高士博 閔錦忠 黃丹蓮

?

EnSRF雷達資料同化在一次颮線過程中的應用研究

高士博1, 2閔錦忠1, 2黃丹蓮1, 2

1南京信息工程大學氣象災害預報預警與評估協(xié)同創(chuàng)新中心，南京 210044;2南京信息工程大學氣象災害教育部重點實驗室，南京210044

本文利用包含復雜冰相微物理過程的WRF（Weather Research and Forecasting）模式，針對2007年4月23日發(fā)生在我國華南地區(qū)的一次典型颮線天氣過程，分別進行了確定性預報和集合預報試驗，發(fā)現(xiàn)確定性預報能大致捕捉到颮線系統(tǒng)的發(fā)生發(fā)展過程，但對颮線后部的層云區(qū)模擬效果較差。集合預報能夠有效地減少模式的不確定性，大部分集合成員對颮線的模擬效果優(yōu)于確定性預報。進一步將集合預報得到的40個成員作為背景場，采用EnSRF（Ensemble Square Root Filter）同化多普勒天氣雷達資料，并將分析得到的集合作為初始場進行集合預報，通過與未同化雷達資料的集合對比，考察了EnSRF同化多部雷達資料對颮線系統(tǒng)的影響。結果表明：EnSRF雷達資料同化增加了模式初始場的中小尺度信息，大部分集合成員的分析場能夠較準確地再現(xiàn)颮線的熱力場、動力場和微物理場的細致特征，并且模擬出颮線后部的層云結構。通過對EnSRF分析的集合進行模擬發(fā)現(xiàn)，大部分集合成員較未同化雷達資料時模擬效果有明顯改善。同化后的集合預報ETS（Equitable Threat Score）評分最高，其次是未同化的集合預報，確定性預報的最低。

集合均方根濾波 資料同化 確定性預報 集合預報 颮線

1 引言

颮線是由多個活躍雷暴單體排列成線狀的中尺度對流系統(tǒng)，常伴隨短時強暴雨、大風、冰雹和龍卷等嚴重的災害性天氣現(xiàn)象。由于颮線水平尺度較小，持續(xù)時間短，發(fā)生發(fā)展迅速，在時空上很難被常規(guī)氣象觀測網(wǎng)所識別，而新一代多普勒天氣雷達網(wǎng)的建立，為研究颮線類強對流天氣的精細結構提供了有利條件。

多普勒天氣雷達觀測的主要是徑向速度和回波強度，不能直接提供模式變量信息。目前多采用變分資料同化方法，其中3DVar （Three Dimensional Variational Data Assimilation）因計算量小而被廣泛使用，如Gaoet al.（1999）在風暴個例中應用ARPS（Advanced Regional Prediction System）模式和3DVar系統(tǒng)同化雷達觀測資料，得到了風暴內(nèi)部清晰的上升和下沉氣流的結構。Hu et al.（2006a, 2006b）等利用ARPS的云分析和3DVar同化系統(tǒng)，分別對三次龍卷過程進行雷達資料同化，取得了較好的同化效果。Xiao and Sun（2007）研究發(fā)現(xiàn)，同化雷達徑向風和反射率資料，能夠為颮線預報提供精細的初始場，進而提高定量降水的預報效果。但3DVar的背景誤差統(tǒng)計量一般認為是均勻、各向同性、隨時間少變的，不能很好地反映預報誤差的統(tǒng)計特征。為此，科學家致力于發(fā)展更高級的同化技術，4DVar（Four Dimensional Variational Data Assimilation）可以給出同化時間窗內(nèi)模式背景場和雷達觀測的最佳擬合，一定程度上克服了3DVar的缺點。Sun et al.（1991）首次采用4DVar開展多普勒雷達資料反演工作，隨后Sun and Crook（1994）用此方法，對美國的一次陣風鋒過程進行了研究，結果表明此方法對陣風鋒風場結構具有較好的反演能力。孫虎林等（2011）利用4DVar方法同化高分辨率地面觀測資料以及多普勒天氣雷達資料，分析了一次強颮線天氣過程的形成背景和成熟階段特征。但目前4DVar同化需要模式反向積分以及設計比較準確的切線性和伴隨模式，而數(shù)值預報模式的切線性和伴隨模式一般都是高度復雜的，且初始的背景誤差還必須先驗地指定（Fisher and Andersson, 2001），因此極大限制了其在研究和業(yè)務領域的應用。

集合卡爾曼濾波（Ensemble Kalman Filter，簡稱EnKF）利用一組短期集合預報擾動估計背景誤差協(xié)方差，進行最優(yōu)化分析，而后實現(xiàn)對誤差協(xié)方差的更新。與變分同化方法相比，EnKF能夠方便地得到具有流依賴性質的背景誤差協(xié)方差，并且算法簡單，不需要編寫切線性和伴隨模式，因此廣泛應用于各種天氣尺度資料同化中（Hamil and Synder, 2000; Keppenne, 2000; Anderson, 2001; Mitchell et al., 2002）。近年來，EnKF也逐步應用到對流尺度雷達資料同化中，如Snyder and Zhang（2003）通過同化模擬雷達資料，初步驗證了EnKF在風暴尺度中的應用效果。隨后其他學者也在這方面進行了一系列的試驗，進一步驗證了EnKF的可利用性和有效性（Dowell et al., 2004; Zhang et al., 2004; Tong and Xue, 2005, 2008; 許小永等, 2006; Xue et al., 2006; Aksoy et al., 2009; 蘭偉仁等, 2010a, 2010b; 閔錦忠等, 2011）。Whitaker and Hamill（2002）提出了集合均方根濾波（Ensemble Square Root Filter，簡稱EnSRF）方法，這種方法不僅繼承了EnKF的優(yōu)點，而且能夠避免EnKF方法中由于擾動觀測所造成的采樣誤差。近期，秦琰琰等（2012）應用EnSRF方法，針對發(fā)生在山東省的一次颮線天氣過程，開展基于多普勒雷達資料的同化應用試驗，取得了較好的效果。

值得注意的是，EnKF與集合預報有著非常密切的關系，它可以為集合預報提供一組具有統(tǒng)計意義最優(yōu)的初值。眾所周知，確定性預報只能代表大氣真實狀態(tài)的一種可能，而集合預報通過一定的數(shù)學方法，獲得在合理誤差范圍內(nèi)具有某種概率密度函數(shù)分布特征的集合成員，其中每個集合成員都能代表大氣的真實情況。相比確定性預報，集合預報能夠有效地減少數(shù)值預報的不確定性。近期，Harnish and Keil（2015）基于EnKF對一次強對流過程進行同化分析，并利用得到的集合成員進行集合預報，取得了較好的效果。

由此可見，EnKF在對流尺度上有較好的同化效果，但其在颮線上的應用在國內(nèi)尚不多見，目前大部分研究使用的是3DVar或云分析同化方法。另外，在颮線系統(tǒng)的模擬上，中尺度集合預報技術相對于確定性預報技術具有一定優(yōu)勢。本文綜合利用EnSRF同化方法和集合預報技術，對2007年4月23日發(fā)生在我國華南地區(qū)的一次典型颮線天氣過程進行了同化和模擬，通過與未進行雷達資料同化的集合成員對比，考察了EnSRF雷達資料同化對WRF模式所模擬的颮線回波結構、熱力場、動力場和微物理量場的影響。

2 資料和方法

2.1 資料

模式初始場為NCEP（National Centers for Environmental Prediction）提供的1°×1°再分析資料，側邊界條件每6小時更新一次，本文使用中國新一代多普勒天氣雷達資料，包括廈門、福州、建陽、廣州、深圳、汕頭、陽江、韶關以及桂林等9部S波段天氣雷達資料（見圖1）。9部雷達均采用VCP21（Volume Coverage Pattern，scan strategy 2，version 1）觀測模式進行連續(xù)體掃，仰角在0.5°～19.5°之間，體掃時間間隔為6 min。雷達資料徑向風分辨率為250 m，反射率因子分辨率為1 km。

2.2 集合均方根濾波方法

根據(jù)Evensen（1994）的設計，集合卡爾曼濾波（EnKF）同化循環(huán)的計算分為集合預報和分析更新兩部分，具體公式如下：

其中，公式（1）為集合預報方程，表示模式預報的狀態(tài)變量，表示預報模式，上標a表示分析估計，上標b表示預報估計，下標表示第個成員，表示當前時刻；公式（2）、（3）為更新方程，為卡爾曼增益矩陣，為線性觀測算子，yo表示在原始時刻觀測上加入擾動后得到的觀測，表示第個擾動觀測，表示預報誤差協(xié)方差矩陣，表示觀測誤差協(xié)方差矩陣，上標T表示矩陣的轉置；公式（4）中的bT表示觀測變量的背景誤差協(xié)方差，上劃線表示集合成員的平均值。

根據(jù)Whitaker and Hamill（2002）的研究，EnKF在對觀測進行擾動時，會引入額外的采樣誤差，導致分析誤差協(xié)方差被低估，引起濾波發(fā)散。為此，他們提出了集合均方根濾波（EnSRF）方法，通過在EnSRF方法中引入了一個小參數(shù)，令來調整卡爾曼增益矩陣。在單一觀測條件下，EnSRF的更新方程變?yōu)?/p>

2.3 雷達資料質量控制及觀測算子

在進行多普勒雷達資料同化之前，利用NCAR（National Center for Atmospheric Research）開發(fā)的SOLOII軟件對雷達資料進行質量控制，包括去除噪聲點、地物回波、二次回波、速度退模糊（Oye et al., 1995）和去距離折疊?？紤]到水平分辨率較高，只在水平方向上將雷達資料插值到模式網(wǎng)格上。為了減少計算成本，在插值過程中進行了雷達觀測資料的稀疏化。

在EnSRF方法中，通過統(tǒng)計集合成員之間的協(xié)方差矩陣來建立觀測變量和模式變量之間的相關，可以直接同化雷達徑向風和反射率因子，徑向風和反射率因子的觀測算子同Tong and Xue（2005）。

3 試驗設計

應用非靜力中尺度數(shù)值模式WRF3.5對颮線過程進行模擬試驗，模式水平分辨率為3 km，網(wǎng)格數(shù)為450×400×50。試驗以（24°N，114°E）為中心，垂直方向取50個不等距分層，模式頂層取50 hPa。模擬區(qū)域主要覆蓋中國廣東、廣西、福建以及江西、湖南、浙江大部分地區(qū)，地形分辨率為30 s（見圖1）。微物理過程為WSM6冰相方案（Hong et al., 2004），長波輻射為RRTM方案，短波輻射為Dudhia方案，不使用積云對流參數(shù)化方案。

圖1 模擬區(qū)域與雷達位置 [圖中黑色矩形框代表模擬范圍、倒三角代表雷達位置，大圓圈代表半徑為230 km雷達觀測的范圍，其中9部雷達分別為廈門（XMRD）、福州（FZRD）、建陽（JYRD）、廣州（GZRD）、深圳（SZRD）、汕頭（STRD）、陽江（YJRD）、韶關（SGRD）以及桂林（GLRD）雷達]

本文設計了三組試驗，分別用來檢驗集合預報和雷達資料同化對颮線模擬的改進效果：

第一組為控制試驗，只用NCEP 1°×1°再分析資料進行模擬，即確定性預報試驗。模式預報時間為2007年4月23日12:00（協(xié)調世界時，下同）至4月24日02:00。

第二組為集合預報試驗，首先對23日12:00的NCEP資料進行8小時“spin up”后，在23日20:00加入初始擾動產(chǎn)生40個集合成員。擾動方法為隨機背景誤差協(xié)方差擾動方法，該方法利用GFS（Globe Forecast System）資料統(tǒng)計的背景誤差協(xié)方差產(chǎn)生隨機擾動，經(jīng)垂直EOF（Empirical Orthogonal Function）分析、遞歸濾波和平衡方程約束后變換回模式空間，所產(chǎn)生的各個變量的擾動之間具有一定的關系和平衡約束（Skamarock et al., 2008），因此對該擾動方法產(chǎn)生的集合成員進行集合預報，效果可能會優(yōu)于確定性預報。其中風場的水平分量、標準差約為2 m s?1，位溫t的標準差約為1 K，水汽混合比v標準差約為0.5 g kg?1。初始場沒有同化任何資料，模式預報時間為2007年4月23日20:00至4月24日02:00。

第三組為同化試驗，利用ARPS EnSRF 同化系統(tǒng)的WRFAPI功能來開展實際雷達資料的同化試驗。WRFAPI模塊通過增加WRF模式變量的接口，利用ARPS EnSRF同化系統(tǒng)將觀測同化進WRF模式的初始場，該模塊可同化WRF模式的、、、t、h、v、c、r、i、s以及g變量（、、分別為擾動風場的緯向分量、經(jīng)向分量、垂直分量，t為擾動位溫，h是位勢高度變量，h為冰雹混合比，v為水汽混合比，c為云水混合比，r為雨水混合比，i為冰晶混合比，s為雪混合比，g為霰混合比）。分別在23日23:00和24日00:00，通過EnSRF同化方法將9部多普勒雷達資料同化進背景場。協(xié)方差局地化為五階距離相關函數(shù)方案（Gaspari and Cohn，1999），參考Putnam et al.（2014），水平局地化距離為10 km，垂直局地化距離為4 km，協(xié)方差膨脹參數(shù)為1.25。最后利用EnSRF同化得到的集合成員，進行2 h的集合預報。模式預報時間為2007年4月24日00:00至4月24日02:00。

4 颮線過程及環(huán)境背景

2007年4月23日，受中層的低壓槽，地面準靜止鋒和夜間低空急流的影響，華南地區(qū)發(fā)生了一次典型的颮線過程。颮線系統(tǒng)在20:00進入廣西和廣東省交界處，隨后以17 m s?1向東南方向移動，24日02:00颮線強度達到最大，水平尺度達800 km左右，基本覆蓋了整個廣東省，一直到24日03:00逐漸消散，維持了約7 h。經(jīng)統(tǒng)計，廣東省累計降水超過50 mm，部分縣市雷雨大風為8～9級，強降水超過100 mm。局部地區(qū)發(fā)生冰雹災害，最大風速可達24 m s?1。

從23日12:00的850 hPa位勢高度場可以看出（圖2a），在（25°N，105°E）附近存在一個低壓中心，從12:00到18:00，該低壓中心與來自中緯度的一個短波槽合并。等位溫線的狹窄密集帶表示溫度梯度較大的區(qū)域，一般出現(xiàn)在鋒面附近。從位溫場的分布特征可以看出，在25°N附近存在一個準靜止鋒即梅雨鋒，大致呈東西走勢，從中國西部一直延伸到日本。18:00在廣西省西北部（圖2b），低層風速的北風分量突然加強，來自北方的冷空氣推動準靜止鋒西部南下。北方干冷空氣與南方的暖濕空氣的輻合不斷加強，另外從可降水量可以看出，我國廣西、廣東地區(qū)超過60 kg m?2，并且有一只西南氣流不斷地將水汽向兩廣地區(qū)輸送，這都為颮線的發(fā)生提供了有利的環(huán)流背景形勢和水汽條件。

5 試驗結果

5.1 控制試驗模擬能力評估

從實況雷達組合反射率因子（圖3）可見，23日22:00，颮線移近廣東和廣西交界處，形成一條東北—西南向呈線狀的強對流回波區(qū)，東西方向的長度為300 km，南北方向的寬度為30 km，強回波中心呈弓形，最強回波超過50 dB，此時颮線系統(tǒng)正處于發(fā)展階段。在系統(tǒng)移動的后方有大范圍的層云形成，這是因為在對流中心內(nèi)部存在一支傾斜上升氣流，該氣流從颮線系統(tǒng)前部低層進入，逐漸上升從颮線后部頂端流出，期間會把颮線前部線狀對流帶內(nèi)小的降水粒子向颮線系統(tǒng)后部拋灑，從而形成較為寬廣的層云帶。層云內(nèi)有兩塊呈東北—西南走向的次強回波，回波強度均超過30 dB（圖3a）。1小時后，強對流回波和次強回波之間出現(xiàn)一條弱回波過渡帶，且回波向東移動，強度加強，福建北部相對較弱的回波向西南方向移動，同時在移動方向的前方不斷有新的對流單體生成（圖3b）。24日00:00，颮線已經(jīng)移動到廣東省中部，廣東和廣西原來分裂的兩個強對流區(qū)域合并，形成一條長度約為500 km的新線性對流系統(tǒng)，同時弱回波過渡區(qū)更加明顯，寬度約為35 km。24日01:00，層云內(nèi)的回波強度進一步加強，最強回波超過40 dB。24日02:00，颮線發(fā)展到全盛期，強對流回波區(qū)呈現(xiàn)顯著的“V”型結構，這表明近地面風速較大，颮線前段對流單體的移動速度很快。另外，層云區(qū)的回波范圍和強度繼續(xù)增大。

圖2 2007年4月（a）23日12:00（協(xié)調世界時，下同）和（b）23日18:00基于NCEP再分析資料的850 hPa環(huán)境場變量。陰影為可降水量（單位：kg m?2），黑實線為等高線（單位：dagpm），紅虛線為等位溫線（單位：K），矢量為風場（單位：m s?1）

圖3 雷達觀測組合反射率因子（單位：dBZ）2007年4月：（a）23日22:00；（b）23日23:00；（c）24日00:00；（d）24日01:00；（e）24日02:00

圖4為控制試驗模擬的雷達組合反射率因子，與圖3對比可知，確定性預報基本上模擬出了颮線前部的線狀強對流回波區(qū)，但模擬的范圍明顯偏大，強度偏強，“V”型結構也不明顯，未模擬出颮線的層云區(qū)域，模擬的颮線位置偏南，移動速度偏慢。23日22:00和23:00，強對流回波區(qū)在南北方向加寬，寬度約為50 km，弓形形狀不明顯，福建省北部的對流區(qū)域也未模擬出來。從23日22:00到24日02:00，福建的西南部的回波開始逐漸增強，一直到24日02:00，最強回波強度超過50 dB。

5.2 集合預報模擬結果

上述分析表明，確定性預報技術能大概模擬出強對流回波區(qū)的主要特征，但對颮線后部的層云區(qū)、弱回波過渡帶以及颮線位置的模擬與觀測有較大的偏差。研究表明：對于風暴（Aberson, 2001）、颶風（Stensrud and Weiss, 2002）及局地強降水等中尺度極端天氣事件，中尺度集合預報能夠提供更多的概率預報信息，相比確定性預報表現(xiàn)出一定的優(yōu)勢。因此本文通過隨機背景誤差協(xié)方差擾動方法產(chǎn)生40個集合成員，進一步探討集合預報的模擬效果。集合成員是利用WRFDA的三維變分程序，對背景場添加隨機的背景誤差協(xié)方差而產(chǎn)生的。

參考Parker and Johnson（2000）和Meng and Zhang（2012）的方法，在颮線中，如果模擬的線狀對流中心（回波強度超過40 dB）與觀測的距離不超過200 km，則認為模擬出了颮線的主要特征。經(jīng)分析基本上所有成員都達到了上述標準，并且計算各個集合成員的組合回波與雷達實況組合回波的均方根誤差，其中以第2、3、12、13、16、17、19、21、22、36以及37個集合的均方根誤差最低（圖略），效果最佳，相比于確定性預報，颮線在西部的回波增強，“V”型結構更明顯，更接近于觀測場?？紤]到集合成員的數(shù)目較多，以上述均方根誤差最低的11個集合成員為例。圖5為這11個集合成員24日00:00雷達組合反射率因子的分布。與觀測（圖5a）對比發(fā)現(xiàn)，集合預報模擬的線狀強對流回波區(qū)在南北方向尺度同樣偏大。在確定性預報中，廣東省西部的回波為分散的點狀，而集合成員模擬的對流回波在此處強度增強，且回波為團狀，對流中心的弓形形狀更明顯，與觀測場更接近。不同集合成員的模擬結果也存在一定差異，其中以第12個和第37個集合成員的均方根誤差最低，這說明颮線系統(tǒng)對初始場是比較敏感的。

圖4 同圖3，但為確定性預報試驗模擬結果

圖5 集合預報試驗模擬的2007年4月24日00:00雷達組合反射率因子（單位：dBZ）：（a）觀測（OBS）；（b–l）分別是第2、3、12、13、16、17、19、21、22、36和37個集合成員

5.3 同化結果

5.2節(jié)以雷達觀測為標準，分別對比了確定性預報和集合預報試驗的組合回波分布特征，結果表明集合預報試驗能夠更加細致地描述颮線的中尺度結構。下面我們分別在23日23:00和24日00:00，利用EnSRF方法同化9部多普勒雷達資料。為了和同化雷達資料前的模擬結果對比，這里同樣以24日00:00（同化結束時刻）的11個集合成員為例。

由雷達觀測實況（圖6a）可知，在24日00:00，颮線已經(jīng)發(fā)展為一個典型的成熟系統(tǒng)，颮線的三個組成部分，包括前部強對流回波區(qū)、中部對流向層云的過渡區(qū)和后部的層云區(qū)都清晰可見。其中強對流回波區(qū)為狹長的線狀結構，回波整體東西走向，南北方向尺度較小，“V”型結構明顯，最強回波強度能達到50 dB以上。層云區(qū)的亮帶結構明顯，過渡區(qū)的回波強度較弱，僅25 dB左右。對比圖6與圖5可以看出，集合預報試驗和同化試驗的回波在空間分布上存在一定差異。同化前颮線前部的強對流回波區(qū)在南北方向的范圍偏大，強度略強，且沒有模擬出層云回波（圖5）。經(jīng)過同化后，各個集合基本上呈現(xiàn)出了颮線成熟階段主要特征，其中強對流回波區(qū)的范圍和強度有所減少，線狀結構更加明顯，颮線后部的層云回波和過渡區(qū)也有所體現(xiàn)。另外，同化改善了福建處的回波結構，回波強度大于20 dB的范圍明顯增大（圖6）?？梢?，雷達資料同化有效地改善了颮線系統(tǒng)的回波結構（尤其是層云區(qū)）和強度，使背景場較同化前更接近實況，因此在數(shù)值模式中同化雷達資料對颮線的結構影響很大。

為了進一步考察雷達資料同化對颮線系統(tǒng)結構的影響，以第13個集合成員為例，圖7分別對確定性預報、集合預報（同化前）和同化試驗的反射率因子過（24°N，115°E），沿緯向作垂直剖面。由圖7可以看出，三組試驗均給出了颮線前緣的強對流回波區(qū)。相比確定性預報和集合預報試驗，同化試驗線狀對流后部的層云回波范圍有所增加。強對流區(qū)后方的層云水平范圍達到200 km左右，平均伸展高度約為10 km，最強回波接近45 dB，這是因為層云上方固態(tài)水凝物降落到約4 km時表面開始融化，導致粒子群的雷達反射率迅速增大而產(chǎn)生的回波大值區(qū)。

圖6 同圖5，但為EnSRF同化試驗結果

圖7 三組試驗2007年4月24日00:00雷達反射率因子的垂直剖面（單位：dBZ）：（a）確定性預報；（b）未同化雷達資料的第13個集合成員；（c）同化雷達資料的第13個集合成員的分析場

冷池對颮線系統(tǒng)的發(fā)展和維持有著非常重要的作用。由圖8a–c可以發(fā)現(xiàn)，三組試驗在地表的位溫場均存在低值中心，即低層形成明顯的冷池結構。冷池中心最低擾動位溫能達到－7 K，這與颮線的強對流回波區(qū)相對應。颮線具有明顯的冷池結構是因為降水導致冷空氣不斷下沉擴散，從而使得近地面層擾動位溫下降。對比三組試驗發(fā)現(xiàn)，確定性預報試驗模擬的冷池范圍最小，強度最弱，集合預報試驗次之，同化試驗的冷池范圍最大，強度最強，具有明顯的冷空氣丘結構（王焱等，2008）。在冷池的西側，同化試驗的風速明顯大于確定性預報和集合預報試驗，氣流從冷空氣堆處向外輻散流出，并與前部暖區(qū)的氣流相匯合。為了更清楚地對比同化前后擾動位溫的差異，圖8d為同化試驗與集合預報試驗擾動位溫的差值場，發(fā)現(xiàn)同化后地面冷池更明顯，擾動位溫明顯降低，最多約降低3 K。

由于冷池本身是由高密度的冷空氣組成，與周圍相比是一高氣壓區(qū)（雷暴高壓），因此強冷池的形成將會在近地面形成強雷暴高壓。由圖9可以看出，三組試驗在廣東省均存在雷暴高壓中心，且在其周圍有很強的向四周輻散的風，前沿的輻散風速達到 10 m s?1以上。三組試驗中，同化試驗的雷暴高壓氣壓最高，范圍最大，雷暴高壓前緣輻散的西北氣流和東南暖濕氣流輻合也最明顯。從同化前后地表氣壓的差值場（圖9d）可知，在颮線的前部，氣壓有所降低，最多約下降3 hPa，在颮線的后部，地面氣壓差值存在高值區(qū)，最多約升高4 hPa。

雷達資料同化對水凝物總量（包括云水混合比c、雨水混合比r、冰晶混合比i、雪混合比s以及雹霰混合比g）分布也有一定的改善，由圖10a–c可知，三組試驗在廣東省附近均有一條呈帶狀的水凝物高值區(qū)，這與颮線的線狀強對流回波區(qū)是相對應。由圖4c和圖5e可知，確定性預報和集合預報試驗給出的颮線線狀強對流區(qū)域強度偏強，且寬度偏大，因此該處的水凝物的范圍也偏大，強度偏強。同化試驗的水凝物高值中心，與觀測的線狀強對流中心（紅虛線）的位置最接近，其它兩組試驗位置偏南，同化試驗在水凝物高值帶后方，也同化出水凝物次高值區(qū)，這與觀測的層云區(qū)是相吻合的。對比同化前后的差異（圖10d）發(fā)現(xiàn)，同化后颮線線狀對流帶內(nèi)的水凝物有所下降，最多約下降2 g kg?1，颮線后部層云區(qū)位置的水凝物明顯增加，最多約升高2 g kg?1。

5.4 預報結果

以上分析表明，經(jīng)過雷達資料同化后，大部分集合成員的颮線回波結構明顯地改善，且能夠較準確地分析出颮線的熱力場、動力場和微物理量場的細致特征。為了進一步檢驗其同化效果，對同化雷達資料的集合成員進行了兩個小時的預報，模式預報時間為2007年4月24日00:00至4月24日02:00?？紤]到集合成員的數(shù)目較多，仍以上述的11個集合成員為例。

由圖11a可知，在24日02:00，大于5 dB的雷達回波水平尺度超過800 km，并且在颮線系統(tǒng)內(nèi)部存在一條強對流回波帶，東西方向的長度為500 km，南北寬度為25 km，回波中心強度達到50 dB，“V”形結構比較明顯，這說明颮線系統(tǒng)此時非常強盛。相比于圖5a，強對流回波帶后方的層云回波強度增強，覆蓋范圍增大。廣東省和福建省原來兩塊分離的回波合并成一條線狀回波，回波強度均超過30 dB。對比圖11b–l可以看出，同化前各個集合成員均能模擬出強對流回波帶，也大致模擬出“V”型結構，但相比于觀測，強對流回波帶的強度偏強，南北方向的寬度偏大，約為60 km，結構較為松散。同時可以看到，強對流回波帶向東南方向傾斜，一直延伸至海上，颮線后方的層云區(qū)也不明顯，層云區(qū)大部分為零星的點狀回波。颮線系統(tǒng)對初始場較為敏感，各個集合成員的模擬效果也存在一定差異，其中第13、36個集合成員的模擬效果較好，“V”型結構最明顯，且颮線的線型對流中心位置有了一定程度地改善，但對后部層云結構的模擬效果仍欠佳。

圖10 同圖8，但為2 km水凝物總量（陰影，單位：g kg?1）和水平速度

圖12為基于EnSRF雷達資料同化試驗的分析場，上述11個集合成員所模擬的雷達組合反射率因子。由圖可以看出，加入雷達資料后，對颮線的預報效果有一定改進，線狀強對流回波區(qū)的強度有所減弱，且南北方向寬度減少，這都更接近于實況。值得注意的是，颮線線狀強對流回波帶后部的層云區(qū)也有所體現(xiàn)，雖然較觀測有一定差距，但是效果明顯優(yōu)于未同化雷達資料的集合預報試驗。

圖11 同圖5，但為02:00

圖12 EnSRF雷達資料同化試驗模擬的2007年4月24日02:00雷達組合反射率因子（單位：dBZ）：（a）觀測；（b–l）分別是第2、3、12、13、16、17、19、21、22、36和37個集合成員

同樣以第13個集合成員為例，圖13為其反射率因子過（24°N，115°E）沿著緯向作的垂直剖面。由三組試驗可以看出，在颮線發(fā)展強盛期，強對流回波區(qū)位于颮線的前緣，確定性預報試驗模擬的線狀強對流區(qū)域寬度偏大，為80 km左右，同化試驗模擬的線狀強對流區(qū)域尺度約為30 km左右，與觀測組合回波顯示的線狀對流區(qū)域寬度更加吻合。對于強對流回波區(qū)后方的層云區(qū)，同化試驗模擬的層云水平范圍最大，為150 km左右，集合預報試驗模擬的層云區(qū)水平范圍次之，確定性預報試驗則基本沒有模擬出層云結構。

為了進一步定量地評估同化及模擬效果，分別計算三組試驗從23日22:00到24日02:00，40個集合成員關于組合反射率因子，閥值為20dB的ETS（Equitable Threat Score）評分（圖略）。可以發(fā)現(xiàn)，大部分集合成員，同化雷達資料后ETS評分最高，其次是未同化雷達資料時，確定性預報最小。圖14給出了上述11個集合成員雷達組合反射率因子（20dB）的ETS評分，由圖可以看出，未同化雷達資料時，集合成員的ETS評分均高于確定性預報試驗，其中以第13個和第21個集合成員最明顯，ETS評分提高了0.06以上。經(jīng)過同化后，集合成員的ETS評分均高于同化前的集合成員，其中第3、13、17、19和37個集合成員的ETS評分比同化前提高0.1以上。第2個集合成員在三組試驗的ETS評分差異不大。可見，雷達資料同化能夠有效地提高模式對颮線系統(tǒng)的模擬水平。

圖13 三組試驗2007年4月24日02:00模擬的雷達反射率因子的垂直剖面（單位：dBZ）：（a）確定性預報；（b）未同化雷達資料的第13個集合成員；（c）同化雷達資料的第13個集合成員的預報場

圖14 2007年4月23日22:00至24日02:00，確定性預報試驗、集合預報試驗和同化試驗的第2、3、12、13、16、17、19、21、22、36和37個集合成員的雷達組合反射率因子（20 dBZ）的ETS評分

6 結論

本文采用中尺度WRF模式，針對2007年4月23日發(fā)生在華南地區(qū)的一次典型颮線過程，探討了中尺度集合預報技術對颮線的模擬能力，并在此基礎上，基于EnSRF方法同化雷達資料，分別對40個集合成員進行了同化及模擬試驗，驗證了EnSRF同化多部雷達資料的效果。主要結論如下：

（1）相比確定性預報，集合預報具有更好的模擬能力。確定性預報能大致捕捉到颮線系統(tǒng)的發(fā)生發(fā)展過程，但模擬的颮線強對流區(qū)域范圍偏大，“V”型結構不明顯，颮線系統(tǒng)后部的層云結構也未能模擬出來。集合預報通過對多個集合成員分別積分，能最大限度地模擬出颮線的可能狀態(tài)。大部分集合成員均模擬出颮線的主要特征，其中有11個集合成員均方根誤差最低，模擬效果最佳。

（2）EnSRF能有效地同化實際雷達資料，增加模式初始場的中小尺度信息，使各個集合成員的分析場在颮線強對流回波區(qū)的范圍和強度上更加準確，且同化試驗分析出了颮線后部的層云回波和過渡區(qū)。相比確定性預報和集合預報，同化后得到的冷池面積增大，強度變強，“V”型結構更明顯，颮線后部雷暴高壓強度增大，水凝物高值中心的位置更加準確，且在層云區(qū)存在次高值區(qū)。

（3）利用集合預報技術，通過對同化后的集合成員進行模擬發(fā)現(xiàn)，大部分集合成員較未同化雷達資料時模擬效果有明顯改善，模擬的雷達回波更接近觀測，強對流回波區(qū)的線狀回波和“V”型結構明顯，并且較好地模擬出颮線后部的層云區(qū)。同化后的集合預報ETS評分最高，其次是未同化的集合預報，確定性預報最低。

需要指出的是，本文只針對一次颮線過程進行了初步研究，未來還需要結合更多的颮線個例進行檢驗。另外，隨著預報時間的增加，2小時后，同化試驗的ETS評分會逐漸降低，這可能與颮線系統(tǒng)內(nèi)部誤差增長較快有關，然而目前如何提高預報時效是一個難點，也有待進一步的研究。

Aberson S D. 2001. The ensemble of tropical cyclone track forecasting models in the North Atlantic Basin (1976–2000) [J]. Bull. Amer. Meteor. Soc., 82 (9): 1895–1904, doi:10.1175/1520-0477(2001)082<0000: TEOTCT>2.3.CO;2.

Aksoy A, Dowell D C, Snyder C. 2009. A multicase comparative assessment of the ensemble Kalman filter for assimilation of radar observations. Part I: Storm-scale analyses [J]. Mon. Wea. Rev., 137 (6): 1805–1824, doi:10.1175/2008MWR2691.1.

Anderson J L. 2001. An ensemble adjustment Kalman filter for data assimilation [J]. Mon. Wea. Rev., 129 (12): 2884–2903, doi:10.1175/ 1520-0493(2001)129<2884:AEAKFF>2.0.CO;2.

Stensrud D J, Weiss S J. 2002. Mesoscale model ensemble forecasts of the 3 May 1999 Tornado outbreak [J]. Wea. Forecasting, 17 (3): 526–543, doi:10.1175/1520-0434(2002)017<0526:MMEFOT>2.0.CO;2.

Dowell D C, Zhang F Q, Wicker L J, et al. 2004. Wind and temperature retrievals in the 17 May 1981 Arcadia, Oklahoma, supercell: Ensemble Kalman filter experiments [J]. Mon. Wea. Rev., 132 (8): 1982–2005, doi:10.1175/1520-0493(2004)132<1982:WATRIT>2.0.CO;2.

Evensen G. 1994. Sequential data assimilation with a nonlinear quasi- geostrophic model using Monte Carlo methods to forecast error statistics [J]. J. Geophys. Res.: Oceans (1978–2012), 99 (C5): 10143– 10162, doi:10.1029/94JC00572.

Fisher M, Andersson E. 2001. Developments in 4D-Var and Kalman filtering [J]. ECMWFTechinical Memorandum, No. 347, Berkshire: ECMWF, 1–36.

Gao J D, Xue M, Shapiro A, et al. 1999. A variational method for the analysis for three-dimensional wind fields from two Doppler radars [J]. Mon. Wea. Rev., 127 (9): 2128–2142, doi:10.1175/1520-0493(1999)127< 2128:AVMFTA>2.0.CO;2.

Gaspari G, Cohn S E. 1999. Construction of correlation functions in two and three dimensions [J]. Quart. J. Roy. Meteoro. Soc., 125 (554): 723–757, doi:10.1002/qj.49712555417.

Hamill T M, Synder C. 2000. A hybrid ensemble Kalman filter—3D variational analysis scheme [J]. Mon. Wea. Rev., 128 (8): 2905–2919, doi:10.1175/1520-0493(2000)128<2905:AHEKFV>2.0.CO;2.

Harnish F, Keil C. 2015. Initial conditions for convective-scale ensemble forecasting provided by ensemble data assimilation [J]. Mon. Wea. Rev., 143 (5): 1583–1600, doi:10.1175/MWR-D-14-00209.1.

Hong S Y, Dudhia J, Chen S H. 2004. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation [J]. Mon. Wea. Rev., 132 (1): 103–120, doi:10.1175/1520- 0493(2004)132<0103:ARATIM>2.0.CO;2.

Hu M, Xue M, Brewster K. 2006a. 3DVAR and cloud analysis with WSR-88D Level-II data for the prediction of the Fort Worth, Texas, tornadic thunderstorms. Part I: Cloud analysis and its impact [J]. Mon. Wea. Rev., 134 (2): 675–698, doi:10.1175/MWR3092.1.

Hu M, Xue M, Gao J D, et al. 2006b. 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 [J]. Mon. Wea. Rev., 134 (2): 699–721, doi:10.1175/ MWR3093.1.

Keppenne C L. 2000. Data assimilation into a primitive-equation model with a parallel ensemble Kalman filter [J]. Mon. Wea. Rev., 128 (6): 1971–1981, doi:10.1175/1520-0493(2000)128<1971:DAIAPE>2.0.CO;2.

蘭偉仁, 朱江, Xue Ming, 等. 2010a. 風暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達資料同化試驗I. 不考慮模式誤差的情形 [J]. 大氣科學, 34 (3): 640–652. Lan Weiren, Zhu Jiang, Xue Ming, et al. 2010a. Storm-scale ensemble Kalman filter data assimilation experiments using simulated Doppler radar data. Part I: Perfect model tests [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 34 (3): 640–652, doi:10.3878/j.issn.1006-9895.2010.03.15.

蘭偉仁, 朱江, Xue Ming, 等. 2010b. 風暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達資料同化試驗II. 不考慮模式誤差的情形 [J]. 大氣科學, 34 (3): 737–753. Lan Weiren, Zhu Jiang, Xue Ming, et al. 2010b. Storm-scale ensemble Kalman filter data assimilation experiments using simulated Doppler radar data. Part II: Imperfect model tests [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 34 (4): 737–753, doi:10.3878/j.issn.1006-9895.2010.04.07.

Meng Z Y, Zhang Y J. 2012. On the squall lines preceding landfalling tropical cyclones in China [J]. Mon. Wea. Rev., 140 (2): 445–470, doi:10.1175/MWR-D-10-05080.1.

閔錦忠, 陳杰, 王世璋, 等. 2011. WRF-EnSRF同化系統(tǒng)的效果檢驗及其應用 [J]. 氣象科學, 31 (2): 135–144. Min Jinzhong, Chen Jie, Wang Shizhang, et al. 2011. The tests of WRF-EnSRF data assimilation system and its applications in storm scale events [J]. J. Meteor. Sci., 31 (2): 135–144, doi:10.3969/j.issn.1009-0827.2011.02.003.

Mitchell H L, Houtekamer P L, Pellerin G. 2002. Ensemble size, balance, and model-error representation in an ensemble Kalman filter [J]. Mon. Wea. Rev., 130 (11): 2791–2808, doi:10.1175/1520-0493(2002)130<2791: ESBAME>2.0.CO;2.

Oye R, Mueller C, Smith S. 1995. Software for radar translation, visualization, editing, and interpolation [C]//Proceedings of the 27th Conference on Radar Meteorology. Boston, USA: American Meteorological Society, 359–361.

Parker M D, Johnson R H. 2000. Organizational modes of midlatitude mesoscale convective systems [J]. Mon. Wea. Rev., 128 (10): 3413–3436, doi:10.1175/1520-0493(2001)129<3413:OMOMMC>2.0.CO;2.

Putnam B J, Xue M, Jung Y, et al. 2014. The analysis and prediction of microphysical states and polarimetric radar variables in a mesoscale convective system using double-moment microphysics, multinetwork radar data, and the ensemble Kalman filter [J]. Mon. Wea. Rev. 142 (1): 141–162, doi:10.1175/MWR-D-13-00042.1.

秦琰琰, 龔建東, 李澤椿. 2012. 集合卡爾曼濾波同化多普勒雷達資料的觀測系統(tǒng)模擬試驗[J]. 氣象, 38 (5): 513–525. Qin Yanyan, Gong Jiandong, Li Zechun. 2012. Assimilation of Doppler radar observations with an ensemble Kalman filter: OSS experiments [J]. Meteor. Mon. (in Chinese), 38 (5): 513–525, doi:10.7519/j.issn.1000-0526.2012.5.001.

Skamarock W C, Klemp J B, Dudhia J, et al. 2008. A description of the advanced research WRF version 3 [R]. NCAR Technical Note TN-475+ STR, 113.

Snyder C, Zhang F Q. 2003. Assimilation of simulated Doppler radar observations with an ensemble Kalman filter [J]. Mon. Wea. Rev., 131(8): 1663–1677, doi:10.1175//2555.1.

孫虎林, 羅亞麗, 張人禾, 等. 2011. 2009年6月3～4日黃淮地區(qū)強颮線成熟階段特征分析 [J]. 大氣科學, 35 (1): 105–1209. Sun Hulin, Luo Yali, Zhang Renhe, et al. 2011. Analysis on the mature-stage features of the severe squall line occurring over the Yellow River and Huaihe River basins during 3–4 June 2009 [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 35 (1): 105–120, doi:10.3878/j.issn.1006-9895. 2011.01.09.

Sun J Z, Crook A. 1994. Wind and thermodynamic retrieval from single-Doppler measurements of a gust front observed during Phoenix II [J]. Mon. Wea. Rev., 122 (6): 1075–1091, doi:10.1175/1520-0493(1994) 122<1075:WATRFS>2.0.CO;2.

Sun J Z, Flicker D W, Lilly D K. 1991. Recovery of three-dimensional wind and temperature fields from simulated single-Doppler radar data [J]. J. Atmos. Sci., 48 (6): 876–892, doi:10.1175/1520-0469(1991)048<0876: ROTDWA>2.0.CO;2.

Tong M Q, Xue M. 2005. Ensemble Kalman filter assimilation of Doppler radar data with a compressible nonhydrostatic model: OSS experiments [J]. Mon. Wea. Rev., 133 (7): 1789–1807, doi:10.1175/MWR2898.1.

Tong M Q, Xue M. 2008. Simultaneous estimation of microphysical parameters and atmospheric state with simulated radar data and ensemble square root Kalman filter. Part II: Parameter estimation experiments [J]. Mon. Wea. Rev., 136 (5): 1649–1668, doi:10.1175/2007MWR2071.1.

王焱, 潘益農(nóng), 潘玉潔. 2008. 一次颮線過程的數(shù)值模擬及診斷分析 [J]. 南京大學學報 (自然科學版), 44 (6): 583–597. Wang Yan, Pan Yinong, Pan Yujie. 2008. A case study on squall line: Numerical simulation and diagnosis analysis [J] J. Nanjing Univ. (Nat. Sci.), 44 (6): 583–597, doi:10.3321/j.issn:0469-5097.2008.06.002.

Whitaker J S, Hamill T M. 2002. Ensemble data assimilation without perturbed observations [J]. Mon. Wea. Rev., 130 (7): 1913–1924, doi:10.1175/1520-0493(2002)130<1913:EDAWPO>2.0.CO;2.

Xiao Q N, Sun J Z. 2007. Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002 [J]. Mon. Wea. Rev., 135 (10): 3381–3404, doi:10.1175/ MWR3471.1.

許小永, 劉黎平, 鄭國光. 2006. 集合卡爾曼濾波同化多普勒雷達資料的數(shù)值試驗 [J]. 大氣科學, 30 (4): 712–728. Xu Xiaoyong, Liu Liping, Zheng Guoguang. 2006. Numerical experiment of assimilation of Doppler radar data with an ensemble Kalman filter [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 30 (4): 712–728, doi:10.3878/j. issn.1006-9895.2006.04.16.

Xue M, Tong M J, Droegemeier K K. 2006. An OSSE framework based on the ensemble square-root Kalman filter for evaluating the impact of data from radar networks on thunderstorm analysis and forecasting [J]. J. Atmos. Oceanic Technol., 23 (1): 46–66, doi:10.1175/JTECH1835.1.

Zhang Fuqing, Snyder C, Sun Juanzhen. 2004. Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter [J]. Mon. Wea. Rev., 132 (5): 1238–1253, doi:10.1175/1520-0493(2004)132<1238:IOIEAO>2.0.CO;2.

高士博, 閔錦忠, 黃丹蓮. 2016. EnSRF雷達資料同化在一次颮線過程中的應用研究[J]. 大氣科學, 40 (6): 1127?1142. Gao Shibo, Min Jinzhong, Huang Danlian. 2016. The simulation of a squall line with Doppler radar data assimilation using the EnSRF method[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 40 (6): 1127?1142, doi: 10.3878/j.issn.1006-9895.1601.15216.

The Simulation of a Squall Line with Doppler Radar Data Assimilation Using the EnSRF Method

GAO Shibo1, 2, MIN Jinzhong1, 2, and HUANG Danlian1, 2

1,,2100442,,210044

An ensemble forecast and a deterministic forecast of a squall line that occurred in southern China on 23 April 2007 have been conducted using the Weather Research and Forecasting (WRF) model with microphysical schemes that include complex ice and snow processes. It is found that the deterministic forecast can capture the main characteristics of the squall line, but the simulated squall line is inaccurate, especially in the back stratus cloud region. The ensemble forecast technique can reduce the uncertainty in the model simulation and the majority of the members in the ensemble show a better performance than the deterministic forecast. The analysis members, which are obtained from radar data assimilation using the EnSRF (Ensemble Square Root Filter) method with outputs of the 40 members in the ensemble experiment as backgrounds, are used to provide initial conditions for the ensemble forecast. Differences in results among the ensemble members with and without radar data assimilation reflect the impact of EnSRF radar data assimilation on the simulation of the squall line. The analysis members with radar data assimilation provide more mesoscale and microscale information of the convective cells in the squall line system. Most members can capture the thermal-dynamical structure of the squall line system and successfully simulate the suqall line in the back stratus cloud region. Analysis of the simulations in the ensemble forecast with radar data assimilation indicates that most members perform better than that without radar data assimilation. The ETS (Equitable Threat Score) of the ensemble forecast with radar data assimilation is higher than that without radar data assimilation, and the ETS of the deterministic forecast is lower than that of the ensemble forecast.

EnSRF method, Data assimilation, Deterministic forecast, Ensemble forecast, Squall line

1006-9895(2016)06-1127-16

P446

A

10.3878/j.issn.1006-9895.1601.15216

2015-06-19；網(wǎng)絡預出版日期 2016-01-26

高士博，男，1987年出生，博士研究生，主要從事雷達資料同化研究。E-mail: shibogao@126.com

閔錦忠，E-mail: minjz@nuist.edu.cn

國家重點基礎研究發(fā)展計劃（973計劃）項目2013CB430102，江蘇省普通高校研究生科研創(chuàng)新計劃項目KYLX_0829、KYLX_0844，國家自然科學基金重點項目41430427，江蘇省高校自然科學重大基礎研究項目11KJA170001

National Basic Research Program of China (973 Program) (Grant 2013CB430102), the Research Innovation Program for College Graduates of Jiangsu Province (Grants KYLX_0829, KYLX_0844), National Natural Science Foundation of China (Grant 41430427), the Priority Academic Program Development of Jiangsu Higher Education Institutions (PAPD) (Grant 11KJA170001)