TY -的A2 Donateo安东尼奥AU - Chang Mingheng AU -左,Hongchao盟——段Jikai PY - 2022 DA - 2022/10/26 TI -修改协方差本地化降低抽样误差的整体数据同化SP - 6101721六世- 2022 AB - ensemble-based卡尔曼滤波器至少需要一个相当大的合奏(例如,10000个成员)来识别相关误差协方差为多维物理系统在很远的地方。然而,增加大量的总体规模将扩大抽样错误。本研究提出了一种基于协方差本地化修改后的柯列斯基分解(CL)计划,即协方差本地化方案与修改后的柯列斯基分解(CL-MC)。我们的主要思想利用修改后的柯列斯基(MC)估计背景误差协方差矩阵分解技术;同时,我们采用可调的背景误差协方差的奇异值分解方法提高合奏增量,避免系统的不平衡。验证如果抽样错误,该方法可以有效地降低数值实验是在洛伦兹- 96模型和大规模的模型(快速模式)。结果表明,CL-MC为不同的数据同化方法优于氯方法参数(整体尺寸和本地化)。此外,通过执行一年快速的同化实验模型,发现天预测均方根通过CL是约等于5天预测均方根CL-MC。所以,CL-MC长期预测方法具有潜在的优势。也许该CL-MC方法取得了良好的大气环流模型中广泛的应用前景。 SN - 1687-9309 UR - https://doi.org/10.1155/2022/6101721 DO - 10.1155/2022/6101721 JF - Advances in Meteorology PB - Hindawi KW - ER -