I sistemi di assimilazione dei dati possono fornire campi iniziali accurati per migliorare ulteriormente la previsione numerica del tempo (NWP). Dal 2008, Tian Xiangjun e il suo team presso l'Istituto di fisica atmosferica (IAP) dell'Accademia cinese delle scienze si sono dedicati allo sviluppo del metodo di assimilazione dei dati variazionali dell'insieme 4-D dei minimi quadrati non lineari (NLS-4DVar).

I metodi NLS-4DVar sono stati utilizzati per risolvere applicazioni del mondo reale, inclusa l'assimilazione dei dati del terreno, Assimilazione dei dati NWP, assimilazione dei dati di chimica atmosferica, e osservazioni mirate.

Recentemente, Il team di TIAN ha sviluppato un nuovo sistema di previsione:il sistema di assimilazione dei dati multigrid non lineare dei minimi quadrati quadridimensionali (NLS-4DVar) per la previsione numerica del tempo (SNAP). Lo studio è stato pubblicato su Progressi nelle scienze dell'atmosfera il 9 ottobre.

SNAP è basato sullo schema di assimilazione dei dati multigrid NLS-4DVar, gli operatori operativi di elaborazione e osservazione dei dati basati sull'interpolazione statistica Gridpoint (GSI), e il modello numerico di ricerca e previsione meteorologica ampiamente utilizzato.

Il framework di assimilazione multigrid NLS-4DVar viene utilizzato per l'analisi, che può correggere adeguatamente errori da grandi a piccole scale e accelerare le soluzioni di iterazione. Le variabili di analisi sono variabili di stato del modello, piuttosto che le variabili di controllo adottate nel sistema 4DVar convenzionale.

Attualmente, il team ha ottenuto l'assimilazione di osservazioni convenzionali e radar, e continuerà a migliorare l'assimilazione delle osservazioni satellitari nel prossimo futuro.

"Abbiamo progettato con cura diversi gruppi di esperimenti reali, inclusi un caso e esperimenti di assimilazione ciclistica di una settimana, al fine di valutare in modo completo SNAP in questo studio, " ha scritto il team di Tian nel loro studio.

I risultati numerici hanno dimostrato che, in termini di intensità delle precipitazioni, SNAP potrebbe assorbire completamente le osservazioni e migliorare i campi iniziali, migliorando così la previsione delle precipitazioni. In particolare, rispetto a GSI 4DEnVar, SNAP produce errori quadratici medi (RMSE) di previsione leggermente inferiori e un miglioramento percentuale relativo (RPI) più positivo nel suo insieme.

"L'emergere di SNAP fornisce un modo promettente con una solida base teorica per l'assimilazione dei dati in NWP per migliorare significativamente le capacità di previsione in un'era in cui il numero di osservazioni, soprattutto dalle tecniche di telerilevamento, sta aumentando notevolmente, " ha affermato Tian. "È di grande importanza e applicazione pratica esplorare metodi e sistemi più sofisticati di assimilazione dei dati per migliorare la precisione sia delle previsioni meteorologiche che delle previsioni climatiche nell'era dei big data".