论文部分内容阅读
集合卡尔曼滤波(EnKF)是当前较为常用的同化方法。随着同化技术的不断成熟和完善,当前针对EnKF的改进主要为将之与其它同化方法进行混合,以利用不同方法各自的优点,弥补对方的缺点。在众多的混合同化方法中,HNEnKF方法能起到改善EnKF同化带来的不连续、变量不平衡等问题的作用。Nudging是一种传统同化方法,它在模式积分的每一步都对背景场变量进行调整,进而实现连续、逐步的同化。HNEnKF方法使用EnKF的卡尔曼增益矩阵替换了Nudging同化的经验权重算子,更适用于发展变化较快的中小尺度天气过程。研究表明相比传统的EnKF方法,HNEnKF同化更为平滑,且模式变量问的平衡关系也得以维持；但却存在收敛慢、收敛不充分等问题；同时,针对HNEnKF方法的研究和应用还处于初期阶段。为了进一步改善HNEnKF方法的同化效果,本研究基于EnKF与前后张弛迭代(BFN)设计了HBFNEnKF混合同化方法,并在浅水模式、WRF模式中搭建了对应的同化系统,进行了观测系统模拟同化试验,得出以下结论：(1)在浅水模式中的试验表明,HBFNEnKF在保留了HNEnKF同化连续性的情况下,有更快的收敛速度,且取得了比HNEnKF和EnKF更好的同化效果。对单要素物理量同化结果表明,HBFNEnKF能更好地对非观测模式变量进行调整；尺度分析结果表明,HBFNEnKF能很好地避免在小尺度中出现虚假增量。(2)在WRF模式中的单点试验表明,HBFNEnKF和HNEnKF方法对非观测模式变量的调整比EnSRF更为合理,且HBFNEnKF对模式变量的订正强度高于HNEnKF方法。(3)在WRF模式中同化模拟探空资料试验表明,HBFNEnKF对动力场的订正更为优秀；但对热力过程相关变量的调整弱于HNEnKF方法。在自由积分阶段,HBFNEnKF能更好地进行降水的模拟。当考虑了模式误差时,HBFNEnKF相比HNEnKF能减少误差带来的影响,同化效果优于HNEnKF。 HNEnKF和HBFNEnKF方法在循环同化结束后无意义模式噪声较少,且保留了具有天气意义的模式噪声。(4) HNEnKF和HBFNEnKF混合方法受卡尔曼增益矩阵质量的影响较为明显。当不考虑模式误差时,使用双向混合的混合方案有助于协助集合同化形成较好的变量间相互关系,从而得到结构更合理的卡尔曼增益矩阵,并反过来促进了混合同化的同化效果；而考虑模式误差时,双向混合会向集合成员引入误差导致收敛变慢,影响同化效果。