多普勒雷达资料同化在台风“桑美”预报中的应用研究

沈菲菲，闵锦忠，陈鹏，李超

（1.南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京 210044；2.南京信息工程大学大气科学学院，江苏南京 210044；3.江苏省气象信息中心，江苏南京 210008；4.江苏省南通市气象局，江苏南通 226018）

多普勒雷达资料同化在台风“桑美”预报中的应用研究

沈菲菲1，2，闵锦忠1，2，陈鹏3，李超4

（1.南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京 210044；2.南京信息工程大学大气科学学院，江苏南京 210044；3.江苏省气象信息中心，江苏南京 210008；4.江苏省南通市气象局，江苏南通 226018）

本文以2006年超强台风“桑美”为个例，考察了同化雷达径向风观测资料对台风初始场和预报场的改进作用。首先对沿海新一代多普勒天气雷达的径向风观测资料进行了去噪音、退模糊等一系列的质量控制，进一步利用美国国家大气研究中心开发的中尺度数值模式WRFV3.5及其三维变分同化系统WRF-3DVAR，每30 min循环同化雷达径向风观测资料。结果表明：同化多普勒雷达径向风观测资料后，对台风在模式中的初始位置进行了很好的修正，同时对台风区的动力和热力结构均有较好的调整。两组同化试验对于台风的路径、强度、降水等预报要优于控制试验，并且对背景误差协方差尺度化因子优化调整可以更有效地吸收雷达观测资料并提供更多的中小尺度信息。

雷达径向风资料；资料同化；WRF-3DVAR系统；数值模拟

1 引言

台风是热带洋面上生成并剧烈发展的强气旋系统，所引发的灾害，其累计损失是不可估量的。我国是一个多台风的国家，每年夏季都会遭受台风的侵袭。因而，利用数值模拟来对台风进行预报便成为许多气象专家所关注的问题，而数值预报的准确性很大程度上依赖于数值模式初始场的准确性，但由于海上少有观测点布设，无法得到常规数据，故无法订正数值模式的初始场，而初始场信息缺乏所造成的spinup问题［1］是影响准确模拟和预报台风的一个重要因素。近年来，随着世界范围内多普勒天气雷达组网的建设完善，其所观测的数据具有高时空分辨率的特点，气象学家开始关注如何利用这些数据对模式初始场进行改善。邱崇践等［2］对移经美国Oklahoma州的强雷暴系统运用ARPS模式进行了数值模拟试验，试验结果表明在同化雷达径向风观测资料之后对模式的背景场有正的修正作用，并且对随后的预报也产生了正影响。林静芝和黎守德［3］研究发现将雷达径向风资料引进模式从而进行同化，可以改进台风风场的水平分布，对气旋在模式中的初始化十分有利。Lindskog等［4］利用高分辨率有限区域模型（HIRLAM）和变分同化系统（3DVAR）对多普勒雷达径向风资料进行同化，有效地提高了24 h风场的预报。Xiao等［5－7］在WRF和MM5的基础上发展了3DVAR系统，并同化雷达径向风资料和反射率资料进模式中，较大地提高了暴雨、台风个例中的短时定量降水预报能力。顾建峰［8］将雷达径向风速和反射率利用WRF模式及其同化系统WRF-3DVAR进行模拟和同化，结果发现通过直接同化能提高分析和预报质量，并且在观测误差选取、背景场误差调优等方面依然存在很大的预报技巧。陈力强等［9］利用WRF模式的同化系统WRF-3DVAR直接同化了雷达径向风和反射率，发现对冷涡系统的三维结构能有效反演，提供了较好的模式初始场。杨毅［10］、段云霞［11］利用WRF-3DVAR系统对直接和间接同化多普勒雷达径向风资料进行比较，发现直接同化雷达径向风的效果略差于间接同化的效果。陈锋等［12］将多普勒雷达径向风速资料利用WRF模式和WRF-3DVAR系统进行模拟和同化，发现同化试验能调整模式初始风场，WRF模式模拟有效地改进了台风结构，故而模式预报台风强度、路径和降水的能力得到提高；同时为了提高同化效果可以在一定程度上缩小同化时间间隔。施丽娟等［13］将雷达资料同化进ARPS-3DVAR系统，发现同化试验对6 h同化窗口内的风场、降水和回波分布有明显改善，从而提高模式对中尺度雨团的预报能力，改善了台风降水和路径的预报。李娜等［14］利用ARPS模式同化多部多普勒雷达观测资料和常规探空资料对飑线天气系统进行了模拟研究，发现雷达资料初始化以后能够较好的模拟出飑线过程的动力和热力机构，从而改进对中小尺度系统的预报。Yang等［15］通过同化多时刻多普勒雷达观测资料对台风海棠登陆前后的中尺度结构演变特征进行诊断分析，发现加入雷达资料后，可以有效的改进对台风的强度和路径预报。李新峰等［16］利用ARPS模式同化多时刻雷达资料和探空资料，发现雷达资料初始化主要改进台风的结构场的分析，而常规资料同化主要改进环境场分析。

以上研究在理论应用和业务实践中均取得了极大进步，但仍有一些工作需要进一步试验和研究。本文利用美国新一代中尺度数值模式WRF模式及其同化系统WRF-3DVAR，对2006年第8号台风“桑美”进行模拟，检验多普勒雷达径向风资料在改进模式初始场及提高台风路径、强度和降水预报准确率等方面的应用效果及意义。

2 WRF-3DVAR系统及观测算子简介

2.1 WRF-3DVAR系统简介

WRF-3DVAR三维变分同化系统是将资料同化归结为一个表征分析场与观测场和分析场与背景场偏差的二次泛函极小值问题（Lorenc［17］）。泛函定义为：

式中，x为分析变量向量，xb是背景场向量，y0是观测向量，B是背景误差协方差矩阵，O是观测误差协方差矩阵。y＝H（x）为分析变量的观测相当量，H为观测算子，可能是简单的插值算子或复杂的模式，对于雷达径向风资料，观测算子除了包括空间插值算子，还包括物理转换过程。三维变分系统的基本目标就是通过迭代方法求解以上目标函数的极小值，从而得出尽可能接近大气真实状态的估计值。在变分的极小化计算过程中要用到观测误差协方差及背景误差协方差的逆矩阵。一般认为观测之间是不相关的，矩阵O是对角阵或接近对角阵，求逆并不困难。由于背景场误差协方差矩阵逆B－1的大条件数，使极小化问题是病态的，极小化的数值求解过程难于收敛。所以在分析前要进行预处理，通过控制变量转换，使背景误差间最大程度不相关，从而简化背景误差协方差矩阵。

2.2 雷达径向风同化的观测算子

由于雷达径向速度并不是模式直接的观测变量，需要建立一个观测算子把模式的水平方向和垂直方向的速度与雷达径向风速度相联系起来。WRF-3DVAR中多普勒雷达径向速度的观测算子［18—19］为：

式中，（u，v，w）为风的分量，（x，y，z）是雷达站的位置，（xi，yi，zi）是雷达观测的位置，ri是观测点距离雷达的距离，vT是下落末速度（单位：m／s）。在雷达进行每个仰角的体扫过程中，必要考虑降水粒子的下落末速度，v的计算［20］采用如下形式：

其中，qra是雨水混合比（单位：g／kg），v是修正因子，定义为：

3 个例选取、雷达资料质量控制及试验设计

3.1 “桑美”（0608，Saomai）台风简介

本文选取的个例是登陆浙江苍南的0608号超强台风“桑美”。根据历史资料显示，“桑美”台风是近50多年来登陆我国大陆最强的台风。严重影响了我国东部沿海地区，共造成了25亿美元的巨大损失。其具有如下几个特点：强度强，移动速度快，结构紧密，“个头”小但台风眼十分清晰。“桑美”具备了台风的一切显著特征，是十分“标准”的台风。2006年8月5日12时（世界时，下同），在关岛东南方的西北太平洋洋面上有热带风暴生成，命名为“桑美”，并编号0608，其后它便向西北方向移动，强度不断加强。于8月7日06时加强为台风，9日03时急剧加强为强台风，9日10时最终加强为超强台风，并保持着西北向移动路径。10日09时25分“桑美”在浙江省苍南县马战镇附近沿海登陆，登陆时中心最低气压920 hPa，中心附近最大风力17级，是近50年来直接登陆我国大陆最强的台风。登陆后“桑美”迅速减弱填塞，10日15时减弱为强热带风暴，11日23时减弱为热带低压，并停止编号。10－12日，受其影响，浙江南部及沿海、福建北部及沿海大部地区出现了8～10级大风，其中浙江东南部沿海和福建东北部沿海部分地区风力尤其大，有11～12级，局部地区风力达14～17级；“桑美”降水强度大，降水区域和时间特别集中，其过程雨量主要集中在10日傍晚至半夜，其中浙江苍南云岩和平阳水头5 h降水量分别达到了374 mm和233 mm。浙江苍南和福建福鼎的部分地区受到了毁灭性的破坏，两省因台风共造成447人死亡，失踪138人，直接经济损失高达190.8亿元。

3.2 雷达资料质量控制

本文使用的雷达资料来自于温州雷达站布设的新一代S波段多普勒天气雷达（27.90°N，120.74°E；型号：CINRAD／SA）。该雷达采用业务上运行的VCP21观测模式进行连续体积扫描观测，在0.5°～19.5°之间共有9个仰角，体扫时间间隔为6 min；径向速度和反射率回波的最大观测半径分别为230 km和460 km，相应距离库长为250 m和1 000 m。在进行多普勒雷达资料同化之前，有必要对雷达基数据进行必要的质量控制，剔除地物杂波，速度退模糊，最后把质量控制后的雷达观测数据由球面坐标转换到笛卡尔坐标。在转换过程中进行了雷达观测资料的稀疏化，目的为了减小计算成本。

图1a给出了2006年8月10日台风“桑美”温州站（SA雷达）0.5°仰角层上的径向速度资料，该资料中速度模糊较为严重。经过质量控制修正后（图1b），径向风速度由原先的25 m／s增加到了50 m／s，更加接近真实情况。

图1 雷达径向速度质量控制前（a）和控制后（b）对比Fig.1 Comparison of radar radial velocity before quality control（a）and after（b）

3.3 试验设计

本文采用WRFV3.5的ARW版本作为预报模式。该模式为可压缩、非静力中尺度模式，水平方向采用荒川C网格，垂直方向采用随地形的质量坐标。模拟区域（见图2）中心为26.362°N，122.548°E，水平格点数为401×401，格距为5 km，垂直方向分为不等距的41层，模式层顶气压为100 hPa。由1°×1°分辨率的NCEP再分析资料提供初边界条件，微物理过程采用WSM6类冰雹方案［21］，由于格点分辨率尚不能完整刻画出台风对流尺度特征，故采用Grell-Devenyi积云参数化方案［22］。其他物理参数化方案包括Yonsei University（YSU）［23］边界层方案，5阶热量扩散方案，Rapid Radiative Transfer Model（RRTM）长波辐射方案，Dudhia短波辐射方案。试验流程图如图3所示。

表1 试验方案Tab.1 Experiment schemes

图2 WRF模拟区域范围，2006年8月10日00时至2006年8月10日18时台风观测最佳路径图和雷达中心位置及其雷达径向风对应影响半径Fig.2 The WRF model domain colored by terrain height（unit：m）.Best track positions for typhoon Saomai from CMA from 00：00 UTCto 18：00 UTC on 10th August 2006，the WZRD location and its coverage circles are also indicated

4 试验结果分析

4.1 风场增量分析

图3 NoDA试验（a）和3DVAR试验（b）流程图Fig.3 The flow charts for NoDA experiment（a）and 3DVAR experiment（b）

图4a为3DVARa同化后的风场增量场，图中红点为台风实况中心位置。可见，气旋性的增量环流位于观测台风的东南象限，而在台风中心位置处的风场增量基本以东北风为主且量级最大；而在观测台风的西北象限，风场的增量分布又以反气旋性增量为主，这样的气旋性与反气旋性风场增量交替分布的形态与前人用WRFDA-3DVAR同化雷达径向速度的结果类似［24］。然而当背景场严重低估台风强度时，增量所应体现的强的涡旋环流结构并未体现。即用NMC方法所统计出来的背景误差协方差不能很好的模拟出台风的中心涡旋结构。造成这样结果的原因可能是没有对资料密集区域的雷达资料进行合理地平滑处理以及观测资料对观测影响半径以外的区域不合理的影响造成的。图4b为3DVARb的700 hPa风场增量场，可以发现当尺度化因子缩小后，在台风的内核区中低层产生了显著的气旋性风场增量。在台风涡旋结构中心位置，风场增量呈现了一个更强的气旋性分布形态，并且在台风眼区周围量级达到最大。如此大的气旋性增量主要由于背景场中的台风涡旋结构太弱所导致。同时增量的空间分布形态与温州站雷达所观测到的流向雷达和离开雷达的径向风速度分布相一致（图略）。总体而言，两组同化试验在同化了雷达径向风观测资料之后，气旋性的风场增量均在台风中心区域出现，使得模拟的台风结构得到加强。并且随着尺度化因子的缩小，气旋性增量越接近实况台风中心，这说明尺度化因子的逐渐减小，可以使雷达观测信息以更加合理的方式向四周传播，进而改进模式初始场。在高时空分辨率的雷达资料同化中，较小的静态背景误差协方差的尺度化因子能显著改进台风路径的预报效果。较大的尺度化因子会导致雷达径向风影响范围过大，导致通过分析得到的台风结构不合理。较小的尺度化因子可以使分析更好的拟合观测，进而得到更好的预报效果。

图4 2006年8月10日03时3DVARa试验（a）和3DVARb（b）试验700 hPa风场增量Fig.4 The analysis wind increments of 700 hPa for3DVARa（a）and 3DVARb（b）at 03：00 UTC on 10th August 2006

4.2 径向风观测空间诊断以及MSLP在同化窗内的表现

本文进一步通过对比同化前的背景场和同化后的分析场，计算径向风相对于观测的均方根误差［25—26］来判别同化效果的优劣。图5a显示了两组同化试验的Vr的雷达径向风均方根误差（RMSE）图。从图5a可以看出，两组同化试验每次分析后的RMSE都较前次有所下降，效果改进最为明显的是第一个分析时刻，同化后Vr的RMSE显著减小，3DVARb试验从12.2 m／s降低到了3.5 m／s，而3DVARa试验则降到了5.3 m／s，这可能是因为第一个分析时刻的观测增量最大。每次分析后的30 min预报基本上都会把Vr的增量增加4 m／s，从而达到6～7 m／s。总体上看来，可以发现3DVARb试验产生的分析场与Vr观测是最为接近的，到了分析的后期阶段，3DVARb试验的效果更加显著，观测增量基本稳定在2 m／s左右，这与预先给定观测误差2 m／s是相符合的，从而说明经过尺度化因子优化可以有效的改进模式分析场，并且对随后的预报也会产生正影响。

图5 2006年8月10日03时00分至06时00分，每个同化时刻的同化前后均方根误差（a）和最小海平面气压（b）Fig.5 The forecast and analysis（sawtooth pattern during DA cycling）for RMSE of radial velocity（a）and the minimum sea level pressures（b）for 3DVARa and 3DVARb from 03：00 to 06：00 UTC on 10th August 2006

图5b考察的是同化区间内每次分析和预报的最小海平面气压，在同化的起始时刻（2006年08月10日03时），模式背景场中的最小海平面气压要比CMA-STI热带气旋最佳路径数据集中的最小海平面气压高80 h Pa。从图中可以看出，两组同化试验中最小海平面气压的下降主要是通过模式预报调整从而实现的。第一次分析过程（03：00－03：30UTC）最小海平面气压下降尤为显著，3DVARa试验下降了6 h Pa，而3DVARb试验则下降了27 hPa。这主要是因为风场是可以直接观测到的参数，而气压则主要取决于背景误差协方差矩阵的平衡约束关系。

4.3 台风结构场分析

本文进一步检验各组试验循环同化最后一个分析时次的台风结构场。图6分别显示的是2006年8月10日06时雷达实况观测及CNTL、3DVARa、3DVARb三组试验分析的海平面气压场和近地面风场合成示意图。由图6可以看出，与CNTL试验（见图6b）相比，两组同化试验分析的台风涡旋环流结构均要比控制试验显著，分析的海平面气压也要比控制试验更接近实况，同时分析的台风眼区小，眼壁厚实而紧密，大风区得到体现。但是3DVARa试验（见图6c）在观测台风的南侧出现了虚假的反气旋性中心，并且风压场配置不是很协调。相比而言，3DVARb试验（见图6d）对于台风中心强度的修正效果要明显优于其他两组试验，与实况更为接近。同时低层的流场均是向台风眼壁辐合，风场近乎闭合，台风涡旋环流结构更为清晰，说明经过尺度化因子优化调整同化雷达径向风资料后能够更好地捕捉到台风系统主要的环流结构场。

图7是CNTL、3DVARa、3DVARb三组试验的轴对称切向风、水平温度异常（以台风中心为原点，180 km半径内各高度上温度水平平均偏差）。图7a显示CNTL试验初始场的轴对称环流很弱，台风眼半径较大，对应的中层暖心结构也较弱（4 K）。同CNTL相比，后面的两组同化试验中台风的环流结构显著增强，最大切向风速约45 m／s，位于边界层内。眼墙半径缩小，最大风速半径缩小至20 km，最大温度异常增强至8 K，位于8 km处。表明循环同化雷达资料能够增强台风涡旋，形成合理的轴对称风场、温度场，两组同化试验的轴对称结构非常相似，表明雷达资料同化可对台风内核区动力和热力结构改进具有主导作用。

4.4 台风路径和强度预报检验

为了进一步评估各组同化试验分析场质量的优劣，本文在各组同化试验的最后一个分析时刻，分别作了8月10日06时至18时的12个小时确定性预报。图8a是各组试验台风路径对比图，其中台风中心位置是通过最小海平面气压来确定。由于本文只同化了雷达径向风观测资料，台风路径的变化主要取决于分析后的台风环流结构场和台风强度的变化。从图8a中可以看出，前3 h，CNTL试验模拟的路径较实况路径明显偏南，而其他两组同化试验模拟的路径与实况路径相比均较为接近，CNTL试验预报路径不理想的初步原因归结于初始时刻背景场气压比实况偏弱很多造成的。3 h以后，3DVARa试验模拟的路径误差逐渐加大，较实况路径偏西偏北。9 h之后，3DVARa试验模拟的路径较真实路径偏离更为明显，依然偏西偏北，而CNTL试验则由于背景场中的台风强度偏弱继续随环境风偏西偏南，而此时3DVARb试验模拟的路径较其他两组试验更加接近实际路径。总之，3DVARb试验在整个12 h确定性预报过程中模拟的路径与实况路径最为接近。图8b是各组试验预报的台风路径误差图，在预报的前3 h，各组试验预报路径误差都控制在20 km以内，到了预报后期，控制试验路径误差增长过快，而另外两组同化试验则相当，但3DVARb试验的效果要略显优势。图8c着重考察了各组试验对台风预报强度随时间变化图，从图中可以看出，CNTL试验在整个预报过程中的MSLP误差最大。在试验预报前6 h 3DVARb试验预报效果要比3DVARa试验改进显著，但随着预报时次的增加，两者的误差逐渐接近，但从总体趋势上来看，3DVARb试验效果要比3DVARa试验略优一些，尤其在预报的起始阶段。图8d是各组试验对台风预报的最大风速随时间变化图，从图中可见，CNTL试验严重低估了台风的最大风速，原因是背景场中的台风强度太弱。3DVARa试验效果则和控制试验相当，3DVARb试验在整个12 h预报过程中风场得到较为有效的调整，与实况最为接近。

4.5 径向风预报均方根误差（RMSE）效果检验

图6 2006年8月10日06时的雷达组合反射率观测（a），CNTL试验诊断的组合反射率（b），3DVARa试验的海平面气压（c）和3DVARb试验的近地面风场合成（d）Fig.6 The composite reflectivity observed by Wenzhou radar（a）and the analyzed composite reflectivity，sea level pressure（solid contours），and the surface wind vectors for CNTL（b），3DVARa（c），and3DVARb（d）at 06：00 UTC on 10th August 2006

本文进一步将预报的径向风与真实雷达径向风对比做检验，前人大量的研究表明，雷达径向风观测资料同化进模式的合理有效预报时间一般是3～6 h。图9是两组同化试验6 h预报相对于观测的RMSE，初始时刻8月10日06时3DVARa试验的RMSE为3.82 m／s，相比3DVARb试验（2.2 m／s）要略微大一些。经过3 h预报后，可以发现3DVARb试验风场预报相对于3DVARa试验而言，与观测的径向风更加接近。尤其是经过6 h预报之后，3DVARa试验的预报误差增长的较快，达到12.2 m／s，3DVARb试验的误差仍然较小，在10 m／s左右。从6 h的风场预报检验可以发现，3DVARb试验效果要比3DVARa试验效果改进要更加显著。

4.6 降水预报检验

图7 2006年8月10日06时CNTL（a）、3DVARa（b）、3DVARb（c）试验的台风轴对切向风和温度异常（等值线，单位：K）Fig.7 Contour plot of azimuthally-averaged tangential wind and temperature deviated from the horizontal mean（solid contour lines are shown with intervals of 2 K）at 06：00 UTC on 10th August 2006 from experiments of CNTL（a），3DVARa（b），and 3DVARb（c）

本文采用ETS（equitable threat score）评分技术对同化后的3 h累计降水做预报检验，将各组试验模拟降水和实况观测降水做比较，分别对5 mm、10 mm、25 mm级别降水进行比较。从图10中可以发现，两组同化试验的ETS评分都要显著高于CNTL试验，3DVARb试验的ETS评分在大部分时间（2006年8月10日06时，09时，12时）比3DVARa试验略高。对于5 mm和10 mm级别的ETS评分，三组试验均能维持在较高的水平，而25 mm降水的ETS评分各组试验均明显下降，但3DVARb试验降幅最小。

5 总结与讨论

本文利用高分辨率中尺度预报模式WRF及其同化系统WRF-3DVAR系统，针对2006年超强台风“桑美”个例，每30 min同化了温州雷达站的雷达径向风观测资料，主要结论如下：

（1）NMC方法统计得到的背景误差协方差矩阵主要是反应大尺度的误差结构特征，如果直接运用到对流尺度的雷达资料同化中去是欠妥的。本文经过大量敏感性试验研究发现，优化静态背景误差协方差矩阵中的水平相关尺度具有很大的必要性。同化雷达径向风观测资料后，可以有效的改善台风的初始风场结构，进而影响台风内核区动力和热力结构。在高时空分辨率的雷达资料同化中，背景误差协方差中水平尺度化因子的优化调整能进一步地提高同化效果。

图8 2006年8月10日06－18时预报路径（a）、预报路径误差（b）、预报最低海平面气压（c）、预报地面最大风速（d）的预报结果Fig.8 The 12-hour predicted tracks（a），track errors（b），minimum SLP（c）and maximum surface wind speed（d）of super typhoon Saomai from 06：00 UTC to 18：00 UTC on August 10th 2006

（2）变分同化试验相比控制试验得到的路径和强度预报而言均有不同程度的改进，其中3DVARb试验分析出的台风的路径和强度更加接近真实观测。在整个同化过程中，3DVARb试验得到的径向预报风与观测最为接近，尤其是对于前1 h的预报，3DVARb试验的误差增长速度也相对3DVARa较为缓慢。可见雷达资料能够通过影响分析场进一步改进预报效果。

（3）从3 h累积降水ETS评分来看，同化试验的ETS评分都要显著高于CNTL试验，3DVARb试验的ETS评分在大部分时间比3DVARa试验略高。并且随着降水阈值的提高，3DVARb的评分优势更加显著。

本文利用雷达径向风观测资料进行的试验说明，3DVAR同化多普勒雷达观测资料有助于台风的初始化并提供更加精细的中尺度结构信息，为多普勒雷达观测资料在台风的初始化和集合预报研究、应用提供了技术参考。同时，应该指出本文只是针对“桑美”台风个例进行了初步的研究，所得到的结论，对于其他台风个例的同化强度和路径的预报技术提供了非常有益的借鉴和参考，对于其他个例结论是否成立还需要做进一步的检验。在今后的工作中将针对更多的台风个例展开类似研究，希望能够构造出物理意义更加完善尺度化因子调整方法，并且对雷达观测资料的质量控制还需要做更加深入的研究。对于同化过程中的水平尺度化因子的调整对于不同天气系统的影响还有待于将来进一步的研究。

图9 2006年8月10日6－12时3DVARa和3DVARb确定性预报径向风的RMSE检验Fig.9 RMSE validation of deterministic forecasted Vr by 3DVARa and 3DVARb from 06：00 to 12：00 UTC on August 10th 2006

图10 3 h累积5 mm（a）、10 mm（b）、25 mm（c）降水ETS评分检验（CNTL、3DVARa、3DVARb）Fig.10 The equitable threat scores for forecasted 3 h accumulated precipitation from CNTL，3DVARa and 3DVARb at three thresholds of 5 mm（a），10 mm（b），and 25 mm（c）

［1］ Kasahara A，Balgovind R C，Katz B.Use of satellite radiometric imagery data for improvement in the analysis of divergent wind in the tropics［J］.Mon Wea Rev，1988，116：866－883.

［2］ 邱崇践，余金香，Xu Qin.多普勒雷达资料对中尺度系统短期预报的改进［J］.气象学报，2000，58（2）：244－249.

Qiu Chongjian，Yu Jinxiang，Xu Qin.Use of doppler-radar data in improving short-term prediction of mesoscale weather［J］.Acta Meteorologica Sinica，2000，58（2）：244－249.

［3］ 林静芝，黎守德.高分辨率数值模式应用热带气旋强风或烈风的预报［R］.第十六届粤港澳气象科技研讨会报告，广州，2002.

Lin Jingzhi，Li Shoude.Application of a high-resolution model in forecasting strong or gale force winds associated with tropical cyclones［R］.16th Guangdong－Hong Kong－Macau Seminar on Meteorological Science and Technology，Guangzhou，2002.

［4］ Lindskog M，Salonen K，Järvinen H，et al.Doppler radar wind data assimilation with HIRLAM 3DVAR［J］.Mon Wea Rev，2004，132（5）：1081－1092.

［5］ 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］.J Appl Meteor，2005，44（6）：768－788.

［6］ Xiao Q，Kuo Y H，Sun J，et al.An approach of radar reflectivity data assimilation and its assessment with the inland QPF of Typhoon Rusa（2002）at landfall［J］.J Appl Meteor Climatol，2007，46（1）：14－22.

［7］ Xiao Q，Sun J.Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002［J］.Mon Wea Rev，2007，135（10）：3381－3404.

［8］ 顾建峰.多普勒雷达资料三维变分直接同化方法研究［D］.北京：中国气象科学研究院，2006：223.

Gu Jianfeng.Research on direct assimilation of Doppler radar observation using 3DVAR［D］.Beijing：Chinese Academy of Meteorological Sciences，2006：223.

［9］ 陈力强，杨森，肖庆农，等.多普勒雷达资料在冷涡强对流天气中的同化应用试验［J］.气象，2009，35（12）：12－20.

Chen Liqiang，Yang Sen，Xiao Qingnong，et al.Experiment of Doppler radar data assimilation for convection in cold vortex［J］.Meteorological Monthly，2009，35（12）：12－20.

［10］ 杨毅.Doppler雷达资料同化技术研究［D］.兰州：兰州大学，2007：147.

Yang Yi.Study on the techniques for assimilation of Doppler radar data［D］.Lanzhou：Lanzhou University，2007：147.

［11］ 段云霞.将多普勒雷达资料用于台风碧利斯的结构分析和模拟研究［D］.兰州：兰州大学，2009：49.

Duan Yunxia.Doppler Analysis and Simulation on Typhoon Bilis［D］.Lanzhou：Lanzhou University，2009：49.

［12］ 陈锋，冀春晓，董美莹，等.雷达径向风速同化对台风麦莎模拟的影响［J］.气象，2012，38（10）：1170－1181.

Chen Feng，Ji Chunxiao，Dong Meiying，et al.The effects of radar radial velocity data assimilation on the simulation of typhoon Matsa［J］.Meteorological Monthly，2012，38（10）：1170－1181.

［13］ 施丽娟，许小峰，李柏，等.雷达资料在登录台风“桑美”数值模拟中的应用［J］.应用气象学报，2009，20（3）：257－266.

Shi Lijuan，Xu Xiaofeng，Li Bai，et al.Application of Doppler radar data to the land falling typhoon Saomai simulation［J］.Journal of Applied Meteorology，2009，20（3）：257－266.

［14］ 李娜，冉令坤，高守亭.华东地区一次飑线过程的数值模拟与诊断分析［J］.大气科学，2013，27（3）：595－608.

Li Na，Ran Lingkun，Gao Shouting.Numerical simulation and diagnosis study of a squall line in eastern China［J］.Chinese Journal of Atmospheric Sciences，2013，27（3）：595－608.

［15］ Yang S，Kang K R，Cui X，et al.Diagnostic analysis of the asymmetric structure of the simulated landfalling typhoon“Haitang”［J］.Progress in Natural Science，2008，18（10）：1249－1260.

［16］ 李新峰，赵坤，王明筠，等.多普勒雷达资料循环同化在台风“鲇鱼”预报中的应用［J］.气象科学，2013，33（3）：255－263.

Li Xinfeng，Zhao Kun，Wang Mingjun，et al.Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data［J］.Journal of the Meteorological Sciences，2013，33（3）：255－263.

［17］ Lorenc A C.Analysis methods for numerical weather prediction［J］.Quart J Roy Meteor Soc，1986，112（474）：1177－1194.

［18］ Sun J，Crook N A.Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.PartⅠ：Model development and simulated data experiments［J］.J Atmos Sci，1997，54（12）：1642－1661.

［19］ Sun J，Crook N A.Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.PartⅡ：Retrieval experiments of an observed Florida convective storm［J］.J Atmos Sci，1998，55（5）：835－852.

［20］ Marshall J S，Palmer W M K.The distribution of raindrops with size［J］.J Meteor，1948，5（4）：165－166.

［21］ Hong S Y，Dudhia J，Chen S H.A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation［J］.Mon Wea Rev，2004，132：103－120.

［22］ Grell G A，Dévényi D.A generalized approach to parameterizing convection combining ensembleand data assimilation techniques［J］.Geophysical Research Letters，2002，29（14）：38－1－38－4.

［23］ Noh Y，Cheon W G，Hong S Y，et al.Improvement of the K-profile model for the planetary boundary layer based on large eddy simulation data［J］.Boundary-layer meteorology，2003，107（2）：401－427.

［24］ Xiao Q，Sun J.Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002［J］.Mon Wea Rev，2007，135：3381－3404.

［25］ Snyder C，Zhang F.Assimilation of simulated Doppler radar observations with an ensemble Kalman filter［J］.Mon Wea Rev，2003，131：1663－1677.

［26］ Tong M，Xue M.Ensemble Kalman filter assimilation of Doppler radar data with a compressiblenonhydrostatic model：OSSexperiments［J］.Mon Wea Rev，2005，133：1789－1807.

Experiments of assimilating Doppler radar data in forecast of typhoon Saomai

Shen Feifei1，2，Min Jinzhong1，2，Chen Peng3，Li Chao4

（1.Jiangsu Key Laboratory of Meteorological Disaster，Nanjing University of Information Science&Technology，Nanjing 210044，China；2.College of Atmospheric Science，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Jiangsu Meteorological Information Center，Jiangsu Province，Nanjing 210008，China；4.Nantong Meteorological Bureau，Jiangsu Province，Nantong 226018，China）

The impact of assimilating radar radial velocity data on the analysis and forecasting of the super typhoon“Saomai”（2006）is investigated in this study.The pre-processing and quality control are performed on radar radial velocity observations，which are further assimilated every 30 minutes into the framework of Weather Research and Forecasting（WRF）V3.5 and its three-dimensional variational data assimilation system WRF-3DVAR developed by the U.S.National Center for Atmospheric Research（NCAR）.The results show that assimilating Doppler radar radial velocity can improve the typhoon initialization for wind and temperature fields，producing more meticulous mesoscale structure information.Furthermore，radial velocity data assimilation have improved the forecasting of typhoon track，minimum sea level pressure，maximum wind speed，and precipitation.The analysis and forecasting performances can be further improved by reducing the background length-scale.

radar radial velocity；data assimilation；WRF-3DVAR；numerical simulation

P444

A

0253-4193（2015）03-0025-12

沈菲菲，闵锦忠，陈鹏，等.多普勒雷达资料同化在台风“桑美”预报中的应用研究［J］.海洋学报，2015，37（3）：25—36，

10.3969／j.issn.0253-4193.2015.03.003

Shen Feifei，Min Jinzhong，Chen Peng，et al.Experiments of assimilating Doppler radar data in forecast of typhoon Saomai［J］.Haiyang Xuebao，2015，37（3）：25—36，doi：10.3969／j.issn.0253-4193.2015.03.003

2014-01-01；

2014-06-02。

国家973计划项目（OPPAC－2013CB430102）；国家自然科学基金项目（41375025）；江苏省普通高校研究生科研创新计划（CXZZ11_ 0606，CXZZD_0490，CXZZB_0501）。

沈菲菲（1984—），男，江苏省大丰市人，博士生，主要从事雷达和卫星遥感资料同化。E-mail：ffshen.nuist＠gmail.com