数据同化

数据同化是预报模型了解当前状况的方式：它将数百万分散、不完善的观测数据与短期先验预报相结合，以生成对大气当前状态的最佳估计。

Definition

数据同化是将观测数据与基于模型的先验估计相结合的过程，根据它们各自的不确定性进行加权，以生成用于初始化预报的大气状态的最佳分析。

Scope

本主题涵盖用于估计大气初始状态以进行预报的方法，包括最优插值、三维和四维变分同化、卡尔曼滤波和集合卡尔曼滤波、观测误差和背景误差的处理，以及卫星和其他间接观测数据的同化。

Core questions

• 观测数据和先验模型预报如何结合成最佳估计？
• 观测误差和背景误差扮演什么角色？
• 变分方法和集合卡尔曼滤波方法有何不同？
• 卫星辐射率等间接观测数据如何同化？

Key theories

贝叶斯状态估计

数据同化将分析视为一个贝叶斯估计问题，结合先验预报和新观测数据，并根据它们的误差协方差进行加权，以最小化所得状态估计中的预期误差。

集合卡尔曼滤波

预报集合用于估计依赖于流的背景误差协方差，使滤波器能够以反映当日不确定性而非固定统计模型的方式更新分析。

Mechanisms

同化从背景（在分析时有效的短期预报）开始，并根据传入的观测数据进行校正。校正根据误差协方差对观测数据和背景进行加权，因此更准确的数据和背景中不确定区域会受到更大的影响。变分方法通过最小化衡量与背景和观测数据偏差的成本函数（可选地在时间窗内），而集合方法则根据预报集合的离散程度估计背景误差统计。观测算子将模型变量映射到观测到的量，例如卫星辐射率。

Clinical relevance

由于预报质量关键取决于初始条件，数据同化是业务预报的核心；同化卫星观测数据的进展被广泛认为是近几十年来全球预报技能持续改进的主要驱动力。

History

早期的客观分析使用观测数据的手动和统计插值到网格上；最优插值在1960年代和1970年代将误差统计的使用形式化。基于卡尔曼滤波理论的变分方法在1990年代开始主导业务中心，而埃文森（Evensen）等人引入的集合卡尔曼滤波增加了依赖于流的误差估计，这现在支撑了许多混合同化系统。

Key figures

• Rudolf Kalman
• Geir Evensen
• Andrew Lorenc
• Eugenia Kalnay

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

为什么不直接从观测数据本身开始预报？

观测数据分散、间隔不均匀且有噪声，并且它们不能在所有地方测量每个模型变量；同化通过将它们与物理上一致的先验预报相结合，将它们的信息合理地分布到整个网格上。

数据同化中的背景是什么？

背景，或称初猜，是在分析时有效的短期预报；同化根据新的观测数据对其进行调整，因此每次分析都承载着先前分析的信息。