文摘

变分雷达数据同化系统已经开发和测试的高级研究气象研究和预测2005年以来(WRF-ARW)模型。最初的努力集中在同化雷达观测的三维变分框架,和最近的努力已经扩展到四维系统。本文提供了评估系统的基础知识和各种研究进行评估和改善系统的性能。未来的活动需要进一步提高系统和操作进行了讨论。

1。介绍

在过去的二十年中进行了积极的研究技术的发展来初始化storm-scale数值预测模型。已经认识到,成功的关键将取决于国家运营的最佳使用wsr - 88 d网络覆盖美国单多普勒雷达覆盖大部分地区。虽然网络提供了观察解决能够解决大气对流,他们只局限于径向风和反射率。因此一些早期研究集中在获取气象领域的可行性从这些单多普勒观测结果。技术与不同的复杂性已经开发旨在获取未被注意的气象变量如三维(3 d)风、温度、和微观物理学的领域从雷达观测的径向速度和反射率(例如,[1- - - - - -5])。

的技术,利用数值模型在数据同化(DA)收到了特别关注,因为他们结合检索,初始化和预测在一个系统中。第一个雷达storm-scale DA系统的开发基于四维变分资料同化(4 d-var)技术和边界层流体动力学模型的检索3 d风和温度(1]。这个系统被称为VDRAS(变分多普勒雷达分析系统),后来扩大到包括微观物理学的检索,以及短期预测这些检索字段初始化(6- - - - - -9]。另一个variational-based雷达DA系统是由高et al。4)使用三维变分资料同化框架(3 d-var)技术的ARPS(高级研究和预测系统10])模型。所谓的3.5维变分同化雷达数据基于海军COAMPS(耦合海洋/大气中尺度预报系统)是通过大量的研究开发和演示(11,12]。这些变分系统表现出极大的潜力在使用初始化高分辨率的雷达观测数值模型通过几个案例研究和实时演示(13,14]。

展示了潜在的动机的发展变分DA系统的雷达DA方案WRFVAR ARW-WRF社区的模型(高级研究气象研究和预测;以下引用WRF)。WRFVAR包括3 d-var [15,16)和4 d-var (17)组件。雷达DA方案最初是为WRF 3 d-var[开发18,19),最近扩展到4 d-var [20.,21]。与ARPS 3 d-var系统和VDRAS的发展是出于convective-scale分析雷达观测的同化,WRFVAR系统开始与传统数据同化而convective-scale分析作为一个优先级。因此强调天气尺度的平衡通过使用背景预测模型及其误差协方差。它也使用了流函数和速度势动量控制变量而不是直接速度VDRAS和ARPS 3 d-var。此外,增量公式(22)中常用的大型数据同化系统通过WRFVAR,这可能不适合storm-scale应用程序,因为配方所需的线性化。因此,添加WRF雷达数据同化能力,这是一个预测系统针对广泛的研究和操作应用,带来了新的挑战,不存在系统中关注storm-scale分析和预测。

近年来几个运营中心在世界各地也一直在开发和测试的能力吸收雷达观测来初始化高分辨率convection-permitting NWP模型。的一个显著的努力被气象局英国使用统一的模型及其变分资料同化系统(23]。教训的理解和找到解决上述挑战WRFVAR有广泛应用运营社区因为一些操作数据同化系统使用类似的框架WRFVAR和将因此面临同样的挑战。

本文的目的是提供一个审查的进度WRFVAR系统及其未来的发展计划。系统的初始开发以来,已经进行了很多研究,旨在系统的进一步发展或在回答一些具有挑战性的科学问题。回顾这些研究将有利于未来社区的用户系统。节2对整个系统设计,我们提供了一个回顾,包括WRFVAR的基本框架、雷达观测操作符,控制变量及其背景误差(是)估计,和自动雷达数据质量控制。综述了3 d-var系统的性能部分3和4 d-var系统的部分4。在最后的部分中,我们讨论了DA系统计划的未来努力。

2。系统设计WRFVAR雷达哒

2.1。WRFVAR的基本框架

WRFVAR遵循增量变分公式(22常用的操作系统)。在标准的变分公式,通过最小化代价函数获得最优分析测量观察和预测之间的错配的非线性模型。增量变分公式,然而,线性化模型是用于生成所需的预测成本函数。增量方法的优点是,它不仅降低了计算成本4 d-var也提高了成本函数的数学条件(即。二次成本函数)的线性化的操作符。它便于使用粗分辨率切线性模型(TLM)和伴随模型(ADM)来减少计算成本和物理过程的简化表示TLM和ADM数据同化周期。

成本函数的增量公式可以从标准成本函数和一些假设将在稍后描述。首先我们表达标准成本函数如下: 这个成本函数假设同化窗口覆盖与每个下标代表的观察窗口。的变量,,背景代表了最初的大气状态,状态可先前的模型预测,分别和观察到的状态。是传播的非线性预测模型的初始大气状态的观察时间在4 d-var。应该注意的是,3 d-var视为一个特殊情况可以简单地设置为0,设置为单位矩阵。是非线性观测算子。 和背景和观测误差协方差矩阵,分别。

获得的成本函数增量公式,我们首先介绍了创新变量在th观察时间 然后线性化操作符和在(1)如下: 的标和分别代表当前和以前的外层循环迭代。和的切线性算子是吗和。使用(2)和(3),成本函数(1)可以改变 当增量在th外循环迭代,估计大气状态的更新用于生产第一个猜轨迹为下一个外循环。增量方法的基本假设是,解决方案的成本函数(4)逐步非线性成本函数的方法(1)给予足够数量的外循环迭代。

假设的背景误差协方差矩阵和一个控制变量变换,背景的成本函数(4)简化为,在那里外循环的总数,即避免了逆的计算困难吗。控制变量变换实现通过一系列的操作(15]。横向变换使用递归滤波器(执行24]。垂直变换实行EOF(经验正交函数)的垂直分量分解的背景误差协方差。物质变换将控制变量的增量空间分析变量空间。的控制变量WRFVAR系统将在本节描述。

最优分析是通过最小化代价函数(4)在外部和内部循环迭代。内循环的迭代的数量确定的收敛性判据或指定固定数量。外层循环迭代的数量通常2到6。的梯度计算所需的成本函数最小化过程中伴随的方法。4 d-var系统增量公式,提出模型及其TLM和ADM是必要的。远期模式WRF预测模型是一样的但目前只有凯斯勒粒子物理学和扩散的物理方案。计划将被添加到远期模式在未来的伴随这些计划。

2.2。雷达观测运营商

同化雷达观测,观测条件被添加到现有的成本函数: 在哪里用于表示现有的成本函数前雷达数据同化。的变量径向速度和站反射率的因素。上标“ob”表示观测。这些符号和代表观测误差协方差矩阵对径向速度和反射率,分别。注意,总和观察时间的水平不需要在3 d-var。观察操作符成本函数(1)链接模型变量在模型坐标观测变量的观测空间。雷达径向速度,这个链接是制定三维风场(,,),水汽凝结体下降速度,距离数据点的位置和雷达天线: 在哪里代表观测点的位置和()代表雷达站的位置。从雨水混合比计算高度修正后的太阳和骗子6]。关系(6)是线性的,除了非线性依赖需要线性化,得到线性观测算子。注意,地球曲率效应(25)时必须考虑的雷达观测模型映射网格,在雷达数据预处理方案,完成在接下来的小节描述。

反射率运营商的配方不是简单的,因为它取决于假设滴大小分布的微观物理学的参数化方案和水文气象的分类。在阳光和骗子6肖,et al。19)以下关系用于WRF 3 d-var假设Marshall-Palmer滴雨的大小分布: 在哪里是空气密度(公斤米⁻³),是雨水混合比(g公斤吗⁻¹)。Zhang et al。26)研究了不同关系假设限制伽马滴大小分布和低降水的分析发现了一些改善。

方程(8)在成本函数(5)吸收反射率WRF三d-var由肖et al。19]。然而,王et al。27]表明,线性化(8)根据代价函数的增量公式可以导致雨水干偏差分析。因此他们提出间接吸收雨水混合比从(8)代替与在(5)。

2.3。控制变量和背景误差估计

标准的控制变量(简历)15]WRF 3 d-var和4 d-var流函数速度势的,不平衡的组成部分温度的,不平衡的组件,表面压力的不平衡分量,相对湿度Rhs“伪”。不平衡分量后剩余的三个变量减去相应的相关组件这是一个统计拟合得到的。“伪”相对湿度是水汽混合比在后台除以它的饱和值的状态。同化雷达径向速度和反射率与温暖的雨,垂直速度和云的微物理参数必须添加水和雨水作为控制变量。在当前WRFVAR系统,没有互相关与其他变量被认为是相对湿度,云水混合比,雨水混合比,和垂直速度。4 d-var技术通过使用WRF模式可以隐式地产生多元相关性的分析。

convective-scale DA被关注的一个问题是动力控制变量的选择。使用流函数和速度势(和)全球运营模型被广泛接受(例如,现国家环境预报中心的统计插值和英国气象局统一模型3 d-var系统)。然而,最近的一项研究由谢和MacDonals [28)建议使用流函数和速度势动量控制变量可能不适合分析在小型区域域问题。其他中尺度DA系统包括雷达观测,如VDRAS和ARPS 3 d-var,使用u风在x网格方向和v风在y网格方向动量控制变量。的努力正在进行比较的影响高分辨率分析动量控制变量的选择。一些初步的结果将部分所示5。

控制变量的选择5 (CV5)在WRFVAR,递归滤波器和eof(经验正交函数)用于模型的背景误差协方差。水平自协方差,这被认为是均匀且各向同性,空间递归滤波器的建模。垂直误差的相关性建模使用诊断eof(经验正交函数)从背景估计错误。自从convective-scale一般使用雷达观测数据同化是在有限域,最好获得背景误差统计在感兴趣的领域以及感兴趣的季节。有两种方法来估计背景误差统计WRFVAR:控制变量的整体方法(20.,29日)和NMC方法(30.]。这两种方法都包含在效用GEN_BE [15)标准的发布WRF数据同化系统。两种算法被用于以前的WRFVAR研究。

估计背景误差的统计数据的一个例子是在图1,它显示了控制变量的水平长度尺度对垂直EOF模式。误差统计计算域覆盖上的很大一部分美国(N24°n49°和W116°-W74°)使用NMC方法和2012年6月的数据实时WRF 3公里。情节显示长度尺度是几百公里的动态变量和温度在最初几个模式,减少到低于100公里高频率模式。相对湿度低于50公里的长度范围为所有EOF模式。

2.4。自动雷达数据质量控制

一个自动雷达数据质量控制和误差估计系统,可以实时执行一个操作雷达DA系统是一个重要的组成部分。自动雷达数据预处理系统嵌入在NCAR的实时4 d-var系统VDRAS基于云级别的模型(不同于WRF) [6)生产质量控制雷达数据供WRFVAR使用。系统及其雷达数据质量控制方案自2001年以来一直用于实时。VDRAS数据预处理系统包括几个质量控制算法以及过滤,superobbing和错误计算。在太阳31日),其中的一些预处理方法进行描述。的一个挑战性问题的使用雷达径向速度为各种应用程序的数据质量控制别名速度,称为dealiasing速度。径向速度是别名当真正的径向速度的明确的速度大于雷达或奈奎斯特速率(25]。VDRAS数据预处理系统的一个独特的特性是一个速度dealiasing算法加上4 d-var雷达数据同化的频繁更新风分析通过一个连续循环用作参考dealiasing风。Lim和太阳32]证明了速度的耦合dealiasing与雷达DA系统算法改进的参考风的准确性和因此导致一种改进dealiased速度场通过显著减少的百分比dealiased不当使用引用的数据没有雷达的风场数据同化。

速度dealiasing飓风事件期间可以特别具有挑战性,因为强风和大错误的引用风,尤其是在靠近中心,中心位置的轻微偏移会导致大量不同风向。最近VDRAS耦合dealiasing方案的应用表明,该方案是有效的自动展开严重别名速度观测。图2显示了一个示例从大量的雷达卷成功dealiased台湾莫拉克台风的影响在2008年8月7号到9号。

3所示。回顾3 d-var表演

雷达的性能和影响DA使用WRF 3 d-var检查通过个案的研究,以及多个案例/天操作设置。第一个案例研究雷达径向速度数据同化在WRF 3 d-var报道了肖et al。18)使用强降雨发生在朝鲜半岛。他们发现从珍岛雷达径向速度数据的同化的韩国气象局改进风分析(尤其是北方组件)导致实质性的改进3 h 6 h预报降雨预测和明显的改进。在后续的一篇论文中,肖et al。19)描述了一种方法来同化雷达反射率数据传入WRF三d-var。虽然反射率与雨水混合比,他们选择了液态水总量作为控制变量来代替不仅因为总水的分布更Gaussian-like也是多元分析可以通过使用分区方案。在这个方案中,分析的增量划分为水汽混合比吗水,云和雨水使用一个温暖的雨微物理方案。登陆我国台风的方法首次测试黑鹿(2002)在韩国。他们的研究结果表明,积极的影响的雷达反射率仅仅持续了3个小时。然而,当径向速度和反射率雷达观测同化,明显改善持续了12个小时。

上述3 d-var雷达数据同化系统是由聚氨酯等进一步评估。33)的一个案例研究飓风丹尼斯附近登陆古巴东南部发生在2005年。在这项研究中,向东和向北从机载多普勒雷达速度合成以及反射率融入WRF三d-var。他们证明了雷达数据显著提高短期(18小时)预测的强度、轨道,和降水。然而,同样是在肖et al。19),主要是归功于同化的影响多普勒风的观察。

的相对较小的影响反射率数据的方案由肖et al。19动机的反射率同化的进一步检查。王等人。27与这个计划]指出一些问题,即使用的线性化形式- - - - - -方程(8)作为观测算子和温暖的雨分区方案。正如上面提到的,WRF三d-var应用增量方法,需要提出的线性化模型。对数- - - - - -方程(8)具有高度的非线性时尤其如此很小。介绍了他们找到了一个干燥的偏见,因为线性化中的错误。此外,分区方案的性能很大程度上取决于质量的相对湿度在第一个猜状态,因为开关启动暖雨过程可能永远不会打开在成本函数的最小化。此外,正如肖等人所指出的。19],温暖的雨分区方案不适合冬季暴风雪的寒冷的雨过程可能发挥重要作用。王等人。27)描述了一种新方案的同化反射率的雨水混合比来自(8)被同化而不是直接同化的反射率的观察。此外,添加了一个额外的观察项成本函数(5)措施之间的错配水汽混合比率的模型和估计领域从雷达反射率观察。估计水蒸气是通过假设饱和雷达反射率高于指定的阈值高于云基地。在新的计划中,粒子物理学的控制变量是拟相对湿度和雨水混合比率。肖等使用的分区方案。19不需要)。

新的反射率同化方案的性能证明使用一个操作WRF 3 d-var DA和预测系统,快速更新周期由王et al。(27]。四个heavy-rain-producing对流情况下发生在2009年夏天在北京,中国,使用新系统进行了研究。结果表明,间接同化的反射率显著提高短期降水预报技巧6个小时,从肖等人所示的3个小时。19]。图3比较了4小时的预测从两个实验,仅吸收径向速度和径向速度和反射率分别为王的四个病例研究et al。27]。从这个对比很明显,反射率数据同化的加入提高了预测的降水更紧凑的面积。新的反射率同化方案的改进的积极影响也证实了太阳et al。34)通过运行3 d-var在连续一周的时间内超过美国大平原地区。

所有的研究回顾了先前同化雷达观测与一个或多个3小时周期循环。太阳et al。34)表明,短期降水预报的改善可以通过运行WRF 3 d-var 3小时快速更新周期即使没有雷达观测,尽管增加雷达数据进一步提高了预测。需要使用更频繁的周期运行3 d-var短时预报应用程序(少于一个小时),考虑到雷达提供频繁的观察。然而,最初的实验取得了好坏参半的结果和每小时的周期。数字滤波器的初始化(35)曾试图减少噪音,可能是困难的原因与每小时周期,但没有发现重大的影响。一些技术问题需要解决,将在上一节中讨论。

4所示。一些早期的结果4 d-var系统

WRFVAR雷达数据同化系统的最终目标是发展一个4 d-var使用频繁的雷达观测的方案能够在多个时间的水平。在他们OSSE(观测系统仿真实验)研究中,杉本et al。36]表明,3 d-var只有在检索切向风分量的能力有限,没有观察到雷达。使用4 d-var云级别的模型中,太阳和骗子37),太阳和骗子38),和骗子和太阳39)表明,4 d-var技术能够检索切向风合理的准确性。因此,我们预计,WRF 4 d-var可以提高3 d风检索,因此对其3 d-var对流预测。

4 d-var技术是用于全球操作系统几个主要操作气象服务中心在世界各地。欧洲中期天气预报中心(ECMWF)是第一个中心,实现了一个4 d-var操作系统(40- - - - - -42]。ECMWF的成功后,其他4 d-var系统基于操作NWP模型开发和实施几家运营中心在世界各地为全球或区域数值天气预报数据同化系统没有convective-scale雷达数据同化。最近英国气象局运行实时演示每小时骑自行车4 d-var系统和1.5公里分辨率在英格兰和威尔士南部域覆盖。这个系统目前在4 d-var同化雷达径向速度,但反射率是同化与传热初始化后,琼斯和麦克弗森(43]。

的基本框架WRF 4 d-var被黄等。17台风)和测试使用情况。最近,TLM及其ADM系统的升级与更新WRF 3.3版。这些升级以及一些其他软件描述的增强是Zhang et al。44]。王等人。20.)描述系统的最新发展对雷达数据同化和显示一个案例研究的结果从一个飑线降水事件。使用相同的情况下,太阳和王(21)相比的性能与3 4 d-var d-var,发现4的降水预报初始化在3 d-var d-var明显改善。

一个问题寻求答案,王等。20.)是增量公式是否可行convective-scale为应用程序。他们得出的结论是,增量公式的上下文中运行良好雷达数据同化与高分辨率配置当典型的同化窗口的长度不到30分钟。图4显示了减少成本函数(5)当窗口长度的5、10和30分钟。注意数据的频率是相同的(5分钟)在所有的三个实验。在这些实验中,六个外层循环迭代的非线性基状态更新使用,和20内循环迭代的最小化代价函数被执行。看到成本函数是顺利减少5分钟窗口时使用。显示一些不连续的基状态更新的15 - 30分钟的窗口长度,但成本函数是稳步减少在每个外层循环从之前的循环。图4也表明,最大30分钟同化窗口导致减少的成本函数尽管不连续造成的不匹配之间的线性化模型和非线性基状态。王等人。20.]表明,预测初始化的4 d-var与最小偏差进行30分钟的窗口产生沉淀。

WRF 4 d-var的性能与太阳和王[3 d-var相比21在一个案例研究。结果表明,4 d-var显著提高了降水技术在3 - 6 h预报d-var飑线的研究。图5比较了6小时降水量预测(每小时的积累)4 d-var实验有两个3 d-var实验研究。两者的区别3 d-var实验3 dv和3 dvqv是后者占潜热的影响吸收饱和湿度在云王所述et al。20.,27]。降水预报的改善从4 d-var基本3 d-var(图5 (b))显然是四期相比,显示数据(图5(一个))。虽然在实验3线结构预测dvqv(图5 (c)),飑线的传播速度和降水是overforecasted慢。清楚地看到,4 d-var实验(图5 (d)与观测)最近的协议。的定性验证预测比较图6使用分数技能分数(FSS) [45]8公里的半径的影响,24公里,48公里。显示了性能优越的4 d-var提高fs和消除初始技能下降3 d-var存在的技术。太阳和王(21]还发现,径向速度观测4 d-var有更大影响的分析和预测3 d-var相比,这表明4 d-var有更好的检索能力3 d风。诊断分析他们的研究表明,4 d-var产生更现实的低级冷池,其前缘收敛,中层,潜热加热与雷达分析由VDRAS相比。

5。未来发展WRFVAR雷达哒

在过去的研究中产生的令人鼓舞的结果保证WRFVAR雷达数据同化的进一步发展和完善系统。立即下一步是调查分析和预测的影响对于动量控制变量的选择。调查的动机之一动量控制变量的影响是,我们发现WRF三d-var倾向于产生退化的结果当每小时循环使用频率。一个新的选项,使用u风和v风被添加到WRFVAR系统并与现有方案使用和动量变量。注意,使用速度势的不平衡分量在WRF 3 d-var虽然为简单起见,我们使用的符号在下面描述。初步结果表明,两种选择可以产生显著差异的背景误差协方差的特点,从而影响最终的分析。图7比较分析的增量u风和v风从单一观察测试使用两个动量控制变量的选择。这些单一的观察测试进行了假设的观察u(左列)和v(右列)在点“+”图7的创新和观测误差1毫秒⁻¹。背景误差协方差的两个测试值计算使用一个短期WRF预测。显然,测试使用- - - - - -控制变量(图7(一)和7(d))给水平传播比测试使用uv控制变量(图7(b)和7(e))。通过绘制的增量x观察水平方向(数字7(c)和7(f))显然表明,风的大小增加和更大的值有很大的不同是使用造成的- - - - - -选择比- - - - - -选择。此外,- - - - - -控制变量方案产生负增量在远离观测点的距离,这是convective-scale可疑。不同的动力控制变量的影响在雷达数据同化的背景下对流预测目前正在研究更深入地调查原因是什么不同的误差特性和也正在研究使用真实的观察。

虽然最初的结果从太阳和王21]是鼓舞人心的,很明显,WRF 4 d-var应该检查更多病例3 d-var确认它的优越性。还没有检查的一个重要的问题是在WRF 4 d-var连续周期。在这两个王等。20.和太阳和王21),只有一个同化周期执行。连续周期前应设计和测试系统可以实现操作。需要注意的一个问题是如何保持同化周期之间的连续性和short-forecast周期在两个同化周期之间。困难可能来自于使用不同的粒子物理学同化时期和short-forecast期间计划。4 d-var操作实现的另一个障碍是它的高计算成本。WRF 4的增量公式d-var可以实现粗决议提出的模型数据同化,而高分辨率非线性模型用于外循环背景以及预测跑。这一策略将被测试在不久的将来,和它的性能和计算效率方面的分析/预测质量将被评估。

另一个未来的发展计划是使用双极化的观察来提高粒子物理学的初始化变量。李和Mecicalski46)检查的影响同化改进估计的雨水混合比通过使用微分反射率和特定的微分相位。发现一些影响分析和后续的预测。粒子物理学的方案,包括冰阶段发展促进冰的同化和初始化粒子物理学。虽然初步研究李和Mecicalski [46)是令人鼓舞的,他们提出的问题有多少额外的信息可以从双极化的观察和检索到什么程度可以提高数值天气预报模型预测。这当然是一个区域需要更多的研究。

近年来,大量的研究一直致力于开发和测试的混合数据同化方法利用变分和整体数据同化技术。王等人。47)开发了一种混合合奏3 d-var WRF模式系统。本系统是应用于飓风的预测,有前景的结果(48]。虽然混合动力概念适用于WRF 4 d-var,其有效性还有待检验与雷达数据同化对流预测。

确认

这项工作是由美国国家科学基金会支持的美国天气研究计划(USWRP)。NCAR由美国国家科学基金会赞助。任何意见、发现和结论或建议本文中表达的是作者的,不一定反映美国国家科学基金会的观点。