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

1)(中国气象科学研究院灾害天气重点实验室，北京 100081)2)(中国气象科学研究院，北京 100081)



多普勒天气雷达资料同化对江淮暴雨模拟的影响

张新忠1)陈军明2)*赵 平1)

1)(中国气象科学研究院灾害天气重点实验室，北京 100081)2)(中国气象科学研究院，北京 100081)

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。

中尺度模式； 多普勒天气雷达； GSI 同化系统； 云分析； 暴雨

引 言

目前，对强降水等中尺度天气过程的数值模拟和预报仍面临很大挑战。常规观测资料受时空分辨率较低的限制，无法为高分辨率的数值模式初始场提供丰富的中小尺度信息，多普勒天气雷达资料高时空分辨率的特点为弥补这一缺点提供了可能。随着我国多普勒天气雷达网的建成，如何将多普勒天气雷达资料应用于数值模拟已成为气象工作者关注的问题。

1987年Wolfsberg[1]开始尝试雷达径向速度的四维变分同化研究。Sun等[2]建立了多普勒雷达四维变分分析系统，用于研究和预报生命史较短的对流天气系统。Xue等[3]同化雷达反射率因子，表明同化雷达资料可以减少模式的调整适应时间，更精确地模拟初始时刻的雷暴。Lindskog等[4]将C波段雷达资料反演为垂直风廓线进行同化，发现同化雷达资料后对流层中层预报结果有微弱改善。Hu等[5]在模拟龙卷过程中同化雷达资料，能够更加准确地预报龙卷位置。Xiao等[6]在MM5-3DVAR系统中同化雷达的垂直速度和反射率因子，提高了暴雨预报准确率。

国内在多普勒天气雷达资料同化应用方面也开展了很多研究。马清云等[7]采用MM5模式同化雷达反演的风场，表明有助于分析和预报时空尺度较小的中尺度系统。万齐林等[8]对多普勒雷达的径向风速和回波时空变化所包含的风场信息进行了三维变分同化。张林等[9]采用四维变分同化系统对径向风资料进行同化试验，结果表明：同化雷达径向风资料，加强了中尺度对流系统低层的风场辐合情况。盛春岩等[10]同化雷达反射率因子及径向风资料，分析了雷达资料对初始场的改进效果及其对模拟结果的影响。杨毅等[11]对比直接同化径向风和同化反演风场资料的效果，认为同化反演风场资料效果略好，而闵锦忠等[12]认为直接同化好于反演同化。李柏等[13]采用MM5-4DVAR同化包括雷达的反演资料在内的多种观测资料，使模拟结果得到改进。李华宏等[14]对雷达风廓线资料进行同化, 风场的初始场明显改善, 降水强度和落区预报也有不同程度的改善。杨毅等[15]采用三维变分和物理初始化方法结合的技术同化雷达资料明显改善了短时降水预报。徐广阔等[16]利用ARPS模式同化雷达资料研究2003年淮河流域的暴雨过程，发现加入雷达径向风资料能够得到较好的评分。刘红亚等[17]同化雷达径向风和基本反射率，可以改善6 h以内的降水预报。陈敏等[18]利用VDRAS对多普勒天气雷达进行批量试验，发现可以提高对流性降水短时预报性能。高郁东等[19]同化校准后的雷达估算降水率可改进降水分布的模拟，清晰反映中尺度对流系统的发展和消亡。

上述研究结果表明，同化多普勒天气雷达资料可以增加初始场中小尺度信息，对同化和预报结果均有不同程度的正贡献。目前国内多数的数值同化试验主要针对单部或几部雷达开展，而我国雷达已经达到158部，如何能将更多的雷达观测资料同化到数值模式中,同化大量雷达资料对降水的模拟和预报产生怎样的效果，目前国内还鲜见相关报道。GSI(Gridpoint Statistical Interpolation System)同化系统作为最新的NCEP业务上使用的三维变分系统，针对我国天气雷达资料同化试验的应用研究还较少。

因此，本文采用WRF模式和GSI同化系统，结合我国东部地区46部SA型雷达观测的基数据开展同化试验，对我国2013年夏季长江中下游的典型暴雨过程进行模拟，分析SA型天气雷达资料同化对江淮暴雨模拟的影响及其在GSI同化系统中的应用效果。

1 模式、资料和检验方法

1.1 WRF模式和GSI同化系统

WRF模式由美国国家大气研究中心(NCAR)和国家大气海洋局(NOAA)等多个部门联合研发。它是一个完全可压缩欧拉非静力模式，该模式系统已广泛应用于业务和研究工作[20]。本文采用的是WRF-ARW 3.5.1版本。GSI同化系统(3.0版本)是由NCEP/EMC开发的新一代全球/区域统一的变分同化系统，它在资料分析和质量控制方面有出色表现，能够同化绝大多数常见的气象资料，包括常规探空、地面观测以及卫星遥感资料[21]。

1.2 资 料

模式初始场和侧边界条件采用的是气候预测系统再分析资料CFSR[22]。同化的常规资料是GTS数据，雷达资料是我国东部46部SA型多普勒天气雷达观测的基数据。本文还采用中国地面与CMORPH降水产品融合的逐时降水量网格数据集(1.0版本)和经过质量控制的自动气象站逐时降水资料集检验模式模拟的降水效果。

1.3 雷达资料同化算法

本文所采用的是三维变分的GSI同化系统，GSI中雷达径向风的观测算子为

Vr=(ucosθ+vsinθ)。

(1)

式(1)中，u，v为大气水平风场，θ是方位角，GSI同化系统控制变量不包含垂直速度w，目前三维变分系统中，径向风不同化w项[23]。

对于雷达反射率因子，GSI采用云分析的方法进行同化。GSI云分析系统综合多种资料反演计算云冰、云水、雨水等水凝物混合比，并调整云内温度，生成更接近真实情况的水凝物场和温度场。本文采用的参数配置是ARPS方案和Lin方案[24]。

1.4 试验方案

模拟区域采用两重双向嵌套，水平分辨率为27 km，9 km，水平格点数为260×151，391×211；垂直方向为50层，模式层顶气压10 hPa。模式微物理过程采用WSM6方案，积云参数化采用BMJ方案，长波辐射采用RRTM方案，短波辐射采用Dubhia方案，陆面过程采用Noah方案，边界层方案采用YSU方案[25]。模拟区域和所用雷达站的具体位置见图1。

为了考察加入雷达径向风场、反射率因子资料对降水模拟的不同影响，本文设计4组试验。控制试验(CTRL)6 h同化1次常规观测资料，敏感性试验3 h同化1次雷达资料，具体描述见表1。

1.5 检验方法

本文采用ETS评分、BS评分和HSS评分对降水模拟结果进行定量检验。各种评分的计算公式见文献[15]，本文不再详细描述。

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

试验名称控制试验(CTRL)敏感性试验RADAR-VRADAR-RRADAR-VR常规资料有有有有雷达径向风无有无有雷达反射率因子无无有有

2 暴雨过程

2013年6月5—8日长江中下游地区出现强降水过程，过程降水量50 mm以上的地区达37.7×104km2，雨带呈东西走向，降水主要分布在位于湖南与湖北交界、江西和浙江及安徽交界，其中,安徽黄山过程降水量为274.6 mm(图2a)。

2013年6月26—30日长江中下游地区出现强降水过程，主要时段为6月26日00：00—28日12：00(世界时,下同)。如图2b所示，这次过程降水范围集中，降水强度大，过程雨带呈狭长的带状分布且呈东北—西南走向。降水主要分布于江西北部、浙江西部、湖北南部和湖南东北部，其中，江西进贤达257 mm。

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12：00Fig.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)

3 雷达资料预处理和同化结果

本文在同化前采用雷达拼图软件对雷达反射率因子进行预处理，将质量控制后的体扫数据的反射率因子数据转化为单站的三维格点数据，最后进行多部雷达拼图处理，得到反射率因子区域三维格点数据[26-27]。

对于径向风，采用美国风暴分析中心(CAPS)开发的雷达资料质量控制算法[28]对原始雷达径向风进行质量控制，并参考Weng等[29]采用质量控制程序和阈值剔除结合的做法，针对单部雷达进行单站试验，发现采用4 m/s作为阈值，将任何锥面上观测绝对值小于4 m/s的雷达资料进行去除，可以有效剔除杂波，同时保留有用的观测信息(图略)。

由2013年6月26日00：00背景场和同化雷达资料(径向风、反射率因子)后的增量场可见，背景场中几乎不包含中尺度天气系统信息，没有云水、雨水和垂直速度等信息(图3a)。同化雷达资料以后，700 hPa风场显示出中尺度天气系统，湖南、湖北出现强对流中心，江淮地区风场的切变增大，气流辐合增强(图3b)。温度增量较大，最大接近1 K,增量主要分布在雷达回波区内(图3c)。水汽增量在华南、湖南湖北等地均为正值，为1.5 g/kg左右，与强对流中心对应；而在山东半岛、淮河流域为负值。上述结果表明，经过质量控制后的雷达资料观测信息能够被GSI同化系统有效吸收，并形成了合理的分析增量。

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)

4 数值模拟结果

4.1 控制试验模拟结果

图4a和图4b是降水过程1 CTRL试验24 h累积降水的实况和模拟结果,可以看到，2013年6月6日模拟的降水中心略偏北，模拟降水量较实况偏大，在浙江南部、福建北部模拟出了虚假的降水中心，6月7日江西东部降水也模拟得偏大。

图4c和图4d是降水过程2 CTRL试验24 h累积降水量实况和模拟结果，可以看到，整个降水过程的主要雨带形状、位置以及江西北部的强降水中心、雨带的推进等特征CTRL试验均能较好地模拟出来。但模拟的雨带范围偏大，位置明显偏南，模拟降水量较实况偏大。尤其是湖南和江西北部模拟的降水偏大，浙江西北部的暴雨中心未模拟出来。

图4 24 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00：00Fig.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

4.2 敏感性试验降水模拟结果

4.2.1 降水过程1(2013年6月6—8日)

与CTRL试验相比，2013年6月6日RADAR-V试验模拟的雨带向南移动，与观测的雨带位置更接近，位于浙江南部、福建北部的虚假降水中心消失，加入雷达径向风资料后，对降水落区和降水量的模拟有些改进；而RADAR-R试验，模拟的降水范围变化不大，对降水量的模拟有些影响；同时同化两种资料，模拟的降水位置和强度均有一定改进。6月7日，主要降水发生在海上，雷达资料影响不大，但依然可看到同化雷达资料后，江西东部的虚假降水中心消失(图略)。

图5给出了24 h累积降水量模拟结果的检验评分。由图5a可以看出，对于较低的阈值(10 mm)，试验RADAR-VR的评分最高，其次为试验RADAR-V，试验RADAR-R和试验CTRL的ETS评分最低。当评分阈值增大到25 mm时，4组试验的ETS评分均有所增加，CTRL试验的评分最低，而对于加入雷达资料的其他3组试验，无论是低阈值还是高阈值，均具有较高的ETS评分，尤其是试验RADAR-VR，在阈值为50 mm时，仍具有较高的评分。对100 mm以上的降水，RADAR-V试验评分最高。由6月7日的评分结果(图略)看，由于降水主要位于海上，同化雷达资料对降水模拟的评分改善不大。与此同时，HSS评分(图5b)、BS评分(图5c)也有类似的结果。

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

4.2.2 降水过程2(2013年6月26—28日)

图6是敏感性试验模拟的24 h累积降水分布，可以看到，2013年6月26日与CTRL试验相比，RADAR-V试验模拟的雨带南北范围小，雨带向北移动，与观测降水更接近；对于RADAR-R试验，模拟的降水范围变化不大，对降水量模拟有一些改进；而RADAR-VR试验，模拟的降水范围改进很明显，还模拟出了湖南北部的强降水区，位置略偏北。6月27日RADAR-V和RADAR-VR试验模拟的雨带位置和量级均比CTRL试验更加接近于观测，同时，湖南北部的降水中心也被很好模拟出来。以上结果表明，同化多普勒天气雷达资料可以改善WRF模式对较强降水落区的模拟。

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)

续图6

由图7a可以看出,6月26日对于较低阈值(10 mm)，RADAR-VR试验的评分最高，其次为RADAR-V试验，RADAR-R试验和CTRL试验的ETS评分最低。当评分阈值增大到25 mm时，加入雷达资料3组试验，均具有较高的ETS评分，尤其是试验RADAR-VR，在阈值为50 mm时，仍具有较高的评分。对100 mm以上的降水，RADAR-V试验评分最高。由6月27日的评分结果(图略)看，无论是低阈值还是高阈值，RADAR-VR试验模拟的降水评分均有所提升。对于HSS评分(图7b)、BS评分(图略)也有相似的结果。

由3 h降水ETS评分的结果看，同化雷达资料对积分的12～36 h时段的降水模拟改善最大，试验积分的最后12 h，降水模拟未改善(图略)，可能与模式积分时间过长，模式误差增长有关。以上结果表明，相对于CTRL试验，同化雷达资料对于较强降水分布和强度模拟有一定改善。

分析表明，同化雷达径向风和反射率因子对暴雨模拟结果影响不容忽视。

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

4.3 仅同化径向风的影响

图8a给出了控制试验模拟的6月26日21：00 3 h累积降水量分布，与实况相比(图8b)模拟降水中心偏南，湖北南部的降水中心出现在江西东北部，浙江西部的降水中心也向南偏移了1个纬度，降水范围和量级也比实况要大。由RADVAR-V试验与CTRL试验850 hPa风场和散度差值(图8c)可以看出，同化径向风资料对低层风场影响很明显，在湖南西南部、湖北东南部出现异常的气旋，中心位于26°N，109.5°E和29.5°N，114.5°E，而湖南南部、江西和福建北部等地区出现异常的偏南风。与此同时，在两个异常气旋中心均出现了负的散度差值中心，低层的气流辐合增强。这时江西东北部和浙江西部出现较大的散度差值中心，正、负差值中心表现出很强的中尺度特征。结合降水的异常分布(图8d)看，同化径向风以后，模式可以较好地模拟出中小尺度系统，湖南西南部和湖北东南部的异常气旋中心，降水增加，而气旋的南边降水减少，分布与实况更接近。模拟的南风有所加强，向南北气流的辐合区向北推进，造成江西东北部、浙江北部的降水区向北移动，舟山群岛的降水中心也被较好地模拟出来。由此可以看出，同化质量控制后的径向风，增加了模拟环流场中的中尺度特征，并较好地改善了模拟风场，从而引起环流场的调整，使模拟的降水落区比控制试验更接近实况。

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

4.4 仅同化反射率因子的影响

图9a是6月26日21：00 RADVAR-R试验和CTRL试验850 hPa风场和散度的差值图。可以看出，同化雷达反射率因子对水平风场的影响主要分布在雷达回波区(图略)，差值为5.0～6.0 m/s，在湖南北部、湖北东南部激发出异常的反气旋，并伴随正的散度差值中心，表明低层大气辐散加强，降水减少(图9b),CTRL试验中，出现在湖南北部的虚假降水中心被大大削弱。在江西东北部和浙江西部激发出一系列的中尺度涡旋，伴随着正、负的散度异常中心，低层的大气幅散加强、减弱，降水相应减少、增加。图9c和9d给出了两个方案模拟的雨水和垂直速度沿29°N剖面的差值图，在115°E附近，整层的雨水含量均减少，垂直速度是负异常，上升运动减弱，所以模拟的降水量减少。而在118°E附近，垂直速度正异常，整层的雨水含量均增加，模拟的降水显著增加。总之，仅同化反射率因子，通过调整水凝物的含量，进行温度和水汽的调节，对水平和垂直风场进行调整，从而对模拟的降水强度产生影响，对降水的分布影响较小。

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)

4.5 同时同化径向风和反射率因子的影响

图10a给出了6月26日21：00 RADVAR-VR试验和CTRL试验850 hPa风场和散度的差值图。可以看到，同时同化两种雷达资料模拟的风场异常和图8c有些相似，异常的偏南风出现在湖南南部、江西等地区，偏南风的范围和数值比RADVAR-V试验小，同时湖南北部出现一支异常的南风，伴随着负的散度差值中心，低层气流辐合运动加强，而在湖南北部，激发出异常的反气旋，反气旋中心为正的散度差值中心，表明低层气流辐散加强。图10b和图10c给出了两种方案模拟的垂直速度和雨水含量沿29°N剖面，在111°E以西，垂直运动差值为负值，表明上升运动减弱，同时整层的云水含量都减少，因此，模拟的降水量减少，这使控制试验模拟出的虚假降水中心被大大削弱了；而在112°E垂直运动差值为正值，表明上升运动加强，相应整层的云水含量均增加，模拟的降水增加，从而在湖南东北部、湖北东南部模拟出了东北—西南走向的雨带(图10d)，这与降水实况较吻合(图8b)。在120°E附近，盛行异常的偏南风，散度为负的差值中心，虽然雨水含量和垂直运动差值不大，但降水中心依然往北推进。由此看来，同时同化径向风和反射率因子很好地综合两种资料的贡献，既能更好地模拟出风场的特征，又能对强降水的落区和强度的模拟有很大改善。

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)

5 结论和讨论

本文采用WRF模式和GSI同化系统，同化多普勒天气雷达资料，对我国2013年6月江淮流域的暴雨过程进行模拟试验，结果表明：

1) 采用CAPS开发的雷达资料质量控制算法和阈值法对我国的SA型天气雷达径向风资料进行质量控制，能较好地剔除杂波，同时保留有用的观测信息。GSI同化系统有效吸收了经过质量控制后的雷达径向风资料，且形成合理的分析增量。

2) 同化雷达资料后，模拟的降水中心和强度与实况更为接近，对大雨和暴雨模拟定量评分均有一定改善,模拟改善最明显的是积分12～36 h时段内。

3) 同化径向风主要改善了风场模拟，偏南风加强，从而使模拟的降水落区向北推进，与实际雨带位置更加接近。同化反射率因子，对水平风场的调整比较小，通过调整水凝物的含量，对水平和垂直风场进行调整，从而对模拟的降水强度产生影响，而对降水分布影响较小。同时同化两种资料，既能更好地模拟出风场的特征，又能对强降水落区和强度模拟有很大改善。

应该指出的是，本文选取的雷达数量较大，雷达资料处理方面选用了相同的处理标准，且本文为个例研究，考虑到不同雷达观测资料的差异，结论有一定局限性。需要今后进一步对每部雷达的观测资料误差进行深入的统计分析。同时, 本研究中WRF的分辨率为27 km和9 km，而相应的雷达资料的分辨率为1 km, 在下一步的工作中，将适当提高模式的分辨率，使模式的分辨率和资料的分辨率尽量匹配，并通过批量试验，验证GSI同化系统雷达资料同化(包括资料处理、背景误差矩阵、同化方法等)是否适用于我国的雷达和天气特征，尤其是微物理过程的正确性。

[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.JAtmosSci,1991,48:876-890.

[3] Xue M,Wang D,Gao J,et al.The Advanced Regional Prediction System (ARPS),storm-scale numerical weather prediction and data assimilation.MeteorAtmosPhys,2003,82(1):139-170.

[4] Lindskog M,Salonen K,Järvinen H,et al.Doppler radar wind data assimilation with HIRLAM 3DVAR.MonWeaRev,2004,132:1081-1092.

[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.MonWeaRev,2006,134(2):699-721.

[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.JApplMeteor,2005,44:768-788.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[21] Daryl T K,David F P,John C,et al.Introduction of the GSI into the NCEP global data assimilation system.WeaForecasting,2009,12:1691-1705.

[22] Saha S,Moorthi S,Pan H L,et al.The NCEP climate forecast system reanalysis.BullAmerMeteorSoc,2010,91(8):1015-1057.

[23] Gao J D, Xue M.A three-dimensional variational data analysis method with recursive filter for Doppler radars.JAtmosOceanTechnol,2004,21:457-469.

[24] Hu M,Xue M.Implementation and evaluation of cloud analysis with WSR-88D reflectivity data for GSI and WRF-ARW.GeophysResLett,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.

[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.

[28] Eilts M D,Smith S D.Efficient dealiasing of Doppler velocities using local environment constraints.JAtmosOceanTechnol,1990,7(1):118-128.

[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).MonWeaRev,2012,140:841-859.

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

Zhang Xinzhong1)Chen Junming2)Zhao Ping1)

1)(StateKeyLaboratoryofSevereWeather,ChineseAcademyofMeteorologicalSciences,Beijing100081)2)(ChineseAcademyofMeteorologicalSciences,Beijing100081)

The impact of Doppler weather radar (DWR) data on the simulation of a heavy rainfall event is examined. The quality control algorithm of DWR developed by Center for Analysis and Prediction of Storms is applied and the threshold for the raw S-band DWR radial velocity is decided. Several commonly seen non-meteorological returns can be removed effectively. The DWR reflectivity data are processed and the regional three-dimensional mosaic is generated using the CINRAD 3D Digital Mosaic System developed by State Key Laboratory of Severe Weather. Retrieval results match well with the observation. The Gridpoint Statistical Interpolation System (GSI) and the Weather Research and forecasting Model version 3.5.1 (WRF) are used to assimilate 46 S-band DWR data to simulate the severe heavy rain cases that occurred in Jun 2013. Numerical experiment results show that about 90% of the radial velocity data after quality control can be assimilated and generate reasonable analysis increments. Results also show that the assimilation of DWR data has a positive impact on the simulation of heavy rainfall. Assimilating radial velocity can enhance the information of mesoscale weather system in initial field and the simulated field, making the simulated wind fields and rainfall location more similar to the observation. Radar reflectivity data are used primarily in a cloud analysis that retrieves the amount of hydrometeors and adjusts in-cloud temperature and moisture. Assimilating radial velocity affects the zonal and vertical winds by adjusting the amount of hydrometers and moisture which have directly influence on generating precipitation. It changes the simulated rainfall intensity. Assimilating radial velocity and reflectivity at the same time can not only reflect the wind filed more reasonably, but also improve the simulation of rainfall intensity and area. In addition, improvements of the precipitation are most notable in the 12-36 h simulation when more effective radar data are available. Both ETS and HSS of experiment assimilating radar data are proved higher than CTRL experiment which only assimilates conventional data.

mesoscale model; Doppler weather radar; Gridpoint Statistical Interpolation System; cloud analysis; severe heavy rainfall

10.11898/1001-7313.20150505

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(2014Z005，2013Z004)

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.

2015-04-16收到， 2015-06-25收到再改稿。

* 通信作者， email: chenjm@cams.cma.gov.cn