2017, Vol. 36
航空数据转发(Aircraft Meteorological Data Relay, AMDAR)是从民航飞机上的自动仪器获得的自动气象报告, 通过气象卫星或高频技术的无线电形式发送给地面接收部门。AMDAR资料具有高时间分辨率的特点, 全球每天有约60万份的观测数据, 在数值天气预报系统中的作用十分重要(Rukhovets et al, 1998; Pouponneau et al, 1999; Cardinali et al, 2003; Fournier and Holden, 2005)。在数值预报的资料同化系统中, 资料的质量对分析和预报效果都有很大影响, 很多观测资料都有系统偏差(Harris and Kelly, 2001; Dee, 2004; 陶士伟, 2008)。Schwartz and Benjamin(1995)认为飞机的偏差和飞机的飞行状态(上升、平飞和下降)有关, 而Ballish and Kumar(2008)认为飞机温度资料的系统偏差不仅和飞行状态有关, 也和飞机类型有关。乔晓燕等(2010)认为飞机温度观测随机误差均方根在边界层较大, 而在边界层以上则较小。廖捷等(2011)研究发现中国区域的飞机温度观测在700 hPa以下和探空温度相比整体偏低。因此, 本文的工作是统计AMDAR温度资料的偏差特征并进行相应的偏差订正。国际上有几种飞机温度资料的偏差订正方法, MetOffice用月平均的观测减去模式6 h预报作为飞机温度观测的偏差, ESRL(Earth System Research Laboratory)用月平均的观测减1 h预报, 并且每周更新, 作为温度的偏差, 2015年美国NCEP在GSI系统里完成了飞机温度资料的变分偏差订正方案(Zhu et al, 2015), ECMWF在2012年对飞机温度资料的变分偏差订正方案(Isaksen et al, 2012)进行偏差订正。Metoffice和ESRL的方法相对简单可行, 且偏差变化缓慢, 但是这些方法用预报模式的背景场作为参考场时, 预报模式也有偏差, 因此偏差订正后的温度可能向预报模式漂移。而变分偏差订正方法是在同化系统中进行的, 可以使得资料订正自动随预报模式和同化系统的改进而调整, 从而达到最优订正。
目前, 国内关于飞机温度偏差订正方面的工作还较少, 本文主要通过中国气象局自主研发的GRAPES系统进行研究, 由于该系统还不具备实现变分偏差订正的功能, 因此利用月平均的温度观测减去GFS 6 h预报场来统计温度偏差, 并在此基础上根据飞机的不同飞行状态, 利用线性回归的方法来拟合温度的偏差, 并结合探空资料来对全球每架飞机分别进行温度的偏差订正。
2 资料和偏差分布特征AMDAR资料以WMO规定的统一电码格式进行国际交换, 参与AMDAR资料交换的国家主要分布在北美、东亚、西欧等地区, 另外澳大利亚的AMDAR资料数量也较多。文中采用的AMDAR资料是国家气象信息中心通过GTS(Global Telecommunication System)从国际交换站接收并进行解码处理后存入要素库的资料。AMDAR资料的观测要素是不同高度层的温度和风。AMDAR温度资料的时段为2014年6-8月(夏季)和2014年12月至2015年2月(冬季), 另外将NCEP的GFS 6 h预报场作为参考场。
2.1 资料数量分布国家气象信息中心接收的AMDAR资料量近年来显著增加, 到2015年每天约60万份。图 1为AMDAR资料在2014年6月10日12:00(世界时, 下同)的全球分布。从资料的覆盖范围可以看出, 这些资料主要集中在北美、西欧、东亚和澳大利亚等区域的航线上。AMDAR资料的观测主要分为三个阶段, 即上升、平飞和下降。通过2014年6-8月AMDAR资料在垂直高度上的分布(图 2)可以看出, 资料数量随着飞行高度的增加, 整体呈增加的趋势, 最多的是在300~200 hPa的高层, 即平飞状态。
|
图 1 2014年6月10日全球AMDAR资料分布 Figure 1 The distribution of global AMDAR data on 10 June 2014 |
|
图 2 2014年6-8月AMDAR资料数量垂向分布 Figure 2 The vertical distribution about amount of AMDAR data from June to August 2014 |
为了统计全球AMDAR温度资料的偏差特征, 从信息中心实时库检索的资料经过质量控制检查, 包括极值检查, 时间一致性检查, 持续性检查(陶士伟等, 2009), 扣除一些不具有统计特征的资料。主要统计AMDAR温度观测和美国全球预报系统(GFS) 6 h温度预报资料的偏差(观测值减去GFS差的平均值)和两个温度资料间差(观测值减去GFS, O-GFS)的标准差。文中统计了冬季(2014年12月至2015年2月)和夏季(2014年6-8月)的误差特征。图 3是对全球夏季和冬季AMDAR温度资料垂向偏差和标准差的统计, 从图 3a可以看出, 无论是冬季还是夏季, 从底层到200 hPa, AMDAR资料的温度和参考场相比都是负偏差, 为-1.5~-0.2 ℃, 而且在资料最多的300~200 hPa, 冬夏两季的负偏差都较大, 其中夏季最大, 冬季则在400~300 hPa偏差最大, 夏季的偏差整体比冬季要大。冬夏两季的标准差变化趋势基本一致(图 3b), 在300 hPa以下随着高度增加有所减小, 300 hPa以上又略有增加, 在1~2.6 ℃, 此外, 夏季的标准差整体小于冬季。
|
图 3 全球夏季和冬季AMDAR温度资料的偏差(a)和标准差(b) Figure 3 Bias (a) and standard deviation (b) of AMDAR temperature data in winter and summer |
在揭示温度偏差和标准差特征的水平分布之前, 先给出200 hPa 2014年6-8月AMDAR资料样本数的水平分布(图 4)。从图 4可知, 观测样本主要集中在美国、西欧、东亚和澳大利亚, 其他区域都在30个样本以下, 不具有统计性。
|
图 4 2014年6-8月的AMDAR资料在200 hPa观测样本数(阴影)的分布 Figure 4 The distribution of observation samples number (the shaded) of AMDAR data on 200 hPa from June to August 2014 |
从200 hPa AMDAR温度偏差的水平分布(图 5)可知, 美国区域的温度偏差主要是-2~-1 ℃的负偏差, 西欧是-1~0 ℃的负偏差, 而东亚和澳大利亚则是0~1 ℃的正偏差。从200 hPa冬季温度标准差(图 6)可看出, 北美区域的标准差最大, 在1.75~2.5 ℃之间, 西欧约为1.5 ℃, 东亚和澳大利亚在1 ℃左右。整体上, 夏季的温度标准差和冬季比较接近, 澳大利亚南部和东南海域夏季的温度标准差比冬季高0.5 ℃, 北美区域夏季相对较小, 其标准差在1~1.75 ℃。
|
图 5 全球冬季(a)和夏季(b)200 hPa温度偏差的水平分布(单位: ℃) Figure 5 Horizontal distribution of temperature bias in winter (a) and summer (b) on 200 hPa.Unit: ℃ |
|
图 6 全球冬季(a)和夏季(b)200 hPa温度标准差的水平分布(单位: ℃) Figure 6 Horizontal distribution of temperature standard deviation in winter (a) and summer (b) on 200 hPa.Unit: ℃ |
探空观测资料的精度较高, 但不同的仪器类型观测误差也不同, 为了对飞机温度资料进行偏差订正, 选择精度较高的探空仪器类型(RS92系列, SIPPICAN, Shanghai, RS80系列)的温度观测值为参考场, 统计AMDAR和探空温度资料的偏差。从不同探空仪器在冬季和夏季的温度观测偏差(图 7)对比分析可知, 夏季100 hPa以上的探空仪器负偏差整体要比冬季大, 而100 hPa以下夏季的偏差整体要比冬季略小。
|
图 7 不同探空仪器在冬季(a)和夏季(b)随气压变化的温度观测偏差(单位: ℃) Figure 7 The temperature observation error of different types of sounding changed with atmospheric pressure in winter (a) and summer (b).Unit: ℃ |
AMDAR温度资料的偏差和飞机的机型、仪器及飞行状态有关, 而飞机的机型和仪器类型无法得知, 所以只能针对每一架飞机的飞行状态来进行偏差订正。由于飞机的上升率和下降率能反映飞行状态, 因此根据可以表征上升率和下降率的位势高度变量来建立每架飞机不同飞行状态下温度偏差的线性回归方程, 即y=a+bx。其中y代表回归方程的因变量, x代表回归方程的自变量, a, b为回归系数。自变量的样本选择位势高度h的变化率dh/dt, 因变量选择AMDAR温度资料和参考场(GFS)的差, 样本范围是冬季所有飞机的观测。每架飞机的温度偏差在上升、下降状态是ΔT≈y, 平飞阶段ΔT=c, c为飞机温度和GFS偏差3个月的统计常数。设飞机的观测温度为T0, 那么订正后的温度Tc=T0-ΔT。由于拟合模式与实际有偏差, 因此结合AMDAR温度资料和探空资料的统计结果, 用回归方程拟合的温度偏差再加上AMDAR温度资料和探空温度资料的统计偏差, 从而构成对温度资料的偏差订正方程, 如下:
| $ {T_c} = {T_0} - \Delta T + 1/2({T_0} - {T_{{\rm{sonde}}}}), $ | (1) |
式中: Tsonde是探空温度资料。在3个月(2014年12月至2015年2月)的统计样本中, 共有7819架不同的飞机, 具有统计意义的是3312架。为说明飞机上升和下降时对温度偏差的影响, 以标识号为0H0HOABA的飞机为例进行分析(图 8), 统计时间是2014年12月1日至2015年2月28日, 在该时间段共有51209个观测样本, 其主要集中在10 m·s-1以内的上升和下降速率范围内, 上升的观测样本要比下降的多, 图中的飞行速率为负值代表下降状态, 飞行速率为正值代表飞行上升状态。由线性回归线可知, 上升和下降阶段的温度偏差主要是负值, 集中在-2 ℃附近。通过飞机标识号为0H0HOABA的3个月的温度偏差和气压的散点分布(图 9, 不同颜色代表资料数大小)可以看出, 上升阶段的资料要比下降阶段多, 从底向上O-GFS的偏差趋势没有大的变化, 且以负偏差为主。
|
图 8 飞机上升/下降速率和温度偏差的散点分布 色条是样本数, 虚线是散点的线性回归线 Figure 8 The scatter plot of aircraft Ascent/Descent rate against temperature bias.The color bar is number of samples, the dashed line is the regression curve |
|
图 9 气压和温度偏差的散点分布 (a)上升阶段, (b)下降阶段.飞机标识码为0H0HOABA, 色条代表样本数, 虚线是散点的线性回归线 Figure 9 The scatter plot of pressure against temperature bias for ascending (a) and descending (b).The aircraft identification code is 0H0HOABA, color bar is number of samples, the dashed line is the regression curve |
由2013年12月全球飞机温度资料在订正前后减去GFS的偏差和标准差的垂直廓线(图 10)可知, 订正后比订正前的偏差最高可减小约0.5 ℃, 标准差也减小约0.2 ℃, 整体上, 从底向上订正后的温度偏差和标准差都有减小, 偏差减小最多的地方是飞机资料最多的300~200 hPa。从200 hPa温度资料偏差订正前和订正后分别减去GFS的偏差水平分布(图 11)可知, 订正前后对比明显的区域主要是北半球, 尤其是美国和西欧区域, 订正后偏差减小幅度约为0.5 ℃。
|
图 10 2013年12月全球飞机温度资料订正前后减GFS的偏差(a)和标准差(b) Figure 10 The bias (a) and standard deviation (b) of the global O-GFS before bias correction and after bias correction during December 2013 |
|
图 11 200 hPa飞机温度(单位: ℃)资料订正前(a)、后(b)分别同GFS的偏差水平分布 Figure 11 The bias horizontal distribution of the aircraft temperature O-GFS on 200 hPa before bias correction (a) and after bias correction (b).Unit: ℃ |
GRAPES是中国气象局自2001年自主研发的气象数值预报系统(陈德辉等, 2008), 该系统的模式状态变量是:风场(u, v, w)、无量纲气压π、位温θ以及比湿q(薛纪善等, 2012)。模式本身采用可压、非静力模式, 空间差分水平方向采用Arakawa C跳点格式, 垂直方向地形高度追随坐标采用Charney-Phillips跳点格式, 并采用半隐式半拉格朗日时间积分方案。水平分辨率是0.5 ℃, 垂直是60层, 模式层顶是35000 m。同化系统是三维变分分析系统3DVAR, 分析变量为:流函数ψ, 势函数χ, 以及π和q, 位温则由π导出:
| $ \frac{{\partial {\rm{ \mathsf{ π} }}}}{{\partial z}} = \frac{g}{{{C_p}\theta }}, $ | (2) |
式中: Cp和g分别是湿空气比热和地球重力加速度。
研究用GRAPES系统做了同化和预报试验, 时间段是2013年12月1-31日。同化窗口是6 h, 预报时效为7天。同化的资料有船舶、飞机、地面、探空、云导风、Noaa15, 16, 18, 19、Metop-A以及Gpsro。共设计两组试验, 试验1是同化所有资料的控制试验, 试验2是用订正之后的飞机资料和其他资料。由于同化的飞机温度资料, 形势场即位势高度h对全球预报来说是较为重要的要素, 是由分析变量π导出的。温度资料的偏差订正主要是在北半球, 因此给出北半球高度和温度场的分析结果同FNL的偏差和均方根误差(图 12), 从图 12a, b可知, 使用订正后的温度资料得到的高度分析结果比订正前的偏差和均方根误差均有所减小, 尤其在飞机资料最多的300~150 hPa, 高度场偏差和均方根误差均减小约2 gpm。温度场的偏差和均方根误差订正后也都有所减小, 在150 hPa减小最明显(图 12c, d)。从200 hPa高度场(图 13)和250 hPa温度场(图 14)的分析结果同FNL的水平偏差分布可以看出, 无论是高度场还是温度场, 其分析偏差减小最多的地方均在美国区域, 南半球和海洋区域的偏差基本没有变化。
|
图 12 北半球温度资料订正前后高度(a, b, 单位: gpm)和温度(c, d, 单位: ℃)分析分别同FNL的偏差(a, c)和均方根误差(b, d) Figure 12 Bias (a, c) and root mean square error (b, d) of height (a, b, unit: gpm) and temperature (c, d, unit: ℃) analysis with FNL before bias correction and after bias correction |
|
图 13 全球温度资料订正前(a)、后(b)200 hPa高度场的分析偏差(彩色区)的水平分布(单位: gpm) 彩色区代表位势高度和FNL的偏差 Figure 13 Horizontal distribution of bias of height analysis (unit: gpm) before bias correction (a) and after correction(b) on 200 hPa.The color area is bias of geopotential height with FNL |
|
图 14 250 hPa全球温度资料订正前(a)后(b)温度分析(单位: ℃)的偏差水平分布 彩色区代表温度和FNL的偏差 Figure 14 Horizontal distribution of bias of temperature analysis (unit: ℃) before bias correction (a) and after correction (b) on 250 hPa.The color area is bias of temperature with FNL |
研究做了1个月预报时效为7天的预报试验, 对全球位势高度和温度场在订正前后的预报距平相关系数进行比较(图 15, 图 16)。试验1(黑色)是控制试验, 试验2(红色)是使用订正后的AMDAR温度资料, 图 15c, d和图 16c, d中方框之外则表示距平相关系数的提高通过显著性检验。在250 hPa温度场的预报试验中, 试验2与试验1相比, 预报距平相关系数的提高比较显著(图 15a, c), 可以达到3 %, 预报时效提高0.5天。在100 hPa, 其距平相关系数的提高也比较显著(图 15b, d)。对于位势高度, 在250 hPa, 试验2预报的距平相关比控制试验的距平相关略高, 在前5天相关系数的提高较显著(图 16a, c)。在100 hPa, 试验2的预报在7天内距平相关系数的提高均是显著的, 且随着预报时效的增加, 其提高也越明显。
|
图 15 偏差订正前后250 hPa (a, c)和100 hPa (b, d)温度预报的距平相关系数(a, b)及其差值显著性(c, d)比较 Figure 15 Monthly average anomaly correlation (a, b) of temperature forecast before bias correction (black line) and after bias correction (red line) on 250 hPa (a, c) and 100 hPa (b, d), with significance test (c, d) |
|
图 16 偏差订正前后在250 hPa (a, c)和100 hPa (b, d)位势高度预报的距平相关系数(a, b)及其差值显著性(c, d)比较 Figure 16 Monthly average anomaly correlation (a, b) of height forecast before bias correction (black line) and after bias correction (red line) on 250 hPa (a, c) and 100 hPa (b, d), with significance test (c, d) |
由于AMDAR资料数量的逐年增加, AMDAR温度资料的质量及应用受到关注, 研究针对从国家气象信息中心实时库检索到的全球AMDAR温度资料, 以GFS为参考场统计冬季、夏季资料的偏差特征, 根据偏差特征, 利用线性回归和探空资料设计偏差订正方案, 进行资料同化和预报数值试验, 主要得出以下结论:
(1) AMDAR温度资料同GFS参考场相比, 冬、夏两季从底层到高层均是负偏差, 其偏差为-1.4~-0.2 ℃, 尤其在300 hPa以上负偏差最大。
(2) 温度负偏差主要分布在美国区域, 且其资料数量最多。
(3) 利用线性回归得到温度偏差的拟合方程, 通过拟合方程得到的偏差订正资料同参考场相比, 偏差和标准差在所有高度上均有所减小。
(4) 利用偏差订正后的温度资料进入GRAPES同化系统后, 温度分析的偏差和标准差都有减小, 在150 hPa减小最多, 约为0.15 ℃; 高度分析比订正前偏差和均方根误差都减小约2 gpm, 在300~150 hPa减小最大。
(5) 从同化偏差订正后的飞机温度资料得到的温度场预报的距平相关系数比控制试验的要高, 且改进显著, 尤其在250 hPa, 预报时效提高0.5天。位势高度预报场的距平相关在250 hPa也略有提高, 但在100 hPa效果更明显。
从以上分析得知, AMDAR温度资料存在一定的偏差, 而且经过偏差订正后对GRAPES同化系统的影响有正效果。经过偏差订正后的飞机温度资料, 对分析和预报结果都有改善, 且对温度预报改进比较明显, 但是同时也可以看到, 对于南半球和北半球的部分区域, 分析和预报的改进还不是很明显, 这个可能和资料分布不均有关, 也可能和同化系统本身有关。由于大气的真值不可知, 因此只是把数值预报模式系统较完善的NCEP的GFS 6 h预报作为参考场, 即相对标准。另外, 由于飞机观测是分钟级数据, 在构造偏差回归系数的时候, 时间差分方案的步长最小为60 s, 这里不可避免的出现时间差分方案带来的误差。因此如何更合理的构造偏差订正系数也是要进一步需要研究的工作。最后, 飞机温度资料的偏差比较大, 进一步分析和检验飞机观测资料也是应该关注的重点。
Ballish B A, Kumar K V. 2008. Systematic differences in aircraft and radiosonde temperatures[J]. Bull Amer Meteor Soc, 89: 1689–1707.
DOI:10.1175/2008BAMS2332.1 |
|
Cardinali C, Isaksen L, Andersson E. 2003. Use and impact of automated aircraft data in a global 4DVAR data assimilation system[J]. Mon Wea Rev, 131: 1865–1877.
DOI:10.1175//2569.1 |
|
Dee D P. 2004. Variational bias correction of radiance data in the ECMWF system. Proc. ECMWF Workshop on Assimilation of High Spectral Resolution Sounders in NWP, Reading, United Kingdom, ECMWF, 97-112.
|
|
Fournier C, Holden S D. 2005. Development of the Canadian Aircraft Meteorological Data Relay (AMDAR) Program and Plans for the Future[C] 13th Symposium on Meteorological Observations and Instrumentation. Savannah, GA.
|
|
Harris B A, Kelly G. 2001. A satellite radiance-bias correction shceme for data assimilation[J]. Quart JRoy Meteor Soc, 127: 1453–1468.
DOI:10.1002/(ISSN)1477-870X |
|
Isaksen L, Vasiljevic D, Dee D, et al. 2012. Bias correction of aircraft data implemented in November 2011[D]. ECMWF Newsletter, No. 131, ECMWF, Reading, United Kingdom.
http://journals.ametsoc.org/doi/10.1175/MWR-D-14-00235.1 |
|
Pouponneau B, Ayrault F, Bergot T, et al. 1999. The impact of aircraft data on an Atlantic cyclone analyzed in terms of sensitivities and trajectories[J]. Wea Forecasting, 14: 67–83.
DOI:10.1175/1520-0434(1999)014<0067:TIOADO>2.0.CO;2 |
|
Rukhovets L, Tenenbaum J, Geller M. 1998. The impact of additional aircraft data on the Goddard earth observing system analyses[J]. Mon Wea Rev, 126: 2927–2941.
DOI:10.1175/1520-0493(1998)126<2927:TIOAAD>2.0.CO;2 |
|
Schwartz B, Benjamin S G. 1995. A comparison of temperature and wind measurements from ACARS-equipped aircraft and radiosondes[J]. Wea Forecasting, 10: 528–544.
DOI:10.1175/1520-0434(1995)010<0528:ACOTAW>2.0.CO;2 |
|
Zhu Y Q, Derber J C, Purser R J, et al. 2015. Variational Correction of Aircraft Temperature Bias in the NCEP's GSI Analysis System[J]. Mon Wea Rev, 143(9): 3774–3803.
DOI:10.1175/MWR-D-14-00235.1 |
|
陈德辉, 薛纪善, 杨学胜, 等. 2008. GRAPES新一代全球/区域多尺度统一数值预报模式总体设计研究[J]. 科学通报, 53(20): 2396–2407.
DOI:10.3321/j.issn:0023-074X.2008.20.002 Chen Dehui, Xue Jishan, Yang Xuesheng, et al. 2008. GRAPES Design and Research of New Generation Global/Regional Multi Scale Numerical Prediction Model[J]. Chinese Sci Bull, 53(20): 2396–2407.
DOI:10.3321/j.issn:0023-074X.2008.20.002 |
|
廖捷, 任芝花. 2011. 我国飞机观测气温和常规观测气温的对比分析[J]. 气象, 37(3): 263–269.
DOI:10.7519/j.issn.1000-0526.2011.03.002 Liao Jie, Ren Zhihua. 2011. Comparative Analysis on Aircraft and Radiosonde Temperatures in China[J]. Meteor Mon, 37(3): 263–269.
DOI:10.7519/j.issn.1000-0526.2011.03.002 |
|
乔晓燕, 马舒庆, 陶士伟, 等. 2010. 商用飞机气象观测温度、风场随机误差分析[J]. 成都信息工程学院学报, 25(2): 201–205.
Qiao Xiaoyan, Ma Shuqing, Tao Shiwei, et al. 2010. Error Analyses of Temperature and Wind of Aircraft Meteorological Data[J]. Journal of Chengdu University of Information Technology, 25(2): 201–205.
|
|
陶士伟, 郝民, 薛纪善, 等. 2008. 数值预报同化系统中观测资料误差分析[J]. 气象, 34(7): 34–40.
DOI:10.7519/j.issn.1000-0526.2008.07.006 Tao Shiwei, Hao Min, Xue Jishan, et al. 2008. Analyses of Observation Data Error in Numerical Forecasting Assimilation System[J]. Meteor Mon, 34(7): 34–40.
DOI:10.7519/j.issn.1000-0526.2008.07.006 |
|
陶士伟, 郝民, 赵琳娜. 2009. AMDAR观测资料分析及质量控制[J]. 气象, 35(12): 66–73.
Tao Shiwei, Hao Min, Zhao Linna. 2009. Quality control procedures and its application in AMDAR observation data[J]. Meteor Mon, 35(12): 66–73.
|
|
薛纪善, 刘艳, 张林, 等. 2012. GRAPES全球三维变分同化系统模式变量分析版[R]. 12-15.
Xue Jishan, Liu Yan, Zhang Lin, et al. 2012. Mode Variable analysis in GRAPES Global Three-Dimensional Variational Assimilation System[R]. 12-15.
|