Abstract
This paper explores some aspects of data assimilation by 3D-Var method implemented in the Lorenz model. This system was chosen because, although simple, has similar structure to the atmosphere under certain parameters. Conceptual models allow difficult judgments to be made in primitive equation models with their various nonlinear interactions at various scales. It is shown the need to apply data assimilation techniques in highly sensitive models to initial conditions. It was also shown that 3D-Var method is very dependent on the number of cycles during the process of minimizing of the cost function. In the experiment performed on this work was found that at least 1,000 interactions are necessary to solve this minimization problem. However the technique fail to 40% noise added to initial conditions, comparing to control. Additional experiments show the difficulty of performing high quality data assimilation in chaotic dynamics for underdetermined systems, such as the Earth's atmosphere.
Highlights
This paper explores some aspects of data assimilation by 3D-Var method implemented in the Lorenz model
Mesmo que os modelos fossem perfeitos e as observações exatas, a natureza caótica do sistema impediria que a previsão fosse exata (100% de acertos)
Journal of the Atmospheric Sciences, 19: 329 – 341
Summary
A previsão de tempo realizada por diversos centros nacionais de vários países, utilizam Modelos Numéricos de Previsão de Tempo (MNPT). Huang & Yang (1996) avaliam o procedimento de assimilação com as equações de Lorenz e o método de assimilação 4D-Var. Os autores mostram que quanto maior for o ruído na CI, maior deve ser número de interações durante o minimização do gradiente da função custo. Que com observações de apenas uma das três variáveis do sistema e 40% de ruído na CI, a trajetória do modelo não é corrigida pela assimilação. Law et al (2013) estudaram o a performance do 3D-Var no modelo de Lorenz (1963) e concluíram que a metodologia de inflação de variância (por fator multiplicativo) tende a estabilizar o filtro, condicionando a convergência do algoritmo de minimização e melhorando a precisão da correção das trajetórias do escoamento. Especificamente, estimar o grau de sensibilidade do 3D-Var ao número de interações durante o processo de minimização da função custo pelo método Gradiente Descendente, ao nível de ruído nas CI do modelo e a quantidade de observações assimiladas
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
