共查询到17条相似文献，搜索用时 328 毫秒
1.
基于集合卡尔曼变换与三维变分(ETKF-3DVAR)混合资料同化系统和欧洲中期天气预报中心(ECWMF)的全球集合预报,以"梅花"台风为例,分析了台风系统预报误差的流依赖特征,讨论了耦合系数在混合同化和预报中的敏感性及其对预报质量的影响。结果显示,台风系统的预报误差协方差具有显著的中小尺度结构特征,集合估计的预报误差协方差结构能够再现其流依赖属性。相对于3DVAR方案,混合资料同化方案的最优耦合系数对台风系统的分析和预报质量具有更好的改善;但不同的耦合系数对台风路径预报有明显的影响,不合适的耦合系数甚至可能导致更坏的结果,只有耦合了相对合适的预报误差协方差的流依赖信息,混合资料同化方案才可能对分析和预报质量有正效果。这表明在混合资料同化系统中,构造一种具有自适应能力的耦合权重函数,实现相对最优权重的自动选择,对充分发挥混合资料同化方案的潜在优势具有重要意义。 相似文献
2.
适应性观测与集合变换卡尔曼滤波方法介绍 总被引：3，自引：0，他引：3
给出适应性观测理论和集合变换卡尔曼滤波方法及其研究现状的综述。重点介绍了集合变换卡尔曼滤波方法及其相关的一些问题。在数值预报领域,一种新的途径是利用数值预报系统信息在预报时效内确定出某些区域,如果在这些区域进行补充观测,可以最有效地改进预报技能。这种方法被称为适应性或目标观测,所确定的观测区域称为敏感区,敏感区内增加观测后分析质量将得到改善,对后续的预报技能可产生最大的预期影响。目前适应性观测研究已经成为世界气象组织(WMO)组织的THORPEX计划的一个子计划。集合变换卡尔曼滤波(The Ensemble Transform Kalman Filer,简称ETKF)是一种次优的卡尔曼滤波方案,最早是作为一种适应性观测算法提出的,现在还被用于集合预报初始扰动的生成。ETKF方法不仅可以同化观测资料,而且可以估计出观测对预报误差的影响。它与其它集合卡尔曼滤波方案不同之处在于:ETKF利用集合变换和无量纲化的思想求解与观测有关的误差协方差矩阵,可以快速估计出不同附加观测造成的预报误差协方差的减少量,预报误差减少最多的一组观测所对应的区域就是所寻找的敏感区。 相似文献
3.
GRAPES集合卡尔曼滤波资料同化系统Ⅰ:系统设计及初步试验 总被引：5，自引：0，他引：5
集合卡尔曼滤波资料同化方法,可以用集合样本统计出随天气形势变化的误差协方差,是当前资料同化领域的研究热点。主要介绍了GRAPES集合卡尔曼滤波资料同化系统的设计以及初步的试验结果。针对集合卡尔曼滤波同化实际观测资料难以实施的问题,采用成批观测同化的顺序同化方法进行多变量的集合卡尔曼滤波同化;为了滤除有限集合数造成的误差相关噪音和缓解求逆矩阵不满秩的问题,在水平和垂直方向都采用了Schur滤波;建立了与GRAPES预报模式的垂直坐标和预报变量一致的模式面集合卡尔曼滤波系统;集合样本的生成考虑了模式变量的空间相关和模式变量之间的相关,通过利用三维变分分析中的控制变量变换得到模式变量扰动场。通过比较GRAPES集合卡尔曼滤波资料同化系统和GRAPES区域三维变分资料同化系统的单点观测资料同化分析结果,对比背景误差相关系数的分布,验证了GRAPES集合卡尔曼滤波系统的正确性。此外,同化区域探空观测资料试验结果表明,GRAPES集合卡尔曼滤波资料同化系统能够得到合理的分析,并且具有实际运行能力。对分析结果进行12h预报表明,GRAPES集合卡尔曼滤波资料同化系统的分析协调性不如三维变分资料同化系统。 相似文献
4.
集合卡尔曼滤波 (the Ensemble Kalman Filter,简称EnKF) 中将预报集合的统计协方差作为预报误差协方差,但该估计可能严重偏离真实的预报误差协方差,影响同化精度。基于极大似然估计理论,发展了一种优化预报误差协方差矩阵的实时膨胀方法,即MLE (the Maximum Likelihood Estimation) 方法。利用蒙古国基准站Delgertsgot (简称DGS站) 观测资料,基于EnKF方法和MLE方法,在通用陆面模式 (the Common Land Model,简称CoLM) 中同化了地表温度和10 cm土壤温度观测资料,建立了土壤温度同化系统。结果表明:MLE方法对地表温度和各层土壤温度 (尤其深层土壤温度) 的估计比EnKF方法准确。考虑到浅层和深层土壤温度的差别,在实施MLE方法时对浅层和深层土壤温度采用了不同的膨胀因子。对比膨胀因子为单一标量时的结果,多因子膨胀能缓解深层土壤温度的不合理膨胀,改善同化效果。 相似文献
5.
基于FY-3A卫星微波资料,利用Hybrid方法对2012年7月21日北京地区强降水过程进行同化模拟试验,并分析了混合系数在同化中的应用。通过单点试验发现,传统3DVar同化方法的背景误差协方差是静态的,其同化增量总是表现为以观测单点位置为中心呈均匀、各向同性分布,且与同化单点的位置有关。而集合变分同化的背景误差协方差是由集合预报结果构造的集合协方差,其单点观测试验同化增量集中在此次降水区域周围,依赖于环流形势的分布,其分布与观测单点的位置无关。通过实际个例的同化试验发现,混合系数取0.5的模拟效果最好,其次为0.1,混合系数取1的试验模拟效果最差。 相似文献
6.
利用WRF(Weather research and forecasting)模式及模式模拟的资料,采用Hybrid ETKF-3DVAR(ensemble transform Kalman filter-three-dimensional variational data assimilation)方法同化模拟雷达观测资料。该混合同化方法将集合转换卡尔曼滤波(ensemble transform Kalman filter)得到的集合样本扰动通过转换矩阵直接作用到背景场上,利用顺序滤波的思想得到分析扰动场;然后通过增加额外控制变量的方式把"流依赖"的集合协方差信息引入到变分目标函数中去,在3DVAR框架基础下与观测数据进行融合,从而给出分析场的最优估计。试验结果表明,Hybrid ETKF-3DVAR同化方法相比传统3DVAR可以提供更为准确的分析场,Hybrid方法雷达资料初始化模拟的台风涡旋结构与位置比3DVAR更加接近"真实场",对台风路径预报也有明显改进。通过对比Hybrid S试验与Hybrid F试验发现,Hybrid的正效果主要来源于混合背景误差协方差中的"流依赖"信息,集合平均场代替确定性背景场带来的效果并不显著。 相似文献
7.
集合卡尔曼滤波和粒子滤波是大气海洋领域两种先进的数据同化方法。理论上讲,粒子滤波克服了集合卡尔曼滤波中先验分布的高斯假定。但现有的关于两种方法的比较研究不够全面和系统,基于简单的洛伦兹63模式,重点对基于确定性集合卡尔曼滤波和均权重粒子滤波的数据同化方法开展对比分析,通过对观测误差和模式误差的不同配置,设计了四组试验着重研究两种方法相同试验条件下的同化效果。试验结果表明:与采用最优膨胀系数的集合卡尔曼滤波的同化方法相比,均权重粒子滤波的均方根误差更加依赖于观测信息的质量,但最优膨胀因子的集合卡尔曼滤波的均方根误差低于粒子滤波同化方法。 相似文献
8.
集合变分混合同化背景误差协方差流依赖性分析 总被引：4，自引：2，他引：2
通过单点观测试验的方法,对集合变分混合同化背景误差协方差的流依赖特征、流依赖性影响因子、产生原因,以及集合预报方法对流依赖性的影响进行了研究。结果表明:由于引入了集合信息,集合变分混合同化的分析增量与天气系统的分布有关,具有非均匀、各向异性的特征;这种流依赖特征对混合系数敏感,当集合协方差所占权重很小时,分析增量仍呈现出均匀、各向同性特征;混合同化背景误差协方差的流依赖特征不仅与集合样本有关,还与构造集合协方差的ETKF方法有关,只引入与环流形势密切相关的集合样本并不能使分析增量表现出显著的流依赖性,集合样本和ETKF方法共同作用才能将流依赖信息引入到混合协方差中,使分析增量出现流依赖特征;不同集合预报方法对混合协方差的流依赖特征有显著影响,考虑初值和物理过程的超级集合,以及在超级集合样本上再进行ETKF更新扰动后样本构造的混合协方差流依赖特征更加显著。 相似文献
9.
利用WRF以及WRFDA3.6.1的ETKF-3DVAR混合集合—变分同化方案,对2012年第15号台风"布拉万"进行了模拟,并分析协方差权重系数对"流依赖"属性和台风强度、路径的模拟效果的影响。通过单点实验发现:随着集合协方差权重系数增加,分析增量的"流依赖"属性就越发明显。当集合协方差权重系数大于0.5时,由于集合成员数量以及预报质量的限制,将会引入虚假的"流依赖"信息,使得分析增量的范围形状不再发生变化,强度有所减弱。在对台风"布拉万"路径和强度的模拟中发现:集合协方差权重系数取0.5以下的预报结果普遍好于系数大于0.5的预报结果,其中,当集合协方差权重系数取0.25时路径预报误差最小,当集合协方差权重系数取0.2时强度预报误差最小。 相似文献
10.
基于WRF模式构建了Hybrid En SRF-En3DVar同化系统,该系统使用En SRF方案直接更新集合扰动。利用构建的同化系统针对台风"桑美"分别进行集合协方差权重敏感性试验和同化雷达不同观测资料的敏感性试验。集合协方差权重敏感性试验发现:当集合协方差权重分别为0.25、0.5和0.75时,同化效果优于3DVar试验,其中0.75的集合协方差权重试验得到了分析场的最优估计;当集合协方差权重为1.0时,分析场最差。同化雷达不同观测资料的敏感性试验表明,联合同化雷达径向风及反射率能有效改善大气湿度场和风场,但对风场的改善效果不如仅同化雷达径向风好。将En SRF集合扰动更新方案与扰动观测方案综合分析发现,扰动观测方案集合离散度较小,计算代价大,En SRF方案优于扰动观测方案。 相似文献
11.
敏感性试验表明集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)方法在混合(Hybrid)同化过程中易受观测资料数量变化的影响而产生较大程度的协方差震荡,从而可能导致系统不稳定。为设计一种简便、稳定的Hybrid同化系统,构建了一种基于物理控制变量扰动及多物理参数化方案的Hybrid同化及预报系统。本系统随着循环的进行,不断对Hybrid同化分析场进行控制变量扰动得到集合成员初始场,并且对各集合成员采用不同物理参数化方案以更合理地表征背景场的误差特征。连续10 d的循环同化及预报试验表明,本文同化方案效果明显优于三维变分方案,动力场的整体同化和预报效果与ETKF方案基本相当。本方案相比于ETKF方法不受观测波动影响,在没有经任何参数调试情况下,取得了良好同化和预报效果,为Hybrid同化的便捷运行提供了一种稳定可靠的手段。 相似文献
12.
A ＂Dressed＂ Ensemble Kalman Filter Using the Hybrid Coordinate Ocean Model in the Pacific 总被引：1，自引：0，他引：1
The computational cost required by the Ensemble Kalman Filter (EnKF) is much larger than that
of some simpler assimilation schemes, such as Optimal Interpolation (OI) or three-dimension variational
assimilation (3DVAR). Ensemble optimal interpolation (EnOI), a crudely simplified implementation of EnKF,
is sometimes used as a substitute in some oceanic applications and requires much less computational time
than EnKF. In this paper, to compromise between computational cost and dynamic covariance, we use the
idea of ``dressing' a small size dynamical ensemble with a larger number of static ensembles in order
to form an approximate dynamic covariance. The term ``dressing' means that a dynamical ensemble seed
from model runs is perturbed by adding the anomalies of some static ensembles. This dressing EnKF (DrEnKF
for short) scheme is tested in assimilation of real altimetry data in the Pacific using the HYbrid
Coordinate Ocean Model (HYCOM) over a four-year period. Ten dynamical ensemble seeds are each dressed by
10 static ensemble members selected from a 100-member static ensemble. Results are compared to two EnKF
assimilation runs that use 10 and 100 dynamical ensemble members. Both temperature and salinity fields
from the DrEnKF and the EnKF are compared to observations from Argo floats and an OI SST dataset. The
results show that the DrEnKF and the 100-member EnKF yield similar root mean square errors (RMSE) at
every model level. Error covariance matrices from the DrEnKF and the 100-member EnKF are also compared
and show good agreement. 相似文献
13.
基于WRF预报模式、WRFDA Hybrid集合变分同化系统和ETKF方法,构建了面向城市气象观测网数据的快速更新混合同化系统。针对北京地区地基微波辐射计和风廓线雷达组网观测资料数据同化,开展了静态背景误差调整因子(特征长度尺度因子和方差因子)、局地化距离和集合权重系数4个重要参数敏感性试验研究。试验结果表明：当温度、相对湿度、u风和v风的特征长度尺度因子和方差因子分别调整为0.7/1.0、1.0/1.0、0.7/1.0和0.7/1.0,局地化距离和集合权重系数分别调整为11.2 km和0.5时,快速更新混合同化系统的分析场均方根误差最小。为对比三种常用同化方案,开展了默认参数混合同化、最优参数混合同化、三维变分同化对比试验,试验结果表明：在针对北京地区地基微波辐射计和风廓线雷达组网观测资料的快速更新同化预报试验中,混合同化方案表现优于三维变分,同时相对于默认参数混合同化方案,最优参数混合同化方案的风场、温度及湿度的分析场和预报场得到了进一步改善：风温湿的分析场均方根误差分别最大降低了13%、19%和5%,12～24 h预报场的均方根误差分别最大降低了2%、12%和5%。 相似文献
14.
A hybrid GSI (Grid-point Statistical Interpolation)-ETKF (Ensemble Transform Kalman Filter) data assimilation system has been recently developed for the WRF (Weather Research and Forecasting) model and tested with simulated observations for tropical cyclone (TC) forecast. This system is based on the existing GSI but with ensemble background information incorporated. As a follow-up, this work extends the new system to assimilate real observations to further understand the hybrid scheme. As a first effort to explore the system with real observations, relatively coarse grid resolution (27 km) is used. A case study of typhoon Muifa (2011) is performed to assimilate real observations including conventional in-situ and satellite data. The hybrid system with flow-dependent ensemble covariance shows significant improvements with respect to track forecast compared to the standard GSI system which in theory is three dimensional variational analysis (3DVAR). By comparing the analyses, analysis increments and forecasts, the hybrid system is found to be potentially able to recognize the existence of TC vortex, adjust its position systematically, better describe the asymmetric structure of typhoon Muifa and maintain the dynamic and thermodynamic balance in typhoon initial field. In addition, a cold-start hybrid approach by using the global ensembles to provide flow-dependent error is tested and similar results are revealed with those from cycled GSI-ETKF approach. 相似文献
15.
基于集合卡尔曼滤波的土壤水分同化试验 总被引：20，自引：2，他引：20
集合卡尔曼滤波是由大气数据同化发展的新的顺序同化算法,它利用蒙特卡罗方法计算背景场的误差协方差矩阵,克服了卡尔曼滤波需要线性化的模型算子和观测算子的难点。我们发展了一个基于集合卡尔曼滤波和简单生物圈模型(SiB2,Simple Biosphere Model)的单点陆面数据同化方案。利用1998年7月6日至8月9日青藏高原GAME-Tibet实验区MS3608站点的观测数据进行了同化试验。结果表明,利用集合卡尔曼滤波的数据同化方法可以明显地提高表层、根区、深层土壤水分的估算精度。 相似文献
16.
集合最优插值中的样本选取 总被引：1，自引：0，他引：1
背景误差协方差控制了分析向观测调整的幅度以及调整的结构,所以其对同化分析的质量起着至关重要的作用。对于集合同化方法而言,样本决定了背景误差协方差的分布。基于HYCOM海洋数值模式结果,针对集合最优插值方法,探讨了静态样本的选取和更新对背景误差协方差结构分布的影响,研究结果表明：由变量的原始状态数据估计的静态样本会夸大样本相关性,由扣除季节变化得到的距平数据统计出的静态样本能比较合理地反映背景误差协方差的结构;在季风控制区,具有季节变化的样本比静态样本更能适应背景误差协方差随流形分布的特征。同时一系列的同化试验也被实施来进一步调查不同样本对同化分析的影响。 相似文献
17.
The use of global Atmospheric Motion Vectors (AMV) satellite observations in the meteorological data assimilation system based on Local Ensemble Transform Kalman Filter (LETKF) algorithm is considered. The height assignment is the most crucial error source for AMV observations. To reduce its impact, the AMV height reassignment method is implemented; it is based on the consistency coefficient bet ween the observed and the background winds. The other way to improve the analysis quality is a more accurate specification of AMV observation errors. This necessitates the use of the nondiagonal observation-error covariance matrix R in the data assimilation scheme. The first results of these studies are presented. It is demonstrated that the use of AMV observations in the data assimilation system reduces the errors of forecasts computed from the initial data of this system. 相似文献