一种结合最优观测时间窗口的强耦合数据同化方法技术

一种结合最优观测时间窗口的强耦合数据同化方法，属于耦合气候模式系统的强耦合数据同化与数值预报技术领域。本发明专利技术结合耦合模式自由积分状态的谱分析获取耦合模式状态的特征时间尺度，并依据耦合模式状态的时间尺度设立最优观测时间窗口的大小；在基于最优观测时间窗口获取有效的大气与海洋观测数据的基础上，根据大气与海洋状态之间的自相关系数引入观测窗口内相关性权重系数，最大程度上提取有效的观测信息的同时减小时间与相关性差异；在基于最优观测时间窗口的弱耦合同化方案的稳态大气与海洋的耦合相关性系数，在传统强耦合同化方案中引入耦合相关性权重系数，实现对耦合模式状态的更加精确的估计强化耦合模式的大气与海洋的数值预报能力。

A Strongly Coupled Data Assimilation Method Combining Optimal Observation Time Window

A strong coupling data assimilation method combining the optimal observation time window belongs to the field of strong coupling data assimilation and numerical prediction technology of coupled climate model system. The invention obtains the characteristic time scale of the coupled mode state by combining the spectrum analysis of the free integral state of the coupled mode, and establishes the optimal observation time window size according to the time scale of the coupled mode state; on the basis of obtaining effective atmospheric and oceanic observation data based on the optimal observation time window, the observation window is introduced according to the self-correlation coefficient between the atmospheric and oceanic states. Internal correlation weight coefficients can extract effective observation information to the greatest extent while reducing the difference between time and correlation. Coupling correlation coefficients of steady-state atmosphere and ocean are introduced into traditional strong-coupling assimilation schemes based on the optimal observation time window to achieve more accurate estimation of coupled mode state and strengthen coupling. The numerical prediction ability of the combined model for atmosphere and ocean.

【技术实现步骤摘要】
一种结合最优观测时间窗口的强耦合数据同化方法
本专利技术属于耦合气候模式系统的强耦合数据同化与数值预报
，具体涉及一种结合最优观测时间窗口的强耦合数据同化方法。
技术介绍
耦合气候模式能合理模拟大气，海洋，陆地以及海冰等地球系统中各个子系统之间的相互作用过程，从而模拟气候变化过程。但耦合模式中又往往存在各种误差与不确定性(例如不完美的数值实现和物理参数化过程以及不合理的模式内部参数值等)，从而造成模式输出结果偏离真实的气候特征和变化过程的实际观测数据，从而限制耦合模式的气候预报能力。传统弱耦合数据同化过程在各个子系统独立进行状态估计(子系统内的观测信息只用来估计自身的状态)基础上利用模式的耦合动力学特征在子系统之间传输观测信息，从而保证模式各个子系统能得到一致和连贯的调整。传统强耦合数据同化过程则在弱耦合同化过程的基础上，利用海洋慢变属性(当前时刻的海洋状态中包含之前时刻的大气状态信息，所以当前时刻海洋状态与之前时刻的大气状态之间相关性更大)这一特点，取之前时刻的大气观测均值来实现对海洋状态的进一步的估计与优化，维持耦合模式内部时间尺度交互的特性。缺陷在于受计算条件所限，同化周期远远大于观测时间间隔，弱耦合同化过程中只考虑同化时间点上的观测信息，忽略了非同化时间点上的观测信息，造成了观测信息的极大浪费，限制了弱耦合同化过程中的耦合模式状态估计的精度；从而影响了对弱耦合同化过程中大气与海洋状态相关性的估计与采样精度，进而限制了强耦合同化过程中大气观测对海洋状态的估计精度，限制了强耦合同化过程的同化质量以及后续耦合模式的大气与海洋的数值预报能力。设立观测时间窗口通常用于收集有效的观测信息以用于每一个数据同化与周期，从而提高每一个模式状态估计周期内的观测利用率。一方面传统方法中将观测时间窗口内所有观测均权重化能在减小计算代价的同时减小观测的误差的影响，缺陷是观测时间窗口内观测与状态估计时刻的模式背景场存在时间差异性，且观测对应模式状态与背景场之间的相关性系数存在差异，传统的均值化会引入上述时间差异与相关性差异，从而造成观测时间窗口内观测信息被低估或者高估，从而降低耦合模式状态的准确性。另一方面观测时间窗口的大小与同化时间间隔大小之间的关系直接决定了背景场与观测之间的相关性，传统方法中扰动观测又会引入观测扰动误差，如何权衡两者之间的影响也是引入观测时间窗口时面临的又一难题。
技术实现思路
本专利技术的目的在于提供一种结合最优观测时间窗口的强耦合数据同化方法，针对传统耦合数据同化与参数优化方法中存在的观测资源利用以及状态估计与参数优化精度的不足，结合耦合模式自由积分状态的谱分析获取耦合模式状态的特征时间尺度，并依据耦合模式状态的时间尺度设立最优观测时间窗口的大小。在基于最优观测时间窗口获取有效的大气与海洋观测数据的基础上引入观测窗口内时间权重系数，最大程度上提取有效的观测信息以拟合耦合模式状态的特征变率；同时忽略模式内部参数的时变特征并引入时间窗口内的时间平均系数，实现对模式参数的更加精确的估计与优化；从而强化耦合模式的大气与海洋的数值预报能力。本专利技术的目的是这样实现的：一种结合最优观测时间窗口的强耦合数据同化方法，包括如下步骤：步骤1：获取耦合模式状态的特征时间尺度；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行谱分解，以获取不同耦合状态的特征时间尺度，选取3％的特征时间尺度为对应的耦合状态设置最优观测时间窗口大小；步骤2：获取耦合模式状态的自相关系数；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行自相关分析，以分别获取不同状态的自相关系数；步骤3：对最优观测时间窗口内观测数据进行预处理；剔除最优观测时间窗口内的无效数据和异常数据，将有效的观测数据转化成同化过程所需的格式；步骤4：构建基于最优观测时间的弱耦合同化方案，弱耦合同化方案中大气与海洋状态分别进行同化；若大气最优观测时间窗口小于大气状态的同化时间间隔，采用方案一集合平方根滤波方法，在不对观测数据进行扰动的情况下进行状态估计，否则采用方案三完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；若海洋最优观测时间窗口小于海洋状态的同化时间间隔，采用方案二集合平方根滤波方法，消除观测集合扰动带来的扰动误差，否则采用方案四完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；步骤5：在模式状态数据到达稳态后计算大气与海洋状态的时间平均耦合相关系数，引入耦合相关性权重系数消除传统强耦合同化方案中差异性所带来的影响，采用方案五基于耦合相关性权重系数的强耦合同化方案，将大气观测扰动成观测集合并采用C-EnKF实现利用大气观测数据对海洋状态的更新；步骤6：采用RTP方案来对更新后的大气与海洋状态进行膨胀；步骤7：膨胀之后的模式状态分析场为下一步模式积分与预报提供初始场，模式自由积分并进入下一个同化周期。所述步骤4中方案一为采用集合平方根滤波方法，在不对观测数据进行扰动的情况下进行状态估计；最优观测时间窗口中的有效的大气观测数据为其中ya,o表征大气观测，m为窗口内有效观测数量，窗口内大气状态预报场为当前时刻的大气状态模式预报场为xa,f，观测对应大气状态自相关系数分别是(L1,…,Lm)；根据观测对应状态自相关系数引入观测窗口内相关性权重系数Wii为平均化后对应的观测误差为窗口内对应的大气状态模式预报场为为大气观测误差标准差，在集合平方根滤波方法中，模式背景场与分析场表征为集合平均与集合扰动(x)′的和：根据集合平方根滤波方法分别对分析场集合平均和集合扰动进行更新分析场的分析误差(1-we)pf为融入大气最优观测时间窗口中的所有有效观测并结合相关性权重系数得到：大气状态分析场误差协方差为将集合平均更新权重we与集合扰动更新权重带入更新方程对模式大气状态的集合平均与集合扰动进行更新；集合平均更新权重we与集合扰动更新权重分别为所述步骤4中方案二为针对每一次同化周期没有海洋观测被复用，周期内模式预报数据与窗口内的观测数据之间没有相关性，此时模式背景场与观测场之间不相关；采用集合平方根滤波方法消除观测集合扰动带来的扰动误差；最优时间观测窗口中的有效的海洋观测数据对应的海洋状态自相关系数分别是(L1,…,Lm)，引入观测窗口内相关性权重系数Wii，分别对模式海洋状态的集合平均与集合扰动进行更新；海洋状态xo,f是慢变量，同化窗保持不变则最优海洋观测窗口内的海洋状态更新公式变为xo,a为海洋状态分析场，当前情形下的集合平均更新权重we与集合扰动更新权重分别为为海洋状态分析场误差协方差，海洋状态更新方程为带入更新方程中分别对模式海洋状态的集合平均与集合扰动进行更新。所述步骤4中方案三为针对每一次同化周期都存在大气观测被复用，周期内模式预报数据与窗口内的大气观测数据之间存在相关性，此时模式背景场与观测场相关；对大气观测值进行扰动来计算背景场与观测场的相关性系数，观测扰动成集合的标准差为观测误差，采用完整的集合卡尔曼滤波方法来对模式状态进行估计和更新；最优时间观测窗口中的有效的大气观测数据窗口内大气状态预报场为当前时刻的大气状态模式预报场为xa,f，大气观测对应状态自相关系数分别是(L1,…,Lm)，引入观测窗口内相关本文档来自技高网...

【技术保护点】
1.一种结合最优观测时间窗口的强耦合数据同化方法，其特征在于，包括：步骤一：获取耦合模式状态的特征时间尺度；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行谱分解，以获取不同耦合状态的特征时间尺度，选取3％的特征时间尺度为对应的耦合状态设置最优观测时间窗口大小；步骤二：获取耦合模式状态的自相关系数；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行自相关分析，以分别获取不同状态的自相关系数；步骤三：对最优观测时间窗口内观测数据进行预处理；剔除最优观测时间窗口内的无效数据和异常数据，将有效的观测数据转化成同化过程所需的格式；步骤四：构建基于最优观测时间的弱耦合同化方案，弱耦合同化方案中大气与海洋状态分别进行同化；若大气最优观测时间窗口小于大气状态的同化时间间隔，采用方案一集合平方根滤波方法，在不对观测数据进行扰动的情况下进行状态估计，否则采用方案三完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；若海洋最优观测时间窗口小于海洋状态的同化时间间隔，采用方案二集合平方根滤波方法，消除观测集合扰动带来的扰动误差，否则采用方案四完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；步骤五：在模式状态数据到达稳态后计算大气与海洋状态的时间平均耦合相关系数，引入耦合相关性权重系数消除传统强耦合同化方案中差异性所带来的影响，采用方案五基于耦合相关性权重系数的强耦合同化方案，将大气观测扰动成观测集合并采用C‑EnKF实现利用大气观测数据对海洋状态的更新；步骤六：采用RTP方案来对更新后的大气与海洋状态进行膨胀；步骤七：膨胀之后的模式状态分析场为下一步模式积分与预报提供初始场，模式自由积分并进入下一个同化周期。...

【技术特征摘要】
1.一种结合最优观测时间窗口的强耦合数据同化方法，其特征在于，包括：步骤一：获取耦合模式状态的特征时间尺度；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行谱分解，以获取不同耦合状态的特征时间尺度，选取3％的特征时间尺度为对应的耦合状态设置最优观测时间窗口大小；步骤二：获取耦合模式状态的自相关系数；在耦合模式自由积分的基础上获取耦合模式状态的时间序列，并对状态的时间序列进行自相关分析，以分别获取不同状态的自相关系数；步骤三：对最优观测时间窗口内观测数据进行预处理；剔除最优观测时间窗口内的无效数据和异常数据，将有效的观测数据转化成同化过程所需的格式；步骤四：构建基于最优观测时间的弱耦合同化方案，弱耦合同化方案中大气与海洋状态分别进行同化；若大气最优观测时间窗口小于大气状态的同化时间间隔，采用方案一集合平方根滤波方法，在不对观测数据进行扰动的情况下进行状态估计，否则采用方案三完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；若海洋最优观测时间窗口小于海洋状态的同化时间间隔，采用方案二集合平方根滤波方法，消除观测集合扰动带来的扰动误差，否则采用方案四完整的集合卡尔曼滤波方法，对模式状态进行估计和更新；步骤五：在模式状态数据到达稳态后计算大气与海洋状态的时间平均耦合相关系数，引入耦合相关性权重系数消除传统强耦合同化方案中差异性所带来的影响，采用方案五基于耦合相关性权重系数的强耦合同化方案，将大气观测扰动成观测集合并采用C-EnKF实现利用大气观测数据对海洋状态的更新；步骤六：采用RTP方案来对更新后的大气与海洋状态进行膨胀；步骤七：膨胀之后的模式状态分析场为下一步模式积分与预报提供初始场，模式自由积分并进入下一个同化周期。2.根据权利要求1所述的一种结合最优观测时间窗口的强耦合数据同化方法，其特征在于：所述步骤四中方案一为采用集合平方根滤波方法，在不对观测数据进行扰动的情况下进行状态估计；最优观测时间窗口中的有效的大气观测数据为其中ya,o表征大气观测，m为窗口内有效观测数量，窗口内大气状态预报场为当前时刻的大气状态模式预报场为xa,f，观测对应大气状态自相关系数分别是(L1,…,Lm)；根据观测对应状态自相关系数引入观测窗口内相关性权重系数Wii为平均化后对应的观测误差为窗口内对应的大气状态模式预报场为为大气观测误差标准差，在集合平方根滤波方法中，模式背景场与分析场表征为集合平均与集合扰动(x)′的和根据集合平方根滤波方法分别对分析场集合平均和集合扰动进行更新分析场的分析误差(1-we)pf为融入大气最优观测时间窗口中的所有有效观测并结合相关性权重系数得到大气状态分析场误差协方差为将集合平均更新权重we与集合扰动更新权重带入更新方程对模式大气状态的集合平均与集合扰动进行更新；集合平均更新权重we与集合扰动更新权重分别为3.根据权利要求1所述的一种结合最优观测时间窗口的强耦合数据同化方法，其特征在于：所述步骤四中方案二为针对每一次同化周期没有海洋观测被复用，周期内模式预报数据与窗口内的观测数据之间没有相关性，此时模式背景场与观测场之间不相关；采用集合平方根滤...

【专利技术属性】
技术研发人员：赵玉新，邓雄，刘厂，张绍晴，高峰，党振中，何忠杰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23