中低纬地区电离层数据同化研究

论文摘要

地球电离层是空间天气的显示屏,上接磁层,下连中高层大气,且与它们存在强烈的耦合,是地球空间区域中承上启下的重要环节和关键层次。因此对电离层的研究具有重大科学意义。电离层里有足够多的自由电子,能够影响无线电波的传播,对无线电通讯、卫星导航、测量以及人类的空间活动都会产生重要的影响。所以对电离层的研究还具有重要的应用价值。随着我国航天事业的发展,飞行在电离层高度的航天器越来越多,电离层环境对其安全运行产生重要影响。同时无线通讯也受电离层变化的干扰。因此现代航天、通信和导航等技术系统对电离层天气和状态的监测和预报提出了明确需求。目前电离层预报主要有两种方法,一种是利用历史观测进行电离层经验预报,这是目前电离层预报的主要方法,该方法广泛应用于大量需要电离层预报的工程和技术系统中;另一种是电离层模式,它是电离层物理研究的有力工具。但以上两种方法都有各自的缺陷。基于数据的经验预报虽然简单可靠,但其本质上只是一种利用观测数据进行简单外推的数学方法,无法描述复杂多变的电离层状态;立足于物理规律的模式由于对电离层物理过程理解的局限,存在计算方程简化处理、初值和边界值难以确定等不足。这些缺陷是造成预报准确率不高的主要原因。为了有效的利用观测和模式,更好的对电离层进行现报或预报,我们引进了数据同化。本文紧密围绕我国中低纬地区,采用数据同化方法进行电离层现报或预报。首先,介绍了非线性最小二乘的原理、方程及其程序流程,并进行了一系列的数据同化验证试验,简述了子午工程民用预报服务平台电离层同化软件的原理和测试情况;其次,在最小二乘的基础上,我们还建立了最优插值同化平台,同化检验验证了程序的正确性,随后利用厦门电离层垂测仪2009年6-8月的电子浓度剖面观测进行了五天某时刻的同化试验及残差分析;最后,我们还引入了基于集合方法的一种卡尔曼滤波-集合卡尔曼滤波,并简单介绍其原理、方程推导。本文主要研究内容及结果如下:1.结合电离层模拟和实测数据,基于非线性最小二乘,进行了一系列电离层数据同化试验研究。（1）基于最小二乘,我们进行了一系列的电离层观测系统数据同化试验,主要分为两类:观测和背景都由经验模式IRI90提供的同化试验,观测分别由经验模式IRI2007和理论模式IGGCAS1D模拟背景模式为IRI90的同化试验。试验结果表明利用最小二乘法进行电离层数据同化和外驱动参量估算是可行的。（2）结合子午工程,我们提出了10o-60oN（间隔10o）,120oE经度链上模拟观测的同化试验,并给出分析误差。随后我们利用子午工程海南站和北京站电离层数字测高仪部分测试数据进行了进一步的试验研究。结果表明:分析向观测靠近,试验结果有所改善。2.基于最小二乘,我们引进并搭建了最优插值（OI）同化平台,然后进行了平台的验证性检验以及结合实际电离层观测数据的一系列同化试验和残差预报。（1）在参考气象同化发展的基础上,我们建立了最优插值同化平台。为了检验文中建立的同化正确性,我们进行了同化检验,其结果说明了平台的正常运行和数值计算的正确性。（2）将厦门电离层垂测仪2009年6、7、8月的电子浓度剖面部分观测数据进行同化试验,试验所用观测数据具体时刻为6月15日UTh=1100,7月22日UTh=1100,7月23日UTh=1100,8月6日UTh=1045,8月31日UTh=1115,给出同化分析图。从图中可以看出同化效果较为理想,也说明了我们建立的同化平台运行良好。（3）利用同化试验模式背景和分析的残差,我们引入基于残差和模式预报的残差预报,具体预报时刻为2009年6月15日UTh=1115,7月22日UTh=1115,7月23日UTh=1115,8月6日UTh=1115,8月31日UTh=1130,并给出预报对比图。整体上看,残差预报能够改善模式预报,有些效果甚至很理想。这说明这种预报方法值得尝试。（4）为了在最优插值同化平台中更准确的构建背景误差协方差矩阵,我们介绍了基于集合方法的集合最优插值（EnOI）。3.在前面工作的基础上,为了更好的利用数据同化进行电离层现报或预报,我们引进了同样基于集合方法的集合卡尔曼滤波（EnKF）。文中简述了EnKF的原理、推导方程、流程图及其优缺点。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 电离层概述
• 1.2 电离层形态和参数
• 1.2.1 电离层的变化
• 1.2.2 电离层垂测参数
• 1.3 本文的研究意义
• 1.4 本文的主要内容
• 第2章 电离层模式和数据同化介绍
• 2.1 电离层模式
• 2.1.1 经验模式
• 2.1.2 理论模式
• 2.2 电离层数据同化介绍
• 2.2.1 同化的概念及分类
• 2.2.2 数据同化的发展和应用
• 第3章 非线性最小二乘数据同化及应用
• 3.1 最小二乘
• 3.2 观测系统数据同化试验
• 3.2.1 模式和观测
• 3.2.2 最小二乘算法实现
• 3.2.2.1 代价函数定义
• 3.2.2.2 代价函数求解
• 3.2.2.3 程序流程图
• 3.2.3 观测系统数据同化试验
• 3.2.3.1 模拟观测由背景模式提供
• 3.2.3.2 模拟观测不由背景模式提供
• 3.2.3.3 子午链上观测数据同化模拟试验
• 3.2.3.4 子午工程部分台站观测数据同化演示
• 3.3 本章小结
• 第4章 最优插值的建立及同化试验
• 4.1 最优插值原理、方案
• 4.1.1 原理
• 4.1.2 方案
• 4.1.2.1 权重矩阵W 的正规方程
• 4.1.2.2 方程建立
• 4.2 最优插值程序流程图
• 4.3 观测系统数据同化试验
• 4.3.1 同化检验
• 4.3.1.1 观测算子
• 4.3.1.2 观测误差协方差矩阵
• 4.3.1.3 背景误差协方差矩阵
• 4.3.1.4 分析计算
• 4.3.2 同化试验
• 4.3.2.1 权重矩阵
• 4.3.2.2 观测误差协方差矩阵
• 4.3.2.3 背景误差协方差矩阵
• 4.3.2.4 同化流程
• 4.3.2.5 同化效果展示
• 4.3.3 残差预报
• 4.4 集合最优插值（EnOI）
• 4.5 本章小结
• 第5章 集合卡尔曼滤波介绍
• 5.1 背景误差协方差
• 5.2 集合同化理论
• 5.2.1 集合卡尔曼滤波理论
• 5.2.2 集合卡尔曼滤波分析过程
• 5.2.3 集合卡尔曼滤波的特点
• 第6章 工作总结和展望
• 6.1 本文工作总结
• 6.2 工作展望
• 参考文献
• 致谢
• 附录 A （攻读学位期间所发表的学术论文目录）
• 附录 B （攻读学位期间所参加的工作）
• 附录 C （最优插值权重矩阵和分析误差协方差推导）
• 附录 D （最优插值同化检验详细数值计算）