2014, 25 (6): 654-668
GNSS (Global Navigation Satellite System) 无线电掩星 (GNSS/RO) 观测与现有的其他大气观测系统相比，具有观测精度高、不受云雨等天气影响、观测覆盖全球等优点[1-5]，已广泛应用于数值天气预报中[6-12]。GNSS/RO直接观测及其反演的大气资料的同化应用对全球数值预报模式分析精度和预报技巧提高具有重要作用[13-15]，近年我国学者在GNSS/RO资料的同化应用方面也取得了可喜的研究成果[14-16]。目前，中国气象局已实现GNSS/RO资料产品的业务化接收，产品包括：一级产品 (L1)，原始观测的位相和振幅以及卫星轨道和地面基站数据；二级产品 (L2)，弯角、折射率、反演的大气气压和温度及水汽等。
从理论上讲，选择何种级别的产品进行同化，总原则是用最少的计算量获得最高精度的分析结果。观测算子简单有利于节约计算量，同化原始观测资料有利于提高同化精度。直接同化弯角或折射率产品不需要精确地卫星轨道信息，不需要电离层模式和大气模式层顶以上的大气变量，其观测算子简单，计算量小[17]，故当前主要业务中心均采用局地观测算子同化弯角或折射率资料[13, 18-19]。但同化GNSS/RO反演的气压、温度和水汽资料也是一种可行的选择。研究发现，GNSS/RO反演的气压、温度和水汽与探空等精度较高的常规观测资料相比具有很高的精度和一致性[13, 20]，且其同化需要的观测算子非常简单，仅为简单插值，计算量非常小，故对GNSS/RO反演大气资料的同化也是值得尝试的内容。唐细坝等[14]实现了在GRAPES全球同化系统中同化GNSS/RO反演资料，连续循环试验表明：同化反演的气压、温度和水汽也可以获得较好的分析精度，并能够显著提高GRAPES全球模式的预报技巧。
GRAPES (Global/Regional Assimilation and PrEdiction System) 是我国自主研发的数值天气预报系统，已取得显著进步[21-31]。GRAPES区域模式 (GRAPES_Meso) 同化系统也已实现业务化，并取得了很好的业务预报效果[21]。当前，GRAPES_Meso同化系统的研发已有较大进展，实现了在模式面上的三维变分同化，预报技巧逐年提高，可同化的观测资料包括探空、飞机报、云导风、地面报、船舶报、地基GPS (Global Position System) 反演的大气可降水量和雷达风廓线等。上述GRAPES_Meso三维变分同化系统可同化的观测资料仍十分有限。增加GRAPES_Meso同化系统同化资料的数量是提高GRAPES_Meso预报技巧的重要途径。虽然目前GRAPES全球/区域一体化的变分同化系统实现了折射率的同化，并显著提高了GRAPES全球模式的预报技巧[15]，但GRAPES全球/区域一体化的变分同化系统还未应用于GRAPES_Meso系统并实现业务化，特别是将其应用于业务的GRAPES_Meso还有很多工作要做。因此，在GRAPES全球/区域一体化的变分同化系统应用于业务GRAPES_Meso预报系统前，为了快速提高GRAPES_Meso同化系统同化资料的数量，提高区域预报系统分析和预报的精度，增加GNSS/RO反演的大气资料的同化是一种快速有效方法，同时对研究GNSS无线掩星反演资料对分析和预报的影响具有重要意义。
本文在GRAPES_Meso同化系统中建立了同化GNSS/RO反演的气压和湿度廓线资料的观测算子，将GNSS/RO反演的大气气压和湿度廓线应用于GRAPES_Meso三维变分同化系统中，通过数值试验分析同化GNSS/RO反演的大气气压和湿度廓线对分析场和预报场的影响，实现了GNSS/RO反演资料在GRAPES_Meso业务同化系统中的应用，提高了GRAPES_Meso业务预报系统的预报技巧。
1 模式和资料本文采用中国气象局自主研发并已业务化的GRAPES_Meso同化预报系统[21-28]，模式为2013年中国气象局业务运行版本。模式和同化系统的水平分辨率均为0.15°×0.15°，水平方向共502×300个格点，垂直方向为32层，模式层顶约为10 hPa，模式模拟区域为东亚区域 (15°~64.35°N，70°~145.15°E)。
国家气象信息中心业务上接收并解码GNSS/RO观测资料的各级产品，主要包括弯角、折射率和反演的大气气压、温度、湿度廓线。本文同化其中的GNSS/RO反演的大气气压和湿度廓线。所有试验的背景场均采用美国NCEP提供的GFS全球模式6 h预报场。
EC-Interim (http://data-portal.ecmwf.int/data/ d/interim_full_daily) 是欧洲中期天气预报中心 (ECMWF) 的再分析资料，是ECMWF中期数值预报模式采用四维变分同化系统同化大量的观测资料，特别是各种卫星资料获得的，被认为是最接近大气真实状况的再分析场。因此，为了评估在同化原有资料基础上加入GNSS/RO反演的大气资料对GRAPES_Meso分析预报的影响，本文以EC-Interim再分析场作为参考，检验GRAPES区域模式分析和预报场的精度。EC-Interim的水平分辨率为0.75°×0.75°，垂直方向为37个等压面层，顶层为1 hPa。
2 观测算子及相关参数设置在已有的变分同化系统中，要实现一种新的观测资料的同化应用，在变分同化系统中需要3个方面工作：首先是建立观测算子及其切线性算子和伴随方程，其次是确定观测误差方差，另外要制定较好的质量控制方案。
GRAPES三维变分同化系统采用的是增量分析方案[32]，其目标函数表达式见文献[32]。
GRAPES三维变分同化系统采用流函数 (ψ)、势函数 (χ)、非平衡的Exner气压 (πu) 和比湿 (或相对湿度) 作为控制变量。
2.1 GNSS/RO反演资料的观测算子由于GNSS/RO反演大气资料是以高度为垂直坐标的大气温度、气压和湿度廓线，而GRAPES_Meso模式面 (量纲为1的高度垂直坐标) 三维变分同化系统中的控制变量也是非平衡的Enxer气压和湿度。因此，其观测算子仅为插值算子，包括水平插值和垂直插值。首先将模式变量从水平格点空间插值到观测点，然后将在观测点的模式变量插值到观测的垂直层次。水平方向上采用双线性插值方案，垂直方向采用三次样条插值方案。
2.2 观测误差新息增量法 (innovation vector method，简称H-L方法) 是Hollingsworth等[33]提出的一种利用观测和模式模拟之差 (新息增量) 统计背景误差协方差和观测误差协方差的方法，具有同时估计背景误差协方差和观测误差协方差、结果精度较高、代表性较好等优点。用H-L方法估计的观测误差包含了测量误差与代表性误差，可以直接应用于变分同化系统。H-L方法已被用来估计模式背景误差协方差的三维结构[34-35]和资料的观测误差[36]。
本文采用的观测误差方差为利用H-L方法估计COSMIC无线电掩星数据反演的大气资料的观测误差方差 (图 1)。
|
|
| 图 1. GNSS/RO反演的气压和相对湿度的观测误差 Fig 1. The observation error of pressure and relative humidity retrieved by GNSS/RO data | |
2.3 垂直稀疏化
由于GNSS/RO反演的大气资料的垂直分辨率为200 m，因此其观测误差在垂直方向上的相关不能忽略；同时，模式垂直分辨率相对较低，目前GRAPES_Meso模式的垂直分辨率平均约为1 km。由于以上两方面原因，需要对GNSS/RO反演资料进行垂直稀疏化，以减小观测之间的垂直相关，并去除垂直层高频观测对模式的影响。研究表明，中尺度数值模式同化系统中在GNSS/RO资料垂直方向的稀疏化对模式预报具有一定的正贡献[37]。目前，针对GNSS/RO观测常用的稀疏化方案主要有3种：一是选取与模式层最近的观测，二是选取模式层上下观测的平均，三是同等间隔采样。研究表明：第1种稀疏化方案具有较好的结果[37]，故本文采用第1种垂直稀疏化方案，即选取距离模式层最近的观测资料进行同化。
2.4 质量控制方案变分资料同化方法要求观测资料满足高斯分布，且其分析结果对质量差的资料非常敏感，因此，资料的质量控制是资料同化中的重要内容。该文首要目标是在业务上同化GNSS/RO反演的大气资料，增加GRAPES_Meso同化观测资料数量，提高GRAPES_Meso分析和预报场的精度，故暂时采用较简单有效的质量控制方法，即要求观测与背景场之差 (观测增量) 的绝对值小于n倍的观测误差方差。折射率反演的大气廓线资料在反演和传输过程中引入了很多不确定性，根据质量控制从严的原则，采用严格的质量控制标准，设n=2。根据经验，由于GNSS/RO观测资料在3~4 km高度以下受到大气水汽、信号的超折射等现象影响，精度较差，故系统仅同化高于地面3 km以上的数据。
2.5 个例试验为了验证观测算子正确性并检验GNSS/RO反演的大气资料对分析结果的影响，以2013年7月12日00:00(世界时，下同) 为例，只同化GNSS/RO反演的大气资料。2013年7月12日00:00在[-3 h, 3 h) 同化时间窗内，模式模拟区域内共有GNSS/RO反演的大气廓线36条。观测主要分布在40°N以北，特别是贝加尔湖西部地区 (图略)。
图 2是2013年7月12日00:00，同化GNSS/RO反演的大气资料的目标函数和其梯度范数随迭代次数的变化曲线，表明目标函数是收敛的，这验证了同化GNSS/RO反演的大气资料观测算子的正确性。
|
|
| 图 2. 2013年7月12日00:00同化GNSS/RO反演的大气气压和湿度的目标函数梯度范数和目标函数的收敛性 Fig 2. Variations of the gradient norm and the cost-function for background and observation part with the iteration number for assimilating the GNSS/RO retrieved pressure and relative humidity at 0000 UTC 12 July 2013 | |
2013年7月12日00:00仅同化GNSS/RO反演的大气廓线资料个例结果表明 (图略)，相比EC-Interim再分析场，除了30°N以南、110°E以西区域外，背景位势高度场偏低 (偏高) 的大部分区域，具有正 (负) 的分析增量。对于位势高度，相比背景场，分析场更接近EC-Interim再分析场，对于比湿场也具有相同的结果。说明同化GNSS/RO反演的大气资料的结果正确、合理，减小了模式初始场的误差，提高了模式初始场的精度。
3 批量试验及结果为了分析GNSS/RO反演的大气资料的同化对GRAPES_Meso分析和预报的影响，本文进行了1个月的对比试验，试验时间段为2013年7月1日00:00—2013年7月31日18:00，每6 h进行1次同化，均为冷启动，背景场为NCEP GFS 6 h预报场。两组试验包括：① 试验OPER：采用GRAPES_Meso业务系统，同化的资料包括探空、飞机报、地面报、船舶报、地基GPS反演的大气可降水量和雷达风廓线；② 试验GNSS：在OPER基础上增加了GNSS/RO反演的大气气压和湿度的同化，资料截取采用6 h的同化时间窗。
图 3给出了在GRAPES_Meso模拟区域内2013年7月1日00:00—31日18:00业务上接收的6 h同化时间窗的GNSS/RO各级产品廓线数量。2013年7月共接收到弯角廓线6399条，折射率廓线6174条，反演的大气资料廓线只有3640条，平均每6 h在模式区域中有约30条反演的大气资料廓线。由图 3可以看出，反演的大气廓线数量是弯角和折射率廓线数量的一半，明显偏少。分析发现，只有COSMIC星座、GRACE (Gravity Recovery and Climate Experiment) 卫星和高分辨率雷达卫星TerraSAR-X的无线电掩星数据在业务化系统提供了反演的大气廓线，而Metop-A/GRAS和Metop-B/GRAS等其他卫星的业务数据中未提供反演的大气廓线资料。
|
|
| 图 3. 2013年7月1日00:00—2013年7月31日18:00业务上接收的6 h同化时间窗的GRAPES_Meso模拟区域内GNSS/RO资料廓线数量 (a) 弯角，(b) 折射率，(c) 反演的大气廓线 Fig 3. Number of profiles of bending angle (a), refractivity (b), retrieved atmosphere pressure, temperature and humidity (c) for [-3 h, +3 h) observation window located in GRAPES_Meso simulated domain from 0000 UTC 1 July 2013 to 1800 UTC 31 July 2013 | |
分析试验GNSS中每天实际同化的GNSS/RO反演的大气数据的数量 (以标准气压为中心气压的大气层内总的数据量) 和质量控制剔除的资料数量 (图略)，同化的质量场 (Exner气压) 资料数量在100~300 hPa最多，同时质量控制剔除的资料量也较其他层次多。同化的湿度 (相对湿度) 资料数量在100~300 hPa最多，经质量控制被剔除的相对湿度资料在100~250 hPa最多，通过质量控制剔除的资料数量达到了总资料量的1/3。2013年7月15日以后，300~700 hPa资料数量明显增多。
为了分析GNSS/RO反演的大气资料同化在00:00, 12:00(探空观测多) 和06:00, 18:00(探空观测少) 分析时刻对GRAPES_Meso分析和预报的不同影响，分别讨论了00:00, 12:00和06:00, 18:00分析时刻的分析和预报结果。对比图 4a和图 4b可知，GRAPES_Meso分析后的气压场比背景场更接近GNSS/RO反演的气压场。对比图 4c和图 4d可知，GRAPES_Meso分析后的相对湿度比背景场更接近GNSS/RO反演的相对湿度场。表明同化GNSS/RO反演的气压和湿度合理。
|
|
| 图 4. 2013年7月00:00, 12:00分析时刻GNSS/RO反演的气压及相对湿度标准差 (a) 反演的气压与背景场偏差的标准差，(b) 反演的气压与分析场偏差的标准差，(c) 反演的相对湿度与背景场偏差的标准差，(d) 反演的相对湿度与分析场偏差的标准差 Fig 4. The standard deviation of retrieved pressure and relative humidity from GNSS/RO at analysis time of 0000 UTC and 1200 UTC in July 2013 (a) the standard deviation of difference between retrieved pressure and the background, (b) the standard deviation of difference between retrieved pressure and the analysis, (c) the standard deviation of difference between retrieved relative humidity and the background, (d) the standard deviation of difference between retrived relative humidity and the analysis | |
对比图 5a和图 5b可知，GRAPES_Meso分析后的气压场比背景场更接近GNSS/RO反演的气压场。对比图 5c和图 5d可知，GRAPES_Meso分析后的相对湿度比背景场更接近GNSS/RO反演的相对湿度场。表明在06:00, 18:00分析时刻，同化GNSS/RO反演的气压和湿度也是合理的。分别对比图 5b、图 5d和图 4b、图 4d发现，与00:00, 12:00分析时刻相比，06:00, 18:00分析时刻的分析场更接近GNSS/RO反演的大气资料。表明GNSS/RO反演的大气资料对06:00, 18:00分析场的影响比对00:00, 12:00要大，这是因为在06:00, 18:00分析时刻几乎没有探空资料。
|
|
| 图 5. 同图 4，但为06:00, 18:00分析时刻 Fig 5. The same as in Fig. 4, but for analysis time of 0600 UTC and 1800 UTC | |
为了分析GNSS/RO反演的大气资料同化对GRAPES_Meso模式分析场和预报场的影响，采用EC-Interim再分析资料作为参考，认为其能代表大气的真值，定义GRAPES_Meso背景场、分析场或预报场与EC-Interim再分析资料的平均距离
|
(1) |
称其为GRAPES_Meso背景场、分析场或预报场的均方根误差，这里也简称为 (近似) 背景误差、分析误差和预报误差。其中，xi, jg代表在水平格点位置 (i, j) GRAPES_Meso的某个大气变量 (如高度场) 的背景场、分析场或预报场的值，xi, jEC代表EC-Interim再分析场相应xi, jg的值；M, N分别代表在经向和纬向方向上GRAPES_Meso模拟区域内的格点数目，分别为502和300。
图 6a、图 6b分别为2013年7月00:00, 12:00分析时刻试验OPER和试验GNSS位势高度场和比湿场的分析误差。由图 6a可知，试验GNSS位势高度场的分析误差在200 hPa以上均小于试验OPER，在200 hPa以下有少部分时刻的分析误差大于试验OPER。由图 6b可知，试验GNSS比湿场的分析误差大约一半时刻小于试验OPER，另外一半时刻大于试验OPER的分析误差。图 6c是位势高度场月平均分析误差，可以看出，试验GNSS的位势高度场的月平均分析误差明显小于试验OPER；图 6d是比湿场月平均分析误差，可以看出，试验GNSS比湿场的分析误差与试验OPER基本相当，没有明显差别。
|
|
| 图 6. 2013年7月00:00, 12:00分析时刻试验OPER及试验GNSS的分析误差 (a) 位势高度分析误差, (b) 比湿分析误差, (c) 位势高度月平均分析误差, (d) 比湿月平均分析误差 (图 6a, 6b中彩色阴影表示试验OPER分析误差，等值线表示试验GNSS与试验OPER分析误差的偏差，网格填充区域表示试验GNSS的分析误差大于试验OPER) Fig 6. Variations of the analysis error for OPER and GNSS for analysis time of 0000 UTC and 1200 UTC in July 2013 (a) analysis error of geopotential height, (b) analysis error of specific humidity, (c) monthly mean analysis error of geopotential height, (d) monthly mean analysis error of specific humidity (in Fig. 6a and Fig. 6b, the shaded denotes the analysis error of experiment OPER, the contour denotes the analysis error difference of GNSS to OPER, the net denotes the error of GNSS lager than that of OPER) | |
由图 7a可知，06:00, 18:00分析时刻30~50 hPa层次，试验GNSS位势高度场分析误差多大于试验OPER；而其他层次上，试验GNSS位势高度场分析误差仅有小部分大于试验OPER。由图 7b可知，100 hPa以上，试验GNSS比湿场分析误差均小于试验OPER；而100 hPa以下, 与00:00, 12:00分析时刻的结果相似。由图 7c可知，试验GNSS位势高度场月平均分析误差除了30~50 hPa以外均明显小于试验OPER。对比图 7c和图 6c可知，00:00, 12:00分析时刻30~300 hPa层次两组试验分析误差均大于06:00, 18:00，具体原因还需进一步分析。图 7d表明，06:00, 18:00分析时刻试验GNSS比湿场月平均分析误差与试验OPER没有明显差别。
|
|
| 图 7. 同图 6，但为06:00, 18:00分析时刻 Fig 7. The same as in Fig. 6, but for analysis time of 0600 UTC and 1800 UTC | |
上述结果表明：同化GNSS/RO反演的气压和湿度后，明显提高了GRAPES_Meso位势高度分析场精度，而对湿度场影响不明显。总体上讲，增加GNSS/RO反演的大气资料同化减小了GRAPES_Meso初始场误差，有利于提高GARPES_Meso分析场精度。
图 8a、图 8b分别为00:00, 12:00分析时刻位势高度场24 h和48 h的预报误差，图 8c、图 8d分别为位势高度场的24 h和48 h预报误差月平均值。由图 8a可知，一半以上时刻的位势高度预报场，试验GNSS的预报误差较试验OPER偏小。由图 8c、图 8d可知，试验GNSS位势高度场24 h和48 h预报误差较试验OPER略小。06:00, 18:00分析时刻位势高度场24 h和48 h预报误差 (图略) 与图 8类似，但500 hPa以下，试验GNSS的预报误差普遍小于试验OPER，相对于00:00, 12:00分析时刻，06:00, 18:00分析时刻试验GNSS在500 hPa以下位势高度场平均预报误差减小更明显。即同化GNSS/RO反演的大气资料在06:00, 18:00分析时刻对预报的影响更明显。
|
|
| 图 8. 2013年7月00:00, 12:00分析时刻位势高度场24 h和48 h预报误差 (a) 位势高度场24 h预报误差, (b) 位势高度场48 h预报误差, (c) 位势高度场月平均24 h预报误差, (d) 位势高度场月平均48 h预报误差 (图 8a, 8b中，阴影表示试验OPER的位势高度的预报误差，等值线表示试验GNSS与OPER预报误差偏差，网格表示试验GNSS预报误差大于试验OPER) Fig 8. Variations of 24-h and 48-h forecast errors of geopotential height for analysis time of 0000 UTC and 1200 UTC in July 2013 (a)24-h forecast error, (b)48-h forecast error, (c) monthly mean 24-h forecast error, (d) monthly mean 48-h forecast error (in Fig. 8a and Fig. 8b, the shaded denotes the error of OPER, the contour denotes the forecast error difference of GNSS to OPER, the net denotes the forecast error of GNSS larger than that of OPER) | |
累积降水预报评分是衡量区域模式预报效果的重要指标。图 9为00:00, 12:00分析时刻全国、华南地区、长江流域、西南东部、青藏高原、华北地区、西北东部、新疆和东北地区各区域试验GNSS和试验OPER不同预报时效的24 h累积降水预报的ETS (equitable threat score) 评分偏差。由图 9a可知，增加GNSS/RO反演的大气资料同化后，0~24 h预报的24 h累积降水ETS评分略有增加的区域和降水量级包括全国范围的小雨和中雨，华南地区的小雨、大雨和暴雨，长江流域的中雨和大暴雨，西南东部的小雨和大雨，西北东部的小雨、中雨和大暴雨，新疆的小雨，东北地区的小雨、中雨和大雨。
由图 9b可知，增加GNSS/RO反演的大气资料同化后，12~36 h的24 h累积降水ETS评分增加的区域及降水量级包括全国的中雨、暴雨和大暴雨，华南区域的大雨、暴雨和大暴雨，长江流域的中雨、暴雨和大暴雨，西南东部地区的小雨和中雨，青藏高原的小雨、中雨和大雨，华北地区的中雨和大暴雨，西北东部地区的小雨、中雨、大雨、暴雨和大暴雨。由图 9c可知，增加GNSS/RO反演的大气资料同化后，24~48 h预报的24 h累积降水ETS评分增加的区域和降水量级包括全国的大雨和暴雨，华南地区的小雨、大雨和暴雨，长江流域的中雨和大暴雨，西南东部地区的大雨和暴雨，青藏高原的小雨、中雨和暴雨，华北地区的大雨、暴雨和大暴雨，西北东部的大雨，东北地区的小雨、中雨、大雨和暴雨。比较图 9b和图 9c可知，增加GNSS/RO反演的大气资料同化后，青藏高原12~36 h和24~48 h时刻的24 h累积降水的小雨、中雨和大雨量级的ETS评分均增加，比较图 9a和图 9b可知，西北东部0~24 h和12~36 h时效的24 h累积降水的小雨、中雨和大雨量级的ETS评分均有增加，同时12~36 h预报的暴雨和大暴雨的ETS评分也有明显增加，相对其他地区的结果增大较明显；这可能是由于在青藏高原和西北东部试验OPER同化常规观测资料量相对较少，因此在青藏和西北东部GNSS/RO反演的大气资料同化对降水预报的影响相对明显。总体上讲，增加GNSS/RO反演的大气资料同化后，青藏高原和西北东部的降水预报技巧提高明显，新疆的降水预报技巧有所降低，而其他地区某些量级的降水的预报技巧略有提高。
|
|
| 图 9. 2013年7月00:00, 12：00分析时刻试验GNSS降水预报0~24 h预报 (a)，12~36 h预报 (b) 和24~48 h预报 (c) 的24 h累积降水ETS评分月平均值与试验OPER偏差 Fig 9. Differences of ETS values of 0-24 h (a), 12-36 h (b) and 24-48 h (c) accumulated rainfall of GNSS to OPER for analysis time of 0000 UTC and 1200 UTC in July 2013 | |
图 10为2013年7月06:00, 18:00分析时刻，试验GNSS和试验OPER不同预报时效的24 h累积降水预报ETS评分偏差。由图 10a可知，加入GNSS/RO反演的大气资料同化后，6~30 h预报时效的24 h累积降水ETS评分略有增大的区域和降水量级包括全国范围的大暴雨，华南地区的大雨和大暴雨，长江流域的小雨和大暴雨，西南东部的小雨和暴雨，青藏高原的小雨，华北地区的大暴雨，西北东部地区的中雨，新疆的中雨，东北地区的小雨、暴雨和大暴雨。由图 10b可知，增加GNSS/RO反演的大气资料同化后，18~42 h预报时效的24 h累积降水的ETS评分增大的区域及降水量级包括全国的中雨，华南区域的中雨、暴雨和大暴雨，长江流域的小雨、中雨和大雨，西南东部地区的中雨、大雨、暴雨和大暴雨，青藏高原的小雨、中雨和大雨，华北地区的暴雨和大暴雨，西北东部地区的大雨，新疆的中雨，东北地区的小雨、大雨和大暴雨。
因此，在青藏高原和西北东部等观测资料稀少的区域，增加GNSS/RO反演的大气资料同化后，对GRAPES_Meso降水预报技巧具有明显正贡献；同时对全国6~30 h和12~36 h预报时效的大暴雨有非常显著的正贡献。
|
|
| 图 10. 2013年7月06:00，18:00分析时刻试验GNSS 6~30 h预报 (a)，18~42 h预报 (b)24 h累积降水ETS评分月平均值与试验OPER偏差 Fig 10. Differences of ETS values of 6-30 h (a), 18-42 h (b) accumulated rainfall of GNSS to OPER for analysis time of 0600 UTC and 1800 UTC in July 2013 | |
4 小结
本研究在GRAPES_Meso三维变分系统中实现了对GNSS/RO反演的大气资料的同化，分析了GNSS/RO反演的大气资料对GRAPES_Meso分析和预报效果的影响。结果表明：
1) 业务上获取的GNSS/RO反演的大气资料数量明显少于弯角和折射率，反演资料数量仅为弯角和折射率的一半。
2) 增加GNSS/RO反演的大气资料的同化显著减小了GRAPES_Meso的位势高度场分析误差，平均分析误差减小约8%，但对湿度场分析误差影响不大；GRAPES_Meso的位势高度场预报误差略有减小，平均预报误差减小约1%，湿度场的预报误差变化不明显。
3) 2013年7月06：00，18：00分析时刻30~300 hPa的位势高度分析误差减小量明显大于00：00，12：00分析时刻的分析误差，原因是06：00，18：00模式区域中几乎没有探空观测。
4) GNSS/RO反演的大气资料同化对青藏高原等常规观测资料稀少地区的降水预报技巧的提高有明显正贡献。
本研究在GRAPES_Meso中实现了对GNSS/RO反演的大气资料的同化应用，改进了GRAPES_Meso分析场，在一定程度上提高了GRAPES_Meso的预报技巧，同时为应用GNSS/RO其他产品积累经验，但对GNSS/RO资料同化应用而言，折射率资料的直接同化仍然是GRAPES_Meso三维变分未来发展的重点。需要指出的是，本研究降水检验所用观测资料均为00：00—24：00的24 h累积降水量，而对区域模式降水预报而言，这样的检验比较粗糙，今后工作中要进行更精细的检验。
| [1] | Ware R, Rocken C, Solheim F, et al. GPS sounding of the atmosphere from low earth orbit: Preliminary results. Bull Amer Meteor Soc, 1996, 77: 19–40. DOI:10.1175/1520-0477(1996)077<0019:GSOTAF>2.0.CO;2 |
| [2] | Wickert J, Arras C, Ao C O, et al.CHAMP, GRACE, SAC-C, TerraSAR-X/TanDEM-X:Science Results, Status and Future Prospects.GRAS SAF Workshop on Applications of GPSRO Measurements, 2008:43-52. |
| [3] | Rocken C, Kuo Y H, William S S. COSMIC system description. TAO, 2000, 11, (1): 21–52. |
| [4] | Anthes R A, Coauthors. The COSMIC/FORMOSAT-3 mission:Early results. Bull Amer Meteor Soc, 2008, 89: 313–333. DOI:10.1175/BAMS-89-3-313 |
| [5] | Kursinski E R, Coauthors. Initial results of radio occultation observations of Earth's atmosphere using the Global Positioning System. Science, 1996, 127: 1107–1110. |
| [6] | Zou X, Kuo Y H, Guo Y R. Assimilation of atmospheric radio refractivity using a nonhydrostatic adjoint model. Mon Wea Rev, 1995, 123: 2229–2249. DOI:10.1175/1520-0493(1995)123<2229:AOARRU>2.0.CO;2 |
| [7] | Kuo Y H, Sergey V S, Richard A A, et al. Assimilation of GPS radio occultation data for numerical weather prediction. TAO, 2000, 11, (1): 157–186. |
| [8] | Liu H, Zou X, Shao H, et al. Impact of 837 GPS/MET bending angle profiles on assimilation and forecasts for the period June 20-30, 1995. J Geophys Res, 2001, 106, (D23): 31771–31786. DOI:10.1029/2001JD000345 |
| [9] | Chen S Y, Huang C Y, Kuo Y H, et al. Assimilation of GPS refractivity from FORMOSAT-3/COSMIC using a nonlocal operator with WRF 3DVAR and its impact on the prediction of a typhoon event. Terr Atmos Ocean Sci, 2009, 20, (1): 133–154. DOI:10.3319/TAO.2007.11.29.01(F3C) |
| [10] | Ma Z Z, Kuo Y H, Wang B, et al. Comparison of local and nonlocal observation operators for the assimilation of GPS RO data with the NCEP GSI System:An OSSE study. Mon Wea Rev, 2009, 137: 3575–3587. DOI:10.1175/2009MWR2809.1 |
| [11] | Huang C Y, Kuo Y H, Chen S Y, et al. Impact of GPS radio occultation data assimilation on regional weather predictions. GPS Solut, 2010, 14: 35–49. DOI:10.1007/s10291-009-0144-1 |
| [12] | Ma Z Z, Kuo Y H, Martin F R, et al. Assimilation of GPS radio occultation data for an intense atmospheric river with the NCEP regional GSI system. Mon Wea Rev, 2011, 139: 2170–2183. DOI:10.1175/2011MWR3342.1 |
| [13] | Cucurull L, Derber J C. Operational implementation of COSMIC observations into NCEP's Global Data Assimilation System. Wea Forecasting, 2008, 23: 702–711. DOI:10.1175/2008WAF2007070.1 |
| [14] | 唐细坝, 薛纪善. COSMIC资料在GRAPES全球三维变分同化系统的初步研究. 热带气象学报, 2009, 25, (5): 521–531. |
| [15] | Liu Y, Xue J S. Operational implementation of the assimilation of global navigation satellite radio occultation observations into GRAPES data assimilation system. J Meteor Res, 2014, 28. DOI:10.1007/s13351-014-4028-0 |
| [16] | 赵德显, 郁红弟, 沈桐立. GPS折射率资料在梅雨锋暴雨数值模拟中的应用. 气象, 2011, 39, (12): 1511–1518. DOI:10.7519/j.issn.1000-0526.2011.12.006 |
| [17] | Syndergaard S, Kuo Y H, Lohmann M S. Atmosphere and Climate, Chapter: Observation Operators for the Assimilation of Occultation Data into Atmospheric Models: A Review. Berlin: Springer Berlin Heidelberg, 2006: 205–224. |
| [18] | Poli P, Healy S B, Dee D P. Assimilation of Global Positioning System radio occultation data in the ECMWF ERA-Interim reanalysis. Q J R Meteorol Soc, 2010, 136: 1972–1990. DOI:10.1002/qj.722 |
| [19] | Rennie M P. The impact of GPS Radio occulation assimilation at the Met Office. Q J R Meteorol Soc, 2010, 136: 116–131. DOI:10.1002/qj.v136:646 |
| [20] | Wang B R, Liu X Y, Wang J K. Asessment of COSMIC radio occultation retrieval product using global radiosonde data. Atmos Meas Tech, 2013, 6: 1073–1083. DOI:10.5194/amt-6-1073-2013 |
| [21] | 薛纪善, 陈德辉. 数值预报系统GRAPES的科学设计与应用. 北京: 科学出版社, 2008. |
| [22] | 陈德辉, 杨学胜, 胡江林, 等. 多尺度通用动力模式框架的设计策略. 应用气象学报, 2003, 14, (4): 452–461. |
| [23] | 黄丽萍, 伍湘君, 金之雁. GRAPES模式标准初始化方案设计与实现. 应用气象学报, 2005, 16, (3): 374–384. DOI:10.11898/1001-7313.20050312 |
| [24] | 万齐林, 薛纪善, 陈子通, 等. 雷达TREC风的三维变分同化应用与试验. 热带气象学报, 2005, 21, (5): 449–457. |
| [25] | 伍湘君, 金之雁, 黄丽萍, 等. GRAPES模式软件框架与实现. 应用气象学报, 2005, 16, (4): 539–546. DOI:10.11898/1001-7313.20050415 |
| [26] | 胡江林, 沈学顺, 张红亮, 等. GRAPES模式动力框架的长期积分特征. 应用气象学报, 2007, 18, (3): 276–284. |
| [27] | 伍湘君, 金之雁, 陈德辉, 等. 新一代数值预报模式GRAPES的并行计算方案设计与实现. 计算机研究与发展, 2007, 44, (3): 510–515. |
| [28] | 万齐林, 薛纪善. 曲率修正线性平衡方程及其在变分同化风压约束中的应用. 热带气象学报, 2007, 23, (5): 417–423. |
| [29] | 王莉莉, 陈德辉, 赵琳娜. GRAPES气象-水文模式在一次洪水预报中的应用. 应用气象学报, 2012, 23, (3): 274–284. |
| [30] | 王瑞春, 龚建东, 张林. GRAPES变分同化系统中动力平衡约束的统计求解. 应用气象学报, 2012, 23, (2): 129–138. DOI:10.11898/1001-7313.20120201 |
| [31] | 王雨, 李莉. GRAPES_Meso V3.0模式预报效果检验. 应用气象学报, 2010, 21, (5): 524–534. DOI:10.11898/1001-7313.20100502 |
| [32] | 庄世宇, 薛纪善, 朱国富, 等. GRAPES全球三维变分同化系统-基本设计方案与理想试验. 大气科学, 2005, 29, (6): 872–884. |
| [33] | Hollingsworth A, Lönnberg P. The statistical structure of short-range forecast errors as determined from radiosonde data.Part Ⅰ:The wind field. Tellus, 1986, 38: 111–136. DOI:10.3402/tellusa.v38i2.11707 |
| [34] | Xu Q, Li W, Andrew V T, et al. Estimation of three-dimensional error covariances.Part Ⅰ:Analysis of height innovation vectors. Mon Wea Rev, 2001, 129: 2126–2135. DOI:10.1175/1520-0493(2001)129<2126:EOTDEC>2.0.CO;2 |
| [35] | 龚建东, 魏丽, 陶士伟, 等. 全球资料同化中误差协方差三维结构的准确估计与应用Ⅰ:观测空间协方差的准确估计. 气象学报, 2006, 64, (6): 669–684. DOI:10.11676/qxxb2006.065 |
| [36] | Kuo Y H, Wee T K, Sokolovskiy S, et al. Inversion and error estimation of GPS radio occultation data. J Meteor Soc Japan, 2004, 82, (1B): 507–531. DOI:10.2151/jmsj.2004.507 |
| [37] | Hsieh M E, Chang L Y, Hsiao L F, et al.Impact of Quality Control and Data Thinning of GPS RO Data in WRF-Var on Typhoon Track Forecast.Sixth FORMOSAT-3/COSMIC Data Users' Workshop, NCAR Center Green Campus, 2012. |