谱模式四维变分资料同化并行算法设计

集合四维变分资料同化研究进展刘柏年;皇群博;张卫民;曹小群;赵军;赵延来【摘要】Accurate background error covariance is the foundation for all advanced data assimilation systems. For four dimensions data assimilation (4D-Var), assimilating the observation data is converted to a question of cost function minimization which is constricted by atmosphere dynamic model. By adjusting the control vectors, the distance between model trajectory and real time observations reached its minimal value over whole assimilation time window. As background error covariance evolves according to the adjoint and tangent linear model, it can adapt to rapid development weather. However, most of operational 4D-Var systems still adopt simi-climatic background error covariance model compromised by huge dimensionality, which can’t be exactly deifned with all available information. As the rapid development of computer science, the problem of dimensionality can be released by ensemble method. Ensemble four dimensionality data assimilation (En4DVar) employed several independent perturbed analysis forecast cycles to remedy the limited information synchronously. In this scheme, lfow-dependent background error covariance can be estimated from the differences between ensemble members. Several famous numeric prediction centers, such as ECMWF, Mete-France, adopted it to provide lfow-depended background error covariance for the high-resolution determined 4D-Var system. In this thesis, the basic theory of the En4DVar method is demonstrated brielfy, followedby a description of currently application at ECMWF, and focusing on the disturbing, filtering, calibration as well as other key techniques for helping to improve the precision of estimates. The last part presents an investigation of some issues in current operation and possibly future research ifelds in the En4DVar.%背景误差协方差矩阵的精确定义是构建高水平资料同化系统的先决条件。

四维变分方法范文四维变分方法（four-dimensional variational method）是一种用于气象、海洋和环境科学中数据同化的数值算法。

由于气象和海洋现象涉及三个空间维度和一个时间维度，因此需要四维方法来对这些现象进行建模和估计。

四维变分方法的目标是根据观测数据和数值模型，通过调整模型参数和初始条件来获取最佳的模型状态。

这是一个最优化问题，需要通过最小化代价函数来实现。

代价函数是模型输出和观测数据之间的误差函数，可以根据需要选择不同的误差度量方法。

四维变分方法的基本思想是将模型误差与观测误差同时考虑，并通过最小化它们的加权和来获得最佳的模型状态。

这是一个具有约束条件的最优化问题，通常使用拉格朗日乘子法来求解。

通过拉格朗日乘子法，可以将约束条件转化为代价函数中的惩罚项，从而将最优化问题转化为无约束问题。

四维变分方法的求解过程可以分为两个子问题：状态估计问题和参数估计问题。

状态估计问题是根据观测数据和数值模型，通过调整模型初始条件来获取最佳的模型状态。

这涉及到模型的演化过程，可以通过数值模拟方法来解决。

参数估计问题是根据观测数据和数值模型，通过调整模型参数来获取最佳的模型状态。

这涉及到模型的参数化过程，可以通过参数优化方法来解决。

在实际应用中，四维变分方法需要处理大量的观测数据和模型数据。

为了降低计算复杂度，可以使用一些近似方法，如将观测数据和模型数据分解为一系列小块，然后依次处理。

此外，为了提高算法的效率，还可以使用一些优化方法，如共轭梯度法和牛顿法等。

四维变分方法在气象、海洋和环境科学中具有广泛的应用。

它可以用于天气预报、气候模拟、污染扩散预测等问题。

通过将观测数据和数值模型相结合，四维变分方法可以提供更准确和可靠的估计结果，从而改善预报和模拟的精度。

总之，四维变分方法是一种用于数据同化的数值算法，通过最小化代价函数来获取最佳的模型状态。

它在气象、海洋和环境科学中具有广泛的应用，可以提供更准确和可靠的预报和模拟结果。

变分数据同化方法中背景误差协方差矩阵的统计特性研究摆玉龙;孟若玉;马真东;柴乾隆【摘要】变分数据同化方法中, 背景误差协方差矩阵 (简称B矩阵) 作为反映模型不同状态变量间关系的重要数学量, 对保证解的唯一性和分析值的平滑性具有重要意义.文中简述了B矩阵的结构特征和相关性质.针对难以获得真实B矩阵的情况, 采用National meteorological center (简称NMC) 方法对B矩阵进行了近似构造, 以Lorenz63模型和三维变分同化算法进行了同化试验, 验证了NMC方法的有效性, 讨论了B矩阵的数学特性和分布特征.%In variational data assimilation method, as an important mathematical quantity that can reflect the relationship between different state variables of model, background error covariance matrix has great significance to guarantee the uniqueness of solution and smoothness of analysis value.In this paper we have briefly described the structure features and properties of B matrix.For the cases where real B matrices are difficult to obtain, we use the national meteorological center (NMC) method to compute an approximation B matrix based on Lorenz-63model and to verify the effectiveness of NMC method.Then, we discussed the mathematical characteristics and distribution characteristic of B matrix according to the results.【期刊名称】《西北师范大学学报（自然科学版）》【年(卷),期】2019(055)001【总页数】5页(P50-54)【关键词】背景误差协方差;3D-Var;NMC方法;统计分析【作者】摆玉龙;孟若玉;马真东;柴乾隆【作者单位】西北师范大学物理与电子工程学院,甘肃兰州 730070;西北师范大学物理与电子工程学院,甘肃兰州 730070;西北师范大学物理与电子工程学院,甘肃兰州 730070;西北师范大学物理与电子工程学院,甘肃兰州 730070【正文语种】中文【中图分类】P437数据同化是近年来在大气、海洋和地球表层科学中快速发展的一种集成多源地理空间数据的新方法，其核心思想是在模型的动力框架内，融合不同来源和不同分辨率的直接与间接观测，将模型和各种观测算子集成为不断地依靠观测而自动调整模型轨迹，并且减小误差的预报系统[1].无论是基于最优控制理论的变分数据同化方法，还是基于最优估计理论的滤波类同化方法，承载先验信息的背景误差协方差矩阵对同化效果均起到决定性作用[2]，然而，实际情况中由于无法获得状态变量的真值而无法获得真实B矩阵，因此，合理估计B矩阵的量值和结构对提高数值预报水平具有重要意义.针对无法获取真实B矩阵的问题，Parrish和Derber等[3]提出了National meteorological center(简称NMC)方法，该方法的基本思想是在背景场误差无偏的假定下，利用同一时刻不同预报时效的预报值之差作为背景误差，以获得近似的先验信息.目前该方法已成功应用于北美和欧洲各大气象中心的业务预报中，并取得了良好的应用效果.近年来，NMC方法的应用和研究引起了广泛的关注，1998年Rabier等[4]指出NMC方法是基于背景误差协方差不随时间演变的假设，而实际的协方差是流相关的；2006年龚建东等[5]将NMC方法应用于T213L31模式中，结果表明NMC方法结果与更新矢量方法结果在大体特征上基本吻合；2008年曹小群等[6]利用NMC方法估计出区域3D-Var中需要用到的B 矩阵的相关统计量；2013年赵延来等[7]基于NMC方法利用WRF模式的预报差值场对相应特征量进行了统计模拟.文中介绍了背景误差协方差理论，采用NMC方法对先验信息进行了近似构造，以Lorenz-63为预报模型进行了敏感性数值试验，依据试验结果分析讨论了背景误差协方差的分布特征和统计特性.1 B矩阵理论背景误差协方差在数值预报系统中往往起到决定性作用，它不仅能够权衡背景初猜信息和观测信息的重要性，而且能够决定这些信息在空间的扩展方式.然而在实际的业务预报中，状态变量的真值是未知的，使得无法根据真值信息获取背景误差协方差.因此，只能采用估计的手段获得背景误差协方差.三维变分数据同化方法就是通过背景误差协方差来获取先验误差信息，利用背景误差协方差权衡背景信息和观测信息的重要性，在可行解空间寻得目标函数的最优解.三维变分方法等价于寻找目标函数的最优解[8]其中，X表示状态变量；H为观测算子，H(X)是用格点空间的模式变量求得观测点上的值；Xb为背景值；Yo为观测值；B为背景误差协方差矩阵；R为观测误差协方差矩阵.B矩阵直接决定观测值订正到背景场的程度.如果矩阵被高估了，背景项在目标函数中的作用就会变小，这样使得最小化主要针对观测项，而且会过分拟合观测场，忽略较好的背景信息.如果矩阵被低估了，观测项在目标函数中的作用就会变小，这使得最小化主要针对背景项.同样，如果过分拟合背景场，质量好的观测场的作用就会减弱.因此，变分同化方法中合理估计背景误差协方差对改善同化效果具有重要意义.通常情况下，采用(2)式对(1)式中的B矩阵进行求解:B=ηηT,(2)其中,·为求取预报误差的平均值；η=Xb-Xt，Xb为状态变量的背景值，Xt为状态变量的真实值.通过(2)式求解近似背景误差协方差时，往往要求预报误差是无偏的，即要求背景值充分接近真值.然而，实际情况中计算(2)式存在较多的困难，主要表现在：① 真值是未知的；② 状态变量的维数较大，使得B矩阵难以被精确描述.正因如此，只能利用统计方法在一定假设的基础上对背景误差协方差矩阵做出近似估计.2 NMC方法介绍针对B矩阵求解困难的问题，Parrish和Derber(1992)提出了运用NMC方法估计背景误差协方差，这种方法是在不同时效的模式预报值之间的差值能够代表预报误差的假定下，利用同一时刻、不同时效的预报值间积分差值计算得到预报误差.该方法的最大优点是有效地避免了直接观测所有网格上的全部信息，Parrish和Derber将B矩阵的计算概括为[3](X48-X24)(X48-X24)T,(3)其中，X48和X24分别表示状态变量在同一时刻分析时效为48 h和24 h预报值. 下面给出两次预报的计算表达式[3]其中，M为非线性预报模型；Xa为一定时刻的分析值.用两次预报之间的差值X48-X24来代替预报误差，即假定它包含了类似于预报误差的单变量和多变量结构.为了探讨预报误差协方差和预报差异之间的相互关系，重新给出含有误差项的预报表达式其中，η48/24为随机误差；b48/24为每次预报产生偏差.模型预报过程中，假定每次预报产生的偏差均相同，即b48=b24，则预报差值可以表示为δX=X48-X24=η48-η24,(8)同时，假定预报误差η48和η24是不相关的，且具有相同的误差协方差η，而增量δX的误差协方差是背景误差协方差B矩阵的两倍.3 数值试验本节以Lorenz-63为预报模型，以三维变分方法为数据同化算法进行数据同化试验.Lorenz-63模型为研究流体有限振幅对流时提出的非线性谱模式[9-11]，常用于检验数据同化算法的有效性.具体模型表达式为其中，σ,r和b为系统的物理参数，试验中设置其参数为.σ=10,r=28,b=8/3.3.1 背景误差协方差的统计特性试验同化试验中设置初始场变量[X,Y,Z]的取值为[1.518，-1.541，25.661]，同化窗口长度为8，在不考虑模型误差和观测误差的情况下运行Lorenz模型得到状态变量的模拟真值，再在真值的基础上加入方差为2的高斯噪声形成带噪声的观测数据.为了探讨常规方法与NMC方法构建背景误差协方差矩阵时的区别，按照“获取同一时刻不同时效预报值”的思想进行同化试验得到两组不同的预报矩阵statef-1和statef-2，状态变量的真值向量为state，其示意图如图1所示.试验中时间增量为0.01，模拟步长为2 000，区间为0～20，试验中各状态变量的不同数组维数均为2 000×3.利用两种不同的计算方法对以上各个数组进行运算，分别获得常规方法和NMC方法计算得到的背景误差协方差1)利用预报(statef-1)和真值(state)计算得到背景误差协方差矩阵(常规方法).图1 同一时刻不同时效示意图Fig 1 Different effects schematic diagram from the same time2)利用两次预报(statef-1,statef-2)计算得到背景误差协方差矩阵(NMC方法).图2给出了预报值和真值间的误差分布，即通过常规方法得到的背景误差.图3给出了两次预报值间的误差，即通过NMC方法计算得到的背景误差.图2 常规方法计算的背景误差Fig 2Background error calculated by routine method图3 NMC方法计算的背景误差Fig 3Background error calculated by NMC method分析比较图2与图3中数值分布情况，可以发现二者在数值上十分接近，表明利用NMC方法估计得到的背景误差与利用常规方法计算得到的背景误差近似相同，即利用NMC方法获取背景误差是可行的，并且可以避免实际数据同化系统中状态变量真值难以确定和维数较大的困难.为了探讨Lorenz-63混沌系统各状态变量间的相关性和误差分布特性，按照状态变量X,Y,Z真值的取值情况，将状态变量X,Y,Z分别划分为20个不同的小区间：X的区间为[-20∶2∶20)，即[-20,-18),[-18,-16),…,[16,18),[18,20);Y的区间为[-20∶2∶20)，即[-20,-18),[-18,-16),…,[16,18),[18,20);Z的区间为[4∶2∶44)，即[4,6),[6,8),…,[40,42),[42,44).然后根据以上区间的数值计算状态变量之间的协方差，如求解X和Y的背景误差协方差，用X的一个子区间(如[-20,-18)，分别对应Y的20个子区间[-20,-18),[-18,-16),…,[16,18),[18,20).再按照一定的逻辑关系将相应位置对应到所求变量之间的误差上，求解出一个误差协方差值.运用以上方法可以计算各状态变量间误差协方差，利用色块图的形式显示误差协方差的分布情况，如图4和图5所示.分析比较图4和图5，可以看出，利用两种方法计算得到的XY间的误差协方差分布情况大致相同，绝大部分协方差值略大于零，且呈均匀分布，表明X和Y两变量是正相关的，变化趋势一致.此外，状态变量X取值为±10时，两图在相应位置均出现了空格，即表明变量X、Y在此处是不相关的.从图5可以看出，XY预报值间的误差协方差主要分布在0～0.5之间，与图4相比，图5表示的误差协方差值更集中.图4和图5中误差协方差的分布情况表明,预报值和预报值之间的误差协方差优于预报值和真值之间的误差协方差，即NMC方法计算背景误差协方差要优于常规方法.试验同时得到了分别用两种方法计算获取的XZ和YZ间的误差协方差，其试验结果与XY的误差协方差相似，均表明预报值和预报值之间的误差协方差优于预报值和真值之间的误差协方差.图4 XY预报值和真值间的误差协方差(常规方法)Fig 4 Error covariance between predictive value and true value from XY(routine method)图5 XY预报值间的误差协方差(NMC方法)Fig 5 Error covariance between different forcast values from XY(NMC method)3.2 状态变量维数和同化窗口宽度对同化效果的影响下面，设置敏感性数值实验，来探究同化变量维数和同化窗口宽度对背景误差协方差的影响.图6(a)～(c)分别表示的是一维、二维和三维情况下的背景误差协方差，表1给出了不同窗口宽度以及不同维数下的背景误差协方差.通过图6以及表1可以看出，多变量的背景误差协方差的均方根较单变量要小得多，总体来讲，多维背景误差协方差能够很好地减小背景误差.同样，随着同化窗口宽度的增加，背景误差协方差也会变得很大.因此，在同化过程中适当的窗口宽度对同化效果具有显著的作用.4 结束语文中讨论了B矩阵在数据同化中的重要作用，通过数值实验分析得到B矩阵的各维分布特征及其相关程度，同时针对变量维数和同化窗口宽度，讨论了二者对背景误差协方差的影响.如今，世界上很多主要的数值天气预报中心都在使用变分数据同化来进行天气预报，而背景误差统计的精确认识对同化过程的成功非常重要，因此背景误差统计的研究在过去的十几年里受到了极大的关注，涌现出大量有关背景误差统计的研究成果，包括背景误差统计的属性、影响同化的具体方式、测量方式以及在实用环境中的建模应用.目前，背景误差的研究主要集中在其统计方法和相关模型上.研究的困难在于背景误差协方差的研究总是建立在一定假设和近似的基础上，如各向同性的假设，而实际的背景误差协方差结构并不完全满足这些条件.因此，如何得到更合理、真实的背景误差协方差需要更深一步的探究.图6 NMC方法计算的变量XY的背景误差协方差Fig 6 Background error covariance of XY variables calculated by NMC method表1 同化窗口长度对背景误差协方差的影响Tab 1 The effect of background error covariance on assimilation window length背景/分析误差RMSE分析场均值bst=8bst=25RMSE背景场均值bst=8bst=25X1.365 7003.322 571.591 6304.507 98XY0.697 5221.515970.807 5902.166 89XYZ0.618 6571.016 970.743 9221.871 51参考文献:【相关文献】[1] LI Xin,HUANG Chun-lin,CHE Tao,et al.Development of a Chinese land data assimilation system:its progress and prospects[J].Progress in Natural Science,2007,17(8):881.[2] 摆玉龙,李新,韩旭军.陆面数据同化系统误差问题研究综述[J].地球科学进展,2011,26(8):795.[3] PARRISH D F.The national meteorological center’s spectral-statistical interpolation analysis system[J].Monthly Weather Review,1992,120(120):62.[4] RABIER F,MCNALLY A,ANDERSSON E,et al.The ECMWF implementation of three-dimensional variational assimilation(3D-Var).II:Structure functions[J].Quarterly Journal of the Royal Meteorological Society,1998,124:1809.[5] JIANDONG G,GANG Z.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 Sinica,2006,64(6):684. [6] 曹小群,黄思训,张卫民,等.区域三维变分同化中背景误差协方差的模拟[J].气象科学,2008,28(1):12.[7] 赵延来,黄思训,张维峰,等.三维变分同化中多变量平衡约束设计[J].大气科学学报,2013,36(3):277.[8] LORENC A C.Analysis methods for numerical weather prediction[J].Quarterly Journal of the Royal Meteorological Society，1986,112:1177.[9] LORENZ E N.Deterministic nonperiodic flows[J].Journal of AtmosphericSciences,1963,20(3):130.[10] KALMAN R E.A new approach to linear filtering and predicationproblems[J].Transactions of the ASME-Journal of Basic Engineering Series D,1960,82(2):35.[11] KALNAY E.Atmospheric Modeling:Data Assimilation andPredictability[M].Cambridge:Cambridge University Press,2003.。

数值预报中气象卫星资料同化前处理技术进展马刚;黄静;巩欣亚;希爽;薛蕾;李娟;张鹏;龚建东【期刊名称】《应用气象学报》【年(卷),期】2024(35)2【摘要】在数值天气预报变分同化中,利用同化前处理将卫星资料完成有效信息优选、资料拼接和稀疏化、初级通道选择、下边界参数耦合等处理,实现卫星资料同化对数值天气预报业务的正贡献,是决定海量卫星资料同化效率、质量和效果的重要环节。

针对多种格式的卫星资料,中国气象局研发标准格式的高时效卫星资料拼接等技术,有效减小整轨卫星资料时间滞后对数值天气预报业务的负面影响。

对于风云气象卫星资料,将云和降水检测、资料质量分析等处理置于同化前处理中,实现多光谱资料融合的同化预质量控制,保证了风云卫星微波温度探测资料和红外高光谱资料的同化正贡献。

利用统一资料格式对预处理卫星资料进行再处理,拓展针对卫星成像和主动探测资料的处理,将卫星资料同化的部分质量控制功能置于卫星资料同化前处理中,是风云卫星资料同化前处理技术发展的重要趋势。

【总页数】14页(P142-155)【作者】马刚;黄静;巩欣亚;希爽;薛蕾;李娟;张鹏;龚建东【作者单位】中国气象局地球系统数值预报中心;中国气象局地球系统数值预报重点开放实验室;中国气象科学研究院灾害天气国家重点实验室;国家卫星气象中心;国家气象信息中心【正文语种】中文【中图分类】TN9【相关文献】1.WRF数值预报模式气象资料的同化处理与对比分析2.气象卫星探测资料在数值天气预报中的应用3.资料同化中的伴随方法及在数值天气预报中的应用4.数值天气预报中集合-变分混合资料同化及其研究进展5.雷达资料快速更新四维变分同化中增加地面资料同化对强对流临近数值预报的影响因版权原因，仅展示原文概要，查看原文内容请购买。

国外几套再分析资料的对比与分析邓小花;翟盘茂;袁春红【摘要】针对目前最主要的3种再分析资料NCEP、ECMWF、JMA,从各家再分析中心所采用的同化方案、所用到的数据、质量控制方法及相关的偏差校正方法方面,进行相关介绍和对比,以便对再分析资料的特点有更为充分的了解,对我国未来再分析工作的发展起到借鉴作用.通过对比发现,各家再分析中心采用的同化方案主要为三维、四维变分方法和最优插值法.各家最主要的差别在于所选用的数据类型不同,以及所采用模式在分辨率上的差异.此外,还从经验出发简要给出了各类再分析资料在不同方面的优缺点,从而为各类再分析资料的选择使用方面提供参考.简单陈述了国内再分析工作的进展,并给出了提高我国再分析工作质量所需要关注和亟待解决的问题.【期刊名称】《气象科技》【年(卷),期】2010(038)001【总页数】8页(P1-8)【关键词】再分析资料;对比分析;NCEP;ECMWF;JMA【作者】邓小花;翟盘茂;袁春红【作者单位】中国气象科学研究院,北京,100081;国家海洋环境预报中心,北京,100081;国家气候中心,北京,100081;中国气象科学研究院,北京,100081【正文语种】中文引言在当前的气候及相关科学研究中,如气候的年际变率、数值模拟等,再分析资料已经成为一种最主要的资料来源。

最初,再分析计划只是美国气象中心气候数据同化系统的一个“副产品”。

后因业务需求,对全球数据同化系统的某些参数做了一些改变,却导致了明显的“气候变化”。

这些气候参数的骤变在一定程度上有可能掩盖真实的短期气候变化和年际气候变率的信号。

而观测系统及一些观测手段的变更,如新型卫星资料的引入等使得不同时期的资料种类和来源不同,以及采用的同化系统各有不同,很容易产生一些不是因为气候本身真实发生变化却又出现“气候变化”的现象。

因此,极有必要利用同一套再分析系统对以前的资料进行同化,并延续下去。

只有运用这样一套长时间段内未发生变化的数据同化系统,气候研究者才能通过相关对比,来判断当前的气候是否确实异常。

第５１卷　第１期 激光与红外Ｖｏｌ．５１，Ｎｏ．１　２０２１年１月 ＬＡＳＥＲ　＆　ＩＮＦＲＡＲＥＤＪａｎｕａｒｙ，２０２１ 文章编号：１００１ ５０７８（２０２１）０１ ０００３ ０６·综述与评论·多普勒激光雷达风场反演研究进展左金辉，贾豫东（北京信息科技大学仪器科学与光电工程学院，北京１００１９２）摘　要：多普勒激光雷达因高精度测量、高空分辨率等特点对晴空天气的风场探测具有重要应用价值，但多普勒激光雷达只能获取径向风速，必需进行风场反演。

介绍了单部和多部多普勒激光雷达的风场反演技术的国内外进展及优缺点，其风场反演算法主要在微波雷达的基础上进行优化和创新。

结果表明，单部多普勒激光雷达中变分方法是最有前途的方法；早期多部雷达普遍存在同一性的问题，对多部多普勒激光雷达也没有提出更有效的方法，变分方法的提出使得单部雷达和多部雷达不再有根本的区别，同化方法成为今后的研究重点（典型方法是变分同化）。

关键词：多普勒激光雷达；风场反演；变分同化中图分类号：ＴＮ９５８．９８ 文献标识码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ ５０７８．２０２１．０１．００１ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｉｎｗｉｎｄｆｉｅｌｄｉｎｖｅｒｓｉｏｎｏｆＤｏｐｐｌｅｒｌｉｄａｒＺＵＯＪｉｎ ｈｕｉ，ＪＩＡＹｕ ｄｏｎｇ（ＩｎｓｔｉｔｕｔｅｏｆＩｎｓｔｒｕｍｅｎｔＳｃｉｅｎｃｅａｎｄＰｈｏｔｏｅｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｊｉｎｇＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｄｏｐｐｌｅｒｌｉｄａｒｈａｓｉｍｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｆｏｒｄｅｔｅｃｔｉｎｇｗｉｎｄｆｉｅｌｄｉｎｃｌｅａｒｓｋｙｂｅｃａｕｓｅｏｆｉｔｓｈｉｇｈｐｒｅｃｉ ｓｉｏｎｍｅａｓｕｒｅｍｅｎｔａｎｄｈｉｇｈｒｅｓｏｌｕｔｉｏｎ．Ｈｏｗｅｖｅｒ，Ｄｏｐｐｌｅｒｌｉｄａｒｃａｎｏｎｌｙｏｂｔａｉｎｒａｄｉａｌｗｉｎｄｓｐｅｅｄ，ｓｏｉｔｉｓｎｅｃｅｓｓａｒｙｔｏｃａｒｒｙｏｕｔｗｉｎｄｆｉｅｌｄｉｎｖｅｒｓｉｏｎ．Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｖｅｌｏｐｍｅｎｔ，ａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｗｉｎｄｆｉｅｌｄｉｎ ｖｅｒｓｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｓｉｎｇｌｅＤｏｐｐｌｅｒｌｉｄａｒａｎｄｍｕｌｔｉ Ｄｏｐｐｌｅｒｌｉｄａｒａｔｈｏｍｅａｎｄａｂｒｏａｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｖａｒｉａ ｔｉｏｎａｌｍｅｔｈｏｄｉｓｔｈｅｍｏｓｔｐｒｏｍｉｓｉｎｇｍｅｔｈｏｄｉｎｔｈｅｓｉｎｇｌｅＤｏｐｐｌｅｒｌｉｄａｒａｎｄｍａｎｙｒａｄａｒｓｈａｄｔｈｅｓａｍｅｐｒｏｂｌｅｍｉｎｔｈｅｅａｒｌｙｓｔａｇｅ，ｔｈｅｒｅｗａｓｎｏｍｏｒｅｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｆｏｒｔｈｅｍｕｌｔｉ Ｄｏｐｐｌｅｒｌｉｄａｒ，ｗｉｔｈｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｖａｒｉａｔｉｏｎａｌｍｅｔｈｏｄ，ｔｈｅｒｅｉｓｎｏｆｕｎｄａｍｅｎｔａｌｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｓｉｎｇｌｅｒａｄａｒａｎｄｍｕｌｔｉ ｒａｄａｒ，ａｎｄｔｈｅａｓｓｉｍｉｌａｔｉｏｎｍｅｔｈｏｄｂｅｃｏｍｅｓｔｈｅｆｏ ｃｕｓｏｆｆｕｔｕｒｅｒｅｓｅａｒｃｈ（ｔｈｅｔｙｐｉｃａｌｍｅｔｈｏｄｉｓｖａｒｉａｔｉｏｎａｌａｓｓｉｍｉｌａｔｉｏｎ）．Ｋｅｙｗｏｒｄｓ：Ｄｏｐｐｌｅｒｌｉｄａｒ；ｗｉｎｄｆｉｅｌｄｉｎｖｅｒｓｉｏｎ；ｖａｒｉａｔｉｏｎａｌａｓｓｉｍｉｌａｔｉｏｎ基金项目：中国科学院战略性先导科技专项（Ａ类）（Ｎｏ．ＸＤＡ１７０１０４０１）资助。

AMSU-A全空辐射率资料同化对台风“天鸽”的预报影响研究张涛; 姜立鹏; 师春香; 周自江【期刊名称】《《大气科学学报》》【年(卷),期】2019(042)005【总页数】10页(P705-714)【关键词】资料同化; 全空辐射率; AMSU-A; 台风; 天鸽【作者】张涛; 姜立鹏; 师春香; 周自江【作者单位】国家气象信息中心北京100081【正文语种】中文近年来,随着卫星遥感技术、同化方法、辐射传输模式、数值模式等方面的不断发展,不同平台不同探测方式的卫星资料同化得到了越来越深入的研究(李刚等,2016a;钟亦鸣等,2016;夏宇等,2018)。

在全球大多数的数值天气预报系统中,卫星资料占据了所有同化资料的90%～95%(Bauer et al.,2010;钟亦鸣等,2016)。

然而由于云和降水的影响,超过75%的卫星资料在质量控制时被剔除掉(官莉和陆文婧,2016;Wang et al.,2018a)。

但这并不意味着这些卫星辐射率资料不重要,而是因为它们在数值模式中的使用存在着一定的难度(李刚等,2016b)。

对于卫星观测资料来说,受到云和降水影响的资料信息很难从主要的观测量(如温度和湿度)中剥离出来(Bauer et al.,2011)。

云和降水的发生发展过程往往显示出一些天气过程的重要动力及热力特征,并且模式在预报过程中也对初始场中云水信息较为敏感。

开展对受云和降水影响的卫星资料的同化研究,实现卫星资料的全空同化,对提高资料同化水平,改善数值天气预报效果尤为重要。

2009年3月以来,SSM/I和地球观测系统高级微波扫描辐射计(AMSR-E)的全空微波辐射数据已经被直接同化到ECMWF的业务4DVar资料同化系统(Bauer et al.,2010;Geer et al.,2010)。

随着通用辐射传输模式(CRTM)和预报模式的改进,NCEP在全空微波辐射同化方面取得很大进展,AMSU-A全空辐射率同化自2016年5月12日开始业务化运行(Zhu et al.,2016)。