用于中纬度和热带大气资料同化的统一神经背景误差协方差模型

估计背景误差协方差仍然是变分资料同化（DA）中的核心挑战。业务系统通常通过变换来近似这些协方差，将地转平衡分量与不平衡的惯性-重力模态分开——这种方法非常适合中纬度，但在热带地区不太适用，因为那里盛行不同的物理平衡。本研究在由神经网络自编码器（AE）学习的降维潜在空间中估计背景误差协方差。该AE使用40年的ERA5再分析数据进行训练，使其能够从各种天气状态中捕捉与流相关的大气平衡。我们证明，在潜在空间中进行DA产生的分析增量在热带和中纬度大气中都能保持多变量水平和垂直物理平衡。在中纬度同化单个500 hPa位势高度观测值产生的增量与地转和热成风平衡一致，而在接近饱和的热带大气中同化具有正偏差的总柱水汽观测值产生的增量类似于对（潜）热诱导扰动的热带响应。由此产生的增量是局地化的、与流相关的，并由地形和海陆对比塑造。从这些分析初始化的预报表现出真实的天气演变，包括在热带激发东传的开尔文波。最后，我们探讨了从使用合成集合和基于气候学的背景误差协方差矩阵向业务化集合资料同化的转变。尽管某些变量存在由压缩引起的显著方差损失，潜在空间同化仍能产生平衡的、与流相关的增量——这突显了其用于基于集合的潜在空间4D-Var的潜力。