2017, Vol. 36
2. 中国气象局气象干部培训学院, 北京 100081;
3. 广东海洋大学, 湛江 524088;
4. 美国乔治梅森大学 全球环境与自然资源研究所, 弗吉尼亚州 22030;
5. NOAA卫星应用和研究中心, 马里兰州 20740
青藏高原占中国总面积的四分之一, 其平均海拔为4500 m, 是世界上面积最大且地形最复杂的高原, 有“世界屋脊”之称。其特殊的地理环境, 对中国甚至全球的大气环流和天气气候都产生了巨大的影响(叶笃正和顾震潮, 1955; 钱正安和焦彦军, 1997)。吴泽等(2014)利用WRF模式模拟预报发现, 青藏高原地形的阻挡作用会影响暖湿气流的输送, 造成水汽输送带下游的暴雨事件。然而高原的复杂地势和恶劣天气给地面和大气观测带来较大的困难, 导致关于青藏高原的科学研究面临诸多难题。
对于天气数值预报而言, 初始场的准确程度会直接影响天气预报的准确性, 而资料同化可以提供预报模式一个最佳估计的初始场, 进一步提高模式的预报能力(张飞民和王澄海, 2014; Wang et al, 2000)。随着全球大气常规观测网的逐步建立, 卫星、雷达等大气遥感探测技术也在不断进步。气象卫星遥感资料具有时空上的高分辨率和高覆盖率的特点, 弥补了常规观测资料在海洋或是高原等地区分布密度不足的问题。大量研究表明, 卫星资料同化可以显著提高天气预报水平(Eyre, 1992; Andersson et al, 1991; Derber et al, 1991), 尤其是在常规观测资料较少的区域(McNally et al, 2000; Liu and Weng, 2006), 对于更长的预报时间, 卫星数据相对于常规观测资料更为重要(Zapotocny et al, 2008), 因此卫星资料同化可以弥补高原常规观测资料的不足, 并且能够有效增进预报准确度和延长预报时效。
青藏高原天气数值预报和模拟是研究青藏高原气象学的重要方法之一, 但是高原上复杂的地形会使数值预报和模拟遇到资料严重不足、模式物理过程特殊等一系列问题(钱正安和焦彦军, 1997)。焦彦军等(1991)利用高原中部站点资料拟合西部人造站点资料等技术, 解决资料不足的问题。彭世球等(2008)使用青藏高原及其周边地区的自动站观测资料同化进初始场中, 结果显示对下游区域的降水预报有显著的改善。张利红等(2011)也发现同化青藏高原地区自动站GPS数据可以改进西南地区东部和长江中下游降水的预报效果。王曼等(2013)利用WRF三维变分法同化青藏高原东缘GPS水汽资料, 发现对模式湿度和高度的初始场影响较大, 而对温度和风场的初始场影响较小。朱丰等(2014)则是利用WRF三维变分法同化青藏高原地区GPSPW数据, 发现同化之后对长江中下游地区的降水预报准确性有所提升。闵爱荣等(2009)采用GRAPES三维变分系统同化ATOVS卫星辐射率资料和T213资料, 发现在青藏高原500 hPa以上的湿度场和风场会产生较大的增量。综合以上研究结果发现, 同化确实可以有效地弥补青藏高原常规资料稀缺的问题并改善数值预报效果, 但在对青藏高原资料进行同化时大部分使用GPS掩星探测信息, 而研究卫星资料对青藏高原模式预报效果的影响较少。此外, 由于青藏高原大地形及陡峭且错纵复杂地形的影响, 导致此区域是世界上天气数值模式预报性能最差的地区。Xu et al(2009)也曾研究复杂地形下资料同化后的预报效果, 结果表明预报效果受地形高度的影响, 地形较高区域的预报偏差更大。本工作的创新点是利用NCEP的GSI同化系统同化美国最新一代的ATMS、CrIS卫星资料, 分析卫星资料同化对青藏高原不同地形区域、不同高度层的气象要素预报效果影响。
采用资料同化、数值模拟和诊断分析方法, 探讨美国2011年发射的NPP卫星上ATMS(Advanced Technology Microwave Sounder)和CrIS(Cross-Track Infrared Sounder)仪器的资料同化对2015年冬、夏季青藏高原天气要素预报准确度的影响, 这不仅具有重要的科学意义, 也有利于提高业务预报的准确性, 是国家防灾减灾的迫切需要。
2 资料、分析方法及同化系统 2.1 背景场数据与实况数据控制试验的背景场和边界条件为NCEP发布的全球预报系统(Global Forecast System, GFS)资料, 水平分辨率为1.0°×1.0°, 时间分辨率为6 h, 同化试验的背景场数据使用控制试验在06:00(世界时, 下同)的预报输出。
使用的实况数据为FNL (Final Analysis)资料, FNL是NCEP发布的再分析资料, 使用与GFS相同的模式且分辨率也和GFS一致, 但相对GFS资料更接近真实大气状况。
2.2 同化资料同化资料包括常规观测资料和卫星辐射资料, 来自美国国家环境预报中心的全球资料同化系统(global data assimilation system, GDAS), 该资料下载于https://www.ncdc.noaa.gov/data-access/model-data/model-datasets/global-data-assimilation-system-gdas。图 1b是2015年1月1日06:00气压场(与温度场, 湿度场, 风场的观测点相似)的常规观测资料站点分布图, 红框所示的高原区域内可同化的资料站点较为稀少, 因此需要利用卫星资料来解决观测资料的不足。
|
图 1 模拟区域设置(a, 阴影区, 单位: m)、2015年1月1日06:00常规观测资料站分布(b)、被同化的ATMS卫星资料扫描点(c)及被同化的CrIS卫星资料扫描点(d)分布 Figure 1 WRF Domains and model topography (a, the shaded, unit: m), distribution of pressure conventional data observations (b), scan coverage of ATMS radiance (c) and CrIS data (d) being used in data assimilation at 06:00 on 1 January 2015 |
卫星资料来自于2011年美国极轨业务环境卫星项目(Soumi-NPP)上的ATMS和CrIS探测器。ATMS是新一代跨轨道微波扫描仪, 具备现有卫星AMSU-A(Advanced Microwave Sounding Unit)和MHS(Microwave Humidity Sounder)的功能, 提供大气温度和湿度的观测。与AMSU-A和MHS相比, ATMS提供更多通道和更高解析度, 增进中短期天气预报准确度(Zou et al, 2014)。CrIS是跨轨道红外扫描仪, 有1305个频谱通道(3.92~15.38 μm)。CrIS提供高分辨率的三维温度、压力、湿度的廓线, CrIS与HIRS相比拥有更高精确度, 更详细的大气温度和湿度观测能力(Wang et al, 2012)。
2.3 WRF区域模式和GSI同化系统数值模式采用WRF-ARW3.6版。WRF模式即可用于真实天气个案的模拟, 也可以用不同的物理方案设置去讨论基本物理过程对数值预报的影响。
同化系统采用Gridpoint Statistical Interpolation(GSI)系统。GSI是由美国国家环境预测中心在SSI分析系统的基础上开发的新一代的变分同化系统(Deber, 2012)。GSI三维变分同化技术的主要理论依据来自于Sasaki(1958)提出的气象资料三维变分同化(3D-Var)原理, 通过给定的目标函数取最小值过程, 调整观测场和背景场之间的权重分配, 使三维变分产生的分析场对背景场和观测场均达到最佳拟合状态的分析场, 即当目标函数达到最小值时的解。GSI三维变分的目标函数形式如下:
| $\begin{array}{l} J = \frac{1}{2}{\left({{x_a} - {x_b}} \right)^T}{{\rm{B}}^{ - 1}}\left({{x_a} - {x_b}} \right)\\ \;\;\;\;\; + \frac{1}{2}{\left({\mathit{\boldsymbol{H}}\left(x \right) - {O_o}} \right)^T}{O^{ - 1}}\left({\mathit{\boldsymbol{H}}\left(x \right) - {O_o}} \right) + {J_c}, \end{array}$ | (1) |
式中: xa是变量分析场, xb是变量背景场, Oo是观测值, B是背景场误差协方差矩阵, O是观测误差协方差矩阵, Jc是约束项, H为观测算子。提供观测物理量和大气状态变量间的转换关系, 对卫星辐射率资料而言, 观测算子为辐射传输模式。
2.4 辐射传输模式GSI资料同化系统中用到的辐射传输模式是CRTM(Community Radiative Transfer Model), CRTM包含四个主要模块: (1) 辐射传输方程求解模块(RT Solution Model); (2) 大气透过率模块(atmospheric transmittance module); (3) 表面发射率/反射率模块; (4) 粒子散射模块。六种辐射传输方案解法在CRTM进行测试, 根据性能表现, 选用ADA(Advance Doubling and Adding Scheme)方案和计算大气透射率的OSS快速最优频谱采样(Fast and Optimal Spectral Sampling)吸收模型(Moncet et al, 2004; 周昊, 2012; Nutter et al, 1999; Murphy, 1988)。
2.5 辐射数据质量控制和误差订正进行资料同化前需要对常规观测资料和卫星资料进行偏差订正和质量控制, 确保在同化过程中的快速收敛和分析结果的质量。National Environmental Satellite, Data, and Information Service(NESDIS)会对辐射数据进行预处理, 剔除质量达不到同化要求的观测资料。在GSI同化系统中, 卫星资料的质量控制包含以下两个步骤: (1) 检查观测资料位置, 剔除模式区域外的数据, 并进行稀疏化处理, 排除重叠或不完整的观测数据; (2) 利用质量控制参数对模式中卫星亮温值进行质量控制检查, 这些控制参数会依照不同的卫星扫描轨迹位置和通道特性进行调节(周昊, 2012)。
图 2表示ATMS和CrIS在06:00经过两阶段质量控制后在同化试验中使用的资料数量, 1月ATMS探测器30天内的总观测资料范围在51898~68640个, 而CrIS在2297442~3455340个, 7月ATMS的总观测资料范围在53042~68618个, CrIS在2694048~3454542个。经过第一阶段的质量控制后, 1月的ATMS保留了约61%的资料, CrIS保留了约26%的观测资料, 7月的ATMS和CrIS与1月类似。经过两个阶段的质量控制后, 辐射观测资料的最终使用率显著下降, 1月ATMS的最终使用率大约为读入资料总数的21.7%~25.8%、CrIS则为1.3%~1.6%, 7月ATMS的最终使用率略高于1月, 大约为读入资料总数的23.2%~26.4%、CrIS的最终使用率则低于1月, 为0.9%~1.2%。
|
图 2 ATMS(a、c)和CrIS(b、d)卫星1月(a、b)和7月(c、d)06:00观测资料总数及经过两阶段质量控制后用在同化试验中的卫星资料总数 Figure 2 Total and kept amount of radiance, and used percentage in the forecast experiments as the function of date for ATMS (a, c) and CrIS (b, d) at 06:00 in January (a, b) and July (c, d), respectively |
根据计算, 06:00所选区域的卫星数据分布量比其他时刻要多, 由2015年1月1日06:00通过质量控制后在同化试验中用到的ATMS和CrIS卫星资料分布情况(图 1c, d)可以看出, CrIS的资料密度大于ATMS, 卫星资料在整个东亚地区有三个卫星轨道且覆盖情况较好, 尤其是卫星资料在高原和海洋上的覆盖情况弥补了常规观测资料在这些地区缺失的不足。
以下将评估同化效果在ATMS微波信号和CrIS红外信号上的表现。图 3为针对ATMS通道一微波亮温和CrIS通道一红外线辐射温度进行同化前后的分析。1月ATMS微波亮温观测值和同化前模式模拟结果(图 3a)有明显的误差, 模式在D02区域主要有高估的现象, 华中以及印度洋区域则呈现低估的结果。比较同化ATMS前后模式在微波亮温模拟结果(图 3b)可以发现, 同化后的微波亮温模拟误差除在印度洋区域、南海区域和韩国一带没有改善之外, 大部分区域的模拟误差皆有明显的下降。1月同化前模式相比于CrIS红外辐射温度观测值(图 3c)也有明显的差异, 两者差值皆大于零, 表示模式模拟结果主要呈现出低估的现象, 其中中亚区域(90°E以西, 30°N以北)的误差相比之下较小。在经过CrIS同化(图 3d)之后可以发现, 除了原本误差就较小的中亚地区之外, 红外辐射温度模拟误差在D01区域有明显的改善。7月结果和1月结果相似, 但在D02区域同化的效果比1月更好。从以上结果可以得知, 同化效果在ATMS微波信号和CrIS红外信号都有较好的表现, 能够使模式结果更趋近观测结果, 有效地改善模式初始场。
|
图 3 2015年1月1日06:00 (a~d)及7月1日06:00 (e~h)的ATMS通道1微波亮温(a, b, e, f)和GrIS通道1红外辐射温度(c, d, g, h)分析 红色矩形框为D02区域.第1列为ATMS及CrIS观测和未同化模式结果差值分析, 负值表示高估, 正值表示低估; 第2列为ATMS和CrIS同化前后模式平方偏差的差值分析(同化后观测与模式的平方偏差减去同化前观测与模式的平方偏差), 负值代表同化后误差较小, 正值代表同化后误差较大 Figure 3 Distribution of ATMS (a, b, e, f) and CrIS (c, d, g, h) brightness temperature in channel 1 at 06:00 on 1 January (a~d) and July (e~h) 2015. The red box represents the region of D02. The column 1 denotes the bias of brightness temperature between observations and simulations without data assimilation. The column 2 denotes the difference of squared bias between simulations with data assimilation and simulations without data assimilation |
为了评价模式中温度、相对湿度和风场模拟预报效果的好坏, 分别利用平方偏差(Squared Bias, SBias)、平方误差标准偏差(Squared Error Standard deviation, SSD)和均方误差(Mean-Square Error, MSE)来判断系统性误差、非系统性误差和总体模式误差。总体误差由系统性误差和非系统性误差组成。系统性误差可能由一致失实的物理参数如辐射或对流模式造成; 非系统性误差由模式初始场或预报场和观测场不同尺度无法解决的差异造成。如果X表示任意一个给定时间和垂直层的参数, 预报误差可以定义为X′=Xf-Xo, 其中下标f和o分别表示预报和观测值, 下式中hr表示预报小时, ij表示水平网格点, d表示模拟日期。平方偏差计算为:
| ${\rm{Sbias}}_{ij}^{{\rm{hr}}} = {\left({\overline {X\prime } } \right)^2} = \left[ {{{\left({\frac{1}{N}\sum\limits_{{\rm{d}} = 1}^N {X_{\rm{d}}'} } \right)}^2}} \right]_{ij}^{{\rm{hr}}}, $ | (2) |
平方误差标准偏差计算为:
| ${\rm{SSD}}_{ij}^{{\rm{hr}}} = \left[ {\frac{1}{N}\sum\limits_{{\rm{d}} = 1}^N {{{(X_{\rm{d}}' - \overline {X\prime })}^2}} } \right]_{ij}^{{\rm{hr}}}, $ | (3) |
均方误差计算为:
| ${\rm{MSE}}_{ij}^{{\rm{hr}}} = \left[ {\frac{1}{N}\sum\limits_{{\rm{d}} = 1}^N {{{(X_{\rm{d}}')}^2}} } \right]_{ij}^{{\rm{hr}}}.$ | (4) |
按照文献Murphy(1988)中算式9的方法可以将均方误差计算成平方偏差(2) 和平方误差标准偏差(3) 的总和, 因此整个模式误差由模式在预报和观测数据的系统性误差(平方偏差)和非系统性误差(平方标准差偏差)组成:
| ${\rm{MSE = Sbias + SSD}}{\rm{.}}$ | (5) |
文中预报值即下节中控制实验和同化实验的24 h(模式6~30 h)、48 h(模式30~54 h)预报值, 观测值即与预报值同时刻的FNL分析资料。
3 试验方案设计 3.1 WRF数值模拟设计模式采用双层嵌套网格, 图 1a标出模拟区域设置, 粗网格(D01) 精度为12 km, 格点数为580×422;细网格精度(D02) 为4 km, 格点数为817×574, 模拟区域中心为94.5°E, 32.4°N。粗网格区域覆盖了大部分的东亚、东南亚地区; 细网格区域则覆盖了整个青藏高原地区。试验时间为2015年1月1-31日和2015年7月1-31日。垂直层共51层, 取气压10 hPa为模式顶层。模式的物理过程参数化方案参考研究者(张利红等, 2011; 王曼等, 2013; 朱丰等, 2014; 何由等, 2012)在高原地区进行WRF模拟时的设置, 主要包括: WRF Single-Moment 6-class(WSM-6) 云微物理方案、Kain-Fritsh积云参数化方案、RRTMG长、短波辐射方案、Noah Land Surface Model陆面方案和YSU边界层方案。地形平滑方案采用包络地形, 即在粗网格尺度平均地形之上叠加细网格尺度地形对粗网格尺度平均地形的标准差, 故此方案可以增加模式中地形坡度与高度的表现, 增加青藏高原上地形的效应。
3.2 GSI同化试验方案设计为了评估同化ATMS和CrIS卫星资料对于青藏高原天气预报的影响, 进行1组控制试验和3组资料同化试验(表 1)。包括无资料同化的控制试验(CTRL), 初始时间为1月和7月的1-31日00:00, 积分48 h。另外3组同化试验分别为CONV、ATMS和CRIS(表 1)。图 4是进行资料同化的流程图, 3组资料同化试验的初始时间为1月和7月的1-31日06:00, 同化试验的初始条件和背景场使用控制试验在06:00的预报输出并进行卫星资料同化, 积分42 h, 每3 h输出一次预报结果得到分析场, 通过WRF-ARW-GSI系统得到计算区域内不同资料对WRF模式48 h预报误差的贡献, 观测量包括风场、温度场和相对湿度场对模式预报误差的贡献。
|
表 1 2015年1月和7月1-31日四组试验48 h预报的试验方案设计 Table 1 The experiment design includes four simulations make a 48 hours forecast for each day from 1 to 31 January/July 2015 |
|
图 4 三维变分法资料同化流程 Figure 4 The process of data assimilation with 3D-VAR |
试验结果分析针对区域D02, 从图 1a的地形分布图来看, 所选区域D02地形复杂, 地形高度跨度大, 该区域包括了整个青藏高原(张镱锂, 2002), 既有由藏北高原、帕米尔高原、昆仑山脉、喀喇昆仑山脉、巴颜喀拉山脉、唐古拉山脉、冈底斯山脉、喜马拉雅山脉、横断山脉等组成的平均海拔高于4000 m的高原主体, 也有平均海拔低于1000 m的柴达木盆地、塔里木盆地等。复杂的地形将会影响资料同化后的预报效果, 为了进一步讨论不同地形区对于模式预报结果的差异, 取高原主体平均海拔在4000 m以上的高地形区为区域A, 高原北部平均海拔低于1000 m的低地形区为区域B(图 5)。首先讨论ATMS、CrIS卫星资料同化对两个区域温度场、相对湿度场及风场的模式预报效果影响。此外, 透过模式误差分析去探讨预报误差来源于系统性误差还是非系统性误差, 进一步佐证资料同化的效果。
|
图 5 2015年1月(a~c, g~i)、7月(d~f, j~l)的24 h(a~f)和48 h(g~l)2 m温度场预报均方误差(MSE)差值分析(CONV、ATMS、CRIS同化试验分别减去CTRL控制试验)(单位: K2) (a, d, g, j)为CONV结果, (b, e, h, k)为ATMS结果, (c, f, i, l)为CRIS结果.图中A、B矩形框分别表示高地形及低地形区域 Figure 5 The difference of MSE (unit: K2) of 2 meters temperature among CONV (a, d, g, j), ATMS (b, e, h, k), CRIS (c, f, i, l) and CTRL for 24 hours forecast (a~f) and 48 hours forecast (g~l) during January (a~c, g~i) and July (d~f, j~l) 2015. The rectangle A and B represents high-elevation region and low-elevation region, respectively |
模式初始场对于模式预报非常重要, 而资料同化又可以有效改善模式的初始场, 下面将分析同化后模式的结果, 探讨同化对于模式预报的影响。图 5是同化试验(ATMS、CONV、CRIS)2 m温度场均方误差(MSE)分别与控制试验(CTRL)2 m温度场均方误差(MSE)相减后的差值分析结果。从图 5可以看出, 除7月24 h和48 h CRIS预报外, 2 m温度场预报均方误差的差值分布在高地形区和低地形区都呈现不同的特征, 如7月ATMS试验24 h和48 h预报在高地形区和低地形区的预报效果相反。由此将高地形区区域A和低地形区区域B做区域均方误差(MSE)的差值平均, 对比两个区域的结果。
表 2列出区域A和区域B中2 m温度、湿度及10 m风速预报均方误差(MSE)的差值。先分析2 m温度预报效果, 2 m湿度及10 m风速预报效果在后面论述。1月24 h预报, 三组控制试验在高地形区域的温度预报效果都比CTRL试验稍好, 改善效果CRIS最好。然而, 低地形区域的三组控制试验预报效果皆比CTRL试验差, 尤其是CRIS的效果最差。1月48 h的预报结果则表明, 所有的控制试验不管在高地形还是低地形区域, 预报效果都比CTRL试验差。7月, 三组试验24 h及48 h预报效果在高地形区均明显比CTRL差。CRIS试验在低地形区域24 h及48 h预报效果也比CTRL试验差, 但ATMS在低地形区24 h及48 h预报效果和CTRL相比有所改善, CONV在低地形区48 h预报效果也有改善。由以上结果可知, ATMS和CRIS的资料同化可以稍微改善1月高地形区域的2 m温度的24 h预报能力, 但对于1月低地形区域和48 h预报而言并无改善效果。另外, ATMS资料同化可使7月的低地形区域在24 h及48 h的预报能力有较好的提升。
|
|
表 2 区域A和B要素预报均方误差(MSE)的差值平均 Table 2 The difference of MSE between CONV, ATMS, CRIS and CTRL in region A and region B for 24 hours forecast and 48 hours forecast |
为了比较同化后模式预报效果在不同高度上的表现, 将区域A和区域B分别进行误差差值分层水平平均, 讨论高地形和低地形区域温度预报效果在不同高度层的特征(图 6)。参考前人的研究方法(Bao et al, 2015), 垂直方向分成三层讨论, 分别是700~400 hPa的低层(LL)、400~200 hPa的中层(ML)和200~50 hPa的高层(HL)。由于高地型区域的平均海拔在4956 m以上, 所以对于此区域的低层定义为550~400 hPa。并分开讨论模式总误差(MSE)、系统性误差(SBias)和非系统性误差(SSD), 从而可看出模式误差的来源。
|
图 6 2015年1月(a, c, e, g, i, k)、7月(b, d, f, h, j, l)高地形区域(A)、低地形区域(B)的高、中、低层大气平均温度24 h(a, b, e, f, i, j)和48 h(c, d, g, h, k, l)预报的误差差值(ATMS、CONV、CRIS同化试验分别减去CTRL控制试验)分布(a~d)为均方误差分析, (e~h)为平方偏差分析, (i~l)为平方误差标准偏差分析 Figure 6 The difference of MSE (a~d), SBIAS (e~h) and SSD (i~l) of temperature between data assimilation experiment and control experiment during January (a, c, e, g, i, k) and July (b, d, f, h, j, l). (a, b, e, f, i, j) is 24 h forecast and (c, d, g, h, k, l) is 48 h forecast |
接下来讨论资料同化对于温度场在不同高度层的影响。图 6是同化试验(CONV、ATMS、CRIS)减去控制试验(CTRL)的温度预报误差在垂直方向的分布特征, 可以看出, CRIS在1月和7月不管在低地形或是高地形区域的每一层预报效果都不好。从24 h的整体模式预报效果(图 6a, b)来看, 1月高地形区域ATMS和CONV在中层的预报效果有改善, 但在低层和高层无明显变化, 对低地形区域而言, ATMS和CONV在低层和中层的预报效果有改善, 尤其在低层改善更为明显, 表现为7月除了ATMS在低地形区域的低层和CONV在高地形区域的中层预报效果稍有改善, 其余所有的预报效果均变差或无明显改善, 尤其低层的效果更差。48 h的整体模式预报结果中(图 6c, d), 1月ATMS的高地形区域在中层和高层的预报效果有改善, 对1月的低地形区域而言, ATMS和CONV低、中层的预报效果有明显改善; 7月除了高层的ATMS预报效果有变好之外, 中低层不管是高地形或是低地形区域的预报效果皆变差。整体来看, 资料同化在低、中层对于1月的改善效果比7月要好。总之, ATMS的资料同化可以有效地改善1月低、中层的温度场预报能力, 同时ATMS也可以改善7月低地形区域低层24 h的预报, 以及7月各区域高层48 h的预报效果。由此可看出, ATMS、CRIS资料同化对低层温度和近地面2 m温度的预报效果改善并不完全相同。
从同化后对非系统性误差(图 6i~l)和系统性误差(图 6e~h)的影响来分析, 系统性误差贡献总体大于非系统性误差, 值得注意的是资料同化对于低、中和高层温度场的非系统性误差没有太大的改善, 但可以降低1月低、中层部分系统性误差, 其原因有待进一步分析。
4.2 同化对湿度场的影响图 7为2 m相对湿度场同化试验(ATMS、CONV、CRIS)的均方误差(MSE)分别与控制试验(CTRL)2 m相对湿度场均方误差(MSE)相减后的差值分析图。从表 2及图 7可见, 1月相对湿度场均方误差差值分布揭示出预报效果没有明显改善的特征, 但7月三组同化试验在高地形区和低地形区的预报效果形成明显对比, 大致特征为高原主体比高原北部的塔里木盆地预报效果好。24 h预报结果中, 1月除了CRIS在高地形区域和CONV在低地形区域与CTRL相比整体稍有改善之外, 其余预报效果都变差; 7月三组同化试验特别是CONV和ATMS在高地形区的预报效果显著优于CTRL试验, 而在低地形区只有CONV试验的预报效果稍优于CTRL试验, CRIS的预报出现较大偏差。对于48 h的预报结果, 1月不管在高地形区域还是低地形区域, 三组试验的预报误差都比CTRL大; 7月高地形区域只有CRIS预报能力变差, CONV和ATMS的预报明显都比CTRL好。对低地形而言只有CONV优于CTRL试验。综合来看, CONV、ATMS资料同化可以有效改善7月高地形区域的24 h、48 h预报能力。CRIS仅可以稍微增进1月及7月高地形区域24 h的预报能力, CONV也可稍微增进7月低地形区域24 h和48 h的预报能力。
|
图 7 2015年1月(a~c, g~i)、7月(d~f, j~l)的24 h(a~f)和48 h(g~l)2-m湿度场预报均方误差(MSE)差值分析(CONV、ATMS、CRIS同化试验分别减去CTRL控制试验)(单位: %) (a, d, g, j)为CONV结果, (b, e, h, k)为ATMS结果, (c, f, i, l)为CRIS结果.图中A、B矩形框分别表示高地形及低地形区域 Figure 7 The difference of MSE (unit: %) of 2 meters relative humidity among CONV (a, d, g, j), ATMS (b, e, h, k), CRIS (c, f, i, l) and CTRL for 24 hours forecast (a~f) and 48 hours forecast (g~l) during January (a~c, g~i) and July (d~f, j~l) 2015. The rectangle A and B represents high-elevation region and low-elevation region, respectively |
图 8为同化试验(CONV、ATMS、CRIS)与控制试验(CTRL)相对湿度预报误差差值在高、中、低层大气的垂直分布。可以看出, CONV、ATMS和CRIS在高层的预报能力与CTRL相比皆为稍微变差或是没有太大差异。从24 h的湿度场模式预报结果来看(图 8a, b), 1月, 高地形区域ATMS在低层、低地形区域CONV和ATMS在中层的预报效果稍有改进, 其他同化试验预报效果都比CTRL试验要差; 对于7月的低层而言, ATMS和CONV在高地形和低地形区域的预报效果都比CTRL好, 这和2 m相对湿度场的预报效果相似, 但在中层除了ATMS和CONV的高地形区域有所改善, 其余预报效果都变差。由48 h的整体模式预报结果来看(图 8 c, d), 1月高地形区域ATMS在低、中层的预报效果有所改善, 而CONV只有在低层有所改善, 1月低地形区域只有ATMS在低、中层的预报比CTRL好, CONV和CRIS在中层预报能力比CTRL差; 7月, 整个青藏高原区域, ATMS只有中层的预报效果有明显改善, CONV的预报能力在低、中层都明显改善, CRIS则在低、中层预报能力欠佳。比较系统性误差(图 8 e~h)和非系统性误差(图 8 i~l)对总预报误差的贡献后可以发现, 不论是1月还是7月的24 h和48 h预报, 不同于温度场预报的是, 湿度场的总模式误差主要由非系统性误差贡献, 这说明对于湿度场的预报, 初始场的不确定性造成的误差为最主要因素。综合三组同化试验对湿度场在高、中、低层的预报效果来看, ATMS和CONV可以改进7月24 h、48 h和1月48 h在高地形区域低、中层相对湿度场的预报能力, 对于1月24 h相对湿度场预报, 整体上同化后的预报能力下降。
|
图 8 2015年1月(a, c, e, g, i, k)、7月(b, d, f, h, j, l)高地形区域(A)、低地形区域(B)的高、中、低层大气相对湿度场24 h(a, b, e, f, i, j)和48 h(c, d, g, h, k, l)预报的误差差值(ATMS、CONV、CRIS)同化试验分别减去CTRL控制试验)分布 (a~d)为均方误差分析, (e~h)为平方偏差分析, (i~l)为平方误差标准偏差分析 Figure 8 The difference of MSE (a~d), SBIAS (e~h) and SSD (i~l) of relative humidity between data assimilation experiment and control experiment during January (a, c, e, g, i, k) and July (b, d, f, h, j, l). (a, b, e, f, i, j) are 24 h forecast and (c, d, g, h, k, l) are 48 h forecast |
图 9是10 m风速场同化试验(ATMS、CONV、CRIS)均方误差(MSE)分别与控制试验(CTRL)10 m风速场均方误差(MSE)相减后的差值分析结果。三组同化试验在高地形区和低地形区的预报效果差异不如温度场和相对湿度场明显, 除了高原主体北缘的地形梯度较大处有误差大值区外, 同化后风场的预报效果总体较CTRL试验好, 也比温度场和湿度场的预报效果更好。但在1月24 h和48 h预报时, 高原主体西北部有误差较大的带状区域, 此区域位于昆仑山、喀喇昆仑山及喜马拉雅山交界处, 复杂的地形可能会使WRF对地形动力作用的模拟较困难。通过表 2中10 m风场的结果可以发现, 在经过资料同化后, 1月的高地形区域的预报效果和CTRL相比不管在24 h还是48 h预报都有明显改善, 尤其是ATMS同化的改进更为突出, 但这三组试验对于1月低地形区的预报结果都比CTRL试验稍差。7月的结果可以看出, ATMS在高地形和低地形区的24 h及48 h预报能力都比CTRL要差。CONV和CRIS在高地形区的24 h及48 h预报能力有所改善, 但低地形区的24 h及48 h预报能力比CTRL要差。综合三组同化试验对10 m风场预报的结果来看, CONV、ATMS和CRIS资料同化可以改进1月高地形区域的24 h和48 h预报能力, CONV和CRIS还可以改进7月高地形区域的24 h和48 h预报能力。对于低地形区域而言, 1月与7月同化后预报能力反而比CTRL差。
|
图 9 2015年1月(a~c, g~i)、7月(d~f, j~l)的24 h(a~f)和48 h(g~l)10-m风场预报均方误差(MSE)差值分析(CONV、ATMS、CRIS同化试验分别减去CTRL控制试验)(单位: (m·s-1)2) (a, d, g, j)为CONV结果, (b, e, h, k)为ATMS结果, (c, f, i, l)为CRIS结果.图中A、B矩形框分别表示高地形及低地形区域 Figure 9 The difference of MSE (unit: (m·s-1)2) of 10 meters wind speed among CONV (a, d, g, j), ATMS (b, e, h, k), CRIS (c, f, i, l) and CTRL for 24 hours forecast (a~f) and 48 hours forecast (g~l) during January (a~c, g~i) and July (d~f, j~l) 2015. The rectangle A and B represents high-elevation region and low-elevation region, respectively |
图 10为同化试验(CONV、ATMS、CRIS)与控制试验(CTRL)风场预报误差差值在高、中、低层大气的垂直分布。从MSE垂直分布(图 10a~d)可以看出, 1月24 h预报, 三组同化试验在高地形区的中、低层预报效果都比CTRL差, 在低地形区域, ATMS在低、中层的预报效果稍好, CONV则在中、高层的预报效果稍好; 7月24 h预报, CONV在高地形区域低、中、高层及低地形区的低、中层都展现了不错的预报效果, 但CRIS预报能力不管在哪种地形或是高度层都不好, ATMS在高地形区域低层和高层预报能力都比CTRL差很多, 在低地形区域, ATMS在低、高层的预报能力有改善, 但是在中层的预报能力降低。48 h的预报结果显示, 1月, CONV的预报能力在高地形和低地形区域的低、中层都明显下降。而ATMS的预报能力在高地形和低地形区域的中层都明显增进; 7月, 同化实验在高层的预报效果都有变差的趋势。ATMS在低层预报结果变差, 但在中层预报结果大幅度改善, CONV在低层预报能力稍有改善, 而低地形的中层预报能力也有改进。总之, ATMS同化可改进低地形区域低层风场24 h的预报效果, 也可显著改进高地形和低地形区域中层风场48 h预报效果。对于风场的总体预报误差而言, 非系统性误差(图 10 i~l)贡献较大, 可见资料同化后初始场的改进对风场预报能力有所改善。
|
图 10 2015年1月(a, c, e, g, i, k)、7月(b, d, f, h, j, l)高地形区域(A)、低地形区域(B)的高、中、低层大气风场24 h (a, b, e, f, i, j)和48 h(c, d, g, h, k, l)预报的误差差值(ATMS、CONV、CRIS)同化试验分别减去CTRL控制试验)分布(a~d)为均方误差分析, (e~h)为平方偏差分析, (i~l)为平方误差标准偏差分析 Figure 10 The difference of MSE (a~d), SBIAS (e~h) and SSD (i~l) of wind speed between data assimilation experiment and control experiment during January (a, c, e, g, i, k) and July (b, d, f, h, j, l). (a, b, e, f, i, j) is 24 h forecast and (c, d, g, h, k, l) is 48 h forecast |
综合ATMS和CRIS资料同化对近地面层、低层、中层、高层大气要素的预报试验, 尽管CRIS同化资料量多, 但整体上CRIS资料同化效果相对较差。CrIS卫星总共包含1305个通道的亮温资料, 选取过多的通道会导致部分观测辐射来自相近的高度包含过多的重复信息, 可能因此导致本研究中CRIS卫星同化后的结果不甚理想。为了提高CRIS资料同化的效能, 有必要对现有的通道进行筛选。必须优先选取特定物理量敏感的通道以及垂直分辨率高的通道来提高资料同化的垂直分辨率(殷梦涛和邹晓蕾, 2015)。前人研究了AMSU-A和AMSU-B卫星资料同化对青藏高原两次暴雨过程的影响, 结果表明, 同化后的两次降水空间分布的预报效果有显著改善(Yang et al, 2015), 表示卫星资料同化确实能改善对青藏高原上的模拟预报。但是, ATMS和CrIS卫星资料可能在青藏高原有较大的误差, 而这一误差有可能是导致本研究结果中各同化试验改进效果不具有普遍性的原因之一。蔡则帅(2015)针对ATMS与AMSUA和MHS进行比较, 结果表明ATMS的表现大致上比AMSUA和MHS要好, 但通道3的偏差较大, 使用时需进行进一步的检测。董佩明等(2014)也针对ATMS资料进行分析, 发现ATMS的资料质量优于或同等于AMSUA和MHS卫星资料, 又由于ATMS具有较高的空间覆盖率和新增的温度与湿度通道, 可以为资料同化系统提供更为有用的观测资讯, 但此文章也特别提出ATMS在质量订正前, 温度通道9和湿度通道22有比较大的偏差, 在同化应用时需特别注意。目前对于ATMS和CrIS卫星数据在青藏高原的研究非常少, 又因为青藏高原受高海拔和复杂的动、热力条件等影响, 增加了通道选取的困难, 只有对卫星资料的通道选取、偏差订正、质量控制等进行更深入的研究, 并针对ATMS和CrIS卫星数据在青藏高原的适用性和精度进行评估, 才能发挥卫星资料同化对青藏高原天气预报中的作用。
由于本项研究计算量大而计算资源受限制, 只使用三维变分法进行同化, 然而其他不同的同化方法(如四维变分、卡曼滤波)也应在今后的研究中作进一步检验。此外, 本研究中WRF的物理参数方法选择主要参考过去研究的参数设定(张利红等, 2011; 朱丰等, 2014; 何由等, 2012), 在高原地区进行WRF模拟时的设置, 不同物理参数化方法的设定对青藏高原模式预报的影响也需进行进一步的讨论, 尤其是WRF模式中青藏高原地形的处理方案更为重要。本研究中采用包络地形平滑方案, 可以有效地增加地形屏蔽效应的效果, 但其余的平滑方案也需进一步做敏感性测试。姚昊等(2008)使用WRF预设的三种地形平滑方案作敏感性测试, 结果表明不同的平滑地形方案对暴雨过程的时空分布有很大的影响。何光碧等(2015)也发现使用不同分辨率的地形资料, 或使用不同的地形滤波方案, 对模式模拟预报的效果影响很大, 尤其是降雨的强度与位置。故不同地形的处理方案设定以及地形分辨率对青藏高原模拟的影响需进行更多的试验来检验。
5 结论利用GSI同化系统, 同化美国最新一代的ATMS和CrIS卫星资料, 探讨其对青藏高原天气要素预报准确性的影响。分析3组资料同化试验(CONV、ATMS、CRIS)对2015年1月及7月青藏高原2 m温度场、2 m相对湿度场和10 m风场的预报影响。同时分析高地形区域以及低地形区域中各气象要素在不同高度层的预报能力和模式误差来源。
(1) ATMS和CRIS的资料同化均可以稍微改善1月高地形区域2 m温度场24 h预报能力, ATMS资料同化可使7月低地形区域2 m温度场在24 h及48 h的预报能力有效提升。垂直层面分析, ATMS的资料同化既可以有效地改善1月低、中层24 h及48 h温度场预报能力, 也可以改善7月低地形区域低层在24 h、各区域高层48 h的预报效果。温度场预报的系统性误差贡献总体大于非系统性误差。
(2) ATMS资料同化可以有效改善7月高地形区域2 m相对湿度场24 h、48 h预报能力。CRIS仅可以稍微增进1月及7月高地形区域2 m相对湿度场24 h的预报能力。从高、中、低层的相对湿度场预报效果来看, ATMS可以改进7月24 h、48 h和1月48 h在高地形区域低层、中层的预报能力。湿度场的总模式误差主要由非系统性误差贡献, 这说明对于湿度场的预报, 初始场的不确定性造成的误差占主导。
(3) 对10 m风场预报的结果来看, ATMS和CRIS资料同化可以改进1月高地形区域的24 h和48 h预报能力, CRIS还可以改进7月高地形区域的24 h和48 h预报能力。垂直层面分析, ATMS同化可改进低地形区域低层风场24 h的预报效果, 也可显著改进高地形和低地形区域中层风场48 h预报效果。对于风场的总体预报误差而言, 非系统性误差贡献较大, 资料同化后初始场的改进对风场预报能力有所改善。
总之, ATMS同化试验可以有效的增进7月低地形区域的2 m温度场、7月高地形区域2 m相对湿度场以及1月高地形区域10 m风场的24 h、48 h预报能力; CRIS同化对1月高地形区域2 m温度场24 h预报、1月与7月高地形区域10 m风场24 h与48 h预报有改善效果。就垂直分层来讨论, CRIS同化试验不管在哪个高度分层都无法有效地改进模式预报能力, ATMS同化试验则在不同分层、不同变量场有着不一样的预报效果。受青藏高原复杂的地形以及不同的动力、热力因素影响, 模式误差的来源会因气象参数选择、地形解析度和季节的不同而有所差异, ATMS和CRIS同化对青藏高原天气要素预报效果改进并不具有普遍性。整体上, ATMS同化试验效果优于CRIS同化试验, 同化后对风场预报效果较温度场及相对湿度场要好。
| Andersson E, Hollingsworth A, Kelly G, et al. 1991. Global observing system experiments on operational statistical retrievals of satellite sounding data[J]. Mon Wea Rev, 119(8): 1851–1865. DOI:10.1175/1520-0493(1991)119<1851:GOSEOO>2.0.CO;2 | |
| Bao Y, Xu J, Powell Jr A M, et al. 2015. Impacts of AMSU-A, MHS and IASI data assimilation on temperature and humidity forecasts with GSI-WRF over the western United States[J]. Atmospheric Measurement Techniques, 8(10): 4231–4242. DOI:10.5194/amt-8-4231-2015 | |
| Derber J C, Parrish D F, Lord S J. 1991. The new global operational analysis system at the National Meteorological Center[J]. Wea Forecasting, 6(4): 538–547. DOI:10.1175/1520-0434(1991)006<0538:TNGOAS>2.0.CO;2 | |
| Derber J. 2012. Progress and plans for the Environmental Modeling Center's (EMC) Gridpoint Statistical Interpolation (GSI) development[M/OL]. 1-47. https://www.jcsda.noaa.gov/documents/seminardocs/2012/Derber20120321.pdf.[2016-04-05]. | |
| Eyre J R. 1992. A bias correction scheme for simulated TOVS brightness temperatures[M]. European Centre for Medium-Range Weather Forecasts, 28. | |
| Liu Q, Weng F. 2006. Detecting the warm core of a hurricane from the special sensor microwave imager sounder[J]. Geophys Res Lett, 33(6): 863–883. | |
| McNally A P, Derber J C, Wu W, et al. 2000. The use of TOVS level-1b radiances in the NCEP SSI analysis system[J]. Quart J Roy Meteor Soc, 126(563): 689–724. DOI:10.1002/qj.v126:563 | |
| Moncet J L, Uymin G, Snell H E. 2004. Atmospheric radiance modeling using the optimal spectral sampling (OSS) method[C] //Defense and Security. International Society for Optics and Photonics, 368-374. | |
| Murphy A H. 1988. Skill scores based on the mean square error and their relationships to the correlation coefficient[J]. Mon Wea Rev, 116(12): 2417–2424. DOI:10.1175/1520-0493(1988)116<2417:SSBOTM>2.0.CO;2 | |
| Nutter P A, Manobianco J. 1999. Evaluation of the 29-km Eta Model. Part Ⅰ:Objective verification at three selected stations[J]. Wea Forecasting, 14(1): 5–17. DOI:10.1175/1520-0434(1999)014<0005:EOTKEM>2.0.CO;2 | |
| Sasaki Y. 1958. An objective analysis based on the variational method[J]. J Meteor Soc Japan. Ser. Ⅱ, 36(3): 77–88. DOI:10.2151/jmsj1923.36.3_77 | |
| Wang B, Zou X, Zhu J. 2000. Data assimilation and its applications[J]. Proceedings of the National Academy of Sciences, 97(21): 11143–11144. DOI:10.1073/pnas.97.21.11143 | |
| Wang L, Han Y, Tremblay D, et al. 2012. Inter-comparison of NPP/CrIS radiances with ⅦRS AIRS and IASI:a post-launch calibration assessment[C] //Earth Observing Missions and Sensors:Development, Implementation, and Characterization Ⅱ, 8528:85280J-85280J-7. | |
| Xu J, Rugg S, Byerle L, et al. 2009. Weather forecasts by the WRF-ARW model with the GSI data assimilation system in the complex terrain areas of southwest Asia[J]. Wea Forecasting, 24(4): 987–1008. DOI:10.1175/2009WAF2222229.1 | |
| Yang J, Duan K, Wu J, et al. 2015. Effect of data assimilation using WRF-3DVAR for heavy rain prediction on the northeastern edge of the Tibetan Plateau[J]. Adv Meteor, 15: 1–14. | |
| Zapotocny T H, Jung J A, Le Marshall J F, et al. 2008. A two-season impact study of four satellite data types and rawinsonde data in the NCEP Global data assimilation system[J]. Wea Forecasting, 23(1): 80–100. DOI:10.1175/2007WAF2007010.1 | |
| Zhou H, Gómez-Hernández J J, Franssen H J H, et al. 2011. An approach to handling non-gaussianity of parameters and state variables in ensemble Kalman filtering[J]. Advances in Water Resources, 34(7): 844–864. DOI:10.1016/j.advwatres.2011.04.014 | |
| Zou X, Lin L, Weng F. 2014. Absolute calibration of ATMS upper level temperature sounding channels using GPS RO observations[J]. Geoscience and Remote Sensing, IEEE Transactions on, 52(2): 1397–1406. DOI:10.1109/TGRS.2013.2250981 | |
| 蔡则帅. 2015. NPP-ATMS卫星微波资料在WRFDA中的直接同化试验研究[D]. 南京: 南京信息工程大学, 19-62. Cai Zeshuai. 2015. Direct assimilation study on NPP-ATMS microwave observation in WRFDA[D]. Nanjing:Nanjing University of Information Science & Technology, 19-62. http://cdmd.cnki.com.cn/Article/CDMD-10300-1015639614.htm | |
| 董佩明, 刘健文, 刘桂青, 等. 2014. ATMS卫星资料的同化应用及与AMSUA/MHS的比较研究[J]. 热带气象学报, 30(4): 623–632. Dong Peiming, Liu Jianwen, Liu Guiqing, et al. 2014. Study on the assimilation of ATMS satellite data and comparison with AMSUA/MHS[J]. J Trop Meteor, 30(4): 623–632. | |
| 何光碧, 彭俊, 屠妮妮. 2015. 基于高分辨率地形数据的模式地形构造与数值试验[J]. 高原气象, 34(4): 910–922. DOI:10.7522/j.issn.1000-0534.2014.00022 He Guangbi, Peng Jun, Tu Nini. 2015. Terrain construction and experiment for numerical model based on high resolution terrain data[J]. Plateau Meteor, 34(4): 910–922. DOI:10.7522/j.issn.1000-0534.2014.00022 | |
| 何由, 阳坤, 姚檀栋, 等. 2012. 基于WRF模式对青藏高原一次强降水的模拟[J]. 高原气象, 31(5): 1183–1191. He You, Yang Kun, Yao Tandong, et al. 2012. Numerical simulation of a heavy precipitation in Qinghai-Xizang Plateau based on WRF model[J]. Plateau Meteor, 31(5): 1183–1191. | |
| 焦彦军, 吴声金, 钱正安. 1991. 青藏高原及其邻近地区温压湿场的时空统计特征及其应用[J]. 高原气象, 10(1): 13–25. Jiao Yanjun, Wu shengjin, Qian Zheng'an. 1991. Temporary and space statistic characteristics of aerological geopotential, temperature and dew-point temperature fields over Qinghai-Xizang Plateau and Their Applications[J]. Plateau Meteor, 10(1): 13–25. | |
| 闵爱荣, 廖移山, 王晓芳, 等. 2009. ATOVS资料的变分同化对一次暴雨过程预报的影响分析[J]. 热带气象学报, 25(3): 314–320. Min Airong, Liao Yishan, Wang Xiaofang, et al. 2009. Analyzing the effect of variational data assimilation of satellite radiance on a heavy rain[J]. J Trop Meteor, 25(3): 314–320. | |
| 彭世球, 徐祥德, 施晓晖, 等. 2008. "世界屋脊"大地形坡面探测同化信息对下游天气的预警效应[J]. 科学通报, 53(24): 3134–3138. DOI:10.3321/j.issn:0023-074X.2008.24.023 Peng Shiqiu, Xu Xiangde, Shi Xiaohui, et al. 2008. The role of observations used data assimilation from Tibetan Plateau slope[J]. Chinese Sci Bull, 53(24): 3134–3138. DOI:10.3321/j.issn:0023-074X.2008.24.023 | |
| 钱正安, 焦彦军. 1997. 青藏高原气象学的研究进展和问题[J]. 地球科学进展, 12(3): 207–216. Qian Zheng'an, Jiao Yanjun. 1997. Advances and problems on Qinghai-Xizang Plateau meteorology research[J]. Adv Earth Sci, 12(3): 207–216. | |
| 王曼, 孙绩华, 赵韬, 等. 2013. 青藏高原东缘GPS水汽资料对暴雨模拟的影响分析[J]. 高原山地气象研究, 33(4): 25–29. Wang Man, Sun Jihua, Zhao Tao, et al. 2013. Assimilation test and analysis of the GPS data from the eastern margin of Tibetan Plateau in the rainstorm simulation[J]. Plateau Mountain Meteor Res, 33(4): 25–29. | |
| 吴泽, 范广洲, 周定文, 等. 2014. 基于WRF模式的雅安暴雨数值模拟研究[J]. 高原气象, 33(5): 1332–1340. DOI:10.7522/j.issn.1000-0534.2013.00084 Wu Ze, Fan Guangzhou, Zhou Dingwen, et al. 2014. Numerical simulation of the rainstorm process in Ya'an based on WRF model[J]. Plateau Meteor, 33(5): 1332–1340. DOI:10.7522/j.issn.1000-0534.2013.00084 | |
| 姚昊, 潘晓滨, 臧增亮. 2008. 一次鄂西地区暴雨过程中地形敏感性试验研究[J]. 气象与环境学报, 24(5): 61–66. Yao Hao, Pan Xiaobin, Zang Zengliang. 2008. Experiments on terrain sensitivity to a heavy rainstorm process in western Hubei province[J]. J Meteor Environ, 24(5): 61–66. | |
| 叶笃正, 顾震潮. 1955. 西藏高原对于东亚大气环流及中国天气的影响[J]. 科学通报, 6(1): 28–33. Ye Duzheng, Gu Zhenchao. 1955. Impact of Xizang Plateau on East Asia atmospheric circulation and weather in China[J]. Chinese Sci Bull, 6(1): 28–33. | |
| 殷梦涛, 邹晓蕾. 2015. 极轨气象卫星高光谱红外探测仪简介[J]. 气象科技进展, 5(1): 29–39. Yin Mengtao, Zou Xiaolei. 2015. An introduction to hyper-spectral infrared sounders onboard polar-orbiting meteorological satellites[J]. Adv Meteor Sci Technol, 5(1): 29–39. | |
| 张飞民, 王澄海. 2014. 利用WRF-3DVAR同化常规观测资料对近地层风速预报的改进试验[J]. 高原气象, 33(3): 675–685. DOI:10.7522/j.issn.1000-0534.2012.00198 Zhang Feimin, Wang Chenghai. 2014. Experiment of surface-layer wind forecast improvement by assimilating conventional data with WRF-3DVAR[J]. Plateau Meteor, 33(3): 675–685. DOI:10.7522/j.issn.1000-0534.2012.00198 | |
| 张利红, 李跃清, 秦宁生, 等. 2011. 青藏高原坡面观测信息对我国夏季降水预报的作用[J]. 气象, 37(10): 1233–1240. DOI:10.7519/j.issn.1000-0526.2011.10.006 Zhang Lihong, Li Yueqing, Qin Ningsheng, et al. 2011. The role of observations from Tibetan Plateau slope in summer rainfall NWP in China[J]. Meteor Mon, 37(10): 1233–1240. DOI:10.7519/j.issn.1000-0526.2011.10.006 | |
| 张镱锂, 李炳元, 郑度. 2002. 论青藏高原范围与面积[J]. 地理研究, 21(1): 1–8. Zhang Yili, Li Bingyuan, Zheng Du. 2002. A discussion on the boundary and area of the Tibetan Plateau in China[J]. Acta Geographica Sinica, 21(1): 1–8. | |
| 周昊. 2012. GSI三维变分同化技术在降水预报中的应用[D]. 南京: 南京信息工程大学, 10-19. Zhou Hao. 2012. Application of GSI-3DVAR technique on precipitation forecast[D]. Nanjing:Nanjing University of Information Science & Technology, 10-19. http://cdmd.cnki.com.cn/Article/CDMD-10300-1013179589.htm | |
| 朱丰, 徐国强, 李莉, 等. 2014. 同化青藏高原地区GPSPW数据对长江中下游地区降水预报的影响评估[J]. 大气科学, 38(1): 171–189. DOI:10.3878/j.issn.1006-9895.2013.13117 Zhu Feng, Xu Guoqiang, Li Li, et al. 2014. An assessment of the impact on precipitation prediction in the middle and lower reaches of the Yangtze River made by assimilating GPSPW data in the Tibetan Plateau[J]. Chinese J Atmos Sci, 38(1): 171–189. DOI:10.3878/j.issn.1006-9895.2013.13117 |
2. China Meteorological Administration Training Centre, Beijing 100081, China;
3. Guangdong Ocean University, Zhanjiang 524088, China;
4. Global Environment and Natural Resources Institute, College of Science, George Mason University, Virginia 22030, USA;
5. NOAA Center for Satellite Applications and Research(STAR), College Park, Maryland 20740, USA