Construindo uma covariância de erro de fundo entre componentes para assimilação de dados terrestre-atmosfera fortemente acoplada

A temperatura da superfície terrestre (LST) é a variável-chave na interação terra-atmosfera, tendo um impacto importante na previsão do tempo e do clima. Embora tenha havido avanços na assimilação de dados dentro de modelos acoplados terra-atmosfera, a assimilação fracamente acoplada continua predominante. Isso significa que as interações entre componentes cruzados entre terra e atmosfera não são adequadamente consideradas durante o processo de assimilação, dificultando a obtenção de análises consistentes entre as variáveis ​​terrestres e atmosféricas.

A equipe do professor Yaodeng Chen da Universidade de Ciência e Tecnologia da Informação de Nanjing (NUIST) construiu uma covariância de erro de fundo acoplada que atravessa os componentes terrestres e atmosféricos para resolver a questão crítica da assimilação de dados fortemente acoplados terra-atmosfera. Seu trabalho revela a conexão entre o erro de fundo das variáveis ​​superficiais e atmosféricas e foi publicado em Cartas de Ciências Atmosféricas e Oceânicas.

Em primeiro lugar, o estudo gerou as amostras de previsão climatológica e de conjunto com base na temporada mei-yu de 2023 e, em seguida, a covariância do erro de fundo entre componentes foi calculada usando técnicas de estimativa de erro de previsão. Os resultados do estudo mostram que o erro do LST foi correlacionado principalmente com a temperatura atmosférica, a correlação diminuiu com o aumento da altitude atmosférica e o erro do desvio padrão do LST foi visivelmente maior do que o do baixo nível atmosférico. temperatura.

A equipe também selecionou dois dias com grandes diferenças nas condições climáticas para caracterização, e os resultados mostraram que a correlação de erros e o desvio padrão do erro do LST e a temperatura e umidade atmosféricas de baixo nível estavam intimamente relacionadas ao contexto climático, com variações diurnas óbvias. .

A equipe de pesquisa planeja explorar o impacto das diferentes estações nos resultados em estudos subsequentes e aplicar ainda mais essas descobertas à assimilação de dados terra-atmosfera fortemente acoplada. Estes estudos ajudarão a melhorar ainda mais a capacidade de previsão dos modelos acoplados terra-atmosfera, fornecendo suporte de informações mais precisas para a previsão meteorológica e o alerta precoce.