2019, Vol. 77
中国气象学会主办。
文章信息
- 王叶红, 赵玉春, 罗昌荣, 韩颂雨. 2019.
- WANG Yehong, ZHAO Yuchun, LUO Changrong, HAN Songyu. 2019.
- 双雷达风场反演拼图在登陆台风“莫兰蒂”(1614)强降水精细预报中的同化应用试验
- Assimilation experiments for the application of dual-radar retrieval wind mosaics in detailed heavy precipitation forecast produced by landfall typhoon "Meranti" (1614)
- 气象学报, 77(4): 617-644.
- Acta Meteorologica Sinica, 77(4): 617-644.
- http://dx.doi.org/10.11676/qxxb2019.041
文章历史
-
2018-04-23 收稿
2019-01-16 改回
2. 高原与盆地暴雨旱涝灾害四川省重点实验室, 成都, 610072;
3. 浙江省气象信息网络中心, 杭州, 310001
2. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province, Chengdu 610072, China;
3. Zhejiang Meteorological Information Network Center, Hangzhou 310001, China
多普勒天气雷达探测资料具有很高的时间分辨率(5—10 min)和空间分辨率(125—1000 m)，可以有效探测对流尺度系统结构。过去十几年来，人们不断致力于发展同化多普勒雷达探测资料的技术和方法(Gao，et al, 1999, 2001, 2004；Sun，et al, 1991, 1994, 1997, 1998；Xiao，et al，2005；Qiu，et al, 1992, 1994, 2006；王洪等，2016；张亦洲等，2017)，其中三维变分同化(3DVAR)、四维变分同化(4DVAR)和集合卡尔曼滤波(EnKF)等同化技术均实现了在数值模式中加入雷达探测中与强对流风暴相关的中小尺度信息。雷达径向风包含与数值模式密切相关的风场信息，如何在数值预报中得到有效应用一直是资料同化研究的关键问题(Salonen，2002；Rihan，et al，2008；Li，et al，2010；Lindskog，et al，2004；万齐林等，2005；陈敏等，2014)。
雷达径向风同化包括反演同化和直接同化两种方式。径向风的直接同化是将模式空间风矢量直接投影到雷达坐标平面，计算观测增量。近十几年来，径向风直接同化取得了很大进展(Xiao，et al, 2005, 2007；William，et al，2005；顾建峰等，2006；张林等，2006; 许小永等，2006；Zhang，et al，2009; 乔小湜等, 2016)，大量个例的研究结果表明，同化雷达径向风通过调整初始三维风场结构对同化和预报结果均有不同程度的正面影响(刘红亚等，2010；刘青松等，2010；李媛等，2011；陈锋等，2012；陈明轩等，2016；刘莲等，2016)。然而，由于径向风资料只能观测到雷达径向方向的风场，因而直接同化很难精确地分析垂直于雷达波束的风场分量(Zhao，et al，2012a)。有关径向风直接同化与反演同化的对比研究(Lindskog，et al，2004；杨毅等，2007；闵锦忠等，2007)也表明两者各有优势。因此，雷达径向风的反演同化长期以来也一直受到学者的关注(Sun，et al, 1994, 1997, 1998；Zhao，et al，2012b；Li，et al, 2013, 2015; Wang，et al，2014)。
雷达径向风的反演同化，也被称作间接同化，即首先利用单部或多部多普勒雷达的径向速度反演出局地的平均水平风速廓线，然后将反演的水平风速廓线放入同化系统同化。从20世纪60年代至今，中外的气象学者发展了一系列技术由多普勒雷达探测资料反演风矢量场，如速度方位显示(velocity azimuth display，VAD)方法(Lhermitte，et al，1961；Browning，et al，1968)、速度体积处理(velocity volume processing，VVP)技术(Waldteufel，et al，1979)、速度方位处理方法(Velocity Azimuth Processing，VAP)(陶祖钰, 1992)、扩展VAP方法(周振波等，2006；罗昌荣等，2011)、地基雷达速度轨迹显示(Ground-Based Velocity Track Display，GBVTD)技术(Lee，et al，1999)、MGBVTD(Modified GBVTD)技术(Chen，et al，2013)、热力反演技术(Gal-Chen，1978)、简单伴随反演法(Qiu，et al, 1992, 1994；邱崇践等，1996；Xu，et al，2001)、三维或四维变分反演法(Wolfsberg，1987；Sun，et al, 1991, 1994, 1997, 1998)、涡度-散度方法(姜海燕等，1997)、两步变分法(Qiu，et al，2006)、T-TREC(Typhoon-Tracking Radar Echoes by Correlation)(王明筠等，2010)等反演技术与方法，这些方法为雷达径向风的反演同化奠定了基础。
雷达径向风反演同化在近二十几年得到了极大的发展。Shapiro等(1996)以反演风矢量场的方法为基础得到风场反演资料，进行了数值预报试验。Sun等(1991, 1994, 1997, 1998)利用四维变分方法，结合云模式及其伴随模式，提出了多普勒雷达四维变分同化反演方法，并用阵风锋观测资料进行了检验，结果表明利用雷达探测资料的数值预报结果比外推法更可靠。邱崇践等(2000)基于简单伴随函数法，利用准四维变分分析方法由单多普勒雷达探测资料反演出风矢量场，然后利用Gal-Chen(1978)的热力反演技术由风场产生初始气压场，运用ARPS(Advanced Regional Prediction System)模式对一个强雷暴系统进行了数值预报试验，结果表明初始场中引入多普勒雷达探测资料后明显地改进了预报。有学者对采用速度方位显示方法(马清云等，2001；Lindskog，et al，2004；李柏等，2005；李华宏等，2007)、速度体积处理技术(王叶红等, 2006, 2008)、扩展速度方位处理方法(闵锦忠等，2007)、变分方法(李红莉等，2007)、两步变分方法(杨毅等，2007；杨丽丽等，2016)、多部多普勒雷达合成和连续调整技术(Multiple-Doppler Synthesis and Continuity Adjustment Technique，MUSCAT)(杨艳蓉等，2009)、地基雷达速度轨迹显示技术(Zhao，et al，2012b)、T-TREC方法(Li，et al, 2013, 2015; Wang，et al，2014)反演的水平风场进行了大量同化试验，结果表明，雷达径向风的反演同化对数值预报结果均产生了不同程度的正贡献。
在雷达径向风的反演同化中，利用单多普勒雷达风场反演技术获得反演风场的应用较为普遍。20世纪70年代双多普勒雷达风场反演技术(Doviak，et al，1976)开始发展起来，该技术利用两部雷达同步观测，测得两个相对于不同原点的径向速度场，获得风的两个分量，然后引入连续方程，求得三维风场。Ray等(1980)提出了ODD(Over Determined Dual-Doppler)技术，用欧拉方程反演风场。周海光等(2002)研究了笛卡尔坐标系下双多普勒雷达三维风场反演方法。刘黎平(2003)研制了基于三维变分方法的双多基地多普勒雷达系统的风场反演系统。周海光等(2005)利用双多普勒雷达观测资料通过多部多普勒雷达合成和连续调整技术反演风场，取得了较好的效果。杨艳蓉等(2009)利用多部多普勒雷达合成和连续调整技术，在笛卡尔坐标下反演得到三维风场，并利用ADAS(ARPS Data Analysis System)资料分析系统对反演风场进行了同化试验，但效果并不十分理想。总体来说，双雷达反演风场同化试验开展得还不够充分。罗昌荣等(2012)提出了动态地球坐标系下的双雷达风场反演技术，风场反演效果较好，并在科研、业务中广泛应用(韩颂雨等，2017)，但其反演风场资料在数值预报中的同化应用研究尚未开展，其同化效果如何值得关注。
登陆台风是影响中国的严重气象灾害，准确的台风路径、强度和风雨预报对减轻人员伤亡和减少国民经济损失具有重要意义。2016年9月15日登陆厦门的超强台风“莫兰蒂”(1614)给福建带来了极其严重的风雨灾害。本研究以该过程为例，首先利用动态地球坐标系下双雷达风场反演技术(罗昌荣等，2012)反演三维风场并进行拼图，然后以厦门翔安风廓线雷达和厦门秒级探空数据进行反演风场精度检验，最后以WRF及其3DVAR系统为平台，同化双雷达反演风场组网资料，考察动态地球坐标系下双雷达风场反演技术获得的水平风场同化对登陆台风“莫兰蒂”造成福建强降水精细预报结果的影响。
本研究使用的资料包括福建龙岩、泉州、漳州、厦门海沧雷达体扫资料，厦门探空资料，厦门翔安风廓线雷达探测资料，中国常规地面雨量资料及福建省地面加密自动气象站观测的降水和地面风场资料，中国气象局业务下发台风实况资料以及美国国家环境预报中心全球预报系统(National Centers for Environmental Prediction/Global Forecast System，NCEP/GFS)0.5°×0.5°分析和预报资料。
2 “莫兰蒂”台风与降水2016年第14号台风“莫兰蒂”于9月10日14时(北京时，下同)在西北太平洋生成后向西偏北方向移动，12日08时加强为强台风，11时加强为超强台风，最强时中心气压达910 hPa，近中心最大风力17级以上，风速70 m/s。“莫兰蒂”于14日23时减弱为强台风，并于15日03时05分在福建厦门登陆，登陆时台风中心气压达935 hPa，近中心最大风力15级，风速48 m/s；登陆后台风沿西北方向移动，强度快速减弱，15日17时在福建境内减弱为热带低压，之后转向东北方向移动，穿过闽赣皖苏，16日20时在江苏南部入海后逐渐减弱消失。超强台风“莫兰蒂”登陆给闽赣浙皖苏沪五省一市带来狂风暴雨，造成重大经济损失和人员伤亡。15日08时24 h降水主要位于福建，16日降水区北抬，主要位于浙江—皖东南—苏南—上海，17日主要降水区进一步北抬，范围缩小，主要位于苏中地区(图 1)。
|
| 图 1 “莫兰蒂”台风移动路径(圆点实线；图中1108代表 2016年9月11日08时，其他依此类推)及登陆后2016年9月15日(红色实线)、16日(色阶)、17日(蓝色实线)08时24 h累计降水量(单位:mm，等值线50、100、200 mm) Fig. 1 The track of tropical cyclone Meranti (dot solid line) and 24 h accumulated rainfall (unit: mm) observed at 08:00 BT 15 (red solid line), 08:00 BT 16 (shaded) and 08:00 BT 17 (blue solid line) September 2016 (1108 indicates 08:00 BT 11 September 2016. The same hereafter. Contour are 50, 100 and 200 mm) |
“莫兰蒂”台风具有强度大、移速多变、范围广和影响持续时间长等特点，对福建产生的风雨影响尤为严重。据民政部门统计，福建省86个县、市约180万人受灾，因灾死亡18人，失踪11人，直接经济损失达169亿元，其中重灾区厦门直接经济损失达102亿元。
3 双雷达风场反演与数据验证 3.1 动态地球坐标系下双雷达风场反演方法动态地球坐标系下双雷达风场反演方法详见罗昌荣等(2012)，其具体算法可简述为：(1)选定动态地球坐标系。坐标原点设在地球球心，Z轴通过目标点P指向天顶，X和Y轴分别指向P点的正东和正北方向。坐标系不固定，随目标点的变化而变化。(2)将雷达体扫数据插值到反演网格。反演网格选用等经纬度、等高度网格。插值时，考虑到水平方向插值点周边库点较多，为了抑制杂波，水平方向采用Cressman距离权重插值方法；垂直方向由于扫描层次较少，采用线性插值。(3)建立风场迭代方程组，设定U、V初值后，利用质量连续方程计算垂直速度的第一估算值。采用迭代方法进行三维风场计算。
采用地球坐标系，而不是中外普遍采用的局地笛卡尔坐标系，其优点在于能使相关空间位置关系更接近实际。对于小尺度和近距离的双雷达来说，坐标系的选择差别不大，但若考虑进行大范围的雷达组网，局地笛卡尔坐标系适用性降低(罗昌荣等，2012)。相比之下，基于动态地球坐标系的反演算法优势明显，由于坐标Z是动态的，可以根据网格点的位置来搜寻周边的雷达，故拼图范围可扩展至整个地球。罗昌荣等(2012)利用WRF模式输出场作为理想风场，对该方法进行了算法验证，经统计，不同高度层的三维风分量反演误差总体较小，可以满足业务和科研需要。
3.2 雷达资料雷达基数据来自福建龙岩(25.065°N，117.187°E，海拔1504.9 m)、泉州(24.895°N，118.497°E，海拔531.3 m)、漳州(23.599°N，117.4°E，海拔263.4 m)S波段新一代多普勒天气雷达(CINRAD/SA)及厦门海沧(24.507°N，118.004°E，海拔398 m)S波段双偏振雷达(WSR-98D/SA)所探测到的径向速度场(图 2)。进行雷达风场反演前，对雷达数据进行杂波滤除、径向速度退模糊等质量控制。对4部雷达进行4组双多普勒雷达风场反演，形成4组双雷达种类：龙岩—厦门海沧、泉州—厦门海沧、龙岩—泉州、漳州—厦门海沧，进行组网风场分析(每组双雷达风场反演时两部雷达基线上的区域风场不反演)，4组双雷达相距分别为103.3、66.0、133.5及118.2 km。
|
| 图 2 龙岩、泉州、漳州、厦门海沧4部雷达位置、径向速度观测范围以及双雷达组网后的反演区域(白色阴影区域)示意 (色阶为雷达回波反射率) Fig. 2 Diagram of locations and radial velocity detection ranges of the four radars deployed at Longyan, Quanzhou, Zhangzhou and Haicang of Xiamen, respectively, and retrieval zones (white shaded) of the dual-radar mosaic for the four radars (color shaded is radar reflectivity) |
风场反演的误差与风场的方向、大小、空间位置等有关。Doviak等(1976)研究了双雷达反演风场的误差，指出反演的水平风速的误差是真实风向的函数，而反演风向的误差是真实风速的反函数，同时也是真实风向的直接函数。反演最好的风速是当真实风向位于两部雷达径向夹角的角平分线上，而反演最好的风向则是当真实风向垂直于这条角平分线。Kong等(1994)利用模拟的强雷暴数据分析直接合成法反演风场的误差，指出当两部雷达探测的径向速度夹角接近90°时误差较小，180°时误差最大，即基线附近的点误差最大。张沛源等(2002)指出，要使反演误差最小，要求两部雷达的间距为雷达最大可测距离的0.55倍，大致为120 km左右。刘黎平等(2003)在反演误差分析中指出两个径向速度的夹角在40°—140°，反演径向速度的标准差误差不超过雷达探测径向速度的标准差的2倍。
基于以上研究，归纳影响双雷达反演误差的主要因素(图 3)包括：(1)双雷达的距离(L)大约在120 km时误差小；(2)反演点与雷达基线的距离(d)越小误差越大；(3)反演点与雷达连线的夹角(a)越接近90°时误差越小。
|
| 图 3 影响双雷达反演误差的因素示意 Fig. 3 Diagram of influencing factors for the dual-radar retrievals errors |
因此反演风场的组网拼图处理采用如下方法：(1)对于只有一组数据覆盖的区域就选择这一组；(2)对于有两组数据覆盖的区域，判断反演点与雷达的夹角a，选择接近于90°的那一组(即cosa绝对值最小的)；如果cosa的绝对值相等(有一部分区域两组的角度a是互补的)，再判断反演点到雷达基线的距离d，选d大的一组；(3)对于有3、4组数据覆盖的区域，则选择反演点与雷达的夹角a最接近90°的那组。
3.4 反演水平风场检验因文中仅同化水平风场，故仅对反演水平风场进行检验。图 4a为双雷达反演的2016年9月14日20时及15日08时5000 m高度风场拼图，上述时次仅厦门探空站处于反演风场覆盖范围内，因此，首先以厦门探空风为实况进行反演风场的对比验证。
|
| 图 4 (a) 2016年9月14日20时(黑色风矢)及15日08时(红色风矢)5000 m高度双雷达反演风场(单位：m/s)及探空站位置(黑色圆点)分布(Fuzhou、Xiamen、Shantou代表福州、厦门、汕头探空站)，(b)厦门站(24.49°N，118.08°E)探空风(红色风矢)及双雷达反演风(黑色风矢) Fig. 4 (a) Dual-radar retrieved winds at 5000 m at 20:00 BT 14 (black vectors) and 08:00 BT 15 (red vectors) September 2016, and locations of sounding stations (black dots) (Fuzhou, Xiamen and Shantou denote Fuzhou, Xiamen and Shantou sounding stations, respectively), (b) wind profiles from Xiamen sounding station (24.49°N, 118.08°E) (red vectors) and dual-radar retrieved winds (black vectors) |
首先，在不考虑探空气球水平漂移和探测非瞬时性情况下，图 4b给出了厦门探空站(24.49°N，118.08°E)不同高度上的水平风分布及雷达反演风500 m高度间隔上的分布，可见，14日20时反演风在3.5—7.0 km高度有值，是一致的东北风，风向与探空风一致，风速比探空风略大1—2 m/s。15日08时，厦门探空站上空风向已由台风登陆前的东北风转为西南风，风速与14日20时相比略有增大；反演风在3.5—9.5 km高度为一致的西南风，风速为14—20 m/s，对比相邻高度层探空风与反演风，两者风向、风速的一致性非常高。为了给出定量的误差分析结果，以图 4b所示厦门探空风所在高度层重新进行风场反演，获得了9月14日20时及15日08时、20时3个时刻的探空风与反演风位置一致的风场观测数据，3个时次共10对匹配样本，反演风风向(风速)平均绝对误差为8.5°(3.4 m/s)。
接下来，考虑探空气球水平漂移和探测非瞬时性，以厦门探空站秒级数据精确考察双雷达反演水平风的误差。图 5给出了9月14日20时及15日08时、20时厦门探空站(海拔高度138 m，天线高度6.8 m)秒级数据位置漂移轨迹。台风登陆前，14日19时15分32秒，探空气球从起始位置在上升过程中随环境气流不断向西南方向漂移，历时44 min到达探测水平风的终止高度15.9 km处，气球水平漂移距离约为23.79 km。台风登陆后，从15日07时15分26秒开始，探空气球在上升过程中随环境气流不断向东北方向漂移，历时22 min 54 s到达探测水平风的终止高度7.8 km处时，气球水平漂移距离约为26.17 km。15日20时的探空气球总体向东北方向水平漂移，历时45 min到达探测水平风的终止高度17.7 km处时，气球水平漂移距离约为19.18 km。
|
| 图 5 2016年9月14日20时(黑色)、15日08时(红色)及15日20时(蓝色)厦门探空秒级数据位置漂移轨迹 (XM代表厦门探空站，0 km代表 3个时刻探空气球的起始距地高度，15.9、7.8、17.7 km分别为3个时刻探测风终止距地高度，大的黑/红/蓝色圆点表示实际参加风场检验的样本) Fig. 5 The position drifting paths of second radio-soundings in Xiamen at 20:00 BT 14 (black), 08:00 (red) and 20:00 BT (blue) 15 September 2016 (XM denotes Xiamen sounding station. 0 km denotes the radio-sounding initial height above ground at the above three times, 15.9, 7.8 and 17.7 km denote the radio-sounding final altitudes above ground for the three times, respectively. The big black, red and blue dots show the samples used for wind verification) |
按照距地100 m高度间隔获取的探空气球位置及时间，对逐6 min间隔的双雷达资料进行水平0.01°、垂直100 m分辨率的风场反演，在有风场反演数据的高度层上，以探空风为目标寻找位置、时间最接近的反演风进行匹配，3次探空气球施放过程共获得85对匹配样本(探空测风样本在图 5中以大的黑/红/蓝色圆点表示)。14日20时探空获得36个样本，位于2.9—7.4 km高度(3.4—4.3 km除外)，探空风与反演风匹配的时间差范围为0—90 s，平均时间差为43 s；水平位置差范围为75—668 m，平均水平位置误差321 m。该时段内风向误差为0.21°—14.07°，风速误差为0.05—1.50 m/s，平均绝对风向误差为4.03°，风速误差为0.62 m/s (图 6a)。15日08时探空获得44个样本，位于3.0—7.6 km高度(4.8—5.0 km除外)，与反演风匹配的时间差范围为4—118 s，平均时间差为54 s；水平位置差范围为190—8522 m，平均水平位置误差3780 m (因为有些更加靠近探空位置处没有反演风，为了增加样本数，就近寻找有反演风的点来匹配，导致15日08时某些配对样本距离相对较远)。该时段内风向误差为0.37°—6.46°，风速误差为0.08—3.44 m/s，平均绝对风向误差为3.22°，风速误差为1.38 m/s(图 6b)。15日20时探空中有5个样本，位于5.8—6.2 km，与反演风匹配的时间差范围为46—112 s，平均时间差为78 s；水平位置差范围为266—525 m，平均水平位置误差408 m。该时段内风向误差为0.26°—1.71°，风速误差为1.45—2.60 m/s，平均绝对风向误差为1.2°，风速误差为2.13 m/s(图略)。
|
| 图 6 2016年9月14日20时(a)、15日08时(b)反演风与厦门探空秒级测风数据对比的风向、风速绝对误差随高度分布 Fig. 6 Distributions of absolute errors of wind direction and speed with height based on comparison between dual-radar retrieved winds and Xiamen second radio-soundings at 20:00 BT 14 (a) and 08:00 BT 15 (b) September 2016 |
总体而言，与85个秒级探空测风数据相比，反演风平均绝对风向误差为3.4°，风速误差为1.1 m/s，明显优于未采用秒级探空数据(风向、风速平均绝对误差为8.5°、3.4 m/s)的对比结果，说明与更加精确的秒级探空数据相比，反演风误差明显减小。然而反演风与秒级探空数据比较时，尽管两者时、空匹配度明显改善，但仍然不可避免存在一定偏差，由此也可以推断，实际的反演风误差可能会更小。
接下来进行了反演风与厦门翔安风廓线雷达(24.55°N，118.32°E)观测的风场资料的对比，为保证两类数据在空间上的一致性，基于厦门翔安风廓线雷达所在位置及探测风所在的高度，重新进行双雷达风场反演，获得厦门翔安风廓线雷达站各高度层上的反演风场。表 1列出了台风靠近沿海(9月14日15时)至深入内陆(9月15日07时)期间能够获得的厦门翔安风廓线雷达资料完整的14个时次及其与反演风场的对比情况，可见14个时次的有效样本数除两个时次为10和26略少外，其余从35—48不等，样本数相对较多且分布较均匀。各时次的风向平均绝对误差为3.8°—15.2°、风速平均绝对误差为1.1—3.9 m/s，说明使用的风场反演方法在不同时次的反演中性能较为稳定。14个时次总样本数为545，总的风向平均绝对误差为7.8°，风速平均绝对误差为2.6 m/s。
| 时间 | 有效样本数 | 风向平均绝对误差(°) | 风速平均绝对误差(m/s) |
| 2016年9月14日15时 | 41 | 6.0 | 2.6 |
| 2016年9月14日15时12分 | 41 | 8.5 | 1.7 |
| 2016年9月14日16时12分 | 46 | 9.5 | 3.3 |
| 2016年9月14日17时 | 46 | 3.8 | 2.7 |
| 2016年9月14日18时 | 40 | 7.2 | 3.5 |
| 2016年9月14日18时48分 | 46 | 5.3 | 1.4 |
| 2016年9月14日19时 | 48 | 8.6 | 2.5 |
| 2016年9月14日20时 | 35 | 4.3 | 1.6 |
| 2016年9月14日21时 | 35 | 4.5 | 1.1 |
| 2016年9月14日22时 | 36 | 6.4 | 3.4 |
| 2016年9月14日23时 | 10 | 7.1 | 3.8 |
| 2016年9月15日02时12分 | 49 | 9.1 | 3.9 |
| 2016年9月15日06时 | 26 | 13.8 | 3.5 |
| 2016年9月15日07时 | 46 | 15.2 | 2.4 |
| 合计 | 545 | 7.8 | 2.6 |
采用WRF模式3.8版非静力方案进行3重双向嵌套网格模拟，试验中心位于(28°N，114°E)，水平分辨率分别为18、6、2 km，水平方向格点数分别为343×293、436×436、703×703；模式所有区域垂直方向共45个σ层，模式层顶30 hPa；时间步长90 s。模式物理过程采用WSM6显式云微物理方案、Kain-Fritsch(new Eta)积云参数化方案(D03区无积云参数化方案)、MYJ边界层方案、Noah LSM陆面模式、RRTM长波和Goddard短波辐射方案，辐射方案逐15 min计算一次。侧边界条件由GFS预报场提供。采用WRF三维变分同化系统，同化在3个区域内进行。文中所有数值模拟结果的分析均在D03区域进行。
4.2 稀疏化方案设计进行双雷达风场反演时，反演网格的分辨率可以设置得很高，可为需要的使用者提供足够精细的反演风场数据。但将反演风场应用于数值模式时，却并不是分辨率越高越好，因为过密的资料会将资料相关性问题带入同化系统。究竟多高的分辨率既可以避免资料相关性问题，又能尽可能多地将雷达观测信息同化进入模式？下面对反演风场资料在水平方向进行稀疏化敏感性试验，以2016年9月15日02时为例，图 7给出了5000 m高度上0.3°、0.2°、0.1°、0.06°、0.04°及0.02°不同水平分辨率反演水平风场分布。可见稀疏化后的雷达反演风基本能够保持原始雷达反演风的分布结构和特点，但随着分辨率的不断加粗，台风环流中心的定位变得不够精确，台风环流的一些精细结构缺失。
|
| 图 7 2016年9月15日02时5000 m高度不同水平分辨率双雷达反演风场分布 (a.0.3°，b.0.2°，c.0.1°，d.0.06°，e.0.04°，f.0.02°) Fig. 7 Distributions of dual-radar retrieved winds with horizontal resolutions of (a) 0.3°, (b) 0.2°, (c) 0.1°, (d) 0.06°, (e) 0.04°, (f) 0.02° at 5000 m at 02:00 BT 15 September 2016 |
设计5个稀疏化同化试验，即EXP_0.3、EXP_0.2、EXP_0.1、EXP_0.06及EXP_0.04，各试验以2016年9月15日02时GFS分析场作为背景场，采用WRF 3DVAR系统分别同化0.3°、0.2°、0.1°、0.06°和0.04°水平分辨率的雷达反演风场(垂直分辨率均为500 m)后作为模式初值，积分6 h。以2016年9月15日02时GFS分析场作为初值驱动模式的试验作为对照试验，简称EXP_GFS。
稀疏化试验在不同高度层上同化的有效反演风场数量分布呈近似正态分布曲线，在3—7 km高度上反演风场数量最多，而低层和高层反演风场数量逐渐减少(图略)。0.04°、0.06°、0.1°、0.2°、0.3°分辨率下单层高度上反演水平风场的最大数量分别为2679、1182、428、109、45。稀疏化后，反演风场资料数量大幅度减少。
4.3 稀疏化试验结果分析以700 hPa流场为例给出EXP_GFS与5个稀疏化试验初始时刻(9月15日02时)的差异如图 8所示。初始时刻台风已接近登陆地点，试验EXP_GFS分析的700 hPa台风涡旋结构完整清晰，大风轴位于台风中心西北侧与东北侧，最大风速达45 m/s，台风中心外围东侧及北侧风速也相对较大。受台湾岛地形影响，在台湾岛及其下游，也即在台风东侧外围环流与台风主体环流间形成一条弱风速带。台风主体环流的西侧也为弱风区。试验EXP_0.3及EXP_0.2的初始风场与GFS分析场虽有差异，但台风整体环流结构未发生较大改变。从EXP_0.1试验开始，0.1°、0.06°及0.04°分辨率的反演风场资料同化，使700 hPa台风环流结构发生较大变化，台风主体环流西侧的弱风速区结构遭到破坏，风速不断增大，最终台风环流结构遭到破坏。从0.1°开始，反演风分辨率越高，台风环流结构被破坏得越严重。
|
| 图 8 试验EXP_GFS(a)、EXP_0.3(b)、EXP_0.2(c)、EXP_0.1(d)、EXP_0.06(e)、EXP_0.04(f)初始时刻(2016年9月15日02时)700 hPa风场(矢量，单位：m/s)及其大小(阴影，单位：m/s) Fig. 8 700 hPa wind fields (vectors, unit: m/s) and their magnitudes (shaded, unit: m/s) at initial time, i.e., 02:00 BT 15 September 2016 for EXP_GFS (a), EXP_0.3 (b), EXP_0.2 (c), EXP_0.1 (d), EXP_0.06 (e) and EXP_0.04 (f), respectively |
积分6 h后，EXP_GFS、EXP_0.3及EXP_0.2 3个试验仍然具有相似的流场结构：台风主体环流深入内陆，大风轴位于台风中心东北侧；台风涡旋结构仍然完整，但逐渐松散(图略)。EXP_0.1及更高分辨率的稀疏化试验，台风环流结构在初始时刻即遭到破坏，因此，6 h后其与EXP_GFS试验及实况的差异均非常大(图略)。各试验模拟的逐时降水分布差异也非常大，试验EXP_0.3和EXP_0.2均改善了降水模拟效果，其中EXP_0.2效果最优；而EXP_0.1及更高分辨率的反演风场资料同化试验则要比EXP_GFS试验差(图略)。
以上分析可知，0.1°分辨率反演风场资料同化即开始对背景场的流场结构有所破坏，随着资料分辨率的不断提高，资料同化对初始场及预报场产生负影响的程度更大。为避免偶然性，进一步开展了以14日20时为起报时刻的稀疏化方案敏感性试验，得到了相同的结论。
需要指出的是，上述敏感性试验在18、6、2 km区域均进行同化，且在不同区域未区别考虑使用不同分辨率的反演风场，如果仅在最内层同化风场资料，其最优的稀疏化方案是否不同？为回答上述问题，以2016年9月15日02时为起报时刻，进一步开展了仅在2 km区域进行反演风场同化的稀疏化敏感性试验，结果表明，与3重区域均进行同化结果类似，仅在2 km最内层区域进行同化，采用0.2°分辨率反演风场进行资料同化效果最优，而0.1°及更高分辨率的反演风场资料同化均对同化和预报产生了负影响(图略)。
以上分析表明，稀疏化方案对同化及预报结果影响显著，过密的反演风场资料会给同化及预报结果带来明显负效果；而同化恰当稀疏化后的反演风场资料，由于包含了更丰富的中尺度初始风场信息，同时避免了观测资料的相关性干扰，可以有效调整初始场环流结构，进而改善对降水的模拟效果。采用18、6、2 km 3重嵌套，在3重嵌套区域内均进行同化以及仅在2 km区域进行同化两种情况下，均表现为反演风场资料水平分辨率取为0.2°时数值预报效果最好。
5 雷达反演风场同化数值试验方案设计为考察不同起报时刻、有无反演风场同化对模拟“莫兰蒂”台风引发的2016年9月14日20时—15日08时福建强降水精细过程的影响，设计以下两组共6个试验：
对照试验：分别以2016年9月15日02时、14日20时和14时为模式起报时刻，以GFS分析场作为初值驱动模式，模拟福建境内台风内核雨带和螺旋雨带逐时分布演变。3个试验分别称为GFS_1502、GFS_1420、GFS_1414，该组试验不仅是同化试验的对照试验，而且3个试验的对比还可考察不同模式起报时刻对此次台风暴雨过程的模拟影响。
风场同化试验：分别以2016年9月15日02时、14日20时和14时为模式起报时刻，以GFS分析场作为背景场，同化同时刻的反演风场资料后作为初值驱动模式。3个试验分别称为Radar_1502、Radar_1420、Radar_1414，分别与GFS_1502、GFS_1420、GFS_1414组成3组对比试验组，以考察雷达反演风场资料同化对模拟台风暴雨过程的影响。
以上试验均采用4.1节所述的参数配置，仅初值方案不同。同化的雷达反演风场资料水平分辨率为0.2°，垂直分辨率为500 m，同化在3个嵌套区域均进行。
6 雷达反演风场同化对强降水精细预报的影响 6.1 9月15日02时起报试验 6.1.1 地面风场与逐时降水分析2016年9月15日03—08时福建省地面加密观测的逐时风场和降水分布演变发现，台风登陆时(15日03时，图略)，位于漳州—厦门—泉州一带的气旋式风场快速增强，气旋中心位于厦门地区，强降水带位于厦-漳-泉地区；台风外围连江至宁德一带强降雨带增强，地面东北风与西南风汇流逐渐转为东北(或偏东风)风速辐合。台风登陆后1—5 h(图 9a、d、g)，地面气旋式环流中心逐渐往西偏北移动到漳州和龙岩交界地带，强气旋式风场维持2—3 h后开始减弱，08时(图 9g)地面气旋式环流中心演变成风场辐合中心；台风内核强降雨带随着气旋式环流中心向北向西缓慢移动，台风内核降水强度在9月14日05时(图略)超过最强的50 mm/h后开始逐渐减弱，台风内核雨带逐渐分裂出螺旋雨带，并逐渐远离台风中心；台风外围连江一带强螺旋雨带维持，并缓慢向北移动到福州至宁德一带。由此可见，漳州—厦门—泉州—莆田地区一带的强降水主要位于地面气旋式风场结构内，而福州至宁德地区的强降水位于地面气旋式风场结构外的气流汇流区或风速辐合区域内，即厦门至泉州一带的强降水主要由台风内核雨带造成，而福州至宁德一带的强降水主要由台风螺旋雨带造成(赵玉春等，2018)。
|
| 图 9 观测(a、d、g)、试验GFS_1502(b、e、h)和Radar_1502(c、f、i)模拟的2016年9月15日04时(a、b、c)、06时(d、e、f)、08时(g、h、i)1 h累计降水(色阶)及地面风场 Fig. 9 Hourly surface rainfall (shaded) and wind fields (vectors) observed (a, d, g) and simulated by Exp GFS_1502 (b, e, h) and Radar_1502 (c, f, i) at 04:00 (a, b, c), 06:00 (d, e, f), 08:00 BT (g, h, i) 15 September 2016 |
试验GFS_1502基本模拟出9月15日03—08时台风在福建境内造成的内核雨带与螺旋雨带的逐时分布演变，但降水强度、落区与实况略有差异。具体而言，模拟第1小时(图略)，模拟地面风场与实况较为一致，但风速偏强，模拟的位于厦门地区的地面气旋式环流中心，以及与此相配合的台风内核降水的落区、范围、形态、强度与实况基本一致。此外，台风外围连江至宁德一带的风速辐合也有所表现，其上降水开始有所发展，由于模式起转(spin-up)需要一定时间，其强度和范围均弱于实况。第2小时(图 9b)，地面气旋中心缓慢向北移动，其位置略偏北，连江至宁德外围雨带逐渐加强，但与台风内核降水并未分离。第3小时(图略)，地面气旋中心继续缓慢向北移动，其位置仍略偏北，对应的台风内核降水模拟较好。对连江至宁德降水模拟进一步增强，并与台风内核降水逐渐分离，但其中心强度仍偏弱。第4(图 9e)—6小时(图 9h)，地面气旋中心继续向北移动，并开始缓慢向西移动，这与实况特征一致，但向西移动偏慢，向北移动偏快，导致模拟台风内核雨带偏东偏北、外围螺旋雨带偏北。此外，实况地面气旋式环流中心在15日08时逐渐演变为风场辐合中心，而模拟仍维持较明显的气旋式环流中心，并导致15日06—08时台风内核降水左侧模拟不好。究其原因，与GFS_1502试验初始时刻地面风场明显偏强有关。在台风登陆向西北移动、台风中心风速逐渐减小、地面气旋性环流特征逐渐减弱消失的过程中，因为初始时刻风速偏强，导致模拟气旋性环流中心减弱消失的过程晚于实况。
GFS_1502模拟降水的主要特征为：模式积分前期1—3小时，对地面气旋式环流中心及台风内核降水的模拟与实况很接近，但从第4小时开始，实况地面风场气旋式环流开始减弱，并逐渐转为风场辐合，并向西向北缓慢移动，但模拟仍为气旋式环流结构，并向西移动偏慢，向北移动偏快，导致台风内核降水左侧模拟偏弱，台风内核降水位置偏东偏北。对于连江至宁德一带外围螺旋雨带，模式第3小时开始逐渐模拟出与台风内核雨带分离的螺旋雨带，并在其后3 h内一直维持，但模拟位置偏北、强度偏弱。
试验Radar_1502(图 9c、f、i)对9月15日03—08时福建境内地面风场及台风内核雨带、螺旋雨带逐时模拟有明显改善，主要体现在：(1)台风内核降水偏东偏北现象得到改善，台风内核降水西移约0.4°，更接近观测。例如15日08时，实况地面风场辐合中心位于(25.2°N，117.3°E)(图 9g)，GFS_1502及Radar_1502模拟的地面气旋式环流中心则分别位于(25.5°N，117.7°E)(图 9h)及(25.4°N，117.3°E)(图 9i)附近，即Radar_1502模拟的台风主体位置更接近实况。(2)伴随着台风主体位置西移南落，位于连江至宁德的螺旋雨带也略微南落，且其强度增加改进明显。(3)地面风场改进显著，如15日08时，实况地面风场辐合中心南侧为一致的南风，其东侧为南风与东南风的汇流，Radar_1502模拟此处地面风场特征与实况非常接近，而对照试验模拟地面风场气旋式环流的南侧并非南风，为西南风，与实况差异明显(图 9g、h、i)。(4)Radar_1502模拟的15日08时从台风内核雨带中逐渐分离出的弓状螺旋雨带，其形状、位置、范围均与实况非常类似，仅强度略强，并且实况地面风场特征表现为弓状螺旋雨带上为较弱东南风，其西侧为南风，其东侧为较强东南风，Radar_1502模拟的特征几乎与此完全一致，但对照试验则与实况差异很大(图 9g、h、i)。
从GFS分析风场与反演风场的差异不难发现风场同化试验改善的必然性。初始时刻，3500 m反演风(图 10a)与3658 m GFS分析风(图 10b)差异较小，风向与风速均基本一致，但反演风和GFS分析风定位的台风中心则相差较大，前者位于海上，后者已位于海岸线上，而此时距离台风登陆还有1 h。与台风中心实况位置(24.3°N，118.4°E)相比，反演风定位更准确，而GFS分析风定位则偏东偏北，因此风场同化试验改善了对照试验模拟台风内核降水偏东偏北的现象。
|
| 图 10 2016年9月15日02时3500 m高度双雷达反演(a)及3658 m高度GFS分析(b)风场(风矢，单位：m/s)和风速大小(色阶，单位：m/s) Fig. 10 Wind fields (vectors, unit: m/s) and their magnitudes (shaded, unit: m/s) from dual-radar retrievals at 3500 m (a) and GFS analysis at 3658 m (b) at 02:00 BT 15 September 2016 |
TS(Threat Score)评分和空间相关分析针对(23°—27°N，116°—121°E)范围内陆地上的降水进行，选择0.1 mm以及从1 mm开始间隔1 mm的连续降水阈值，实况降水被插值到模式D03区域网格点上(下同)。考察逐时累计降水量TS评分发现，模式积分第1小时，风场同化试验即在绝大多数降水阈值上TS评分有所增大，但最大增幅仅为0.045(图略)。模式积分第2小时，风场同化试验1 h累计降水TS评分大幅度提升，最大增幅达0.148(图略)。第3小时TS评分增加依然明显，仅在个别阈值上略有降低(图 11a)。随着积分时间延长，风场同化试验仍有较大改善，如从模式积分第6小时，也即15日08时1 h累计降水TS评分(图 11b)可见，风场同化在各降水量阈值上的TS评分均有所提高，最大增幅达0.23，特别是对照试验在36 mm及以上阈值TS评分均为0，而风场同化试验则仍维持在0.2左右，并持续到60 mm的降水阈值。
|
| 图 11 试验GFS_1502和Radar_1502对2016年9月15日05时(a、c)、08时(b、d)、1 h(a、b)、3 h(c、d)累计降水量TS评分及其差值分布 Fig. 11 The threat scores of 1 h (a, b), 3 h (c, d) accumulated precipitation simulated by Exp GFS_1502 and Radar_1502 and their differences at 05:00 (a, c) and 08:00 (b, d) BT 15 September 2016 |
对模式积分0—3小时的3 h累计降水量TS评分(图 11c)而言，除73—76 mm降水阈值风场同化试验TS评分略低外，在0.1—72 mm降水阈值内，风场同化试验TS评分明显高于对照试验。对模式积分3—6小时的3 h累计降水量TS评分(图 11d)而言，在0.1—60 mm降水阈值内，两个试验的差别不大；在60—82 mm阈值内，对照试验略好于风场同化试验；但在83—115 mm阈值内，风场同化试验则极大地提高了强降水的TS评分。特别注意到，对照试验在降水阈值上升到89 mm时TS评分即为0，而风场同化试验则在阈值提高到116 mm时TS评分才降低为0，而且在83—115 mm降水阈值范围内，风场同化试验的TS评分基本稳定维持在0.06—0.15。
在9月15日02时起报试验的6 h时效内，除第4小时外，Radar_1502试验模拟与观测的逐时降水的空间相关均高于GFS_1502试验，特别是第6小时，增幅达0.12(图 12)。由于天气影响系统的复杂性和数值模拟的不确定性，在风场同化试验对总累计降水模拟明显占优的情况下，并不能保证对每1 h累计降水均有所改善。第4小时Radar_1502试验模拟台风主体降水强度偏强，导致其降水空间相关略低于GFS_1502试验。
|
| 图 12 试验GFS_1502和Radar_1502模拟与观测的逐时累计降水空间相关系数 Fig. 12 Spatial correlation coefficients of hourly precipitation between observations and simulations of Exp GFS_1502 and Radar_1502 |
考察有、无风场同化试验模拟的1—6 h时效台风路径误差分布(图略)发现，模式积分第3小时和第4小时风场同化试验模拟台风路径误差显著减小，其他时效两者误差几乎一致。
最低海平面气压(sea level pressure，SLP)的模拟(图 13a)两个试验相差不大，Radar_1502略大于GFS_1502。初始时刻，两个试验最低海平面气压为975 hPa，远高于观测的935 hPa。在随后积分的6 h内，两个试验均模拟出最低海平面气压逐渐升高的特征，这与实况特征相似。至15日08时，两个试验最低海平面气压为985 hPa，与实况(970 hPa)的差距有所减小。
|
| 图 13 观测与模拟的2016年9月14日14时—15日08时1 h间隔的最低海平面气压(a)和台风中心附近最大风速(b) Fig. 13 The minimum sea level pressure (a) and maximum wind speed near the typhoon center (b) from observations and simulations at 1 h intervals during 14:00 BT 14—08:00 BT 15 September 2016 |
初始时刻，两个试验分析的台风中心附近最大风速为35 m/s，强度远弱于实况的50 m/s。随着模拟积分，台风中心附近最大风速不断降低，与实况特征一致。Radar_1502模拟略强于GFS_1502试验(图 13b)。
总的来看，9月15日02时起报的有、无风场同化试验，初始时刻台风强度远弱于观测，在随后积分过程中，两者差距虽有所减小，但模拟至6 h，强度仍远弱于实况。从台风路径来看，初始时刻与实况差距较小，仅2.5 km，但随着积分时间的延长，差距逐渐增至积分6 h时的22.5 km左右。相较而言，Radar_1502试验0—6 h内对台风路径、台风中心最大风速均有所改善，但最低海平面气压略差。
6.1.4 台风风场结构以双雷达反演风场为实况，考察发现风场同化极大地改善了台风风场结构(图 14)。初始时刻4500和6000 m高度上，Radar_1502试验对风速的改进主要体现在：(1)风速与实况更接近，如25、30、35 m/s等风速线分布范围更接近实况，而GFS_1502范围均明显大于实况；(2)从有限的反演风场可见，实况在台风主体西侧为10—15 m/s的弱风速带，GFS_1502未完全分析出该弱风速带，但Radar_1502则很好地分析出来了。该风场结构特征在4500 m及以上高度一直维持，如6000 m高度可清楚见到Radar_1502试验台风环流结构紧凑，与实况一致的15 m/s以上的大风速区的西边界呈圆状，而GFS_1502试验15 m/s等风速线向西伸展，呈椭圆状；(3)6000 m高度上的30 m/s等风速带，GFS_1502已断裂成两环，而Radar_1502仍为完整的一环，与实况非常相似。在6000—10000 m高度上，两个试验分析的台风风场结构差异始终维持。
|
| 图 14 2016年9月15日02时4500 m(a、b、c)和6000 m(d、e、f)高度双雷达反演(a、d)及试验GFS_1502(b、e)和Radar_1502(c、f)分析风场(风矢，单位：m/s)和风速(色阶，单位：m/s) Fig. 14 Analyzed wind fields (vectors, unit: m/s) and their magnitudes (shaded, unit: m/s) from the dual-radar retrievals (a, d), Exp GFS_1502 (b, e) and Radar_1502 (c, f) at altitudes of 4500 m (a, b, c) and 6000 m (d, e, f) at 02:00 BT 15 September 2016 |
风场同化试验对风场环流的改善也非常明显，为了直观显示两个试验在风场结构上的差异，选取台风右下象限大风轴附近(24.45°—24.66°N，118.75°—118.95°E)及左上象限风速较小处(25.47°—25.63°N，117.25°—117.45°E)两个等面积区域，分别给出区域平均的反演风场及两个试验分析的U、V垂直廓线分布(图 15)。选择的两个区域范围很小，且区域内风向基本稳定，因此区域平均可以合理反映台风大风轴附近和弱风速区的平均风垂直廓线分布。
|
| 图 15 2016年9月15日02时观测、试验GFS_1502和Radar_1502分析的区域(24.45°—24.66°N，118.75°—118.95°E)(a、b)和(25.47°—25.63°N，117.25°—117.45°E)(c、d)平均纬向风(a、c)和经向风(b、d)垂直廓线 Fig. 15 Vertical profiles of zonal (a, c) and meridional winds (b, d) averaged over the region (24.45°-24.66°N, 118.75°-118.95°E) (a, b) and (25.47°-25.63°N, 117.25°-117.45°E) (c, d) for observations and analyses of Exp GFS_1502 and Radar_1502 at 02:00 BT 15 September 2016 |
此两处台风不同区域的U、V平均垂直廓线分布特征明显不同，GFS_1502试验U、V随高度变化趋势尽管与实况大体一致(图 15d除外)，但其数值与实况差异较大，而Radar_1502试验对此则有极大改善，不仅与实况风的垂直廓线分布趋势更趋一致，并极大地缩小了与实况风速的差异。在台风大风轴附近区域(图 15a、b)，1.5—10.0 km高度GFS_1502试验U、V平均绝对误差分别为7.42和6.01 m/s，Radar_1502试验则分别减至3.65和2.54 m/s；在弱风速区(图 15c、d)，3.0—8.5 km高度GFS_1502试验U、V风平均绝对误差分别为2.97和4.21 m/s，Radar_1502试验则分别减至1.6和0.95 m/s。
风场同化对台风初始风场结构的改善，在模式积分中持续产生着正影响，图 16给出了模式积分前3 h的逐时风场与风速分布，无论台风环流结构、风速分布形态与范围，Radar_1502均明显优于GFS_1502试验。值得注意的是，在15日05时(模式积分第3小时)，反演风场从4500 m高度开始有弱风速侵入台风内核环流，台风主体环流结构出现遭到破坏前的征兆，如图 16g明显可见一条不连续的10—15 m/s的弱风速带由台风左下象限侵入台风内核环流，GFS_1502试验没有模拟出此细节特征，台风内核环流仍为20—25 m/s的完整环状风速带(图 16h)；而Radar_1502试验则非常好地模拟出台风左下象限10—15 m/s的弱风速带侵入台风内核环流的过程(图 16i)。在4500 m及更高高度上，弱风速带侵入台风主体环流的过程持续存在，GFS_1502试验对此一直没有反映，而Radar_1502试验则表现很好。
|
| 图 16 2016年9月15日03时(a、b、c)、04时(d、e、f)、05时(g、h、i)4500 m高度双雷达反演(a、d、g)及试验GFS_1502(b、e、h)和Radar_1502(c、f、i)模拟风场(风矢，单位：m/s)和风速大小(色阶，单位：m/s) Fig. 16 Wind fields (vectors, unit: m/s) and their magnitudes (shaded, unit: m/s) from the dual-radar retrievals (a, d, g) and simulations of Exp GFS_1502 (b, e, h) and Radar_1502 (c, f, i) in the altitude of 4500 m at 03:00 (a, b, c), 04:00 (d, e, f) and 05:00 (g, h, i) BT 15 September 2016 |
考察试验GFS_1420模拟的14日21时—15日08时逐时地面降水量和风场演变可见，该试验对台风登陆前6小时至台风登陆期间(14日21时—15日03时)逐时地面降水量和风场演变的模拟与实况对应较好。具体而言，该试验对台风登陆前5小时(图 17b)福建东部沿海盛行东北风、台风登陆前4小时厦-漳-泉一带出现具有气旋式结构特征的风场(图略)、并在之后(图 17e、h)气旋式风场逐渐增强的特征模拟得很好，与实况(图 17a、d、g)非常接近；此外，该试验对雨带在福建东部沿海出现并逐步加强向内陆移动，以及在连江至宁德一带台风外围螺旋雨带逐渐出现、加强，并与台风主体降水明显分离的特点模拟得与实况非常接近(图略)。
|
| 图 17 观测(a、d、g)、试验GFS_1420(b、e、h)和Radar_1420(c、f、i)模拟的2016年9月14日22时(a、b、c)、9月15日00时(d、e、f)、02时(g、h、i)1 h累计降水(色阶，单位：mm)及地面风场(风矢) Fig. 17 Hourly surface rainfall (shaded, unit: mm) and wind fields (vectors) observed (a, d, g) and simulated by Exp GFS_1420 (b, e, h) and Radar_1420 (c, f, i) at 22:00 BT 14 (a, b, c) and 00:00 (d, e, f), 02:00 (g, h, i) BT 15 September 2016 |
GFS_1420试验模拟不足之处在于：(1)对台风登陆前福建降水模拟普遍偏强，如实况最强为10—25 mm/h，而模拟则为25—50 mm/h；(2)模拟台风涡旋中心与降雨带比实况偏北，至模式积分12小时，比实况偏北约0.7°(图略)；(3)登陆后模拟台风结构快速松散，台风内核雨带与螺旋雨带间的距离快速加大(图略)，远超实况。
试验Radar_1420与GFS_1420模拟的0—12小时地面风场与逐时降水分布的大体特征也是相似的，增加风场同化后模拟结果(图 17c、f、i)有明显改善，主要体现在：(1)对台风登陆前1—4小时对照试验模拟降水普遍偏强现象改善明显，Radar_1420模拟最强降水为10—25 mm/h，与实况量级一致。(2)台风涡旋中心与台风内核降水位置偏北的现象得到明显改善，台风主体降水向南回落约0.5°，但仍比实况略偏北。同时注意到，风场同化试验虽然使台风主体雨带位置南落0.5°，与实况更加接近，但地面环流中心位置略向西移动，这加大了与实况的差异(图略)。
GFS_1420试验0—9小时的逐时模拟中，除降水偏强位置偏北螺旋雨带移动过快外，其对降水区形态的模拟与实况相近，从第10小时开始，模拟降水区形态与实况差异明显加大。台风向北移速偏快、台风结构过早松散是该试验的最大缺点，分析初始风场分布可知，14日20时，反演风(图 18a)与GFS分析风(图 18b)在海洋及沿岸地区差异明显，特别是台风大风轴：GFS分析风台风中心环流的北侧为大风轴，最大风速达65 m/s，而反演风在相同区域风速仅为40 m/s左右。从该时刻反演风与厦门探空秒级测风数据比较可知(图 6a)，反演风风向平均绝对误差为4.03°、风速平均绝对误差仅为0.62 m/s，由此可以推断GFS分析的大风轴风速显著偏大，导致对照试验积分过程中台风向北移动过快，不准确的台风风场初始结构导致积分过程中台风结构快速受到破坏。增加反演风场资料同化后，能够在一定程度上改善数值预报结果，但却无法从根本上改变基于背景场得到的预报结果。背景场与真实大气的契合度是决定数值预报成败的关键因素。
|
| 图 18 2016年9月14日20时3500 m高度双雷达反演(a)及3658 m高度GFS分析(b)风场(风矢，单位：m/s)和风速大小(色阶，单位：m/s) Fig. 18 Wind fields (vectors, unit: m/s) and their magnitudes (shaded, unit: m/s) from dual-radar retrievals at 3500 m (a) and GFS analysis at 3658 m (b) at 20:00 BT 14 September 2016 |
从Radar_1420减GFS_1420试验逐时累计降水TS评分差值堆积柱状图(图 19)分布可见，在12 h预报时效内，Radar_1420试验逐时降水TS评分普遍高于GFS_1420试验，仅在模式积分第3、第7及第8小时预报的1 h累计降水TS评分低于GFS_1420试验，且集中于26 mm以下的降水阈值。总体而言，Radar_1420试验对1 h累计降水TS评分改进极为明显，特别是26—67 mm的强降水。
|
| 图 19 Radar_1420与GFS_1420试验1—12 h预报时效内逐时累计降水TS评分差值 Fig. 19 The stack histogram of threat score differences for hourly accumulated precipitation between Exp Radar_1502 and GFS_1502 during the forecast valid time of 1-12 h |
从空间相关上来看，Radar_1420试验仅除第3及第7小时预报的1 h降水空间相关低于GFS_1420试验外，其余10个时次的小时累计降水空间相关均大于GFS_1420试验(图略)，与TS评分结论一致。
6.2.3 台风路径与强度台风路径误差在模式积分前6小时，风场同化试验有极大的改善，6 h内平均台风路径误差由32.5 km减小为18 km。但从第7小时以后，风场同化试验的台风路径预报不及对照试验(图略)。两个试验对最低海平面气压(图 13a)和台风中心最大风速(图 13b)模拟虽略有差异，但差异不大，总体上Radar_1420试验略优。
6.3 9月14日14时起报试验 6.3.1 地面风场与逐时降水GFS_1414试验对此次台风降水模拟结果较好，不仅成功模拟出台风登陆前5—6小时福建东部沿海盛行东北风，台风登陆前4小时厦-漳-泉一带出现具有气旋式结构特征的风场，并在之后气旋式风场逐渐增强北移的特征，而且成功模拟出台风登陆后位于厦-漳-泉的台风内核雨带及连江至宁德一带的螺旋雨带，两条雨带的分布形态、范围、位置、强度(图 20b、e、h)均与实况(图 20a、d、g)有较好的对应。不足在于台风内核雨带向西移动缓慢，至15日08时，台风涡旋中心比实况偏东约0.5°；此外，向北移动也略慢于实况约0.1°。
|
| 图 20 观测(a、d、g)、试验GFS_1414(b、e、h)和Radar_1414(c、f、i)模拟的2016年9月15日03时(a、b、c)、04时(d、e、f)、05时(g、h、i)1 h累计降水(色阶，单位：mm)及地面风场(风矢) Fig. 20 Hourly surface rainfall (shaded, unit: mm) and wind fields (vectors) observed (a, d, g) and simulated by Exp GFS_1414 (b, e, h) and Radar_1414 (c, f, i) at 03:00 (a, b, c), 04:00 (d, e, f) and 05:00 (g, h, i) BT 15 September 2016 |
试验Radar_1414与GFS_1414模拟的7—18 h时效(即14日20时—15日08时)逐时地面风场与降水分布的大体特征近似，均较好地模拟出此次台风降水过程的主要特征。与前两个起报时刻的有、无同化对比试验组结论一致，在14日14时起报试验组，增加了反演风场同化的Radar_1414试验模拟结果也有明显改善，主要体现在以下两方面：(1)反演风场同化对连江至宁德螺旋雨带结构及其雨强的模拟有明显改善；(2)对照试验台风涡旋中心向北移动略微缓慢，该情况在风场同化试验中得到明显改善，涡旋中心向北移动速度与实况一致。但同样的，该时刻的风场同化试验也无法对对照试验中存在的最大问题——台风向西移动缓慢进行有效改善。
6.3.2 降水TS评分与空间相关从逐时累计降水的TS评分来看，在模式积分的7—24 h时效内(1—6 h时效内实况降水很小)，尽管有个别时效1 h累计降水TS评分Radar_1414试验略低于GFS_1414，但从逐时降水TS评分差值堆积柱状图(图 21)明显可见，大多数时效内Radar_1414试验TS评分明显高于GFS_1414试验。从1 h累计降水空间分布来看(图 22)，Radar_1414试验除了模式积分第8、12、13、14及16小时的1 h累计降水空间相关低于GFS_1414试验外，其余13个时效均好于GFS_1414试验。
|
| 图 21 Radar_1414与GFS_1414试验7—24 h预报时效内逐时累计降水TS评分差值 Fig. 21 The stack histogram of threat score differences for hourly accumulated precipitation between Exp Radar_1414 and GFS_1414 during the forecast valid time of 7-24 h |
|
| 图 22 试验GFS_1414和Radar_1414模拟与观测逐时累计降水空间相关系数及其差值分布(Radar_1414减GFS_1414) Fig. 22 Spatial correlation coefficients and their differences for hourly accumulated precipitation from observations and simulations of Exp GFS_1414 and Radar_1414 |
台风路径误差在模式积分前4小时，风场同化试验有所改善，但从第5小时以后，风场同化试验的台风路径预报不及GFS_1414试验(图略)。对最低海平面气压(图 13a)和台风中心最大风速模拟(图 13b)两者有差异，逐时模拟GFS_1414和Radar_1414试验各有优劣，总体上GFS_1414试验略优。
以上3组不同起报时刻有、无风场同化对比试验结果均表明：增加反演风场资料同化后，对2016年登陆台风“莫兰蒂”引起的福建境内地面风场和台风内核雨带、螺旋雨带逐时分布演变的数值模拟均有明显正效果，且正效果可以维持到模式积分24 h。对台风路径的正影响主要在前6小时，对台风强度的影响则不明显。
6.4 不同起报时刻预报试验GFS_1502、GFS_1420、GFS_1414是不同起报时刻数值试验组。3个试验在一定程度上模拟出了9月15日03—08时福建境内台风内核雨带与螺旋雨带，但与实况均存在一定偏差。具体而言，15日02时起报试验，由于起转需要一定的时间，在第1小时仅模拟出台风内核雨带，从第3小时才开始模拟出螺旋雨带，但台风降水整体略偏北偏东，螺旋雨带上的降水强度明显偏弱；14日20时起报试验，台风内核雨带强度偏弱位置偏北，且与螺旋雨带间距离明显偏大，模拟台风结构在登陆后快速松散；14日14时起报试验，成功模拟出福建境内与实况强度相近的台风内核雨带与螺旋雨带，且台风结构保持完整，不足在于台风向西向北移动较实况偏慢。总体而言，3个试验模拟的台风内核雨带和螺旋雨带差异显著，其中14日14时起报试验最为成功，而14日20时起报试验最不理想，这与该时刻GFS分析初始风场与实况差异较大、台风大风轴风速明显偏大有关。15日03—08时3个试验逐时降水空间相关系数的分析(图 23)以及台风路径(图略)和台风强度(图 13)的模拟均表现出这一特征。
|
| 图 23 试验GFS_1502、GFS_1420及GFS_1414模拟与观测的2016年9月15日03—08时逐时累计降水空间相关系数分布 Fig. 23 Spatial correlation coefficients between hourly accumulated precipitation from observations and simulations of Exp GFS_1502, GFS_1420 and GFS_1414 during the period from 03:00 to 08:00 BT 15 September 2016 |
注意到，图 13所示的14日14时起报试验中，初始时刻最低海平面气压明显大于实况(相差67 hPa)，但台风附近最大风速与实况相差不大(大于实况5 m/s)，模式积分1小时后，通过风压关系调整，最低海平面气压迅速调整到与实况接近的程度(仅相差2 hPa)。在此后2—18小时模拟中，最低海平面气压与台风附近最大风速均与实况比较接近。14日20时起报试验也表现出类似特征，初始时刻台风附近最大风速与实况也相差不大(小于实况5 m/s)，积分1小时后，最低海平面气压也有较大调整，与实况的差异也有所减小(由初始时刻相差61 hPa调整到1小时后相差30 hPa)，但调整幅度不及14日14时起报试验。15日02时起报试验中，因为初始时刻台风附近最大风速比实况弱得多，因此积分后无法对最低海平面气压远大于实况的情况进行有效调整。以上分析表明，初始场对台风中心最低海平面气压描述的偏差，可以通过对台风附近最大风速的准确描述，进而通过风压关系快速得到调整，从而对台风强度模拟产生至关重要的影响。
7 结论与讨论利用龙岩、漳州、泉州新一代多普勒天气雷达和厦门海沧双偏振雷达探测基数据，采用动态地球坐标系下的双雷达三维风场反演与拼图技术，基于WRF模式及其资料同化系统，对登陆台风“莫兰蒂”(1614)引起的2016年9月14—15日福建强降水过程进行了双雷达风场反演拼图资料检验及其三维变分同化对强降水精细预报影响的数值试验，得到以下主要结论：
(1) 动态地球坐标系下双雷达反演风场能合理反映实际风场分布状况，其误差相对较小。“莫兰蒂”台风登陆期间共14个时次的反演风与风廓线雷达观测数据检验表明，反演风风向平均绝对误差为7.8°，风速平均绝对误差为2.6 m/s。与厦门探空秒级测风数据相比，反演风风向平均绝对误差为3.4°，风速平均绝对误差为1.1 m/s。
(2) 反演风场水平方向稀疏化对同化及预报结果极为重要，过密的反演风场资料会给同化及预报结果带来明显负效果。文中采用18、6、2 km 3重嵌套，在3重嵌套区域均进行同化以及仅在2 km区域进行同化两种情况下，均表现为当反演风场资料水平分辨率提高到0.1°时，同化分析及预报的台风环流开始受到负影响；且反演风场资料水平分辨率越高，负效果越明显。敏感性试验结果显示，本试验中分辨率取0.2°时数值预报效果最好。
(3) 以GFS 0.5°×0.5°分析场为初值，基于3个不同起报时刻(9月14日14时、20时及15日02时)，模拟15日03—08时福建境内地面风场和台风内核雨带、螺旋雨带、台风路径和强度逐时演变，发现不同起报时刻台风内核雨带和螺旋雨带、逐时降水TS评分和空间相关、台风路径和强度模拟差异显著，其中14日14时起报试验预报效果最好；而14日20时起报试验预报效果最差，这与该试验初始台风大风轴风速明显偏大有关。
(4) 在上述3个不同起报时刻试验基础上，分别增加雷达反演风场资料的三维变分同化后，福建境内地面风场和台风内核雨带、螺旋雨带逐时分布、逐时降水TS评分和空间相关、台风环流结构以及U、V风垂直廓线分布均有明显改善，最大正影响时效可达24 h；但仅对1—6 h时效内台风路径有所改善。
需要指出的是，由于所用雷达资料有限，因而反演的台风环流风场资料有限，如图 4a所示14日20时反演的台风风场环流结构并不完整，反演风场数据集中在台风环流的左半象限。仅对台风一侧环流进行同化是否会对预报结果产生不可忽视的影响？对完整的台风环流进行同化对模拟效果是否能取得更积极的影响？这需要进一步开展数值试验进行探讨。
此外，鉴于篇幅所限，文中主要探讨了地球坐标系下双雷达风场反演技术获得的水平风的精度检验及反演风同化对一次超强登陆台风引起的强降水过程数值模拟的影响，未涉及雷达径向风反演同化与直接同化的对比研究，而两者同化方案、稀疏化方案及多个例同化效果的详细比较，对今后业务中选择何种雷达径向风同化方案具有重要意义，尚需进一步探讨。
| 陈锋, 冀春晓, 董美莹, 等. 2012. 雷达径向风速同化对台风麦莎模拟的影响. 气象, 38(10): 1170–1181. Chen F, Ji C X, Dong M Y, et al. 2012. The effects of radar radial velocity data assimilation on the simulation of typhoon Matsa. Meteor Mon, 38(10): 1170–1181. DOI:10.7519/j.issn.1000-0526.2012.10.002 (in Chinese) |
| 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, 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) |
| 顾建峰, 颜宏, 薛纪善等. 2006.多普勒雷达资料三维变分直接同化方法研究.北京: 中国气象科学研究院, 233pp. Gu J F, Yan H, Xue J S, et al. 2006. A Study on the Methodology of Direct Three-dimensional Variational Assimilation of Doppler Radar Data. Beijing: Chinese Academy of Meteorological Sciences, 233pp (in Chinese) |
| 韩颂雨, 罗昌荣, 魏鸣, 等. 2017. 三雷达、双雷达反演降雹超级单体风暴三维风场结构特征研究. 气象学报, 75(5): 757–770. Han S Y, Luo C R, Wei M, et al. 2017. Research on three-dimensional wind field structure characteristic of hail supercell storm by dual-and triple-Doppler radar retrieval. Acta Meteor Sinica, 75(5): 757–770. (in Chinese) |
| 姜海燕, 葛润生. 1997. 一种新的单部多普勒雷达反演技术. 应用气象学报, 8(2): 219–223. Jiang H Y, Ge R S. 1997. A new retrieval technique for single-Doppler radar. J Appl Meteor Sci, 8(2): 219–223. (in Chinese) |
| 李柏, 张沛源. 2005.多普勒天气雷达资料分析及同化在暴雨中尺度天气系统数值模拟中的应用研究.北京: 中国气象科学研究院, 168pp. Li B, Zhang P Y. 2005. Application research of Doppler weather radar data analysis and assimilation in mesoscale synoptic system numerical simulation. Beijing: Chinese Academy of Meteorological Sciences, 168pp (in Chinese) |
| 李红莉, 王叶红. 2007. 单多普勒雷达资料在伴随模式同化系统中的应用研究. 暴雨灾害, 26(3): 211–216. Li H L, Wang Y H. 2007. A study of single-Doppler data assimilation in adjoint-model assimilation system. Torrent Rain Dis, 26(3): 211–216. DOI:10.3969/j.issn.1004-9045.2007.03.004 (in Chinese) |
| 李华宏, 薛纪善, 王曼, 等. 2007. 多普勒雷达风廓线的反演及变分同化试验. 应用气象学报, 18(1): 50–57. Li H H, Xue J S, Wang M, et al. 2007. The retrieval and variational assimilation experiment on wind profile of Doppler radar. J Appl Meteor Sci, 18(1): 50–57. DOI:10.3969/j.issn.1001-7313.2007.01.007 (in Chinese) |
| 李媛, 刘健文, 董佩明, 等. 2011. GRAPES 3DVAR雷达资料直接同化对江淮暴雨数值预报影响的分析研究. 气象, 37(4): 403–411. Li Y, Liu J W, Dong P M, et al. 2011. Analysis of the impact of radar data assimilation on the numerical forecast of Jianghuai rainstorm by using GRAPES-3Dvar. Meteor Mon, 37(4): 403–411. (in Chinese) |
| 刘红亚, 薛纪善, 顾建峰, 等. 2010. 三维变分同化雷达资料暴雨个例试验. 气象学报, 68(6): 779–789. Liu H Y, Xue J S, Gu J F, et al. 2010. GRAPES 3DVAR radar data assimilation and numerical simulation experiments with a torrential rain case. Acta Meteor Sinica, 68(6): 779–789. (in Chinese) |
| 刘黎平. 2003. 用双多普勒雷达反演降水系统三维风场试验研究. 应用气象学报, 14(4): 502–504. Liu L P. 2003. Experimental research on retrieving three-dimensional wind fields of precipitation system with dual-Doppler radar data. J Appl Meteor Sci, 14(4): 502–504. DOI:10.3969/j.issn.1001-7313.2003.04.016 (in Chinese) |
| 刘黎平, 张沛源, 梁海河, 等. 2003. 双多普勒雷达风场反演误差和资料的质量控制. 应用气象学报, 14(1): 17–29. Liu L P, Zhang P Y, Liang H H, et al. 2003. Error estimation in wind fields derived from dual-Doppler radar and data quality control. J Appl Meteor Sci, 14(1): 17–29. DOI:10.3969/j.issn.1001-7313.2003.01.003 (in Chinese) |
| 刘莲, 陈明轩, 王迎春. 2016. 基于雷达资料四维变分同化及云模式的中尺度对流系统数值临近预报试验. 气象学报, 74(2): 213–228. Liu L, Chen M X, Wang Y C. 2016. Numerical nowcasting experiments for the simulation of a mesoscale convective system using a cloud model and radar data assimilation with 4DVar. Acta Meteor Sinica, 74(2): 213–228. (in Chinese) |
| 刘青松, 董海萍, 郭卫东, 等. 2010. 多普勒雷达资料的直接同化对降雨预报的影响. 暴雨灾害, 29(2): 122–128. Liu Q S, Dong H P, Guo W D, et al. 2010. Impacts of the direct assimilation of Doppler radar data on the rainfall forecast. Torrent Rain Dis, 29(2): 122–128. DOI:10.3969/j.issn.1004-9045.2010.02.004 (in Chinese) |
| 罗昌荣, 孙照渤, 魏鸣, 等. 2011. 单多普勒雷达反演热带气旋近中心风场的VAP扩展应用方法. 气象学报, 69(1): 170–180. Luo C R, Sun Z B, Wei M, et al. 2011. An extended application of the VAP method for wind field retrieval near the tropical cyclone center with single Doppler radar data. Acta Meteor Sinica, 69(1): 170–180. (in Chinese) |
| 罗昌荣, 池艳珍, 周海光. 2012. 双雷达反演台风外围强带状回波风场结构特征研究. 大气科学, 36(2): 247–258. Luo C R, Chi Y Z, Zhou H G. 2012. Characteristics of 3-D wind structure of typhoon outer intensive banded echo using dual-Doppler weather radar data. Chinese J Atmos Sci, 36(2): 247–258. (in Chinese) |
| 马清云, 李泽椿, 陶士伟. 2001. 单部多普勒天气雷达风场反演及其在数值预报中的应用试验. 应用气象学报, 12(4): 488–493. Ma Q Y, Li Z C, Tao S W. 2001. Wind-field retrieval through single Doppler weather radar and its application to NWP. J Appl Meteor Sci, 12(4): 488–493. DOI:10.3969/j.issn.1001-7313.2001.04.011 (in Chinese) |
| 闵锦忠, 彭霞云, 赖安伟, 等. 2007. 反演同化和直接同化多普勒雷达径向风的对比试验. 南京气象学院学报, 30(6): 745–754. Min J Z, Peng X Y, Lai A W, et al. 2007. Contrast experiments of Doppler radar radial velocity using retrieval and direct assimilation. J Nanjing Institute Meteor, 30(6): 745–754. DOI:10.3969/j.issn.1674-7097.2007.06.004 (in Chinese) |
| 乔小湜, 闵锦忠, 王世璋. 2016. 集合卡尔曼滤波同化中雷达位置的敏感性研究. 气象学报, 74(5): 796–814. Qiao X S, Min J Z, Wang S Z. 2016. A sensitivity study of radar location in data assimilation using the ensemble Kalman filter. Acta Meteor Sinica, 74(5): 796–814. (in Chinese) |
| 邱崇践, XuQ. 1996. 由单Doppler雷达资料反演水平风场的简单共轭函数的改进方案. 应用气象学报, 7(4): 421–430. Qiu C J, Xu Q. 1996. An improvement on the simple conjugate method for retrieving the wind fields from single-Doppler data. J Appl Meteor Sci, 7(4): 421–430. (in Chinese) |
| 邱崇践, 余金香, QinXu. 2000. 多普勒雷达资料对中尺度系统短期预报的改进. 气象学报, 58(2): 244–249. Qiu C J, Yu J X, Xu Q. 2000. Use of Doppler-radar data in improving short-term prediction of mesoscale weather. Acta Meteor Sinica, 58(2): 244–249. DOI:10.3321/j.issn:0577-6619.2000.02.012 (in Chinese) |
| 陶祖钰. 1992. 从单Doppler速度场反演风矢量场的VAP方法. 气象学报, 50(1): 81–90. Tao Z Y. 1992. The VAP method to retrieve the wind vector field based on single-Doppler velocity field. Acta Meteor Sinica, 50(1): 81–90. DOI:10.3321/j.issn:0577-6619.1992.01.009 (in Chinese) |
| 万齐林, 薛纪善, 庄世宇. 2005. 多普勒雷达风场信息变分同化的试验研究. 气象学报, 63(2): 129–145. Wan Q L, Xue J S, Zhuang S Y. 2005. Study on the variational assimilation technique for the retrieval of wind fields from Doppler radar data. Acta Meteor Sinica, 63(2): 129–145. (in Chinese) |
| 王洪, 万齐林, 尹金方, 等. 2016. 双线偏振雷达资料在数值模式中的应用:模拟器的构建. 气象学报, 74(2): 229–243. Wang H, Wan Q L, Yin J F, et al. 2016. Application of the dual-polarization radar data in numerical modeling studies:Construction of the simulator. Acta Meteor Sinica, 74(2): 229–243. (in Chinese) |
| 王明筠, 赵坤, 吴丹. 2010. T-TREC方法反演登陆中国台风风场结构. 气象学报, 68(1): 114–124. Wang M J, Zhao K, Wu D. 2010. The T-TREC technique for retrieving the winds of landfalling typhoon in China. Acta Meteor Sinica, 68(1): 114–124. (in Chinese) |
| 王叶红, 赵玉春, 崔春光. 2006. 多普勒雷达估算降水和反演风在不同初值方案下对降水预报影响的数值研究. 气象学报, 64(4): 485–499. Wang Y H, Zhao Y C, Cui C G. 2006. Numerical research on effects upon precipitation forecast of Doppler-radar estimated precipitation and retrieved wind field under different model initial schemes. Acta Meteor Sinica, 64(4): 485–499. DOI:10.3321/j.issn:0577-6619.2006.04.009 (in Chinese) |
| 王叶红, 赵玉春, 张兵, 等. 2008. "7·8"特大暴雨过程雷达风场资料的三维变分同化. 气象科学, 28(3): 301–307. Wang Y H, Zhao Y C, Zhang B, et al. 2008. On the three-dimensional variational assimilation of Doppler-radar retrieved wind field related to catastrophic torrential rain on July 8, 2003. Scientia Meteor Sinica, 28(3): 301–307. DOI:10.3969/j.issn.1009-0827.2008.03.011 (in Chinese) |
| 许小永, 刘黎平, 郑国光. 2006. 集合卡尔曼滤波同化多普勒雷达资料的数值试验. 大气科学, 30(4): 712–728. Xu X Y, Liu L P, Zheng G G. 2006. Numerical experiment of assimilation of Doppler radar data with an ensemble kalman filter. Chinese J Atmos Sci, 30(4): 712–728. DOI:10.3878/j.issn.1006-9895.2006.04.16 (in Chinese) |
| 杨丽丽, 王莹, 杨毅. 2016. 利用WRF 3D-Var同化多普勒雷达反演风场试验研究. 冰川冻土, 38(1): 107–114. Yang L L, Wang Y, Yang Y. 2016. The study of using WRF 3D-Var to assimilate the retrieval wind fields from Doppler radar data. J Glaciology Geocryology, 38(1): 107–114. (in Chinese) |
| 杨艳蓉, 王振会, 周海光, 等. 2009. 双多普勒雷达风场反演资料的同化应用试验. 大气科学学报, 32(4): 553–557. Yang Y R, Wang Z H, Zhou H G, et al. 2009. Assimilation experiments with dual-Doppler wind field retrieval data. Trans Atmos Sci, 32(4): 553–557. DOI:10.3969/j.issn.1674-7097.2009.04.012 (in Chinese) |
| 杨毅, 邱崇践, 龚建东, 等. 2007. 同化多普勒雷达风资料的两种方法比较. 高原气象, 26(3): 547–555. Yang Y, Qiu C J, Gong J D, et al. 2007. Comparison of two methods of assimilating Doppler radar wind data. Plateau Meteor, 26(3): 547–555. DOI:10.3321/j.issn:1000-0534.2007.03.016 (in Chinese) |
| 张林, 倪允琪. 2006. 雷达径向风资料的四维变分同化试验. 大气科学, 30(3): 433–440. Zhang L, Ni Y Q. 2006. Four-dimensional variational data assimilation of radar radial velocity observations. Chinese J Atmos Sci, 30(3): 433–440. DOI:10.3878/j.issn.1006-9895.2006.03.07 (in Chinese) |
| 张沛源, 周海光, 胡绍萍. 2002. 双多普勒天气雷达风场探测的可靠性研究. 应用气象学报, 13(4): 485–496. Zhang P Y, Zhou H G, Hu S P. 2002. Reliability study of determining wind with dual-Doppler radars. J Appl Meteor Sci, 13(4): 485–496. DOI:10.3969/j.issn.1001-7313.2002.04.012 (in Chinese) |
| 张亦洲, 苗世光, 陈明轩. 2017. 雷达热动力反演资料的高分辨率同化模拟试验. 气象学报, 75(1): 165–177. Zhang Y Z, Miao S G, Chen M X. 2017. Numerical experiments on assimilation of high-resolution radar thermodynamic data. Acta Meteor Sinica, 75(1): 165–177. (in Chinese) |
| 赵玉春, 王叶红, 陈健康, 等. 2018. 莫兰蒂台风(2016)登陆前后精细结构及其引发福建特大暴雨的模拟研究. 暴雨灾害, 37(2): 135–148. Zhao Y C, Wang Y H, Chen J K, et al. 2018. Numerical investigation on detailed structure of Typhoon "Meranti" (2016) and extreme heavy rainfall event induced by it before and after landfall in Fujian. Torrent Rain Dis, 37(2): 135–148. DOI:10.3969/j.issn.1004-9045.2018.02.005 (in Chinese) |
| 周海光, 张沛源. 2002. 笛卡儿坐标系的双多普勒天气雷达三维风场反演技术. 气象学报, 60(5): 585–593. Zhou H G, Zhang P Y. 2002. A new technique of recovering three-dimensional wind fields from simulated dual-Doppler radar data in the Cartesian space. Acta Meteor Sinica, 60(5): 585–593. DOI:10.3321/j.issn:0577-6619.2002.05.009 (in Chinese) |
| 周海光, 张沛源. 2005. 一次局地大暴雨三维风场的双多普勒雷达探测研究. 大气科学, 29(3): 372–386. Zhou H G, Zhang P Y. 2005. A study of the 3D wind of heavy rain with dual-Doppler radar. Chinese J Atmos Sci, 29(3): 372–386. DOI:10.3878/j.issn.1006-9895.2005.03.05 (in Chinese) |
| 周振波, 闵锦忠, 彭霞云, 等. 2006. 单多普勒雷达风场反演的扩展VAP方法(I):方法与对比试验. 高原气象, 25(3): 516–524. Zhou Z B, Min J Z, Peng X Y, et al. 2006. Extended-VAP method for retrieving wind field from single-Doppler radar (I):Methods and contrast experiment. Plateau Meteor, 25(3): 516–524. DOI:10.3321/j.issn:1000-0534.2006.03.020 (in Chinese) |
| Browning K A, Wexler R. 1968. The determination of kinematic properties of a wind field using Doppler radar. J Appl Meteor, 7(1): 105–113. DOI:10.1175/1520-0450(1968)007<0105:TDOKPO>2.0.CO;2 |
| Chen X M, Zhao K, Lee W C, et al. 2013. The improvement to the environmental wind and tropical cyclone circulation retrievals with the modified GBVTD (MGBVTD) technique. J Appl Meteorol Clim, 52(11): 2493–2508. DOI:10.1175/JAMC-D-13-031.1 |
| Doviak R J, Ray P S, Strauch R G, et al. 1976. Error estimation in wind fields derived from dual-Doppler radar measurement. J Appl Meteor, 15(8): 868–878. DOI:10.1175/1520-0450(1976)015<0868:EEIWFD>2.0.CO;2 |
| Gal-Chen T. 1978. A method for the initialization of the anelastic equations:Implication for matching models with observations. Mon Wea Rev, 106(5): 587–606. DOI:10.1175/1520-0493(1978)106<0587:AMFTIO>2.0.CO;2 |
| Gao J D, Xue M, Shapiro A, et al. 1999. A variational method for the analysis of three- dimensional wind fields from two Doppler radars. Mon Wea Rev, 127(9): 2128–2142. DOI:10.1175/1520-0493(1999)127<2128:AVMFTA>2.0.CO;2 |
| Gao J D, Xue M, Shapiro A, et al. 2001. Three- dimensional simple adjoint velocity retrievals from single-Doppler radar. J Atmos Ocean Technol, 18(1): 26–38. DOI:10.1175/1520-0426(2001)018<0026:TDSAVR>2.0.CO;2 |
| Gao J D, Xue M, Brewster K, et al. 2004. A three- dimensional variational data analysis method with recursive for Doppler radars. J Atmos Ocean Technol, 21(3): 457–469. DOI:10.1175/1520-0426(2004)021<0457:ATVDAM>2.0.CO;2 |
| Kong F Y, Mao J T. 1994. A model study of three-dimensional wind field analysis from dual-Doppler radar data. Adv Atmos Sci, 11(2): 162–174. DOI:10.1007/BF02666543 |
| Lee W C, Jou J D, Chang P L, et al. 1999. Tropical cyclone kinematic structure retrieved from single-Doppler radar observations. PartⅠ:Interpretation of Doppler velocity patterns and the GBVTD technique. Mon Wea Rev, 127(10): 2419–2439. |
| Lhermitte R M, Atlas D. 1961. Precipitation motion by pulse Doppler radar//Preprints, Proceeding of 9th Weather Radar Conference. Boston: Amer Meteor Soc, 218 -223 |
| Li W, Xie Y F, Deng S M, et al. 2010. Application of the multigrid method to the two-dimensional Doppler radar radial velocity data assimilation. J Atmos Ocean Technol, 27(2): 319–332. DOI:10.1175/2009JTECHA1271.1 |
| Li X, Ming J, Wang Y, et al. 2013. Assimilation of T-TREC-retrieved wind data with WRF 3DVAR for the short-term forecasting of typhoon Meranti (2010) near landfall. J Geophys Res, 118(18): 10361–10375. |
| Li X, Ming J, Xue M, et al. 2015. Implementation of a dynamic equation constraint based on the steady state moment equations within the WRF hybrid ensemble-3DVar data assimilation system and test with radar T-TREC wind assimilation for tropical cyclone Chanthu (2010). J Geophys Res, 120(9): 4017–4039. |
| Lindskog M, Salonen K, Jarvinen H, et al. 2004. Doppler radar wind data assimilation with HIRLAM 3DVAR. Mon Wea Rev, 132(5): 1081–1092. DOI:10.1175/1520-0493(2004)132<1081:DRWDAW>2.0.CO;2 |
| Qiu C J, Xu Q. 1992. A simple adjoint method of wind analysis for single-Doppler radar data. J Atmos Ocean Technol, 9(5): 588–598. DOI:10.1175/1520-0426(1992)009<0588:ASAMOW>2.0.CO;2 |
| Qiu C J, Xu Q. 1994. A spectral simple adjoint method for retrieving low-altitude winds from single Doppler radar data. J Atmos Ocean Technol, 11(4): 927–936. DOI:10.1175/1520-0426(1994)011<0927:ASSAMF>2.0.CO;2 |
| Qiu C J, Shao A M, Liu S, et al. 2006. A two-step variational method for three-dimensional wind retrieval from single Doppler radar. Meteor Atmos Phys, 91(1): 1–8. |
| Ray P S, Ziegler C L, Bumgarner W, et al. 1980. Single-and multiple-Doppler radar observations of tornadic storms. Mon Wea Rev, 108(10): 1607–1625. DOI:10.1175/1520-0493(1980)108<1607:SAMDRO>2.0.CO;2 |
| Rihan F A, Collier C G, Ballard S P, et al. 2008. Assimilation of Doppler radial winds into a 3D-Var system:Errors and impact of radial velocities on the variational analysis and model forecasts. Quart J Roy Meteor Soc, 134(636): 1701–1716. DOI:10.1002/qj.326 |
| Salonen K. 2002. Observation operator for Doppler radar radial winds in HIRLAM 3Dvar//Proceedings, Radar Meteorology. Radar Meteorology (ERAD): 405-408 |
| Shapiro A, et al. 1996. Initial forecast fields created from single-Doppler wind retrieval, thermodynamic retrieval and ADAS//Preprints, 11th Conf. on NWP Amer Meteor Soc, 5A.7 |
| Sun J Z, Flicher D, Lilly D. 1991. Recovery of three-dimensional wind and temperature fields from single-Doppler radar data. J Atmos Sci, 48(6): 876–890. DOI:10.1175/1520-0469(1991)048<0876:ROTDWA>2.0.CO;2 |
| Sun J Z, Crook N A. 1994. Wind and thermodynamic retrieval from single-Doppler measurements of a gust front observed during Phoenix Ⅱ. Mon Wea Rev, 122(6): 1075–1091. DOI:10.1175/1520-0493(1994)122<1075:WATRFS>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: 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. Part Ⅱ:Retrieval experiments of an observed Florida convective storm. J Atmos Sci, 55: 835–852. DOI:10.1175/1520-0469(1998)055<0835:DAMRFD>2.0.CO;2 |
| Waldteufel P, Corbin H. 1979. On the analysis of single-Doppler radar data. J Appl Meteor, 18(4): 532–542. DOI:10.1175/1520-0450(1979)018<0532:OTAOSD>2.0.CO;2 |
| Wang M, Xue M, Zhao K, et al. 2014. Assimilation of T-TREC-retrieved winds from single-Doppler radar with an EnKF for the forecast of Typhoon Jangmi (2008). Mon Wea Rev, 142(5): 1892–1907. DOI:10.1175/MWR-D-13-00387.1 |
| William C S, JoSeptemberh B K, Jimy D, et al. 2005. A description of the advanced research WRF Version 2[R]. Boulder CO, NCAR Tech. Note NCAR/TN - 468 +STR, 88 |
| Wolfsberg D G. 1987. Retrieval of three dimensional wind and temperature fields from single-Doppler radar data. Oklahoma: University of Oklahoma |
| 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, Sun J Z. 2007. Multiple Radar data assimilation and short range quantitative precipitation forecasting of a squall line observed during I HOP_2002. Mon Wea Rev, 135(10): 3381–3404. DOI:10.1175/MWR3471.1 |
| Xu Q, Gu H, Yang S. 2001. Simple adjoint method for three-dimensional wind retrievals from single-Doppler radar. Quart J Roy Meteor Soc, 127(573): 1053–1067. DOI:10.1002/qj.49712757319 |
| Zhang F Q, Weng Y H, Sippe J A, et al. 2009. Cloud-resolving hurricane initialization and prediction through assimilation of Doppler radar observations with an ensemble Kalman filter. Mon Wea Rev, 137(7): 2105–2125. DOI:10.1175/2009MWR2645.1 |
| Zhao K, Li X, Xue M, et al. 2012a. Short-term forecasting through intermittent assimilation of data from Taiwan and mainland China coastal radars for typhoon Meranti (2010) at landfall. J Geophys Res, 117: D06108. DOI:10.1029/2011JD017109 |
| Zhao K, Xue M, Lee W C. 2012b. Assimilation of GBVTD-retrieved winds from single-Doppler radar for short-term forecasting of super typhoon Saomai (0608) at landfall. Quart J Roy Meteor Soc, 138(665): 1055–1071. DOI:10.1002/qj.975 |