共查询到20条相似文献，搜索用时 15 毫秒
1.
在四维变分同化中运用集合协方差的试验 总被引：1，自引：1，他引：1
利用浅水方程模式和模式模拟资料进行数值试验比较3种不同的背景误差协方差矩阵处理方法对四维变分(4DVAR)资料同化的影响.3种背景误差协方差矩阵分别是:(1)对单一变量将背景误差协方差矩阵简化为对角矩阵;(2)将背景误差协方差矩阵的作用简化为高斯过滤;(3)由预报集合生成背景误差协方差矩阵并利用奇异值分解技术解决矩阵的求逆.通过一系列数值试验,比较不同观测密度、不同观测误差下3种背景误差协方差处理方法对4DVAR同化效果的影响.结果表明,背景误差协方差的结构对4DVAR有重大影响.当观测资料的空间密度不够高时,采用对角矩阵得不到满意的结果.高斯过滤方案可以明显改善同化结果,但是对背景误差特征长度比较敏感.第3种方法采用的背景误差协方差矩阵是流型依赖的,而且并不以显式的方式出现在目标函数中.避免了对它求逆的复杂运算.由于做了降维处理,在观测点的密度较低和观测误差较大时可望取得较好的同化结果,同化效果较为稳定. 相似文献
2.
在同化系统中使用更合理的背景误差协方差对于得到更良好的同化效果至关重要。首先采用NMC方法针对中国区域构建更适合WRF-ARW区域预报系统的B矩阵,并对比分析了其与GSI同化系统预设的NCEP预报系统的B矩阵在分析变量间的平衡关系、分析控制变量的标准差、水平和垂直特征尺度等方面的特征差异。参照这些特征差异设计单点观测试验、背景误差协方差调优参数敏感性试验,确定针对中国区域构建B矩阵的最佳调优参数。并讨论其对一次季风低压强降水天气过程的循环同化和预报效果的影响。结果表明,采用最佳调优参数使用针对中国区域构建B矩阵的试验(Sen6)对V风分量场和相对湿度场的预报性能改进显著,同时也引出了GSI同化系统背景误差协方差参数调优(尤其是水平特征尺度参数调整)的两难问题。在此基础上,采用Hybrid同化方法使用针对中国区域构建B矩阵的循环同化试验(Hyb3)可以进一步改善预报效果,并在一定程度上修正个例模拟雨带的位置。 相似文献
3.
4.
An Adaptive Estimation of Forecast Error Covariance
Parameters for Kalman Filtering Data Assimilation 总被引：1，自引：0，他引：1
Xiaogu ZHENG 《大气科学进展》2009,26(1):154-160
An adaptive estimation of forecast error covariance matrices is proposed for Kalman filtering
data assimilation. A forecast error covariance matrix is initially estimated using an ensemble of
perturbation forecasts. This initially estimated matrix is then adjusted with scale parameters that are
adaptively estimated by minimizing -2log-likelihood of observed-minus-forecast residuals. The proposed
approach could be applied to Kalman filtering data assimilation with imperfect models when the model
error statistics are not known. A simple nonlinear model (Burgers' equation model) is used to demonstrate
the efficacy of the proposed approach. 相似文献
5.
6.
7.
在集合卡尔曼滤波方法中, 根据预报集合统计提供的依流型而变的预报误差协方差对同化起到决定性的作用。但在集合样本容量不足及模式存在系统误差时, 由预报集合估计的预报误差协方差会出现明显偏差。既要减小这种估计偏差对同化产生的影响而又不增加计算量, 一种可供选择的方法是将定常或准定常的高斯型预报误差协方差和由预报集合估计的预报误差协方差加权平均用于集合卡尔曼滤波同化。利用浅水方程模式, 通过观测系统模拟试验检验在不同的模式误差、 集合成员数以及观测密度条件下, 将这种混合预报误差协方差矩阵用于在集合平方根滤波的效果。试验结果表明, 当预报集合成员数较多而模式又无误差时, 不必采用混合的预报误差协方差矩阵, 否则, 采用混合的预报误差协方差矩阵都有可能改进分析和预报。混合预报误差协方差的最优的权重系数与模式误差关系密切, 模式误差越大, 定常预报误差协方差的权重越大。最优的权重系数与集合成员数及观测密度也有一定关系。 相似文献
8.
在变分资料同化中背景误差水平相关模型不仅决定着观测信息传播到格点空间的远近,而且影响着频谱空间中不同尺度上的分析增量信息的多少。本文比较高斯（Gauss）、二阶自回归（Soar）以及尺度叠加高斯模型（Supergauss）在时空域随着空间距离和在频谱域随着不同尺度分布的特点,阐述三种相关模型在区域GRAPES三维变分分析（GRAPES-3DVar）中的实施方案,同时通过单点观测试验研究不同相关模型对分析的影响。研究表明Gauss相关模型造成分析中小尺度信息的不足,同时当流函数和非平衡的势函数作为分析变量时,依据动力场变量之间的相关关系,会造成风场观测不合理的较大负相关信息。Soar相关模型能增加分析的中小尺度信息,但在三维变分分析实施中只能采用一阶递归滤波方案,由于计算精度不够会造成风场分析增量异常。当采用Supergauss相关模型时,不仅缓解单一高斯模型造成的不恰当风场观测负相关信息,并可增加分析增量的中小尺度信息,同时在递归滤波实施中可获得合理的分析增量。因而Supergauss相关模型在三种模型中最适合描述背景误差水平相关,对高分辨率3DVar系统的中小尺度分析有益。 相似文献
9.
10.
11.
目前多数快速更新循环同化系统在各分析时刻常使用固定的背景场误差协方差。为在快速更新循环同化系统中采用日变化的背景场误差协方差,基于RMAPS-ST系统分析了其夏季和冬季日变化背景场误差协方差特征,并进行了同化及预报对比试验。结果表明,该系统夏、冬两季的背景场误差协方差均呈现出明显的日变化特征,且夜间各变量(U、V、T、RH)的误差标准差与特征值均大于日间,反映模式系统夜间的预报误差大于日间;而夏季各变量误差标准差和特征值大于冬季,也说明系统在夏季的模式预报误差比冬季大;连续3 d的循环同化试验初步表明,采用日变化背景场误差协方差可以提高同化及预报效果。 相似文献
12.
In order to improve the efficiency of the Ocean Variational Assimilation System (OVALS), which has been widely used in various applications, an improved OVALS (OVALS2) is developed based on the recursive filter (RF) algorithm. The first advantage of OVALS2 is that memory storage can be substantially reduced in practice because it implicitly computes the background error covariance matrix; the second advantage is that there is no inversion of the background error covariance by preconditioning the control var... 相似文献
13.
基于资料同化集合设计了流依赖球面小波背景场误差协方差模型中背景误差方差和局地垂直相关协方差的统计计算方法。为了提高背景误差方差的估计精度,采用客观滤波技术来减少因集合样本个数不足而引入的随机取样噪声。最后在银河四维变分同化业务系统(YH4DVar)上设计了集合资料同化的试验系统,以流依赖背景误差方差为重点验证了模型的有效性。结果表明:基于流依赖球面小波背景误差协方差模型能够有效估计出随天气状态变化的背景场误差方差,对台风等剧烈变化的天气过程的同化分析和预报都具有一定的正效果。 相似文献
14.
构造合理的背景场误差协方差是做好资料同化的关键。分析了背景误差协方差中变量相关关系在台风季节和非台风季节隐含的不同动力平衡特征,并讨论其对台风同化和预报的影响。分析发现,与非台风季节相比,在台风季节温度与非平衡速度势具有更强的动力相关性,拟相对湿度与其他控制变量的相关性也更显著。这些动力相关性在背景场误差中协方差的引入,将在同化分析过程中使得观测信息可以合理地对同化分析场产生影响。台风循环同化和预报的结果验证了对变量平衡特征的分析:背景误差协方差中新平衡关系的建立,对同化和预报有较大的正面影响,尤其是相对湿度和其他控制变量相关的建立,明显改善了台风路径、强度和降水的预报效果。 相似文献
15.
尺度叠加高斯相关模型在GRAPES-RAFS中的应用 总被引：1，自引：0，他引：1
背景误差水平相关模型影响着分析增量的结构,同时也决定着不同尺度上分析增量信息的多少。为了提高中小尺度系统的分析质量,研究尺度叠加高斯相关模型的特征及其在三维变分同化系统中的应用效果。通过分析高斯模型和尺度叠加高斯模型的空间特征,以及它们的拉普拉斯算子和谱响应函数的特征,同时依据统计的背景误差特征来改进背景误差水平相关模型。通过采用不同相关模型的GRAPES-RAFS快速分析预报循环批量试验表明:改进的尺度叠加高斯相关模型不仅能增加分析场的中小尺度信息,同时尺度叠加高斯函数描述的风场背景误差相关特征更符合实际统计结果,缓解了原高斯函数方案风场负相关偏大的问题。因而尺度叠加高斯相关模型的应用大幅度提高了分析质量,特别是风场分析质量,同时12 h内风场预报质量也略有提高,也显著提高了前24 h各量级降水的ETS评分,明显缓解了原高斯模型方案的虚警现象。尺度叠加高斯相关模型能明显增加分析的中小尺度信息和更合理地描述风场负相关结构,在三维变分分析中的应用能显著改进分析和降水预报质量。 相似文献
16.
Louis Garand 《大气与海洋》2013,51(3):431-455
Abstract The direct assimilation of satellite radiances is now operational in a few forecast centres, providing global temperature (T) and moisture (Q) information. The critical parameters which influence the quality of the resulting analysis are mainly the selection of channels, the respective errors of the background field and radiance observations, and the quality of the radiative transfer model. These various aspects are studied from sensitivity experiments based on 1‐D variational assimilations using the ensemble of 19 infrared channels (HIRS) of the NOAA‐14 satellite. It is shown that significant improvements in the retrievals would be obtained if the radiance observation error (measurement plus radiative transfer), currently estimated to be about equal to that of the background (in radiance units), were decreased. This could in principle be achieved by improving the forward radiative transfer model (RTM). Two RTMs suitable for radiance assimilation are compared in terms of analyzed increments, Jacobians, brightness temperature and equivalent background error. Important differences are noted for all of these interrelated measures. The existence of air‐mass dependent biases of fast radiative transfer models of the order of 1.5 K is confirmed in several channels from additional comparison with a line‐by‐line model. The importance of correctly specifying surface emissivity and the effective angle for downward calculations is demonstrated. The paper also evaluates, in some detail, the impact of uncertainties on the background error covariance matrix. The uncertainty on the skin temperature (TJ error affects mostly the retrieval of that parameter; it has a modest impact on the T and Q profiles in the low troposphere. The uncertainty on the Q‐Q elements has more impact than that on the T‐T elements. Off‐diagonal elements of the background error covariance matrix are very important as they impose smoothness and level‐to‐level consistency, especially for Q retrievals. Finally, Ts‐T correlations, often ignored, could result in significant improvements in the retrieval of temperature at low levels. Research issues are discussed in the conclusion. 相似文献
17.
Using analysis state to construct a forecast error covariance matrix in ensemble Kalman filter assimilation 总被引：1，自引：0，他引：1
Correctly estimating the forecast error covariance matrix is a key step in any data assimilation scheme. If it is not correctly estimated, the assimilated states could be far from the true states. A popular method to address this problem is error covariance matrix inflation. That is, to multiply the forecast error covariance matrix by an appropriate factor. In this paper, analysis states are used to construct the forecast error covariance matrix and an adaptive estimation procedure associated with the error covariance matrix inflation technique is developed. The proposed assimilation scheme was tested on the Lorenz-96 model and 2D Shallow Water Equation model, both of which are associated with spatially correlated observational systems. The experiments showed that by introducing the proposed structure of the forecast error covariance matrix and applying its adaptive estimation procedure, the assimilation results were further improved. 相似文献
18.
《大气与海洋》2012,50(4):129-145
In the ensemble Kalman filter (EnKF), ensemble size is one of the key factors that significantly affects the performance of a data assimilation system. A relatively small ensemble size often must be chosen because of the limitations of computational resources, which often biases the estimation of the background error covariance matrix. This is an issue of particular concern in Argo data assimilation, where the most complex state-of-the-art models are often used. In this study, we propose a time-averaged covariance method to estimate the background error covariance matrix. This method assumes that the statistical properties of the background errors do not change significantly at neighbouring analysis steps during a short time window, allowing the ensembles generated at previous steps to be used in present steps. As such, a joint ensemble matrix combining ensembles of previous and present steps can be constructed to form a larger ensemble for estimating the background error covariance. This method can enlarge the ensemble size without increasing the number of model integrations, and this method is equivalent to estimating the background error covariance matrix using the mean ensemble covariance averaged over several assimilation steps. We apply this method to the assimilation of Argo and altimetry datasets with an oceanic general circulation model. Experiments show that the use of this time-averaged covariance can improve the performance of the EnKF by reducing the root mean square error (RMSE) and improving the estimation of error covariance structure as well as the relationship between ensemble spread and RMSE. RÉSUMÉ [Traduit par la rédaction] Dans le filtre de Kalman d'ensemble (EnKF), la taille de l'ensemble est l'un des facteurs clés qui ont une influence importante sur la performance d'un système d'assimilation de données. Il faut souvent choisir une taille d'ensemble assez petite à cause des limites des ressources informatiques, ce qui biaise souvent l'estimation de la matrice de covariance de l'erreur de fond. Cette question revêt une importance particulière pour l'assimilation des données Argo, qui fait souvent appel à des modèles de pointe très complexes. Dans cette étude, nous proposons une méthode de covariance moyennée dans le temps pour estimer la matrice de covariance de l'erreur de fond. Cette méthode suppose que les propriétés statistiques des erreurs de fond ne changent pas de façon importante d'une étape d'analyse à la suivante durant un court laps de temps, ce qui permet d'utiliser dans les étapes courantes les ensembles générés aux étapes précédentes. Ainsi, on peut construire une matrice d'ensembles conjoints combinant les ensembles des étapes précédentes et courantes pour former un plus grand ensemble dans le but d'estimer la covariance de l'erreur de fond. Cette méthode peut accroître la taille de l'ensemble sans augmenter le nombre d'intégrations du modèle; elle équivaut à estimer la matrice de covariance de l'erreur de fond en utilisant la covariance moyenne de l'ensemble calculée sur plusieurs étapes d'assimilation. Nous appliquons cette méthode à l'assimilation des ensembles de données Argo et d'altimétrie avec un modèle de circulation océanique générale. Des essais montrent que l'emploi de cette covariance moyennée dans le temps peut améliorer la performance de l'EnKF en réduisant l’écart-type et en améliorant l'estimation de la structure de la covariance de l'erreur de même que la relation entre l'étalement et l'écart-type l'ensemble. 相似文献
19.
Summary This is a sequel to Bennett, Chua and Leslie (1996), concerning weak-constraint, four-dimensional variational assimilation of reprocessed cloud-track wind observations (Velden, 1992) into a global, primitive-equation numerical weather prediction model. The assimilation is performed by solving the Euler-Lagrange equations associated with the variational principle. Bennett et al. (1996) assimilate 2436 scalar wind components into their model over a 24-hour interval, yielding a substantially improved estimate of the state of the atmosphere at the end of the interval. This improvement is still in evidence in forecasts for the next 48 hours.The model and variational equations are nonlinear, but are solved as sequence of linear equations. It is shown here that each linear solution is precisely equivalent to optimal or statistical interpolation using a background error covariance derived from the linearized dynamics, from the forcing error covariance, and from the initial error covariance. Bennett et al. (1996) control small-scale flow divergence using divergence dissipation (Talagrand, 1972). It is shown here that this approach is virtually equivalent to including a penalty, for the gradient of divergence, in the variational principle. The linearized variational equations are solved in terms of the representer functions for the wind observations. Diagonalizing the representer matrix yields rotation vectors. The rotated representers are the array modes of the entire system of the model, prior covariances and observations. The modes are the observable degrees of freedom of the atmosphere. Several leading array modes are presented here. Finally, appendices discuss a number of technical implementation issues: time convolutions, convergence in the presence of planetary shear instability, and preconditioning the essential inverse problem.With 9 Figures 相似文献
20.
利用高阶Li空间微分方案(Li, 2005),实现了时间积分为3～6阶Runge-Kutta-Li(RKL)格式的求解算法。二维线性平流方程的试验结果表明:在计算稳定的条件下,各阶算法的计算误差随时间的推移基本上是线性增加的。非转动背景场的平流算例中（高斯型的初值）,高阶RKL算法可以取得较好的计算效果。与3、4、5、6阶RK算法配合的Li空间差分方案有效阶数可以达到5、7、9、10阶。RK 算法的阶数为5（6）阶时,总误差控制在10-7（10-8）以内。随RK阶数增加Li微分的有效阶数有增加趋势,且总误差逐渐减小。定常转速的背景场算例中（偏心的高斯型初值）,当RK阶数为3时,最优空间差分阶数为10;相应的阶数为4、5、6时对应的空间最优阶为16,22,22,总计算误差可以控制在10-15～10-16。随着精度的提高,误差的绝对值减小很迅速,说明算法是非常有效的。对于圆锥型初值（定常转速的背景场）,4、5、6阶RK算法和3阶算法的效果差不多。高阶算法对此类具有导数不连续点的算例,效果不如高斯初始场好,结果不能保持正定,有些地方误差出现下冲和上翘。随着空间差分精度的提高,非正定的解数量和数值减小,误差的绝对值减小,说明了算法在一定程度上是有效的,但并不适合追求极高的算法阶数。这与谱方法中的导数不连续问题有些相似,误差的产生主要源于导数的不连续性,差分类方法仅能获得与导数连续性阶数相当的算法精度。各种算例中,采用恰当的边界条件是必要的,例如旋转背景场算例,比较适合使用无穷远边界条件,否则会出现计算不稳定或无法将计算误差控制到较小的范围内。 相似文献