在数值天气预报中,预报误差由初始条件误差、模式误差等组成.初始条件通常由短期预报和观测约束优化获得,因此很难将初始条件误差和模式误差清楚地区分开.模式误差对资料同化、预报预测均至关重要.为修正模式误差,本文提出一种混合深度学习-资料同化方法.该方法利用卷积神经网络提取初始条件和模式误差的特征,然后得到模式误差的估计;其可以考虑由模式参数不准确导致的模式误差,也可以同时考虑模式误差和初始条件误差.Lorenz05模式的离线和在线实验结果表明,该方法可有效修正由模式参数不准确导致的模式误差,包括强迫项F、耦合系数c和相对尺度b等.相较于仅考虑模式误差,同时考虑模式误差和初始条件误差可得到更准确的估计结果.此外,观测和分析场均可用于验证预报结果,但利用观测验证可更好地估计模式误差,并且在在线资料同化中能更快地趋近模式参数真值.
万方数据
