Die Landoberflächentemperatur (LST) ist die Schlüsselvariable in der Interaktion zwischen Land und Atmosphäre und hat einen wichtigen Einfluss auf Wetter- und Klimavorhersagen. Obwohl es Fortschritte bei der Datenassimilation in gekoppelten Land-Atmosphäre-Modellen gegeben hat, ist die schwach gekoppelte Assimilation nach wie vor vorherrschend. Dies bedeutet, dass die komponentenübergreifenden Interaktionen zwischen Land und Atmosphäre während des Assimilationsprozesses nicht ausreichend berücksichtigt werden, was es schwierig macht, eine konsistente Analyse zwischen den Land- und Atmosphärenvariablen zu erreichen.
Das Team von Professor Yaodeng Chen an der Nanjing University of Information Science & Technology (NUIST) hat eine gekoppelte Hintergrundfehler-Kovarianz konstruiert, die Land- und Atmosphärenkomponenten umfasst, um das kritische Problem der stark gekoppelten Land-Atmosphären-Datenassimilation zu lösen. Ihre Arbeit enthüllt den Zusammenhang zwischen dem Hintergrundfehler von Oberflächen- und Atmosphärenvariablen und wurde veröffentlicht in Briefe zur Atmosphären- und Ozeanwissenschaft.
Zunächst wurden im Rahmen der Studie klimatologische und Ensemble-Prognoseproben basierend auf der Mei-Yu-Saison 2023 erstellt. Anschließend wurde die komponentenübergreifende Hintergrundfehler-Kovarianz mithilfe von Prognosefehler-Schätztechniken berechnet. Die Ergebnisse der Studie zeigen, dass der Fehler der LST hauptsächlich mit der Lufttemperatur korrelierte, die Korrelation mit zunehmender atmosphärischer Höhe abnahm und der Fehler der Standardabweichung der LST deutlich größer war als der der Lufttemperatur in niedrigen Lagen.
Das Team wählte zur Charakterisierung außerdem zwei Tage mit großen Unterschieden in den Wetterbedingungen aus. Die Ergebnisse zeigten, dass die Fehlerkorrelation und die Fehlerstandardabweichung des LST sowie der atmosphärischen Temperatur und Luftfeuchtigkeit in niedrigen Lagen eng mit dem Wetterhintergrund zusammenhingen und deutliche Tagesschwankungen aufwiesen.
Das Forschungsteam plant, in nachfolgenden Studien die Auswirkungen unterschiedlicher Jahreszeiten auf die Ergebnisse zu untersuchen und diese Erkenntnisse weiter auf die stark gekoppelte Assimilation von Land-Atmosphäre-Daten anzuwenden. Diese Studien werden dazu beitragen, die Prognosefähigkeit gekoppelter Land-Atmosphäre-Modelle weiter zu verbessern und genauere Informationen für Wettervorhersagen und Frühwarnungen bereitzustellen.
Mehr Informationen:
Qihang Yang et al., Konstruktion und charakteristische Analyse der Hintergrundfehlerkovarianz gekoppelt mit der Landoberflächentemperatur, Briefe zur Atmosphären- und Ozeanwissenschaft (2024). DOI: 10.1016/j.aosl.2024.100512