近年来，混合同化技术已经成为国际上资料同化领域研究的热点问题和主流的同化技术。混合同化是指在变分同化的框架中使用由集合预报提供的具有流依赖特征的背景误差协方差矩阵，充分发挥变分同化在处理大量非常规观测资料方面的优势。我院智协飞教授团队与国家数值预报中心陈静研究员团队合作，对基于GRAPES区域集合预报系统的集合变分混合同化方法进行改进，取得了系列研究成果，为提高我国区域集合预报的预报水平做出了积极贡献。团队研发了“随机物理过程和模式偏差倾向的联合扰动方法”，评估了不同集合扰动方案构造的背景误差协方差在混合同化系统的表现，并探讨了“水平局地化尺度方案”对混合同化的影响。团队分别在《Weather and Forecasting》《Journal of Meteorological Research》《Journal of Tropical Meteorology》发表系列研究论文。我院博士生夏宇是这些文章的第一作者，智协飞教授和陈静研究员为共同作者。

团队设计的“地形依赖水平局地化尺度”方案能有效提高GRAPES-MESO En-3DVAR混合同化系统的同化预报质量。团队研发的“随机物理过程和模式偏差倾向的联合扰动方法”在不明显增加模式积分时间的情况下，能提高GRAPES区域集合预报系统的集合离散度，也能有效减小模式的系统性偏差和随机误差。此外，该方法还能有效提高集合预报系统各要素的概率预报技巧。这些成果的应用能明显提高我国区域集合预报系统的性能，将更好地服务社会经济发展、人民美好生活需要和防灾减灾。

图1 卡尔曼滤波递减平均法（debias，蓝色）、LTBC（红色）和CTL（黑色）三组试验集合平均偏差在6-72h时效内的时间演变图，统计时段为2015年7月1-10日十天的平均，检验要素为500hPa等压面温度场T水平平均。

论文：

Xia Y, Chen J, Du J, ZHI X F, et al., 2019. A Unified Scheme of Physics and Bias Correction in an Ensemble Model to Reduce Both Random and Systematic Errors[J]. Weather and Forecasting, 2019,34:1675-1690.

Xia Y,Chen J, Zhi X F, et al. 2020. Impact of Model Bias Correction on a Hybrid Data Assimilation System[J]. Journal of Meteorological Research.

Xia Y, Chen J, Zhi X F, et al. 2018. Topographic dependent horizontal localization scale scheme in GRAPES-MESO hybrid  En-3DVAR assimilation system[J]. Journal of Tropical Meteorology, 25(2):245-256.