劉瑞婷 陳明軒 肖 現(xiàn) 秦 睿 高 峰 楊 璐 吳劍坤 孫娟珍

1.北京城市氣象研究院，北京，100089 2.中國氣象科學研究院災害天氣國家重點實驗室，北京，100081 3.美國國家大氣研究中心，科羅拉多州博爾德，80307

1 引言

近幾十年，大量中尺度觀測分析和對流尺度數(shù)值模擬研究表明，對流風暴的新生和發(fā)展演變通常與低層三維動力和熱力條件及其相互作用存在密切聯(lián)系（Markowski，et al，2010）。風暴本身的熱動力特征（如冷池、出流）及其與近風暴低層環(huán)境（如風場、輻合上升、風垂直切變、入流等）特征相互作用，一定程度上可以預測對流風暴的發(fā)展傳播（Parker，et al，2004；Weisman，et al，2004；Lombardo，et al，2013；陳明軒等，2013；孫繼松等，2013；冉令坤等，2014；鄭媛媛等，2014；肖現(xiàn)等，2015）。并且許 多 研究（Wilson，et al，1986，1997；Koch，et al，1997；Ziegler，et al，1998；陳明軒等，2010；王彥等，2011）指出，邊界層輻合線（出流邊界、干線、海風鋒、冷鋒、近地面中尺度切變線等）相互作用或者邊界層輻合線與原有風暴系統(tǒng)相互作用，會導致近地面動力不穩(wěn)定和輻合上升明顯增強，有利于對流風暴的新生和快速增強。

因此，低層大氣的對流尺度動力和熱動力演變特征成為強天氣預報、預警的關鍵。對流尺度數(shù)值天氣預報面臨的主要問題之一是準確的初始條件，其初值的高度非線性會對強對流系統(tǒng)的預報造成困難（Schenkman，et al，2011）。多普勒天氣雷達，其高時空分辨率的觀測數(shù)據(jù)不僅可以反演風暴的四維結構，而且大量研究（Weygandt，et al，2002a，2002b；Dawson Ⅱ，et al，2006；陳耀登等，2018）表明，同化雷達反射率因子和徑向速度可以為數(shù)值模式提供高精度的初始條件，有助于改善數(shù)值模式對強對流系統(tǒng)的分析和預報能力。然而，對流系統(tǒng)新生前并無明顯的雷達回波或是由于雷達最低掃描非零高程和地球曲率的影響，雷達通常無法觀測到地面層特征，尤其當風暴遠離雷達時（100 km），雷達最低觀測仰角（0.5°）的波束距地面會超過2 km。但是，近地層及邊界層中的溫度、濕度和風速等對于強對流的新生和發(fā)展起著重要的作用（Mueller，et al，1993；Atkins，et al，1995；Weckwerth，et al，1996；Ziegler，et al，1997；Wilson，et al，1998；Wakimoto，et al，2010；Sobash，et al，2015；陳明軒等，2017）。近年來，隨著地面觀測網站的增加和完善，高時空分辨率的地面自動氣象站觀測數(shù)據(jù)已經實時可用，能滿足數(shù)值預報的快速同化發(fā)展需求。因此，考慮到邊界層過程在強對流天氣新生和快速演變中的重要作用，地面自動氣象站觀測和雷達探測資料的“同時同化”可以填補雷達資料的邊界層“缺測”，從而提高數(shù)值模式在低層熱力和動力的分析預報能力。一些研究已經將同化地面觀測資料加入到對流尺度數(shù)值模式中。通過在集合卡爾曼濾波（EnKF）系統(tǒng)中同化地面觀測資料（Zhang，et al，2004；Marquis，et al，2014；Putnam，et al，2014；Snook，2015）發(fā)現(xiàn)，該方法可以獲得更好的中尺度和對流尺度特征。Dong等（2011）研究發(fā)現(xiàn)，當雷達距離對流系統(tǒng)較遠時，如果地面觀測網間距小于20 km，同化地面觀測資料會提高風暴的預報能力。Hou等（2013）利用風暴尺度預報系統(tǒng)研究了地面自動氣象站觀測數(shù)據(jù)的三維變分同化（3DVar）對華南地區(qū)強降水預報的影響，結果顯示其對降水位置預報有普遍積極的影響，而且可以改善模式近地面的氣象要素。許多學者對地面觀測資料的同化方案也進行了探索，針對觀測站實際地形高度與模式地形高度不匹配的情況考慮了地形高度差異的影響（徐枝芳等，2007a，2007b；Xu，et al，2013）。在此基礎上，張鑫宇等（2021）對WRF-DA地面資料同化方案中溫度和風速的訂正方案進行了優(yōu)化，結果顯示9 h的預報誤差明顯降低。

北京市位于華北平原，鄰近渤海灣，坐落于太行山和燕山山脈腳下，特殊的地形條件和快速的城市化發(fā)展使北京受到多個流場（山谷風、海陸風、城市熱島）的影響，強對流新生和快速發(fā)展導致的強降水事件近年來引起了相當大的關注。Xiao等（2017）研究發(fā)現(xiàn)，冷池對北京西部山區(qū)雷暴下山的新生和發(fā)展有重要的作用。王華等（2008）研究發(fā)現(xiàn)，北京西部山區(qū)地形的熱力環(huán)流和動力強迫導致強對流的觸發(fā)，其發(fā)展受到城市下墊面熱力作用的影響。張文龍等（2013）通過分析北京局地暴雨天氣過程的對流層低層偏東風發(fā)現(xiàn)，淺薄的暖濕偏東風直接起到了對流風暴觸發(fā)機制的作用。Li等（2017a，2017b）進一步分析發(fā)現(xiàn)，北部山區(qū)中尺度對流系統(tǒng)（MCS）的冷池出流加強了偏北氣流，北京城市下墊面促進了城區(qū)低層輻合，導致強對流的新生。因此，北京地區(qū)發(fā)生的強對流天氣由于受到多種低層環(huán)境因素的影響，發(fā)生、發(fā)展較為復雜。

本研究通過在快速更新雷達四維變分分析系統(tǒng)（VDRAS）中加入地面自動氣象站觀測資料的同化方法，并選取近年來發(fā)生在北京地區(qū)的10個強對流天氣過程，對地面資料同化的結果進行分析和檢驗評估。在此基礎上，開展雷達資料和地面觀測資料的“同時同化”對北京地區(qū)局地強對流系統(tǒng)新生和增強的模擬與預報研究，進一步認識北京地區(qū)強對流新生和增強的物理機制，以提升局地突發(fā)強對流天氣預警和臨近預報能力。

2 資料同化方法

2.1 雷達四維變分分析系統(tǒng)介紹

VDRAS是基于四維變分同化（4DVar）技術并以云模型為約束的對流尺度數(shù)據(jù)同化系統(tǒng)（Sun，et al，1997，1998），使用的微物理方案包括Kessler暖云參數(shù)化方案（Sun，et al，1997）和簡單的冰參數(shù)方案（Chang，et al，2016），通過實現(xiàn)對精細的大氣動力和熱力特征的有效模擬，提升強對流天氣的臨近預報。VDRAS已經在北京2008年夏季奧運會期間強天氣臨近預報中獲得成功的實時示范應用（陳明軒等，2011）。在此基礎上，通過改進雷達資料快速更新四維變分同化（RR4DVar）技術和三維數(shù)值云模式，進一步發(fā)展了一個可實時業(yè)務運行的快速更新雷達四維變分分析系統(tǒng)，可對京津冀區(qū)域逐6 min更新的一部或多部新一代多普勒天氣雷達反射率因子和徑向速度資料進行快速四維變分同化，同時融合區(qū)域5 min更新的自動氣象站觀測和中尺度數(shù)值模式結果，快速分析和臨近預報5—15 min的對流尺度大氣三維動力、熱動力和微物理場的精細結構（陳明軒等，2016），包括與對流風暴生消、發(fā)展和傳播密切相關的近風暴環(huán)境特征，以及風暴形成的冷池、出流等對流尺度熱動力結構特征。其結果已被廣泛應用于對流尺度風暴發(fā)展演變的機理分析研究（Xiao，et al，2017；肖現(xiàn)等，2015；陳明軒等，2013）以及高分辨率的臨近數(shù)值預報研究（Sun，et al，2008；Tai，et al，2011）。

4DVar同化技術是通過最小化代價函數(shù)來計算模式變量場與觀測和背景場之間的最佳初始狀態(tài)，找到與實際大氣觀測結果在時、空分辨率上盡可能接近的模式變量場。該代價函數(shù)如下

式中，x0表示同化開始前的模式變量場，xb表示背景場，B表示背景場誤差協(xié)方差矩陣，所以該項代表了模式變量場與背景場之間的偏差。在假定觀測誤差不相關時，模式變量與雷達觀測之間的偏差可表示為第二項。σ和t表示在空間和時間域求和，ηv和ηq分別代表徑向速度和雨水混合比的權重系數(shù)，雷達觀測的徑向速度和雨水混合比用和表示，vr和qr代表相應的模式變量。其中，徑向速度的觀測值直接來自雷達測量值，而雨水混合比的觀測值是在數(shù)據(jù)同化之前根據(jù)雷達反射率因子（Z）測量值估算得到的（Tong，et al，2005）

式中，Z是以dBz為單位的反射率因子，ρ是空氣的密度。

式（1）中，Jp是約束項，從時間和空間上實施強迫約束和平滑，以確保在沒有雷達資料的區(qū)域模式解不會偏離觀測和中尺度背景場太遠，從而確保代價函數(shù)能夠快速收斂。

2.2 地面觀測資料同化方法

目前VDRAS主要基于Barnes插值方案（Barnes，1964）先將自動氣象站的地面觀測數(shù)據(jù)插值到模式水平網格點上，形成地面中尺度分析場；然后利用局地線性最小二乘擬合法，將地面和地面以上中尺度分析場進行融合，形成最終的三維中尺度分析背景場。主要是為了在雷達數(shù)據(jù)同化前利用地面觀測資料對中尺度分析背景場進行融合校正，提高系統(tǒng)熱、動力場的分析和預報能力（陳明軒等，2016）。過去地面觀測資料的時、空分辨率較雷達觀測低，只能代表大尺度的時、空環(huán)境特征。隨著自動氣象站地面觀測網的快速發(fā)展，地面觀測資料的時間分辨率提高到5 min以內，空間布網密度也逐漸增大，近地面中尺度和某些對流尺度的時、空演變特征已可以被有效獲取。因此，相對于原來地面資料的融合方法，地面自動氣象站觀測和雷達觀測資料的“同時同化”可能會提高模式的中尺度甚至對流尺度的分析和臨近預報效果。

基于VDRAS發(fā)展的地面自動氣象站觀測資料同化方法，在同化前都通過鄰域檢查對資料進行二次質量控制，以保證同化數(shù)據(jù)的質量?？梢詫⒌孛孀詣託庀笳居^測的氣溫、風和水汽混合比與雷達觀測資料的反射率因子和徑向速度同時同化，其代價函數(shù)更新如下（Chen，et al，2016）

式（3）中，新增的4組分別代表模式最低層高度上的溫度（TS）、水汽混合比（QS）以及風的分量（US，VS），和表示相應的觀測量。式中ηT、ηU、ηV和ηqv分別代表地面資料的權重系數(shù)。Chen等（2016）將地面自動氣象站的觀測資料以獨立站點方式存放，并將地面資料訂正到相應的模式最低層高度上，同時對站點周邊的4個模式網格點變量進行加權平均。當某個地面自動氣象站觀測資料的時間在同化窗積分的時間范圍內時，即可將此時該站的地面資料進行同化。本研究在此基礎上，將地面觀測資料的站點同化方法升級為格點同化。首先將每個自動氣象站的地面觀測資料以同化窗內多組觀測數(shù)據(jù)的形式存放，然后利用Barnes插值方案分別將不同測站的同組地面觀測資料插值到模式的水平網格點上，再以格點的形式對同化窗內多組地面觀測資料進行同化。相對于地面觀測資料的站點同化方法，當?shù)孛嬗^測資料密集時，格點同化方法可以將地面資料稀疏化，從而減小過多的觀測誤差；當某些原因導致地面觀測資料比較稀疏時，格點同化方法也可以基于水平插值方案將地面自動氣象站的觀測資料進行擴展，從而同化更多的地面資料?？傊?，地面自動氣象站資料的格點同化方法使得地面資料在模式空間的觀測信息代表性變得更為均勻。

該格點同化方法可以實現(xiàn)地面觀測資料對VDRAS邊界層內多模式層溫度和最低模式層風速的間接同化，從而提升模式邊界層溫度和風的初始場分析效果，減小由于雷達資料在近地面觀測的缺失導致的模式邊界層初始場誤差。對于溫度，式（4）給出了邊界層內第k層模式高度（Zk）的溫度觀測值可利用中尺度模式初始背景場（或標準大氣）在邊界層內的溫度垂直遞減率（Tl）由地面2 m氣溫測量值進行訂正

對于風速，在常通量層根據(jù)普朗特混合長理論和莫寧-奧布霍夫（M-O）相似理論，可推得靜力中性層結下的對數(shù)風廓線公式（Kaimal，et al，1994）

式中，風速U為地面高度Z的函數(shù)，κ為馮卡門常數(shù)，一般取為0.4；Z0為地面粗糙度，U*為地面摩擦速度。許多研究表明近地層風速廓線與熱力層結相關，當大氣為靜力非中性層結時，根據(jù)拉依赫特曼的混合長公式，可推導出近地層的風隨高度呈指數(shù)分布（呂美仲等，1990）

式中，A與層結及地面粗糙度有關，ε為層結參數(shù)。若已知Zl高度的風速為Ul，則近地層指數(shù)風廓線可簡化為（李鵬等，2011）

式中，指數(shù)ɑ為粗糙度系數(shù)，與層結和地面粗糙度有關，一般取0.143。因此，可將地面自動氣象站觀測的地面10 m風訂正到模式最低層高度ZS上，得到

3 個例描述和系統(tǒng)設置

3.1 個例綜合描述

選取2017—2020年夏季發(fā)生在北京地區(qū)包含不同類型對流風暴（多單體風暴、超級單體風暴、颮線、暴雨中尺度對流系統(tǒng)）的典型對流個例共計10個，用來對比研究VDRAS的地面觀測資料同化與融合結果的差異。表1列出了每個對流過程的天氣實況以及天氣成因。

表1 北京地區(qū)10個對流個例簡介Table 1 Description of the 10 convection cases occurred in Beijing

3.2 系統(tǒng)設置

所有試驗的模擬范圍為150 km×150 km，模擬中心點設定在（38.4°N，116.45°E），基本覆蓋了上述風暴個例發(fā)展的區(qū)域（圖1）。所有試驗均選取北京S波段雷達（BJRS）和天津S波段雷達（TJRS）的觀測資料（包括徑向速度和反射率因子）進行RR4DVar同化，在此基礎上開展地面自動氣象站觀測資料同化與融合方法的對比研究。模式水平分辨率為1 km，垂直分辨率為200 m，模式最低層為垂直分辨率一半，即100 m，垂直均為50層，雷達資料同化高度設置到8.5 km，確保絕大部分雷達資料被同化。此高度以上為海綿層，由背景場、云模式積分動力調整及重力波阻尼算法控制，用來抑制重力波對模式上邊界的影響和反射效應，同時確保有無雷達資料同化垂直層間的平滑過渡。高空背景場主要基于中國氣象局北京快速更新循環(huán)數(shù)值預報系統(tǒng)-短期數(shù)值模式的預報結果。每個分析循環(huán)為15 min，迭代35次后輸出分析結果。雷達資料和地面觀測資料的同化窗均設置為730 s，并利用云模式進行15 min循環(huán)預報，用于計算下一熱啟動循環(huán)背景場。該兩部雷達均處于VCP21掃描模式（6 min左右間隔、9個仰角）下的同步掃描控制，區(qū)域內地面自動氣象站的觀測資料為5 min間隔，所以每個同化窗包含2—3組雷達體掃資料和3組地面觀測資料。每個對流個例分別設置2組試驗：融合試驗（SURF-MESO），在雷達資料同化的基礎上，采取地面觀測資料與中尺度背景場融合的技術方法；同化試驗（SURF-4DVar），將地面觀測和雷達觀測資料在RR4Dvar中同時同化。

在此基礎上，開展地面自動氣象站觀測資料同化方法的批量個例定量檢驗評估，每個對流個例的檢驗時段參見表1。利用海淀、觀象臺、延慶3部風廓線雷達，以及海淀、觀象臺、延慶、懷柔和平谷5部地基微波輻射計和觀象臺秒級探空儀（圖1）的垂直廓線觀測數(shù)據(jù)，對三維溫度和風的分析場模擬偏差進行定量統(tǒng)計，包括：平均絕對誤差（MAE）、平均偏差（BIAS）、均方根誤差（RMSE）等。利用區(qū)域內約600個地面自動氣象站的觀測資料，開展15 min快速更新的地面分析場及其1 h預報場的客觀檢驗。通過對比2組試驗結果的差別，整體評估地面資料同化的效果。

圖1 北京及周邊地區(qū)地形高度 （色階），北京和天津S波段雷達 （BJRS、TJRS，+表示） 的位置及掃描范圍 （150 km），檢驗所用風廓線雷達 （黑色o表示）、地基微波輻射計（紅色Δ表示） 和秒探空 （藍色?表示） 的位置，以及模擬范圍 （黑色虛線框）Fig.1 Topography of Beijing-Tianjin-Hebei region and the simulation domain in the black dotted box；radar sites of S-band in Beijing and Tianjin （BJRS and TJRS） are denoted by "+" and scanning ranges （150 km）；observations used for verification at wind profiler，ground-based microwave radiometers，second-level radiosonde are denoted by black"o"，red "Δ" and blue "?"，respectively

4 結果檢驗

4.1 三維溫度和風的分析場定量檢驗結果

表2分別對比了地面觀測資料同化（SURF-4DVar）和融合（SURF-MESO）對10個強對流個例三維溫度和風的分析場客觀檢驗。總體上，地面資料同化對于2 km高度以下的高空風場有改善作用，風速的均方根誤差和平均絕對誤差均降低約0.1 m/s，風向的均方根誤差降低約4.0°，平均絕對誤差降低約0.1°。而1 km高度以下的分析場改善更為明顯，風速和風向的均方根誤差分別降低達0.1 m/s和7.2°，溫度的均方根誤差降低0.2℃。這表明地面觀測資料同化相對于融合方法可以有效填補雷達的邊界層缺測，提高低層氣象要素的模擬分析能力，更好地反映大氣低層熱力和動力特征。

表2 三維溫度和風的分析場客觀檢驗Table 2 Objective verification of 3D temperature and wind analysis fields

不同測站的溫度和風場誤差分析結果（表3）表明，SURF-4DVar可以使平原測站如觀象臺和海淀的風場有較大改善，其中觀象臺秒級探空表現(xiàn)最明顯，風速的均方根誤差降低0.4 m/s，風向降低26.7°；山區(qū)測站如延慶的風速均方根誤差降低約0.1 m/s，風向降低4.4°，其結果雖也有改善，但提高程度小于平原測站。這可能是由于VDRAS并不是設計在嚴格的地形追隨坐標下，因此在復雜地形條件下的計算中，可能會在云模式方程中引起一些誤差。雷達徑向速度觀測能夠反映地形對氣流的影響，因此可以體現(xiàn)復雜地形對三維風場的影響。SURF-4DVar使平原和山區(qū)測站的溫度都有較大改善，其中觀象臺的改善最明顯，溫度的均方根誤差降低0.4℃，表明VDRAS系統(tǒng)在溫度場的模擬診斷中，也考慮了地形的影響。

表3 各站點1 km高度以下溫度和風的分析場檢驗Table 3 Verification of temperature and wind analysis fields below 1 km at different sites

為了進一步對比分析地面觀測資料同化和融合方法對三維溫度和風場的影響，圖2給出了分析場與觀測廓線的誤差對比。從風速檢驗（圖2a）來看，SURF-MESO的模式最低層高度上的風速平均絕對誤差和均方根誤差分別為1.4和2.1 m/s，SURF-4DVar將以上的誤差分別降低為1.1和1.6 m/s，且明顯降低了500 m高度以下風速的偏差。隨著高度的上升，兩種方法檢驗的偏差和均方根誤差逐漸增大后基本不變，而且對上層風速的影響較小。風向檢驗的結果（圖2b）同樣表明，SURF-4DVar明顯降低了500 m高度以下風向的偏差，模式最低層高度上的平均絕對誤差和均方根誤差分別由36.6°和55.9°降低為28.7°和40.4°。從溫度檢驗結果（圖2c）來看，SURF-MESO的絕對誤差總體在1.2—1.3℃，均方根誤差在1.5—1.9℃。而SURF-4DVar使1.5 km高度以下的偏差都有所減小，模式最低層高度上的絕對誤差和均方根誤差分別降低為0.9和1.1℃。以上的統(tǒng)計檢驗結果表明，VDRAS的地面資料同化相對于融合方法能夠更好反映強對流天氣過程低層大氣三維熱動力的精細結構和快速變化。需要指出的是，對于風廓線和微波輻射計等特種觀測設備，會受大氣不均勻、強烈垂直運動和強降水的負面影響，有一定的觀測誤差，同時VDRAS對強對流的動力和熱動力特征的模擬分析也有一定的誤差，但總體而言，這些差異均在可允許的范圍內，而且對于試驗前、后結果的定量檢驗具有參考意義。

圖2 強對流個例的風速（a）、風向（b）及溫度（c）的廓線檢驗（黑線和綠線分別為地面觀測資料同化和融合方法的結果；實線和虛線分別表示平均絕對誤差和均方根誤差）Fig.2 Verification of wind speed（a），wind direction （b）and temperature（c）profiles of the simulation results for the convection cases（black and green lines indicate the results based on SURF-4DVar and SURF-MESO；solid and dashed lines denote MAE and RMSE）

4.2 地面溫度和風的分析場和預報場定量檢驗結果

表4給出了強對流天氣過程中，模擬區(qū)域內地面自動氣象站的觀測與地面資料同化和融合的分析場檢驗。由于兩組試驗中已經在VDRAS中使用了地面觀測資料，因此是非獨立觀測的檢驗。但本研究是對比分析兩個試驗的結果差異，因此該檢驗分析是合理的。不同對流個例的地面10 m風速偏差存在差異，但總體上在合理的范圍內，SURFMESO的地面風速偏差和均方根誤差平均分別為0.3和1.5 m/s，而SURF-4DVar分別降低到0.2 和1.3 m/s。同樣，SURF-4DVar的風向偏差和均方根誤差平均值也由?3.2°和63.1°降低到?1.3°和52.3°，明顯提高了區(qū)域地面風向的分析能力。從地面2 m氣溫檢驗結果來看，大部分個例的偏差不大，而SURF-4DVar可將偏差進一步縮小?？傮w上，地面資料同化對于強對流過程的低層熱、動力場有一定的改善，能更好反映地面溫度和風場的中小尺度信息。

表4 強對流個例的地面10 m風和2 m溫度的分析場檢驗Table 4 Verification of 10 m wind and 2 m temperature analysis fields for convection cases

此外，分別對兩組試驗的每個分析循環(huán)都開啟了1 h的臨近預報。區(qū)域內地面自動氣象站的觀測分別與地面資料同化和融合的預報場檢驗如表5所示。從預報的均方根誤差來看，對未來預報的影響隨著預報時效的延長，地面變量的均方根誤差不斷增大。當預報時效t=30 min時，SURF-MESO的U/V分量均方根誤差分別為1.43和1.37 m/s，溫度的均方根誤差為1.15℃；SURF-4DVar的均方根誤差分別為1.29 m/s、1.24 m/s和1.10℃?？梢奡URF-4DVar在一定程度上能提高30 min內地面氣象要素的預報效果。t=60 min時，SURF-MESO的U/V分量均方根誤差分別為1.59和1.54 m/s，溫度的均方根誤差為1.37℃；SURF-4DVar分別為1.56、1.52 m/s和1.35℃，此時，SURF-4DVar對地面溫度和風場的預報有改善，但改善作用在減小。

表5 地面2 m溫度和10 m風場的預報場客觀檢驗Table 5 Verification of 2 m temperature and 10 m wind forecasts

5 個例分析和機理研究

5.1 個例概述

2019年5月17日午后開始，北京各地陸續(xù)遭遇降雨和強對流天氣，局地雨勢猛烈并伴有冰雹。由00時高空和地面天氣形勢（圖略）可以發(fā)現(xiàn)，京津冀地區(qū)為暖中心，氣壓東高西低，無明顯冷空氣特征，但大氣處于極不穩(wěn)定的層結狀態(tài)。由05時京津冀地面自動站的溫度和風場觀測（圖略）發(fā)現(xiàn)，京津冀地區(qū)的西南風在午后轉為東南海風且不斷加強，海風鋒由天津向北京推進，帶來海邊濕冷的空氣；北京南部為暖中心，且北京城區(qū)可觀測到明顯的風場輻合。圖3的雷達反射率因子和地面自動站的觀測顯示，08時10分的北京城區(qū)呈偏西風，溫度較高，而北京通州以東為東南風帶來的濕冷空氣，共同導致地面有明顯的風場輻合。隨后東南風增強、冷暖溫度梯度也增大，此區(qū)域形成的熱動力不穩(wěn)定條件有利于觸發(fā)局地對流型天氣，從08時30分雷達回波來看，北京通州以東地區(qū)開始有對流單體的新生（圖3c）。到10時30分對流單體不斷發(fā)展加強，圖3f可見對流增強時地面較強的冷池和明顯的風場出流。此次北京地區(qū)的局地強對流的新生和加強可能受到多個流場的影響。其中，城市的暖中心有利于邊界層中上升運動的形成，而海風鋒輻合線和出流邊界會進一步導致動力不穩(wěn)定。

圖3 2019年5月17日 （a、c、e） 北京雷達最低仰角 （0.5°） 觀測的反射率因子 （色階，單位：dBz）、（b、d、f） 區(qū)域內所有地面自動站觀測的溫度 （色階，單位：°C） 和風場 （風矢）（a、b.08時10分，c、d.08時30分，e、f.10時30分）Fig.3 Beijing radar reflectivity （shaded，unit： dBz） at the lowest elevation angle （0.5°） （a，c，e），and AWS surface temperature （shaded，unit：°C） and wind vectors （arrow） in the domain （b，d，f） on 17 May 2019（a，b.08：10 UTC；c，d.08：30 UTC；e，f.10：30 UTC）

5.2 結果驗證

對每個同化分析循環(huán)中不同變量的關鍵指標進行統(tǒng)計檢驗，以評估地面資料同化的影響。圖4為SURF-MESO和SURF-4DVar在分析循環(huán)中，雷達徑向速度和雨水混合比的Innov（觀測與背景場）、Resi（觀測與分析場）殘差的均方根誤差（RMSE）和平均偏差（BIAS）變化。這些指標已廣泛應用于數(shù)據(jù)同化的研究中（Fierro，et al，2019；Xiao，et al，2021）。整個過程中，SURF-MESO和SURF-4DVar雷達徑向速度Resi的均方根誤差均小于Innov，表明了同化后的分析場更接近于雷達徑向速度的觀測（圖4a、b）。但增加了地面資料同化后（圖4b），雷達徑向速度Resi的均方根誤差低于2.0 m/s，尤其是降低了對流系統(tǒng)發(fā)展加強階段的均方根誤差，反映了地面資料同化對雷達徑向速度的同化有正的影響。SURF-MESO和SURF-4DVar的雨水混合比Innov和Resi的均方根誤差（以及平均偏差）沒有明顯差異，并且都與觀測非常接近，低于0.5×10?3g/kg（?0.1×10?3g/kg），反映了地面資料同化并沒有顯著影響雨水混合比的同化。

圖4 SURF-MESO （a、c） 與SURF-4DVar （b、d） 在同化分析循環(huán)中雷達徑向速度 （單位：m/s，黑色）和雨水混合比 （單位：g/kg，藍色） 的觀測與背景場 （Innov，虛線）、觀測與分析場 （Resi，實線）殘差的均方根誤差 （a、b） 以及平均偏差 （c、d） 統(tǒng)計Fig.4 RMSE（a，b） and BIAS（c，d） for innovation （observations minus background；Innov，dotted） and analysis residual（observations minus analysis；Resi，solid） for radial velocity （unit：m/s，black） and rain water mixing ratio （unit：g/kg，blue）with respect to analysis/forecast cycle for （a，c） SURF-MESO and （b，d） SURF-4DVar

由于只有雷達觀測和地面資料同時同化的試驗（SURF-4DVar）可以對比地面要素同化前后指標的變化，由圖5a可以看到地面U風、V風和氣溫Resi的均方根誤差均小于Innov，分別降低了約65%、64%和45%，表明模式在同化分析循環(huán)中合理地吸收了地面資料，而且相對于同化前的背景場，同時同化雷達觀測和地面資料后的分析場更接近于地面觀測。地面U風、V風和氣溫Innov的偏差均為負值，表明總體上背景場的值大于觀測，而同化后Resi的偏差接近于0，與均方根的統(tǒng)計一致。

圖5 SURF-4DVar在同化分析循環(huán)中地面U風 （單位：m/s，黑色）、V風 （單位：m/s，藍色） 和氣溫 （單位：°C，紅色） 的觀測與背景場 （Innov，虛線）、觀測與分析場 （Resi，實線） 殘差的均方根誤差 （a） 和平均偏差 （b） 統(tǒng)計Fig.5 RMSE（a） and BIAS （b） for innovation （observations minus background；Innov，dotted） and analysis residual（observations minus analysis；Resi，solid） for surfaceU wind （unit：m/s，black），surfaceV wind （unit：m/s，blue） and surface air temperature （unit：°C，red） with respect to analysis/forecast cycle for SURF-4DVar

圖6、7分別給出2019年5月17日08時30分和10時30分地面自動氣象站觀測、SURF-MESO和SURF-4DVar的近地面溫度和風的分析場，所選時間分別為對流系統(tǒng)新生和發(fā)展加強的階段。從地面自動氣象站觀測的08時30分近地面溫度和風場（圖6a）可見，北京城區(qū)的偏西風和北京通州以東的東南風導致地面有明顯的風場輻合，同時也對應地面冷暖溫度的交界。將SURF-MESO（圖6b）和SURF-4DVar（圖6c）分別與自動氣象站觀測對比發(fā)現(xiàn)，SURF-4DVar的結果與自動氣象站的實際觀測更為一致，可以更好反映對流觸發(fā)時北京暖中心產生的溫度梯度分布，以及東南海風導致的冷暖溫度分布，而SURF-MESO未能準確模擬出東南海風西進導致的溫度下降。SURF-4DVar（圖7c）也較好顯示了海風鋒向北京移動與城區(qū)輻合線相遇的流場特征，以及東南海風較大風速的空間分布。將該時刻區(qū)域內地面自動氣象站的觀測與兩組試驗的分析場定量檢驗得到，SURF-MESO的地面風速和風向均方根誤差分別是2.3 m/s和42.2°，溫度的均方根誤差為1.0℃；SURF-4DVar使以上均方根誤差分別降低為2.0 m/s、39.3°和0.9℃。從10時30分觀測的近地面溫度和風場（圖6d）可知，此時對流單體逐漸發(fā)展增強，北京通州地區(qū)的冷池強度較強，前方有明顯的風場出流，但陣風鋒前方的溫

圖6 2019年5月17日08時30分 （a—c） 和10時30分 （d—f） 的近地面溫度 （色階，單位：°C） 和風場的分析場（a、d.地面自動氣象站觀測，b、e.SURF-MESO，c、f.SURF-4DVar；黑色直線AB對應圖13的垂直剖面位置）Fig.6 Surface temperature （shaded，unit：°C） and wind vectors （arrows） at 08：30 UTC （a—c） and 10：30 UTC （d—f） 17 May 2019 from （a，d） AWS observations，（b，e） SURF-MESO and （c，f） SURF-4DVar （the black line AB indicates the location of vertical cross section shown in Fig.13）

圖7 2019年5月17日08時30分 （a—c） 和10時30分 （d—f） 的近地面風速大小 （色階，單位：m/s） 和風場的分析場（a、d.地面自動氣象站觀測，b、e.SURF-MESO，c、f.SURF-4DVar）Fig.7 Surface wind speed （shaded，unit：m/s） and wind vectors （arrow） at 08：30 UTC （a—c） and 10：30 UTC （d—f） 17 May 2019 from （a，d） AWS observations，（b，e） SURF-MESO and （c，f） SURF-4DVar

度仍較高。對比模式分析場發(fā)現(xiàn)，SURF-4DVar（圖6f）的近地面溫度和風場更接近實際觀測，尤其是對流單體的冷池強度和前方的暖空氣強度，而SURF-MESO（圖6e）使該冷、暖強度均偏弱。此外，SURF-4DVar的冷池范圍、風場出流和陣風鋒位置也與自動氣象站觀測相近，且能較好反映近地面風速大小的空間分布（圖7f）?？傮w上，SURF-4DVar使區(qū)域內地面風場和溫度的均方根誤差分別降低了0.9 m/s、16.7°和0.3℃。由以上分析可知，相對于地面資料融合，地面觀測與雷達觀測資料的“同時同化”可以明顯提高VDRAS對近地面氣象要素的分析能力，尤其是在近地面溫度和風場快速變化時。

為了定量比較兩組試驗分析場的結果，通過選取對流系統(tǒng)經過的54511地面自動觀測站對長時間序列的模式分析場進行定量統(tǒng)計。54511站位于北京大興區(qū)的最北邊，記錄了對流系統(tǒng)發(fā)展至該區(qū)域導致的氣象要素變化。圖8a的地面2 m氣溫觀測（AWS）顯示，對流單體觸發(fā)前（16日22時—17日08時30分）近地面溫度表現(xiàn)為明顯的日變化，到07時溫度升高到30.3℃，之后一直保持較高的溫度。隨著對流單體的觸發(fā)和發(fā)展加強，10時30分溫度開始急劇下降（幅度8.2℃），之后保持較低溫度（19.5℃）。兩組試驗的結果對比顯示，SURF-4DVar在對流單體觸發(fā)前的地面2 m氣溫與實際觀測更為接近，而且當對流單體增強時，雖然試驗都顯示近地面溫度有下降的趨勢，但SURF-4DVar的溫度下降幅度（8.4℃）和下降時間都更為接近觀測（SURF-MESO的溫度下降幅度為7.7℃）?？傮w上，SURF-4DVar使溫度的均方根誤差和平均絕對誤差均降低0.3℃。從近地面風場的對比（圖8b）可以看出，SURF-MESO在08—10時維持一致偏南風，風速基本不變，并未反映該時段實際風場的變化情況，而SURF-4DVar與觀測的一致性較好，其與觀測均顯示08—09時由偏南風轉為偏西（西北）風，10時逐漸轉為偏東南風，到12時偏東風明顯加強?？傮w上，SURF-4DVar使地面10 m風速的均方根誤差降低0.3 m/s，風向的均方根誤差降低23.4°。可見，SURF-4DVar能夠更細致地反映近地面溫度和風場的變化特征。

圖8 2019年5月17日54511地面自動氣象站觀測和分析場 （a） 近地面溫度 （左縱軸） 及與觀測的溫度差 （右縱軸） 時間序列 （單位：℃）、（b） 風場的時間序列 （全風羽代表4 m/s）Fig.8 （a） Time series of observed and analyzed surface temperature （leftY-axis） and the difference （rightY-axis） between the observations and analysis （unit: ℃），and （b） analyzed wind field （full barb = 4 m/s） at AWS 54511 on 17 May 2019

選取觀象臺的風廓線雷達和秒級探空儀的垂直廓線觀測數(shù)據(jù)進行對比驗證，從00時和12時3.0 km高度以下的觀測和分析場垂直廓線（圖9）可以發(fā)現(xiàn)，SURF-MESO和SURF-4DVar都能較好反映00時低層大氣的溫度和風場變化，兩組試驗的分析結果差異較小，低層為西南風；在對流系統(tǒng)加強后（12時），SURF-4DVar對1.5 km高度以下溫度垂直廓線的分析能力明顯提高，與實際觀測廓線更為接近（圖9b）。此外，SURF-4DVar的風場廓線也有所提高，1 km高度以下的風速和風向都與實際觀測最為接近，為明顯的偏東風，風速約為8 m/s。

圖9 2019年5月17日00時 （a、c） 和12時 （b、d） 的54511探空觀測和分析場溫度 （a、b，單位：℃）、風場 （c、d） 的廓線 （全風羽代表4 m/s）Fig.9 Vertical profiles of 54511 sounding observations and analyzed temperature （a，b；unit：℃） and wind field （c，d）at 00：00 UTC （a，c） and 12：00 UTC （b，d；full barb = 4 m/s） 17 May 2019

利用北京雷達觀測的徑向速度（Vr）對區(qū)域內VDRAS的風場進行均方根誤差統(tǒng)計（圖10）可見，SURF-4DVar使對流發(fā)展前后徑向速度最低6個仰角的平均均方根誤差明顯降低，最低仰角的平均均方根誤差縮小了0.5 m/s。由圖10b可見，對流觸發(fā)前SURF-MESO和SURF-4DVar最低仰角的均方根誤差均接近1 m/s，當對流發(fā)展增強時SURFMESO的均方根誤差明顯增加到6 m/s，而SURF-4DVar的均方根誤差基本為2 m/s左右，顯示了SURF-4DVar的風場更接近雷達觀測的徑向速度。

圖10 2019年5月17日VDRAS分析場和雷達觀測 （a） 最低6個仰角平均的徑向速度均方根誤差和（b） 雷達最低仰角徑向速度均方根誤差的時間序列Fig.10 （a） Root mean square error （RMSE） of radial velocity （Vr） between VDRAS analysis and observations at the lowest six elevation angles and （b） RMSE variation of VDRAS analyzed radial velocity verified at the lowest elevation angle from 07：00 UTC to 13：00 UTC 17 May 2019

以上結果表明，地面觀測與雷達觀測資料的“同時同化”不僅可以改善VDRAS的近地面氣象要素，還可以提高大氣低層三維氣象場的分析能力，通過對大氣低層熱動力特征更細致準確的描述，進一步影響大氣層結的不穩(wěn)定性和對流的發(fā)生、發(fā)展。

圖11、12分別對比了雷達和地面觀測與SURF-MESO和SURF-4DVar在09時起報30 min（即09時30分）和1 h（即10時）臨近預報的組合反射率因子、近地面溫度和水平風場?？傮w上，SURF-4DVar預報的近地面溫度和風場與實際觀測更為接近，其分布特征都有利于對流的發(fā)展加強。與觀測對比發(fā)現(xiàn)，SURF-MESO可以預報30 min后北京通州地區(qū)的對流單體回波，但位置整體偏東北，而且1 h預報的對流逐漸減弱消散；SURF-4DVar對30 min預報的對流單體強度和位置都與實際觀測更接近（圖11c），而且1 h預報的對流仍在發(fā)展加強。因此，地面資料同化還可以通過改善低層氣象要素的預報，進一步提升VDRAS對局地強對流發(fā)展的臨近預報能力。

圖11 2019年5月17日09時起報的30 min （b、c） 和1 h （e、f） 組合反射率因子 （色階，單位：dBz） 預報和雷達觀測 （a、d）（a.09時30分，d.10時，b、e.SURF-MESO，c、f.SURF-4DVar）Fig.11 Composite radar reflectivity （color shaded，unit：dBz） for the 30 min （b，c） and 1 h （d，e） forecasts initialized from 09：00 UTC on 17 May 2019 and for radar observation （a，d）（a.09：30 UTC，d. 10：00 UTC；b，e.SURF-MESO；c，f.SURF-4DVar）

5.3 對流單體局地觸發(fā)的機理分析

上述分析反映了地面資料同化方法可以更好反映VDRAS系統(tǒng)的大氣低層三維氣象要素分析場，在此基礎上進一步探究對流單體局地觸發(fā)的機理。

圖12 2019年5月17日09時起報的30 min （b、c） 和1 h （e、f） 溫度 （色階，單位：℃） 和風場預報 （風矢） 及地面自動氣象站觀測（a、d） （a.09時30分，d.10時，b、e.SURF-MESO，c、f.SURF-4DVar）Fig.12 Surface temperature （shaded，unit：℃） and wind vectors （arrow） for 30 min （b，c） and 1 h （e，f） forecasts initialized from 09：00 UTC on 17 May 2019 and for AWS observation （a，d）（a.09：30 UTC，d.10：00 UTC；b，e.SURF-MESO；c，f.SURF-4DVar）

圖13給出地面資料同化的分析結果沿圖6c中直線AB的垂直剖面。由08—09時依次間隔半小時的擾動溫度、垂直風速、水汽混合比疊加組合反射率因子和風場的垂直剖面可以看出，08時北京城區(qū)和通州交界附近地區(qū)的擾動溫度（0.6—1.2℃）明顯高于周邊，且低層風場有輻合抬升，3 km以下的垂直上升速度約為0.4 m/s；北京以東有沿海地區(qū)帶來的濕冷偏東氣流，2 km以下的水汽含量較高，其前沿有弱抬升，與擾動溫度低值區(qū)（?2.4℃）相對應（圖13a、d、g）。08時30分隨著海風鋒不斷向北京市推進，偏東海風自身的抬升氣流與暖區(qū)產生的輻合上升氣流逐漸靠近，導致垂直上升速度進一步增大（1.0 m/s），觸發(fā)了對流的新生（圖13b、e、h）。09時，冷暖溫度仍對峙，攜帶水汽和上升速度的偏東海風與對流單體碰并，對流強度進一步增強。垂直上升速度加大到6.0 m/s，水汽含量明顯增加到13—14 g/kg，低層冷池強度增強?？梢?，海風鋒輻合線與城市暖區(qū)的相互作用一定程度上影響了北京地區(qū)局地對流的新生和發(fā)展，與其可提供有利的水汽和熱動力不穩(wěn)定條件相關。這也進一步表明，地面觀測資料同化能夠通過更細致準確分析低層大氣的熱動力特征，進而對低層的氣象要素甚至邊界層輻合線的預報產生一定的正反饋作用，一定程度上有助于提高VDRAS對北京地區(qū)局地對流回波的臨近預報能力。

圖13 2019 年5 月17 日08 時 （a、d、g）、08 時30 分 （b、e、h） 和09 時 （c、f、i） 的擾動溫度 （a—c，單位：℃）、垂直速度（d—f，單位：m/s）及水汽含量 （g—i，單位：g/kg） 分析場疊加風場 （垂直速度擴大100倍） 和組合反射率因子 （等值線，dBz）沿圖6中所示直線AB的垂直剖面 （灰色陰影為地形）Fig.13 Vertical cross sections of low level temperature perturbation （a—c，unit：℃），vertical velocity （d—f，unit：m/s） and water vapor content （g—i，unit：g/kg） with wind vectors （arrows，vertical velocity × 100） and composite radar reflectivity （red contour，unit：dBz） along crossline AB shown in Fig.6 at 08：00 UTC （a，d，g），08：30 UTC （b，e，h） and 09：00 UTC （c，f，i） 17 May 2019 （the gray shaded areas denote the terrain across the section）

6 結論與討論

本研究基于雷達資料快速更新四維變分同化（RR4DVar）技術和三維數(shù)值云模式發(fā)展的快速更新雷達四維變分分析系統(tǒng)（VDRAS），通過在系統(tǒng)中新加入地面自動氣象站觀測資料的同化方法，選取2017—2020年夏季發(fā)生在北京地區(qū)的10個強對流個例，對地面資料同化的結果進行了分析和檢驗評估。在此基礎上，針對2019年5月17日強對流過程進一步開展了雷達資料和地面觀測資料的“同時同化”對北京地區(qū)局地強對流新生和增強的模擬和預報研究。

利用風廓線雷達、地基微波輻射計和觀象臺秒級探空儀的垂直廓線觀測數(shù)據(jù)以及區(qū)域內地面自動氣象站的觀測資料分別開展了強對流個例的三維溫度和風的分析場定量檢驗，地面分析場和預報場的定量檢驗。研究結果表明，VDRAS系統(tǒng)的地面資料同化相對于融合方法可以更好地反映強對流天氣過程中低層大氣三維熱動力場的精細結構和快速變化，能更好地反映地面溫度和風場的中小尺度信息，從而提高數(shù)值模式在低層熱力和動力的分析和預報能力。總體上，邊界層1 km高度以下的分析場改善最為明顯，風速和風向的均方根誤差分別平均降低0.1 m/s和7.2°，溫度也有改善（均方根誤差降低0.2℃）。模式最低層100 m高度的風速均方根誤差降低0.5 m/s，風速的誤差隨高度逐漸增大。模式最低層風向的均方根誤差降低15.5°，溫度均方根誤差降低0.4℃，1.5 km高度以下的溫度偏差都減小。地面資料同化使區(qū)域內地面10 m風速和風向的均方根誤差分別平均降低0.2 m/s和10.8°，地面2 m氣溫的偏差也進一步降低。從預報的平均誤差來看，隨著預報時效的延長，區(qū)域內地面溫度和風場的誤差不斷增大，但地面資料同化在一定程度上可以提高1 h內地面氣象要素的預報效果。

選取2019年5月17日北京地區(qū)局地強對流新生和增強的過程，對比分析低層熱動力特征，結果表明，相對于地面資料融合，地面觀測與雷達觀測資料的“同時同化”可以明顯提高VDRAS低層大氣的分析和預報能力。將該結果應用于對流單體局地觸發(fā)機理分析時發(fā)現(xiàn)，海風鋒輻合線與城市的相互作用一定程度上影響了北京地區(qū)局地對流的新生和發(fā)展。海風鋒輻合線充沛的水汽和輻合上升氣流，加上城市暖中心的抬升作用，可提供有利的水汽和熱動力不穩(wěn)定條件。地面資料同化可以通過更細致準確的分析低層大氣三維的熱動力特征，進而改善低層氣象要素的預報，有助于提高北京地區(qū)局地突發(fā)強對流的臨近數(shù)值預報能力。