[发明专利]一种应用于降雨预报的数据同化方法

说明书

本发明涉及一种判断降雨预报数据同化方案优劣的方法，其包括以下步骤：数据同化方案的选取；多源气象信息数据库的构建；多源气象信息数据同化；判断数据同化方案优劣。本发明从不同气象信息的优点和缺点角度出发，提供了一种标准化的多源气象信息数据同化方法，不仅可以提高降雨预报的精度，较大程度的简化数据同化过程，而且增加多源气象信息可以弥补不同气象数据的不足，充分发挥各类数据的优势，使数据同化的结果更加可靠，为气象、水利等有关部门提供合理的数据同化方案，具有普遍适用性。

技术领域

本发明涉及数值降雨预报和数据同化技术领域，具体涉及一种多源气象信息数据同化方法及其在降雨预报中的应用。

背景技术

降雨事件水平空间尺度很小，又具有随机性和突发性，因此数值降雨预报是数值天气预报的难点，特别是针对强度大历时短的暴雨，很难获得具有一定精度的预报结果。

数据同化是将不同时刻、不同类型、不同来源、不同分辨率的气象数据以及背景场生成时间、空间和物理一致性的数据集，在提高数值大气预报精度方面，特别是降雨预报，有非常重要的作用。

目前同化单一种类数据的技术已经较为成熟，并能判断其同化效果的优劣，但对多种数据同时同化的情况较少，也没有一种衡量和选取同化数据的方法。这使数据同化具有很大局限性，不能完全体现各种数据的优势，使同化结果更优。目前应用广泛且效果较好的数据同化方法有三维变分数据同化和集合卡尔曼滤波法。

三维变分同化的本质是求解一个分析变量，使得一个衡量分析变量与背景场和观测场之间距离的目标泛函达到极小值。该目标泛函可由下式表示：

其中X为所求的数值预报模式初始状态的最优解；X_b为背景场；B为背景场误差协方差矩阵；Y₀为观测向量；H为观测算子，将模式变量由模式空间投影到观测空间；R为观测误差协方差矩阵，R＝E+F，E为仪器观测误差协方差矩阵，F为观测代表性误差协方差矩阵，三维变分同化能够体现复杂的非线性约束关系。由于可以使用复杂的观测算子，因而更有利于同化与模式变量有非直接或非线性相关的观测资料。

集合卡尔曼滤波法用集合的思想解决了实际应用中背景误差协方差矩阵的估计和预报困难的问题，可用于非线性系统的数据同化，同时降低了数据同化的计算量。集合卡尔曼滤波包含预测和更新两个步骤：

(1)预测：

式中，是k时刻第i个集合的状态分析值，是k+1时刻状态预测值，M_k,k+1是k时刻到k+1时刻状态变化关系，w_i,k是模型误差。

(2)更新：,

其中式中，是第i个集合在k+1时刻的状态分析值，K_k+1是增益矩阵，是k+1时刻的观测数据，H_k+1是k+1时刻的观测算子，v_ik是观测误差，是所有集合的分析值，是预测误差方差矩阵，是分析场误差方差矩阵。

发明内容

本发明设计了一种多源气象信息数据同化方法及其在降雨预报中的应用，综合考量了常规观测数据和非常规观测数据的优点和缺点，其解决的技术问题是如何选取不同种类的数据，发挥多源气象信息优势，使多源数据同化的效果更优，从而提高降雨的预报精度。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种多源气象信息数据同化方法，包括以下几个步骤：

步骤1、数据同化方法的选取；

步骤2、构建多源气象信息数据库；

步骤3、对多源气象信息进行数据同化；