中国气象学会主办。
文章信息
- 张亦洲, 苗世光, 陈明轩 . 2017.
- ZHANG Yizhou, MIAO Shiguang, CHEN Mingxuan . 2017.
- 雷达热动力反演资料的高分辨率同化模拟试验
- Numerical experiments on assimilation of high-resolution radar thermodynamic data
- 气象学报, 75(1): 165-177.
- Acta Meteorologica Sinica, 75(1): 165-177.
- http://dx.doi.org/10.11676/qxxb2017.001
-
文章历史
- 2016-03-22 收稿
- 2016-08-31 改回
变分多普勒雷达分析系统(Variational Doppler Radar Analysis System,VDRAS)最早由Sun等(1997,1998)研发。之后经过一系列改进,中国气象局北京城市气象研究所(简称“城市所”)建立了适合于京津冀地区使用的VDRAS雷达变分分析系统(Sun et al,2001,2008;陈明轩等,2010,2011)。目前,该系统基于一个三维数值云模式,利用四维变分同化(4DVar)技术对京津冀6部多普勒天气雷达探测资料进行循环同化,并融合5 min自动气象站观测和北京市气象局数值预报业务系统BJ-RUC v2.0结果,可快速分析得出12—18 min更新的低层大气三维热动力场的对流尺度结构特征(陈明轩等,2012a,2016;肖现等,2010,2013)。利用城市所VDRAS系统开展的北京地区降水等天气的研究表明,该系统的高时空分辨率三维热动力结构分析场,能够较好地反映降水的热、动力分布不均匀结构,有利于提高局地对流性降水的临近预警能力(陈明轩等,2012b,2013;肖现等,2015)。但是,VDRAS系统采用笛卡尔坐标系,视地表为平面,无法考虑地形的作用。而且,其在物理过程参数化、数值方案等方面均不够完善,与WRF(Weather Research and Forecasting model)模式相比仍有较大差距。这在很大程度上影响了VDRAS系统在北京这种地形复杂地区2 h以上的短时预报效果。因此,将VDRAS系统反演的包含温、湿、风变量的高时空分辨率三维热动力结构分析场与WRF等能够考虑地形的中尺度模式初始场融合,能够对WRF预报对流天气系统在复杂地形地区的发展演变及定量降水短时预报能力的提高提供有利条件(Tai et al,2011)。
四维资料同化(Four-Dimensional Data Assimilation,FDDA)方法是一种基于牛顿张弛的同化方法。它在模式的积分方程中增加一个逼近项,使模式中物理量趋近于同化变量场(Stauffer et al,1990,1994;Liu et al,2006)。相比于三维、四维变分同化(3DVar、4DVar)等其他同化方法,FDDA方法对中小尺度的天气系统同化效果较好,且FDDA方法计算代价较小,适于业务应用(Seaman et al,1995;Leslie,etal,1998;Cram et al,2001)。美国大气研究中心(NCAR)等基于FDDA同化技术和WRF等模式开展了数值天气预报、资料同化以及其他相关科学研究工作(Liu et al,2006,2007,2008a;Pan et al,2015a)。这些研究和应用均表明,FDDA方法不仅可同化的资料种类多、时间分辨率广泛,而且能够显著改进模式系统对临近天气,尤其是中小尺度对流天气的预报效果(Kim et al,2011;Lauvaux et al,2013;Shimada et al,2011;Yesubabu et al,2014;Pan et al,2011,2015b;Liu et al,2008b)。但是,FDDA方法不能直接用于同化雷达反射率、径向速度等非模式变量。因此,为了将雷达观测资料应用于WRF等中尺度数值模式,提高模式系统对降水等对流性系统的预报模拟能力,可以采用FDDA方法将融合了雷达、自动气象站等观测数据的VDRAS系统分析场资料同化到模式中。
近年来,北京地区城市扰动引发的强局地天气事件,尤其是局地强降水事件显得越来越凸出。目前北京地区的天气预报系统对局地对流性定量降水预报能力较弱,远不能满足人们生产、生活和防灾、减灾工作的需要。针对北京地区对提高0—12 h短时临近天气,尤其是夏季局地对流性降水预报能力的需求,本研究通过建立WRF模式初始化模块,采用FDDA方法将VDRAS系统高时、空分辨率三维热动力结构分析场资料同化到模式系统中,并选取降水个例,检验了VDRAS分析场同化对模式系统降水模拟效果的影响。为雷达、VDRAS等非常规高时、空分辨率资料在数值业务系统中的同化应用以及数值预报水平的提高提供参考。
2 基于VDRAS分析场的WRF初始化模块的建立现有WRFv3.5.1(Skamarock et al,2008)中已经包含FDDA同化模块,具有同化站点观测和分析场资料的功能。但WRF中的FDDA模块在利用分析场资料进行同化时,只能通过WRF的预处理程序WPS(WRF Preprocessing System)生成可供FDDA模块读取的同化变量场数据文件,不能直接采用和读取VDRAS等其他分析场资料。所以,文中通过编写相关程序,从VDRAS分析场资料中提取FDDA模块所需物理量,并进行插值等处理后,输出FDDA模块可读取的同化变量场文件,供WRF所用,从而建立基于VDRAS分析场的WRF初始化模块。
初始化模块的简要流程(图 1)中“wrfinput file”为WRF的初始场数据文件,通过读取此文件中的相关参数和变量,获取模式模拟时间、模拟区域网格经纬度、模式层高度、采用FDDA同化的时长及频率等信息。“wrffdda file”为采用美国环境预报中心(NCEP)的GFS(Global Forecast System)再分析资料通过WPS和WRF原有初始化程序real产生的用于FDDA同化的数据文件,通过读取此文件中的变量获取WRF进行FDDA同化时所需的变量。“VDRAS 3D file”和“VDRAS 2D surface file”分别为VDRAS分析场的三维变量和地面二维变量数据文件。初始化模块依照所需的时间从相应时次的文件中读取所需变量以及VDRAS分析场的各垂直层高度、水平网格距、参考点坐标和经纬度等信息。获取所需变量和参数后,初始化模块会计算WRF模拟区域和VDRAS分析场的网格经纬度和垂直层高度,并将所需的VDRAS分析场物理量插值到WRF模式网格和模式层上。最后,将插值好的数据按WRF要求的格式写入文件,供WRF调用。在VDRAS分析场资料高度层范围外的模式层以及VDRAS分析场中没有的变量仍使用NCEP的GFS再分析数据。
图 2是加入初始化模块的WRF同化VDRAS分析场的流程。其中“t”为预报起始时刻,“m”为模式系统中设置的VDRAS分析场同化时长。首先,WRF需要处理生成“t-m”时刻的初始场,然后调用文中建立的初始化模块。初始化模块利用WRF初始场和VDRAS分析场资料处理生成FDDA输入变量场文件。之后WRF读取初始场和FDDA输入变量场,采用FDDA同化方法进行积分,在积分至“t”时刻后停止进行FDDA同化,模式继续积分输出预报场。
3 VDRAS分析场同化模拟试验设置选取2013—2015年汛期北京地区降水个例进行模拟试验,检验VDRAS分析场同化对模式模拟结果的影响。共选取6个降水个例,分别为2013年8月15—16日、2014年6月25日、7月4日、7月19—20日、2015年8月7日、9月4—5日(表 1)。
降水个例 | 降水天气现象描述 | 降雨时段(北京时) | 降雨量(mm) | ||
全市平均 | 城区平均 | 最大降水 | |||
2013年8月15—16日 | 雷阵雨伴短时大风,雨量分布不均, 局地雨强较大,东部降雨明显 | 15日22时— 16日06时 | 4.0 | 1.8 | 通州马驹桥 71.8 |
2014年6月25日 | 自西向东出现小雨,局地暴雨 | 06—20时 | 2.6 | 0.3 | 房山大石窝 62.7 |
2014年7月4日 | 分散性雷阵雨,局地暴雨 | 15—20时 | 0.6 | 0.1 | 平谷罗营 55.6 |
2014年7月19—20日 | 自南向北出现分散性雷阵雨,局地大雨, 雨量分布不均,西南部降水较明显 | 19日20时— 20日06时 | 3.7 | 0.8 | 房山佛子庄 33.8 |
2015年8月7日 | 雷阵雨,伴有大风和冰雹,雨量分布不均, 大部小到中雨,局地暴雨 | 17—21时 | 16.2 | 26.9 | 朝阳金盏 85.7 |
2015年9月4—5日 | 自西南至东北出现大到暴雨、 局地大暴雨、短时强降水 | 4日09时— 5日17时 | 55.3 | 67.7 | 海淀香山 179.5 |
模拟试验采用WRF v3.5.1,主要模式设置列于表 2。模拟试验中采用与降水个例发生时北京市气象局数值业务系统相似的模拟区域、分辨率、物理方案设置,FDDA同化时长、频率和系数也随着业务预报的需要进行了适当调整,因此不同个例有一定区别。2013年8月15—16日降水个例的模拟区域与北京市气象局数值业务系统BJ-RUC v2.0(Beijing Rapid Update Cycle)(范水勇等,2013)的D2区域相同,覆盖华北和渤海大部分地区以及东北、内蒙古及黄海部分地区,水平分辨率为3 km。在2014和2015年的5个降水个例中采用的模拟区域覆盖北京、天津以及河北大部分地区,水平分辨率为1 km。另外,在2013和2014年的个例中采用的是直接由NCEP GFS再分析资料处理生成的WRF初始场和边界条件,未进行3DVar同化。而在2015年的两个个例中采用的初始场和边界条件由BJ-RUC v2.0的D2区域预报场通过降尺度方法生成。FDDA同化时长、频率和系数也分别由6 h、18 min、0.0003调整为3 h、15 min和0.0006。对6个降水个例各进行两个算例的模拟,其中一个算例采用VDRAS分析场同化,另一个算例不采用VDRAS分析场同化,比较分析两个算例的模拟结果,探究VDRAS分析场同化对模式模拟效果的影响。
降水个例 | 2013年8月15日 | 2014年6月25日 | 2014年7月4日 | 2014年7月19日 | 2015年8月7日 | 2014年9月4日 | |
网格 | 分辨率 | 3 km | 1 km | 1 km | 1 km | 1 km | 1 km |
网格数 | 550×424 | 331×331 | 331×331 | 331×331 | 460×403 | 460×403 | |
垂直层 | 50 | 50 | 50 | 50 | 50 | 50 | |
物理方案 | 云微物理 | Thompson | WDM6 | WDM6 | WDM6 | Thompson | Thompson |
长波辐射 | RRTM | RRTMG | RRTMG | RRTMG | RRTMG | RRTMG | |
短波辐射 | Dudhia | RRTMG | RRTMG | RRTMG | RRTMG | RRTMG | |
近地层 | MM5 | MOJ | MOJ | MOJ | MOJ | MOJ | |
陆面过程 | Noah | Noah | Noah | Noah | Noah | Noah | |
边界层 | ACM2 | BouLac | BouLac | BouLac | BouLac | BouLac | |
城市冠层 | 单层 | 单层 | 单层 | 单层 | 多层BEM | 多层BEM | |
初始场来源 | NCEP GFS | NCEP GFS | NCEP GFS | NCEP GFS | WRFOUT | WRFOUT | |
FDDA同化 | 同化时长 (h) | 只同化1次 (起算时刻) | 6 | 6 | 6 | 3 | 3 |
同化系数 | 0.0003 | 0.0003 | 0.0003 | 0.0003 | 0.0006 | 0.0006 | |
同化频率 (min) | - | 18 | 18 | 18 | 15 | 15 | |
积分起算时刻 | 2013年8月 15日20时 | 2014年6月 24日22时 | 2014年7月 4日06时 | 2014年7月 19日13时 | 2015年8月 7日14时 | 2015年9月 4日08时 | |
注:各物理方案的介绍详见WRF-ARW V3 User’s Guide,http://www2.mmm.ucar.edu/wrf/users/。 |
将模式模拟的逐时2 m气温、2 m比湿、10 m风速与北京市自动气象站相应的观测数据进行比较统计,检验分析模式对近地面风、温、湿的模拟效果,其中所有数据均为所有自动气象站观测数据的平均值以及离站点位置最近网格点上的模拟值的平均。通过对模拟结果的分析,表明采用初始化模块同化VDRAS分析场资料后,各降水个例模拟结果均有所改善,尤其是模式对降水时间的模拟明显与观测更接近。模拟结果中2 m气温、2 m比湿和10 m风速等预报量与观测的偏差和均方根误差有所减小,表 3为2013年8月15日20时(北京时,下同)至16日08时的统计检验结果,为统计时段内逐时数据的平均值。可见在采用FDDA同化后,2 m气温和比湿的模拟结果均有所改善。从观测和模拟的2014年6月24—25日2 m比湿和7月19—20日2 m气温、10 m风速的日变化曲线(图 3,图中数据为北京市内自动气象站站点的平均值),可见启用初始化模块后,模式对6月24—25日2 m比湿的模拟准确度明显提高,对7月19—20日2 m气温和10 m风速的模拟偏差也有所减小。
2 m气温(℃) | 2 m比湿(g/kg) | 10 m风速(m/s) | ||||
偏差 | 均方根误差 | 偏差 | 均方根误差 | 偏差 | 均方根误差 | |
未同化 | -1.74 | 3.94 | -0.34 | 1.95 | -0.02 | 0.96 |
同化 | -1.37 | 3.72 | 0.06 | 1.90 | 0.09 | 1.00 |
在降水个例的模拟试验中,模式对降水开始和结束时间、落区、降水量的模拟准确度比温、湿、风要素更为重要。对6个降水个例模拟试验结果的检验分析表明,采用初始化模块将VDRAS分析场资料同化到模式初始场后,模式对降水过程的预报效果有较明显的改善,尤其是在降水的开始和结束时间方面,准确度有明显提高。例如,在2014年6月25日的降水个例中,15时北京南部地区有较大范围的降水出现,而未同化VDRAS分析场时的模拟结果在北京市辖区内未出现降水,同化VDRAS分析场后模拟结果中北京西南部城区及西北、东北部出现降水,虽然落区有一定偏差,但量级与观测接近(图略)。同样地,在2014年7月19—20日的降水个例中,模式在未同化VDRAS分析场时未能模拟出23时北京西部出现的降水,而在同化VDRAS分析场后,模式能够模拟出降水的发生,但落区仍与观测存在一定的偏差(图略)。从模式模拟6个降水个例的情况(表 4)可见,在启用初始化模块同化VDRAS分析场后,模式对降水时间的模拟效果有显著改善,并且减少了漏报的现象。
2013年 8月15日 | 2014年 6月25日 | 2014年 7月4日 | 2014年 7月19日 | 2015年 8月7日 | 2015年 9月4日 | |
未同化 | 漏报 | 开始时间晚, 过程不连续, 降水偏弱 | 降水时间、位置 偏差较大 | 漏报 | 降水偏弱, 位置偏差大 | 降水偏弱, 位置偏差大 |
同化 | 降水偏晚 | 降水时间准确, 位置有偏差 | 降水时间准确, 范围偏大, 强度偏强 | 降水时间准确, 位置有偏差 | 降水时间、 位置准确, 强度偏强 | 降水偏晚, 位置准确, 强度偏强 |
通过计算模拟降水量的TS评分和预报偏差(BIAS)比较分析模式对2015年两个降水个例的模拟效果。BIAS反映的是针对某一阈值预报发生降水的站数与实际发生降水的站数之比,即模式对降水范围大小的预报能力,BIAS越接近1说明预报降水范围与实际观测越接近。采用的TS评分和BIAS的计算公式为
对小雨、中雨、大雨和暴雨4个降水量级分别进行统计,各降水量级的阈值参照北京市气象台预报标准设置(表 5)。对2015年8月7日18时—8日00时和9月4日12—18时的逐时降水量以及6 h累积降水量分别计算了TS评分和BIAS。其中小时降水量的计算方法为:将统计时段内各小时的命中站数相加,各小时的空报站数相加,各小时的漏报站数相加,再按照前述公式计算TS评分和BIAS。
时间 | 算例 | 降水量 | 小雨 | 中雨 | 大雨 | 暴雨 | ||||
TS | BIAS | TS | BIAS | TS | BIAS | TS | BIAS | |||
8月7日18时 —8日00时 | 同化 | 小时 | 0.477 | 1.399 | 0.201 | 2.300 | 0.092 | 2.439 | 0.033 | 2.683 |
未同化 | 降水 | 0.243 | 0.402 | 0.110 | 0.186 | 0.056 | 0.158 | 0.000 | 0.050 | |
同化 | 6 h | 0.928 | 1.065 | 0.541 | 1.663 | 0.333 | 2.280 | 0.149 | 3.545 | |
未同化 | 累积 | 0.669 | 0.787 | 0.147 | 0.185 | 0.019 | 0.060 | 0.000 | 0.091 | |
9月4日 12—18时 | 同化 | 小时 | 0.879 | 1.034 | 0.522 | 1.057 | 0.173 | 1.663 | 0.066 | 2.924 |
未同化 | 降水 | 0.880 | 1.052 | 0.260 | 0.677 | 0.067 | 0.516 | 0.023 | 0.348 | |
同化 | 6 h | 1.000 | 1.000 | 0.985 | 1.015 | 0.636 | 1.000 | 0.429 | 1.500 | |
未同化 | 累积 | 1.000 | 1.000 | 0.860 | 0.888 | 0.481 | 0.769 | 0.088 | 0.321 | |
注:小雨:(0.1 mm/h,0.1 mm/(6 h));中雨:(2 mm/h,4 mm/(6 h));大雨:(8 mm/h,12 mm/(6 h));暴雨:(16 mm/h,25 mm/(6 h))。 |
由表 5可见,在两个降水个例的小时降水和累积降水方面,同化了VDRAS分析场的算例各降水量级的TS评分均比未同化算例高。在小雨和中雨量级中,同化后算例的BIAS在大多数情况下也好于未同化算例。而在大雨和暴雨量级中,BIAS由未同化时的远小于1变为同化后的大于1。这说明VDRAS分析场的同化能够显著提高模式对这两个降水过程的模拟能力,改善模式对降水量级和降水范围的预报效果,减少漏报现象,尤其是在小雨和中雨量级,同化后的模拟结果与观测有较强的一致性。但同化后的模拟降水偏强,尤其是强降水的范围明显偏大。
通过比较观测和模拟的降水量水平分布,可以更直观地看到模式对降水量、降水时间和降水落区的预报情况。在大多数时次,同化了VDRAS分析场的算例对降水量、降水落区的预报比未同化算例均更接近于观测。未同化算例的模拟结果大多降水偏弱,降水落区与观测偏差较大,模拟的降水开始和结束时间也有较大偏差。而采用同化的算例模拟降水量更接近观测,也能较好地模拟出降水落区、雨带的位置和移动,对降水时间的模拟效果也更好。但同化算例模拟的降水量往往比实际观测偏大,降水范围尤其是强降水范围也更广。例如,在2015年8月7日20—21时,由站点观测可知,北京中东部出现降水,其中城区南部、通州大部分地区和平谷局部地区降水较强,达到大雨以上量级(图 4a)。未同化算例模拟的降水范围主要位于怀柔、密云、平谷、顺义一带,其余地区以零散局地降水为主,降水强度也较弱,基本没有出现大雨以上量级,中雨量级的范围也很小,总体而言,与观测的偏差在降水落区和量级上均相差较大(图 4b)。而同化算例模拟结果中的降水范围为中东部地区,与观测比较一致。降水量级主要以小到中雨为主,部分地区出现大到暴雨,也与观测的量级一致。大到暴雨降水的落区主要位于城区南部、大兴、通州和平谷,与观测也较接近。但降水范围尤其是强降水范围比观测偏大,强降水中心也有一定偏差(图 4c)。通过8月7日18时至8日00时6 h累积降水的水平分布(图 5)也可得出类似结论,未同化算例模拟的降水强度偏弱,降水范围尤其是强降水范围偏小,强降水中心落区与观测偏差也较大。而同化算例模拟的降水范围、量级、落区均更接近观测,但降水范围偏大、强度偏强,在北京西北部还存在虚假的较强雨带。9月4日16—17时小时降水量和12—18时6 h累积降水量的水平分布(图 6、7)也显示出类似的现象。总体而言,未同化VDRAS分析场的算例模拟的降水较观测偏弱,强降水范围偏小,而同化了VDRAS分析场算例的模拟结果在量级、范围、落区等降水形态上更接近于观测,但模拟的降水较观测偏强,强降水范围偏大。
通过对同化算例和未同化算例TS评分和降水量水平分布的分析比较可知,VDRAS分析场的同化能够提高模式对选取降水个例的预报效果,使模拟的降水量级、范围、落区、时间更接近于实际观测,尤其是模拟的降水形态与观测较一致,可以改善未同化时模拟降水强度偏弱、强降水范围偏小的现象,但同化后模拟的降水较观测偏强、强降水范围偏大。
5 FDDA同化变量及同化参数敏感性试验为了分析同化VDRAS分析场中风、温、湿不同变量及其同化系数的影响,对模式中同化参数进行了一些调整设置,开展敏感性试验。敏感性试验的设置见表 6。针对2015年8月7日和9月4日两个降水个例各进行了10个算例的模拟试验,其中包含同化气温与否、同化比湿与否、同化风与否以及同化系数的变化。其中,Control算例与上文中2015年降水个例采用VDRAS分析场同化的算例设置完全相同,其余算例均在Control算例基础上更改某项设置。
算例名称 | 同化气温 | 同化比湿 | 同化风 | 同化系数 | ||
气温 | 比湿 | 风 | ||||
Control | 是 | 是 | 是 | 0.0006 | 0.0006 | 0.0006 |
T0 | 否 | 是 | 是 | - | 0.0006 | 0.0006 |
T3 | 是 | 是 | 是 | 0.0003 | 0.0006 | 0.0006 |
T9 | 是 | 是 | 是 | 0.0009 | 0.0006 | 0.0006 |
Q0 | 是 | 否 | 是 | 0.0006 | - | 0.0006 |
Q3 | 是 | 是 | 是 | 0.0006 | 0.0003 | 0.0006 |
Q9 | 是 | 是 | 是 | 0.0006 | 0.0009 | 0.0006 |
U0 | 是 | 是 | 否 | 0.0006 | 0.0006 | - |
U3 | 是 | 是 | 是 | 0.0006 | 0.0006 | 0.0003 |
U9 | 是 | 是 | 是 | 0.0006 | 0.0006 | 0.0009 |
为了分析比较同化VDRAS分析场中温度、比湿、风3个变量各自对模式模拟降水能力的影响,对同时同化了3个变量的Control算例以及未同化温度的T0算例、未同化比湿的Q0算例、未同化风的U0算例的TS评分和BIAS进行统计。结果表明,TS评分和BIAS在小时降水量和累积降水量中均显示出一致的变化趋势,因此为方便比较,表 7中只列出了相应时段内小时降水量的TS评分和BIAS。通过比较表 7中Control、T0、Q0、U0算例的TS评分和BIAS可知,T0和Q0算例的模拟结果明显不如Control算例。但U0算例在多数TS评分中高于Control算例,在多数BIAS中差于Control算例。这说明VDRAS分析场中温度和湿度的同化比风的同化对模式模拟降水能力的提高有更大的作用。
时间 | 算例 | 小雨 | 中雨 | 大雨 | 暴雨 | ||||
TS | BIAS | TS | BIAS | TS | BIAS | TS | BIAS | ||
8月7日18时—8日00时 | Control | 0.477 | 1.399 | 0.201 | 2.300 | 0.092 | 2.439 | 0.033 | 2.683 |
U0 | 0.530 | 1.462 | 0.269 | 2.624 | 0.164 | 3.430 | 0.121 | 3.933 | |
T0 | 0.351 | 1.147 | 0.091 | 1.232 | 0.022 | 1.053 | 0.000 | 0.900 | |
Q0 | 0.311 | 0.885 | 0.079 | 0.506 | 0.021 | 0.272 | 0.000 | 0.250 | |
9月4日12—18时 | Control | 0.879 | 1.034 | 0.522 | 1.057 | 0.173 | 1.663 | 0.066 | 2.924 |
U0 | 0.882 | 1.004 | 0.592 | 1.247 | 0.188 | 1.933 | 0.056 | 2.727 | |
T0 | 0.768 | 0.792 | 0.265 | 0.499 | 0.033 | 0.365 | 0.014 | 0.121 | |
Q0 | 0.893 | 1.075 | 0.583 | 1.605 | 0.141 | 2.718 | 0.043 | 4.091 |
为了比较不同同化系数对模式模拟效果的影响,将采用不同系数算例的TS评分和BIAS列于表 8。其中Control算例的温度、比湿、风的同化系数均为0.0006(表 6)。同样地,这里只列出了相应时段小时降水量的统计结果。通过表 8中各算例TS评分和BIAS的比较可知,在8月7日的降水个例中,T9算例的模拟结果在T3、Control、T9算例中最好,T3最差;Q3算例的模拟结果在Q3、Control、Q9算例中最好。这表明在此个例中,相对较大的温度同化系数和较小的比湿同化系数有利于模拟效果的改善。而在9月4日的降水个例中,呈现出相反的趋势,T3算例的模拟结果在T3、Control、T9算例中最好;Q9算例的模拟结果在Q3、Control、Q9算例中最好,即在此个例中,相对较小的温度同化系数和较大的比湿同化系数有利于模拟效果的改善。所以,各变量同化系数的变化在选取的两个降水个例中对模式模拟能力的影响有所不同,还需开展更多的检验比较工作以研究同化系数的影响及其优化。
时间 | 算例 | 小雨 | 中雨 | 大雨 | 暴雨 | ||||
TS | BIAS | TS | BIAS | TS | BIAS | TS | BIAS | ||
8月7日18时—8日00时 | Control | 0.477 | 1.399 | 0.201 | 2.300 | 0.092 | 2.439 | 0.033 | 2.683 |
U3 | 0.493 | 1.429 | 0.228 | 2.441 | 0.138 | 2.544 | 0.056 | 2.750 | |
U9 | 0.473 | 1.421 | 0.215 | 2.221 | 0.086 | 2.316 | 0.029 | 2.550 | |
T3 | 0.465 | 1.404 | 0.195 | 2.338 | 0.099 | 2.316 | 0.029 | 2.533 | |
T9 | 0.507 | 1.331 | 0.257 | 1.977 | 0.121 | 2.167 | 0.034 | 2.067 | |
Q3 | 0.490 | 1.276 | 0.228 | 1.871 | 0.094 | 2.272 | 0.041 | 2.367 | |
Q9 | 0.476 | 1.478 | 0.207 | 2.567 | 0.106 | 2.491 | 0.050 | 2.517 | |
9月4日12—18时 | Control | 0.879 | 1.034 | 0.522 | 1.057 | 0.173 | 1.663 | 0.066 | 2.924 |
U3 | 0.864 | 1.025 | 0.560 | 1.114 | 0.196 | 1.905 | 0.070 | 2.939 | |
U9 | 0.890 | 1.042 | 0.532 | 1.055 | 0.179 | 1.639 | 0.056 | 2.439 | |
T3 | 0.904 | 0.968 | 0.550 | 1.083 | 0.197 | 1.599 | 0.069 | 2.530 | |
T9 | 0.875 | 1.048 | 0.528 | 1.058 | 0.185 | 1.849 | 0.052 | 2.712 | |
Q3 | 0.881 | 1.069 | 0.523 | 1.144 | 0.201 | 1.944 | 0.048 | 2.636 | |
Q9 | 0.893 | 1.020 | 0.529 | 1.052 | 0.194 | 1.587 | 0.075 | 2.894 |
通过建立一个WRF初始化模块,采用FDDA方法,将中国气象局北京城市气象研究所的VDRAS系统高时、空分辨率三维热动力结构分析场资料同化到WRF中,并选取北京地区汛期降水个例,开展高分辨率同化模拟和敏感性试验,比较分析了雷达热动力反演资料同化及温、湿、风各同化变量和同化系数对模式模拟结果的影响,结果表明:
(1) 基于城市所VDRAS系统建立的WRF数值模式初始化模块,能够有效地通过FDDA方法将VDRAS系统高时空分辨率三维热动力结构资料同化到WRF中,且具备了业务化应用的基本条件。
(2) 雷达热动力反演资料的同化能够有效提高WRF系统对近地面温、湿、风大气要素和降水过程的模拟能力,尤其是能够改善WRF模拟2 m比湿、降水落区、降水量级、降水时间的效果,减少对降水过程漏报的现象。对温、湿、风各同化变量的敏感性试验表明,温度和比湿的同化比风的同化对模式模拟降水结果的改善更重要。
同化雷达热动力反演资料对模式尤其是数值业务模式系统预报效果的影响需要进一步更全面、更系统的检验,包括更多种类的天气个例、更全面要素和变量的比较、更多样的统计分析方法,为业务化应用奠定更坚实的基础。另外,VDRAS系统未考虑地形造成其分析场与WRF背景场、GFS再分析资料匹配性较差可能是导致同化雷达热动力反演资料后模式模拟降水偏强的原因之一,这一问题需要进一步深入分析和研究。同化参数的设置也需要通过今后的检验工作进一步优化,以便改善。
陈明轩, 高峰, 孔荣, 等. 2010. 自动临近预报系统及其在北京奥运期间的应用. 应用气象学报 , 21 (4) : 395–404. Chen M X, Gao F, Kong R, et al. 2010. Introduction of auto-nowcasting system for convective storm and its performance in Beijing Olympics meteorological service. J Appl Meteor Sci , 21 (4) : 395–404. (in Chinese) |
陈明轩, 王迎春, 高峰, 等. 2011. 基于雷达资料4DVAR的低层热动力反演系统及其在北京奥运期间的初步应用分析. 气象学报 , 69 (1) : 64–78. Chen M X, Wang Y C, Gao F, et al. 2011. A low-level thermo-dynamical retrieval system based on the radar data 4DVar and a preliminary analysis of its applications in support of the Beijing 2008 Olympics. Acta Meteor Sinica , 69 (1) : 64–78. (in Chinese) |
陈明轩, 王迎春, 肖现, 等. 2012a. 基于雷达资料四维变分同化和三维云模式对一次超级单体风暴发展维持热动力机制的模拟分析. 大气科学 , 36 (5) : 929–944. Chen M X, Wang Y C, Xiao X, et al. 2012a. A case simulation analysis on thermodynamical mechanism of supercell storm development using 3-D cloud model and 4-D variational assimilation on radar data. Chinese J Atmos Sci , 36 (5) : 929–944. (in Chinese) |
陈明轩, 王迎春. 2012b. 低层垂直风切变和冷池相互作用影响华北地区一次飑线过程发展维持的数值模拟. 气象学报 , 70 (3) : 371–386. Chen M X, Wang Y C. 2012b. Numerical simulation study of interactional effects of the low-level vertical wind shear with the cold pool on a squall line evolution in North China. Acta Meteor Sinica , 70 (3) : 371–386. (in Chinese) |
陈明轩, 王迎春, 肖现, 等. 2013. 北京"7.21"暴雨雨团的发生和传播机理. 气象学报 , 71 (4) : 569–592. Chen M X, Wang Y C, Xiao X, et al. 2013. Initiation and propagation mechanism for the Beijing extreme heavy rainstorm clusters on 21 July 2012. Acta Meteor Sinica , 71 (4) : 569–592. (in Chinese) |
陈明轩, 高峰, 孙娟珍, 等. 2016. 基于VDRAS的快速更新雷达四维变分分析系统. 应用气象学报 , 27 (3) : 257–272. Chen M X, Gao F, Sun J Z, et al. 2016. An analysis system using rapid-updating 4-D variational radar data assimilation based on VDRAS. J Appl Meteor Sci , 27 (3) : 257–272. (in Chinese) |
范水勇, 王洪利, 陈敏, 等. 2013. 雷达反射率资料的三维变分同化研究. 气象学报 , 71 (3) : 527–537. Fan S Y, Wang H L, Chen M, et al. 2013. Study of the data assimilation of radar reflectivity with the WRF 3DVar. Acta Meteor Sinica , 71 (3) : 527–537. (in Chinese) |
肖现, 廖菲, 肖辉, 等. 2010. 北京对流性降水的雨滴尺寸分布瞬时特征与雷达降水的关系. 热带气象学报 , 26 (4) : 445–451. Xiao X, Liao F, Xiao H, et al. 2010. Systematic variation of drop size in convective of Beijing and radar-rainfall relations. J Trop Meteor , 26 (4) : 445–451. (in Chinese) |
肖现, 王迎春, 陈明轩, 等. 2013. 基于雷达资料四维变分同化技术对北京地区一次下山突发性增强风暴热动力机制的模拟分析. 气象学报 , 71 (5) : 797–816. Xiao X, Wang Y C, Chen M X, et al. 2013. A mechanism analysis of the thermo-dynamical field of a suddenly intensifying storm from mountains in the Beijing area with the radar data 4DVar. Acta Meteor Sinica , 71 (5) : 797–816. (in Chinese) |
肖现, 陈明轩, 高峰, 等. 2015. 弱天气系统强迫下北京地区对流下山演变的热动力机制. 大气科学 , 39 (1) : 100–124. Xiao X, Chen M X, Gao F, et al. 2015. A thermodynamic mechanism analysis on enhancement or dissipation of convective systems from the mountains under weak synoptic forcing. Chinese J Atmos Sci , 39 (1) : 100–124. (in Chinese) |
Cram J M, Liu Y B, Low-Nam S, et al. 2001. An operational mesoscale RT-FDDA analysis and forecasting system//Preprints 18th WAF and 14th NWP Conference on Numerical Weather Prediction. Ft. Lauderdale:AMS |
Kim J, Lee C B, Belorid M, et al. 2011. A study of sensitivity of WRF simulation to microphysics parameterizations, slope option and analysis nudging in Haean Basin, South Korea//Proceedings of 2011 TERRECO Science Conference. Germany:Karlsruhe Institute of Technology, Garmisch-Partenkirchen |
Lauvaux T, Deng A,Gaudet B, et al. 2013. Quantification of methane sources in the Barnett Shale (Texas) using the Penn State WRF-Chem-FDDA real time modeling system//Proceedings of the 14th WRF User's Workshop. Boulder, CO, US:NCAR |
Leslie L M, LeMarshall J F, Morison R P, et al. 1998. Improved hurricane track forecasting from the continuous assimilation of high quality satellite wind data. Mon Wea Rev , 126 (5) : 1248–1257. DOI:10.1175/1520-0493(1998)126<1248:IHTFFT>2.0.CO;2 |
Liu Y B, Chen F, Warner T, et al. 2006. Verification of a mesoscale data-assimilation and forecasting system for the Oklahoma city area during the Joint Urban 2003 Field Project. J Appl Meteor Climatol , 45 (7) : 912–929. DOI:10.1175/JAM2383.1 |
Liu Y B, Bourgeois A, Warner T, et al. 2007. An "observation-nudging"-based FDDA scheme for WRF-ARW for mesoscale data assimilation and forecasting//Preprints of the 4th Symposiumon Space Weather. San Antonio, TX:American Meteorology Society, 6pp |
Liu Y B, Warner T T, Bowers J F, et al. 2008a. The operational mesogamma-scale analysis and forecast system of the U.S. army test and evaluation command. Part 1:Overview of the modeling system, the forecast products, and how the products are used. J Appl Meteor Climato , 47 (4) : 1077–1092. DOI:10.1175/2007JAMC1653.1 |
Liu Y B, Warner T T, Astling E G, et al. 2008b. The operational mesogamma-scale analysis and forecast system of the U.S. army test and evaluation command. Part 2:Interrange comparison of the accuracy of model analyses and forecasts. J Appl Meteor Climatol , 47 (4) : 1093–1104. DOI:10.1175/2007JAMC1654.1 |
Pan L L, Liu Y B, Rostkier-Edelstein D, et al. 2011. Verification of the operational WRF-RTFDDA simulated surface variables over the Eastern Mediterranean//Proceedings of the 12th Annual WRF User's Workshop. Boulder, CO, US:NCAR |
Pan L L, Liu Y B, Liu Y W, et al. 2015a. Impact of four-dimensional data assimilation (FDDA) on urban climate analysis. J Adv Model Earth Syst , 7 (4) : 1997–2011. DOI:10.1002/jame.v7.4 |
Pan L L, Liu Y B, Liu Y W, et al. 2015b. Development of a CONUS radar data assimilation WRF-RTFDDA system for convection-resolvable analysis and prediction//Proceedings of the 16th Annual WRF User's Workshop. Boulder, CO, US:NCAR |
Seaman N L, Stauffer D R, Lario-Gibbs A M. 1995. A multiscale four-dimensional data assimilation system applied in the San Joaquin Valley during SARMAP. PartⅠ:Modeling design and basic performance characteristics. J Appl Meteor , 34 (8) : 1739–1761. |
Shimada S, Ohsawa T. 2011. Accuracy and characteristics of offshore wind speeds simulated by WRF. SOLA , 7 : 21–24. DOI:10.2151/sola.2011-006 |
Skamarock W C, Klemp J B, Dudhia J, et al. 2008.A description of the advanced research WRF version 3. NCAR Tech Notes-475+STR. Boulder, CO:NCAR |
Stauffer D R, Seaman N L. 1990. Use of four-dimensional data assimilation in a limited-area mesoscale model. PartⅠ:Experiments with synoptic-scale data. Mon Wea Rev , 118 (6) : 1250–1277. |
Stauffer D R, Seaman N L. 1994. Multiscale four-dimensional data assimilation. J Appl Meteor , 33 (3) : 416–434. DOI:10.1175/1520-0450(1994)033<0416:MFDDA>2.0.CO;2 |
Sun J Z, Crook N A. 1997. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.Ⅰ:Model development and simulated data experiments. J Atmos Sci , 54 (12) : 1642–1661. DOI:10.1175/1520-0469(1997)054<1642:DAMRFD>2.0.CO;2 |
Sun J Z, Crook N A. 1998. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.Ⅱ:Retrieval experiments of an observed Florida convective storm. J Atmos Sci , 55 (5) : 835–852. DOI:10.1175/1520-0469(1998)055<0835:DAMRFD>2.0.CO;2 |
Sun J Z, Crook N A. 2001. Real-time low-level wind and temperature analysis using single WSR-88D data. Wea Forecasting , 16 (1) : 117–132. DOI:10.1175/1520-0434(2001)016<0117:RTLLWA>2.0.CO;2 |
Sun J Z, Zhang Y. 2008. Analysis and prediction of a squall line observed during IHOP using multiple WSR-88D observations. Mon Wea Rev , 136 (7) : 2364–2388. DOI:10.1175/2007MWR2205.1 |
Tai S L, Liou Y C, Sun J Z, et al. 2011. Precipitation forecasting using Doppler radar data, a cloud model with adjoint, and the Weather Research and Forecasting model:Real case studies during SoWMEX in Taiwan. Wea Forecasting , 26 (6) : 975–992. |
Yesubabu V, Srinivas C V, Ramakrishna S S V S, et al. 2014. Impact of period and timescale of FDDA analysis nudging on the numerical simulation of tropical cyclones in the Bay of Bengal. Nat Hazards , 74 (3) : 2109–2128. DOI:10.1007/s11069-014-1293-2 |