Hybrid data assimilation combines a conventional 3-D or 4-D variational system with background error covariance (BEC) generated from ensemble forecast systems. In order to achieve better BEC, three perturbation schemes, namely, the random combination of multiple physical paramterization schemes (referred to as MP), the MP plus stochastical perturbation on physical process tendencies (MP-SPPT), and the unified perturbation of stochastic physics with bias correction (UPSB, proposed by the authors of this paper in a previous work), were first used in a regional ensemble model, i.e., the Global and Regional Assimilation and Prediction System-Regional Ensemble Prediction System (GRAPES-REPS), and the BECs thus obtained were compared for 7-day ensemble forecasts. The results show that UPSB, which is in fact an MP-SPPT but with the systematic model bias removed, has a better consistency, i.e., the ratio between root-mean-square error (RMSE) and ensemble spread is much closer to 1, especially at low model levels, compared to the other two schemes. Moreover, the BEC derived from UPSB captured more reasonable distributions of forecast errors.Second, performance of a hybrid data assimilation system (the GRAPES-MESO hybrid En-3DVar) was evaluated by using the BECs from the three perturbation schemes for 7-day hybrid data assimilation forecasts, and thus disclosing the effect of the model bias correction (assuming that the random stocastical features are in general offset in the three perturbation schemes) on the hybrid system forecasts. A covariance weight of 0.8 was prescribed, and this value was determined through sensitivity experiments. The forecast results from the hybrid data assimilation system show that UPSB reduced the false correlation between distant points. The quality of analysis fields of the UPSB scheme shows visible improvement, i.e., the analysis fields produced by UPSB have much smaller RMSEs than those of the other two schemes, at all vertical model levels. The quality of the hybrid data assimilation forecast fields was also improved by this scheme. Furthermore, the improvement was much greater in the early stage of the assimilation cycle than in the late stage. Generally, the quality of the hybrid data assimilation of GRAPES-MESO hybrid En-3DVar could be efficiently improved by the model bias correction in the UPSB scheme.

中文翻译：

---

模型偏差校正对混合数据同化系统的影响

混合数据同化将常规3D或4D变异系统与从整体预报系统生成的背景误差协方差（BEC）结合在一起。为了获得更好的BEC，三种扰动方案，即多个物理参数化方案（称为MP）的随机组合，MP加上物理过程趋势的随机扰动（MP-SPPT）和随机物理的统一扰动带有偏差校正（UPSB，由本文作者在先前的工作中提出）首先用于区域集成模型，即全局和区域同化和预测系统-区域集合预测系统（GRAPES-REPS），以及比较由此获得的BEC，以进行7天总体预报。结果表明，UPSB，实际上是MP-SPPT，但去除了系统模型偏差后，具有更好的一致性，即，均方根误差（RMSE）与整体扩散之间的比率非常接近1，尤其是在低模型水平下，与其他两种方案相比。此外，来自UPSB的BEC捕获了更合理的预测误差分布。第二，使用来自三种扰动方案的7天混合扰动方案的BEC对混合数据同化系统（GRAPES-MESO混合En-3DVar）的性能进行了评估数据同化预测，从而公开了模型偏差校正的效果（假设随机扰动特征通常在三种扰动方案中得到了补偿）对混合系统预测的影响。规定的协方差权重为0.8，该值是通过敏感性实验确定的。混合数据同化系统的预测结果表明，UPSB减少了远点之间的虚假相关性。UPSB方案的分析字段的质量显示出明显的改善，即，在所有垂直模型级别上，UPSB产生的分析字段的RMSE比其他两个方案的RMSE小得多。该方案还提高了混合数据同化预测字段的质量。此外，在同化周期的早期，改进要比晚期的好得多。通常，通过UPSB方案中的模型偏差校正，可以有效地提高GRAPES-MESO混合En-3DVar混合数据同化的质量。混合数据同化系统的预测结果表明，UPSB减少了远点之间的虚假相关性。UPSB方案的分析字段的质量显示出明显的改善，即，在所有垂直模型级别上，UPSB产生的分析字段的RMSE比其他两个方案的RMSE小得多。该方案还提高了混合数据同化预测字段的质量。此外，在同化周期的早期，改进要比晚期的好得多。通常，通过UPSB方案中的模型偏差校正，可以有效地提高GRAPES-MESO混合En-3DVar混合数据同化的质量。混合数据同化系统的预测结果表明，UPSB减少了远点之间的虚假相关性。UPSB方案的分析字段的质量显示出明显的改善，即，在所有垂直模型级别上，UPSB产生的分析字段的RMSE比其他两个方案的RMSE小得多。该方案还提高了混合数据同化预测字段的质量。此外，在同化周期的早期，改进要比晚期的好得多。通常，通过UPSB方案中的模型偏差校正，可以有效地提高GRAPES-MESO混合En-3DVar混合数据同化的质量。在所有垂直模型级别上，UPSB产生的分析字段的RMSE比其他两个方案的RMSE小得多。该方案还提高了混合数据同化预测字段的质量。此外，在同化周期的早期，改进要比晚期的好得多。通常，通过UPSB方案中的模型偏差校正，可以有效地提高GRAPES-MESO混合En-3DVar混合数据同化的质量。在所有垂直模型级别上，UPSB产生的分析字段的RMSE比其他两个方案的RMSE小得多。该方案还提高了混合数据同化预测字段的质量。此外，在同化周期的早期，改进要比晚期的好得多。通常，通过UPSB方案中的模型偏差校正，可以有效地提高GRAPES-MESO混合En-3DVar混合数据同化的质量。