首先我们从本文的主角，气象卫星说起。气象卫星1960年就有了，1992年出现了星载微波图像仪数据，1998年出现了微波探测仪/微波湿度探测仪（AMSU/MHS）数据，1998年改进了高分辨红外辐射计（HIRS）数据，2002年出现了高谱红外探测数据，2006年出现了掩星数据，等等。

然而当时，气象卫星还没有发挥它真正的价值，直到它遇到数值天气预报（NWP）。由于数值天气预报中的物理方程组为偏微分方程组。其需要一个初始条件来进行数值求解，初始条件越好，预报的准确率越高。其最优初始条件的确定过程是将过去一系列时刻的大气（海洋）状态背景场（先验信息）和一系列不同时刻的大气（海洋）观测（新的信息），采用某种算法计算得来的权重比例，进行最优组合和信息融合，得到一个新的大气（海洋）状态分析场（后验信息）的过程，这个过程被称作资料同化（或者叫数据同化，数据同化比资料同化更进一步）。

四维变分（4D-Var）资料同化方法的业务运行是全球业务数值天气预报的里程碑。1997年四维变分资料同化方法在欧洲中期天气预报中心（ECMWF）运行，四维变分方法经过20余年的发展，创新的科学研究成果也在不断地改进其主要组成部分。其中包括将预报模式和高效计算的辐射传输模式相结合以更充分地利用卫星辐射率数据，使得大量的卫星遥感数据可以在数值天气预报中得到充分应用，数值预报的精度也得到了飞速进步。

那么问题来了，不同卫星观测资料对于数值天气预报的贡献应该怎么计算呢？一般情况下，有两种方法来评价某种类型卫星观测资料对于数值天气预报准确度的贡献。

第一种就是观测系统试验（Observation System Experiments，OSEs）是一种传统的评估一个特定观测网络对于数值天气预报影响的方法。观测系统试验由两个覆盖相同时间的试验组成，第一个试验（控制试验）同化所有业务运行过程中使用的观测，第二个试验（对比试验）中从同化过程中系统地添加（或者去除）选定的观测数据集（如果是添加新观测试验则需要一个较差的资料同化系统，去除观测则是在一个完全的同化系统中，均是为了让试验效果更加明显），以评估当该类型观测被允许（或拒绝）时数值预报质量的提高（或衰减）程度。

OSEs的第一个应用也是最主要的应用在于新的观测资料同化的效果评估，当新的观测资料进入资料同化系统时，首先需要评估新观测资料对于之前所有类型观测资料以及分析场的契合程度，第二步就是评估新观测资料对于预报的影响。由于评价一种新型观测资料的影响不能仅凭个例试验或者短时间试验，因此OSEs需要一个长期稳定的运行，一般采用的是不同季节的月平均统计检验试验，需要的运算量也比较大。OSEs的第二个应用就是研究最基础的观测的影响，主要是运行最基本的观测系统来研究四维变分同化方法的基础运行机制，比如，研究GNSS掩星观测对于四维变分同化中辐射率资料的变分偏差订正的影响使得我们理解了来自于静止卫星辐射率观测的风增量对于湿度非常敏感的主要机制，因为对比试验中加入GNSS掩星观测之后大大降低了辐射率资料（AMSU-A第9通道）的偏差值以及订正时间。

另外一种就是基于伴随（Adjoint）诊断的评估方法，被称作观测影响预报灵敏度（Forecast Sensitivity Observation Impact，FSOI）方法。FSOI方法使用四维变分资料同化系统中的基础算子量化某种类型观测对于分析场或者预报误差的灵敏度。FSOI最吸引人的地方在于它在所有其他观测均在资料同化系统中的情况下来评价某种观测的影响，但是OSEs需要移除该类型观测，当评估某一类型的观测时，FSOI不许需要OSEs运行那么长时间的试验以获得一个稳定的结果。因此，FSOI会是一个非常好的监测某种类型观测贡献的手段。另外，OSEs对于观测系统的修改会对于分析和观测影响会不断累积，但是FSOI采用的伴随系统则是在系统之中独立运行的。（至于什么是伴随Adjoint，了解一些机器学习的同学可能对后向传播backpropagation有了解，两者类似）。

实际上，OSEs和FSOI会显示相似的结果，但是基于以上介绍的不同，两者并不是同一类型的方法，因此我们可以将两者视为互补的评价方法，两者的结合使用也是非常必要的。

那么，本文最后一个问题来了，既然已经发射的气象卫星观测资料可以通过上面两种方式来进行定量评估，那么我们可以定量评估还未发射的气象卫星的载荷资料对于数值天气预报系统的贡献吗？答案是肯定的，这就是观测系统模拟试验（Observation Simulation System Experiments，OSSEs）。

观测系统模拟试验相对于观测系统试验多了模拟两个字，OSSEs相对于OSEs只是中间多了一个S，读者可以猜出来，这两个字或者这个S字母就是指相对于观测系统试验中采用的是真实观测资料，观测系统模拟试验中采用的是模拟观测，因为卫星载荷还未发射，因此OSSEs是对于OSEs的一个扩展。观测系统模拟试验有三个作用，第一是定量评估一个新的观测系统将来会不会对数值天气预报起到正作用，能起多大的正作用；第二是对一个新型观测系统做出设计和优化决策；第三是研究当知道真值时资料同化系统的表现。

下面我列举几个OSSEs的例子以及其对于气象卫星载荷设计和优化的影响，当然都是美国的，此处我将所有的参考文献都列出来（参考文献[7-22]），表示例子的来源真实可靠。

1. 来自于极轨卫星的温度、风和湿度廓线的相对影响（Atlas et al. 1985a,b）。这些试验显示风资料相对于质量资料在订正分析误差方面更高效，这就预示着天基风廓线资料在提高天气预报方面有非常明显的潜力。北半球的平均统计分数是比较温和的，但是接近10%的例子显示在美国地区的天气预报中有明显提升；
2. 高层风数据的相对于低层风数据的重要性。试验显示500hPa及以上的高层风廓线数据，提供了对于天气预报最主要的影响（Atlas et al. 2001）；
3. 天基多普勒激光测风雷达（Doppler wind lidar , DWL）的影响（e.g. Rohaly and Krishnamurti 1993; Atlas 1997; Zhang and Pu 2010）。进行的试验包括不同卫星轨道设置和不同功率来获得观测的影响；最近，OSSEs被用来决定全球风观测系统（Global Wind Observing System）和全球对流层风探测（Global Tropospheric Wind Sounder）任务中的天基激光测风数据的特殊需求（Atlas and Riishojgaard 2008; Riishojgaard et al. 2012; Ma et al. 2015; Atlas et al. 2015）；
4. 欧洲遥感卫星（European Remote Sensing，ERS）和NASA散射计（NSCAT）发射前的相对影响。这些相对影响在卫星载荷发射之后都得到了证实；另外，OSSEs被用来开发和测试一种升级的同时同化被动和主动微波卫星表面风资料的方法，这个试验得出了散射计资料对于数值天气预报的有益影响，同时对于SSMI（Special Sensor Microwave Imager）风速数据的同化也是有益的（Atlas et al. 1996; Atals and Hoffman 2000; Atlas et al. 2001,2011; Atals 2004）；
5. 来自AIRS（Atmospheric Infrared Sounder）观测的量化影响和云的重要性，后来被真实的AIRS资料证实了（Chahine et al. 2006）。

OSSEs由于是评估模拟观测的影响，因此需要一个“真值”大气状态场用来模拟观测和验证同化效果，但是自然界的真值我们并不知道，因此需要一个理想化的大气状态场来代表“真值”，在OSSEs中被称作Nature Run；OSSEs虽然针对的是模拟观测，但是其使用的数值天气预报中的各个分系统和组件必须是业务中真实使用的系统和组件；观测模拟的过程中，轨道、误差等等都必须按照真实的参数来进行。由于以上特点，OSSEs系统必须与实际的数值天气预报业务系统同步。

参考文献：

[1]Peter Bauer. Observing System Experiments (OSE) to estimate the impact of observations in NWP[C]. ECMWF Workshop on Diagnostics of data assimilation system performance, 15 - 17 June 2009.

[2]Ross N. Hoffman, Robert Atlas. Future Observing System Simulation Experiments[J]. Bulletin of the American Meteorological Society, 2016, 133(2):151221155301005.

[3]F. Harnisch, S. B. Healy, P. Bauer and S. J. English. Scaling of GNSS radio occultation impact with observation number using an ensemble of data assimilations[J]. ECMWF Tech Memo 693, Mar. 2013.

[4]F. Harnisch, S. B. Healy, P. Bauer and S. J. English. GNSS radio occultation constellation observing system experiments[J]. ECMWF Tech Memo 693, Feb. 2013.

[5]Michael P. Rennie and Lars Isaksen. The NWP impact of Aeolus Level-2B winds at ECMWF [J]. ECMWF Tech Memo 864, June. 2020.

[6]ECMWF Training Course on Data Assimilation 2019.

注：以下参考文献为列举的OSSEs成功例子的文献。

[7]Atlas, R., E. Kalnay, W. E. Baker, J. Susskind, D. Reuter, and M. Halem, 1985a: Simulation studies of the impact of future observing systems on weather prediction. Preprints, Seventh Conf. on Numerical Weather Prediction, Montreal, QC, Canada, Amer. Meteor. Soc., 145–151.

[8]Atlas, R., E. Kalnay , and M. Halem, 1985b: Impact of satellite temperature soundings and wind data on nu- merical weather prediction. Opt. Eng., 24, 242341, doi:10.1117/12.7973481.

[9]Atlas, R., and Coauthors, 2001: The effects of marine winds from scatterometer data on weather analysis and forecasting. Bull. Amer. Meteor. Soc., 82, 1965–1990.

[10]Rohaly, G. D., and T. N. Krishnamurti, 1993: An ob- serving system simulation experiment for the Laser Atmospheric Wind Sounder (LAWS). J. Appl. Meteor., 32, 1453–1471.

[11]Atlas, R., 1997: Atmospheric observations and experi- ments to assess their usefulness in data assimilation. J. Meteor. Soc. Japan, 75, 111–130.

[12]Zhang, L., and Z. Pu, 2010: An observing system simulation experiment (OSSE) to assess the impact of Doppler wind lidar (DWL) measurements on the numerical simulation of a tropical cyclone. Adv. Meteor., 2010, 743863.

[13]Atlas, R., and L. P. Riishojgaard, 2008: Application of OSSEs to observing system design. Remote Sensing System Engineering, P. E. Ardanuy, and J. J. Puschell, Eds., International Society for Optical Engineering (SPIE Proceedings, Vol. 7087).

[14]Riishojgaard, L. P., Z. Ma, M. Masutani, J. S. Woollen, G. D. Emmitt, S. A. Wood, and S. Greco, 2012: Observation system simulation experiments for a global wind observing sounder. Geophys. Res. Lett., 39, L17805.

[15]Ma, Z., L. P. Riishojgaard, M. Masutani, J. S. Woollen, and G. D. Emmitt, 2015: Impact of different satellite wind lidar telescope configurations on NCEP GFS forecast skill in observing system simulation ex- periments. J. Atmos. Oceanic Technol., 32, 478–495.

[16]Atlas, R., and Coauthors, 2015: Observing system simu- lation experiments (OSSEs) to evaluate the po- tential impact of an optical autocovariance wind lidar (OAWL) on numerical weather prediction. J. Atmos. Oceanic Technol., 32, 1593–1613.

[17]Atlas, R., R. N. Hoffman, E. Brin, S. C. Bloom, and P. M. Woiceshyn, 1996: The impact of ERS-1 scatterometer data on GEOS and NCEP model forecasts. Preprints, 11th Conf. on Numerical Weather Prediction, Norfolk, VA, Amer. Meteor. Soc., 99–101.

[18]Atlas, R., and R. N. Hoffman, 2000: The use of satellite surface wind data to improve weather analysis and forecasting. Satellites, Oceanography and Society, D. Halpern, Ed., Elsevier Oceanography Series 63, Elsevier, 57–78.

[19]Atlas, R., and Coauthors, 2001: The effects of marine winds from scatterometer data on weather analysis and forecasting. Bull. Amer. Meteor. Soc., 82, 1965–1990.

[20]Atlas, R., R. N. Hoffman, J. Ardizzone, S. M. Leidner, J. C. Jusem, D. K. Smith, and D. Gombos, 2011: A cross- calibrated, multiplatform ocean surface wind veloc- ity product for meteorological and oceanographic applications. Bull. Amer. Meteor. Soc., 92, 157–174.

[21]Atlas, R., 2004: Impact of SeaWinds scatterometer data on numerical weather prediction. 20th Conf. on Weather Analysis and Forecasting/16th Conf. on Numerical Weather Prediction, Seattle, WA, Amer. Meteor. Soc., J9.1. [Available online at https://ams.confex.com /ams/pdfpapers/69405.pdf.]

[22]Chahine, M. T., and Coauthors, 2006: AIRS: Improving weather forecasting and providing new data on greenhouse gases. Bull. Amer. Meteor. Soc., 87, 911–926.

作者：朱孟斌