青藏高原地形复杂多样、地势高低悬殊以及观测站点稀疏,严重影响青藏高原地区资料同化的质量(Ruggiero et al.,1996;Lorenc,2003;龚建东等,2006;徐枝芳等,2007a,2007b),进而影响中国乃至全球数值预报的准确率。因此,改进青藏高原资料同化技术对提高中国及全球数值预报水平具有重要意义。

变分同化是当前国内外数值预报业务系统普遍采用的同化方法,它利用最优控制理论,通过调整控制变量使得背景场与观测资料的偏差达到最小,背景场信息和观测信息在分析场中的贡献依赖于各自的误差协方差统计特征。在变分同化中,背景误差协方差决定着观测值订正到背景场的程度和观测点上信息传播到分析格点上的方式(Courtier et al.,2010),极大地影响着分析场的质量,故准确估计背景误差协方差非常重要(Lorenc,2003)。我国变分同化研究起步较晚,针对青藏高原大地形和天气形势变化研究背景误差协方差结构和尺度特征的同化技术改进研究相对较少。如我国自主发展的GRAPES区域模式三维变分同化系统中(庄世宇等,2005;马旭林等,2009),背景误差协方差矩阵的水平和垂直相关性基于中国区域的资料统计,在青藏高原地区的应用存在一定问题,需要单独研究观测信息在青藏高原地区水平和垂直方向的传播方式和影响程度,以便精确构建针对青藏高原大地形特点的水平和垂直结构的背景误差协方差矩阵,提高青藏高原观测信息对背景场修正的科学性。

近十年来,混合同化已经成为了国际上资料同化领域研究的热点问题和主流的同化技术(Buehner,2005;Wang,2011)。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,这样既能使背景误差协方差矩阵具备流依赖特征,又能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(马旭林等,2014)。国外很多学者在3DVAR和4DVAR的基础上进行了大量的研究,Lorenc(2003)首次提出了将集合估计背景误差协方差矩阵通过扩展控制变量的方式融入到变分同化的框架中,并且证明了其理论可行性;Wang et al.,(2007)等从理论上证明了扩展控制变量和协方差之间加权组合这两种方法的等价性。许多学者(Wang et al.,2008a,2008b;Wang,2010;Hamill et al.,2011)基于不同的模式对混合同化进行了大量的研究和试验,结果表明引入集合预报背景误差协方差能改善气候统计背景误差协方差存在的不足,进而改善同化分析的质量和预报效果,且在观测资料稀疏区域的改善效果更为明显。国内也开展了对混合同化的研究(刘成思和薛纪善,2005;庄照荣等,2011a,2011b;马旭林等,2015),但主要用于少量观测资料的个例试验(熊春晖等,2013;Chen et al.,2015),因而在青藏高原地区需要进一步开展单独的资料同化研究。

中国气象局数值预报中心研发的GRAPES区域模式三维变分同化系统和GRAPES区域集合预报系统均已实现业务运行(张涵斌等,2014;马旭林等,2015)。Chen et al.(2015)利用GRAPES 3DVAR同化业务系统和GRAPES区域集合预报业务系统,采用扩展控制变量法构建GRAPES区域集合变分混合同化系统(Ensemble-3DVAR hybrid data assimilation system for GRAPES-MESO,以下简称En-3DVAR混合同化系统),并进行了理想个例试验和实际观测资料的同化预报试验,结果表明相对于3DVAR同化而言,混合同化风场(u,v)各预报时效整体有一定的改善,其中高层(300 hPa以上)比中层改进更为明显,整体而言混合同化表现出了一定的优势。但是,该结果仅基于一次个例试验,集合变分混合同化技术在青藏高原地区资料分析质量如何?如何针对青藏高原背景误差协方差结构和尺度特征进行专门的研究等需要进一步研究。

本文利用GRAPES区域模式En-3DVAR混合同化系统,通过单点理想同化试验和真实观测资料预报试验,评估混合同化方法对青藏高原地区数值预报分析初值和预报质量改进情况,为下一步构建适合青藏高原的混合同化方法提供依据。

1 混合同化系统简介

GRAPES-MESO En-3DVAR混合同化系统由GRAPES-MESO 3DVAR同化业务系统和GRAPES-MESO区域集合预报业务系统构建而成。该系统水平分辨率为0.15°×0.15°,区域范围为(70～145.3°E,15～64.5°N)。集合控制预报背景场资料和侧边界条件来自于中国气象局数值预报中心T639全球模式集合预报场,集合成员为15个,集合预报初值扰动方法采用集合变换卡尔曼滤波方法(Ensemble Transform Kalman Filter,ETKF),初值扰动更新循环时间窗为12 h,模式扰动方法采用多物理过程组合。

为了进一步对比两个系统在资料稀疏的高原地区的不同效果,选取图6中青藏高原地区u风分量分析增量大值区中心所在的30°N,给出En-3DVAR同化系统和3DVAR同化系统u风分析增量和温度t差值的经向垂直剖面(图6)。从图6a可见,在青藏高原主体区域(80～85°E)上空,模式面第6—15层存在一个正的大值区,中心最大值大于4 m/s(模式面第12层)。第18—27层为负值中心,中心最小值小于-4 m/s。在较平坦地区(105～120°E),中低层u风分量分析增量差值相对于青藏高原地区略小,而中高层(15—27层)则存在一些正负相间的大值中心,但分布范围和区域明显小于青藏高原主体。说明在青藏高原地区,En-3DVAR和3DVAR同化系统u风分量分析增量存在明显差异,而在资料比较密集和地形相对平坦地区,u风分量分析增量差异相对较小。v风分量分析增量差异分布特征与u风分量相似(图略)。与u、v风分量相比,如图6b,En-3DVAR同化系统和3DVAR同化系统中温度t的分析增量在高原地区差别同样较大,但不同的是,平原地区模式底层和高层温度t的分析增量差别也较大。这种差异可能是由En-3DVAR混合同化系统在高原地区较大的集合离散度导致的。

2 单点理想试验

为了认识混合同化在青藏高原地区资料同化的效果,分别对3DVAR和En-3DVAR系统进行了真实资料的同化与预报试验。同化试验起报时间为2015年6月16日00时(世界时,下同),预报时效为48 h,预报步长为6 h,集合背景误差协方差权重系数为0.8,同化了区域内所有的无线电探空资料。

参考日本橙皮书“奥美拉唑肠溶片”溶出曲线测定用介质[5]以及日本厚生劳动省颁布的《仿制药生物等效性试验原则》[6]中对肠溶制剂溶出测定用介质的要求， 选择 pH 1.2、pH 5.5、pH 6.0、pH 6.8 和水介质进行溶出曲线研究。

表1 单点理想试验方案设计

Table 1 The design of single point ideal experiments

图1 En-3DVAR和3DVAR同化单点气压观测试验的IPI×10-3分析增量(填色)、位势高度(等值线,单位:gpm)和500 hPa风场(箭矢,单位:m/s)(a—d分别表示集合估计背景误差协方差权重为0、0.5、0.8和1.0) Fig.1 The analysis increment of IPI×10-3(shaded area) by En-3DVAR and 3DVAR data assimilation tests at a single point,GHT(contour;units:gpm) and wind on 500 hPa(arrow;units:m/s)((a—d)refer to the weights of the ensemble background error covariance at 0,0.5,0.8 and 1.0 respectively)

图2 En-3DVAR和3DVAR同化单点气压观测试验的u分析增量(填色,单位:m/s)、位势高度(等值线,单位:gpm)和500 hPa风场(箭矢,单位:m/s)(a—d分别表示集合估计背景误差协方差权重为0、0.5、0.8和1.0) Fig.2 The analysis increment of u-wind(shaded area;units:m/s) by En-3DVAR and 3DVAR data assimilation tests at a single point,GHT(contour;units:gpm) and wind on 500 hPa(arrow;units:m/s)((a—d) refer to the weights of the ensemble background error covariance at 0,0.5,0.8 and 1.0 respectively)

图3 En-3DVAR和3DVAR同化单点气压观测试验的v分析增量(填色,单位:m/s)、位势高度(等值线,单位:gpm)和500 hPa风场(箭矢,单位:m/s)(a—d分别表示集合估计背景误差协方差权重为0.0、0.5、0.8和1.0) Fig.3 The analysis increment of v-wind(shaded area;units:m/s) by En-3DVAR and 3DVAR data assimilation tests at a single point,GHT(contour;units:gpm) and wind on 500 hPa(arrow;units:m/s)((a—d) refer to the weights of the ensemble background error covariance at 0.0,0.5,0.8 and 1.0 respectively)

图1—3为En-3DVAR和3DVAR同化单点气压观测试验IPI(无量纲气压)、u、v的分析增量,由图可知,该试验点位于槽区内,图1a、2a、3a为集合背景误差协方差权重系数为0时(等同于传统3DVAR同化系统IPI、u和v的分析增量。从图中可以看出,3要素的分析增量都比较均匀,且各向同性,不能反映出背景误差结构随天气形势的变化而变化。从图1—3中的b—d可以看出,En-3DVAR混合同化系统中的分析增量的结构和强度发生了明显的变换,随着背景误差协方差权重系数的增大,IPI、u和v分析增量的结构与位势高度等值线的走向一致。但从图2c—2d和图3c—3d可以看出,当集合背景误差协方差为0.8和1.0时,两者的结构大致相同,只是强度略有差异。上述结构表明,En-3DVAR混合同化系统具备流依赖属性,集合背景误差协方差权重逐渐增大时,理论上流依赖属性增强,但由于受到集合样本数量的影响,当集合背景误差协方差权重增加到最优权重以后,随权重系数增加,分析增量的结构变换不大。

比如“氧化还原反应”的学习，其中涉及到学生已经了解的氧化反应、还原反应，由于氧化还原反应中电子得失概念的抽象性，学生很难把握氧化还原反应的本质和特点.学生稍有不慎就很容易将其中的知识点混淆，达不到预期教学目标.教师可以将这些知识制作成单独的微课，帮助学生认识氧化还原反应的特征、应用其对化学反应进行分类以及氧化还原反应与四大基本反应类型的关系等内容，并通过思维导图让学生系统的分辨这些知识点之间的关系和差别，促进学生的自主学习能力，帮助学生掌握教学重难点.

3 青藏高原区域真实资料同化试验

为了验证GRAPES-MESO En-3DVAR混合同化系统是否具有流依赖属性,对该系统进行了单点理想试验。单点理想试验方案的试验内容和参数设置见表1(其中为气候统计背景误差协方差权重系数,为集合估计背景误差协方差的权重系数)。试验的垂直层次为模式面第13层。混合同化参数选取与Chen et al.(2015)试验相同,包括水平和垂直方向局地化尺度分别为500 km和10 km。由于水汽部分在GRAPES 3DVAR同化系统水汽集合预报样本的离散度偏低,由其估计出的预报误差结构的合理性还需要一些诊断分析加以确定,因此本文试验的湿度场背景误差协方差信息和分析增量没有采用集合估计的背景误差协方差信息,仍然采用GRAPES-3DVAR系统中背景误差协方差信息和3DVAR同化分析的结果。

图4a、4b分别为模式面第13层上3DVAR和En-3DVAR的u风分量的分析增量。可以看出,3DVAR同化系统的u风分量比较均匀、光滑,表现出了各向同性的特点。对比3DVAR系统,En-3DVAR系统中u风分量分布表现出了混合同化的非均匀特点,且结构与3DVAR有所差别,分析增量表现出了流依赖特征。图中可以看出青藏高原南侧地区处于偏西南风环流下,两个系统的分析增量结构在此表现出明显的不同,在偏西风气流的影响下,En-3DVAR系统的分析增量呈明显的东西分布,而3DVAR系统中分析增量呈近似均匀的同心圆结构。在60～75°E,45～47°N区域有一明显的槽脊系统存在,由图4a可见,3DVAR同化系统在该区域分析增量明显比较均匀且各向同性。由图4b可见,En-3DVAR的分析增量在槽前随等高线发生了明显的弯曲,且分析增量非均匀和各向非同性。上述结果说明,En-3DVAR的分析增量具备一定的流依赖特性,且在青藏高原和槽脊系统下表现更明显。

马旭林,陆续,于月明,等,2014.数值天气预报中集合-变分混合资料同化及其研究进展[J].热带气象学报,30(6):1188-1195. Ma X L,Lu X,Yu M Y,et al.,2014.Progress on hybrid ensemble-variational data assimilation in numerical weather prediction[J].J Trop Meteor,30(6):1188-1195.(in Chinese).

“没关系的，”青辰道，“族人们很快就会发现咱们的失踪，他们很快就能找过来。最多傍晚，他们一定能找过来。”

图4 模式面第13层u风分量的分析增量(阴影,单位:m/s)、500 hPa高度场(等值线,单位:gpm)和风场(箭矢,单位:m/s) a.3DVAR系统;b.En-3DVAR Fig.4 The analysis increment of u-wind on the 13th model level(shaded area;units:m/s),height(contour;units:gpm) and wind field on 500 hPa(arrow;units:m/s):(a)3DVAR system;(b)En-3DVAR system

图5 En-3DVAR与3DVAR系统模式面第13层分析增量差值(阴影)、500 hPa高度场(等值线,单位:gpm)和风场(箭矢,单位:m/s) a.u风分量(单位:m/s);b.v风分量(单位:m/s);c.温度t(单位:℃) Fig.5 The difference of analysis increment on the 13th model level(shaded area),height(contour;units:gpm) and wind field on 500 hPa(arrow;units:m/s) between En-3DVAR and 3DVAR:(a)u-wind(units:m/s);(b)v-wind(units:m/s);(c)temperature(units:℃)

4.围绕企业生产经营工作做好资料汇编。几年来，公司档案管理人员自己编研或与有关部门合作完成了《徐州发电厂大事记》、《徐州发电厂志》等22种165万字的编研材料,其中，通用性编研资料17种，深层次编研资料5种，同时还编制了检索工具28种161册，对生产经营等管理工作起到了较好的指导作用。近年来，公司累计利用档案材料7000多卷次，创直接经济效益2亿多元，而且还以翔实的资料性和权威的原始凭证性，解决了多起经济纠纷，创造了良好的社会效益。

4 En-3DVAR与3DVAR同化系统的误差比对

两个同化系统分析增量的大小在青藏高原和平原地区不同高度上存在差异,这并不能说明En-3DVAR系统优于3DVAR。En-3DVAR系统是否能对青藏高原同化分析精度有所改进?需要对青藏高原地区和平原地区分析场误差进行对比分析,以评估En-3DVAR的同化效果。青藏高原地区范围为80～105°E,28～35°N;平原地区范围为105～130°E,28～35°N。

图8为青藏高原地区和平原地区500 hPa高度(与模式面13层大致相当)u风分量分析场绝对误差差值水平分布。从图7a可以看出,青藏高原以西主要为负值区,说明在青藏高原地区En-3DVAR系统分析场绝对误差小于3DVAR系统。图7b中,大部分平原地区绝对误差差值在-1～1 K之间,特别是沿海地区,说明En-3DVAR同化系统分析场与3DVAR同化系统相当。En-3DVAR和3DVAR同化系统v风分量和温度t绝对误差在青藏高原和平原上差值较小,不再赘述(图略)。

图8为青藏高原地区和平原地区各层次u风分量预报场平均绝对误差差值的时间演变。从图8a可以看出,在青藏高原地区600～500 hPa的差值为负,说明En-3DVAR同化系统u风分量的分析场平均绝对误差低于3DVAR同化系统。特别是在200 hPa以上的地区,En-3DVAR平均绝对误差明显偏低,中心最小差小于-0.4 m/s。从图8b可以看出,在平原地区,En-3DVAR同化的u风分量的分析场绝对误差与3DVAR同化系统相差不大。v风分量和温度t在青藏高原改进效果与u大致相同,不再赘述(图略)。上述说明En-3DVAR同化系统在高原上对初始场精度的改进效果要略优于平原地区。

5 结论与讨论

单点理想试验结果表明,En-3DVAR系统的的背景误差协方差具备流依赖属性。分析增量试验表明3DVAR系统的分析增量表现出了均匀光滑的特点而En-3DVAR则体现出了非均匀的特性,且En-3DVAR的分析增量表现出了一定的流依赖特性,特别是在青藏高原地区和槽脊系统附近。初始场误差分析试验表明,青藏高原地区En-3DVAR同化系统初始场的绝对误差普遍低于高原地区,而平原地区,两个系统的绝对误差差别不大,说明了在青藏高原地区En-3DVAR系统对初始场精度的改进效果要略优于平原地区;平均绝对误差结果表明,在青藏高原500～600 hPa以及200 hPa以上,En-3DVAR系统误差较3DVAR相对较小,说明了在上述层次,En-3DVAR系统要优于3DVAR系统。

本文采用的En-3DVAR混合同化系统还在试验当中,当中仍然存在着很多问题需要在今后的发展中加以完善,比如本文中水平和垂直局地化尺度与三维变分同化系统中的水平和垂直相关尺度相同,需要在今后的工作中进行敏感性试验,找出混合同化系统最优的局地化尺度系数。并根据实际情况,设计出适合青藏高原的水平和局地化尺度系数。

图6 En-3DVAR与3DVAR分析增量差值沿30°N的经向垂直剖面 a.u分量风(单位:m/s);b.温度t(单位:℃) Fig.6 The difference of analysis increment between En-3DVAR and 3DVAR along 30°N longitude-vertical profile:(a)u-wind(units:m/s);(b)temperature(units:℃)

图7 En-3DVAR与3DVAR 500 hPa纬向风u分量分析场的绝对误差差值 a.高原地区;b.平原地区 Fig.7 The difference of the u-wind analysis absolute error on 500 hPa between En-3DVAR and 3DVAR in (a)the Tibet Plateau and (b)the plain area

图8 u风分量平均绝对误差差值(En-3DVAR减去3DVAR) a.高原地区;b.平原地区 Fig.8 The difference of the u-wind mean analysis absolute error between En-3DVAR and 3DVAR in (a)the Tibet Plateau and (b)the plain area

另外GRAPES区域集合预报成员只有15个,需要增加集合预报成员数,提高集合估计背景误差协方差的代表性。

参考文献(References)

Buehner M,2005.Ensemble-derived stationary and flow-dependent background error covariances:evaluation in a quasi-operation NWP setting[J].Quart J Roy Meteor Soc,131:1013-1043.

Chen L L,Chen J,Xue J S,et al.,2015.Development and testing of the GRAPES regional ensemble-3DVAR hybrid data assimilation system[J].J Meteor Res,29(6):981-996.

第四，终生学习不能达到预期效果。绝大多数人资质平庸，即便他们有终生学习的意志，其学习效果也非常让人怀疑。他们能走多远呢?恐怕很难逃脱失业和被淘汰的命运。如果绝大多数人竭尽努力仍不免失业和淘汰，他们为什么要努力?

Courtier P,Andersson E,Heckley W,et al.,2010.The ECMWF implementation of three-dimensional variational assimilation(3D-Var).I:Formulation[J].Quart J Roy Meteor Soc,124:1783-1807.

龚建东,魏丽,陶士伟,等,2006.全球资料同化中误差协方差三维结构的准确估计与应用Ⅱ:背景误差协方差调整与数值试验分析[J].气象学报,64(6):685-698. Gong J D,Wei L,Tao S W,et al.,2006.Accurate estimation and application of 3-D error covariance structures in global data assimilation part Ⅱ:Background error covariance structure adjustments and numerical experiments[J].Acta Meteorologica Sinica,64(6):685-698.(in Chinese).

Hamill T M,Whitaker J S,Kleist D T,et al.,2011.Predictions of 2010’s tropical cyclones using the GFS and ensemble-based data assimilation methods[J].Mon Wea Rev,139:3243-3247.

刘成思,薛纪善,2005.关于集合卡尔曼滤波的理论和方法的发展[J].热带气象学报,21(6):628-633. Liu C S,Xue J S,2005.The ensemble Kalman filter theory and method development[J].J Trop Meteor,21(6):628-633.(in Chinese).

Lorenc A C,2003.The potential of the ensemble Kalman filter for NWP—A comparison with 4D-Var[J].Quart J Roy Meteor Soc,129:3183-3203.

Ruggiero F H,Sashegyi K D,Madala R V,1996.The use of surface observations in four_dimensional data assimilation using a mesoscale model[J].Mon Wea Rev,124(5),1018-1033.

(1) 红土镍矿-硫酸铵焙烧熟料水溶出的优化工艺条件：溶出温度60 ℃，溶出时间60 min，液固比2.51，搅拌强度400 r·min-1，在此条件下铁溶出率达99%以上，影响铁溶出的各因素主次关系为：溶出时间>搅拌强度>液固比>溶出温度。

图5是模式面第13层En-3DVAR分析增量减去3DVAR分析增量的差值,可以看出u风和v风分量分析增量差值在上一节提到的青藏高原和槽脊系统区域都存在较大的正值中心,且在高原地区的差值大值区走向正好对应该地区风速走向。对比图4可以看出,两个系统在该区域的分析增量结构有很大的差别,3DVAR系统在该区域u风分析增量呈近似同心圆结构,而En-3DVAR系统在该区域u风分析增量在偏西风气流下呈东西走向分布。而在资料比较密集的东部平原地区,En-3DVAR同化系统与3DVAR同化系统u和v分析增量差值比较小,大部分地区的分析增量差值在-1～1 m/s之间。相较于u、v风分量,温度t差值偏小,大部分在-1～1 K之间。上述结果说明En-3DVAR混合同化系统在资料比较稀疏的青藏高原地区的流依赖属性强于资料密集的平原地区。

马旭林,李琳琳,周勃旸,等,2015.台风预报误差的流依赖特征及混合资料同化中最优耦合系数[J].大气科学学报,38(6):766-775. Ma X L,Li L L,Zhou B Y,et al.,2015.Flow-dependent characteristics of typhoon forecasting errors and optimal coupling coefficient in hybrid data assimilation[J].Trans Atmos Sci,38(6):766-775.(in Chinese).

无论考勤、测验、还是收作业的时效性和效率性大大提高，节省了超40%教学时间和大量的人力。教师还可在批改作业或查阅成绩时直接私信学生，告知作业情况或提供更细致的学习方法建议，针对性地帮助学生快速提升。科技的教育智能管理平台有效地化解了过程性考核任务繁重与思政课教师人手不足的矛盾，更加切合当代大学生的需要。

检验模型优劣的标准主要有拟合优度R-sq、AIC赤池准则、SC施瓦茨准则。拟合优度R-sq越大表示回归模型对观测值的拟合程度越好，AIC准则和SC准则参数值越小，代表模型设定效果越好。由表6可知，模型6的拟合优度最高，AIC准则的数值最小，说明模型6的回归结果较好；模型3的拟合优度和AIC值不是最优的，但是SC值最小，所有变量在5%的显著性水平下，回归系数都比较显著，说明模型3的回归也较理想。

Wang X,2010.Incorporating ensemble covariance in the Gridpoint Statistical Interpolation(GSI) variational minimization:A mathematical framework[J].Mon Wea Rev,138:2990-2995.

马旭林,庄照荣,薛纪善,等,2009.GRAPES非静力数值预报模式的三维变分资料同化系统的发展[J].气象学报,67(1):50-60. Ma X L,Zhuang Z R,Xue J S,et al.,2009.Development of 3-D variational data assimilation system for the nonhydrostatic numerical weather prediction model-GRAPES[J].Acta Meteorologica Sinica,67(1):50-60.(in Chinese).

Wang X,2011.Application of the WRF hybrid ETKF-3DVAR data assimilation system for hurricane track forecasts[J].Wea Forecast,26(6):868-884.

Wang X C,Snyder C,Hamill T M,2007.On the theoretical equivalence of differently proposed ensemble/VAR hybrid analysis schemes[J].Mon Wea Rev,135:222-227.

Wang X,Barker D,Snyder C,et al.,2008a.A hybrid ETKF-3DVAR data assimilation scheme for the WRF model Part Ⅰ:Observing system simulation experiment[J].Mon Wea Rev,136(12):5116-5131.

Wang X,Barker D,Snyder C,et al.,2008b.A hybrid ETKF-3DVAR data assimilation scheme for the WRF model Part Ⅱ:Real observation experiments[J].Mon Wea Rev,136(12):5132-5147.

熊春晖,张立风,关吉平,等,2013.集合—变分数据同化方法的发展与应用[J].地球科学进展,28(6):648-656. Xiong C H,Zhang L F,Guan J P,et al.,2013.Development and application of ensemble-variational data assimilation method[J].Advances in Earth Science,28(6):648-656.(in Chinese).

1.10.1 线性范围 按 1.8 和 1.9 项的方法制备标准曲线，平行操作 5 份，同时平行处理 5 份空白脑脊液样品作为测定本底值，按 1.6 和 1.7 项的 UPLCMS/MS 条件连续进样分析，以对照品浓度（X）为横坐标，5-羟色胺和 5-HIAA 扣除本底后的峰面积与内标的峰面积比值（Y）为纵坐标拟合回归方程。

徐枝芳,龚建东,王建捷,等,2007a.复杂地形下地面观测资料同化I.模式地形与观测站地形高度差异对地面资料同化的影响研究[J].大气科学,31(2):222-232. Xu Z F,Gong J D,Wang J J,et al.,2007a.A study of assimilation of surface observational data in complex terrain part I:Influence of the elevation difference between model surface and observation site[J].Chin J Atmos Sci,31(2):222-232.(in Chinese).

切削液内含能是指切削液制备过程及废料处理过程产生的能耗[12]。调度过程中的切削液内含能Eco为车间机床加工过程产生的切削液内含能之和，由式(12)表示。

徐枝芳,龚建东,王建捷,等,2007b.复杂地形下地面观测资料同化Ⅱ:模式地形与观测站地形高度差异代表性误差[J].大气科学,31(3):449-458. Xu Z F,Gong J D,Wang J J,et al.,2007b.A study of assimilation of surface observational data in complex terrain part Ⅱ:Representative error of the elevation difference between model surface and observation site[J].Chin J Atmos Sci,31(3):449-458.(in Chinese).

反转构造是继伸展构造、逆冲推覆构造、走滑构造之后，含油气盆地分析的一个重要地质概念。反转构造分为两种类型：正反转构造和负反转构造。正反转构造存在较普遍，认识较多，是已存在了正断层和地堑系体系后，被挤压成为褶皱和逆冲构造；对负反转构造研究较晚，认识较少，是已存在褶皱和逆冲断层后，被拉伸成为正断层和地堑系［1-4］。反转构造几何形态的演化，对油气运移影响很大，是油气评价的重点内容，已成为构造模拟剖面重建、油气分区分带以及井位部署的重要依据［5］。应用勘探地震资料和地质资料，对桩西中古生界潜山带的负反转构造样式进行深入研究，具有重要的理论与实践意义。

张涵斌,陈静,智协飞,等,2014.GRAPES区域集合预报系统应用研究[J].气象,40(9):1076-1087. Zhang H B,Chen J,Zhi X F,et al.,2014.Study on the application of GRAPES regional ensemble prediction system[J].Meteor Mon,40(9):1076-1087.(in Chinese).

庄世宇,薛纪善,朱国富,等,2005.GRAPES全球三维变分同化系统—基本设计方案与理想试验[J].大气科学,29(6):872-884. Zhuang S Y,Xue J S,Zhu G F,et al.,2005.GRAPES global 3D-Var system—Basic scheme design and single observation test[J].Chin J Atmos Sci,29(6):872-884.(in Chinese).

庄照荣,薛纪善,李兴良,2011a.GRAPES集合卡尔曼滤波资料同化系统Ⅰ:系统设计及初步试验[J].气象学报,69(4):620-630. Zhuang Z R,Xue J S,Li X L,2011a.The GRAPES ensemble Kalman filter data assimilation system.Part Ⅰ:Design and its tentative experiment[J].Acta Meteorologica Sinica,69(4):620-630.(in Chinese).

庄照荣,薛纪善,李兴良,2011b,GRAPES集合卡尔曼滤波资料同化系统Ⅱ:区域分析及集合预报[J].气象学报,69(5):860-871. Zhuang Z R,Xue J S,Li X L,2011b.The GRAPES ensemble Kalman filter data assimilation system.Part Ⅱ:Regional analysis and ensemble prediction[J].Acta Meteorologica Sinica,69(5):860-871.(in Chinese).

ICT对教育的适应性，表现在对ICT学习环境的有效创建，教育机构中的教师或项目开发团队承担着主要责任。ICT能否导致有效的成人学习结果或扩大成人参与学习率，有赖于教育机构多方位的促进策略。

2Numerical Weather Prediction Centre,Beijing 100081,China;

3Chinese Academy of Meteorological Sciences,Beijing 100081,China

In view of the sparse observation stations and low quality of the model analysis in the Tibet Plateau,the Ensemble-3DVAR hybrid data assimilation system(En-3DVAR) is used and both a single pressure observation data assimilation experiment and an assimilation analysis and prediction experiment based on real observation data are conducted.The experiments are to analyze and evaluate the horizontal and vertical structure and rationality of En-3DVAR hybrid assimilation analysis increment over the Tibetan Plateau and to compare them with the data in plain area in Eastern china in order to improve the quality of the data assimilation analysis field in the Tibet Plateau and to improve the model by using the En-3DVAR hybrid assimilation method.The single pressure observation data assimilation experiment shows that the background error covariance of En-3DVAR has the characteristic of flow-dependence.The real data En-3DVAR hybrid assimilation experiment shows that the analysis increment based on ensemble forecast has the characteristic of flow-dependence,especially in the Tibet Plateau and near trough and ridge systems.The absolute error of the analysis field in the Tibet Plateau is generally lower than that of 3DVAR system and the mean absolute error of the analysis field in the Tibet Plateau is lower than that in the plain area on the middle and high levels.The result shows that the improvement effect in the Tibet Plateau is better than that in plain area.What is worth our attention is that in the Tibet Plateau the analysis increment of the En-3DVAR hybrid assimilation is generally larger than that of 3DVAR.Especially on the surface layer,the u-wind component analysis increment is obviously much larger than 3DVAR,which may be related to the complex terrain of the Tibet Plateau.

GRAPES;Tibet Plateau;hybrid data assimilation;tentative experiment