張新忠 陳軍明 趙 平

1)(中國氣象科學研究院災(zāi)害天氣重點實驗室，北京 100081)2)(中國氣象科學研究院，北京 100081)

?

多普勒天氣雷達資料同化對江淮暴雨模擬的影響

張新忠1)陳軍明2)*趙 平1)

1)(中國氣象科學研究院災(zāi)害天氣重點實驗室，北京 100081)2)(中國氣象科學研究院，北京 100081)

利用GSI同化系統(tǒng)(Gridpoint Statistical Interpolation System)對我國多普勒天氣雷達資料進行直接循環(huán)同化分析，并采用WRF-ARW 3.5.1中尺度模式對2013年我國夏季江淮流域典型暴雨過程進行模擬試驗。結(jié)果表明：經(jīng)過質(zhì)量控制的雷達徑向風、反射率因子資料經(jīng)GSI同化系統(tǒng)同化后，可形成合理的分析增量。僅同化徑向風，模擬的風場與實況更接近，模擬的降雨落區(qū)與觀測雨帶位置更加接近。僅同化反射率因子，對水平風場的直接調(diào)整比較小，通過水凝物含量調(diào)整，對水平和垂直風場進行調(diào)整，對降水的落區(qū)影響較小，主要影響模擬的降水強度。同時同化兩種資料，能更好地反映風場特征，并改善強降水的落區(qū)和強度的模擬。模擬改善最明顯是在積分12～36 h時段內(nèi)，該時段有效雷達資料量較多，表明同化雷達資料對暴雨模擬確實具有正效果。

中尺度模式； 多普勒天氣雷達； GSI 同化系統(tǒng)； 云分析； 暴雨

引 言

目前，對強降水等中尺度天氣過程的數(shù)值模擬和預(yù)報仍面臨很大挑戰(zhàn)。常規(guī)觀測資料受時空分辨率較低的限制，無法為高分辨率的數(shù)值模式初始場提供豐富的中小尺度信息，多普勒天氣雷達資料高時空分辨率的特點為彌補這一缺點提供了可能。隨著我國多普勒天氣雷達網(wǎng)的建成，如何將多普勒天氣雷達資料應(yīng)用于數(shù)值模擬已成為氣象工作者關(guān)注的問題。

1987年Wolfsberg[1]開始嘗試雷達徑向速度的四維變分同化研究。Sun等[2]建立了多普勒雷達四維變分分析系統(tǒng)，用于研究和預(yù)報生命史較短的對流天氣系統(tǒng)。Xue等[3]同化雷達反射率因子，表明同化雷達資料可以減少模式的調(diào)整適應(yīng)時間，更精確地模擬初始時刻的雷暴。Lindskog等[4]將C波段雷達資料反演為垂直風廓線進行同化，發(fā)現(xiàn)同化雷達資料后對流層中層預(yù)報結(jié)果有微弱改善。Hu等[5]在模擬龍卷過程中同化雷達資料，能夠更加準確地預(yù)報龍卷位置。Xiao等[6]在MM5-3DVAR系統(tǒng)中同化雷達的垂直速度和反射率因子，提高了暴雨預(yù)報準確率。

國內(nèi)在多普勒天氣雷達資料同化應(yīng)用方面也開展了很多研究。馬清云等[7]采用MM5模式同化雷達反演的風場，表明有助于分析和預(yù)報時空尺度較小的中尺度系統(tǒng)。萬齊林等[8]對多普勒雷達的徑向風速和回波時空變化所包含的風場信息進行了三維變分同化。張林等[9]采用四維變分同化系統(tǒng)對徑向風資料進行同化試驗，結(jié)果表明：同化雷達徑向風資料，加強了中尺度對流系統(tǒng)低層的風場輻合情況。盛春巖等[10]同化雷達反射率因子及徑向風資料，分析了雷達資料對初始場的改進效果及其對模擬結(jié)果的影響。楊毅等[11]對比直接同化徑向風和同化反演風場資料的效果，認為同化反演風場資料效果略好，而閔錦忠等[12]認為直接同化好于反演同化。李柏等[13]采用MM5-4DVAR同化包括雷達的反演資料在內(nèi)的多種觀測資料，使模擬結(jié)果得到改進。李華宏等[14]對雷達風廓線資料進行同化, 風場的初始場明顯改善, 降水強度和落區(qū)預(yù)報也有不同程度的改善。楊毅等[15]采用三維變分和物理初始化方法結(jié)合的技術(shù)同化雷達資料明顯改善了短時降水預(yù)報。徐廣闊等[16]利用ARPS模式同化雷達資料研究2003年淮河流域的暴雨過程，發(fā)現(xiàn)加入雷達徑向風資料能夠得到較好的評分。劉紅亞等[17]同化雷達徑向風和基本反射率，可以改善6 h以內(nèi)的降水預(yù)報。陳敏等[18]利用VDRAS對多普勒天氣雷達進行批量試驗，發(fā)現(xiàn)可以提高對流性降水短時預(yù)報性能。高郁東等[19]同化校準后的雷達估算降水率可改進降水分布的模擬，清晰反映中尺度對流系統(tǒng)的發(fā)展和消亡。

上述研究結(jié)果表明，同化多普勒天氣雷達資料可以增加初始場中小尺度信息，對同化和預(yù)報結(jié)果均有不同程度的正貢獻。目前國內(nèi)多數(shù)的數(shù)值同化試驗主要針對單部或幾部雷達開展，而我國雷達已經(jīng)達到158部，如何能將更多的雷達觀測資料同化到數(shù)值模式中,同化大量雷達資料對降水的模擬和預(yù)報產(chǎn)生怎樣的效果，目前國內(nèi)還鮮見相關(guān)報道。GSI(Gridpoint Statistical Interpolation System)同化系統(tǒng)作為最新的NCEP業(yè)務(wù)上使用的三維變分系統(tǒng)，針對我國天氣雷達資料同化試驗的應(yīng)用研究還較少。

因此，本文采用WRF模式和GSI同化系統(tǒng)，結(jié)合我國東部地區(qū)46部SA型雷達觀測的基數(shù)據(jù)開展同化試驗，對我國2013年夏季長江中下游的典型暴雨過程進行模擬，分析SA型天氣雷達資料同化對江淮暴雨模擬的影響及其在GSI同化系統(tǒng)中的應(yīng)用效果。

1 模式、資料和檢驗方法

1.1 WRF模式和GSI同化系統(tǒng)

WRF模式由美國國家大氣研究中心(NCAR)和國家大氣海洋局(NOAA)等多個部門聯(lián)合研發(fā)。它是一個完全可壓縮歐拉非靜力模式，該模式系統(tǒng)已廣泛應(yīng)用于業(yè)務(wù)和研究工作[20]。本文采用的是WRF-ARW 3.5.1版本。GSI同化系統(tǒng)(3.0版本)是由NCEP/EMC開發(fā)的新一代全球/區(qū)域統(tǒng)一的變分同化系統(tǒng)，它在資料分析和質(zhì)量控制方面有出色表現(xiàn)，能夠同化絕大多數(shù)常見的氣象資料，包括常規(guī)探空、地面觀測以及衛(wèi)星遙感資料[21]。

1.2 資 料

模式初始場和側(cè)邊界條件采用的是氣候預(yù)測系統(tǒng)再分析資料CFSR[22]。同化的常規(guī)資料是GTS數(shù)據(jù)，雷達資料是我國東部46部SA型多普勒天氣雷達觀測的基數(shù)據(jù)。本文還采用中國地面與CMORPH降水產(chǎn)品融合的逐時降水量網(wǎng)格數(shù)據(jù)集(1.0版本)和經(jīng)過質(zhì)量控制的自動氣象站逐時降水資料集檢驗?zāi)Ｊ侥M的降水效果。

1.3 雷達資料同化算法

本文所采用的是三維變分的GSI同化系統(tǒng)，GSI中雷達徑向風的觀測算子為

Vr=(ucosθ+vsinθ)。

(1)

式(1)中，u，v為大氣水平風場，θ是方位角，GSI同化系統(tǒng)控制變量不包含垂直速度w，目前三維變分系統(tǒng)中，徑向風不同化w項[23]。

對于雷達反射率因子，GSI采用云分析的方法進行同化。GSI云分析系統(tǒng)綜合多種資料反演計算云冰、云水、雨水等水凝物混合比，并調(diào)整云內(nèi)溫度，生成更接近真實情況的水凝物場和溫度場。本文采用的參數(shù)配置是ARPS方案和Lin方案[24]。

1.4 試驗方案

模擬區(qū)域采用兩重雙向嵌套，水平分辨率為27 km，9 km，水平格點數(shù)為260×151，391×211；垂直方向為50層，模式層頂氣壓10 hPa。模式微物理過程采用WSM6方案，積云參數(shù)化采用BMJ方案，長波輻射采用RRTM方案，短波輻射采用Dubhia方案，陸面過程采用Noah方案，邊界層方案采用YSU方案[25]。模擬區(qū)域和所用雷達站的具體位置見圖1。

為了考察加入雷達徑向風場、反射率因子資料對降水模擬的不同影響，本文設(shè)計4組試驗?？刂圃囼?CTRL)6 h同化1次常規(guī)觀測資料，敏感性試驗3 h同化1次雷達資料，具體描述見表1。

1.5 檢驗方法

本文采用ETS評分、BS評分和HSS評分對降水模擬結(jié)果進行定量檢驗。各種評分的計算公式見文獻[15]，本文不再詳細描述。

圖1 模式區(qū)域(方框內(nèi))和雷達站點分布Fig.1 Mode domain(square frame) and the distribution of radar sites

試驗名稱控制試驗(CTRL)敏感性試驗RADAR-VRADAR-RRADAR-VR常規(guī)資料有有有有雷達徑向風無有無有雷達反射率因子無無有有

2 暴雨過程

2013年6月5—8日長江中下游地區(qū)出現(xiàn)強降水過程，過程降水量50 mm以上的地區(qū)達37.7×104km2，雨帶呈東西走向，降水主要分布在位于湖南與湖北交界、江西和浙江及安徽交界，其中,安徽黃山過程降水量為274.6 mm(圖2a)。

2013年6月26—30日長江中下游地區(qū)出現(xiàn)強降水過程，主要時段為6月26日00：00—28日12：00(世界時,下同)。如圖2b所示，這次過程降水范圍集中，降水強度大，過程雨帶呈狹長的帶狀分布且呈東北—西南走向。降水主要分布于江西北部、浙江西部、湖北南部和湖南東北部，其中，江西進賢達257 mm。

圖2 2013年6月兩次強降水過程累積降水量分布 (a)6月5日00：00—8日00：00，(b)6月26日00：00—28日12：00Fig.2 The observed accumulated precipitation from 0000 UTC 5 Jun to 0000 UTC 8 Jun in 2013(a) and from 0000 UTC 26 Jun to 1200 UTC 28 Jun in 2013(b)

3 雷達資料預(yù)處理和同化結(jié)果

本文在同化前采用雷達拼圖軟件對雷達反射率因子進行預(yù)處理，將質(zhì)量控制后的體掃數(shù)據(jù)的反射率因子數(shù)據(jù)轉(zhuǎn)化為單站的三維格點數(shù)據(jù)，最后進行多部雷達拼圖處理，得到反射率因子區(qū)域三維格點數(shù)據(jù)[26-27]。

對于徑向風，采用美國風暴分析中心(CAPS)開發(fā)的雷達資料質(zhì)量控制算法[28]對原始雷達徑向風進行質(zhì)量控制，并參考Weng等[29]采用質(zhì)量控制程序和閾值剔除結(jié)合的做法，針對單部雷達進行單站試驗，發(fā)現(xiàn)采用4 m/s作為閾值，將任何錐面上觀測絕對值小于4 m/s的雷達資料進行去除，可以有效剔除雜波，同時保留有用的觀測信息(圖略)。

由2013年6月26日00：00背景場和同化雷達資料(徑向風、反射率因子)后的增量場可見，背景場中幾乎不包含中尺度天氣系統(tǒng)信息，沒有云水、雨水和垂直速度等信息(圖3a)。同化雷達資料以后，700 hPa風場顯示出中尺度天氣系統(tǒng)，湖南、湖北出現(xiàn)強對流中心，江淮地區(qū)風場的切變增大，氣流輻合增強(圖3b)。溫度增量較大，最大接近1 K,增量主要分布在雷達回波區(qū)內(nèi)(圖3c)。水汽增量在華南、湖南湖北等地均為正值，為1.5 g/kg左右，與強對流中心對應(yīng)；而在山東半島、淮河流域為負值。上述結(jié)果表明，經(jīng)過質(zhì)量控制后的雷達資料觀測信息能夠被GSI同化系統(tǒng)有效吸收，并形成了合理的分析增量。

圖3 2013年6月26日00:00各物理量場和同化雷達資料后的增量場(a)同化前700 hPa流場，(b)同化后700 hPa流場，(c)500 hPa溫度場(等值線，單位：K)和增量場(填色)，(d)850 hPa 水汽混合比(等值線，單位：g/kg)和增量場(填色)Fig.3 Variables of background and incremental ground at 0000 UTC 26 Jun in 2013(a)700 hPa streamlines before assimilating radar data,(b)700 hPa streamlines after assimilating radar data,(c)500 hPa temperature(the contour,unit:K) with the increment(the shaded),(d)850 hPa water vapor mixing ratio(the contour,unit:g/kg) with the increment(the shaded)

4 數(shù)值模擬結(jié)果

4.1 控制試驗?zāi)M結(jié)果

圖4a和圖4b是降水過程1 CTRL試驗24 h累積降水的實況和模擬結(jié)果,可以看到，2013年6月6日模擬的降水中心略偏北，模擬降水量較實況偏大，在浙江南部、福建北部模擬出了虛假的降水中心，6月7日江西東部降水也模擬得偏大。

圖4c和圖4d是降水過程2 CTRL試驗24 h累積降水量實況和模擬結(jié)果，可以看到，整個降水過程的主要雨帶形狀、位置以及江西北部的強降水中心、雨帶的推進等特征CTRL試驗均能較好地模擬出來。但模擬的雨帶范圍偏大，位置明顯偏南，模擬降水量較實況偏大。尤其是湖南和江西北部模擬的降水偏大，浙江西北部的暴雨中心未模擬出來。

圖4 24 h累積降水量模擬(等值線)和實況(陰影)(單位：mm)(a) 2013年6月6日00：00—7日00：00，(b) 2013年6月7日00：00—8日00：00, (c)2013年6月26日00：00—27日00：00，(d)2013年6月27日00：00—28日00：00Fig.4 24 h simulated(the contour) and obseverd(the shaded) accumlated precipitation(unit: mm)(a)from 0000 UTC 6 Jun to 0000 UTC 7 Jun in 2013,(b)from 0000 UTC 7 Jun to 0000 UTC 8 Jun in 2013, (c)from 0000 UTC 26 Jun to 0000 UTC 27 Jun in 2013,(d)from 0000 UTC 27 Jun to 0000 UTC 28 Jun in 2013

4.2 敏感性試驗降水模擬結(jié)果

4.2.1 降水過程1(2013年6月6—8日)

與CTRL試驗相比，2013年6月6日RADAR-V試驗?zāi)M的雨帶向南移動，與觀測的雨帶位置更接近，位于浙江南部、福建北部的虛假降水中心消失，加入雷達徑向風資料后，對降水落區(qū)和降水量的模擬有些改進；而RADAR-R試驗，模擬的降水范圍變化不大，對降水量的模擬有些影響；同時同化兩種資料，模擬的降水位置和強度均有一定改進。6月7日，主要降水發(fā)生在海上，雷達資料影響不大，但依然可看到同化雷達資料后，江西東部的虛假降水中心消失(圖略)。

圖5給出了24 h累積降水量模擬結(jié)果的檢驗評分。由圖5a可以看出，對于較低的閾值(10 mm)，試驗RADAR-VR的評分最高，其次為試驗RADAR-V，試驗RADAR-R和試驗CTRL的ETS評分最低。當評分閾值增大到25 mm時，4組試驗的ETS評分均有所增加，CTRL試驗的評分最低，而對于加入雷達資料的其他3組試驗，無論是低閾值還是高閾值，均具有較高的ETS評分，尤其是試驗RADAR-VR，在閾值為50 mm時，仍具有較高的評分。對100 mm以上的降水，RADAR-V試驗評分最高。由6月7日的評分結(jié)果(圖略)看，由于降水主要位于海上，同化雷達資料對降水模擬的評分改善不大。與此同時，HSS評分(圖5b)、BS評分(圖5c)也有類似的結(jié)果。

圖5 降水過程1 24 h降水模擬評分(a)ETS 評分,(b)HSS 評分,(c)BS評分 Fig.5 The verification of 24 h simulated precipitation for case 1 (a)ETS，(b)HSS，(c)BS

4.2.2 降水過程2(2013年6月26—28日)

圖6是敏感性試驗?zāi)M的24 h累積降水分布，可以看到，2013年6月26日與CTRL試驗相比，RADAR-V試驗?zāi)M的雨帶南北范圍小，雨帶向北移動，與觀測降水更接近；對于RADAR-R試驗，模擬的降水范圍變化不大，對降水量模擬有一些改進；而RADAR-VR試驗，模擬的降水范圍改進很明顯，還模擬出了湖南北部的強降水區(qū)，位置略偏北。6月27日RADAR-V和RADAR-VR試驗?zāi)M的雨帶位置和量級均比CTRL試驗更加接近于觀測，同時，湖南北部的降水中心也被很好模擬出來。以上結(jié)果表明，同化多普勒天氣雷達資料可以改善WRF模式對較強降水落區(qū)的模擬。

圖6 24 h累積降水模擬(等值線)和實況(陰影)分布(單位：mm)Fig.6 24 h simulated(the contour) and obseverd(the shaded) accumlated precipitation(unit: mm)

續(xù)圖6

由圖7a可以看出,6月26日對于較低閾值(10 mm)，RADAR-VR試驗的評分最高，其次為RADAR-V試驗，RADAR-R試驗和CTRL試驗的ETS評分最低。當評分閾值增大到25 mm時，加入雷達資料3組試驗，均具有較高的ETS評分，尤其是試驗RADAR-VR，在閾值為50 mm時，仍具有較高的評分。對100 mm以上的降水，RADAR-V試驗評分最高。由6月27日的評分結(jié)果(圖略)看，無論是低閾值還是高閾值，RADAR-VR試驗?zāi)M的降水評分均有所提升。對于HSS評分(圖7b)、BS評分(圖略)也有相似的結(jié)果。

由3 h降水ETS評分的結(jié)果看，同化雷達資料對積分的12～36 h時段的降水模擬改善最大，試驗積分的最后12 h，降水模擬未改善(圖略)，可能與模式積分時間過長，模式誤差增長有關(guān)。以上結(jié)果表明，相對于CTRL試驗，同化雷達資料對于較強降水分布和強度模擬有一定改善。

分析表明，同化雷達徑向風和反射率因子對暴雨模擬結(jié)果影響不容忽視。

圖7 降水過程2 24 h累積降水量模擬評分 (a)ETS 評分，(b)HSS 評分Fig.7 The verification of 24 h simulated precipitation for case 2 (a)ETS,(b)HSS

4.3 僅同化徑向風的影響

圖8a給出了控制試驗?zāi)M的6月26日21：00 3 h累積降水量分布，與實況相比(圖8b)模擬降水中心偏南，湖北南部的降水中心出現(xiàn)在江西東北部，浙江西部的降水中心也向南偏移了1個緯度，降水范圍和量級也比實況要大。由RADVAR-V試驗與CTRL試驗850 hPa風場和散度差值(圖8c)可以看出，同化徑向風資料對低層風場影響很明顯，在湖南西南部、湖北東南部出現(xiàn)異常的氣旋，中心位于26°N，109.5°E和29.5°N，114.5°E，而湖南南部、江西和福建北部等地區(qū)出現(xiàn)異常的偏南風。與此同時，在兩個異常氣旋中心均出現(xiàn)了負的散度差值中心，低層的氣流輻合增強。這時江西東北部和浙江西部出現(xiàn)較大的散度差值中心，正、負差值中心表現(xiàn)出很強的中尺度特征。結(jié)合降水的異常分布(圖8d)看，同化徑向風以后，模式可以較好地模擬出中小尺度系統(tǒng)，湖南西南部和湖北東南部的異常氣旋中心，降水增加，而氣旋的南邊降水減少，分布與實況更接近。模擬的南風有所加強，向南北氣流的輻合區(qū)向北推進，造成江西東北部、浙江北部的降水區(qū)向北移動，舟山群島的降水中心也被較好地模擬出來。由此可以看出，同化質(zhì)量控制后的徑向風，增加了模擬環(huán)流場中的中尺度特征，并較好地改善了模擬風場，從而引起環(huán)流場的調(diào)整，使模擬的降水落區(qū)比控制試驗更接近實況。

圖8 3 h累積降水量實況和模擬以及RADVAR-V試驗與CTRL試驗的差值(a)實況，(b)模擬，(c)850 hPa風場(矢量，單位：m/s)和散度(填色)差值，(d)降水量差值Fig.8 3 h obseverd and simulated accumlated precipitation and the difference between RADVAR-V and CTRL (a)observation,(b)simulated precipitation,(c)the difference of 850 hPa wind(the vector,unit:m/s) and divergence(the shaded),(d)the difference of precipitation

4.4 僅同化反射率因子的影響

圖9a是6月26日21：00 RADVAR-R試驗和CTRL試驗850 hPa風場和散度的差值圖?？梢钥闯觯走_反射率因子對水平風場的影響主要分布在雷達回波區(qū)(圖略)，差值為5.0～6.0 m/s，在湖南北部、湖北東南部激發(fā)出異常的反氣旋，并伴隨正的散度差值中心，表明低層大氣輻散加強，降水減少(圖9b),CTRL試驗中，出現(xiàn)在湖南北部的虛假降水中心被大大削弱。在江西東北部和浙江西部激發(fā)出一系列的中尺度渦旋，伴隨著正、負的散度異常中心，低層的大氣幅散加強、減弱，降水相應(yīng)減少、增加。圖9c和9d給出了兩個方案模擬的雨水和垂直速度沿29°N剖面的差值圖，在115°E附近，整層的雨水含量均減少，垂直速度是負異常，上升運動減弱，所以模擬的降水量減少。而在118°E附近，垂直速度正異常，整層的雨水含量均增加，模擬的降水顯著增加?？傊瑑H同化反射率因子，通過調(diào)整水凝物的含量，進行溫度和水汽的調(diào)節(jié)，對水平和垂直風場進行調(diào)整，從而對模擬的降水強度產(chǎn)生影響，對降水的分布影響較小。

圖9 RADVAR-R試驗和CTRL試驗差值圖 (a)850 hPa風場(矢量線，單位：m/s)和散度(填色)， (b)降水量，(c)垂直速度(單位：10-1m/s)，(d)雨水含量(單位：g/kg)Fig.9 The difference between RADVAR-R and CTRL(a)850 hPa wind(the vector,unit:m/s) and divergence(the shaded)，(b)precipitation, (c)w(unit:10-1m/s),(d)rain water mixing ratio(unit:g/kg)

4.5 同時同化徑向風和反射率因子的影響

圖10a給出了6月26日21：00 RADVAR-VR試驗和CTRL試驗850 hPa風場和散度的差值圖?？梢钥吹?，同時同化兩種雷達資料模擬的風場異常和圖8c有些相似，異常的偏南風出現(xiàn)在湖南南部、江西等地區(qū)，偏南風的范圍和數(shù)值比RADVAR-V試驗小，同時湖南北部出現(xiàn)一支異常的南風，伴隨著負的散度差值中心，低層氣流輻合運動加強，而在湖南北部，激發(fā)出異常的反氣旋，反氣旋中心為正的散度差值中心，表明低層氣流輻散加強。圖10b和圖10c給出了兩種方案模擬的垂直速度和雨水含量沿29°N剖面，在111°E以西，垂直運動差值為負值，表明上升運動減弱，同時整層的云水含量都減少，因此，模擬的降水量減少，這使控制試驗?zāi)M出的虛假降水中心被大大削弱了；而在112°E垂直運動差值為正值，表明上升運動加強，相應(yīng)整層的云水含量均增加，模擬的降水增加，從而在湖南東北部、湖北東南部模擬出了東北—西南走向的雨帶(圖10d)，這與降水實況較吻合(圖8b)。在120°E附近，盛行異常的偏南風，散度為負的差值中心，雖然雨水含量和垂直運動差值不大，但降水中心依然往北推進。由此看來，同時同化徑向風和反射率因子很好地綜合兩種資料的貢獻，既能更好地模擬出風場的特征，又能對強降水的落區(qū)和強度的模擬有很大改善。

圖10 RADVAR-VR試驗和CTRL試驗的差值(a)850 hPa風場(矢量線，單位：m/s)和散度(填色)，(b)垂直速度(單位：10-1m/s)，(c)雨水含量(單位：g/kg)，(d)降水量(填色)和850 hPa垂直速度(等值線，單位：10-1m/s)Fig.10 The difference between RADVAR-VR and CTRL(a)850 hPa wind(the vector,unit:m/s) and divergence(the shaded),(b)w(unit: 10-1m/s),(c)rain water mixing ratio(unit: g/kg),(d)precipitation(the shaded) and 850 hPa w(the contour,unit:10-1m/s)

5 結(jié)論和討論

本文采用WRF模式和GSI同化系統(tǒng)，同化多普勒天氣雷達資料，對我國2013年6月江淮流域的暴雨過程進行模擬試驗，結(jié)果表明：

1) 采用CAPS開發(fā)的雷達資料質(zhì)量控制算法和閾值法對我國的SA型天氣雷達徑向風資料進行質(zhì)量控制，能較好地剔除雜波，同時保留有用的觀測信息。GSI同化系統(tǒng)有效吸收了經(jīng)過質(zhì)量控制后的雷達徑向風資料，且形成合理的分析增量。

2) 同化雷達資料后，模擬的降水中心和強度與實況更為接近，對大雨和暴雨模擬定量評分均有一定改善,模擬改善最明顯的是積分12～36 h時段內(nèi)。

3) 同化徑向風主要改善了風場模擬，偏南風加強，從而使模擬的降水落區(qū)向北推進，與實際雨帶位置更加接近。同化反射率因子，對水平風場的調(diào)整比較小，通過調(diào)整水凝物的含量，對水平和垂直風場進行調(diào)整，從而對模擬的降水強度產(chǎn)生影響，而對降水分布影響較小。同時同化兩種資料，既能更好地模擬出風場的特征，又能對強降水落區(qū)和強度模擬有很大改善。

應(yīng)該指出的是，本文選取的雷達數(shù)量較大，雷達資料處理方面選用了相同的處理標準，且本文為個例研究，考慮到不同雷達觀測資料的差異，結(jié)論有一定局限性。需要今后進一步對每部雷達的觀測資料誤差進行深入的統(tǒng)計分析。同時, 本研究中WRF的分辨率為27 km和9 km，而相應(yīng)的雷達資料的分辨率為1 km, 在下一步的工作中，將適當提高模式的分辨率，使模式的分辨率和資料的分辨率盡量匹配，并通過批量試驗，驗證GSI同化系統(tǒng)雷達資料同化(包括資料處理、背景誤差矩陣、同化方法等)是否適用于我國的雷達和天氣特征，尤其是微物理過程的正確性。

[1] Wolfsberg D.Retrieval of Three Dimensional Wind and Temperature Fields from Single Doppler Radar Data.Oklahoma:University of Oklahoma,1987:1-91.

[2] Sun J,Flicker D,Lilly D.Recovery of three dimensional wind and temperature fields from simulated single Doppler radar data.JAtmosSci,1991,48:876-890.

[3] Xue M,Wang D,Gao J,et al.The Advanced Regional Prediction System (ARPS),storm-scale numerical weather prediction and data assimilation.MeteorAtmosPhys,2003,82(1):139-170.

[4] Lindskog M,Salonen K,J?rvinen H,et al.Doppler radar wind data assimilation with HIRLAM 3DVAR.MonWeaRev,2004,132:1081-1092.

[5] Hu M,Xue M,Gao J,et al.3DVAR and cloud analysis with WSR-88D level-II data for the prediction of the Fort Worth,Texas,tornadic thunderstorms.Part II:Impact of radial velocity analysis via 3DVAR.MonWeaRev,2006,134(2):699-721.

[6] Xiao Q,Kuo Y H,Sun J,et al.Assimilation of Doppler radar observations with a regional 3DVAR system:Impact of Doppler velocities on forecasts of a heavy rainfall case.JApplMeteor,2005,44:768-788.

[7] 馬清云,李澤椿,陶士偉.單部多普勒天氣雷達風場反演及其在數(shù)值預(yù)報中的應(yīng)用試驗.應(yīng)用氣象學報,2001,12(4):488-493.

[8] 萬齊林,薛紀善,莊世宇.多普勒雷達風場信息變分同化的試驗研究.氣象學報,2005,63(2):129-145.

[9] 張林,倪允琪.雷達徑向風資料的四維變分同化試驗.大氣科學,2006,30(3):433-440.

[10] 盛春巖,浦一芬,高守亭.多普勒天氣雷達資料對中尺度模式短時預(yù)報的影響.大氣科學,2006,30(1):93-107.

[11] 楊毅,邱崇踐,龔建東,等.同化多普勒雷達風資料的兩種方法比較.高原氣象,2007,26(3):547-555.

[12] 閔錦忠,彭霞云,賴安偉,等.反演同化和直接同化多普勒雷達徑向風的對比試驗.南京氣象學院學報,2007,30(6):745-754.

[13] 李柏,周玉淑,張沛源.新一代天氣雷達資料在2003年江淮流域暴雨模擬中的初步應(yīng)用:模擬降水和風場的對比.大氣科學,2007,31(5):826-838.

[14] 李華宏,薛紀善,王曼,等.多普勒雷達風廓線的反演及變分同化試驗.應(yīng)用氣象學報,2007,18(1):50-57.

[15] 楊毅,邱崇踐,龔建東,等.三維變分和物理初始化方法相結(jié)合同化多普勒雷達資料的試驗研究.氣象學報,2008,66(4):479-488.

[16] 徐廣闊,孫建華,雷霆,等.多普勒天氣雷達資料同化對暴雨模擬的影響.應(yīng)用氣象學報,2009,20(1):36-46.

[17] 劉紅亞,薛紀善,顧建峰,等.三維變分同化雷達資料暴雨個例試驗.氣象學報,2010,68(6):779-789.

[18] 陳敏,陳明軒,范水勇.雷達徑向風觀測在華北區(qū)域數(shù)值預(yù)報系統(tǒng)中的實時三維變分同化應(yīng)用試驗.氣象學報,2014,72(4):658-677.

[19] 高郁東,萬齊林,薛紀善,等.同化雷達估算降水率對暴雨預(yù)報的影響.應(yīng)用氣象學報,2015,26(1):45-56.

[20] Shamrock W C,Klemp J B,Dudhia J,et al.A Description of the Advanced Research WRF Version 3.NCAR Tech Note NCAR/TN-475+STR,2008.

[21] Daryl T K,David F P,John C,et al.Introduction of the GSI into the NCEP global data assimilation system.WeaForecasting,2009,12:1691-1705.

[22] Saha S,Moorthi S,Pan H L,et al.The NCEP climate forecast system reanalysis.BullAmerMeteorSoc,2010,91(8):1015-1057.

[23] Gao J D, Xue M.A three-dimensional variational data analysis method with recursive filter for Doppler radars.JAtmosOceanTechnol,2004,21:457-469.

[24] Hu M,Xue M.Implementation and evaluation of cloud analysis with WSR-88D reflectivity data for GSI and WRF-ARW.GeophysResLett,2007,34,L07808,doi:10.1029/2006GL028847.

[25] User’s Guide for the Advanced Research WRF (ARW) Modeling System Version 3.5.2014.http:∥www2.mmm.ucar.edu/wrf/users/docs/user_guide_V3.5/contents.html.

[26] 王紅艷,劉黎平,王改利,等.多普勒天氣雷達三維數(shù)字組網(wǎng)系統(tǒng)開發(fā)及應(yīng)用.應(yīng)用氣象學報,2009,20(2):214-224.

[27] 王改利,劉黎平,阮征.多普勒雷達資料在暴雨臨近預(yù)報中的應(yīng)用.應(yīng)用氣象學報,2007,18(3):388-395.

[28] Eilts M D,Smith S D.Efficient dealiasing of Doppler velocities using local environment constraints.JAtmosOceanTechnol,1990,7(1):118-128.

[29] Weng Y H,Zhang F Q.Assimilating airborne Doppler radar observations with an Ensemble Kalman Filter for convection-permitting hurricane initialization and prediction:Katrina(2005).MonWeaRev,2012,140:841-859.

Impacts of Doppler Radar Data Assimilation on the Simulation of Severe Heavy Rainfall Events

Zhang Xinzhong1)Chen Junming2)Zhao Ping1)

1)(StateKeyLaboratoryofSevereWeather,ChineseAcademyofMeteorologicalSciences,Beijing100081)2)(ChineseAcademyofMeteorologicalSciences,Beijing100081)

The impact of Doppler weather radar (DWR) data on the simulation of a heavy rainfall event is examined. The quality control algorithm of DWR developed by Center for Analysis and Prediction of Storms is applied and the threshold for the raw S-band DWR radial velocity is decided. Several commonly seen non-meteorological returns can be removed effectively. The DWR reflectivity data are processed and the regional three-dimensional mosaic is generated using the CINRAD 3D Digital Mosaic System developed by State Key Laboratory of Severe Weather. Retrieval results match well with the observation. The Gridpoint Statistical Interpolation System (GSI) and the Weather Research and forecasting Model version 3.5.1 (WRF) are used to assimilate 46 S-band DWR data to simulate the severe heavy rain cases that occurred in Jun 2013. Numerical experiment results show that about 90% of the radial velocity data after quality control can be assimilated and generate reasonable analysis increments. Results also show that the assimilation of DWR data has a positive impact on the simulation of heavy rainfall. Assimilating radial velocity can enhance the information of mesoscale weather system in initial field and the simulated field, making the simulated wind fields and rainfall location more similar to the observation. Radar reflectivity data are used primarily in a cloud analysis that retrieves the amount of hydrometeors and adjusts in-cloud temperature and moisture. Assimilating radial velocity affects the zonal and vertical winds by adjusting the amount of hydrometers and moisture which have directly influence on generating precipitation. It changes the simulated rainfall intensity. Assimilating radial velocity and reflectivity at the same time can not only reflect the wind filed more reasonably, but also improve the simulation of rainfall intensity and area. In addition, improvements of the precipitation are most notable in the 12-36 h simulation when more effective radar data are available. Both ETS and HSS of experiment assimilating radar data are proved higher than CTRL experiment which only assimilates conventional data.

mesoscale model; Doppler weather radar; Gridpoint Statistical Interpolation System; cloud analysis; severe heavy rainfall

10.11898/1001-7313.20150505

公益性行業(yè)(氣象)科研專項(GYHY201406001)，中國氣象科學研究院基本科研業(yè)務(wù)費重點項目(2014Z005，2013Z004)

張新忠,陳軍明,趙平. 多普勒天氣雷達資料同化對江淮暴雨模擬的影響. 應(yīng)用氣象學報，2015，26(5)：555-566.

2015-04-16收到， 2015-06-25收到再改稿。

* 通信作者， email: chenjm@cams.cma.gov.cn