基于GRAPES全球模式的集合变换（ET）初始扰动方法改进研究

The quality of ensemble initial perturbations determine the performance of ensemble prediction to a large extent. The Ensemble Transform (ET) method which combines the data assimilation and ensemble technique has a good future. The ET method produce analysis perturbations transferred from forecast perturbations such that they are consistent with analysis error variance (AEV) estimate, so the.improvement of AVE estimate is helpful for the representative of initial uncertainties with ET initial perturbations. With the GRAPES global model, this project considers the ET method based on static AVE from variation data assimilation as the control experiment, and the impact on the performance of GRAPES global ensemble prediction with the ET method based on the flow-dependent AVE from ensemble data assimilation and the hybrid AVE from hybrid variation/ensemble data assimilation are analyzed. Combined with the case study, the optimal AVE estimate for ET initialization method will be found. This study is expected to provide important contribution on the development of ensemble initial perturbation method.

集合初始扰动的质量很大程度上决定了集合预报的效果。集合变换法（Ensemble Transform,ET）将集合与同化结合，代表了集合初始扰动方法的主流发展方向。该方法在同化系统提供的分析场误差方差（analysis error variance, AEV）的约束下将预报扰动变换为分析扰动，因此改进AEV估计方法，有助于ET初始扰动更准确的代表初始不确定性。项目基于GRAPES全球模式，拟对ET法中AEV的估计方法进行改进，以使用变分同化的静态型AEV的ET集合预报作为控制试验，深入分析基于集合同化的流依赖型和集合-变分混合型AEV估计方法的ET集合初始扰动对GRAPES全球集合预报效果的影响，并结合个例研究，最终给出最大程度改进ET初始扰动集合预报效果的AEV估计方法。本研究将为发展集合初始扰动方法提供重要参考。

目前集合预报已成为现今一种重要的预报技术，用以提高可预报性，尤其是用于提高对极端天气和高影响天气的预警能力。集合初始扰动的质量很大程度影响了集合预报效果。本项目借鉴国际上初始扰动方法的前沿思想，对其进行改进，提出了流依赖型集合变换初始扰动方法，有效地提高了集合离散度随预报时效的增长，为相关领域的进一步研究奠定了基础，也为我国全球业务集合预报系统的发展提供了借鉴。. 项目开展了静态型和流依赖型分析误差方差估计与特征分析，研究了集合变换初始扰动对分析误差方差的响应，以及比较了基于不同类型分析误差方差的集合变换初始扰动方法的全球集合预报效果。研究发现流依赖型分析误差不仅体现了观测站点的疏密，还反映了大气不稳定性的分布；集合变换初始扰动的分布特征与分析误差方差估计相似，分析误差方差是影响集合变化初始扰动的关键因素；与静态型集合变换初始扰动相比，流依赖型扰动的大值区与南北半球热带外地区的斜压不稳定区域以及热带地区的深对流区域相关性更强；流依赖型集合初始扰动的这一特征使得全球集合预报的离散度增长率明显大于静态型扰动的离散度，尤其是大气低层变量，使其集合离散度和均方根误差保持一致，对于热带地区低层风场的离散度增长也有极大帮助。