[发明专利]数值天气预报方法、装置、计算机存储介质及电子设备

说明书

本发明公开了一种数值天气预报方法、装置、计算机存储介质及电子设备，属于天气预报领域。该方法首先由输入气象数据经过数值预报模式得到状态向量的先验值，同时构造一组状态向量的集合样本；将先验状态向量以及集合样本输入到观测算子，得到先验值模拟观测以及样本模拟观测；将以上获得的信息以及观测数据输入i4DVar同化求解模块，通过极小化代价函数得到整体误差校正项。本发明将经典的4DVar方法改进为本发明的整体校正的四维变分同化算法(i4DVar)，在每个子时间窗口的初始时刻增加一个整体误差校正项，将初始误差与模式误差进行整体校正，既保证了同化的精度，又减少了计算量。

技术领域

本发明涉及天气预报领域，特别是指一种数值天气预报方法、装置、计算机存储介质及电子设备。

背景技术

数值天气预报(numerical weather prediction，也称数值预报)是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。

数据同化是一种为数值天气预报提供初始场的数据处理技术，目前已广泛应用于大气海洋领域。数据同化是利用最优化的方法与理论将观测数据与数值模式的模拟结果充分融合以期得到最佳分析场的过程。

四维变分同化方法(4DVar)是数据同化领域最重要的方法之一，按照对模式误差的处理方式，4DVar大体分为两类：一类为强约束4DVar方法，另外一类是弱约束4DVar方法。强约束4DVar方法和弱约束4DVar方法本质上都属于非线性最优化问题，求解这类最优化问题往往采用基于切线性与伴随模式的最优化算法，需要给出数值模式的切线性与伴随模式，难度极大。其中，强约束4DVar方法往往假设数值模式本身是完美的、没有模式误差，模式所有的预报误差均来自初始场误差；而弱约束4DVar方法则在优化过程中引入模式误差并对初始误差与模式误差进行分别优化。

目前的强约束4DVar方法和弱约束4DVar方法对于模式误差与初始误差的处理均存在各自的弊端：

强约束4DVar方法忽略模式误差的存在，其最终分析增量是放置在同化窗口初始时刻的误差校正项，通过该误差校正项对初始时刻与同化窗口所有的模式误差进行整体的校正。而实际上模式误差是必然存在的，这种忽略模式误差的方法注定要损失同化精度。同时，忽略模式误差、仅在同化窗口初始时刻添加校正项的方式仅适用于模式误差的影响远逊于初始误差的情形，为保证初始误差与模式误差相比占据主导性，往往需要缩短同化窗口的长度，也就使得强约束4DVar方法很难吸纳较多的观测数据，也会在很大程度上影响到4DVar的同化精度。

弱约束4DVar试图在优化过程引入误差模型，通过对误差模型的建模实现对于初始误差与模式误差的分别优化，必然会使4DVar最优化问题的自由度与计算量激增，进而对最终的优化结果带来巨大的不确定性。且由于模式误差来源复杂，准确建模几乎不可能，因此误差模型的建立也存在着极大的不确定性，这些不确定性也会最终的4DVar方法的同化精度造成影响。

发明内容

为解决现有技术中的问题，本发明提供一种数值天气预报方法、装置、计算机存储介质及电子设备，在每个子时间窗口的初始时刻增加一个整体误差校正项，将初始误差与模式误差进行整体校正，既保证了同化的精度，又减少了计算量。

本发明提供技术方案如下：

第一方面，本发明提供一种数值天气预报方法，所述方法包括：

获取当前同化窗口的先验状态向量以及集合样本；

其中，所述同化窗口按照一定的时间间隔划分为若干个子时间窗口，所述先验状态向量以及集合样本在每个子时间窗口的初始时刻均增加一个整体误差校正项；

分别将所述先验状态向量和集合样本输入到观测算子，得到先验模拟观测结果和样本模拟观测结果；