雷达径向风同化中稀疏化方式对强降水预报的影响

  • 李英华 , 1, 2 ,
  • 邱晓滨 , 1, 2 ,
  • 王颖 3 ,
  • 董琪如 1, 2 ,
  • 王雪莲 1, 2 ,
  • 刘丽丽 1, 2
展开
  • 1. 天津市海洋气象重点实验室,天津 300074
  • 2. 天津市气象科学研究所,天津 300074
  • 3. 天津市气象台,天津 300074
邱晓滨(1982 -), 男, 天津人, 研究员, 主要从事资料同化研究. E-mail:

李英华(1981 -), 女, 青海乐都人, 高级工程师, 主要从事数值模拟及雷达资料同化研究. E-mail:

收稿日期: 2024-12-30

  修回日期: 2025-07-01

  网络出版日期: 2026-01-26

基金资助

国家重点研发计划项目(2023YFC3007700)

天津市海洋气象重点实验室开放基金项目(2023TKLOM02)

中国气象局水文气象重点开放实验室开放研究课题(23SWQXM004)

中国气象局复盘总结专项(FPZJ2025-005)

The Impact of Thinning Method in Radar Radial Wind Assimilation on Heavy Rainfall Forecasting

  • Yinghua LI , 1, 2 ,
  • Xiaobin QIU , 1, 2 ,
  • Ying WANG 3 ,
  • Qiru DONG 1, 2 ,
  • Xuelian WANG 1, 2 ,
  • Lili LIU 1, 2
Expand
  • 1. Tianjin Key Laboratory for Oceanic Meteorology,Tianjin 300074,China
  • 2. Tianjin Institute of Meteorological Science,Tianjin 300074,China
  • 3. Tianjin Meteorological Observatory,Tianjin 300074,China

Received date: 2024-12-30

  Revised date: 2025-07-01

  Online published: 2026-01-26

Copyright

© Editorial Department of Plateau Meteorology (CC BY-NC-ND)

摘要

同化稀疏化处理后的雷达径向风资料有助于提升模式对短时降水的预报能力, 但稀疏化方式影响得到的雷达径向风超级观测分布特征, 进而影响同化及预报效果。本文基于一次华北区域暴雨天气过程, 对雷达径向风观测资料开展两组不同单元格分辨率(改变径向间距或方位角间隔)的稀疏化, 并进行同化模拟试验, 探讨雷达径向风稀疏化方式对暴雨预报的影响。结果表明: 改变稀疏化单元格的径向间距或方位角间隔, 均使超级观测极值及出现位置发生变化, 进而影响急流强度和位置, 径向间距还通过影响超级观测极值出现的高度, 进一步影响急流高度, 且对获得的资料量和同化分析误差影响相对显著。同化不同分辨率的径向风超级观测对风场的调整相似, 均能增加河北中南部切变线的气旋性和山东中部低空急流中的偏南分量, 而超级观测的分辨率主要影响气旋性切变的曲率和南风急流的强度。对降水预报, 同化雷达径向风超级观测可提升模式前6 h降水预报的整体性能, 尤其是对25 mm以上强降水的捕捉能力, 同时对24 h小雨和中雨量级的降水有更好的评分, 并能抑制部分虚假降水预报; 当采用的径向风超级观测分辨率较高时, 12 h内的强降水预报性能提升显著。降水的预报技巧、 空报率和命中率对稀疏化中的径向间距变化更加敏感, 而方位角间隔的变化对预报偏差影响相对显著。

本文引用格式

李英华 , 邱晓滨 , 王颖 , 董琪如 , 王雪莲 , 刘丽丽 . 雷达径向风同化中稀疏化方式对强降水预报的影响[J]. 高原气象, 2026 , 45(2) : 585 -598 . DOI: 10.7522/j.issn.1000-0534.2025.00082

Abstract

Assimilation of thinned radar radial wind data can help improve the model's forecasting capability for short-term precipitation.However, the thinning method affects the distribution characteristics of the radar radial wind super-observations(SOs), which in turn affects the assimilation and prediction results.This study investigates the impact of radar radial wind thinning method on rainfall forecasting through sensitive experiments.Based on a heavy rain event in North China, two experimental groups were conducted, employing radar radial wind SOs with varying grid resolutions (by altering radial spacing or azimuthal interval).The results show that changing the radial spacing or azimuthal interval of super-observation box alters the extremes of the SOs and their locations, thereby influencing both the intensity and position of the jet stream.The radial spacing additionally affects the jet height by influencing the altitude at which the extremes of the SOs occur, and it has a relatively significant impact on the quantity of data obtained and the analysis error.The assimilation of radial wind SOs with different grid resolution similarly adjusts the wind field, which can increase the cyclone of the shear line in central and southern Hebei and the southerly component of the low-level jet in central Shandong.The grid resolution of the SOs mainly affects the curvature of the cyclonic shear and the intensity of the southerly jet.For precipitation forecasting, assimilation radar radial wind SOs can improve the overall performance of precipitation forecasts for the first 6 h of the model, particularly in capturing heavy precipitation events exceeding 25 mm.Meanwhile, it provides better scores for 24 h forecasts of light and moderate rainfall and can restrain some false precipitation forecasts.When a higher resolution of radial wind SOs is adopted, the forecasting performance for heavy precipitation within 12 h improves significantly.The threat score, false alarm ratio, and probability of detection (POD) of precipitation are more sensitive to changes in radial spacing during thinning, while variations in azimuthal interval have a relatively more pronounced impact on forecasting bias.

1 引言

雷达观测资料能够提供强对流系统内部三维结构信息, 同化应用能补充和修正中尺度气象模式初始中小尺度特征, 是提高强对流天气数值预报水平的有效途径(孙娟珍等, 2016)。雷达径向风同化分为风廓线或者水平风场进行间接同化(马清云等, 2001; Lindskog et al, 2004; Qiu et al, 2013)和利用变分(3DVar/4DVar)、 集合卡尔曼滤波(Ensemble Kalman Filters, EnKF)、 集合-变分混合(Hybrid)等方法直接同化, 相对来说直接同化雷达径向风后初始风场中的中小尺度特征更明显(闵锦忠等, 2007), 在暴雨、 飑线、 龙卷等强对流天气预报中, 利用3DVAR方法同化雷达径向风观测资料后, 修正了近地面到对流层顶的初始风场, 使得对流系统低层的中小尺度特征得到加强, 积分开始后调整了水汽场, 进而改善了强降水预报(盛春岩等, 2006陈锋等, 2019沈艳秋等, 2021Dong et al, 2022); 在增加“流依赖”误差分布特征的4DVar同化试验中, 得到比3DVar同化更接近实况的分析场, 预报的虚假降水也得到有效抑制(Sun and Wang, 2013)。长时间序列同化对比试验评估显示(陈敏等, 2014), 同化雷达径向风能明显提升模式对短时降水的预报能力。
高时空分辨率的雷达径向风观测中包含许多微小尺度的运动信息, 同化所有数据会增加模式噪音, 一般采用稀疏化方式将雷达观测资料处理成密度与模式格距相当的超级观测(Super-Observation, SO)。一类方法(Simonin et al, 2014)是利用模式模拟径向风与观测的偏差来修正原始观测数据, 同化应用后发现对降水预报偏差减小幅度小; 更常用的方法是对观测数据在预定义区域内进行平均(Zhang et al, 2009Weng and Zhang, 2012Bick et al, 2016Waller et al, 2019郑淋淋等, 2019), 这些方法算法类似, 但在平均区域的选择上存在较大差异。Salonen et al(2009)评估了径向风SO处理中参数设置对同化的影响, 发现设置不同的方位角间隔时分析误差显著不同。Lippi et al(2019)Wang and Pu(2021)对NCEP业务版本的径向风稀疏化方法(Alpert and Kumar, 2007)进行了优化, 发现对流尺度模式预报对同化径向风的处理方法具有敏感性。Feng et al(2020)研究发现将雷达观测投影到模式水平网格稀疏化得到空间均匀的SO, 能有效改进台风路径、 强度的分析和预报。Ridal et al(2023)发现径向风和反射率的稀疏化方式会影响他们的联合同化效果。以上研究表明不同的径向风稀疏化得到的SO具有不同的特性, 同化效果也有差异, 且同化模式的分辨率也有其自身的要求。
目前国内数值研究和业务中同化雷达径向风时, 一般采用给定分辨率跳点采样(李媛等, 2011张晓辉等, 2016)或将径向风资料插值到模式格点上(王洪等, 2015王越亚和邵爱梅, 2016曹倩等, 2022游婷等, 2023)。然而, 跳点采样方式人为去除了大量有效观测信息, 并在一定程度上存在随机观测误差; 插值到模式格点会平滑低层数据, 不能很好地反映强对流天气发生时低层大气的实际状态(马昊等, 2016慕熙昱等, 2019)。以往研究大多侧重于雷达径向风同化方法的研究, 较少探讨径向风稀疏化及对中尺度模式同化和预报的影响。基于此, 本文利用GSI同化系统和WRF模式, 选取华北地区一次区域暴雨天气过程, 开展径向风SO的同化及模拟试验, 研究不同稀疏化方式得到的径向风SO特征及对暴雨预报的影响。

2 数据来源与方法介绍

2.1 数据来源

研究中同化的资料有常规观测资料和多普勒雷达径向风资料。常规资料同化要素为地面温度、 湿度、 风速和高空风速, 多普勒雷达基数据为天津市信息中心提供的模拟区域45部不同型号的雷达观测资料, 包括京津冀、 内蒙古、 山东等地区的雷达观测站点, 同化前对雷达径向风观测资料在常规质量控制(去除孤立点、 谱宽检验、 速度退模糊等)的基础上, 采用下文介绍的方法进行稀疏化生成雷达径向风超级观测(SO)数据。
此外, 研究中还使用华北地区加密自动气象站观测资料, 欧洲中期天气预报中心的0.25°×0.25°逐小时再分析资料(European Centre for Medium-Range Weather Forecasting Reanalysis, ERA5)。其中自动站观测的降水和风用来分析选取暴雨个例的实况特征和检验模式模拟结果, ERA5资料用来描述暴雨天气过程的天气尺度环流。文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS(2022)4312中的中国地图制作, 底图无修改。

2.2 径向风稀疏化方法

为平衡雷达观测数据密度(1°×250 m)和区域数值模式分辨率(3 km), 减少观测数据中冗余信息和噪声, 本文在雷达坐标面上对径向风观测数据进行给定单元格内平均生成模式同化应用的SO(图1)。为确保一个良好的平均, 并最小化相邻两个SO的水平相关性, 设置构建一个SO最少需要50个有效观测, 每个原始数据仅影响一个SO, 并将最大径向距离设为100 km以确保返回的雷达波束有效。由于本文采用的同化系统(见下文)中同化雷达径向风时没有考虑垂直运行, 为排除高扫描仰角观测对分析的影响, 最大仰角设为4.3°。具体过程如下:
图1 雷达径向风稀疏化示意图 圆点为质量控制后的径向风观测值, R为径向间距、 Ф为方位角间隔, 均称为稀疏化单元格分辨率, 文中也称为SO的分辨率

Fig.1 Schematic illustration of radial wind thinning.The dots represent radial wind observations which have been subjected to quality control.R is the range bin spacing, Φ is the azimuthal averaging, Both are referred to as sparse cell resolution, also known as SO grid resolution in the paper

(1) 原始观测数据检查。剔除原始观测中涉及噪音(小于2 m·s-1)、 模糊速度(大于70 m·s-1)和可能引起单元格内大的风传播(与雷达距离小于4 km)的观测数据。
(2) 创建单元格。将雷达观测锥面空间, 按照设定的方位角间隔和径向间距(如: 5°×5 km)划分成多个小单元格(bin), 为减少bin发散, 如果bin内某个观测值与空间均值的偏差超过所有观测值标准差的两倍, 则剔除该观测数据。
(3) 单元格筛选。剔除少于50个有效观测值的bin。
(4) 单元格质量控制。剔除标准差超过所有bin标准差平均值两倍的bin。
(5) 创建超级观测数据。对bin内所剩观测求平均, 得到稀疏化后的观测, 称之为径向风SO。
对每个仰角均重复上述操作, 从而完成雷达一个体扫观测数据的稀疏化。

3 暴雨个例与同化试验

3.1 暴雨个例

2020年8月12 -13日华北地区发生了一次暴雨天气过程。12日05:00(北京时, 下同)降水开始影响河北南部并向北发展, 移动过程中降水强度阶段性减弱, 16:00降水在河北中部再次加强, 并逐渐分裂为两个降水中心, 分别向北影响北京和向东北影响天津, 13日08:00降水减弱自河北东北部地区移出。此次降水过程强度大、 影响范围广、 持续时间长, 区域内1257个自动站累积降雨量超过50 mm, 其中231个站超过100 mm; 雨带移动过程中多站出现小时雨强大于60 mm·h-1的短时强降水, 最大雨强为134.2 mm·h-1
形势场分析表明暴雨是在高空槽东移发展和副高南撤过程中, 低层气旋式切变加强并逐渐形成的中尺度涡旋系统直接影响产生的。12日08:00上游高空槽位于河套地区, 副热带高压588 dagpm线北抬到渤海西岸至河南中部一带, 华北地区受副高边缘暖湿偏南气流影响, 偏南风低空急流位于山东中西部地区[图2(a)]; 随着高空槽东移并持续加强, 副高缓慢南撤, 高层西南风风速加大, 低空低涡及切变往北推进, 前侧偏南风和东风的切变辐合加强, 至20:00移动至河北保定地区, 东南急流达到16 m·s-1图2(b)]。地面华北地区受低压倒槽控制, 槽内风场辐合区形成的中尺度涡旋系统北上演变过程中受东侧偏东风辐合的影响再次加强, 20:00涡度达到12×10-5 s-1图2(c)], 随后分裂为两个中心分别影响北京和天津。
图2 2020年8月12日08:00 (a)和20:00 (b)位势高度场(等值线, 单位: dagpm)与风场(风羽, 单位: m·s-1, 阴影为低空急流)及20:00流场与涡度(阴影, 单位: ×10-5 s-1) (c)

Fig.2 The geopotential height (contour lines, unit: dagpm) and wind field (barb, unit: m·s-1, shading is low-level jet stream) at 08:00 (a) and 20:00 (b), the flow field and vorticity (shading, unit: ×10-5 s-1) at 20:00 (c) on August 12, 2020

3.2 同化试验

本文采用GSI-3DVAR V3.7(Gridpoint Statistical Interpolation)和WRF4.2.1(Weather Research and Forecasting)进行资料同化和数值模拟试验。模式设置两重单向嵌套, 中心为39.5°N, 117°E, 水平分辨率分别为9 km和3 km, 东西向和南北向的格点数为421×361、 592×496, 模式层顶为50 hPa, 垂直分为51层, 采用混合垂直坐标, 初始场和侧边界使用GFS(Global Forecast System)模式提供的逐3 h的0.5°×0.5°的预报场。研究中采用WSM6微物理方案、 RRTMG长波/短波辐射传输方案、 YSU边界层方案、 修正的Monin-Obukhov近地层方案和Noah陆面方案, 9 km区域采用Kain-Fritsch积云参数化方案, 3 km区域不使用积云参数化方案。为考察同化雷达径向风SO对初始场和降水预报的直接影响, 冷启动积分6 h后, 从12日08:00在控制试验(CTL试验, 仅同化常规资料)的基础上, 小区域同化华北区域雷达径向风SO数据后开始积分, 预报时效24 h, 时间步长为45 s。
为探讨雷达径向风SO分辨率对数值模式同化和预报的影响, 以稀疏化单元格分辨率5°×5 km为参考试验, 在此基础上设置两组改变单元格分辨率的稀疏化方案(表1), 并开展同化相应SO的数值试验。第一组试验(del_r)改变稀疏化单元格的径向间距(R), 即在方位角为5°时, R从5 km到10 km变化, 间隔1 km, 设有5个数值试验, 第二组试验(del_a)改变稀疏化单元格的方位角间隔(Ф), 即在径向间距5 km时, Ф从5°到10°变化, 间隔1°, 设有5个数值试验。
表1 雷达径向风稀疏化方案

Table 1 Radar radial wind thinning schemes

组名 试验名称 径向间距/km 方位角间隔/(°)

目的

试验

参考组 参考试验 del_ra5 5 5 分析RФ变化影响的基础试验
第一组 del_r del_r6 6 5 分析径向间距R变化对SO的影响
del_r7 7
del_r8 8
del_r9 9
del_r10 10
第二组 del_a del_a6 5 6 分析方位角间隔Ф变化对SO的影响
del_a7 7
del_a8 8
del_a9 9
del_a10 10

4 雷达径向风超级观测特征

4.1 径向风实况分析

为分析稀疏化单元格分辨率对生成雷达径向风SO的影响, 选取同化时刻12日08:00降水回波附近的邯郸雷达站观测数据, 对比分析两组稀疏化方案得到的雷达径向风SO的特征, 为与SO仰角层保持一致, 实况选取质量控制后的0.5° -4.3°仰角层的资料。从雷达径向风分布情况看, 各仰角高度层径向风有相似的分布特征[图3(a)], 均表现为邯郸站以南为吹向雷达方向的负速度区, 有明显的东南风入流, 台站以北为吹离雷达方向的正速度区, 出流风速明显较小。其中, 1.5°仰角高度层风场特征更加明显, 正速度最大值为13.5 m·s-1, 高度在1500~1585 m, 位于站点的东北侧, 负速度最大值为18.5 m·s-1, 高度在746~856 m, 位于站点的东南侧。
图3 2020年8月12日08:00邯郸站1.5°仰角层雷达径向风观测和各试验的SO分布(单位: m·s-1)(a)实况, (b)del_a7, (c)del_a9, (d)del_ra5, (e)del_r7, (f)del_r9

Fig.3 Radar radial wind observations and SO distribution from each experiments at 1.5°elevation of Handan at 08:00 August 12, 2020.Unit: m·s-1.(a) observations, (b) del_a7, (c) del_a9, (d) del_ra5, (e) del_r7, (f) del_r9

4.2 超级观测特征

从del_r组试验稀疏化前后雷达资料的数据量(表2)中可以看出, 稀疏化后数据量大幅度减少, 可下降2~3个数量级, 且随着R的增加, 得到的SO数量逐渐减少, 从R为5 km时的6444个减少到R为10 km时的3492个; 垂直方向上各稀疏化试验均表现为随观测仰角增加, 生成SO数量逐渐减少; del_a组试验稀疏化后的SO数量变化特征与del_r组试验相同, 从Ф为5°时的6444个减少到Ф为10°时的3450个(表略)。
表2 del_r组雷达径向风资料稀疏化前后的数量

Table 2 The quantity of radar radial wind data before and after thinning in the del_r experiments

仰角/(°)

质控后的

资料量/个

稀疏化后的资料量/个
R: 5 km R: 6 km R: 7 km R: 8 km R: 9 km R: 10 km
合计 609993 6444 5521 4860 4527 3843 3492
0.5 135829 1315 1121 982 914 776 706
1.5 123246 1304 1119 983 914 776 705
2.4 118883 1281 1102 975 908 772 701
3.3 117683 1286 1099 966 901 763 693
4.3 114352 1258 1080 954 890 756 687
为与实况对比, 选取1.5°仰角层的SO特征进行分析。SO的水平分布显示(图3), 稀疏化后的SO仍保持原始雷达资料的分布特征, 但风场更加平滑, 且填补了部分数据稀疏处的空白; RФ的变化分别影响径向或切向数据的疏密程度。从正负速度极值大小、 出现高度和位置来看(图4), del_r组试验的中高层正速度大值在11.1 m·s-1(del_ra5)和10.7 m·s-1(del_r9)之间变化, 速度差为0.4 m·s-1, 出现高度则由3168.9 m(del_ra5)逐渐降低到3077.3 m(del_r10), 高度差为91.6 m, 出现位置在R为9 km及以上时略向西移动; 中低层负速度的最大值在18.1 m·s-1(del_ra5)和17.8 m·s-1(del_r9)之间变化, 速度差为0.3 m·s-1, 出现高度则在1545.8~1711.1 m之间变化, 高度差为165.3 m, 位置在南北向变化。del_a组试验中高层正速度大值在10.5 m·s-1(del_a9)和11.9 m·s-1(del_a6)之间变化, 速度差为1.4 m·s-1, 出现高度均为3168.9 m; 中低层负速度大值在18.1 m·s-1(del_ra5)和17.9 m·s-1(del_a10)之间变化, 速度差为0.2 m·s-1, 出现高度均为1632 m, 正负速度的大值位置均在东西向变化。
图4 2020年8月12日08:00邯郸站1.5°仰角层两组SO的极值(a)及出现高度(b)和位置(c)

Fig.4 The maximum values (a), as well as the height (b) and position (c) of the two groups of SO at the 1.5° elevation of Handan on 08:00 August 12, 2020

综上可知, 同一仰角层上SO的正负速度最大值均比实况低, 出现高度较实况高; 稀疏化单元格分辨率Ф变化影响极值大小和位置, 且对正速度大值和出现位置影响相对显著, R变化则对极值大小、 出现高度和位置均有影响, 这是由于改变R时稀疏化单元格中样本数据的高度发生变化造成。结合风场分布, 以上分析进一步反映Ф变化影响急流的强度和位置, R变化对急流的强度、 位置及高度均有影响。

5 同化及预报结果分析

5.1 初始分析误差

对比两组试验同化径向风SO的数据量(图略), 发现del_a组试验进入同化系统的资料量较del_r组试验多, 其中del_a6试验同化的SO最多; 垂直方向上同化的SO主要集中在600 hPa以下, 其中900~800 hPa层同化的SO占45%~48%。
基于每个SO的OMB(观测减背景场, 背景场为CTL试验的初始场)或OMA(观测减分析场, 分析场为同化雷达径向风SO的初始场)计算同化前后的总体误差, 可以看出两组试验同化后均方根误差(RMSE)减小幅度较大[图5(a)], del_r组试验同化前RMSE在1.86~2.02 m·s-1, 同化后在0.71~0.77 m·s-1, 减少61.05%~62.12%; del_a组试验同化前RMSE在2.01~2.03 m·s-1, 同化后在0.77~0.79 m·s-1, 减少60.70%~61.88%。偏差为量级较小的负偏差[图5(b)], del_r组试验同化前偏差在-0.05~-0.02 m·s-1, 同化后组内各试验偏差均有变化; del_a组同化后del_a9试验偏差增大, 其余试验偏差不变。误差的垂直分布看出[图5(c)~(f)], 同化后两组试验各层的RMSE均明显减小; 偏差变化均表现为低层(900 hPa以下)为正偏差, 同化后偏差减小, 900 hPa高度以上为负偏差, 同化后900~800 hPa高度层偏差增大, 800 hPa高度以上偏差减小, 总体上偏差量级仅为0.01。对比分析看出del_r组试验的RMSE和偏差较del_a组试验小, 但R的变化对SO数量和同化前后的RMSE、 偏差影响相对显著。
图5 两组试验同化前后OMB(实线)和OMA(虚线)的均方根误差及偏差 (a)平均均方根误差, (b)平均偏差, (c, d)del_r组均方根误差和偏差的垂直分布, (e, f)del_a组均方根误差和偏差的垂直分布

Fig.5 Root mean square error (RMSE) and bias from the SO minus background (OMB, solid lines) and observation minus analysis (OMA, dashed lines) of two groups experiment before and after data assimilation.(a) mean RMSE, (b) mean bias, (c, d) vertical distribution of RMSE and bias in the del_r group, (e, f) vertical distribution of RMSE and bias in the del_a group

5.2 初始风场调整

从8月12日08:00各试验850 hPa的风场和高度场(图6)可以看出, 受副高外围偏南风影响, CTL试验在河北南部存在东南风急流中心, 风速达14 m·s-1, 在急流前侧形成切变线, 沿着切变线存在较强的辐合; 山东地区存在偏南风急流, 其中西侧南风急流中心速度达14 m·s-1, 东侧东南风急流区较强, 中心风速达16 m·s-1。同化雷达径向风SO后, 两组试验风场分布相似(以del_ra5试验说明), 均体现为河北中部以偏东风为主, 南部东南风速减小2~4 m·s-1, 且与偏东风形成气旋性切变; 山东地区西侧南风急流面积增大、 强度增强, 中心风速达16 m·s-1, 东侧东南风急流面积缩小、 强度减弱至中心风速14 m·s-1, 其风场和急流分布更接近实况[图2(a)]。对比两组试验发现同化SO的径向分辨率(R)增大到6 km(del_r6试验)时, 山东地区南风急流区向北伸展至河北南部, 面积和强度进一步增强, 东南风急流区则变窄; R继续增大时, 南风急流区面积和强度表现为先减弱、 后增强, 且和东南风急流区出现断裂, 其中R为8 km时急流面积和强度均最小; 切向分辨率(Ф)增大到6°(del_a6试验)时, 山东地区南风急流区略向北伸展, 强度减弱, 并和东南风急流区出现断裂, 当Ф进一步增大时, 两个急流区面积和强度逐渐减少。
图6 2020年8月12日08:00各试验850 hPa的风场(风羽, 单位: m·s-1)、 低空急流(阴影, 单位: m·s-1)及高度场(等值线, 单位: dagpm)(a)CTL, (b)del_ra5, (c)del_r6, (d)del_r8, (e)del_r10, (f)del_a6, (g)del_a8, (h)del_a10

Fig.6 The wind (barb, unit: m·s-1), low-level jet stream (shading, unit: m·s-1) and the geopotential height field (contour line, unit: dagpm) at 850 hPa from each experiment at 08:00 on August 12, 2020.(a) CTL, (b) del_ra5, (c) del_r6, (d) del_r8, (e) del_r10, (f) del_a6, (g) del_a8, (h) del_a10

通过del_ra5试验850 hPa上的水平风场分析增量分布(图7)可以看出, 河北中南部至渤海一带为u的负增量, 其中河北中南部增量为1~2 m·s-1, 山东则为正增量中心, 最大增量为2~3 m·s-1v的负增量主要分布在华北中南部地区, 增量中心在河北中部, 最大增量达7 m·s-1, 山东西部则存在v的正增量大值中心, 增量为3~4 m·s-1。结合CTL试验的风场, 在河北中南部至渤海一带, 负的uv增量导致东南气流中偏东分量增加、 偏南分量减弱, 山东地区正的uv增量使该地东南风中偏东分量减弱、 偏南分量增加。综合uv分量的作用来看, 同化雷达径向风SO后加强了河北中南部风场的气旋性切变、 增加了山东中西部的偏南气流。其余试验的分析增量与del_ra5试验相似(图略)。
图7 del_ra5试验850 hPa上u风场(a)和v风场(b)的分析增量(单位: m·s-1

Fig.7 Analysis increments of u (a) and v (b) wind field at 850 hPa in del_ra5 experiment.Unit: m·s-1

同化雷达径向风主要调整模式的uv分量, 为分析SO分辨率变化对同化的影响, 将850 hPa上其他试验的uv分量分别减去参考试验(del_ra5)的uv分量(图8)。由图8可以看出, 山东地区为uv差量较大区, 河北中南部v差量也较明显。对比分析发现, del_r组中u差量分布基本相似, 表现为山东中部为正的u差量、 东部及海上为负的u差量, 随着同化SO分辨率R增大, u差量先增大, 后减小; 山东中部的v差量由正变为负值。del_a组中uv差量分布基本相似, 均在山东中西部为正的u差量、 负的v差量, 且随着同化SO分辨率Ф的增加, 差值和范围略增大。结合各试验的分析增量和CTL试验的风场分布, 可以看出同化雷达径向风SO的分辨率主要影响河北中南部东南风向东调整幅度和山东中部东南风向南调整幅度。
图8 del_r组(a~c, g~i)、 del_a组(d~f, j~l)试验与del_ra5试验850 hPa上的u (a~f)和v (g~l)差值(单位: m·s-1

Fig.8 Differences in u (a~f) and v (g~l) at 850 hPa between the del_r(a~c, g~i), the del_a (d~f, j~l)group experiment and the del_ra5 experiment.Unit: m·s-1

5.3 降水预报效果

为定量比较两组试验降水预报性能, 对各试验预报的6 h、 12 h和24 h累积降水进行客观检验, 检验结果表明: 同化雷达径向风SO资料提升了前6 h降水预报的整体性能, 可捕捉到≥25 mm的强降水(图9); 24 h时效内, 改善了小雨、 中雨的预报性能及≥25 mm降水的预报偏差(图略)。高分辨率雷达径向风SO的同化(del_ra5试验)可改进≥50 mm降水的预报性能(图10), 12 h时效内TS评分可从CTL试验的0.03提升至0.08, 提升达167%, 12~24 h内TS评分从0.11上升至0.12, 提升9.1%, 而雷达径向风SO分辨率较低(R≥8 km或Ф≥8°)时, 对12 h时效内≥50 mm和24 h时效内≥100 mm的强降水无预报能力(图略)。综合分析发现, 同化的雷达径向风SO分辨率变化对降水预报的影响随降水量级的增加差异变大, R的变化对降水预报的影响比Ф的变化略快, 且对TS评分、 空报率和命中率影响相对显著, Ф的变化则对预报偏差影响相对显著。
图9 2020年8月12日08:00 -14:00 del_r组(a~c)和del_a组(d~f)试验预报的累积≥1 mm (a, d)、 ≥10 mm (b, e)、 ≥25 mm(c, f)降水的评分综合图

Fig.9 Performance diagram of 6-hour accumulated precipitation [≥1 mm (a, d), ≥10 mm (b, e), ≥25 mm (c, f)] by the del_r (a~c) and the del_a (d~f) group experiments from 08:00 to 14:00 on August 12, 2020

图10 del_r组(a, b)和del_a组(c, d)试验预报的12 h累积降水TS(a, c)和Bias评分(b, d)(检验阈值≥50 mm)

Fig.10 TS (a, c) and Bias (b, d) scores of 12-hour accumulated precipitation (threshold ≥50 mm) for the del_r (a, b) and the del_r (c, d) group experiment forecasts

从华北区域站2020年8月12日08:00至13日08:00 24 h累积实况降水分布[图11(a)]看, 雨带呈西南-东北走向, 自南向北在河北南部、 中部、 北京中部、 河北东北部均出现雨量100 mm以上的降水中心。CTL试验[图11(b)]模拟的24 h累积降水呈西西南-东北走向, 漏报了河北南部的强降水, 河北中部、 东北部及北京地区的降水落区与实况基本一致, 但河北东北部的强降水预报范围偏大, 北京地区的降水强度预报偏弱, 且在天津和河北张家口以南预报出了100 mm以上的虚假强降水中心。两组同化雷达径向风SO试验[图11(c)~(g)], 对雨带走向没有大的调整, 但预报的降水落区和范围, 尤其是50 mm以上强降水有不同程度的调整。整体来看, 各试验在一定程度上抑制了预报的虚假强降水, 尤其是河北张家口一带; 对河北中部的强降水中心均有体现, 但降水落区略偏南, 其中同化径向风SO的分辨率RФ在8 km或8°以上时, 预报的强降水中心偏南较明显(图略); 对北京地区降水强度预报均偏弱, 落区和范围差异明显; 对河北东北部降水预报偏弱且落区偏南。
图11 2020年8月12日08:00至13日08:00 24 h累积实况和各试验模拟的降水量(单位: mm)(a)observation, (b)CTL, (c)del_ra5, (d)del_r6, (e)del_r7, (f)del_a6, (g)del_a7

Fig.11 24-hour accumulated observed and simulated precipitation by each experiment from 08:00 on 12 to 08:00 on 13 August 2020.Unit: mm.(a) observation, (b) CTL, (c) del_ra5, (d) del_r6, (e) del_r7, (f) del_a6, (g) del_a7

6 结论

针对雷达径向风同化中稀疏化方式对中尺度模式同化和预报的影响, 本文基于一次华北区域暴雨天气过程, 对雷达径向风观测资料开展两组不同单元格分辨率(改变径向间距或方位角间隔)的稀疏化, 并利用GSI和WRF进行同化模拟试验, 探讨了不同稀疏化方式得到径向风SO特征及对暴雨预报的影响。主要结论如下:
(1) 稀疏化后径向风SO仍保持原始雷达资料的分布特征, 径向间距和方位角间隔分别决定径向和切向数据的疏密程度, 均使SO极值的大小及出现位置发生变化, 进而影响急流强度和位置; 径向间距还通过影响SO极值出现的高度, 进一步影响急流出现高度。
(2) 两组试验相比, 不同方位角间隔稀疏化可获得相对较多的资料量, 但同化前后的均方根误差和偏差都较大, 径向间距变化对资料量、 同化分析误差影响相对显著。同化不同分辨率的径向风SO对风场调整相似, 均能增加河北南部切变线的气旋性和山东中部低空急流中的偏南分量; SO分辨率的变化主要影响河北中南部气旋性切变的曲率和山东中西部南风急流的强度。
(3) 降水检验表明, 同化雷达径向风SO可提升前6 h降水预报的整体性能, 且能捕捉到25 mm以上强降水; 对于24 h内小雨和中雨量级的降水有更好的评分, 并从降水范围和量级上抑制了CTL试验的部分虚假降水。当采用的径向风SO分辨率较高时, 12 h内≥50 mm降水的预报技巧提升明显。同化径向风SO分辨率对降水预报的影响随降水量级增加差异变大, 径向间距对降水预报的影响略快于方位角间隔; 降水的预报技巧、 空报率和命中率对径向间距的变化更加敏感, 预报偏差则对方位角间隔的变化相对显著。
本次的研究针对一次暴雨个例进行了分析, 对于不同类型的降水过程、 不同稀疏化方案对同化的影响及稀疏化与模式分辨率之间的关系, 还需要进一步的研究认识。
Alpert J C Kumar V K2007.Radial wind super-obs from the WSR-88D Radars in the NCEP operational assimilation system[J].Monthly Weather Review135(3): 1090-1109.

Bick T Simmer C Trömel S, et al, 2016.Assimilation of 3D radar reflectivities with an ensemble Kalman filter on the convective scale[J].Quarterly Journal of the Royal Meteorological Society, 142: 1490-1504.

Dong Q R Wang X L Fan S Y, et al, 2022.Comparison of two kinds of momentum control variables in 3DVAR during assimilating low‑resolution observations in a convective‑scale model: a case study of torrential rainfall in North China[J].Asia-Pacific Journal of Atmospheric Sciences, 58: 697-713.

Feng J N Duan Y H Wan Q, et al, 2020.Improved prediction of landfalling tropical cyclone in China based on assimilation of radar radial winds with new super-observation processing[J].Weather and Forecasting35(6): 2523-2539.

Lindskog M Salonen K Jarvinen H, et a1, 2004.Doppler radar wind data assimilation with H IRLAM 3DVAR[J].Monthly Weather Review132(5): 1081-1092.

Lippi D E Carley J R Kleist D T2019.Improvements to the assimilation of Doppler radial winds for convection-permitting forecasts of a heavy rain event[J].Monthly Weather Review147(10): 3609-3632.

Ridal M Sanchez-Arriola J Dahlbom M2023.Optimal use of radar radial winds in the HARMONIE numerical weather prediction[J].Journal of Applied Meteorology and Climatology62(12): 1745-1759.

Qiu X B Xu Q Qiu C J, et al, 2013.Retrieving 3D wind field from phased array radar rapid scans[J].Advances in Meteorology (1): 1-16.

Salonen K Järvinen H Haase G S, et al, 2009.Doppler radar radial winds in HIRLAM.Part II: optimizing the super-observation processing[J].Tellus A: Dynamic Meteorology and Oceanography61(2), 288-295.

Simonin D Ballard S P Li Z2014.Doppler radar radial wind assimilation using an hourly cycling 3D-Var with a 1.5 km resolution version of the Met Office Unified Model for nowcasting[J].Quarterly Journal of the Royal Meteorological Society140(684): 2298-2314.

Sun J Z Wang H L2013.Radar data assimilation with WRF 4D-Var.Part II.Comparison with 3D-Var for a squall line over the U.S.Great Plains[J].Monthly Weather Review141(7): 2245-2264.

Waller J A Bauernschubert E Dance S L, et al, 2019.Observation error statistics for Doppler Radar radial wind superobservations assimilated into the DWD COSMO-KENDA system[J].Monthly Weather Review147(9): 3351-3364.

Wang Y Pu Z X2021.Assimilation of radial velocity from coastal NEXRAD into HWRF for improved forecasts of landfalling hurricanes[J].Weather and Forecasting36(2): 587-599.

Weng Y H Zhang F Q2012.Assimilating airborne doppler radar observations with an ensemble kalman filter for convection-permitting hurricane initialization and prediction: katrina (2005)[J].Monthly Weather Review140(3): 841-859.

Zhang F Q Weng Y H Sippe J, et al, 2009.Cloud-resolving hurricane initialization and prediction through assimilation of Doppler radar observations with an ensemble Kalman filter[J].Monthly Weather Review137(7): 2105-2125.

曹倩, 雷桂莲, 易艳红, 等, 2022.不同雷达观测资料同化对一次罕见飑线天气模拟的影响[J].干旱气象40(3): 469-484.

Cao Q Lei G L Yi Y H, et al, 2022.Impact of different radar data assimilation on a rare strong squall line simulation[J].Journal of Arid Meteorology40(3): 469-484.

陈锋, 董美莹, 冀春晓, 等, 2019.雷达资料同化对2016年6月23日阜宁龙卷模拟的改进[J].气象学报77(3): 405-426.

Chen F Dong M Y Ji C X, et al, 2019.Improving the simulation of the tornado occurring in Funing on 23 June 2016 by using radar data assimilation[J].Acta Meteorologica Sinica77(3): 405-426.

陈敏, 陈明轩, 范水勇, 2014.雷达径向风观测在华北区域数值预报系统中的实时三维变分同化应用试验[J].气象学报72(4): 658-667.

Chen M Chen M X Fan S Y2014.The real-time radar radial velocity 3DVar assimilation experiments for application to an operational forecast model in North China[J].Acta Meteorologica Sinica72(4): 658-667.

李媛, 刘健文, 董佩明, 等, 2011.GRAPES-3Dvar雷达资料直接同化对江淮暴雨数值预报影响的分析研究[J].气象37(4): 403-411.

Li Y Liu J W Dong P M, et a1, 2011.Analysis of the impact of Radar data assimilation on the numerical forecast of Jianghuai Rainstorm by using GRAPES-3Dvar[J].Meteorological Monthly37(4): 403-411.

马昊, 梁旭东, 罗义, 等, 2016.GRAPES_3Dvar中雷达径向风同化改进观测算子的应用[J].气象42(1): 34-43.

Ma H Liang X D Luo Y, et al, 2016.Application of advanced observation operator of Doppler Radar radial velocity assimilation in GRAPES_3Dvar[J].Meteorological Monthly42(1): 34-43.

马清云, 李泽椿, 陶士伟, 2001.单部多普勒雷达风场反演及其在数值模式预报中的应用试验[J].应用气象学报12(4): 488-493.

Ma Q Y Li Z C Tao S W2001.Wind-field retrieval through single Doppler weather radar and its application to NWP[J].Journal of Applied Meteorological Science12(4): 488-493.

闵锦忠, 彭霞云, 赖安伟, 等, 2007.反演同化和直接同化多普勒雷达径向风的对比试验[J].南京气象学院学报30(6): 745-754.

Min J Z Peng X Y Lai A W, et a1, 2007.Contrast experiments of Doppler radar radial velocity using retrieval and direct assimilation[J].Journal of Nanjing Institute of Meteorology30(6): 745-754.

慕熙昱, 徐琪, 潘玉洁, 等, 2019.雷达径向速度资料同化中不同坐标转换方案的对比试验[J].高原气象38(3): 625-635.DOI: 10.7522/j.issn.1000-0534.2019.00012.Mu X Y

Xu Q Pan Y J, et al, 2019.Contrast experiment of different coordinate remapping schemes in Radar velocity data assimilation[J].Plateau Meteorology38(3): 625-635.DOI: 10.7522/j.issn.1000-0534.2019.00012 .

沈艳秋, 黄兴友, 沈菲菲, 等, 2021.基于雷达资料同化的飑线过程数值模拟试验研究[J].气象科学41(1): 13-26.

Sheng Y Q Huang X Y Sheng F F, et al, 2021.Numerical simulation of a squall line process based on radar data assimilation[J].Journal of the Meteorological Sciences41(1): 13-26.

盛春岩, 浦一芬, 高守亭, 2006.多普勒天气雷达资料对中尺度模式短时预报的影响[J].大气科学30(1): 93-107.

Sheng C Y Pu Y F Gao S T2006.Effect of Chinese Doppler Radar data on nowcasting output of mesoscale model[J].Chinese Journal of Atmospheric Sciences30(1): 93-107.

孙娟珍, 陈明轩, 范水勇, 2016.雷达资料同化方法: 回顾与前瞻[J].气象科技进展6(3): 17-23.

Sun J Z Chen M X Fan S Y2016.Radar data assimilation methods: review and future perspective[J].Advances in Meteorological Science and Technology6(3): 17-23.

王洪, 王东海, 万齐林, 2015.多普勒雷达资料同化在“7·21”北京特大暴雨个例中的应用[J].气象学报73(4): 679-696.

Wang H Wang D H Wan Q L2015.Application of assimilating Doppler weather radar data in the "7·21" Beijing excessive storm[J].Acta Meteorologica Sinica73(4): 679-696.

王越亚, 邵爱梅, 2016.SVD-En3DVar同化方法在一次飑线过程中的应用[J].高原气象35(3): 755-766.DOI: 10.7522/j.issn.1000-0534.2015.00109.Wang Y Y

Shao A M2016.Multiple-Radar data assimilation of a squall line with SVD-En3DVar[J].Plateau Meteorology35(3): 755-766.DOI: 10.7522/j.issn.1000-0534.2015.00109 .

游婷, 吴钲, 翟丹华, 等, 2023.雷达资料同化对一次飑线过程的次公里尺度的数值模拟影响研究[J].暴雨灾害42(2): 188-199.

You T Wu Z Zhai D H, et al, 2023.Impact of radar data assimilation on sub-kilometer-scale numerical simulation of a squall line[J].Torrential Rain and Disasters42(2): 188-199.

张晓辉, 王云峰, 李刚, 等, 2016.多普勒雷达资料同化的稀疏化方式对暴雨过程的影响研究[J].大气科学学报39(3): 409-416.

Zhang X H Wang Y F Li G, et al, 2016.Influence of a thinning method in the assimilation of Doppler radar observations in simulating a rainstorm process[J].Transactions of Atmospheric Sciences39(3): 409-416.

郑淋淋, 邱学兴, 钱磊, 2019.同化雷达反射率资料对一次飑线过程的模拟研究[J].气象45(1): 73-87.

Zheng L L Qiu X X Qian L2019.Simulation study of a squall line case based on assimilation Radar reflectivity data[J].Meteorological Monthly45(1): 73-87.

文章导航

/