A POD-based ensemble four-dimensional variational assimilation method
A POD-based ensemble four-dimensional variational assimilation method
复制标题
基于POD的系综四维变分同化方法
DOI：
10.1111/j.1600-0870.2011.00529.x
复制
发表时间：
2011-01
期刊：
影响因子：
--
通讯作者：
Sun Qin
中科院分区：
文献类型：
--
作者：
Tian Xiangjun;Xie Zhenghui;Sun Qin
本文在本征正交分解（POD）和集合预报技术的基础上，提出了一种基于POD的集合四维变分资料同化方法（PODEn 4DVar）。集合预报是为了获得模式扰动（MP）和它们对应的观测扰动（OP）。在MP和OP之间线性关系的假设下，POD变换应用于OP空间而不是直接应用于MP空间，这大大降低了计算成本。因此，最佳MP和它的相应的OP表示为转换的MP集合和它们的相关OP正交基向量，以适应同化窗口中的4-D观测新息。此外，通过用新息向量的集合代替单个四维观测新息，成功地实现了预报模式集合更新。PODEn 4DVar的可行性和有效性证明了在一个理想模式与模拟观测。结果发现，PODEn 4DVar是能够优于4DVar和EnKF下完美的和非线性模型的情况下，与EnKF相比，具有较低的计算成本。
In this paper, a POD-based ensemble four-dimensional variational data assimilation method (referred to as PODEn4DVar) is proposed on the basis of the proper orthogonal decomposition (POD) and ensemble forecasting techniques. The ensemble forecasts are conducted to obtain the model perturbations (MPs) and their corresponding observation perturbations (OPs). Under the assumption of the linear relationship between the MPs and the OPs, the POD transformation is applied to the OP space rather than the MP space directly, which substantially decreases the computational costs. The optimal MP and its corresponding OPs is thus represented by the transformed MP ensemble and their related OP orthogonal base vectors to fit the 4-D observation innovations in the assimilation window. Further, the implementation of the forecast model ensemble update is successfully implemented by replacing the single 4-D observation innovation with the ensemble of innovation vectors. The feasibility and effectiveness of the PODEn4DVar are demonstrated in an idealized model with simulated observations. It is found that the PODEn4DVar is capable of outperforming both 4DVar and the EnKF under both perfect and imperfect-model scenarios with lower computational costs compared with EnKF.
登录
查看更多内容
影响因子：
8.9
作者：
P. Bauer;P. Lopez;D. Salmond;A. Benedetti;S. Saarinen;M. Bonazzola
通讯作者：
P. Bauer;P. Lopez;D. Salmond;A. Benedetti;S. Saarinen;M. Bonazzola
DOI：
10.1111/j.1600-0870.2006.00148.x
发表时间：
2006-01
期刊：
Tellus A: Dynamic Meteorology and Oceanography
影响因子：
--
作者：
T. Rosmond;Liang Xu
通讯作者：
T. Rosmond;Liang Xu
影响因子：
3.2
作者：
A. Caya;Juanzhen Sun;C. Snyder
通讯作者：
A. Caya;Juanzhen Sun;C. Snyder
影响因子：
3.2
作者：
T. Yabe;R. Tanaka;T. Nakamura;F. Xiao
通讯作者：
T. Yabe;R. Tanaka;T. Nakamura;F. Xiao
影响因子：
5.8
作者：
Wang Bin;Liu Juanjuan;Kuo, Ying-Hwa
通讯作者：
Kuo, Ying-Hwa