Et nyt system til assimilering af data til forbedring af nedbørsprognosen

Dataassimilationssystemer kan levere nøjagtige startfelter til yderligere forbedring af numerisk vejrforudsigelse (NWP). Siden 2008 har Tian Xiangjun og hans team ved Institute of Atmospheric Physics (IAP) fra det kinesiske videnskabsakademi har været dedikeret til at udvikle den ikke-lineære mindste kvadraters 4-D ensemble varianter data assimilation metode (NLS-4DVar).

NLS-4DVar-metoder er blevet brugt til at løse virkelige applikationer, herunder landdataassimilering, NWP data assimilering, atmosfærisk kemi data assimilering, og målrettede observationer.

For nylig, TIANs team har udviklet et nyt prognosesystem-System of Multigrid Nonlinear Least-squares Four-dimensional Variational (NLS-4DVar) Data Assimilation for Numerical Weather Prediction (SNAP). Undersøgelsen blev offentliggjort i Fremskridt inden for atmosfæriske videnskaber den 9. oktober.

SNAP er bygget på multigrid NLS-4DVar data assimilationsskema, de operationelle Gridpoint Statistical Interpolation (GSI) -baserede databehandlings- og observationsoperatører, og den meget udbredte vejrforskning og prognosemodel numerisk model.

Multigrid NLS-4DVar assimilationsramme bruges til analyse, som tilstrækkeligt kan rette fejl fra store til små skalaer og fremskynde iterationsløsninger. Analysevariablerne er modeltilstandsvariabler, frem for de kontrolvariabler, der er vedtaget i det konventionelle 4DVar -system.

I øjeblikket, teamet har opnået assimilering af konventionelle observationer og radarobservationer, og vil fortsat forbedre assimilationen af ​​satellitobservationer i den nærmeste fremtid.

"Vi designede omhyggeligt flere grupper af rigtige eksperimenter, herunder et tilfælde og en uges cykelassimilationsforsøg, for fuldstændigt at evaluere SNAP i denne undersøgelse, "skrev Tian -teamet i deres undersøgelse.

De numeriske resultater viste, at med hensyn til nedbørsintensiteten, SNAP kunne fuldt ud absorbere observationer og forbedre de oprindelige felter, derved forbedre nedbørsprognosen. I særdeleshed, sammenlignet med GSI 4DEnVar, SNAP producerer lidt lavere prognose root-mean-square fejl (RMSE'er) og mere positiv relativ procentuel forbedring (RPI) som helhed.

"Fremkomsten af ​​SNAP giver en lovende måde med et solidt teoretisk grundlag for dataassimilering i NWP for væsentligt at forbedre prognosefærdighederne i en æra, hvor antallet af observationer, især fra fjernmålingsteknikker, stiger markant, "sagde Tian." Det er af stor betydning og praktisk anvendelse at udforske mere sofistikerede metoder til dataassimilering og systemer til forbedring af præcisionen af ​​både vejrforudsigelser og klimaforudsigelser i big data -æraen. "