英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

外文资料翻译译文

利用WRF-3DVAR进行资料同化对青藏高原东北边缘强降水预报的影响

杨军华等

¹中国科学院低温与干旱区域环境与工程研究所国家重点实验室，兰州730000，中国

²陕西师范大学旅游与环境学院，西安710000

³兰州大学资源与环境学院，甘肃兰州730000，中国

摘要：在干旱和半干旱地区，数值天气预报（NWP）在提供高分辨率降水预报方面正得到越来越多的关注。但在，模式的准确性受到初始条件误差的影响。在此，我们研究了资料同化在改善青藏高原东北部NWP降水预报的的潜力。设计了三种三维变分(3DVar)资料同化实验运行ARW模式。选取两个空间和时间上降水分布不同的暴雨个例，来验证进行资料同化后对降水预报的改进。在空间分布上，降水落区和累积量的改善对两个个例都是明显的。但对于降水时间分布不同，降水时间分布更均匀的个例其改善效果较为明显，而资料同化的影响对于空间和时间分布不均匀的降水个例并不理想。值得注意的是，对于降水的空间和时间分布而言，卫星辐射对降水预报的影响大于在这个高海拔地区的地表和高空气象观测。此外，资料同化实验为初始场提供了更详细的信息。

引言

降水是地球水文循环中的一个重要组成部分，对从区域到全球范围内的气候和水文具有深远的影响^[1]。高分辨率强降水预报在准确的洪水预报和水资源调控中发挥着重要作用^[2]，特别是在我国西北干旱半干旱地区，降水对水资源至关重要，而暴雨往往导致夏季洪水泛滥。因此，利用数值天气预报(NWP)对西北地区降水提供准确的预报具有重要意义。天气研究与预报模式(WRF)是最新的中尺度NWP模式。最近的研究表明，WRF模式在获得降水时间、落区和演化等降水特征方面具有良好的潜力^[3-5]。然而，为了得到准确的降水量数值，由于低质量的初始条件^[6]，结果并不理想^[6]，可以通过资料同化得到改善^[7]。

随着NWP模式的改进，一些资料同化技术，如三维变分和四维变分方法(3DVar/4DVar)、集合卡尔曼滤波(EnKF)和潜热加热纳近(LHN)已经在变分和组合方法中得到了发展^[8,9]。虽然4D-Var和EnKF方法显示了巨大的潜力，他们仍然承受着运行NWPs无法负担的计算机成本。在连续循环模式下，3DVar在对水文气象场进行合理分析时，相比于4DVar、EnKF和LHN^[10,11]的计算效率更高。

尽管全球NWP模式提供了糟糕的初始条件^[12]，但是实时观测被应用于同化系统中，并显示出显著改善NWP模式的性能。在有高时间和空间分辨率的卫星数据的情况下，欧洲中期天气预报中心(ECMWF)开创了受降水影响的微波辐射资料的直接同化，首先在一个1 4 Dvar同化方法^[13,14]中应用，后来在业务4 Dvar系统中实现在全天空辐射同化^[15,16]。此外，许多研究表明，随着雷达反射率资料的同化^[17-19]和雷达降水资料的同化^[20,21]，NWP模式的降水预报也可以显著提高。然而，遥感数据需要根据地面实况进行验证^[22]，地面观测具有丰富的信息，可以用来模拟中尺度天气现象^[23]。因此，NWP模式中地面观测资料的同化可能也会提高模式的性能。以前的研究是利用直接或模拟的地面观测来改进天气参数的模拟。这包括温度、水汽、混合比和风^[24]的同化，以及将2m潜势温度，2m露点温度和10m风观测^[25]放入NWP模式，确定行星边界层(PBL)剖面，并分别对地表冷池进行分析。结果表明，同化后的模式模拟有明显的改善。在WRF同化系统中，先前的研究也表明，通过只同化卫星资料，降水预报的改善不如卫星资料的同化与地面观测资料的同化相结合的效果好^[26,27]。

在本研究中，利用WRF-3Dvar系统，探讨了NCAR地表和高空观测及AMSU-A和AMSU-B微波辐射资料的同化对青藏高原东北地区强降水预报的影响。选取2013年6月发生的两个暴雨个例，对资料同化后降水预报的改善进行评价。本文组织如下：第2节简要概述了方法和实验设计，第3节提供关于研究区域和数据的信息，资料同化实验的结果在第4节给出并进行评价，结论在第5节给出。

方法和实验设计

WRF模式设置

本研究的数值资料同化实验是采用ARW模式3.5版本进行的。WRF是一种非流体静力、原始方程、中尺度气象模式，具有先进的动力学、物理和数值方案(模式的详细信息见http://www.mmm.ucar.edu/)。如图 1所示，模式区域是双向嵌套的，有12km (208times;182)和4km (235times;182)水平间距。每个区域有28个垂直气压层，最高层设置为50hPa。本研究中使用的WRF物理参数化方案包括：Purdue Lin微物理参数化、快速辐射传输模式(RRTM)长波辐射、Dudhia短波辐射、Monin-Obukhov表面层、Noah地表层、Mellor-Yamada- Janjic (MYJ)行星边界层方案和Grell-Devenyi (GD)积云方案。地图投影为Lambert投影。

WPS区域设置

图1 ARW-WRF预报的区域。外层粗网格分辨率为12km(d01)；内层嵌套网格(d02)分辨率为4km

3D-Var资料同化

资料同化是将观测场与NWP预报场(称为第一猜值场或背景场)以及它们各自的统计误差结合起来，以提供对大气(或海洋)状态的改进估计(分析)的技术。变分(Var)资料同化通过将特定的目标(或惩罚)函数的迭代最小化来实现这一目标^[28]：

， （1）

其中，分析场使得目标函数最小，是NWP模式的第一猜值场，是同化的观测场，是通过与比较得出的观测算子从分析场转变而来的模式预报的观测场。由(1)给出的目标函数的解给出了有两个来源的先验数据的真实状态的后验极大似然(最小方差)估计：第一猜值场和同化的观测场^[29]。对单个观察点的拟合，通过对其误差的估计，分别为B和R，分别为背景误差协方差矩阵和观测误差协方差矩阵。

Barker等^[10]开发的WRF-3Ddvar系统与WRF模式结合使用，用于同化卫星辐射资料和常规观测资料。资料同化系统的性能很大程度上取决于背景误差协方差的合理性(BE)，即在(1)中的矩阵B。在本研究中，“CV5”背景误差选项用于流函数、不平衡温度、不平衡的潜在速度、不平衡的表面压力和伪相对湿度的控制变量。预报区域的背景误差协方差矩阵是由国家气象中心(NMC)方法^[30]生成的。

实验设计

用两个区域进行了四组实验。如表 1所示，没有资料同化的模式模拟将被称为控制实验(CTRL)。利用不同数据来源的不同观测参数，设计了三组同化实验。在DA-OBS实验中，同化了NCAR的气压、位势高度、温度、露点温度、风向和速度观测值，在DA-SAT实验中，只有卫星辐射资料被同化。最后，在DA-BOTH实验中，NCAR观测和AMSU-A (B)辐射资料均被同化。

表1 在同化实验中使用的观测数据的细节

研究区域与数据

如图 2所示，青藏高原的东北部（94°39′-103°27′E，35°51′-40°31′N）海拔高度758m至5725m之间，是许多内河的源头，在下游干旱区的水文学和农业中发挥着重要作用。利用43个国家级观测站对模拟降水的空间分布进行了验证，其中乌兰站海拔高度最高为3800m，敦煌站海拔高度最低为11370米。在老巨沟站(海拔4200米)观测到的降水，用于评估模拟降水的时间变化，用T200B每半小时测量一次。

图2 青藏高原东北边缘和44个观测站的地理位置地图

运行WRF所需要的初始和边界条件是由欧洲中期天气预报中心(ECMWF)获得的1°times;1°网格分辨率的ERA-Interim数据，而不是NCEP-NCAR最终分析(FNL)数据。这是因为有几项研究表明，ERA-再分析数据的可靠性高于中国的NCEP数据^[31,32]。在模式集成中，中心点坐标为38.1°N和98.9°E。通过对其它实测数据的同化，得到了经修正的初始条件下的WRF-3DVar实验。同化数据包括NCAR地面和高空观测与AMSUA和AMSUB辐射数据。本研究中所同化的地表和高空数据均来自于NCAR档案中的“ds337.0”，其中包括气压、位势高度、温度、露点温度、风向、固定和移动陆地/海洋站的速度的观测值。这些数据最初是按PREPBUFR格式下载的，可以直接进入WRFDA进行同化。来自NOAA ATOVS的BUFR格式的AMSU-A和AMSU-B卫星辐射数据(NOAA-15/16/17/18/19)可以通过CRTM2.0.2在WRFDA中读取。

结果与讨论

资料同化对降水预报的影响

降水个例

2013年6月，青藏高原东北部发生两场暴雨事件。由雨量计网络观测到的个例的持续时间和最大/平均累积降水量如表 2所示。根据时间和空间上降水分布的均匀性，两种个例类型不同。图 3为两个个例持续时间的累积降水量的空间分布，图 4为老巨沟站两个个例观测降水的时间序列条形图和累积曲线。通过对比图 3和图 4中时间和空间的均匀度，可以发现，个例A在空间和时间上都没有平均降水分布。个例B的降水分布在空间上也不均匀，但在时间上是连续的，且几乎是常数。根据天气分析图所示的风暴天气的气象特征，个例A很可能是由很强的局部对流引起的，而个例B可能是层状风暴。

图3 两个个例持续时间内的累积降水量的空间分布，用泰森多边形展示：（a）个例A；（b）个例B

图4 老巨沟站两次强降水个例的时间序列条形图和观测到的降水累积曲线:(a)个例A；(b)个例B

通过使用变异性系数(CV)，可以定量地进一步验证两个暴雨个例的降水均匀度/不均匀度：

， （2）

其中，为每个雨量计i（计算空间上均匀度）的累积降水量或为每一时间步长i（时间上的均匀度）的平均区域降水量，为的平均值，N为雨量计的总数或时间步长的总数。两个降水个例的结果也如表 2所示。更大的CV值代表更高的变异性，即减少降水分布的均匀度。个例A的空间均匀度的CV值大于个例B的CV值，这意味着个例A在空间上具有较高的变异性。

表2 暴雨的持续时间、最大/平均累积降水量和空间/时间均匀度

降水的空间分布

在图 5中，与CTRL实验对比(图 5(a))，根据不同的资料同化实验，降水落区和累积量的预测明显增加。CTRL实验只预报了研究区域西北地区的少量降水，而DA-SAT实验降水区域则延伸到研究区域的中部和南部地区，降水累积量显著增加(图 5(b))。但在该区域的西北地区，DA-SAT实验的降水累积量与图 5(a)相似。在DA-OBS实验中(图 5(c))，该区域西北地区的降水累积量大于CTRL实验，但在两个实验中降水落区相似。图 5(d)显示了DA-BOTH实验的结果，其中降水面积最大，降水累积量与其他三个实验相比最大。