基于对流尺度集合样本的高原边坡对流系统和台风系统多元变量背景场误差特征研究

  • 张万里 , 1 ,
  • 王元兵 , 1 ,
  • 李柔 2 ,
  • 陈耀登 1 ,
  • 孟德明 1 ,
  • 钱新尧 1 ,
  • 金喜立 1
展开
  • 1. 南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/ 气象灾害预报预警与评估协同创新中心,江苏 南京 210044
  • 2. 广东省罗定市气象局,广东 罗定 527200
王元兵(1990 -), 男, 山东人, 副教授, 主要从事气象资料同化及数值天气预报研究. E-mail:

张万里(2001 -), 男, 贵州人, 硕士研究生, 主要从事气象资料同化及数值天气预报研究. E-mail:

收稿日期: 2024-05-30

  修回日期: 2024-10-14

  网络出版日期: 2024-11-25

基金资助

国家自然科学基金项目(U2142208)

国家重点研发计划项目(2022YFC3080500)

Study of Multivariate Background Error Characteristics of Convective System on Plateau Slope and Typhoon System Based on Convective-Scale Ensemble Samples

  • Wanli ZHANG , 1 ,
  • Yuanbing WANG , 1 ,
  • Rou LI 2 ,
  • Yaodeng CHEN 1 ,
  • Deming MENG 1 ,
  • Xinyao QIAN 1 ,
  • Xili JIN 1
Expand
  • 1. Key Laboratory of Meteorological Disaster of Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters,Nanjing University of Information Science & Technology,Nanjing 210044,Jiangsu,China
  • 2. Luoding Meteorological Service,Luoding 527200,Guangdong,China

Received date: 2024-05-30

  Revised date: 2024-10-14

  Online published: 2024-11-25

Copyright

© Editorial Department of Plateau Meteorology (CC BY-NC-ND)

摘要

高原边坡地区及台风系统观测资料的有效同化对我国天气预报有重要影响, 而背景误差是影响资料同化效果的关键因子。为了更好地理解高原边坡对流系统和台风系统的常规控制变量以及各水凝物控制变量背景场误差特征, 从而发展适用于高原边坡对流系统和台风系统的资料同化方案, 本文基于集合变换卡尔曼滤波和集合-变分混合同化方法分别更新集合扰动和集合平均得到含有80个集合成员的4公里分辨率对流尺度集合预报样本, 选取2022年8月中旬发生在青藏高原东北边坡的对流个例和2022年第12号台风“梅花”个例, 经过物理变换、 垂直变换以及水平变换统计得到包含多相态水凝物和垂直速度在内的多元变量背景场误差协方差, 同时对其空间误差特征如特征值、 特征向量和特征长度尺度进行了分析。研究发现, 与台风系统对比, 高原边坡对流系统的背景场误差相对更大, 对水凝物变量以及垂直速度的模拟更差。因此, 在高原边坡对流系统的资料同化中, 分析会更接近于观测而远离背景场, 对其观测质量和数量要求相对更高。另外, 高原边坡对流系统的大气特征和水凝物以及垂直速度变量的水平尺度相对于台风系统更小、 更有局地性; 对比常规控制变量, 水凝物和垂直速度变量具有更小的水平尺度和更强的局地性特征。因此在同化分析时, 高原边坡区域的观测资料以及与水凝物相关的观测信息影响范围相对有限。

本文引用格式

张万里 , 王元兵 , 李柔 , 陈耀登 , 孟德明 , 钱新尧 , 金喜立 . 基于对流尺度集合样本的高原边坡对流系统和台风系统多元变量背景场误差特征研究[J]. 高原气象, 2025 , 44(3) : 657 -671 . DOI: 10.7522/j.issn.1000-0534.2024.00098

Abstract

The effective assimilation of observation data in the slope areas of the Qinghai-Xizang (Tibetan) Plateau and typhoon systems has a significant impact on the capabilities of weather forecasting in China, with background error being a key factor affecting the performance of data assimilation.The purpose of this study is to gain a deeper understanding of the characteristics of background errors in conventional control variables and hydrometeor control variables within convective systems on the slopes of the Qinghai-Xizang (Tibetan) Plateau and typhoon systems, so as to develop the data assimilation scheme which is applicable to the convective systems on the slopes of the Qinghai-Xizang (Tibetan) Plateau and typhoon systems.This study employs the Ensemble Transform Kalman Filter (ETKF) and the hybrid Ensemble-Variational data assimilation method to update the ensemble perturbation and the ensemble mean respectively to produce convective-scale ensemble forecast samples with 80 ensemble members and 4-kilometers resolution.This study focuses on cases of convective weather from the northeast slope of the Qinghai-Xizang (Tibetan) Plateau in mid-August 2022 and Typhoon "Meihua", the 12th typhoon of 2022.Multivariate background error covariances, including those for multiphase hydrometeor and vertical velocity, were computed through physical transformation, vertical transformation, and horizontal transformation.Analyses of the spatial error characteristics, including the eigenvalues, eigenvectors, and characteristic length scales were conducted, and the results of the analyses indicate that background errors are more pronounced in the case of convective system on the slope of the Qinghai-Xizang (Tibetan) Plateau in comparison to the typhoon system.At the same time, the simulation of hydrometeor variables and vertical velocity is less precise in the case of convective system on the slope of the Qinghai-Xizang (Tibetan) Plateau compared to the typhoon system.In the context of data assimilation for these comparable convective systems, the analysis tends to be more aligned with observations and less so with the background, this feature highlights the necessity for high-quality and comprehensive observations in the slope areas of the Qinghai-Xizang (Tibetan) Plateau.In addition, the atmospheric characteristics and the horizontal scale of hydrometeor variables and vertical velocity in the case of convective system on the slope of the Qinghai-Xizang (Tibetan) Plateau display smaller and more localized features compared with those observed in the typhoon system.Moreover, hydrometeor control variables and the vertical velocity exhibit smaller horizontal scales and more pronounced localized characteristics compared to conventional control variables, therefore potentially leading to the influence range of observations and information related to hydrometeor control variables in the slope areas of the Qinghai-Xizang (Tibetan) Plateau relatively limited in the context of the subsequent assimilation analysis.

1 引言

强对流天气过程和台风天气过程的准确预报对于防灾减灾具有重要的意义。由于大气本身的混沌特性、 模式误差以及初始误差的共同影响, 数值天气预报存在不确定性(薛建军等, 2022), 但是通过资料同化技术可以减小模式的初始误差从而有效提高预报准确性(陈耀登等, 2020)。资料同化是利用一切有用信息来估计一个更加准确的大气运动状态的过程(Talagrand, 1997)。在资料同化中, 结合观测数据与模式背景场可以得到更符合“真实”大气状态的分析场以作为数值模式的初始场, 进而提高数值预报的准确度(官元红等, 2007), 而做好资料同化的核心问题是如何构建合理的背景场误差协方差(陈耀登等, 2017陈娴雅等, 2022)。
背景场误差协方差信息对资料同化结果有很大影响, 它的重要意义在于: 传递和平滑信息, 引入平衡特性以保证背景场误差协方差满足大气运动平衡关系以及保留误差的相关性(曹小群等, 2008)。然而, 在实际应用中, 背景场误差协方差矩阵(B矩阵)的计算比较困难, 其原因有: 由于无法获取“真实”的大气状态, 背景场误差协方差不能被准确地计算(邱崇践, 2001), 但是可以通过NMC法(National Meteorology Center, 也叫NCEP法)(Parrish and Derber, 1992)、 集合法(Evensen, 2003)、 更新矢量法(龚建东和赵刚, 2006)等多种方法来合理估计背景场误差协方差。同时由于B矩阵可达1014量级, 其直接计算较难实现, 但是通过控制变量转换的形式可以用较少的参数表示大型矩阵(Bannister, 2008), 在进行变量转换后, 便无需对B矩阵进行显式表达和直接计算(陈耀登等, 2014a)。三维变分资料同化中使用的是各向同性的背景场误差协方差, 在各种天气形势下均不会改变(Chen et al, 2013), 而使用集合样本生成的集合背景场误差协方差具有流依赖特征, 更符合实际大气(张明阳等, 2015)。对背景场误差信息的合理估计与表达, 并对其误差特征进行深入分析, 一直以来都是资料同化领域的一个重要课题。
在对流尺度下, 大气的动力和热力特征变化剧烈, 资料同化中的背景场误差协方差对不同对流性天气背景形势下热动力和水凝物变量的空间特征的描述能力存在很大差异。Gustafsson et al(2018)指出在对流尺度模式中, 背景场误差受到微物理过程和动力过程难以准确表征的影响, 这也是对流尺度资料同化的一个主要挑战。Michel et al(2011)将云量和雨水含量作为水凝物控制变量引入到非均匀的背景误差协方差中并对其统计特征进行了分析, 发现其在对流尺度模式同化中对“真实”的云降水过程有更好的表征, 且获得了更加准确的云微物理初始场。而Chen et al(2016)将云水和云冰路径添加为水凝物控制变量并在真实的降水过程中同化了卫星观测, 结果显示同化中使用含有水凝物控制变量的背景误差协方差具有改善降水预报的巨大潜力。此外, 在对流尺度数值模式中, 垂直速度是联系常规控制变量和水凝物控制变量的关键变量, 垂直速度的变化也会影响水凝物之间的相态转换, 从而影响降水量。青藏高原边坡地区由于复杂地形和下垫面的原因, 局地热动力差异突出, 容易诱发中尺度局地环流, 并通过热动力强迫产生强降水, 且高原边坡独特的地形特点对我国下游地区天气演变有着重要影响; 位于高原同一纬度的我国东部沿海地区则常常受到台风的影响, 台风背景场中下垫面摩擦、 环境场作用和台风内核区域的对流活动等因素对台风的强度、 路径、 结构和降水有显著的影响。因此, 针对高原边坡对流系统和台风系统, 亦有必要开展适应其特殊天气形势的背景误差特征分析和研究。
目前, 已有相关工作针对高原及其临近地区、 台风的观测资料开展同化研究(Zhang et al, 2020Lei et al, 2022陈旭等, 2023梁皓等, 2023符梓霖等, 2024), 并针对相关区域的背景误差特征开展分析(陈耀登等, 20152016王叶红和赵玉春, 2018)。但是, 以往针对相关区域的背景场误差特征分析大多基于NMC方法开展, 由气候态样本统计的静态背景误差协方差对于快速变化的台风和高原边坡对流天气代表性相对较弱, 同时目前并无针对两地区对流尺度下基于集合样本的背景场误差协方差尤其是包含多相态水凝物变量和垂直速度的多元变量背景场误差特征的研究。为对两地区对应的典型对流性天气系统的背景场误差特征有更好的理解, 本文将在前人对资料同化及背景场误差协方差的研究的基础上, 选取2022年8月12 - 13日发生在祁连山附近的一次强降水和2022年第12号台风“梅花”两个个例, 利用对流尺度集合预报样本统计得到的背景误差协方差, 进一步探讨高原边坡对流系统和台风系统的包含多相态水凝物变量和垂直速度等多元变量的背景场误差特征, 为发展和优化适用于这两个地区的资料同化和背景场误差协方差方案提供参考。

2 基于集合变换卡尔曼滤波和混合同化的对流尺度集合预报方法

本研究采用集合变换卡尔曼滤波(Ensemble Transform Kalman Filter, ETKF)来更新集合预报扰动场以保证循环更新预报过程中背景场误差协方差结构的合理性。ETKF是在卡尔曼滤波法的基础上结合集合变换法发展而来, 其在估算分析误差的时候引入了一个转换矩阵T。基于ETKF方法, 通过集合变换和归一化的思想可以快速获得由集合预报扰动量 X e直接转换而来的分析场扰动 X a, 即 X a = X e T马旭林等, 2008王元兵等, 2016)。转换矩阵T通过求解卡尔曼滤波方程获得(Bishop et al, 2001), 可写为:
T = C ( Γ + I ) - 1 / 2 C T
式中: I代表单位矩阵; Γ是由矩阵 ( H X e ) T R - 1 H X e的特征值组成的矩阵; 而 C代表其特征向量组成的矩阵。 = c 1 c 2 c i 是一个扩大因子来保证分析误差协方差大小的合理性, 即协方差膨胀系数。 c i是当前同化分析时刻的协方差膨胀系数并满足 d i T d i = T r ( R - 1 H c i P i e H T + I ), 式中 d i = R - 1 / 2 y i - H X ¯ i b为新息向量, 由观测误差协方差 R正态化, P i e是集合预报误差协方差, T r运算符表示求矩阵的迹。
本研究中, 集合预报平均场则通过集合-变分混合同化来更新。利用扩展控制变量的方式即在变分方法的代价函数中增加新的控制变量重构代价函数, 可以将集合误差协方差的流依赖特征引入到变分框架中(Wang et al, 2008)。同时基于动态发展的集合扰动场提供的背景误差协方差为混合同化引入能反映天气预报误差结构演变的流依赖信息, 通过极小化代价函数获得混合同化分析增量, 可使得多源观测包含的天气信息在流依赖背景误差协方差的作用下在模式空间和多变量间更好地协调传递, 即:
J δ x 1 , α = β 1 1 2 δ x 1 T B - 1 δ x 1 + β 2 1 2 α T A - 1 α + J o
上式右侧前两项分别为静态背景误差协方差相关项和流依赖集合背景误差协方差相关项。总的同化分析增量为 δ x = δ x 1 + i = 1 N ( α i o x i e ), 其中 δ x 1 i = 1 N ( α i o x i e )分别是静态背景误差协方差和流依赖的集合背景误差协方差对应的分析增量, N是集合的大小, 符号 o是Schur算子(矩阵对应位置元素的乘积)。代价函数中 A是一个约束集合扩展控制变量 α空间变化的对角矩阵, 并实现对集合误差协方差的局地化。 β 1 β 2是协方差权重系数, 其倒数和为1。

3 多元变量背景误差协方差计算方法

本研究在Descombes et al(2015)开发的通用背景场误差协方差计算模型的基础上, 利用控制变量转换的方法来构建包含多相态水凝物和垂直速度等多元变量的背景场误差协方差, 其流程如图1所示。 B矩阵和控制变量转换算子 U满足 B = U U T。控制变量转换分别在物理量之间和空间上进行, 即 U = U P U v U h B矩阵则可以表示为:
B = U p U v U h U h T U v T U p T
具体内容为: (1) U p物理变换, 利用回归分析将相关的变量转换成独立的控制变量;(2) U v垂直变换, 通过经验正交函数分解即EOF方法将投影到正交模上的 B矩阵在垂直方向上进行分解, 获得反映 B矩阵垂直特征的特征向量和特征值, 最后再将分析增量从控制变量空间投影到模式空间; (3) U h水平变换, 通过水平递归滤波来对经过前两步变换后仍然具有较大规模的水平空间上的误差矩阵进行变换, 获得反映 B矩阵水平特征的特征长度尺度, 同时进一步减小 B矩阵的规模。在本研究中控制变量方案采用WRFDA(Weather Research and Forecasting (WRF) model data assimilation)同化系统里直接将经向风U和纬向风V作为动力控制变量的CV7方案(Sun et al, 2016), 传统的采用流函数 Psi 和势函数 Chi作为动力控制变量的控制变量方案在大尺度的同化分析中通常能产生更优的分析效果, 而U-V方案则适用于更小尺度的同化分析(Xie et al, 2002)。除经向风和纬向风外CV7方案中的常规控制变量还有温度、 假相对湿度(定义为 Q / Q b , s, 其中 Q b , s是来自背景场的饱和比湿, 后文中相对湿度均指的是假相对湿度), 水凝物变量则包括云水、 云冰、 雨水、 雪水、 云霰, 此外还包括垂直速度。
图1 背景误差协方差计算流程图

Fig.1 Flow chart of background error covariance calculation

4 试验方案介绍

本研究在WRFv4.4版本的基础上开展, 两个个例的研究区域设置如图2所示[该图及文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS(2024)0650号的中国地图制作, 底图无修改], 网格数均为361 ×361, 水平分辨率为4 km, 垂直层41层, 模式层顶气压为20 hPa。同时物理参数化方案选取了: RRTMG长波和短波辐射方案(Iacono et al, 2008)、 WSM6类冰雹微物理参数化方案(Hong and Lim, 2006)、 Noah陆面过程方案(Chen and Dudhia, 2001)、 YSU行星边界层方案(Hong et al, 2006)。利用NCEP空间分辨率为0.25°的FNL(Final Operational Global Analysis)资料, 分别对发生在2022年8月12 -13日青藏高原东北边坡的一次强降水天气个例和发生于2022年9月中旬的台风“梅花”个例进行形势分析。本研究使用80个成员的集合预报样本计算背景误差协方差, 通过控制变量随机扰动法Random_CV(Barker, 2005; 陈耀登等, 2014b)随机扰动背景场得到初始扰动, 基于ETKF方法每6 h更新集合扰动, 基于混合同化每6 h更新集合平均。台风最佳路径数据来自CMA(China Meteorological Administration, 中国气象局)最佳路径数据集(Ying et al, 2014Lu et al, 2021), 3 h累积降水数据来自CMA陆面数据同化系统实时产品数据集(Shi et al, 2011Han et al, 2019)。
图2 台风“梅花”(a)和祁连山强降水(b)的研究区域设置

Fig.2 Research areas of Typhoon “Meihua” (a) and heavy precipitation in the Qilian Mountain (b)

5 台风和高原边坡对流个例

5.1  2022年台风“梅花”概况

2022年9月8日08:00(北京时, 下同), 在西北太平洋洋面上第12号台风“梅花”生成, 9日02:00增强为强热带风暴, 10日11:00加强为台风, 并在13日凌晨向东海南部海面移动, 于16日20:00在辽宁省北部强度减弱至温带气旋, 并停止编号。台风“梅花”分别在我国东部沿海以及东北地区多次登陆, 登陆时在登陆地区造成了强风和暴雨等恶劣天气。图3的500 hPa高度场中, 11日20:00高空环流场为两槽一脊, 槽分别位于我国新疆西部和小兴安岭西侧, 脊位于蒙古国地区, 副热带高压呈块状分布并北抬至日本附近。14日02:00 -14:00副高北部高压脊588 dagpm线延伸至我国东北地区, 此时台风“梅花”位于副高西南侧, 在东南引导气流作用下迅速向华东地区移动并于14日晚间在浙江登陆。之后副高明显东退且范围收缩, 台风“梅花”相对于副高的位置由底后部逐渐转为顶后部, 有利于台风在西南引导气流作用下迅速北上转向朝我国东北地区移动, 在东北地区造成强降水。
图3 各时次500 hPa位势高度(黑实线, 单位: dagpm, 加粗黑实线为588 dagpm等高线)和风场(风羽, 单位: m·s-1)分布(a) 2022年9月11日20:00, (b) 2022年9月14日02:00, (c) 2022年9月14日14:00, (d) 台风最佳路径图

Fig.3 Geopotential height (solid black line, Unit: dagpm, bold solid black line is 588 dagpm contour line) and wind (barb, unit: m·s-1) of 500 hPa at various times.(a) 20:00 on 11 September 2022, (b) 02:00 on 14 September 2022, (c) 14:00 on 14 September 2022, (d) the best track of the typhoon

5.2  2022年一次高原边坡对流概述

2022年8月12 -13日, 青藏高原东北边坡祁连山脉以北的河西走廊出现强对流天气, 对流性降水自西向东普遍存在。甘肃省中部和南部部分地区出现中到大雨(15.0~37.0 mm), 其中在酒泉市金塔县出现暴雨(50.0 mm以上), 局地出现大暴雨。降水在凌晨达到最大, 金塔县8月13日00:00 -03:00 3 h累积降水量超过25.0 mm(图4), 达到暴雨量级。
图4 2022年8月13日00:00 -03:00 3 h累积降水量空间分布(单位: mm)

Fig.4 Spatial distribution of accumulated precipitation in 3 hours from 00:00 to 03:00 on August 13, 2022.Unit: mm

本次河西走廊的强对流天气过程较以往更具有极端性和局地性, 其主要影响系统是: 西风带中受到南亚高压西北侧辐散风场扰动而加深发展的短波槽, 低层随西风槽东移的切变线以及地面冷锋, 同时青藏高原的热力作用对此次强降水的大气环流背景也有极大影响。在图5的200 hPa高度场上, 12日14:00南亚高压十分强盛, 脊线位于95°E附近, 此时南亚高压主体位于青藏高原上空, 属于夏季南亚高压两种模态之一的青藏高原模态(Wei et al, 2019傅朝等, 2022), 高原此时为强烈的热源。南压高压位置偏北, 对流层中层的青藏高压和西风带锋区也随之偏北。500 hPa高空图中, 12日14:00高纬度地区为两槽一脊形势, 槽分别位于巴尔喀什湖东侧和我国东北地区, 脊位于蒙古国地区, 西太副高此时与青藏高压合并, 588 dagpm线西伸至青海省西部。12日20:00祁连山地区处于槽前脊后、 副高西北侧, 槽前有强盛的西南气流, 500 hPa温度槽落后于高度槽, 槽前有冷平流, 对流层中层环境大气较为干冷, 祁连山地区上空大气上冷下暖形成不稳定层结。高空锋区位置偏北维持在42°N附近, 在锋区以南位于副高西侧的短波槽快速东移, 巴尔喀什湖槽前的平直气流加剧波动, 为祁连山地区强对流天气的产生提供了有利的环流形势。13日02:00, 南亚高压持续增强, 在高空辐散场的影响下西太副高迅速东退。500 hPa的短波槽发展东移, 槽前冷平流导致700 hPa切变线持续东移, 切变线以南的锋区加强, 在有利的环流形势下对流发展加强, 形成此次强对流天气。
图5 2022年8月12 -13日各时次位势高度(黑实线, 单位: dagpm)和风场(风羽, 单位: m·s-1)分布(a) 12T14:00 200 hPa, (b) 12T14:00 500 hPa, (c) 12T20:00 500 hPa, (d) 13T02:00 500 hPa

Fig.5 Geopotential height (solid black line, unit: dagpm, bold solid black line is 588 dagpm contour line) and wind (barb, unit: m·s-1) at various times from 12 to 13 August 2022.(a) 14:00 on August 12, 200 hPa; (b) 14:00 on August 12, 500 hPa; (c) 20:00 on August 12, 500 hPa; (d) 02:00 on August 13, 500 hPa

6 背景场误差特征分析

6.1 特征值

图6描述了在EOF空间各个模态上经向风、 纬向风、 温度和湿度四个常规控制变量的特征值。结果表明, 随模式态增加, 四个控制变量表现出类似的变化趋势。台风“梅花”和高原边坡强降水对流系统各控制变量的特征值在前几个模态中均比较大, 但随着模态数增加, 其特征值都有所下降, 在0~10模式态中两者特征值减小的速度最快, 在第20模式态后特征值逐步趋于0。对比台风和高原边坡对流, 在前十个模态, 除经向风U和纬向风V第一模态对应的特征值外, 高原边坡对流各个控制变量特征值均比台风的大, 其中温度和相对湿度两个变量的特征值数值差异较大, 高原边坡对流温度的第一模态对应的特征值超过台风的5倍, 相对湿度的第一模态对应的特征值接近台风的2倍。特征值是 B矩阵经过垂直变换得到的表征背景场误差协方差垂直分量大小的重要参数, 同时EOF空间模态按其方差贡献率从大到小排序, 排在前面的空间模态表征了误差协方差的主要特征, 由此说明高原边坡对流的背景场垂直误差较台风系统更显著, 对高原边坡对流系统的模拟效果差于台风系统。这一结果又表明在资料同化分析过程中, 高原边坡对流系统的观测资料将比台风系统占有更大权重, 对高原边坡对流系统的观测资料质量提出了更高的要求。
图6 各常规控制变量的特征值(a) 速度U, (b) 速度V, (c) 温度, (d) 相对湿度

Fig.6 Eigenvalue of each conventional control variable.(a) velocity U, (b) velocity V, (c) temperature, (d) relative humidity

图7为EOF空间各个模态上各水凝物控制变量及垂直速度的特征值。由图7可以看出, 两个对流系统的水凝物特征值量级均很小, 各水凝物随模式态有相似的变化趋势, 前几个模态的特征值较大, 而后随着EOF模态数增加特征值减小速率先快后慢直至减为0。对比台风系统和高原边坡对流系统中云水和雨水两水凝物变量, 台风的特征值均大于高原边坡对流, 其中雨水特征值的数值相差较大。对于云冰、 雪水和垂直速度的特征值则相反, 其中雪水和垂直速度特征值的数值相差较大。对于云霰的特征值, 前两个模态两系统相当, 从第三模态开始, 高原边坡对流略大于台风。水凝物控制变量特征值的大小表示了其背景场垂直误差的大小, 在台风中云水和雨水两个水凝物的背景场垂直误差较高原边坡对流显著, 即云水和雨水的模拟效果较高原边坡对流差。而高原边坡对流的云冰、 雪水、 云霰和垂直速度背景场垂直误差较台风显著, 所以在资料同化过程中对高原边坡对流系统的部分水凝物观测资料(如云冰、 雪水和云霰等)提出了更高的要求。与传统的控制变量相比, 每个水凝物的特征值都明显小于常规控制变量, 也就是说, 水凝物背景场垂直误差远远小于常规控制变量, 这与水凝物本身的量级也有关。
图7 各水凝物变量及垂直速度的特征值(a) 云水; (b) 云冰; (c) 雨水; (d) 雪水; (e) 云霰; (f) 垂直速度

Fig.7 Eigenvalue of each hydrometeor variable and vertical velocity.(a) cloud water, (b) cloud ice, (c) rain, (d) snow, (e) graupel, (f) vertical velocity

6.2 特征向量

图8描述了常规控制变量的第一特征向量沿垂直方向的分布。特征向量不仅表征了在垂直方向上背景场误差传播的分布, 同时还反映了其相关性。特征向量与特征值相对应, 根据特征值的大小进行排序, 其中第一特征向量能反映误差在垂直方向上最主要的特征(王叶红等, 2016)。关于速度U, 在模式低层台风系统的第一特征向量存在负的极值, 随着层数增大, 负值减小。高原边坡对流系统的第一特征向量在模式中低层(20层以下)存在正的极值, 在模式高层(30层以上), 两对流的第一特征向量值基本为0。关于速度V, 台风系统的第一特征向量极值出现在模式低层, 而高原边坡对流系统在模式的低层和中层分别存在负的和正的极值。由于速度U、 V分别代表经向风和纬向风, 说明在模式中低层风场的背景场误差垂直传播较强, 误差相关性较强。同时还说明模式对风场的模拟效果较差, 在同化分析中, 分析更靠近观测而远离背景场以此来优化风场的分析结果。台风系统和高原边坡对流系统温度的第一特征向量在低层均有极值出现, 而在中层几乎接近于0。由此说明台风系统和高原边坡对流的温度在中层垂直误差的传播几乎为0, 且在垂直方向上温度的背景场垂直误差传播衰减很快, 局地性很强, 也表明高层温度与低层温度相关性很小。对于相对湿度的第一特征向量, 台风系统在10层附近出现极值, 高原边坡对流系统在低层数值也较大, 由此表明低层水汽场垂直相关性较大, 由于台风系统和高原边坡对流系统的高层水汽很少, 几乎为0, 故在高层特征向量值很小近乎为0。
图8 各常规控制变量的第一特征向量(a) 速度U; (b) 速度V; (c) 温度; (d) 相对湿度

Fig.8 The first eigenvector of each conventional control variable.(a) velocity U, (b) velocity V, (c) temperature, (d) relative humidity

图9描述了各水凝物控制变量及垂直速度的第一特征向量沿垂直方向的分布。由图9可以看出, 除雨水外, 各水凝物变量的第一特征向量均呈现类似的分布特征, 在模式低层和高层几乎为0, 在中低层出现极值, 其中云水的极值出现在更低的模式层。雨水的第一特征向量在中低层均较大, 在中层出现极值, 可能是由于降水过程导致雨水在中低层广泛存在。在模式低层两个系统中云水的第一特征向量均有极值出现, 说明云水主要分布于模式低层。关于两系统中云霰的第一特征向量, 极值在低层出现但较云水高度更高, 即云霰的分布高度比云水更高。而对于云冰、 雪水和垂直速度, 两系统的第一特征向量极值均出现在中层, 在模式低层和高层第一特征向量值基本为0, 即云冰和雪水主要分布在模式中层, 同时在模式中层垂直速度误差较大, 可能是受到了水凝物的影响。由此说明在台风和高原边坡两个对流系统中, 水凝物主要存在于中低层, 在高层由于水汽很少几乎为0, 所以在高层水凝物的第一特征向量值基本为0, 即几乎没有水凝物分布在高层。而云冰、 雪水和云霰的形成要求较低的温度, 所以第一特征向量极值出现在中层, 在低层基本为0。
图9 各水凝物变量及垂直速度的第一特征向量(a) 云水; (b) 云冰; (c) 雨水; (d) 雪水; (e) 云霰; (f) 垂直速度

Fig.9 The first eigenvector of each hydrometeor variable and vertical velocity.(a) cloud water, (b) cloud ice, (c) rain, (d) snow, (e) graupel, (f) vertical velocity

6.3 水平特征长度尺度

在水平转换中, 经过递归滤波处理后可以得到一个重要的空间特征参数即特征长度尺度, 它不仅可以反映误差协方差水平方向上的相关关系, 同时其数值尺度代表了在同化分析中观测数据的影响范围(陈耀登等, 2023)。图10代表了常规控制变量的水平特征长度尺度, 由图可知, 相较于温度和相对湿度, 两个系统中速度U和V的特征长度尺度值更大, 即在同化分析过程中, 风场观测资料在同化结果中的作用范围更大。同时也进一步看出, 相较于风场两系统中温度和相对湿度水平尺度更小, 对模式的影响更具有局地性。相比于高原边坡对流系统, 台风系统各常规控制变量的特征长度尺度值均更大。两系统速度U、 V的特征长度尺度数值相差较大, 温度和相对湿度相差较小, 且两者具有类似的变化趋势。这一结果表明高原边坡对流系统的风场和热力场的水平尺度相较于台风系统更小, 同时说明在高原边坡对流系统的同化分析过程中, 其观测资料对同化结果的影响范围较台风系统更小, 更具有局地性。
图10 各常规控制变量的水平特征长度尺度(a) 速度U; (b) 速度V; (c) 温度; (d) 相对湿度

Fig.10 Horizontal characteristic length scale of each conventional control variable.(a) velocity U, (b) velocity V, (c) temperature, (d) relative humidity

图11表示的是各水凝物控制变量及垂直速度在两个对流系统中的水平特征长度尺度。从图11中可以看出, 云水和雨水的特征长度尺度较云冰、 雪水和云霰更小, 说明在同化时, 云水和雨水的观测较云冰、 雪水和云霰的观测影响范围更小, 也说明云水和雨水的水平尺度较小。对比台风和高原边坡对流系统, 除云霰第一模态, 台风系统各水凝物变量的水平特征长度尺度数值均大于高原边坡对流, 云水、 云冰和垂直速度差别较为显著。表明在同化过程中, 高原边坡对流系统的水凝物水平尺度更小, 水平上更具有局地性, 同时表明高原边坡对流系统导致的凝结现象作用范围有限。与常规控制变量相比, 水凝物变量的水平特征长度尺度的数值小得多, 平均水平特征长度尺度仅为8 km, 这意味着水凝物变量的水平尺度远小于常规控制变量, 同时这一结果也说明在同化分析过程中水凝物变量的观测对同化结果的作用范围有限, 且具有更强的局地性。
图11 各水凝物变量及垂直速度的水平特征长度尺度(a) 云水; (b) 云冰; (c) 雨水; (d) 雪水; (e) 云霰; (f) 垂直速度

Fig.11 Horizontal characteristic length scale of each hydrometeor variable and vertical velocity.(a) cloud water, (b) cloud ice, (c) rain, (d) snow, (e) graupel, (f) vertical velocity

7 结论

如何在同化系统中对背景场误差协方差信息进行合理计算或有效表示, 是做好资料同化的重要课题。本文选取了2022年8月12 -13日祁连山附近的强降水和2022年第12号台风“梅花”两个个例, 首先分析了两个个例发生时的环流形势, 接着利用对流尺度集合样本计算了两个个例的多元变量背景场误差协方差, 通过对比台风系统和高原边坡对流系统的常规控制变量和各水凝物控制变量的背景场误差协方差特征, 得出以下结论:
(1) 对比台风系统, 高原边坡对流系统常规控制变量和部分水凝物控制变量特征值更大, 背景场垂直误差更为显著, 在同化过程中模拟效果较差且其观测资料将占有更大比重。对比常规控制变量, 水凝物和垂直速度变量的背景场垂直误差相对较小, 这与其量级相关。
(2) 高原边坡对流系统和台风系统在中低层风场背景场垂直误差均较大, 说明模式对风场的模拟能力还有待进一步发展。在中层温度的背景场垂直误差很小, 且沿垂直方向上传播时衰减很快, 具有较强的局地性, 高低层温度之间的相关性不大。水凝物主要分布在中低层, 高层由于水汽很少几乎为0, 几乎没有水凝物存在。同时由于云冰、 雪水和云霰的形成要求较低的环境温度, 所以主要集中在中层。
(3) 风场的观测资料对同化结果的影响范围相对更大。与台风系统相比, 高原边坡对流的大气特征和水凝物以及垂直速度变量水平尺度更小, 其观测资料影响范围也更小更有局地性。由于水凝物和垂直速度变量的水平尺度远小于常规控制变量, 在同化分析时其观测资料影响范围也相对有限。
由于高原边坡对流系统背景场误差相对于台风系统更大, 同化效果更多地依赖于观测, 而卫星遥感能为高原地区提供连续的高分辨率的观测, 因此建立适用于高原地区的卫星资料同化方案, 充分并合理地利用卫星遥感中包含的高原边坡天气信息可能会对该地区的预报效果带来一定的改善。最后, 本文仅针对两个个例展开多元变量背景场误差协方差特征的研究, 由此来探究两个系统中各变量的背景场误差大小和模拟效果, 未来将基于业务需要选取更多的典型个例, 开展更为深入的对比分析, 以进一步讨论其多元变量背景场误差协方差特征。此外, 受青藏高原高海拔、 大地形等不确定因素影响, 该区域的大气结构与平原地区存在较大差异, 因此, 在未来的研究中也还需进一步考虑高原地形的影响以及对研究方案进行完善。
Barker D M2005.Southern high-latitude ensemble data assimilation in the Antarctic Mesoscale Prediction System[J].Monthly Weather Review133(12): 3431-3449.DOI: 10.1175/MWR3042.1 .

Bannister R N2008.A review of forecast error covariance statistics in atmospheric variational data assimilation.II: Modelling the forecast error covariance statistics[J].Quarterly Journal of the Royal Meteorological Society134(637): 1971-1996.DOI: 10.1002/qj.340 .

Bishop C H Etherton B J Majumdar S J2001.Adaptive sampling with the ensemble transforms Kalman Filter.Part I: theoretical aspects[J].Monthly Weather Review129(3): 420-436.DOI: 10.1175/1520-0493(2001)129<0420: ASWTET>2.0.CO; 2 .

Chen F Dudhia J2001.Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system.Part I: model implementation and sensitivity[J].Monthly Weather Review129(4): 569-585.DOI: 10.1175/1520-0493(2001)129<0569: CAALSH>2.0.CO; 2 .

Chen Y D Syed R H R Huang X Y, et al, 2013.Balance characteristics of multivariate background error covariances and their impact on analyses and forecasts in tropical and Arctic regions[J].Meteorology and Atmospheric Physics121(1-2): 79-98.DOI: 10. 1007/s00703-013-0251-y .

Chen Y D Zhang R Z Meng D M, et al, 2016.Variational assimilation of satellite cloud water/ice path and microphysics scheme sensitivity to the assimilation of a rainfall case[J].Advances In Atmospheric Sciences33(10): 1158-1170.DOI: 10.1007/s00376-016-6004-3 .

Descombes G Auligné T Vandenberghe F, et al, 2015.Generalized background error covariance matrix model (GEN_BE v2.0)[J].Geoscientific Model Development8(3): 669-696.DOI: 10. 5194/gmd-8-669-2015 .

Evensen G2003.The Ensemble Kalman Filter: theoretical formulation and practical implementation[J].Ocean Dynamics53(4): 343-367.DOI: 10.1007/s10236-003-0036-9 .

Gustafsson N Janjic T Schraff C, et al, 2018.Survey of data assimilation methods for convective-scale numerical weather prediction at operational centres[J].Quarterly Journal of the Royal Meteorological Society144(713): 1218-1256.DOI: 10.1002/qj.3179 .

Han S Shi C X Xu B, et al, 2019.Development and evaluation of hourly and kilometer resolution retrospective and real-time surface meteorological blended forcing dataset (SMBFD) in China[J].Journal of Meteorological Research33(6): 1168-1181.DOI: 10.1007/s13351-019-9042-9 .

Hong S Y Lim J J2006.The WRF single-moment 6-class microphysics scheme (WSM6)[J].Journal of the Korean Meteorological Society42(2): 129-151.

Hong S Y Noh Y Dudhia J2006.A new vertical diffusion package with an explicit treatment of entrainment processes[J].American Meteorological Society134(9): 2318-2341.DOI: 10.1175/MWR3199.1 .

Iacono M J Delamere J S Mlawer E J, et al, 2008.Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models[J].Journal of Geophysical Research: Atmospheres113(D13): D13103.DOI: 10.1029/2008JD009944 .

Lei L L Ge Y J X Tan Z M, et al, 2022.Evaluation of a regional ensemble data assimilation system for typhoon prediction[J].Advances in Atmospheric Sciences39(11): 1816-1832.DOI: 10.1007/s00376-022-1444-4 .

Lu X Q Yu H Ying Met al2021.Western North Pacific tropical cyclone database created by the China Meteorological Administration[J].Advances In Atmospheric Sciences38(4): 690-699.DOI: 10.1007/s00376-020-0211-7 .

Michel Y Auligné T Montmerle T2011.Heterogeneous convective-scale background error covariances with the inclusion of hydrometeor variables[J].Monthly Weather Review139(139): 2994-3015.DOI: 10.1175/2011MWR3632.1 .

Parrish D F Derber J C1992.The National Meteorological Center's spectral statistical-interpolation analysis system[J].Monthly Weather Review120(8): 1747-1763.DOI: 10.1175/1520-0493(1992)1202.0.CO; 2 .

Shi C X Xie Z H Qian H, et al, 2011.China land soil moisture EnKF data assimilation based on satellite remote sensing data[J].Science China Earth Sciences54(9): 1430-1440.DOI: 10. 1007/s11430-010-4160-3 .

Sun J Z Wang H L Tong W X, et al, 2016.Comparison of the impacts of momentum control variables on high-resolution variational data assimilation and precipitation forecasting[J].Monthly Weather Review144(1): 149-169.DOI: 10.1175/MWR-D-14-00205.1 .

Talagrand O1997.Assimilation of observations, an introduction[J].Journal of the Meteorological Society of Japan75(1): 191-209.DOI: 10.1175/1520-0469(1997)054<0679: OTRBTS>2.0.CO; 2 .

Wang X G Barker D M Snyder C, et al, 2008.A Hybrid ETKF-3DVAR data assimilation scheme for the WRF Model.Part I: observing system simulation experiment[J].Monthly Weather Review136(12): 5116-5131.DOI: 10.1175/2008MWR2444.1 .

Wei W Zhang R H Yang S, et al, 2019.Quasi-biweekly oscillation of the South Asian high and its role in connecting the Indian and East Asian summer rainfalls[J].Geophysical Research Letters46(24): 14742-14750.DOI: 10.1029/2019gl086180 .

Xie Y F Lu C G Browning G L2002.Impact of formulation of cost function and constraints on three-dimensional variational data assimilation[J].Monthly Weather Review130(10): 2433-2447.DOI: 10.1175/1520-0493(2002)130<2433: IOFOCF>2.0.CO; 2 .

Ying M Zhang W Yu H, et al, 2014.An overview of the China Meteorological Administration tropical cyclone database[J].Journal of Atmospheric and Oceanic Technology31(2): 287-301.DOI: 10.1175/JTECH-D-12-00119.1 .

Zhang L Tian X J Zhang H Q, et al, 2020.Impacts of Multigrid NLS-4DVar-based Doppler Radar observation assimilation on numerical simulations of landfalling typhoon Haikui (2012)[J].Advances in Atmospheric Sciences37(8): 873-892.DOI: 10.1007/s00376-020-9274-8 .

陈旭, 王磊, 李谢辉, 等, 2023.MWHS-2和MHS资料同化对三江源地区暴雨模拟影响的对比研究[J].高原气象42(6): 1386-1401.DOI: 10.7522/j.issn.1000-0534.2023.00024.Chen X

Wang L Li X H, et al, 2023.A comparative study on the impact of MWHS-2 and MHS data assimilation on the simulation of rainstorm in the Three Rivers Source Area[J].Plateau Meteorology42(6): 1386-1401.DOI: 10.7522/j.issn.1000-0534.2023.00024 .

曹小群, 黄思训, 张卫民, 等, 2008.区域三维变分同化中背景误差协方差的模拟[J].气象科学28(1): 8-14.DOI: 10.3969/j.issn.1009-0827.2008.01.002.Cao X Q

Huang S X Zhang W M, et al, 2008.Modeling background error covariance in regional 3D-VAR[J].Journal of the Meteorological Sciences28(1): 8-14.DOI: 10.3969/j.issn.1009-0827.2008.01.002 .

陈娴雅, 陈耀登, 孟德明, 2022.基于云依赖背景场误差协方差的雷达资料同化及对降雨预报影响研究[J].气象学报80(2): 243-256.DOI: 10.11676/qxxb2022.011.Chen X Y

Chen Y D Meng D M2022.Assimilation of radar data based on cloud-dependent background error covariance and its impact on rainfall forecasting[J].Acta Meteorologica Sinica80(2): 243-256.DOI: 10.11676/qxxb2022.011 .

陈耀登, 曾腊梅, Huang X Y, 等 , 2014a.纬度依赖背景场误差协方差及其对台风同化和预报的影响研究[J].热带气象学报30(4): 654-662.DOI: 10.3969/j.issn.1004-4965.2014.04.006.Chen Y D , ZengLM, HuangX Y, et al, 2014a.A study of latitude-dependent background error covariance and its impacts for typhoon data assimilation and forecast[J].Journal of Tropical Meteorology, 30(4): 654-662.DOI: 10.3969/j.issn.1004-4965.2014.04.006 .

陈耀登, 赵幸, 闵锦忠, 等, 2015.青藏高原和华东地区背景误差协方差特征的对比研究[J].大气科学学报38(5): 650-657.DOI: 10.13878/j.cnki.dqkxxb.20141021002.Chen Y D

Zhao X Min J Z, et al, 2015.Comparative analysis of characteristics for background error covariances in Tibetan Plateau and East China[J].Transactions of Atmospheric Sciences38(5): 650-657.DOI: 10.13878/j.cnki.dqkxxb.20141021002 .

陈耀登, 陈晓梦, 闵锦忠, 等, 2016.各向异性背景场误差协方差构建及在“凡亚比”台风的应用[J].海洋学报38(9): 32-45.DOI: 10.3969/j.issn.0253-4193.2016.09.004.Chen Y D

Chen X M Min J Z, et al, 2016.Anisotropic background error covariance modelling and its application in Typhoon Fanapi[J].Haiyang Xuebao38(9): 32-45.DOI: 10.3969/j.issn.0253-4193.2016.09.004 .

陈耀登, 夏雪, 闵锦忠, 等, 2017.背景误差协方差变量平衡特征及其对台风同化和预报的影响[J].热带气象学报33(3): 289-298.DOI: 10.16032/j.issn.1004-4965.2017.03.001.Chen Y D

Xia X Min J Z, et al, 2017.Balance characteristics of multivariate background error covariance for typhoon season and its impact on typhoon data assimilation and forecast[J].Journal of Tropical Meteorology33(3): 289-298.DOI: 10.16032/j.issn.1004-4965.2017.03.001 .

陈耀登, 郭闪, 王元兵, 等, 2020.基于优化样本组合的集合-变分混合同化方案研究[J].热带气象学报36(4): 464-476.DOI: 10.16032/j.issn.1004-4965.2020.043.Chen Y D

Guo S Wang Y B, et al, 2020.Study on ensemble-variation hybrid data assimilation based on optimized composite samples[J].Journal of Tropical Meteorology36(4): 464-476.DOI: 10.16032/j.issn.1004-4965.2020.043 .

陈耀登, 方奎明, 陈敏, 等, 2023.快速更新循环同化系统的背景场误差协方差日变化特征研究及初步应用[J].大气科学学报46(2): 259-270.DOI: 10.13878/j.cnki.dqkxxb.20210107002.Chen Y D

Fang K M Chen M, et al, 2023.Research on diurnal variation characteristics of background error covariances in rapid update cycling data assimilation and forecasting system and their impacts on preliminary applications[J].Transactions of Atmospheric Sciences46(2): 259-270.DOI: 10.13878/j.cnki.dqkxxb.20210107002 .

陈耀登, 王元兵, 闵锦忠, 等 , 2014b.一种控制变量循环扰动和多参数化方案的混合同化方法[J].大气科学学报37(6): 732-739.DOI: 10.13878/j.cnki.dqkxxb.20130923007.Chen Y D , WangYB, MinJZ, et al, 2014b.A hybrid assimilation method with control variable cycle perturbation and multi-physical parameterization[J].Transactions of Atmospheric Sciences, 37(6): 732-739.DOI: 10.13878/j.cnki.dqkxxb.20130923007 .

傅朝, 刘维成, 宋兴宇, 等, 2022.西北干旱区一次极端暴雨局地性增强的对流环境特征[J].干旱气象40(6): 909-921.DOI: 10.11755/j.issn.1006-7639(2022)-06-0909.Fu Z

Liu W C Song X Y, et al, 2022.Local enhanced convective environment characteristics of an extreme rainstorm event in arid region of Northwest China[J].Journal of Arid Meteorology40(6): 909-921.DOI: 10.11755/j.issn.1006-7639(2022)-06-0909 .

符梓霖, 王磊, 李谢辉, 等, 2024.卫星微波湿度计资料同化对雅鲁藏布江大峡谷暴雨模拟的影响[J].高原气象43(4): 883-894.DOI: 10.7522/j.issn.1000-0534.2023.00099.Fu Z L

Wang L Li X H, et al, 2024.Impact of Satellite Microwave Hygrometer Data Assimilation on the Yarlung Zangbo Grand Canyon Area Heavy Rain Simulation[J].Plateau Meteorology43(4): 883-894.DOI: 10.7522/j.issn.1000-0534.2023.00099 .

龚建东, 赵刚, 2006.全球资料同化中误差协方差三维结构的准确估计与应用Ⅱ: 背景误差协方差调整与数值试验分析[J].气象学报64(6): 684-698.DOI: 10.11676/qxxb2006.066.Gong J D

Zhao G2006.Accurate estimation and application of 3-d error covariance structures in global data assimilation Part Ⅱ: background error covariance structure adjustments and numerical experiments[J].Acta Meteorologica Sinica64(6): 684-698.DOI: 10.11676/qxxb2006.066 .

官元红, 周广庆, 陆维松, 等, 2007.资料同化方法的理论发展及应用综述[J].气象与减灾研究30(4): 1-8.DOI: 10.3969/j.issn.1007-9033.2007.04.001.Guan Y H

Zhou G Q Lu W S, et al, 2007.Theory development and application of data assimilation methods[J].Meteorology and Disaster Reduction Research30(04): 1-8.DOI: 10.3969/j.issn.1007-9033.2007.04.001 .

梁皓, 许冬梅, 束艾青, 等, 2023.葵花8号辐射率资料同化在一次川渝暴雨预报中的应用研究[J].高原气象42(6): 1478-1491.DOI: 10.7522/j.issn.1000-0534.2022.00112.Liang H

Xu D M Shu A Q, et al, 2023.The impact of assimilating Himawari-8 radiance data on the prediction of a severe storm over Sichuan-Chongqing Region[J].Plateau Meteorology42(6): 1478-1491.DOI: 10.7522j.issn.1000-0534.2022.00112 .

马旭林, 薛纪善, 陆维松, 2008.GRAPES全球集合预报的集合卡尔曼变换初始扰动方案初步研究[J].气象学报66(4): 526-536.DOI: 10.11676/qxxb2008.050.Ma X L

Xue J S Lu W S2008.Preliminary study on ensemble transforms Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction[J].Acta Meteorologica Sinica66(4): 526-536.DOI: 10.11676/qxxb2008.050 .

邱崇践, 2001.变分同化中使用背景场时尺度匹配的数值研究[J].大气科学25(1): 103-110.DOI: 10.3878/j.issn.1006-9895. 2001.01.10.Qiu C J , 2001.Matching scales of the retrieved variables with background scale in variational assimilation: a numerical study[J].Chinese Journal of Atmospheric Sciences, 25(1): 103-110.DOI: 10.3878/j.issn.1006-9895.2001.01.10 .

王元兵, 陈耀登, 闵锦忠, 等, 2016.ETKF协方差膨胀方案对WRFDA混合同化及预报的影响[J].高原气象35(2): 397-405.DOI: 10.7522/j.issn.1000-0534.2014.00147.Wang Y B

Chen Y D Min J Z, et al, 2016.Impact of different covariance inflation schemes of ETKF on WRFDA hybrid assimilation and forecast[J].Plateau Meteorology35(2): 397-405.DOI: 10.7522/j.issn.1000-0534.2014.00147 .

王叶红, 陈超君, 赵玉春, 等, 2016.华中区域模式三维变分中夏季背景误差协方差统计与对比试验[J].暴雨灾害35(4): 359-370.DOI: 10.3969/j.issn.1004-9045.2016.04.008.Wang Y H

Chen C J Zhao Y C, et al, 2016.Statistics and comparative experiments for summer background error covariance in 3DVAR of central China regional model[J].Torrential Rain and Disasters35(4): 359-370.DOI: 10.3969/j.issn.1004-9045.2016.04.008 .

王叶红, 赵玉春, 2018.不同背景场误差样本模拟方案对数值预报的影响——以“苏迪罗”台风为例[J].气象与环境学报34(6): 11-23.

Wang Y H Zhao Y C2018.Impacts of different background error samples simulation schemes on numerical forecast-taking typhoon "Soudelor" as an example[J].Journal of Meteorology and Environment34(6): 11-23.

薛建军, 贾朋群, 肖子牛, 2022.集合、 同化思想在大气科学中的渗透[J].气象科技进展12(6): 64-72.DOI: 10.3969/j.issn.2095-1973.2022.06.007.Xue J J

Jia P Q Xiao Z N2022.Application and progress of ensemble and assimilation for the atmospheric science[J].Advances in Meteorological Science and Technology12(6): 64-72.DOI: 10.3969/j.issn.2095-1973.2022.06.007 .

张明阳, 张立凤, 张斌, 等, 2015.集合变分混合同化背景误差协方差流依赖性分析[J].气象科学35(6): 728-736.DOI: 10.3969/2015jms.0069.Zhang M Y

Zhang L F Zhang B, et al, 2015.Flow-dependent characteristics of background error covariance in hybrid variational-ensemble data assimilation[J].Journal of the Meteorological Sciences35(6): 728-736.DOI: 10.3969/2015jms.0069 .

文章导航

/