留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多普勒天气雷达资料同化对江淮暴雨模拟的影响

张新忠 陈军明 赵平

张新忠, 陈军明, 赵平. 多普勒天气雷达资料同化对江淮暴雨模拟的影响. 应用气象学报, 2015, 26(5): 555-566. DOI: 10.11898/1001-7313.20150505.
引用本文: 张新忠, 陈军明, 赵平. 多普勒天气雷达资料同化对江淮暴雨模拟的影响. 应用气象学报, 2015, 26(5): 555-566. DOI: 10.11898/1001-7313.20150505.
Zhang Xinzhong, Chen Junming, Zhao Ping. Impacts of Doppler radar data assimilation on the simulation of severe heavy rainfall events. J Appl Meteor Sci, 2015, 26(5): 555-566. DOI:  10.11898/1001-7313.20150505
Citation: Zhang Xinzhong, Chen Junming, Zhao Ping. Impacts of Doppler radar data assimilation on the simulation of severe heavy rainfall events. J Appl Meteor Sci, 2015, 26(5): 555-566. DOI:  10.11898/1001-7313.20150505

多普勒天气雷达资料同化对江淮暴雨模拟的影响

DOI: 10.11898/1001-7313.20150505
资助项目: 

中国气象科学研究院基本科研业务费重点项目 2014Z005

公益性行业 (气象) 科研专项 GYHY201406001

中国气象科学研究院基本科研业务费重点项目 2013Z004

详细信息
    通信作者:

    陈军明, email: chenjm@cams.cma.gov.cn

Impacts of Doppler Radar Data Assimilation on the Simulation of Severe Heavy Rainfall Events

  • 摘要: 利用GSI同化系统 (Gridpoint Statistical Interpolation System) 对我国多普勒天气雷达资料进行直接循环同化分析,并采用WRF-ARW 3.5.1中尺度模式对2013年我国夏季江淮流域典型暴雨过程进行模拟试验。结果表明:经过质量控制的雷达径向风、反射率因子资料经GSI同化系统同化后,可形成合理的分析增量。仅同化径向风,模拟的风场与实况更接近,模拟的降雨落区与观测雨带位置更加接近。仅同化反射率因子,对水平风场的直接调整比较小,通过水凝物含量调整,对水平和垂直风场进行调整,对降水的落区影响较小,主要影响模拟的降水强度。同时同化两种资料,能更好地反映风场特征,并改善强降水的落区和强度的模拟。模拟改善最明显是在积分12~36 h时段内,该时段有效雷达资料量较多,表明同化雷达资料对暴雨模拟确实具有正效果。
  • 图  1  模式区域 (方框内) 和雷达站点分布

    Fig. 1  Mode domain (square frame) and the distribution of radar sites

    图  2  2013年6月两次强降水过程累积降水量分布

    (a)6月5日00:00—8日00:00,(b)6月26日00:00—28日12:00

    Fig. 2  The observed accumulated precipitation from 0000 UTC 5 Jun to 0000 UTC 8 Jun in 2013(a) and from 0000 UTC 26 Jun to 1200 UTC 28 Jun in 2013(b)

    图  3  2013年6月26日00:00各物理量场和同化雷达资料后的增量场

    (a) 同化前700 hPa流场,(b) 同化后700 hPa流场,(c)500 hPa温度场 (等值线,单位:K) 和增量场 (填色),(d)850 hPa水汽混合比 (等值线,单位:g/kg) 和增量场 (填色)

    Fig. 3  Variables of background and incremental ground at 0000 UTC 26 Jun in 2013

    (a)700 hPa streamlines before assimilating radar data, (b)700 hPa streamlines after assimilating radar data, (c)500 hPa temperature (the contour, unit:K) with the increment (the shaded), (d)850 hPa water vapor mixing ratio (the contour, unit:g/kg) with the increment (the shaded)

    图  4  h累积降水量模拟 (等值线) 和实况 (阴影)(单位:mm)

    (a) 2013年6月6日00:00—7日00:00,(b) 2013年6月7日00:00—8日00:00, (c)2013年6月26日00:00—27日00:00,(d)2013年6月27日00:00—28日00:00

    Fig. 4  24 h simulated (the contour) and obseverd (the shaded) accumlated precipitation (unit: mm)

    (a) from 0000 UTC 6 Jun to 0000 UTC 7 Jun in 2013, (b) from 0000 UTC 7 Jun to 0000 UTC 8 Jun in 2013, (c) from 0000 UTC 26 Jun to 0000 UTC 27 Jun in 2013, (d) from 0000 UTC 27 Jun to 0000 UTC 28 Jun in 2013

    图  5  降水过程1 24 h降水模拟评分

    (a) ETS评分, (b) HSS评分, (c) BS评分

    Fig. 5  The verification of 24 h simulated precipitation for case 1

    (a) ETS, (b) HSS, (c) BS

    图  6  24 h累积降水模拟 (等值线) 和实况 (阴影) 分布 (单位:mm)

    Fig. 6  24 h simulated (the contour) and obseverd (the shaded) accumlated precipitation (unit: mm)

    图  7  降水过程2 24 h累积降水量模拟评分

    (a) ETS评分,(b) HSS评分

    Fig. 7  The verification of 24 h simulated precipitation for case 2

    (a) ETS, (b) HSS

    图  8  3 h累积降水量实况和模拟以及RADVAR-V试验与CTRL试验的差值

    (a) 实况,(b) 模拟,(c)850 hPa风场 (矢量,单位:m/s) 和散度 (填色) 差值,(d) 降水量差值

    Fig. 8  3 h obseverd and simulated accumlated precipitation and the difference between RADVAR-V and CTRL

    (a) observation, (b) simulated precipitation, (c) the difference of 850 hPa wind (the vector, unit:m/s) and divergence (the shaded), (d) the difference of precipitation

    图  9  RADVAR-R试验和CTRL试验差值图

    (a)850 hPa风场 (矢量线,单位:m/s) 和散度 (填色),(b) 降水量,(c) 垂直速度 (单位:10-1m/s),(d) 雨水含量 (单位:g/kg)

    Fig. 9  The difference between RADVAR-R and CTRL

    (a)850 hPa wind (the vector, unit:m/s) and divergence (the shaded), (b) precipitation, (c)w(unit:10-1m/s), (d) rain water mixing ratio (unit:g/kg)

    图  10  RADVAR-VR试验和CTRL试验的差值

    (a)850 hPa风场 (矢量线,单位:m/s) 和散度 (填色),(b) 垂直速度 (单位:10-1m/s),(c) 雨水含量 (单位:g/kg),(d) 降水量 (填色) 和850 hPa垂直速度 (等值线,单位:10-1m/s)

    Fig. 10  The difference between RADVAR-VR and CTRL

    (a)850 hPa wind (the vector, unit:m/s) and divergence (the shaded), (b)w(unit: 10-1m/s), (c) rain water mixing ratio (unit: g/kg), (d) precipitation (the shaded) and 850 hPa w(the contour, unit:10-1m/s)

    表  1  试验方案

    Table  1  The configuration of experiments

    试验名称控制试验 (CTRL)敏感性试验
    RADAR-VRADAR-RRADAR-VR
    常规资料
    雷达径向风
    雷达反射率因子
    下载: 导出CSV
  • [1] Wolfsberg D.Retrieval of Three Dimensional Wind and Temperature Fields from Single Doppler Radar Data.Oklahoma:University of Oklahoma, 1987:1-91.
    [2] Sun J, Flicker D, Lilly D.Recovery of three dimensional wind and temperature fields from simulated single Doppler radar data.J Atmos Sci, 1991, 48:876-890. doi:  10.1175/1520-0469(1991)048<0876:ROTDWA>2.0.CO;2
    [3] Xue M, Wang D, Gao J, et al.The Advanced Regional Prediction System (ARPS), storm-scale numerical weather prediction and data assimilation.Meteor Atmos Phys, 2003, 82(1):139-170. http://www.academia.edu/8561669/The_Advanced_Regional_Prediction_System_ARPS_storm-scale_numerical_weather_prediction_and_data_assimilation
    [4] Lindskog M, Salonen K, Järvinen H, et al.Doppler radar wind data assimilation with HIRLAM 3DVAR.Mon Wea Rev, 2004, 132:1081-1092. doi:  10.1175/1520-0493(2004)132<1081:DRWDAW>2.0.CO;2
    [5] Hu M, Xue M, Gao J, et al.3DVAR and cloud analysis with WSR-88D level-Ⅱ data for the prediction of the Fort Worth, Texas, tornadic thunderstorms.Part Ⅱ:Impact of radial velocity analysis via 3DVAR.Mon Wea Rev, 2006, 134(2):699-721. doi:  10.1175/MWR3093.1
    [6] Xiao Q, Kuo Y H, Sun J, et al.Assimilation of Doppler radar observations with a regional 3DVAR system:Impact of Doppler velocities on forecasts of a heavy rainfall case.J Appl Meteor, 2005, 44:768-788. doi:  10.1175/JAM2248.1
    [7] 马清云, 李泽椿, 陶士伟.单部多普勒天气雷达风场反演及其在数值预报中的应用试验.应用气象学报, 2001, 12(4):488-493. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20010463&flag=1
    [8] 万齐林, 薛纪善, 庄世宇.多普勒雷达风场信息变分同化的试验研究.气象学报, 2005, 63(2):129-145. doi:  10.11676/qxxb2005.014
    [9] 张林, 倪允琪.雷达径向风资料的四维变分同化试验.大气科学, 2006, 30(3):433-440. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXK200603006.htm
    [10] 盛春岩, 浦一芬, 高守亭.多普勒天气雷达资料对中尺度模式短时预报的影响.大气科学, 2006, 30(1):93-107. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXK200601007.htm
    [11] 杨毅, 邱崇践, 龚建东, 等.同化多普勒雷达风资料的两种方法比较.高原气象, 2007, 26(3):547-555. http://www.cnki.com.cn/Article/CJFDTOTAL-GYQX200703015.htm
    [12] 闵锦忠, 彭霞云, 赖安伟, 等.反演同化和直接同化多普勒雷达径向风的对比试验.南京气象学院学报, 2007, 30(6):745-754. http://www.cnki.com.cn/Article/CJFDTOTAL-NJQX200706004.htm
    [13] 李柏, 周玉淑, 张沛源.新一代天气雷达资料在2003年江淮流域暴雨模拟中的初步应用:模拟降水和风场的对比.大气科学, 2007, 31(5):826-838. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXK200705006.htm
    [14] 李华宏, 薛纪善, 王曼, 等.多普勒雷达风廓线的反演及变分同化试验.应用气象学报, 2007, 18(1):50-57. doi:  10.11898/1001-7313.20070110
    [15] 杨毅, 邱崇践, 龚建东, 等.三维变分和物理初始化方法相结合同化多普勒雷达资料的试验研究.气象学报, 2008, 66(4):479-488. doi:  10.11676/qxxb2008.045
    [16] 徐广阔, 孙建华, 雷霆, 等.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, 2009, 20(1):36-46. doi:  10.11898/1001-7313.20090105
    [17] 刘红亚, 薛纪善, 顾建峰, 等.三维变分同化雷达资料暴雨个例试验.气象学报, 2010, 68(6):779-789. doi:  10.11676/qxxb2010.074
    [18] 陈敏, 陈明轩, 范水勇.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.气象学报, 2014, 72(4):658-677. doi:  10.11676/qxxb2014.070
    [19] 高郁东, 万齐林, 薛纪善, 等.同化雷达估算降水率对暴雨预报的影响.应用气象学报, 2015, 26(1):45-56. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20150105&flag=1
    [20] Shamrock W C, Klemp J B, Dudhia J, et al.A Description of the Advanced Research WRF Version 3.NCAR Tech Note NCAR/TN-475+STR, 2008. https://www.researchgate.net/publication/306154004_A_Description_of_the_Advanced_Research_WRF_Version_3
    [21] Daryl T K, David F P, John C, et al.Introduction of the GSI into the NCEP global data assimilation system.Wea Forecasting, 2009, 12:1691-1705. https://www.researchgate.net/publication/249612370_Introduction_of_the_GSI_into_the_NCEP_Global_Data_Assimilation_system
    [22] Saha S, Moorthi S, Pan H L, et al.The NCEP climate forecast system reanalysis.Bull Amer Meteor Soc, 2010, 91(8):1015-1057. doi:  10.1175/2010BAMS3001.1
    [23] Gao J D, Xue M.A three-dimensional variational data analysis method with recursive filter for Doppler radars.J Atmos Ocean Technol, 2004, 21:457-469. doi:  10.1175/1520-0426(2004)021<0457:ATVDAM>2.0.CO;2
    [24] Hu M, Xue M.Implementation and evaluation of cloud analysis with WSR-88D reflectivity data for GSI and WRF-ARW.Geophys Res Lett, 2007, 34, L07808, doi: 10.1029/2006GL028847.
    [25] User's Guide for the Advanced Research WRF (ARW) Modeling System Version 3.5.2014.http://www2.mmm.ucar.edu/wrf/users/docs/user_guide_V3.5/contents.html.
    [26] 王红艳, 刘黎平, 王改利, 等.多普勒天气雷达三维数字组网系统开发及应用.应用气象学报, 2009, 20(2):214-224. doi:  10.11898/1001-7313.20090211
    [27] 王改利, 刘黎平, 阮征.多普勒雷达资料在暴雨临近预报中的应用.应用气象学报, 2007, 18(3):388-395. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20070363&flag=1
    [28] Eilts M D, Smith S D.Efficient dealiasing of Doppler velocities using local environment constraints.J Atmos Ocean Technol, 1990, 7(1):118-128. doi:  10.1175/1520-0426(1990)007<0118:EDODVU>2.0.CO;2
    [29] Weng Y H, Zhang F Q.Assimilating airborne Doppler radar observations with an Ensemble Kalman Filter for convection-permitting hurricane initialization and prediction:Katrina (2005).Mon Wea Rev, 2012, 140:841-859. doi:  10.1175/2011MWR3602.1
  • 加载中
图(10) / 表 (1)
计量
  • 文章访问数:  2563
  • HTML全文浏览量:  1055
  • PDF下载量:  2442
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-04-16
  • 修回日期:  2015-06-25
  • 刊出日期:  2015-09-30

目录

    /

    返回文章
    返回