[发明专利]附加扰动的集成混合集合Kalman滤波天气预报同化方法及装置

说明书

本发明公开了一种附加扰动的集成混合集合卡尔曼滤波天气预报同化方法及其装置。该天气预报同化方法通过一组气候态集合扰动来估计静态背景误差协方差矩阵，从而得到混合的卡尔曼增益矩阵。与常用的对静态和流相关的背景误差协方差得到的卡尔曼增益求平均的混合方法相比，本发明采用混合卡尔曼增益来更新后验集合均值、采用混合的减小卡尔曼增益来更新后验集合扰动。与通常由集合卡尔曼滤波更新集合扰动的混合数据同化方法相比，本发明能用混合卡尔曼增益更新集合扰动，并且克服了分离的混合同化系统和集合卡尔曼滤波系统存在的不一致问题，在混合权重及其他同化参数选择合适的情况下，能够进一步减小同化后的误差。

技术领域

本发明涉及一种数值天气预报同化方法，属于基于变分同化和集合同化的混合同化方法及其装置，混合同化方法能结合变分同化和集合同化的优势，更好地改进天气预报结果。

背景技术

数据同化是一种结合动力系统的先验信息和观测，找到系统状态的最优估计的技术。

常用的数据同化方法有变分同化和集合同化方法。为了结合集合同化和变分同化的优势，同时令这两种方法的缺点最小，提出了混合集合-变分同化方法。前人的研究表明混合集合-变分同化方法优于单独的变分或集合方法，混合同化方法已经广泛应用于区域和全球模式的数值天气预报。

混合集合-变分同化方法通常用变分框架求解混合分析增量，而集合成员用集合卡尔曼滤波来更新，令集合平均等于混合方法求解的分析场。这种混合方式在变分框架下使用混合方法更新集合平均，但后验集合扰动都是使用单独的集合卡尔曼滤波系统来更新的。这种分离的混合同化系统和集合卡尔曼系统存在的不一致可能导致结果不是最优的。

为此，中国专利202010646132.7公开了一种基于三重多层感知机的数值天气预报混合资料同化方法，其在传统的分析周期的基础上，获取由背景场和观测值序列组成的训练数据集，分别利用第一感知机模型和第二感知机模型来优化两类分析场结果，此外还利用第三感知机模型来对第一感知机和第二感知机的输出进行混合优化，将三维变分资料同化方法和集合卡尔曼滤波器资料同化方法的分析场耦合起来，以使得在数值天气预报中的资料同化效果更佳，进而保证该方法的同化性能较传统方法得到有效提升。同化时引入神经网络学习算法，其难点在于如何保证训练数据集的有效性，而通常地，训练数据集的有效性依赖于标记样本的数量以及训练周期。

因此，研发人员目前面临的困境是如何开发出一种混合同化方法，其能够在单独的集合卡尔曼滤波框架下即可实现混合同化，以解决由分离的同化系统导致的不一致问题。

发明内容

本发明针对现有技术的不足，提供了一种使用集合卡尔曼滤波框架而非变分框架来计算分析增量的集成混合同化算法。新提出的附加扰动的集成混合集合卡尔曼滤波同化方法（IHGEnKF），通过一组气候态集合扰动来估计静态背景误差协方差矩阵，从而得到混合的卡尔曼增益矩阵。与常用的结合静态和流相关的背景误差协方差而得卡尔曼增益的混合方法相比，集成混合同化方法可以利用估计的静态背景误差协方差加上流相关的背景误差协方差的信息同时更新集合均值和集合扰动（具体地，采用混合卡尔曼增益来更新后验集合均值、采用混合的减小卡尔曼增益来更新后验集合扰动）。与从最小化过程里生成后验集合的EVIL相比，集成混合同化算法不需要大量的迭代，并且很容易应用于现有的集合卡尔曼滤波系统。并且克服了分离的混合同化系统和集合卡尔曼滤波系统存在的不一致问题，在混合权重及其他同化参数（如局地化参数和膨胀参数）选择合适的情况下，能够进一步减小同化后的误差。

为实现上述的技术目的，本发明将采取如下的技术方案：

一种附加扰动的集成混合集合卡尔曼滤波天气预报同化方法，在集合卡尔曼滤波的框架下进行，包括以下步骤：

步骤一、给定一组预报集合以及给定需要同化的观测资料

获取给定的预报集合的循环集合扰动，并基于所得到的循环集合扰动，计算出对应的背景误差协方差；

步骤二、抽取气候态集合扰动