CN115630258B - 一种陆表温度数据同化处理方法、装置、设备及存储介质 - Google Patents
一种陆表温度数据同化处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115630258B CN115630258B CN202211652339.0A CN202211652339A CN115630258B CN 115630258 B CN115630258 B CN 115630258B CN 202211652339 A CN202211652339 A CN 202211652339A CN 115630258 B CN115630258 B CN 115630258B
- Authority
- CN
- China
- Prior art keywords
- data
- observation
- surface temperature
- assimilation
- time
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 74
- 238000005859 coupling reaction Methods 0.000 claims abstract description 74
- 230000008878 coupling Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 description 13
- 239000002689 soil Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 206010010947 Coordination abnormal Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000016290 incoordination Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供了一种陆表温度数据同化处理方法、装置、设备及存储介质，基于各个格点上观测陆表温度均值数据和预设时间位相中包含的时间观测信息数据，计算得到该时间位相中各个格点的观测数据相较于陆表温度均值数据的初始时间距平数据；针对初始观测距平数据对应的初始空间数据进行傅里叶空间协调集合扰动处理，针对陆表温度距平和关键陆面变量距平建立包含约束关系的集合扰动处理，针对耦合背景场误差协方差矩阵进行奇异值分解求逆策略，能够在集合Kalman滤波框架下保证对耦合集合样本及误差协方差协调稳定更新，保证陆表温度耦合同化平稳运行。本申请保证在耦合模式中即使使用日尺度以上频率陆表温度资料，也能保持耦合同化中的稳定性和物理协调性。
Description
技术领域
本申请涉及数据同化处理技术领域，具体而言，涉及一种陆表温度数据同化处理方法、装置、设备及存储介质。
背景技术
准确的气候预测具有重要的社会经济价值，目前主要的气候预测方式是基于耦合气候模式的预测。耦合气候模式能合理模拟大气，海洋，陆地以及海冰等地球系统中各个子系统之间的相互作用过程，从而更全面模拟全球气候的演变过程。为与耦合模式相对应，传统的适用于单独陆面模式的陆表温度同化方法也需要发展到能适应多圈层耦合模式的耦合同化技术，以适应气候预测系统发展的需要。
陆表温度是全球天气和气候系统中一个重要变量，具有很强的日变化特性和空间差异性。现有的耦合同化系统中，针对陆表温度的耦合同化方案较少，已有的针对陆表温度变量的耦合同化算法也仅是针对时空变率不大的月尺度数据，时间跨度较大，预测精度较低。为了能够提高预测精度，需要使用时空变率更高的日尺度和小时尺度等高频陆表温度数据。但是现有的耦合同化系统不能够适应时空变率较大的观测资料。
发明内容
有鉴于此，本申请的目的在于提供一种陆表温度数据同化处理方法、装置、设备及存储介质，以克服现有技术中的问题。
第一方面，本申请实施例提供了一种陆表温度数据同化处理方法，应用于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；所述方法包括：
基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
在本申请一些技术方案中，上述方法通过以下方式确定预设时间位相中包含的观测数据，包括：
根据卫星陆表温度产品时间频次特征，确定与所述时间频次特征对应的同化窗口；所述同化窗口用于将观测值周期划分为多个时间位相；
根据各个所述时间位相对应的时间数据和生成所述观测数据的观测时刻，将各个所述观测数据归整到各个所述时间位相中。
在本申请一些技术方案中，上述方法对所述空间数据进行随机扰动处理，得到处理后的随机集合样本，包括：
根据所述空间数据，确定所述空间数据的误差方差；
根据所述空间数据的误差方差和生成的随机数，得到所述随机集合样本。
在本申请一些技术方案中，上述目标集合Kalman滤波同化算法包括原始集合Kalman滤波同化算法和基于SVD的背景场误差矩阵分解算法。
第二方面，本申请实施例提供了一种陆表温度数据同化处理装置，驻留于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；所述装置包括：
预处理模块，用于基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
变换模块，用于针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
扰动模块，用于根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
同化模块，用于根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的陆表温度数据同化处理方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的陆表温度数据同化处理方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请方法包括基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。本申请的方法针对日尺度以上频率陆表温度资料特点，在时间上通过日变化距平订正算法来满足日内尺度的陆表温度变量的时间变率要求，在空间上进行随机协调扰动，保证陆表温度空间过渡的连续性，缓解不同格点耦合同化不一致时产生的模式冲击，保持耦合同化过程中的稳定性和物理协调性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种陆表温度数据同化处理方法的流程示意图；
图2示出了本申请实施例所提供的一种观测数据进行了划分归类的示意图；
图3示出了本申请实施例所提供的一种陆表温度数据同化处理装置示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。 应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。 此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
数值天气预报和气候预测研究中，由于全球范围内台站观测条件的限制，覆盖全球的陆面台站观测资料十分稀少，一般很难真正应用于气候预测业务。相对而言，卫星遥感资料则具有覆盖范围广、同步性好、时空分辨率高和观测要素全面等优点，可以较好弥补全球台站观测不足的缺点，因此卫星遥感资料的应用对数值预报和气候预测水平的提高具有重要作用。
陆面温度是全球气候系统一个重要组成部分，是影响全球陆地水分和能量循环的重要因素，通过影响潜热和显热通量控制土壤—大气之间的能量和水分收支平衡，进而对全球天气和气候预测及水文预报产生显著影响。由于数值模式模拟的陆表温度在量值和时空分布上存在很大不确定性，而卫星遥感反演陆表温度又由于受扫描时间和地表粗糙度等参数限制，在量值上也存在较大误差，陆表温度同化则是实现卫星遥感观测和模式模拟最优融合从而获取准确陆表温度信息的一种有效手段。
准确的气候预测具有重要的社会经济价值，目前主要的气候预测方式为耦合气候模式预测。耦合气候模式能合理模拟大气，海洋，陆地以及海冰等地球系统中各个子系统之间的相互作用过程，从而更全面模拟全球气候的演变过程。为与耦合模式相对应，传统的适用于单独陆面模式的陆表温度同化方法也需要发展到能适应多圈层耦合模式的耦合同化技术，以适应气候预测系统发展的需要。
现有的针对陆面温度变量的耦合同化算法仅是针对时空变率不大的月尺度数据，时间跨度较大，预测精度较低。为了能够提高预测精度，需要使用时空变率更高的日尺度和小时尺度等高频陆表温度数据。但是现有的耦合同化系统不能够适应时空变率较大的观测资料。
基于此，本申请实施例提供了一种陆表温度数据同化处理方法、装置、设备及存储介质，下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种陆表温度数据同化处理方法的流程示意图，其中，该方法应用于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；该方法包括步骤S101-S104；具体的：
S101、基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
S102、针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
S103、根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
S104、根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
本申请的方法针对日尺度以上频率陆表温度资料特点，在时间上通过日变化距平订正算法来满足日内尺度的陆表温度变量的时间变率要求，在空间上进行随机协调扰动，保证陆表温度空间过渡的连续性，缓解不同格点耦合同化不一致时产生的模式冲击，保持耦合同化过程中的稳定性和物理协调性。
下面对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
S101、基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据。
本申请中的陆表温度数据同化处理方法应用于耦合同化系统，耦合同化系统是指在考虑数据时空分布以及观测场和背景场误差的基础上,在多圈层全耦合数值预报模型的动态运行过程中融合新的观测数据的同化系统。它是在过程模型的动态框架内,通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹,以改善动态模型状态的估计精度，提高模型预测能力，具体应用在天气预测等场景中。现有的耦合同化系统的对于输入数据的要求具有一定的限制，如果输入数据比较频繁（即通过更高的频率获取数据）的话，对于耦合同化系统的冲击较大，可以导致耦合同化系统不能够正常工作。一般来说，在具体实施的时候，现有技术中较多使用逐月数据，相较于逐月数据来说，逐日数据和逐小时数据就是高频率数据。相较于现有技术针对逐月数据处理，本申请可以理解为对于逐日数据和逐小时数据的处理。为了方便描述，后续本申请以逐日数据为例进行介绍本方案。本申请针对通过更高频率采集到的较多数据进行处理，以使耦合同化系统能够接受处理之后的数据。
本申请的耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息。这里待预测区域可以是某个地区也可以是整个地球。观测卫星在进行观测的时候，会在预设的一些观测时刻生成观测数据。例如，观测卫星对A城市进行观测，并在19.10、19.30、19.50分别获取了A城市的陆表温度20℃、19℃、18℃。为了避免直接使用观测数据给耦合同化系统带来的影响，本申请对于各个格点上得到的观测数据进行了日距平数据处理。
本申请中观测数据是遥感卫星分别从对应的格点上观测得到的，本申请以格点为依据对各个观测数据进行处理。统计记得到各个格点上观测得到的观测数据的个数和各个观测数据的具体温度数值，然后根据该格点上观测数据的个数和各个观测数据的具体温度数值，计算得到在该格点上观测得到的所有观测数据的温度均值数据。例如，在某个格点上进行了三次观测，分别得到28℃、28.1℃和28.2℃，则该格点的温度均值数据就是28.1℃。
需要说明的是，卫星进行观测时候，由于某些原因，可能会存在未采集到观测数据的问题，导致某些格点上会有观测数据的缺测。在计算温度均值数据的时候，本申请仅考虑有值的格点。
在另一方面，为了避免较多数据的处理，本申请将观测数据进行了划分归类。具体的如图2所示包括步骤S201~S202：
S201、根据卫星陆表温度产品时间频次特征，确定与所述时间频次特征对应的同化窗口；所述同化窗口用于将观测值周期划分为多个时间位相；
S202、根据各个所述时间位相对应的时间数据和生成所述观测数据的观测时刻，将各个所述观测数据归整到各个所述时间位相中。
本申请考虑了卫星陆表温度产品时间频次特征，然后基于卫星陆表温度产品时间频次特征，确定与所述时间频次特征对应的同化窗口。在确定了同化窗口之后，本申请通过同化窗口将观测周期划分为多个时间位相。例如，同化窗口为一小时，如果观测时间周期为二十四小时的话，那么就可以得到二十四个时间位相分别为：一点到两点、两点到三点……十一点到十二点。然后本申请中各个观测数据都有对应的观测时刻，通过观测时刻与各个时间位相进行对比，确定各个观测时刻被哪个时间位相所包含，就将与该观测时刻对应的观测数据归在该时间位相下。
在得了各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据之后，通过二者作差即可得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据。本申请基于观测距平数据对耦合模式中的数据进行订正，降低了同化对耦合模式带来的冲击和导致的不协调性。
在具体实施的时候，本申请是基于集合Kalman滤波同化算法的框架实现的。在考虑陆表温度日变化距平信息后，在集合Kalman滤波同化算法中，各时步中的样本时间演变预报方程可表示为：
其中，
为模式积分时步，
为集合扰动样本，N为集合扰动样本总数，x为陆表温度的日均值距平，上标“+”和“-”分别表示分析场和背景场，
表示耦合模式中包括陆表温度距平变量的非线性积分算子。各时步中状态变量的分析更新方程可表示为：
其中，
为陆表温度日距平观测，
为实现陆表温度日距平观测向背景场转换的观测算子，
为Kalman增益矩阵，可表示为：
其中，上标 “-”表示背景场预报时步， T为矩阵转置，
为陆表温度日距平观测误差协方差矩阵。其中B矩阵通过集合样本统计得到：
在进行同化分析时，为避免直接更新陆表温度变量可能会对模式状态造成的过大冲击而导致不稳定现象，此时的耦合同化中的更新变量为陆表温度日均值距平信息。通过陆表温度观测信息对耦合模式中陆表温度日均值距平信息的调整，可以更好地保持耦合模式陆表温度变量的连续性，同时又合理引入观测的陆表温度日距平变化信息，从而既在模式中充分保留了卫星遥感陆表温度的日变化信息，又合理保证了耦合模式连续积分的稳定性。
S102、针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本。
所述对所述空间数据进行随机扰动处理，得到处理后的随机集合样本，包括：根据所述空间数据，确定所述空间数据的误差方差；根据所述空间数据的误差方差和生成的随机数，得到所述随机集合样本。
S103、根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本。
本申请在得到观测距平数据之后，同样的对于耦合模式而言，也需要确定出耦合模式中模式数据的耦合距平信息。具体的，本申请的耦合同化系统包括耦合距平分析子模块，通过该耦合距平分析子模块确定出模式距平数据。例如，耦合距平分析子模块，根据确认的卫星观测陆表温度日变化位相信息和日变化距平信息，得到各个位相上观测记录相比日均值的距平信息。同样，对于耦合模式而言，在其中加入陆表温度日变化位相和距平分析子模块，通过该子模块实现在对应同化窗口中给出耦合模式中陆表温度的日变化位相和日变化信息。然后，根据确认的卫星观测陆表温度日变化位相信息和日变化距平信息，得到各个位相上观测记录相比日均值的距平信息。同样，耦合模式中的距平分析子模块也会在同化时刻对应生成模式陆表温度的日均值距平信息。在进行同化分析时，为避免直接更新陆表温度变量可能会对模式状态造成的过大冲击而导致不稳定现象，此时的耦合同化中的更新变量为陆表温度日均值距平信息。通过陆表温度观测信息对耦合模式中陆表温度日均值距平信息的调整，可以更好地保持耦合模式陆表温度变量的连续性，同时又合理引入观测的陆表温度日距平变化信息，从而既在模式中充分保留了卫星遥感陆表温度的日变化信息，又合理保证了耦合模式连续积分的稳定性。
由于卫星遥感陆表温度观测资料在空间上存在很多缺测，如果直接使用传统的集合Kalman滤波同化算法，在水平空间对陆表温度变量进行直接更新，由于相邻格点上因为缺测状态的不同而出现并不都进行同化分析更新的情况，从而导致同化后的陆表温度变量出现空间上的不连续，这一不连续状态经过耦合模式积分的放大效应极易导致误差增长，从而产生很大不确定性并产生溢出导致耦合模式运行中断，引起同化失败。为了避免这一现象，本申请进一步的对观测距平数据进行了随机扰动处理。
也就是说，本申请并没有直接使用观测距平数据，而是对观测距平数据进行调整。在对观测距平数据进行调整时候，本申请没有直接对观测距平数据进行操作，而是对观测距平数据对应的空间数据进行处理，能够进一步的降低对于耦合模式的影响。具体的，本申请通过正向傅式变换，得到观测距平数据对应的空间数据，之后，本申请对空间数据进行了扰动处理。另一方面，集合Kalman滤波同化算法自身由于使用集合样本求解背景场误差协方差矩阵，会由于模式误差项的缺失在集合同化运行过程中导致滤波发散现象。为避免这一现象，本发明在集合Kalman滤波同化算法中引入基于Fourier变换的二维Monte Carlo随机扰动算法，一方面可以更好地实现水平方向上陆表温度日距平模式误差的二维协调扰动，另一方面也可以克服集合Kalman滤波同化方法中由于集合样本求背景场误差协方差矩阵而缺失的模式误差项。该算法步骤如下：
针对水平二维空间上N×M网格内的陆表温度日距平变量场
，对其进行离散形式的Fourier变换：
其中
， l和p为计数，
和
分别为N和M方向的波数。假设
的形式如下：
其中
是一组用来引入随机位相平移的随机数。此时，变量场在空间上的协方差通过变换可表示为：
通过采用该算法，在集合同化中叠加到集合样本上的随机扰动场是作用于Fourier空间而不是直接作用于前面得到的陆表温度日距平变量，能有效避免直接在空间不同点的陆表温度日距平上加随机扰动导致的空间各网格点扰动间的不协调现象，并保证各模式格点引入的陆表温度距平模式误差在随模式积分时间变化时也同时保持良好的空间协调性，从而保证陆表温度集合预报样本能综合体现陆表温度空间变化的协调相关关系。
此时，在考虑了水平方向上陆表温度日距平变量的协调扰动后，在每个集合Kalman滤波同化时步中的集合样本时间演变预报方程可进一步改写为：
其中
就为二维空间场上添加的陆表温度日距平模式误差项，用来克服集合Kalman滤波同化方法中由于集合样本求背景场误差协方差矩阵而缺失的模式误差项。
中体现的是陆表温度日距平模式误差（进而也是保证陆表温度变量误差自身）能保持二维空间上的协调关系，从而保证了整个空间场上高频陆表温度观测资料耦合同化的效果。
S104、根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
本申请针对卫星遥感陆表温度资料的耦合同化整体是基于集合Kalman滤波同化框架。耦合同化时状态变量的更新方程前面已给出。集合Kalman滤波同化的另一个优势就是每个时步能对背景场误差协方差矩阵进行实时更新，从而及时调整整体误差结构而不断优化同化效果。集合Kalman滤波同化的主要计算量也来自对背景场误差协方差矩阵的计算和更新。为耦合同化时对背景场误差协方差矩阵求解时的计算量，并保持其稳定性和协调性，在其中引入了背景场误差协方差矩阵SVD分解算法，该算法主要针对求解耦合同化分析矩阵时涉及到的背景场误差协方差矩阵的求逆计算量过大的问题：
其中，上标“+”和“-”分别表示分析场和背景场，
为观测误差向量，
=
为陆表温度日距平变量的集合观测误差向量，
表示陆表温度日距平变量的集合背景场误差向量，
为预报时刻陆表温度日变化距平的背景场误差协方差矩阵，
为分析时刻陆表温度日变化距平的背景场误差协方差矩阵。上式为陆表温度背景场误差矩阵的更新方程，其中括号中的背景场误差协方差矩阵求逆运算往往计算量很大，尤其是当观测向量的维度m很大时，其求解计算量正比于m2，计算量呈几何级数增加。为减小耦合同化时的计算量并保持计算精度，引入一种基于SVD分解的误差协方差求逆算法，针对上式括号中的求逆运算，采用一种基于SVD的背景场误差矩阵分解算法的计算策略：
其中，
的维度为m×N，N为集合样本数，相比m2有明显减小。此时对
进行SVD分解运算，得到
，然后就有：
其中
N×N的上对角矩阵，包含的是SVD分解后的非零特征值，而向量
中则储存着SVD分解后的特征向量，并且主要的特征信息都储存在
中的前N个特征向量中。通过这种SVD变换策略，可以将背景场误差协方差的求逆运算的计算量从m×m量级减小到N×N量级，从而大大减小了背景场误差协方差矩阵求逆运算量，并增加了背景场集合样本的代表性和稳定性，从而能稳定实现在耦合模式中同化时陆表温度变量的耦合同化分析更新。
为进一步增加耦合同化的稳定性，在集合Kalman滤波同化框架中，为避免直接在陆表温度误差距平变量集合预报样本上加随机扰动后可能对陆表温度的陆面其他相关关键变量数据（土壤湿度、土壤温度、积雪）等变量之间的物理协调性的破坏，采用多参数平衡扰动算法改进了集合Kalman滤波同化方案，该方案首先通过耦合模式集合样本统计陆表温度与土壤湿度、土壤温度、积雪等关键陆表变量之间的物理约束关系，然后将这些建立的物理约束关系作为构建背景场误差矩阵的物理约束条件，从而保证构建耦合模式集合误差时，能保持陆表温度与其他关键陆面变量的随机扰动之间的平衡关系，在同化时保留背景场集合预报样本中关键陆面变量之间的物理协调性，增加耦合同化系统的稳定性，并改善耦合同化效果。
我们将陆表温度距平与土壤湿度距平、土壤温度距平、积雪距平之间的物理约束关系分别定义为
，
，
，这些物理约束关系都是通过耦合模式内部的非线性关系计算得到，因此在同化中的每个集合样本中都是能得到保持的。在考虑陆表温度日距平与其他关键陆面变量之间约束关系后，在每个集合Kalman滤波同化时步中的集合样本预报方程可扩展为：
其中，
为模式积分时步，
为集合扰动样本，N为集合扰动样本总数，x为陆表温度距平，上标“+”和“-”分别表示分析场和背景场，
，
，
分别为陆表温度距平与土壤湿度距平、土壤温度距平、积雪距平之间的物理约束关系，
表示耦合模式中包括陆表温度距平、土壤湿度距平及其约束关系、土壤温度距平及其约束关系、积雪距平及其约束关系的非线性积分算子。此时集合Kalman滤波同化中背景场误差协方差矩阵可表示为：
其中，由集合样本统计得到的背景场误差向量
中增加了包含陆表温度距平与其他变量距平之间约束关系而引入的模式误差部分，其中，
为土壤湿度距平约束关系集合样本均值，
为土壤温度距平约束关系集合样本均值，
为积雪距平约束关系集合样本均值。此时同化中的Kalman增益矩阵可扩展为：
通过观测时刻将陆表温度距平和其他变量距平的物理约束关系作用于增益矩阵
和背景场误差协方差矩阵
，一方面对集合预报样本统计缺失的模式误差项进行补偿，另一方面对背景场误差协方差矩阵中缺失的陆表温度与其他关键陆面变量的物理协调关系进行补偿。
本申请提供了一种完全适用于高频次（日尺度和小时尺度）卫星遥感陆表温度产品在耦合模式中的协调耦合同化算法，能有效地提升数值预报模式和气候模式系统对包括我国自主风云卫星在内的国内外多种气象卫星陆表温度产品的耦合同化能力。该方法还真正实现了耦合气候模式对卫星遥感陆表温度信息的协调同化应用，从而使得卫星遥感陆表温度产品信息能真正应用于全耦合数值预报和气候模式，并通过耦合器对整个耦合模式各分量产生物理协调的影响，从而能更好地为进行数值天气预报和气候预测提供更准确和更协调的全球陆表状态信息，可以为现有耦合模式和耦合预测系统提供高质量的、准确性和精度都更高、物理协调的陆面初值，更好地发挥多种卫星遥感陆表温度产品在耦合模式系统中的优势和价值。
本申请可用于制作各行业所需的气象陆面数据。例如，国家防总需要未来数月内全国干旱、高温热浪、寒潮、农业墒情、农作物产量等预测和规划，这些都可以用高频次的卫星陆表温度资料耦合同化技术提供精细化的合理初值来进行预测。
图3示出了本申请实施例所提供的一种陆表温度数据同化处理装置的结构示意图，驻留于耦合同化系统，驻留于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；所述装置包括：
预处理模块，用于基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
变换模块，用于针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
扰动模块，用于根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
同化模块，用于根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
通过以下方式确定预设时间位相中包含的观测数据，包括：
根据卫星陆表温度产品时间频次特征，确定与所述时间频次特征对应的同化窗口；所述同化窗口用于将观测值周期划分为多个时间位相；
根据各个所述时间位相对应的时间数据和生成所述观测数据的观测时刻，将各个所述观测数据归整到各个所述时间位相中。
所述对所述空间数据进行随机扰动处理，得到处理后的随机集合样本，包括：
根据所述空间数据，确定所述空间数据的误差方差；
根据所述空间数据的误差方差和生成的随机数，得到所述随机集合样本。
所述目标集合Kalman滤波同化算法包括原始集合Kalman滤波同化算法和基于SVD的背景场误差矩阵分解算法。
如图4所示，本申请实施例提供了一种电子设备，用于执行本申请中的陆表温度数据同化处理方法，该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述的陆表温度数据同化处理方法的步骤。
具体地，上述存储器和处理器可以为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述的陆表温度数据同化处理方法。
对应于本申请中的陆表温度数据同化处理方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的陆表温度数据同化处理方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的陆表温度数据同化处理方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种陆表温度数据同化处理方法，其特征在于，应用于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；所述方法包括：
基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
2.根据权利要求1所述的方法，其特征在于，通过以下方式确定预设时间位相中包含的观测数据，包括：
根据卫星陆表温度产品时间频次特征，确定与所述时间频次特征对应的同化窗口；所述同化窗口用于将观测值周期划分为多个时间位相；
根据各个所述时间位相对应的时间数据和生成所述观测数据的观测时刻，将各个所述观测数据归整到各个所述时间位相中。
3.根据权利要求1所述的方法，其特征在于，所述对所述空间数据进行随机扰动处理，得到处理后的随机集合样本，包括：
根据所述空间数据，确定所述空间数据的误差方差；
根据所述空间数据的误差方差和生成的随机数，得到所述随机集合样本。
4.根据权利要求1所述的方法，其特征在于，所述目标集合Kalman滤波同化算法包括原始集合Kalman滤波同化算法和基于SVD的背景场误差矩阵分解算法。
5.一种陆表温度数据同化处理装置，其特征在于，驻留于耦合同化系统，所述耦合同化系统包括应用观测卫星数据，所述观测卫星数据提供待预测区域的陆表温度全球观测信息，并在对应的观测时刻生成观测数据；所述耦合同化系统中包含有与所述陆表温度具有关联关系的陆面其他相关关键变量数据；所述装置包括：
预处理模块，用于基于各个格点上观测数据的温度均值数据和预设时间位相中包含的观测数据，计算得到该时间位相中各个格点的观测数据相较于所述温度均值数据的观测距平数据；
变换模块，用于针对所述观测距平数据进行傅式变换，得到所述观测距平数据对应的空间数据，并对所述空间数据进行随机扰动处理，得到处理后的随机集合样本；
扰动模块，用于根据上个时刻的模式误差集合样本和当前时刻的随机集合样本，得到当前时刻三维空间的模式误差集合样本，并对当前时刻三维空间的模式误差集合样本进行傅式反变换，得到当前时刻二维空间的模式误差集合样本；
同化模块，用于根据当前时刻二维空间的模式数据的模式误差集合样本和所述陆面其他相关关键变量数据的模式误差集合样本之间的关联关系，计算得到预报时刻的集合样本，并针对预报时刻的集合样本使用目标集合Kalman滤波同化算法处理，得到预报时刻的分析场。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至4任一所述的陆表温度数据同化处理方法的步骤。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至4任一所述的陆表温度数据同化处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211652339.0A CN115630258B (zh) | 2022-12-22 | 2022-12-22 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211652339.0A CN115630258B (zh) | 2022-12-22 | 2022-12-22 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115630258A CN115630258A (zh) | 2023-01-20 |
| CN115630258B true CN115630258B (zh) | 2023-02-28 |
Family
ID=84910472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211652339.0A Active CN115630258B (zh) | 2022-12-22 | 2022-12-22 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630258B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9544737B2 (en) * | 2012-12-28 | 2017-01-10 | Trimble Inc. | Performing data collection based on external raw observables using a mobile data collection platform |
| CN104537222B (zh) * | 2014-12-18 | 2017-06-06 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
| CN107610050B (zh) * | 2017-08-31 | 2021-01-05 | 北京航天绘景科技有限公司 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
| CN112016052B (zh) * | 2020-08-20 | 2021-07-09 | 广东省气象探测数据中心 | 基于多源数据的近地表日最高气温估算方法、系统及终端 |
| CN113536576B (zh) * | 2021-07-20 | 2022-04-22 | 中国气象局气象干部培训学院四川分院(四川省信息工程学校) | 一种数值预报产品距平积分动力统计订正方法和系统 |
-
2022
- 2022-12-22 CN CN202211652339.0A patent/CN115630258B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115630258A (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dolinar et al. | Evaluation of CMIP5 simulated clouds and TOA radiation budgets using NASA satellite observations | |
| Jia et al. | Cloudy-sky land surface temperature from VIIRS and MODIS satellite data using a surface energy balance-based method | |
| Semenov et al. | Use of a stochastic weather generator in the development of climate change scenarios | |
| Buehner | Evaluation of a spatial/spectral covariance localization approach for atmospheric data assimilation | |
| Kolassa et al. | Soil moisture retrieval from AMSR-E and ASCAT microwave observation synergy. Part 1: Satellite data analysis | |
| Wang et al. | The diurnal temperature range in CMIP6 models: climatology, variability, and evolution | |
| Gruber et al. | The potential of 2D Kalman filtering for soil moisture data assimilation | |
| Viskari et al. | Model‐data assimilation of multiple phenological observations to constrain and predict leaf area index | |
| El Gharamti et al. | Comparing adaptive prior and posterior inflation for ensemble filters using an atmospheric general circulation model | |
| Deng et al. | Downscaling RCP8. 5 daily temperatures and precipitation in Ontario using localized ensemble optimal interpolation (EnOI) and bias correction | |
| CN112699959A (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| Paeth et al. | Postprocessing of simulated precipitation for impact research in West Africa. Part II: A weather generator for daily data | |
| Qu et al. | A dynamic Bayesian network data fusion algorithm for estimating leaf area index using time-series data from in situ measurement to remote sensing observations | |
| CN115630258B (zh) | 一种陆表温度数据同化处理方法、装置、设备及存储介质 | |
| Gauthier et al. | Convergence issues in the estimation of interchannel correlated observation errors in infrared radiance data | |
| Ge et al. | Analyzing temperature and precipitation extremes in China using multiple gridded datasets: A comparative evaluation | |
| Wu et al. | A compensatory approach of the fixed localization in EnKF | |
| Yilmaz et al. | Impact of model relative accuracy in framework of rescaling observations in hydrological data assimilation studies | |
| Alamanos | 03-DROUGHT MONITORING, PRECIPITATION STATISTICS, AND WATER BALANCE WITH FREELY AVAILABLE REMOTE SENSING DATA: EXAMPLES, ADVANCES, AND LIMITATIONS | |
| Admasu et al. | Exploring global climate model downscaling based on tile-level output | |
| Chen et al. | Assimilating multi-site measurements for semi-distributed hydrological model updating | |
| Setiyoko et al. | Semivariogram fitting based on SVM and GPR for DEM interpolation | |
| Kuno et al. | Development of sampling downscaling: a case for wintertime precipitation in Hokkaido | |
| Deng et al. | Assimilation of Argo temperature and salinity profiles using a bias-aware localized EnKF system for the Pacific Ocean | |
| Huang et al. | Development of CMAQ for East Asia CO 2 data assimilation under an EnKF framework: a first result |
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 |