Les systèmes d'assimilation de données peuvent fournir des champs initiaux précis pour améliorer encore la prévision numérique du temps (NWP). Depuis 2008, Tian Xiangjun et son équipe de l'Institut de physique atmosphérique (IAP) de l'Académie chinoise des sciences se sont consacrés au développement de la méthode d'assimilation de données variationnelle d'ensemble non linéaire par les moindres carrés 4-D (NLS-4DVar).

Les méthodes NLS-4DVar ont été utilisées pour résoudre des applications du monde réel, notamment l'assimilation de données terrestres, Assimilation de données NWP, assimilation de données de chimie atmosphérique, et des observations ciblées.

Récemment, L'équipe de TIAN a développé un nouveau système de prévision, le système d'assimilation de données multi-grille non linéaire des moindres carrés à quatre dimensions (NLS-4DVar) pour la prévision numérique du temps (SNAP). L'étude a été publiée dans Avancées des sciences de l'atmosphère le 9 octobre.

SNAP est construit sur le schéma d'assimilation de données multigrille NLS-4DVar, les opérateurs opérationnels de traitement des données et d'observation basés sur l'interpolation statistique Gridpoint (GSI), et le modèle numérique largement utilisé de recherche et de prévision météorologiques.

Le cadre d'assimilation multigrille NLS-4DVar est utilisé pour l'analyse, qui peut corriger de manière adéquate les erreurs de grande à petite échelle et accélérer les solutions d'itération. Les variables d'analyse sont des variables d'état du modèle, plutôt que les variables de contrôle adoptées dans le système 4DVar conventionnel.

Actuellement, l'équipe a réussi l'assimilation des observations conventionnelles et radar, et continuera d'améliorer l'assimilation des observations satellitaires dans un proche avenir.

"Nous avons soigneusement conçu plusieurs groupes d'expériences réelles, comprenant un cas et des expériences d'assimilation cyclable d'une semaine, afin d'évaluer de manière exhaustive SNAP dans cette étude, " a écrit l'équipe de Tian dans son étude.

Les résultats numériques ont démontré que, en termes d'intensité des précipitations, SNAP pourrait absorber pleinement les observations et améliorer les champs initiaux, améliorant ainsi les prévisions de précipitations. En particulier, par rapport au GSI 4DEnVar, SNAP produit des erreurs quadratiques moyennes de prévision (RMSE) légèrement inférieures et une amélioration en pourcentage relative (RPI) plus positive dans son ensemble.

"L'émergence de SNAP offre une voie prometteuse avec une base théorique solide pour l'assimilation de données en prévision numérique du temps pour améliorer considérablement les compétences de prévision à une époque où le nombre d'observations, notamment des techniques de télédétection, augmente considérablement, " a déclaré Tian. " Il est d'une grande importance et d'une application pratique d'explorer des méthodes et des systèmes d'assimilation de données plus sophistiqués pour améliorer la précision des prévisions météorologiques et climatiques à l'ère des mégadonnées. "