邵長(zhǎng)亮 閔錦忠

?

集合均方根濾波同化地面自動(dòng)站資料的技術(shù)研究

邵長(zhǎng)亮1, 2, 3閔錦忠1, 3

1南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，南京210044;2中國(guó)氣象局氣象探測(cè)中心，北京100081;3氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室，南京210044

模式地形與觀測(cè)站地形高度差異一直是地面資料同化面臨的棘手問題，合理的同化方案能夠?qū)⒌孛孀詣?dòng)站資料有效的同化到中尺度數(shù)值模式中。本文首先采用Guo et al.（2002）的方案實(shí)現(xiàn)了在WRF模式中應(yīng)用集合Kalman濾波方法同化地面自動(dòng)站資料；然后對(duì)方案進(jìn)行調(diào)整，對(duì)10 m高度風(fēng)場(chǎng)、2 m高度位溫、2 m高度露點(diǎn)和地表氣壓進(jìn)行同化。通過均方根誤差分析，模擬結(jié)果和同化增量分析來確定集合平方根濾波（EnSRF）同化地面自動(dòng)站資料的有效性，并進(jìn)行敏感性試驗(yàn)分析檢驗(yàn)?zāi)Ｊ綄?duì)各要素物理量的響應(yīng)狀況。結(jié)果表明：在EnSRF同化系統(tǒng)中應(yīng)用Guo et al.（2002）的方案將地面自動(dòng)站資料進(jìn)行同化到數(shù)值模式中，能夠部分改善模擬結(jié)果；地面觀測(cè)資料（溫度、濕度、風(fēng)場(chǎng)、地表氣壓）中各物理量分別同化到數(shù)值模式都能影響18小時(shí)降水預(yù)報(bào)，但各物理量所起作用大小不同，其中對(duì)結(jié)果影響最大的是露點(diǎn)；使用位溫、露點(diǎn)分別代替溫度、比濕進(jìn)行同化模擬效果更好，對(duì)自動(dòng)站資料的同化也更加有效。

資料同化 集合Kalman濾波 自動(dòng)站資料 敏感性試驗(yàn)

1 引言

中尺度對(duì)流天氣如暴雨、冰雹、龍卷等往往會(huì)造成比較嚴(yán)重的自然災(zāi)害, 給人們的生命財(cái)產(chǎn)帶來重大損失。而我國(guó)又是一個(gè)暴雨頻發(fā)的國(guó)家, 因此對(duì)中尺度天氣系統(tǒng)的預(yù)報(bào)就顯得尤為重要。當(dāng)前主要通過數(shù)值預(yù)報(bào)模式來實(shí)現(xiàn)對(duì)中尺度天氣的預(yù)報(bào)，而要得到準(zhǔn)確的數(shù)值天氣預(yù)報(bào),需要具備兩個(gè)條件：一個(gè)是準(zhǔn)確的初值, 另一個(gè)是準(zhǔn)確的大氣運(yùn)動(dòng)規(guī)律。隨著模式的不斷發(fā)展完善，對(duì)初始條件的精確性要求也日趨提高，因而資料同化的作用也愈發(fā)凸顯。

資料同化發(fā)展至今經(jīng)歷了從屬于三維同化的多項(xiàng)式擬合、逐步訂正、最優(yōu)插值（OI）、三維變分（3DVAR）同化到屬于四維同化的四維變分（4DVAR）和集合卡爾曼濾波（EnKF）幾個(gè)不同的階段。3DVAR因其能夠直接同化非常規(guī)資料的優(yōu)勢(shì)，已經(jīng)取代OI成為當(dāng)前主流的同化方法，在國(guó)內(nèi)外主要的中尺度數(shù)值預(yù)報(bào)模式平臺(tái)上都已構(gòu)建了相應(yīng)的3DVAR同化系統(tǒng)（Gao et al., 2001；Barker et al., 2004；薛紀(jì)善等，2008）。盡管取得了較好的效果，但因?yàn)?DVAR同化方法本身所具有的局限性，所以為了給數(shù)值模式提供更好的初始場(chǎng)，人們已將當(dāng)前研究的重心轉(zhuǎn)向了四維同化，其中4DVAR和EnKF是當(dāng)前主流的四維同化方法。在主要的中尺度模式上, 包括雷達(dá)和衛(wèi)星等非常規(guī)資料在內(nèi)的4DVAR同化得到了一定的研究（De Pondeca and Zou，2001；Martinelli et al., 2003；Huang et al., 2009），此外，為了回避4DVAR需要復(fù)雜伴隨模式的問題，一種顯式的4DVAR（Qiu and Chou，2006）方法在近幾年也得到了一定的研究。EnKF作為與4DVAR并列的未來可能替換已有業(yè)務(wù)3DVAR同化系統(tǒng)的一種選擇, 從1994年Evensen（1994）提出至今, 已經(jīng)得到了廣泛的研究，對(duì)包括EnKF在風(fēng)暴尺度領(lǐng)域應(yīng)用的可行性, 同化參數(shù)的設(shè)置等方面在內(nèi)的許多問題有了一定的研究（J?rvinen et al., 1999；Thompson et al., 2003；Hacker and Snyder，2005）。相比于4DVAR同化方法，EnKF并不需要復(fù)雜的伴隨模式，而且可以和模式相互獨(dú)立，易于構(gòu)建和維護(hù)。同時(shí)，EnKF所使用的背景誤差協(xié)方差隨模式預(yù)報(bào)而變化，具有流依賴的性質(zhì)，這使得EnKF相對(duì)于3DVAR具有明顯的優(yōu)勢(shì)。但正如所有的方法都會(huì)有自身的缺點(diǎn)一樣，EnKF也存在一些尚待解決的問題，其中有限集合數(shù)是集合資料同化存在的本質(zhì)性問題。目前的解決方法多為采用誤差協(xié)方差的局地化和誤差協(xié)方差膨脹。

同時(shí)，隨著計(jì)算機(jī)計(jì)算能力及數(shù)值計(jì)算水平不斷提高，數(shù)值模式的分辨率越來越高，數(shù)值預(yù)報(bào)和模擬研究有較大程度的提高。中尺度數(shù)值模式空間分辨率的提高使得常規(guī)探空（高空溫、壓、濕、風(fēng)場(chǎng)）資料已經(jīng)越來越不能滿足其需要。因?yàn)?00 km間距或以上探空網(wǎng)站的探測(cè)點(diǎn)稀疏，用于客觀分析的常規(guī)觀測(cè)資料密度不夠，使物理量場(chǎng)分析往往過于平滑，不能提供有足夠精度的水平物理量梯度，從而導(dǎo)致了輻散場(chǎng)、非絕熱加熱和濕度場(chǎng)之間的初始場(chǎng)缺少一致性，因而在資料客觀分析中往往喪失掉一些很重要的中尺度特征。因此若僅用常規(guī)探空資料，則可能漏掉一些中小尺度系統(tǒng)。Zhang and Fritcsh（1986）認(rèn)為若在中尺度數(shù)值模式的初始場(chǎng)中同化進(jìn)更多的中尺度信息，則能夠在一定程度上克服上述缺陷。為了適應(yīng)中尺度、短時(shí)效的精細(xì)天氣預(yù)報(bào)的需求，現(xiàn)代化的觀測(cè)手段是獲取能描述中尺度、短時(shí)天氣現(xiàn)象的觀測(cè)資料所必不可少的。除衛(wèi)星遙感、飛機(jī)觀測(cè)外，地面自動(dòng)站（AWS）觀測(cè)資料也是重要資料源之一。目前，世界上許多地區(qū)或國(guó)家都建立了分布密集的AWS觀測(cè)網(wǎng)（Shafer et al., 2000；Vejen et al., 2002）。2006 年初，全國(guó)共有5000多個(gè)地面自動(dòng)站。一些地區(qū)自動(dòng)站間的間距已小于10 km，地面觀測(cè)的空間覆蓋率遠(yuǎn)大于探空，而且自動(dòng)氣象站還提供1小時(shí)一次基本要素觀測(cè)，觀測(cè)頻率非常之高，蘊(yùn)含著豐富的中尺度信息。我國(guó)的AWS觀測(cè)網(wǎng)正在受到高度重視和日趨完善,許多省市都有AWS觀測(cè)網(wǎng)。至今全國(guó)有約3萬個(gè)AWS。AWS觀測(cè)資料具有站點(diǎn)分布密集、地形差異大、測(cè)站環(huán)境惡劣、數(shù)據(jù)采集和傳輸自動(dòng)化程度高、資料實(shí)時(shí)性強(qiáng)、中小尺度天氣現(xiàn)象明顯等特點(diǎn)（陶士偉等，2009）。

在EnKF同化地面自動(dòng)站資料領(lǐng)域，J?rvinen et al.（1999）指出在四維同化方案中同化地面觀測(cè)可以提高預(yù)報(bào)的準(zhǔn)確性。但是，模式地形與實(shí)際地形高度不一致所帶來的問題是不可否認(rèn)的。Hacker and Snyder（2005）闡明地面觀測(cè)富含的信息應(yīng)該被更有效地應(yīng)用在完美模式的資料同化中。Zhang and Fritcsh（1986）指出單獨(dú)同化地面觀測(cè)可以減小冬季對(duì)美國(guó)東海岸氣旋爆發(fā)的預(yù)報(bào)誤差。Stensrud et al.（2009）針對(duì)一次冷池過程，在WRF-DART系統(tǒng)中使用EnKF方法直接同化地面觀測(cè)，并指出，EnKF不僅可以反映實(shí)際的地面狀況，而且可以反映邊界層以及邊界層以上，由這些觀測(cè)到的地表特征所反映的垂直運(yùn)動(dòng)和垂直結(jié)構(gòu)。這些研究說明應(yīng)用EnKF同化地面資料對(duì)改進(jìn)邊界層預(yù)報(bào)是個(gè)富有成效的方法。

由于地面觀測(cè)資料受地形、地貌的影響較大, 且一般模式地形與實(shí)際觀測(cè)站地形存在一定的高度差異，因此將地面觀測(cè)資料應(yīng)用到數(shù)值模式中的研究工作相對(duì)雷達(dá)衛(wèi)星等其他非常規(guī)資料的同化工作少許多（Miller and Benjamin，1992；Ruggiero et al., 1996；Urban，1996)，進(jìn)展也不大。Guo et al.（2002）設(shè)計(jì)的方案沒有考慮實(shí)際觀測(cè)站地形與模式地形高度的差異，而是假定所有測(cè)站的資料（除地面氣壓）都是位于模式面，然后利用相似理論建立10 m高度風(fēng)場(chǎng)（10，10）和2 m高度溫度（2）、濕度（2）的觀測(cè)算子及相應(yīng)的切線和伴隨模式，同時(shí)在進(jìn)行極小化運(yùn)算前將地面氣壓(sfc) 折算到模式最低層。實(shí)現(xiàn)該方案采用的同化分析模式是MM5-3DVAR。此方案充分利用了觀測(cè)資料，但卻沒有考慮模式地形與實(shí)際測(cè)站地形的高度差異，對(duì)于地形分布復(fù)雜，模式地形與觀測(cè)站地形高度差異較大的區(qū)域，由于溫度、氣壓、風(fēng)場(chǎng)等觀測(cè)資料是隨著海拔高度和地形分布而變化的，差異較大就會(huì)造成模式中各物理量梯度不協(xié)調(diào)。Fujita et al.（2006）在MM5模式中應(yīng)用EnKF方法，同化風(fēng)場(chǎng)（，）、位溫（）和露點(diǎn)（d），地表氣壓（）只用來計(jì)算位溫（），而不進(jìn)行同化，從而降低高度差異帶來的影響，但這樣做對(duì)氣壓場(chǎng)信息的利用并不充分，同時(shí)在一定程度上造成氣壓場(chǎng)與風(fēng)場(chǎng)、溫度場(chǎng)和濕度場(chǎng)不匹配。徐枝芳等（2007a，2007b）認(rèn)為我國(guó)的地形比較復(fù)雜，模式地形與實(shí)際觀測(cè)站地形在許多地區(qū)存在較大差異，地面觀測(cè)資料同化方案設(shè)計(jì)中有必要考慮模式與實(shí)際觀測(cè)站地形高度差異，她基于 MM5_3DVAR系統(tǒng)對(duì)Guo et al. （2002）采用的方法提出了改進(jìn)：在地面觀測(cè)誤差中增加由于模式地形與觀測(cè)站地形高度差異引起的地形代表性誤差。這個(gè)同化方案有效合理地將地面資料同化到了數(shù)值模式中，改進(jìn)了暴雨模擬結(jié)果，但是增加地形代表性誤差會(huì)導(dǎo)致地面觀測(cè)誤差不滿足無偏假定，分析場(chǎng)也不能達(dá)到最優(yōu)。Stensrud et al.（2009）在WRF-DART系統(tǒng)中使用EnKF方法直接同化10 m高度風(fēng)場(chǎng)（10，10）和2 m高度位溫（2）、露點(diǎn)（d2），沒有同化地表氣壓（sfc），但是同樣沒有考慮高度差異。

本文在WRF模式中應(yīng)用EnKF方法同化自動(dòng)站資料，針對(duì)我國(guó)的復(fù)雜地形和地面自動(dòng)站的特點(diǎn)，以一次暴雨個(gè)例作為研究對(duì)象，對(duì)同化方案進(jìn)行研究。首先采用Guo et al.（2002）的方案實(shí)現(xiàn)對(duì)自動(dòng)站資料的同化并檢驗(yàn)其在EnKF中表現(xiàn)；然后對(duì)其進(jìn)行調(diào)整，使用位溫和露點(diǎn)代替溫度和比濕進(jìn)行同化形成新的同化方案，并檢驗(yàn)新方案的同化效果。

2 試驗(yàn)方案設(shè)計(jì)

2.1 集合均方根濾波（EnSRF）方法介紹

本文應(yīng)用比較成熟的WRF模式，應(yīng)用集合平方根濾波方法。EnSRF較之基于Monte Carlo思想的傳統(tǒng)EnKF能夠避免由于擾動(dòng)觀測(cè)帶來的采樣誤差而導(dǎo)致的低估分析誤差協(xié)方差的問題（Whitaker and Hamill，2002），由于對(duì)觀測(cè)進(jìn)行擾動(dòng)會(huì)引入額外的采樣誤差，導(dǎo)致分析誤差協(xié)方 差被低估，而如果不對(duì)觀測(cè)進(jìn)行擾動(dòng)，原分析誤 差協(xié)方差就會(huì)變?yōu)椋瑯訒?huì)低估分析誤差協(xié)方差，其中，卡爾曼增益，為背景誤差協(xié)方差，經(jīng)典EnKF中觀測(cè)誤差協(xié)方差矩陣，為觀測(cè)算子，其作用是將模式變量轉(zhuǎn)變?yōu)橛^測(cè)變量。為了解決這個(gè)矛盾，在EnSRF方法中引入了一個(gè)小參數(shù)，令，使得能夠滿足原EnKF中分析誤差協(xié)方差的公式。在單一觀測(cè)條件下的解：（Whitaker and Hamill，2002），因此，EnSRF的更新方程變?yōu)椋海?，其中代表集合的擾動(dòng)，代表集合平均，代表觀測(cè)。該方法并不需要對(duì)觀測(cè)進(jìn)行擾動(dòng)，更新過程中，對(duì)于集合平均采用經(jīng)典集合Kalman濾波的更新方程，而集合成員則采用所謂的“減”增益的更新方法。觀測(cè)采用順序同化方法，對(duì)觀測(cè)逐個(gè)分析，因而不涉及到矩陣轉(zhuǎn)置計(jì)算的問題，同時(shí)EnSRF方法避免了觀測(cè)采樣誤差的引入，相對(duì)于對(duì)觀測(cè)加擾動(dòng)的“隨機(jī)”方法，這種方法也稱為“確定性”的集合Kalman濾波方法。較之同屬于確定性方法的EAKF，EnSRF方法在計(jì)算量上有著較大的優(yōu)勢(shì)（Tippett et al., 2003）。

2.2 自動(dòng)站資料同化方案

本文所使用的自動(dòng)站要素為10 m風(fēng)場(chǎng)（10，10）、2 m溫度（2）、2 m相對(duì)濕度（2）和地表氣壓（sfc）。設(shè)計(jì)兩種同化方案，方案一即為Guo et al.（2002）方案，方案二為對(duì)Guo et al.（2002）調(diào)整后的新方案。方案一同化的觀測(cè)類型為：10 m高度風(fēng)場(chǎng)（10，10）、2 m高度溫度（2）、2 m高度比濕（2）和地表氣壓（sfc）。方案二同化的觀測(cè)類型為10 m高度風(fēng)場(chǎng)（10，10）、2 m高度位溫（2）、2 m高度露點(diǎn)（d2）和地表氣壓（sfc）。新方案的調(diào)整主要有兩部分內(nèi)容：（1）用位溫（）代替溫度（）進(jìn)行同化。在白天，位溫在充分混合的邊界層，垂直分布較簡(jiǎn)單，有利于減少內(nèi)插造成的誤差。（2）用露點(diǎn)溫度（d）代替混合比（）。試驗(yàn)表明，當(dāng)較小時(shí)，分析階段對(duì)的更新會(huì)造成濕度變量產(chǎn)生較大的虛假增量。這很可能是由于當(dāng)發(fā)生微小變化時(shí)，發(fā)生迅速變化，導(dǎo)致較強(qiáng)的非高斯誤差分布。相反露點(diǎn)溫度變化更為平滑。

剔除-大于5倍觀測(cè)誤差的觀測(cè)資料，作為對(duì)自動(dòng)站資料的質(zhì)量控制。其中代表觀測(cè)值，代表背景場(chǎng)值。

方案一，對(duì)10 m高度風(fēng)場(chǎng)（10，10）、2 m高度溫度（2）、2 m高度比濕（2）的同化，觀測(cè)算子包含兩部分，由垂直外推和水平差值組成。（1）垂直外推以Monin-Obukhov相似理論為基礎(chǔ)，由最低半σ層預(yù)報(bào)變量得到2、2、10、10。（2）水平差值應(yīng)用線性內(nèi)插法得到相應(yīng)變量在觀測(cè)位置上的值。其中，垂直外推在WRF內(nèi)部完成并與地表物理過程參數(shù)化方案一致。

方案二，對(duì)10 m高度風(fēng)場(chǎng)（10，10）、2 m高度位溫（2）、2 m高度露點(diǎn)（d2）的同化，觀測(cè)算子包含三部分，由垂直外推、變量變換和水平差值組成。（1）垂直外推以Monin-Obukhov相似理論為基礎(chǔ)，由最低半σ層預(yù)報(bào)變量得到2、2、10、10。（2）變量變換將2、2變換為2、d2。（3）水平差值應(yīng)用線性內(nèi)插法得到相應(yīng)變量在觀測(cè)位置上的值。其中，垂直外推在WRF內(nèi)部完成并與地表物理過程參數(shù)化方案一致，變量變換中由2到2的變換在WRF內(nèi)部完成。d2由2、2、sfc計(jì)算得到。

方案一和方案二對(duì)地表氣壓（sfc）的同化一致，模式中的sfc由WRF中直接得到，應(yīng)用靜力平衡方程將sfc由模式地形高度訂正到實(shí)際測(cè)站地形高度。同化方案對(duì)比見表1。

表1 同化方案對(duì)比

2.3 暴雨過程

2005年9月18～21日, 副熱帶高壓邊緣暖濕氣流和北方冷空氣在山東交匯，山東出現(xiàn)了歷史上罕見的秋季連續(xù)暴雨過程。特別是18日夜間出現(xiàn)了以濟(jì)南為中心的東西向暴雨帶，18小時(shí)[9月18日12時(shí)至19日06時(shí)（協(xié)調(diào)世界時(shí)，下同）] 降水實(shí)況如圖1所示。由于這次暴雨過程沒有出現(xiàn)明顯的強(qiáng)輻合系統(tǒng)（低渦、鋒面、氣旋、切變線等）等典型的暴雨形勢(shì)特征，屬突發(fā)區(qū)域性暴雨，預(yù)報(bào)難度較大，于是本文選這次暴雨過程作為研究個(gè)例。

圖1 2005年9月18日12時(shí)至19日06時(shí)18小時(shí)降水觀測(cè)（單位：mm）

2.4 試驗(yàn)設(shè)計(jì)

本文采用WRF模式單重區(qū)域，水平格局10 km，試驗(yàn)區(qū)中心點(diǎn)取為（37°N，117.5°E），格點(diǎn)數(shù)取為200×180，垂直方向共有31層。全部試驗(yàn)的物理過程均選取了Ferrier（new Eta）對(duì)流參數(shù)化過程，MRF邊界層參數(shù)化方案，Kain-Fritsch（new Eta）微物理過程參數(shù)化方案。模式起始時(shí)間為2005年9月18日06時(shí)，積分24小時(shí)?；驹囼?yàn)資料為2005年9月18日06時(shí)至19日06時(shí)每6小時(shí)一次的NCEP1°×1° FNL背景場(chǎng)資料和18日09時(shí)至18日12時(shí)逐時(shí)的山東省地面自動(dòng)站資料。

圖2 2005年9月18日09時(shí)自動(dòng)站觀測(cè)分布情況（a）和自動(dòng)站實(shí)際地形高度與模式地形高度差（單位：m）（b）

同化方法為EnSRF。集合數(shù)40，生成初始集合時(shí)，全場(chǎng)加均值為零的隨機(jī)擾動(dòng)，的擾動(dòng)標(biāo)準(zhǔn)差分別為2 m/s、2 m/s、1 m/s，的擾動(dòng)標(biāo)準(zhǔn)差為2 K，Q的擾動(dòng)標(biāo)準(zhǔn)差為0.0005 kg/kg（此處Q為背景場(chǎng)要素值）。協(xié)方差膨脹使用松弛膨脹法，將預(yù)報(bào)集合擾動(dòng)與分析集合擾動(dòng)按一定比例相加Zhang et al.（2004），背景場(chǎng)系數(shù)為0.7，分析場(chǎng)系數(shù)為0.3；局地化使用的相關(guān)函數(shù)為Gaspari and Cohn（1999）方案，使用Schur算子。水平和垂直局地化距離分別為40 km和10 km；方案一中，（10，10）、2、2、sfc觀測(cè)誤差分別為22、d2、sfc觀測(cè)誤差分別為2 m/s、2 K、2 K、1 hPa。模式起始時(shí)間為18日06時(shí)，08時(shí)加入擾動(dòng)，09時(shí)開始同化第一次自動(dòng)站資料，共同化四個(gè)時(shí)次到m/s、2 K、1 g/kg、1 hPa；方案二中，（10，10）、18日12時(shí)，然后開始預(yù)報(bào)至19日06時(shí)結(jié)束。圖2為9月18日09時(shí)自動(dòng)站觀測(cè)分布情況和自動(dòng)站實(shí)際地形高度與模式地形高度差。

為檢驗(yàn)數(shù)值預(yù)報(bào)模式對(duì)單要素物理量的響應(yīng)情況，比較不同要素物理量對(duì)模式初始場(chǎng)的改進(jìn)作用，以及比較同化單要素物理量和同化全要素物理量對(duì)數(shù)值預(yù)報(bào)模式結(jié)果的改善狀況。本文設(shè)計(jì)了一組試驗(yàn)對(duì)僅同化單要素物理量做一探討研究，為進(jìn)一步深入地開展地面資料同化研究工作奠定基礎(chǔ)。具體設(shè)計(jì)（見表2）為：試驗(yàn)1為控制試驗(yàn)，不做同化；試驗(yàn)2～7分別同化風(fēng)場(chǎng)、溫度、比濕、位溫、露點(diǎn)和氣壓；試驗(yàn)8為使用方案一同化所有物理量(10,10,2,2,sfc)；試驗(yàn)9為使用方案二同化所有物理量(10,10,2,d2,sfc)。

表2 試驗(yàn)方案設(shè)計(jì)

3 EnSRF資料同化結(jié)果分析

3.1 敏感性試驗(yàn)結(jié)果分析

圖3為同化各要素改進(jìn)模式初始場(chǎng)后積分18小時(shí)的降水模擬結(jié)果。試驗(yàn)1（控制試驗(yàn)）存在三個(gè)強(qiáng)降水中心，與實(shí)況不符，并且降水強(qiáng)度均偏小。與試驗(yàn)1對(duì)比，試驗(yàn)2～9中，除試驗(yàn)3（同化溫度）出現(xiàn)兩個(gè)強(qiáng)降水中心外，其他各試驗(yàn)均只有一個(gè)強(qiáng)降水中心，其中試驗(yàn)6（同化露點(diǎn)）模擬出了120 mm的暴雨中心，其強(qiáng)度與實(shí)況較為接近。試驗(yàn)9（方案二同化所有物理量）與試驗(yàn)6相比，暴雨中心范圍有所擴(kuò)大，更加接近實(shí)況；與試驗(yàn)8（方案一同化所有物理量）相比，暴雨中心范圍與降水強(qiáng)度均更加接近實(shí)況。從以上分析可以看出，模式對(duì)同化各要素物理量均有響應(yīng)，但是敏感程度各不相同。模式對(duì)露點(diǎn)最為敏感，對(duì)風(fēng)場(chǎng)、位溫和氣壓的敏感程度相似，與露點(diǎn)比相對(duì)較弱。綜合同化所有物理量對(duì)改善數(shù)值預(yù)報(bào)效果略好一些，且方案二好于方案一。

圖3 2005年9月18日12時(shí)至19日06時(shí)18小時(shí)降水：（a）實(shí)況；（b）試驗(yàn)1；（c）試驗(yàn)2；（d）試驗(yàn)3；（e）試驗(yàn)4；（f）試驗(yàn)5；（g）試驗(yàn)6；（h）試驗(yàn)7；（i）試驗(yàn)8；（j）試驗(yàn)9

3.2 均方根誤差分析

為了定量分析EnSRF的同化效果，計(jì)算了各時(shí)次EnSRF分析前后背景場(chǎng)與所同化的地面自動(dòng)站要素之間的均方根誤差（RMSE）。圖4給出了使用方案一同化地面自動(dòng)站資料（10，10，2，2，sfc）和使用方案二同化地面自動(dòng)站資料（10，10，2，d2，sfc）過程中，10 m風(fēng)場(chǎng)（10）、10 m風(fēng)場(chǎng)（10）、2 m溫度（2）、2 m比濕（2）、2 m位溫（2）、2 m露點(diǎn)（d2）和地表氣壓（sfc）的RMSE隨時(shí)刻的變化。

由圖4可以看出，方案一對(duì)2的同化，分析后的RMSE比預(yù)報(bào)結(jié)果的RMSE要大，這種負(fù)效果可能是由于2的劇烈變化產(chǎn)生的較強(qiáng)非高斯誤差分布（Fujita et al., 2006）導(dǎo)致的；而方案二，在同化過程中使用d2代替2，能較好的改進(jìn)對(duì)濕度觀測(cè)的同化。除方案一中的2外，每次分析結(jié)果的RMSE都比預(yù)報(bào)結(jié)果的RMSE小，這表明每次同化地面自動(dòng)站資料后的結(jié)果都比同化前更接近實(shí)際觀測(cè)，體現(xiàn)了EnSRF同化的有效性。同時(shí)，RMSE_2與RMSE_2相比，值相對(duì)較小，下降趨勢(shì)更明顯，說明使用2代替2能夠使結(jié)果更接近實(shí)際觀測(cè)。方案二中的RMSE_10和RMSE_10比方案一中的要小，說明使用方案二比使用方案一對(duì)風(fēng)場(chǎng)資料的同化更有效。方案一與方案二的RMSE_sfc差別較小，說明對(duì)氣壓場(chǎng)的同化效果差別不大。在方案二中，RMSE_10和RMSE_10隨著時(shí)間的增加變化不明顯，09時(shí)預(yù)報(bào)的RMSE分別為1.17 m/s和1.32 m/s，12時(shí)分析后分別為0.95 m/s和0.99 m/s；RMSE_2、RMSE_d2和RMSE_sfc隨著時(shí)間的增加迅速減小，09時(shí)預(yù)報(bào)的RMSE分別為1.846434 K、3.04816 K和1.142898 hPa, 12時(shí)分析后分別為0.970432 K、1.32523 K和0.317531 hPa。

3.3 觀測(cè)有效利用情況

在EnSRF系統(tǒng)同化地面自動(dòng)站資料時(shí)，做了簡(jiǎn)單的質(zhì)量控制，當(dāng)觀測(cè)值與模式值之間的差值大于5倍觀測(cè)誤差的時(shí)候，剔除該觀測(cè)資料，不參與同化分析。圖5分別為為方案一和方案二觀測(cè)參與同化分析的情況。

圖5 觀測(cè)參與同化分析的情況：（a）方案一；（b）方案二

在4個(gè)時(shí)次的自動(dòng)站資料中，共包含455組（group）資料，方案一同化過程中，比濕（2）、風(fēng)場(chǎng)（10，10）觀測(cè)全部參與了同化分析，參與同化分析的溫度（2）觀測(cè)有454個(gè)，氣壓（sfc）觀測(cè)有441個(gè)。方案二同化過程中位溫（2）、露點(diǎn)（d2）、風(fēng)場(chǎng)（10，10）觀測(cè)全部參與了同化分析，氣壓（sfc）觀測(cè)有441個(gè)參與了同化分析。

3.4 同化增量分析

同化增量為同化分析結(jié)果減去背景場(chǎng)之差。圖6、圖7、圖8分別為模式第二層()關(guān)于風(fēng)場(chǎng)的散度場(chǎng)增量、溫度場(chǎng)增量和濕度場(chǎng)增量。從散度場(chǎng)增量圖上可以看出，試驗(yàn)8山東北部地區(qū)及山東中部及偏西南地區(qū)為輻合區(qū)，試驗(yàn)9較試驗(yàn)8在（35°N，116.5°E）附近輻合中心較強(qiáng)。在溫度場(chǎng)增量圖上，試驗(yàn)8在山東中北部地區(qū)為增溫區(qū)，試驗(yàn)9較試驗(yàn)8增溫中心位置偏西，且增溫中心強(qiáng)度偏大。在濕度場(chǎng)增量圖上，試驗(yàn)8山東中北部地區(qū)為增濕區(qū)，在山東西北部、南部及西南部為減濕 區(qū)，試驗(yàn)9較試驗(yàn)8增濕區(qū)位置偏南，且增濕幅度偏大，西北部減濕區(qū)減濕幅度偏小。由同化單要素物理量的敏感性試驗(yàn)結(jié)論可知濕度場(chǎng)對(duì)初始場(chǎng)的影響作用最大，因此試驗(yàn)8和試驗(yàn)9降水區(qū)偏東北的主要原因可能是初始場(chǎng)中增濕區(qū)偏東北。

圖6 模式第二層水平散度場(chǎng)增量（單位：10?5 s?1）：（a）試驗(yàn)8；（b）試驗(yàn)9

圖7 模式第二層溫度場(chǎng)增量（單位：K）：（a）試驗(yàn)8；（b）試驗(yàn)9

圖8 模式第二層濕度場(chǎng)增量（單位：g/kg）：（a）試驗(yàn)8；（b）試驗(yàn)9

4 總結(jié)與討論

本文將Guo et al.(2002)的方案應(yīng)用在EnSRF系統(tǒng)中，并對(duì)其進(jìn)行了調(diào)整形成了新方案，針對(duì)一次暴雨過程進(jìn)行了自動(dòng)站資料同化分析研究。結(jié)果表明：地面觀測(cè)資料（溫度、濕度、風(fēng)場(chǎng)、地面氣壓）中各物理量分別同化到數(shù)值模式都能影響18小時(shí)降水預(yù)報(bào)，但各物理量所起作用大小不同，使用位溫代替溫度參與同化以及使用露點(diǎn)代替比濕進(jìn)行同化都能改數(shù)值結(jié)果，其中對(duì)結(jié)果影響最大的是露點(diǎn)；在EnSRF同化系統(tǒng)中應(yīng)用Guo et al.（2002）的方案將地面自動(dòng)站資料進(jìn)行同化到數(shù)值模式中，能夠部分改善模擬結(jié)果；新方案較Guo et al.（2002）的方案10 m風(fēng)場(chǎng)的均方根誤差更小，說明對(duì)地面溫度、濕度資料同化分析過程中除影響自身的分析場(chǎng),同時(shí)還影響風(fēng)場(chǎng)的分析；新方案對(duì)溫度資料的利用也更加充分?？偟膩碚f，新方案較Guo et al.（2002）的方案的模擬結(jié)果更加接近實(shí)況，對(duì)自動(dòng)站資料的同化也更加有效。

本文使用了風(fēng)、溫度、濕度與氣壓數(shù)據(jù)進(jìn)行同化研究，并分析了各類數(shù)據(jù)的貢獻(xiàn)，新方案對(duì)促進(jìn)地面自動(dòng)站觀測(cè)在數(shù)值預(yù)報(bào)中的應(yīng)用有一定意義。EnSRF方法及新方案對(duì)于同化地面資料有較好的應(yīng)用前景，也為充分合理地利用中尺度信息、解決中尺度問題提供了參考和建議。

本文雖然取得了一定的成果，但是仍存在不足。在我國(guó)地形復(fù)雜，模式地形與實(shí)際測(cè)站地形在一些地區(qū)存在較大差異的背景下，除對(duì)氣壓的同化之外，Guo et al.（2002）的方案和本文中的新方案均沒有考慮這種差異，需更深入的研究。

致謝 感謝兩位匿名審稿專家及編委對(duì)本文提出的寶貴意見。

（References：）

Barker D M, Huang W, Guo Y R, et al. 2004. A Three Dimensional Variational (3DVAR) data assimilation system for use with MM5: Implementation and initial results [J]. Mon. Wea. Rev., 132 (4): 897–914.

De Pondeca M S F V, Zou X L. 2001. A case study of the variational assimilation of GPS zenith delay observations into a mesoscale model [J]. J. Appl. Meteor., 40 (9): 1559–1576.

Evensen G. 1994. Sequential data assimilation with a non-linear quasi-geostrophic model using Monte Carlo methods to forecast error statistics [J]. J. Geophys. Res., 99 (C5): 10143–10162.

Fujita T, Stensrud D J, Dowell D C. 2006. Surface data assimilation using an ensemble Kalman filter approach with initial condition and model physics uncertainties [J]. Mon. Wea. Rev., 135 (5): 1846–1868.

Gao J, Xue M, Brewster K, et al. 2001. A 3DVAR data assimilation scheme for storm-scale model [C]. 14th Conference on NWP, AMS, J: 72–74.

Guo Y R, Shin D H, Lee J H, et al. 2002. Application of the MM5 3DVAR system for a heavy rain case over the Korean Peninsula [C]// Papers Presented at the Twelfth PSU/NCAR Mesoscale Model Users’ Workshop NCAR, June 24–25, 2002.

Hacker J P, Snyder C. 2005. Ensemble Kalman filter assimilation of fixed screen-height observations in a parameterized PBL [J]. Mon. Wea. Rev., 133 (11): 3260–3275.

Huang X Y, Xiao Q, Barker D M, et al. 2009. Four-dimensional variational data assimilation for WRF: Formulation and preliminary results [J]. Mon. Wea. Rev., 137 (1): 299–314.

J?rvinen H, Andersson E, Bouttier F. 1999. Variational assimilation of time sequences of surface observations with serially correlated errors [J]. Tellus, 51 (4): 469–488.

Martinelli J T, Pasken R W, Lin Y J, et al. 2003. A high resolution numerical simulation of a linear mesoscale convective system utilizing the MM5 4DVar system and single WSR-88D data [C]. 31st International Conference on Radar Meteorology American Meteorology Society, P1C. 3, Abstract and paper.

Miller P A, Benjamin S G. 1992. A system for the hourly assimilation of surface observations in mountainous and flat terrain [J]. Mon. Wea. Rev., 120 (10): 2342–2359.

Qiu C J, Chou J F. 2006. Four-dimensional data assimilation method based on SVD: Theoretical aspect [J]. Theor. Appl. Climatol., 83 (1–4): 51–57.

Ruggiero F H, Sashegyi K D, Madala R V, et al. 1996. The use of surface observations in four dimensional data assimilation using a mesoscale model [J]. Mon. Wea. Rev., 124 (5): 1018–1033.

Shafer M A, Fiebrich C A, Arent D S, et al. 2000. Quality assurance procedures in the Oklahoma Mseonet-work [J]. J. Atmos. Oceanic Techenol., 17 (4): 474–494.

Stensrud D J, Yussouf N, Dowell D C, et al. 2009. Assimilating surface data into a mesoscale model ensemble: Cold pool analyses from spring 2007 [J]. Atmospheric Research, 93 (1–3): 207–220.

陶士偉, 仲躋芹, 徐枝芳, 等. 2009. 地面自動(dòng)站資料控制方案及應(yīng)用 [J]. 高原氣象, 28 (5): 1202–1210. Tao Shiwei, Zhong Qiqin, Xu Zhifang, et al. 2009. Quality control schemes and its application to automatic surface weather observation system [J]. Plateau Meteorology (in Chinese), 28 (5): 1202-1210.

Thompson R L, Edwards R, Hart J A, et al. 2003. Close proximity soundings within supercell environments obtained from the rapid update cycle [J]. Wea. Forecasting,18: 1243–1261.

Tippett M K, Anderson J L, Bishop C H, et al. 2003. Ensemble square-root filters [J]. Mon. Wea. Rev., 131: 1485–1490.

Urban B. 1996. Coherent observation operators for surface data assimilation with application to snow depth [J]. J. Appl. Meteor., 35 (2): 258–270.

Vejen F, Jacobsson C, Fredriksson U, et al. 2002. Quality control of meteorological observations automatic methods used in the Nordic countries [R]. Climate Report, No. 8, KLIMA.

Whitaker J S, Hamill T M. 2002. Ensemble data assimilation without perturbed observations [J]. Mon. Wea. Rev., 130 (7): 1913–1924.

徐枝芳, 龔建東, 王建捷, 等. 2007a. 復(fù)雜地形下地面觀測(cè)資料同化Ⅰ. 模式地形與觀測(cè)站地形高度差異對(duì)地面資料同化的影響研究 [J]. 大氣科學(xué), 31 (2): 222–232. Xu Zhifang, Gong Jiandong, Wang Jianjie, et al. 2007a. A study of assimilation of surface observational data in complex terrain. Part Ⅰ: Influence of the elevation difference between model surface and observation site [J]. Chinese J. Atmos. Sci. (in Chinese), 31 (2): 222-232.

徐枝芳, 龔建東, 王建捷, 等. 2007b. 復(fù)雜地形下地面觀測(cè)資料同化Ⅱ. 模式地形與觀測(cè)站地形高度差異代表性誤差 [J]. 大氣科學(xué), 31 (3): 449–458. Xu Zhifang, Gong Jiandong, Wang Jianjie, et al. 2007b. A study of assimilation of surface observational data in complex terrain. Part Ⅱ: Representative error of the elevation difference between model surface and observation site [J]. Chinese J. Atmos. Sci. (in Chinese), 31 (3): 449-458.

薛紀(jì)善, 莊世宇, 朱國(guó)富, 等. 2008. GRAPES新一代全球/區(qū)域變分同化系統(tǒng)研究 [J]. 科學(xué)通報(bào), 53 (20): 2408–2417. Xue Jshan, Zhuang Shiyu, Zhu Guofu, et al. 2008. Research of new generation global/region variational assimilation system GRAPES [J]. Chin. Sci. Bull. (in Chinese), 53 (20): 2408-2417.

Zhang D L, Fritcsh J M. 1986. A case study of the sensitivity of numerical model simulation of mesoscale convective systems to varying initial condition [J]. Mon. Wea. Rev., 114 (12): 2481–2431.

邵長(zhǎng)亮, 閔錦忠. 2015. 集合均方根濾波同化地面自動(dòng)站資料的技術(shù)研究[J]. 大氣科學(xué), 39 (1): 1?11, doi:10.3878/j.issn.1006-9895.1406.13263. Shao Changliang, Min Jinzhong. 2015. A study of the assimilation of surface automatic weather station data using the ensemble square root filter [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39 (1): 1?11

A Study of the Assimilation of Surface Automatic Weather Station Data Using the Ensemble Square Root Filter

SHAO Changliang1, 2, 3and MIN Jinzhong1, 3

1,,210044;2,100081;3,210044

Handling the difference in elevation between a model surface and an observation site is always a challenge in surface data assimilation. However, a reasonable assimilation scheme can efficiently assimilate surface automatic weather station (AWS) data into a mesoscale model. In this paper, surface AWS data are first assimilated into a weather research and forecasting (WRF) model through an ensemble Kalman filter using the Guo et al. (2002) scheme. Then an adjusted scheme is proposed that assimilates 10-m wind observations, 2-m potential temperature, 2-m dew point temperature, and surface pressure. This scheme is then validated by mean square root error analysis, simulated result and assimilation increment analysis, and sensitive experiments to check the assimilation response of each AWS meteorological parameter. Results show that the assimilation of surface AWS data through the ensemble square root filter (EnSRF) using the Guo et al. (2002) scheme can improve the simulation results. The separate assimilation of any element of the surface observation data (temperature, humidity, wind, surface pressure) can affect the forecast of 18 h accumulated rainfall. However, different elements have different impacts, and the one having most influence is the dew point temperature. The use of 2-m potential temperature and 2-m dew point temperature, instead of 2-m temperature and 2-m specific humidity, leads to better simulation results.

Data Assimilation, Ensemble Kalman filter, AWS (automatic weather station) data, Sensitive experiments

1006?9895(2015)01?0001?11

P456.7

A

10.3878/j.issn.1006-9895.1406.13263

2013?09?16；網(wǎng)絡(luò)預(yù)出版日期 2014?07?08

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（973計(jì)劃）2013CB430102，江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目KYLX_0824

邵長(zhǎng)亮，男，1986年出生，博士研究生，工程師，主要從事自動(dòng)站資料同化的研究。E-mail:shchl1@163.com

閔錦忠，E-mail: minjz@nuist.edu.cn