气象学报  2019, Vol. 77 Issue (2): 210-232   PDF    
http://dx.doi.org/10.11676/qxxb2019.005
中国气象学会主办。
0

文章信息

何静, 陈敏, 仲跻芹, 洪晓媛. 2019.
HE Jing, CHEN Min, ZHONG Jiqin, HONG Xiaoyuan. 2019.
雷达反射率三维拼图观测资料在北方区域数值模式预报系统中的同化应用研究
A study of three-dimensional radar reflectivity mosaic assimilation in the regional forecasting model for North China
气象学报, 77(2): 210-232.
Acta Meteorologica Sinica, 77(2): 210-232.
http://dx.doi.org/10.11676/qxxb2019.005

文章历史

2018-03-07 收稿
2018-06-25 改回
雷达反射率三维拼图观测资料在北方区域数值模式预报系统中的同化应用研究
何静1, 陈敏1, 仲跻芹1, 洪晓媛2     
1. 北京城市气象研究院, 北京, 100089;
2. 中山市气象局, 中山, 528400
摘要: 以业务应用为目标,开展雷达反射率三维拼图观测资料在北方区域数值预报系统中的同化应用研究。采用雷达反射率间接同化方法同化北方雷达反射率拼图观测资料,重点关注其对降水、湿度、温度及风的预报能力影响。首先,基于2017年8月雷达拼图观测资料批量同化和对比试验,对雷达拼图资料同化应用效果进行定量评估,结果表明雷达拼图资料同化虽然加大了地面风场预报误差,但在降水预报和湿度、温度预报等方面有明显的改善作用。其次,选择在业务中预报难度较大的强降水个例开展分析研究,分析表明:(1)同化雷达拼图观测资料有效提高了模式降水预报性能,临近降水发生的循环起报时次预报效果更好;(2)对于短时间多次强降水过程发生的预报,循环同化雷达拼图资料可及时弥补模式中由于前次降水导致的水汽、能量等消耗及热/动力条件削弱,持续支持降水系统发展。最后,通过考察雷达反射率的不同同化方案,发现同化反演水凝物或者估计水汽均能改善模式降水预报性能,但是同化估计水汽对降水预报性能的改善更为明显,联合使用两方案能同时对水凝物分布、热力场等进行调整,可提高模式降水预报性能。
关键词: 雷达反射率三维拼图     三维变分同化     区域数值预报系统     降水预报    
A study of three-dimensional radar reflectivity mosaic assimilation in the regional forecasting model for North China
HE Jing1, CHEN Min1, ZHONG Jiqin1, HONG Xiaoyuan2     
1. Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China;
2. Zhongshan Meteorological Bureau, Zhongshan 528400, China
Abstract: The three-dimensional (3D) radar reflectivity mosaic covering North China is assimilated into the regional numerical weather forecasting system RMAPS-ST via an indirect radar reflectivity assimilation method of WRF-3DVAR to improve the model forecasting skill with focuses on the influences on precipitation, specific humidity, temperature and wind forecasting. Firstly, experiments with/without radar reflectivity mosaic assimilation have been performed from 1 to 31 August 2017, and quantitative verification is conducted based on the batch experiments. The results show that the radar reflectivity mosaic assimilation significantly improves the skill for precipitation, specific humidity and temperature forecasting but increases the forecasting error in the wind field. Secondly, how the radar reflectivity mosaic assimilation improves the forecasting skill of RMAPS-ST is displayed based on a heavy rainfall case, which shows:(1) Precipitation forecasting skill is greatly improved and the cycle that is closer to the beginning of rainfall has higher forecasting skill by assimilating radar mosaic. (2) Water vapor, energy and thermal condition which are consumed and weakened by the previous rainfall can be boosted and re-organized to trigger new rainfall by assimilating radar mosaic reflectivity in the cycling way, which plays an important role in the situation of multiple rainfalls occurring during a short time period. Finally, two schemes of the WRF-3DVAR indirect radar reflectivity assimilation method are tested. Results indicate that the retrieved hydrometeor assimilation scheme and the derived water vapor assimilation scheme both can improve precipitation forecasting, but the latter one plays a more important role and using two schemes together can make reasonable adjustments for the rainwater, snow water, water vapor and thermal condition, which are critical for the improvement of precipitation forecasting.
Key words: Radar three-dimension mosaic reflectivity     3DVAR     Regional forecasting model     Precipitation forecasting    
1 引言

雷达观测资料的同化应用已有数十年的历史,诸多研究(Xiao, et al,2007bGao, et al,2012杨艳蓉等,2012Wang, et al,2013范水勇等,2013陈敏等,2014孙娟珍等,2016)表明,同化雷达观测资料可有效改善模式降水预报性能。对于区域高分辨率模式的降水预报而言,同化雷达反射率可有效改善0—6 h降水预报,同化径向风则在后期6—12 h效果更明显(范水勇等,2013陈敏等,2014)。此外,雷达观测具有高时、空分辨率特点,同化雷达观测资料可在模式分析场中加入诸多中小尺度系统信息,一定程度上解决区域高分辨率数值模式起转问题(Xiao, et al,2005Wang, et al,2013孙娟珍等,2016)。

目前雷达反射率资料同化方法包括物理初值法(Lin, et al,1993Zhang, et al,2006)、云分析方法(Hu et al,2006a, 2006b刘红亚等, 2007a, 2007b)、集合卡尔曼滤波(Jung et al,2008a, 2008bDowell, et al,2011)和三维/四维变分同化方法(Caya, et al,2005Xiao, et al,2007bGao, et al,2012Sun, et al,2013Wang, et al,2013张诚忠等,2012陈明轩等, 2012, 2016肖现等,2013)等,考虑到计算代价、预报时效和代码开发难度等因素,目前在区域高分辨率业务数值模式中大多选择三维变分(3DVAR)同化方法(杨毅等,2008范水勇等,2013Gao, et al,2013Johnson, et al,2015)。美国国家大气研究中心(NCAR)发展的数值模式三维变分同化系统WRF-3DVAR(Barker, et al,2004Wang et al,2008a, 2008b)同化雷达反射率方法简单快速有效,已经被广泛应用于业务系统。

Xiao等(2007a)提出雷达反射率直接同化方法,主要是以模式总水凝物质比为湿度控制变量,通过暖雨微物理过程将总水凝物分为水汽(qv)、云水(qc)和雨水(qr)等分量,观测算子采用Sun等(1997)Z-qr关系,即雷达反射率Z=43.1+17.5lg(ρqr),ρ为空气密度。分析表明,直接同化雷达反射率方法可提高模式降水预报评分,但也存在一定不足:(1)该方法仅使用暖雨微物理过程,缺少冰相态过程,对深对流系统或冬季天气系统的云内微物理过程描述不足;(2)雷达反射率线性观测算子对背景场的湿度非常敏感,在背景场太干时会引入较大误差(Wang, et al, 2013)。为弥补以上方法的不足,Gao等(2012)根据背景场温度将水凝物分为雨水、干雪/湿雪和冰水,基于雷达反射率与雨水、干雪/湿雪和冰水观测算子开展资料同化,冰相态水凝物的引入可提高对深对流系统或冬季系统的模拟预报能力,但该方法依然是采用直接同化雷达反射率的方式,无法解决直接同化中线性观测算子对背景条件敏感的问题。Wang等(2013)通过Z-qr关系(Sun, et al,1997)将雷达反射率反演为雨水进行同化,这种同化方式可有效避免线性观测算子的误差,但未考虑冰相态过程。除反演水凝物同化方法外,Wang等(2013)还提出雷达反射率估计水汽同化方法,即当云内雷达反射率因子高于设定阈值时,根据背景场温度和气压计算出该点空气饱和水汽值作为“观测”进入同化。范水勇等(2013)基于北京市气象局快速更新循环同化(BJ-RUC)数值预报系统对反演水凝物和估计水汽两种同化开展分析检验,指出同化反演水凝物或估计水汽均能改善降水预报,但后者对降水预报的改善作用更大。

基于Gao等(2012)Wang等(2013)范水勇等(2013)的工作,目前WRF-3DVARv3.8及以上版本调整了反演水凝物同化方法,增加了干雪/湿雪和冰水等的反演同化,通过雷达反射率和雨水、干雪/湿雪和冰水的经验关系将雷达反射率反演为相关水凝物进行同化,既避免了线性观测算子引入的误差,也充分考虑了冰相态水凝物,有利于对深对流和冬季系统的模拟同化。目前尚未见WRF-3DVARv3.8反演水凝物和估计水汽同化方法在区域数值中心业务应用的评估分析相关文献,本研究将基于RMAPS-ST(Rapid-refresh Multi-scale Analysis and Prediction System-Short Term)系统(详见2.1系统介绍)开展分析雷达反射率观测资料反演水凝物和估计水汽同化对降水预报的影响。

此外,目前的雷达资料同化大多基于一部或多部单雷达观测资料,众所周知,天气雷达具有观测范围有限、“静锥区”无法观测、易受地形/建筑物遮挡等问题。而雷达拼图资料通过邻近法、双线性插值法等,可将多个单雷达反射率观测资料映射到一个统一的三维直角坐标网格上,全面呈现天气系统三维空间结构,有效解决了上述问题,目前国际上雷达反射率拼图资料已经成为业务系统数值同化的重要观测资料(杨吉等,2015Liu, et al, 2016)。北京城市气象研究所数值预报业务系统RMAPS-ST D01区域(外区)覆盖中国大陆,华北区域仅有7部雷达观测资料无法满足中国北方区域降水预报要求,为提高RMAPS-ST系统降水预报准确率,文中以业务应用为目标,研究北方雷达反射率三维拼图资料在RMAPS-ST数值预报系统北方区域的业务同化应用。

2 数据和方法 2.1 RMAPS-ST系统简介

快速更新循环同化可在模式初始条件中加入更多观测信息,更加精准地刻画大气初始状态,提高模式预报能力。国际上,快速更新数值预报系统(RAP,The Rapid Refresh)于2012年5月取代快速循环(RUC,Rapid Update Cycle)开始业务运行,该系统采用WRF-AWR预报系统和格点统计插值(GSI,Gridpoint Statistical Interpolation)同化分析系统(Parrish, et al, 1992; Wu, et al, 2002; Hu, et al, 2017),其雷达观测资料同化采用雷达数值滤波初始化(DFI,Digital Filtering initalization)潜热加热技术(Weygandt, et al, 2008), 闪电观测资料同化则是通过闪电密度-雷达反射率经验观测资料将闪电观测转化为雷达反射率进行同化。RAP综合卫星观测、METAR和雷达观测资料生成云的三维空间分布,在此基础上对背景场进行更新优化(Benjamin, et al, 2016)。

目前中国的快速更新循环同化尚处在研究阶段,为满足业务部门对快速更新短期数值业务预报快速增长的需求,中国气象局北京城市气象研究院基于上一代业务预报系统BJ-RUC(范水勇等,2013陈敏等,2014卢冰等,2017)研发了新一代数值业务模式预报系统——快速更新多尺度分析及预报系统短期预报子系统(RMAPS-ST),RMAPS-ST是基于WRF模式和WRFDA资料同化系统开发的区域快速更新多尺度观测资料同化分析及短时预报(0—12 h)系统,于2017年5月正式开始业务运行,系统范围见图 1,配置见表 1。系统每天启动运行8次:00、03、06、09、12、15、18和21时(世界时,下同),00时启动采用热启动循环运行方式(Hsiao, et al,2012),即00时初始场是前一天18时的6 h预报场,而03、06、09、12、15、18和21时由前一个启动时次的3 h预报场驱动,采用欧洲中期天气预报中心(ECMWF)全球中期预报场(0.25°)作为模式初始和边界条件。其中D01区域仅同化常规资料,D02区域同化常规资料和雷达观测资料,采用WRF-3DVARv3.8反演水凝物和估计水汽方法同化华北区域京津冀地区7部多普勒天气雷达观测资料,并同时进行反演水凝物和估计水汽的同化,取得了正面业务应用效果。此外,模式系统采用风场U/V控制变量同化技术和多尺度资料同化技术(Sun, et al, 2016; 孙娟珍等,2016)。

图 1 RMAPS-ST数值预报系统D01/D02区域设置示意 Fig. 1 D01/D02 domain configuration for the RMAPS-ST numerical forecasting system
表 1 RMAPS-ST系统配置 Table 1 Configuration of RMAPS-ST
RMAPS-ST(v1.0)系统配置
模式格点 D01:649×500×50,水平9 km分辨率(覆盖中国大陆区域) D02:550×424×50,水平3 km分辨率(覆盖华北地区)
模式版本 WPSv3.8.1 + WRFDAv3.8.1 + WRFv3.8.1
资料同化 三维变分同化,同化资料包括:常规GTS资料、北京地区自动气象站观测、华北区域地基GNSS/ZTD、京津冀7部多普勒雷达观测资料(D02)
物理方案 边界层方案: ACM2微物理方案:Thompson双参短波方案: RRTMG陆面过程(LSM):NOAH长波方案: RRTMG耦合城市冠层模式UCM+New LU对流参数化方案:Kain-Fritsch(D01),D02未打开对流参数化方案

RMAPS-ST系统自业务服务以来,D02的预报对2017年北京地区发生的44次降水无一漏报,已成为预报员进行0—12 h预报时不可或缺的参考依据,而D01在北方区域则存在较明显的漏报现象。以2017年8月11日京津冀强对流降水过程为例(图 2),观测显示2017年8月11日21时—12日03时京津冀地区局地生成的线状对流系统发展东移影响北京,持续时间超过6 h,小时降水量最大超过20 mm。D02成功预报出本次降水,而D01对本次过程预报失败。由于两者的主要差异在于是否同化了雷达观测资料,故文中将在D01开展雷达观测资料的同化应用测试,考察其对D01降水预报的影响。

图 2 2017年8月11日21时RMAPS-ST起报的D01区域(a2—d2)和D02区域(a3—d3)逐时降水预报(截取京津冀地区)和中国地面自动气象站逐时降水量(a1—d1)的对比 (a—d.2017年8月11日22时—12日01时逐时降水观测和预报) Fig. 2 Hourly precipitation from observations at surface AWS (a1-d1) and from the RMAPS-ST D01 (a2-d2) and D02 (a3-d3) forecasting initialized at 21:00 UTC 11 August 2017 (Beijing-Tianjin-Hebei region is shown) (a-d hourly surface observation and forecasting precipitation from 21:00 UTC 11 to 01:00 UTC 12 August, 2017)
2.2 IUMRADAR反射率三维拼图系统简介

中国气象局北京城市气象研究院雷达(IUMRADAR)反射率三维拼图系统自2015年开始运行,实时接收北方区域44部多普勒天气雷达基数据(图 3a)。目前该系统能处理的雷达型号包括SA、SB、SC、CB、CC和CD,拼图范围为(18°—57°N,87°—135°E),垂直分30层,中低层稠密,1—6 km分辨率为0.5 km,7—17 km的分辨率为1 km。目前系统质控后的单雷达基数据被处理成三维等高面产品,再通过空间插值方法映射到统一的三维直角坐标形成雷达反射率三维拼图产品供后续数值业务系统同化应用。

图 3 (a) IUMRADAR系统拼图范围(三角形表示IUMRADAR系统实时接收的北方区域44部业务天气雷达分布站点,圆圈代表距离雷达站点150 km范围,虚线方框为MET(Model Evaluation Tools)定量检验评估区域)及(b) MET定量检验评估观测站点分布 (圆点为地面观测站点,菱形为探空站点) Fig. 3 The domain of IUMRADAR MOSAIC system (Triangles indicate the 44 radar sites from which the IUMRADAR receives real-time observations, circles indicate the range within the radius of 150 km from the radar site, and the dash-line box indicates the domain for MET (Model Evaluation Tools) quantitative verification), (b) Distributions of observation sites for MET quantitative verification (dots indicate surface observation sites, diamonds indicate sounding sites)
2.3 同化方法介绍

RMAPS-ST雷达反射率同化系统采用WRFDAv3.8.1,其中反演水凝物同化方法是先将雷达反射率反演为雨水(qr)、干雪(qds)/湿雪(qws)和冰水(qg),然后同化以上反演水凝物量。

雷达反射率因子(Z)与雨水(qr)、干雪(qds,环境温度低于0℃)、湿雪(qws,环境温度高于0℃)和冰水(qg)经验关系为(Smith,et al,1975Lin, et al,1983Gilmore, et al,1998)

(1)
(2)
(3)
(4)

式中,ρ为空气密度。根据环境温度(Tb)决定等效反射率因子(Ze)对应的经验关系

(5)

即环境温度>5℃时采用反射率因子-雨水经验关系;环境温度 < -5℃时采用反射率因子-雪水/冰水经验关系;当环境温度为-5℃—5℃时则采用两者的混合,其中α在0(Tb=-5℃)至1(Tb=5℃)之间线性变化。

此外,WRFDAv3.8.1中的估计水汽同化是指雷达反射率大于某一阈值(RMAPS-ST系统中设为30 dBz)时, 即认为云中该点达到饱和、相对湿度为100%,计算其对应饱和水汽值(qv),并根据背景场温度和气压将该点的饱和水汽值作为一种“观测”资料进行同化,饱和水汽值的观测算子为

(6)

式中,qs为水汽饱和比湿,RH为相对湿度。在目前的WRF-3DVARv3.8.1系统中,同化反演水凝物或估计水汽开关是分开的,可以选择同时打开,或者择其一打开。

为同化计算各水凝物变量(雨水/雪水/冰水)和饱和水汽,在代价函数中加入反演水凝物同化项Jqr/qs/qg和估计水汽同化项Jqv

(7)

式中,Jb为背景项,Jo为观测项。

RMAPS-ST系统中D01雷达反射率同化方法与D02一致,先同化常规观测资料,再同化雷达拼图资料(图 4b),区别在于D01区域同化北方区域44部雷达三维拼图产品,D02区域同化京津冀地区7部雷达观测。雷达反射率同化采用WRF-3DVAR反演水凝物和估计水汽同化。据此,开展两组数值同化试验(表 2):(1)RADAR试验:D01区域分两步进行常规资料和北方雷达拼图观测资料同化(图 4b);(2)OPERA试验:D01区域仅同化常规资料(图 4a)。

图 4 (a) RMAPS-ST系统OPERA试验同化流程,(b)RADAR试验同化流程,(c)MET定量检验降水评估TS和BIAS计算公式 Fig. 4 (a) Assimilation flow-chart of the OPERA experiment in Table 1, (b) flow-chart of the RADAR experiment, (c) arithmetic formulas of TS and BIAS scores in MET for precipitation verification
表 2 第1组同化试验设计 Table 2 Design of the 1st set of assimilation experiments
试验 常规资料 华北雷达拼图观测
RADAR 同化 同化
OPERA 同化 不同化

为了定量评估分析RADAR和OPERA两组数值试验预报性能,使用MET(Model Evaluation Tools)检验工具包对结果进行检验评估。MET是NCAR数值预报发展试验中心(the Developmental Testbed Center, DTC)研发的数值天气预报检验工具,文中使用MET检验的TS(Threat Score)和预报偏差(BIAS)(图 4c)两个检验评分进行联合评估。TS表征预报的准确程度,数值范围为0—1, 越接近1表示预报准确率越高,BIAS衡量预报降水范围和实际观测范围的偏移,越接近1表示预报降水和观测降水的范围越接近,大于1时说明预报存在空报,小于1时表示预报存在漏报。而对于常规要素如温度、湿度和风场检验,则主要考察均方根误差(RMSE)和BIAS两个量,RMSE接近0表示模式预报可信度高。BIAS接近0表示预报与观测偏差小。

3 定量检验

参与检验评估的样本为2017年8月1—31日每天逐3 h更新循环的所有预报时次。根据雷达拼图的覆盖范围,检验区域为图 3中的虚线方框区域。本时段内参与定量评估检验的总样本量为248,参加检验的地面观测站点数为1210个,站点位置分布如图 3b圆点所示,参加检验的探空站点为54个,站点分布如图 3b菱形所示。下面详细分析雷达拼图同化对D01区域降水、湿度、温度和风的影响。

3.1 常规要素客观检验

图 5为地面常规要素2 m高湿度、2 m高气温和10 m高风场的检验结果。可见在同化北方雷达拼图观测资料后,2 m高湿度和温度的预报性能均有一定程度的提高。在2 m高湿度检验中(图 5a),RADAR和OPERA试验的BIAS均为负值,表明两个试验对2 m高湿度的预报均偏低,但RADAR试验的BIAS负偏差小于OPERA试验,此外,RADAR试验的RMSE在前18 h预报时效内均低于OPERA试验,表明RADAR试验的2 m高湿度预报与实际观测更接近,可信度更高。在2 m高气温检验中(图 5b),OPERA试验的2 m高气温预报以偏高为主,而RADAR试验改善了这一情况,且RADAR试验的RMSE始终小于OPERA试验。在风场检验,U分量在RADAR试验的RMSE大于OPERA试验,但BIAS的负偏差小于OPERA试验,V分量RADAR试验的RMSE和BIAS则不如OPERA试验。2 m高湿度、2 m高气温和10 m高风场的RMSE和BIAS评分的95%置信区间(图 5中误差棒)均随预报时效延长无明显变化,各要素RADAR试验和OPERA试验的95%置信区间区别不大。综上所述,同化北方雷达拼图资料后,尽管10 m高风场的预报误差有所增大,但2 m高湿度、2 m高气温在预报中偏干、偏高则得到了一定的改善,提高了模式对地面常规要素湿度、温度的预报性能。

图 5 2017年8月1—31日逐3 h循环RADAR试验和OPERA试验地面要素客观检验RMSE和BIAS评分 (a. 2 m高湿度,b. 2 m高气温,c. 10 m高U风场,d. 10 m高V风场,e. 10 m高风速;误差棒为RMSE和BIAS评分的95%置信区间) Fig. 5 Surface RMSE and BIAS scores for all the cycling forecasts during 1-31 August 2017 with 3 h updated intervals (a. 2 m specific humidity, b. 2 m temperature, c. 10 m U field, d. 10 m V field, e. 10 m wind speed; error bars show the 95% confidence interval of RMSE and BIAS scores)

高空要素检验(图 6)表明,同化北方雷达拼图观测资料后,12和24 h预报RADAR试验和OPERA试验高空湿度预报误差几乎一致,而温度预报则有较为明显的改善,RADAR试验RMSE和BIAS均小于OPERA试验。12 h风场预报RADAR和OPERA试验几乎一致,而24 h后两者略有差异,主要体现在300 hPa及以上,虽然RADAR试验RMSE有所增大,但BIAS有所减小,表明RADAR试验预报偏差减小。各高空要素的RMSE和BIAS评分的95%置信区间RADAR试验和OPERA试验无明显区别,湿度评分在中低层95%置信区间较大,而风场则主要在高层95%置信区间较大,这跟水汽主要集中在中低层,而大风速值如急流等主要出现在高层有关。

图 6 2017年8月高空要素客观检验RMSE和BIAS评分 (a.湿度(g/kg),b.温度(K),c.U风场(m/s),d. V风场(m/s),e.全风速(m/s);a1—e1.t=12 h预报评分,a2—e2.t=24 h预报评分;误差棒为RMSE和BIAS评分的95%置信区间) Fig. 6 RMSE and BIAS scores in upper levels for all the cycling forecasts during 1-31 August 2017 (a. Specific humidity (g/kg), b. temperature (K), c. U (m/s), d. V (m/s), e. wind speed (m/s); a1-e1. t=12 h, a2-e2. t=24 h; error bars show the 95% confidence interval of RMSE and BIAS scores)
3.2 降水检验

图 7给出的是8月逐3 h循环地面降水检验的TS和BIAS评分,降水定量检验评估阈值分别为0.1、1.0、5.0、10.0、25.0、和50.0 mm/(3 h),预报时效为24 h。

图 7 2017年8月1—31日逐3 h循环地面3 h累积降水检验TS(a1—f1)和BIAS(a2—f2)评分 (a—f.阈值0.1、1.0、5.0、10.0、25.0、50.0 mm/(3 h);误差棒为TS和BIAS评分的95%置信区间,没有误差棒显示的表示样本量不足没通过检验) Fig. 7 TS for 3h accumulated precipitation (a1-f1) and BIAS (a2-f2) scores for all the cycling forecasts during August 2017 with 3 h updated intervals (a-f. thresholds are 0.1, 1.0, 5.0, 10.0, 25.0, 50.0 mm/(3 h); error bars present the 95% confidence interval of TS and BIAS scores, missing error bars mean failing to pass the test because of the insufficient samples)

对于0.1、1.0、5.0 mm/(3 h)这3个较小量级的降水预报,RADAR和OPERA试验均有较为明显的空报,RADAR试验BIAS评分前9 h预报高于OPERA试验,9 h后两者基本无差别。从TS评分看,0.1 mm/(3 h)量级上两者无明显差异,1.0和5.0 mm/(3 h)量级上RADAR试验全面优于OPERA试验。10.0 mm/(3 h)量级的降水,两个试验预报能力基本相当。RADAR试验在前3 h TS评分高于OPERA试验,3—6 h预报则低于OPERA试验,6 h后两者无明显差异。

对于25.0和50.0 mm/(3 h)的较大量级降水预报,RADAR和OPERA试验则存在明显差异。在6 h的短时预报中,OPERA试验的BIAS评分均小于1,存在漏报,而RADAR试验的BIAS评分为1—2,存在空报,但TS评分显示RADAR试验总体高于OPERA试验。

TS评分标准差在中小量级降水(10.0 mm/(3 h)及以下)RADAR试验和OPERA试验相当,在大雨量级,RADAR试验TS评分95%置信区间与OPERA试验相当,在大量级降水(25.0和50.0 mm/(3 h))RADAR试验和OPERA试验95%置信区间相对变大与该降水区间样本量变小有关。BIAS评分95%置信区间RADAR试验在前6 h预报大于OPERA试验,随后两者相当,这跟RADAR试验在前6 h空报率大于OPERA试验有关。

综上所述,同化雷达拼图观测资料后虽付出了一定的降水空报的代价,但更好地捕捉到了短时较强降水的天气过程,有效改善模式降水预报性能,特别对模式在大量级降水存在的漏报情况有显著的改善。

4 个例分析

为了具体展示RMAPS-ST系统D01区域同化北方雷达反射率拼图观测资料后对降水预报的影响,选取2017年8月11—12日北京及周边地区的多次短时强对流过程开展数值试验,试验设计如表 2所示。

2017年8月11日00时—12日07时,受东移蒙古低涡、850 hPa切变线及地面偏东南暖湿气流影响,北京及周边区域出现强降雨,并伴有冰雹和短时大风等强对流天气,本次过程最大降雨量139.2 mm,最大1 h降水量80.0 mm(11日12—13时)。本过程主要分为3个降水阶段:

第1阶段为2017年8月11日00—07时(图 8ad),北京以西河北区域线状对流系统向东移动发展,其南段在东移过程中消散,北段在北京城区发展增强,最大回波强度超过60 dBz(图 8c),北京东南部局地出现6—8级短时大风,并伴有冰雹。

图 8 2017年8月11—12日北京区域强降水过程系统发展演变雷达组合反射率 (a—d.第1阶段(11日00—07时),e—h.第2阶段(11日11—17时),i—l.第3阶段(11日21时—12日07时)) Fig. 8 Radar composite reflectivity (CREF) evolution in stage1 (00:00-07:00 UTC 11 August, a-d), stage2 (11:00-17:00 UTC 11 August, e-h) and stage3 (21:00 UTC 11 August- 07:00 UTC 12 Aug, i-l) of a heavy rainfall (11-12 August 2017) in Beijing area

第2阶段为2017年8月11日11—17时(图 8eh),北京区域局地生成的强对流单体发展,加强为强雷暴系统,最大回波强度超过65 dBz(图 8g),局地降水超过100.0 mm,出现冰雹,并伴有6—9级短时大风。

第3阶段为2017年8月11日21时—12日07时,(图 8il)北京以西河北区域局地新生成对流系统东移并快速发展增强影响北京区域,最大回波强度超过45 dBz,伴有冰雹和短时大风等强对流天气,最大雨强44.3 mm/h,最大过程降水量109.1 mm。

本次过程中既有在大尺度环境背景场(蒙古低涡、中层切变线和地面偏东南暖湿气流)支持下生成的对流系统,也有局地触发的强对流过程,系统性降水和局地强对流降水在36 h内多次影响北京地区,大尺度系统多,中尺度热/动力条件复杂,导致本次过程业务预报难度增大。

对2017年8月11日RADAR和OPERA试验8次循环降水预报展开分析,结果表明,OPERA试验的8次循环预报对本过程3个阶段的降水基本无预报能力,存在明显的漏报现象,而RADAR试验则表现出较高的临近预报能力,即接近降水系统发生时间的起报时次试验对系统的强度、范围及移动方向的预报能力明显优于其他起报时次对同时段的预报:如对第1阶段降水(11日00—07时)预报效果最好的为00时预报;对第2阶段降水(11日11—17时)预报效果最好的为12时预报,对第3阶段降水(11日21时—12日07时)预报效果最好的为21时预报。

以21时起报的试验结果为例,观测显示降水最初发生在北京西边山区,随后东扩,至12日00时降水系统已基本覆盖北京地区,部分区域雨强超过20.0 mm/h,RADAR试验准确预报了系统生成、发展、加强、东移入北京的全过程,降水范围和强度均与实际观测接近,而OPERA试验对本阶段降水完全没有预报能力(图 9)。

图 9 2017年8月11日22时—12日01时逐时降水及2017年8月11日21时起报的北京区域逐时降水 (a1—d1.逐时降水实况观测,a2—d2.RADAR试验逐时降水预报,a3—d3.OPERA试验逐时降水预报) Fig. 9 Hourly precipitation of surface AWS observations (a1-d1) and model forecasts in the RADAR (a2-d2) and OPERA experiment (a3-d3) initialized at 21:00 UTC 11 August 2017 in Beijing area (a-d hourly surface observation and forecasting precipitation from 21:00 UTC 11 to 01:00 UTC 12 August 2017)

进一步分析可以发现雷达拼图资料的同化对RADAR试验临近预报能力的提高起重要作用,比如09时虽然也接近第2阶段的降水,但对第2阶段降水基本无预报能力,原因在于09时处于第1阶段降水和第2阶段降水之间,北京地区基本无雷达观测资料(图略),缺少雷达反射率同化信息,系统无法及时修正初始场,而至12时北京地区已经形成强对流系统,故12时同化拼图资料较好地预报了北京地区第2阶段的降水,降水分布范围和强度均与实况接近(图 10)。

图 10 2017年8月11日13—16时降水及2017年8月11日12时起报的北京区域逐时降水预报 (a1—d1.逐时降水实况观测,a2—d2.RADAR试验逐时降水预报,a3—d3.OPERA试验逐时降水预报) Fig. 10 Hourly precipitation of surface AWS observations (a1-d1) and model forecasts in the RADAR experiment (a2-d2) and OPERA experiment (a3-d3) initialized at 12:00 UTC 11 Aug 2017 in Beijing area (a-d hourly surface observation and forecasting precipitation from 13:00 UTC to 16:00 UTC 11 August, 2017)

此外,比较21时RADAR和OPERA试验同化观测资料后的分析场雷达回波诊断结果,RADAR试验分析场成功诊断出北京西边及河北区域雷达信息,且雷达回波强度与实际观测接近(图 11a),OPERA试验诊断回波则与实际观测相去甚远(图 11b)。此外,对两个试验分析场的水汽差值进行比较,发现在同化雷达拼图资料的位置均有正的差量(图 11c),可见同化雷达拼图资料可在实际降水位置增加水汽含量。

图 11 2017年8月11日21时(a) RADAR、(b) OPERA试验分析场诊断雷达回波(单位:dBz)及(c)RADAR试验与OPERA试验分析场水汽差值(单位:g/kg)低层(模式第2层)分布 Fig. 11 Diagnostic composite radar reflectivity from the 3DVAR analysis at 21:00 UTC 11 Aug 2017 in the RADAR (a) and OPERA experiment (b) (unit: dBz), (c) water vapor difference between RADAR and OPERA 3DVAR analysis (RADAR-OPERA, model level = 2) (unit: g/kg)

分析上述个例可发现该降水过程中同一区域在短时间内多次受到强对流天气系统的影响,在实际情况中,如果有利降水的大尺度天气形势维持,局地的热力或动力扰动有可能多次触发中小尺度的降水,而在数值模式中,激发降水需要水汽、热力和动力条件的有效配合,当模式激发一次降水过程之后,模式中的部分水汽被消耗,热/动力条件也会减弱,在没有外强迫加入的情况下,如果仅有背景场大尺度环流的影响,模式短时间内激发新一轮局地强对流降水有一定难度。如何让模式在短时间内合理多次激发强对流降水,也是数值预报的一个难点。在北京降水个例中RADAR试验成功地预报了短时间内多次强对流天气的发生,而OPERA试验基本以漏报为主,可见雷达拼图资料同化在其中起了重要作用。图 12给出RADAR和OPERA试验在北京探空站(54511)的8次循环预报里对流有效位能(CAPE)的预报值,RADAR试验的CAPE值在新一轮的循环预报中均会被修正提高。如00时对CAPE预报3 h内由4591 J/kg降至2907 J/kg,但在03时同化雷达拼图资料后,CAPE值提升至4418 J/kg,这为后续降水预报创造了有利条件。而OPERA试验则不存在这样的调整过程,其CAPE值随着时间的推移趋于减弱,导致降水的持续漏报。可见,对于短时间多次强对流系统发生的过程,循环同化雷达拼图资料可及时弥补模式中由于前次降水消耗的水汽、能量等,及时补充水汽、调整热/动力条件,对模式吸收实际观测信息、修正模式预报偏差起重要作用,能够在一定程度上弥补模式的不足,激发模式自身难以触发的降水,为下一次降水过程的激发提供有利条件,因此,越是接近降水发生的临近时次起报的降水预报效果越好。

图 12 2017年8月11日8次循环预报在北京探空站点(54511)的对流有效位能(CAPE)12 h预报结果 (a.RADAR试验,b.OPERA试验,红色双箭头表示3个降水时段) Fig. 12 12 h forecast of CAPE at Beijing sounding site (54511) for all the cycling forecasts of 11 August 2017 (a. RADAR, b. OPERA; red arrows indicate the three stages of the heavy rainfall in 11 Aug 2017)
5 同化方案分析讨论

定量检验和个例分析均表明同化雷达拼图观测资料可有效提高RMAPS-ST模式降水预报性能。Wang等(2013)范水勇等(2013)曾基于BJ-RUC系统分析雷达反射率反演水凝物同化和估计水汽同化对降水预报的影响,但当时WRFDA版本反演水凝物同化方案尚未包含冰相态过程,故文中将基于WRFDAv3.8.1分析雷达拼图观测资料不同同化方案对RMAPS-ST在北方区域降水预报的影响。WRFDAv3.8.1中反演水凝物同化方案和估计水汽同化方案有相互独立的控制开关,据此设计3组雷达反射率同化方案(表 3):(1)反演水凝物同化方案(RR试验);(2)估计水汽同化方案(RQV试验);(3)反演水凝物和估计水汽共同同化方案(RR_RQV试验,前述RADAR试验即为此同化方案),具体分析3种同化方案下京津冀降水过程中2017年8月11日12时的降水预报结果。

表 3 第2组同化试验设计 Table 3 Design of the 2nd set of assimilation experiments
试验 常规资料 华北雷达拼图观测 雷达拼图观测同化方案
RR 同化 同化 打开同化反演水凝物开关
Use_Radar_rhv =.True.
Use_Radar_rqv =.False.
RQV 同化 同化 打开同化反演水汽估计开关
Use_Radar_rhv =.False.
Use_Radar_rqv =.True.
RR_RQV 同化 同化 两者均打开
Use_Radar_rhv =.True.
Use_Radar_rqv =.True.

RQV试验和RR_RQV试验的降水预报非常相似(图 13),均成功预报出北京区域强降水过程,雨带走向和强度与实况接近,而RR试验仅在开始1小时预报指示了降水系统的位置,且预报的降水强度与实况差距较大,从第2小时开始,RR试验对北京区域的降水以漏报为主,对北京区域降水过程基本失去预报能力。

图 13 2017年8月11日12时起报的京津冀地区13—16时逐时降水(a—d) (a1—d1. RR_RQV试验逐时降水预报,a2—d2. RQV试验逐时降水预报;a3—d3.RR试验逐时降水预报;黑色方框为模式参数化降水和微物理降水分析区域) Fig. 13 Hourly precipitation forecasts for RR_RQV (a1-d1), RQV (a2-d2) and RR (a3-d3) experiment (the black box denotes the region for analysis of RAINC and RAINNC forecasts, a-d hourly forecasting precipitation from 13:00 UTC to 16:00 UTC 11 August, 2017)

对3组试验的增量进行分析比较后发现:(1)RR试验在与雷达观测相对应的模式区域产生雨水、雪水增量(图 14ab),而范水勇等(2013)Wang等(2013)仅有雨水增量。垂直剖面显示雨水增量主要集中在模式的10—16层(1.5—4.0 km,图 14c),雪水增量主要集中在15—20层(3.5—5.5 km,图 14d),雨水增量最大达到3.0 g/kg,雪水增量在0.1 g/kg以下,在RR试验中没有水汽和温度的增量;(2)RQV试验的分析场有水汽、温度的增量变化,而雨水、雪水等基本没有变化(图略)。水汽增量从模式底层—25层(0—8 km)均有较为明显的增量(图 14e),其中心位于模式第10层(1.5 km),达8.0 g/kg。在水汽增量中心的上层(16—32层)有正的温度增量(图 14f),最大达到0.2℃,其下则为负温度增量。范水勇等(2013)同化估计水汽后除了水汽、温度增量外,还有风场增量变化,这是因为BJ-RUC采用流函数、势函数控制变量,温度变量和风场变量存在相关,而RMAPS-ST系统采用U/V控制变量,温度和风场相关极弱,故温度增量引起的风场变化极小,有利于描述中小尺度对流系统(Sun, et al, 2016; 孙娟珍等,2016)。同化估计水汽在增加水汽的同时也增加了潜热释放,促使温度上升,在其上层形成暖中心,有利于对流系统的发展加强;(3)在RR_RQV试验的分析场上既能看到雨水、雪水等水凝物的增量,也有水汽、温度等的增量,其增量基本等同于RR试验和RQV试验的叠加(图略)。以上结果表明同化反演水凝物主要改变分析场水凝物量如雨水、雪水的分布,不涉及热力条件的调整,而同化估计水汽一方面调整水汽的分布,同时也改变温度等热力条件的配置,两种方案在一定程度上能起到互相补充的作用。

图 14 RR试验雨水和雪水增量分布(a、b)及沿(a、b)中黑色实线的RR试验雨水和雪水增量垂直剖面(c、d)、RQV试验水汽和温度增量垂直剖面(e、f) Fig. 14 Rainwater and snow water increment in the RR experiment at model levels =10 and 16 (a, b), rainwater and snow water increment cross-sections along the black line in (a, b) for RR experiment (c, d), water vapor and temperature increment cross-sections for RQV experiment (e, f)

以上是针对同化方案对背景场更新作用的分析,下面具体讨论其对模式降水的影响(重点分析图 13黑色方框内降水情况)。D01区域模式降水主要由积云对流降水(模式输出的RAINC变量)和微物理降水(模式输出的RAINNC变量)两部分组成。如图 15所示,从总体来看,RR试验的平均降水量明显小于RQV试验和RR_RQV试验。积云对流降水对3组试验的降水都起到了主要作用,其所占比例分别为90.6%(RR试验)、57%(RQV试验)和60%(RR_RQV试验)。从逐10 min的降水来看,12—14时,微物理降水和积云对流降水的比例分配在RR试验和RQV试验中呈现出几乎相反的变化特征。在试验开始的10 min内,RR试验中微物理降水占绝对优势(接近100%),但很快出现逆转,12时30分开始转由参数化降水主导,13时30分微物理降水再居上风;而在RQV试验中,前期(12时—12时30分)降水基本都是积云对流降水,12时40分—13时30分微物理降水开始成为降水的主要组成部分,13时40分再次发生逆转。14时之后,无论RR试验还是RQV试验,降水均以积云对流降水为主。RR_RQV试验显然综合了上述两个试验的结果。

图 15 RR(a)、RQV(b)和RR_RQV试验(c)在图 13中黑色方框区域中的参数化降水(RAINC)和微物理降水(RAINNC)随模式积分变化 (灰色直方图表示总降水量(对应左侧坐标轴),圆点实线表示参数化降水占总降水量的百分比,三角形实线表示微物理降水占总降水量的百分比(对应右侧坐标轴)) Fig. 15 Temporal variations (model integration time) of RAINC and RAINNC in RR (a), RQV (b) and RR_RQV (c) experiments (Gray bars indicate the average total precipitation (RAINC+RIANNC, left axis), lines marked with circles (triangles) indicate the ratio of RAINC (RAINNC) to total precipitation (right axis))

此外,除了前10 min积云对流降水与微物理降水的比重有明显调整之外,RR_RQV试验的降水类型分配与RQV试验的结果大体类似。同化反演水凝物方案中(RR),雷达拼图资料同化后首先增加模式初始场中低层的雨水和雪水含量(图 16b1c1),因此积分初期的降水几乎全部来源于微物理过程参数化。但是缺乏匹配的热/动力条件强迫,仅增加水凝物含量并不能有效提高模式系统对降水发展的预报,故微物理过程产生的雨水在30 min内迅速减少(图 16b1),而后期通过模式自身的热/动力场调整、背景场水汽的配合,产生积云对流降水。同化估计水汽方案中(RQV),雷达资料的同化调整模式初始场的温度、水汽分布,之后模式经过一定调整形成与温度、水汽分布相匹配的热/动力场激发降水,因此RQV试验中微物理降水开始的时间虽然稍落后于RR试验(图 16b1b2),但随着模式积分,系统对分析场的水汽增量有正反馈,支持降水持续发展,至12时30分,模式中、高层出现雪水增量,表明系统高度升高、发展增强,与实况(12时30分—13时40分出现超过60 dBz的强回波并伴有冰雹)非常吻合。以上分析表明同化反演水凝物或者估计水汽均能改善模式的降水预报,但是同化估计水汽对降水预报性能的改善更加重要,若能同时使用反演水凝物和估计水汽同化方案,则既能在模式初始阶段就形成雨水、雪水等水凝物,也能对水汽、温度场等进行调整,为后续降水发展提供有利条件,全面提高模式降水预报性能。

图 16 RR(a1—c1)、RQV(a2—c2)、RR_RQV(a3—c3)试验模式水汽(a)、雨水(b)和雪水(c)(单位:g/kg)的垂直-时间变化 (图 14ab中黑色原点位置) Fig. 16 The vertical-time variations of water vapor (a), rainwater (b) and snow water (c) (unit: g/kg) for the RR (a1-c1), RQV (a2-c2) and RR_RQV (a3-c3) (black dots in Fig. 14a and 14b)
6 总结和讨论 6.1 总结

文中以业务应用为目标,开展雷达拼图资料在北方区域数值模式预报系统中的同化应用研究。

首先, 以2017年8月1—31日为例,定量评估雷达拼图资料同化对降水、湿度、温度和风的预报性能影响。结果表明,同化雷达拼图资料后,(1)区域模式在北方区域的降水评分得到有效提高,特别对于较大量级的降水(25.0和50.0 mm/(3 h)),前6 h漏报的情况得到了明显改善;(2)对2 m高气温、2 m高湿度预报偏高、偏低的情况得到一定的改善;(3)对10 m高风场预报的误差有所增大。

随后,选择在业务中预报难度较高的短时多次强对流天气个例进行分析,发现同化雷达拼图资料对模式的降水预报性能有明显提升。通过对不同起报时次的结果进行分析,发现越接近降水发生的时次起报的预报效果越好。对于短时间在同一地区多次触发的强对流系统,雷达拼图资料的循环同化可及时弥补模式中由于前次降水消耗的水汽、热量等,及时补充水汽,调整热/动力条件,为下一次降水过程的激发提供有利条件。

最后,具体分析WRF-3DVAR雷达反射率间接同化方法中不同同化方案对系统降水预报性能的作用机制。发现同化反演水凝物方案可迅速调整模式初始场水凝物量的分布,在模式积分初始时刻就能激发微物理降水,但是由于缺乏有利的热力和水汽条件支撑,系统无法持续发展,易造成降水漏报现象;同化估计水汽方案通过调整水汽场间接调整热力场,这使得积分前期微物理过程产生的降水稍有滞后,但在有利的水汽和热力条件支持下,模式能够产生与实况接近的水凝物分布,最后获得与实况吻合的降水预报。因此,这两种同化方案能在不同时期改善模式降水预报性能,但总体而言同化估计水汽方案对模式降水预报性能的改善更加重要。不过,如果同时使用反演水凝物同化方案和估计水汽同化方案,则既能在模式初始阶段就形成雨水、雪水等水凝物,又能对水汽、温度场等进行调整,为后续降水发展提供有利条件。

6.2 讨论

批量检验结果表明RADAR试验的TS评分虽然在前6 h有所提高,但是相应的BIAS评分也增加了,虽然这种增长在合理值范围内,但也表明同化雷达拼图资料虽然在前6 h能提高降水预报准确率,同时也会带来相对于OPERA试验更多的空报,如何在有效提高降水预报准确性的同时减少降水的空报也是下阶段研究需要重点关注的问题。

此外,同化雷达拼图观测资料仅仅调整水凝物和温度场分布,没有对动力场进行调整,容易导致水凝物、模式温度场与动力场不协调,水凝物在模式积分半小时内就形成降水下落。目前雷达拼图观测资料同化可在一定程度上提高降水预报性能,但不是描述降水系统发展的最佳方案,下一步工作将开展全国雷达径向风观测业务同化应用研究,协同调整模式水汽、热/动力场结构,全面提高模式降水预报性能。

致谢: 卢冰副研究员和范水勇副研究员对本文的方法和思路提供诸多建议,特此感谢。
参考文献
陈敏, 陈明轩, 范水勇. 2014. 雷达径向风观测在华北区域数值预报系统中的实时三维变分同化应用试验. 气象学报, 72(4): 658–677. Chen M, Chen M X, Fan S Y. 2014. The real-time radar radial velocity 3DVar assimilation experiments for application to an operational forecast model in North China. Acta Meteor Sinica, 72(4): 658–677. (in Chinese)
陈明轩, 王迎春, 肖现, 等. 2012. 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. 2012. 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, 肖现, 高峰, 等. 2016. 基于雷达四维变分分析系统的强对流高分辨率模拟个例分析和批量检验. 气象学报, 74(3): 421–441. Chen M X, Xiao X, Gao F, et al. 2016. A case study and batch verification on high resolution numerical simulations of severe convective events using an analysis system based on rapid-refresh 4-D variational radar data assimilation. Acta Meteor Sinica, 74(3): 421–441. (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 3D-Var. Acta Meteor Sinica, 71(3): 527–537. (in Chinese)
刘红亚, 徐海明, 胡志晋, 等. 2007a. 雷达反射率因子在中尺度云分辨模式初始化中的应用Ⅰ:云微物理量和垂直速度的反演. 气象学报, 65(6): 896–905. Liu H Y, Xu H M, Hu Z J, et al. 2007a. Application of radar reflectivity to initialization of cloud resolving mesoscale model. Part Ⅰ:Retrieval of microphysical parameters and vertical velocity. Acta Meteor Sinica, 65(6): 896–905. (in Chinese)
刘红亚, 徐海明, 薛纪善, 等. 2007b. 雷达反射率因子在中尺度云分辨模式初始化中的应用Ⅱ:数值模拟试验. 气象学报, 65(6): 906–918. Liu H Y, Xu H M, Xue J S, et al. 2007b. Application of radar reflectivity to initialization of cloud resolving mesoscale model. Part Ⅱ:Numerical simulation experiments. Acta Meteor Sinica, 65(6): 906–918. (in Chinese)
卢冰, 孙继松, 仲跻芹, 等. 2017. 区域数值预报系统在北京地区的降水日变化预报偏差特征及成因分析. 气象学报, 75(2): 248–259. Lu B, Sun J S, Zhong J Q, et al. 2017. Analysis of characteristic bias in diurnal precipitation variation forecasts and possible reasons in a regional forecast system over Beijing area. Acta Meteor Sinica, 75(2): 248–259. (in Chinese)
孙娟珍, 陈明轩, 范水勇. 2016. 雷达资料同化方法:回顾与前瞻. 气象科技进展, 6(3): 17–27. Sun J Z, Chen M X, Fan S Y. 2016. Radar data assimilation methods:Review and future perspective. Adv Meteor Sci Technol, 6(3): 17–27. (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)
杨吉, 郑媛媛, 夏文梅, 等. 2015. 雷达拼图资料上中尺度对流系统的跟踪与预报. 气象, 41(6): 738–744. Yang J, Zheng Y Y, Xia W M, et al. 2015. Mesoscale convective systems (MCSs) tracking and nowcasting based on radar mosaic data. Meteor Mon, 41(6): 738–744. (in Chinese)
杨艳蓉, 曾明剑. 2012. 雷达资料同化对暴雨预报影响的数值模拟研究. 气象科学, 32(2): 145–152. Yang Y R, Zeng M J. 2012. Numerical simulation analysis on radar data assimilation for summer rainstorm forecast. J Meteor Sci, 32(2): 145–152. DOI:10.3969/2012jms.0014 (in Chinese)
杨毅, 邱崇践, 龚建东, 等. 2008. 三维变分和物理初始化方法相结合同化多普勒雷达资料的试验研究. 气象学报, 66(4): 479–488. Yang Y, Qiu C J, Gong J D, et al. 2008. Three-dimensional variational combined with physical initialization for assimilation of Doppler radar data. Acta Meteor Sinica, 66(4): 479–488. (in Chinese)
张诚忠, 薛纪善, 张林, 等. 2012. 基于雷达反射率反演降水率的一维+三维变分同化研究及试验. 气象学报, 70(5): 1128–1136. Zhang C Z, Xue J S, Zhang L, et al. 2012. Study of the "1D+3D var" assimilation of the rain rate retrieved from radar reflectivity and its experiments. Acta Meteor Sinica, 70(5): 1128–1136. (in Chinese)
Barker D M, Huang W, Guo Y R, et al. 2004. A three-dimensional variational data assimilation system for MM5:Implementation and initial results. Mon Wea Rev, 132(4): 897–914. DOI:10.1175/1520-0493(2004)132<0897:ATVDAS>2.0.CO;2
Benjamin S G, Weygandt S S, Brown J M, et al. 2016. A North American hourly assimilation and model forecast cycle:The rapid refresh. Mon Wea Rev, 144(4): 1669–1694. DOI:10.1175/MWR-D-15-0242.1
Caya A, Sun J, Snyder C. 2005. A comparison between the 4DVAR and the ensemble Kalman filter techniques for radar data assimilation. Mon Wea Rev, 133(11): 3081–3094. DOI:10.1175/MWR3021.1
Dowell D C, Wicker L J, Snyder C. 2011. Ensemble Kalman filter assimilation of radar observations of the 8 May 2003 Oklahoma City supercell:Influences of reflectivity observations on storm-scale analyses. Mon Wea Rev, 139(1): 272–294. DOI:10.1175/2010MWR3438.1
Gao J D, Smith T M, Stensrud D J, et al. 2013. A real-time weather-adaptive 3DVAR analysis system for severe weather detections and warnings. Wea Forecasting, 28(3): 727–745. DOI:10.1175/WAF-D-12-00093.1
Gao J D, Stensrud D J. 2012. Assimilation of reflectivity data in a convective-scale, cycled 3DVAR framework with hydrometeor classification. J Atmos Sci, 69(3): 1054–1065. DOI:10.1175/JAS-D-11-0162.1
Gilmore M S, Wicker L J. 1998. The influence of midtropospheric dryness on supercell morphology and evolution. Mon Wea Rev, 126(4): 943–958. DOI:10.1175/1520-0493(1998)126<0943:TIOMDO>2.0.CO;2
Hsiao L F, Chen D S, Kuo Y H, et al. 2012. Application of WRF 3DVAR to operational typhoon prediction in Taiwan:Impact of outer loop and partial cycling approaches. Wea Forecasting, 27(5): 1249–1263. DOI:10.1175/WAF-D-11-00131.1
Hu M, Xue M, Brewster K. 2006a. 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, Xue M, Gao J D, et al. 2006b. 3DVAR and cloud analysis with WSR-88D Level-Ⅱ data for the prediction of the Fort Worth, Texas, tornadic thunderstorms. Part Ⅱ:Impact of radial velocity analysis via 3DVAR. Mon Wea Rev, 134(2): 699–721. DOI:10.1175/MWR3093.1
Hu M, Benjamin S G, Ladwig T T, et al. 2017. GSI three-dimensional ensemble-variational hybrid data assimilation using a global ensemble for the regional rapid refresh model. Mon Wea Rev, 145(10): 4205–4225. DOI:10.1175/MWR-D-16-0418.1
Johnson A, Wang X G, Carley J R, et al. 2015. A comparison of multiscale GSI-Based EnKF and 3DVar data assimilation using radar and conventional observations for midlatitude convective-scale precipitation forecasts. Mon Wea Rev, 143(8): 3087–3108. DOI:10.1175/MWR-D-14-00345.1
Jung Y, Zhang G F, Xue M. 2008a. Assimilation of simulated polarimetric radar data for a convective storm using the ensemble Kalman filter. Part Ⅰ:Observation operators for reflectivity and polarimetric variables. Mon Wea Rev, 136(6): 2228–2245. DOI:10.1175/2007MWR2083.1
Jung Y, Xue M, Zhang G F, et al. 2008b. Assimilation of simulated polarimetric radar data for a convective storm using the ensemble Kalman filter. Part Ⅱ:Impact of polarimetric data on storm analysis. Mon Wea Rev, 136(6): 2246–2260. DOI:10.1175/2007MWR2288.1
Lin Y, Ray P S, Johnson K W. 1993. Initialization of a modeled convective storm using Doppler radar-derived fields. Mon Wea Rev, 121(10): 2757–2775. DOI:10.1175/1520-0493(1993)121<2757:IOAMCS>2.0.CO;2
Lin Y L, Farley R D, Orville H D. 1983. Bulk parameterization of the snow field in a cloud model. J Climate Appl Meteor, 22(6): 1065–1092. DOI:10.1175/1520-0450(1983)022<1065:BPOTSF>2.0.CO;2
Liu S, DiMego G, Guan S C, et al. 2016. WSR-88D radar data processing at NCEP. Wea Forecasting, 31(6): 2047–2055. DOI:10.1175/WAF-D-16-0003.1
Parrish D F, Derber J C. 1992. The national meteorological center's spectral statistical-interpolation analysis system. Mon Wea Rev, 120(8): 1747–1763. DOI:10.1175/1520-0493(1992)120<1747:TNMCSS>2.0.CO;2
Smith P L Jr, Myers C G, Orville H D. 1975. Radar reflectivity factor calculations in numerical cloud models using bulk parameterization of precipitation. J Appl Meteor, 14(6): 1156–1165. DOI:10.1175/1520-0450(1975)014<1156:RRFCIN>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. Part 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, Wang H L. 2013. Radar data assimilation with WRF 4D-Var. Part Ⅱ:Comparison with 3DVar for a squall line over the U.S. Great Plains. Mon Wea Rev, 141(7): 2245–2264. DOI:10.1175/MWR-D-12-00169.1
Sun J Z, Wang H L, Tong W X, et al. 2016. Comparison of the impacts of momentum control variables on high-resolution variational data assimilation and precipitation forecasting. Mon Wea Rev, 144(1): 149–169. DOI:10.1175/MWR-D-14-00205.1
Wang H L, Sun J Z, Fan S Y, et al. 2013. Indirect assimilation of radar reflectivity with WRF 3D-Var and its impact on prediction of four summertime convective events. J Appl Meteor Climatol, 52(4): 889–902. DOI:10.1175/JAMC-D-12-0120.1
Wang X G, Barker D M, Snyder C, et al. 2008a. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part Ⅰ:Observing system simulation experiment. Mon Wea Rev, 136(12): 5116–5131. DOI:10.1175/2008MWR2444.1
Wang X G, Barker D M, Snyder C, et al. 2008b. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part Ⅱ:Real observation experiments. Mon Wea Rev, 136(12): 5132–5147. DOI:10.1175/2008MWR2445.1
Weygandt S S, Benjamin S G, Smirnova T G, et al. 2008. Assimilation of radar reflectivity data using a diabatic digital filter within the rapid update cycle//Proceedings of the 12th Conference on IOAS-AOLS. New Orleans, LA: American Meteorology Society
Wu W S, Purser R J, Parrish D F. 2002. Three-dimensional variational analysis with spatially inhomogeneous covariances. Mon Wea Rev, 130(12): 2905–2916. DOI:10.1175/1520-0493(2002)130<2905:TDVAWS>2.0.CO;2
Xiao Q N, Kuo Y H, Sun J Z, et al. 2005. Assimilation of Doppler radar observations with a regional 3DVAR system:Impact of Doppler velocities on forecasts of a heavy rainfall case. J Appl Meteor, 44(6): 768–788. DOI:10.1175/JAM2248.1
Xiao Q N, Kuo Y H, Sun J Z, et al. 2007a. An approach of radar reflectivity data assimilation and its assessment with the Inland QPF of typhoon Rusa (2002) at landfall. J Appl Meteor Climatol, 46(1): 14–22.
Xiao Q N, Sun J Z. 2007b. Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002. Mon Wea Rev, 135(10): 3381–3404. DOI:10.1175/MWR3471.1
Zhang G F, Sun J Z, Brandes E A. 2006. Improving parameterization of rain microphysics with disdrometer and radar observations. J Atmos Sci, 63(4): 1273–1290. DOI:10.1175/JAS3680.1