初始扰动振幅和集合样本数对 CNOPs 集合预报的影响
摘要
初始扰动振幅的大小和集合样本数对于集合预报取得更高预报技巧具有重要意义。本文将正交条件非线性最优扰动方法（orthogonal conditional nonlinear optimal perturbations，简称CNOPs）应用于概念模型Lorenz-96模式探讨了初始扰动振幅和集合样本数对集合预报技巧的影响，从而为使用更复杂模式进行集合预报提供指导。结果表明，由于CNOPs扮演了非线性系统中的最优初始扰动，从而使得当初始扰动振幅小于初始分析误差的大小时，CNOPs集合预报获得更高的预报技巧，并且CNOPs集合预报的最高预报技巧总是高于奇异向量法（singular vectors，简称SVs）集合预报的最高预报技巧。结果还表明，CNOPs集合预报倾向于具有一个合适的样本数时，达到最高技巧。更好的集合离散度——预报误差关系和更为平坦的Talagrand图（Talagrand diagram）进一步证明了CNOPs集合预报系统的可靠性，从而夯实了上述结果的合理性。因此，针对CNOPs集合预报，本文认为采用一个适当小于初始分析误差的初始扰动振幅和一个合适的集合样本数，有利于CNOPs集合预报达到最高预报技巧。
引用本文（GB/T 7714）
汪叶, 段晚锁, Wang Ye, 等. 初始扰动振幅和集合样本数对 CNOPs 集合预报的影响[J]. 未知来源, 2019.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。