徐枝芳 吳 洋 龔建東 蔡 怡

1.中國氣象局地球系統(tǒng)數(shù)值預(yù)報中心，北京，100081 2.中國氣象科學(xué)研究院災(zāi)害天氣國家重點實驗室，北京，100081 3.國家氣象中心，北京，100081 4.天津市津南區(qū)氣象局，天津，300350 5.成都信息工程大學(xué)，成都，610225

1 引言

暴雨災(zāi)害在中國頻發(fā)，具有突發(fā)性、強度大等特點，常造成人員傷亡和巨大的經(jīng)濟損失，能否準(zhǔn)確預(yù)報暴雨是社會關(guān)注的熱點之一。暴雨系統(tǒng)多是在多種水平尺度系統(tǒng)相互作用條件下產(chǎn)生的，如導(dǎo)致暴雨產(chǎn)生的各類天氣尺度系統(tǒng)中，大尺度系統(tǒng)為暴雨提供了有利的環(huán)境條件，而中、小尺度系統(tǒng)是造成暴雨的直接系統(tǒng)（陸漢城等，2004）。當(dāng)前，數(shù)值預(yù)報模式是成功預(yù)報暴雨系統(tǒng)的重要技術(shù)支撐。提高數(shù)值預(yù)報模式對暴雨等強對流系統(tǒng)的預(yù)報能力可從兩方面著手，一方面是提高模式分辨率，開發(fā)適合高分辨率模式的物理過程參數(shù)化方案和動力框架，增強模式預(yù)報精度；另一方面是改善模式初始條件，提高模式對中小尺度系統(tǒng)的刻畫能力（Vendrasco，et al，2015）。資料同化利用各種觀測資料能為模式提供一個盡可能準(zhǔn)確的初值，是提高數(shù)值模式預(yù)報技巧的一種有效手段。因此，隨著數(shù)值模式的不斷發(fā)展完善，資料同化為數(shù)值模式提供一個更加精準(zhǔn)的初值場十分重要（陳東升等，2004）。

地面觀測要素均為模式變量，且相對探空等非常規(guī)觀測具有高時、空分辨率，可滿足數(shù)值預(yù)報的快速同化發(fā)展需求，因此地面觀測是快速循環(huán)同化系統(tǒng)的重要資料來源，在數(shù)值模式中所起的作用也愈加顯著。目前中國的2800多個國家級地面自動氣象站均為全要素觀測站，其資料經(jīng)過嚴格質(zhì)量控制可進入數(shù)值模式。由于現(xiàn)有數(shù)值預(yù)報模式還不能準(zhǔn)確地描述大氣地表層的過程，且對起伏地形在模式中的表述（模式采用平均地形）與實際地形并不匹配，模式地形高度與觀測站高度存在明顯的差異，該差異是地面資料同化技術(shù)難點之一。中國地形狀況復(fù)雜，在地面資料同化中不解決這個問題，資料同化有可能帶來負效果（徐枝芳等，2007a，2007b，2009）。近年來，一些研究者在尋找解決這兩種地形高度差異在地面資料同化中產(chǎn)生負影響的方案，如Lazarus等（2002） 在ADAS系統(tǒng) （the ARPS（Advanced Regional Prediction System） Data Analysis System）客觀分析復(fù)雜地形下地面觀測和探空觀測資料時，考慮了高度差異，并在進行分析時所取的客觀分析權(quán)重系數(shù)中不僅包含了水平距離權(quán)重系數(shù)，還增加了模式分析層高度與觀測站地形高度差權(quán)重系數(shù)以及模式地形與實際觀測地形高度差權(quán)重系數(shù)，有效地降低了高度差異在資料客觀分析過程可能帶來的負影響；Devenyi（2003）和Benjamin等（2004）采取氣象要素局地遞減率的方法，將地面觀測要素值由實際地形高度訂正到模式地形高度上，解決地面資料同化中地形差異問題；徐枝芳等（2007a，2007b，2009）在Guo等（2002）方法的基礎(chǔ)上，將地形高度的代表性誤差加入到觀測誤差中，解決郭永潤方法中地形差異問題。張鑫宇等（2021）針對模式與觀測地形高度差異問題，對WRF_DA中的地面資料同化訂正方案進行優(yōu)化，提高地面觀測氣溫及風(fēng)速訂正值的合理性，從而改進預(yù)報。2 m氣溫資料相對而言具有較好的連續(xù)性，而2 m相對濕度資料變化不連續(xù)性增加了同化難度，針對2 m相對濕度同化單獨開展的研究工作非常少。

近年來，中國數(shù)值預(yù)報自主創(chuàng)新發(fā)展取得了顯著進展，建立了以中國氣象局全球同化預(yù)報系統(tǒng)（CMA-GFS）（原GRAPES全球同化預(yù)報系統(tǒng)，GRAPES_GFS）和中尺度天氣數(shù)值預(yù)報系統(tǒng)（CMA-MESO）（原GRAPES區(qū)域中尺度數(shù)值預(yù)報系統(tǒng)，GRAPES_MESO）為核心的數(shù)值預(yù)報業(yè)務(wù)體系（沈?qū)W順等，2020）。CMA-MESO自2006年業(yè)務(wù)化以來，不斷升級改進（徐枝芳等，2013；黃麗萍等，2017；許晨璐等，2017），逐漸取代引進的數(shù)值模式系統(tǒng)（李澤椿等，2014；沈?qū)W順等，2020），在日常天氣預(yù)報中發(fā)揮著越來越重要的作用。到2020年，中國區(qū)域范圍CMA-MESO水平分辨率為3 km，垂直51層，具備了同化雷達、衛(wèi)星等多種非常規(guī)觀測資料的能力，而地面資料中僅地面氣壓（連治華等，2010）、部分2 m相對濕度（觀測站地形高于模式地形部分）參與變分同化，地面降水則是用nudging方法進行同化（吳亞麗等，2015）。通過對中國東部區(qū)域范圍CMA-MESO三維變分同化系統(tǒng)2 m相對濕度同化試驗分析發(fā)現(xiàn)，超過一半2 m相對濕度資料因為觀測站高度低于模式面而不能使用。由于濕度資料是不連續(xù)變化，因此如何把觀測站高度低于模式面的2 m相對濕度資料同化入模式是一大難點。

對邊界層內(nèi)的氣象要素研究（盛裴軒等，2003）發(fā)現(xiàn)，在對流邊界層的主體部分各種氣象要素的梯度都很小，混合層中溫度、濕度和風(fēng)隨高度接近均勻分布。模式系統(tǒng)中相對濕度與高度和穩(wěn)定度是否存在相關(guān)？文中采用T639分析場（T639L60全球中期數(shù)值預(yù)報系統(tǒng)，0.28125°×0.28125°）對2015年夏季（6—8月）華北、長江中下游和華南地區(qū)模式最低層和2 m相對濕度差與理查森數(shù)（判定大氣穩(wěn)定度）的關(guān)系進行統(tǒng)計分析發(fā)現(xiàn)，模式最低層和2 m相對濕度的差與理查森數(shù)有很好的相關(guān)，因此，在該統(tǒng)計結(jié)果基礎(chǔ)上建立CMA-MESO 3DVar系統(tǒng)2 m相對濕度資料同化方案，并采用該系統(tǒng)進行1個月（2018年7月）連續(xù)集成試驗分析，評估同化方案的效果。

2 理查森數(shù)與近地層相對濕度差關(guān)系分析

在白天小風(fēng)少云的天氣下，太陽對下墊面的加熱將導(dǎo)致感熱通量向上的輸送，逐漸形成不穩(wěn)定層結(jié)的邊界層，在不穩(wěn)定層結(jié)中大氣湍流較強。因此，在對流邊界層主體各氣象要素的梯度很小，在中等以上不穩(wěn)定時大氣濕度隨高度變化較小 （盛裴軒等，2003）。文中利用理查森數(shù)作為判定大氣穩(wěn)定度的變量，理查森數(shù)（Ri）為（程麟生，1994）

式中，g為重力加速度，Δz為模式最低層到地面的高度差，θvm為模式最低層的虛位溫，θm為模式最低層位溫，θvo為地面的虛位溫，Um、Vm為模式最低層的風(fēng)場分量。當(dāng)Ri＜0時，為不穩(wěn)定層結(jié)；當(dāng)Ri=0時，為中性層結(jié)；當(dāng)Ri＞0時，為穩(wěn)定層結(jié)。

文中采用T639（T639L60全球中期數(shù)值預(yù)報系統(tǒng)，0.28125°×0.28125°）分析場中等壓面分析最低層（1000 hPa）和2 m相對濕度數(shù)據(jù)?？紤]到中國地面觀測主要分布在中東部地區(qū)，因此統(tǒng)計分析2015年夏季（6、7和8月）華北地區(qū)（35°—45°N，110°—120°E）、長江中下游（28°—35°N，110°—120°E）和華南地區(qū)（22°—28°N，110°—120°E）模式最低層相對濕度和2 m相對濕度差與理查森數(shù)的關(guān)系。表1為不同時間不同地區(qū)大氣不穩(wěn)定度情況的占比，分為2 m相對濕度不低于90%和低于90%兩種情況。4個時次（02、08、14、20時，北京時）分析發(fā)現(xiàn)，白天大氣更不穩(wěn)定，08和14時占比較大，20和02時占比較小。

從表1可見，白天大氣不穩(wěn)定，08和14時2 m相對濕度低于90%占比超過70%，晚上大氣相對穩(wěn)定，不穩(wěn)定情況占比明顯較低，華北和長江中下游地區(qū)占比低于10%。2 m相對濕度低于90%時的大氣不穩(wěn)定占比比不低于90%時高。大氣不穩(wěn)定情況下模式最低層相對濕度和2 m相對濕度的關(guān)系如何？下面以華南地區(qū)為例（其他地區(qū)結(jié)果大體一致）進行分析。

表1 不同時間大氣不穩(wěn)定度所占比例Table 1 Proportions of atmospheric instability at different times

圖1a、c為華南地區(qū)08、14時2 m相對濕度低于90%時模式最低層相對濕度和2 m相對濕度差與理查森數(shù)的散點，此時大氣不穩(wěn)定占比為73.03%（表1）。08和14時2 m相對濕度大于等于90%時（圖1b、d），大氣不穩(wěn)定點數(shù)明顯比低于90%時少（占比38.7%，表1），而20和02時大氣穩(wěn)定情況占比較大（圖1e、f）。當(dāng)理查森數(shù)小于0時，相對濕度差集中在±20%，模式最低層相對濕度和2 m相對濕度比較接近，這和對流邊界層主體各氣象要素的梯度變化很小，在中等以上不穩(wěn)定時大氣濕度隨高度變化較小 （盛裴軒等，2003）結(jié)論大體一致；理查森數(shù)大于0時，模式最低層相對濕度和2 m相對濕度差異則相對比較大。

圖1 華南地區(qū)模式最低層相對濕度和2 m相對濕度差與理查森數(shù)散點（a、b.08時，c、d.14時，e、f.20時，g、h.02時；a、c、e、g.RH＜90%，b、d、f、h.RH≥90%）Fig.1 Differences between relative humidity at the lowest model level and at 2 m height as a function of the Richardson number （a，b.08：00 BT；c，d.14：00 BT；e，f.20：00 BT；g ，h.02：00 BT；a，c，e，g.RH＜90%；b，d，f，h.RH≥90%）

下文依據(jù)理查森數(shù)小于0時模式最低層相對濕度與2 m相對濕度差為±20%（同化系統(tǒng)給的低層觀測誤差）這一關(guān)系，嘗試將觀測站高度低于模式地形高度的2 m相對濕度觀測資料由觀測站高度直接插值到模式最低層高度，以解決2 m相對濕度資料由于模式地形與觀測站地形高度差異而導(dǎo)致不能使用問題。

3 CMA-MESO三維變分同化系統(tǒng)2 m相對濕度同化方案設(shè)計

文中設(shè)計2組試驗方案：（1）CTL試驗：采用系統(tǒng)中原有2 m相對濕度同化方案。當(dāng)觀測站地形高度大于模式地形高度，將地面觀測資料作為高空資料進入同化系統(tǒng)；觀測站地形高度低于模式地形高度時將該觀測站資料進行剔除，不進入同化系統(tǒng)。（2）RH試驗：當(dāng)觀測站地形高度大于模式地形高度，將地面觀測資料作為高空資料進入同化系統(tǒng)；當(dāng)觀測站地形高度低于模式地形高度時，依據(jù)前文公式計算得到背景低層理查森數(shù)，將理查森數(shù)小于0的地面觀測資料高度由觀測站高度處理到模式最低層，然后按照探空濕度同化方式進行同化，理查森數(shù)大于0的地面觀測資料則和CTL試驗一樣做不使用處理。CTL試驗和RH試驗區(qū)別在于觀測站地形高度低于模式地形高度且背景低層理查森數(shù)小于0的地面觀測站資料同化。文中試驗采用的是CMA-MESO 4.4版，模式系統(tǒng)水平分辨率為3 km，垂直不等間距51層，由于計算資源問題，試驗范圍為中國中東部（17°—50°N，102°—135°E）。采用的三維同化系統(tǒng)控制變量為U、V風(fēng)場，地面氣壓（ps），氣溫（T）和假相對濕度（RH*）。同化分析資料為探空報（U，V，T，RH（相對濕度）），地面報（ps，RH），船舶報（ps，RH），飛機報（U，V，T），云導(dǎo)風(fēng)，地基掩星反演可降水量（GPS/PW），雷達速度方位顯示反演風(fēng)廓線（VAD風(fēng)），雷達徑向風(fēng)，風(fēng)廓線雷達風(fēng)，基于云分析系統(tǒng)（朱立娟等，2017）的雷達和衛(wèi)星資料，地面自動氣象站降水nudging同化。試驗為每3 h同化分析24 h預(yù)報，00和12時（世界時）包含一次冷啟動分析預(yù)報和一次暖啟動分析預(yù)報。采用美國國家環(huán)境預(yù)報中心（NCEP） 0.5°×0.5°FNL 6 h預(yù)報場做背景場資料，同化分析預(yù)報試驗時段為2018年7月1—31日，地面觀測資料為國家氣象信息中心收集的國家級地面觀測站逐3 h氣象數(shù)據(jù)。

4 試驗結(jié)果分析

4.1 個例試驗結(jié)果分析

為了分析2 m相對濕度資料同化方案改進前、后的差異，選取2018年7月14日的降水進行個例分析。7月14日00時—15日00時，華北南部、遼寧中東部、吉林中東部、四川盆地西部和北部、華南南部沿海以及海南島等地的部分地區(qū)降大雨到暴雨、局地大暴雨。試驗區(qū)域地面觀測站共計1630個，CTL試驗2 m相對濕度資料的利用率為43.2%，RH試驗資料利用率為88.6%，約為CTL試驗的2倍。從圖2可見，RH試驗增加的觀測資料主要分布在中國地形相對復(fù)雜區(qū)域，且增加的觀測站資料同化后的新息向量（背景減觀測）與周圍CTL試驗原有同化觀測的新息向量接近，新息向量的正負基本保持一致。

結(jié)合圖2、3可知，2 m相對濕度同化對模式最低層的相對濕度分析影響很明顯，2 m相對濕度大的區(qū)域，相對濕度分析增量為正值，2 m相對濕度小的區(qū)域，相對濕度分析增量為負值。低層相對濕度分析增量變化基本在±10%內(nèi)，比2 m相對濕度新息向量的差值略小。RH試驗增加了很多資料，但低層相對濕度分析增量變化不是很大，這可能與圖2中新增觀測資料的新息向量與CTL試驗周圍新息向量的正負基本保持一致、差異不是很大有關(guān)。

從前12 h降水預(yù)報情況（圖4）來看，2組試驗預(yù)報的6 h降水變化很小。對增加觀測資料較多的區(qū)域分析發(fā)現(xiàn)，RH試驗預(yù)報的6 h降水與實況更加接近，虛假降水強度明顯減小（圖4a、d紫色圈內(nèi)），這和相對濕度分析增量減小表現(xiàn)一致，第2節(jié)分析表明，理查森數(shù)小于0時，2 m相對濕度小于90%占比更大，模式最低層相對濕度和2 m相對濕度比較接近，因而新增資料主要是相對濕度小于90%這部分。相對而言，模式低層相對濕度相對高些（圖2中新息向量大于0的觀測站），因此新增同化的2 m相對濕度資料降低了圖4a、d中紫色圈附近模式低層相對濕度分析，使得虛假降水減少或消失。

圖2 2018年7月14日同化2 m相對濕度的新息向量分布 （a.CTL試驗，b.RH試驗；單位：%）Fig.2 Distributions of 2 m relative humidity innovation （background minus observation） for 14 July 2018（a.CTL experiment，b.RH experiment；unit：%）

圖3 模式最低層相對濕度分析增量 （a.CTL試驗，b.RH試驗與CTL試驗差；單位：%）Fig.3 Relative humidity analysis increments at the lowest model level（a.CTL experiment，b.difference between RH experiment and CTL experiment；unit：%）

圖4 2018年7月14日6 h累計降水 （單位：mm） 分布 （00—06時：a.CTL，b.RH，c.實況； 06—12時：d.CTL，e.RH，f.實況）Fig.4 6 h accumulated rainfall （unit：mm） from 00：00 to 06：00 UTC 14 July，2018 （a.CTL，b.RH，c.observation） and from 06：00 to 12：00 UTC 14 July 2018 （d.CTL，e.RH，f.observation）

降水常采用TS（Threat Score）、ETS（Equitable Threat Score）和Bias（Bias score）分析（韋青等，2020）。ETS評分是由TS評分改進而來，ETS和TS值越大，Bias值越接近1，表示對降水的預(yù)報越準(zhǔn)確。根據(jù)24 h降水量劃分為小雨[0.1 mm，10 mm）、中雨[10 mm，25 mm）、大雨[25 mm，50 mm）、暴雨[50 mm，100 mm）和大暴雨[100 mm，∞）5個量級，6 h降水量劃分為小雨[0.1 mm，4 mm）、中雨[4 mm，13 mm）、大雨[13 mm，25 mm）、暴雨[25 mm，60 mm）和大暴雨[60 mm，∞）5個量級。

從24 h降水檢驗結(jié)果（圖5）來看，RH試驗降水預(yù)報明顯改善，除大雨外其他量級降水TS評分都比CTL試驗高，所有量級降水預(yù)報的Bias結(jié)果都優(yōu)于CTL試驗。

圖5 2018年7月14日00時預(yù)報24 h累計降水檢驗結(jié)果 （a.TS，b.Bias）Fig.5 TS and Bias values of 24 h accumulated rainfall simulated in the experimental region at 00：00 UTC 14 July 2018（a.TS，b.Bias）

4.2 連續(xù)試驗結(jié)果分析

在個例分析基礎(chǔ)上，開展連續(xù)試驗進行效果評估。由于多次循環(huán)同化會導(dǎo)致00和12時暖啟動同化分析的背景場不一致，因此同化分析資料數(shù)量變化和分析場差異結(jié)果取自冷啟動分析試驗。從2018年7月1—31日00和12時2 m相對濕度資料參與同化分析資料數(shù)量（圖6）可見，RH試驗在不同高度上（依據(jù)觀測站氣壓進行分類統(tǒng)計，大體代表不同地形高度）均有所增多，且低層高于高層，00時高于12時，這與第2節(jié)采用T639分析場分析理查森數(shù)小于0時，08時（北京時）資料占比高于20時（北京時）結(jié)果是一致的。

圖6 2018年7月1—31日三維變分同化系統(tǒng)中不同高度同化分析2 m相對濕度資料數(shù)量隨時間變化（a.CTL試驗，b.RH試驗）Fig.6 Time-dependent amount of 2 m relative humidity data used in 3Dvar system at different heights 1 to 31 July 2018（a.CTL experiment，b.RH experiment）

從2 m相對濕度新息向量以及分析殘差（分析減觀測）的垂直剖面偏差和均方根誤差（RMSE）（圖7）可見，2 m相對濕度新息向量在高層偏差為負，低層偏差為正，分析殘差表現(xiàn)大體與新息向量一致，但偏差絕對值明顯變小，且均方根誤差也減小。RH試驗新息向量和分析殘差偏差及均方根誤差明顯改善，正、負偏差的大值區(qū)絕對值減小，同時均方根誤差大值區(qū)減小。

圖7 2 m相對濕度新息向量 （a—d） 和分析殘差 （e—h） 垂直剖面的偏差 （a、b、e、f） 和均方根誤差 （c、d、g、h）（a、c、e、g.CTL，b、d、f、h.RH；單位：%）Fig.7 Vertical cross sections of Bias （a，b，e，f） and RMSE （c，d，g，h） of 2 m relative humidity innovation（a—d） and residual analysis（e—h） （a，c，e，g.CTL；b，d，f，h.RH；unit：%）

由以上分析可知，RH試驗通過增加2 m相對濕度同化資料數(shù)量，分析殘差的偏差和均方根誤差大值區(qū)的值明顯減小，有效改進了數(shù)值模式初始分析場。圖8和9是冷啟動和暖啟動兩種情況下中國中東部區(qū)域24 h降水檢驗結(jié)果。與CTL試驗相比，RH試驗00時冷啟動除大雨外，其他量級降水ETS評分略有提高，偏差減小并接近1。00時暖啟動除小雨ETS評分略有下降外，中雨、大雨、暴雨ETS評分均有所增大，偏差在小雨和中雨相當(dāng)，大雨以上量級則減小。由此可見，改進的2 m相對濕度資料同化方案能提高降水預(yù)報技巧。

圖8 2018年7月1—31日00時 （世界時） 冷啟動24 h累計降水檢驗結(jié)果（a.ETS，b.Bias）Fig.8 ETS （a） and Bias （b） values of 24 h accumulated rainfall simulated in the experimental region for the period from 00：00 UTC 1 to 00：00 UTC 31 July 2018 with cold start

從00時冷、暖啟動6 h降水檢驗ETS評分（圖10、11）來看，冷啟動時RH試驗對前6 h降水預(yù)報影響較大，各量級降水ETS評分均有明顯提升，隨著預(yù)報時效延長，對降水的影響逐漸減弱，小雨和中雨基本處于弱的正影響，大雨（13 mm）以上量級的ETS則有些下降，與前面分析的個例結(jié)果一致，即RH試驗增加的資料主要是相對濕度低于90%部分，對大雨量級以上的降水正影響小。RH試驗每3 h同化都有新的2 m相對濕度資料增加，不斷改進模式的分析和預(yù)報效果（冷啟動結(jié)果顯示前6 h基本為正貢獻），因而RH試驗暖啟動試驗逐6 h降水ETS評分檢驗基本表現(xiàn)為弱的正貢獻（大部分量級降水ETS評分在各時段都有所提高）。6 h降水檢驗偏差（圖略）表現(xiàn)與24 h降水檢驗表現(xiàn)相似，冷啟動時2組試驗偏差差異明顯，RH試驗偏差更接近1，而暖啟動時2組試驗無明顯差異。

續(xù)圖7Fig.7 Continued

圖9 同圖8，但為2018年7月2—31日00時 （世界時） 暖啟動結(jié)果Fig.9 Same as Fig.8 but for the period from 00：00 UTC 2 to 00：00 UTC 31 July 2018 with warm start

圖10 2018年7月1—31日00時 （世界時） 冷啟動逐6 h累計降水ETS評分檢驗結(jié)果（a.00—06時，b.06—12時，c.12—18時，d.18—00時）Fig.10 ETS values of 6 h accumulated rainfall simulated in the experimental region for the period from 00：00 UTC 1 to 00：00 UTC 31 July 2018 with cold start（a.00：00—06：00，b.06：00—12：00，c.12：00—18：00，d.18：00—00：00）

圖11 同圖10，但為2018年7月2—31日00時 （世界時） 暖啟動結(jié)果Fig.11 Same as Fig.10 but for the period from 00：00 UTC 2 to 00：00 UTC 31 July 2018 with warm start

5 結(jié)論與討論

中國地面觀測資料的站點分布密集、觀測頻率高、資料實時性強，能很好地反映邊界層內(nèi)大氣的動力和熱力變化，是高分辨率模式同化分析的重要資料之一，但由于模式地形與觀測站地形高度差異的影響，地面觀測資料在數(shù)值模式中的應(yīng)用還不夠充分。文中分析了2015年6—8月T639（0.28125°×0.28125°）分析場中低層相對濕度和2 m相對濕度差與理查森數(shù)的關(guān)系，依據(jù)分析結(jié)果在CMA-MESO三維變分同化系統(tǒng)中建立解決模式與觀測站地形高度差異負影響的2 m相對濕度同化方案，并進行1個月（2018年7月）連續(xù)數(shù)值試驗評估新2 m相對濕度同化方案效果。得到以下主要結(jié)論：

（1）當(dāng)理查森數(shù)小于0時，相對濕度隨高度變化較小，模式低層相對濕度與2 m相對濕度的差在模式低層相對濕度同化觀測誤差（±20%）范圍內(nèi)。08和14時（北京時）理查森數(shù)小于0的占比高于20和02時（北京時）。2 m相對濕度小于90%時的大氣不穩(wěn)定占比比大于等于90%時高。

（2）個例和批量試驗同化分析結(jié)果表明，新2 m相對濕度同化方案應(yīng)用后同化分析2 m相對濕度資料數(shù)量明顯增多，低層多于高層，08時高于20時（北京時），新息向量和分析殘差偏差絕對值和均方根誤差均減小。

（3）個例和批量試驗降水結(jié)果分析顯示，新2 m相對濕度同化方案方法對降水預(yù)報技巧有改善，ETS（TS）評分提高，Bias值減小，冷啟動預(yù)報對前6 h預(yù)報降水改善更為明顯，暖啟動預(yù)報由于不斷增加觀測資料，新的2 m相對濕度同化對24 h時段內(nèi)每6 h降水預(yù)報都有改善，影響時效明顯長于冷啟動預(yù)報。

致 謝：感謝國家氣象中心王瑞春博士、陳炯博士在同化方案實現(xiàn)過程中給予的幫助。