基于集合卡尔曼滤波与多重网格分析数据同化方法的参数估计研究

Ocean model plays a crucial role in forecasting the ocean weather and predicting the climate of the planet. Generally, there are many uncertain parameters used to parameterize unresolved physical processes in an ocean model. Uncertainties in these parameters can add significant uncertainties in the simulation of the ocean model, and is an important source of model bias. Based on the adaptive data assimilation method of ensemble Kalman filter combined with multi-grid analysis, an approach of space- and time-dependent parameter estimation will be developed in this proposal to use in-situ and satellite-derived observations to optimize ocean model parameters and thereby constrain the associated model bias in the Bohai Sea, the Yellow Sea, and the East China Sea. Such efforts at ocean data assimilation not only emphasized the initial conditions aspect of the problem, but also the model aspect of the problem, which will be importantly scientific significance for the improvement of the operational ocean analysis and forecasting skills for the coastal region in our country.

海洋动力模式在海洋预报以及地球气候预测中发挥着不可或缺的作用。通常，在对海洋动力模式所不能解析的物理过程进行参数化的过程中会引入许多不确定的经验参数。这些参数的不确定性无疑增加了海洋动力模拟结果的不确定性，是海洋动力模式偏差的重要来源之一。本项目拟以渤海、黄海与东海为研究海域，利用自主发展的自适应集合卡尔曼滤波与多重网格分析数据同化方法研制时空依赖的参数自适应估计模型，开展海洋数据同化与参数估计联合试验，通过同化多源海洋现场和卫星遥感观测资料，对三维海洋动力模式的经验参数进行最优估计，从而实现对参数所导致的海洋动力模式偏差的有效订正。这样从海洋数据同化的角度一方面可以提高海洋分析与预报初始化能力，另一方面尤为重要的是改进海洋动力模式本身的性能。因此，本项目不但具有重要的科学意义，而且可以实现从双重角度获得我国近海业务化海洋分析与预报能力的进一步提升，具有重要的应用价值。

基于当前数据同化领域集合与变分这两类先进的数据同化方法，自主发展了两种参数估计的混合数据同化方法：一是自适应集合卡尔曼滤波与多重网格分析数据同化方法，二是解析四维集合变分方法。基于Lorenz-63模型、全球正压谱模式、中等复杂程度耦合模式和非线性潮汐模式等多个模式，分别采用上述两种混合数据同化方法，开展了由简单到复杂、从理想到实际、循序渐进式的参数估计模型构建与数据同化试验。在此基础上，基于自适应集合卡尔曼滤波与多重网格分析数据同化方法，研究构建了适用于三维海洋动力模式POMgcs的时空依赖的参数估计模型，通过敏感性分析试验，确定了模型中的敏感性经验参数。开展了数据同化与参数估计联合试验，通过同化多源海洋现场和卫星遥感观测资料，对敏感性经验参数进行了最优估计，从而实现对参数所导致的海洋动力模式偏差的有效订正。这样从海洋数据同化的角度一方面可以提高海洋分析与预报初始化能力，另一方面尤为重要的是改进海洋动力模式本身的性能。后报试验表明：相较于业务化应用的多重网格分析分析方法，利用自适应集合卡尔曼滤波与多重网格分析数据同化方法参数估计后的初始场可以明显提升1~7天海洋上层温盐后报精度。本项目取得的研究成果在业务化海洋学领域具有重要的科学意义和实际应用价值。项目发表论文20篇，其中SCI/EI索引16篇，授权专利3项，申请专利3项，培养博士毕业生1人、硕士毕业生7人，在读博士4人。