Analysis of the Combined Three-dimensional Wind Field Retrieved by Radar and Reanalysis Wind Field based on Optimum Interpolation Technique

  • Songyu HAN , 1 ,
  • Liji WANG 1 ,
  • Lili KANG , 2 ,
  • Yongsheng LIU 1, 3 ,
  • Zhou TENG 1 ,
  • Lingli ZHOU 4 ,
  • Yefeng CHEN 1, 2
Expand
  • 1. Zhejiang Meteorological Information Network Center,Hangzhou 310000,Zhejiang,China
  • 2. Zhejiang Institute of Meteorological Sciences,Hangzhou 310000,Zhejiang,China
  • 3. Zhejiang Meteorological Safety Technology Center,Hangzhou 310000,Zhejiang,China
  • 4. Zhejiang Pronvince Meteorological Observatory,Hangzhou 310000,Zhejiang,China

Received date: 2024-01-17

  Revised date: 2024-08-14

  Online published: 2025-05-12

Copyright

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

Abstract

In order to construct a grid spatiotemporal continuous three-dimensional wind products integrating wind retrieved by radar, combining ERA5 reanalysis wind field which used as the first-guess field and three-dimensional wind field retrieved by dual-radar networking which used as the observed field based on optimal interpolation technique.The error statistics of the ERA5 reanalysis and radar retrieved wind fields are defined based on the data of six precipitation processes in the Zhejiang region and the error structures were employed to compute the weights, the combined hourly three-dimensional wind field with 0.25°×0.25° resolution were obtained as the final results which checked and evaluated with the second radio-sounding wind data.The results show that: Compared with the ERA5 wind field, the accuracy of the combined wind field is improved, root mean square error is reduced by 6% (U component), 16% (V component); the correlation coefficient is increased by 0.02 (V component).The combined wind field has effectively corrected the rather smaller wind field shown by the reanalysis data near the eye of typhoon Lekima, filled the blind area of radar retrieval wind field, and formed a complete and accurate wind field product, corrected the large deviation of the typhoon location with ERA5 wind field.Combined with the small-scale wind information retrieved by radar, the combined wind field reflects the original inconspicuous convergence characteristics of ERA5 wind field, and improves the application value of data.

Cite this article

Songyu HAN , Liji WANG , Lili KANG , Yongsheng LIU , Zhou TENG , Lingli ZHOU , Yefeng CHEN . Analysis of the Combined Three-dimensional Wind Field Retrieved by Radar and Reanalysis Wind Field based on Optimum Interpolation Technique[J]. Plateau Meteorology, 2025 , 44(3) : 757 -769 . DOI: 10.7522/j.issn.1000-0534.2024.00089

1 引言

高精度、 高质量的风场资料对灾害性天气监测、 数值预报和模式检验以及中尺度天气动力分析非常重要(李叶晴等, 2023), 雷达作为中小尺度天气监测的有效观测手段, 开发融合其风场信息的格点化时空连续三维风场产品较为迫切。
雷达径向速度虽缺乏直观性, 但可以从中反演出真实大气的三维风场, Ray et al(1975)较早提出双雷达风场反演的直接合成法ODD(Over Determind Dual-Doppler)技术, 并广泛应用于飑线(Smull and Houze, 1987)、 冰雹云(Murphy and Knupp, 2013)、 下击暴流(Parsons and Kropfli, 1990)等对流天气系统的三维结构分析。国内研究者也利用双雷达反演技术分析了梅雨锋暴雨(刘黎平, 2003周海光, 2005)、 冰雹云(韩颂雨等, 2017a)、 弓状回波个例(陶岚等, 2014)、 雷暴对流单体(孙敏等, 2015)的三维风场特征, 加深了对各个天气系统的认识。罗昌荣等(2012)将双雷达风场反演方法由笛卡尔坐标系改进为地球坐标系, 提高了风场反演产品的适用性, 并将多组双雷达反演结果组网得到较大范围的风场信息(王叶红等, 2019)。该方法反演的风场与飞机报、 秒级探空、 风廓线资料对比, 总体误差结果较小, 反演的风场较为可靠(韩颂雨, 2017b; 张晗昀等, 2020)。
从动力和热力学角度来看, 雷达反演的三维风场所提供的小尺度特征非常重要, 这些特征在较粗分辨率的数值模型中较难得到。然而, 雷达反演风场仅在回波区域才有径向速度观测, 对于晴空区表现空缺, 该资料的时空不连续使其应用受到一定制约。而数值模式的驱动往往需要格点化的风矢量数据集, 且在其他各场景数据分析应用中时空连续的网格化数据也更为便利, 但目前的研究暂少有构建包含雷达反演风的网格化风场产品。
大气再分析资料是融合多源观测数据和数值模拟结果、 基于资料同化技术建立的一套网格化长序列气象数据集, 其变量丰富, 空间覆盖完整, 有效弥补了站点观测时空分布不均的缺陷。近年来, 再分析资料已广泛应用于气象要素长期变化趋势研究中(王梦圆等, 2024)。目前较为突出的是欧洲中期天气预报中心发布的ERA5再分析资料(Hersbach et al, 2020Yang et al, 2022), 其在数值预报基础上四维同化了地面资料和卫星资料, 采用由10名成员组成的集合同化系统来评估大气的不确定性, 与前几代再分析产品相比, 更新了参数化方案和数据同化系统, 能更准确地估计大气状况(李玲萍等, 2024万超悦等, 2024)。
结合再分析风场时空覆盖完整性的优势, 和雷达反演风场包含的小尺度特征及其资料可靠性的优势, 研制两者相融合的高质量、 时空连续的网格化风场产品, 是可尝试的探究方向。王子昕等(2021)利用典型相关分析方法对ERA5再分析风场、 自动站风场和单雷达反演风场进行数据融合得到丰富的地面风场信息, 集合各资料优势较好地分析了一次对流过程, 是初步的一次探索。
最优插值方法(Optimum Interpolation, OI)最早由Eliassem(1954)Gandin(1965)应用于气象领域研究。Reynolds and Smith(1994)采用该方法融合了卫星反演和浮标、 船舶观测的全球海表温度, 取得较好效果。Kuragano and Shibata(1997)用该方法融合多种观测得到海面动态高度, 实现其资料的应用价值。Xie and Xiong(2011)潘旸等(20122018)研发了基于该方法的高精度的卫星反演与地面观测降水融合产品, 应用较为广泛。Kako et al(20062011)通过该方法, 融合再分析风场和卫星反演风场, 构建了高精度网格风场数据集, 且填补了卫星风场资料的空洞缺失。王际朝(2014)也以再分析风场为背景场, 利用该方法对浮标风场进行融合研究。最优插值的优点是它既考虑了各种观测误差的自相关关系, 又考虑了不同观测间的相关关系, 这样权重函数不仅是距离的单变量关系; 并且最优插值只在分析点一定范围内求解最优值, 适合时空变率较大的单要素分析(潘旸等, 2012)。
因此选用ERA5再分析风场作为初估场, 动态地球坐标系下的双雷达反演组网的三维风场作为观测场, 采用最优插值技术开展了浙江区域6次降水过程0.25°×0.25°分辨率逐时三维风场的融合试验, 并将其结果与秒级探空风场进行检验评估。基于该融合试验的可行性和效果分析, 以期为高精度的三维风场融合产品研制提供参考, 也为实况三维融合风场的探索提供思路基础。

2 资料情况

2.1 双雷达反演的组网风场(观测场)

对浙江区域的12部天气雷达进行双雷达分组(其中利奇马台风反演风场中还用到宁德雷达), 对任意两部雷达距离范围在10~200 km内的一组双雷达进行风场反演(大部分分组距离在120 km左右), 然后对满足条件的20~35组的双雷达风场反演结果进行组网, 得到117.5°E -123.5°E, 26.25°N -32.25°N浙江区域范围的三维风场, 分辨率为0.1°×0.1°×500 m, 高度范围为500~15000 m, 时间分辨率为6 min。
风场反演方法为动态地球坐标系下的双雷达风场反演方法(罗昌荣等, 2012), 组网拼图方法主要考虑了反演点的误差情况, 选择最优的一组反演结果(王叶红等, 2019), 反演前对用到的每部雷达径向速度数据均经过了退速度模糊的质控处理(韩颂雨等, 2022)。
图1(a)为浙江省雷达分布情况, 雷达分布密集且位置合理, 为获得雷达反演组网的大范围风场结果提供了很好的基础条件; 图1(b)为利奇马台风2019年8月9日24:00(北京时, 下同)5 km高度的雷达反演风场, 从图1(b)中可以看到, 基本覆盖整个浙江区域的风场, 但对于无回波的区域风场缺失, 且对于雷达观测盲区也缺失风场, 在空间连续性上存在问题。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(2019)1822的中国地图制作, 底图无修改。
图1 雷达分布情况(a)及雷达反演组网的利奇马台风2019年8月9日24:00 5 km高度风场叠加反射率因子值(b)

Fig.1 Radar distribution (a) and the super typhoon Lekima 5 km height wind field retrieved by radar networking with reflectivity at 24:00 on August 9, 2019(b)

2.2 再分析资料的风场(初估场)

ERA5再分析资料从欧洲中心网站(https: //cds.climate.copernicus.eu/)上下载, 水平分辨率为0.25°×0.25°, 气压层共37层, 利用气压—高度普遍公式: H = 44300 * 1 - P 1013.25 1 5.256, 对气压层转化为高度层, 选择其中0.5~15 km高度范围内的25层, 时间分辨率为1 h, 经纬度范围即上述浙江区域。

3 方法介绍

3.1 最优插值方法的原理

再分析资料空间连续, 将其设为初估场; 雷达反演风场精度较高, 将其作为观测值。每个格点上的风场分析值AgUV分量, 分两次单独计算)等于该点的初估值Bg 加上该格点上观测值与初估值的偏差, 而这个偏差由一定范围内N个格点上已知的观测值Oi 与初估值Bi 的偏差加权估计得到:
A g = B g + i = 1 N ( O i - B i ) W i
式中: AgBg )表示分析格点g上的分析值(初估值), OiBi )表示观测格点i上的观测值(初估值), Wi 表示观测点i偏差估计时的权重函数。分析范围水平为0.2°×0.2°, 垂直为2 km, 即以分析格点为中心的一个边长0.2°×0.2°×2 km长方体范围。
假设初估场误差和观测误差无偏, 以及初估场误差和观测误差不相关, 最优的权重可以通过最小二乘法构建线性方程获得[具体推导参考潘旸等(2012)朱国富(2020)]:
i = 1 N ( μ i j B + μ i j O λ i λ j ) W i = μ j g B    ( j = 1,2 , N )
式中: μBμO )表示ij点的初估场(观测场)误差相关系数; λ为观测均方根误差σO 与初估均方根误差σB 之比:
λ = σ O σ B
通过求解式(2)确定 W i, 即可得到式(1)最终的分析值结果。
文中以浙江区域0.5~15 km高度范围的逐时再分析风场(水平分辨率: 0.25°×0.25°, 垂直分辨率: 气压层高度)作为初估场, 以同样范围的逐时雷达反演风场(分辨率0.1°×0.1°×500 m)为观测场。分析值点在其规定范围内有2个以上观测值点的才进行融合插值, 否则沿用初估值代替。最终得到同再分析分辨率相同(0.25°×0.25°×气压层高度)的逐时三维风场融合产品, 资料时间为浙江区域的6次降水过程。

3.2 最优插值方法中的误差估计

在求解Wi 时要求λμBμO 为已知量, 需要对反演风和ERA5再分析风场的误差及误差的相关性进行估计, 通过统计方法以及结合文献分析得到。以下分析所用样本即为文中应用的个例。

3.2.1 观测均方根误差(σO )与初估均方根误差(σB

λ为观测均方根误差与初估均方根误差之比, 它可能具有时空变化。
雷达反演风误差与反演位置有关: kong and Mao (1994)模拟分析中指出两部雷达探测的径向速度夹角接近90°时误差最小, 180°时误差最大, 即基线附近的点误差最大。张培源等(2002)指出, 要使反演误差最小, 要求两部雷达间距为雷达最大可测距离的0.55倍, 大致约120 km。刘黎平(2003)指出径向速度夹角在40°~140°, 反演径向速度的标准差误差不超过雷达探测径向速度标准差的2倍。韩颂雨(2017b)归纳双雷达反演误差的三个主要影响因素: 双雷达的距离(约120 km误差最小); 反演点与雷达基线垂直距离(距离越小误差越大); 反演点与雷达连线夹角(90°误差最小, 40°~140°可选)。如图2所示, 矩形框内为大致可靠的反演区域。
图2 双雷达反演风场的有效反演区域示意两部雷达距离约126 km; 圆圈表示150 km距离圈; 矩形框内表示可靠的反演区域

Fig.2 The effective retrieval ares of dual-Doppler radar retrieval wind field.The distance of the two radars is126 km; Circles are the 150 km range circles; Rectangles are the effective retrieval ares

然而, 本文在双雷达反演时已限制了有效反演区域(与双雷达连线在30°~150°内参加反演), 并且浙江省内雷达分布密集, 在多组双雷达组网时, 对每个格点值选择最优的一组雷达或依据多组雷达误差情况以权重方式选定最终最优反演结果。因此, 虽然反演误差的空间不均匀性存在, 但最终组网后呈现的差异可能不大。为了更好地查看这个问题, 以探空为真值, 得到文中应用个例的反演风、 ERA5风均方根误差的水平分布情况(图3), 另外也得到了以风廓线为真值, 反演风、 ERA5风均方根误差的水平分布情况(图略), 从中分析可知其误差的水平分布差异并不明显。
图3 反演风和ERA5风的均方根误差分布(a)反演U分量, (b) ERA5 U分量, (c)反演V分量, (d) ERA5 V分量

Fig.3 The root mean square error of radar retrieval wind field and ERA5wind field.(a) radar retrieval wind field of U components, (b) ERA5wind field of U components, (c) radar retrieval wind field of V components, (d) ERA5wind field of V components

此外还分别分析了 λ与高度变化、 λ与风速强度的关系(图略)。高度越高, 或风速越强, 反演风与ERA5风场的误差都有增大的趋势, 两者变化趋势相近, 因此 λ的变化也不大。
λ与水平分布、 高度变化、 风速强度的分析中, 以探空为真值, 从中统计得到的 λ中位数为1.1(U分量), 0.7(V分量); 1.1(U分量), 0.9(V分量); 0.9(U分量), 0.8(V分量)。分别计算这些不同 λ对融合结果的影响, 发现均方根误差仅有0.01(U分量), 0.01(V分量)的差异。其中 λ=1时, U的均方根误差最小; λ=0.9时, V的均方根误差最小。
这些值表明, λ对风场的影响可能较小(Kako and Kubota, 2006Kako et al, 2011), 虽然更准确地估计 λ可有效提高数据集的准确性, 如能得到详细准确的误差时空分布情况, 并根据不同时空设定动态的 λ, 可得到最优结果, 但目前看来还有一些局限性。

3.2.2 初估场误差相关系数(μB

ERA5风场应用了同化技术研制, 较近网格间由于插值原因, 其误差可能有较强的空间相关性。
以探空风场为真值, 得到了文中个例的任意两个有效格点ERA5风场的均方根误差相关系数与两点距离的关系(图4)。从图4中可以看到, ERA5风场误差相关性随着距离的增加而减少, 可用负指数函数来拟合。对于U分量, 从图中得到纬向和经向的去相关距离为25 km(Lz、 Lm ), 垂直高度向的去相关距离为1 km(Lh ); 对于V分量, Lz 为50 km, Lm 为50 km, Lh 为1.75 km。拟定任意两点间距离的相关系数为 μ i j B = e x p - r m 2 L m 2 - r z 2 L z 2 - r h 2 L h 2, 其中rz、 rm、 rh 分别表示格点ij之间的纬向、 经向、 垂直向距离值, 其拟合思路参考了Kuragano and Shibata(1997)文中的最优插值方法误差估计。
图4 任意两点ERA5风场均方根误差的相关系数与两点间距离的关系(a) U分量, (b) V分量, (c) U分量对应的垂直高度向距离的误差相关情况的放大显示, (d) V分量对应的垂直高度向距离的误差相关情况的放大显示

Fig.4 Correlation coefficients of the mean square errors between two different grids and the distance.(a) U component, (b) V component, (c) Enlarged showing the error correlation coefficients of the vertical distance for U component (d)Enlarged showing the error correlation coefficients of the vertical distance for V component)

3.2.3 观测场误差相关系数(μO

雷达反演风场的格点间误差也会存在一定的相关, 不过为了计算简化, 假定各个反演格点的误差不相关, 每个格点与自身的观测值有关, 因此 μ i j O定义为:
μ i j O = 1 , i = j 0 , i j

4 融合试验效果检验

由于反演风场仅在有降水回波处才有, 若降水回波分布较少的天气过程对融合分析资料的意义不大。因此针对浙江区域降水情况, 分类选择了3个台风过程(摩羯、 利奇马、 黑格比)、 两个梅汛期暴雨过程、 一次强对流过程(这些个例降水分布都较为广泛), 共6次降水过程进行融合分析试验, 并以绝对误差、 均方根误差和相关系数这三个指标对风场进行评估。
以浙江省内3个秒级探空站(杭州、 台州、 衢州)风场作为真值, 时间分辨率为08:00、 14:00、 20:00、 02:00。根据每个探空观测点的经纬度、 高度位置信息, 寻找与之最相近的匹配格点, 进行对比, 给出误差情况。时间上根据秒级探空每个数据点时间, 如在19:30 -20:30范围的, 则均匹配为20:00这个时次; 如在18:30 -19:30, 则均匹配为19:00这个时次。

4.1 雷达反演风与再分析风场比较

从6次降水过程融合试验风场的检验结果(表1)显示, 雷达反演风场比再分析风场绝对误差、 均方根误差更小(U分量少5%, V分量少28%), 相关系数更高(V分量高0.03)。反演风场、 ERA5风场、 融合风场分别与探空的对比散点分布(图5)中第一列反演风与探空风的散点也比第二列ERA5与探空风的散点, 更为集中到y=x线。反演风场较再分析风场更为可靠。
表1 6次降水过程融合试验的风场(UV分量)检验结果

Table 1 Evaluation results of 6 precipitation process wind fieldszonal wind and meridional wind

个例 时次 资料类型 风矢量 样本数 绝对误差 均方根误差 相关系数 融合后相较于ERA5
绝对误差 均方根误差 相关系数
摩羯台风 2018年8月12日17:00至13日08:00 反演风 u 3353 2.85 3.71 0.91
v 3.47 4.37 0.92
ERA5 u 6585 3.76 4.78 0.84
v 3.95 5.03 0.85
反演风和ERA5融合 u 6585 3.71 4.74 0.84 减少0.05 减少0.04, 0.8% 未变
v 3.43 4.35 0.88 减少0.52 减少0.68, 13.5% 提高0.03
利奇马台风 2019年8月9日18:00至10日17:00 反演风 u 7420 2.93 3.57 0.96
v 2.51 3.36 0.98
ERA5 u 14050 3.10 3.96 0.94
v 4.07 5.02 0.95
反演风和ERA5融合 u 14050 3.12 3.89 0.94 增加0.02 减少0.07, 1.8% 未变
v 3.14 4.05 0.97 减少0.93 减少0.97, 19.3% 提高0.02
黑格比台风

2020年8月

3日23:00至

5日08:00

反演风 u 2554 3.65 4.56 0.95
v 2.44 3.01 0.95
ERA5 u 4456 3.52 4.75 0.96
v 5.37 6.80 0.78
反演风和ERA5融合 u 4456 2.88 3.95 0.96 减少0.64 减少0.80, 16.8% 未变
v 3.63 4.78 0.89 减少1.74 减少2.02, 29.7% 提高0.11
梅汛期暴雨 2017年6月11日13:00至13日21:00 反演风 u 8513 2.40 3.25 0.93
v 2.24 2.70 0.76
ERA5 u 22851 2.08 2.59 0.96
v 2.75 3.61 0.87
反演风和ERA5融合 u 22851 2.05 2.58 0.96 减少0.03 减少0.01, 0.4% 未变
v 2.59 3.33 0.89 减少0.16 减少0.28, 7.8% 提高0.02
梅汛期暴雨 2018年6月20日06:00 -20:00 反演风 u 3649 2.41 2.98 0.69
v 2.36 3.16 0.81
ERA5 u 6459 3.34 4.35 0.86
v 3.22 4.06 0.37
反演风和ERA5融合 u 6459 2.60 3.49 0.88 减少0.74 减少0.86, 19.8% 提高0.02
v 2.72 3.42 0.62 减少0.50 减少0.64, 15.8% 提高0.25
强对流过程

2022年6月

5日06:00至6日08:00

反演风 u 4519 1.71 2.20 0.81
v 1.78 2.15 0.87
ERA5 u 9222 1.68 2.18 0.89
v 1.71 2.44 0.91
反演风和ERA5融合 u 9222 1.64 2.10 0.90 减少0.04 减少0.08, 3.7% 提高0.01
v 1.76 2.43 0.91 增加0.05 减少0.01, 0.4% 未变
总计 反演风 u 30008 2.59 3.36 0.97
v 2.41 3.11 0.96
ERA5 u 63623 2.65 3.53 0.97
v 3.24 4.32 0.93
反演风和ERA5融合 u 63623 2.51 3.32 0.97 减少0.14 减少0.21, 5.9% 未变
v 2.76 3.63 0.95 减少0.48 减少0.69, 16.0% 提高0.02
图5 6次降水过程反演风场、 ERA5风场、 融合风场分别与探空的对比散点图(a)反演风与探空风场U分量, (b) ERA5风场与探空风场U分量, (c) 融合风场与探空风场U分量, (d)反演风与探空风场V分量, (e)ERA5风场与探空风场V分量, (f)融合风场与探空风场V分量

Fig.5 6 precipitation process scatter diagram of retrieved wind field, ERA5 wind field and combined wind field compared with sounding wind field respectively.(a) Retrieved wind and sounding wind field for U component, (b) ERA5 wind field and sounding wind field for U component, (c) Combined wind field and sounding wind field for U component, (d) Retrieved wind and sounding wind field for V component, (e) ERA5 wind field and sounding wind field for V component, (f) Combined wind field and sounding wind field for V component

4.2 融合风场与再分析比较

表1中还可以看出, 融合风场相较于再分析风场, 总体误差减少了、 相关系数提高了。均方根误差U分量减少6%, V分量减少16%, 相关系数V分量提高0.02。其中最为突出的为黑格比台风, 融合后相较于ERA5, 均方根误差减少了17%(U分量), 30%(V分量)。
这在图5的散点图中也有体现, 第三列融合风场与探空风的散点分布比第二列ERA5风场与探空风的散点分布, 更为集中到y=x线。圈内的点经融合后更为集中在对称线上。
另外, 以探空真值所做的误差分析得到的最优插值方法权重方案, 使用风廓线风场对这些个例过程也进行了检验, 结果表明: 融合风场较再分析风场, U分量和V分量均方根误差减少了12%, 13%, 相关系数提高了0.01和0.03, 也说明融合产品的效果优于再分析风场。

5 融合试验风场个例分析

5.1 利奇马台风个例单时次分析

图6为利奇马台风个例三个时次的风场情况。图6(a, b, c)为2019年8月9日24:00, 此时台风未登陆, 台风眼区靠近沿海地区, 呈现明显双眼墙特征。图6(a)为ERA5约3 km高度风场叠加雷达等高面回波, 其眼区附近的风速偏小, 20~30 m·s-1(外眼墙东部); 而对应雷达反演风场约50 m·s-1图6(b)外眼墙北部区域]。图6(d)为ERA5约5 km高度风场, 其外眼墙东部区域风速约30 m·s-1, 而对应区域的雷达反演风场约45 m·s-1图6(e)]。对于内眼墙区域, ERA5风场更偏小于雷达反演风场[图6(b)、 图6(e)内眼墙风速25~30 m·s-1]。正因如此, 融合风场眼区周围风场相较雷达反演风略有减少[图6(c), 图6(f)], 但对ERA5风场偏小区域进行了有效修正。
图6 利奇马台风风场(a, b, c)2019年8月9日24:00约3 km高度风场叠加回波, (d, e, f)2019年8月9日24:00约5 km高度风场叠加回波, (g, h, i)2019年8月10日01:00约3 km高度风场叠加回波, (j, k, l)2019年8月10日01:00约5 km高度风场叠加回波, (m, n, o)2019年8月10日02:00约3.5 km高度风场叠加回波, (a, d, g, i, m)ERA5风场, (b, e, h, k, n)雷达反演风场, (c, f, i, l, o)融合风场

Fig.6 Wind field of super typhoon Lekima.(a, b, c)3 km and (d, e, f) 5 km height wind field with reflectivity at 24:00 on August 9, 2019, (g, h, i)3 km and (j, k, l)5 km height wind field with reflectivity at 01:00 on August 10, 2019, (m, n, o)3.5 km height wind field with reflectivity at 02:00 on August 10, 2019, (a, d, g, i, m)ERA5 wind field, (b, e, h, k, n)Radar retrieved wind field, (c, f, i, l, o)Combined wind field

另外, 融合风场填补了雷达反演风场的双雷达观测盲区, 形成了相对准确且完整的风场产品。尤其是图6(g)~(i)、 图6(j)~(l)、 图6(m)~(o) 2019年8月10日01:00、 02:00时次(台风内外眼墙合并, 01:00 -02:00台风登陆), 因台州雷达资料的缺失, 雷达反演盲区增大, 而融合ERA5风场后, 使得大块缺失观测区域的风场得到了有效填补。
此外, 因融合风场资料的完整性及其包含雷达风场的可靠性, 融合后依据风场得到的台风中心定位较为合理。台风中心的雷达定位主要有风场资料和回波定位两种方式(张勇等, 2011): 风场资料方式主要对近似轴对称的台风风场, 确定其环流中心; 回波定位方式主要对有眼壁回波的台风, 利用几何中心确定台风中心。图6中该台风个例由回波定位的台风眼中心较为明显, 因此可以看到, 依据ERA5风场环流得到的台风中心位置与回波确定的台风眼中心位置偏移较多, 而由融合风场环流定位的台风中心位置与台风眼位置匹配较好。

5.2 暴雨和强对流个例单时次分析

图7为梅汛期2018年6月20日暴雨过程08:00 5.5 km高度的风场, 图7(b)雷达反演风场红圈处可看到明显的西北-西南(偏南)的辐合区域, 这在图7(a)的ERA5再分析风场中并不明显, 而图7(c)的融合风场因结合了雷达反演风场的信息, 使得该辐合特征很好地得以体现(红圈处)。同样, 图8为2022年6月5日强对流过程17:00 5 km高度风场, 图8(b)雷达反演风场红圈处的辐合区域, 经融合后该辐合信息得以在图8(c)中显现, 而图8(a)的ERA5风场中并没有该辐合特征。
图7 梅汛期暴雨过程2018年6月20日08:00约5.5 km高度风场叠加回波(a)ERA5风场, (b)雷达反演风场, (c)融合风场

Fig.7 During meiyu flood season in rainstorm process 5.5 km height wind field with reflectivity at 08:00 20 on June, 2018.(a)ERA5 wind field, (b)Radar retrieved wind field, (c) Combined wind field

图8 强对流过程2022年6月5日17:00约5 km高度风场叠加回波(a)ERA5风场, (b)雷达反演风场, (c)融合风场

Fig.8 In strong convection process process 5 km height wind field with reflectivity at 17:00 5 on June, 2022.(a) ERA5 wind field, (b) Radar retrieved wind field, (c) Combined wind field

这些雷达反演风场所提供的小尺度特征很重要, 而数值模型中往往较难获得, 融合风场可结合这些丰富的小尺度信息, 弥补再分析资料中缺失的这部分特征, 提高资料准确性。其中图7对应的时次, 融合风场较ERA5风场, 均方根误差减少了25%(U分量), 21%(V风量), 融合产品的准确性有较明显的提高。

6 结论与讨论

雷达反演风场资料虽然较为可靠, 但因时空不连续, 使其广泛应用受到制约, 至今少有构建包含雷达反演风的网格化风场观测产品; 而再分析资料虽然时空覆盖完整且分布均匀, 但其往往缺少一些小尺度信息。
本文尝试结合其两者资料的优势, 选用ERA5再分析风场作为初估场, 动态地球坐标系下双雷达反演组网的三维风场作为观测场, 采用最优插值技术开展浙江区域6次降水过程0.25°×0.25°分辨率的逐时三维风场融合试验, 并将其结果与秒级探空风场进行检验评估。主要结论如下:
(1) 雷达反演风场比再分析风场的绝对误差、 均方根误差更小, 相关系数更高, 反演风场比再分析风场资料更为可靠。
(2) 雷达反演风与再分析风场融合后, 相较于再分析风场误差减少、 相关系数提高, 数据可靠性提高了。以探空资料为真值, 融合风场相较于ERA5风场, 总体均方根误差减少6%(U分量), 16%(V分量); 相关系数提高0.02(V分量)。
(3) ERA5再分析风场在利奇马台风眼区附近的风速偏小, 融合风场对偏小区域进行了有效修正。并且融合风场填补了雷达反演风场的盲区, 形成了完整且准确的风场产品。另外, 在依据风场的台风中心定位上, 融合风场修正了ERA5资料的较多偏移。
(4) 暴雨、 强对流个例的雷达反演风场中有较明显的辐合信息, 但这在ERA5再分析风场中并不明显, 而融合风场使得该辐合特征得以体现, 结合小尺度信息, 弥补了再分析风场缺失的特征, 提高了资料的准确性和应用价值。
雷达反演风场和再分析风场的融合试验结果表明, 该融合思路是可行的。不仅得到了包含雷达风场的完整数据集, 更重要的是融合风场相较于再分析风场更为准确, 其应用价值也更为突出, 如台风风速评估、 台风定位、 对流辐合特征分析等, 这对灾害性天气监测、 天气动力分析、 数值模式模拟非常重要。
当然, 仅依据6次个例的试验, 结论还不够充分。本文尝试利用该融合方案参数对2024年4月连续时间序列数据进行了补充试验, 其中的两次强对流过程和一次强降水过程, 融合效果较好, 但其整体均方根误差反而略微偏高2.9%, 相关系数略降0.01, 说明该工作仍需试验不同类型、 不同季节更多个例数据并深入研究最优插值方法中不同参数系数对融合结果的影响, 以得到更成熟完备的融合方案。并且雷达径向速度的退速度模糊质控以及数据源准确匹配等工作, 都需进一步关注。
另外, 本文还利用该融合方案, 以国家气象信息中心发布的三维实况分析资料作为背景场对
2024年4月数据进行了评估(以秒级探空资料为真值), 均方根误差减少6.6%(U分量), 2.3%(V分量); 相关系数U、 V分量均提高0.01, 有改进的效果。那未来是否可以将初估场(背景场)替换为模式预报风场产品(如WRF或快速更新同化等中小尺度模式)或实况三维风场产品, 以得到结合雷达反演风的实况融合三维风场产品, 服务到实时业务中去, 也是需要进一步试验和探索的方向!
Eliassem A1954.Provisional report on calculation of spatial covariance and autocorrelation of the pressure field[C].Inst Weather and Climate Research, Acad Sci, Oslo, Report No.5.

Gandin L S1965.Objective Analysis of Meteorological Fields[M].Jerusalem: Israel Program for Scientific Translations, 242.

Hersbach H Bell B Berrisford P, et al, 2020.The ERA5 global reanalysis[J].Quarterly Journal of Royal Meteorlogical Society, 146: 1999-2049.

Kako S Kubota M2006.Relationship between an El Niño event and the interannual variability of significant wave height in the North Pacific[J].Atmosphere Ocean, 44, 377-395.

Kako S Isobe A Kubota M2011.High-resolution ASCAT wind vector data set gridded by applying an optimum interpolation method to the global ocean[J].Journal of Geophysical Research, 116, D23107.

Kong F Y Mao J T1994.A model study of three-dimensional wind field analysis from dual-Doppler radar data[J].Advances in Atmospheric Sciences11(2): 162-174.

Kuragano T Shibata A1997.Sea surface dynamics height of the Pacific Ocean derived from TOPEX/POSEIDON altimeter data: calculation method and accuracy[J].Journal of Oceanography, 53: 583–599.

Murphy T A Knupp K R2013.An Analysis of Cold Season Supercell Storms Using the Synthetic Dual-Doppler Technique[J].Monthly Weather Review141(2): 602-624.

Parsons D B Kropfli R A1990.Dynamics and fine structure of a microburst[J].Journal of The Atmospheric Sciences47(13): 1674-1692.

Ray P S Doviak R J Walker G B, et al, 1975.Dual-Doppler observation of a tornadic storm[J].Journal of Applied Meteorology And Climatology14(8): 521-1530.

Reynolds R W Smith T M1994.Improved global sea surface temperature analyses using optimum interpolation[J].Journal of Climate7(6): 929: 948.

Smull B F Houze R A1987.Dual-Doppler radar analysis of a midlatitude squall line with a trailing region of stratiform rain[J].Journal of the Atmospheric Sciences44(15): 2128-2149.

Xie P P Xiong A Y2011.A conceptual model for constructing high-resolution gauge-satellite merged precipitation analyses[J].Journal of Geophysical Research, 116: D21106.

Yang Y Li Q Song Z, et al, 2022.A comparison of global surface temperature variability, extremes and warming trend using reanalysis data sets and CMST-Interim[J].International Journal of Climatology, 42: 5609-562.

韩颂雨, 罗昌荣, 魏鸣, 等 , 2017a.三雷达、 双雷达反演降雹超级单体风暴三维风场结构特征研究[J].气象学报75(5): 757-770.HanS Y, LuoC R, WeiM, et al, 2017.Research on three-dimensional wind field structure characteristic of hail supercell storm by dual-and triple-Doppler radar retrieval[J].Acta Meteorologica Sinica, 75(5): 757-770.

韩颂雨, 2017b.华东沿海地区强对流及台风天气系统的三维流场结构分析[D].南京: 南京信息工程大学.Han S Y, 2017.Three-dimensional flow field analysis of severe convective and typhoon weather systems in coastal areas of East China[D].Nanjing: Nanjing University of Information Science and Technology.

韩颂雨, 刘永生, 骆阳, 等, 2022.适用S波段多普勒天气雷达的径向速度自动退模糊方法[J].气象学报80(5): 791-805.

Han S Y Liu Y S Luo Y, et al, 2022.Automatic radial velocity dealiasing algorithm for S-band Doppler weather radar[J].Acta Meteorologica Sinica80(5): 791-805.

罗昌荣, 池艳珍, 周海光, 2012.双雷达反演台风外围强带状回波风场结构特征研究[J].大气科学36(2): 247-258.

Luo C R Chi Y Z Zhou H G2012.Characteristics of 3-D wind structure of typhoon outer intensive banded echo using dual-Doppler weather radar data[J].Chinese Journal of Atmospheric Sciences, , 36(2): 247-258.

李玲萍, 李天江, 李岩瑛, 等, 2024.陆面与大气边界层热力作用对河西走廊冷锋型沙尘暴的影响[J].高原气象43(2): 498-509.DOI: 10.7522/j.issn.1000-0534.2023.00055.Li L P

Li T J Li Y Y, et al, 2024.The Influence of Thermal Interaction between Land Surface and Atmospheric Boundary Layer on Cold Front Sandstorm in Hexi Corridor[J].Plateau Meteorology43(2): 498-509.DOI: 10.7522/j.issn.1000-0534.2023.00055 .

刘黎平, 2003.用双多普勒雷达反演降水系统三维风场试验研究[J].应用气象学报14(4): 502-504.

Liu L P2003.Three-dimensional wind field analysis of precipitation system from dual-Doppler radar data[J].Journal of Applied Meteorological Science14(4): 502-504.

李叶晴, 师春香, 沈润平, 等, 2023.基于WRF-LES的门头沟地区近地面风场模拟与边界层方案敏感性研究[J].高原气象42(3): 758-770.DOI: /10.7522/j.issn.1000-0534.2022.00084.Li Y Q

Shi C X Shen R P, et al, 2023.Simulation of near-surface Wind over Mentougou with WRF-LES and sensitivity study of planetary boundary layer schemes[J].Plateau Meteorology42(3): 758-770.DOI: 10.7522/j.issn.1000-0534.2022.00084 .

潘旸, 沈艳, 宇婧婧, 等, 2012.基于最优插值方法分析的中国区域地面观测与卫星反演逐时降水融合试验[J].气象学报70(6): 1381-1389.

Pan Y Shen Y Yu J J, et al, 2012.Analysis of the combined gauge-satellite hourly precipition over China based on the OI technique[J].Acta Meteorologica Sinica70(6): 1381-1389.

潘旸, 谷军霞, 宇婧婧, 等, 2018.中国区域高分辨率多源降水观测产品的融合方法试验[J].气象学报76(5): 755-766.

Pan Y Gu J X Yu J J, et al, 2018.Test of merging methods for multi-source observed precipitation products at high resoultion over China[J].Acta Meteorologica Sinica76(5): 755-766.

孙敏, 戴建华, 袁招洪, 等, 2015.双多普勒雷达风场反演对一次后向传播雷暴过程的分析[J].气象学报73(2): 247-262.

Sun M Dai J H Yuan Z H, et al, 2015.An analysis of a back-propogating thunderstorm using the three-dimensional wind fields retrieved by the dual-Doppler radar data[J].Acta Meteorologica Sinica73(2): 247-262.

陶岚, 袁招洪, 戴建华, 等, 2014.一次夜间弓形回波特征分析[J].气象学报72(2): 220-236.

Tao L Yuan Z H Dai J H, et al, 2014.Analysis of the characteristics of a nocturnal bow echo[J].Acta Meteorologica Sinica72(2): 220-236.

万超悦, 徐婷婷, 王艳, 等, 2024.中国大气逆温的时空分布特征[J].高原气象43(2): 434-449.DOI: /10.7522/j.issn.1000-0534.2023.00058.Wan C Y

Xu T T Wang Y, et al, 2024.Spatial and temporal distribution characteristics of atmospheric inversion in China[J].Plateau Meteorology43(2): 434-449.

王际朝, 2014.基于风场和海浪同步观测的海浪同化模式构建[D].青岛: 中国科学院研究生院(海洋研究所).Wang J C, 2014.Building of wave assimilation model based on the synchronous observations of wind and wave[D].Qingdao: The Institute of Oceanology, Chinese Academy of Sciences.

王梦圆, 黄倩, 廖慧仁, 等, 2024.柴达木盆地尘卷风的时空分布特征[J].高原气象43(2): 510-519.DOI: 10.7522/j.issn.1000-0534.2023.00060.Wang M Y

Huang Q Liao H R, et al, 2024.Spatial and temporal distribution characteristics of dust devils in the Qaidam Basin[J].Plateau Meteorology43(2): 510-519.DOI: 10.7522/j.issn.1000-0534.2023.00060 .

王叶红, 赵玉春, 罗昌荣, 等, 2019.双雷达风场反演拼图在登陆台风“莫兰蒂”(1614)强降水精细预报中的同化应用试验[J].气象学报77(4): 617-644.

Wang Y H Zhao Y C Luo C R, et al, 2019.Assimilation application test of dual-radar wind retrieval in precision forecast of landing typhoon Moranti (1614)[J].Acta Meteorologica Sinica77(4): 617-644.

王子昕, 王咏青, 张静, 等, 2022.多源数据融合在强对流天气中地面风场的识别应用[J].高原气象41(3): 790-802.DOI: 10.7522/j.issn.1000-0534.2021.00010.Wang Z X

Wang Y Q Zhang J, et al, 2022.Application of multi-source data fusion in surface wind field identification in severe convective weather[J].Plateau Meteorology41(3): 790-802.DOI: 10.7522/j.issn.1000-0534.2021.00010 .

张晗昀, 罗昌荣, 崔梦雪, 等, 2020.利用AMDAR数据分析厦门、 泉州双雷达三维风场反演误差[J].大气科学学报43(4): 699-706.

Zhang H Y Luo C R Cui M X, et al, 2020.Error analysis of the three-dimensional wind field retrieval from the Xiamen-Quanzhou radars by using AMDAR data[J].Transactions of Atmospheric Sciences43(4): 699-706.

张沛源, 周海光, 胡绍萍, 2002.双多普勒天气雷达风场探测的可靠性研究[J].应用气象学报13(4): 485-496.

Zhang P Y Zhou H G Hu S P2002.Reliability study of determining wind with dual-Doppler Radars[J].Journal of Applied Meteorological Science13(4): 485-496.

张勇, 刘黎平, 张志强, 等, 2011.基于组网天气雷达的台风定位方法探讨[J].气象科技39(5): 587-595.

Zhang Y Liu L P Zhang Z Q, et al, 2011.Typhoon location in landing period based on three-dimensional mosaics of reflectivity[J].Meteorological Science and Technology39(5): 587-595.

周海光, 2005.2003年6月30日梅雨锋大暴雨β和γ中尺度结构的双多普勒雷达反演[J].气象学报63(3): 301-312.Zhou H G, 2005.Structure of meso-β and -γ scale on meiyu in Huaihe river basin on 30 June, 2003 by dual-doppler radar[J].Acta Meteorologica Sinica[J], 63(3): 301-312.

朱国富, 2020.基于估计理论的大气资料同化引论[M].北京: 气象出版社, 34-36.

Zhu G F2020.Introduction to atmospheric data assimilation on basis of estimation theory[M].Beijing: China Meteorological Press, 34-36.

Outlines

/