论文部分内容阅读
数据同化算法是将模式模拟和观测数据相融合的方法论,POD/NLS-4DVar算法是一种先进的数据同化算法,该算法融合了当前主流的两大同化算法(集合卡尔曼滤波EnKF和四维变分同化算法4DVar)的优势,但依然存在发展的空间,本论文旨在针对该算法待发展之处,提出解决策略、进一步完善POD/NLS-4DVar算法。POD/NLS-4DVar作为一种混合数据同化算法(4DEnVar),采用基于集合的同化算法估算背景误差协方差B的策略,即用有限集合样本估算B,这种策略会因取样不足导致虚假相关,基于集合的同化算法一般通过局地化过程消除样本不足造成的虚假相关,而局地化方案的不同选择也必然会影响到其最终的同化效果。本论文分别提出了两种局地化策略,即自适应局地化方案和集合扩展局地化方案,将其应用到POD/NLS-4DVar算法,并通过Lorenz-96为预报模式的同化系统进行算法验证,验证结果如下:将自适应局地化方案引入到POD/NLS-4DVar算法,由于采用了稀疏技术和EOF分解技术,构造的稀疏流自适应修订(Sparse Flow-Adaptive Moderation,SFAM)局地化框架的计算代价显著降低。采用SFAM局地化框架的POD/NLS-4DVar算法与采用SENCORP局地化框架(Smoothed ENsemble Correlations Raised to a power)、静态局地化框架(Static)的结果相比,同化精度更高,表现为与观测值的均方根误差最小。将集合样本扩展的局地化方案引入到基于Gaussian-Newton迭代算法的非线性集合四维变分同化方法NLS-4DVar,从而避免了原算法中为进行局地化过程而额外需要的线性化假设,使得算法收敛更稳定。另外,通过将原Gaussian-Newton迭代序列进行变形,避免了矩阵的直接求逆,极大地提高了同化算法的计算效率。利用非线性动力模型Lorenz-96所开展的观测系统模拟试验表明:采用新的样本扩展型局地化方案的NLS-4DVar算法其同化精度略优于NLS-4DVar原始算法,同时由于避免了矩阵的直接求逆,其计算效率反而有所提高,同化所需时间有所降低。最后,将自适应局地化框架SFAM更新到中国科学院大气物理研究所陆面数据同化系统LDAS-IAP/CAS中,通过直接同化AMSR-E卫星遥感微波亮温资料在华北南区(110°-120°E,34°-40°N)开展了从2005年07月至2010年06月的同化试验研究,试验结果表明:与陆面过程模式模拟结果、采用静态局地化策略的陆面数据同化系统相比,采用自适应局地化策略的陆面数据同化系统LDAS-IAP/CAS的同化结果能够明显改善土壤湿度估计,使得与站点观测结果更接近,并且更好的表现了其时间变异性。