模式大尺度误差在一段时间的循环同化后会在不同尺度间扩散，导致小尺度对流系统的可预报性下降，该弊端在快速更新同化系统中更加显著。本研究将全球场大尺度集合信息引入到区域混合变分中，在保留中小尺度天气信息的基础上，增加有限区域外的上游误差信息，减小分析过程中的误差累积，提高对多尺度天气系统连续预报的质量。
研究首先以2015年7月共存且相互影响的三台风“莲花”、“灿鸿”、“浪卡”为例，在快速更新同化卫星资料基础上，在混合变分代价函数中引入了大尺度分析约束，充分利用了流依赖集合误差信息，在提高多尺度信息在同化中的传递效率的同时，改善了多台风环境场和结构模拟效果，并明显提高多台风路径和强度预报技巧（图1）。
为了进一步利用全球-区域混合尺度集合信息，该研究继续基于频谱滤波实现了集合信息的多尺度分离和重构，在初始场和背景误差中同时实现多尺度集合信息的混合，并构建了基于多尺度集合误差的混合变分同化方案（图2），实现了全球场信息对区域集合信息的约束调整，从而更有利于多源观测同化中多尺度信息的提取，有效抑制了集合同化循环中累积误差的增长，改善了模式分析和预报效果（图3）。
图1 台风预报误差 (a-c)路径误差(km) ; (d-f)最大风速误差 (m/s) ; (g-i) 最低海平面气压误差(hPa)
图2. 基于多尺度集合误差的混合变分同化方案流程图
图3 FSS评分随不同降水阈值的变化：
(a) 0-12小时 (b)12-24小时 (c) 34-36小时 (d) 36-48小时累积降水。
相关成果分别发表于期刊《Quarterly Journal of the Royal Meteorological Society》和《Atmospheric Research》。
[1]Wang Y, Qian X, Chen Y, et al. Introducing large‐scale analysis constraints in regional hybrid EnVar data assimilation for the prediction of triple typhoons. Quarterly Journal of the Royal Meteorological Society, 2024.
[2]Qian X, Wang Y, Chen Y, et al. Blending of global and regional ensembles in cycling hybrid ensemble-variational data assimilation for the convection-permitting prediction of typhoon Merbok (2017). Atmospheric Research, 2024.