Los sistemas de asimilación de datos pueden proporcionar campos iniciales precisos para mejorar aún más la predicción numérica del tiempo (NWP). Desde 2008, Tian Xiangjun y su equipo en el Instituto de Física Atmosférica (IAP) de la Academia de Ciencias de China se han dedicado a desarrollar el método de asimilación de datos variacionales de conjuntos 4-D de mínimos cuadrados no lineales (NLS-4DVar).

Los métodos NLS-4DVar se han utilizado para resolver aplicaciones del mundo real, incluida la asimilación de datos terrestres, Asimilación de datos de PNT, asimilación de datos de química atmosférica, y observaciones específicas.

Recientemente, El equipo de TIAN ha desarrollado un nuevo sistema de pronóstico:el Sistema de Asimilación de Datos Variacionales de Cuatro Dimensiones de Mínimos Cuadrados No Lineales Multigrid (NLS-4DVar) para Predicción Numérica del Tiempo (SNAP). El estudio fue publicado en Avances en ciencias atmosféricas el 9 de octubre.

SNAP se basa en el esquema de asimilación de datos de redes múltiples NLS-4DVar, los operadores operativos de observación y procesamiento de datos basados ​​en Gridpoint Statistical Interpolation (GSI), y el modelo numérico de Investigación y Pronóstico del Tiempo, ampliamente utilizado.

El marco de asimilación de redes múltiples NLS-4DVar se utiliza para el análisis, que puede corregir adecuadamente errores de gran a pequeña escala y acelerar las soluciones de iteración. Las variables de análisis son variables de estado del modelo, en lugar de las variables de control adoptadas en el sistema 4DVar convencional.

En la actualidad, el equipo ha logrado la asimilación de las observaciones convencionales y de radar, y seguirá mejorando la asimilación de las observaciones por satélite en un futuro próximo.

"Diseñamos cuidadosamente varios grupos de experimentos reales, incluyendo un caso y experimentos de asimilación cíclica de una semana, con el fin de evaluar integralmente SNAP en este estudio, ", escribió el equipo de Tian en su estudio.

Los resultados numéricos demostraron que, en términos de la intensidad de la precipitación, SNAP podría absorber completamente las observaciones y mejorar los campos iniciales, mejorando así el pronóstico de precipitación. En particular, en comparación con GSI 4DEnVar, SNAP produce errores de raíz cuadrática media (RMSE) de pronóstico ligeramente más bajos y una mejora porcentual relativa (RPI) más positiva en su conjunto.

"La aparición de SNAP proporciona una forma prometedora con una base teórica sólida para la asimilación de datos en NWP para mejorar significativamente las habilidades de pronóstico en una era en la que el número de observaciones, especialmente de las técnicas de teledetección, está aumentando significativamente, ", dijo Tian." Es de gran importancia y aplicación práctica explorar métodos y sistemas de asimilación de datos más sofisticados para mejorar la precisión tanto de la predicción meteorológica como de las predicciones climáticas en la era de los grandes datos ".