CN113740220A - 基于高分辨气溶胶资料的多尺度三维变分同化方法 - Google Patents
基于高分辨气溶胶资料的多尺度三维变分同化方法 Download PDFInfo
- Publication number
- CN113740220A CN113740220A CN202111042118.7A CN202111042118A CN113740220A CN 113740220 A CN113740220 A CN 113740220A CN 202111042118 A CN202111042118 A CN 202111042118A CN 113740220 A CN113740220 A CN 113740220A
- Authority
- CN
- China
- Prior art keywords
- scale
- background
- assimilation
- aerosol
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000443 aerosol Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000126 substance Substances 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 101150036841 minJ gene Proteins 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 238000004141 dimensional analysis Methods 0.000 abstract 2
- 238000012360 testing method Methods 0.000 description 23
- 239000004576 sand Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 159000000000 sodium salts Chemical class 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 150000003863 ammonium salts Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于高分辨气溶胶资料的多尺度三维变分同化方法。本发明生成的气溶胶浓度的三维分析场,更准确描述气溶胶空间分布的多尺度特征尤其是较小尺度的特征。利用更准确的三维分析场,为空气质量模式提供更准确的化学初始场,从而提高气溶胶预报的准确率,构建更准确的气溶胶质量浓度的再分析历史数据集,为研究气溶胶发生发展规律提供更准确的数据支持。
Description
技术领域
本发明属于空气质量预报技术领域,尤其涉及基于高分辨气溶胶资料的多尺度三维变分同化方法。
背景技术
气溶胶资料同化是一种将气溶胶观测资料和空气质量模式预报的背景场进行融合,生成一个可以更准确地描述气溶胶空间分布特征的同化分析场的方法。同化分析场为空气质量模式提供了更准确的化学初始场,从而可以提高气溶胶的预报准确率。但是由于传统的三维变分同化方法不可避免地存在滤波效应,同化分析场会滤掉气溶胶观测信息中的较小尺度的波动信息,导致对气溶胶较小尺度分布特征的描述不够准确,进而影响了空气质量模式的预报准确率。随着气溶胶观测资料的时空分辨率和覆盖率不断提高,观测资料中包含的各种尺度的信息日渐丰富,需要开发一种能够充分利用观测资料中的多尺度信息的同化方法。
在同化过程中,观测信息的利用主要受背景误差协方差,尤其是背景误差协方差的一个参数即背景误差水平相关尺度(后文简称水平相关尺度)的影响。为了更加有效地利用观测信息,相对而言,大尺度观测信息的同化应该使用更大的水平相关尺度,而小尺度观测信息的同化则相反,应该使用更小的水平相关尺度。但是在传统的三维变分同化方法中,由于只采用一个固定的水平相关尺度,大尺度观测信息和小尺度观测信息的利用顾此失彼,导致观测信息的利用不够高效。多尺度同化方法在气象和海洋资料同化领域有一定的进展,同化的理想试验表明多尺度同化对小尺度波动的描述相对于传统同化方法更加准确。但在气溶胶资料同化领域,国际上尚未开展多尺度同化方面的研究。
发明内容
为了解决高分辨率气溶胶资料多尺度同化的难题,本方法针对不同尺度的观测信息,构建相应尺度的背景误差协方差,并将观测资料和背景场中的多尺度信息进行分离,从而实现气溶胶资料的多尺度三维变分同化。
本发明公开的基于高分辨气溶胶资料的多尺度三维变分同化方法,包括以下步骤:
基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,包括以下步骤:
构建大尺度的背景误差协方差BL 和小尺度的背景误差协方差BS;
运行空气质量模式得到同化时刻所需的气溶胶背景场xb;
收集同化时刻的气溶胶观测数据,对原始观测数据进行极值检验、一致性检验等质量控制,剔除异常的观测资料,并将落在同一空气质量模式网格内的观测资料进行求均值处理;
将观测背景差d分解为大尺度的观测背景差dL和小尺度的观测背景差dS;
根据同化***的代价函数得到大尺度的同化增量场δXL和小尺度的同化增量场δXS,并将两种尺度的同化增量场和背景场相加,得到最终的同化分析场;
将同化分析场作为化学初始场进行未来空气浓度预报。
进一步的,所述代价函数如下:
minJ(δXL) = 1/2{δXL T BL -1δXL + [HδXL – dL]TRL -1[HδXL– dL]}
minJ(δXS) = 1/2{δXS T BS -1δXS + [HδXS – dS]TRS -1[HδXS– dS]}
其中下标L表示大尺度部分,S表示小尺度部分,δx表示待优化的同化增量场,B表示背景误差协方差,是背景场xb与气溶胶真值场的误差的协方差矩阵,d表示观测值与背景值的差值,H为观测算子,将模式变量映射到观测空间,R是观测场与气溶胶真值场的误差的协方差矩阵。
进一步的,构建大尺度的背景误差协方差BL和小尺度的背景误差协方差BS的步骤如下:
利用空气质量模式生成一定数量的背景误差的近似样本作为原始背景误差样本,其中每一个样本为对同一预报时刻的预报时长为48小时的预报场减去预报时长为24小时的预报场,样本的预报时刻依次间隔1天;
将原始背景误差样本进行高斯平滑处理,生成大尺度背景误差样本;
将原始背景误差样本减去大尺度背景误差样本,得到小尺度背景误差样本;
利用所述大尺度背景误差样本和小尺度背景误差样本分别估计大尺度和BL和小尺度背景误差协方差BS。
进一步的,利用背景误差样本直接估计出大尺度背景误差水平相关尺度LL、小尺度背景误差水平相关尺度LS 、大尺度背景误差标准差DL、小尺度背景误差标准差DS、大尺度背景误差垂直相关系数CVL和小尺度背景误差垂直相关系数CVS。
进一步的,所述高斯平滑处理的方法如下:
进一步的,所述观测背景差d的求取方法为:在每一个观测位置处,利用反距离插值法和物理变量转换公式得到背景场中的气溶胶背景值,利用气溶胶观测值减去气溶胶背景值得到观测背景差d。
进一步的,所述大尺度的观测背景差dL的求取方法为:
将背景场和观测场进行所述高斯平滑处理;
在每一个观测位置处,利用反距离插值法和物理变量转换公式得到背景场中的气溶胶背景值,利用气溶胶观测值减去气溶胶背景值得到大尺度的观测背景差dL。
进一步的,所述小尺度的观测背景差dS的求取方法为:
原始的观测背景差d减去大尺度的观测背景差dL,得到小尺度的观测背景差dS。
本发明的有益效果是:
充分利用高分辨气溶胶资料包含的多尺度信息,生成更准确地描述气溶胶空间分布的多尺度特征尤其是较小尺度特征的同化分析场。利用更准确的分析场,为空气质量模式提供更准确的化学初始场,从而提高气溶胶预报的准确率,也可构建更准确的气溶胶质量浓度的再分析历史数据集,为研究气溶胶发生发展规律提供更准确的数据支持。
附图说明
图 1本发明的多尺度三维变分同化方法流程图;
图 2观测和各试验预报的PM2.5相关系数随时间的变化曲线;
图 3各试验预报的PM2.5质量浓度的RMSE随时间的变化曲线;
图 4 MS-3DVAR 试验预报的Corr (RMSE) 与3DVAR预报结果的比例随时间的变化曲线。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
本发明的目的是提供一种对高分辨气溶胶资料进行多尺度三维变分同化的方法,该方法可以充分利用观测资料包含的多尺度信息,生成可以更准确地描述气溶胶空间分布的多尺度特征的同化分析场。生成的同化分析场可以作为空气质量模式的化学初始场,也可以用于构建气溶胶质量浓度的再分析历史数据集。
为达到上述目的,如图1所示,本发明采用的技术方案包括步骤如下(以两种尺度即大尺度和小尺度的同化为例):
步骤1:构建大尺度和小尺度的背景误差协方差BL和BS。首先,利用空气质量模式生成一定数量的背景误差的近似样本(后文称为原始背景误差样本,样本量可以选择30左右),其中每一个样本为对同一预报时刻的预报时长为48小时的预报场减去预报时长为24小时的预报场,样本的预报时刻依次间隔1天。其次,将原始背景误差样本进行高斯平滑处理,生成大尺度背景误差样本,用于求BL。再次,将原始背景误差样本减去大尺度背景误差样本,得到小尺度背景误差样本,用于求BS。其中高斯平滑的方法为,对样本中的每一个格点,取以该格点为中心,以2L为边长的矩形区域内的所有格点值的加权平均值为该格点的值。加权的权重,其中w0为归一化系数,r为加权格点距中心格点的距离,L为高斯平滑长度尺度。最后,利用背景误差样本分别估计大尺度和小尺度背景误差协方差BL和BS。由于同化***中并不直接存储背景误差协方差B,而是利用背景误差协方差的3个参数即水平相关尺度L、背景误差标准差D和背景误差垂直相关系数CV进行与B有关的数值运算,因此可以利用背景误差样本直接估计出大尺度和小尺度的背景误差水平相关尺度 LL和LS、背景误差标准差DL和DS以及背景误差垂直相关系数CVL和CVS。
步骤2:运行空气质量模式得到同化时刻所需的气溶胶背景场xb。
步骤3:收集同化时刻的气溶胶观测数据,对原始观测数据进行极值检验、一致性检验等质量控制,剔除异常的观测资料,并将落在同一空气质量模式网格内的观测资料进行求均值处理。
步骤4:将观测背景差d分解为大尺度和小尺度的dL和dS。原始的观测背景差d的求取方法为:在每一个观测位置处,利用反距离插值法和物理变量转换公式得到背景场中的气溶胶背景值,利用气溶胶观测值减去气溶胶背景值即可得到原始的观测背景差d。大尺度的观测背景差dL的求取方法为:首先将背景场和观测场进行高斯平滑,其次利用与求取d类似的方法得到大尺度的观测背景差dL,其中高斯平滑的方法与步骤2相同。最后,利用原始的观测背景差d减去大尺度的观测背景差dL,得到小尺度的观测背景差dS。
步骤5:设计求解三维变分目标泛函的函数,依次同化气溶胶观测资料的大尺度信息和小尺度信息,称为多尺度同化***。
同化***的代价函数可分别写为:
公式(1)中的下标L表示大尺度部分,S表示小尺度部分。其中:
δx表示待优化的同化增量场,其被定义为δx=x-xb,其中 xb是背景场(通常由模式预报得出),x是待优化的同化分析场。将同化生成的两个尺度的增量场δXL和δXS相加即可得到最终的同化增量场,将同化增量场与背景场相加,即可得到最终的同化分析场。
表示背景误差协方差,是背景场xb与气溶胶真值场的误差的协方差矩阵。多尺度三维变分同化与传统三维变分同化的主要区别之一就在于构建了两个尺度不同的背景误差协方差BL和BS,具体方法见步骤1。
为观测算子,其作用是将模式变量映射到观测空间,Hxb代表观测位置处背景场的气溶胶值(后文简称气溶胶背景值)。
d=y-Hxb表示观测值与背景值的差值(简称观测背景差),多尺度三维变分同化与现有三维变分同化的主要区别之二就在于将观测背景差d分解为尺度不同的dL和dS并分别进行同化。具体计算方法见步骤4。
R是观测场与气溶胶真值场的误差的协方差矩阵,根据观测资料的误差特征进行设定。
步骤6:运行同化***,分别得到大尺度的同化增量场δXL和小尺度的同化增量场δXS,并将两种尺度的同化增量场和背景场相加,得到最终的同化分析场。
本发明可以充分利用观测资料包含的多尺度信息,生成可以更准确地描述气溶胶空间分布的多尺度特征的同化分析场。生成的同化分析场可以作为空气质量模式的化学初始场,也可以用于构建气溶胶质量浓度的再分析历史数据集。
为了使本发明的技术方案和有益效果更加清楚,以下结合实际例子,对气溶胶资料的多尺度三维变分同化方法进行详细说明。为了对比分析多尺度三维变分同化方法相对于传统三维变分同化的优势,实施例中同时做了传统的三维变分同化和预报试验,以及未进行资料同化的预报试验。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例
以两个尺度的同化方案(后文称大尺度和小尺度)为例,同化2018年11月13日00时的地面PM2.5质量浓度观测资料。首先统计传统同化方法所用的背景误差协方差参数(后文称为全尺度的背景误差协方差参数),以及大尺度和小尺度的背景误差协方差参数。其次分别利用传统三维变分同化方法(后文简称3DVAR)和多尺度三维变分同化方法(后文简称TS-3DVAR),同化生成2018年11月13日00时的同化分析场。最后分别利用没有同化的背景场(后文简称Control试验)、3DVAR同化生成的同化分析场(简称3DVAR试验)和TS-3DVAR同化生成的同化分析场(简称TS-3DVAR试验)作为空气质量模式的化学初始场,进行未来24小时PM2.5质量浓度的预报。通过对比3组试验的预报准确率,分析TS-3DVAR对提升空气质量模式的气溶胶预报准确率的有益效果,以及相对于3DVAR的优势。实施例中的模拟区域和空气质量站点的水平网格分辨率为27km,空气质量模式采用WRF-Chem,具体步骤如下:
步骤1:建立面向WRF-Chem的MOSAIC_4bin气溶胶方案的三维变分同化***。MOSAIC_4bin气溶胶方案包含8类气溶胶物种,分别为元素碳(EC)、有机碳(OC)、硫酸盐(SO4)、硝酸盐(NO3)、铵盐(NH4)、氯化物(CL)、钠盐(NA)和其它未分类无机物(OIN),每类物种按粒径大小分为4档(4bin),分别为0.039-0.1µm、0.1-1.0µm、1.0-2.5µm和2.5-10µm,共32个模式变量。同化***将每个物种的1到3档合并为一个控制变量,第4档作为一个控制变量,在同化时直接求解这16个控制变量的同化增量。16个控制变量分别记为:EC2.5、EC2.5-10、OC2.5、OC2.5-10、NO32.5、NO32.5-10、SO42.5、SO42.5-10、CL2.5、CL2.5-10、NA2.5、NA2.5-10、NH42.5、NH42.5-10、OIN2.5、OIN2.5-10。
步骤2:利用WRF-Chem对2018年11月份每天的00时(世界时)分别进行48小时预报和24小时预报,并利用生成的背景误差的原始样本统计全尺度的背景误差水平相关尺度L、背景误差标准差D和背景误差垂直相关系数CV。对背景误差的原始样本进行高斯平滑,并分别统计大尺度和小尺度的LL、LS 、DL、DS 、CVL和CVS。高斯平滑的长度尺度取为40公里。表1是统计得到的全尺度、大尺度和小尺度的16个控制变量的背景误差水平相关尺度。可以看出,大尺度的水平相关尺度大于全尺度的值,并远大于小尺度的值,这使得多尺度同化可以更高效地利用观测资料包含的多尺度信息,生成更准确的同化分析场。
表1全尺度、大尺度和小尺度的各控制变量的背景误差水平相关尺度
步骤3:运行WRF-Chem得到2018年11月13日00时即同化时刻的气溶胶浓度场,作为同化的背景场xb,同时也作为Control试验的化学初始场。
步骤4:收集2018年11月13日00时-2018年11月14日00时的地面PM2.5观测数据,对数据进行极值检验、时间一致性检验和空间一致性检验等质量控制。根据WRF-Chem模式的研究区域及网格分辨率,将落在同一网格内的观测资料进行求均值处理。处理后的11月13日00时的资料作为同化对象,其它时段的资料作为气溶胶浓度检验的“真值”,检验模式对PM2.5的预报准确率。
步骤5:分别进行3DVAR同化和TS-3DVAR同化。3DVAR利用全尺度的背景误差协方差参数和步骤3中的生成的原始背景场xb对原始的观测资料进行同化,生成3DVAR同化分析场。TS-3DVAR分两步实施,第一步:将原始的观测资料和步骤3中的原始背景场进行高斯平滑,利用大尺度的背景误差协方差参数LL、DL、和CVL进行同化,得到大尺度的同化增量δXL,将同化增量δXL叠加到原始背景场xb上,作为小尺度同化的背景场。第2 步:利用第1步生成的小尺度同化的背景场和小尺度的背景误差协方差参数LS、DS、和CVL,对原始的观测资料进行同化,得到小尺度的同化增量δXS,将同化增量δXS叠加到背景场上,得到最终的TS-3DVAR同化分析场。
步骤6:分别利用没有同化的背景场(Control试验)、3DVAR同化分析场(3DVAR试验)和TS-3DVAR同化分析场(TS-3DVAR试验)作为WRF-Chem的化学初始场,进行未来24小时PM2.5浓度预报。TS-3DVAR试验可以更精确地描述气溶胶分布的较小尺度的特征。TS-3DVAR同化分析场具有与PM2.5观测值相比最大的相关系数(Corr)和最小的误差标准差(RMSE),表明TS-3DVAR的同化分析场最准确。图2是各试验预报的PM2.5质量浓度的Corr随时间的变化曲线,图3是各试验预报的PM2.5质量浓度的RMSE随时间的变化曲线,图4是TS-3DVAR 试验预报的Corr (RMSE) 与3DVAR预报结果的比例随时间的变化曲线。可以看出,同化试验的准确率明显高于未进行资料同化的Control试验,同时TS-3DVAR试验比3DVAR试验具有更大的Corr和更小的RMSE,表明与传统的三维变分同化相比,多尺度三维变分同化可以更有效地改善化学初始场,进而更好地提高空气质量模式对气溶胶预报的准确率。
上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,包括以下步骤:
构建大尺度的背景误差协方差BL 和小尺度的背景误差协方差BS;
运行空气质量模式得到同化时刻所需的气溶胶背景场xb;
收集同化时刻的气溶胶观测数据,对原始观测数据进行极值检验、一致性检验等质量控制,剔除异常的观测资料,并将落在同一空气质量模式网格内的观测资料进行求均值处理;
将观测背景差d分解为大尺度的观测背景差dL和小尺度的观测背景差dS;
根据同化***的代价函数得到大尺度的同化增量场δXL和小尺度的同化增量场δXS,并将两种尺度的同化增量场和背景场相加,得到最终的同化分析场;
将同化分析场作为化学初始场进行未来空气浓度预报。
2.根据权利要求1所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,所述代价函数如下:
minJ(δXL) = 1/2{δXL T BL -1δXL + [HδXL – dL]TRL -1[HδXL– dL]}
minJ(δXS) = 1/2{δXS T BS -1δXS + [HδXS – dS]TRS -1[HδXS– dS]}
其中下标L表示大尺度部分,S表示小尺度部分,δx表示待优化的同化增量场,B表示背景误差协方差,是背景场xb与气溶胶真值场的误差的协方差矩阵,d表示观测值与背景值的差值,H为观测算子,将模式变量映射到观测空间,R是观测场与气溶胶真值场的误差的协方差矩阵。
3.根据权利要求1所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,构建大尺度的背景误差协方差BL和小尺度的背景误差协方差BS的步骤如下:
利用空气质量模式生成一定数量的背景误差的近似样本作为原始背景误差样本,其中每一个样本为对同一预报时刻的预报时长为48小时的预报场减去预报时长为24小时的预报场,样本的预报时刻依次间隔1天;
将原始背景误差样本进行高斯平滑处理,生成大尺度背景误差样本;
将原始背景误差样本减去大尺度背景误差样本,得到小尺度背景误差样本;
利用所述大尺度背景误差样本和小尺度背景误差样本分别估计大尺度和BL和小尺度背景误差协方差BS。
4.根据权利要求1所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,利用背景误差样本直接估计出大尺度背景误差水平相关尺度LL、小尺度背景误差水平相关尺度LS 、大尺度背景误差标准差DL、小尺度背景误差标准差DS、大尺度背景误差垂直相关系数CVL和小尺度背景误差垂直相关系数CVS。
6.根据权利要求1所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,所述观测背景差d的求取方法为:在每一个观测位置处,利用反距离插值法和物理变量转换公式得到背景场中的气溶胶背景值,利用气溶胶观测值减去气溶胶背景值得到观测背景差d。
7.根据权利要求5所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,所述大尺度的观测背景差dL的求取方法为:
将背景场和观测场进行所述高斯平滑处理;
在每一个观测位置处,利用反距离插值法和物理变量转换公式得到背景场中的气溶胶背景值,利用气溶胶观测值减去气溶胶背景值得到大尺度的观测背景差dL。
8.根据权利要求1所述的基于高分辨气溶胶资料的多尺度三维变分同化方法,其特征在于,所述小尺度的观测背景差dS的求取方法为:
原始的观测背景差d减去大尺度的观测背景差dL,得到小尺度的观测背景差dS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042118.7A CN113740220A (zh) | 2021-09-07 | 2021-09-07 | 基于高分辨气溶胶资料的多尺度三维变分同化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042118.7A CN113740220A (zh) | 2021-09-07 | 2021-09-07 | 基于高分辨气溶胶资料的多尺度三维变分同化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113740220A true CN113740220A (zh) | 2021-12-03 |
Family
ID=78736354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042118.7A Pending CN113740220A (zh) | 2021-09-07 | 2021-09-07 | 基于高分辨气溶胶资料的多尺度三维变分同化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740220A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
CN116912459A (zh) * | 2023-09-13 | 2023-10-20 | 中国海洋大学 | 一种变网格多尺度混合式资料同化方法 |
CN116975523A (zh) * | 2023-09-22 | 2023-10-31 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
CN117390897A (zh) * | 2023-12-11 | 2024-01-12 | 浙江大学海南研究院 | 多尺度同化swot图像的方法、***、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748871A (zh) * | 2017-10-27 | 2018-03-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN109709577A (zh) * | 2018-12-28 | 2019-05-03 | 南京雨后地软环境技术有限公司 | 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法 |
CN110910963A (zh) * | 2019-10-29 | 2020-03-24 | 暨南大学 | 气溶胶光学厚度的三维变分同化方法、***和存储介质 |
-
2021
- 2021-09-07 CN CN202111042118.7A patent/CN113740220A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748871A (zh) * | 2017-10-27 | 2018-03-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN109709577A (zh) * | 2018-12-28 | 2019-05-03 | 南京雨后地软环境技术有限公司 | 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法 |
CN110910963A (zh) * | 2019-10-29 | 2020-03-24 | 暨南大学 | 气溶胶光学厚度的三维变分同化方法、***和存储介质 |
Non-Patent Citations (7)
Title |
---|
LI ZHIJIN等: "A Multiscale Variational Data Assimilation Scheme: Formulation and Illustration", MONTHLY WEATHER REVIEW, vol. 143, no. 9, pages 3804 - 3822 * |
吴洋;徐枝芳;王瑞春;张华;程志刚;: "基于多尺度混合滤波的GRAPES_3Dvar及其在实际暴雨预报中的应用分析", 气象, no. 05 * |
张旭斌;薛纪善;万齐林;丁伟钰;李昊睿;: "时间依赖的多尺度背景误差协方差研究Ⅱ――应用", 热带气象学报, no. 02, pages 16161 - 172 * |
张旭斌;谈哲敏;: "ON THE OPTIMAL BACKGROUND ERROR COVARIANCES: DIFFERENT SCALE ERRORS\' CONTRIBUTION", JOURNAL OF TROPICAL METEOROLOGY, no. 04, pages 305 - 321 * |
汪代春等: "气溶胶和气态污染物三维变分协同同化", 中国科学:地球科学, vol. 50, no. 9, pages 1302 - 1315 * |
邱崇践, 张述文: "由大尺度观测提取中尺度信息的可能性研究", 气象学报, no. 05, pages 538 - 543 * |
郝子龙等: "面向WRF/Chem模式MOSAIC气溶胶方案的资料同化实现", 气象水文海洋仪器, no. 4, pages 1 - 7 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077798A (zh) * | 2022-01-19 | 2022-02-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
CN114077798B (zh) * | 2022-01-19 | 2022-04-22 | 北京英视睿达科技股份有限公司 | 估算小尺度区域大气污染物网格浓度的方法 |
CN116912459A (zh) * | 2023-09-13 | 2023-10-20 | 中国海洋大学 | 一种变网格多尺度混合式资料同化方法 |
CN116912459B (zh) * | 2023-09-13 | 2023-12-19 | 中国海洋大学 | 一种变网格多尺度混合式资料同化方法 |
CN116975523A (zh) * | 2023-09-22 | 2023-10-31 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
CN116975523B (zh) * | 2023-09-22 | 2023-12-12 | 南京气象科技创新研究院 | 强对流天气分型的资料同化背景误差协方差特征统计方法 |
CN117390897A (zh) * | 2023-12-11 | 2024-01-12 | 浙江大学海南研究院 | 多尺度同化swot图像的方法、***、设备和存储介质 |
CN117390897B (zh) * | 2023-12-11 | 2024-03-29 | 浙江大学海南研究院 | 多尺度同化swot图像的方法、***、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113740220A (zh) | 基于高分辨气溶胶资料的多尺度三维变分同化方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN104008278B (zh) | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 | |
CN111080070A (zh) | 一种基于空间误差的城市土地利用模拟元胞自动机方法 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN111353634B (zh) | 一种基于模式初始场同化的二氧化硫排放源优化方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN112884243A (zh) | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 | |
CN113379107A (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN111125885A (zh) | 一种基于改进克里金插值算法的asf修正表构建方法 | |
CN113720639B (zh) | 一种污染场地调查补充采样的方法 | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
CN114004163B (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN111967696A (zh) | 基于神经网络的电动汽车充电需求预测方法、***及装置 | |
Wang et al. | Inverse modeling of black carbon emissions over China using ensemble data assimilation | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN114118613A (zh) | 一种焦化土壤污染空间分布预测优化方法及*** | |
Chen et al. | Proactive quality control: Observing system simulation experiments with the Lorenz’96 model | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及*** | |
CN115423175A (zh) | 一种风电功率预测误差分解方法 | |
CN106227965B (zh) | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及*** | |
CN109784557A (zh) | 基于经验贝叶斯克里金模型来估算pm2.5的方法、***及介质 | |
CN117216509A (zh) | 一种空间风场同化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |