Page 66 - 201806
P. 66

896                                                                                 2018 年 11 月


                                                               行分析,忽略模式预报误差,虽然存在对常规观测
             1 引言
                                                               的分析误差计算不够准确的问题,但在外场试验
                 海洋初始场是影响海洋环境预报质量的重要                           中依然被证明是有效的             [12] 。BGM 方法通过重复
             因素,而观测误差、观测时空覆盖范围不足、观测                            培养限制尺度下的随机扰动来获取增长最快的模
                                                               态,使用该方法可减小分析时刻的预报误差。欧洲
             的时空尺度与预报模式不一致以及资料同化过程
                                                               中期天气预报中心和美国国家环境预报中心分别
             中的近似等因素都会引起海洋初始场存在不确定
                                                               采用这种方法实现了业务化              [13−14] ,国内的于永锋
             性。这些不确定性使得海洋预报面临失败的威胁,
                                                               等 [15] 、关吉平等   [16] 、高峰等  [17]  学者也利用该方法
             严重影响海洋资源开发、海洋航路安全、军事行动
                                                               进行了集合预报初始扰动、集合预报试验方面的研
             保障等国家重大利益。观测是减小海洋初始场不确
                                                               究,但该方法无法消除初始场的误差。Mu 等                    [18]  学
             定性的主要手段,但常规观测存在盲目性、成本高、
                                                               者提出了 CNOP方法,并将其运用到适应性观测领
             资料利用率低及特殊时期特定区域无法观测等问
                                                               域 [19−22] 。条件非线性最优扰动是指在预报时刻具
             题。针对观测配置最优化问题,专家学者于 20 世纪
                                                               有最大非线性发展的一类初始扰动,是 SV 方法在
             90年代提出适应性观测的概念             [1−4] 。适应性观测是
                                                               非线性领域的推广,通过消除这种扰动从而提高预
             指,为了提升某一时刻 (验证时刻) 某一区域 (验证
                                                               报技巧。该方法已前后应用于厄尔尼诺 -南方涛动
             区域) 的预报质量,在验证时刻之前的某一时刻 (目
                                                               (El Niño-Southern Oscillation, ENSO)的可预报性
             标时刻) 对验证区域影响较大的区域 (敏感区) 进行
                                                               问题   [18] 、海洋热流敏感性      [21] 、强降水与台风等高
             加强观测,将额外的观测信息通过数据同化改善模
                                                               影响天气的目标观测           [19,22]  等问题。谭晓伟等     [23] 、
             式初值质量,进而提高模式预报准确度                   [5−6] ,具体
                                                               周菲凡等     [24]  也对基于 CNOP的敏感区识别方法进
             流程如图 1 所示。这是一个将观测系统与模式预报
                                                               行了改进研究。不过该方法需要复杂的伴随模式
             有机结合,建立观测与预报之间的互动机制,根据预
                                                               计算,计算复杂度过高。ETKF 方法最早由 Bishop
             报需求组织实施加强观测,从而提高数值预报准确
                                                               等 [25−26]  和Majumdar等  [27]  提出,该方法利用了观
             度的新观念。近年来随着水下无人机,尤其是水下
                                                               测信息的分析误差协方差和转换公式将预报误差
             滑翔机等探测平台的应用             [7−9]  使得海洋适应性观
                                                               协方差变换为分析误差协方差,定量地计算不同观
             测可行性大大提升,因此,针对适应性观测在海洋声
                                                               测配置引起的预报误差协方差减小量,可直接定量
             学环境方面的应用研究具有十分重要的意义。
                                                               地识别出最佳目标观测区域,另外引入集合思想,利
                        ஐਖӝ            ஝૶Տӑ                    用线性组合的扰动表征误差方差,大幅减小计算量,
                         Ѽࠀ            ఞழѺϙ
                ௚ᆸᰎ᝽            ஐਖӝ           ᰎ᝽ӝᮕઑ
                ௑ᫎˁӝ۫         ᤠऄভ᜺฾            ᠏᧚ଢӤ            避免了伴随方式的计算,同时还便于实现并行化。
                                                               Szunyogh 等 [28−29]  将该方法应用于美国冬季风暴

                Ѻݽ௑҉          ᄬಖ௑҉            ᰎ᝽௑҉             监测试验,并在美国国家环境预报中心进行适应性
                                                               观测研究,均取得了成功;田伟红               [30]  探索了 ETKF
                          图 1  适应性观测流程图
                                                               方法在适应性观测中的实际应用;马旭林等                    [6,31−32]
                 Fig. 1 The processing of adaptive observation
                                                               结合 GRAPES (Global regional analysis and pre-
                 适应性观测核心是观测敏感区的判定,目前敏                          diction system) 同化系统,建立了基于 ETKF 初始
             感区判定的主要方法有奇异矢量 (Singular vector,                  扰动方案的全球集合预报系统,在基于 ETKF 的适
             SV)、增长模繁殖法 (Breeding of growing modes,            应性观测系统基础上,发展了我国中高尺度高影响
             BGM)、条件非线性最优扰动 (Conditional nonlin-               天气系统敏感区识别的优化方案;张宇等                     [33]  在马
             ear optimal perturbation, CNOP)与集合卡尔曼变            旭林的敏感区估计方案基础上,考虑湿度因子的影
             换 (Ensemble transform Kalman filter, ETKF) 等。      响,对方案进行了优化。目前该方法已广泛应用于
             SV 方法  [10−11]  假设一段时间内物理空间中初始时                   适应性观测的外场试验并取得了成功                  [11,28−29] 。
             刻微小误差线性发展,认为增长最快的扰动是预                                 目前适应性观测的研究主要集中于大气领域,
             报误差的主要来源,判定该扰动所在区域为敏感                             针对海洋环境的研究较少,而且目前尚未有适应性
             区。该方法只能对充分小的初始误差短期发展进                             观测在水声领域的研究与应用。为了结合原本孤
   61   62   63   64   65   66   67   68   69   70   71