一种多尺度局部增益集成变换卡尔曼滤波器(MLGETKF)( A Multiscale Local Gain Form Ensemble Transform Kalman Filter (MLGETKF) )

X Wang HG Chipilski CH Bishop E Satterfield JS Whitaker

介绍了一种新的基于集成的多尺度数据同化方法MLGETKF（多尺度局部增益形式集成变换卡尔曼滤波器）。MLGETKF通过一次同化所有观测数据，允许同时更新均值和系综扰动的多个尺度。MLGETKF在独立的局部卷中执行DA，这给算法提供了高度的计算可伸缩性。通过多尺度集成调制过程快速产生许多伪集成扰动来实现多尺度分析。用于更新原始背景集合均值和扰动的Kalman增益是基于这种调制集合的，它本质上包括多尺度模型空间定位。用非循环统计模型进行的实验表明，MLGETKF估计的全背景协方差比尺度无感知定位更准确地接近真实协方差的形状。从统计上看，来自表现最好的MLGETKF的平均分析比表现最好的标度不知道的LGETKF更准确。MLGETKF分析的精度对小尺度频带定位半径比对大尺度频带定位半径更敏感。在一个地面准地转模式的循环DA背景下，进一步检验了MLGETKF。性能最好的MLGETKF的均方根位温分析误差比性能最好的LGETKF低17.2%。与LGETKF相比，MLGETKF在动能谱空间测量的分析误差降低了30-80%，在大尺度下提高幅度最大。MLGETKF的确定性平均和集合平均预测比LGETKF更准确，对于全尺度和大尺度预测时间为5-6天，对于小尺度预测时间为3-4天，可以获得12小时～1天的可预报性。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate