订正算法，并在其迭代步骤中提出了两种基本的更新集合的策略:重新积分策略(RI)和不更新策略(NU)，以满足不同的性能-计算代价要求。经Lorenz96模型检验，采用RI策略的非线性订正算法能完美克服线性近似问题，而采用更为经济的NU策略的算法也能显著减小DRP-4DVar线性近似误差。另外，我们还提出了基于这两种基本更新集合策略的混合策略，以达到更好的性能-计算代价平衡。 (2)指出DRP-4DVar当前的局地化算法由于未考虑网格的球面性、不适用于全球模式，而国际上通用的局地化算法虽然考虑了球面性但计算量较大。为此，本文在现有局地化算法基础上予以拓展，通过采用校正影响半径的方式，近似地考虑了网格的球面性，使其适用于全球模式中。对计算量的分析表明该拓展算法计算量低于国际通用算法;而全球准地转模式同化试验则验证了改进后的局地化模型结构更为合理，且同化效果相对改进前也有一定改善。 (3)将集合Kalman滤波方法中的集合变换技术引入DRP-4DVar中，得到基于集合变换的DRP-4DVar，但利用准地转模式检验发现，与传统的逐成员同化的集合DRP-4DVar运行方式相比，效果反而存在退化。经分析发现，这是由于集合变换中无法考虑局地化的影响，致使分析集合代表性较差。另外，我们还将集合Kalman滤波中B矩阵自适应膨胀算法引入DRP-4DVar中，并验证了其对同化的改进效果。 (4)历史采样方式是一种高效生成集合样本的方法，其方法特性决定了它具有业务应用的潜力，但方法本身存在着很多经验性。文中指出了历史采样方法中存在的一种特殊采样误差，并利用GRAPES-GFS全球模式这一误差进行了评估，结果表明该误差主要由样本积分过程中辐射强迫误差导致，具有随采样时间的日循环分布特征，从数值上看该误差对于某些变量的影响不可忽略。 (5)开发DRP-4DVar通用同化框架，并基于该框架建立GRAPES全球模式的DRP-4DVar同化系统，利用该系统分别进行了单点同化试验和单次的观测系统模拟试验(OSSE)，前者验证了DRP-4DVar背景误差协方差满足一定的平衡性，并具有随空间变化和随流型演变的流依赖特征;后者则对比了DRP-4DVar与GRAPES3DVar方案，结果表明对于大多数变量，DRP-4DVar的分析场都优于3DVar结果。而对两个分析场分别进行48小时的预报，其预报结果尤其是后24小时的预报结果，也表现为DRP-4DVar相对3DVar存在显著优势。