[发明专利]一种基于改进背景误差协方差矩阵预测大气参数的方法

说明书

本发明提出一种基于改进背景误差协方差矩阵预测大气参数的方法，包括：步骤1)将卫星观测数据输入WRF模型；输出指定时刻、指定空间分辨率格点上的用于气象预报的大气参数变量；步骤2)计算大气参数中同种参数的变量方差和不同参数间的协方差；步骤3)绘制大气参数变量与预报时长的关系曲线，由关系曲线得到大气参数变量与预报时长具有线性相关性的时间段；步骤4)构建背景误差协方差矩阵，主对角线元素为大气参数中同种参数变量的方差随预报时长的变化量，非对角线元素为大气中不同参数变量间的协方差随预报时长的变化量；步骤5)将卫星观测数据和背景误差协方差矩阵输入WRF同化模型，从而得到大气参数在预报时长内的预测值。

技术领域

本发明涉及大气的预测及数据同化系统领域，具体而言，涉及一种基于改进背景误差协方差矩阵预测大气参数的方法。

背景技术

数据同化系统中的先验信息一般来源于预报，背景误差协方差与预报值和真值相关，在同化系统中影响整体同化效果，是二者之差的期望值，即二者之差与二者之差转置的乘积。一个更准确的背景误差协方差矩阵有利于提高数据同化效果，因为同化依赖于先验知识，而先验知识的不确定性一般采用概率密度函数表示，通常简化为高斯形式，误差会通过控制变量或者变量本身传递到实时观测信息域中，影响同化系统中迭代算法的平衡。静态大气变量嵌入在背景误差协方差矩阵中，在很大程度上影响同化过程，误差较大的静态矩阵会在不可测变量模式中放大噪声，从而影响同化的稳定性和适用性。

目前常用的方法均基于24小时或者12小时的再分析数据，在短时迅速变化的极端天气同化系统中不适用。状态更新分析方法需要密集的实测数据，集合方法需要单独的集合卡尔曼矩阵或者B矩阵对模型进行扰动。在NCAR开发的WRFDA模式中，可以利用开源的可执行文件，生成不同表达形式的控制变量，从而满足WRFDA 的运行，但截至到目前，此模式还未对水凝物粒子进行深入考虑，不适用于高速时空变化的极端天气情况。

发明内容

本发明的目的在于解决目前常用的背景误差协方差矩阵均未对大气中的水凝物粒子参数进行深入预测，在短时迅速变化的极端天气同化系统中不适用，不能预测高速时空变化的极端天气情况的问题。

为实现上述目的，本发明提出一种改进背景误差协方差矩阵预测大气参数的方法，包括：

步骤1)将卫星观测数据输入WRF模型；输出指定时刻、指定空间分辨率格点上的用于气象预报的大气参数变量；

步骤2)计算大气参数中同种参数的变量方差和不同参数间的协方差；

步骤3)绘制大气参数变量与预报时长的关系曲线，由关系曲线得到大气参数变量与预报时长具有线性相关性的时间段；

步骤4)构建背景误差协方差矩阵，主对角线元素为大气参数中同种参数变量的方差随预报时长的变化量，非对角线元素为大气中不同参数变量间的协方差随预报时长的变化量；

步骤5)将卫星观测数据和背景误差协方差矩阵输入WRF同化模型，从而得到大气参数在预报时长内的预测值。

作为上述方法的一种改进，所述步骤1)包括：

步骤1-1)取0，6，12，18小时的再分析数据为背景场数据输入WRF模型，选取区域格点为15公里；

步骤1-2)输出指定时刻、指定空间分辨率格点上的大气参数，所述大气参数包括热力学参数和水凝物参数；所述热力学参数包括温度和湿度，所述水凝物参数包括云、雨、雪、冰和霰粒子；

步骤1-3)设预报样本的大气参数i＝1...7,上标-f表示为预报样本，每个包括温度、湿度和云、雨、雪、冰及霰粒子的水凝物密度7个参数值，其中云、雨、雪、冰和霰粒子的水凝物密度ρ_h值，通过以下步骤得出：