.png){kind=icon}
返回
Data-Driven Sparse Sensor Selection for Observing-Network Optimization and Its Impact on Data Assimilation
.png){kind=icon}
PRE
AI
DOI：10.1175/mwr-d-25-0267.1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究主要关注观测网络的优化规划，以数据同化和数值天气预报（NWP）作为评估框架。目标观测为目前在日本运行的地面基全球导航卫星系统（GNSS）可降水量（PWV）反演数据。使用贪心稀疏传感器放置算法，对500个业务GNSS观测站点按照其在10年期间对PWV重建误差最小化的贡献进行排名，以日本业务NWP系统中所用的NWP分析场作为初始条件。将排名的观测站点分为前三、中、后三组各100个站点，并分别同化到数据同化系统中以评估其影响。同化前100个站点比同化中或后100个站点获得更好的结果。在PWV分析场、中层和低层大气湿度以及整个对流层温度方面均发现显著改进。尽管改进幅度随预报时效增加而减小，但同化排名靠前的站点在PWV预报中带来了统计显著的增益，并在多个垂直层上维持了湿度和温度的显著改进。这些结果表明，与排名较低的观测相比，同化客观选择的高排名观测能持续增强预报技巧。以往研究很少探讨客观排名的稀疏观测子集能否在业务系统中产生有意义的影响。本研究的新颖之处在于将基于气候学的稀疏传感器排名与业务数据同化框架相结合。意义说明：本研究探讨了如何在保持预报精度的同时战略性地稀疏化地面基GNSS可降水量观测的密集网络。通过使用长期气候数据对传感器进行排名，我们表明仅同化信息量最高的站点比使用信息量最低的站点获得更好的预报，即使传感器数量更少。结果表明，均匀的空间覆盖和客观的传感器排名可以改善现实世界的气象模型，而无需持续移动仪器。该方法可为高效、低成本观测网络的设计提供指导，以用于天气预测的各种变量，而不仅限于气候监测网络。
Keyword:
Bayesian methods
Optimization
Data assimilation
Numerical weather prediction/forecasting
