So sánh hệ thống các phương pháp đồng bộ dữ liệu bốn chiều với và không có mô hình tuyến tính tiếp giáp bằng cách sử dụng sai số nền hiệp đồng: E4DVar so với 4DEnVar
Tóm tắt
Hai phương pháp tập hợp của kỹ thuật đồng bộ dữ liệu biến thiên bốn chiều (4DVar) được xem xét cho một hệ thống động học có chiều thấp. Phương pháp đầu tiên, được gọi là E4DVar, sử dụng các toán tử mô hình tuyến tính tiếp giáp và mô hình hồi tiếp để tối thiểu hóa một hàm chi phí theo cách tương tự như hệ thống đồng bộ dữ liệu 4DVar truyền thống. Phương pháp thứ hai, được gọi là 4DEnVar, sử dụng một tập hợp các quỹ đạo mô hình phi tuyến để thay thế chức năng của các mô hình đã tuyến tính hóa trong 4DVar, từ đó cải thiện khả năng song song hóa của quá trình đồng bộ dữ liệu. Sai số nền cho từng thuật toán được thể hiện bằng cách sử dụng hiệp đồng sai số lai, bao gồm các sai số khí hậu cũng như các sai số ước tính từ một bộ lọc Kalman theo tập hợp (EnKF). Các thí nghiệm số thực hiện qua một loạt các kịch bản cho thấy cả hai phương pháp đều cung cấp độ chính xác phân tích tương tự cho các mạng quan sát dày đặc, và trong các thí nghiệm với mô hình hoàn hảo và các tập hợp lớn. Tuy nhiên, E4DVar có lợi ích rõ rệt hơn so với 4DEnVar khi yêu cầu địa phương hóa hiệp đồng đáng kể để xử lý sai số lấy mẫu. Lợi thế lớn nhất của phương pháp tiếp tuyến tuyến tính là nó đưa ra cách tiếp cận tiềm ẩn việc lan truyền một hiệp đồng sai số đầy đủ thứ bậc theo thời gian, do đó tránh được việc phải địa phương hóa một hiệp đồng sai số phụ thuộc vào thời gian. Các toán tử mô hình tuyến tính tiếp giáp cũng cung cấp một phương tiện để tiến triển thông tin phụ thuộc vào dòng chảy từ thành phần sai số dựa trên khí hậu, điều này cho thấy có lợi trong việc xử lý sai số mô hình. Các thách thức cần được giải quyết trước khi áp dụng một khuôn khổ hoàn toàn theo tập hợp được minh họa qua các thí nghiệm ước lượng các hiệp đồng theo thời gian với các tập hợp bốn chiều và so sánh kết quả với những gì được ước lượng bằng một mô hình tuyến tính tiếp giáp.
Từ khóa
Tài liệu tham khảo
Bishop, 2011, Adaptive ensemble covariance localization in ensemble 4D-VAR state estimation, Mon. Wea. Rev., 139, 1241, 10.1175/2010MWR3403.1
Bishop, 2013, Hidden error variance theory. Part I: Exposition and analytic model, Mon. Wea. Rev., 141, 1454, 10.1175/MWR-D-12-00118.1
Buehner, 2005, Ensemble-derived stationary and flow-dependent background-error covariances: Evaluation in a quasi-operational NWP setting, Quart. J. Roy. Meteor. Soc., 131, 1013, 10.1256/qj.04.15
Buehner, 2010, Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part I: Description and single-observation experiments, Mon. Wea. Rev., 138, 1550, 10.1175/2009MWR3157.1
Buehner, 2010, Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part II: One-month experiments with real observations, Mon. Wea. Rev., 138, 1567, 10.1175/2009MWR3158.1
Clayton, 2013, Operational implementation of a hybrid ensemble/4D-Var global data assimilation system at the Met Office, Quart. J. Roy. Meteor. Soc., 139, 1445, 10.1002/qj.2054
Courtier, 1994, A strategy for operational implementation of 4D-Var, using an incremental approach, Quart. J. Roy. Meteor. Soc., 120, 1367, 10.1002/qj.49712051912
Etherton, 2004, Resilience of hybrid ensemble/3DVAR analysis schemes to model error and ensemble covariance error, Mon. Wea. Rev., 132, 1065, 10.1175/1520-0493(2004)132<1065:ROHDAS>2.0.CO;2
Evensen, 1994, Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics, J. Geophys. Res., 99, 10 143, 10.1029/94JC00572
Fairbairn, 2014, A comparison of 4DVar with ensemble data assimilation methods, Quart. J. Roy. Meteor. Soc., 140, 281, 10.1002/qj.2135
Fisher, 2001
Gustafsson, 2014, Four-dimensional ensemble variational (4D-En-Var) data assimilation for the HIgh Resolution Limited Area Model (HIRLAM), Nonlinear Processes Geophys., 21, 745, 10.5194/npg-21-745-2014
Hamill, 2000, A hybrid ensemble Kalman filter-3D variational analysis scheme, Mon. Wea. Rev., 128, 2905, 10.1175/1520-0493(2000)128<2905:AHEKFV>2.0.CO;2
Honda, 2005, A pre-operational variational data assimilation system for a non-hydrostatic model at the Japan Meteorological Agency: Formulation and preliminary results, Quart. J. Roy. Meteor. Soc., 131, 3465, 10.1256/qj.05.132
Houtekamer, 1998, Data assimilation using an ensemble Kalman filter technique, Mon. Wea. Rev., 126, 796, 10.1175/1520-0493(1998)126<0796:DAUAEK>2.0.CO;2
Huang, 2009, Four-dimensional variational data assimilation for WRF: Formulation and preliminary results, Mon. Wea. Rev., 137, 299, 10.1175/2008MWR2577.1
Kuhl, 2013, Comparison of hybrid ensemble/4DVar and 4DVar within the NAVDAS-AR data assimilation framework, Mon. Wea. Rev., 141, 2740, 10.1175/MWR-D-12-00182.1
Le Dimet, 1986, Variational algorithms for analysis and assimilation of meteorological observations: Theoretical aspects, Tellus, 38A, 97, 10.1111/j.1600-0870.1986.tb00459.x
Liu, 2013, An ensemble-based four-dimensional variational data assimilation scheme. Part III: Antarctic applications with Advanced Research WRF using real data, Mon. Wea. Rev., 141, 2721, 10.1175/MWR-D-12-00130.1
Liu, 2008, An ensemble-based four-dimensional variational data assimilation scheme. Part I: Technical formulation and preliminary test, Mon. Wea. Rev., 136, 3363, 10.1175/2008MWR2312.1
Liu, 2009, An ensemble-based four-dimensional variational data assimilation scheme. Part II: Observing System Simulation Experiments with Advanced Research WRF (ARW), Mon. Wea. Rev., 137, 1687, 10.1175/2008MWR2699.1
Lorenc, 1997, Development of an operational variational assimilation scheme, J. Meteor. Soc. Japan, 75, 339, 10.2151/jmsj1965.75.1B_339
Lorenc, 2003, The potential of the ensemble Kalman filter for NWP: A comparison with 4D-Var, Quart. J. Roy. Meteor. Soc., 129, 3183, 10.1256/qj.02.132
Lorenc, 2000, The Met Office global three-dimensional variational data assimilation scheme, Quart. J. Roy. Meteor. Soc., 126, 2991, 10.1002/qj.49712657002
Lorenc, 2014
Lorenz, 1996
Lorenz, 1998, Optimal sites for supplementary weather observations: Simulation with a small model, J. Atmos. Sci., 55, 399, 10.1175/1520-0469(1998)055<0399:OSFSWO>2.0.CO;2
Poterjoy, 2014, Intercomparison and coupling of ensemble and four-dimensional variational data assimilation methods for the analysis and forecasting of Hurricane Karl (2010), Mon. Wea. Rev., 10.1175/MWR-D-13-00394.1
Sun, 1997, Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part I: Model development and simulated data experiments, J. Atmos. Sci., 54, 1642, 10.1175/1520-0469(1997)054<1642:DAMRFD>2.0.CO;2
Thepáut, 1991, Four-dimensional variational data assimilation using the adjoint of a multilevel primitive-equation model, Quart. J. Roy. Meteor. Soc., 117, 1225, 10.1002/qj.49711750206
Thepáut, 1996, Dynamical structure functions in a four-dimensional variational assimilation: A case study, Quart. J. Roy. Meteor. Soc., 122, 535, 10.1002/qj.49712253012
Wang, 2014, GSI-based four-dimensional ensemble-variational (4DEnsVar) data assimilation: Formulation and single-resolution experiments with real data for NCEP Global Forecast System, Mon. Wea. Rev., 142, 3303, 10.1175/MWR-D-13-00303.1
Wang, 2007, On the theoretical equivalence of differently proposed ensemble-3DVar hybrid analysis schemes, Mon. Wea. Rev., 135, 222, 10.1175/MWR3282.1
Zhang, 2004, Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter, Mon. Wea. Rev., 132, 1238, 10.1175/1520-0493(2004)132<1238:IOIEAO>2.0.CO;2
Zhang, 2009, Coupling ensemble Kalman filter with four-dimensional variational data assimilation, Adv. Atmos. Sci., 26, 1, 10.1007/s00376-009-0001-8
Zhang, 2013, E3DVar: Coupling an ensemble Kalman filter with three-dimensional variational data assimilation in a limited-area weather prediction model and comparison to E4DVar, Mon. Wea. Rev., 141, 900, 10.1175/MWR-D-12-00075.1