-
简介
数值模拟中有三个主要关注点:模式复杂度、集合大小、模式分辨率。
模式复杂度:和动力框架、物理过程有关,即模式能否逼近真实大气。
集合大小:和初始条件的不确定性,大气可预报性有关。
模式分辨率:和数值计算方案有关,计算速度、计算稳定性问题等。
以上三个参数根据研究的科学问题进行合理选择。
这里主要讨论集合问题。
图片来源:
https://www.cesm.ucar.edu/events/tutorials/2019/files/Lecture1-danabasoglu.pdf -
集合模拟(可以是预报forecast或后报hindcast)
大气可预报性:Lorenz在1963年提出,即使使用完美的模式和完善的观测资料,大气的混沌特性也会对天气的可预报性加一个大约两周的预报上限。(人们熟知的“蝴蝶效应”)
举个例子:
下面这个图就是一个CESM集合模拟实验,这个集合中有35+个成员,每个成员都是单独的一个实验。
图片来源:https://www.cesm.ucar.edu/events/tutorials/2019/files/Lecture1-danabasoglu.pdf
集合成员间的共同点:它们使用相同的强迫,即模拟的目的相同(同一个敏感性实验)。
集合成员间的不同点:模拟的初始条件不同,初始条件中大气温度在舍入精度上有差异。
集合预报:用集合预报代替单个预报,集合预报中每个成员所用的初始条件略有不同,这真实反映了我们对大气不确定性的认识。 -
集合预报的目的(为什么要进行集合预报),主要有3点:
(1)通过集合平均提高预报质量。因为集合成员彼此不同,最不确定的预报分量有被平均掉的趋向。
(2)给预报员提供了一个预报的可靠性估计。大气的可预报性是随着时间不同和区域不同而变化的,如果集合预报每个成员之间差别很大,那么很明显至少其中有些预报是错误的,而如果预报成员之间具有很好的一致性,则在某种程度上可以认为预报是较为可靠的。
(3)为概率预报提供定量基础。随着时间演化,从一个较小初始条件范围会出现显著的发散,可以通过集合预报定义在某些子集内的概率。
图片来源:Figure 6.4.1: Schematic of ensemble prediction(集合预报示意图)
参考书目:Kalnay, E. (2002). Atmospheric Modeling, Data Assimilation and Predictability.
- 如何在CESM2中进行ensemble扰动设置
这个操作主要是参考CESM论坛上的一个做法:
https://bb.cgd.ucar.edu/cesm/threads/how-to-make-ensemble-runs-using-cesm1-2.2788/page-2#post-37169
具体操作如下:
方法1:使用pertlim参数
在创建好case之后,在user_nl_cam中加入如下参数设置:
&cam_initfiles_nl
pertlim = 1.d-14
/
这里pertlim对应的数字跟随ensemble成员编号变化,一般就1.d-14,2.d-14,3.d-14……按顺序变化。
即:
pertlim=1.d-14对应第一个实验,ensemble1
pertlim=2.d-14对应第一个实验,ensemble2
pertlim=3.d-14对应第一个实验,ensemble3
……
以此类推。
图片来源:https://www.cesm.ucar.edu/models/cesm2/settings/current/cam_nml.html
调整这个参数实际上就是对初始场中的温度进行一个微小扰动。
方法2: ./creat_clone --ensemble
我跑ensemble实验是用的方法1,如果ensemble中成员个数不是特别大的话,方法1足够用了;方法2是在链接中看的,我自己没测试过。
参考文献:
Lorenz, E. N., 1963a: Deterministic nonperiodic flow. J. Atmos Sci. 20, 130-141.
Lorenz, E. N., 1963b: The predictability of hydrodynamic flow. Trans. NY Acad. Sci., Series II 25, 409-432.
Kalnay, E. (2002). Atmospheric Modeling, Data Assimilation and Predictability.