一种估计模式误差的混合深度学习-资料同化方法  

A hybrid deep learning and data assimilation method for model error estimation

作　　者：彭子怡 雷荔傈[1] 谈哲敏[1] Peng Z;Lei L;Tan Z

机构地区：[1]南京大学大气科学学院,中尺度灾害性天气教育部重点实验室,南京210023 [2]复旦大学大气与海洋科学系,上海200438

出　　处：《中国科学：地球科学》2024年第12期3691-3707,共17页Scientia Sinica(Terrae)

基　　金：国家重点研发计划项目(2023YFF0804803);中央高校基本科研业务费专项资金-关键地球物质循环前沿科学中心“GeoX”交叉项目(020714380207)资助。

摘　　要：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.

关 键 词：资料同化 深度学习 模式误差 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] P456.7[自动化与计算机技术—控制科学与工程]