[发明专利]基于三重多层感知机的数值天气预报混合资料同化方法

说明书

本发明公开了基于三重多层感知机的数值天气预报混合资料同化方法，包括以下步骤：建立基于三维变分资料同化方法的第一感知机模型，并对第一感知机模型进行训练；建立基于集合卡尔曼滤波器资料同化方法的第二感知机模型，并对第二感知机模型进行训练；建立混合同化的第三感知机模型；对第三感知机模型进行训练；使用训练好的第一感知机模型、第二感知机模型和第三感知机模型来计算获得分析场数据。本发明方法利用大气运动的物理规律和大气状态变量的时间特性，对传统的资料同化方法进行模拟、优化和混合，充分考虑了大气变量的流依赖，以此引入大气数据本身所包含的时间特征，使得本发明方法的同化性能较传统方法得到有效提升。

技术领域

本发明属于数值天气预报技术领域，具体涉及基于三重多层感知机的数值天气预报混合资料同化方法。

背景技术

Vihelm Bjerknes(1904)把数值天气预报(NWP)定义为一个初边值问题。即大气的未来状态取决于其详细的初始状态，边界条件以及预测模型。资料同化(DA)可以被描述为一个过程，将观测和短期预报(也就是背景场或初猜测值)中的所有可用的数据资源结合起来，得到分析场，希望得到对实际大气状态的概率密度的最佳估计。即资料同化的目标是为数值天气预报产生最精确的初始条件。

在过去的三十年里，基于贝叶斯定理的两种主流资料同化方法蓬勃发展起来。一种是变分同化(Var)，另一种是基于集合卡尔曼滤波(EnKF)的集合同化。基本上，为了处理来自不同信息的不确定性，这些方法以相同的策略为指导，使用新的观测值来修正指定网格点的初猜测值，即通过最小化代价函数来组合背景场和观测值，代价函数由两个方面组成：一部分是对背景均值距离的惩罚项和另一个惩罚项是对观察值的距离。但是，具体的实现方式各不相同。首先，Var通过给出一个静态背景误差协方差矩阵(B)直接同化大量的观测数据，该矩阵是根据气候数据事先计算得到的。因此，静态B不能正确地表示真正的时空误差统计。Var分为3D Var和4D Var，前者利用单时刻数据，后者利用给定长度的时间窗口的数据估计初始状态。虽然在4D Var中，B隐式地随流依赖变化而演化，并且可以获得比3DVar更好的初始状态，但它需要昂贵的计算代价，并且需要建立线性模型和伴随性数值模型，这是很难建立的。其次，EnKF提供了集合驱动的B，随着系统的发展而变化，优于3D Var的B。此外，EnKF不需要线性模型和伴随性数值模型，这节省了巨大的计算开销。

尽管变分和集合同化方法在业务应用上取得了良好的效果，但是两者存在自身缺陷。为了最大限度地发挥这两种方法的优势，消除它们的不足，出现了一系列的技术来耦合两种方法，称为混合资料同化方法。集合-变分方法以背景误差协方差的流依赖性为出发点，结合变分方法的静态背景误差协方差和集合方法的动态背景误差协方差，重构背景误差协方差。实验证明，将两个背景误差协方差联合起来得到一个重新校准且更稳健的B是有效的。也就是说，混合资料同化方法与纯变分方法或纯集合方法更具有竞争性。然而，集合预报误差协方差和静态背景误差协方差不同的贡献比率直接影响分析场的质量。尽管NWP中心有能力在业务系统中实现混合资料同化方法，但在资料同化系统中要处理不确定性和自由度大的背景误差协方差矩阵(通常≥O(10⁷))需要很大的代价。因此，实际业务上使用经验比例来减轻巨大的计算成本，但牺牲了最佳的精度。

机器学习是一种数据驱动的方法，它在一定程度上有助于解决在地球系统科学中与时空相关的问题。其中，“物理”子模型的公式是指基于物理基础，采用经验参数，存在半经验性质，则这个子模型可以被机器学习模型所替代。自然地，将非线性神经网络与动力学模型相结合，形成混合神经-动力学模型，成为一类新的变分资料同化方法。在近似相同的资料同化效果下，神经网络在计算速度上有显著提升，多次实验检验，速度提升接近90倍，甚至更高。

然而，资料同化的最终目标是快速准确地获得最优分析场，为数值天气预报模式提供最优初始场。前述所提到的已拓展的神经网络资料同化方法，只是利用大量的气象资料，通过模拟已有的资料同化方法来加速同化过程，并没有提高同化效果。其主要原因是，研究人员仅仅关注了数据的统计特征，而忽略了大气状态本身的物理性质。