CN115270405B - 基于多源多类型扰动组合的对流尺度集合预报方法及系统 - Google Patents

基于多源多类型扰动组合的对流尺度集合预报方法及系统 Download PDF

Info

Publication number
CN115270405B
CN115270405B CN202210716189.9A CN202210716189A CN115270405B CN 115270405 B CN115270405 B CN 115270405B CN 202210716189 A CN202210716189 A CN 202210716189A CN 115270405 B CN115270405 B CN 115270405B
Authority
CN
China
Prior art keywords
disturbance
analysis
field
mode
forecasting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210716189.9A
Other languages
English (en)
Other versions
CN115270405A (zh
Inventor
张旭斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Meteorology Science Institute)
Original Assignee
Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Meteorology Science Institute)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Meteorology Science Institute) filed Critical Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Meteorology Science Institute)
Priority to CN202210716189.9A priority Critical patent/CN115270405B/zh
Publication of CN115270405A publication Critical patent/CN115270405A/zh
Application granted granted Critical
Publication of CN115270405B publication Critical patent/CN115270405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于多源多类型扰动组合的对流尺度集合预报方法及系统，其方法包括：步骤一、基于中尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的中尺度集合预报逻辑，并以模式积分生成气象要素预报，为下一个对流尺度集合预报的初值与侧边界分析提供降尺度扰动数据；步骤二、基于对流尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的对流尺度集合预报逻辑，并以模式积分生成气象要素预报场。本申请可以弥补单一源及单一类型扰动方法的不足，满足对流尺度集合预报需求。

Description

基于多源多类型扰动组合的对流尺度集合预报方法及系统
技术领域
本申请涉及大气数据分析技术领域，尤其是涉及一种基于多源多类型扰动组合的对流尺度集合预报方法及系统。
背景技术
对于数值天气预报(NWP)：
1)、观测资料的不准确及客观分析方法的不完善将导致模式初始场与真实大气状态之间存在误差；
2)、数值模式对大气控制方程的离散化与对大气次网格过程的参数化会使模式大气产生偏离真实大气的误差。
作为一个高度非线性系统，大气具有混沌特性，这导致NWP的结果对初始误差存在高度敏感性。以上这些因素都使NWP存在预报不确定性，而集合预报是解决NWP预报不确定性的重要方法。
近年来，随着计算技术发展与计算资源增加，对流尺度(水平分辨率约4km)NWP模式开始发展起来。相应的为了处理对流尺度NWP预报不确定性，对流尺度集合预报技术也随之发展起来。目前，德国、法国、英国与美国等发达国家都已逐渐建立了业务或试验运行的对流尺度集合预报系统。华南区域气象中心所使用的GRAPES(Global and RegionalAssimilation and Prediction System)是我国自主研发的NWP模式的区域版本。
集合预报的最终目的是预报大气状态在未来时刻的概率密度。为了更好达到这个目的，产生集合预报的扰动必须尽可能包括模式预报不确定性的所有来源。
上述来源主要包括初值不确定性与模式不确定性，而在有限区域模式中还包括侧边界不确定性。针对同一来源的不确定性，当前存在多种不同的扰动方法，相应的集合离差结构及其演变也具有不同特征。
为了代表初值不确定性，早期全球集合预报的初值扰动方法主要有Monte Carlo随机扰动法、时间滞后法与观测扰动法，但这些方法产生的集合成员间的离散度较小。为了提高集合成员的离散度，构造具有动力学结构的初始扰动的方法也开始发展，这包括奇异向量法和繁殖法。然而，由于小尺度大气运动在动力与物理过程中明显的非线性特征，对流尺度模式的预报误差增长特征与全球及中尺度模式的都不同，这使得生成全球集合预报扰动所用的大尺度扰动方法在构造对流尺度集合预报时可能会失效。
对于对流尺度集合预报，最简单的初值扰动方法即降尺度方法，即将全球或区域中尺度集合预报初始场直接降尺度到对流尺度模式区域。该方法往往缺乏中小尺度初值不确定性信息，常导致预报初期集合离差不足，尤其在中小尺度上。
近来，时间滞后法也被用来产生对流尺度初值扰动。虽然该方法可以较大节省计算资源，但该方法在理论上有一定缺陷，并不能完全代表对流尺度的初值不确定性。
随机扰动方法，例如对温度场叠加高斯扰动或随机扰动，或观测扰动方法，例如通过随机扰动资料同化中的观测来间接产生扰动分析场(Ensemble of Data assimilation；EDA)都有被用来产生对流尺度初值扰动。然而，该方法主要用来刻画初始分析场中观测信息不确定性，并不能很好刻画大尺度初值不确定性信息，常导致预报后期集合离差不足，尤其在大尺度上。
近来，EnKF与ETKF也被应用于对流尺度初值扰动的生成。EnKF与ETKF在资料同化中有较为成熟的应用，但其在对流尺度集合预报中成熟应用还不多。对于对流尺度集合预报的侧边界扰动，一般通过粗分辨率的全球或有限区域模式集合预报场嵌套获得，即降尺度方法。
为了生成对流尺度集合预报的模式扰动，国际上常继承使用全球或有限区域集合预报的模式扰动方法。例如，使用SPPT，SPP或MP；但单独使用这些方法并不能完全代表对流尺度的模式不确定性，常导致集合离差不足。
由于大尺度扰动方法以及单一来源单一类型扰动方法仍不足以合适地构造对流尺度集合预报系统，因此本申请提出一种新的技术方案。
发明内容
为了弥补大尺度以及单一来源单一类型扰动方法的不足，满足对流尺度集合预报需求，本申请提供一种基于多源多类型扰动组合的对流尺度集合预报方法及系统。
第一方面，本申请提供一种基于多源多类型扰动组合的对流尺度集合预报方法，采用如下的技术方案：
一种基于多源多类型扰动组合的对流尺度集合预报方法，包括以下步骤：
步骤一、基于中尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的中尺度集合预报逻辑，并以模式积分生成气象要素预报，为下一个对流尺度集合预报的初值与侧边界分析提供降尺度扰动数据；
步骤二、基于对流尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的对流尺度集合预报逻辑，并以模式积分生成气象要素预报场。
可选的，所述中尺度集合预报逻辑，其包括：控制成员分析与预报；以及，扰动成员分析与预报；
所述控制成员分析与预报、扰动成员分析与预报分别包括：循环更新资料同化分析和中尺度数值模式预报，生成分析场与预报场；
其中，分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得。
可选的，所述循环更新资料同化分析采用三维变分分析方法，并采用多网格技术与部分循环分析同化策略。
可选的，所述三维变分分析方法通过GRAPES 3D-Var模块执行，且以流函数、势函数、非平衡Exner气压与假相对湿度作为控制变量；
过程中的背景误差协方差由新息向量方法估计得到，并经过调试以适应中尺度同化分析；
其中，所同化的观测资料主要包括探空、地面、船舶、风廓线雷达与飞机报文；
所述三维变分分析方法求解的惩罚函数为：
其中，xa和xb分别表示分析场与背景场，yo表示观测场，而H表示观测算子；B和R分别表示背景误差协方差与观测误差协方差。
可选的，所述多网格技术包括：
将背景场从原来模式格点投影到原格点数一半的粗网格格点上，采用粗网格背景误差协方差设置进行三维变分分析，获得粗网格分析场；
将粗网格分析场插值到原来模式格点作为新的细网格背景场，采用细网格背景误差协方差设置进行三维变分分析，获得细网格分析场，并作为最终分析场。
可选的，所述部分循环分析包括：
在分析时刻前6小时，以水平分辨率为0.5°*0.5°的全球数值模式NCEPglobalforecast system的6小时预报场作为背景场；其中，全球数值模式NCEPglobal forecastsystem称为GFS；
经过多网格三维变分分析方法同化分析，获得该时刻分析场，并以GFS预报场作为中尺度数值模式的侧边界进行3小时预报；
以3小时预报场作为背景场，间隔3小时进行多网格三维变分分析；
经过两轮循环同化，获得分析时刻分析场；
以分析时刻分析场作为初始场，以GFS的12-36小时预报场作为侧边界，采用中尺度数值模式进行24小时预报，获得中尺度集合预报控制预报场。
可选的，所述扰动成员分析与预报，其包括：
1)、在分析时刻前6小时，采用三维变分分析的背景误差协方差矩阵，生成随机平衡扰动；
将随机平衡扰动叠加到GFS的6-12小时预报场，获得扰动成员进行循环同化所需的冷启动背景场与侧边界条件；
进行间隔3小时的循环同化，并获得分析时刻的初始场；
2)、将随机平衡扰动叠加到GFS的12-36小时预报场，获得扰动成员进行模式积分所需的扰动侧边界条件；
基于分析时刻初始场，以及GFS提供的扰动侧边界条件，进行24小时的模式积分获得扰动成员预报场；
3)、针对微物理与边界层过程分别挑选不同的参数化方案，并进行不同组合；
假定扰动成员为16个，则针对16个扰动成员，分别选择不同的参数化方案组，且成员1-4为WSM6与MRF组合；成员5-8为WSM6与YSU组合；成员9-12为WSM5与MRF组合；成员13-16为WSM5与YSU组合；
采用SPPT方案，在模式物理过程总倾向上叠加标准差为0.5，空间相关尺度为100公里，时间相关尺度为6小时的随机扰动。
可选的，所述对流尺度集合预报逻辑，其包括：
控制成员分析与预报；
初值扰动生成；
侧边界扰动生成；
模式物理扰动生成；以及,
模式积分预报，采用包含多源多类型扰动组合的初值、侧边界与模式进行24小时积分，获得对流尺度集合预报系统的扰动成员预报场；
其中，所述控制成员分析与预报包括：循环更新资料同化分析和对流尺度数值模式预报，生成分析场与预报场；分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得；且，与中尺度集合预报逻辑中的三维变分分析方法不同的是：
在三维变分分析中所用的背景误差协方差经过调试以适应对流尺度同化分析；
以分析时刻分析场作为初始场，以中尺度数值模式24小时预报场作为侧边界，采用对流尺度数值模式进行24小时预报，获得对流尺度集合预报控制成员预报场。
可选的，所述扰动成员的生成，其满足公式：
其中，ef(T)表示T时刻扰动成员预报场，ed(0)表示分析时刻控制成员初始场，Ad和Pd分别表示控制预报的模式动力与物理倾向，Bd表示控制预报的侧边界条件，de表示初值扰动，dP表示模式物理扰动，dB表示侧边界扰动，而和/>分别表示从初始时刻到T时刻的时间积分与侧边界强迫。
可选的，所述初值扰动生成满足公式：
de＝α1IDSCp+α2EDAp+α3TLAp+TOp+TSp；
其中，IDSCp,EDAp,TLAp,TOp和TSp分别表示降尺度扰动、资料同化集合扰动、时间滞后扰动、地形扰动与海表温度扰动，而α1,α2和α3分别表示IDSCp,EDAp和TLAp的权重系数。
可选的，所述侧边界扰动生成包括：
1)、基于中尺度集合预报逻辑的降尺度扰动；
2)、振幅随模式积分增大的随机平衡扰动。
可选的，所述模式物理扰动生成包括：
1)、与中尺度集合预报逻辑相同的多物理参数化方案；
2)、针对微物理参数化方案的雨截断参数与边界层参数化方案的临界理查森数分别进行不同的量值设置；
3)、与中尺度集合预报逻辑相同的SPPT方案，且，不同的是：当前采用空间相关尺度为50公里，时间相关尺度为1小时的随机扰动。
可选的，中尺度集合预报系统，其基于中尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块；以及，扰动成员分析与预报模块；其用于通过模式积分生成气象要素预报，为对流尺度集合预报的初值与侧边界提供降尺度扰动；
对流尺度集合预报系统，其基于对流尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块、初值扰动模块、侧边界扰动模块、模式物理扰动模块以及模式积分模块，且用于通过模式积分生成气象要素预报场。
第二方面，本申请提供一种多源多类型扰动组合的对流尺度集合预报系统，采用如下的技术方案：
一种多源多类型扰动组合的对流尺度集合预报系统，包括：
中尺度集合预报系统，其基于中尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块；以及，扰动成员分析与预报模块；其用于通过模式积分生成气象要素预报，为对流尺度集合预报的初值与侧边界提供降尺度扰动；
对流尺度集合预报系统，其基于对流尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块、初值扰动模块、侧边界扰动模块、模式物理扰动模块以及模式积分模块，且用于通过模式积分生成气象要素预报场。
综上所述，本申请包括以下至少一种有益技术效果：考虑了对流尺度数值模式预报误差的主要来源(即初值、侧边界与模式物理)，以及同一来源的不同类型扰动方法的设计特点。对于初值扰动，降尺度扰动主要代表了粗分辨率驱动模式(即中尺度数值模式)初始场包含的大尺度不确定性，资料同化集合扰动代表了对流尺度数值模式资料同化过程的分析不确定性，时间滞后扰动代表了对流尺度数值模式不同起报时间及不同预报时效的预报不确定性，地形扰动代表了对流尺度数值模式对真实地形描述的不确定性，而海表温度扰动代表了对流尺度数值模式对真实海表温度描述的不确定性。对于侧边界扰动，降尺度扰动主要代表了粗分辨率驱动模式(即中尺度数值模式)侧边界条件包含的大尺度不确定性，而随模式积分扩张的随机平衡扰动则代表了侧边界驱动场随机不确定性。对于模式物理扰动，多物理参数化与参数扰动属于“非随机”类扰动方法，代表了模式物理过程参数化方案设计及其中的参数设置的不确定性，而随机扰动物理参数化倾向则属于“随机”类扰动方法，代表了模式物理过程来自次网格尺度强迫的随机不确定性。因此，多源多类型扰动组合技术相比单一来源或单一类型扰动技术能更全面代表数值模式预报不确定性，从而具有更好的预报效果。
附图说明
图1是本申请的方法的流程示意图；
图2是本申请的中尺度集合预报系统的结构示意图；
图3是本申请的对流尺度集合预报系统的结构示意图；
图4为不同集合预报试验降水扰动能量与控制预报误差能量比值图；
图5为不同集合预报试验1小时累积降水预报CRPS评分图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
本申请实施例公开一种基于多源多类型扰动组合的对流尺度集合预报方法。
需要注意的是，本申请基于华南区域气象中心所使用的GRAPES模式开发多源多类型扰动组合方法，并建立包含1个控制成员与16个扰动成员的对流尺度集合预报系统；其中，提出的多源多类型扰动组合方法是通过在控制成员基础上叠加多种不同类型的初值、侧边界与模式物理扰动的方式实现的。
参照图1，基于多源多类型扰动组合的对流尺度集合预报方法包括以下步骤：
步骤一、基于(水平分辨率约9公里的)中尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的中尺度集合预报逻辑，并以模式积分生成气象要素预报，为下一个对流尺度集合预报的初值与侧边界分析提供降尺度扰动数据；
步骤二、基于(水平分辨率约3公里的)对流尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的对流尺度集合预报逻辑，并以模式积分生成气象要素预报场。
本申请的目的，根据(如：华南)降水预报误差来源以及多种不同来源不同类型集合扰动方法特点，针对初值、侧边界与模式物理采用多种不同类型扰动方法进行组合，使得集合预报的预报扰动能更好地刻画预报不确定性在不同时空尺度上的特征，提高(如：华南)降水集合预报效果。其可克服单一来源或单一类型扰动方法预报不确定性刻画不全面的问题。
以下实施例，本申请以系统的形式做解释说明：
基于多源多类型扰动组合的对流尺度集合预报系统包括：
1)、参照图2，中尺度集合预报系统(及预报)，其基于中尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：
控制成员分析与预报模块；以及，扰动成员分析与预报模块。
该系统用于通过模式积分生成气象要素预报，为对流尺度集合预报的初值与侧边界提供降尺度扰动。
2)、参照图3，对流尺度集合预报系统(及预报)，其基于对流尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：
控制成员分析与预报模块；
初值扰动模块；
侧边界扰动模块；
模式物理扰动模块；以及，
模式积分模块。
该系统用于通过模式积分生成气象要素预报场。
以下对中尺度集合预报系统具体进行解释：
1、控制成员分析与预报模块。该模块由循环更新资料同化系统(CHAF)与中尺度数值模式两部分组成。分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得。
中尺度GRAPES模式是非静力模式，采用半隐式半拉格朗日时间积分方案，水平方向为Arakawa-C跳点的经纬网格；水平分辨率为0.09°*0.09°，模式范围包含385*305个水平格点；垂直方向为55层，最高层高度为35公里。积云对流参数化采用SAS方案。
CHAF采用三维变分(3D-Var)分析方法，并采用多网格(Multigrid)技术与部分循环(Partial cycling)同化策略。
1)、3D-Var分析方法使用GRAPES 3D-Var模块。该模块采用流函数、势函数、非平衡Exner气压与假相对湿度作为控制变量；背景误差协方差由新息向量方法估计得到并经过调试以适应中尺度同化分析；所同化的观测资料主要包括探空、地面、船舶、风廓线雷达与飞机报文。3D-Var分析求解的惩罚函数(cost function)如下：
其中，xa和xb分别表示分析场与背景场，yo表示观测场，而H表示观测算子；B和R分别表示背景误差协方差与观测误差协方差。
2)、多网格技术的具体实施包括两个步骤：首先，将背景场(是一个包含各种气象要素的空间分布场)从原来模式格点投影到原格点数一半的粗网格格点上，采用粗网格背景误差协方差设置进行3D-Var分析，获得粗网格分析场；其次，将粗网格分析场插值到原来模式格点作为新的细网格背景场，采用细网格背景误差协方差设置进行3D-Var分析，获得细网格分析场，并作为最终分析场。
3)、部分循环分析的具体实施包括两个步骤：首先，在分析时刻(每天的0000/1200UTC)前6小时，以水平分辨率为0.5°*0.5°的全球数值模式NCEP global forecastsystem(GFS)(指美国国家环境预测中心(NCEP)制作的一个天气预报模型)的6小时预报场作为背景场，经过多网格3D-Var同化分析，获得该时刻分析场，并以GFS预报场作为中尺度数值模式的侧边界进行3小时预报；随后，以3小时预报场作为背景场，间隔3小时进行多网格3D-Var同化分析；最后，经过两轮循环同化，获得分析时刻分析场。
以分析时刻分析场作为初始场，以GFS的12-36小时预报场作为侧边界，采用中尺度数值模式进行24小时预报，获得中尺度集合预报控制预报场。
2、扰动成员分析与预报模块：
该模块所用的3D-Var资料同化系统与中尺度数值模式与控制成员的相同。与控制成员相同，16个扰动成员都通过6小时的循环同化获得分析场，并通过24小时的模式积分获得扰动成员预报场。扰动成员的生成包括以下内容：
1)、在分析时刻前6小时，采用3D-Var背景误差协方差矩阵，生成随机平衡扰动；将随机平衡扰动叠加到GFS的6-12小时预报场，获得扰动成员进行循环同化所需的冷启动背景场与侧边界条件；随后，进行间隔3小时的循环同化，并获得分析时刻的初始场。
2)、首先，将随机平衡扰动叠加到GFS的12-36小时预报场，获得扰动成员进行模式积分所需的扰动侧边界条件；接着，基于分析时刻初始场，以及GFS提供的扰动侧边界条件，进行24小时的模式积分获得扰动成员预报场。
3)、针对中尺度数值模式，在6小时的循环同化与24小时的模式预报期间，都实施了多物理参数化(MP)与随机扰动参数化倾向(SPPT)组合的模式扰动方案。具体实施方案包括：首先，针对微物理与边界层过程分别挑选不同的参数化方案，并进行不同组合；其次，针对16个扰动成员，分别选择不同的参数化方案组合；参数化方案组合具体地：
成员1-4为WRF Single-Moment 6-class(WSM6)与Medium-Range Forecast(MRF)组合，成员5-8为WSM6与Yonsei University(YSU)组合，成员9-12为WRF Single-Moment 5-class(WSM5)与MRF组合，成员13-16为WSM5与YSU组合；
接着，采用SPPT方案，在模式物理过程总倾向上叠加标准差为0.5，空间相关尺度为100公里，时间相关尺度为6小时的随机扰动。
在对流尺度集合预报系统中，上述扰动成员的生成，是采用多源多类型扰动组合方法，通过在控制成员基础上叠加多种不同类型的初值、侧边界与模式物理扰动的方式实现。相应的公示表达为：
其中，ef(T)表示T时刻扰动成员预报场，ed(0)表示分析时刻(0000/1200 UTC)控制成员初始场，Ad和Pd分别表示控制预报的模式动力与物理倾向，Bd表示控制预报的侧边界条件，de表示初值扰动，dP表示模式物理扰动，dB表示侧边界扰动，而和/>分别表示从初始时刻到T时刻的时间积分与侧边界强迫。
以下对对流尺度集合预报系统具体进行解释：
1、控制成员分析与预报模块。该模块由循环更新资料同化系统(CHAF)与对流尺度数值模式两部分组成。分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得。
对流尺度模式为GRAPES区域版本。该模式是非静力模式，采用半隐式半拉格朗日时间积分方案，水平方向为Arakawa-C跳点的经纬网格；水平分辨率为0.03°*0.03°，模式范围包含634*434个水平格点；垂直方向为55层，最高层高度为28公里。不采用积云对流参数化方案。
与中尺度集合预报系统CHAF不同的是，对流尺度集合预报系统CHAF在3D-Var分析中所用的背景误差协方差经过调试以适应对流尺度同化分析。
以分析时刻分析场作为初始场，以中尺度数值模式24小时预报场作为侧边界，采用对流尺度数值模式进行24小时预报，获得对流尺度集合预报控制成员预报场。
2、初值扰动模块。在多源多类型扰动组合方法里，初值扰动由5种不同类型的扰动方法生成的初值扰动经过线性组合而成。具体公式表达为：
de＝α1IDSCp+α2EDAp+α3TLAp+TOp+TSp；
其中，IDSCp,EDAp,TLAp,TOp和TSp分别表示降尺度(Downscaling)扰动、资料同化集合(Ensemble of data assimilation)扰动、时间滞后(Time-Lagged)扰动、地形(Topography)扰动与海表温度(Surface temperature)扰动，而α1,α2和α3分别表示IDSCp,EDAp和TLAp的权重系数。
对于上述的每一种初值扰动，具体计算步骤如下：
2-1)、降尺度扰动。首先，利用中尺度集合预报的16个扰动成员的初始场计算其平均值(Mean)；接着，将中尺度集合预报的16个扰动成员的初始场分别减去Mean，获得16个初值扰动场；最后，将16个初值扰动场从中尺度数值模式的格点插值到对流尺度数值模式的格点。
2-2)、资料同化集合扰动。首先，针对中尺度集合预报系统扰动成员的6小时的循环同化，将其在2100/0900 UTC时刻的3小时预报场插值到对流尺度数值模式格点，生成对流尺度集合预报扰动成员进行3小时循环同化所需的首个扰动背景场；接着，通过3D-Var分析获得首个扰动分析场，并基于该扰动分析场进行3小时模式积分，获得分析时刻(0000/1200 UTC)的扰动背景场；随后，针对分析时刻的扰动背景场，通过3D-Var分析获得分析时刻的扰动分析场；最后，针对分析时刻的扰动分析场，计算其平均值(Mean)，并将16个扰动分析场分别减去Mean，获得16个初值扰动场。此外，在3小时循环同化中，对流尺度数值模式都实施了多物理参数化(MP)与随机扰动参数化倾向(SPPT)组合的模式扰动方案。具体实施方案将在下文介绍。
2-3)、时间滞后扰动。对流尺度集合预报的控制成员被用于生成时间滞后扰动，以初始时刻为0000 UTC的扰动生成为例。首先，利用前一天0000 UTC起报的控制成员的21,22,23与24小时预报场获得4次时间滞后预报；其次，利用前一天1200 UTC起报的控制成员的9,10,11,12,13,14与15小时预报场获得7次时间滞后预报；接着，利用当天0000UTC起报的控制成员的1,2和3小时预报场获得3次时间滞后预报；随后，针对控制成员的6小时循环同化，将其在前一天2100UTC起报的2与3小时预报场也作为时间滞后预报；最后，针对16次时间滞后预报，计算其平均值(Mean)，并将16个时间滞后预报分别减去Mean，获得16个初值扰动场。
2-4)、地形扰动。首先，针对对流尺度数值模式，将平均值为0而标准差为300米的高斯分布随机扰动叠加到地形高度数据(扰动振幅约束在450米内以避免不合理扰动；若叠加扰动后地形高度为负值则保持原有地形高度)；接着，针对16个扰动地形高度数据，将控制成员在初始时刻(0000/1200 UTC)分析场分别进行插值，获得16个包含地形扰动的初始场；最后，针对16个包含地形扰动的初始场，计算其平均值(Mean)，并将16个包含地形扰动的初始场分别减去Mean，获得16个初值扰动场。
2-5)、海表温度扰动。针对对流尺度数值模式，将平均值为0而标准差为2K的高斯分布随机扰动叠加到海表温度数据[对于0000(1200)UTC时刻的扰动成员，扰动振幅约束在2(1)倍标准差内以避免过大扰动]。
2-6)、对于IDSCp,EDAp,TLAp和TOp,模式变量纬向风U,经向风V,Exner气压Π,位温θ和比湿Q都进行扰动。
其中，如果扰动的湿度达到不合理量值或超过临界过饱和值，那么θ和Q将不扰动。为了避免过度扰动引起数值计算不稳定，IDSCp,EDAp和TLAp的权重系数需要进一步确定，而TOp则因量值相对较小将其权重系数设置为1。
对于IDSCp,EDAp和TLAp的权重系数，采用以下步骤进行确定：
2-6-1)、针对某一类型扰动，采用多变量经验正交函数(Multivariate EmpiricalOrthogonal Function；MV-EOF)分析方法对多个变量(即U,V,Π,θ和Q)联合的扰动值进行分析。针对某一垂直层次，将传统MV-EOF分析中的时间维度替换为集合成员维度。
2-6-2)、针对每一个垂直层次，计算方差贡献大于90％的主模态的特征值。
2-6-3)、定义IDSCp,EDAp和TLAp在层次k的特征值分别是和/>(k＝1，2，…，55)。α1,α2和α3在层次k的初估值βk定义为：
其中，和/>分别表示三个特征值(即/>和/>)的最大值、最小值与总和。
2-6-4)、计算和/>在所有垂直层的平均值，并将其定义为IDSCp,EDAp和TLAp的平均特征值。α1,α2和α3在层次k的值定义为：
其中，表示三个平均特征值(即/>和/>)的最大值，而βi是为了保持三类扰动对总扰动贡献相对均衡而设置的调整系数。具体而言，为了增加DSCp的贡献，β1设置为1.2，而β2和β3设置为0.3。
3、侧边界扰动模块。在多源多类型扰动组合方法里，侧边界扰动由2种不同类型的扰动方法生成的侧边界扰动组合而成，其实施包括两个步骤：
3-1)、利用中尺度集合预报系统扰动成员的24小时预报场，获得包含降尺度扰动的侧边界条件LBC_DSCp。
3-2)、首先，采用3D-Var背景误差协方差矩阵，生成随机平衡扰动；其次，将随机平衡扰动的振幅乘以随模式积分增大的扩张系数；最后，将随机平衡扰动叠加到降尺度扰动的侧边界条件LBC_DSCp。
4、模式物理扰动模块。在多源多类型扰动组合方法里，模式物理扰动由3种不同类型的扰动方法组合而成。
4-1)、多物理参数化(MP)。首先，针对微物理与边界层过程分别挑选不同的参数化方案，并进行不同组合；其次，针对16个扰动成员，分别选择不同的参数化方案组合(成员1-4为WSM6与MRF组合，成员5-8为WSM6与YSU组合，成员9-12为WSM5与MRF组合，成员13-16为WSM5与YSU组合)。
4-2)、参数扰动(PP)。针对微物理参数化方案中的雨截断参数(rain interceptparameter；N0r)与边界层参数化方案中的临界理查森数(critical Richardson number；Ric)，对其进行不同量值的设置。
具体地说，在WSM6/MRF,WSM6/YSU,WSM5/MRF和WSM5/YSU方案里，N0r/Ric的默认值是8*106/0.5,该默认设置被用于成员1,5,9和13；对于每一种组合方案，剩下的3个成员所用的N0r/Ric设置为8*105/0.5,8*107/0.5和8*106/1.0。
4-3)、随机扰动参数化倾向(SPPT)。在模式物理过程总倾向上叠加标准差为0.5，空间相关尺度为50公里，时间相关尺度为1小时的随机扰动；并且，在地面以上500米内以及气压小于50hPa的高度层上，模式物理过程总倾向不实施随机扰动。
5)、模式积分模块。采用包含多源多类型扰动组合的初值、侧边界与模式进行24小时积分，获得对流尺度集合预报系统的扰动成员预报场。
综上所述，本申请针对初值、侧边界与模式物理分别实施了多种不同类型扰动组合的集合扰动技术，并基于我国自主研发的GRAPES模式建立了包含1个控制成员与16个扰动成员的覆盖华南地区的对流尺度集合预报系统。
多源多类型扰动组合技术考虑了对流尺度数值模式预报误差的主要来源(即初值、侧边界与模式物理)，以及同一来源的不同类型扰动方法的设计特点。对于初值扰动，降尺度扰动主要代表了粗分辨率驱动模式(即中尺度数值模式)初始场包含的大尺度不确定性，资料同化集合扰动代表了对流尺度数值模式资料同化过程的分析不确定性，时间滞后扰动代表了对流尺度数值模式不同起报时间及不同预报时效的预报不确定性，地形扰动代表了对流尺度数值模式对真实地形描述的不确定性，而海表温度扰动代表了对流尺度数值模式对真实海表温度描述的不确定性。对于侧边界扰动，降尺度扰动主要代表了粗分辨率驱动模式(即中尺度数值模式)侧边界条件包含的大尺度不确定性，而随模式积分扩张的随机平衡扰动则代表了侧边界驱动场随机不确定性。对于模式物理扰动，多物理参数化与参数扰动属于“非随机”类扰动方法，代表了模式物理过程参数化方案设计及其中的参数设置的不确定性，而随机扰动物理参数化倾向则属于“随机”类扰动方法，代表了模式物理过程来自次网格尺度强迫的随机不确定性。因此，多源多类型扰动组合技术相比单一来源或单一类型扰动技术能更全面代表数值模式预报不确定性，从而具有更好的预报效果。
参照图4和图5，其为结合具体试实施的效果：
其中，图4计算了降水预报扰动能量与控制预报误差能量的比值在不同空间尺度(Meso-α与Meso-β分别表示中α与中β尺度)的情况。对于合理的集合扰动，扰动能量应该与误差能量相近；若扰动能量大于误差能量，则表示集合扰动过大，高估了预报不确定性；若扰动能量小于误差能量，则表示集合扰动不足，低估了预报不确定性。
由图4的a可以看到，对于初值扰动，单独使用DSCp,EDAp或TLAp时，集合扰动在中α尺度明显低估了预报不确定性，而中β尺度则略高估了预报不确定性；相比单一类型初值扰动，将不同类型初值扰动进行组合的ICp试验的集合扰动能明显更好地估计中α尺度预报不确定性(更接近1)，而对于中β尺度预报确定性的高估也与单一类型的相近。由图4的b可以看到，对于模式物理扰动，单独使用SPPT或PPMP时，集合扰动在中α与中β尺度都低估了预报不确定性；相比单一类型模式物理扰动，将不同类型模式物理扰动进行组合的MOp试验的集合扰动能明显更好地估计中α与中β尺度预报不确定性(更接近1)。由图4的c和4的d可以看到，对于同时包含初值与模式物理扰动的情况，同时考虑在中α与中β尺度的预报不确定性估计，将本发明所涉及的所有类型的初值与模式物理扰动进行组合的ICp+MOp试验具有最好的效果(最接近1)。
图5计算了1小时累积降水的CRPS评分，该评分越小说明相应的概率预报效果越好。由图5的a可以看到，相比单一类型初值扰动，将不同类型初值扰动进行组合的ICp试验的概率预报效果更好(CRPS更小)。由图5的b可以看到，相比单一类型模式物理扰动，将不同类型模式物理扰动进行组合的MOp试验的概率预报效果更好(CRPS更小)。由图5的c和5的d可以看到，将本发明所涉及的所有类型的初值与模式物理扰动进行组合的ICp+MOp试验具有最好的效果(CRPS最小)。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (11)

1.一种基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，包括以下步骤：
步骤一、基于中尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的中尺度集合预报逻辑，并以模式积分生成气象要素预报，为下一个对流尺度集合预报的初值与侧边界分析提供降尺度扰动数据；
步骤二、基于对流尺度GRAPES模式，建立包含初值、侧边界与模式物理扰动的对流尺度集合预报逻辑，并以模式积分生成气象要素预报场；
所述中尺度集合预报逻辑，其包括：控制成员分析与预报；以及，扰动成员分析与预报；
所述控制成员分析与预报、扰动成员分析与预报分别包括：循环更新资料同化分析和中尺度数值模式预报，生成分析场与预报场；
其中，分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得；
所述扰动成员分析与预报，其包括：
1)、在分析时刻前6小时，采用三维变分分析的背景误差协方差矩阵，生成随机平衡扰动；
将随机平衡扰动叠加到GFS的6-12小时预报场，获得扰动成员进行循环同化所需的冷启动背景场与侧边界条件；
进行间隔3小时的循环同化，并获得分析时刻的初始场；
2)、将随机平衡扰动叠加到GFS的12-36小时预报场，获得扰动成员进行模式积分所需的扰动侧边界条件；
基于分析时刻初始场，以及GFS提供的扰动侧边界条件，进行24小时的模式积分获得扰动成员预报场；
3)、针对微物理与边界层过程分别挑选不同的参数化方案，并进行不同组合；
预先定义扰动成员为16个，则针对16个扰动成员，分别选择不同的参数化方案组，且成员1-4为WSM6与MRF组合；成员5-8为WSM6与YSU组合；成员9-12为WSM5与MRF组合；成员13-16为WSM5与YSU组合；
采用SPPT方案，在模式物理过程总倾向上叠加标准差为0.5，空间相关尺度为100公里，时间相关尺度为6小时的随机扰动。
2.根据权利要求1所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述循环更新资料同化分析采用三维变分分析方法，并采用多网格技术与部分循环分析同化策略。
3.根据权利要求2所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述三维变分分析方法通过GRAPES 3D-Var模块执行，且以流函数、势函数、非平衡Exner气压与假相对湿度作为控制变量；
过程中的背景误差协方差由新息向量方法估计得到，并经过调试以适应中尺度同化分析；
其中，所同化的观测资料主要包括探空、地面、船舶、风廓线雷达与飞机报文；
所述三维变分分析方法求解的惩罚函数为：
其中，xa和xb分别表示分析场与背景场，yo表示观测场，而H表示观测算子；B和R分别表示背景误差协方差与观测误差协方差。
4.根据权利要求2所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述多网格技术包括：
将背景场从原来模式格点投影到原格点数一半的粗网格格点上，采用粗网格背景误差协方差设置进行三维变分分析，获得粗网格分析场；
将粗网格分析场插值到原来模式格点作为新的细网格背景场，采用细网格背景误差协方差设置进行三维变分分析，获得细网格分析场，并作为最终分析场。
5.根据权利要求2所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述部分循环分析包括：
在分析时刻前6小时，以水平分辨率为0.5°*0.5°的全球数值模式NCEPglobalforecast system的6小时预报场作为背景场；其中，全球数值模式NCEPglobal forecastsystem称为GFS；
经过多网格三维变分分析方法同化分析，获得该时刻分析场，并以GFS预报场作为中尺度数值模式的侧边界进行3小时预报；
以3小时预报场作为背景场，间隔3小时进行多网格三维变分分析；
经过两轮循环同化，获得分析时刻分析场；
以分析时刻分析场作为初始场，以GFS的12-36小时预报场作为侧边界，采用中尺度数值模式进行24小时预报，获得中尺度集合预报控制预报场。
6.根据权利要求1所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述对流尺度集合预报逻辑，其包括：
控制成员分析与预报；
初值扰动生成；
侧边界扰动生成；
模式物理扰动生成；以及,
模式积分预报，采用包含多源多类型扰动组合的初值、侧边界与模式进行24小时积分，获得对流尺度集合预报系统的扰动成员预报场；
其中，所述控制成员分析与预报包括：循环更新资料同化分析和对流尺度数值模式预报，生成分析场与预报场；分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得；且，与中尺度集合预报逻辑中的三维变分分析方法不同的是：
在三维变分分析中所用的背景误差协方差经过调试以适应对流尺度同化分析；
以分析时刻分析场作为初始场，以中尺度数值模式24小时预报场作为侧边界，采用对流尺度数值模式进行24小时预报，获得对流尺度集合预报控制成员预报场。
7.根据权利要求6所述的基于多源多类型扰动组合的对流尺度集合预报方法，其特征在于，所述扰动成员的生成，其满足公式：
其中，ef(T)表示T时刻扰动成员预报场，ed(0)表示分析时刻控制成员初始场，Ad和Pd分别表示控制预报的模式动力与物理倾向，Bd表示控制预报的侧边界条件，de表示初值扰动，dP表示模式物理扰动，dB表示侧边界扰动，而和/>分别表示从初始时刻到T时刻的时间积分与侧边界强迫。
8.根据权利要求7所述的基于多源多类型扰动组合的对流尺度集合预报方法，所述初值扰动生成满足公式：
de＝α1IDSCp+α2EDAp+α3TLAp+TOp+TSp；
其中，IDSCp,EDAp,TLAp,TOp和TSp分别表示降尺度扰动、资料同化集合扰动、时间滞后扰动、地形扰动与海表温度扰动，而α1,α2和α3分别表示IDSCp,EDAp和TLAp的权重系数。
9.根据权利要求7所述的基于多源多类型扰动组合的对流尺度集合预报方法，所述侧边界扰动生成包括：
1)、基于中尺度集合预报逻辑的降尺度扰动；
2)、振幅随模式积分增大的随机平衡扰动。
10.根据权利要求7所述的基于多源多类型扰动组合的对流尺度集合预报方法，所述模式物理扰动生成包括：
1)、与中尺度集合预报逻辑相同的多物理参数化方案；
2)、针对微物理参数化方案的雨截断参数与边界层参数化方案的临界理查森数分别进行不同的量值设置；
3)、与中尺度集合预报逻辑相同的SPPT方案，且，不同的是：当前采用空间相关尺度为50公里，时间相关尺度为1小时的随机扰动。
11.一种多源多类型扰动组合的对流尺度集合预报系统，其特征在于，包括：
中尺度集合预报系统，其基于中尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块；以及，扰动成员分析与预报模块；其用于通过模式积分生成气象要素预报，为对流尺度集合预报的初值与侧边界提供降尺度扰动；
对流尺度集合预报系统，其基于对流尺度GRAPES模式建立，包含初值、侧边界与模式物理扰动，且包括：控制成员分析与预报模块、初值扰动模块、侧边界扰动模块、模式物理扰动模块以及模式积分模块，且用于通过模式积分生成气象要素预报场；
所述控制成员分析与预报、扰动成员分析与预报分别包括：循环更新资料同化分析和中尺度数值模式预报，生成分析场与预报场；
其中，分析场由6小时的循环同化获得，而预报场由24小时的模式积分获得；
所述扰动成员分析与预报，其包括：
1)、在分析时刻前6小时，采用三维变分分析的背景误差协方差矩阵，生成随机平衡扰动；
将随机平衡扰动叠加到GFS的6-12小时预报场，获得扰动成员进行循环同化所需的冷启动背景场与侧边界条件；
进行间隔3小时的循环同化，并获得分析时刻的初始场；
2)、将随机平衡扰动叠加到GFS的12-36小时预报场，获得扰动成员进行模式积分所需的扰动侧边界条件；
基于分析时刻初始场，以及GFS提供的扰动侧边界条件，进行24小时的模式积分获得扰动成员预报场；
3)、针对微物理与边界层过程分别挑选不同的参数化方案，并进行不同组合；
预先定义扰动成员为16个，则针对16个扰动成员，分别选择不同的参数化方案组，且成员1-4为WSM6与MRF组合；成员5-8为WSM6与YSU组合；成员9-12为WSM5与MRF组合；成员13-16为WSM5与YSU组合；
采用SPPT方案，在模式物理过程总倾向上叠加标准差为0.5，空间相关尺度为100公里，时间相关尺度为6小时的随机扰动。
CN202210716189.9A 2022-06-22 2022-06-22 基于多源多类型扰动组合的对流尺度集合预报方法及系统 Active CN115270405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716189.9A CN115270405B (zh) 2022-06-22 2022-06-22 基于多源多类型扰动组合的对流尺度集合预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716189.9A CN115270405B (zh) 2022-06-22 2022-06-22 基于多源多类型扰动组合的对流尺度集合预报方法及系统

Publications (2)

Publication Number Publication Date
CN115270405A CN115270405A (zh) 2022-11-01
CN115270405B true CN115270405B (zh) 2024-01-16

Family

ID=83760591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716189.9A Active CN115270405B (zh) 2022-06-22 2022-06-22 基于多源多类型扰动组合的对流尺度集合预报方法及系统

Country Status (1)

Country Link
CN (1) CN115270405B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520457B (zh) * 2023-04-07 2023-12-15 中国气象局地球系统数值预报中心 复杂地形下重大气象活动的区域集合预报方法及预报装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010060443A (ja) * 2008-09-04 2010-03-18 Japan Weather Association 気象予測装置、方法及びプログラム
CN105046358A (zh) * 2015-07-17 2015-11-11 南京信息工程大学 一种风暴尺度集合预报扰动方法
CN109325633A (zh) * 2018-10-23 2019-02-12 中国电力科学研究院有限公司 一种天气预报集合成员选取方法和系统
CN109933877A (zh) * 2019-03-04 2019-06-25 哈尔滨工程大学 代数多重网格三维变分数据同化技术
CN110045439A (zh) * 2018-01-15 2019-07-23 钱维宏 基于大气变量瞬变扰动方程组的数值天气预报模式系统
KR102023613B1 (ko) * 2018-11-05 2019-09-20 경북대학교 산학협력단 Um 초단기예보모델 기반의 레이더 융해층 고도 자료 동화 방법, 이를 수행하기 위한 기록 매체 및 장치
CN113408594A (zh) * 2021-06-04 2021-09-17 中南民族大学 一种基于注意力网络尺度特征融合的遥感场景分类方法
CN114417623A (zh) * 2022-01-24 2022-04-29 中国气象局地球系统数值预报中心 Grapes-reps区域集合预报方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010060443A (ja) * 2008-09-04 2010-03-18 Japan Weather Association 気象予測装置、方法及びプログラム
CN105046358A (zh) * 2015-07-17 2015-11-11 南京信息工程大学 一种风暴尺度集合预报扰动方法
CN110045439A (zh) * 2018-01-15 2019-07-23 钱维宏 基于大气变量瞬变扰动方程组的数值天气预报模式系统
CN109325633A (zh) * 2018-10-23 2019-02-12 中国电力科学研究院有限公司 一种天气预报集合成员选取方法和系统
KR102023613B1 (ko) * 2018-11-05 2019-09-20 경북대학교 산학협력단 Um 초단기예보모델 기반의 레이더 융해층 고도 자료 동화 방법, 이를 수행하기 위한 기록 매체 및 장치
CN109933877A (zh) * 2019-03-04 2019-06-25 哈尔滨工程大学 代数多重网格三维变分数据同化技术
CN113408594A (zh) * 2021-06-04 2021-09-17 中南民族大学 一种基于注意力网络尺度特征融合的遥感场景分类方法
CN114417623A (zh) * 2022-01-24 2022-04-29 中国气象局地球系统数值预报中心 Grapes-reps区域集合预报方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Large-scale adaptive mantle convection simulation;Carsten Burstedde等;Geophysical Journal International;全文 *
不同大尺度强迫条件下考虑初始场与侧边界条件不确定性的对流尺度集合预报试验;庄潇然;闵锦忠;蔡沅辰;朱浩楠;;气象学报(第02期);全文 *
不同模式扰动方案在风暴尺度集合预报中的对比试验研究;刘畅;闵锦忠;冯宇轩;贲海荣;王世璋;;气象学报(第04期);全文 *
基于动力降尺度的区域集合预报初值扰动构建方法研究;张涵斌;李玉焕;范水勇;仲跻芹;卢冰;;气象(第12期);全文 *
基于物理约束扰动的EnSRF雷达资料同化;闵锦忠;毕坤;陈耀登;王世璋;;大气科学学报(第02期);全文 *

Also Published As

Publication number Publication date
CN115270405A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
WO2022194045A1 (zh) 一种面向海上平台保障的三维温盐场分析预报方法
Louka et al. Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering
Cummings et al. Variational data assimilation for the global ocean
Cullen et al. An overview of numerical methods for the next generation UK NWP and climate model
CN112765912B (zh) 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法
Deshpande et al. Impact of physical parameterization schemes on numerical simulation of super cyclone Gonu
Keppenne et al. Assimilation of temperature into an isopycnal ocean general circulation model using a parallel ensemble Kalman filter
CN110472781B (zh) 台风多变量集合敏感性分析方法、台风预报方法及其系统
CN115270405B (zh) 基于多源多类型扰动组合的对流尺度集合预报方法及系统
Park et al. Hybrid mass coordinate in WRF-ARW and its impact on upper-level turbulence forecasting
CN112861072B (zh) 一种星地多源降水自适应动态融合方法
Zeng et al. Study of conservation laws with the local ensemble transform Kalman filter
Dimri Impact of subgrid scale scheme on topography and landuse for better regional scale simulation of meteorological variables over the western Himalayas
Holt et al. Development and testing of a coupled ocean–atmosphere mesoscale ensemble prediction system
CN115795399A (zh) 一种多源遥感降水数据自适应融合方法和系统
CN116502775A (zh) 一种水文序列增强及预测方法
CN105447593A (zh) 基于时间滞后集合的快速更新混合同化方法
He et al. Impact of 4D-Var data assimilation on modelling of the East China Sea dynamics
Fujii et al. Assimilating ocean observation data for ENSO monitoring and forecasting
Xue et al. The GoMOOS nowcast/forecast system
Soliman et al. Impact assessment of future climate change for the Blue Nile basin using a RCM nested in a GCM
Kwon et al. Effect of model error representation in the Yellow and East China Sea modeling system based on the ensemble Kalman filter
Clementi et al. Mediterranean sea analysis and forecast (CMEMS MED-currents 2016-2019)
Clementi et al. Mediterranean Sea physics Analysis and Forecast (CMEMS MED-Currents 2015-2017)
CN116011592A (zh) 一种区域对流层湿延迟预报方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant