En ny metode til at generere indledende forstyrrelser i ensemblet

Atmosfæren er et kaotisk system, og selv ubetydelige indledende fejl vil give anledning til en gradvis afvigelse af prognosetilstanden fra den sande vej, til sidst resulterede i kaos. Det betyder, at vejret har en forudsigelighedsgrænse, ud over hvilken prognoser vil miste al nøjagtighed. Baseret på dette, enhver enkelt prognose er blot et skøn over atmosfærens fremtidige tilstand inden for en stokastisk ramme, men giver ingen oplysninger om dets pålidelighed. Ensemble-forudsigelse tilbyder én tilgang til at generere probabilistiske prognoser for systemets fremtidige tilstand baseret på en statistisk stikprøvetilgang.

I de sidste to årtier, ensemble prognoser er gået betydeligt frem, og er nu en kraftfuld tilgang, der forbedrer numerisk vejrudsigt. Det grundlæggende princip for genereringen af ​​indledende ensemblemedlemmer er at prøve usikkerheden i forbindelse med den indledende analyse. Forskellige ensemblegenereringsskemaer baseret på teori om dynamisk fejlvækst er blevet testet og brugt i vejrudsigelsescentre; for eksempel, den fremavlede vektor (BV) metode, der anvendes ved NCEP, og singular vektor (SV) metoden ved ECMWF. For nylig, data assimilation (DA) ordninger blev yderligere kombineret med de dynamiske metoder for bedre at prøve analyseusikkerhederne, såsom i ensemble transform Kalman filter (ETKF) ordningen.

I et papir på forsiden af Fremskridt inden for atmosfæriske videnskaber , Dr. Ruiqiang Ding fra CAS Institute of Atmospheric Physics og hans medforfattere udvidede definitionen af ​​NLLE fra en- til n-dimensionelle spektre, og demonstrere NLLE-spektrets overlegenhed ved at estimere forudsigeligheden af ​​kaotiske systemer sammenlignet med det traditionelle Lyapunov-eksponentspektrum. Ud over at estimere forudsigeligheden af ​​kaotiske systemer, en anden vigtig anvendelse af NLLE-metoden er at tilvejebringe indledende forstyrrelser til ensemble-prognose. Resultaterne indikerer, at NLLE-ordningen har lignende ensemble-forudsigelsesevner som ETKF-ordningen, som begge demonstrerer bedre ensemble-forecast-færdigheder sammenlignet med BV- og SV-ordningerne. På trods af de lignende prognosefærdigheder i NLLV- og ETKF-ordningerne, Genereringen af ​​NLLV'erne er væsentligt mere tidsbesparende og lettere at implementere, sammenlignet med ETKF-ordningen.

"Vi forventer, at NLLE-ordningen er effektiv til at generere ensembleforstyrrelser i en højdimensionel numerisk model, " siger Ding. "I fremtidigt arbejde, vi agter at undersøge ydeevnen af ​​NLLE yderligere gennem sammenligning med forskellige metoder i mere komplekse modeller, og vores ultimative mål er at anvende NLLE-metoden i operationelle vejrudsigter."