时间和空间尺度
这一战略提出了若干与处理大气对遥感信号的影响和涉及的时间尺度有关的问题。由于这些问题也与更广泛的应用有关，其中遥感数据被大气和陆地表面模型同化，因此首先在更一般的背景下讨论这些问题[cf. Verstraete和Pinty, 2000]。
作为在卫星上测量的信号，即top-of-atmosphere(TOA)辐射亮度取决于地表和大气的状态，具有充分地表表示的大气模式应携带所有必要的信息，以模拟观测到的卫星信号作为其内部变量的函数。在适当的同化方案中，可以在直接同化TOA辐射的同时修改该模式的大气和地表状态变量。然而，这种方案尚未实现的原因在于差异fAPAR = {1
大气和表面性质变化的时间尺度和空间尺度之间的差异:虽然表面性质在空间上变化很大，但仅在每周到每月的时间尺度上发生变化，但大气变量在数百公里范围内趋于空间一致，但可能在数小时内发生变化。这种尺度上的差异产生了尺度问题，但使得天气预报不考虑地表特性成为可能。
在数值天气预报中，表面特性的影响基本上被视为一种扰动，这种扰动在从卫星数据推导大气参数时引入了一定程度的不确定性[Le Dimet和Talagrand, 1986]。事实上，TOA辐射通常不能直接同化;相反，某些大气参数是从卫星数据中推导出来的，然后加以同化。例如，1996年2月由欧洲中期天气预报中心[ECMWF, Anderson等人，1994年]实施的三维变分分析方案除其他数据外，热红外以及NOAA的TIROS操作垂直测深仪[TOVS, Smith等人，1979]的微波探测来同化风、温度和humididty。
本研究提出的同化方案则相反:重点是植被和地表能量和水平衡对气候强迫的月响应，与大气状态的短期波动无关。在推导fAPAR过程中，通过云筛选算法和月平均法去除部分大气波动，通过大气校正去除大气平均状态对卫星信号的影响。大气状态的其余不确定因素的影响可以通过选择a来最小化植被指数相对稳健，不受那些波动影响，而且都是记帐。通过为fAPAR的推导值分配一个不确定度(见下文)。
然而，对于比中期天气预报时间更长的模拟，地表和大气变量都很重要[Verstraete, 1989]。图1概述了一种适用于这种情况的策略:在保持地表变量不变的情况下，以短时间步长(每天或更短)将大气变量同化为大气-地表耦合模型。在较长的时间间隔内，例如每周或每月，利用模式预测的大气状态来解释大气对卫星测量的TOA辐射的影响，吸收地表变量。
这里介绍的建模框架是朝着这个方向迈出的第一步。fAPAR的同化是“离线”进行的，因为它在计算上比在GCM内的同化更便宜，而且因为植被-大气耦合GCM仍然是一个非常新的发展，尚未得到广泛的测试。另一个原因是，1°的空间分辨率比大多数gcm的分辨率更接近卫星数据的15公里分辨率，因此可以更详细地探索卫星衍生的fAPAR同化为地表方案的潜力。就时间尺度而言，从卫星数据得到的fAPAR的月平均值与贝思方案计算的月平均值进行比较。这些假设都代表了平均气候条件，而且，从初步的近似来看，模拟的fAPAR和卫星推导的fAPAR之间的差异仅仅来自于BETHY方案的参数化，而不是由于气候输入数据的缺陷，或者卫星和气候数据所涵盖的时期不匹配。raybet雷竞技最新
-
- 图1。地表和大气变量的拟同化方案说明
继续阅读:流域特征
这篇文章有用吗?