导读:本文包含了陆面数据同化论文开题报告文献综述及选题提纲参考文献，主要关键词:四维变分同化,集成陆面模式,集合陆面数据同化系统,人类活动
陆面数据同化论文文献综述
孟春雷[1]（2018）在《高分辨率集合陆面数据同化系统》一文中研究指出人类活动显着改变了陆地表面,对天气、气候产生显着影响。研究人类活动对天气、气候影响机理,准确定量刻画人类活动的天气、气候效应需要发展高分辨率城市陆面模式及陆面数据同化系统。基于通用陆面模式(Co LM)发展了集成陆面模式(IUM),模式集成了城市陆面模型和自然下垫面陆面模型,拓展了陆面模型研究领域。基于集成陆面模式(IUM)发展了集合陆面资料同化系统(JLDAS),系统可以同时同化城市和自然下垫面陆面参数,提高了模式性能,并且拓展了资料同化理论和应用。发展了一套简化的四维变分同化算法同时同化城市不透水面地表温度和自然下垫面地表温度以及土壤湿度,实现真正的全区域同化。发展了一套马赛克(Mosaic)方案同化地表覆盖和土地利用(LULC)资料。由NOAA DMSP/OLS提供的夜灯亮度资料用于参数化人为热(AHR)的空间分布。发展了质量控制(QC)同化算法用于同时同化风云卫星积雪覆盖率(SCF)和雪水当量(SWE)资料。发展了植被覆盖率(Fcover)参数化算法,并且通过把它们看作强迫变量的方法同化了MODIS叶面积指数(LAI)、植被覆盖率(Fcover)。发展了太阳辐射四分量分配方案,并且同化了MODIS反照率四分量。(本文来源于《第35届中国气象学会年会 S11 城市气象与环境——第七届城市气象论坛》期刊2018-10-24）
孙帅,师春香,贾炳浩,张帅,梁晓[2]（2018）在《基于CLDAS大气驱动数据和Noah-MP陆面模式的中国区域土壤湿度同化试验》一文中研究指出土壤湿度作为陆地表面的重要物理量,对数值天气预报、气候研究、农业、生态等至关重要。目前土壤湿度的获取方式主要有站点观测、遥感反演和陆面模式模拟,其各有优缺点,土壤湿度同化能够用观测或遥感反演的土壤湿度来调整陆面模式的运行轨迹,使陆面模式模拟中积累的误差得以释放。本文基于中国气象局陆面数据同化系统(CMA Land Data Assimilation System,简称CLDAS)中的大气驱动数据,使用集合卡尔曼滤波同化方法将偏差订正和质量控制后的ASCAT土壤湿度同化到Noah‐MP陆面模式模拟过程中,进行土壤湿度同化试验,并使用站点观测土壤湿度对0‐10cm土壤湿度进行定量评估,其中偏差订正采用的是累积概率密度匹配方法(cumulative distribution function,CDF),质量控制是对降水区、积雪区、冻土区、植被覆盖度较大区域以及模式与观测的差设置合理的阈值。结果表明:采用不同集合数目(20、25、30、40)进行土壤湿度同化试验,从时间序列可以看出,不同集合数目对同化结果的影响不是很大;分别扰动辐射和降水驱动数据、同时扰动辐射和降水驱动数据进行土壤湿度同化试验,从时间序列和不同分区下评估可以看出,分别扰动辐射和降水驱动数据以及同时扰动辐射和降水驱动数据对于同化结果影响不大;考虑到计算效率,本研究选用20个集合,同时扰动降水和辐射进行土壤湿度同化试验,从2014年5~10月的土壤湿度月平均空间分布图可以看出,土壤湿度的模式模拟与同化都能够反映出中国区域土壤湿度的空间分布,与模式模拟相比,土壤湿度同化在我国西部地区相对变湿(增加0.01~0.04mm~3/mm~3),在我国南方地区和东北地区相对变干(减小0.02~0.06mm~3/mm~3);从时间序列来看,同化后的土壤湿度在全国平均上较Noah‐MP陆面模式模拟更接近于站点观测;从空间分布上看,同化改进了部分地区土壤湿度的效果,但是对于有些地区,同化起到了负效果,如青藏高原的地区,同化前后相关系数分别是0.7857和0.6798、偏差分别是0.0253mm~3/mm~3和0.0315mm~3/mm~3、均方根误差分别是0.0588mm~3/mm~3和0.0629mm~3/mm~3;对2014年夏季长江以北干旱事件进行个例分析,与国家气候中心公布的气象干旱综合监测图进行对比,同化后的土壤湿度能够体现出安徽北部地区的旱情,但是模式模拟未反映出来安徽北部的旱情。当然本研究同化的是遥感反演的土壤湿度,其精度易受遥感反演算法、下垫面等多种因素影响,未来会将极轨卫星的微波亮温(如FY3、AMSR2)同化到Noah‐MP陆面模式中,从而进一步提高土壤湿度的精度。(本文来源于《第35届中国气象学会年会 S20 深度信息化：应用支持与智能发展》期刊2018-10-24）
陈萍萍,沈润平,师春香,韩帅,王绍武[3]（2018）在《基于HRCLDAS/CLM陆面数据同化系统的青藏高原地区土壤湿度模拟研究》一文中研究指出利用最新的高时空分辨率(1 km、1 h)的中国气象局高分辨率陆面数据同化系统(HRCLDAS-V1.0)大气近地面强迫资料,驱动由NCAR发展的通用陆面模式(CLM),对青藏高原地区2015年1月1日至9月30日的土壤湿度开展了模拟研究。结果表明模拟得到的高时空分辨率(1 km、1 h)土壤湿度能够体现出青藏高原地区从东南向西北逐渐变低的空间分布特征,较好地表现出各层土壤湿度的时间变化特征,6~9月土壤湿度波动较大,1~5月波动较平缓,上层土壤湿度变幅较大,深层变化较平缓。0~5 cm、0~10 cm和10~40 cm深度土壤湿度模拟结果与观测值的相关系数均在0.8以上,其中0~5 cm土层的相关系数达到0.92,各层土壤湿度观测值与模拟值的均方根误差变化则相反,3个土层土壤湿度模拟结果与观测值的偏差均小于0.04 mm 3 mm-3,但模式对于研究时段土壤湿度变化的低值有高估现象,且模拟能力随着土层深度的加深而减弱。(本文来源于《气候与环境研究》期刊2018年04期）
崔园园[4]（2018）在《CMA陆面数据同化系统产品在青藏高原及其周边的适用性评估》一文中研究指出土壤温、湿度与降水是陆面过程模式研究中的重要参量,可以反映地表水分收支情况,青藏高原通过一系列的大气和水文过程直接和间接对亚洲季风和全球大气环流造成影响,但高原地表类型复杂,环境恶劣,长时间的站点观测资料稀少。目前国内CMA陆面数据同化系统(CLDAS)能够提供实时的高分辨率业务产品,具有较高的精度。本文利用青藏高原及其周边站点的观测资料及国外多家产品(GLDAS-NOAH,TRMM3B42)分别对2013-2015年CLDAS第一和第二版本的土壤温、湿度和降水进行了评估,得到如下主要结论:(1)GLDAS-NOAH和CLDAS-V1.0在安多、那曲、聂荣、Sta-ave区域(小嵩草高寒草甸)4个站点表现较优,而融合资料在班戈(禾草高寒草原)、嘉黎(亚高山常绿叶灌丛)和比如(亚高山常绿叶灌丛)质量较差,阿里站(矮半灌木荒漠)是融合资料与观测相差最大的站点;土壤湿度存在明显的日变化,在14:00时至20:00时,融合资料在全天质量相对较差;当降水强度急剧增强时,融合资料的质量变差;融合产品质量在青藏高原地区由东南向西北方向递减,在四川东北部地区有较好的一致性。(2)CLDAS-v1.0和GLDAS-NOAH降水资料与地面台站观测降水的时间变化总体趋势是一致的,TRMM3B42降水资料在冬春季节表现最差,最大值出现在1～2月份左右,高估了高原整个春季和冬季的降水量。GLDAS-NOAH降水资料整体上表现最优,但融合降水资料在四川东部的大部分站点评分较高,适用性最好,地形对降水的影响随着海拔的增高逐渐减弱,随着海拔的增加,叁种资料与站点资料越接近;此外,叁种资料整体上高估了小降水事件的发生频率,而低估了强降水时间的发生频率。(3)CLDAS-V2.0 土壤温、湿度产品与观测的相关性均优于GLDAS-NOAH模式产品,且两模式产品与站点观测的相关性在湿季大于干季,相关性随土壤深度增加而减小;CLDAS-V2.0 土壤湿度产品相对站点观测的误差稍大于GLDAS-NOAH,且在浅层土壤两模式产品与站点观测的MRE整体上在干季大于湿季;CLDAS-V2.0 土壤温度产品与站点观测的RMSE在湿季大于干季,而GLDAS-NOAH产品则相反;此外,两种模式产品无法重现观测到的深层土壤温、湿度相对表层土壤温、湿度变化明显“滞后”的特征以及降水后相对降水前土壤温度峰/谷值对应时间存在明显延迟的特征。(本文来源于《南京信息工程大学》期刊2018-06-01）
孙帅[5]（2018）在《CLDAS长序列降水驱动数据的融合及ASCAT土壤湿度的陆面同化》一文中研究指出土壤湿度作为陆地表面的一个重要物理量,对气候、农业、生态等至关重要。目前土壤湿度的获取方式主要有站点观测、遥感反演和模式模拟,其各有优缺点,而土壤湿度的陆面同化能够用观测或遥感反演的土壤湿度来调整陆面模式的运行轨迹,使陆面模式模拟中积累的误差得以释放。因此,本文以中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)为平台,使用集合卡尔曼滤波同化方法开展关于ASCAT 土壤湿度的陆面同化研究,主要包括长序列降水驱动数据的融合、基于Noah-MP陆面模式的模拟试验和ASCAT 土壤湿度的陆面同化叁个方面。文章的主要结论如下:(1)长序列降水驱动数据的融合:本文制作了 1998~2015年中国区域时间分辨率lh、空间分辨率0.0625° 的长序列融合降水驱动数据。从评估结果可以看出,CLDAS长序列融合降水在量级上与站点观测更为接近,在空间分布上符合中国降水的空间分布;从独立性检验可以看出,CLDAS长序列融合降水在误差时间序列、空间分布、不同分区下、区域自动站检验下以及不同降水量级的把握上都是优于CMORPH降水和MERRA2降水;在对台风“Saudel”的监测上,CLDAS长序列融合降水能够表现出台风过境强降水中心位置和强度,优于CMORPH降水、MERRA2降水和EMSIP降水,在量级上略低于站点观测。因本文制作的降水驱动未融合了中国气象局区域自动站数据,效果略逊于融合了 CMPA地面-卫星-雷达叁源降水。但相较于CMPA叁源降水,CLDAS长序列降水时间跨度较长且考虑了冬季固态降水问题。(2)基于Noah-MP陆面模式的模拟试验:使用CLDAS长序列融合降水和CLDAS2.0降水分别驱动Noah-MP陆面模式模拟得到土壤湿度,与站点观测对比分析可以看出,CLDAS长序列融合降水驱动下土壤湿度在全国的平均偏差略大于CLDAS2.0降水驱动下的土壤湿度,但相关系数更高;CLDAS长序列融合降水对雪深的模拟与观测较为接近,明显地优于CLDAS2.0降水驱动模拟的积雪,主要是因为CLDAS长序列融合降水加入了固态降水信息。因此可以看出,CLDAS长序列融合降水可以用于陆面模式的模拟中,且效果较优;(3)ASCAT 土壤湿度的同化试验:对ASCAT 土壤湿度进行偏差订正和质量控制,选取不同集合数目对ASCAT 土壤湿度进行同化试验。从误差时间序列、误差空间分布等进行分析,可以看出不同集合数目对同化影响不大;分别扰动辐射和降水驱动数据,评估结果表明,无论是单独扰动辐射或降水驱动数据还是同时扰动辐射和降水,对于同化结果的影响不大;(4)ASCAT 土壤湿度同化结果的分析:将ASCAT 土壤湿度同化到Noah-MP陆面模式中,结果表明:从时间序列上看,同化后的土壤湿度在全国平均上较模式模拟Openloop更接近于观测数据;从空间分布上,同化改进了部分地区土壤湿度,但对于有些地区,同化起负效果;同化土壤湿度对土壤温度也有一定的改进,因模式模拟土壤温度效果已经较优,所以从数值上看改进程度不是很大;在干旱个例的监测上,与2014年7月12日国家气候中心公布的气象干旱综合监测图对比发现,同化后的土壤湿度效果是优于模式模拟Openloop 土壤湿度对干旱监测的效果。(本文来源于《南京信息工程大学》期刊2018-06-01）
韩帅,师春香,姜志伟,徐宾,李显风[6]（2018）在《CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展》一文中研究指出回顾了中国气象局高分辨率陆面数据同化系统(High Resolution China Meteorological Administration Land Data Assimilation System,HRCLDAS)的研发历程,重点介绍了HRCLDAS研发过程中的重要进展和突破,概要阐述了这些进展对HRCLDAS业务化的贡献。主要包括:引入1 km分辨率地形数据,采用多重网格变分分析技术制作1 km分辨率气象驱动数据;基于FY-2卫星1 km可见光通道、高分辨率地形及地表反照率等数据,改善地面入射太阳辐射产品质量与空间分辨率,利用辐射计算模型(Hybrid)模型与地面站日照时数、气温等观测资料模拟地面太阳辐射,并利用多重网格变分分析技术实现二者融合;实现东亚多卫星集成降水产品(EMSIP)与4万余自动站观测降水融合,并实时生成格点融合产品,针对陆面模拟分辨率高、数据量大的特点,设计了分块并行与模式并行结合的计算方案,建立了高效的土壤湿度模拟产品业务系统,有效地推动各级气象部门开展相关业务应用工作。(本文来源于《气象科技进展》期刊2018年01期）
王斌,朱士江,黄金柏,丁星臣,宫兴龙[7]（2018）在《基于全球陆面数据同化系统蒸散量的GSAC模型率定》一文中研究指出在识别缺资料流域水文模型参数时,目前常采用的区域化方法存在相似流域间降雨径流关系差别较大、模型参数与流域属性间的相关性不明显、在大范围缺资料地区难于选取参考流域等问题。本文从全球陆面数据同化系统(GLDAS)获取流域蒸散量数据,提出利用GLDAS蒸散量率定GSAC模型的方法。首先,通过合并网格建立GSAC模型模拟的蒸散量与GLDAS蒸散量在时间和空间方面的对应关系;其次,基于纳什效率系数的定义构建了一个模型率定指标,以评价GSAC模型模拟的蒸散量对GLDAS蒸散量的拟合效果;最后,依据GLDAS蒸散量与GSAC模型模拟蒸散量之间的拟合关系率定GSAC模型。呼兰河流域应用结果表明,GLDAS提供的蒸散量能够较好反映流域实际蒸散量的变化情况,为率定GSAC模型提供了一种有效的输入数据;在率定期与验证期,利用GLDAS蒸散量率定的GSAC模型对流量模拟的纳什效率系数分别为0.81和0.77,与利用流量数据率定的GSAC模型模拟结果相近。(本文来源于《农业机械学报》期刊2018年02期）
韩帅,师春香,姜志伟,徐宾,李显风[8]（2017）在《CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及业务化》一文中研究指出本文回顾了CMA高分辨率陆面数据同化系统HRCLDAS的研发历程,重点介绍了HRCLDAS研发过程中的重要进展和突破,概要阐述了这些进展对HRCLDAS业务化的贡献。主要包括:引入1km分辨率地形数据,采用多重网格变分分析技术制作1km分辨率气象驱动数据;基于FY-2卫星1km可见光通道、高分辨率地形及地表反照率等数据,改善地面入射太阳辐射产品质量与空间分辨率,利用Hybrid模型与地面站日照时数、气温等观测资料模拟地面太阳辐射,并利用多重网格变分分析技术实现二者融合;实现东亚多卫星集成降水产品(EMSIP)与4万余自动站观测降水融合,并实时生成格点融合产品,其中EMSIP集成了包括FY-2、FY-3在内的11颗卫星降水反演产品,有效地促进了FY卫星产品的融合应用;利用上述1km降水、辐射及气象驱动场,针对陆面模拟分辨率高、数据量大的特点,设计了分块并行与模式并行结合的计算方案,实现了高效的土壤湿度模拟;通过中国气象数据网和CMAcast实时发布数据,推动各级气象部门开展相关业务应用工作等。(本文来源于《第34届中国气象学会年会 S20 气象数据：深度应用和标准化论文集》期刊2017-09-27）
刘钊,姜志伟[9]（2017）在《融合多源数据 提升预报能力》一文中研究指出地面站、雷达、卫星……如今,多种观测手段、数以万计的站点共同提供着体量庞大的气象观测数据。这些数据单独运用,各有其优势与缺陷。在这个大数据时代,如果能将这些不同来源的数据融合在一起,集其优势于一身,必将成为数值预报的有力武器。6月初业务化运行的(本文来源于《中国气象报》期刊2017-06-21）
张洪芹[10]（2016）在《POD/NLS-4DVar的改进及在陆面数据同化系统中的应用》一文中研究指出数据同化算法是将模式模拟和观测数据相融合的方法论,POD/NLS-4DVar算法是一种先进的数据同化算法,该算法融合了当前主流的两大同化算法(集合卡尔曼滤波EnKF和四维变分同化算法4DVar)的优势,但依然存在发展的空间,本论文旨在针对该算法待发展之处,提出解决策略、进一步完善POD/NLS-4DVar算法。POD/NLS-4DVar作为一种混合数据同化算法(4DEnVar),采用基于集合的同化算法估算背景误差协方差B的策略,即用有限集合样本估算B,这种策略会因取样不足导致虚假相关,基于集合的同化算法一般通过局地化过程消除样本不足造成的虚假相关,而局地化方案的不同选择也必然会影响到其最终的同化效果。本论文分别提出了两种局地化策略,即自适应局地化方案和集合扩展局地化方案,将其应用到POD/NLS-4DVar算法,并通过Lorenz-96为预报模式的同化系统进行算法验证,验证结果如下:将自适应局地化方案引入到POD/NLS-4DVar算法,由于采用了稀疏技术和EOF分解技术,构造的稀疏流自适应修订(Sparse Flow-Adaptive Moderation,SFAM)局地化框架的计算代价显着降低。采用SFAM局地化框架的POD/NLS-4DVar算法与采用SENCORP局地化框架(Smoothed ENsemble Correlations Raised to a power)、静态局地化框架(Static)的结果相比,同化精度更高,表现为与观测值的均方根误差最小。将集合样本扩展的局地化方案引入到基于Gaussian-Newton迭代算法的非线性集合四维变分同化方法NLS-4DVar,从而避免了原算法中为进行局地化过程而额外需要的线性化假设,使得算法收敛更稳定。另外,通过将原Gaussian-Newton迭代序列进行变形,避免了矩阵的直接求逆,极大地提高了同化算法的计算效率。利用非线性动力模型Lorenz-96所开展的观测系统模拟试验表明:采用新的样本扩展型局地化方案的NLS-4DVar算法其同化精度略优于NLS-4DVar原始算法,同时由于避免了矩阵的直接求逆,其计算效率反而有所提高,同化所需时间有所降低。最后,将自适应局地化框架SFAM更新到中国科学院大气物理研究所陆面数据同化系统LDAS-IAP/CAS中,通过直接同化AMSR-E卫星遥感微波亮温资料在华北南区(110°-120°E,34°-40°N)开展了从2005年07月至2010年06月的同化试验研究,试验结果表明:与陆面过程模式模拟结果、采用静态局地化策略的陆面数据同化系统相比,采用自适应局地化策略的陆面数据同化系统LDAS-IAP/CAS的同化结果能够明显改善土壤湿度估计,使得与站点观测结果更接近,并且更好的表现了其时间变异性。(本文来源于《山东农业大学》期刊2016-05-25）
陆面数据同化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
土壤湿度作为陆地表面的重要物理量,对数值天气预报、气候研究、农业、生态等至关重要。目前土壤湿度的获取方式主要有站点观测、遥感反演和陆面模式模拟,其各有优缺点,土壤湿度同化能够用观测或遥感反演的土壤湿度来调整陆面模式的运行轨迹,使陆面模式模拟中积累的误差得以释放。本文基于中国气象局陆面数据同化系统(CMA Land Data Assimilation System,简称CLDAS)中的大气驱动数据,使用集合卡尔曼滤波同化方法将偏差订正和质量控制后的ASCAT土壤湿度同化到Noah‐MP陆面模式模拟过程中,进行土壤湿度同化试验,并使用站点观测土壤湿度对0‐10cm土壤湿度进行定量评估,其中偏差订正采用的是累积概率密度匹配方法(cumulative distribution function,CDF),质量控制是对降水区、积雪区、冻土区、植被覆盖度较大区域以及模式与观测的差设置合理的阈值。结果表明:采用不同集合数目(20、25、30、40)进行土壤湿度同化试验,从时间序列可以看出,不同集合数目对同化结果的影响不是很大;分别扰动辐射和降水驱动数据、同时扰动辐射和降水驱动数据进行土壤湿度同化试验,从时间序列和不同分区下评估可以看出,分别扰动辐射和降水驱动数据以及同时扰动辐射和降水驱动数据对于同化结果影响不大;考虑到计算效率,本研究选用20个集合,同时扰动降水和辐射进行土壤湿度同化试验,从2014年5~10月的土壤湿度月平均空间分布图可以看出,土壤湿度的模式模拟与同化都能够反映出中国区域土壤湿度的空间分布,与模式模拟相比,土壤湿度同化在我国西部地区相对变湿(增加0.01~0.04mm~3/mm~3),在我国南方地区和东北地区相对变干(减小0.02~0.06mm~3/mm~3);从时间序列来看,同化后的土壤湿度在全国平均上较Noah‐MP陆面模式模拟更接近于站点观测;从空间分布上看,同化改进了部分地区土壤湿度的效果,但是对于有些地区,同化起到了负效果,如青藏高原的地区,同化前后相关系数分别是0.7857和0.6798、偏差分别是0.0253mm~3/mm~3和0.0315mm~3/mm~3、均方根误差分别是0.0588mm~3/mm~3和0.0629mm~3/mm~3;对2014年夏季长江以北干旱事件进行个例分析,与国家气候中心公布的气象干旱综合监测图进行对比,同化后的土壤湿度能够体现出安徽北部地区的旱情,但是模式模拟未反映出来安徽北部的旱情。当然本研究同化的是遥感反演的土壤湿度,其精度易受遥感反演算法、下垫面等多种因素影响,未来会将极轨卫星的微波亮温(如FY3、AMSR2)同化到Noah‐MP陆面模式中,从而进一步提高土壤湿度的精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
陆面数据同化论文参考文献
[1].孟春雷.高分辨率集合陆面数据同化系统[C].第35届中国气象学会年会S11城市气象与环境——第七届城市气象论坛.2018
[2].孙帅,师春香,贾炳浩,张帅,梁晓.基于CLDAS大气驱动数据和Noah-MP陆面模式的中国区域土壤湿度同化试验[C].第35届中国气象学会年会S20深度信息化：应用支持与智能发展.2018
[3].陈萍萍,沈润平,师春香,韩帅,王绍武.基于HRCLDAS/CLM陆面数据同化系统的青藏高原地区土壤湿度模拟研究[J].气候与环境研究.2018
[4].崔园园.CMA陆面数据同化系统产品在青藏高原及其周边的适用性评估[D].南京信息工程大学.2018
[5].孙帅.CLDAS长序列降水驱动数据的融合及ASCAT土壤湿度的陆面同化[D].南京信息工程大学.2018
[6].韩帅,师春香,姜志伟,徐宾,李显风.CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展[J].气象科技进展.2018
[7].王斌,朱士江,黄金柏,丁星臣,宫兴龙.基于全球陆面数据同化系统蒸散量的GSAC模型率定[J].农业机械学报.2018
[8].韩帅,师春香,姜志伟,徐宾,李显风.CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及业务化[C].第34届中国气象学会年会S20气象数据：深度应用和标准化论文集.2017
[9].刘钊,姜志伟.融合多源数据提升预报能力[N].中国气象报.2017
[10].张洪芹.POD/NLS-4DVar的改进及在陆面数据同化系统中的应用[D].山东农业大学.2016
标签：四维变分同化; 集成陆面模式; 集合陆面数据同化系统; 人类活动;