检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2019 , Vol. 38 >Issue 2: 20 - 31

DOI: https://doi.org/10.11978/2018055

海洋气象学

多普勒雷达资料同化在台风“灿都”(2010)预报中的应用研究

  • 戚佩霓 ,
  • 沈菲菲 ,
  • 寇蕾蕾 ,
  • 楚志刚 ,
  • 许冬梅
展开
  • 南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 江苏 南京 210044
通信作者：沈菲菲, 讲师。Email:

作者简介：戚佩霓(1995—), 女, 浙江省杭州市人, 本科生。Email:

收稿日期: 2018-05-23

  要求修回日期: 2018-09-05

  网络出版日期: 2019-04-15

基金资助

国家重点研发计划项目(2018YFC1506404、2018YFC1506603、2017YFC1502102、2017YFC1502103)

国家自然科学基金项目(G41805016、G41805070)

江苏省自然科学基金项目(BK20170940、BK20160954)

气象灾害教育部重点实验室(南京信息工程大学)开放课题(KLME201807、KLME201808)

江苏省气象局北极阁基金项目(BJG201604)

南京信息工程大学人才启动基金项目(2016r043、2016r27)

收起

Experiments of assimilating Doppler radar data in forecast of Typhoon Chanthu

  • QI Peini ,
  • SHEN Feifei ,
  • KOU Leilei ,
  • CHU Zhigang ,
  • XU Dongmei
Expand
  • Key Laboratory of Meteorological Disaster, Ministry of Education (KLME)/Joint International Research Laboratory of Climate and Environment Change (ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (CIC-FEMD), Nanjing University of Information Science & Technology, Nanjing 210044, China
Corresponding author: SHEN Feifei. E-mail:

Received date: 2018-05-23

  Request revised date: 2018-09-05

  Online published: 2019-04-15

Supported by

National Key Research and Development Program of China (2018YFC1506404, 2018YFC1506603, 2017YFC1502102, 2017YFC1502103)

National Natural Science Foundation of China (G41805016, G41805070)

Natural Science Foundation of Jiangsu Province (BK20170940, BK20160954)

Open Project of Key Laboratory of Meteorological Disaster of Ministry of Education, Nanjing University of Information Science and Technology (KLME201807, KLME201808)

Beijige Funding from Jiangsu Research Institute of Meteorological Science (BJG201604)

Startup Foundation for Introducing Talent of Nanjing University of Information Science & Technology (2016r043, 2016r027)

Copyright

热带海洋学报编辑部
Fold

摘要

文章基于中尺度天气预报模式(WRF)及其三维变分同化系统(WRF-3DVAR), 采用了两部雷达径向风资料, 进行单一时间分析以初始化台风“灿都”(Chanthu), 比较研究了同化雷达径向速度(Vr)对台风“灿都”分析和预报的影响。结果表明: 同化雷达径向风的作用主要体现在台风强度和环流结构的调整, 且在同化达到一定时长后, 对改进同化后的预报分析有积极效应。同化试验改进台风的初始风场以及台风环流中心的热力和动力结构、强度和位置, 进而提高18h预报的台风结构、路径、强度。

关键词： 雷达径向风资料; 资料同化; 天气预报模式的三维变分同化系统; 台风

本文引用格式

戚佩霓 , 沈菲菲 , 寇蕾蕾 , 楚志刚 , 许冬梅 . 多普勒雷达资料同化在台风“灿都”(2010)预报中的应用研究[J]. 热带海洋学报, 2019 , 38(2) : 20 -31 . DOI: 10.11978/2018055

Abstract

Based on the WRF (Weather Research and Forecast) model and WRF-3DVAR (3- Dimensional Variational) assimilation system, we conduct a single time analysis to initialize Typhoon Chanthu and compare the effects of assimilation radar radial velocity (Vr) on Typhoon Chanthu analysis and forecast, with two radar radial wind data. We show that the role of assimilating radar radial wind is mainly reflected in the adjustment of typhoon intensity and circulation structure; and after the assimilation reaches a certain length of time, it has a positive effect on the improvement of forecast. The assimilation test improves the typhoon's initial wind field and the thermal and dynamic structures, intensity, and location of the typhoon circulation center, thereby improving the typhoon structure, path, and intensity predicted for future 18 hours.

Key words： radar radial velocity; data assimilation; WRF-3DVAR; typhoon

一直以来, 热带气旋(台风、飓风)被认为是沿海国家造成破坏最严重的自然灾害之一。中国的沿海地区是全球最多热带气旋登陆的地区, 准确预报热带气旋对于保障国家财产和生命安全至关重要。准确的初始条件是热带气旋预报成功与否的一个非常重要因素, 而这依赖于先进的资料同化系统。资料同化的基本含义是根据一定的优化标准和方法, 将不同时空、采用不同观测手段获得的观测数据与数学模型有机结合, 纳入统一的分析与预报系统, 建立数据与模型相互协调的优化关系, 使预报误差达到最小(官元红 等, 2007)。近几年来, 在许多科学家的努力之下, 资料同化的发展取得了很大进展, 如今比较成熟的同化方法有三维变分方法(3- dimensional variational, 简称3DVAR)(Sasaki, 1970a, b; Talagrand et al, 1987)、四维变分(4DVAR)、集合卡尔曼滤波(ensemble Kalman filter, 简称EnKF)(Wang, 2010; Buehner et al, 2010a, b; Buehner, 2005)和混合集合变分同化方法(Hybrid Enkf- EnVar)(Shen et al, 2018)。
多普勒雷达具有高时空分辨率的特点, 是唯一能够观测热带气旋三维结构的气象探测平台之一。随着全世界多普勒天气雷达组网建设的逐步发展和完善, 如何同化雷达资料以得到更加准确的初始场成为科学家们的关注热点之一。Xiao等(2000)基于使用合成旋涡和假定的热带气旋大小和强度估计参数, 开发了人工涡旋同化方法(BDA), 提高了热带气旋的预报能力。Xiao等(2005)使用3DVAR系统将韩国Jindo雷达的多普勒径向速度资料同化到第五代中尺度模式(MM5)中, 发现3DVAR方法同化多普勒径向速度可以改善对雨带移动和强度变化的预报水平。利用中尺度模式(ARPS)及其资料分析系统(ADAS)能在适当提高模式分辨率的同时使用雷达资料同化改进模式初始场, 是改进模式短时预报和中尺度天气系统的内部结构分析的一个非常有效的途径(盛春岩 等, 2006; 徐广阔 等, 2009)。
目前已有不少研究表明, 雷达数据的同化对于预报台风结构、降水强度、路径的能力有所提高。顾建峰(2006)将经过质量控制的雷达径向速度资料直接同化, 使得台风环流结构的分析、台风移动路径以及台风降水量的预报取得很大改善, 研究结果表明雷达径向速度和反射率因子的联合直接同化优于单独同化径向速度资料或单独同化反射率因子资料。而对于这两种数据同化对改善预报的不同影响方面, Zhao等(2009)研究了雷达数据对分析和预测登陆飓风“艾克”(2008)的结构、强度和路径的影响, 发现径向速度同化有助于更好地改进台风路径预报, 而反射率因子同化有助于最大限度地改善台风强度预报。然而, 研究表明当只有雷达径向风被同化时, 同化窗内分析的海平面气压场具有一定的不平衡性, 大多数梯度平衡的压力调整是通过预报步骤中的模型调整来实现的, 需要建立一些同化窗周期来达到这种平衡(Wang et al, 2014)。在对台风个例研究的过程中, 科学家们发现通过同化雷达径向风资料能够通过调整初始风场结构, 改进对台风结构的模拟, 提高台风的预报能力(陈锋 等, 2012; 李新峰, 2012)。在研究雷达资料和常规观测资料同化对台风预报的影响中, 常规观测资料同化主要提高环境场分析, 而雷达资料同化主要改善台风结构分析, 两者有机结合使得预报结果和实况最为接近(李新峰 等, 2013)。沈菲菲等(2015)在同化多普勒雷达径向风观测资料后, 成功地修正了台风“桑美”在模式中的初始位置, 同时对台风的动力和热力结构均有较好的调整。沈菲菲等(2016)利用双多普勒雷达资料同化分析飓风, 发现经过尺度化因子的优化调整之后, 可以为数值模式提供更为准确丰富的中小尺度系统信息, 使模式初始场更加接近观测并进而改进对飓风结构、路径和强度的预报。此外, 在通过同化雷达资料改进降水预报的方面, 陈锋等(2017)在利用不同资料同化对台风短时预报的研究中, 发现对降水模拟影响最大的是雷达反射率因子资料, 且其对降水的贡献随着模式积分时间明显下降。张晗昀等(2018)通过同化雷达反射率因子, 调整初始湿度场和垂直速度场, 改进了模式初始湿度场, 使降水预报在分布和强度上更接近实况。
尽管雷达资料同化在热带气旋预报研究中已经取得了一定的研究成果, 但绝大多数的研究工作仍然局限于个例的研究, 对于不同区域不同类型的台风, 雷达资料同化还需要做进一步的细致的论证和研究工作。本文基于中尺度天气预报模式(WRF模式)及其变分同化系统(WRF-3DVar), 比较研究了雷达径向速度(Vr)同化对台风“灿都”(Chanthu)(2010)分析和预报的影响, 将具有动力学约束的WRF- 3DVAR应用于登陆中国广东省的台风“灿都”(2010)的雷达资料同化, 在本研究中进行单一时间分析以初始化台风“灿都”(2010), 并且着重对比研究3DVAR同化雷达资料前后的结果。

1 台风“灿都”(2010)个例介绍及试验设置

1.1 台风“灿都”(2010)个例介绍

2010年7月18日, 台风“灿都”(2010)在菲律宾以西的南海形成热带低气压, 向西北方向移动, 并在19日的12点加强到热带风暴, 继续向西北方向移动, 20日22时, 在台风中心到达(114°24′E, 18°42′N)后, “灿都”路径折向西南, 并进一步增强为强热带风暴, 21日6时, 台风中心位于(113°24′E, 18°N), 又发生转向, 路径折向西北, 21日17时加强为台风, 22日13时45分在广东吴川登陆, 登陆时中心附近最大风力12级(35m•s-1), 中心最低气压970hpa, 登陆后一段时间内强度仍然维持。受其影响, 粤西部分地方出现了大到暴雨和8~11级阵风、12级大风。22日19时减弱为强热带风暴, 随后减弱为热带风暴, 23日17时在广西西部减弱为热带低压, 20时停止编号。
从上述的台风登陆分析过程可以得知, 台风“灿都”(2010)有4个特点: 1) 风雨猛烈。强的西南气流输送为两广强降水提供了充足的能量, 以及低层强辐合高层强辐散为强降水提供了有利的动力条件, 由此华南南部出现暴雨到大暴雨, 其中广东西南部、广西南部普降大暴雨, 局部特大暴雨; 2) 近海加强。“灿都”(2010)处在鞍形场、高层存在强辐散以及西南气流的卷入有利于“灿都”(2010)强度的近海加强; 3) 路径曲折。东环副高西伸加强使“灿都”(2010)路径出现了西折, 西环副高的作用使“灿都”(2010)出现了短暂的南落; 4) 影响面广。“灿都”(2010)造成广东省湛江、茂名、阳江、云浮4个市25个县(市、区) 402.5万人受灾, 直接经济损失34.3亿元, 死亡5人, 造成生命和财产损失巨大(林良根 等, 2011)。

1.2 WRF模式及资料介绍

本文采用的WRF模式系统是由美国研究、业务和大学的科学家共同参与开发研究的新一代中尺度预报模式和同化系统(Skamarock et al, 2005)。WRF模式系统的开发计划是1997年由美国国家大气研究中心(NCAR)中小尺度气象处、国家环境预报中心(NCEP)环境模拟中心、预报系统实验室(FSL)的预报研究处和俄克拉荷马大学的风暴分析预报中心4个单位联合发起建立的, 由国家自然科学基金和国家海洋大气局(NOAA)共同支持(章国材, 2004)。WRF模式是一个全可压、非静力中尺度模式, 水平方向采用Arwkrawa-C坐标, 垂直方向提供两种选择, 一种为高度坐标, 另一种为质量坐标, 时间积分方案可选择三阶或者四阶的Runge-Kutta算法。WRF主模块分为先进的研究模式(advanced research WRF, ARW)和非静力中尺度模式(nonhydrostatic mesoscale model, NMM)两种动力核心模块, 前者多用于研究, 后者主要用于业务预报。本文选取的是ARW方案。WRF模式具有模块化、可移植、可扩充和易维护的特点, 在预报各种天气中都具有较好的性能, 具有良好的预报天气水平。
本文使用美国全球预报系统(GFS)再分析资料作为模式的初始场及侧边界。选取2010年7月21日06时至22日18时(世界时)的GFS资料, 间隔时间为6h, 水平分辨率为30′×30′。如图1所示, 本试验采用了海口(以下简称HKRD)和阳江(以下简称YJRD)两部多普勒雷达来提供需要同化的雷达径向风资料。在台风登陆的过程中, HKRD (19°54′N, 110°12′E)位于台风路径的西南侧, YJRD (21°48′N, 111°54′E)位于台风路径的东北侧, 能够保证采用的雷达资料完整覆盖台风移动路径的整个区域。本文在同化试验之前采用美国国家大气研究中心开发的SOLO软件对雷达基数据进行了质量控制, 主要包括剔除地物杂波、去除孤立噪声点、对径向速度进行平滑处理、速度退模糊、二次回波等处理。
Fig. 1 WRF simulation domain. Dashed circles indicate the Doppler observation ranges of HKRD and YJRD, respectively. Black line and dots indicate the typhoon track from 2200 UTC to 2218 UTC July 21, 2010

图1 WRF模拟区域
*表示海口(HKRD)和阳江(YJRD)的多普勒雷达的位置; 虚线圆圈表示海口(HKRD)和阳江(YJRD)的多普勒观测范围; 实线表示2010年7月22日00时至2010年7月22日18时的台风路径

1.3 WRF同化系统及同化方法介绍

WRF三维变分同化系统基于一个表征分析场与观测场和分析场与背景场偏差的二次泛函极小值问题来分析。三维变分系统的基本目标就是通过迭代方法求解以上目标函数的极小值, 从而得出尽可能接近大气真实状态的估计值。在变分的极小化计算过程中要用到观测误差协方差及背景误差协方差的逆矩阵。定义的泛函如下:
$J(x)=\frac{1}{2}\left[ \begin{align} & {{(x-{{x}_{b}})}^{\text{T}}}{{B}^{-1}}(x-{{x}_{b}})+ {{(H(x)-{{y}_{0}})}^{\text{T}}}{{O}^{-1}}(H(x)-{{y}_{0}}) \\ \end{align} \right]$
式中: x为分析变量向量, ${{x}_{b}}$是背景场向量, ${{y}_{0}}$是观测向量, B和O分别是背景误差协方差和观测误差协方差, T表示矩阵的转置。$y=H\left( x \right)$为分析变量的观测相当量, H为观测算子。对于雷达径向风资料, H除了包括空间差值算子, 还包括物理转换过程。由于雷达径向速度并不是模式直接的观测变量, 需要建立一个观测算子把模式的水平方向和垂直方向的速度与雷达径向风速度相联系起来。WRF三维变分中多普勒雷达径向速度的观测算子为:
${{V}_{r}}=u\frac{x-{{x}_{i}}}{{{r}_{i}}}+v\frac{y-{{y}_{i}}}{{{r}_{i}}}+\left( w-{{v}_{e}} \right)\frac{z-{{z}_{i}}}{{{r}_{i}}}$
式中: (u , v , w)为风的分量(单位: m•s-1), (x , y , z)是雷达站的位置, (xi , yi , zi)是雷达观测的位置, ri是观测点距离雷达的距离(单位: m), ${{v}_{e}}$是下落末速度(单位: m•s-1)。在雷达进行每个仰角的体扫过程中, 必要考虑降水粒子的下落末速度, ${{v}_{e}}$的计算采用如下形式:
${{v}_{e}}=5.40cq_{ra}^{0.125}$
式中: qra是雨水混合比(单位: g•kg-1); c是修正因子, 定义为:
$c={{\left( \frac{{{p}_{0}}}{{\bar{p}}} \right)}^{0.4}}$
式中: $\bar{p}$是气压的基本状态(单位: hPa), p0是地面层气压(单位: hPa)。其中, 水平风可表示为流函数和势函数, 从而使WRF三维变分系统能够同化雷达径向速度。

1.4 试验设置

在本研究中采用WRF模式3.4.1版本模拟台风“灿都”(2010), 预报区域水平方向401×401个网格点, 网格的水平分辨率为5km, 垂直方向将地球表面到50hPa间垂直划分为41层。模拟中心经纬度为(19°54′N, 110°12′E)。参数化方案包括Lin微物理方案、Monin-Obukhov近地层方案、NOAH陆面方案、YSU (Yonsei University)行星边界层方案、快速辐射传输模型(RRTM)长波辐射方案和Dudhia短波辐射方案。3DVAR同化试验的网格设置, 水平分辨率、中心经纬度设置和参数化方案使用均与控制实验(CTNL)试验一致, 且使用各向同性(误差的变化不随方向变化)的静态背景误差协方差。
图2为试验流程图。CNTL模式积分时段为2010年7月21日06时至22日18时, 共计36h, 包括台风“灿都”(2010)登陆前后的整个发展过程。同化试验选取21日06时为起报时间, 进行一个12h的确定性预报的启动过程(spin-up), 选择21日18时作为同化初始时刻, 通过WRF-3DVAR同化系统每1h同化一次雷达径向风观测数据, 连续同化6h后, 将最后一个时刻(2010年7月22日00时)同化的分析场作为模式初始场, 进行18h确定性预报。
Fig. 2 Flow chart of control experiment (a) and Exp 3DVAR (b)

图2 控制试验(CTNL)(a)和3DVAR试验(b)流程图

2 结果分析和讨论

2.1 模式空间风场分析

图3中展示了21日18时、21日20时、21日22时和22日00时的700hPa的风场和风场增量。第一个同化分析时刻时, 如图3a和3b所示, 同化后的风场明显比同化前的风场强, 同化前的最大切向风速在30m•s-1以下, 且气旋中心风眼的范围较大, 而3DVAR同化后的最大切向风速可以达到40m•s-1至45m•s-1, 台风中心涡旋强度更大。尤其是在台风的东部区域, 风速有明显的增大, 且同化后的风眼范围缩小。图3c为3DVAR同化后的700hPa风场增量, 图中阴影区域为观测雷达资料覆盖区域。可见单次同化下, 观测台风中心附近有明显气旋性环流增量, 且在台风中心附近风速增量达到最大, 可以产生更强的涡旋环流。同时还发现观测台风中心西北象限有较弱的反气旋性环流增量。当同化雷达风观测资料时, 这种结构在WRF-3DVAR分析台风环流中心中很常见(Li et al, 2012), 这种情况的出现与当前同化系统使用流函数(ψ)和速度势(χ)作为3DVAR中控制变量有关(ψ和χ分别与非发散旋转流动和发散流动相关), 如从NMC方法获得的背景误差统计中所反映的流函数ψ的背景误差标准差一般远大于速度势χ的背景误差标准差。
Fig. 3 Analysis increments of horizontal wind vector (the top and middle panels, unit: m•s-1) and wind speed (the bottom panel, unit: m•s-1) at 700 hPa at 1800 UTC July 21, 2010(a, b, c), 2000 UTC July 21, 2010 (d, e, f), 2200 UTC July 21, 2010 (g, h, i), 0000 UTC July 22, 2010 (j, k, l), and before assimilation (a, d, g, j), after assimilation (b, e, h, k), assimilation increment (c, f, j, l) (units: m•s-1). Max reflectivity is shaded in the top and middle panels. The shaded area in the bottom panel is the coverage area of the radar data

图3 700hPa处水平风场(第一行和第二行矢量, 单位: m•s-1)和风场增量(第三行矢量, 单位: m•s-1); 组合反射率值(第一行和第二行阴影, 单位: dbz)和雷达资料覆盖区域(第三行阴影)

a, b, c: 2010年7月21日18时; d, e, f: 2010年7月21日20时; g, h, i: 2010年7月21日22时; j, k, l: 2010年7月22日00时。a, d, g, j: 同化前; b, e, h, k: 同化后; c, f, j, l: 同化增量

第三个分析时刻, 同化前的最大风速达到50m•s-1以上, 同化后的风场较同化前弱, 最大风速仅达到45m•s-1左右, 且同化前的最大风速区在台风中心的东北象限, 而同化后的最大风速区在台风中的东南象限, 风场增量出现反气旋性环流, 可以认为真实风场比同化前弱, 同化分析改善了风场强度和环流结构。第五个分析时刻, 同化前后的风场差别不大, 主要区别在于, 同化实验改善了最大风速区的位置, 较同化前更向南侧靠近, 位于台风中心的东南象限, 但还是可以在风场增量中看到台风中心附近有较弱的气旋性环流增量。第七个分析时刻, 同化前最大风速达到50m•s-1左右, 最大风速区位于台风中心东南象限; 同化后的风场环流结构和位置改善不明显, 风场增量体现为在台风中心的东北象限出现明显的气旋性环流增量。同化雷达径向风的作用主要体现在对台风强度和环流结构的调整。

2.2 观测空间风场分析

图4反映了7月21日18时在观测场(图4a)、CNTL试验下的背景场(图4b)、3DVAR试验下的分析场(图4d)的雷达径向速度以及观测场的雷达径向速度减去背景场的径向速度(图4c)所呈现的图。可以看到的是, 观测场的雷达径向风呈现“阴阳图”的形式, 反映了台风中心有很强的环流结构。背景场的雷达径向风远远小于观测场, 呈现的环流结构较弱, 背景场和观测场的差距还可以从图4c中看出, 观测场和背景场相差的量级很大; 而分析场与观测场很接近, 呈现了较为完整强烈的涡旋环流结构, 风场较为连续。
Fig. 4 Radar radial velocity in observation (a), background field (b), observation minus background field (c), and analysis field (d) at 1800 UTC July 21, 2010

图4 2010年7月21日18时的雷达径向速度

a. 观测场; b. 背景场; c. 观测场-背景场; d. 分析场

为了更好地显示雷达径向速度的背景场和分析场与背景场比较的效果, 我们在图5中给出了背景场、分析场分别与观测场的相关性描述。图5a中, 背景场与观测场的雷达径向速度比值并不集中在对角线上, 呈发散性分布, 说明背景场的径向速度相对于观测场来说有很大偏差。而在图5b中, 可以清楚地看到分析场与观测场的雷达径向速度比值基本集中在对角线上, 说明分析场的雷达径向速度与观测场比较接近。
Fig. 5 Scatters of radar radial velocity in observation and background (a), and in observation and analysis (b)

图5 观测场和背景场(a)、观测场和分析场(b)雷达径向速度的散点分布

2.3 同化窗区间径向风和最小海平面气压分析

3DVAR同化雷达资料对台风预报的影响可以通过对比同化前的背景场和同化后的分析场, 计算雷达径向风相对于观测值的均方根误差来进行进一步的评估。根据联合台风警报中心(JTWC)的最佳路径数据, 图6a显示了同化前后的雷达径向风均方根误差(RMSE)图。如图6a中所示, 同化试验分析后的RMSE都较同化前下降, 改进效果最好的是第一个同化分析时刻, 从9.5m•s-1降低到了3m•s-1。而之后的同化分析时刻改进的效果有所减弱, 但都维持在同化后的RMSE较同化前降低约3m•s-1的水平。这是由于第一个同化时刻所用的背景场来自30′×30′的全球模式, 其中中小尺度信息缺失, 同化雷达径向风资料后所产生的观测增量最大, 所以改进模式初始场的效果也最为明显。而且, 我们可以明显看出, 同化后的RMSE都维持在3m•s-1左右, 说明同化雷达资料径向风对模式分析场和之后的预报都产生了较好的效应。
Fig. 6 Root Mean Square Error (RMSE) (a) and Minimum Sea Level Pressure (MSLP) (b) before and after assimilation of each assimilation moment from 1800 UTC July 21, 2010 to 0000 UTC July 22, 2010

图6 2010年7月21日18时00分至22日00时00分, 每个同化时刻的同化前后均方根误差(a)和最小海平面气压图(b)

图6b考察的是同化区间内每次分析和预报的最小海平面气压(MSLP)和JTWC观测资料中对应时段的最小海平面气压对比分析, 由图可以发现, 每个同化时刻预报的最小海平面气压较同化前的最小海平面气压更加接近真实观测值, 而在第一个同化时刻预报的最小海平面气压与真实观测值相差20hPa, 在之后的时刻这个差值基本处于稳步下降的趋势, 且前期下降尤为显著。这是由于3DVAR同化并不是依靠分析来调整的, 而是依靠分析后的短期的模式预报调整。预报的最小海平面气压仅在21日20时到21时之间有所回升, 之后继续减小, 直到最后一个同化时刻达到最小值7hPa左右, 总体还是呈现出下降趋势。这说明3DVAR同化雷达径向风观测资料在达到一定时长后, 对改进整个同化周期后的预报分析有积极效应。

2.4 同化末端台风结构场分析

在对同化周期的表现分析之后, 本文进一步对各组试验最后一个同化时次的台风结构场进行分析。图7显示的是2010年7月22日00时的CTNL、3DVAR两组试验分析的海平面气压场和近地面风场合成示意图。其中CTNL试验的台风中心海平面气压最低值为995hPa (图7a), 而3DVAR试验的海平面气压最低值为973hPa (图7b), 其分析的台风涡旋环流结构要比CTNL试验显著。并且在图中可以看到, CTNL试验的近地面风场很弱, 风速在35m•s-1以下, 且偏离环流中心。而3DVAR的近地面风场(10m风)则明显加强, 风速最大达到45m•s-1以上, 台风中心东侧的风速较大, 风场与环流中心契合, 与观测更加接近, 更好地反映了台风环流结构。
Fig. 7 The analyzed sea level pressure (contours, units: hPa) and surface wind vector (units: m•s-1) for CTNL (a) and Exp 3DVAR (b) at 0000 UTC July 22, 2010. The black solid line indicates the cross section in Fig. 8

图7 2010年7月22日00时CTNL试验(a)和3DVAR试验(b)下的10m水平风速(箭头, 单位: m•s-1)和台风中心海平面气压(阴影, 单位: hPa)
黑色虚线表示图8中的截面位置

本文进一步考察了台风中心的垂直结构, 图8展示了7月22日00时通过台风中心的水平风速和位温的西南—东北垂直截面, 其剖面路径参考图8中的黑色实线。图8a为CTNL试验通过台风中心的水平风速和位温截面图, 如图8a中所示, 未经过同化试验的风眼范围较广, 呈纬向非对称分布, 半径约为150km, 眼墙地带的风速较低, 最大风速仅达30m•s-1, 且分布稀疏, 眼区附近的位温廓线分布平缓, 没有出现明显的环流特征。与CTNL试验相比, 经过3DVAR同化周期后(图8b)的涡旋环流强度更大, 并且清楚地显示了从地表延伸至约600hPa的眼壁结构。整个同化周期试验后的风眼远窄于未同化, 半径约为20km, 也呈现纬向非对称分布, 眼墙地带的风速较高, 最大风速在45m•s-1以上。整个同化周期试验后的风眼附近, 位温廓线呈向上弯曲的趋势表明台风中心在对流层底内的冷心结构, 这可能由于预报产生的位温增量都是由3DVAR中各向同性的静态的背景误差协方差平衡关系所导致。而在500hPa以上的位温廓线有向下弯曲的趋势, 说明高层存在弱暖心结构。
Fig. 8 Southwest-northeast vertical cross sections of analyzed horizontal wind speed (units: m•s-1) and potential temperature (units: K) for CTNL (a) and Exp 3DVAR (b) at 0000 UTC July 22, 2010

图8 2010年7月22日00时CTNL试验(a)和3DVAR试验(b)通过台风中心的水平风速(阴影, 单位: m•s-1)和位温(等值线, 单位: K)的西南—东北垂直截面图

为了更好地研究同化周期内的同化后台风的垂直结构, 图9中展示了7月21日20时、22时和22日00时同化后的轴对称切向风和水平温度异常(剖面路径为纬向)。可以看到第三次分析时刻(图9a)的切向风较小, 眼墙最大风速区在35m•s-1以下, 最大风速半径位于45km处。经过五次同化分析后(图9b)的台风环流强度加强, 眼墙最大风速达到45m·s-1, 最大风速半径转移到30km处, 最大温度异常中心位于8km处。最后一次同化分析时刻(图9c)的台风环流强度持续加强, 眼墙最大风速保持在45m·s-1左右, 最大风速半径位置不变, 范围扩大, 最大温度异常中心位于10km处, 同化时间窗较长时, 同化雷达径向风能够较好地改善台风结构。
Fig. 9 Azimuthal mean tangential wind speed (shading, units: m•s-1) and temperature deviation from horizontal mean (solid contour, units: ℃) at 2000 UTC July 21, 2010 (a), 2200 UTC July 21, 2010 (b), and 0000 UTC July 22, 2010 (c)

图9 2010年7月21日20时(a)、2010年7月21日22时(b)和2010年7月22日00时(c)的轴对称切向风(阴影, 单位: m•s-1)和水平温度异常(等值线, 单位: ℃)图

此外, 为了更好地分析经过整个同化周期前后的台风环流中心结构和强度的区别, 本文在图10中展示了7月22日00时观测场和同化前后的台风环流区域的组合雷达反射率因子。此时, 台风“灿都”(2010)位于雷州半岛东部和海南岛, 从观测场(图10a)中可以看到明显的台风环流结构, 最大雷达反射率区域位于台风中心的东南象限。在CTNL中(图10b), 台风中心涡旋较弱, 而且台风眼区周围的雷达反射率大部分缺失, 与观测场相差很大。而在3DVAR中(图10c), 台风中心的雷达反射率更强, 显示出了更紧密完整的台风环流结构, 眼壁较为对称, 强回波区主要位于台风中心的东南象限, 与观测场较接近。
Fig. 10 Composite reflectivity (shaded) for observation (a), CTNL (b), and Exp 3DVAR (c) overlapped with winds (vectors) at 0000 UTC July 22, 2010

图10 2010年7月22日00时观测场(a)、CTNL试验(b)和3DVAR试验(c)的组合反射率(阴影, 单位: dBZ)和水平风场(箭头, 单位: m•s-1)图

2.5 台风强度和路径预报分析

图11展示了CTNL试验、3DVAR试验在台风“灿都”(2010)登陆过程中的路径和路径误差的预报结果以及台风的真实观测数据。起报时间为7月22日00时, 做18h确定性预报, 到7月22日18时结束。可以从图11a中看到, 未经过同化的台风路径登陆前有明显北偏, 登陆后有明显西偏, 于最佳路径观测的台风路径有较大的出入, 而经过整个同化周期后的台风路径与最佳路径观测的台风路径在登陆前后都较吻合, 只是00时的起点处位于最佳路径观测的台风中心西北侧, 造成了一定偏差。图11b比较了CTNL试验、3DVAR试验预报的路径误差, 图中两者的路径误差都有所减小, 但CTNL试验预报的路径误差始终大于3DVAR试验, 而且3DVAR试验预报的路径误差在预报后期降低到了7km。
Fig. 11 Tracks (a), track error (b), the forecast MSLP (c), and MSW (d) for best track observation, CTNL, and Exp 3DVAR at 0000 UTC July 22, 2010

图11 2010年7月22日00时至18时最佳路径观测数据和CTNL试验、3DVAR试验预报的路径图(a)、路径误差图(b)、最小海平面气压(c)、地面最大风速(d)预报

另外, 同样是从7月22日00时开始预报至18时, 如图11c和11d所示, 我们又分析了CTNL试验、3DVAR试验的最小海平面气压(MSLP)(图11c)和地面最大风速(MSW)(图11d)与真实观测数据的对比。最小海平面气压是用来表示台风环流中心的位置的, 从图11c中可以看出3DVAR试验下预报的MSLP在大部分时间里较CTNL试验更接近真实观测的MSLP, 只有在最后一个预报时间段内, CTNL试验较接近真实观测数据, 但3DVAR试验预报的MSLP误差仅8hPa。从总体趋势上来看, 3DVAR试验预报效果要比CTNL试验更佳。而在图11d中我们对比分析了CTNL试验、3DVAR试验预报的MSW与真实观测的MSW, 与图11c相似, 前期仍然是3DVAR试验预报的效果较好, 在最后一个预报时段则是CTNL试验预报的效果更好, 但最后一个时段内3DVAR试验与真实观测的MSW误差仅在2m•s-1, 总体趋势上仍然是3DVAR试验的预报效果更优。

3 总结与展望

本文利用高分辨率中尺度预报模式WRF及WRF-3DVAR同化系统, 针对2010年登陆于广东省的超强台风“灿都”(2010)个例, 每1h同化阳江、海口两个雷达站的雷达径向风观测资料并做出确定性预报, 分析其对台风“灿都”(2010)在登陆过程中的台风结构、强度、路径的影响。主要试验结果和结论如下:
1) 从同化试验前后的风场和风场增量变化来看, 同化试验分析后的风场在每个时段都有强度和结构上的调整, 风场增量大多数同化时刻呈现气旋性环流, 可以知道同化雷达径向风的作用主要体现在对台风强度和环流结构的调整。本文还对比分析了观测空间风场在观测场、背景场和分析场的情况, 认为分析场的雷达径向风较背景场与观测场更加接近, 说明同化分析能够较好地改善台风风场的强度和环流结构。
2) 本文分析了同化窗区间的RMSE和MSLP下降的情况, 认为3DVAR同化雷达资料对模式分析场和之后的预报都产生了较好的效应, 且在同化周期达到一定时长后, 对整个同化区间的分析效果有积极效应。
3) 在同化末端及其预报的情况分析中, 发现通过同化雷达径向风观测资料, 可以改进台风的初始风场以及台风环流中心的热力和动力结构、强度和位置, 进而提高18h的台风结构、路径、强度。
本试验采用了两部雷达资料进行同化试验, 对台风“灿都”(2010)个例进了初步研究, 所得到的台风结构、强度和路径方面的结论只适用于此个例, 具有一定局限性, 对于其他个例是否成立还需要再做研究。同时, 对雷达资料的质量控制和3DVAR同化方法的改进还需要更多的研究工作。而就个例“灿都”(2010)来说, 利用多部雷达资料(两部以上)并采用先进的集合同化方法进行更进一步的研究是接下来要做的工作。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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[J]. 气象, 38(10): 1170-1181.Data assimilation plays an important role in numerical weather prediction. Radar radial velocity data with high spatial and temporal resolution are one of the most useful data in data assimilation. In order to investigate the effects of radar radial velocity data and data assimilation interval on typhoon Matsa’s track and precipitation, the direct assimilation procedure of Doppler radar radial velocity data using the three dimensional variational (3DVAR)data assimilation method is set up for the Weather Research and Forecasting (WRF) model. Five numerical experiments are conducted for the simulation of typhoon Matsa (2005): a control run (CTL) without data assimilation, and four assimilated runs (ASSG, ASSGR, ASS6h, and ASS3h). Comparing the assimilation experiments (ASSG and ASSGR) and the control one (CTL) shows that, the radar radial velocity data can tune the typhoon structure and hence improve the simulation of typhoon Matsa’s track and precipitation. During the first 12 hours, the deviation between simulation and observation of the Matsa position decreases by 19.3 km and 25.9 km for ASSG run and ASSGR run, respectively. Although the simulated 12 hour accumulated precipitations are both overestimated by the ASSG and ASSGR runs in Ningbo, Zhoushan, and Jiaxing regions, it is much better than that by the CTL run. In order to investigate the effects of data assimilation interval on typhoon Matsa’s track and precipitation, three assimilated experiments with different data assimilation intervals are compared. Results show that small data assimilation interval can improve the result of the numerical experiment.

DOI

CHEN FENG, JI CHUNXIAO, DONG MEIYING, et al, 2012. The effects of radar radial velocity data assimilation on the simulation of typhoon Matsa[J]. Meteorological Monthly, 38(10): 1170-1181 (in Chinese with English abstract).

[2]
陈锋, 董美莹, 冀春晓, 2017. 不同资料同化对登陆台风菲特(2013)短时预报的影响研究[J]. 气象, 43(9): 1029-1040.lt;正>1引言众所周知,利用资料同化技术改进初始场质量,已经成为数值天气预报科研和业务上的关键问题。随着观测手段的进步和观测网络的逐步完善,越来越多的观测资料被用于各类复杂的数值天气预报系统中。评估这些资料在数值预报系统中的贡献,有助于多源观测资料的高效利用,对观测网络系统建设具有指导意义。国内外已有很多这方面的相关研究,但这些研究多集中于某种

DOI

CHEN FENG, DONG MEIYING, JI CHUNXIAO, 2017. Relative impact from surface, radiosonde, aircraft, satellite, and radar observations on short time forecasting for typhoon Fitow (2013) at landfall[J]. Meteorological Monthly, 43(9): 1029-1040 (in Chinese with English abstract).

[3]
顾建峰, 2006. 多普勒雷达资料三维变分直接同化方法研究[D]. 南京: 南京信息工程大学.

GU JIANFENG, 2006. Research on 3D variational direct assimilation method of doppler radar data[D]. Nanjing: Nanjing University of Information Science and Technology (in Chinese with English abstract).

[4]
官元红, 周广庆, 陆维松, 等, 2007. 资料同化方法的理论发展及应用综述[J]. 气象与减灾研究, 30(4): 1-8.简单介绍了资料同化的概念、功能及分类,回顾了资料同化的发展历程,对各个时期发展的各种方法的理论进行了概述,并指出了每种方法的优缺点及应用进展。目前,三维变分在业务上得到了广泛的应用和推广,随着研究的深入和计算机水平的不断提高,四维变分和集合Kalman滤波在将来业务预报中有广泛的应用前景。

DOI

GUAN YUANHONG, ZHOU GUANGQING, LU WEISONG, et al, 2007. Theory development and application of data assimilation methods[J]. Meteorology and Disaster Reduction Research, 30(4): 1-8 (in Chinese with English abstract).

[5]
李新峰, 2012. 雷达资料循环同化在台风“莫兰蒂”短时预报中的应用研究[D]. 南京: 南京大学.

LI XINFENG, 2012. Short-term forecasting through cycling assimilation of China coastal radar data for typhoon Meranti at landfall:[D]. Nanjing: Nanjing University (in Chinese with English abstract).

[6]
李新峰, 赵坤, 王明筠, 等, 2013. 多普勒雷达资料循环同化在台风“鲇鱼”预报中的应用[J]. 气象科学, 33(3): 255-263.

LI XINFENG, ZHAO KUN, WANG MINGYUN, et al, 2013. Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data[J]. Journal of the Meteorological Sciences, 33(3): 255-263 (in Chinese with English abstract).

[7]
林良根, 汪瑛, 林少冰, 2011. 台风“灿都”的特点分析[C]//2011年第二十八届中国气象学会年会论文集. 厦门: 中国气象学会: 1-7.

LIN LIANGGEN, WANG YING, LIN SHAOBING, 2011. Analysis of the typhoon Chanthu[C]//Chinese Meteorological Society. Xiamen: Chinese Meteorological Society: 1-7 (in Chinese with English abstract).

[8]
沈菲菲, 闵锦忠, 陈鹏, 等, 2015. 多普勒雷达资料同化在台风“桑美”预报中的应用研究[J]. 海洋学报, 37(3): 25-36.本文以2006年超强台风"桑美"为个例,考察了同化雷达径向风观测资料对台风初始场和预报场的改进作用。首先对沿海新一代多普勒天气雷达的径向风观测资料进行了去噪音、退模糊等一系列的质量控制,进一步利用美国国家大气研究中心开发的中尺度数值模式WRFV3.5及其三维变分同化系统WRF-3DVAR,每30min循环同化雷达径向风观测资料。结果表明:同化多普勒雷达径向风观测资料后,对台风在模式中的初始位置进行了很好的修正,同时对台风区的动力和热力结构均有较好的调整。两组同化试验对于台风的路径、强度、降水等预报要优于控制试验,并且对背景误差协方差尺度化因子优化调整可以更有效地吸收雷达观测资料并提供更多的中小尺度信息。

DOI

SHEN FEIFEI, MIN JINZHONG, CHEN PENG, et al, 2015. Experiments of assimilating Doppler radar data in forecast of typhoon Saomai[J]. Acta Oceanologica Sinica, 37(3): 25-36 (in Chinese with English abstract).

[9]
沈菲菲, 闵锦忠, 许冬梅, 等, 2016. 双多普勒雷达资料同化在飓风“艾克”预报中的应用研究[J]. 海洋学报, 38(11): 60-72.本文采用美国国家大气研究中心（NCAR）开发的中尺度数值模式WRFV3.7及其三维变分同化系统WRF-3DVAR对2008年飓风“艾克”进行了数值模拟研究。利用多普勒天气雷达观测资料具有高时空分辨率的优点，将美国两部多普勒天气雷达资料进行速度退模糊等必要质量控制后同化进中尺度数值模式，考察雷达资料同化对飓风“艾克”预报的改进程度。试验结果表明：将雷达资料用于对流尺度分辨率下飓风初始化需要对变分同化系统中特征尺度化因子进行优化调整，使观测资料能够以较为合理的方式调整模式初始场并进而改进预报；雷达径向风同化可以有效调整模式初始场中的飓风动力和热力结构，而经过尺度化因子调整后的雷达径向风同化则在飓风观测中心位置产生较为合理的气旋性风场增量，提供更为确切的中小尺度信息，使模式初始场更加接近观测并进而改进对飓风路径和强度的预报。

DOI

SHEN FEIFEI, MIN JINZHONG, XU DONGMEI, et al, 2016. Application of assimilating Dual Doppler radar data in forecast of Hurricane Ike[J]. Acta Oceanologica Sinica, 38(11): 60-72 (in Chinese with English abstract).

[10]
盛春岩, 薛德强, 雷霆, 等, 2006. 雷达资料同化与提高模式水平分辨率对短时预报影响的数值对比试验[J]. 气象学报, 64(3): 293-307.为对比雷达资料同化与提高模式水平分辨率对短时数值预报的影响，利用美国Oklahoma 大学风暴分析和预测中心开发的ARPS（The Advanced Regional Prediction System）模式 及其资料分析系统ADAS（ARPS Data Analysis System），对一次华北暴雨过程进行了18,15 ,9,6,3 km 5种不同水平分辨率的数值对比试验，并对比了使用雷达资料进行云分析时5种 分辨率的模拟结果，结果表明，仅使用常规观测资料的情况下，通过提高模式水平分辨率， 可以改进6 h内的短时预报，模拟的锋面结构更为细致，降水尤其是强降水预报评分提高了 。而使用雷达资料改进模式初始场后，能明显改进模式6 h内的预报尤其是降水强度和落区 预报，使得18 km上使用雷达资料同化的预报结果好于3 km不使用雷达资料同化的结果，表 明雷达资料同化比单纯提高模式水平分辨率更为有效。不同分辨率上使用雷达资料同化的对 比发现，对于40 mm以下的一般性降水，从18—3 km的模拟结果差别不大，而对于强降水，仍然需要提高模式的水平分辨率。但无论初始场是否使用雷达资料同化，但当分辨率由6 km 提高到3 km时，模拟结果无明显改进，因此，提高模式分辨率有一定的限度，而在适当提高 模式分辨率的同时使用雷达资料同化改进模式初始场，则是提高模式短时预报的一个非常有 效的途径。

DOI

SHENG CHUNYAN, XUE DEQIANG, LEI TING, et al, 2006. Comparative experiments between effects of Doppler radar data assimilation and inceasing horizontal resolution on short-range prediction[J]. Acta Meteorologica Sinica, 64(3): 293-307 (in Chinese with English abstract).

[11]
徐广阔, 孙建华, 赵思雄, 2009. 基于雷达资料同化的2003年7月一次暴雨过程的数值模拟及分析[J]. 热带气象学报, 25(4): 427-434.利用我国CINRAD/SA多普勒雷达资料与中尺度模式ARPS 的资料分析系统ADAS,对初始场进行调整,然后利用高分辨率的中尺度模式WRF对2003年7月4-5日的暴雨过程进行了数值模拟,在模拟结果可信的前 提下,对暴雨过程中的中尺度对流系统(MCS)的结构及演变过程进行了分析.表明:多普勒雷达资料有助于提高暴雨模拟的精确度,利用其对中尺度系统进行高 分辨率数值模拟,可以进一步认识中尺度系统的细致结构及演变情况;在中-β对流系统发展的过程中,大尺度环境场的有利条件可以对其发展起到促进作用,但具 有中尺度特征的水汽条件、上升运动等因素也会起到关键的作用;中-β对流系统中可以同时有一支或多支的上升气流支出现,与降水有密切关系;2003年7月 4-5日的两个中-β对流系统在发展过程中有从低空向高空移动的现象,即在发展初期,系统的中心位于低空,而在其旺盛时期则移至高空.

DOI

XU GUANGKUO, SUN JIANHUA, ZHAO SIXIONG, 2009. The numerical simulation and analysis of a heavy rainfall in July 2003 based on radar data assimilation[J]. Journal of Tropical Meteorology, 25(4): 427-434 (in Chinese with English abstract).

[12]
章国材, 2004. 美国WRF模式的进展和应用前景[J]. 气象, 30(12): 27-31.WRF model system is a new generation mesoscal numerical weather forecast model and data assimilation system which is made by meteorological community of U.S.A. 3DAR and WRF V.20 will be released this year. There are highly modular,transportable,and efficient in massively Parallel Computing environment,numerous physics options in the model,advanced data assimilation system developed in tandem with the model itself. The simulations and real-time forecasting show that WFR model has good property for forecasting many kind of weather. The WRF model fully coupled nline" chemistry,therefore WRF model system has broad application not only in weather forecasts,but also in air quality forecasts.

DOI

ZHANG GUOCAI, 2004. Progress of weather research and forecast (WRF) model and application in the United States[J]. Meteorological Monthly, 30(12): 27-31 (in Chinese with English abstract).

[13]
张晗昀, 王振会, 楚志刚, 等, 2018. 天气雷达反射率资料订正前后在ARPS模式中的同化试验对比[J]. 气象科学, 38(1): 57-65.以TRMM/PR反射率资料作参照,对常州、南京天气雷达反射率资料进行一致性订正,再利用中尺度模式ARPS及其数据同化系统ADAS对订正前、后的天气雷达反射率因子进行同化,模拟2013年6月25日和2010年8月24日江苏地区两次暴雨过程。两次暴雨过程均包括三组试验:控制试验和雷达资料订正前、后的同化试验。结果表明:(1)雷达反射率因子的同化很好地改进了模式初始湿度场,使降水预报在分布和强度上更接近实况;(2)雷达资料的订正进一步改进了反射率因子同化试验,并且通过调整初始湿度场和上升运动场(调整作用主要体现在前2-3个小时内)改善了对降水的模拟预报,其结果证明雷达反射率因子的订正改善了雷达资料的质量。

ZHANG HANYUN, WANG ZHENHUI, CHU ZHIGANG, et al, 2018. Corrected and original weather radar reflectivity data assimilation in numerical model ARPS[J]. Journal of the Meteorological Sciences, 38(1): 57-65 (in Chinese with English abstract).

[14]
BUEHNER M, 2005. Ensemble‐derived stationary and flow‐dependent background‐error covariances: Evaluation in a quasi‐operational NWP setting[J]. Quarterly Journal of the Royal Meteorological Society, 131(607): 1013-1043.In this study several approaches for obtaining more accurate background-error covariances for atmospheric data assimilation are evaluated. Experiments are conducted by replacing the covariances in the operational three-dimensional variational analysis system at the Canadian Meteorological Centre. In the current system, these covariances are computed using the so-called NMC method that is known to suffer from several deficiencies. The approaches evaluated in this study attempt to more realistically sample the probability distribution of background error by simulating (using a Monte Carlo approach) the error generated at each stage of the forecast-analysis process. The ensemble Kalman filter and a simpler approach applied to an existing forecast-analysis system are both used to generate these error samples. In addition, error samples are generated directly from the covariances of the operational system to allow the effects of sampling error to be quantified. Several strategies for estimating the full covariance matrix from a relatively small number of error samples are then employed. Approaches include the use of a spatially localized ensemble representation of the correlations that allows the usual assumptions of homogeneity and isotropy to be relaxed. In addition, the use of a weighted average between such a covariance matrix and a covariance matrix with homogeneous and isotropic correlations is evaluated. Several diagnostic results from the estimated background-error covariances are presented in addition to verification statistics computed from two-week forecast-analysis experiments. Modest forecast improvements are obtained by using the new background-error covariance estimates, mostly in the southern hemisphere. However, additional results suggest that further improvements may be gained by increasing the number of error samples and a preliminary quantitative estimate of the expected gain is computed. Crown copyright, 2005. Royal Meteorological Society

DOI

[15]
BUEHNER M, HOUTEKAMER P L, CHARETTE C, et al, 2010a. Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part I: Description and single-observation experiments[J]. Monthly Weather Review, 138(5): 1550-1566.ABSTRACT An intercomparison of the Environment Canada variational and ensemble Kalman filter (EnKF) data assimilation systems is presented in the context of global deterministic NWP. In an EnKF experiment having the same spatial resolution as the inner loop in the four-dimensional variational data assimilation system (4DVar), the mean of each analysis ensemble is used to initialize the higher-resolution deterministic forecasts. Five different variational data assimilation experiments are also conducted. These include both 4D-Var and 3D-Var (with first guess at appropriate time) experiments using either (i) prescribed background-error covariances similar to those used operationally, which are static in time and include horizontally homogeneous and isotropic correlations; or (ii) flow-dependent covariances computed from the EnKF background ensembles with spatial covariance localization applied. The fifth variational data assimilation experiment is a new approach called the Ensemble-4D-Var (En-4D-Var). This approach uses 4D flow-dependent background-error covariances estimated from EnKF ensembles to produce a 4Danalysis without the need for tangent-linear or adjoint versions of the forecast model. In this first part of a two-part paper, results from a series of idealized assimilation experiments are presented. In these experiments, only a single observation or vertical profile of observations is assimilated to explore the impact of various fundamental differences among the EnKF and the various variational data assimilation approaches considered. In particular, differences in the application of covariance localization in the EnKF and variational approaches are shown to have a significant impact on the assimilation of satellite radiance observations. The results also demonstrate that 4DVar and the EnKF can both produce similar 4D background-error covariances within a 6-h assimilation window. In the second part, results from medium-range deterministic forecasts for the study period of February 2007 are presented for the EnKF and the five variational data assimilation approaches considered.

DOI

[16]
BUEHNER M, HOUTEKAMER P L, CHARETTE C, et al, 2010b. Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part II: One-month experiments with real observations[J]. Monthly Weather Review, 138(5): 1567-1586.

DOI

[17]
LI YONGZUO, WANG XUGUANG, XUE MING, 2012. Assimilation of radar radial velocity data with the WRF hybrid ensemble-3DVAR system for the prediction of Hurricane Ike (2008)[J]. Monthly Weather Review, 140(11): 3507-3524.

DOI

[18]
SASAKI Y, 1970a. Some basic formalisms in numerical variational analysis[J]. Monthly Weather Review, 98(12): 875-883.

DOI

[19]
SASAKI Y, 1970b. Numerical variational analysis formulated under the constraints as determined by longwave equations and a low-pass filter[J]. Monthly Weather Review, 98(12): 884-898.Abstract The “timewise localized” variational formalism of the numerical variational analysis method is used (1) to filter and suppress unnecessary high-frequency noises contained in initial and forecast fields and (2) to obtain dynamically sound initial values in the areas lacking data. A set of nonlinear longwave equations and a low-pass filter minimizing local changes are used in this paper as dynamical constraints. Also proposed in this study is a technique to assure the convergence of a numerical solution of the nonlinear Euler equations by an iterative process. Three applications of the method are presented. The first two examples demonstrate that the initial guess in the iterative process influences significantly the speed of convergence. The last example is an application to the 500-mb analysis of hurricane Dora, 1964, and demonstrates a reasonable analysis in the data-sparse area where the hurricane was located at 1200 GMT on Sept. 8, 1964.

DOI

[20]
SHEN FEIFEI, XU DONGMEI, XUE MING, et al, 2018. A comparison between EDA-EnVar and ETKF-EnVar data assimilation techniques using radar observations at convective scales through a case study of Hurricane Ike (2008)[J]. Meteorology and Atmospheric Physics, 130(6): 649-666.This study examines the impacts of assimilating radar radial velocity (Vr) data for the simulation of hurricane Ike (2008) with two different ensemble generation techniques in the framework of the hyb

DOI

[21]
SKAMAROCK W C, KLEMP J B, DUDHIA J, et al, 2005. A description of the advanced research WRF version 2[R]. Boulder, Colorado, USA: National Center for Atmospheric Research, Mesoscale and Microscale Meteorology Division.

[22]
TALAGRAND O, COURTIER P, 1987. Variational assimilation of meteorological observations with the adjoint vorticity equation. I: Theory[J]. Quarterly Journal of the Royal Meteorological Society, 1987, 113(478): 1311-1328.The following variational approach is taken to the problem of assimilation of meteorological observations: find the solution of the assimilating model which minimizes a given scalar function measuring the ‘distance’ between a model solution and the available observations. It is shown how the ‘adjoint equations’ of the model can be used to compute explicitly the ‘gradient’ of the distance function with respect to the model's initial conditions. the computation of one gradient requires one forward integration of the full model equations over the time interval on which the observations are available, followed by one backward integration of the adjoint equations. Successive gradients thus computed are introduced into a descent algorithm in order to determine the initial conditions which define the minimizing model solution.The theory is applied to the vorticity equation. Successful numerical experiments performed on a Haurwitz wave are described.

DOI

[23]
WANG MINGJUN, XUE MING, ZHAO KUN, et al, 2014. Assimilation of T-TREC-retrieved winds from single-doppler radar with an ensemble Kalman Filter for the forecast of typhoon Jangmi (2008)[J]. Monthly Weather Review, 142(5): 1892-1907.A tropical cyclone (TC) circulation Tracking Radar Echo by Correlation technique (T-TREC) developed recently is applied to derive horizontal winds from single Doppler radar reflectivity Z data (combined with radial velocity V r data when available). The typically much longer maximum range of Z observations compared to V r data allows for much larger spatial coverage of the T-TREC-retrieved winds ( VTREC) when a TC first enters the maximum range of a coastal radar. Retrieved using data from more than one scan volume, the T-TREC winds also contain valuable cross-beam wind information. The VTREC or V r data at 30-min intervals are assimilated into the Advanced Regional Prediction System (ARPS) model at 3-km grid spacing using an ensemble Kalman filter, over a 2-h window shortly after Typhoon Jangmi (2008) entered the V r coverage area of an operational weather radar of Taiwan. The assimilation of VTREC data produces analyses of the typhoon structure and intensity that more closely match observations than analyses produced using V r data or the reference Global Forecast System (GFS) analysis. Subsequent 28-h forecasts of intensity, track, structure, and precipitation are also improved by assimilating VTREC data. Further sensitivity experiments show that assimilation of VTREC data can build up a reasonably strong vortex in 1 h, while a longer assimilation period is required to spin up the vortex when assimilating V r. Although the difference between assimilating VTREC and V r is smaller when the assimilation window is longer, the improvement from assimilating VTREC is still evident. Assimilating Z data in addition to V r or VTREC results in little further improvement.

DOI

[24]
WANG XUGUANG, 2010. Incorporating ensemble covariance in the gridpoint statistical interpolation variational minimization: A mathematical framework[J]. Monthly Weather Review, 138(7): 2990-2995.Gridpoint statistical interpolation (GSI), a three-dimensional variational data assimilation method (3DVAR) has been widely used in operations and research in numerical weather prediction. The operational GSI uses a static background error covariance, which does not reflect the flow-dependent error statistics. Incorporating ensemble covariance in GSI provides a natural way to estimate the background error covariance in a flow-dependent manner. Different from other 3DVAR-based hybrid data assimilation systems that are preconditioned on the square root of the background error covariance, commonly used GSI minimization is preconditioned upon the full background error covariance matrix. A mathematical derivation is therefore provided to demonstrate how to incorporate the flow-dependent ensemble covariance in the GSI variational minimization.

DOI

[25]
XIAO QINGNONG, ZOU XIAOLEI, WANG BIN, 2000. Initialization and Simulation of a landfalling hurricane using a variational bogus data assimilation scheme[J]. Monthly Weather Review, 128(7): 2252-2269.

DOI

[26]
XIAO QINGNONG, KUO Y H, SUM JUANZHEN, 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]. Journal of Applied Meteorology, 44(6): 768-788.

DOI

[27]
ZHAO KUN, XUE MING, 2009. Assimilation of coastal Doppler radar data with the ARPS 3DVAR and cloud analysis for the prediction of Hurricane Ike (2008)[J]. Geophysical Research Letters, 36(12): L12803.

DOI

Options
文章导航

/

〈 〉