集合降维变分同化中的初始扰动和局地化

集合降维变分同化中的初始扰动和局地化

P456.7; 集合降维变分同化方法ERDVar不需要求解切线性模式和伴随模式,不仅能减少同化计算量,而且能够提供"流依赖"的背景误差协方差矩阵.本文提出用NMC初始扰动生成方法和分区同化方案,来解决初始扰动样本生成问题和全球同化局地化问题,最终实现将ERDVar应用到全球中期数值预报模式T106L19.试验结果表明:①使用ERDVar方法能够有效提取真实增量信息,提高全球同化精度.②用NMC方法产生的扰动样本反映预报误差结构特征,在预报过程中不容易衰减,同化后至少使预报误差降低10％.③与全球ERDVar同化试验相比,分区ERDVar同化试验各变量平均的均方根误差降低14...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:气象科技 2022, Vol.50 (5), p.670-676
1. Verfasser: 希爽
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:P456.7; 集合降维变分同化方法ERDVar不需要求解切线性模式和伴随模式,不仅能减少同化计算量,而且能够提供"流依赖"的背景误差协方差矩阵.本文提出用NMC初始扰动生成方法和分区同化方案,来解决初始扰动样本生成问题和全球同化局地化问题,最终实现将ERDVar应用到全球中期数值预报模式T106L19.试验结果表明:①使用ERDVar方法能够有效提取真实增量信息,提高全球同化精度.②用NMC方法产生的扰动样本反映预报误差结构特征,在预报过程中不容易衰减,同化后至少使预报误差降低10％.③与全球ERDVar同化试验相比,分区ERDVar同化试验各变量平均的均方根误差降低14％,计算代价进一步降低.分区ERDVar方法和NMC样本的联合应用使同化改进效果更稳定.
ISSN:1671-6345
DOI:10.19517/j.1671-6345.20210151