Dataassimilationssystem kan ge exakta inledande fält för att ytterligare förbättra numerisk väderprognos (NWP). Sedan 2008, Tian Xiangjun och hans team vid Institute of Atmospheric Physics (IAP) vid den kinesiska vetenskapsakademien har ägnat sig åt att utveckla den olinjära 4-D-ensemblen med variabel dataassimilering (NLS-4DVar).

NLS-4DVar-metoder har använts för att lösa verkliga applikationer inklusive landdataassimilering, NWP data assimilering, atmosfärisk kemi data assimilering, och riktade observationer.

Nyligen, TIANs team har utvecklat ett nytt prognossystem-System of Multigrid Nonlinear Least-squares Four-dimensional Variational (NLS-4DVar) Data Assimilation for Numerical Weather Prediction (SNAP). Studien publicerades i Framsteg inom atmosfäriska vetenskaper den 9 oktober.

SNAP är byggt på multigrid NLS-4DVar data assimileringsschema, operativa Gridpoint Statistical Interpolation (GSI) -baserade databehandlings- och observationsoperatörer, och den allmänt använda väderforskning och prognos numerisk modell.

Multigrid NLS-4DVar assimileringsramverket används för analysen, som kan korrigera fel från stor till liten skala och påskynda iterationslösningar. Analysvariablerna är modelltillståndsvariabler, snarare än de kontrollvariabler som antagits i det konventionella 4DVar -systemet.

För närvarande, laget har uppnått assimilering av konventionella och radarobservationer, och kommer att fortsätta att förbättra assimileringen av satellitobservationer inom en snar framtid.

"Vi utformade noggrant flera grupper av riktiga experiment, inklusive ett fall och en veckas cykelassimileringsexperiment, för att fullständigt utvärdera SNAP i denna studie, "skrev Tian -teamet i sin studie.

De numeriska resultaten visade att när det gäller nederbördens intensitet, SNAP kan helt absorbera observationer och förbättra de inledande fälten, därigenom förbättras nederbördsprognosen. Särskilt, jämfört med GSI 4DEnVar, SNAP ger något lägre prognostiserade rot-medel-kvadratfel (RMSE) och mer positiv relativ procentuell förbättring (RPI) som helhet.

"Framväxten av SNAP ger ett lovande sätt med en sund teoretisk grund för dataassimilering i NWP för att avsevärt förbättra prognosförmågan i en era där antalet observationer, särskilt från fjärranalystekniker, ökar betydligt, "sade Tian." Det är av stor betydelse och praktisk tillämpning att utforska mer sofistikerade metoder för assimilering av data och system för att förbättra precisionen i både väderprognoser och klimatprognoser under stordatatiden. "