文摘
本研究探讨了三维变分资料同化的影响(3 dvar)两个暴雨事件的预测在中国南方通过使用一个实时storm-scale预报系统。初始化从欧洲中期天气预报中心(ECMWF)的高分辨率数据,预测系统的特点是结合高级研究气象研究和预测(WRF-ARW)模型和先进的区域预测系统(ARPS) 3 dvar包。从多普勒雷达观测,地面自动气象站(AWS)网络和无线电探空仪是用于实验评估数据同化的影响短期定量降水预报(QPF)技能。结果表明,extrasurface AWS数据同化有轻微但一般对降雨预测位置产生积极影响。表面AWS数据也提高近地表模型的结果变量。无线电探空仪数据同化改善QPF技能通过提高降雨的位置精度和减少降雨overprediction。与雷达数据相比,额外的表面和无线电探空仪数据的总体影响是较小的,主要体现在减少降雨高估。所有雷达的同化、表面和无线电探空仪数据预测技能有更积极的影响比同化的类型的数据只有两个降雨。
1。介绍
对流风暴伴随着暴雨、冰雹和破坏性的风在夏季经常发生在中国南部。减少破坏这样的恶劣天气,更准确的短期预测convective-scale数值天气预报(NWP)模型与健壮的数据同化系统已经更加关注(1- - - - - -3]。近年来,一些研究已经表明,先进的区域预测系统(ARPS)三维变分(3 dvar)系统能够分析不同的数据类型,通过使用多个分析传递(4- - - - - -7]。
根据高级研究天气的研究和预测(WRF-ARW)模型和ARPS 3 dvar /云分析模块,实时每小时更新storm-scale预报系统开发合作中心分析和预测风暴(帽)在俄克拉荷马大学,深圳气象局(SZMB)中国和深圳先进技术研究院(SIAT),中国科学院。每小时预测系统,称为同化和预测系统,或也许不久,2010年3月以来一直在日常运行实时预测。系统初始化从全球预报系统(GFS)数据和特征吸收反射率和从当地天气监视雷达径向风- 1998多普勒雷达(wsr - 98 d)每小时在第一阶段的实时预测。在第二阶段的升级也许不久,不仅高分辨率的欧洲中期天气预报中心(ECMWF)分析还预测数据用于初始条件(IC)和侧边界条件(LBC)和同化的表面自动气象站(AWS)和无线电探空仪观测也检查了8]。
改善降水预报的方法之一是使用尽可能多的可用数据。更好的中尺度分析可以提供从表面数据的频繁间歇同化9)或表面和无线电探空仪数据在行星边界层模型(及以上10]。实物地租et al。11]证明了同化雷达数据和其他常规观测convection-scale模型预测产生积极的影响。Ha et al。12)发现,多普勒雷达和表面数据的同化了更积极的影响定量降水预报(QPF)技能比雷达数据的同化或表面数据。考虑到雷达数据同化的一致的积极影响最近的研究(所示13- - - - - -16),强调评价表面AWS和无线电探空仪数据同化的影响。AWS数据的优势更好的时间和空间分辨率,而无线电探空仪数据可以提供多层气象信息,均应使用有效数值天气预报模型。也许不久预报系统部署的目的是改善convective-scale降水预测,实验研究的重点是数据同化的结果convective-scale域。
的描述模型和观测网络节中给出2。节3,两个强降雨事件,并介绍了相应的实验设计。节4数据同化对降水分布的影响,近地表变量,QPF技能评估。最后,总结并给出结论5。
2。模型描述和观测网络
2.1。模型描述
也许不久的预测系统,使用WRF-ARW (V3.3.1)模型作为预测模型,为3 dvar包提供数据同化,由一个中尺度域与12公里水平网格间距和单向嵌套convective-scale域网格间距(图4公里1)。ECMWF高分辨率的模型发起数据有一个水平分辨率为0.25度,20垂直压力水平与顶部10 hPa模型。中尺度域覆盖华南地区生产48 h预报每12 h(在0000年和1200年启动UTC)作为背景和LBC convective-scale预测。convective-scale域产生每小时12 h预测(例如,启动于0000、0100、0200 UTC,等等)。
(一)
(b)
模型域都有51个垂直的水平。RRTM长波辐射(17[],戈达德短波辐射18),MYJ行星边界层(19,20.),和诺亚地表模型(21)是用于实时系统领域。埃塔粒子物理学和Kain-Fritsch积云参数化(22)用于12公里的域,而更复杂的新的汤普森计划(23)用于4公里域。
3 dvar方法最小化代价函数,包括背景、观察、和质量守恒约束条款。成本函数(4可以写成 在右边第一项措施分析向量的离开吗从背景中重的背景误差协方差矩阵的逆。分析变量包括三个风组件(,,),潜在的温度、压力、和水汽混合比。第二项措施的离开,预计到观察空间,从观测向量。分析了径向速度可以近似为 在哪里,,风组件在笛卡尔坐标吗,()是雷达的位置,是雷达站点和数据点之间的距离不到100公里。第三项代表动态或方程的约束。的详细描述ARPS 3 dvar可以在[4,24]。
观察错误可以从不同来源生成,如仪器噪声,预处理,代表误差。考虑到随机噪声在径向速度和反射率的标定误差,徐et al。25讨论了观测误差的影响。他们发现四维变分资料同化技术观察错误不是很敏感,虽然一些检索领域的更大的错误发生后增加错误的径向速度和反射率。龚et al。26]讨论了分区的观察和背景误差协方差的贝塞尔函数拟合和数据从三个密集的无线电探空仪观测区域包括东亚、北美和欧洲。表面AWS数据同化,徐et al。27)的影响进行了实验测试实际观测站点之间高差和数值模型表面。他们的研究证明了估计观测误差统计的重要性但只能归类为敏感性实验。在中国代表的准确观测仪器,更系统的实验是必要的。因此,由于缺乏可靠的统计错误信息对中国乐器,观察错误认为是不相关的和指定各种观测平台(据估计错误7]。
多尺度分析过程包括在ARPS 3 dvar包。这意味着多个分析通过每一个包括不同的数据类型和使用不同的滤波尺度可以用于数据同化。过滤器,包中定义为半径,是指导下的密度观测站点。考虑到距离的观察风格如图1,雷达的水平影响半径、AWS和无线电探空仪数据选为20,50和400公里。垂直半径是影响四个网格点。
2.2。观测网络
可用的观测结果为本研究从wsr - 98 d雷达,表面AWS,无线电探空仪,雨量计测量。有16个雷达领域(三角形图4公里1(一)),包括广东八和八个在其他四个省。wsr - 98 d雷达与相似特征的s波段雷达监视雷达- 1998多普勒天气雷达(wsr - 88 d)在美国操作多普勒雷达网络(28]。体积从这些雷达雷达数据可用每6分钟9高度角,与雷达反射率和速度的决议在左边的1.0公里和250米(29日]。原始雷达数据必须通过自动化加工质量控制和平均数据“列”通过使用程序88年d2arps。
AWS网络在中国主要用于观察天气条件但尚未应用于数值天气预报模式(27]。表面AWS数据包括近地表温度、露点和风力组件每5分钟的时间间隔。数据从437年表面AWS网站(图1 (b)),3 - 10公里的水平距离被用于这项研究。此外,从21无线电探空仪网站数据(蓝色点在图1 (b))在4公里域也是用于数据同化。这些网站的一部分无线电探空仪台网分布在中国,与改善仪器模型和校正方法在过去50年(30.,31日]。传统的无线电探空仪数据在0000年和1200年UTC,包括温度、露点,风从850到100 hPa概要文件。雨的总数指标在4公里域是1353(图未显示)。他们是用于定量降水验证在后面的部分。
3所示。降雨和实验设计的概述
3.1。降雨事件的概述
选择两个暴雨事件与西南季风在这项研究中,由于夏季西南季风典型天气设置生产中国南方的降雨量在6月和7月。第一个降雨事件(20110629)从6月28日,2011年6月30日,2011年,影响中国南方几个省份大雨和严重的水灾。第二次降雨事件(案例20110715),发生于7月15日,2011年7月18日,2011年,表现为不均匀性和极高的降雨率在局部地区。
图2显示了850 hPa风场,相对湿度0000 UTC UTC时间0000年6月29日和7月15日,2011年从ECMWF的数据分析的两个事件。2011年6月29日,在0000 UTC(图2(一个))、温暖和潮湿的空气从中国南部附近的沿海地区运送至西南内陆地区通过强大的风,形成southwest-northeast水蒸气乐队。高相对湿度超过80%在几个省,结合上级逐步深入槽,导致暴雨的形成。类似于第一种情况,西南风和水蒸气乐队在UTC时间0000年7月15日,2011年出现在中国南方的沿海地区(图2 (b))。然而,潮湿的空气乐队在这个事件有点窄,由于风切变在广东和福建东部从西南到东南。因此,低压和蒸汽运输主要影响在中国南方沿海省份。
(一)
(b)
有一个明确的回声结构,图3显示了观察复合反射率在1200 UTC UTC时间1200年6月29日和7月15日,2011年,分别。组合反射率被定义为最大反射率在垂直列。观察到的反射率来源于ARPS 3 dvar使用可用的雷达数据的分析(雷达站位置如图1(一))。2011年6月29日,在1200 UTC(图3(一个)),主要的回声在广东和西南地区附近的沿海地区,最大值为43.9 dBZ。此外,分散较弱的细胞也可以看到在广东周边地区。相比之下,与类似规模较大的反射率区域覆盖几乎所有的广东省在UTC时间1200年7月15日,2011(图3 (b))。因此,这两件事在多个城市广东省造成了严重的洪涝灾害。
(一)
(b)
3.2。实验设计
一对12公里和4公里预测为每个降雨事件。为20110629,12公里的预测是0000 UTC 2011年6月29日启动,运行48 h 0000 UTC 2011年7月1日。12 h预测在4公里域从1200 UTC 6月29日到0000 UTC时间2011年6月30日。对于其他降雨事件,12公里预测从0000 UTC 7月15日到0000 UTC 17 2011年7月,4公里运行是从1200 UTC 7月15日到2011年7月0000 UTC 16。
数据同化实验在convective-scale域没有骑自行车。先前的研究已经表明,雷达数据同化是有用的在提高降水模式和短期QPF技巧,雷达数据同化的影响将不会再次检查。本研究的重点是评估的影响表面AWS和无线电探空仪数据(实验表所示1)。因此,基础实验(或控制实验,CNTL)是一个WRF-ARW预测与雷达数据同化进行了4公里的起始时间域。额外的实验同化雷达数据+表面AWS和无线电探空仪数据,分别命名为RADAWS和RADSND。检查所有合并后的数据的影响,与雷达实验,表面AWS和无线电探空仪数据同化在一起(ALLDATA) 4公里的起始时间域也表现为两种情况。
4所示。结果
4.1。数据同化对降水分布的影响
显示数据同化降水分布的影响,3、6和12 h过累计降雨观测和三个实验(CNTL、RADSND ALLDATA)在这一节中提供了两种降雨情况。模型的预测结果是convective-scale域。降水分布从RADAWS不是显示为小的区别是发现从CNTL相比。然而,AWS数据同化的积极影响仍然可以从近地表变量,这将在部分4所示。2。
图4礼物第一3 h累积降水量在1200 - 1500年间UTC 6月29日2011观察和实验(CNTL、RADSND ALLDATA)。根据观察(图4(一)),有两种主要的降水区域,一个在广西中部,另在广东省。观察到的最大3 h降雨量为58.5毫米。广东与观测相比,主要降水地区来自实验CNTL(图4 (b))是一个小北和高估的最大价值高达140毫米。广东和降雨地区变得更小的规模和流离失所的西北方,广西雷达数据是可用的。进一步的无线电探空仪(图4 (c))以及无线电探空仪和AWS(图4 (d))数据同化降低过高的地区降雨量的大小在广东广西但仍然没有抓住了降雨地区。
(一)
(b)
(c)
(d)
在1800 UTC(6小时的时间预测),观察到的降水模式(图5(一个))是类似于3 h之前,有两个主要的降水区域。从CNTL模型预测,RADSND,所有数据(数据5 (b)- - - - - -5 (d))也显示一个主要降水地区广东和不同于彼此的小分散降水广西地区。
(一)
(b)
(c)
(d)
在后者6 h预报降雨持续增加。12 h降雨记录雨量计观测(图6(一))表明,两个降水区域成为更大的规模和核心价值,特点是一个地区的最大值114毫米在广西和广东其他雨带southwest-northeast方向。从雷达数据同化结果(图6 (b))显示两个降水区域,尽管广东降水区域的方向不够关闭的海岸线。实验RADSND(图6 (c)广西)提高了降水模式通过增加降水覆盖。CNTL相比,观察和实验,实验ALLDATA普遍提高了预测广西地区降水通过移动向南虽然仍有降雨过高的问题。
(一)
(b)
(c)
(d)
数据7- - - - - -9现在第一个3、6和12 h累计降雨雪从观测和三个实验案例20110715。第一3 h在1200年和1500年之间UTC 7月15日,2011年,图7(一)显示了一个southwest-northeast雨带在南方沿海省份,最大值为72.5毫米。的降水模式CNTL RADSND, ALLDATA(数字7 (b)- - - - - -7 (d))相互非常接近;都成功地生成基本的雨带。总体而言,实验ALLDATA更好最大降水数量而言,尽管它是高于观测。1800 UTC时间2011年7月15日,观察6小时累积降水区域(图8(一个))仍在广东及周边地区,但降雨量增加121.5毫米的最大价值。当时,差异实验可以看到,随着更多的降水模式的详细结构生成从RADSND ALLDATA(数字8 (c)和8 (d))。降水分布的差异变得更大的时候12 h预报。(图12 h累积降水分布9(一个))的特点是单独的局部降水中心,主要是与一个在广东的西南部边缘,另一个在广东中部。与实验相比CNTL(图9 (b)),RASND(图9 (c))显示积极影响通过减少降雨过高的区域的大小和最大降雨量的价值。实验ALLDATA(图9 (d))进一步提高预测分裂的降水区域在广东中部成更小的单独的降水中心,靠近观察。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
总的来说,预测与雷达数据同化成功生产一般降水模式但不令人满意的预测准确的降水中心位置和降雨量。无线电探空仪的数据同化可以减少降雨区域覆盖率过高或降水最大值。所有三种数据类型的组合有助于产生更详细的降水空间分布。
4.2。AWS近地表数据同化的影响变量
表面的观察,虽然他们提供的数据只有一个级别,有更好的时间和空间分辨率的优势与温度和风力的信息。均方根误差(rmse) 2 m的温度和相对湿度以及10米风组件是用来评估本节AWS数据同化的影响。从模型网格数据插值到观测地点在AWS执行场所。
RMSE被定义为 在哪里表示变量,包括温度、相对湿度和风力组件模型的结果,和从AWS数据是相同的变量。观察和总数等于或少于437,根据数据的可用性。
图10介绍了时间序列的rms 2 m从实验中温度和风速10米CNTL RADAWS两种情况下。为20110629,与实验结果CNTL相比,在实验RADAWS RMSE温度(图10 ())从2.1减少到1.7°C 1 h预报,风速(图10米10 (b))从3.5减少到2.4米−11 h预报。例20110715(数据10 (c)和10 (d)),温度为2 m rms和10米风速降低,尽管积极影响温度只持续3 h。
(一)
(b)
(c)
(d)
总的来说,AWS数据同化对近地表变量有积极影响。Ha et al。12)指出,表面数据导致了低空风的发生。Stensrud et al。32]发现只有表面的同化观测是有利于创造更现实的中尺度特征与中尺度对流系统。高分辨率地表数据确实有提高的潜力storm-scale对流特性(33]。因此,虽然我们的重点是改善QPF技巧,它仍然是鼓励添加AWS实时预测系统的数据同化。
4.3。数据同化影响QPF技能
评估QPF技能以上数据同化实验,偏差分数(34)和公平的得分威胁(ETS, (35)1、3和6 h与阈值的累计降雨雪5和10毫米convective-scale域计算。类似于RMSE的计算,从模型网格数据插值到车站位置首先计算偏差和ets之前执行。对于每个案例,可用网站的数量大约是1000。
偏差的定义是 在哪里是事件的数量预测和是事件发生的数量。指定阈值,一个完美的预测会有偏差,偏差的值小于和大于1表示降雨underprediction overprediction,分别。
ETS是定义为 在哪里,事件的数量正确预测,然后呢和被定义为。对于一个完美的预测,ETS是1。更大的ETS表明更熟练的预测。
于社区的分数技能评分(FSS)也用于验证。它被定义为36] 在哪里网格点的数量在网格点的附近吗,和社区的概率th网格箱模型中预测和观察到的部分领域,分别。完美的预测将有一个FSS的得分为0意味着没有技能。半径的影响研究中被指定为25公里。
图11显示了每小时的偏见分数和fs积累沉淀与阈值1和5毫米的情况下的所有实验20110629。为验证1毫米的阈值,偏差(图(11日))RADSND和ALLDATA通常小于CNTL RADAWS,和实验RADAWS最高偏差错误在后者5 h。金融监督院(图11 (b))相当复杂,如额外的AWS或无线电探空仪数据同化产生更好的预测比实验CNTL在某段时间内,但没有实验始终比其他人在12 h预报。的结果与5毫米的阈值(数据验证11 (c)和11 (d))混合,包括从RADAWS overprediction程度越高,小偏差错误在最初几个小时但是糟糕结果后ALLDATA和波动的FSS实验。
(一)
(b)
(c)
(d)
比较倾向得分和ETS 6 h积累沉淀实验如图12。RADAWS产生偏见比CNTL第一和后6 h预测,表明添加AWS数据增加了这种情况下的降雨overprediction的程度。RADSND的偏见和ALLDATA非常相似,展示低错误和阈值在第一6 h和1和5毫米的阈值后6 h。ETS在CNTL RADAWS更高比,表明额外的AWS数据同化改进预测的位置精度。相比之下,RADSND和ALLDATA通常表现出比CNTL更高的资产。此外,RADSND和所有数据也显示技能比RADAWS 1毫米的阈值,但不与其他两个阈值一致。
(一)
(b)
(c)
(d)
图13显示了每小时的偏见分数和fs累积降水阈值1,5日和10毫米的实验情况下20110715。概述后偏见在左栏,我们可以看到,偏见是集群分成两组,包括CNTL RADAWS和较大的偏差,以及RADSND ALLDATA偏差较低的错误。这意味着除了无线电探空仪的数据减少降雨overprediction的程度。fs如图13还表明,CNTL和RADAWS有类似的技能,而RADSND和ALLDATA展览一般但不是很一致的更高的分数。
(一)
(b)
(c)
(d)
(e)
(f)
图14首次显示了偏见的分数和ETS和后者过6小时累计降雨三阈值的所有实验案例20110715。可以看出RADSND偏见和ALLDATA低于CNTL和RADAWS(数字(14日)和14 (b)与降水分布如图所示),这是一致的。ETS在第一个6 h(图14 (c)),RADAWS产生比CNTL稍微更好地预测。与RADAWS相比,RADSND ALLDATA略有提高预测能力仅为5和10毫米的阈值。在后者6 h(图14 (d)),ALLDATA表现出最高的ETS在所有实验的光和强降雨。
(一)
(b)
(c)
(d)
总之,额外的表面AWS数据同化略有提高降雨预报的位置;然而,它有时可能会增加降雨高估的程度。相比之下,无线电探空仪数据同化改善QPF技能主要是通过减少降雨overprediction。因此,结合表面AWS和无线电探空仪数据同化的总体积极的影响提高降雨的位置精度和减少overprediction的程度。道森II和雪33]发现额外的表面数据在初始条件产生了积极但不显著影响位置误差预测的中尺度对流系统。盛等的研究。28]表明,表面和高空6公里域预测数据同化是有益的,而是小。总的来说,我们与这些先前的研究结果一致。比较的影响表面AWS和无线电探空仪数据与雷达数据更清晰,人物15显示了12 h的偏见分数和ETS从实验CNTL和ALLDATA积累沉淀,以及预测没有任何数据同化(简称NOASSIM)两种情况下。
(一)
(b)
(c)
(d)
NOASSIM偏见分数的两种情况下(数字(15日)和15 (c))为1毫米阈值小于0.7,甚至小于0.5的5和10毫米阈值。相比之下,CNTL太大的偏见分数,在完美的值为1。进一步增加表面AWS和无线电探空仪的数据实验ALLDATA建议最好的预测偏差方面的错误,因为他们更接近1。ETS从所有实验数据15 (b)和15 (d))表明,雷达数据同化显然提高了预测和表面AWS和无线电探空仪数据一般积极但规模小得多的影响。较低的ETS在比CNTL ALLDATA阈值(图1毫米15 (d))从轻微的负面影响无线电探空仪的数据推测,在图所示14 (c)。总的来说,额外的表面AWS和无线电探空仪数据同化减少降雨overprediction从雷达数据同化。即使他们有较小的影响比雷达数据在资产方面,他们还应该考虑在convective-scale预测。
5。摘要和结论
这项研究的一部分,努力提高预测技能的深圳气象局,也许不久系统主要专注于评估3 dvar数据同化的影响短期QPF通过考虑不同的多普勒天气雷达观测资料来源,表面AWS,和传统的无线电探空仪。数据同化实验6月29日和7月15日,2011年降水事件在中国南部。从雷达数据同化的积极影响在先前的研究已经证明,本研究强调在评估额外的表面AWS和无线电探空仪数据同化影响短期QPF技能。
Extrasurface AWS数据同化轻微,但一般对降雨预测位置产生积极影响。AWS的积极影响数据也可以显示从近地表的预测变量。同时,不可否认,AWS数据同化有时可能会增加降雨overprediction的程度。AWS数据在每个小时的开始时间,可以及时的提供,建议在《每日实时预报系统。
无线电探空仪数据同化改善QPF技能的提高降雨的位置精度和减少降雨overprediction。尽管无线电探空仪数据相对粗分辨率和可用每12 h,它们也有利于convective-scale降水预报。结合表面AWS和无线电探空仪数据同化的总体积极的影响提高降雨的位置精度和减少overprediction的程度。
雷达数据同化的降水预报有明显的积极影响的ETS也产生更高的偏见overprediction错误。与雷达数据相比,额外的表面和无线电探空仪数据的总体影响是较小的,主要体现在减少降雨高估。因此,所有雷达的同化,表面和无线电探空仪数据有更积极的影响比同化QPF技能的类型的数据。
只有两种情况在本研究调查。更有效地提高降水预报,需要更多的研究工作,包括更多的案例研究和进一步观察数据的质量控制。骑自行车应该注意的是,实验也进行6小时AWS数据周期窗口每隔1 h在12公里域中,喜忧参半,甚至负面影响。AWS数据循环过程的质量控制和改进未来可能需要进一步调查的工作。此外,更高的模型解决1公里甚至低于100米还应该检查在将来的研究中。
确认
支持的研究资助上限从深圳气象局(SZMB)。所有数值实验和分析SZMB超级计算机设施。作者受益与冀东高博士讨论利用ARPS 3 dvar包。支持的工作也是中国国家基础研究计划(973计划,批准号2013 cb430105),中国科学院知识创新项目(批准号kzcx2 - ew - 203),中国国家自然科学基金(批准号41105095)。