中国气象学会主办。
文章信息
- 陈敏, 陈明轩, 范水勇. 2014.
- CHEN Min, CHEN Mingxuan, FAN Shuiyong. 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
- The real-time radar radial velocity 3DVar assimilation experiments for application to an operational forecast model in North China
- 气象学报, 72(4): 658-677
- Acta Meteorologica Sinica, 72(4): 658-677.
- http://dx.doi.org/10.11676/qxxb2014.070
-
文章历史
- 收稿日期:2013-9-30
- 改回日期:2014-6-12
1 引 言
近十年来,人们不断致力于发展同化多普勒雷达观测资料的技术和方法,以达到能够在数值模式中加入与强对流风暴相关的对流信息的目的。与雷达反射率因子相比,雷达的径向风资料的同化技术更为成熟且已经在国际上多个数值预报业务中心得到应用。
在研究和实时预报业务中通常将雷达径向风资料反演为风廓线的形式然后开展同化应用(Lindskog et al,2004; Benjamin et al,2004; Holleman,2005);而近年来,直接同化雷达径向风风速,而非反演的雷达速度方位显示(VAD)风廓线的技术也逐步趋于成熟。Sun等(1997,1998)开始在三维云尺度模式中实现了雷达径向风和反射率因子的四维变分同化(4DVar),并采用WSR-88D雷达网观测资料产生实时的边界层风和温度的分析场;在此基础上经过一系列改进后(Sun et al,2008,2010),形成了雷达变分分析系统(VDRAS)。除四维变分同化外,Snyder等(2003)也验证了采用集合卡尔曼滤波(EnKF)技术同化对流尺度雷达观测资料的可能性。但考虑到四维变分同化和集合卡尔曼滤波等同化技术所需计算代价昂贵,三维变分同化(3DVar)仍然是在业务数值预报同化中被广泛采用的主流同化技术(Sun,2005)。实际上,全球多个模式及其资料同化系统均就雷达径向风观测的三维变分同化方法开展了一系列的研发,例如HIRLAM模式(Salonen,2002)、英国气象局的业务预报模式(Rihan et al,2004)、MM5的三维变分同化系统(Xiao et al,2005)、STMAS(Li et al,2010)、ARPS模式(Gao et al,1999,2001,2004;Lindskog et al,2004; Benjamin et al,2004; Holleman,2005)以及GRAPES-3Dvar系统等(李媛等,2009;万齐林等,2005)。
尽管已有大量个例研究结果表明,同化雷达径向风通过调整初始三维风场结构对同化和预报结果均有不同程度的正面影响(张林等,2006; 杨毅卜等,2007; 徐广阔等,2009; Sun et al,2008,2010;赵文斌等,2010a,2010b;李媛等,2011; 王遂缠等,2011;陈锋等,2012),但是天气雷达径向风资料同化应用的大批量试验或者实时及半业务化试验、乃至实际的业务化应用目前仅有为数不多的一些结果。例如,Snyder等(2003)和Lindskog等(2004)发展了包括资料处理、质量控制以及观测算子等各个模块的高分辨率有限区域模式(HIRLAM)的雷达径向风观测的三维变分同化实时同化方案,雷达的风场观测可以以径向风超级观测或者通过VAD技术反演获得的垂直风廓线两种形式进行三维变分同化;2005年,韩国气象局(KMA)建成了天气研究和预报模式(WRF)三维变分雷达资料同化系统,并开展一系列试验,2006年正式投入业务化应用(Sun,2005; Xiao et al,2008);Salonen(2002)和Montmerle等(2009)给出了法国雷达网(ARAMIS)观测的多普勒雷达径向风资料在AROME非静力模式中进行准业务三维变分同化应用一个月的预报效果评估。
BJ-RUC(Beijing Rapid Updated Cycling Forecast System)是基于WRF模式和WRFDA(WRF Data Assimilation)-3DVar系统发展的华北区域快速更新循环同化和预报系统,该系统已服务于2008年北京奥运气象保障以及2008年以后的华北区域日常天气预报业务。但是根据北京2008年临近预报示范项目(B08FDP)的比较结果,BJ-RUC系统对京津冀地区强对流天气的短时临近预报能力尚不稳定,一个可能的原因即是在缺乏足够多的中小尺度观测资料(包括雷达资料)实时同化的条件下,模式无法在初始时刻具备对流发生、发展的初始信息,因此模式在临近的时空尺度上很难提供准确的预报,对弱强迫对流尤其明显(Rihan et al,2004; Wilson et al,2010)。随着京津冀地区新一代多普勒天气雷达监测网的建成,华北区域内多部雷达的观测资料已能够实时获取;而北京自动临近预报系统(BJ-ANC)(陈明轩等,2010)和雷达变分分析系统(Sun et al,2010;陈明轩等,2011)也为华北区域雷达观测资料的预处理和质量控制等方面提供了重要的技术支撑。基于上述两方面的客观条件,自2010年起以业务应用为目标开展了雷达观测资料在BJ-RUC预报系统中的同化技术研究。
整个研究过程大致分为三个阶段:首先在雷达资料预处理系统和质量控制、背景场误差方差特征尺度调整、对流尺度雷达观测资料与大尺度常规观测资料的实时同化策略等方面形成雷达观测资料同化的业务方案;考虑到雷达径向风风速较反射率因子的变分同化技术更加成熟,因此在2011年汛期首先开展雷达径向风风速的实时同化应用并行试验,并对整个雷达资料业务同化方案的可行性进行验证;同时自2011年起应用Xiao等(2005)发展的雷达反射率因子间接同化方法在BJ-RUC框架内开展了同化应用的个例试验(Li et al,2010; 范水勇等,2013);在证明了两种雷达观测资料的同化均有正面效果的基础上,于2012年汛期实现雷达径向风和反射率因子在BJ-RUC预报系统中的正式业务同化应用。
本文将重点介绍包括华北区域雷达资料质量控制和预处理系统、背景场误差方差特征尺度调整、对流尺度与大尺度常规观测资料的同化策略等的业务同化方案,并对2011年汛期雷达径向风的实时并行同化试验情况进行分析,通过同化应用试验结果考察雷达径向风的实时同化性能,以及该观测资料的同化对于强对流天气预报的有效性。2 华北区域雷达观测网及雷达资料预处理
雷达资料预处理和相关的质量控制是实现中尺度数值模式有效同化雷达资料并改进对流尺度数值天气预报的关键和前提(Sun,2005)。基于北京自动临近预报系统(BJ-ANC)(陈明轩等,2010)和雷达变分分析系统(Sun et al,2010;陈明轩等,2011)中的相关模块,经过进一步改进和拓展研发,整合建立了适合于BJ-RUC系统快速更新循环同化的雷达资料实时预处理系统,实现了对京津冀地区4部新一代S波段天气雷达(北京、天津、石家庄、秦皇岛)和2部新一代C波段天气雷达(张北、承德)(图 1)的体扫观测资料(径向风和反射率因子)的实时质量控制和插值等处理。该系统接收每部雷达的基数据后进行下列处理:
![]() |
图 1 京津冀地区6部雷达位置分布(圆圈为每部雷达的径向风观测范围) Fig. 1 Distribution of the six Doppler radars in Beijing,Tianjin and Hebei Province (the circles represent the observing extent of each radar) |
(1)对雷达资料进行地物杂波、超折射地物回波、速度模糊等的识别和消除(陈明轩等,2010,2011)。针对S和C波段雷达径向风资料的观测特性,在对雷达径向风资料进行全域退模糊的基础上,根据不同波长雷达在业务扫描模式VCP21下的最大不模糊速度参数表,读取每部雷达不同仰角的最大不模糊速度,进行径向风的水平梯度检查,并参考雷达径向风的局地方差统计特征,进一步寻找可能的速度模糊区域,进行速度退模糊处理。
(2)对雷达资料进行插值、平滑、资料填充等一系列资料处理(Sun et al,2001,2010;陈明轩等,2011)。其中考虑了地球曲率和地形高度在资料插值中的影响,修正了插值后雷达站的位置存在偏差的问题。
(3)对雷达资料进行观测误差统计。观测误差统计是气象观测资料同化最为重要的方面之一(Tsuyuki et al,2007)。对于雷达径向风资料,观测误差主要来源包括雷达本身的硬件观测偏差、多普勒频移偏差、取样误差、观测“漏洞”、距离折叠、速度模糊等(Rihan et al,2010)。对雷达径向风资料进行上述质量控制、插值、平滑、填充等一系列预处理后,基于径向风局地标准偏差计算的方法(Miller et al,2003;Sun,2005),在资料插值的过程中,通过统计计算每个资料格点与9点平均值的标准偏差来获得径向风观测误差的初步估计。
(4)将经过质量控制和预处理的径向风和反射率因子及其观测误差以WRFDA(WRF Data Assimilation)认可的格式输出,形成所谓的超级观测资料。对于反射率因子资料,6部雷达的有效观测半径统一取230 km,可以有效去除第二程回波;对于径向风资料,4部S波段雷达取为150 km,2部C波段雷达,根据其径向风观测性能,有效观测半径仅取115 km。这样,也进一步抑制了不可靠甚至错误的径向风资料对模式同化的影响。根据新一代天气雷达业务扫描模式VCP21(每6 min 9个仰角)观测得到的资料特性,以及BJ-RUC模式的分辨率设置,设定超级观测的水平分辨率为3000 m,垂直分辨率为500 m,资料最低层在250 m,资料中心位于(39.5836°N,116.1802°E)。
系统运行在Linux环境中,采用Fortran和C++混合编程技术。在实时运算中,采用雷达资料到达触发式启动的方式运行,为BJ-RUC系统实时提供经过预处理和质量控制后的京津冀6部雷达的观测资料。
3 雷达径向风实时同化方案3.1 雷达径向风同化观测算子
在WRFDA的三维变分同化系统中,根据模式中三维风场(u,v,w)、下落雨滴末速度vT、观测目标与雷达天线的距离ri构造了WRFDA中雷达径向风速Vr的正演算子(Xiao et al,2005)
式中,(x,y,z)为雷达位置,(xi,yi,zi)为雷达观测目标的位置,vT=5.40 αq0.125r,其中,qr为模式计算的雨水混合比,修正因子α=(p0/

在研究雷达径向风同化方案之初,针对2009年北京地区7次强对流过程,采用WRFDA3.1/WRFV3.2对京津冀6部雷达径向风观测资料开展同化预报试验。结果表明,在同化参数均采用缺省值的条件下,雷达径向风资料的同化并未对模式的预报带来正面效果,其原因在于同化后获得的分析增量范围过大、过强(图略)。
在三维变分同化过程中,观测信息在模式空间中的传播方式是由模式的背景场误差协方差的空间统计结构决定的。目前基于NMC(National Meteorological Center’s spectral statistical-interpolation)统计方法(Parrish et al,1992)获得的背景场误差协方差中各控制变量的相关性、各控制变量的方差和尺度特征长度主要反映了模式大尺度、气候平均的误差分布结构,其空间尺度适用于探空等天气尺度乃至中尺度观测的同化。但是由于雷达观测具有极高的时空分辨率,很大一部分反映γ中尺度至对流尺度的观测信息,在现有的背景场误差协方差误差空间分布结构的作用下,雷达观测信息的影响范围和程度将很可能被不合理地放大至与探空等反映天气尺度大气信息的观测相当的尺度。
单点观测试验的结果清楚地表明了这一点。选择2009年8月1日06时(世界时,下同)北京南郊观象台雷达(BJRS,39.81°N,116.47°E,海拔高度88.3 m)的位于(40.299°N,116.9°E,海拔高度3000 m)的单个目标观测点,并在该点位置上给定1 m/s的雷达径向风的更新向量值(即观测值-背景值,通常用OMB表示,下同)。经单点观测同化后形成的700 hPa层上的u、v的分析增量(图 2a、c)表明,1 m/s的径向风更新向量所产生的分析增量最大值为0.25 m/s,影响的范围大于500 km。可以认为,分析增量的值基本合理,但其影响范围过大,其影响尺度与探空观测类似。
![]() |
图 2 2009年8月1日06时北京南郊观象台雷达(BJRS,39.81°N,116.47°E,海拔高度88.3 m)径向风单点观测(40.299°N,116.9°E,3000 m高度,更新矢量为1 m/s)在两种方差及特征长度尺度组合下形成的700 hPa分析增量分布(a.u分量,var_scalings = 1,len_scalings=1;b.u分量,var_scalings = 0.5,len_scalings=0.5;c.v分量,其他同(a);d.v分量,其他同(b)) Fig. 2 WRF 3DVar analysis increments at 700 hPa with the updating of 1 m/s of a single point of radial velocity at 40.299°N,116.9°E at 3000 m for the BJRS radar(located at 39.81°N,116.47°E,88.3 m)corresponding to the different BE statistics scales: u component(a)var_scalings = 1,len_scalings=1,and (b)var_scalings = 0.5,len_scalings=0.5,(c)as in(a)but for v component;(d)as in(b)but for v component at 06:00 UTC 1 August 2009.(Contour intervals are 0.01 m/s,negatives are dashed,and zero is omitted) |
在WRFDA的三维变分同化系统中,有5个控制变量:流函数、非平衡速度势、非平衡温度、非平衡气压和湿度。从同化理论的角度来看,背景场误差协方差中各个控制变量的方差和影响尺度等特征经统计获得后应当是固定不变的。Barker等(2004)提出,采用NMC方法估算的水平递归滤波特征长度尺度,尤其在其小尺度部分由于受边界条件、噪声等影响,存在是否能够代表模式背景场误差特征的有效性问题。因此也采用倍数调节因子来修正通过NMC方法估算的特征长度和方差尺度,而这种调节经常是经验性的(Barker et al,2004; Sadiki et al,2005; Fischer et al,2005)。在WRFDA中,对背景场误差协方差的统计特征尺度开展后验性调整是通过乘以背景场方差和特征长度尺度的倍数调节因子来进行的,分别用var_scaling和len_scaling来表示,其缺省值为1。
为使雷达径向风观测单点试验的分析增量具有合理的影响范围,使用不同背景误差尺度调节因子配置组合,开展了一系列单点试验。结果表明,当背景场方差和特征长度尺度调节因子参数均设置为0.5时,同化形成的分析增量极值影响半径收缩至局地观测能够影响的合理范围,同时仍然保留了相似的分析增量幅度(图 2b、d)。如同Barker等(2004)所强调的,单点观测的结果反映了背景场误差协方差气候平均的结构特征,并不仅只与某特定个例的预报误差相关,因此可以认为,背景场误差协方差的方差及特征长度尺度因子均设为0.5是一个对雷达观测到的对流尺度信息而言较为合理的组合,可以在同化雷达观测资料时应用于背景场误差协方差中所有的控制变量。
3.3 以业务应用为目标的雷达径向风资料同化策略
很明显,上述调整过的经验尺度因子仅适用于雷达等小尺度局地观测资料的同化,而在实际同化业务应用中必须考虑的一个问题则是如何对各种空间和时间尺度的观测资料综合整合。在相当数量的高分辨率资料同化系统中,一个具备可操作性的办法即是以同化了其他尺度观测资料后形成的分析场为初猜场来同化对流尺度的雷达观测资料(Sun,2005)。例如,在LAPS(Local Analysis and Prediction System)的风分析系统中,是采用不同权重函数进行第二次逐步订正时开展雷达风观测资料的同化(Albers,1995);在雷达变分分析系统中,则是采用两种技术来分别同化中尺度和对流尺度观测资料,即首先采用Barnes方案和垂直距离权重插值方案进行中尺度观测资料(地面自动站、雷达VAD、风廓线)的分析,然后将其分析场用作接下来采用四维变分同化开展雷达观测资料同化的背景场(Crook et al,2002; Sun et al,2008,2010; 陈明轩等,2011,2012a,2012b)。
与其他种类的常规观测资料相比,雷达观测资料的空间尺度相对较小,根据之前雷达径向风资料同化的已有经验可知,背景场误差协方差的方差/尺度因子调整为0.5是能够带来较好同化效果的选项,因此在实时运行过程中必须考虑采用合理的策略,使得一方面在没有雷达观测资料可用的情况下保证多次外部循环能采用合理的参数对大尺度观测开展同化,另一方面在同化雷达径向风观测资料时,也能兼顾到其不同的背景场误差协方差尺度特征。基于上述考虑,初步形成了基于多次外部循环方式的两步雷达径向风资料实时同化OPER试验方案(表 1)。
试验名称 | 是否同化雷达观测资料 | 方差尺度长度 | 特征尺度长度 | 方案描述 |
NORV | 否 | 1(default) | 1(default) | 无雷达观测资料参加同化;仅进行常规观测资料的同化,背景误差协方差参数为缺省值(len_scalings和var_scalings均为1)。 |
OPER | 是 | 0.5 | 0.5 | 步骤1:进行常规观测资料的同化。背景误差协方差参数为缺省值(len_scalings和var_scalings均为1);
步骤2:在能够检索到雷达观测资料的时次,首先采用步骤1对其他观测资料进行三维变分同化形成初始条件1;然后以初始条件1为初猜场单独进行雷达观测资料同化,背景误差协方差参数中的len_scalings和var_scalings均为0.5。 |
采用上述同化方案对2009年汛期7次典型强对流过程开展的雷达径向风观测资料同化和预报试验结果表明(图略),应用OPER试验所代表的两步同化方案整体上提高了模式的降水预报水平,尤其在模式预报的前6 h内更为明显。因此,在2011年汛期采用此方案开展雷达径向风观测资料的实时同化和预报试验。需要指出的是,采用上述两步同化方案尽管基本能够达到在同化应用过程中整合多尺度观测资料信息的目的,但从变分同化的基本概念来看,采用该方法最后得到的分析场实际上无法对各种不同尺度的观测资料同时达到最优,因此未来拟基于多重外部循环技术来尝试解决上述问题。4 2011年汛期雷达径向风资料实时同化试验4.1 BJ-RUCv2.0系统简介
BJ-RUCv2.0系统是基于美国国家大气研究中心发展的WRF模式和WRFDA资料同化系统研发的华北区域快速更新循环同化和预报系统。该系统由以下模块组成:
(1)WPSv3.3,用于处理全球分析和预报数据的解码及向中尺度网格点的插值;
(2)WRFDAv3.3,采用三维变分同化技术进行各种观测资料的同化分析;
(3)WRFv3.3.1,为预报模式。
BJ-RUCv2.0系统共有2个预报区域,分辨率分别为9 km(D1区域)和3 km(D2区域),水平网格点数分别为400×649和424×550,垂直方向38层(图 3)。D1/D2区域各自独立进行预处理、预报积分及提供产品等一系列作业流程。在D1区域中,分别于00和12时进行冷启动,采用NCEP全球预报系统(GFS)分析场作为模式初始场进行模式积分,没有进行资料同化。预报时效为72 h,逐时输出,并为D2区域提供边界条件。D2区域则以D1预报结果形成边界条件,系统每天的流程由00时的冷启动开始,其初猜场由NCEP GFS全球预报场得到;其后每隔3 h进行一次三维变分同化更新,即在03、06、09、12、15、18、21时进行热启动循环更新,以上一次循环的预报场作为同化初始场,同化的观测资料包括常规及加密探空观测、常规及加密地面观测、船舶/浮标观测、飞机观测等全球观测资料;北京地区实时的自动气象站观测、地基GPS可降水量资料。
![]() |
图 3 BJ-RUCv2.0系统预报区域(a)和系统流程(b) Fig. 3 Model domains and the flowchart for the operational radar network in the area of North China |
自2011年6月1日起在准业务运行的BJ-RUCv2.0系统的D2区域中采用上述两步方案开展雷达径向风观测的实时同化应用。此外,为对比雷达径向风同化应用的效果,严格按照业务作业的流程和要求另外搭建了一套实时并行运行的系统,除了未同化雷达观测资料外其他均与BJ-RUCv2.0一致。有无雷达径向风资料同化的准业务及对比试验的运行时段为2011年6月1日—8月31日,两套系统对应的试验分别如表 1规定命名为OPER和NORV。为节省计算资源,NORV试验每个循环的预报时效仅为12 h。两套系统实时并行运行并接受统一的监控和维护。
4.3 雷达径向风观测资料的数据质量分析对进入资料同化系统的数据质量进行监控及分析是业务资料同化应用的一个重要方面。图 4给出的是2011年6月23日—8月31日京津冀6部雷达经过质量控制后的径向风有效观测数、同化系统吸收观测个数百分比、以及在同化系统中径向风的更新向量和分析观测差的逐3 h日变化分布。很明显,大部分有效径向风观测资料来自S波段雷达,C波段雷达能够提供的有效观测数显著少于S波段,尤其是张北雷达(ZBRC),由于其位于北京西北方向,被认为应该能够为北京地区提供上游对流触发及移动的关键风场信息。但从图 4可以看到,在整个试验阶段张北C波段雷达仅提供了极少的有效径向风观测资料。一是由于C波段雷达径向风观测的有效半径小于S波段,可用观测数少于S波段雷达;二是由于两部C波段雷达均位于山区,由于复杂地形的遮挡也使很多观测资料无法通过质量控制;而且较为频繁的C波段雷达的硬件故障及通讯不稳定也造成数据缺失(例如2011年7月1—6日)。
![]() |
图 4 京津冀区域6部雷达在2011年6月21日—8月31日经过质量控制后雷达径向风的有效观测数(上)、在同化系统中的资料吸收百分率(中)、OMB和OMA均方根误差(下)的时间序列(a.北京,b.天津,c.石家庄,d.秦皇岛,e.承德,f.张家口) Fig. 4 Time series of the radial velocity’s number of observations after QC(upper panels),assimilated ratio(middle panels),and the RMSE of OMB and OMA(bottom panels)for the six radars of(a)BJRS,Beijing,(b)TJRS,Tianjin,(c)SJZRS,Shijiazhuang,(d)QHDRS,Qinghuangdao,(e)CDRC,Chengde and (f)ZBRC,Zhangjiakou during June 21-Aug 31,2011 |
从图 4可以看出,雷达在观测到对流时比晴空状态下可以获得更多的有效径向风观测资料,夜间比白天具有更多可用观测数,这也反映了华北地区夏季降水量及强降水发生频次的高值区主要集中在午后至夜间的日变化特征(Li et al,2008; Chen et al,2012)。但是每部雷达的径向风资料在同化系统中的吸收率有较大的差别。相对而言,同化系统对雷达径向风资料的吸收率在多数晴空条件下比较大,往往接近100%。而在有对流发生时,更大的观测数往往对应于相对较低的资料吸收率,甚至有的情况下低于40%。在现有同化系统中,雷达径向风的观测误差在质量控制及预处理阶段给定,一般不超过1 m/s,而资料筛选方案为正负5倍观测误差,因此当强对流发生、尤其是在同化初猜场中的对流雨区与实际情况有较大分歧时,一些能反映对流发生、发展情况的径向风观测资料虽然通过了质量控制,但因其与该点上模式根据初猜场计算的径向风之差更易突破资料筛选阈值而被剔除,这样虽然一方面保证了进入同化系统的观测资料质量稳定,且相比背景场具有一定量的额外信息,但是实际上也剔除了大量有价值的观测资料,从而导致资料的吸收率降低。未来将对雷达径向风观测资料误差的计算方案和观测资料的筛选策略进行更新,有效提高径向风资料的吸收和使用率、提升同化和预报效果。
更新向量和分析观测差(OMA)分别表示雷达径向风观测值与根据同化初猜场和同化后分析场计算的雷达径向风的均方根偏差,代表初猜场和同化后分析场与实况的偏离程度。从S波段雷达的更新向量曲线来看,在上述观测误差和筛选策略条件下,更新向量值基本为1.5—3 m/s,同化后分析观测差值基本为更新向量值的一半,说明同化系统有效地吸收了观测信息,并形成合理的分析增量。但是从C波段雷达的更新向量曲线来看,尤其是张北C波段雷达,其资料吸收率、更新向量值的时间序列分布振荡幅度较大,从侧面反映了张北C波段雷达观测资料的质量及稳定性需要进一步提高。
4.4 2011年汛期雷达径向风资料同化及实时预报试验评估参与评估的预报样本为2011年6月1日—8月31日时段内每天逐3 h更新一次的所有预报循环。为保证检验的客观性,剔除掉OPER和NORV试验由于2011年6月10—18日出现的脚本故障、以及其他由于计算机硬件故障导致的样本缺失,在保证二者参与检验的样本日期一致的条件下,这段时间内OPER和NORV试验参加评估的总样本数均为636个。检验区域为新一代BJ-RUCv2.0预报系统中分辨率为3 km的D2区域。
![]() |
图 5 2011年6月1日—2011年8月31日逐3 h更新循环的地面要素预报偏差和均方根误差评分 (a.2 m温度,b.10 m风速) Fig. 5 RMSE and bias scores for all the cycling forecasts during 1 June-31 August 2011 with 3 h updated interval(a. 2 m temperature,b. 10 m wind speed) |
雷达径向风资料的同化对于地面2 m温度的预报性能并无显著影响。虽然同化加大了地面10 m 风速的预报误差,但这种对于模式预报的影响主要集中在预报的最初3—6 h内,6 h后有无雷达径向风资料同化的试验其预报性能基本一致。
从高空要素的检验结果(图 6)来看,同化雷达径向风资料后,整个对流层内温度和湿度的分析性能基本与无雷达径向风同化的NORV试验一致。但是同化径向风资料后对流层400 hPa以下u、v风场的分析较NORV试验具有更大的误差。应当指出,一方面这是由于雷达径向风观测资料与检验针对的探空观测实况相比具有高得多的时空分辨率,因此在同化了该种资料后模式初始场中包含了更多的、探空观测往往无法分辨的中小尺度信息,从而有可能与探空观测资料形成更大的偏差;另外,从雷达径向风观测资料的同化方式上来看,由于采取了两步同化方案,先同化常规的大尺度观测,第二步再同化雷达径向风观测资料,对同化最后获得的分析场而言,并未使得对雷达径向风资料和探空观测资料的同化分析同时达到最优,因此也导致了距离探空观测更大的偏差,但实际上并不一定说明分析品质变差。对比12 h后的预报结果可以看到,有无雷达径向风同化的两个试验在积分12 h后基本上具有相似的性能,与地面要素的预报性能变化一致,这也说明雷达径向风资料同化带来的信息仅对模式积分的最初时段产生影响。
![]() |
图 6 2011年6月1日—8月31日期间逐3 h更新循环的高空要素的平均评分(a、b.t=0 h、t=12 h温度,c、d.t=0 h、t=12 h比湿;e、f. t=0 h、t=12 h u风分量;g、h. t=0 h、t=12 h v风分量) Fig. 6 Rmse and bias scores for the forcasts during June 1-Aug 31,2011 with 3 h updated interval(a,b. t=0 h,t=12 h,T; c,d. t=0 h,t=12 h,Q; e,f. t=0 h,t=12 h,u component; g,h. t=0 h,t=12 h,v component; for further details see the text) |
采用通用的TS评分和BIAS评分方法对模式的降水预报结果进行累加降水量级检验。被检验资料为整个检验时段中OPER和NORV试验在3 km预报区域内的模式逐时降水预报结果,预报时效为12 h。所用的实况资料为由中国气象局下发的、经过质量控制的逐时全国地面加密自动雨量观测。模式网格点降水预报结果通过双线性插值到自动站位置生成模式的测站预报值。图 7给出0.1、5.0 mm/h两个检验降水阈值的结果:
![]() |
图 7 2011年6月1日—8月31日期间所有逐3 h更新循环针对不同阈值的逐时累计降水TS评分(a、c)和BIAS评分(b、d)(a、b.0.1 mm/h,c、d.5 mm/h) Fig. 7 1 h accumulated precipitation forecast scores for all the cycles during 1 June-31 Aug 2011 for thresholds 0.1 mm/h(a,b),and 5 mm/h(c,d)(a,c. TS,b,d. BIAS scores) |
对于0.1 mm/h量级的降水,有无同化雷达径向风资料的两个试验降水预报评分差别不大;但是雷达径向风资料的同化对于5 mm/h以上量级、特别是在积分最初6 h内的的降水预报性能的提高尤为明显,OPER试验的TS评分大幅提高;从0—6 h的BIAS评分来看,对于1.0 mm/h阈值的降水,两个试验的BIAS均小于1,但OPER试验的BIAS值更大;而对于5.0 mm/h以上的降水而言,两个试验的BIAS均大于1,但OPER试验小于NORV。这说明雷达径向风资料的同化对模式预报的小阈值降水雨区偏小、大阈值降水雨区偏大的现象起到了明显的修正作用。而相应TS评分的提高也说明雷达径向风资料同化使模式降水短时预报性能在强度、落区和范围上均得到较为明显的提升。
4.4.3 典型个例预报性能分析京津冀地区夏季发生的对流主要包括有组织的线状对流(即飑线,也含引起大风的弓形回波)以及由局地热力条件引发的局地突发强对流。本研究分别对上述两类对流的典型个例进行分析,来考察雷达径向风资料同化对京津冀地区夏季强对流预报的影响。
(1)飑线
2011年6月23日08—12时,北京出现了一次较为罕见的短时大暴雨天气过程,强对流云团从6月23日06时开始自北向南影响北京大部分地区,城区平均累积降雨量达73 mm,局部地区出现100 mm以上的大暴雨。从BJ-ANC的雷达反射率拼图来看,这是一次较为典型的线状对流过程,回波下山后快速加强,经过北京城区西南部造成强降水,12时后主要对流雨带移出北京。从图 10给出的雷达定量降水估计分布可以看出,在降水区自北向南移出北京的过程中,与河北中部的雨带结合,最后于13时形成了类似飑线的带状对流结构。
OPER和NORV两个试验对此次降水过程的预报有较大的差异。从03、06、09时起始的3次循环以逐时雷达定量降水估测为实况的FSS(Fractional Skill Score)评分对比(图 8)可以看出,03时起始的OPER试验较NORV预报优势并不明显;但从06时开始,雷达径向风资料同化明显起到了正面效果,OPER的降水预报性能明显优于NORV。而且从同一时段、不同起始时刻预报的降水评分对比来看,基本上都是越接近临近时次起始的预报降水评分越高,且相对前次循环预报性能的提高非常明显。因此,从该个例中可以看到,采用快速更新循环的同化方式对于在模式中及时纳入实际观测信息、修正模式预报偏差而言非常重要。
![]() |
图 8 2011年6月23日03、06和09时起始的3个连续循环对04—15时的逐时FSS降水评分(降水检验阈值:5 mm/h) Fig. 8 Fractional Skill Score of the 3 consecutive cycling forecasts initiated at 03: 00,06: 00 and 09: 00 UTC for the period of 04: 00-15:00 UTC 23 June 2011 with the threshold of 5 mm/h |
多种独立观测均证明,雷达变分分析系统(VDRAS)能够形成对流条件下较为准确的大气动力及热力分析结构(Sun et al,2001,2010; Crook et al,2002,2004),因此类似于Sun等(2012),将雷达变分分析系统在同化了雷达及其他多种观测资料后形成的反演风场结构(陈明轩等,2011)视之为当时的实况风场。分析在1300 m高度上的反演风场结构可以发现,未来即将影响北京的强对流区在06时前后已处于北京西北部,风场上表现为西风与西南风形成的强辐合区(图 9a);至09时,强对流区已经移到了北京城区,表现为西南风和南风的辐合;而河北山西交界处西北风明显加强,与西南风形成的辐合带已经东移到河北境内(图 9b)。
![]() |
图 9 雷达变分分析系统反演的2011年6月23日05时58分(a)和08时58分(b)1300 m高度层上的风场(矢线)和散度(等值线,负值为虚线,单位:10-5s-1;粗黑线表示100 m地形高度);2011年6月23日06时(c)和09时(d)OPER试验循环初始场中1300 m高度层上的风场(矢线)和散度(等值线,负值为虚线,单位:10-5s-1)(e、f分别同c、d,但为NORV试验) Fig. 9 Wind(vector in black) and divergence(contours,dashed line for negative,unit: 10-5s-1)at 1300 m retrieved by VDRAS valid at 05:58(a) and 08:58(b)UTC(thick black line denotes the 100 m terrain elevation); the wind(vector) and divergence(contours,dash for negative,unit: 10-5s-1)at 1300 m level of the analysis,(c)for OPER initiated at 06:00 UTC 23 June 2011 and (d)for OPER initiated at 09:00 UTC 23 June 2011,(e)as in(c)but for NORV,and (f)as in(d)but for NORV |
同化06时的径向风观测后,OPER试验在北京西北部形成了东北—西南走向的强辐合区,与雷达变分分析系统分析的风场和散度场结构更为相像;09时的OPER试验与NORV试验分析场的分歧更为明显,其中NORV试验在北京地区南风和偏东风辐合形成较强的对流,同时在河北中部也形成小尺度对流中心;而同化径向风资料后OPER试验的风场结构与NORV试验完全不同,在北京城区主要是西南风和南风的辐合,并且在北京东部地区形成了反环流中心,而且河北中部为均匀一致的偏南风,上述特征与雷达变分分析系统反演的低层风场结构都更为相似。
OPER和NORV试验预报效果差异的唯一来源为是否同化雷达径向风资料。因此,将OPER和NORV两个试验的分析场进行相减,即可看出雷达径向风资料同化的影响。当然这种影响也包含了前面多次循环同化径向风资料的累积效应。从图 10可以更为清楚地看到前述OPER试验在同化了径向风观测资料后较NORV试验在低层动力场上的差异,例如06时北京北部地区的辐合区加强,以及09时在北京东部地区形成的反气旋环流特征。而河北中部地区气旋式环流的加强则预示着同化径向风资料形成的动力条件更有利于对流在该位置的发生。
![]() |
图 10 2011年6月23日OPER和NORV试验分析场的850 hPa风矢量差及垂直散度差(等值线负值为虚线,单位:10-5s-1)(a.06时,b.09时) Fig. 10 Difference of wind(vector) and vertical divergence(contours,dashed line for negative,unit: 10-5s-1)at 850 hPa between OPER and NORV experiments at(a)06: 00 UTC and (b)09: 00 UTC 23 June 2011 |
初始场的差异也使之后OPER和NORV试验预报的降水形态和落区产生更大分歧。图 11为2011年6月23日11—13时3个时次的逐时雷达定量降水估测和09时起始的OPER、NORV两个试验循环在相应时次的降水预报分布。很明显,NORV试验在11—13时主要预报仍然是发生在北京城区及其西南部的对流性降水,其移动和消散的过程并不明显,而且对于河北中部的飑线结构对流几乎没有任何表现;OPER试验基本上较好地再现了降水回波移出北京后在河北地区形成带状对流结构的过程,由此可见,在该个例中雷达径向风资料的同化对于提升模式对飑线这类有组织对流系统的预报能力而言,起到了极为关键的作用。
![]() |
图 11 2011年6月23日的1 h雷达定量降水估计(a—c)及OPER试验(d—f)、NORV试验(g—i)的1 h降水预报(a、d、g. 11时;b、e、h. 12时;c、f、i. 13时;预报起始时间均为2011年6月23日09时) Fig. 11 1 h accumulated radar QPE(a-c) and the 1 h accumulated precipitation forecast for OPER(d-f) and NORV(g-i),among which,(a,d,g)valid at 11:00 UTC;(b,c,h)valid at 12:00 UTC; and (c,f,i)valid at 13:00 UTC(All forecasts are initiated at 09:00 UTC 23 June 2011) |
(2)局地新生对流
2011年8月13日夜间受雷雨云团的影响,北京地区自北向南出现了强对流天气,部分地区短时雨强较大。13日22时,强雷雨云团东移减弱,降雨结束。此次降雨雨量分布不均,部分地区达到暴雨标准。最大降雨出现在怀柔的大水峪水库(水文站),雨量为103 mm。
从BJ-ANC的雷达拼图和自动站观测的降水分布可以看出,这是一次典型的北京地区受热力条件诱发形成的局地暴雨过程。由于对流云团在短时间内迅速生成并形成强降水,因此OPER和NORV试验在13日白天起始的各个循环均未能提前作出预报。直至临近暴雨发生的15时,在该时刻起始的OPER试验在同化了雷达径向风资料后,预报出13日17—20时北京地区发生自北向南的降水过程,雨区的位置和强度与实况较为一致。而NORV试验在该时刻起始的循环预报的降水滞后且落区与实况有较大的偏差(图 12)。
![]() |
图 12 OPER(a—c)和NORV(d—f)试验于2011年8月13日15时起始的北京地区1 h降水预报(色阶)和自动站逐时观测降水量(圆点大小及颜色表示降水量级)(a、d. 8月13日17时,b、e. 8月13日18时,c、f. 8月13日19时) Fig. 12 1 h accumulated precipitation forecasts(shading)from the OPER(a-c) and NORV(d-f)experiments initiated at 15:00 UTC and the corresponding AWS 1 h observed precipitation(Dot size and color represent precipitation level),valid at(a,d)17: 00 UTC,(b,e)18: 00 UTC and (c,f)19: 00 UTC 13 August 2011 |
图 13给出了2011年8月13日15时起始循环第二步同化后形成的850 hPa风场分析增量、相应垂直散度增量以及最大对流有效位能的增量,更加清楚地分析出同化径向风观测资料后模式初始场热动力条件的变化。很明显,同化雷达径向风资料后加强了北京以西地区的西北风和北京北部的低层偏北风分量(图 13a),加强了上述地区的低层辐合,为未来对流在该地区的发展准备了更好的动力条件;此外,由于变分同化过程中考虑了平衡约束关系,因此风场的变化形成温度场的分析增量,间接地在北京北部地区形成了正的最大对流有效位能增量,即同化雷达径向风资料后在北京北部地区形成了更有利于对流发生、发展的热力条件。同样,图 14给出的OPER和NORV试验在风场和最大对流有效位能的差异反映了多次循环同化径向风后热动力场改变的累积效应。整体而言,同化雷达径向风资料能够及时地捕捉到大气中的风场变化信息,虽然主要调整模式初始动力场,但也间接地改变了热力场,从而在模式中形成利于对流发生、发展的环境条件。由于目前模式对于此类弱强迫、突发性对流的短时短期预报能力偏低,通过雷达观测资料的同化,将高时空分辨率的大气观测信息纳入模式、不断修正初始场使之尽可能准确地反映实际大气中局地对流发生环境,从该个例来看,是提升模式对此类对流预报能力的一种有效手段。但是也应该看到,由于目前同化循环的更新频率为3 h一次,仍然无法在模式中足够迅速地响应对流的快速新生及发展,导致雷达资料同化的效果往往到对流临近时次才能体现。因此下一步将重点发展1 h一次更新频率的快速循环,进而研发雷达观测资料的四维变分同化技术,尽可能将高频次雷达观测信息充分有效地在数值模式中得到应用。
![]() |
图 13 2011年8月13日15时起始的OPER试验第2步同化(即仅同化径向风资料)后形成的(a)850 hPa风场增量(矢线)及垂直散度增量(等值线,负值为虚线,单位:10-5s-1),(b)最大对流有效位能增量(J/kg) Fig. 13 Analysis increments of(a)wind and divergence at 850 hPa,and (b)the best CAPE after the second data assimilation stage(i.e. only radial velocity assimilated)of the OPER forecast initiated at 15:00 UTC 13 August 2011 |
![]() |
图 14 2011年8月13日15时起始的OPER和NORV试验在该时刻分析场的(a)850 hPa风矢量差及垂直散度差(等值线,负值为虚线,单位:10-5s-1),(b)最大对流有效位能差(J/kg) Fig. 14 Analysis difference between the OPER and NORV experiments for(a)wind(vector) and vertical divergence(contours,dashed line for negative,unit: 10-5s-1)at 850 hPa and (b)the best CAPE(J/kg)initiated at 15: 00 UTC 13 August 2011 |
围绕未来的业务同化应用目标,本研究利用WRFDA三维变分同化系统对雷达径向风观测资料在华北区域数值预报系统中的同化应用相关技术进行研究,重点包括:
(1)基于北京自动临近预报系统(BJ-ANC)和雷达变分分析系统,经过改进和拓展研发,整合建立了适合于快速更新循环同化的雷达资料实时预处理系统,实现了对京津冀地区6部新一代天气雷达体扫观测资料(径向风和反射率因子)的实时质量控制和插值等处理,并形成可用于中尺度模式三维变分同化的超级观测资料。
(2)利用WRFDA系统中已有的同化模块建立了雷达径向风观测资料算子,并通过单点观测资料试验以及多个典型个例的批量试验研究,对背景场误差协方差矩阵的方差和尺度因子进行调整,形成能够适用于雷达等反映对流尺度大气特征观测信息的局地观测资料同化方案。
(3)由于常规和雷达观测资料所反映的大气实况信息往往具有不同的尺度特征,因此采用了雷达观测资料的两步实时同化策略,即首先开展常规观测资料的同化,然后以同化后形成的分析为初猜场,采用修正后的背景场误差协方差参数单独开展雷达资料同化,从而使常规观测和雷达观测均能在同化时采用各自相对合适的背景场误差协方差尺度特征。
基于上述研究开展了2011年夏季京津冀多普勒雷达径向风观测在华北区域快速更新循环同化和预报系统(BJ-RUCv2.0)中的实时同化和对比试验,并对试验期间雷达径向风资料同化效果进行了初步的分析和评估,得到如下结论:
(1)实时同化试验期间京津冀地区6部雷达经过质量控制后的径向风数据质量表明,同化系统有效地吸收了雷达径向风的观测信息并形成合理的分析增量,其中S波段雷达观测的径向风数据数量、质量和稳定度均明显优于C波段雷达。
(2)整体来看,雷达径向风资料同化对地面和高空要素预报性能的影响基本为中性,且主要影响时段集中在预报最初的6 h内。但是降水预报评分结果表明雷达径向风资料同化从降水强度、落区和范围等方面均明显提升了模式对降水的短时预报性能。
(3)对飑线及局地热力对流两类不同性质的对流个例分析结果表明,雷达径向风资料的同化使模式的降水预报性能得到明显提升,而且越接近临近时次起始的预报降水评分提升越明显,且相对前次循环预报性能的提高非常明显,说明采用快速更新循环的同化方式对于在模式中及时纳入实际观测信息、修正模式预报偏差而言非常重要;径向风资料的同化通过修正低层风场结构,对于提升模式对飑线这类有组织对流系统的预报能力起到了关键作用。对于短时间内迅速形成并发展的局地热力对流而言,同化雷达径向风资料能够及时地捕捉到大气中的风场变化信息,在调整动力场的同时也在模式中形成利于对流发生、发展的热力环境条件。但是也应该看到,受制于目前3 h一次的同化更新频率,雷达资料同化的效果往往到对流临近时次才能体现。
通过3个月的雷达径向风资料实时同化试验,对前期发展的雷达等对流尺度观测资料的同化方法、多尺度观测资料协同同化策略以及雷达观测资料质量控制和预处理系统在业务环境下的稳定性和可靠性进行了较为全面的测试和评估,为以后开展真正的业务同化应用积累了经验。根据对实时运行试验结果的分析,在下列方面仍需开展进一步的工作:
(1)从华北区域两部C波段雷达观测资料的应用情况来看,其观测质量和稳定性仍然有待提高。在预处理和质量控制方面,虽然C波段雷达的最大不模糊速度只有S波段的一半,但是如果发展更为有效的速度退模糊算法,仍将有可能得到更多的有效径向风观测数据;另外,有效的雷达标校、杂波抑制等也会提升C波段雷达的径向风观测性能。整体来看,无论S波段还是C波段雷达,径向风观测资料在同化系统中的吸收率仍然偏低,尤其在有对流发生的情形下大量有价值的观测资料由于与同化背景场偏离太多而被剔除,因此需要对径向风的观测误差计算方法以及资料筛选方案进行调整,有效提高资料吸收使用效率并进一步提高同化及预报效果。
(2)目前试验中所采用的两步同化方案尽管基本能够实现多尺度观测资料信息协同同化,而且也获得了较为理想的同化和预报效果,但从变分同化的基本概念来看,采用该方案最后得到的分析场实际上无法使得对各种不同时空尺度的观测同时达到最优同化分析。下一步将基于多重外部循环技术来发展更为合理的协同同化方案。
(3)尝试在中尺度模式中开展更高频次(如1 h一次)的快速循环同化,进而研发雷达观测资料的四维变分同化应用技术,尽可能使高频次雷达观测信息在数值模式中获得更加充分的应用,从而提升模式对局地性、突发性对流的短时预报预警能力。
(4)在BJ-RUCv2.0的预报范围内,实现上下游更多雷达观测资料的同化,使雷达观测资料在模式预报范围内得到有效和均衡的分布,从而将上下游更多的对流尺度观测信息引入模式的初始化,进一步提升模式对对流尺度降水的预报能力。
致谢:本工作得到了美国国家大气科学研究中心Sun Juanzhen博士和Wang Hongli博士的悉心指导,中国气象局广州热带海洋气象研究所的钟水新博士协助了部分绘图工作,在此一并表示感谢。
陈锋, 冀春晓, 董美莹等. 2012. 雷达径向风速同化对台风麦莎模拟的影响. 气象, 38(10): 1170-1181 |
陈明轩, 高峰, 孔荣等. 2010. 自动临近预报系统及其在北京奥运期间的应用. 应用气象学报, 21(4): 395-404 |
陈明轩, 王迎春, 高峰等. 2011. 基于雷达资料4DVar 的低层热动力反演系统及其在北京奥运期间的初步应用分析. 气象学报, 69(1): 64-78 |
陈明轩, 王迎春, 肖现等. 2012a. 基于雷达资料 4DVar 和三维云模式对一次超级单体风暴发展维持热动力机制的模拟分析. 大气科学, 36(5): 929-944 |
陈明轩, 王迎春. 2012b. 低层垂直风切变和冷池相互作用影响华北地区一次飑线过程发展维持的数值模拟. 气象学报, 70(3): 371-386 |
范水勇, 王洪利, 陈敏等. 2013. 雷达反射率资料的三维变分同化研究. 气象学报, 71(3): 527-537 |
李媛, 董佩明, 刘艳等. 2009. 多普勒雷达基本观测量直接同化对模式物理量场的影响. 气象与减灾研究, 32(3): 19-24 |
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. 气象, 37(4): 403-411 |
万齐林, 薛纪善, 庄世宇. 2005. 多普勒雷达风场信息变分同化的试验研究. 气象学报, 63(2): 129-145 |
王遂缠, 胡向军, 张新荣等. 2011. 雷达资料同化在甘肃局地暴雨天气个例中的应用. 高原气象, 30(3): 711-718 |
徐广阔, 孙建华, 雷霆等. 2009. 多普勒天气雷达资料同化对暴雨模拟的影响. 应用气象学报, 20(1): 36-46 |
杨毅卜, 邱崇践, 龚建东等. 2007. 同化多普勒雷达风资料的两种方法比较. 高原气象, 26(3): 547-555 |
张林, 倪允琪. 2006. 雷达径向风资料的四维变分同化试验. 大气科学, 30(3): 433-440 |
赵文斌, 齐琳琳, 何宏让等. 2010a. 暴雨模拟中多普勒雷达径向速度变分同化的应用. 气象科技, 38(1): 37-43 |
赵文斌, 齐琳琳, 邓文彬. 2010b. 多普勒雷达径向速度同化在淮河暴雨数值模拟中的应用. 气象与减灾研究, 33(1): 23-30 |
Albers S C. 1995. The LAPS wind analysis. Wea Forecasting, 10(2): 342-352 |
Barker D M, Huang W, Guo Y R, et al. 2004. A three-dimensional variational data assimilation system for MM5: Implementation and initial results. Mon Wea Rev, 132(4): 897-914 |
Benjamin S G, Dévényi D, Weygandt S S, et al. 2004. An hourly assimilation-forecast cycle: The RUC. Mon Wea Rev, 132(2): 495-518 |
Chen M, Wang Y, Gao F, et al. 2012. Diurnal variations in convective storm activity over contiguous North China during the warm season based on radar mosaic climatology. J Geophys Res, 117: D20115, doi:10.1029/2012JD018158 |
Crook N A, Sun J. 2002. Assimilating radar, surface, and profiler data for the Sydney 2000 forecast demonstration project. J Atmos Oceanic Technol, 19(6): 888-898 |
Crook N A, Sun J Z. 2004. Analysis and forecasting of the low-level wind during the Sydney 2000 forecast demonstration project. Wea Forecasting, 19(1): 151-167 |
Fischer C, Montmerle T, Berre L, et al. 2005. An overview of the variational assimilation in the ALADIN/France numerical weather-prediction system. Quart J Roy Meteor Soc, 131(613): 3477-3492 |
Gao J D, Xue M, Shapiro A, et al. 1999. A variational method for the analysis of three-dimensional wind fields from two Doppler radars. Mon Wea Rev, 127(9): 2128-2142 |
Gao J D, Xue M, Shapiro A, et al. 2001. Three-dimensional simple adjoint velocity retrievals from single-Doppler radar. J Atmos Oceanic Technol, 18(1): 26-38 |
Gao J, Xue M, Brewster K, et al. 2004. A three-dimensional variational data analysis method with recursive filter for Doppler radars. J Atmos Oceanic Technol, 21(3): 457-469 |
Holleman I. 2005. Quality control and verification of weather radar wind profiles. J Atmos Oceanic Technol, 22(10): 1541-1550 |
Li J, Yu R C, Wang J J. 2008. Diurnal variations of summer precipitation in Beijing. Chin Sci Bull, 53(12): 1933-1936 |
Li W, Xie Y F, Deng S M, et al. 2010. Application of the multigrid method to the two-dimensional Doppler radar radial velocity data assimilation. J Atmos Oceanic Technol, 27(2): 319-332, doi: 10.1175/2009JTECHA1271.1 |
Lindskog M, Salonen K, Jrvinen H, et al. 2004. Doppler radar wind data assimilation with HIRLAM 3DVAR. Mon Wea Rev, 132(5): 1081-1092 |
Miller L J, Sun J. 2003. Initialization and forecasting of thunderstorms: specification of radar measurement errors//Preprints, 31st Conf. on Radar Meteorology. Seattle, WA, Amer Meteor Soc, 2B.2 |
Montmerle T, Faccani C. 2009. Mesoscale assimilation of radial velocities from doppler radars in a preoperational framework. Mon Wea Rev, 137(6): 1939-1953, doi: 10.1175/2008MWR2725.1 |
Parrish D, Derber J. 1992. The National Meteorological Center's spectral statistical-interpolation analysis system. Mon Wea Rev, 120(8): 1747-17630 |
Rihan F A, Collier C G, Ballard S P, et al. 2004. On the assimilation of Doppler radial winds into a high resolution NWP model. Proceedings of the Third European Conference on Radar Meteorology (ERAD) together with the COST 717 Final Seminar. Visby, Island of Gotland, Sweden, 6-10 September 2004: 487-493 |
Rihan F A, Collier C G. 2010. A basis for improving numerical forecasting in the Gulf Area by assimilating Doppler radar radial winds. International J Geosci, 1: 70-78 |
Sadiki W, Fischer C. 2005. A posteriori validation applied to the 3D-VAR Arpège and Aladin data assimilation systems. Tellus A, 57(1): 21-34 |
Salonen K. 2002. Observation operator for Doppler radar radial winds in HIRLAM 3DVar. Proceedings of ERAD, 405-408 |
Snyder C, Zhang F Q. 2003. Assimilation of simulated Doppler radar observations with an ensemble Kalman filter. Mon Wea Rev, 131(8): 1663-1677 |
Sun J Z. 2005. Convective-scale assimilation of radar data: Progress and challenges. Quart J Roy Meteor Soc, 131(613): 3439-3463, doi:10.1256/qj.05.149 |
Sun J Z, Crook N A. 1997. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part I: Model development and simulated data experiments. J Atmos Sci, 54(12): 1642-1661 |
Sun J Z, Crook N A. 1998. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part II: Retrieval experiments of an observed Florida convective storm. J Atmos Sci, 55(5): 835-852 |
Sun J Z, Crook N A. 2001. Real-time low-level wind and temperature analysis using single WSR-88D data. Wea Forecasting, 16(1): 117-132 |
Sun J Z, Guo Y, Lim E, et al. 2008. Assimilation and Forecasting Experiments Using Radar Observations and WRF 4DVar. Proc. of ERAD |
Sun J Z, Chen M X, Wang Y C. 2010. A frequent-updating analysis system based on radar, surface, and mesoscale model data for the Beijing 2008 Forecast Demonstration Project. Wea Forecasting, 25(6): 1715-1735 |
Sun J Z, Trier S B, Xiao Q, et al. 2012a. Sensitivity of 0-12-h warm-season precipitation forecasts over the central united states to model initialization. Wea Forecasting, 27(4): 832-855 |
Sun J Z, Wang H. 2012b. Radar data assimilation with WRF 4DVar: Part II. Comparison with 3DVar for a squall line over the US Great Plains. Mon Wea Rev, 141(7): 2245-2264 |
Tsuyuki T, Miyoshi T. 2007. Recent progress of data assimilation methods in meteorology. J Meteor Soc Japan, 85B: 331-361 |
Wilson J W, Feng Y, Chen M, et al. 2010. Nowcasting challenges during the Beijing Olympics: successes, failures, and implications for future nowcasting systems. Wea Forecasting, 25(6): 1691-1714 |
Xiao Q N, Kuo Y H, Sun J Z, et al. 2005. Assimilation of Doppler radar observations with a regional 3DVAR system: Impact of Doppler velocities on forecasts of a heavy rainfall case. J Appl Meteor, 44(6): 768-788 |
Xiao Q N, Sun J Z, Lee W C, et al. 2008. Doppler radar data assimilation in KMA's operational forecasting. Bull Amer Meteor Soc, 89(1): 39-43, doi: 10.1175/BAMS-89-1-39 |