中国科学院李源 全球观测系统 数据同化系统可以为进一步改善数值天气预报提供准确的初始场(NWP)
自2008年以来，中国科学院大气物理研究所的田湘军和他的团队一直致力于发展非线性最小二乘四维集合变分同化方法(NLS-4DVar)
NLS-4DVar方法已用于解决实际应用，包括陆地数据同化、NWP数据同化、大气化学数据同化和目标观测
最近，田亮的团队开发了一个新的预报系统——用于数值天气预报的多重网格非线性最小二乘四维变分(NLS-四维变分)数据同化系统
这项研究发表在10月10日的《大气科学进展》上
九
SNAP建立在多重网格NLS-4DVar数据同化方案、可操作的基于网格点统计插值(GSI)的数据处理和观测算子以及广泛使用的天气研究和预报数值模型的基础上
分析中采用了多重网格NLS-4DVar同化框架，该框架可以从大尺度到小尺度充分校正误差，加速迭代求解
分析变量是模型状态变量，而不是常规4DVar系统中采用的控制变量
目前，该小组已经实现了常规观测和雷达观测的同化，并将在不久的将来继续改进卫星观测的同化
“我们精心设计了几组真实的实验，包括一个案例和一周的循环同化实验，以便在这项研究中全面评估SNAP，”田的团队在他们的研究中写道
数值结果表明，在降水强度方面，SNAP可以充分吸收观测资料，改善初始场，从而改善降水预报
特别是，与GSI 4季度风险值相比，从整体上看，SNAP的预测均方根误差略低，相对百分比改善更为积极
“SNAP的出现为NWP的数据同化提供了一个有希望的方法和良好的理论基础，在一个观测数据，特别是来自遥感技术的观测数据显著增加的时代，显著提高预报技能，”田说
「在大数据时代，探索更先进的数据同化方法和系统，以提高天气预测和气候预测的精确度，是非常重要和实际的
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
