HBFNEnKF混合同化方法設(shè)計及檢驗

朱浩楠 閔錦忠, 2 杜寧珠, 2

?

HBFNEnKF混合同化方法設(shè)計及檢驗

朱浩楠1閔錦忠1, 2杜寧珠1, 2

1南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京210044;2南京信息工程大學(xué)氣象災(zāi)害教育部重點實驗室，南京210044

基于前后張馳逼近（Back and Forth Nudging，簡稱BFN）和集合卡爾曼濾波（EnKF）方法，構(gòu)建了一種新的同化方法HBFNEnKF（Hybrid Back and Forth Nudging EnKF）混合同化方法，并將此同化系統(tǒng)分別與通道淺水模式（shallow water model）和全球淺水模式對接，檢驗了HBFNEnKF同化方法的有效性。同時，對比了集合均方根濾波（EnSRF）、HNEnKF (Hybrid Nudging EnKF)、HBFNEnKF三種方法在有誤差模式中的同化效果。試驗結(jié)果表明：HBFNEnKF同化方法保留了HNEnKF方法的同化連續(xù)性，解決了EnKF同化不連續(xù)不平滑的問題，同時還有著更快的收斂速度；當(dāng)采用單變量分析試驗時，HBFNEnKF方法的優(yōu)勢最為明顯，表明HBFNEnKF能夠較好地保持不同模式變量間的平衡。此外，增量場尺度分析結(jié)果表明：相比EnSRF，HBFNEnKF在大尺度范圍有更好的同化效果，同時能夠避免在中小尺度范圍內(nèi)出現(xiàn)大量的虛假增量。

資料同化 Hybrid Back and Forth Nudging EnKF (HBFNEnKF) Ensemble Square-Root Fiter (EnSRF) 淺水模式

1 引言

數(shù)值天氣預(yù)報是一個初始場和邊界條件的問題。準(zhǔn)確的初始場在提高數(shù)值天氣預(yù)報中起著重要作用，資料同化是為數(shù)值模式提供接近實際大氣狀態(tài)初始場的重要手段，其主要目的是通過適宜的算法將新的觀測資料融入到模式場中，以得到更好的模式初值（Lewis et al., 2006）。經(jīng)過數(shù)十年的發(fā)展，當(dāng)前主流的同化方法分為變分同化法和集合同化法。前者主要包含三維變分（3DVAR）和四維變分（4DVAR）（Lewis et al., 2006）；后者主要包含以集合卡爾曼濾波（EnKF）（Evensen, 1994, 2003）為核心的，經(jīng)過不同拓展延伸的集合同化方法，如集合變換卡爾曼濾波（ETKF）（Bishop et al., 2001; Livings, 2005）、集合調(diào)整卡爾曼濾波（EAKF）（Anderson, 2001）、集合均方根濾波（EnSRF）（Whitaker and Hamill, 2002; 邵長亮和閔錦忠，2015）以及很多其他改進算法如迭代集合平方根濾波（iEnSRF）（閔錦忠等，2012；王世璋等，2013）等。

盡管同化方法眾多，但每一種同化思想都有各自的優(yōu)缺點。EnKF方法由于采用了集合預(yù)報的思想，利用集合成員來計算背景誤差協(xié)方差矩陣（矩陣），實現(xiàn)了背景誤差協(xié)方差的流依賴，同時避免了4DVAR同化中對切線性模式和伴隨模式的構(gòu)建。這使得EnKF相比3DVAR、4DVAR更加適合應(yīng)用到發(fā)展較快、變化迅速的中小尺度過程中（Yang et al., 2009）。然而，為了構(gòu)造具有代表性的矩陣需要大量的集合成員，增大了模式的計算量；而較小的集合成員容易產(chǎn)生濾波發(fā)散。同時，EnKF方法的局地化操作以及在同化過程中造成的不連續(xù)性所帶來的高頻振蕩可能會破壞模式變量的平衡關(guān)系（Bloom et al., 1996; Ourmières et al., 2006; Kepert, 2009）并造成數(shù)據(jù)損失，從而引入誤差。這些缺點在對初值敏感的中小尺度過程中都是極為不利的。

張馳逼近（Nudging）（Hoke and Anthes, 1976）是一種傳統(tǒng)的連續(xù)同化方法，通過對模式積分方程添加Nudging項使每一步積分都能向觀測場逼近，并且積分時間越長同化效果越好（Lakshmivarahan and Lewis, 2013）。Nudging方法作用于每一積分步，其同化過程不會造成嚴重的不連續(xù)問題；由于利用了模式積分進行動力約束，不會破壞模式各變量間的物理平衡；但存在同化收斂較慢、資料利用不夠充分的問題。為了克服這一缺點，Auroux and Blum（2005, 2008）提出了Back and Forth Nudging（BFN）方法：通過向前、向后積分迭代增加積分時間，以加快Nudging同化收斂速度，實現(xiàn)對觀測資料的充分利用。通過與中尺度氣象業(yè)務(wù)預(yù)報模式Meso-NH model（Boilley and Mahfouf, 2012）和海洋業(yè)務(wù)預(yù)報模式NEMO（Ruggiero et al., 2015）對接，試驗證明BFN方法有與4DVAR相當(dāng)?shù)耐Ч?/p>

為了解決EnKF的同化不連續(xù)問題，Lei et al.（2012a, 2012b）提出了Hybrid Nudging EnKF（HNEnKF）方法，其基本思想是使用EnKF的卡爾曼增益矩陣作為Nudging算子引入模式預(yù)報方程，最后將Nudging同化的結(jié)果與利用EnKF更新后的集合擾動相加，得到新的集合成員。Lei et al.（2012a, 2012b）在文章中用Lorenz 63模式和淺水模式進行了試驗，取得了較好的效果：在Lorenz63模式中，HNEnKF方法的連續(xù)性好于傳統(tǒng)EnKF方法和分析增量法（IAU）（Bloom et al., 1996; Ourmières et al., 2006），并與集合卡爾曼平滑（EnKS）（Evensen and van Leeuwen, 2000）相當(dāng)；在淺水模式下，HNEnKF的同化效果優(yōu)于EnKF和EnKS。然而當(dāng)同化窗口增大時，HNEnKF方法 的同化效果明顯降低；模式均方根誤差（RMSE）收斂速度依然較慢；如本文前述，Nudging算法 的特性在于積分時間越長，同化效果越好（Lakshmivarahan and Lewis, 2013），簡單地將Nudging算子用卡爾曼增益矩陣進行替換的混合方法，并不能充分發(fā)揮其同化效果。

為解決上述問題，本文根據(jù)HNEnKF方法的混合思路，將BFN算法與EnKF進行結(jié)合，設(shè)計了新的混合算法：Hybrid Back and Forth Nudging EnKF（HBFNEnKF）同化方法，并用淺水模式（shallow water model）進行了幾組同化試驗，詳細討論了結(jié)果。新算法采用了BFN前后積分迭代的思路，使同化過程能很快收斂，同時能對非觀測模式變量進行較好調(diào)整；此外，HBFNEnKF保留了HNEnKF良好的同化連續(xù)性；在模式方程約束下，其各變量間的平衡關(guān)系得到維持。對HNEnKF和HBFNEnKF方法的介紹將在文章第二部分給出，第三部分的內(nèi)容是試驗方案設(shè)計，試驗結(jié)果與分析在第四部分給出，第五部分為全文總結(jié)。

2 基本同化算法介紹

2.1 EnSRF同化方法

EnSRF是EnKF同化方法的一個重要分支，本文設(shè)計的HBFNEnKF方法也采用了EnSRF的思路計算卡爾曼增益矩陣、更新集合擾動。傳統(tǒng)的EnKF為了避免對背景誤差協(xié)方差的低估，采用了在觀測資料中添加隨機擾動的方法，這樣一來會在同化中引入擾動誤差（Whitaker and Hamill, 2002）。EnSRF方案則通過一系列的變換，避免了這一誤差。

EnSRF的同化過程分為兩步：

其中，（1）式為預(yù)報步，代表模式預(yù)報方程，代表模式預(yù)報變量，上標(biāo)a代表同化后的分析值，上標(biāo)b代表預(yù)報值或背景場，下標(biāo)代表第個集合成員。（2）、（3）式為分析步，（2）式用于更新集合平均，（3）式用于更新集合擾動，為觀測算子，代表觀測場，是EnSRF為了避免EnKF中對觀測場加擾而引入的參數(shù)，為卡爾曼增益矩陣。

2.2 Nudging同化方法和BFN同化方法介紹

Nudging同化也被稱為牛頓張馳逼近法，是一種連續(xù)同化方法，通過在預(yù)報方程加入Nudging項使得模式變量在積分過程中逐步逼近真值。傳統(tǒng)的Nudging同化公式為

其中，

圖1 權(quán)重系數(shù)wt隨時間變化的示意圖

理論上，采用Nudging同化會使模式場隨著積分不斷收斂于真值（Lakshmivarahan and Lewis, 2013），但要求Nudging算子既不能太大，導(dǎo)致積分不穩(wěn)定，也不能太小，使得收斂速度太慢，降低同化效果。在通常的業(yè)務(wù)模式如WRF模式中，的取法為Cressman反距離權(quán)重法（Stauffer and Seaman, 1990; Liu et al., 2005, 2006），Stauffer and Seaman（1990），Stauffer and Bao（1993）以及Zou et al.（1992）提出了最優(yōu)逼近（Optimal Nudging），利用伴隨矩陣求解對應(yīng)的代價函數(shù)，得出某一同化區(qū)間的最優(yōu)Nudging算子。然而這樣的求解方式需要伴隨模式的構(gòu)建，加大了操作難度。

從增加模式積分時間的角度考慮，Auroux and Blum（2005, 2008）提出了BFN方法，其基本思路為

（11）式為向前逼近（Forward Nudging），（12）式為向后逼近（Backward Nudging）。其中，、分別表示向前積分和向后積分變量，下標(biāo)表示迭代的次數(shù)，、分別為向前Nudging算子和向后Nudging算子。Auroux and Blum（2005, 2008）將Nudging算子、處理為同一形式：

BFN同化方法的步驟為：利用Forward Nudging將模式向前積分到同化窗口終點，將模擬結(jié)果賦給Backward Nudging作初值；利用Backward Nudging將模式向后積分到窗口起始時刻，把模擬結(jié)果賦給Forward Nudging，由此不斷迭代直至收斂。由于模式的非線性特性，向后積分會產(chǎn)生較強的不穩(wěn)定，但在Backward Nudging里，Nudging項的引入使向后積分得以較為穩(wěn)定地進行，由此構(gòu)建出不需要伴隨模式的四維同化方案。

Auroux and Blum（2005, 2008）證明了BFN同化方法的收斂性和較好的同化效果，但實際上該方法也存在很多問題：（1）Auroux and Blum（2005, 2008）給出的Nudging算子僅是一個近似，并未給出明確的標(biāo)準(zhǔn)，對的取值較為隨意；（2）觀測誤差協(xié)方差矩陣在實際中有時無法確定，而計算切線性觀測算子需要復(fù)雜的操作；（3）為了達到好的同化效果，BFN同化需要較多次迭代才能收斂（Auroux, 2009），使同化花費了很多時間。

2.3 混合方法介紹

為了解決EnKF的同化不連續(xù)問題，Lei et al.（2012a, 2012b）提出了HNEnKF同化方案，該方法中Nudging算子的替換公式為

HNEnKF的同化步驟為：首先將集合成員積分到同化時次，利用（4）式計算得到，然后按照（14）式的混合方案計算出Nudging對應(yīng)的同化算子，將模式積分到同化時刻；用Nudging積分后的結(jié)果替換掉集合平均場，與EnKF更新后的集合擾動相加，得到新的集合成員；將集合成員繼續(xù)向前積分，循環(huán)同化。HNEnKF與IAU有很多相似之處，但其最大不同在于：IAU在積分步上疊加的增量是靜態(tài)的，HNEnKF同化則使用隨時間變化的分析增量進行疊加。圖2給出了HNEnKF方法的詳細同化流程。

圖2 HNEnKF方案的同化流程示意圖

如前所述，HNEnKF方法還存在一些問題。為了改進該方法，本文結(jié)合Auroux and Blum（2005, 2008）提出的BFN算法與EnKF，設(shè)計了HBFNEnKF混合方法。其原理為：將（11）、（12）式中的、利用下式進行替換：

圖3 HBFNEnKF方案的同化流程示意圖

3 試驗設(shè)計

為了檢驗HBFNEnKF的同化效果，本文首先在通道淺水模式下進行了同化試驗。模式方程組為

其中，、、的取值范圍滿足、、，和表示模式緯向和經(jīng)向距離，為模式積分時間，、表示水平風(fēng)場，和s分別代表模式高度場和模式地形，代表粘性耗散系數(shù)，、、分別代表每個模式變量對應(yīng)的Nudging算子。模式考慮平面假設(shè)，科氏參數(shù)取為常數(shù)10?4s?1，重力加速度取為9.8 m s?1，格距?=?=30 km，=1500 km，=1500 km，=105m2s?1。模式格點采用荒川c網(wǎng)格，積分步長?= 360 s，積分方法采用龍格庫塔4階積分方法。模擬真實場時地形設(shè)置為

而為了模擬模式誤差，在同化試驗中將地形設(shè)置為

（19）式中，、、的取值范圍滿足、、，（20）式中，、、的取值范圍滿足、、。、、代表向前積分的模式變量，、、代表向后積分的模式變量，下標(biāo)代表迭代次數(shù)，、、分別代表不同模式變量對應(yīng)的向前積分Nudging算子，、、分別代表不同模式變量對應(yīng)的向后積分Nudging算子。

模式東西邊界采用周期邊界條件，上下邊界設(shè)為0，初始高度場利用下式得到：

其中，、滿足的取值范圍為、，=3000 m，，和分別代表緯向距離和經(jīng)向距離。計算得到高度場后，再利用地轉(zhuǎn)關(guān)系計算出初始風(fēng)場。

同化試驗使用了50個集合，其構(gòu)造方式為：在初始高度場上疊加滿足分布的擾動，然后利用地轉(zhuǎn)關(guān)系計算出對應(yīng)風(fēng)場集合成員。真實場和集合成員都經(jīng)過60 h的啟動時間（spin up），同時也是對集合成員的發(fā)展。同化時間間隔分為24 h一次和48 h一次兩種。生成含誤差觀測資料的方法為：將高度場和風(fēng)場、三個變量的真值插值到模式空間中120個不規(guī)則分布點上，再分別疊加滿足分布（高度場）的擾動和滿足分布（風(fēng)場）的擾動得到。

試驗中所用同化方案為EnSRF、HNEnKF以及HBFNEnKF，并另外進行一次模式自由積分作為控制試驗（CTRL）。所有同化試驗均采用GC（Gaspari and Cohn, 1999）局地化方法進行局地化處理，局地化半徑取為600 km；同時采用松弛膨脹法進行協(xié)方差膨脹（relax inflation）（Zhang et al., 2004），膨脹系數(shù)設(shè)置為0.1。利用本文前述的時間權(quán)重算子，將HBFNEnKF和HNEnKF中的Nudging項分配到以觀測資料加入時次為中心的、左右各1 h的時間窗口內(nèi)。

為了檢驗各方案同化過程中變量間的平衡性，上述試驗均關(guān)閉了EnSRF同化中的多變量分析。所謂多變量分析，指集合卡爾曼濾波通過背景誤差協(xié)方差，在同化時實現(xiàn)各模式變量相互影響；關(guān)閉多變量分析，即進行單一變量要素同化試驗。為了進一步檢驗新方案的效果，本文還在全球淺水模式中進行了考慮多變量分析后的同化試驗。全球淺水模式緯向格點180個，經(jīng)向格點90個，積分步長60 s，模式初始場設(shè)置參見Nair et al.（2005）。觀測資料取為405個不規(guī)則分布的點。各試驗組都取20個集合成員，局地化半徑為50 km，協(xié)方差膨脹系數(shù)為0.3。在全球淺水模式試驗中，首先讓模式積分10 d作為spin up并發(fā)展集合成員，再進行3 d、每6 h一次的同化循環(huán)，之后再進行4 d的自由積分。

所有試驗方案詳細配置參見表1和表2。

表1 通道淺水模式中各試驗組名稱及設(shè)置

Table 1 Names and designs of experiments in the channel shallow water model

表2 全球淺水模式中各試驗組名稱及設(shè)置

Table 2 Names and designs of experiments in the global shallow water model

4 試驗結(jié)果與分析

4.1 通道淺水模式試驗結(jié)果和分析

圖4是同化間隔為24 h的高度場、風(fēng)場均方根誤差（RMSE）隨時間的變化趨勢。圖4a、b、c分別為僅同化高度場、僅同化風(fēng)場、同時同化高度場和風(fēng)場時的高度場RMSE變化；圖4d、e、f為對應(yīng)的風(fēng)場RMSE變化。由于與Nudging混合，HNEnKF和HBFNEnKF方法單次同化增量很小，這里給出的是每一積分步的RMSE。可以明顯看出，不論是同化單一變量觀測還是同時同化高度場和風(fēng)場觀測，HBFNEnKF的同化效果都是最好的。

圖4 通道淺水模式下各同化方案高度場的RMSE隨時間的變化：（a）只同化高度場；（b）只同化風(fēng)場；（c）同時同化高度場和風(fēng)場。（d–f）同（a–c），但為風(fēng)場的RMSE變化

當(dāng)僅同化高度場時（圖4a），各方案的同化效果都較差，但EnSRF在每個同化時刻后都有很強的波動，其RMSE有先增大再逐漸減小的變化過程；同樣的現(xiàn)象也出現(xiàn)在圖4b中。這是由于只采用了單變量分析，EnSRF同化不能很好地使模式各變量之間達到平衡關(guān)系，需要一段時間的spin up。該問題并未出現(xiàn)在HNEnKF和HBFNEnKF試驗中，不論是只同化高度場資料還是只同化風(fēng)場資料，兩種混合方法都能保持較好的同化連續(xù)性，并維持模式各變量間的平衡關(guān)系。由圖4a和圖4d可見，由于只同化了高度場資料，HNEnKF雖然比EnSRF的同化效果好，但其優(yōu)勢并不明顯，且需要在積分一段時間后，才能加大與EnSRF同化間的差距；而HBFNEnKF不但能迅速訂正高度場，同時能很好地改善風(fēng)場。這說明經(jīng)過前后積分迭代，HBFNEnKF比HNEnKF能更好地進行觀測資料和模式變量間的調(diào)整。

圖5為模式循環(huán)同化期間，各同化方法在不同同化時間間隔情況下時間平均的RMSE和不連續(xù)性參數(shù)d（discontinue parameter）的對比。這里d為Lei et al.（2012a, 2012b）引入的參數(shù)，目的是為了檢驗?zāi)骋煌椒ǖ耐B續(xù)性。其計算公式為

其中，為試驗中同化時刻的總次數(shù)，E－1和E分別表示某同化時刻同化前和同化后的RMSE。d值越大則說明連續(xù)性越差。

圖5 模式循環(huán)同化期間平均的（a）高度場、（b）風(fēng)場的RMSE和（c）高度場、（d）風(fēng)場的Pd分布示意圖。（c）、（d）中，HNEnKF和HBFNEnKF試驗的值在右側(cè)坐標(biāo)中顯示

由圖5a、b可見，HBFNEnKF試驗的時間平均RMSE最小，HNEnKF試驗次之，EnSRF試驗最大。隨著同化時間間隔的增大，各同化方法的RMSE都有增加，其中變化最明顯的是HNEnKF方法，而同樣條件下HBFNEnKF方案的RMSE增幅并不明顯。根據(jù)同化間隔為48 h時的RMSE變化曲線（圖略）可知，相比間隔時間為24 h的情況，各同化方法的均方根誤差收斂時間都有增加，這是時間平均RMSE增加的主要原因，但其中以HBFNEnKF方法的收斂時間變化最小。此外，HNEnKF與EnSRF之間的RMSE差距明顯減小。Lei et al.（2012a, 2012b）指出這是因為時間窗口增大，Nudging同化受到更多模式誤差帶來的影響。而采用前后積分迭代進行多次調(diào)整，HBFNEnKF在一定程度上改善了HNEnKF這一缺點。由圖5c、d可見，HBFNEnKF同化也保留了HNEnKF良好的同化連續(xù)性；與他們相比，EnSRF的同化連續(xù)性最差。

圖6為同化時間間隔24 h，只同化風(fēng)場資料時，各試驗循環(huán)同化結(jié)束后的環(huán)流形勢。可以看出，循環(huán)同化結(jié)束后模式場中主要的系統(tǒng)是位于=15 km處的兩個高壓中心以及位于=30 km處的兩個小低壓。由圖6c、d、e可見，EnSRF試驗未能將=30 km處的小低壓模擬出來。同時兩個高壓中心的強度、位置以及等高線的流形都與真實場存在一定差異。雖然沒有模擬出低壓中心，但是在真實場中小低壓的位置（=30 km，=20 km），EnSRF模擬出了氣旋性環(huán)流。這說明EnSRF同化風(fēng)場資料時，不能很好地調(diào)整模式高度場。由圖6d可見，相比于EnSRF，HNEnKF有一定改進，但依然不足；同化效果最好的是HBFNEnKF試驗，從各環(huán)流系統(tǒng)的強度、位置分布看，HBFNEnKF都有與真實場最接近的結(jié)果。

圖6 只同化風(fēng)場、同化周期24 h時，各試驗循環(huán)同化結(jié)束后高度場（單位：m）和風(fēng)場（單位：m s?1）：（a）真實場；（b）控制試驗；（c）EnSRF；（c）HNEnKF；（e）HBFNEnKF

4.2 全球淺水模式試驗結(jié)果和分析

圖7給出的是考慮了多變量分析，各同化方案在全球淺水模式同化試驗中RMSE的變化趨勢。由于全球淺水模式試驗積分步較多，所以制作插圖時只考慮了同化時刻。可以明顯發(fā)現(xiàn)，在考慮多變量分析后，EnSRF方案的同化效果得到了很大改進。然而其同化不連續(xù)、不平衡的現(xiàn)象依然存在。在3 d的循環(huán)同化（圖中黑色豎線）后，EnSRF試驗的RMSE有較快增加；而從整體來看，HNEnKF和HBFNEnKF在自由積分階段的RMSE都比EnSRF低。從整體來看，HBFNEnKF依然保留了收斂快、同化效果好、RMSE低的特點。不論是同化單一觀測變量還是同時同化風(fēng)場和高度場變量，HBFNEnKF都能保持最小的均方根誤差。尤其是在只同化風(fēng)場觀測和只同化高度場觀測時，HBFNEnKF對非觀測模式變量能有較好訂正（圖7b、d）。

圖7 全球淺水模式下各同化方案高度場的RMSE隨時間的變化：（a）只同化高度場；（b）只同化風(fēng)場、（c）同時同化風(fēng)場和高度場觀測。（d–f）同（a–c），但為風(fēng)場的RMSE變化

均方根誤差只是對同化效果整體情況的反映。圖8、9給出了在全球淺水模式中各試驗循環(huán)同化結(jié)束時，且自由積分4 d后的環(huán)流形勢（180°為圖的中心經(jīng)度）。圖8是只同化風(fēng)場觀測的結(jié)果；圖9為只同化高度場觀測的結(jié)果。

圖8 全球淺水模式下只同化風(fēng)場資料時，各同化方案循環(huán)同化結(jié)束后，并自由積分4天后的環(huán)流形勢：（a）真實場；（b）EnSRF；（c）HNEnKF；（d）HBFNEnKF。彩色陰影代表位勢高度（單位：m），黑色線代表等高線（單位：m），箭頭代表風(fēng)場（單位：m s?1）

圖9 同圖8，但為只同化高度場資料的結(jié)果

由圖8可見，當(dāng)只同化風(fēng)場資料時，HBFNEnKF相對于另外兩個試驗，在各環(huán)流系統(tǒng)中心的強度和位置上都與真實場最為接近，較好地模擬出了位于30°～60°N的一高一低兩個環(huán)流中心，以及位于30°～60°S、120°W處的高壓中心。HNEnKF和EnSRF試驗在30°N、150°W處模擬出了一個虛假的高壓中心，而HBFNEnKF試驗的模擬結(jié)果則沒有出現(xiàn)這樣的虛假高壓中心。就風(fēng)場的分布和強度來說，HBFNEnKF的同化效果也優(yōu)于另外兩種方案。

由圖9可見，當(dāng)只同化高度場資料時，EnSRF和HNEnKF試驗?zāi)M結(jié)果中的虛假環(huán)流系統(tǒng)發(fā)展得更為明顯。相比只同化風(fēng)場的試驗，由于觀測資料和觀測變量的減少，HBFNEnKF同化效果有一定程度的降低。盡管如此，試驗HBFNEnKF模擬的主要環(huán)流系統(tǒng)及其強度與位置依然優(yōu)于另外兩組試驗。

4.3 增量場分析

本節(jié)將通過增量場的分析簡單說明，相比EnSRF，HBFNEnKF能夠取得更好的同化效果，同時還能避免一些虛假環(huán)流系統(tǒng)的出現(xiàn)。由于HBFNEnKF能夠通過反向積分回到初始時刻，求得對應(yīng)時刻同化前后的增量，而HNEnKF僅為向前積分且單次同化增量過小，無法進行比較，所以這里只用HBFNEnKF與EnSRF進行對比。

首先利用離散余弦變化（DCT）（Denis et al., 2002）將EnSRF、HBFNEnKF以及真實場在模式初始時刻的高度場轉(zhuǎn)換到波數(shù)空間，然后利用帶通濾波對其進行尺度分離，最后求得各尺度上的增量場。圖10為第一個同化時刻、同時同化高度場和風(fēng)場時，經(jīng)過尺度分離后，EnSRF和HBFNEnKF高度場的增量場以及真實場與相應(yīng)時刻控制試驗的差異場（因為是第一個同化時刻，所以EnSRF和HBFNEnKF同化前的背景場與相應(yīng)時刻的控制試驗是相同的），在小尺度、中尺度以及大尺度范圍內(nèi)的差異分布。可以發(fā)現(xiàn)：在大尺度范圍（圖10c、f、i），不論是增量的強度還是分布位置，HBFNEnKF都比EnSRF更接近真實場；在中尺度范圍（圖10b、e、h），雖然HBFNEnKF的增量場與真實場和控制試驗的差異場沒有很好的匹配，但是與EnSRF的增量場相比，避免了許多虛假增量的出現(xiàn)；在小尺度范圍（圖10a、d、g），HBFNEnKF的增量場與真實場和控制試驗的差異場分布較為一致，EnSRF有明顯的虛假增量，這正是由于EnSRF同化不平衡、不連續(xù)所致。

圖10 全球淺水模式下第一個同化時刻同時同化高度場和風(fēng)場時，（a）EnSRF、（d）HBFNEnKF、（g）真實場與控制試驗在小尺度范圍上高度場的差異。（b、e、h）同（a、d、g），但為在中尺度范圍上的差異場；（c、f、i）同（a、d、g），但為在大尺度范圍上的差異場

圖11為第一個同化時刻、只同化高度場時，進行了尺度分離后，EnSRF、HBFNEnKF以及真實場的緯向風(fēng)分量與控制試驗的差異場。只同化高度場是為了使差異更加明顯，同時體現(xiàn)同化方案對非觀測模式變量的訂正效果。可以發(fā)現(xiàn)：在大尺度范圍，HBFNEnKF有著與真實場更為一致的增量分布；而在中尺度尤其是小尺度范圍，HBFNEnKF避免了在EnSRF同化中出現(xiàn)的虛假增量。這說明，在對非觀測模式變量的訂正上，HBFNEnKF有比EnSRF更優(yōu)秀的能力，同時能解決EnSRF同化中的虛假相關(guān)問題。

圖11 同圖10，但為只同化高度場時緯向風(fēng)分量的結(jié)果

綜上所述，HBFNEnKF同化能在模式大尺度范圍進行更好的同化，同時在中小尺度范圍能夠避免傳統(tǒng)EnSRF同化中虛假相關(guān)的出現(xiàn)。這也正是HBFNEnKF有比EnSRF更好的同化效果、并能夠避免模式結(jié)果中虛假環(huán)流系統(tǒng)出現(xiàn)的原因。

5 結(jié)論與討論

本文基于Lei et al.（2012a, 2012b）設(shè)計的HNEnKF同化方法和Auroux and Blum（2005, 2008）設(shè)計的BFN方法，通過結(jié)合BFN和EnKF同化算法，設(shè)計了HBFNEnKF混合同化方案，并針對EnSRF、HNEnKF和HBFNEnKF三種算法，在考慮了誤差的通道淺水模式、全球淺水模式中進行同化試驗。試驗對比了在單變量分析、多變量分析情況下，這三種同化方法的RMSE變化、不連續(xù)性參數(shù)分布以及經(jīng)過循環(huán)同化并自由積分后的模式環(huán)流形勢，得出以下結(jié)論：

（1）HBFNEnKF混合同化方案保留了HNEnKF同化的連續(xù)性和平滑性，解決了EnSRF同化不連續(xù)、不平滑的缺點。

（2）通過前后迭代積分，HBFNEnKF充分發(fā)揮了Nudging同化的特點：積分時間越長同化效果越好，使得同化能很快收斂，相比EnSRF和HNEnKF有最快的收斂速度，同時取得了更好的同化效果。而通過前后積分迭代，HBFNEnKF能較好地逼近真實場，并在一定程度上改善了HNEnKF同化效果隨著同化時間間隔增加而降低的問題。

（3）由于HBFNEnKF作用于模式積分，所以HBFNEnKF同化能利用模式方程進行約束，使得變量間的平衡得以維持。在單變量分析試驗中，HBFNEnKF和HNEnKF都能較好地利用觀測資料對各模式變量進行訂正。而相比之下，由于沒有考慮多變量分析，EnSRF方法在同化單一變量時帶來了較大的模式擾動，增加了模式的spin up時間，從而影響了同化效果。

（4）全球淺水模式的試驗表明，在經(jīng)過4 d自由積分后，HBFNEnKF不但更加接近真實場，同時也避免了一些虛假環(huán)流系統(tǒng)的出現(xiàn)。通過對高度場增量的尺度分析發(fā)現(xiàn)，這是由于HBFNEnKF在大尺度范圍有比EnSRF更好的同化效果：其增量場在強度和空間上都更加接近同化前與真實場的差異場。在中小尺度范圍，HBFNEnKF還避免了一些虛假增量的出現(xiàn)，這正是由于HBFNEnKF較好的同化連續(xù)性和平滑性所致。僅同化高度場時，緯向風(fēng)增量的尺度分析也有一致結(jié)論，這是HBFNEnKF能夠較好地維持模式變量間相互平衡、對非觀測模式變量能進行合理調(diào)整的證明。

盡管HBFNEnKF在本次試驗中有最佳的效果，但是淺水模式只是一個二維理想模式，并不能完全代表真實大氣的運動與結(jié)構(gòu)。HBFNEnKF同化方法在多層模式以及實際預(yù)報模式中的試驗將在之后進行，對真實觀測資料的同化效果也有待檢驗。另外，HBFNEnKF的許多特性還有待進一步探討，如：HBFNEnKF是否也保留了BFN能將大氣低層資料同化到模式高層的特性？迭代過程中的選取對同化效果有何影響？此外，Lorenz 96模式的試驗結(jié)果（略）表明，通過引入不隨時間變化的部分，能夠進一步增加HBFNEnKF的同化效果，這一改進是否能在更為復(fù)雜的模式中實現(xiàn)？同時，HBFNEnKF還存在由于迭代帶來的更多計算量，以及向后積分不穩(wěn)定等問題，雖然在本文試驗中并未出現(xiàn)上述情況，但依然應(yīng)該進行相應(yīng)的研究和改進。

參考文獻(：References)

Anderson J L. 2001. An ensemble adjustment Kalman filter for data assimilation [J]. Mon. Wea. Rev., 129 (12): 2884–2903, doi:10.1175/ 1520-0493(2001)129<2884:AEAKFF>2.0.CO;2.

Auroux D. 2009. The back and forth nudging algorithm applied to a shallow water model, comparison and hybridization with the 4D-VAR [J]. Int. J. Numer. Methods Fluids, 61 (8): 911–929, doi:10.1002/fld.1980.

Auroux D, Blum J. 2005. Back and forth nudging algorithm for data assimilation problems [J]. Comptes Rendus Mathematique, 340 (12): 873–878, doi:10.1016/j.crma.2005.05.006.

Auroux D, Blum J. 2008. A nudging-based data assimilation method: The Back and Forth Nudging (BFN) algorithm [J]. Nonlin. Processes Geophys., 15 (2): 305–319, doi:10.5194/npg-15-305-2008.

Bishop C H, Etherton B J, Majumdar S J. 2001. Adaptive sampling with the ensemble transform Kalman filter. Part I: Theoretical aspects [J]. Mon. Wea. Rev., 129 (3): 420–436, doi:10.1175/1520-0493(2001)129<0420: ASWTET>2.0.CO;2.

Bloom S C, Takacs L L, da Silva A M, et al. 1996. Data assimilation using incremental analysis updates [J]. Mon. Wea. Rev., 124 (6): 1256–1271, doi:10.1175/1520-0493(1996)124<1256:DAUIAU>2.0.CO;2.

Boilley A, Mahfouf J F. 2012. Assimilation of low-level wind in a high- resolution mesoscale model using the back and forth nudging algorithm [J]. Tellus A, 64: 18697, doi:10.3402/tellusa.v64i0.18697.

Denis B, C?té J, Laprise R. 2002. Spectral decomposition of two- dimensional atmospheric fields on limited-area domains using the discrete cosine transform (DCT) [J]. Mon. Wea. Rev., 130 (7): 1812–1829, doi:10.1175/1520-0493(2002)130<1812:SDOTDA>2.0.CO;2.

Evensen G. 1994. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics [J]. J. Geophys. Res., 99 (C5): 10143–10162, doi:10.1029/ 94JC00572.

Evensen G. 2003. The ensemble Kalman filter: Theoretical formulation and practical implementation [J]. Ocean Dynamics, 53 (4): 343–367, doi:10.1007/s10236-003-0036-9.

Evensen G, van Leeuwen P J. 2000. An ensemble Kalman smoother for nonlinear dynamics [J]. Mon. Wea. Rev., 128 (6): 1852–1867, doi:10.1175/1520-0493(2000)128<1852:AEKSFN>2.0.CO;2.

Gaspari G, Cohn S E. 1999. Construction of correlation functions in two and three dimensions [J]. Quart. J. Roy. Meteor. Soc., 125 (554): 723–757, doi:10.1002/qj.49712555417.

Hoke J E, Anthes R A. 1976. The initialization of numerical models by a dynamic-initialization technique [J]. Mon. Wea. Rev., 104 (12): 1551– 1556, doi:10.1175/1520-0493(1976)104<1551:TIONMB>2.0.CO;2.

Kepert J D. 2009. Covariance localisation and balance in an ensemble Kalman filter [J]. Quart. J. Roy. Meteor. Soc., 135 (642): 1157–1176, doi:10.1002/qj.443.

Lakshmivarahan S, Lewis J M. 2013. Nudging methods: A critical overview [M]// Park S K, Xu L. Data Assimilation for Atmospheric, Oceanic and Hydrologic Applications (Vol. II). Springer: Berlin Heidelberg, 27–57, doi:10.1007/978-3-642-35088-7_2.

Lei L L, Stauffer D R, Haupt S E, et al. 2012a. A hybrid nudging-ensemble Kalman filter approach to data assimilation. Part I: Application in the Lorenz system [J]. Tellus A, 64: 18484, doi:10.3402/tellusa.v64i0.18484.

Lei L L, Stauffer D R, Deng A J. 2012b. A hybrid nudging-ensemble Kalman filter approach to data assimilation. Part II: Application in a shallow-water model [J]. Tellus A, 64: 18485, doi:10.3402/ tellusa.v64i0.18485.

Lewis J M, Lakshmivarahan S, Dhall S. 2006. Dynamic Data Assimilation: A Least Squares Approach [M]. Cambridge, UK and New York, NY, USA: Cambridge University Press.

Liu Y B, Bourgeois A, Warner T, et al. 2005. Implementation of observation-nudging based FDDA into WRF for supporting ATEC test operations [R]. 2005 WRF User Workshop. Paper 10.7.

Liu Y B, Bourgeois A, Warner T, et al. 2006. An update on “obs-nudge”- based FDDA for WRF-ARW: Verification using OSSE and performance of real-time forecasts [R]. 2006 WRF User Workshop. Paper 4.7.

Livings D. 2005. Aspects of the ensemble Kalman filter [D]. M. S. thesis, Reading University.

閔錦忠, 王世璋, 陳杰, 等. 2012. 迭代EnSRF方案設(shè)計及在Lorenz96模式下的檢驗 [J]. 大氣科學(xué), 36 (5): 889–900. Min Jinzhong, Wang Shizhang, Chen Jie, et al. 2012. The implementation and test of iterative EnSRF with Lorenz96 model [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36 (5): 889–900, doi:10.3878/j.issn.1006- 9895.2012.11185.

Nair R D, Thomas S J, Loft R D. 2005. A discontinuous Galerkin global shallow water model [J]. Mon. Wea. Rev., 133 (4): 876–888, doi:10.1175/MWR2903.1.

Ourmières Y, Brankart J M, Berline L, et al. 2006. Incremental analysis update implementation into a sequential ocean data assimilation system [J]. J. Atmos. Oceanic Technol., 23 (12): 1729–1744, doi:10.1175/ JTECH1947.1.

Ruggiero G A, Ourmières Y, Cosme E, et al. 2015. Data assimilation experiments using the diffusive back-and-forth nudging for the NEMO ocean model [J]. Nonlin. Processes Geophys., 22 (2): 233–248, doi:10.5194/npg-22-233-2015.

邵長亮, 閔錦忠. 2015. 集合均方根濾波同化地面自動站資料的技術(shù)研究 [J]. 大氣科學(xué), 39 (1): 1–11. Shao Changliang, Min Jinzhong. 2015. A study of the assimilation of surface automatic weather station data using the ensemble square root filter [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39 (1): 1–11, doi:10.3878/j.issn.1006-9895. 1406.13263.

Stauffer D R, Seaman N L. 1990. Use of four-dimensional data assimilation in a limited-area mesoscale model. Part I: Experiments with synoptic-scale data [J]. Mon. Wea. Rev., 118 (6): 1250–1277, doi:10.1175/1520-0493(1990)118<1250:UOFDDA>2.0.CO;2.

Stauffer D R, Bao J W. 1993. Optimal determination of nudging coefficients using the adjoint equations [J]. Tellus A, 45 (5): 358–369, doi:10.1034/j.1600-0870.1993.t01-4-00003.x.

王世璋, 閔錦忠, 陳杰, 等. 2013. 迭代集合平方根濾波在風(fēng)暴尺度資料同化中的應(yīng)用 [J]. 大氣科學(xué), 37 (3): 563–578. Wang Shizhang, Min Jinzhong, Chen Jie, et al. 2013. Application of iterative ensemble square-root filter in storm-scale data assimilation [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37 (3): 563–578, doi:10.3878/j.issn. 1006-9895.2012.11186.

Whitaker J S, Hamill T M. 2002. Ensemble data assimilation without perturbed observations [J]. Mon. Wea. Rev., 130 (7): 1913–1924, doi:10.1175/1520-0493(2002)130<1913:EDAWPO>2.0.CO;2.

Yang S C, Corazza M, Carrassi A, et al. 2009. Comparison of local ensemble transform Kalman filter, 3DVAR, and 4DVAR in a quasigeostrophic model [J]. Mon. Wea. Rev., 137 (2): 693–709, doi:10.1175/2008MWR2396.1.

Zhang F, Snyder C, Sun J Z. 2004. Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter [J]. Mon. Wea. Rev., 132 (5): 1238–1253, doi:10.1175/1520-0493(2004)132<1238:IOIEAO>2.0.CO;2.

Zou X, Navon I M, Ledimet F X. 1992. An optimal nudging data assimilation scheme using parameter estimation [J]. Quart. J. Roy. Meteor. Soc., 118 (508): 1163–1186, doi:10.1002/qj.49711850808.

Implementation and Testing of a Hybrid Back and Forth Nudging Ensemble Kalman Filter (HBFNEnKF) Data Assimilation Method

ZHU Haonan1, MIN Jinzhong1, 2, and DU Ningzhu1, 2

1,,210044;2,,210044

Based on the “Back and Forth Nudging” (BFN) and Ensemble Kalman Filter (EnKF) methods, a Hybrid BFN EnKF (HBFNEnKF) data assimilation method was designed and tested using a channel shallow water model and a global shallow water model, separately. Furthermore, the performances of the HBFNEnKF, Hybrid Nudging EnKF (HNEnKF), and Ensemble Square-Root Filter (EnSRF) methods are discussed, with model error considered. The results showed that the HBFNEnKF method retains the continuity and smoothness of HNEnKF, avoids the discontinuity and unbalance problem of EnSRF, and has the highest convergence speed. Through a single variable observation experiment, the advantage of HBFNEnKF was clear; that is, HBFNEnKF can maintain the balance between different model variables. A scale investigation on the increment field showed that, compared with EnSRF, HBFNEnKF produces a better assimilation result at larger scales, and avoids a number of spurious increments at medium and smaller scales.

Data assimilation, Hybrid Back and Forth Nudging EnKF (HBFNEnKF), Ensemble Square-Root Fiter (EnSRF),Shallow water model

1006-9895(2016)05-0995-14

P413

A

10.3878/j.issn.1006-9895.1510.15214

2015-06-17；網(wǎng)絡(luò)預(yù)出版日期2015-10-20

朱浩楠，男，1991年出生，碩士研究生，主要從事中小尺度資料同化技術(shù)研究。E-mail: viczhn@gmail.com

閔錦忠，E-mail: minjz@nuist.edu.cn

國家重點基礎(chǔ)研究發(fā)展計劃項目2013CB430102，國家自然科學(xué)基金重點項目41430427，國家自然科學(xué)基金項目41505089

Funded by National Basic Research Program of China(Grant 2013CB430102), Key Program of National Natural Science Foundation of China (Grant 41430427), National Natural Science Foundation of China (Grant 41505089)