项目名称: 基于集合的四维变分方法用于雷达资料同化的关键技术研究

项目编号: No.41275102

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 天文学、地球科学

项目作者: 邵爱梅

作者单位: 兰州大学

项目金额: 82万元

中文摘要: 基于集合和奇异值分解(SVD)技术的四维变分同化方法(SVD-En4DVar)将集合同化方法和变分同化方法相结合,将由预报集合估计的流依赖的背景误差协方差引入变分同化,利用SVD技术进行降维,使得控制变量显式地出现在目标函数中,避免了伴随模式的运用。本项目拟开展将该方法用于同化多普勒雷达资料的研究,重点研究解决以下3个方面的问题:(1)减少产生预报集合所需计算时间的方法;(2)局地化方法;(3)产生初始扰动样本的方法。通过这一研究,在一定程度上解决将SVD-En4DVar用于雷达资料同化的主要困难,希望其同化效果明显好于现有的3DVar同化效果,并且在计算量上能满足业务运行要求,为推动雷达资料的业务运用作出贡献。

中文关键词: 雷达资料同化;集合同化方法;预报样本集合;局地化方法;四维变分

英文摘要: The 4-D variational method based on ensemble and SVD technique (SVD-En4DVar), as a kind of hybrid method, powfully combines the ensemble method with variational method. In this method, flow-dependent backgournd error covariance estimated from forecast ensemble is introduced into variantional assimilation method, and SVD technique is used to reduce dimensions in the solving process. In this way, the control variables are explicitly expressed in the cost function and the adjoint model is not used. In this project, the SVD-En4Dvar will be carried out the ability of radar data assimilation. The project will focus on solving the following three key problems: (1) the method on reducing the computation cost for producing the forecast ensemble; (2) the localization scheme; (3) the method for pruducing the initial perturbation samples. Through this project, the primary difficulties in using SVD-En4DVar method to radar data assimilation will be solved. It is feasible this method works better that the existed 3DVar system. And the computational time seeks to meet the need for operational run. It will useful and helpful to the further operational application of radar observations.

英文关键词: radar data assimilation;ensemble assimilation method;forecast ensemble;localization scheme;4DVar

成为VIP会员查看完整内容
0

相关内容

【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
11+阅读 · 2022年3月22日
帝国理工学院114页机器学习中的数学知识(附下载)
专知会员服务
37+阅读 · 2022年2月27日
顾及时空特征的地理知识图谱构建方法
专知会员服务
54+阅读 · 2022年2月15日
【牛津大学】多级蒙特卡洛方法,70页pdf
专知会员服务
60+阅读 · 2022年2月3日
专知会员服务
14+阅读 · 2021年10月9日
【开放书】《矩阵流形优化算法》,241页pdf
专知会员服务
94+阅读 · 2021年7月3日
多源数据行人重识别研究综述
专知会员服务
41+阅读 · 2020年11月2日
【斯坦福大学】矩阵对策的协调方法,89页pdf
专知会员服务
27+阅读 · 2020年9月18日
《常微分方程》笔记,419页pdf
专知会员服务
74+阅读 · 2020年8月2日
自动结构变分推理,Automatic structured variational inference
专知会员服务
41+阅读 · 2020年2月10日
【牛津大学】多级蒙特卡洛方法,70页pdf
知识图谱嵌入技术研究综述
专知
1+阅读 · 2021年11月11日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
【斯坦福经典书】熵与信息论,311页pdf
专知
5+阅读 · 2021年3月23日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
基于素描图的细粒度图像检索【附PPT与视频资料】
人工智能前沿讲习班
13+阅读 · 2018年12月27日
专栏 | 技术干货:一文详解LDA主题模型
机器之心
28+阅读 · 2017年12月1日
基于LDA的主题模型实践(二 )MCMC--吉布斯采样
机器学习深度学习实战原创交流
25+阅读 · 2015年9月17日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
29+阅读 · 2020年3月16日
Arxiv
26+阅读 · 2020年2月21日
小贴士
相关主题
相关VIP内容
【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
11+阅读 · 2022年3月22日
帝国理工学院114页机器学习中的数学知识(附下载)
专知会员服务
37+阅读 · 2022年2月27日
顾及时空特征的地理知识图谱构建方法
专知会员服务
54+阅读 · 2022年2月15日
【牛津大学】多级蒙特卡洛方法,70页pdf
专知会员服务
60+阅读 · 2022年2月3日
专知会员服务
14+阅读 · 2021年10月9日
【开放书】《矩阵流形优化算法》,241页pdf
专知会员服务
94+阅读 · 2021年7月3日
多源数据行人重识别研究综述
专知会员服务
41+阅读 · 2020年11月2日
【斯坦福大学】矩阵对策的协调方法,89页pdf
专知会员服务
27+阅读 · 2020年9月18日
《常微分方程》笔记,419页pdf
专知会员服务
74+阅读 · 2020年8月2日
自动结构变分推理,Automatic structured variational inference
专知会员服务
41+阅读 · 2020年2月10日
相关资讯
【牛津大学】多级蒙特卡洛方法,70页pdf
知识图谱嵌入技术研究综述
专知
1+阅读 · 2021年11月11日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
【斯坦福经典书】熵与信息论,311页pdf
专知
5+阅读 · 2021年3月23日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
基于素描图的细粒度图像检索【附PPT与视频资料】
人工智能前沿讲习班
13+阅读 · 2018年12月27日
专栏 | 技术干货:一文详解LDA主题模型
机器之心
28+阅读 · 2017年12月1日
基于LDA的主题模型实践(二 )MCMC--吉布斯采样
机器学习深度学习实战原创交流
25+阅读 · 2015年9月17日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员