中国气象学会主办。
文章信息
- 李佳, 陈葆德, 黄伟, 张旭. 2017.
- LI Jia, CHEN Baode, HUANG Wei, ZHANG Xu. 2017.
- 对流尺度数值预报中的云物理初始化方法改进及个例试验
- Cloud physics initialization for convection-scale NWP:Scheme improvements and a case study
- 气象学报, 75(5): 771-783.
- Acta Meteorologica Sinica, 75(5): 771-783.
- http://dx.doi.org/10.11676/qxxb2017.059
-
文章历史
- 2016-11-24 收稿
- 2017-05-19 改回
2. 中国气象局上海台风研究所, 上海, 200030;
3. 中国气象局台风数值预报重点实验室, 上海, 200030
2. Shanghai Typhoon Institute of China Meteorological Administration, Shanghai 200030, China;
3. Key Laboratory of Numerical Modeling for Tropical Cyclone, China Meteorological Administration, Shanghai 200030, China
随着大规模计算能力的提高,中尺度业务预报模式的网格距已接近或达到分辨积云对流的尺度,即可以不使用传统的积云对流参数化近似。同时包含云冰、云水等的复杂微物理方案也得到了快速发展和广泛应用。对流尺度分辨率的短时临近数值预报特别强调预报时效。模式预报在初始时刻,区域内的地面观测站往往已经观测到有降水,或上空有降水云系。如果模式初始场中缺乏云和降水信息,模式则须通过一段时间的积分才能生成云水、云冰等水物质,成云致雨。这种云水物质从“0”冷启动引起的“起转”问题会导致模式预报的云系和降水明显滞后于实况,造成初期阶段降水预报的较大偏差。针对这一问题,Albers等(1996)和Zhang等(1998)使用观测资料和模式的初始分析场,通过物理定律和经验关系,构造出网格尺度的初始云水物理场,称为“云分析”,它可以减轻此类“起转”问题,使得模式积分的早期结果更接近观测值。Xue等(2003)、Hu等(2006)的实践表明,相对于传统的客观分析方法和变分同化方法,通过云分析进行物理初始化更适用于水物质相变等强非线性过程的分析(龚建东, 2013)。
近十几年来,云分析方法的研究取得了较大的进步。Zhang等(1998)在LAPS (Local Analysis Prediction System)云分析(Albers,et al, 1996)基础上开发了ARPS (Advanced Regional Prediction System)资料分析系统ADAS (ARPS Data Analysis System)的复杂云分析,该方法主要针对深对流系统。美国RUC(Rapid Update Cycle)(Benjamin et al, 2004, 2007;Alexander,et al,2010)的云分析系统(Weygandt,et al, 2006)直接以云内格点物理量估计云水、云冰含量,主要适用于层状云降水系统(以下简称RUC层云方案)。近年来发展的GSI(Gridpoint Statistical Interpolation)同化系统的云分析方案包括了ADAS方案和RUC方案,在计算云冰、云水混合比时可以分别选择ADAS的对流方案或RUC的层云方案(Hu,et al,2007;王洪等,2015)。朱立娟(2012)对移植到GRAPES(Global/Regional Assimilation and Prediction System)短时临近预报模式中的ADAS云分析模块(屈右铭等,2010)进行了观测资料应用等方面的优化,并通过与卫星观测对比指出该方案计算的云冰、云水含量偏高。
近几年,中国开展了大量针对强对流短时临近预报的快速更新循环同化数值预报系统的研究(陈敏等,2011;雷蕾等,2012;李泽椿等,2014)。上海市气象局发展的华东快速更新循环同化预报模式系统,主要针对强对流短时临近预报,采用了ADAS云分析(陈葆德等,2013)方案。在系统研发和业务应用中发现云冰、云水初始场含量过高,与模式中微物理方案在同样模式动力强迫下的响应(即产生的云特征量)差别很大,所导致的模式初始积分阶段云微物理量的剧烈调整,是引起模式系统降水量偏大的原因之一。ADAS云分析方案中,对所有满足设定的云量阈值的格点都使用针对对流云的方案来计算云冰和云水混合比,有可能使得垂直上升运动不强烈的层状云等的云冰、云水含量偏高。因此,在ADAS云分析方案中增加区分对流云和层云的判据并引入层云方案,分别采用不同的方案计算云冰、云水混合比,以期有效改进云分析方案,减少初始与微物理方案的不一致。基于第2代华东快速更新循环同化模式预报系统(SMS-WARRV2.0,Shanghai Meteorological Service-WRF ADAS Rapid Refresh System,Version 2.0),针对一个华东强对流个例,进行单次和循环对比试验。通过对对流发生格点分布、水凝物变化和降水等的分析,考察改进的云初始化方案对云分析结果和模式预报效果的影响。
2 云分析方案改进与个例选取 2.1 华东快速更新循环同化预报模式系统简介第2代快速更新循环同化数值预报模式系统(SMS-WARRV2.0)是上海市气象局2013年开始研发的,与2009年开发的第1代系统同样是基于ADAS资料同化和中尺度模式WRF建立,水平格点为793×853,水平格距为3 km,垂直为51层,时间积分步长为15 s。预报区域如图 1所示。预报业务流程如图 2所示,每日02时(北京时,下同)冷启动,冷启动的背景场由华东区域中尺度模式SMS-WARMSV2.0(Shanghai Meteorological Service-WRF ADAS Model System,Version 2.0,水平分辨率为9 km)的预报场提供,其他时刻同化的背景场则由SMS-WARRV2.0系统上一时次的1 h预报场提供,侧边界全部由SMS-WARMSV2.0提供。逐时启动一次,预报时效为12 h。
2.2 ADAS同化系统及复杂云分析系统ADAS是美国俄克拉荷马大学强风暴分析与预报中心发展的一个资料同化系统,该系统采用逐步订正方法实现对常规观测资料的同化。ADAS系统中同时包含一个复杂云分析系统,可以对初始场中的云冰等状态量进行初始化调整。该模块应用非常规观测资料以及背景场中的各种水凝物及热力信息,对云区、云量等进行诊断分析,并根据雷达观测及物理经验关系确定云内各种水凝物的含量,进而对大气初态进行调整,将云中温度扰动等信息客观地加入模式初始场中,使模式初始场更加接近大气实际的状态。
2.3 复杂云分析方案的改进ADAS云分析在结合背景场和观测资料完成三维云场的构造后(即确定云底、云高与网格云量),首先进行云滴粒子质量浓度的估计。在网格云量大于0.65的格点上,根据改进的Smith-Feddes方案(Albers,et al,1996)来计算云冰、云水含量,具体步骤如下:
将云从云底到云顶细分为多层,如按间隔100 m分层,逐层通过计算温度、气压和饱和水汽压求得饱和水汽混合比,然后计算相邻两层饱和水汽混合比之差作为基本的云水和云冰的增量或减量,则每层的云滴粒子(云冰和云水之和)混合比为
(1) |
式中,k是云内分层, qvs是饱和水汽混合比。计算中需要用到的云内各层温度根据饱和非绝热垂直递减率进行计算,各层气压根据压高公式进行计算,而饱和水汽压通过克劳修斯-克拉贝隆(Clausius-Clapeyron)方程计算。
在获取云滴粒子(云冰和云水之和)混合比之后,依据环境温度T分离云冰和云水含量。当温度在268.15 K以上全为云水,248.15 K以下全为云冰,而268.15—248.15 K则认为云水的权重为0.05(T-248.15),余下部分为云冰(Zhang,1999;朱立娟,2012)。
雷达反射率包括雨水、雪和霰等不同降水粒子对其的贡献,降水粒子(雨、雪和霰)的质量浓度则根据雷达回波观测计算。有两种方案供选择:Kessler和Ferrier方案(Zhang,1999;王瑾等,2009;朱立娟,2012)。文中采用Kessler方案,具体见Kessler等(1969)。
在本研究的改进方案中,对于层云云冰和云水的计算引入RUC方案,步骤如下:(1)分别计算格点液面与冰面的饱和水汽混合比。(2)根据温度T所确定的权重,求格点上两个饱和水汽混合比的加权平均,得到格点上云滴粒子(云冰和云水之和)的混合比。云水的权重为:当温度高于268.15 K时为1,当温度低于263.15 K时为0,在两者之间为(T-263. 15)/(268.15-263.15)。(3)饱和水汽混合比按比例设定为云冰和云水粒子的和,进一步利用前面提到的温度权重系数分离出云冰和云水含量。
与ADAS云分析中的对流方案对比,上述层云的云水、云冰计算方案最大区别在于不考虑云的垂直结构即垂直方向的联系,而直接以云内格点的物理量来估计云水、云冰含量。
为了在云分析中将云冰和云水分别采用对流和层云计算方案,需引入一个对流判据,将有云格点(满足一定的阈值)区分为对流云和层云格点。这里采用ECMWF的方案,根据网格尺度地面感热和潜热通量来确定近地面次网格的对流尺度垂直速度w*(CSW, convective-scale velocity)(Jakob,et al, 2003;ECMWF, 2012),w*作为水平格点的对流判据, 由式(2)给出
(2) |
式中,摩擦速度u*=0.1 m/s,卡尔曼常数k=0.4,ρ为空气密度,单位为kg/m3,g为重力常数,单位N/kg,T为温度,单位为K,z为高度,单位为m,cp为干空气定压比热, 单位为J/(kg·K),L为凝结潜热,单位J/kg,Js为感热通量,Jq为潜热通量,单位为kg/(s·m2),此处感热通量和潜热通量向上为正。近似地认为,当
选取2015年4月28日华东强对流冰雹天气过程为试验个例。28日14时前后至20时,受冷、暖空气交汇影响,强对流云团一路南下,华东从北至南有一次明显的冰雹天气过程,同时伴有强降水,大约于19—20时影响南京。另外,在江西、福建等地存在一东西走向的强降雨带。SMS-WARRV2.0提前12 h预报出江苏和福建南部两个强降水落区,并提前6 h有效地分析出江苏南部的强对流天气,19时的云初始化结果中分析出南京附近接地的霰粒子。但临近预报的降水量偏大,特别在江苏北部有空报强降水落区(图略)。
3 试验设计采用改进的云分析方案(以下简称CSW方案)对2015年4月28日强对流个例进行同化和返算,并与现有的ADAS云分析方案(以下简称CTRL方案)进行对比。试验设计如表 1所示。
SMS-WARRV2.0系统CTRL试验从2015年4月28日02时开始逐时起报,至29日01时结束该循环,共启动24次,每次进行12 h预报。其中使用华东区域中尺度模式2015年4月27日20时的预报作为冷启动的背景场和边界条件,同化分析的观测资料包括模式范围内的常规天气观测、机场地面报、船舶、浮标、自动站、飞机报、探空、S波段雷达反射率、FY-2E红外和可见光辐射率资料。
CSW方案28日19时单次预报试验,采用CTRL试验中28日18时的1 h预报场做背景场,CSW方案进行云分析,获取19时的模式初始场,进行12 h预报(参见图 2),并与CTRL试验19时起报的单次预报结果进行对比。
CSW方案循环预报试验从28日03时开始,采用循环系统1 h预报场作背景场,CSW方案进行云分析,使用的观测数据与CTRL试验一致,获取下一时次的模式初始场,进行12 h预报,并与CTRL循环试验的预报结果进行对比。考虑到改进云分析方案中需要用到上一时次1 h预报的感热和潜热通量,由于02时冷启动使用华东区域中尺度模式20时的6 h预报作为背景场(图 2),暂时不在02时冷启动中采用CSW方案进行云分析。两个循环试验中第1个时次的结果是完全一致的。
试验结果检验分析中,使用模式范围内自动站1、6和12 h降水资料用于降水预报检验,将雷达回波实测极坐标资料插值到模式网格点的反射率拼图数据验证雷达反射率的预报。
4 不同云初始化方案单次预报对比分析 4.1 对流判据首先利用CTRL试验28日18时起报的1 h预报场,采用CSW方案进行19时的云初始化。CSW增加对流判据的分析结果如图 3a所示,可见在陆地上主要有江苏和福建南部的强降水区被判定为对流格点(对流判据大于0的格点),在海上被判定为对流格点较多,对流格点大约占所有云分析格点的40%。从对应时次的感热(图 3b)和潜热通量(图 3c)分布来看,对流格点的分布与正的感热通量分布基本一致,而此时陆地和海洋上大部分格点的潜热通量都为正。
4.2 云冰、云水 4.2.1 垂直分布图 4给出了不同云初始化方案试验2015年4月28日19时起报的格点平均云冰和云水混合比垂直分布。CSW分析的平均云冰和云水混合比在各垂直层次都小于CTRL,6 km附近的平均云水混合比比8 km附近的平均云冰混合比减少了一半左右。从图 3a可知,CSW试验中该时刻的对流格点比CTRL试验减少了60%左右,大约有60%的有云格点(满足一定的阈值)在改进的云分析方法中采用层云方案计算云冰和云水混合比,而不再采用对流云方案。在19时的单次预报试验中,CSW和CTRL试验通过观测资料和背景场采用云分析构造的三维云场是一致的,两者云冰和云水混合比的差异主要是因为CSW试验中区分对流云和层云格点,并分别采用了不同方案计算云冰和云水混合比,从而引起各层云冰和云水混合比的减小。
4.2.2 水平分布从2015年4月28日19时江苏省及周边地区的雷达回波(图 5)实测(最大雷达反射率)的分布可以看到,在江苏西部、中东部以及山东小部分地区存在较强的对流活动,这与图 3a中在该地区判定的对流区域分布相似。
从不同云初始化方案试验给出的2015年4月28日19时初始场的云冰、云水垂直累积在强对流区域的水平分布(图 6)可见,CTRL云分析结果(图 6a)在整个区域都存在不低于3 kg/m2的云冰和云水总量,最大值超过5 kg/m2。而CSW(图 6b)大部分为0.1—1 kg/m2的云冰和云水总量,在雷达反射率大值区的江苏西部有1—4 kg/m2的值,最大值也在5 kg/m2以上。CTRL的云冰、云水总量显著大于CSW云分析结果;在判定为层云的区域(图 3a),两者的云冰和云水总量存在量级上的差异,在判定为对流云的格点,CSW保留了CTRL的对流云特征。CSW和CTRL的云冰、云水总量大值区分布与图 5中雷达反射率大值区对应较好。
4.3 降水图 8给出了CTRL和CSW单次预报试验28日19时起报的1 h和6 h累计降水预报结果。与1 h累计降水观测(图 7a)相比,CTRL(图 8a)和CSW(图 8b)的降水总体都偏强;CSW的降水分布与CTRL的结果相似,但降水量偏小。图 8c给出了两者的差值,CSW 1 h累计降水在江苏省大部分地区减少1—5 mm。与6 h累计降水观测(图 7b)相比,CTRL(图 8d)和CSW(图 8e)的降水总体都偏强;CSW的降水分布与CTRL的结果相似,但降水量明显偏小,特别是在降水中心。图 8f给出了两者的差值,CSW的6 h累计降水江苏大部分地区减少1—5 mm,部分地区减少了5—10 mm,主要的减小集中在江苏东部,超过15 mm。云初始化对降水的影响主要集中在前6 h(王洪等,2015),改进的云初始化方案对前6 h的降水强度有明显改善。
5 循环同化结果对比 5.1 对流和层云格点分布图 9给出了循环系统23次暖启动中CSW判定的对流格点占云分析格点总数的百分比,早上到傍晚较高,08—17时百分比在80%左右,凌晨和夜间相对较少,约40%。各时次对流格点所占百分比平均为60%,大约有40%的格点被判定为层云格点,进而采用层云方案计算云冰和云水。由于在云分析中,云量主要由观测资料和背景场相对湿度确定,采用不同的云分析方案会引起循环试验中背景场相对湿度的变化,从而造成三维云量分析场的改变,但从CTRL和CSW不同时次云分析格点总数(图略)对比来看,这种变化较小,所以近似地认为CSW比CTRL平均减少了40%的对流格点。
从图 10可以看到,12时的CSW试验中大多数有云格点被判定为对流格点,尤其是在陆地上,大部分格点都为对流格点,与该时次正的感热通量水平分布(图略)相似。这与图 1a中陆地上大部分为层云格点不同,说明12时陆地上对流较为旺盛。
5.2 云冰和云水从循环同化24个时次云冰、云水垂直累积区域平均(图 11)来看,CSW初始分析的云冰、云水垂直累积区域平均显著小于CTRL;两者从第1个时次到第2个时次都有一个明显的下降,但CSW的下降幅度明显小于CTRL,根据对模式每步运行结果的研究分析发现,这种剧烈的下降集中在模式运行的第1步,应与模式采用的微物理过程对云冰的处理有关(Bao, et al,2016);从第2个时次开始,两组试验结果基本一致。由于陆地上的对流格点水平分布随时间变化显著,所以另外对所有陆地上的水平格点进行了统计,可以看到在陆地区域,CSW在第1个时刻的下降最为缓和,第2个时次以后云冰、云水的变化与CTRL趋于一致。
5.3 降水 5.3.1 评分图 12给出了24个循环时次模式区域(1536个中国国家级自动站,下同)平均逐时降水站点TS评分,CSW试验≥0.1 mm的TS在初期略高于CTRL,后面预报时效的TS与CTRL基本持平。从前面的分析中可以看出,CSW试验在模式初始场中保留了局地强对流的信息,同时减少了模式初始场的云冰和云水总量,对降水的影响主要集中在降水中心极值的减小,对于降水落区改变不大,因此≥0.1 mm的TS评分改进不明显。
图 13是12 h累计降水的各个量级的评分,综合来看,CSW 0.1 mm的TS评分略高于CTRL,其他大量级的TS评分持平或略有减小。CSW对大量级降水预报的空报减小(图略),但漏报略有增加(图略),总体评分变化不大。
5.3.2 水平分布图 14依次给出了循环试验中2015年4月28日19时CTRL和CSW 1 h和6 h累计降水预报及对比。可以看到,CTRL(图 14a)和CSW(图 14b)19时起报的1 h累计降水预报落区分布相似,都与观测一致,降水量都偏大;CSW在江苏南部的降水极值中心为30—35 mm,较CTRL的40—45 mm下降了约10 mm,减少了20%左右,跟观测的25 mm左右的降水更接近(图 7a);在江苏中北部,CTRL预报了一个较强的强降水中心,降水强度超过40 mm,CSW在该位置的预报值在25—30 mm,减少了约15 mm,这个原方案中预报偏强的降水中心减弱明显(图 14c),与实况(图 7a)10 mm左右的降水更接近。CTRL(图 14d)和CSW(图 14e)的6 h累计降水都准确预报了主要的降水区域,但较实况(图 7b)位置都偏北,主要是由于后期系统移动路径偏北造成的;同时两者预报的降水都偏强。但与CTRL相比,CSW在江苏东部40 mm以上的强降水区面积明显缩减,部分CTRL的60 mm以上的降水中心区雨量减少了15—20 mm,减少20%—30%;CSW在江苏西部的降水预报比CTRL略小,更接近实况(图 14f)。与图 8相比,在循环试验中,CSW对降水量级的减小更为明显,如1 h降水预报中,江苏北部降水中心雨量减少超过10 mm,大于单次预报试验中1—5 mm的减少量,更接近实况。CSW试验在模式初始场中保留了局地强对流的信息,同时减少了模式初始场的云冰和云水总量,这会减少空中水凝物的总量,从而在模式初始阶段影响降水的强度。
5.4 水平风场此次强对流过程发生的原因之一是850 hPa低涡东移,并伴随其前部西北—东南走向的低层辐合带(切变线)。从江苏地区CTRL和CSW 19时850 hPa的风场分析(图 15)可以看出,CTRL(图 15a)和CSW(图 15b)的850 hPa风场在江苏中西部都有一低涡中心,江苏中南部都有一条较强的西北—东南走向的切变线。两者的主要区别在于CSW在江苏中东部的切变比CTRL略弱,这可能是造成图 14中江苏中东部降水减少的原因之一。因为模式初始场中云冰、云水的总量,在模式初始阶段,特别是最初的1 h内,会造成模式预报场中水凝物总量的显著差异(图 11)。这种差异会影响模式的微物理过程,对降水等产生影响,并由此通过反馈引起热力与动力过程的变化。
6 结论和讨论通过在云初始化方案中增加由地表感热和潜热通量确定的对流尺度速度作为对流判据, 同时增加层云云冰、云水计算方案,改进云分析方法, 并基于第2代华东快速更新循环同化模式预报系统SMS-WARRV2.0,针对2015年4月28日华东强对流个例,进行对比试验,分析了改进的云初始化方案对云分析结果和模式预报效果的影响。得到以下结论:
(1) 在云初始化方案中增加对流判据,这使得在云初始分析中保留局地强对流信息的同时,减少了平均40%左右的对流格点。对流格点的分布与正的感热通量分布相似,并在陆地上有显著日变化。
(2) 增加层云云冰和云水计算方案分析层云格点,显著地减小模式初始场的云冰、云水混合比,有效地减弱了模式积分初始阶段云冰、云水含量的剧烈调整,尤其在陆地区域。
(3) 采用改进的云初始化方案,可以减少模式预报的前1 h、前6 h累计降水的强度。在循环试验中,改进的云初始化方案对降水预报的影响更为显著,预报的强降水面积比原方案减小,部分区域降水量减少超过20%,对江苏北部过强的降水中心减弱明显,更接近观测。相较于原来的云初始化方案,1 h累计和12 h累计降水预报TS评分基本持平。改进方案对强降水中心强度和面积的预报改善较为明显。
在后续的研究中将进一步改进对流判据,比如增加分层对流有效位能、网格垂直速度、云底气压阈值等指标,以使对流云格点分布更符合实际情况,减小初始场中云冰和云水含量的误差,改善目前循环系统降水偏强的问题,提高强对流预报的准确性。
陈葆德, 王晓峰, 李泓, 等. 2013. 快速更新同化预报的关键技术综述. 气象科技进展, 3(2): 29–35. Chen B D, Wang X F, Li H, et al. 2013. An overview of the key techniques in rapid refresh assimilation and forecast. Adv Meteor Sci Technol, 3(2): 29–35. (in Chinese) |
陈敏, 范水勇, 郑祚芳, 等. 2011. 基于BJ-RUC系统的临近探空及其对强对流发生潜势预报的指示性能初探. 气象学报, 69(1): 181–194. Chen M, Fan S Y, Zheng Z F, et al. 2011. The performance of the proximity sounding based on the BJ-RUC system and its preliminary implementation in the convective potential forecast. Acta Meteor Sinica, 69(1): 181–194. DOI:10.11676/qxxb2011.016 (in Chinese) |
龚建东. 2013. 同化技术:数值天气预报突破的关键——以欧洲中期天气预报中心同化技术演进为例. 气象科技进展, 3(3): 6–13. Gong J D. 2013. Data assimilation:A key technology for NWP-technical review of data assimilation in ECMWF. Adv Meteor Sci Technol, 3(3): 6–13. (in Chinese) |
雷蕾, 孙继松, 王国荣, 等. 2012. 基于中尺度数值模式快速循环系统的强对流天气分类概率预报试验. 气象学报, 70(4): 752–765. Lei L, Sun J S, Wang G R, et al. 2012. An experimental study of the summer convective weather categorical probability forecast based on the rapid updated cycle system for the Beijing area (BJ-RUC). Acta Meteor Sinica, 70(4): 752–765. DOI:10.11676/qxxb2012.061 (in Chinese) |
李泽椿, 毕宝贵, 金荣花, 等. 2014. 近10年中国现代天气预报的发展与应用. 气象学报, 72(6): 1069–1078. Li Z C, Bi B G, Jin R H, et al. 2014. The development and application of the modern weather forecast in China for the recent 10 years. Acta Meteor Sinica, 72(6): 1069–1078. DOI:10.11676/qxxb2014.090 (in Chinese) |
屈右铭, 陆维松, 蔡荣辉, 等. 2010. GRAPES-Meso云分析系统的设计与试验. 气象, 36(10): 37–45. Qu Y M, Lu W S, Cai R H, et al. 2010. Design and experiment of GRAPES-Meso cloud analysis system. Meteor Mon, 36(10): 37–45. DOI:10.7519/j.issn.1000-0526.2010.10.006 (in Chinese) |
王洪, 王东海, 万齐林. 2015. 多普勒雷达资料同化在"7.21"北京特大暴雨个例中的应用. 气象学报, 73(4): 679–696. Wang H, Wang D H, Wan Q L. 2015. Application of assimilating Doppler weather radar data in the "7.21" Beijing excessive storm. Acta Meteor Sinica, 73(4): 679–696. DOI:10.11676/qxxb2015.048 (in Chinese) |
王瑾, 刘黎平. 2009. CINRAD/CD雷达反射率因子同化对中尺度数值模式云微物理量场调整的分析. 高原气象, 28(1): 173–185. Wang J, Liu L P. 2009. Assimilation of microphysical adjustments using reflectivity of CINRAD/CD Doppler Radar for meso-scale model. Plateau Meteor, 28(1): 173–185. (in Chinese) |
朱立娟. 2012. GRAPES短临预报的云初始场形成与雷达VAD质控的关键技术研究[D]. 北京: 中国气象科学研究院, 145pp. Zhu L J. 2012. The key technology research on cloud initial field and radar VAD quality control for GRAPES nowcasting[D]. Beijing:Chinese Academy of Meteorological Sciences, 145pp (in Chinese) |
Albers S C, McGinley J A, Birkenheuer D L, et al. 1996. The Local Analysis and Prediction System (LAPS):Analyses of clouds, precipitation, and temperature. Wea Forecasting, 11(3): 273–287. DOI:10.1175/1520-0434(1996)011<0273:TLAAPS>2.0.CO;2 |
Alexander C R, Weygandt S S, Smirnova T G, et al. 2010. High Resolution Rapid Refresh (HRRR):Recent enhancements and evaluation during the 2010 convective season//25th Conference on Severe Local Storms. Denver:American Meteorological Society http://rammb.cira.colostate.edu/resources/publications.asp |
Benjamin S G, Dévényi D, Weygandt S S, et al. 2004. An hourly assimilation-forecast cycle:The RUC. Mon Wea Rev, 132(2): 495–518. DOI:10.1175/1520-0493(2004)132<0495:AHACTR>2.0.CO;2 |
Benjamin S G, Weygandt S S, Brown J M, et al. 2007. From the radar enhanced RUC to the WRF-based Rapid Refresh//22nd Conference on Weather Analysis and Forecasting/18th Conference on Numerical Weather Prediction. Park City:American Meteorological Society |
Bao J W, Michelson S A, Grell E D. 2016. Pathways to the production of precipitating hydrometeors and tropical cyclone development. Mon Wea Rev, 144(6): 2395–2420. DOI:10.1175/MWR-D-15-0363.1 |
ECMWF. 2012. Part Ⅳ:Physical processes//IFS Documentation-Cy38r1. Tech Rep cy38ra. European Centre for Medium-Range Weather Forecasting. http://www.ecmwf.int/en/elibrary/9245-part-iv-physical-processes |
Hu M, Xue M, Brewster K. 2006. 3DVAR and cloud analysis with WSR-88D level-Ⅱ data for the prediction of the Fort Worth, Texas, tornadic thunderstorms. Part Ⅰ:Cloud analysis and its impact. Mon Wea Rev, 134(2): 675–698. DOI:10.1175/MWR3092.1 |
Hu M, Weygandt S S, Xue M, et al. 2007. Development and testing of a new cloud analysis package using radar, satellite, and surface cloud observations within GSI for initializing rapid refresh//22nd Conference on Weather Analysis and Forecasting/18th Conference on Numerical Weather Prediction. Park City:American Meteorological Society |
Kessler E. 1969. On the distribution and continuity of water substance in atmospheric circulations. Meteorological Monographs, American Meteorological Society, 32(10): 84. |
Jakob C, Siebesma A P. 2003. A new subcloud model for mass-flux convection schemes:Influence on triggering, updraft properties, and model climate. Mon Wea Rev, 131(11): 2765–2778. DOI:10.1175/1520-0493(2003)131<2765:ANSMFM>2.0.CO;2 |
Xue M, Wang D H, Gao J D, et al. 2003. The Advanced Regional Prediction System (ARPS), storm-scale numerical weather prediction and data assimilation. Meteor Atmos Phys, 82(1): 139–170. |
Weygandt S S, Benjamin S G, Dévényi D, et al. 2006. Cloud and hydrometeor analysis using metar, radar, and satellite data within the RUC/Rapid-Refresh model//12th Conference on Aviation Range and Aerospace Meteorology. Atlanta:American Meteorological Society |
Zhang J, Carr F H, Brewster K. 1998. ADAS cloud analysis//12th Conference on Numerical Weather Prediction. Phoenix:American Meteorological Society, 185-188 |
Zhang J. 1999. Moisture and diabatic initialization based on radar and satellite observations[D]. Oklahoma:University of Oklahoma, 194pp https://shareok.org/handle/11244/5806 |