Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2022 , Vol. 41 >Issue 5: 17 - 28

DOI: https://doi.org/10.11978/2021160

Marine Meteorology

Assimilating MWHS-2 radiance of FY-3D satellite and its influence on the forecast of Typhoon Mitag*

  • SHU Aiqing , 1 ,
  • XU Dongmei , 1, 2, 4 ,
  • LI Hong 2 ,
  • WU Haiying 3 ,
  • SHEN Feifei 1, 2 ,
  • DEND Hua 1 ,
  • BAI Yawen 1
Expand
  • 1. 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
  • 2. Shanghai Typhoon Institute, China Meteorological Administration, Shanghai 200030, China
  • 3. Jiangsu Meteorological Observatory, Nanjing 210041, China
  • 4. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province, Chengdu 610225, China
XU Dongmei. email:

Copy editor: YIN Bo

Received date: 2021-11-16

  Revised date: 2022-01-11

  Online published: 2022-01-17

Supported by

Major Program of National Natural Science Foundation of China(42192553)

Shanghai Academic / Technology Research Leader(21XD1404500)

Shanghai Typhoon Research Foundation(TFJJ202107)

National Natural Science Foundation of China(G41805016)

National Natural Science Foundation of China(G41805070)

Jiangsu Province Natural Science Fund(BK20201506)

Research Project of Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province in China(SZKT201904)

Postgraduate Research & Practice Innovation Program of Jiangsu Province(KYCX22_1163)

Fold

Abstract

Based on the module of directly assimilating MWHS-2 (microwave humidity sounder 2) radiance of FY-3D in the WRF (weather research and forecasting) model, this study investigates the influence of assimilating clear-sky MWHS-2 radiance on the forecast of Typhoon Mitag (2019) by using the 3DVar (three dimensional variation) assimilation method. Four experiments are designed. No assimilation is performed in the first one, while only GTS (global telecommunications system) data are used in the second one. Further, the assimilation of both GTS data and MWHS-2 radiance is carried out in the third one. The fourth one replaces MWHS-2 radiance with ATMS (advanced technology microwave sounder) radiance. The results show that the mean differences of all channels between the observation and the background verge to 0 after the bias correction. In addition, compared with the background field, the standard deviation and root mean square error of the analysis field versus the observation decrease significantly after the assimilation, which demonstrates the effectiveness of assimilation. Compared with the experiment only assimilating GTS data and the experiment assimilating ATMS radiance, a negative height increment and a positive temperature increment are observed near the typhoon center after assimilating clear-sky MWHS-2 radiance, which contributes to the maintenance of typhoon from the dynamic and thermal aspects. In the last 12 hours of the deterministic forecast, the experiment assimilating clear-sky MWHS-2 radiance is able to improve the 500 hPa circulation simulation with stronger southwest steering flow, which finally reduces the error of typhoon track forecast.

Key words： Typhoon Mitag; FY-3D satellite; clear-sky MWHS-2 radiance; 3DVar; numerical weather prediction

Cite this article

SHU Aiqing , XU Dongmei , LI Hong , WU Haiying , SHEN Feifei , DEND Hua , BAI Yawen . Assimilating MWHS-2 radiance of FY-3D satellite and its influence on the forecast of Typhoon Mitag*[J]. Journal of Tropical Oceanography, 2022 , 41(5) : 17 -28 . DOI: 10.11978/2021160

*本论文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助, 在此表示感谢！
随着各种先进的遥感数据应用于资料同化中为数值模式提供了更准确的初始场, 数值天气预报水平得到了显著的改进(肖贤俊 等, 2011; 刘贝 等, 2014; Li et al, 2015; 沈菲菲 等, 2016; Zhu et al, 2016a; 马刚 等, 2017; 戚佩霓 等, 2019; Pan et al, 2019; Shen et al, 2021; Niu et al, 2021)。其中卫星资料能够提供对地球大范围的监测, 因此在提高数值天气预报精度方面发挥了重要作用。根据欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)的统计, 在世界上大多数数值预报中心, 被同化系统使用的卫星数据约占所有同化数据的90%以上(Bauer et al, 2010)。卫星资料同化理论上以辐射传输模型作为观测算子, 通过对比模拟的背景场亮温与观测亮温来修正背景场, 从而获得对当前大气状态的最优分析。实际操作中, 由于云雨区的复杂性, 对原始卫星资料进行质量控制和偏差订正后, 只有一小部分未被污染的卫星观测能够为数值模式提供有用的同化信息(Bauer et al, 2006; Kim et al, 2010; Xu et al, 2016a; Zhu et al, 2016b)。为解决这一难题, 在业务与科研中经常仅用无云区域的卫星资料而舍弃受云雨污染的观测, 这种方法被称为晴空辐射率同化, 在数值天气预报中得到广泛的应用。作为十大自然灾害之首, 台风每年给我国沿海地区人民的生命安全和经济财产带来巨大的威胁, 因此提高对台风的预报水平至关重要。台风预报水平的提升除了依靠数值天气预报模式的发展
外, 还需提高模式初始场的质量(Shen et al, 2017; Pu et al, 2019)。台风生命周期的大部分时间是在缺乏常规观测资料的洋面上, 因此将卫星观测应用于数值模式的初始化可以作为常规观测资料的补充, 从而提高台风预报的准确率。
我国自2008年5月成功发射第一颗名为FY-3A的风云3系列极轨卫星后, FY-3D卫星是目前较新的业务化运行的极轨卫星。它搭载了10个先进的探测仪器, 有5种仪器继承于上一代FY-3C卫星, 其中微波湿度计Ⅱ (micro-wave humidity sounder 2, MWHS-2)是自FY-3C卫星以来的第二代微波湿度计。与上一代仪器相比, MWHS-2在118GHz氧气波段附近新增8个探测通道(Xian et al, 2019), 这些新通道提供了丰富的大气观测信息。MWHS-2及其前代MWHS湿度计在改进数值天气预报方面有重要的应用。事实证明, 在ECMWF的集成预报系统(integrated forecasting system, IFS)中引入FY-3B卫星MWHS辐射率资料后改进了数值天气预报的准确率(Lu, 2011; Lu et al, 2011; Chen et al, 2015)。通过同化FY-3C卫星MWHS-2辐射率资料并对比其他卫星辐射率资料, ECMWF最新研究表明MWHS-2辐射率资料的质量较高, 基本与先进微波探测计A单元(advanced microwave sounding unit-A, AMSU-A)资料和先进技术微波探测计(advanced technology microwave sounder, ATMS)资料相当(Lawrence et al, 2015)。许多专家学者已对FY-3C卫星MWHS-2辐
射率资料在数值天气预报中的应用开展研究(吴应昂, 2015; 朱利剑, 2018; 范娇, 2019; 蒋璐西 等, 2019; 冼智鹏, 2019; 刘淑贤, 2021), 然而对较新的FY-3D卫星MWHS-2辐射率资料在数值天气预报尤其是台风初始化中的研究还很少。因此, 本研究选取台风“米娜”(2019)为个例并在晴空条件下采用三维变分(three dimensional variation, 3DVar)方法同化FY-3D卫星MWHS-2辐射率资料来考察其对台风预报的影响。

1 观测资料与同化系统

1.1 FY-3D卫星MWHS-2辐射率资料

FY-3D卫星于2017年11月15日在山西太原发射基地成功发射, 是我国发射的第四颗第二代极轨卫星(Zhang et al, 2018)。它在距地面约830.5km的轨道上运行, 一天内可以对地球上同一位置进行两次观测。作为最新的业务化运行的极轨卫星, FY-3D卫星搭载了10个先进的遥感仪器, 其中MWHS-2微波湿度计是对上一颗FY-3C卫星搭载的湿度计的继承。MWHS-2微波湿度计共有15个通道, 表1展示了这些通道的特性。在这些通道中, 通道2~9对大气温度较敏感, 通道11~15对大气湿度较敏感, 通道1和10主要用于地表发射率反演(Xian et al, 2019)。MWHS-2辐射率资料可从国家卫星气象中心(http://satellite.nsmc.org.cn/portalsite/Data/Satellite.aspx)下载。
表1 MWHS-2微波湿度计各通道特征

Tab. 1 The characterictics of each channel of MWHS-2

通道 中心频率/GHz 极化方式 带宽/MHz 频率稳定度/MHz 灵敏度/K 主波束宽度/(°) 主波束效率/%
1 89.0 V 1500 50 1.0 2.0 >92
2 118.75±0.08 H 20 30 3.6 2.0 >92
3 118.75±0.2 H 100 30 2.0 2.0 >92
4 118.75±0.3 H 165 30 1.6 2.0 >92
5 118.75±0.8 H 200 30 1.6 2.0 >92
6 118.75±1.1 H 200 30 1.6 2.0 >92
7 118.75±2.5 H 200 30 1.6 2.0 >92
8 118.75±3.0 H 1000 30 1.0 2.0 >92
9 118.75±5.0 H 2000 30 1.0 2.0 >92
10 150.0 V 1500 50 1.0 1.1 >95
11 183.31±1 H 500 30 1.0 1.1 >95
12 183.31±1.8 H 700 30 1.0 1.1 >95
13 183.31±3 H 1000 30 1.0 1.1 >95
14 183.31±4.5 H 2000 30 1.0 1.1 >95
15 183.31±7 H 2000 30 1.0 1.1 >95

1.2 WRFDA同化系统

作为天气研究和预报(weather research and forecasting, WRF)模式的一个模块, WRF模式资料同化系统(weather research and forecasting model data assimilation system, WRFDA)由美国国家大气研究中心主导研发, 该系统包含了多种同化方法如三维变分(3DVar)、四维变分(four dimensional variation, 4DVar)、混合同化等。在本研究中, 新型MWHS-2微波湿度计在WRFDA同化系统中的接口已构建(Xu et al, 2016b), 为此采用传统的三维变分方法以检验新构建的同化接口的有效性。为了获得对大气状态的最佳估计, 3DVar同化方法通过迭代来极小化代价函数J(x) (沈菲菲 等, 2018):
$J(x)={{(x-{{x}_{b}})}^{\text{T}}}{{B}^{-1}}(x-{{x}_{b}})+{{[{{y}_{0}}-H(x)]}^{\text{T}}}{{R}^{-1}}[{{y}_{0}}-H(x)]$
式中: x是分析矢量, xb是背景矢量, B是背景误差协方差矩阵, y0是观测矢量, R是观测误差协方差矩阵, H是观测算子。需要说明的是, 本研究的背景误差协方差矩阵B通过国家气象中心(National Meteorological Center, NMC)方法计算获得(Parrish et al, 1992), 使用了2019年9月1日至9月30日期间每日2次(0000 UTC和1200 UTC)的同一时刻但是不同预报时效(24h预报和12h预报)的预报差值作为预报误差的近似。

1.3 MWHS-2辐射率资料同化模块的构建

在本研究中, 卫星业务垂直探测仪辐射传输(radiative transfer for tovs, RTTOV)模型被用作同化MWHS-2辐射率资料的观测算子。在同化前有必要对辐射率资料进行质量控制。参照前几代风三系列卫星和一些通用的卫星质控方法(Xian et al, 2019), 最终采用的质控方案如下: 1) 剔除亮温值小于50K和大于550K的观测; 2) 剔除观测残差(观测与背景模拟亮温的差)超过15K的观测; 3) 剔除偏差订正后观测残差大于3σ0的观测, 其中σ0为观测标准差; 4) 剔除云区的观测, 只保留晴空区域的观测。观测值的散射指数(Scatter Index, SI)(通道10与通道1的亮温差)大于5K或液态云水路径(cloud liquid water path, CLWP)值大于0.2g·m-2被认定为受云污染的区域; 5) 剔除陆地上的观测和海洋表面被WRF模式地形文件标记为类型较为复杂的观测点如有浮冰的海面、海洋上的洲、海洋上的小岛屿等。
经过了质量控制, 还须对卫星资料的系统性偏差进行订正。辐射率资料的偏差可以通过一些预报因子的线性组合来表示(Harris et al, 2001):
$H(x,\beta )=H(x)+{{\beta }_{0}}+\sum\nolimits_{i=1}^{{{N}_{p}}}{{{\beta }_{i}}}{{p}_{i}}$
式中: $H(x,\beta )$为偏差订正后的观测算子, $H(x)$是偏差订正前的观测算子, $x$是模式状态矢量, ${{\beta }_{0}}$是总偏差的常数部分, ${{\beta }_{i}}$和 ${{p}_{i}}$分别代表第i个偏差订正系数和预报因子。在假定通道相互独立的前提下, 偏差订正系数 ${{\beta }_{i}}$可以通过变分偏差订正方法极小化离线计算获得(许冬梅 等, 2022)。本研究运用WRFDA的变分偏差订正(variatonal bias correction, VarBC)离线计算模式, 使用2019年9月15日至9月30日的MWHS-2观测统计得到初始同化时刻的偏差订正系数。

2 个例介绍及试验设计

2.1 台风“米娜”概况

台风“米娜”是2019年西北太平洋第18号台风。图1是台风“米娜”的路径和强度, 台风的路径和强度资料来源于中国气象局热带气旋资料中心(https://tcdata.typhoon.org.cn/zjljsjj_zlhq.html)(Lu et al, 2021)。9 月28日00时(世界时, 下同), “米娜”生成于菲律宾以东洋面, 生成后向西北方向移动。28 日23 时, “米娜”升级为强热带风暴, 并于12h后升级为台风。30日00时, “米娜”由西北路径转为偏北路径, 并在次日12时以中心最低气压980hPa登陆浙江舟山, 登陆后折向东北方向, 于10月2日02时进入黄海并逐渐远离。台风“米娜”登陆后对浙江东部地区和沿海海域造成严重的风雨影响, 其中9月30日12时至10月1日00时舟山和宁波累计降雨量分别达170mm和152mm, 沿海海域伴有10~14 级大风(蒋璐璐 等, 2021)。
图1 台风“米娜”路径、强度和地形高度

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作。图中数字为台风经过时间(月日)

Fig. 1 The track, intensity of Typhoon Mitag and topography

2.2 试验方案设计

在本试验中使用了高级研究WRF (advanced research wrf, ARW) 4.3版本的WRF模式。模拟区域的中心位于(31°N, 123°E), 水平分辨率为9km, 纬向网格数和经向网格数分别为559和469, 在垂直方向上模式被分为57层, 模式顶气压设为10hPa。模式的初值和边界条件由0.5°×0.5°全球预报系统(global forecast system, GFS)再分析资料提供。模式中使用的一些物理参数化方案包括Thompson微物理方案(Thompson et al, 2008)、延世大学(Yonsei University, YSU)边界层方案(Hong et al, 2006)、Goddard短波辐射方案(Chou et al, 1994)、快速辐射传输模型(rapid radiative transfer model, RRTM)长波辐射方案(Mlawer et al, 1997)和Grell-Freitas积云参数化方案(Grell et al, 2014)。
试验流程如图2所示。所有试验的背景场均由一个6h热启动的预报场提供, 时间从2019年09月30日00时至2019年09月30日06时, 积分6h。针对这个背景场, 共设置了4组试验, 如表2所示。第一组试验不同化任何资料, 仅对台风进行60h模拟, 记为CNTL。第二组试验只同化常规观测资料, 主要包括来自全球通信系统(global telecommunications system, GTS)的无线电探空仪、飞机报、以及来自美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)的卫星观测(下载网址 https://rda.ucar.edu/datasets/ds351.0/), 从2019年09月30日06时至2019年09月30日18时逐6h同化一次, 共同化3次, 随后对台风进行48h模拟, 记为GTS_DA。同化时刻的GTS资料分布如图3所示。第三组试验在第二组试验使用资料的基础上, 分别在2019年09月30日06时和2019年09月30日18时这两个FY-3D卫星扫过台风中心的时刻将11至15通道的MWHS-2辐射率资料和GTS资料联合同化, 随后同样对模式积分48h, 记为MWHS_DA。为了与第三组试验对比以说明MWHS-2的同化效果, 第四组试验使用了美国先进技术微波探测(advanced technology microwave sounder, ATMS)湿度计资料, 其他试验配置均与试验三相同, 记为ATMS_DA。由于原始的卫星资料分辨率较高导致相邻的观测间满足一定相关性, 在同化卫星资料时设置了54km的稀疏化间距。
图2 试验流程图

GFS为全球预报系统再分析资料, GTS为全球通信系统常规观测资料, RADIANCE为卫星辐射率资料; 数字表示日期(日时)

Fig. 2 Workflow of experiments

表2 各组试验对比

Tab. 2 The comparison of each experiment

试验名称 同化的资料
CNTL 无
GTS_DA GTS常规资料
MWHS_DA GTS常规资料和MWHS-2辐射率资料
ATMS_DA GTS常规资料和ATMS辐射率资料
图3 2019年09月30日06时(a)、12时(b)、18时(c) GTS观测资料分布

图中五角星为探空资料。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5449的标准地图制作

Fig. 3 The Distribution of GTS observation at 06:00 UTC (a), 12:00 UTC (b), 18:00 UTC (c) on 30th September 2019

3 试验结果分析

3.1 观测模拟与偏差订正

在MWHS_DA试验中, 11至15通道的辐射率资料被同化。本节选择11通道来检验同化卫星辐射率资料的有效性。

3.1.1 MWHS-2亮温模拟

图4展示了两个同化时刻经过偏差订正后观测亮温减去背景场模拟的亮温(记作OMB, observation minus background)和观测亮温减去分析场模拟的亮温(记作OMA, observation minus analysis)。同化时刻模式区域共有两条扫描轨道, 其中从左往右第二条轨道正好扫过台风“米娜”的大部分区域。由于质控方案剔除了云区受污染的辐射率资料, 台风中心附近的扫描点被舍弃。在未同化MWHS-2辐射率资料前, 大部分扫描点OMB的绝对值较大, 表明背景场与观测相差较大。同化MWHS-2辐射率资料后, 大部分扫描点OMA的绝对值接近0K, 表明分析场较背景场更接近观测, 同化是有效的。
图4 2019年09月30日06时(a、b)和18时(c、d)偏差订正后观测亮温减去背景场模拟亮温(a、c)和观测亮温减去分析场模拟亮温(b、d)图

图中红色台风符号代表此刻台风中心位置。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5449的标准地图制作

Fig. 4 OMB (a, c) and OMA (b, d) of brightness temperature (units: K) after the bias correction, at 06:00 UTC on 30th September 2019 (a, b) and at 18:00 UTC on 30th September 2019 (c, d). The red typhoon symbol represents the observed location of typhoon

3.1.2 偏差订正散点图

图5为两个同化时刻模拟亮温与观测亮温对比的散点图。偏差订正前(图5a、5d)的散点大多分布在对角线之上, 表明背景亮温较观测偏大。偏差订正后(图5b、5e), 背景亮温系统性的偏差被纠正, 散点均匀地分布于对角线两侧, 均值接近0。同化后分析场亮温(图5c、5f)较背景场更加收敛于对角线, 均值、标准差和均方根误差进一步减小并接近于0, 表明同化MWHS-2辐射率资料是有效的, 得到的分析场误差更小, 明显优于背景场。
图5 2019年09月30日06时(a、b、c)和18时(d、e、f)通道11偏差订正前观测与背景亮温(a、d)、偏差订正后观测与背景亮温(b、e)和偏差订正后观测与分析亮温(c、f)散点图

Fig. 5 Scatter plots of channel 11 brightness temperature background versus observation before bias correction (a, d), background versus observation after bias correction (b, e), analysis versus observation (c, f) after bias correction, at 06:00 UTC on 30th September 2019 (a, b, c) and at 18:00 UTC on 30th September 2019 (d, e, f)

3.1.3 偏差订正频率直方图

图6展示了两个同化时刻通道11扫描点OMB和OMA频率分布的统计特征。由图6a和6d可知, 偏差订正前大多数扫描点OMB的值小于0K, 表明背景场模拟的亮温值大多高于观测值。经过偏差订正后(图6b、6e), OMB的值整体上有正的校正, 更加均匀地分布在以0为中心的两侧。同化MWHS-2辐射率资料后(图6c、6f), OMA的值离散度更小, 数据的频率分布更加接近正态分布, 表明同化后的分析场更优。
图6 2019年09月30日06时(a、b、c)和18时(d、e、f)通道11偏差订正前观测亮温减去背景场模拟亮温(a、d)、偏差订正后观测亮温减去背景场模拟亮温(b、e)和偏差订正后观测亮温减去分析场模拟亮温(c、f)频率分布直方图

OMB为观测亮温减去背景场模拟亮温, OMA为观测亮温减去分析场模拟亮温

Fig. 6 Frequency histograms of channel 11 OMB before the bias correction (a, d), OMB after bias correction (b, e), OMA after bias correction (c, f) at 06:00 UTC on 30th September 2019 (a, b, c) and at 18:00 UTC on 30th September 2019 (d, e, f)

3.2 台风模拟效果

3.2.1 位势高度增量

图7是2019年09月30日06时3组同化试验500hPa位势高度增量。GTS_DA试验中, 台风中心位置是负增量, 量级介于-4m至-2m, 模拟的最低海平面气压为979.5hPa。MWHS_DA试验中, 台风中心附近负增量的范围进一步扩大, -4m至-2m的增量已基本将整个台风覆盖, 模拟的最低海平面气压降至978.2hPa。通过将MWHS_DA试验与GTS_DA试验作差可知MWHS_DA试验在台风中心尤其是台风东北方向有显著的负增量, 加大了GTS_DA试验中的负增量范围。而ATMS_DA试验与GTS_DA试验的差值在台风中心附近是微弱的正增量, 表明ATMS_DA试验对台风的负高度增量没有GTS_DA试验显著。此刻观测的台风中心最低海平面气压为970hPa, MWHS_DA试验有利于增强台风的强度。
图7 2019年09月30日06时500hPa位势高度增量

a. GTS_DA试验; b. MWHS_DA试验; c. MWHS_DA与GTS_DA试验之差; d. ATMS_DA与GTS_DA试验之差。红色台风符号代表此刻台风中心位置。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5449的标准地图制作

Fig. 7 500 hPa potential increment (units: gpm) of GTS_DA experiment (a), MWHS_DA experiment (b), the difference between MWHS_DA and GTS_DA experiment (c), the difference between ATMS_DA and GTS_DA experiment (d) at 06:00 UTC on 30th September 2019. The red typhoon symbol represents the observed location of typhoon

3.2.2 温度增量

图8是2019年09月30日06时3组同化试验500hPa温度增量。GTS_DA试验中台风中心附近是负增量, 量级介于-0.2K至-0.1K, 表明同化GTS常规资料后台风中心的温度降低。MWHS_DA试验中台风中心的量级接近0K, 中心附近原本的负增量区域有所减小, 在台风西侧出现了正增量。通过将MWHS_DA试验和GTS_DA试验作差可知台风中心及其附近出现了显著的正增量, 最大量级约为0.2K, 构成了台风的暖心结构, 使GTS_DA试验中台风中心错误的负增量得到调整与修正。而ATMS_DA试验与GTS_DA试验的差在台风中心附近是负增量, 不利于台风的发展与强度的维持。
图8 2019年09月30日06时500hPa温度增量

a. GTS_DA试验; b. MWHS_DA试验; c. MWHS_DA与GTS_DA试验之差; d. ATMS_DA与GTS_DA试验之差。红色台风符号代表此刻台风中心位置。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5449的标准地图制作

Fig. 8 500 hPa temperature increment (units: K) of GTS_DA experiment (a), MWHS_DA experiment (b), the difference between MWHS_DA and GTS_DA experiment (c), the difference between ATMS_DA and GTS_DA experiment (d) at 06:00 UTC on 30th September 2019. The red typhoon symbol represents the observed location of typhoon

3.2.3 500hPa环流形势

图9为2019年10月2日09时3组同化试验模拟的500hPa位势高度和风矢量。台风的移动受大气平均层引导气流的支配, 在实际应用中常以500hPa等压面作为大气平均层。由图9可知3组同化试验台风的东南方向5880m副热带高压外围附近的风矢量为一致的西南风, 预示着台风会向东北方向移动。MWHS_DA试验在5880m线附近的风速量级约较GTS_DA试验大2m·s-1, 而与ATMS_DA试验量级基本相当, 所以在接下来的时刻MWHS_DA和ATMS_DA试验中台风的移速均快于GTS_DA试验。由于此刻ATMS_DA试验台风位置较MWHS_ DA试验偏西南, 随着模式的积分MWHS_DA试验台风的路径更加偏向东北方向。此外, MWHS_DA试验中副热带高压的位置较GTS_DA试验和ATMS_DA试验西伸北进, 副热带高压的位置和引导气流强度的差异直接导致了台风路径预报的差异。
图9 2019年10月2日09时GTS_DA试验(a)、MWHS_DA试验(b)、ATMS_DA试验(c) 500hPa位势高度和风矢量

图中红色五边形区域突出了试验间的差异。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作

Fig. 9 500 hPa geopotential height (units: m) and wind vectors (units: m·s-1) of GTS_DA experiment (a), MWHS_DA experiment (b), ATMS_DA experiment (c) at 0600 UTC 30th September 2019. The red pentagon area highlights the differences of all experiments

3.2.4 路径预报

图10是4组试验2019年9月30日18时至2019年10月02日18时共48h路径预报结果。需要说明的是, 由于确定性预报的起始时刻是4组试验经过不同的试验方案后开始预报的时刻, 该时刻台风中心的定位存在一定差异。由图10可知CNTL试验较另几组试验模拟的台风路径偏东, 除了第一个时次外, 路径误差均在100km以上, 与观测相差较大。在前36h, CNTL试验的平均误差为134km, GTS_DA试验的平均误差为33km, MWHS_DA试验的平均误差为40km, ATMS_DA试验的平均误差为69km, 说明GTS_DA试验与MWHS_DA试验效果基本相当, 都明显地好于其他两组试验。在后12h, GTS_DA试验较MWHS_DA试验预报的路径偏西, 导致其最后两个时次的路径误差急剧地增加至140km以上, 这与图9中的分析结果一致。在48h确定性预报中, CNTL试验的平均误差为142km, GTS_DA试验的平均误差为67km, MWHS_DA试验的平均误差为51km, ATMS_DA试验的平均误差为92km, 对于整个预报时段MWHS_DA试验效果最优。
图10 48h路径预报(a)和路径误差(b)

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作

Fig. 10 Track forecast (a) and their error (b) (units: km) of 48 h deterministic forecast

4 结论和讨论

本文基于WRF模式中的FY-3D卫星MWHS-2辐射率资料同化接口, 采用3DVar同化方法设计了4组数值试验考察晴空条件下同化MWHS-2辐射率资料对台风“米娜”预报的影响。通过这些试验得出以下结论: 晴空条件下同化MWHS-2辐射率资料后, 分析场的误差较背景场显著减小, 其模拟的亮温与观测较吻合。通过比较散点图和频率直方图发现分析场明显优于背景场, 证明偏差订正与同化是有效的; 与仅同化GTS常规资料和同化ATMS资料的试验相比, 同化晴空MWHS-2辐射率资料后对台风中心附近的高度场和温度场有正向调整, 在动力与热力上有助于台风的维持。此外, 同化晴空MWHS-2辐射率资料可以改进确定性预报最后12h 500hPa环流形势的模拟, 加强副热带高压外围西南方向引导气流的强度, 从而最终减小路径预报的误差, 使48h确定性预报的路径误差始终小于140km。
本研究基于3DVar方法实现了晴空条件下FY-3D卫星MWHS-2辐射率资料的循环同化试验, 试验结果表明MWHS-2辐射率资料的同化能够有效改进台风“米娜”路径预报的效果。但是需要指出的是, 本研究仅是基于一个台风个例展开的尝试, 为了充分检验同化MWHS-2辐射率资料的效果应考虑对多个台风个例进行测试。此外, 在今后的研究中还应采用更高级的同化方法如4DVar方法和混合同化方法, 并使用我国的海洋卫星如HY-2A和HY-2B获取的海面风场资料结合微波辐射计的亮温数据, 以进一步提高台风的分析与预报效果。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
范娇, 2019. FY-3C微波湿度计资料在西南涡降水预报中的同化研究[D]. 成都: 成都信息工程大学:17-29.

FAN JIAO, 2019. Assimilation of FY-3C microwave humidity sounder data in southwest vortex precipitation forecast[D]. Chengdu: Chengdu University of Information Technology: 17-29. (in Chinese with English abstract)

[2]
蒋璐璐, 涂小萍, 王毅, 等, 2021. “米娜”(1918)台风浪特征及其与“利奇马”(1909)的差异[J]. 海洋预报, 38(4): 53-60.

JIANG LULU, XU XIAOPING, WANG YI, et al, 2021. Characteristics of typhoon-induced wave by Mitag (1918) and their differences with that induced by typhoon Lekima (1909)[J]. Marine Forecasts, 38(4): 53-60. (in Chinese with English abstract)

[3]
蒋璐西, 陈科艺, 陈林琳, 2019. MWHS/FY-3资料同化在四川盆地暴雨预报中的应用研究[J]. 高原山地气象研究, 39(4): 9-15.

JIANG LUXI, CHEN KEYI, CHEN LINLIN, 2019. The study of assimilating MWHS/FY-3 data in the rainstorm cases in Sichuan Basin[J]. Plateau and Mountain Meteorology Research, 39(4): 9-15. (in Chinese with English abstract)

[4]
刘贝, 卢绍宗, 钱钰坤, 等, 2014. ATOVS亮温资料同化在台风数值模拟中的应用[J]. 热带海洋学报, 33(1): 44-53.

LIU BEI, LU SHAOZONG, QIAN YUKUN, et al, 2014. An application of ATOVS radiance in data assimilation of typhoon[J]. Journal of Tropical Oceanography, 33(1): 44-53. (in Chinese with English abstract)

DOI

[5]
刘淑贤, 2021. FY3C MWHS-2的陆地降水检测算法研究及其在LAPS-WRF同化系统中的应用[D]. 南京: 南京信息工程大学:26-57.

LIU SHUXIAN, 2021. Precipitation detection algorithm over land for FY3C MWHS-2 and its application in LAPS-WRF assimilation system[D]. Nanjing: Nanjing University of Information Science & Technology: 26-57. (in Chinese with English abstract)

[6]
马刚, 王云峰, 张晓辉, 等, 2017. 基于梯度信息的微波辐射亮温资料质量控制方法[J]. 热带海洋学报, 36(2): 86-95.

DOI

MA GANG, WANG YUNFENG, ZHANG XIAOHUI, et al, 2017. A quality control method based on gradient information of microwave radiation data AMSU-A[J]. Journal of Tropical Oceanography, 36(2): 86-95. (in Chinese with English abstract)

DOI

[7]
戚佩霓, 沈菲菲, 寇蕾蕾, 等, 2019. 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, 38(2): 20-31.

DOI

QI PEINI, SHEN FEIFEI, KOU LEILEI, et al, 2019. Experiments of assimilating Doppler radar data in forecast of Typhoon Chanthu[J]. Journal of Tropical Oceanography, 38(2): 20-31. (in Chinese with English abstract)

DOI

[8]
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.

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

[9]
沈菲菲, 许冬梅, 闵锦忠, 等, 2018. 云尺度雷达资料的混合同化对台风“桑美”的数值模拟研究[J]. 海洋学报, 40(5): 48-61.

SHEN FEIFEI, XU DONGMEI, MIN JINZHONG, et al, 2018. Assimilation of radar observations with En3DVAR at cloud-resolving scale for the prediction of Typhoon Saomai[J]. Haiyang Xuebao, 40(5): 48-61. (in Chinese with English abstract)

[10]
吴应昂, 2015. FY-3C卫星微波辐射资料同化应用研究[D]. 长沙: 国防科学技术大学:32-58.

WU YING’ANG, 2015. A study on application of assimilation of FY-3C satellite microwave radiance data[D]. Changsha: National University of Defense Technology: 32-58. (in Chinese with English abstract)

[11]
冼智鹏, 2019. FY-3C微波观测资料的全天候同化技术及其在台风预报中的应用[D]. 成都: 成都信息工程大学:22-35.

XIAN ZHIPENG, 2019. All-sky assimilation of FY-3C microwave observations and its application in typhoon forecast[D]. Chengdu: Chengdu University of Information Technology: 22-35. (in Chinese with English abstract)

[12]
肖贤俊, 何娜, 张祖强, 等, 2011. 卫星遥感海表温度资料和高度计资料的变分同化[J]. 热带海洋学报, 30(3): 1-8.

XIAO XIANJUN, HE NA, ZHANG ZUQIANG, et al, 2011. Variation assimilation using satellite data of sea surface temperature and altimeter[J]. Journal of Tropical Oceanography, 30(3): 1-8. (in Chinese with English abstract)

DOI

[13]
许冬梅, 沈菲菲, 李泓, 等, 2022. 新一代静止气象卫星葵花8号的晴空红外辐射率资料同化对台风“天鸽”的预报影响研究[J]. 海洋学报, 44(3): 40-52.

XU DONGMEI, SHEN FEIFEI, LI HONG, et al, 2022. The impact of assimilation of Himawari-8 clear-sky data from the new generation geostationary meteorological satellite on the forecast of super Typhoon Hato[J]. Haiyang Xuebao, 44(3): 40-52. (in Chinese with English abstract)

[14]
朱利剑, 2018. FY-3C微波湿度计资料在GRAPES-GFS模式中的同化应用[D]. 南京: 南京信息工程大学:14-20.

ZHU LIJIAN, 2018. Assimilation application for FY-3C microware humidity sounder Ⅱ in GRAPES-GFS model[D]. Nanjing: Nanjing University of Information Science and Technology: 14-20. (in Chinese with English abstract)

[15]
BAUER P, MOREAU E, CHEVALLIER F, et al, 2006. Multiple- scattering microwave radiative transfer for data assimilation applications[J]. Quarterly Journal of the Royal Meteorological Society, 132(617): 1259-1281.

DOI

[16]
BAUER P, GEER A J, LOPEZ P, et al, 2010. Direct 4D-Var assimilation of all-sky radiances. Part Ⅰ: implementation[J]. Quarterly Journal of the Royal Meteorological Society, 136(652): 1868-1885.

DOI

[17]
CHEN KEYI, ENGLISH S, BORMANN N, et al, 2015. Assessment of FY-3A and FY-3B MWHS observations[J]. Weather and Forecasting, 30(5): 1280-1290.

DOI

[18]
CHOU M D, SUAREZ M J, 1994. An efficient thermal infrared radiation parameterization for use in general circulation models[R]. Greenbelt: NASA Technical Memorandum.

[19]
GRELL G A, FREITAS S R, 2014. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling[J]. Atmospheric Chemistry and Physics, 14(10): 5233-5250.

[20]
HARRIS B A, KELLY G, 2001. A satellite radiance-bias correction scheme for data assimilation[J]. Quarterly Journal of the Royal Meteorological Society, 127(574): 1453-1468.

DOI

[21]
HONG SONGYOU, NOH Y, DUDHIA J, 2006. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Monthly Weather Review, 134(9): 2318-2341.

DOI

[22]
KIM Y J, CAMPBELL W F, SWADLEY S D, 2010. Reduction of middle-atmospheric forecast bias through improvement in satellite radiance quality control[J]. Weather and Forecasting, 25(2): 681-700.

DOI

[23]
LAWRENCE H, BORMANN N, LU QIFENG, et al, 2015. An evaluation of FY-3C MWHS-2 at ECMWF[R]. Shinfield Park, Reading: EUMETSAT/ECMWF: 1-20.

[24]
LI HAORUI, DING WEIYU, XUE JISHAN, et al, 2015. A study on the application of FY-2E cloud drift wind height reassignment in numerical forecast of typhoon Chanthu (1003) track[J]. Journal of Tropical Meteorology, 21(1): 34-42.

[25]
LU QIFENG, 2011. Initial evaluation and assimilation of FY-3A atmospheric sounding data in the ECMWF System[J]. Science China Earth Sciences, 54(10): 1453-1457.

DOI

[26]
LU QIFENG, BELL W, BAUER P, et al, 2011. Characterizing the FY-3A microwave temperature sounder using the ECMWF model[J]. Journal of Atmospheric and Oceanic Technology, 28(11): 1373-1389.

DOI

[27]
LU XIAOQIN, YU HUI, YING MING, et al, 2021. Western North Pacific tropical cyclone database created by the China Meteorological Administration[J]. Advances in Atmospheric Sciences, 38(4): 690-699.

DOI

[28]
MLAWER E J, TAUBMAN S J, BROWN P D, 1997. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research: Atmospheres, 102(D14): 16663-16682.

DOI

[29]
NIU ZEYI, ZHANG LEI, DONG PEIMING, et al, 2021. Impact of assimilating FY-3D MWTS-2 upper air sounding data on forecasting typhoon lekima (2019)[J]. Remote Sensing, 13(9): 1841.

DOI

[30]
PAN YUJIE, WANG MINGJUN, 2019. Impact of the assimilation frequency of radar data with the ARPS 3DVar and cloud analysis system on forecasts of a squall line in southern China[J]. Advances in Atmospheric Sciences, 36(2): 160-172.

DOI

[31]
PARRISH D F, DERBER J C, 1992. The national meteorological center’s spectral statistical-interpolation analysis system[J]. Monthly Weather Review, 120(8): 1747-1763.

DOI

[32]
PU ZHAOXIA, YU C, TALLAPRAGADA V, 2019. The impact of assimilation of GPM microwave imager clear-sky radiance on numerical simulations of Hurricanes Joaquin (2015) and Matthew (2016) with the HWRF model[J]. Monthly Weather Review, 147(1): 175-198.

DOI

[33]
SHEN FEIFEI, XUE MING, MIN JINZHONG, 2017. A comparison of limited-area 3DVAR and ETKF - En3DVAR data assimilation using radar observations at convective scale for the prediction of Typhoon Saomai (2006)[J]. Meteorological Applications, 24(4): 628-641.

DOI

[34]
SHEN FEIFEI, XU DONGMEI, LI HONG, et al, 2021. Impact of radar data assimilation on a squall line over the Yangtze- Huaihe River Basin with a radar reflectivity operator accounting for ice-phase hydrometeors[J]. Meteorological Applications, 28(2): e1967.

[35]
THOMPSON G, FIELD P R, RASMUSSEN R M, et al, 2008. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part Ⅱ: implementation of a new snow parameterization[J]. Monthly Weather Review, 136(12): 5095-5115.

DOI

[36]
XIAN ZHIPENG, CHEN KEYI, ZHU JIANG, 2019. All-sky assimilation of the MWHS-2 observations and evaluation the impacts on the analyses and forecasts of binary typhoons[J]. Journal of Geophysical Research: Atmospheres, 124(12): 6359-6378.

DOI

[37]
XU DONGMEI, AULIGNE T, DESCOMBES G, et al, 2016a. A method for retrieving clouds with satellite infrared radiances using the particle filter[J]. Geoscientific Model Development, 9(11): 3919-3932.

DOI

[38]
XU DONGMEI, MIN JINZHONG, SHEN FEIFEI, et al, 2016b. Assimilation of MWHS radiance data from the FY-3B satellite with the WRF Hybrid-3DVAR system for the forecasting of binary typhoons[J]. Journal of Advances in Modeling Earth Systems, 8(2): 1014-1028.

DOI

[39]
ZHANG PENG, CHEN LIN, XIAN DI, et al, 2018. Recent progress of Fengyun meteorology satellites[J]. Chinese Journal of Space Science, 38(5): 788-796.

[40]
ZHU LEI, WAN QILIN, SHEN XINYONG, et al, 2016a. Prediction and predictability of high-impact western pacific landfalling tropical cyclone Vicente (2012) through convection-permitting ensemble assimilation of Doppler radar velocity[J]. Monthly Weather Review, 144(1): 21-43.

DOI

[41]
ZHU YANQIU, LIU E, MAHAJAN R, et al, 2016b. All-sky microwave radiance assimilation in NCEP’s GSI analysis system[J]. Monthly Weather Review, 144(12): 4709-4735.

DOI

Options
Outlines

/

〈 〉