p Os sistemas de assimilação de dados podem fornecer campos iniciais precisos para melhorar ainda mais a previsão numérica do tempo (NWP). Desde 2008, Tian Xiangjun e sua equipe do Instituto de Física Atmosférica (IAP) da Academia Chinesa de Ciências têm se dedicado a desenvolver o método de assimilação de dados variacionais de conjuntos 4-D não lineares de mínimos quadrados (NLS-4DVar). p Os métodos NLS-4DVar têm sido usados ​​para resolver aplicações do mundo real, incluindo assimilação de dados terrestres, Assimilação de dados NWP, assimilação de dados atmosférico-química, e observações direcionadas.

p Recentemente, A equipe de TIAN desenvolveu um novo sistema de previsão - o Sistema de Assimilação de Dados Variacional Multidimensional Não Linear Multigrid Não Linear (NLS-4DVar) para Previsão Numérica de Tempo (SNAP). O estudo foi publicado em Avanços nas Ciências Atmosféricas em 9 de outubro.

p SNAP é baseado no esquema de assimilação de dados NLS-4DVar multigrid, os operadores operacionais de processamento de dados e observação baseados no Gridpoint Statistical Interpolation (GSI), e o modelo numérico amplamente utilizado de Pesquisa e Previsão do Tempo.

p A estrutura de assimilação multigrid NLS-4DVar é usada para a análise, que pode corrigir erros de forma adequada em escalas grandes a pequenas e acelerar as soluções de iteração. As variáveis ​​de análise são variáveis ​​de estado do modelo, ao invés das variáveis ​​de controle adotadas no sistema 4DVar convencional.

p Atualmente, a equipe conseguiu a assimilação de observações convencionais e de radar, e continuará a melhorar a assimilação de observações de satélite em um futuro próximo.

p "Projetamos cuidadosamente vários grupos de experimentos reais, incluindo um caso e experimentos de assimilação de ciclo de uma semana, a fim de avaliar de forma abrangente o SNAP neste estudo, "a equipe Tian escreveu em seu estudo.

p Os resultados numéricos demonstraram que, em termos de intensidade de precipitação, SNAP pode absorver totalmente as observações e melhorar os campos iniciais, melhorando assim a previsão de precipitação. Em particular, em comparação com GSI 4DEnVar, SNAP produz erros de previsão de raiz quadrada média (RMSEs) ligeiramente mais baixos e melhoria percentual relativa mais positiva (RPI) como um todo.

p "O surgimento do SNAP fornece uma maneira promissora com uma base teórica sólida para a assimilação de dados em NWP para melhorar significativamente as habilidades de previsão em uma era em que o número de observações, especialmente de técnicas de sensoriamento remoto, está aumentando significativamente, "disse Tian." É de grande importância e aplicação prática explorar métodos e sistemas de assimilação de dados mais sofisticados para melhorar a precisão das previsões do tempo e do clima na era do big data. "