基于集合的四维变分方法用于雷达资料同化的关键技术研究

The 4-D variational method based on ensemble and SVD technique （SVD-En4DVar), as a kind of hybrid method, powfully combines the ensemble method with variational method. In this method, flow-dependent backgournd error covariance estimated from forecast ensemble is introduced into variantional assimilation method, and SVD technique is used to reduce dimensions in the solving process. In this way, the control variables are explicitly expressed in the cost function and the adjoint model is not used. In this project, the SVD-En4Dvar will be carried out the ability of radar data assimilation. The project will focus on solving the following three key problems: (1) the method on reducing the computation cost for producing the forecast ensemble; (2) the localization scheme; (3) the method for pruducing the initial perturbation samples. Through this project, the primary difficulties in using SVD-En4DVar method to radar data assimilation will be solved. It is feasible this method works better that the existed 3DVar system. And the computational time seeks to meet the need for operational run. It will useful and helpful to the further operational application of radar observations.

基于集合和奇异值分解（SVD）技术的四维变分同化方法（SVD-En4DVar）将集合同化方法和变分同化方法相结合，将由预报集合估计的流依赖的背景误差协方差引入变分同化，利用SVD技术进行降维，使得控制变量显式地出现在目标函数中，避免了伴随模式的运用。本项目拟开展将该方法用于同化多普勒雷达资料的研究，重点研究解决以下3个方面的问题：（1）减少产生预报集合所需计算时间的方法；（2）局地化方法；（3）产生初始扰动样本的方法。通过这一研究，在一定程度上解决将SVD-En4DVar用于雷达资料同化的主要困难，希望其同化效果明显好于现有的3DVar同化效果，并且在计算量上能满足业务运行要求，为推动雷达资料的业务运用作出贡献。

项目按照计划书，开展了3个方面的研究工作：（1）在研究减少产生预报集合所需计算时间方法上，针对SVD-En4DVar方法提出了减少预报样本更新频率来节约计算成本的方法，并进一步将该思路应用于现有集合同化方法，基于EnSRF方法设计其简化方案及其同化系统构建，个例试验表明了该方法可以保证同化效果的同时，大量节约计算成本；（2）对比分析了观测局地化和分块局地化两种方法在SVD-En4DVar同化中的应用效果，最后确定在SVD-EN4DVar同化框架中采用两者相结合的方法，即在采用分块的基础上使用观测局地化方法进行同化雷达观测资料；（3）对几种产生初始扰动样本的方法进行对比分析，发现用3DVar方法产生的初始扰动样本集合有较好的动力协调性，能有效缩短模式Spin-up时间。此外，我们还围绕资料同化技术在数值敏感性试验中的应用做了一些研究工作。基于以上研究，我们完成了项目目标，主要取得成果有以下三个方面：（1）建立了基于SVD-En4DVar方法的雷达资料同化系统；（2）发展了一种资料同化应用于数值敏感性试验的方法；（3）提出了大尺度资料约束下提高雷达资料同化预报效果的实施方法。目前这些研究成果都是基于天气个例试验得到的，有很好的应用前景，但在进一步业务应用前还需要进行大批量的数值试验。