-
梅雨是我国长江中下游地区特有的天气现象,一般指每年6月中旬至7月上中旬,28°~34°N之间,湖北宜昌以东的长江流域至日本南部的狭长区域内长时间的阴雨天气。梅雨天气具有持续时间长、分布范围广、突发性强、降水量大和落区不确定的特点(裴昌春,2017),因此梅雨天气一直是诸多学者的研究目标,金琼等(2020)对2018年南京梅雨异常特征及环流进行了分析。梅雨天气是由多尺度天气系统造成的(王晨宇等,2021),分布于云带的中尺度对流系统(MCS,Mesoscale Convective System)是造成梅雨降水的重要天气系统。
-
数值天气预报模式已广泛应用于实际预报业务,例如WRF(Weather Research and Forecasting)模式是使用广泛的新一代中尺度数值天气预报系统。但受边界层条件、初始场条件等因素影响(顾剑锋,2006),其预报结果在降水量和分布方面仍有不足。同化方法是改善和丰富初始条件的有效手段之一,而多普勒雷达能够实时监测、提供高时空分辨频率资料(赖安伟,2008),为数值天气预报模式提供实时风暴尺度信息,得到更准确的初始场。
-
目前雷达资料同化方法主要分为变分同化和集合卡尔曼滤波(EnKF,Ensemble Kalman Filter)同化两种。Sasaki(1970)最早提出了变分同化的概念,到20世纪80年代,Talagrand and Courtier(1987)根据伴随方法提出了四维变分同化方法。近些年,Xiao and Sun(2007)利用WRF及同化系统WRF-3DVAR(Weather Research and Forecasting Three-dimensional Variational Data Assimilation System)研究了多部多普勒雷达资料的同化改进效果。闵锦忠等(2007)等对多普勒雷达径向风资料进行了直接同化和反演同化,此后,闵锦忠等(2018)采用WRF模式对2013年苏皖地区的一次梅雨锋暴雨过程进行诊断与模拟。目前,集合卡尔曼滤波同化技术仍存在滤波发散等问题,在实现快速更新循环同化方面仍有难度。
-
针对梅雨锋降水的研究主要集中在降水机制分析和系统组织形势方面,而雷达资料同化技术在梅雨锋降水预报中的应用仍处于发展阶段。为了分析梅雨锋系统带来的降水过程,并探究雷达资料同化的不同参数设置对降水预报的影响,选取2015年6月26—28日一次江淮地区梅雨锋降水过程为例,针对背景误差协方差矩阵的特征长度和方差尺度的尺度因子进行敏感性试验,并利用WRF-3DVAR分别同化:1)雷达反射率因子和径向风两种数据;2)雷达反射率因子或径向风,进行雷达资料同化方案的相关研究。
-
1 天气过程分析
-
1.1 降水过程概况
-
2015年6月18日入梅起到7月10日出梅,处于江淮流域的南京市雨量较常年偏多,多次出现强降水过程,属于较为典型的“丰梅”年。这期间强降水时段主要有3次,分别是6月25—30日、7月6—9日和7月11—13日。其中,造成了较强降水的是6月26—29日大暴雨过程(裴昌春,2017;赵宇等,2017)。
-
强降水从25日21时(世界时,下同)开始至29日06时结束,主要降水集中在26—28日。26日00时至27日00时的24h累计降水(图1a)显示,东西向雨带主要有两个降水中心,分别在常州和淮滨,强降水地区覆盖了河南东南部、安徽中部和江苏南部。27日00时—28日00时(图1b),西部降水中心移至金寨,东部降水中心集中于句容,雨带呈现东西带状分布。
-
1.2 环流形式分析
-
本次降水是典型的梅雨天气降水,采用美国环境预报中心和国家大气研究中心NCEP/NCAR的FNL再分析资料,重点分析该梅雨过程的高空环流形势(图略)。26日00时,500hPa高度上,欧亚大陆中高纬度是一个典型的双阻型结构,乌拉尔山和鄂霍次克海附近有两个阻塞高压,贝加尔湖附近是一个低压槽,副热带高压处于华南沿海地区。200hPa环流场上,高压位于亚洲大陆南部,其北面有一片西风急流。06时,高压脊继续向东北方向发展,副热带高压向西北方向延伸。12时,中高纬的槽东移,脊加强,高空西风急流带将小股冷空气从河套高压脊前带到长江中下游地区,与由副高带来的西南暖湿气流形成对峙,促进降水。18时,高空西风急流中心东移,长江中下游地区进入高空急流入口区,高层气流辐散加强,有利于降水的持续与加强。27日06时,副热带高压继续加强,中低纬地区出现短波槽活动,降水继续。到27日18时,长江中下游地区气流逐渐向北转向,阻断了水汽供应,降水间歇,随后河套地区的高压脊东移又与副高边缘暖湿气流交汇,再次形成西部地区降水。由此可见,本次降水过程是由于河套高压脊前或槽后的几股冷空气不断南侵,与华南地区副高边缘暖湿气流交汇形成的。
-
图1 26日00时—27日00时(a)、27日00时—28日00时(b)24h累计降水分布(单位:mm)
-
Fig.1 24h accumulated precipitation (mm) from (a) 0000UTC on June26to 0000UTC on June27and from (b) 0000UTC on June27to 0000UTC on June28
-
2 试验设计和数据处理
-
采用模式WRF3.9.1对江淮流域2015年6月25—29日一次梅雨降水过程进行模拟,并使用时间分辨率6h、空间分辨率1°×1°的NCEP/NCAR的FNL再分析资料提供初始场和侧边界条件,选取25日18时—28日00时的再分析资料进行控制试验,不加入其他任何观测资料。模拟区域为85°~135°E、25°~55°N,中心位置在(118°E,32°N),水平方向采用一层网格嵌套,模拟区域如图2所示,黑点为南京龙王山雷达所在位置(118.697°E,32.19°N);型号:CINRAD/SA,分辨率为5km。控制试验的起报时间为6月25日18时,结束时间为6月28日00时(图3),总计54h,该模拟时段包含了这次梅雨锋降水天气的整个过程。
-
图2 WRF模拟区域(黑点是雷达站位置)
-
Fig.2 WRF simulation region (the black bot is the radar site)
-
图3 控制试验和同化试验时间方案
-
Fig.3 Time scheme of control experiment and assimilation experiment
-
针对边界层方案、微物理过程以及长短波方案进行调整。通过大量敏感性试验,选择WSM6微物理过程与YSU边界层方案,另外设置陆面过程方案为NOAH,长波方案为RRTMG,短波方案为RRTMG,及Monin-Obukhov近地层方案和Tiedtke积云方案,垂直层数为30,土壤层数为4。
-
使用WRFDA3.9.1的WRF-3DVAR结合南京市龙王山天气雷达资料进行同化试验。首先进行雷达资料的质量控制,其中对反射率因子进行剔除孤立点、滤去地物杂波、衰减订正等过程;对径向风进行剔除孤立点、平滑滤波等过程。以南京龙王山SA雷达于2015年6月26日08时57分的第一层仰角数据为例,图4a、c为反射率因子和径向风原始数据PPI,图4b、d为反射率因子和径向风质量控制后的PPI。图中,经过质量控制,反射率因子有效滤去地物杂波,径向风的噪声孤立点明显减少。对整个体扫数据进行质量控制之后进行数据稀疏化,采用3°×3km的空间分辨率、6min的时间分辨率将数据转化为ASCII格式并读入模式。
-
同化系统中,背景误差协方差矩阵是一个重要参数,它不仅代表了大尺度环流天气背景误差特征(闵锦忠等,2015),也包含了中尺度扰动信息,且很大程度上决定了不同变量之间的误差相关(Xu et al.,2020)。可以通过选择特征长度(len_scaling,用l en表示)和方差尺度(var_scaling,用v ar表示)的倍数因子对背景误差协方差矩阵进行调节和修正。首先针对l en和v ar进行敏感性试验,同时同化径向风和反射率因子,选择一组最优结果的l en和v ar方案进行循环同化,具体试验设置见表1。同化试验的背景误差协方差矩阵由系统的NMC方法(National Meteorological Center)统计算得,选取降水过程开始前1个月的数据进行计算,并采用流函数-势函数为控制变量的框架。同化试验物理方案采取控制试验相同的组合,并在同化时间方案上设置从25日18时开始15h的启转时间,起报时间为26日12时。设置15min的同化时间窗,从26日09时至26日12时的3h内分别进行间隔1h和30min的循环同化,1h间隔试验与30min间隔试验的重合同化时刻采用相同的数据资料。另外再设置同时同化反射率因子与径向风、单独同化反射率因子和单独同化径向风三组试验,研究其不同效果。
-
3 敏感性试验结果分析
-
3.1 单点试验物理量增量
-
图5a、b、c、d、e分别代表了v ar均为1.0,l en=1.0,0.7,0.5,0.3,0.1的敏感性试验;图5f、g、h、i、j分别代表了l en均为1.0,而v ar=1.0,0.7,0.5,0.3,0.1的敏感性试验。针对纬向风u进行单点试验,判断合适的v ar与l en的范围,从得到的增量图来看,v ar=1.0时,l en比较小的时候,影响的范围偏小且集中;当l en偏大的时候,影响范围又较大,不符合实际情况。根据3DVAR同化方案的理论,单点试验增量的分布应该满足高斯分布形态,即风场和质量场的增量应当满足地转平衡的条件,因此,当l en在0.3~0.7中选择比较合适。这样既符合了大环流背景的降水条件,又可以适当增加中小尺度信息。当l en=1.0时,随着v ar的减小,增量影响强度减小,并且有了不同量级的差别。为使之符合梅雨锋较大范围的降水过程,因此v ar不能太小,在本试验中选择0.5~1.0较为合适。
-
图4 雷达质量控制效果图:(a)反射率因子质量控制前;(b)反射率因子质量控制后;(c)径向风质量控制前;(d)径向风质量控制后
-
Fig.4 Effects of radar data quality control:(a) radar reflectivity factor before data quality control;(b) radar reflectivity factor after data quality control;(c) radial velocity before data quality control;(d) radial velocity after data quality control
-
3.2 温度和风速增量
-
26日09时850hPa的风场增量和温度增量的分布如图6a1—a15、b1—b15所示,对应exp1—exp15试验。同化雷达资料后,exp1、exp6、exp11在降水区域普遍温度增量为负,且其南方有正温度增量,风场影响范围达到了几百公里,并不符合实际的降水发展情况。exp2中,风速增量范围有所减小,且在降水区域是负温度增量,其南北两侧是正温度增量,使得降水区域的温度梯度增大,有利于降水的发生。而exp7、exp12温度增量较小,相比不如exp2利于降水。exp3、exp8、exp13的试验结果在降水区域有正有负的温度增量加大了降水区域前沿的温度梯度,利于降水的发展;风速增量影响范围更小、更合理。exp4、exp9、exp14则是没有显示出明显的温度增量信息。由exp1—5、6—10、11—15所示,随着特征长度的减小,大尺度系统的信息逐渐减小,反而系统逐渐引入中小尺度信息,对降水过程的初始场改进效果转好。但exp5、exp10、exp15的影响范围都明显过小,几乎没有显示温度信息。相对而言exp3、exp8、exp13增量的形态都较为合理,对初始场的改进效果更为显著。
-
图5 26日09时850hPa单点试验纬向风增量(单位:m/s):(a)v ar=1.0,l en=1.0;(b)v ar=1.0,l en=0.7;(c)v ar=1.0,l en=0.5;(d)v ar=1.0,l en=0.3;(e)v ar=1.0,l en=0.1;(f)l en=1.0,v ar=1.0;(g)l en=1.0,v ar=0.7;(h)l en=1.0,v ar=0.5;(i)l en=1.0,v ar=0.3;(j)l en=1.0,v ar=0.1
-
Fig.5 Zonal wind increment (m/s) of single point experiment of 850hPa at 0900UTC on June26: (a)v ar=1.0,l en=1.0;(b)v ar=1.0,l en=0.7;(c)v ar=1.0,l en=0.5;(d)v ar=1.0,l en=0.3;(e)v ar=1.0,l en=0.1;(f)l en=1.0,v ar=1.0;(g)l en=1.0,v ar=0.7;(h)l en=1.0,v ar=0.5;(i)l en=1.0,v ar=0.3;(j)l en=1.0,v ar=0.1
-
3.3 组合反射率因子
-
对比26日09时的组合反射率因子(图7),整体强度偏弱,强中心普遍偏南,没有像实况中一样到达40~45dBZ,但图7b—7e、7g、7h、7k—7n的组合反射率强中心范围明显比实况偏大。相比之下,图7f、7i、7j、7p的范围与实况比较符合,图7f、7p的强回波中心东北方向出现的虚假回波范围偏大,相比之下图7i(exp8)、图7k(exp10)的效果最佳,回波中心范围与实况贴近。结合上述增量场分析与组合反射率分析,l en=0.5且v ar=0.7的图7i(exp8)试验方案比较适用于本次的个例。
-
4 同化试验结果分析
-
4.1 水汽场分析
-
水汽通量散度是指单位时间、单位体积内水汽的辐合或辐散量,表示了水汽的走向。水汽通量散度为负时,表示有水汽辐合、聚集作用;反之,水汽通量散度为正时,表示水汽流失。从26日12时500hPa和850hPa的水汽通量散度(图8a、b)上可以看出,EXP2和EXP3的500hPa高空水汽通量散度为0左右,而其他试验结果中水汽通量散度基本为负,表示高空有水汽聚集。到低空850hPa降水区域处有明显的水汽积聚,其中EXP1水汽聚集最为明显。而EXP2、EXP4、EXP5和EXP6从高低空水汽走向来看,也有利于降水形成的水汽辐合条件。低空水汽通量散度的辐合不仅有利于水汽的凝结,而且有利于垂直运动的输送,利于降水的发生发展。
-
相对湿度在一定程度上代表了水汽的充沛与否,相对湿度越大的地区,水汽越为充沛,水汽条件越丰富。对应26日12时500hPa和850hPa的相对湿度图(图9a、b),可以发现,高空与低空的水汽条件匹配较好。高空有两条较为明显的水汽带,大约在110~115°E、34~36°N,118°~125°E、30°~32°N区域,低空水汽带大约在114°~125°E、32°~34°N附近。其中,EXP3、EXP5结果的高空水汽带范围较大,EXP4和EXP6东侧的水汽带较短,范围偏小。CTRL与EXP1和EXP2与低空水汽带位置的匹配最好,与实际降水带的位置也相对应,充分的水汽条件为降水的发生提供了有利条件。结合水汽通量散度和相对湿度来看,本次降水过程中高低空的水汽条件充沛,在空间位置上有较好的对应关系,而水汽汽源是产生降水的必要条件;且高低空水汽都有聚集、辐合走向,有利于降水的发生发展。
-
图6 exp1—exp15对应试验条件下26日09时850hPa温度增量(a1—a15;单位:K)和风速增量(b1—b15;单位:m/s)
-
Fig.6 (a1—a15) temperature increment (K) and (b1—b15) wind speed (m/s) of 850hPa at 0900UTC on June26 (exp1-exp15represents the output of temperature increment)
-
4.2 动力场分析
-
26日12时850hPa上假相当位温线如图10a所示,其中加粗红线为345K假相当位温线,以此表示梅雨锋。从分布图上可以看到,此时梅雨锋已经稳定在32°~36°N范围内,呈现西北-东南的走向,CTRL中梅雨锋的位置略偏北,在江淮地区大约处于32°~34°N之间;同化试验中345K线在江淮地区更偏南一些,假相当位温密集带形成,锋区表现明显。其中,EXP1和EXP2在假相当位温345K线南北两侧风向和风速具有明显变化,锋区最为明显和成熟,江淮切变线为对流提供了低层辐合的上升条件。西南方向有一片西风急流带,范围与降水区域对应,为降水区提供充足的水汽条件和不稳定能量。可见,模式同时同化反射率因子和径向风数据有利于风场结构的调整并与水汽条件匹配良好。EXP3和EXP4中风切变不明显,EXP5和EXP6则是风切变的区域位于345K位置偏北处。
-
图7 26日09时组合反射率因子(单位:dBZ):(a)实况组合雷达反射率因子;(b—p)表示与exp1—exp15对应试验输出的组合反射率因子
-
Fig.7 Composite reflectivity factor (dBZ) at 0900UTC on June26:(a) real represents the real composite radar reflectivity factor;(b—p) output of composite reflectivity factor from the simulation experiment exp1—exp15
-
26日18时,选取位置为110°~125°E、30°~36°N做雷达反射率因子回波剖面(图10b)来分析对流发展程度,降水带中的中小尺度系统已经发展到了高空9~10km,CTRL中的强回波处于115°E、118.3°~120°E、121.6°E地区,回波处对应上升气流,系统处于发展状态。EXP1的强回波区集中在119°~121.6°E区域、并有斜向上升气流,与后部斜下沉气流呼应形成对流形势,EXP2的强回波地区118.3°~122.3°E地区,上升气流更加剧烈,上升气流为降水发生发展提供丰富的水汽和能量条件。EXP3和EXP4在120°E附近的强回波表现不明显,对流运动不强烈,EXP5在118°E、120°E、123.3°E存在三个强回波中心,EXP6则是在118°~120°E、124°E附近存在强回波中心,对流比较强盛。
-
4.3 降水评估
-
4.3.1 雷达组合反射率因子
-
雷达组合反射率因子一定程度上反映了对流系统的强弱,强回波中心往往对应较强对流或较强降水,因此可以通过组合反射率因子了解系统发生发展情况。选取26日12时的雷达组合反射率因子(图11a)进行分析,REAL表示实况。实况在117°~119.5°E、31.5°~33°N范围内有较强回波,整体呈现西北-东南倾向。CTRL显示的强回波区域有一定的倾斜角度,范围和强度都偏小,且在东南区域出现了虚假回波,回波特征没有完全表现出来。 EXP1和EXP2的强回波特征表现较好,呈现比较连续的带状回波,且有西北-东南的倾斜角度,相比实况来说范围稍大,强回波北部的弱回波特征不明显。EXP3中强回波范围明显偏大,多次同化雷达数据之后,在EXP4中强回波范围得到了合理的改善。EXP5和EXP6试验中,由于只加入了径向风的资料、没有加入雷达回波强度资料,一定程度上缺少降水资料的信息,呈现的回波带断裂且范围偏小。
-
图8 26日12时500hPa (a)和850hPa (b)的水汽通量散度(单位:g·cm-2·hPa-1·s-1)和风场(单位:m/s):(a0,b0)控制试验结果;(a1—a6,b1—b6)是与表1EXP1—EXP6对应的试验输出结果
-
Fig.8 Vapor flux divergence (g·cm-2·hPa-1·s-1) and wind vector (m/s) of (a) 500hPa and (b) 850hPa at 1200UTC on June26 (CTRL represents the output from control experiment,EXP1-EXP6represents the output from the simulation experiment listed in Table1)
-
26日18时的雷达组合反射率(图11b),强回波处于117.5°~121°E、31.5°~32°N之间,呈现水平分布。CTRL结果的强回波带在西部地区、比实况位置偏北,且整体范围偏大,强回波的连续性较差。EXP1与CTRL相似,但EXP2的强回波特征与实况更为贴近,水平分布更加明显,且回波更连续。EXP3和EXP4中,强回波在118°E、32°N处有断裂的现象,整体效果不如EXP1和EXP2。EXP5回波强度和范围与实况比较符合,出现西部回波偏大的情况。而EXP6在119°~120°E、32°N附近出现了断裂,回波带不完整。对应实况图来看,强回波降水区域处于锋区,整体属于带状结构,由一个个中小尺度对流系统构成,CTRL模拟出了部分中小尺度对流系统,但同化试验结果的整体结构和走向更为准确。
-
图9 26日12时500hPa(a)和850hPa(b)相对湿度和风场(单位:m/s):(a0,b0)控制试验结果;(a1—a6,b1—b6)EXP1—EXP6试验输出的相对湿度和风场
-
Fig.9 Relative humidity and wind field (m/s) at (a) 500hPa and (b) 850hPa at 1200UTC on June26:(a1,b1) output from control experiment;EXP1—EXP6represents the output from the simulation experiment listed in Table1)
-
4.3.2 12 h累计降水及ETS评分
-
选取降水过程发展阶段中降水最为集中的26日19时—27日07时共12h作为降水预报重点,以中国自动气象站和CMORPH降水产品的逐小时降水量融合数据作为实况。
-
从12h累计降水(图12)来看,试验较为完整地重现了本次降水过程。CTRL降水整体呈现东西向水平形状,在降水带主体的西北方向有一条向北弯曲的降水带,与实况比较相符。同化试验中,整体降水情况也与实际较为符合。与EXP1试验结果相比,EXP2试验的强降水范围更大,且整体在116°~118°E处的降水范围也偏大。单独同化反射率因子的试验EXP3显示,降水区域略呈西北-东南方向倾斜,强降水中心范围偏大;EXP4试验的降水中心主要集中在115°~120°E、30°~32°N区域,EXP3中的强降水中心向东延伸范围太长,在EXP4中则是没有完整地体现出来。单独同化径向风资料试验的降水范围也略大于实况,但强降水中心范围相比于EXP3和EXP4的降水带东部延伸部分与实况更加贴近。
-
为定量评估预报降水的水平,采用ETS降水评分作为标准。ETS(ETS)的定义为:
-
其中:NA表示正确预报的次数;NB表示空报次数;NC表示漏报次数;ND表示无降水预报正确次数。
-
图10 26日12时850hPa假相当位温(单位:K)和风场(单位:m/s)(a)及26日18时雷达反射率因子剖面(单位:dBZ)和风场(单位:m/s)(b):(a0,b0)控制实验的输出结果;(a1—a6,b1—b6)EXP1—EXP6是与表1对应试验输出的结果
-
Fig.10 Pseudo-equivalent potential temperature (K) and wind field (m/s) at 1200UTC on June26:(a) 850hPa and (b) radar reflectivity factor profile (dBZ) and wind field (m/s) at 1800UCT on June26;(a1,b1) the output of control experiment;(a2—a7,b2—b7) output from the simulation experiment EXP1—EXP6
-
ETS降水评分(图13)显示,同时同化的两个试验得到的降水评分都比控制试验要高,说明降水强度和落区的预报更为准确,即同化雷达数据能够有效改进降水预报的效果。单独同化雷达反射率因子的试验结果总体不如同时同化的试验结果,这可能是试验结果中没有较好地反映出降水带向东延伸的部分所造成的。但总体来看,单独同化雷达反射率因子的试验能够有效调整风场结构,在小雨、中雨、大暴雨和特大暴雨阶段仍有较为明显的改进。单独同化径向风的试验结果显示,在小雨至大暴雨阶段的表现要优于控制试验的效果。在特大暴雨部分评分偏低,是因为缺少梅雨锋的中小尺度对流系统的水汽信息。从不同的同化频率来看,30min循环间隔的试验效果整体优于60min循环间隔的试验,尤其大暴雨、特大暴雨,降水落区和强度预报效果更好。
-
5 结论与讨论
-
通过WRF-3DVAR系统,针对2015年6月26—27日江淮地区一次梅雨锋降水过程进行模拟,用不同的数据和频率同化了南京龙王山SA雷达资料,得到以下主要结论:
-
1)本次数值模拟过程较好地再现了2015年6月26—28日江淮地区一次梅雨降水过程。从暴雨发生发展形势上看,本次降水主要是高空河套地区的高压带来的冷空气与江淮地区的副高边缘带来的暖湿气流对峙形成的,中低层高处气流辐散和低空辐合的条件也有利于降水的发生。
-
图11 26日12时(a)和18时(b)雷达组合反射率因子(单位:dBZ):(a1,b1)实际雷达的组合反射率因子;(a2,b2)CTRL是控制试验输出的组合反射率因子;(a3—a8,b3—b8)EXP1—EXP6对应试验输出的组合反射率因子
-
Fig.11 Composite reflectivity factor (unit:dBZ) at (a) 1200UTC and (b) 1800UTC on June26:(a1,b1) real radar composite reflectivity factor;(a2,b2) output of composite reflectivity factor from control experiment;(a3—a8,b3—b8) represents the output of composite reflectivity factor from the simulation experiment EXP1—EXP6
-
2)在进行同化试验时,调整背景场误差协方差矩阵中特征长度和方差尺度的尺度因子会得到不同的试验结果。本文通过大量敏感性试验,得到结论:本次梅雨锋降水过程个例中最合适的特征长度和方差尺度分别是l en=0.5和v ar=0.7。选择合适的特征长度和方差尺度能够有效提高降水预报效果。
-
图12 26日19时—27日07时12h累计降水量(单位:mm):(a)12h的实际降水量;(b)控制试验输出的12h降水量;(c—h)EXP1—EXP6试验输出的12h降水量
-
Fig.12 12h accumulated precipitation (unit:mm) from 1900UTC on June 26to 0700UTC on June 27:(a) real precipitation amount accumulated within 12hours;(b) output of 12h accumulated precipitation amount from the control experiment;(c—h) output of 12h accumulated precipitation amount from the simulation experiment EXP1-EXP6
-
图13 12h累计降水ETS评分
-
Fig.13 ETS scores of 12h accumulated precipitation
-
3)WRF-3DVAR系统能够有效提取雷达反射率因子和径向风资料,从而得到更为准确的初始场。同化雷达的不同资料,会对暴雨预报的结果产生不同的影响。在本次试验中,结果最优的是同时同化反射率因子和径向风资料,单独同化反射率因子或者径向风也能在一定程度上改善预报效果。且同化频率越高,降水预报效果也会越好。
-
参考文献
摘要
为了研究同化雷达资料对数值模式降水预报的改进效果,针对2015年6月26—28日江淮地区梅雨降水过程,进行了结合雷达资料同化的数值模拟研究。首先介绍了过程的降水概况、环流形势。其次,利用WRF模式进行降水过程的数值模拟,在完成控制试验的基础上进行WRF-3DVAR的雷达资料同化。经过15 h的启转后,分别进行了针对背景误差协方差矩阵中特征长度和方差尺度的敏感性试验,得到最适合本次个例的特征长度(0.5)、方差尺度(0.7)。设置最优的特征长度和方差尺度后,进行同时同化反射率因子与径向风、单独同化反射率因子和单独同化径向风的同化试验,并分别设置了间隔为1 h和30 min的同化频率。通过分析个例水汽场、动力场及降水预报场,得到如下结论:1)雷达数据同化能够有效提高降水预报效果;2)同时同化雷达反射率因子和径向风的效果最好;3)同化雷达资料频率越高,效果提高也越明显。
Abstract
In order to study the improvements of the numerical weather forecast model with radar data assimilation on precipitation forecast,in this paper,an experiment is performed to simulate the Meiyu Front precipitation event during the period of June 26—28,2015 in the Jianghuai area.The precipitation features and synoptic situation of the event are described with emphasis on the evolution of mesoscale convective systems which contribute greatly to the rainfall.The WRF mode is applied to perform this simulation.After the control experiment,the 3DVAR radar data assimilation scheme is executed.After 15 h spin-up,the sensitivity experiments for len_scaling and var_scaling of background error covariance matrix are performed respectively.The optimal len_scaling is 0.5,and optimal var_scaling is 0.7.By setting the optimal len,var and assimilation time-step of 30 min and 1 h,experiments of assimilating reflectivity factor,radial velocity individually and simultaneously are implemented.The results from the analyses on the water vapor,dynamic and precipitation fields reveal the following:1) assimilating radar data can effectively improve precipitation forecast,2) assimilating both radar reflectivity factor and radial velocity yields superior precipitation forecast,and 3) higher frequency of assimilating radar data yields superior precipitation forecast.
Keywords
Meiyu Front ； precipitation ； Doppler Radar ； assimilation ； scale factor
