科学数据处理与分析.ppt

数据同化： 在考虑数据时空分布的基础上进行数值模拟的动态过程中，如何将新的观测数据融合到数据中的方法。通过同化可获得具有时空一致性、物理一致性和可靠度的数据集。 数据同化就是结合数值预报模式值和观测值来改进分析场或模式本身，使数 值预报模式值最大程度地与所有要使用的观测数据及所做的假设相协调一致。例如，根据过去和当前观测记录得出的对大气状态的描述，是计算机制作预报的最初过程，这一过程就是数据同化。 使用数值预报模式对过去的观测记录进行概括并做时间推移，处理的过程中在做连续估算时数据同化是非常有效的。 同化: 把不同事物变得相近或相同的过程. 数据同化: 为数值预报提供初始场的数值处理技术. 数据同化是一个多个初值的初值问题.\ 经典同化: (1) 模式预报场作为初估场,用新的观测值更新初估场 (2) 对更新后的场作初值化处理 (3) 模式向前预报若干步 并将新的预报场作为下一次更新的初估场, 然后返回(1), 反复计算.直到符合要求. 变分同化法,滤波算法同化法,有限元同化法,神经网络同化法等. 4维同化： 将格点的分析值表示为该格点的预报值加上该格点领域内各个预报与观测之差的线性组合，使用不同时间层次的相邻差值场就等于把不同时间内的观测值同化到客观分析场之中。使用这样的分析场预报，也就是等于将不同时间内的观测同化到模式中。故称之为4 维同化。 对于反问题求解使用了4维同化（4D-变量）的过程，即从地面观测值的时间演变信息中反演出初始场的3维空间结构，这样就可以弥补在给定时刻由于观测站点不足造成的信息损失。 反演问题是一个在科学研究中，对于现象的出现及过程的演化的‘因果关系’，反向思考分析的方法。将‘因果关系’逆向思维，研究是由‘果‘究’因‘。 针对所研究的问题采用合适的方法： 直接推演方法 概率和统计方法 求解常微分方程或偏微分方程 最优化方法 等方法 （5．4．1）常微分方程组的初值和边值问题 一个与常微分方程组有关的问题可以化为研究一阶微分方程组，例如，二阶微分方程 可以改写为一阶方程组 其中z是一个新变量，通常选择的新变量就是使它们是相互的导数。 这样，常微分方程组的一般问题就化为研究函数 的一组N个有联系的一阶微分方程，其一般形式为 i=1,···,N 于是，边界条件就化为关于 函数值的代数条件。一般情况下，它们在离散点上能满足但不在这些点之间成立。所以边界条件可能简单得只是要求某些变量具有某些数值， 也可能复杂得成为变量的一个非线性方程组。 边界条件的性质确定了哪些数值方法是可行的。边界条件一般可划分为两种类型： ·初值问题中，所有 都给在起始值 上，期望找出在某个终点 上或某些离散格点上（例如在表列区间上）的 。 ·两点边值问题中，边界条件在不止一个点 上指定，而是一些条件将于 上指定，其余条件在 上指定。 求解常微分方程组的初值问题的三种主要的数值方法： Runge-Kutta方法 Richardson 外推及 Bulirsch-Stoer方法等 预报-校正方法 (5．4．2）两点边值问题 要求常微分方程在多于一个自变量的值上满足边界条件时，该问题就称为两点边值问题。例如，在积分的起始值和终止值上满足边界条件，在内点（例如奇异）点上指定另一些 条件的情况。 初值问题与两点边值问题之间的区别：在初值问题中可以从起点（初值）处一个可接受的解开始，并且通过数值积分把它推进到终点（终值）；两点边值问题则是起始点上的边界条件并不确定一个可用作开始的唯一解，并且在满足这些起始边界的解中，一种‘随机’的选择几乎肯定不满足在其他指定点上的边界条件。 所以，需要进行迭代，才能把这些呈空间分散形式的边界条件合并到一个微分方程的单一的整体解中。解两点边值问题要比解初值问题花更大的代价。必须在区间上对微分方程积分，或者完成一个类似的‘松弛’过程，有时要做多次。 标准的两点边值问题形式如下：解一组N个耦合的一阶常微分方程，方程在起始点 上满足 个边界条件，在终点上满足剩余的 个边界条件。 微分方程为