戚佩霓, 沈菲菲,寇蕾蕾, 楚志剛, 許冬梅

?

多普勒雷達資料同化在臺風“燦都”(2010)預報中的應用研究

戚佩霓, 沈菲菲,寇蕾蕾, 楚志剛, 許冬梅

南京信息工程大學氣象災害教育部重點實驗室/氣候與環(huán)境變化國際合作聯(lián)合實驗室/氣象災害預報預警與評估協(xié)同創(chuàng)新中心, 江蘇 南京 210044

文章基于中尺度天氣預報模式(WRF)及其三維變分同化系統(tǒng)(WRF-3DVAR), 采用了兩部雷達徑向風資料, 進行單一時間分析以初始化臺風“燦都”(Chanthu), 比較研究了同化雷達徑向速度(r)對臺風“燦都”分析和預報的影響。結(jié)果表明: 同化雷達徑向風的作用主要體現(xiàn)在臺風強度和環(huán)流結(jié)構的調(diào)整, 且在同化達到一定時長后, 對改進同化后的預報分析有積極效應。同化試驗改進臺風的初始風場以及臺風環(huán)流中心的熱力和動力結(jié)構、強度和位置, 進而提高18h預報的臺風結(jié)構、路徑、強度。

雷達徑向風資料; 資料同化; 天氣預報模式的三維變分同化系統(tǒng); 臺風

一直以來, 熱帶氣旋(臺風、颶風)被認為是沿海國家造成破壞最嚴重的自然災害之一。中國的沿海地區(qū)是全球最多熱帶氣旋登陸的地區(qū), 準確預報熱帶氣旋對于保障國家財產(chǎn)和生命安全至關重要。準確的初始條件是熱帶氣旋預報成功與否的一個非常重要因素, 而這依賴于先進的資料同化系統(tǒng)。資料同化的基本含義是根據(jù)一定的優(yōu)化標準和方法, 將不同時空、采用不同觀測手段獲得的觀測數(shù)據(jù)與數(shù)學模型有機結(jié)合, 納入統(tǒng)一的分析與預報系統(tǒng), 建立數(shù)據(jù)與模型相互協(xié)調(diào)的優(yōu)化關系, 使預報誤差達到最小(官元紅等, 2007)。近幾年來, 在許多科學家的努力之下, 資料同化的發(fā)展取得了很大進展, 如今比較成熟的同化方法有三維變分方法(3- dimensional variational, 簡稱3DVAR)(Sasaki, 1970a, b; Talagrand et al, 1987)、四維變分(4DVAR)、集合卡爾曼濾波(ensemble Kalman filter, 簡稱EnKF)(Wang, 2010; Buehner et al, 2010a, b; Buehner, 2005)和混合集合變分同化方法(Hybrid Enkf- EnVar)(Shen et al, 2018)。

多普勒雷達具有高時空分辨率的特點, 是唯一能夠觀測熱帶氣旋三維結(jié)構的氣象探測平臺之一。隨著全世界多普勒天氣雷達組網(wǎng)建設的逐步發(fā)展和完善, 如何同化雷達資料以得到更加準確的初始場成為科學家們的關注熱點之一。Xiao等(2000)基于使用合成旋渦和假定的熱帶氣旋大小和強度估計參數(shù), 開發(fā)了人工渦旋同化方法(BDA), 提高了熱帶氣旋的預報能力。Xiao等(2005)使用3DVAR系統(tǒng)將韓國Jindo雷達的多普勒徑向速度資料同化到第五代中尺度模式(MM5)中, 發(fā)現(xiàn)3DVAR方法同化多普勒徑向速度可以改善對雨帶移動和強度變化的預報水平。利用中尺度模式(ARPS)及其資料分析系統(tǒng)(ADAS)能在適當提高模式分辨率的同時使用雷達資料同化改進模式初始場, 是改進模式短時預報和中尺度天氣系統(tǒng)的內(nèi)部結(jié)構分析的一個非常有效的途徑(盛春巖等, 2006; 徐廣闊等, 2009)。

目前已有不少研究表明, 雷達數(shù)據(jù)的同化對于預報臺風結(jié)構、降水強度、路徑的能力有所提高。顧建峰(2006)將經(jīng)過質(zhì)量控制的雷達徑向速度資料直接同化, 使得臺風環(huán)流結(jié)構的分析、臺風移動路徑以及臺風降水量的預報取得很大改善, 研究結(jié)果表明雷達徑向速度和反射率因子的聯(lián)合直接同化優(yōu)于單獨同化徑向速度資料或單獨同化反射率因子資料。而對于這兩種數(shù)據(jù)同化對改善預報的不同影響方面, Zhao等(2009)研究了雷達數(shù)據(jù)對分析和預測登陸颶風“艾克”(2008)的結(jié)構、強度和路徑的影響, 發(fā)現(xiàn)徑向速度同化有助于更好地改進臺風路徑預報, 而反射率因子同化有助于最大限度地改善臺風強度預報。然而, 研究表明當只有雷達徑向風被同化時, 同化窗內(nèi)分析的海平面氣壓場具有一定的不平衡性, 大多數(shù)梯度平衡的壓力調(diào)整是通過預報步驟中的模型調(diào)整來實現(xiàn)的, 需要建立一些同化窗周期來達到這種平衡(Wang et al, 2014)。在對臺風個例研究的過程中, 科學家們發(fā)現(xiàn)通過同化雷達徑向風資料能夠通過調(diào)整初始風場結(jié)構, 改進對臺風結(jié)構的模擬, 提高臺風的預報能力(陳鋒等, 2012; 李新峰, 2012)。在研究雷達資料和常規(guī)觀測資料同化對臺風預報的影響中, 常規(guī)觀測資料同化主要提高環(huán)境場分析, 而雷達資料同化主要改善臺風結(jié)構分析, 兩者有機結(jié)合使得預報結(jié)果和實況最為接近(李新峰等, 2013)。沈菲菲等(2015)在同化多普勒雷達徑向風觀測資料后, 成功地修正了臺風“桑美”在模式中的初始位置, 同時對臺風的動力和熱力結(jié)構均有較好的調(diào)整。沈菲菲等(2016)利用雙多普勒雷達資料同化分析颶風, 發(fā)現(xiàn)經(jīng)過尺度化因子的優(yōu)化調(diào)整之后, 可以為數(shù)值模式提供更為準確豐富的中小尺度系統(tǒng)信息, 使模式初始場更加接近觀測并進而改進對颶風結(jié)構、路徑和強度的預報。此外, 在通過同化雷達資料改進降水預報的方面, 陳鋒等(2017)在利用不同資料同化對臺風短時預報的研究中, 發(fā)現(xiàn)對降水模擬影響最大的是雷達反射率因子資料, 且其對降水的貢獻隨著模式積分時間明顯下降。張晗昀等(2018)通過同化雷達反射率因子, 調(diào)整初始濕度場和垂直速度場, 改進了模式初始濕度場, 使降水預報在分布和強度上更接近實況。

盡管雷達資料同化在熱帶氣旋預報研究中已經(jīng)取得了一定的研究成果, 但絕大多數(shù)的研究工作仍然局限于個例的研究, 對于不同區(qū)域不同類型的臺風, 雷達資料同化還需要做進一步的細致的論證和研究工作。本文基于中尺度天氣預報模式(WRF模式)及其變分同化系統(tǒng)(WRF-3DVar), 比較研究了雷達徑向速度(r)同化對臺風“燦都”(Chanthu)(2010)分析和預報的影響, 將具有動力學約束的WRF- 3DVAR應用于登陸中國廣東省的臺風“燦都”(2010)的雷達資料同化, 在本研究中進行單一時間分析以初始化臺風“燦都”(2010), 并且著重對比研究3DVAR同化雷達資料前后的結(jié)果。

1 臺風“燦都”(2010)個例介紹及試驗設置

1.1 臺風“燦都”(2010)個例介紹

2010年7月18日, 臺風“燦都”(2010)在菲律賓以西的南海形成熱帶低氣壓, 向西北方向移動, 并在19日的12點加強到熱帶風暴, 繼續(xù)向西北方向移動, 20日22時, 在臺風中心到達(114°24′E, 18°42′N)后, “燦都”路徑折向西南, 并進一步增強為強熱帶風暴, 21日6時, 臺風中心位于(113°24′E, 18°N), 又發(fā)生轉(zhuǎn)向, 路徑折向西北, 21日17時加強為臺風, 22日13時45分在廣東吳川登陸, 登陸時中心附近最大風力12級(35m×s-1), 中心最低氣壓970hpa, 登陸后一段時間內(nèi)強度仍然維持。受其影響, 粵西部分地方出現(xiàn)了大到暴雨和8~11級陣風、12級大風。22日19時減弱為強熱帶風暴, 隨后減弱為熱帶風暴, 23日17時在廣西西部減弱為熱帶低壓, 20時停止編號。

從上述的臺風登陸分析過程可以得知, 臺風“燦都”(2010)有4個特點: 1) 風雨猛烈。強的西南氣流輸送為兩廣強降水提供了充足的能量, 以及低層強輻合高層強輻散為強降水提供了有利的動力條件, 由此華南南部出現(xiàn)暴雨到大暴雨, 其中廣東西南部、廣西南部普降大暴雨, 局部特大暴雨; 2) 近海加強?！盃N都”(2010)處在鞍形場、高層存在強輻散以及西南氣流的卷入有利于“燦都”(2010)強度的近海加強; 3) 路徑曲折。東環(huán)副高西伸加強使“燦都”(2010)路徑出現(xiàn)了西折, 西環(huán)副高的作用使“燦都”(2010)出現(xiàn)了短暫的南落; 4) 影響面廣?！盃N都”(2010)造成廣東省湛江、茂名、陽江、云浮4個市25個縣(市、區(qū)) 402.5萬人受災, 直接經(jīng)濟損失34.3億元, 死亡5人, 造成生命和財產(chǎn)損失巨大(林良根等, 2011)。

1.2 WRF模式及資料介紹

本文采用的WRF模式系統(tǒng)是由美國研究、業(yè)務和大學的科學家共同參與開發(fā)研究的新一代中尺度預報模式和同化系統(tǒng)(Skamarock et al, 2005)。WRF模式系統(tǒng)的開發(fā)計劃是1997年由美國國家大氣研究中心(NCAR)中小尺度氣象處、國家環(huán)境預報中心(NCEP)環(huán)境模擬中心、預報系統(tǒng)實驗室(FSL)的預報研究處和俄克拉荷馬大學的風暴分析預報中心4個單位聯(lián)合發(fā)起建立的, 由國家自然科學基金和國家海洋大氣局(NOAA)共同支持(章國材, 2004)。WRF模式是一個全可壓、非靜力中尺度模式, 水平方向采用Arwkrawa-C坐標, 垂直方向提供兩種選擇, 一種為高度坐標, 另一種為質(zhì)量坐標, 時間積分方案可選擇三階或者四階的Runge-Kutta算法。WRF主模塊分為先進的研究模式(advanced research WRF, ARW)和非靜力中尺度模式(nonhydrostatic mesoscale model, NMM)兩種動力核心模塊, 前者多用于研究, 后者主要用于業(yè)務預報。本文選取的是ARW方案。WRF模式具有模塊化、可移植、可擴充和易維護的特點, 在預報各種天氣中都具有較好的性能, 具有良好的預報天氣水平。

本文使用美國全球預報系統(tǒng)(GFS)再分析資料作為模式的初始場及側(cè)邊界。選取2010年7月21日06時至22日18時(世界時)的GFS資料, 間隔時間為6h, 水平分辨率為30′×30′。如圖1所示, 本試驗采用了?？?以下簡稱HKRD)和陽江(以下簡稱YJRD)兩部多普勒雷達來提供需要同化的雷達徑向風資料。在臺風登陸的過程中, HKRD (19°54′N, 110°12′E)位于臺風路徑的西南側(cè), YJRD (21°48′N, 111°54′E)位于臺風路徑的東北側(cè), 能夠保證采用的雷達資料完整覆蓋臺風移動路徑的整個區(qū)域。本文在同化試驗之前采用美國國家大氣研究中心開發(fā)的SOLO軟件對雷達基數(shù)據(jù)進行了質(zhì)量控制, 主要包括剔除地物雜波、去除孤立噪聲點、對徑向速度進行平滑處理、速度退模糊、二次回波等處理。

圖1 WRF模擬區(qū)域

*表示?？?HKRD)和陽江(YJRD)的多普勒雷達的位置; 虛線圓圈表示?？?HKRD)和陽江(YJRD)的多普勒觀測范圍; 實線表示2010年7月22日00時至2010年7月22日18時的臺風路徑

Fig. 1 WRF simulation domain. Dashed circles indicate the Doppler observation ranges of HKRD and YJRD, respectively. Black line and dots indicate the typhoon track from 2200 UTC to 2218 UTC July 21, 2010

1.3 WRF同化系統(tǒng)及同化方法介紹

WRF三維變分同化系統(tǒng)基于一個表征分析場與觀測場和分析場與背景場偏差的二次泛函極小值問題來分析。三維變分系統(tǒng)的基本目標就是通過迭代方法求解以上目標函數(shù)的極小值, 從而得出盡可能接近大氣真實狀態(tài)的估計值。在變分的極小化計算過程中要用到觀測誤差協(xié)方差及背景誤差協(xié)方差的逆矩陣。定義的泛函如下:

式中:ra是雨水混合比(單位: g×kg-1);是修正因子, 定義為:

1.4 試驗設置

在本研究中采用WRF模式3.4.1版本模擬臺風“燦都”(2010), 預報區(qū)域水平方向401×401個網(wǎng)格點, 網(wǎng)格的水平分辨率為5km, 垂直方向?qū)⒌厍虮砻娴?0hPa間垂直劃分為41層。模擬中心經(jīng)緯度為(19°54′N, 110°12′E)。參數(shù)化方案包括Lin微物理方案、Monin-Obukhov近地層方案、NOAH陸面方案、YSU (Yonsei University)行星邊界層方案、快速輻射傳輸模型(RRTM)長波輻射方案和Dudhia短波輻射方案。3DVAR同化試驗的網(wǎng)格設置, 水平分辨率、中心經(jīng)緯度設置和參數(shù)化方案使用均與控制實驗(CTNL)試驗一致, 且使用各向同性(誤差的變化不隨方向變化)的靜態(tài)背景誤差協(xié)方差。

圖2為試驗流程圖。CNTL模式積分時段為2010年7月21日06時至22日18時, 共計36h, 包括臺風“燦都”(2010)登陸前后的整個發(fā)展過程。同化試驗選取21日06時為起報時間, 進行一個12h的確定性預報的啟動過程(spin-up), 選擇21日18時作為同化初始時刻, 通過WRF-3DVAR同化系統(tǒng)每1h同化一次雷達徑向風觀測數(shù)據(jù), 連續(xù)同化6h后, 將最后一個時刻(2010年7月22日00時)同化的分析場作為模式初始場, 進行18h確定性預報。

圖2 控制試驗(CTNL)(a)和3DVAR試驗(b)流程圖

2 結(jié)果分析和討論

2.1 模式空間風場分析

圖3中展示了21日18時、21日20時、21日22時和22日00時的700hPa的風場和風場增量。第一個同化分析時刻時, 如圖3a和3b所示, 同化后的風場明顯比同化前的風場強, 同化前的最大切向風速在30m×s-1以下, 且氣旋中心風眼的范圍較大, 而3DVAR同化后的最大切向風速可以達到40m×s-1至45m×s-1, 臺風中心渦旋強度更大。尤其是在臺風的東部區(qū)域, 風速有明顯的增大, 且同化后的風眼范圍縮小。圖3c為3DVAR同化后的700hPa風場增量, 圖中陰影區(qū)域為觀測雷達資料覆蓋區(qū)域?？梢妴未瓮? 觀測臺風中心附近有明顯氣旋性環(huán)流增量, 且在臺風中心附近風速增量達到最大, 可以產(chǎn)生更強的渦旋環(huán)流。同時還發(fā)現(xiàn)觀測臺風中心西北象限有較弱的反氣旋性環(huán)流增量。當同化雷達風觀測資料時, 這種結(jié)構在WRF-3DVAR分析臺風環(huán)流中心中很常見(Li et al, 2012), 這種情況的出現(xiàn)與當前同化系統(tǒng)使用流函數(shù)()和速度勢()作為3DVAR中控制變量有關(和分別與非發(fā)散旋轉(zhuǎn)流動和發(fā)散流動相關), 如從NMC方法獲得的背景誤差統(tǒng)計中所反映的流函數(shù)的背景誤差標準差一般遠大于速度勢的背景誤差標準差。

圖3 700hPa處水平風場(第一行和第二行矢量, 單位: m×s-1)和風場增量(第三行矢量, 單位: m×s-1); 組合反射率值(第一行和第二行陰影, 單位: dbz)和雷達資料覆蓋區(qū)域(第三行陰影)

a, b, c: 2010年7月21日18時; d, e, f: 2010年7月21日20時; g, h, i: 2010年7月21日22時; j, k, l: 2010年7月22日00時。a, d, g, j: 同化前; b, e, h, k: 同化后; c, f, j, l: 同化增量

Fig. 3 Analysis increments of horizontal wind vector (the top and middle panels, unit: m×s-1) and wind speed (the bottom panel, unit: m×s-1) at 700 hPa at 1800 UTC July 21, 2010 (a, b, c), 2000 UTC July 21, 2010 (d, e, f), 2200 UTC July 21, 2010 (g, h, i), 0000 UTC July 22, 2010 (j, k, l), and before assimilation (a, d, g, j), after assimilation (b, e, h, k), assimilation increment (c, f, j, l) (units: m×s-1). Max reflectivity is shaded in the top and middle panels. The shaded area in the bottom panel is the coverage area of the radar data

第三個分析時刻, 同化前的最大風速達到50m×s-1以上, 同化后的風場較同化前弱, 最大風速僅達到45m×s-1左右, 且同化前的最大風速區(qū)在臺風中心的東北象限, 而同化后的最大風速區(qū)在臺風中的東南象限, 風場增量出現(xiàn)反氣旋性環(huán)流, 可以認為真實風場比同化前弱, 同化分析改善了風場強度和環(huán)流結(jié)構。第五個分析時刻, 同化前后的風場差別不大, 主要區(qū)別在于, 同化實驗改善了最大風速區(qū)的位置, 較同化前更向南側(cè)靠近, 位于臺風中心的東南象限, 但還是可以在風場增量中看到臺風中心附近有較弱的氣旋性環(huán)流增量。第七個分析時刻, 同化前最大風速達到50m×s-1左右, 最大風速區(qū)位于臺風中心東南象限; 同化后的風場環(huán)流結(jié)構和位置改善不明顯, 風場增量體現(xiàn)為在臺風中心的東北象限出現(xiàn)明顯的氣旋性環(huán)流增量。同化雷達徑向風的作用主要體現(xiàn)在對臺風強度和環(huán)流結(jié)構的調(diào)整。

2.2 觀測空間風場分析

圖4反映了7月21日18時在觀測場(圖4a)、CNTL試驗下的背景場(圖4b)、3DVAR試驗下的分析場(圖4d)的雷達徑向速度以及觀測場的雷達徑向速度減去背景場的徑向速度(圖4c)所呈現(xiàn)的圖?？梢钥吹降氖? 觀測場的雷達徑向風呈現(xiàn)“陰陽圖”的形式, 反映了臺風中心有很強的環(huán)流結(jié)構。背景場的雷達徑向風遠遠小于觀測場, 呈現(xiàn)的環(huán)流結(jié)構較弱, 背景場和觀測場的差距還可以從圖4c中看出, 觀測場和背景場相差的量級很大; 而分析場與觀測場很接近, 呈現(xiàn)了較為完整強烈的渦旋環(huán)流結(jié)構, 風場較為連續(xù)。

圖4 2010年7月21日18時的雷達徑向速度

a. 觀測場; b. 背景場; c. 觀測場-背景場; d. 分析場

Fig. 4 Radar radial velocity in observation (a), background field (b), observation minus background field (c), and analysis field (d) at 1800 UTC July 21, 2010

為了更好地顯示雷達徑向速度的背景場和分析場與背景場比較的效果, 我們在圖5中給出了背景場、分析場分別與觀測場的相關性描述。圖5a中, 背景場與觀測場的雷達徑向速度比值并不集中在對角線上, 呈發(fā)散性分布, 說明背景場的徑向速度相對于觀測場來說有很大偏差。而在圖5b中, 可以清楚地看到分析場與觀測場的雷達徑向速度比值基本集中在對角線上, 說明分析場的雷達徑向速度與觀測場比較接近。

圖5 觀測場和背景場(a)、觀測場和分析場(b)雷達徑向速度的散點分布

2.3 同化窗區(qū)間徑向風和最小海平面氣壓分析

3DVAR同化雷達資料對臺風預報的影響可以通過對比同化前的背景場和同化后的分析場, 計算雷達徑向風相對于觀測值的均方根誤差來進行進一步的評估。根據(jù)聯(lián)合臺風警報中心(JTWC)的最佳路徑數(shù)據(jù), 圖6a顯示了同化前后的雷達徑向風均方根誤差(RMSE)圖。如圖6a中所示, 同化試驗分析后的RMSE都較同化前下降, 改進效果最好的是第一個同化分析時刻, 從9.5m×s-1降低到了3m×s-1。而之后的同化分析時刻改進的效果有所減弱, 但都維持在同化后的RMSE較同化前降低約3m×s-1的水平。這是由于第一個同化時刻所用的背景場來自30′×30′的全球模式, 其中中小尺度信息缺失, 同化雷達徑向風資料后所產(chǎn)生的觀測增量最大, 所以改進模式初始場的效果也最為明顯。而且, 我們可以明顯看出, 同化后的RMSE都維持在3m×s-1左右, 說明同化雷達資料徑向風對模式分析場和之后的預報都產(chǎn)生了較好的效應。

圖6 2010年7月21日18時00分至22日00時00分, 每個同化時刻的同化前后均方根誤差(a)和最小海平面氣壓圖(b)

圖6b考察的是同化區(qū)間內(nèi)每次分析和預報的最小海平面氣壓(MSLP)和JTWC觀測資料中對應時段的最小海平面氣壓對比分析, 由圖可以發(fā)現(xiàn), 每個同化時刻預報的最小海平面氣壓較同化前的最小海平面氣壓更加接近真實觀測值, 而在第一個同化時刻預報的最小海平面氣壓與真實觀測值相差20hPa, 在之后的時刻這個差值基本處于穩(wěn)步下降的趨勢, 且前期下降尤為顯著。這是由于3DVAR同化并不是依靠分析來調(diào)整的, 而是依靠分析后的短期的模式預報調(diào)整。預報的最小海平面氣壓僅在21日20時到21時之間有所回升, 之后繼續(xù)減小, 直到最后一個同化時刻達到最小值7hPa左右, 總體還是呈現(xiàn)出下降趨勢。這說明3DVAR同化雷達徑向風觀測資料在達到一定時長后, 對改進整個同化周期后的預報分析有積極效應。

2.4 同化末端臺風結(jié)構場分析

在對同化周期的表現(xiàn)分析之后, 本文進一步對各組試驗最后一個同化時次的臺風結(jié)構場進行分析。圖7顯示的是2010年7月22日00時的CTNL、3DVAR兩組試驗分析的海平面氣壓場和近地面風場合成示意圖。其中CTNL試驗的臺風中心海平面氣壓最低值為995hPa (圖7a), 而3DVAR試驗的海平面氣壓最低值為973hPa (圖7b), 其分析的臺風渦旋環(huán)流結(jié)構要比CTNL試驗顯著。并且在圖中可以看到, CTNL試驗的近地面風場很弱, 風速在35m×s-1以下, 且偏離環(huán)流中心。而3DVAR的近地面風場(10m風)則明顯加強, 風速最大達到45m×s-1以上, 臺風中心東側(cè)的風速較大, 風場與環(huán)流中心契合, 與觀測更加接近, 更好地反映了臺風環(huán)流結(jié)構。

圖7 2010年7月22日00時CTNL試驗(a)和3DVAR試驗(b)下的10m水平風速(箭頭, 單位: m×s-1)和臺風中心海平面氣壓(陰影, 單位: hPa)

黑色虛線表示圖8中的截面位置

Fig. 7 The analyzed sea level pressure (contours, units: hPa) and surface wind vector (units: m×s-1) for CTNL (a) and Exp 3DVAR (b) at 0000 UTC July 22, 2010. The black solid line indicates the cross section in Fig. 8

圖8 2010年7月22日00時CTNL試驗(a)和3DVAR試驗(b)通過臺風中心的水平風速(陰影, 單位: m×s-1)和位溫(等值線, 單位: K)的西南—東北垂直截面圖

本文進一步考察了臺風中心的垂直結(jié)構, 圖8展示了7月22日00時通過臺風中心的水平風速和位溫的西南—東北垂直截面, 其剖面路徑參考圖8中的黑色實線。圖8a為CTNL試驗通過臺風中心的水平風速和位溫截面圖, 如圖8a中所示, 未經(jīng)過同化試驗的風眼范圍較廣, 呈緯向非對稱分布, 半徑約為150km, 眼墻地帶的風速較低, 最大風速僅達30m×s-1, 且分布稀疏, 眼區(qū)附近的位溫廓線分布平緩, 沒有出現(xiàn)明顯的環(huán)流特征。與CTNL試驗相比, 經(jīng)過3DVAR同化周期后(圖8b)的渦旋環(huán)流強度更大, 并且清楚地顯示了從地表延伸至約600hPa的眼壁結(jié)構。整個同化周期試驗后的風眼遠窄于未同化, 半徑約為20km, 也呈現(xiàn)緯向非對稱分布, 眼墻地帶的風速較高, 最大風速在45m×s-1以上。整個同化周期試驗后的風眼附近, 位溫廓線呈向上彎曲的趨勢表明臺風中心在對流層底內(nèi)的冷心結(jié)構, 這可能由于預報產(chǎn)生的位溫增量都是由3DVAR中各向同性的靜態(tài)的背景誤差協(xié)方差平衡關系所導致。而在500hPa以上的位溫廓線有向下彎曲的趨勢, 說明高層存在弱暖心結(jié)構。

為了更好地研究同化周期內(nèi)的同化后臺風的垂直結(jié)構, 圖9中展示了7月21日20時、22時和22日00時同化后的軸對稱切向風和水平溫度異常(剖面路徑為緯向)?？梢钥吹降谌畏治鰰r刻(圖9a)的切向風較小, 眼墻最大風速區(qū)在35m×s-1以下, 最大風速半徑位于45km處。經(jīng)過五次同化分析后(圖9b)的臺風環(huán)流強度加強,眼墻最大風速達到45m·s-1, 最大風速半徑轉(zhuǎn)移到30km處, 最大溫度異常中心位于8km處。最后一次同化分析時刻(圖9c)的臺風環(huán)流強度持續(xù)加強, 眼墻最大風速保持在45m·s-1左右, 最大風速半徑位置不變, 范圍擴大, 最大溫度異常中心位于10km處, 同化時間窗較長時, 同化雷達徑向風能夠較好地改善臺風結(jié)構。

圖9 2010年7月21日20時(a)、2010年7月21日22時(b)和2010年7月22日00時(c)的軸對稱切向風(陰影, 單位: m×s-1)和水平溫度異常(等值線, 單位: ℃)圖

此外, 為了更好地分析經(jīng)過整個同化周期前后的臺風環(huán)流中心結(jié)構和強度的區(qū)別, 本文在圖10中展示了7月22日00時觀測場和同化前后的臺風環(huán)流區(qū)域的組合雷達反射率因子。此時, 臺風“燦都”(2010)位于雷州半島東部和海南島, 從觀測場(圖10a)中可以看到明顯的臺風環(huán)流結(jié)構, 最大雷達反射率區(qū)域位于臺風中心的東南象限。在CTNL中(圖10b), 臺風中心渦旋較弱, 而且臺風眼區(qū)周圍的雷達反射率大部分缺失, 與觀測場相差很大。而在3DVAR中(圖10c), 臺風中心的雷達反射率更強, 顯示出了更緊密完整的臺風環(huán)流結(jié)構, 眼壁較為對稱, 強回波區(qū)主要位于臺風中心的東南象限, 與觀測場較接近。

圖10 2010年7月22日00時觀測場(a)、CTNL試驗(b)和3DVAR試驗(c)的組合反射率(陰影, 單位: dBZ)和水平風場(箭頭, 單位: m×s-1)圖

2.5 臺風強度和路徑預報分析

圖11展示了CTNL試驗、3DVAR試驗在臺風“燦都”(2010)登陸過程中的路徑和路徑誤差的預報結(jié)果以及臺風的真實觀測數(shù)據(jù)。起報時間為7月22日00時, 做18h確定性預報, 到7月22日18時結(jié)束?？梢詮膱D11a中看到, 未經(jīng)過同化的臺風路徑登陸前有明顯北偏, 登陸后有明顯西偏, 于最佳路徑觀測的臺風路徑有較大的出入, 而經(jīng)過整個同化周期后的臺風路徑與最佳路徑觀測的臺風路徑在登陸前后都較吻合, 只是00時的起點處位于最佳路徑觀測的臺風中心西北側(cè), 造成了一定偏差。圖11b比較了CTNL試驗、3DVAR試驗預報的路徑誤差, 圖中兩者的路徑誤差都有所減小, 但CTNL試驗預報的路徑誤差始終大于3DVAR試驗, 而且3DVAR試驗預報的路徑誤差在預報后期降低到了7km。

圖11 2010年7月22日00時至18時最佳路徑觀測數(shù)據(jù)和CTNL試驗、3DVAR試驗預報的路徑圖(a)、路徑誤差圖(b)、最小海平面氣壓(c)、地面最大風速(d)預報

另外, 同樣是從7月22日00時開始預報至18時, 如圖11c和11d所示, 我們又分析了CTNL試驗、3DVAR試驗的最小海平面氣壓(MSLP)(圖11c)和地面最大風速(MSW)(圖11d)與真實觀測數(shù)據(jù)的對比。最小海平面氣壓是用來表示臺風環(huán)流中心的位置的, 從圖11c中可以看出3DVAR試驗下預報的MSLP在大部分時間里較CTNL試驗更接近真實觀測的MSLP, 只有在最后一個預報時間段內(nèi), CTNL試驗較接近真實觀測數(shù)據(jù), 但3DVAR試驗預報的MSLP誤差僅8hPa。從總體趨勢上來看, 3DVAR試驗預報效果要比CTNL試驗更佳。而在圖11d中我們對比分析了CTNL試驗、3DVAR試驗預報的MSW與真實觀測的MSW, 與圖11c相似, 前期仍然是3DVAR試驗預報的效果較好, 在最后一個預報時段則是CTNL試驗預報的效果更好, 但最后一個時段內(nèi)3DVAR試驗與真實觀測的MSW誤差僅在2m×s-1, 總體趨勢上仍然是3DVAR試驗的預報效果更優(yōu)。

3 總結(jié)與展望

本文利用高分辨率中尺度預報模式WRF及WRF-3DVAR同化系統(tǒng), 針對2010年登陸于廣東省的超強臺風“燦都”(2010)個例, 每1h同化陽江、海口兩個雷達站的雷達徑向風觀測資料并做出確定性預報, 分析其對臺風“燦都”(2010)在登陸過程中的臺風結(jié)構、強度、路徑的影響。主要試驗結(jié)果和結(jié)論如下:

1) 從同化試驗前后的風場和風場增量變化來看, 同化試驗分析后的風場在每個時段都有強度和結(jié)構上的調(diào)整, 風場增量大多數(shù)同化時刻呈現(xiàn)氣旋性環(huán)流, 可以知道同化雷達徑向風的作用主要體現(xiàn)在對臺風強度和環(huán)流結(jié)構的調(diào)整。本文還對比分析了觀測空間風場在觀測場、背景場和分析場的情況, 認為分析場的雷達徑向風較背景場與觀測場更加接近, 說明同化分析能夠較好地改善臺風風場的強度和環(huán)流結(jié)構。

2) 本文分析了同化窗區(qū)間的RMSE和MSLP下降的情況, 認為3DVAR同化雷達資料對模式分析場和之后的預報都產(chǎn)生了較好的效應, 且在同化周期達到一定時長后, 對整個同化區(qū)間的分析效果有積極效應。

3) 在同化末端及其預報的情況分析中, 發(fā)現(xiàn)通過同化雷達徑向風觀測資料, 可以改進臺風的初始風場以及臺風環(huán)流中心的熱力和動力結(jié)構、強度和位置, 進而提高18h的臺風結(jié)構、路徑、強度。

本試驗采用了兩部雷達資料進行同化試驗, 對臺風“燦都”(2010)個例進了初步研究, 所得到的臺風結(jié)構、強度和路徑方面的結(jié)論只適用于此個例, 具有一定局限性, 對于其他個例是否成立還需要再做研究。同時, 對雷達資料的質(zhì)量控制和3DVAR同化方法的改進還需要更多的研究工作。而就個例“燦都”(2010)來說, 利用多部雷達資料(兩部以上)并采用先進的集合同化方法進行更進一步的研究是接下來要做的工作。

陳鋒, 冀春曉, 董美瑩, 等, 2012. 雷達徑向風速同化對臺風麥莎模擬的影響[J]. 氣象, 38(10): 1170–1181. CHEN FENG, JI CHUNXIAO, DONG MEIYING, et al, 2012. The effects of radar radial velocity data assimilation on the simulation of typhoon Matsa[J]. Meteorological Monthly, 38(10): 1170–1181 (in Chinese with English abstract).

陳鋒, 董美瑩, 冀春曉, 2017. 不同資料同化對登陸臺風菲特(2013)短時預報的影響研究[J]. 氣象, 43(9): 1029–1040. CHEN FENG, DONG MEIYING, JI CHUNXIAO, 2017. Relative impact from surface, radiosonde, aircraft, satellite, and radar observations on short time forecasting for typhoon Fitow (2013) at landfall[J]. Meteorological Monthly, 43(9): 1029–1040 (in Chinese with English abstract).

顧建峰, 2006. 多普勒雷達資料三維變分直接同化方法研究[D]. 南京: 南京信息工程大學. GU JIANFENG, 2006. Research on 3D variational direct assimilation method of doppler radar data[D]. Nanjing: Nanjing University of Information Science and Technology (in Chinese with English abstract).

官元紅, 周廣慶, 陸維松, 等, 2007. 資料同化方法的理論發(fā)展及應用綜述[J]. 氣象與減災研究, 30(4): 1–8. GUAN YUANHONG, ZHOU GUANGQING, LU WEISONG, et al, 2007. Theory development and application of data assimilation methods[J]. Meteorology and Disaster Reduction Research, 30(4): 1–8 (in Chinese with English abstract).

李新峰, 2012. 雷達資料循環(huán)同化在臺風“莫蘭蒂”短時預報中的應用研究[D]. 南京: 南京大學. LI XINFENG, 2012. Short-term forecasting through cycling assimilation of China coastal radar data for typhoon Meranti at landfall[D]. Nanjing: Nanjing University (in Chinese with English abstract).

李新峰, 趙坤, 王明筠, 等, 2013. 多普勒雷達資料循環(huán)同化在臺風“鲇魚”預報中的應用[J]. 氣象科學, 33(3): 255–263. LI XINFENG, ZHAO KUN, WANG MINGYUN, et al, 2013. Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data[J]. Journal of the Meteorological Sciences, 33(3): 255–263 (in Chinese with English abstract).

林良根, 汪瑛, 林少冰, 2011. 臺風“燦都”的特點分析[C]//2011年第二十八屆中國氣象學會年會論文集. 廈門: 中國氣象學會: 1–7. LIN LIANGGEN, WANG YING, LIN SHAOBING, 2011. Analysis of the typhoon Chanthu[C]//Chinese Meteorological Society. Xiamen: Chinese Meteorological Society: 1–7 (in Chinese with English abstract).

沈菲菲, 閔錦忠, 陳鵬, 等, 2015. 多普勒雷達資料同化在臺風“桑美”預報中的應用研究[J]. 海洋學報, 37(3): 25–36. SHEN FEIFEI, MIN JINZHONG, CHEN PENG, et al, 2015. Experiments of assimilating Doppler radar data in forecast of typhoon Saomai[J]. Acta Oceanologica Sinica, 37(3): 25–36 (in Chinese with English abstract).

沈菲菲, 閔錦忠, 許冬梅, 等, 2016. 雙多普勒雷達資料同化在颶風“艾克”預報中的應用研究[J]. 海洋學報, 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]. Acta Oceanologica Sinica, 38(11): 60–72 (in Chinese with English abstract).

盛春巖, 薛德強, 雷霆, 等, 2006. 雷達資料同化與提高模式水平分辨率對短時預報影響的數(shù)值對比試驗[J]. 氣象學報, 64(3): 293–307. SHENG CHUNYAN, XUE DEQIANG, LEI TING, et al, 2006. Comparative experiments between effects of Doppler radar data assimilation and inceasing horizontal resolution on short-range prediction[J]. Acta Meteorologica Sinica, 64(3): 293–307 (in Chinese with English abstract).

徐廣闊, 孫建華, 趙思雄, 2009. 基于雷達資料同化的2003年7月一次暴雨過程的數(shù)值模擬及分析[J]. 熱帶氣象學報, 25(4): 427–434. XU GUANGKUO, SUN JIANHUA, ZHAO SIXIONG, 2009. The numerical simulation and analysis of a heavy rainfall in July 2003 based on radar data assimilation[J]. Journal of Tropical Meteorology, 25(4): 427–434 (in Chinese with English abstract).

章國材, 2004. 美國WRF模式的進展和應用前景[J]. 氣象, 30(12): 27–31. ZHANG GUOCAI, 2004. Progress of weather research and forecast (WRF) model and application in the United States[J]. Meteorological Monthly, 30(12): 27–31 (in Chinese with English abstract).

張晗昀, 王振會, 楚志剛, 等, 2018. 天氣雷達反射率資料訂正前后在ARPS模式中的同化試驗對比[J]. 氣象科學, 38(1): 57–65. ZHANG HANYUN, WANG ZHENHUI, CHU ZHIGANG, et al, 2018. Corrected and original weather radar reflectivity data assimilation in numerical model ARPS[J]. Journal of the Meteorological Sciences, 38(1): 57–65 (in Chinese with English abstract).

BUEHNER M, 2005. Ensemble‐derived stationary and flow‐dependent background‐error covariances: Evaluation in a quasi‐operational NWP setting[J]. Quarterly Journal of the Royal Meteorological Society, 131(607): 1013–1043.

BUEHNER M, HOUTEKAMER P L, CHARETTE C, et al, 2010a. Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part I: Description and single-observation experiments[J]. Monthly Weather Review, 138(5): 1550–1566.

BUEHNER M, HOUTEKAMER P L, CHARETTE C, et al, 2010b. Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part II: One-month experiments with real observations[J]. Monthly Weather Review, 138(5): 1567–1586.

LI YONGZUO, WANG XUGUANG, XUE MING, 2012. Assimilation of radar radial velocity data with the WRF hybrid ensemble–3DVAR system for the prediction of Hurricane Ike (2008)[J]. Monthly Weather Review, 140(11): 3507–3524.

SASAKI Y, 1970a. Some basic formalisms in numerical variational analysis[J]. Monthly Weather Review, 98(12): 875–883.

SASAKI Y, 1970b. Numerical variational analysis formulated under the constraints as determined by longwave equations and a low-pass filter[J]. Monthly Weather Review, 98(12): 884–898.

SHEN FEIFEI, XU DONGMEI, XUE MING, et al, 2018. A comparison between EDA-EnVar and ETKF-EnVar data assimilation techniques using radar observations at convective scales through a case study of Hurricane Ike (2008)[J]. Meteorology and Atmospheric Physics, 130(6): 649–666.

SKAMAROCK W C, KLEMP J B, DUDHIA J, et al, 2005. A description of the advanced research WRF version 2[R]. Boulder, Colorado, USA: National Center for Atmospheric Research, Mesoscale and Microscale Meteorology Division.

TALAGRAND O, COURTIER P, 1987. Variational assimilation of meteorological observations with the adjoint vorticity equation. I: Theory[J]. Quarterly Journal of the Royal Meteorological Society, 1987, 113(478): 1311–1328.

WANG MINGJUN, XUE MING, ZHAO KUN, et al, 2014. Assimilation of T-TREC-retrieved winds from single-doppler radar with an ensemble Kalman Filter for the forecast of typhoon Jangmi (2008)[J]. Monthly Weather Review, 142(5): 1892–1907.

WANG XUGUANG, 2010. Incorporating ensemble covariance in the gridpoint statistical interpolation variational minimization: A mathematical framework[J]. Monthly Weather Review, 138(7): 2990–2995.

XIAO QINGNONG, ZOU XIAOLEI, WANG BIN, 2000. Initialization and Simulation of a landfalling hurricane using a variational bogus data assimilation scheme[J]. Monthly Weather Review, 128(7): 2252–2269.

XIAO QINGNONG, KUO Y H, SUM JUANZHEN, et al, 2005. Assimilation of doppler radar observations with a regional 3DVAR System: impact of doppler velocities on forecasts of a heavy rainfall case[J]. Journal of Applied Meteorology, 44(6): 768–788.

ZHAO KUN, XUE MING, 2009. Assimilation of coastal Doppler radar data with the ARPS 3DVAR and cloud analysis for the prediction of Hurricane Ike (2008)[J]. Geophysical Research Letters, 36(12): L12803.

Experiments of assimilating Doppler radar data in forecast of Typhoon Chanthu

QI Peini, SHEN Feifei, KOU Leilei, CHU Zhigang, XU Dongmei

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

Based on the WRF (Weather Research and Forecast) model and WRF-3DVAR (3- Dimensional Variational) assimilation system, we conduct a single time analysis to initialize Typhoon Chanthu and compare the effects of assimilation radar radial velocity (r) on Typhoon Chanthu analysis and forecast, with two radar radial wind data. We show that the role of assimilating radar radial wind is mainly reflected in the adjustment of typhoon intensity and circulation structure; and after the assimilation reaches a certain length of time, it has a positive effect on the improvement of forecast. The assimilation test improves the typhoon's initial wind field and the thermal and dynamic structures, intensity, and location of the typhoon circulation center, thereby improving the typhoon structure, path, and intensity predicted for future 18 hours.

radar radial velocity; data assimilation; WRF-3DVAR; typhoon

2018-05-23;

2018-09-05. Editor: YIN Bo

National Key Research and Development Program of China (2018YFC1506404, 2018YFC1506603, 2017YFC1502102, 2017YFC1502103); National Natural Science Foundation of China (G41805016, G41805070); Natural Science Foundation of Jiangsu Province (BK20170940, BK20160954); Open Project of Key Laboratory of Meteorological Disaster of Ministry of Education, Nanjing University of Information Science and Technology (KLME201807, KLME201808); Beijige Funding from Jiangsu Research Institute of Meteorological Science (BJG201604); Startup Foundation for Introducing Talent of Nanjing University of Information Science & Technology (2016r043, 2016r027)

P732.42

A

1009-5470(2019)02-0020-12

10.11978/2018055

2018-05-23;

2018-09-05。殷波編輯

國家重點研發(fā)計劃項目(2018YFC1506404、2018YFC1506603、2017YFC1502102、2017YFC1502103); 國家自然科學基金項目(G41805016、G41805070); 江蘇省自然科學基金項目(BK20170940、BK20160954); 氣象災害教育部重點實驗室(南京信息工程大學)開放課題(KLME201807、KLME201808); 江蘇省氣象局北極閣基金項目(BJG201604); 南京信息工程大學人才啟動基金項目(2016r043、2016r27)

戚佩霓(1995—), 女, 浙江省杭州市人, 本科生。Email: 315295984@qq.com

沈菲菲, 講師。Email: ffshen@nuist.edu.cn

SHEN Feifei. E-mail: ffshen@nuist.edu.cn