采用WRF(Weather Research and Forecasting)模式及其三维变分同化模块WRF-3DVar,开展了中法海洋卫星(China-France Oceanography SATellite,CFOSAT)散射计风场资料同化及数值预报试验研究,对比分析了同化常规观测资料及进一步同化CFOSA...
详细信息
采用WRF(Weather Research and Forecasting)模式及其三维变分同化模块WRF-3DVar,开展了中法海洋卫星(China-France Oceanography SATellite,CFOSAT)散射计风场资料同化及数值预报试验研究,对比分析了同化常规观测资料及进一步同化CFOSAT散射计风场资料后对台风“白鹿”预报效果的影响。结果表明:与不进行资料同化相比,同化常规观测资料使台风路径预报平均绝对误差(Mean Absolute Error,MAE)降低20 km以上,中心最低海平面气压平均绝对误差降低3%以上,但中心最大风速没有明显改善;同化CFOSAT卫星散射计风场资料后,台风路径和强度的预报效果得到进一步改善,与不进行资料同化相比,台风路径预报的平均绝对误差降低30 km以上,中心最低海平面气压平均绝对误差降低约7%,中心最大风速的预报平均绝对误差降低幅度超过20%。
最近几十年,随着人们对海洋认识的不断深入和计算机科学的飞速发展,海洋数值模式的模拟和预报能力有了长足进步。但相比实际观测,模拟和预报结果与观测之间仍存在一定的偏差,基于实测对海洋数值模式的预报结果进行偏差校正仍是一项非常重要的工作。本文利用自然资源部第一海洋研究所自主研发的全球高分辨率浪潮流耦合预报系统(The surface wave-tide-circulation coupled ocean model developed by the First Institute of Oceanography,Ministry of Natural Resources,China,FIO-COM)的预报结果,结合多源卫星融合产品OISST(Optimum Interpolation Sea Surface Temperature)开展了海洋温度预报结果订正的研究。分别采用了统计模型和长短期记忆神经网络等对海表面温度(Sea surface temperature,SST)预报结果直接进行误差订正,进而根据温度垂向分布特征实现了三维温度预报结果的订正。论文主要工作及结论如下:(1)考察海表面温度偏差随时间的变化规律,通过线性拟合和LSTM(Long Short-Term Memory)神经网络方法在各个空间点上分别建立了单点偏差预报模型,利用建立的单点偏差预报模型来对下一时刻的偏差进行预报,进而对模式预报的海表面温度进行校正。实验表明,利用零阶线性拟合、一阶线性拟合和LSTM神经网络分别建立的偏差预报模型均可改善海表面温度预报结果,且利用LSTM神经网络建立的单点偏差预报模型的校正效果最稳定。LSTM神经网络可以将模式海表面温度预报结果的偏差降低60%～70%,温度偏差的概率密度分布对比显示,采用LSTM方法校正后的模式温度偏差向0附近集中,偏差整体减小。(2)为了减少偏差校正方法的计算量,利用ConvLSTM神经网络建立了海表面温度偏差的二维偏差预报模型,充分考虑了物理量在空间上的连续性,实现了海表面温度偏差空间分布的预报。通过区域实验对比发现,利用ConvLSTM神经网络建立二维偏差预报模型相比针对单点建立的LSTM方法取得了相当的校正效果,并且可以大大减少模型的训练时间。将2017-2020年的数据作为训练集,建立了全球的ConvLSTM偏差预报模型,海表面温度的校正取得满意的结果,校正后测试集的温度误差绝均差从0.344℃降低到0.116℃,降低幅度达到66%。(3)为了实现三维温度场的偏差校正,本研究在ConvLSTM二维偏差预报模型的基础上,利用上混合层温度的变化与SST较为一致的特点,建立了上混合层温度校正量与海面温度校正量之间的关系式,进而实现了FIO-COM温度预报结果的三维校正。利用OISST数据和Argo温度剖面观测对校正前后的温度预报结果进行对比分析,结果表明不仅校正后的海表面温度偏差大大降低,校正后的上层海洋温度预报结果也得到了显著的改善。
暂无评论