**资料同化,**通俗来说就是把不同来源的数据通过一系列的处理、调整最终能够综合进行运用的一个过程。在数值天气预报中,资料同化最初被认为是分析处理随空间和时间分布的观测资料为数值预报提供初始场的一个过程。
可以将资料同化简单地理解为两层基本含义:一是合理利用各种不同精度的非常规资料,使其与常规观测资料融合为有机的整体,为数值预报提供更好的初始场;二是综合利用不同时次的观测资料,将这些资料中所包含的时间演变信息转化为要素场的空间分布状况。
**数据同化,**指的是通过各种数学物理手段,将多源观测数据的信息,尽可能完整、准确地整合到一个空间分布均匀,时间序列连续,物理意义合理的气象场当中,为数值天气预报模式提供更加精准的初始场。
传统的资料同化方法主要为各种空间和时间插值,包括人工填图插值、Cressman插值、牛顿松弛逼近法(nudging)、最优插值等等。近二十年来,随着计算机算力的增强,各种计算量更大、同化效果更好的技术也应运而生,比如三维变分(3D-Var)、四维变分(4D-Var)、卡尔曼滤波等由大数据驱动的算法。
预报场、初始场是相对于数值预报积分而言,比如3月19日00时刻的气象要素值作为数值模式的初始场(即初值),数值模式积分积分12小时到19日12时,得到预报场(即数值预报的结果)。而分析场、背景场是相对资料同化而言,资料同化需要一个第一猜值场,即背景场,这个背景场往往是模式的预报场,而资料同化得到的值是一个分析场,把这个分析场用做初始场去给模式做初值。
简单而言,模式中的预报场可以用来做资料同化的背