下载文档原格式
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。
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。
变分同化方法我想跟你聊聊一个超级酷的东西，那就是变分同化方法。
这玩意儿听起来是不是就有点高大上？可别被它的名字吓到，其实它就像一个超级智慧的桥梁，把不同的世界连接起来。
我有个朋友叫小李，他是个气象学爱好者。
有一天，我们坐在一起聊天，他就跟我大吐苦水。
他说啊，你看气象预报这事儿，想要准确可太难了。
气象模型倒是有不少，可那些观测到的数据呢，就像一盘散沙，很难直接和模型完美匹配起来。
这时候，我就给他讲了变分同化方法。
变分同化方法就像是一个超级厨师，观测数据是食材，气象模型是菜谱。
厨师要做的就是根据菜谱的要求，巧妙地把食材融合进去，做出一道美味佳肴，也就是准确的气象预报。
比如说，气象模型可能对大气的各种状态有一个理论上的框架，就像菜谱告诉你菜应该怎么做。
但是实际观测到的数据呢，就像你从菜市场买回来的那些食材，可能形状、大小、新鲜度都不一样。
变分同化方法这个超级厨师，就能根据模型的需求，把这些观测数据进行调整、优化，让它们能够完美地融入到模型里。
再举个例子，假如我们把气象系统想象成一个巨大的交响乐团。
每个乐器就像是气象中的一个要素，比如说温度就像小提琴，风速像长笛，湿度像大提琴。
而气象模型呢，就是这个乐团的总谱。
乐团指挥想要让这个乐团演奏出美妙的音乐，也就是让气象模型准确地反映气象状况。
可是每个乐器手的演奏水平和风格都不一样，这就好比是我们观测到的数据参差不齐。
这时候变分同化方法就像是一个超级指挥助理，它帮助指挥去调整每个乐器手的演奏方式，让他们按照总谱的要求，和谐地演奏出美妙的音乐。
这也就是让观测数据和气象模型完美结合起来。
那这个变分同化方法具体是怎么工作的呢？它其实是在一个数学的空间里进行优化。
就好像在一个巨大的迷宫里找宝藏，这个宝藏就是让观测数据和模型之间的差异最小化的那一点。
它通过不断地计算、调整，就像在迷宫里不断地试错一样，找到最合适的路径，也就是找到让数据和模型最匹配的状态。
我还有个在环境科学领域工作的同学小王。
基于CMA-MESO三维变分系统的化学同化框架设计及气溶胶观测的初步分析预报试验基于CMA-MESO三维变分系统的化学同化框架设计及气溶胶观测的初步分析预报试验近年来，气溶胶观测和模拟的研究与应用得到了越来越多的关注。
气溶胶是指在空气中悬浮的微小颗粒，它们对空气质量、天气、气候变化甚至人类健康都具有重要影响。
因此，准确模拟和预报气溶胶的分布变化对于提高空气质量和气候预测能力至关重要。
为了更准确地模拟和预报气溶胶的分布变化，科学家们开发了一种基于CMA-MESO（Comprehensive Modal Aerosol Model-Multi-grid Multi-scale Atmospheric Environment and Climate Model System）三维变分系统的化学同化框架。
这个系统结合了数值模式和真实观测数据，利用数据同化技术将观测数据与模式模拟结果进行融合，并通过反演过程修正模式的参数，从而提高气溶胶观测和模拟的精度。
首先，CMA-MESO模式是一种多尺度、多网格的大气环境和气候模式，能够模拟和预测全球、区域甚至城市尺度的气溶胶分布。
在这个模式的基础上，通过引入化学同化框架，可以利用观测数据修正模拟结果，从而减小预测误差。
其次，化学同化框架的核心是数据同化技术。
数据同化是一种将观测数据和模式模拟结果结合起来的方法，可以利用观测数据对模式进行校正。
在气溶胶观测研究中，通过测量气溶胶浓度、粒径和化学成分等参数，可以获取大量观测数据。
这些观测数据与模式模拟结果进行对比，利用数值优化算法推测模式的参数，并修正模拟结果，使其更符合实际情况。
最后，通过对化学同化框架进行试验，可以对气溶胶观测进行初步分析预报。
试验包括以下步骤：首先，收集气溶胶观测数据，并对数据进行预处理和质量控制。
然后，利用CMA-MESO模式进行气溶胶的模拟，得到模拟结果。
接下来，利用数据同化技术将观测数据与模拟结果进行融合，修正模拟参数，并得到更精确的气溶胶分布模拟结果。
一种新的资料同化方法王斌;赵颖【期刊名称】《气象学报》【年(卷),期】2005(063)005【摘要】为寻求一种快速有效的四维变分资料同化(英文缩写4DVar)作了有意义的尝试,提出了映射观测的新概念和反向四维变分资料同化的新思路,并以此为基础建立了三维变分映射资料同化(英文缩写为3DVM:3-DimensionalVariational data assimilation of Mapped observation).该方法与传统的四维变分资料同化一样,不仅考虑了模式的动力和物理约束,使得同化后的初值与模式协调,而且通过模式方程对同化窗口中不同时刻的观测资料作了最佳拟合.与传统四维变分同化方法不同的是,由3DVM得到的初值不在同化窗口的始端,而在窗口的末端.正是所求初值时刻的改变,使得该方法的计算代价大大减少,几乎与三维变分资料同化(英文缩写3DVar)相当,这实际上是用3DVar的代价实现了4DVar的功能.同时,由于3DVM 不再需要切线性和伴随近似来计算代价函数的梯度也提高了同化的精度.对具体的台风个例(Dan)用AMSU-A反演的温度场进行变分同化模拟试验,发现3DVM能比传统4DVar产生更好的初值,而且所花计算时间只需4DVar的1/7.【总页数】8页(P694-701)【作者】王斌;赵颖【作者单位】中国科学院大气物理研究所,LASG,北京,100029;解放军理工大学理学院,南京,211101【正文语种】中文【中图分类】P4【相关文献】1.内加工--一种新的加工理念和一类新的成形方法 [J], 师汉民2.一种新的剩余油研究方法在南泥湾油田新窑区的应用 [J], 李新3.一种基于预报集合的降维资料同化方法的数值试验研究 [J], 邵爱梅;邱崇践4.云分辨尺度下一种综合调整水物质含量的闪电资料同化方法 [J], 陈志雄;郄秀书;田野;王东方;袁善锋5.看邵东三中怎样抓德育——一个新的理念一套新的方法一种新的思考 [J], 刘际雄;彭中华;李茂林因版权原因，仅展示原文概要，查看原文内容请购买。
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)。
