• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Naturen
    Teori om icke-ortogonalisering och rumslig lokalisering för konvektionstillåtande ensembleprognos

    Störningen skalas om med den (a) traditionella BGM -metoden? (B) LBGM -metoden. (xA och xB är störningar av A och B före skalning; x'A och x'B är ​​störningar av A och B efter skalning; c är skalfaktorn i den traditionella BGM -metoden; cA och cB är skalningsfaktorer för A och B i LBGM -metoden.) Kredit:Science China Press

    Konvektionstillåtande ensembleprognoser har betydande forsknings- och tillämpningsvärde, och den första störningsgenereringsmetoden spelar en viktig roll för att förbättra dess noggrannhet. Nyligen, en forskargrupp ledd av Chaohui Chen från National University of Defense Technology föreslog en ny metod för att generera inledande störningar med full hänsyn till den starka lokaliseringen av ett konvektivt vädersystem. De experimentella resultaten bekräftar att det kan förbättra effekten av konvektionstillåtande ensembleprognoser. Denna innovativa forskning har publicerats i Science China Earth Sciences .

    För närvarande, initialt tillstånd ensemble förutsägelser är relativt mogna på medellång till lång sikt och klimatskalor och det har bildat motsvarande störningsgenereringsmetoder. Dock, många problem finns i den direkta tillämpningen av dessa metoder vid konvektionstillåtande ensembleprognoser, såsom den lilla skillnaden i ensemblesprognosystemet och ensemblens tendens att konvergera. I allmänhet, det dominerande tillvägagångssättet både i Kina och utomlands är att använda ortogonalitet för att ta itu med spridningen eller självständigheten i kortsiktiga eller konvektivskaliga ensembleprognoser som ensembleomvandlingen Kalman-filter (ETKF). Men alla dessa metoder har vissa nackdelar.

    Baserat på den konventionella uppfödningen av odlingslägen (BGM) -metoden, detta dokument föreslog en lokal BGM (LBGM) metod med tanke på den starka lokaliseringen av ett konvektivt vädersystem, som skiljer sig från befintliga metoder. BGM-metoden föder den inledande störningen via själva kortsiktiga förutsägelsecykeln. I konventionell BGM -metod, ensemblestörningen måste omskalas efter varje avelscykel, där skalningsfaktorn helt enkelt är en funktion av den vertikala nivån. Det vill säga skalfaktorerna för alla punkter på samma vertikala nivå är identiska (bild 1 (a)). Dock, den horisontella inhomogeniteten i fördelningen av fysiska variabler måste också övervägas för konvektionstillåtande ensemblesprediktionssystem med stark lokalitet och oberoende. Därför, slagradien införs för att bestämma det lokala utrymmet för varje punkt och skalningsfaktorn beräknas enligt störningsrotens medelvärde i kvadratfel (RMSE) för punkter inom det lokala utrymmet för varje punkt (Fig1 (b)). Det kan ses att LBGM -metoden använder störnings -RMSE vid punkter inom ett visst intervall runt en punkt för att bestämma skalningsfaktorn vid den punkten, som innehåller lokal information i den omskalade störningen. Samtidigt, lokalområdets omfattning kan justeras genom att tilldela olika slagradier.

    För att testa effekten av LBGM -metoden, detta dokument presenterar en preliminär bedömning när det gäller dess störningsstruktur, ensemblespridning, och prognos RMSE. De experimentella resultaten bekräftar att fler lokala egenskaper hos störningar införlivas efter omskalning genom LBGM -metoden och metoden återspeglar också interaktionen mellan rutpunkter. För störningar fysiska variabler och några meteorologiska element nära ytan, ensemblespredningen som genereras med LBGM -metoden är större än den som genereras av konventionell BGM och prognosen RMSE för LBGM är lägre än den för traditionell BGM. Under tiden, ensembleprognossystemet visar bättre prestanda med den nya algoritmen.

    LBGM -metoden baserad på konventionell BGM är konceptuellt ny. Eftersom det inte kräver några extra beräkningsresurser, denna metod har stor tillämpningspotential i konvektionstillåtande ensembleprognoser.


    © Vetenskap https://sv.scienceaq.com