2019, Vol. 38
2. 中国气象局数值预报中心, 北京 100081;
3. 中国气象局成都高原气象研究所, 四川 成都 610072
作为综合气象观测系统的重要组成部分, 常规探空观测能提供完整的大气三维场的温、压、湿、风等信息, 是极其重要的陆地大气信息来源(Faccani et al, 2009)。探空资料质量稳定可靠、垂直层数多、时间序列长, 不仅在天气学分析研究中发挥着重要作用(卞建春等, 2004; 卢萍等, 2017; 曹杨等, 2017), 而且作为数值同化分析中的基础资料, 对改善模式初始场、提高预报效果也有着重要意义(姚爽等, 2015; 郝民等, 2014; 于晓晶等, 2018)。
由于受人力和物力限制, 中国定常探空观测为一日两次, 分别为08:00(北京时, 下同)和20:00。然而, 目前的探测频次并不能满足中小尺度灾害性天气的监测和预警需求。一方面, 由于强对流灾害性天气往往历时短、骤发性强, 很大一部分对流的生消发展无法被时间间隔为12 h的探空观测捕捉到(陈敏等, 2011)。另一方面, 我国夏季频发的雷暴、大风、短时强降水等高影响天气过程一般发生在午后, 08:00和20:00探空并不算强对流发生时刻临近探空, 而临近探空对于强对流潜势判断具有更好的指示意义(廖晓农等, 2007; 陈炯等, 2013)。因此, 增加14:00探空十分有必要。
随着数值预报技术的发展, 众多学者就14:00加密探空在数值预报中的同化应用开展了一系列研究工作。黄燕燕等(2011)基于广州热带海洋气象研究所开发的逐时同化循环预报系统CHAF(The Cycle of Hourly Assimilation and Forecast System)讨论探空时次加密对于华南暴雨的影响, 试验结果表明加密探空观测有利于模式获取更丰富的大气状态信息, 形成更高质量、更准确的初始场, 从而提高模式的预报效果。李跃清等(2010, 2011, 2012)研究表明在西南涡加密观测试验中增加探空观测频次有利于提高西南区域数值业务系统的降水预报准确率, 特别是在强降水量级, 24 h降水评分明显提高。2013年和2014年6月, 中国气象局先后两次组织了全国范围内14:00高空气象加密观测。何光碧等(2013)将2013年6月的逐日加密探空资料应用于西南区域气象中心业务预报模式, 结果显示加密探空资料同化一定程度上降低了降水空报率, 对高空要素预报和地面要素预报改进也有正贡献。徐同等(2016)采用2014年6月14:00加密探空资料, 利用华东区域中尺度数值预报系统比较有、无加密探空资料的模式预报结果差异, 批量数值试验的统计检验表明, 同化加密探空资料使得24 h暴雨预报技巧提高了2.5%, 位势高度和相对湿度的24 h均方根误差分别减小了1.3%和2.8%。
综上可知14:00加密探空对于提高数值预报技巧具有积极意义, 但是还存在一些有意义的科学问题值得思考和深入研究: (1)将14:00加密探空观测应用于我国自主研发的GRAPES(Global and Regional Assimilation Prediction System)中尺度预报模式能否产生正效果？加密探空同化对于模式初始场中物理量的具体调整表现在哪些方面？(2)我国现有的大气观测站网中已有许多高频非常规观测资料, 包括GPS/PW(Global Position System/Precipitable Water)大气可降水量、雷达VAD(Velocity Azimuth Display)风和GNSS/RO(Global Navigation Satellite System/Radio Occultation)反演的温、压、水汽等观测信息。它们的时间分辨率远大于探空, 在中尺度数值模式中同化这些非常规观测资料能否替代14:00加密探空, 从而节约观测成本？(3)高空观测中有“大球测风”和“小球测风”两种放球方式。小球测风一般探测到300 hPa高度, 它的充气量少, 经济成本远低于大球测风, 在数值模式中能否用小球测风观测替代加密探空？(4)根据我国夏季主汛期的降水分布特点, 采用重点区域加密方式来替代全国加密, 两者取得的预报效果能否相当？为了回答上述科学问题, 本文基于2014年6月全国14:00探空加密观测资料, 设计了观测系统模拟试验(Observing System Simulation Experiments, OSSEs)、实际加密探空同化试验(Observing System Experiments, OSEs)来深入探讨上述科学问题, 研究14:00加密探空对区域数值预报的影响, 并对加密探空布局进行初步探索, 以期对未来探空加密科学试验设计提供有价值的参考。
2 观测系统模拟试验OSSEs观测系统模拟试验OSSEs是定量评估新型观测资料对数值天气预报影响的重要手段, 能为观测系统的最佳配置提供科学依据。OSSEs通常包含3个部分:替代“真实”大气的“自然”场; 由“自然”场生成的人造观测; 用于评价“人造观测”的资料同化和数值预报系统。OSSEs的具体试验原理和步骤请参阅文献Arnold et al(1986)和张宇等(2016)。
2014年6月19-22日, 受中高纬度高空槽和低涡东移影响, 黄淮北部一带出现大暴雨, 同时高空槽引导冷空气南下与副高西侧西南暖湿气流交汇在江南、华南等地造成持续性强降水(关月等, 2014)。选取此次降水过程作为研究个例, 首先通过观测系统模拟试验来讨论14:00加密探空对数值预报的重要意义。
2.1 模拟大气和模拟观测基于中尺度预报模式WRF(Weather Research Forecast, V3.4.1), 以NCEP(National Centers Environmental Prediction)的1°×1°再分析资料作为模式初始场和边界条件, 从2014年6月18日20:00起积分96 h到22日20:00。模式采用单重嵌套, 水平分辨率为10 km, 垂直方向为50层, 模式层顶为10 hPa, 模拟区域为10°N-70°N, 55°E-145°E, 覆盖整个中国区域。为了保证模式有足够长时间来生成中尺度信息, 将前12 h积分作为“spin-up”, 用于比较的时段为2014年6月19日08:00至22日20:00。
参考谭晓伟等(2016)的处理方法, 从WRF模式模拟的“真实大气”中产生虚拟观测主要分3步: (1)将WRF模拟结果从Lambert坐标转换为等经纬度网格坐标(15°N-65°N, 70°E-135°E); (2)根据各种类型观测资料的经纬度、高度层信息, 将格点资料插值为站点资料; (3)在插值后得到的各类站点资料中加入观测代表性误差和符合高斯分布的随机扰动误差。模拟的观测资料包括探空(temp)、地面报(synop)、飞机报(airep)、船舶(ships)、云导风(satob)和大气可降水量(GPS/PW), 各类模拟观测的位置分布见图 1[该图基于国家测绘地理信息局, 审图号为GS(2016)1579号底图制作, 底图无修改]所示, 其中探空观测为预报员根据经验选取的80个代表性站点。
|
图 1 各类模拟观测的位置分布 Fig. 1 Distribution of simulated observations |
数值试验采用中国气象局数值预报中心研发的GRAPES-Meso区域预报模式(王叶红等, 2013)。该系统的水平分辨率为0.1°×0.1°, 东西向751个格点, 南北向501个格点, 垂直方向为50层, 模拟区域为15°N-65°N, 70°E-135°E。同化系统采用GRAPES_3DVAR变分同化系统(陈德辉等, 2008; 郝民等, 2013; 王瑞文等, 2017), 同化资料为上述6类模拟观测, 每6 h更新循环同化, 做24 h预报。设计有、无14:00探空同化的数值试验(表 1), 模拟时段为2014年6月19日08:00至22日08:00。通过对比两组试验中降水场、高空要素场的客观检验结果以及模式初始场差异, 研究14:00加密探空对于此次降水过程的预报价值。
|
表 1 数值试验方案设计 Table 1 Numerical Experiment Schemes |
采用国际上常用的ETS(Equitable Treat Score)评分方法对降水预报结果进行评价, ETS评分计算公式如下:
| $ET{S_k} = \frac{{{N_{{A_K}}} - R}}{{{N_{{A_K}}} + {N_{{B_K}}} + {N_{{C_K}}} - R}}, $ | (1) |
| $R = \frac{{\left({{N_{{A_K}}} + {N_{{B_K}}}} \right)\left({{N_{{A_K}}} + {N_{{C_K}}}} \right)}}{{{N_{{{total}}}}}}, $ | (2) |
其中: K为小雨、中雨、大雨、暴雨和大暴雨几种降水量级; NAK为预报正确的站点数; NBK为空报的站点数; NCK为漏报的站点数; Ntotal为总的站点数。ETS评分越高, 代表模式预报的降水落区准确性越高(王洪等, 2015; 薛童等, 2017)。图 2为逐6 h累积降水预报ETS评分, 其中小雨、中雨、大雨、暴雨、大暴雨对应的降水阈值分别为0.1, 4.0, 13.0, 25.0和60.0 mm。从模式14:00起报结果[图 2(左列)]可知, 同化14:00探空对于模式降水预报改善明显, 尤其在6~12 h、12~18 h、18~24 h预报时段。6~12 h, 降水ETS评分在小雨、中雨、大雨、暴雨量级分别提高了12.7%, 13%, 26.3%, 38.6%, 特大暴雨的预报评分由0变为0.08。12~18 h、18~24 h预报结果和6~12 h类似, 整体表现为降水量级越大, 改善幅度越显著。由于循环同化方案能够将正效果进行不断累积, 受益于14:00预报场中探空加密产生的正贡献, 模式20:00起报结果[图 2(右列)]总体表现为敏感性试验较好, 其降水评分在各个预报时段平均提高了6.9%(小雨)、0.9%(中雨)、3.9%(大雨)和4.3%(暴雨)。总体来看, 模式20:00起报的改进效果略低于14:00起报。
|
图 2 同化前后模式逐6 h累积降水ETS评分 左列: 14:00起报, 右列: 20:00起报 Fig. 2 The ETS score of 6 h accumulated precipitation initialized at 14:00 (left panel) and 20:00 (right panel) |
选取850, 500和200 hPa三个代表性层次, 分别计算两组试验中风场、温度场、比湿场与“实况”的0~24 h预报均方根误差, 采用改进率I(薛谌彬等, 2013)来评价试验结果, 其计算公式如下:
| ${I_t} = \frac{1}{{{n_t}}}\sum\limits_{i = 1}^{{n_t}} {\frac{{RMS{E_i} - rms{e_i}}}{{RMS{E_i}}}} \times 100\%, $ | (3) |
式中: t为预报时效; n为样本数量; RMSEi和rmsei分别代表控制试验和敏感性试验的均方根误差。当改进率I>0, 表明有正效果; 反之, 则为负效果。
从改进率I的时空分布(图 3)可知, 整体而言, 同化14:00探空减少了模式中各个要素的预报误差。分析模式14:00起报结果, U风0~24 h预报无论在模式的低层(850 hPa)、中层(500 hPa)还是高层(200 hPa)均存在明显改善, 低层的改进效果最好, 均方根误差平均减小了12.16%。V风除了在模式高层的前6 h预报中略有负改进, 其低层和中层预报均为正效果。温度场T在模式中层的前6 h预报中表现为1%左右的负贡献, 但在低层和高层改进明显, 均方根误差平均减小了13.4%和11.09%。比湿场qv在低层和中层的预报结果平均提高了15.01%和14.08%。同降水检验结果类似, 20:00的模式起报结果虽得益于循环同化的累积效应, 但其改进效果明显低于模式14:00起报。
|
图 3 同化前后模式风场、温度场、比湿场的预报改进率(单位: %) Fig. 3 The forecast improvement rate of wind field, temperature field and specific humidity field before and after assimilation at 850 hPa, 500 hPa and 200 hPa, respectively.Unit: % |
图 4给出了典型时刻两组试验模拟的24 h降水分布, 模式起报时间为2014年6月19日14:00。从图 4中可以看出, 从“实况”可知, 模拟区域内主要有两个大暴雨区。其中一个位于山东附近, 呈西北-东南带状分布, 另一个位于浙江中东部, 两降水区的最大降水量均达到了100 mm。控制试验和敏感性试验对浙江暴雨区均有不同程度的漏报。对于山东附近的雨带, 两组试验暴雨预报范围均偏小, 相比较而言, 敏感性试验在预报范围和强度上更接近“实况”。
|
图 4 2014年6月19日14:00至20日14:00 24 h累积降水(彩色区, 单位: mm) 黑色点代表加密探空站 Fig. 4 24 h accumulated rainfall from 14:00 on 19 to 14:00 on 20 June 2014 (color area, unit: mm).Black dots represent intensive radiosonde observation |
两组试验降水预报的差异来源于初始场中是否同化了14:00加密探空资料。由19日14:00 500 hPa大尺度环流形式场(图 5)可知, 欧亚大陆高纬地区为典型的“两槽一脊”型分布。贝加尔湖以北为阻塞高压, 贝加尔湖以南地区为一低压槽, 槽底西伸至蒙古中部, 西西伯利亚平原地区有一低压槽。西太平洋上, 副热带高压呈现西伸, 西伸脊点在120°E附近。控制试验和敏感性试验中天气形式均与“实况”接近, 但敏感性试验更接近“实况”, 表现为“两槽”特征线的位置与“实况”更为一致, 同时敏感性试验模拟出了“实况”场中贝加尔湖以南低压槽中的“双低涡”结构。
|
图 5 模式积分初始时刻(2014年6月19日14:00)500 hPa高度场(等值线, 单位: gpm) 红色线为“实况”, 蓝色线为模拟初始场 Fig. 5 Geopotential height filed at 500 hPa in initial field at 14:00 on 19 June 2014 (contour, unit: gpm).Red lines indicates nature run, blue line indicates simulation |
从19日14:00 700 hPa高度上两组试验的风场分布(图 6)中可以看出, “实况”场中, 初始时刻山西附近有一高空槽, 其槽底位于山西中部, 山东处于高空槽前西南气流中。控制试验在山西北部模拟出了一闭合低涡, 天气系统与“实况”不相符, 同时在中国东北地区产生了虚假气旋。敏感性试验修正了控制试验中的模拟偏差, 对天气系统的刻画更为准确, 使其与“实况”更加接近。
|
图 6 模式积分初始时刻(2014年6月19日14:00)700 hPa风场(矢量, 单位: m·s-1) 蓝色阴影为风速, 红色点为加密探空 Fig. 6 Wind filed at 700 hPa in initial field at 14:00 on 19 June 2014 (vector, unit: m·s-1).The blue shading indicates wind speed, red dots represent intensive radiosonde observation |
以上从大尺度天气背景场和环流形势两方面阐述了14:00加密探空对于初始分析场的修正作用, 下面对比分析两组试验在山东附近暴雨区的水汽条件和热力条件差异来进一步揭示14:00加密探空改善降水预报的原因。比较两组试验在850 hPa高度上的水汽混合比[图 7(a)~(b)]可以看出, 初始时刻, 山东大部、河南以及山西中南部等地水汽充沛。其中, 在暴雨区的上风方向(山西南部和河南北部)存在一水汽大值带, 水汽混合比最大值大于16 g·kg-1, 配合山西地区高空槽前的西南气流, 为暴雨区的强降水发生提供了很好的水汽输送条件。从两组试验的水汽混合比差值[图 7(c)]来看, 同化14:00加密探空后, 降雨区及其上风区域内的水汽含量进一步增大, 水汽混合比最大差值达到了6 g·kg-1。分析两组试验在850 hPa高度上的温度差[图 7(f)], 结果表明同化试验加强了降水区及其上风区域内的热力条件。水汽和温度增量使得低层大气更暖、更湿, 从而产生更大的对流不稳定能量[图 7(g)~(i)], 最终使得降水预报强度加强, 与“实况”更为接近。
|
图 7 模式积分初始时刻(2014年6月19日14:00) 850 hPa比湿场(a~c, 单位: g·kg-1)和温度场(d~f, 单位: K)及最大对流有效位能(g~i, 单位: J·kg-1) 黑色点为加密探空 Fig. 7 Mixed vapor ratio filed (a~c, unit: g·kg-1), temperature filed (d~f, unit: K) at 850 hPa and CAPE (g~i, unit: J·kg-1) in initial field at 14:00 on 19 June 2014.Black dots represent intensive radiosonde observation |
以上从模拟观测的角度论证了14:00加密探空对于模式预报的积极影响, 下面设计OSEs试验进一步探讨实际加密探空的同化效果, 并对加密探空的观测布局进行探索。模式采用GRAPES_RAFS(Rapid Analysis and Forecast System)系统, 该系统的水平分辨率为0.15°×0.15°, 预报范围为70°E-145°E, 15°N-65°N, 水平格点数为502×330。垂直方向为基于高度的地形追随坐标, 取不等间距31层(徐枝芳等, 2013; 万晓敏等, 2018)。系统每3 h进行循环同化分析, 每6 h做24 h预报, 设计6组试验, 试验时段为2014年6月1-15日, 具体试验设计见表 2。
|
|
表 2 OSEs数值试验方案设计 Table 2 Numerical experiment schemes of OSEs |
为保证检验资料的相对独立性, 以ERA-Interim再分析资料(0.75°×0.75°)作为参考场, 比较不同试验的同化结果和检验场的差别。分别计算风场、温度场和湿度场的标准差和偏差。使用的统计量定义如下:
| $Bias = \frac{1}{n}\sum\limits_{i = 1}^n {(P - O)}, $ | (4) |
| $SD = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{(VD - MVD)}^2}} }, $ | (5) |
| $VD = P - O, $ | (6) |
| $MVD = \frac{1}{n}\sum\limits_{i = 1}^n {\left({V{D_i}} \right)}, $ | (7) |
式中: Bias和SD分别代表偏差和标准差; n为样本数量; P为预报场; O为对应的检验场。
图 8为14:00起报的模式初始场中各个变量的标准差和偏差的垂直分布。从图 8中可以看出, 首先, 将Exp_14、Exp_no14和Exp_300 hPa三组试验进行对比可知, 三组试验中Exp_14试验的风场标准差最小, 相对于Exp_no14试验, U风和V风的整层标准差平均减小了0.05 m·s-1和0.13 m·s-1, 表明同化14:00加密探空能有效修正风场误差。从温度场和比湿场的分析结果来看, 同化14:00加密探空对于模式中低层(1000~500 hPa)温度、模式低层(1000~700 hPa)湿度略有负贡献。受制于温、湿传感器的性能问题, 探空仪对太阳辐射和云十分敏感, 从而导致探空的湿度、温度观测存在观测偏差(陶士伟等, 2006; 唐南军等, 2014)。我国在探空资料发布前会对资料进行矫正, 偏差订正公式根据实验室测得数据统一标定, 然而实际观测情况更为复杂, 所以仍会存在观测余差(孙丽等, 2018; 刘清惓等, 2013)。考察14:00探空与模式背景场的偏差的垂直分布可知, 14:00探空在模式低层(700 hPa以下)相对模式背景场偏湿、偏冷, 在模式中高层(700 hPa以上)的偏差特征与低层相反, 表现为偏干、偏暖(图 9)。三维变分同化方法的基本假设要求观测相对于背景满足“正态无偏”(仲跻芹等, 2017), 由于探空温度和湿度的偏差订正方法研究目前还很有限(郝民等, 2015), 本文并未对14:00探空的湿度和温度进行偏差订正, 因而可能造成对模式分析场的负影响。对比Exp_14和Exp_300 hPa两组试验可以看到, 300 hPa以上加密探空资料参与同化分析能减小高层风场的分析误差, 特别是高空急流附近(300~100 hPa)风场误差, 但14:00探空加密到300 hPa以上高度对于温度、湿度分析结果几乎没有影响。对比分析Exp_14、Exp_NW和Exp_NE三组试验的评估结果, 从图 8中可知, Exp_14和Exp_NE两组试验的要素分布基本一致, 略优于Exp_NW试验, 表明14:00探空不需要全国加密, 重点区域加密即可。最后, 对比Exp_no14和Exp_nogps两组试验, 从结果来看, 14:00加密探空对于模式初始场的影响大于GPS/PW等非常规观测, 表现为风场、湿度场的整层标准差平均减小了10.6%和1.7%。因此, 就目前而言, 非常规观测不能取代14:00加密探空。此外, 分析20:00起报的各组试验间的初始场差异, 除Exp_no14和Exp_nogps两组试验的差异较大, 其余各组试验间差异较小(图略), 表明14:00加密探空还是对临近时刻影响更为显著。
|
图 8 14:00模式初始场中风场、温度场、比湿场相对于ERA-Interim的标准差和偏差的垂直分布 Fig. 8 The vertical distribution of STD and BIAS of analyzed wind, temperatureand and qvapor against ERA-Interim at 14:00 |
|
图 9 14:00探空与模式背景场的偏差的垂直分布 Fig. 9 The vertical distribution of BIAS between radiosonde observation and background at 14:00 |
将模式垂直方向上划分为三层:低层为1000~700 hPa, 中层为700~400 hPa, 高层为400~10 hPa, 进一步比较模式14:00起报的以上6组试验的预报结果。计算风场、温度场和湿度场的均方根误差减小率在不同高度层的变化特征(图 10), 其中差值为负, 表示预报误差减小, 反之, 表示预报误差增大。从图 10中可以看出, 对比Exp_14和Exp_no14试验可知, 14:00加密探空同化对于24 h内风场预报均有改善, U风和V风整层预报误差平均减小了1.34%和1.41%。与模式初始场分析特征相一致, 温度场在模式中低层预报变差, 误差增加了近10%。就湿度场而言, 两组试验预报结果几乎相当。比较Exp_14和Exp_300 hPa试验的预报差异可以看出, 探空加密到300 hPa高度主要对于模式高层12 h内风场预报有所影响, 但对温度场和湿度场影响甚微。东北地区14:00探空加密对于预报结果影响十分有限, 西北地区不参与同化的影响大于东北地区。Exp_no14和Exp_nogps两组试验预报差异最大, 用非常规观测代替14:00加密探空使得风场和湿度场的预报误差显著加大, 整层预报误差平均增加了7.75%和0.98%。
|
图 10 模式预报场中风场、温度场、比湿场的预报误差在模式低层(LL)、中层(ML)、高层(HL)的分布(14:00起报, 单位: %) Fig. 10 RMSE error of wind, temperature and qvapor at low level (LL), middle level (ML) and high level (HL) against ERA-Interim along time (start at 14:00, unit: %) |
降水预报是衡量区域模式预报能力的重要指标。采用ETS评分方法对上述6组试验的降水预报结果进行逐6 h累积降水检验, 降水等级划分同OSSEs试验一致。所用的实况资料为国家气象信息中心提供的全国约2400站观测。从图 11中可以看出, 对比Exp_14和Exp_no14试验在各个降水量级和评分时段下的ETS差值可见, 整体而言, 同化14:00加密探空能提高降水预报技巧, 14:00起报结果优于20:00起报。分析14:00起报结果, 0~6 h, 暴雨和大暴雨预报技巧提高明显, 大暴雨量级降水评分提高了约5.4倍; 6~12 h, 除小雨预报技巧略微下降外, 其它降水量级预报技巧均有提高, 平均提高了65.9%; 12~18 h, 小雨至暴雨量级预报技巧分别提高4.3%, 13.0%, 25.3%和55%; 18~24 h, 两组试验结果几乎相当, Exp_14略优。比较Exp_14和Exp_300 hPa试验的6 h降水评分, 14:00加密探空探测到300 hPa以上的高度对小雨、中雨、大雨、暴雨降水预报影响很弱, 仅在个别预报时次对大暴雨预报存在影响。综合来看, 考虑气球施放成本, 加密探空探测高度到达300 hPa可满足降水预报需求。从Exp_nogps和Exp_no14试验的评分差异来看, GPS/PW、雷达VAD风等非常规观测资料虽能提供丰富的水汽、风场等中小尺度气象信息, 但仍不能替代14:00加密探空同化在模式预报中的基础作用, 图中Exp_nogps预报评分明显优于Exp_no14, 特别是14:00模式起报结果。分别比较Exp_NW和Exp_NE两组试验与Exp_14的ETS评分值。从对比结果可见, 无论是14:00还是20:00起报, 东北地区14:00加密探空不参与同化分析对于降水预报在多数预报时段内影响不大, 部分时次表现为加密探空不参与同化的降水预报结果更优。西北地区探空加密的影响略大于东北地区。总体而言, 14:00加密探空不需要全国加密, 重点区域加密就能满足预报需求。
|
图 11 6 h累积降水ETS评分差值分布 Fig. 11 The difference value of ETS score of 6 h accumulated precipitation initialized at 14:00 and 20:00 |
基于2014年6月全国14:00探空加密观测资料, 设计了观测系统模拟试验(OSSEs)和实际加密探空同化试验(OSEs)来论证14:00加密探空对数值预报的应用价值, 并对14:00加密探空的布网设计进行了探讨。得到的主要结论如下:
(1) 观测系统模拟试验(OSSEs)和实际加密探空同化试验(OSEs)均表明同化14:00加密探空对于提高区域模式的降水预报准确率有积极影响。降水预报技巧在强降水量级的改善更为显著, 14:00起报结果优于20:00起报。
(2) 理想观测系统模拟试验中同化14:00加密探空能有效调整模式初始场中的动力、热力结构和水汽分布, 从而使得风场、温度场和湿度场的预报与“实况”更为接近。实际加密探空同化试验中增加14:00探空观测能修正模式风场, 但对于温度和湿度分析在模式中低层略有负贡献。探空的湿度、温度观测本身存在观测偏差是一个可能的原因。未来需要发展探空的湿度、温度偏差订正技术来进一步提高资料应用效果。
(3) 从观测布局角度而言, 14:00加密探空对于数值预报模式具有基础作用, 就目前来看, GPS/PW等非常规资料不能取代14:00加密探空。加密探空探测到300 hPa以上高度对温度、湿度场以及0.1~25 mm量级的降水预报影响很弱。东北地区14:00探空增加与否对于降水预报结果影响很小。考虑到探空气球的施放成本, 采用探测高度到300 hPa、重点区域加密是一种经济的14:00增加高空观测方式。
本文设计的OSSEs试验属于特定天气条件下的个例模拟, 开展的实际加密探空同化批量试验时段相对较短, 因而本文取得的研究结论具有一定的局限性。今后将继续深入开展更多的研究工作, 选取更长研究时段、不同类型的天气过程(包括层状云降水过程、低温雨雪天气、雾霾天气等)进行更为细致的分析, 明确14:00加密探空对这些非对流性天气的作用, 对本文取得的结论是否具有普适性作进一步论证。另外, 结合目标观测技术对14:00加密探空进行适应性观测研究也是下一步的工作重点。
致谢: 中国气象局数值预报中心龚建东研究员、田伟红高级工程师、于翡博士、王瑞春博士对本文给予了诸多建议和帮助, 中国科学院大气物理研究所董理博士、黄永杰博士提供包含正确国界和行政区域的中国地图数据, 谨此致谢！
Arnold C P J, Dey C H. 1986. Observing-systems simulation experiments:Past, present, and future[J]. Bulletin of the American Meteorological Society, 67(6): 687–695.
DOI:10.1175/1520-0477(1986)067<0687:OSSEPP>2.0.CO;2 |
|
Faccani C, Rabier F, Fourrié N, et al. 2009. The impact of the AMMA radiosonde data on the French global assimilation and forecast system[J]. Weather & Forecasting, 24(5): 1268–1286.
|
|
卞建春, 陈洪滨, 吕达仁. 2004. 用垂直高分辨率探空资料分析北京上空下平流层重力波的统计特性[J]. 中国科学:地球科学, 34(8): 748–756.
|
|
曹杨, 陈洪滨, 李军, 等. 2017. 利用再分析与探空资料对0℃层高度和地面气温变化特征及其相关性的分析[J]. 高原气象, 36(6): 1608–1618.
DOI:10.7522/j.issn.1000-0534.2017.00011 |
|
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 |
|
陈炯, 郑永光, 张小玲, 等. 2013. 中国暖季短时强降水分布和日变化特征及其与中尺度对流系统日变化关系分析[J]. 气象学报, 71(3): 367–382.
|
|
陈敏, 范水勇, 郑祚芳, 等. 2011. 基于BJ-RUC系统的临近探空及其对强对流发生潜势预报的指示性能初探[J]. 气象学报, 69(1): 181–194.
|
|
关月, 何立富. 2014. 2014年6月大气环流和天气分析[J]. 气象, 40(9): 1159–1164.
|
|
郝民, 龚建东, 王瑞文, 等. 2015. 中国L波段探空湿度观测资料的质量评估及偏差订正[J]. 气象学报, 73(1): 187–199.
|
|
郝民, 田伟红, 龚建东. 2014. L波段秒级探空资料在GRAPES同化系统中的应用研究[J]. 气象, 40(2): 158–165.
DOI:10.3969/j.issn.1001-7313.2014.02.005 |
|
郝民, 张华, 陶士伟, 等. 2013. 变分质量控制在区域GRAPES-3DVAR中的应用研究[J]. 高原气象, 32(1): 122–132.
DOI:10.7522/j.issn.1000-0534.2012.00013 |
|
王瑞文, 龚建东, 韩威, 等. 2017. AMDAR温度资料的偏差订正及对GRAPES系统的影响[J]. 高原气象, 36(5): 1346–1356.
DOI:10.7522/j.issn.1000-0534.2016.00124 |
|
何光碧, 张利红, 陈功, 等. 2013. 探空加密观测资料对西南地区数值预报的影响分析[J]. 高原山地气象研究, 33(3): 1–7.
DOI:10.3969/j.issn.1674-2184.2013.03.001 |
|
黄燕燕, 万齐林, 陈子通, 等. 2011. 加密探空资料在华南暴雨数值预报的应用试验[J]. 热带气象学报, 27(2): 179–188.
DOI:10.3969/j.issn.1004-4965.2011.02.006 |
|
李跃清, 赵兴炳, 邓波. 2010. 2010年夏季西南涡加密观测科学试验[J]. 高原山地气象研究, 30(4): 80–84.
DOI:10.3969/j.issn.1674-2184.2010.04.014 |
|
李跃清, 赵兴炳, 张利红, 等. 2011. 2011年夏季西南涡加密观测科学试验[J]. 高原山地气象研究, 31(4): 7–11.
DOI:10.3969/j.issn.1674-2184.2011.04.002 |
|
李跃清, 赵兴炳, 张利红, 等. 2012. 2012年夏季西南涡加密观测科学试验[J]. 高原山地气象研究, 32(4): 1–8.
DOI:10.3969/j.issn.1674-2184.2012.04.001 |
|
廖晓农, 俞小鼎, 谭一洲. 2007. 14时探空在改进北京地区对流天气潜势预报中的作用[J]. 气象, 33(3): 28–32.
|
|
卢萍, 杨康权, 李英. 2017. 基于加密探空资料对不同海拔高度台站边界层大气的对比分析[J]. 大气科学, 41(6): 1234–1245.
|
|
谭晓伟, 徐枝芳, 龚建东. 2016. 风廓线雷达资料对GRAPES_MESO数值预报系统影响的初步研究[J]. 气象, 42(1): 26–33.
|
|
唐南军, 刘艳, 李刚, 等. 2014. 中低空探空相对湿度观测数据的新问题-基于中国L波段探空系统湿度观测异常偏干现象的初步分析[J]. 热带气象学报, 30(4): 643–653.
DOI:10.3969/j.issn.1004-4965.2014.04.005 |
|
陶士伟, 陈晓红, 龚建东. 2006. L波段探空仪温度资料误差分析[J]. 气象, 32(10): 46–51.
|
|
万晓敏, 韩威, 田伟红, 等. 2018. 加密FY-2G云导风质量评估及其在GRAPES_RAFS系统中的应用分析[J]. 高原气象, 37(4): 1083–1093.
DOI:10.7522/j.issn.1000-0534.2017.00089 |
|
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.
|
|
薛童, 管兆勇, 徐建军, 等. 2017. ATMS和CrIS卫星资料同化对青藏高原天气预报的影响[J]. 高原气象, 36(4): 912–929.
DOI:10.7522/j.issn.1000-0534.2016.00087 |
|
王叶红, 赖安伟, 林春泽, 等. 2013. 基于GRAPES-MESO模式的非静力三维变分同化方案性能分析[J]. 高原气象, 32(3): 689–706.
DOI:10.7522/j.issn.1000-0534.2012.00065 |
|
徐同, 王晓峰, 张蕾, 等. 2016. 加密探空资料在华东区域业务模式中的应用试验[J]. 暴雨灾害, 35(4): 306–314.
DOI:10.3969/j.issn.1004-9045.2016.04.002 |
|
徐枝芳, 郝民, 朱立娟, 等. 2013. GRAPES_RAFS系统研发[J]. 气象, 39(4): 466–477.
DOI:10.3969/j.issn.1674-7097.2013.04.009 |
|
薛谌彬, 龚建东, 何财福, 等. 2013. 静止卫星云导风的质量控制及在同化中的应用[J]. 应用气象学报, 24(3): 356–364.
DOI:10.3969/j.issn.1001-7313.2013.03.012 |
|
姚爽, 陈敏, 王建捷, 等. 2015. L波段分钟数据在WRF模式中的变分同化应用试验[J]. 气象, 41(6): 695–706.
|
|
于晓晶, 杜娟, 王敏仲, 等. 2018. 青藏高原新增探空资料同化对南疆夏季降水预报的影响[J]. 高原气象, 37(1): 13–27.
DOI:10.7522/j.issn.1000-0534.2017.00034 |
|
张宇, 陈德辉, 仲跻芹. 2016. 数值预报在青藏高原的不确定性对其下游预报的影响[J]. 高原气象, 35(6): 1430–1440.
DOI:10.7522/j.issn.1000-0534.2015.00110 |
|
仲跻芹, GuoY R, 张京江. 2017. 华北地区地基GPS天顶总延迟观测的质量控制和同化应用研究[J]. 气象学报, 75(1): 147–164.
|
|
孙丽, 赵姝慧. 2018. 探空仪湿度测量误差研究现状及其对云识别的影响[J]. 地球科学进展(1): 85–92.
|
|
刘清惓, 戴伟, 杨荣康, 等. 2013. 探空温度测量太阳辐射误差的流体动力学分析[J]. 高原气象, 32(4): 1157–1164.
DOI:10.7522/j.issn.1000-0534.2012.00109 |
2. Numerical Prediction Center, CMA, Beijing 100081, China;
3. Institute of Plateau Meteorology, CMA, Chengdu 610072, Sichuan, China