数值天气预报在本质上是一个初值问题，模式初值能否准确地描述大气运动状态将决定着数值天气预报的成败。在数值天气预报中，可以通过适应性观测来提高模式初值的准确性：通过特定的算法识别出初值敏感区，然后在初值敏感区增加观测，减少初始不确定性，从而提高预报技巧。目前大多数敏感区识别算法均用于台风的敏感区识别，针对中高纬高影响天气系统的敏感区识别算法还有待优化。例如在美国的冬季风暴观测布局试验（WSR，Winter storm reconnaissance）中，敏感区识别算法为集合变换法（ET，Ensemble Transformation）和集合变换卡尔曼滤波方法（ETKF，Ensemble Transform Kalman Filter），其计算效率不高，并且估算的敏感区会忽略掉分析误差方差较大的地区。本文从敏感区识别效率和准确率的角度，提出并实现基于集合变换的敏感区识别算法：集合变换敏感性方法（ETS， Ensemble Transform Sensitivity）。集合变换敏感性方法在求取敏感区的过程中，由于只用估算预报误差协方差价格函数的极小，而非遍历所有可能的状态变量的位置，因此其计算效率比ET高；在求取变换矩阵时，集合变换敏感性方法通过使用广义逆和矩阵的QR分解，使得最后估算的敏感区和分析误差协方差矩阵的对角线元素取值为正比，而在集合变换方法中最后估算的敏感区不能合理的表征分析误差协方差矩阵的大值区，因此集合变换敏感性方法估算的敏感区更加准确。本文通过一系列数值试验证实了集合变换敏感性方法的高效性和准确性。
　　在数值天气预报中，青藏高原及其周边地区的初值问题十分重要。本文通过NCEP全球预报在不同地区的预报误差分析、包含大地形（亚洲青藏高原、北美落基山脉）与否的区域模拟试验、同化青藏高原地区人造观测的观测系统模拟试验，分析探讨了数值预报在青藏高原地区的不确定性对其下游地区预报的影响。结果表明青藏高原及其周边地区的初始不确定性会使得高原及其下游地区的数值预报技巧下降。本文利用集合变换敏感性方法开展了高原及其周边地区的适应性观测初步应用研究。2012年6月到8月14个西南涡天气过程的敏感区估算结果表明：西南涡的主要敏感区主要分布在西南涡发生的源地：九龙和小金地区。2015年7月连续一个月的青藏高原及其周边地区敏感区估算试验表明：青藏高原及其周边地区的观测敏感区主要分布在青藏高原南部和青藏高原南侧及东南侧的大地形剧试验变区域；敏感区与青藏高原上空500hPa的风向风速切变联系十分紧密，敏感区能够表征主要的青藏高原天气系统的发生和发展，例如南亚高压的西移，高原涡的生成。通过OSSE试验，证实了位于敏感区的人造探空观测能够提高青藏高原及其下游地区的预报技巧，敏感区估算结果和OSSE试验也为青藏高原及其周边地区的探空网布局提供可行的参考建议。