-
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.
2253
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
