[发明专利]一种松弛逼近资料同化方法及系统

说明书

本发明涉及一种松弛逼近资料同化方法及系统，为观测数据定义质量权重系数；通过预测数值天气预报模式中格点的影响范围，确定观测数据的水平影响系数和垂直影响系数；根据质量权重系数、水平影响系数和垂直影响系数对预先建立的预报方程的松弛逼近项进行修改；根据修改后的预报方程完成资料同化。上述方案以解决变分同化方法中分析场过于平滑的问题为前提，对观测数据的空间影响进行合理优化，有利于提升数值天气预报精度。

技术领域

本发明涉及数值天气预报领域，具体涉及一种松弛逼近资料同化方法及系统。

背景技术

数值天气预报的准确与否，很大程度上取决于对当前大气状态的估计(初值)和合适的地面及侧边界条件，初值估计的越精确，预报的质量就越好。资料同化，就是利用现有的观测数据来尽可能真实的反演出大气状态，从而为数值天气预报提供精确的初值。现有的资料同化方法，主要包括最优插值、三维变分、四维变分、卡曼滤波同化、松弛逼近等方法。

最优插值法，是用观测站上的观测增量插值到格点上的分析增量，它的权重函数是由大气的统计结构和观测误差所决定出的统计意义上的最佳权重，可保证分析误差的方差达到最小。而该方法的不足之处在于，在分析过程中没有考虑到观测数据的误差，以及在插值过程中产生的误差。其次，观测资料是以线性的形式来影响分析，而实际情况却是非线性的。

三维变分、四维变分方法求解分析变量的误差函数最小值，使得分析变量与背景场和观测场距离的代价函数达到最小值，这样就同时考虑了观测误差、背景场误差，而且这个分析是非线性的。然而该方法的不足之处在于，分析过程中对于观测资料和背景场的误差只估计一次，好像预报误差是统计静止的一般。其次，由于使用了随时间积累的误差统计矩阵，因此所得到的分析场会过于平滑，这就有可能抑制对于中尺度预报而言十分重要的中小尺度过程，给中尺度数值预报带来误差。

卡曼滤波法，是通过对模式在短时间过程中的非线性演化进行线性化处理，既考虑进预报时刻之前的所有误差统计，也考虑进误差随时间的演变情况，从而得到新时刻的预报结果。该方法解决了变分同化中对于误差只估计一次的缺陷，但仍然存在所得到的分析场会过于平滑的问题，仍然会可能抑制对于中尺度预报而言十分重要的中小尺度过程。

松弛逼近法，是在预报开始之前的一段时间内，通过在一个或几个预报方程中增加与预报和实况的差值成比例的虚假倾向项，在可使用观测资料的时段内，使模式解逼近实测资料，并使变量之间达到动力协调。例如，对于水平风速的预报方程可写成：

其中方程的前4项属于普通的风速预报方程，第5项为松弛逼近项，通过此项可以使得观测数据同化融入模拟数据。张弛时间尺度τ_u一般是基于经验考虑和根据变量来进行选择的，一般张驰时间尺度τ_u的选择应当使方程的最后一项在量级上与次支配项相同。

松弛逼近法的优点在于可解决分析场过于平滑的问题，但依旧存在观测数据无法合理同化，导致数值天气预报精度偏低的缺陷。

发明内容

为了克服上述缺陷，本发明提供一种松弛逼近资料同化方法及系统，优化了松弛逼近方法中观测数据的空间影响方式，克服了松弛逼近同化方法中未考虑观测数据空间影响范围的缺陷，有利于提升数值天气预报精度。

本发明是采用下述技术方案实现的：

为观测数据定义质量权重系数；

通过预测数值天气预报模式中格点的影响范围，确定所述观测数据的水平影响系数和垂直影响系数；

根据所述质量权重系数、水平影响系数和垂直影响系数对预先建立的预报方程的松弛逼近项进行修改；

根据修改后的预报方程完成资料同化。

优选的，所述为观测数据定义质量权重系数包括：