摘要：針對2019年6月5日重慶地區(qū)發(fā)生的一次颮線天氣過程，利用中尺度WRF （Weather Research and Forecasting）模式和 ARPS （The Advanced Regional Prediction System）的3DVAR 三維變分同化系統(tǒng)及其 ADAS （ARPS Data Assimilation System）云分析系統(tǒng)，探究了不同模式水平分辨率下雷達資料同化對該颮線系統(tǒng)的模擬改進效果。結(jié)果表明：（1）未同化雷達資料時，模式水平分辨率從900m提高到300m，模式模擬結(jié)果無明顯改進。（2）不同模式水平分辨率下，同化試驗的模擬效果相比同化前，對于雷達回波的形狀、強度和落區(qū)都有一定改善。（3）使用雷達資料同化的情況下，同時提高模式水平分辨率，能進一步優(yōu)化調(diào)整模式的動力、熱力及水汽條件，使得對本次颮線系統(tǒng)的發(fā)生發(fā)展和組織結(jié)構(gòu)特征的模擬與實況更接近。

關(guān)鍵詞：雷達資料同化;颮線; WRF模式；次公里尺度

中圖分類號：P456.7"""" 文獻標志碼：A""""" DOI：10.12406/byzh.2022-084

Impact of radar data assimilation on sub-kilometer-scale numerical simulation of a squall line

YOU Ting1， WU Zheng1， ZHAI Danhua2， GAO Song1， YE Mao1

（1. Chongqing Institute of Meteorological Sciences， Chongqing 401147;2. Chongqing Meteorological Observatory， Chongqing 401147）

Abstract： The effect of radar data assimilation under different horizontal resolutions on the numerical simulation of a squall line that oc- curred in Chongqing on 5 June 2019 was studied in this paper. The Weather Research and Forecasting （WRF） model and the three-dimen- sional variational assimilation （3DVAR） system of the advanced regional prediction system （ARPS） and its data assimilation system （ADAS） were used. Our major conclusions are as follows：（1） Without radar data assimilation， the simulation results are still not significantly im- proved with the horizontal resolution increasing from 900 m to 300 m.（2） In comparison， with radar assimilation， the simulations under differ- ent horizontal resolutions have a certain improvement in the shape， intensity and falling area of the radar echo.（3） Combining an adequate higher resolution with the initial radar data assimilation can further optimize and adjust the dynamic thermal water vapor conditions of the simulation， making the simulated characteristics of evolution process and organizational structure of this squall line closer to the observa- tions. Therefore， improving the horizontal resolution and using radar data assimilation at the same time might significantly improve the model prediction capability.

Key words： radar data assimilation; squall line; WRF model; sub-kilometer-scale

引言

颮線是二維線狀帶狀的中尺度對流復(fù)合體（MCS），通常會造成短時強降水、冰雹和大風(fēng)等劇烈甚至災(zāi)害性天氣，這種中小尺度天氣系統(tǒng)的短臨預(yù)報是目前數(shù)值天氣預(yù)報模式研究和發(fā)展所面臨的挑戰(zhàn)。雷達觀測數(shù)據(jù)具有高時空分辨率特性，將其同化到區(qū)域數(shù)值預(yù)報模式中，能夠為模式初始場提供精細的中小尺度信息，有利于提高中小尺度天氣系統(tǒng)模擬和預(yù)報的準確性。

國內(nèi)外研究者在雷達資料同化方面已有較多研究成果。盛春巖等（2006）利用 ARPS 和 ADAS 云分析系統(tǒng)同化雷達反射率與徑向風(fēng)資料，表明雷達資料同化能增強3 h 內(nèi)的降水強度和落區(qū)預(yù)報。Zhao 等（2009）利用 ARPS-3DVAR 和 ADAS 對天氣雷達資料進行同化，發(fā)現(xiàn)雷達資料同化能提高颶風(fēng)路徑或強度的預(yù)報準確性；Hu等（2007）也利用該系統(tǒng)循環(huán)同化雷達資料，研究了 Oklahoma 的一次暴雨過程，發(fā)現(xiàn)其預(yù)報效果受循環(huán)同化頻次的影響。多位學(xué)者研究表明，利用WRF-3DVar同時同化天氣雷達徑向速度和反射率因子，可以有效改善降水預(yù)報效果（Xiao and Sun，2007；李國靜等，2009；Sun et al.，2011；何志新等，2015；蔣宗孝等，2019，沈菲菲等，2020）。陳鋒等（2020）通過WRF模式與 GSI-3DVar同化系統(tǒng)研究了浙江的一次颮線過程，結(jié)果表明，雷達資料同化改進了模式對颮線過程中雷達反射率、大風(fēng)、降水等發(fā)展演變的模擬效果。彭菊香等（2020）采用改進的雷達資料同化方案 STMAS（Space and Time Multiscale Analysis Sys- tem），改善了初始場和降水預(yù)報，其中100 mm以上強降水預(yù)報準確性有明顯提升。Sun等（1991）建立了多普勒雷達四維變分系統(tǒng)，并在這基礎(chǔ)上進行了多次的強對流風(fēng)暴的模擬研究（Sun et al.，2001）。張林等（2006）采用 MM5-4DVar同化雷達徑向風(fēng)資料，改進了中尺度對流系統(tǒng)低層的風(fēng)場輻合情況。Wang 等（2013）提出 WRF-4DVar 同化系統(tǒng)能夠在對流尺度上進行各向異性多變量分析并改進降水預(yù)報。近年來，相關(guān)學(xué)者逐步嘗試將EnKF應(yīng)用到對流尺度雷達資料同化中，針對一些典型中小尺度天氣過程，開展同化試驗，驗證了EnKF的可利用性和有效性（Tong et al.，2008；Xue et al.，2006；Snyder and Zhang，2003；Zhang et al.，2004；Harnish and Keil，2015）。

重慶位于四川盆地東部，該地區(qū)受到不同尺度天氣系統(tǒng)的影響，且地形地貌較復(fù)雜，為中小尺度對流系統(tǒng)的多發(fā)區(qū)，預(yù)報難度較大，因此，加強對該區(qū)域數(shù)值模擬和雷達資料同化的研究具有非常重要的意義。相關(guān)研究表明，提高模式水平分辨率能夠顯著優(yōu)化模式模擬效果，能提高中小尺度天氣系統(tǒng)的預(yù)報準確性（Prein et al.，2013；Ban et al.，2014）。對流可分辨率模式已成為高分辨率模式的發(fā)展趨勢（鄭永光等，2010），目前數(shù)值模式的對流可分辨率主要為千米尺度，雖然1～4 km對流可分辨率的數(shù)值模式用于強對流天氣過程的研究分析中，能夠顯式分析深對流過程，但仍無法顯式分析次網(wǎng)格的湍流過程，Bryan等（2003）研究發(fā)現(xiàn)，盡管百米分辨率的系統(tǒng)特征與1～4 km對流可分辨率相似，但總降水量、系統(tǒng)移動速度等細節(jié)仍存在較大差異，因此，有必要研究百米分辨率模式對中小尺度強對流天氣的表現(xiàn)能力，本文利用 ARPS-3DVAR三維變分同化系統(tǒng)、ADAS 云分析同化系統(tǒng)同化重慶及周邊地區(qū)多部天氣雷達的徑向速度和反射率因子，并將分析場應(yīng)用于百米分辨率的中尺度模式WRF中，對2019年6月5日發(fā)生在重慶地區(qū)的一次颮線天氣過程進行了對比試驗，通過探討不同模式水平分辨率下雷達資料同化對模式模擬的颮線組織結(jié)構(gòu)、動熱力場以及微物理量場的改進效果，以期改進、提升模式對災(zāi)害性天氣的短臨預(yù)報能力并提高對災(zāi)害性天氣的認識。

1雷達反射率和徑向風(fēng)資料同化

1.1徑向風(fēng)資料同化

ARPS模式是美國俄克拉荷馬大學(xué)風(fēng)暴分析與預(yù)報中心 CAPS （Center for Analysis" and" Prediction" of Storms）研發(fā)的風(fēng)暴尺度數(shù)值模式，模式主要包括模式預(yù)報、資料同化、模式后處理模塊。其中同化模塊包括 ADAS和 ARPS-3DVAR 。ADAS采用的資料分析是一種連續(xù)迭代方案（Bratseth，1986），ARPS-3DVAR則用遞歸濾波方法代替ADAS同化模塊的Bratseth方法，通過最小代價函數(shù)得到最優(yōu)初始場，3DVAR比其他變分同化方法更節(jié)約計算資源，是目前業(yè)務(wù)上普遍使用的變分系統(tǒng)。本文利用ARPS-3DVAR同化系統(tǒng)同化雷達徑向風(fēng)，該同化系統(tǒng)的詳細介紹可以參見文獻（Gao et al.，2005）。式（1）為ARPS-3DVAR的目標函數(shù)

其中JB 代表分析變量x 偏離背景場xb的程度，Jo 代表模式分析變量與觀測變量的差異，Jc為質(zhì)量守恒約束項， B 為背景誤差協(xié)方差矩陣，R 為觀測誤差協(xié)方差，H為觀測算子。背景誤差協(xié)方差矩陣由（Hu et al.，2006）文中方法計算得到。

式（2）中，Vr為雷達觀測到的徑向風(fēng)速，r 是雷達觀測點到雷達站的徑向距離，h是雷達觀測點離地球表面的高度，s 為雷達射線投影到地面上的距離，Φ為雷達觀測點的徑向角。

1.2反射率資料同化

本文利用ADAS中的復(fù)雜云分析系統(tǒng)同化雷達反射率因子。ADAS包含微物理調(diào)整系統(tǒng)和復(fù)雜云分析系統(tǒng)，其中復(fù)雜云分析系統(tǒng)是基于局地分析和預(yù)報系統(tǒng) LAPS （Local Analysis and Prediction System）的云分析方案構(gòu)造（Zhang et al.，1999），可利用地面云觀測資料、衛(wèi)星資料和多普勒天氣雷達資料進行三維云分析，構(gòu)造一個高分辨率的三維初始云場和降水場，再通過濕絕熱或非絕熱初始化方案進行熱力調(diào)整。 ADAS復(fù)雜云分析系統(tǒng)對于雷達反射率因子的調(diào)整，是將雷達觀測范圍內(nèi)的反射率因子值（已插值到模式網(wǎng)格坐標上）和閾值相比較，低于閾值，該點視為晴空，高于閾值，則對該點在三維空間上的濕度、云水、雨水、冰、雪和雹等水凝物含水量進行局部調(diào)整。

2個例選取及模式設(shè)計

2.1個例選取

2019年6月4日20∶00—5日20∶00（北京時，以下同），重慶地區(qū)出現(xiàn)了一次自西向東的強對流天氣過程，最大累計雨量137 mm，最大小時雨強81 mm h-1（" ·），并伴有廣泛分布的短時強降雨和雷電活動以及顯著的地面大風(fēng)帶。短時強降雨和地閃活動以重慶西部地區(qū)最為顯著，雷暴大風(fēng)于6月5日04：00左右自重慶西部出現(xiàn)，逐漸向東移動，最大風(fēng)速出現(xiàn)在銅梁區(qū)，達30.3 m ·s-1。強降雨及雷暴大風(fēng)造成數(shù)萬人及數(shù)千公頃農(nóng)作物受災(zāi)，給人民的生產(chǎn)生活造成了嚴重影響。

從2019年6月5日02∶00環(huán)流形勢場（圖1）可以看出，500 hPa高空槽位于四川盆地中部，整層可降水量在盆地中部超過60 kg·m-2，重慶主要位于高空槽前的上升氣流區(qū)；700 hPa存在西南低空急流，具有較強的輻合和充沛的水汽供應(yīng)，四川東北部和陜西的相對濕度達到了95%；850 hPa西南低渦位于盆地中部，氣流輻合區(qū)的相對濕度可達85%。以上分析表明，充足的水汽輸送和輻合上升運動為重慶地區(qū)颮線天氣過程提供了有利條件。

颮線出現(xiàn)前，4日20∶00距離對流區(qū)最近的宜賓和沙坪壩站探空顯示（圖略），宜賓站對流有效位能CAPE為356 J·Kg-1，沙瓦特指數(shù)SI為-1.4℃，沙坪壩站CAPE達到1800 J·Kg-1，具備一定的不穩(wěn)定性及充足的對流有效位能。宜賓站925—500 hPa垂直風(fēng)切變約10 m ·s-1，沙坪壩站925—500 hPa垂直風(fēng)切變超過14 m·s-1，達到中等的垂直風(fēng)切變。且兩站上空850—500 hPa風(fēng)向均為順轉(zhuǎn)，具有明顯的暖平流，沙坪壩站具有顯著的中層干空氣。颮線天氣發(fā)生前，對流區(qū)域具有中等的垂直風(fēng)切變和充足的CAPE，有利于颮線的發(fā)生發(fā)展。

2.2試驗設(shè)計及資料

本文采用 WRF-ARW 4.1和 ARPS模式的同化模塊分別作為預(yù)報模式和資料同化系統(tǒng)，模擬投影采用 Lambert 投影，標準緯度為20°N 和40°N，標準經(jīng)度為106.5°E，采用2700 m、900 m、300 m三層單向嵌套，格點數(shù)分別為1501×1201、1201×1201、901×901，中心點經(jīng)度為104.5°E、106.58°E，緯度為30°N、29.8°N，垂直方向?qū)訑?shù)為81層，模式層頂為50 hPa（圖2）。三層網(wǎng)格采用相同的物理參數(shù)化方案：3D-TKE邊界層方案（Zhang et al.，2018）、Morrison（2 moments）微物理方案、 CAM長波、短波輻射方案、Unified Noah陸面過程。使用歐洲中心ERA5資料（分辨率0.25°×0.25°）作為模擬初始場和側(cè)邊界條件。

為探討不同模式水平分辨率下的雷達資料同化對本次颮線過程模擬的影響，本研究共設(shè)置2組試驗方案。

（1）控制試驗：通過 WPS （WRF Preprocessing Sys- tem）初始化模塊插值處理0.25°×0.25° ERA5再分析資料，得到2019年6月4日20∶00的插值場作為初始背景場，向后積分12 h 到6月5日08∶00，模式結(jié)果每30min 輸出一次。模擬的d02區(qū)域試驗命名為CTL-900 m，d03區(qū)域為CTL-300 m；

（2）同化試驗：在控制試驗基礎(chǔ)上，在4日20∶00采用 ARPS-3DVAR 同化雷達徑向速度資料，采用云分析方法同化雷達反射率因子，利用 WRF 預(yù)報至4日21∶00，基于預(yù)報場再循環(huán)同化21∶00的雷達資料，獲得分析場；隨后模式向后積分11 h到6月5日08∶00。同化試驗d02區(qū)域命名為RFRV-900 m，d03區(qū)域命名為RFRV-300 m。

其中雷達資料主要來自四川省及其周邊地區(qū)的5部多普勒雷達，包括成都、宜賓、萬州、達州、南充（圖2），雷達資料已采用ARPS模式中的控制程序進行質(zhì)量控制，包括異常值剔除、地物雜波等剔除、資料稀疏化（Brewster et al.，2005）。

3結(jié)果與分析

3.1雷達資料同化對分析場的改進

為更好地了解雷達資料同化對模式分析場的調(diào)整改進作用，對同化后的組合反射率因子、水平風(fēng)場以及水凝物場的變化進行分析。

3.1.1雷達回波分析

圖3為2019年6月4日21∶00模式水平分辨率分別為900 m、300 m下雷達資料同化前后模式模擬的雷達組合反射率與觀測值的對比。從實況來看，四川中部區(qū)域出現(xiàn)線性回波帶，中心強度可達50 dBz以上，在回波帶的后方有小范圍的層云降水回波區(qū)，回波強度為30～40 dBz。從控制試驗來看，CTL-900 m未能模擬出位于四川中部的層云降水回波，且 CTL-900 m和 CTL-300 m均在四川成都附近出現(xiàn)了虛假的強回波中心。雷達資料同化顯著改善了雷達回波的模擬， RFRV-900 m和 RFRV-300 m模擬的回波形態(tài)和位置都與實況較為一致。

3.1.2對水平風(fēng)場和水凝物場的影響

圖4為2019年6月4日21∶00雷達同化試驗?zāi)M的不同高度層的水平風(fēng)以及3 km高度層的水汽混合比（qv）的水平差值場（同化試驗減控制試驗），對比水平風(fēng)差值場的結(jié)果發(fā)現(xiàn)，兩種模式分辨率下的同化試驗在700 hPa和500 hPa來自四川東部的偏北氣流明顯增強，在700 hPa四川盆地中部附近有明顯的氣旋性渦度增強，低渦兩側(cè)冷暖氣流匯合顯著，有利于低渦區(qū)域?qū)α鞯陌l(fā)展，促進颮線的發(fā)生發(fā)展。

水凝物的準確分布對數(shù)值模式的微物理過程至關(guān)重要（薛諶彬等，2017；王洪等，2015）。兩種模式分辨率下的雷達資料同化對水汽含量分布都有一定的改善，其中在重慶西北部和四川交界區(qū)域的水汽含量顯著增強，與來自四川東部的偏北氣流增強區(qū)域（圖4）相對應(yīng)。綜上可知，同化雷達資料后，水汽輸送增強，風(fēng)場輻合增強，為觸發(fā)颮線的發(fā)生提供了強有利條件。

3.2雷達資料同化對預(yù)報場的改進

3.2.1組合反射率因子

圖5是兩種模式水平分辨率下雷達資料同化前后模式模擬的雷達組合反射率與觀測值的對比。從實況來看，6月5日01∶00開始，重慶西部與四川交界地帶之間產(chǎn)生零散對流單體，對流單體開始緩慢發(fā)展，04∶00，對流單體連接成片，形成線狀強回波帶，中心強度達55 dBz以上，并迅速向東南方向移動，颮線強烈發(fā)展，組織化程度不斷增強，逐漸形成弓形回波（圖5a2），颮線在05∶00左右達到最強，在弓形回波后部出現(xiàn)8級以上的地面瞬時大風(fēng)區(qū)，之后回波開始逐漸減弱，06∶00弓形回波移至團狀層云降水回波的東側(cè)，其北段減弱分離，弓形回波形態(tài)逐漸消失，之后強降水系統(tǒng)繼續(xù)東移，09∶33以后逐漸移出重慶，強度減弱。

對比不同分辨率下的未同化試驗結(jié)果，CTL-900 m 試驗（圖5b1—b4）的回波由西北向東南移動，與實況較為一致，但回波強度和范圍均偏小；CTL-300 m 試驗（圖5d1—d4）在重慶北部地區(qū)出現(xiàn)較多虛假強回波，模擬的強回波區(qū)分散，與觀測偏離較大，未能模擬出颮線的線性回波特征和發(fā)展過程。整體來看，在模式不同化的情況下，模式分辨率從900 m提高到300 m，模擬結(jié)果并無有效改善。從不同模式水平分辨率下使用雷達資料同化的對比可以發(fā)現(xiàn)，兩種分辨率下同化雷達后的模擬效果相比同化前，回波強度、大小和落區(qū)都有顯著提升，其中 RFRV-900 m （圖5c1—c4）模擬的回波強度明顯增強，強回波區(qū)位置與實況較為接近，但回波結(jié)構(gòu)仍較松散，不能呈現(xiàn)較好的組織形態(tài)，隨著模式水平分辨率的提高，RFRV-300 m對雷達回波預(yù)報的改善更為明顯，基本模擬出颮線的初生、發(fā)展和消亡的演變過程（圖5e1—e4），模擬的颮線于04∶30左右形成，呈東北—西南帶狀結(jié)構(gòu)，位置和強度與觀測接近，線狀強對流回波區(qū)在南北方向尺度較實況偏大，在05∶00左右颮線達到成熟階段，隨后開始減弱消亡，整個颮線生命周期與實況較為一致?？梢姡走_資料同化能有效地改善颮線系統(tǒng)的回波結(jié)構(gòu)、強度、大小和落區(qū)，且使用雷達資料同化下，同時提高模式分辨率，能進一步提高模式模擬效果。

3.2.2降水分布特征

圖6為實況和不同模式分辨率下雷達資料同化前后的3 h累計降水分布圖，從6月5日00∶00—03∶00實況降水看出，雨帶走向與颮線系統(tǒng)線狀強回波方向一致，呈東北—西南走向，在內(nèi)江及周邊地區(qū)有強降水中心，3 h累計雨量大于50 mm，03∶00—06∶00，雨帶向東推進，強雨帶范圍變大，重慶西北部有3 h降水量大于65 mm的強降水中心。CTL-900 m試驗預(yù)報的降水落區(qū)和實況較一致，但降水強度弱，RFRV-900 m試驗雖明顯提高了降水強度，但強雨帶位置和形態(tài)與實況不符。CTL-300 m模擬效果較差，未能模擬出本次強降水過程的雨帶分布特征，而 RFRV-300 m同化試驗較好地模擬出了本次降水過程的主要雨帶位置、形狀和雨帶推進等特征?？傮w來看，RFRV-300 m試驗更好地模擬出本次颮線降水過程。

為定量比較各個試驗的降水預(yù)報準確性，對各個試驗的逐3 h累計降水進行TS、BIAS評分（圖7）。對于兩種不同分辨率下的控制試驗：在6月4日21∶00—5日00∶00的3 h累計降水中，CTL-300 m大雨（10 mm）及以上量級降水的 TS 評分較 CTL-900 m 有所提高，CTL-300 m和CTL-900 m的BIAS評分總體相當，降水頻率都高于實況；在5日00∶00—03∶00的3 h累計降水中，CTL-300 m除在中雨量級降水TS評分有明顯提升，其余降水閾值下的 TS 評分低于或略高于 CTL-900 m，CTL-300 m的降水頻率整體較實況偏低， CTL-900 m的降水頻率整體高于實況；在5日03∶00—06∶00的3 h累計降水中，CTL-300 m的TS評分整體低于或略高于 CTL-900 m，CTL-300 m的BIAS評分整體低于 CTL-900 m，在小雨和中雨量級的降水頻率有所改善，而在大雨及以上量級降水降水頻率較實況偏低。綜上表明提高模式分辨率有一定的限度，不進行雷達資料同化，只增加模式水平分辨率，對模式結(jié)果并無明顯改善。

對于兩種不同分辨率下的同化試驗：在6月4日21∶00—5日00∶00時的3 h累計降水中，RFRV-300 m 試驗在大雨及以上量級的TS評分都有所提升，其中暴雨量級（20 mm）降水TS評分較RFRV-900 m增幅達70%， RFRV-300 m和 RFRV-900 m的 BIAS評分總體相當，降水頻率都高于實況；在5日00∶00—03∶00的3 h累計降水中，RFRV-300 m試驗在大雨和暴雨量級的TS評分優(yōu)于RFRV-900 m，RFRV-300 m和RFRV-900 m的降水頻率都高于實況，RFRV-300 m 在大雨、暴雨和大暴雨量級的空報情況有所改善；在5日03∶00—06∶00的3 h 累計降水中，RFRV-300 m 試驗在所有降水量級上TS評分均比RFRV-900 m高，從不同降水閾值來看，小雨和中雨量級，RFRV-300 m略優(yōu)于RFRV-900 m ，對于大雨及以上量級降水來看，RFRV-300 m的TS評分有顯著提高，RFRV-300 m在暴雨量級降水評分相比 RFRV-900 m 增幅可達63%，RFRV-300 m 的降水偏差相比RFRV-900 m整體有所改善。

通過雷達反射率和逐3 h計降水的對比分析，整體而言，300 m水平分辨率的同化試驗預(yù)報效果最佳，較好地模擬了此次颮線系統(tǒng)的發(fā)展演變過程，由此可見，相比只提高模式水平分辨率，使用高分辨率的雷達資料同化改進初始場，并同時提高模式水平分辨率，后者對提高模式預(yù)報效果更為有效。

3.2.3動力和熱力特征

為了探究不同水平分辨率下雷達資料同化對此次颮線過程影響的內(nèi)在原因，下面首先從動力場和熱力場進行分析。圖8給出了2019年6月5日04∶30雷達同化試驗?zāi)M的不同高度層的水平風(fēng)差值場，比較結(jié)果發(fā)現(xiàn)，兩種模式分辨率下的同化試驗在850 hPa和700 hPa均顯示出颮線發(fā)生區(qū)域處的西北風(fēng)和東北風(fēng)有所增強，且隨著模式分辨率的提高，RFRV-300 m 試驗的西北風(fēng)顯著加強，形成明顯的后側(cè)入流急流，且東南風(fēng)也有所增強，風(fēng)場輻合明顯增強，更有利于颮線的發(fā)展。

為進一步分析不同水平分辨率下同化對風(fēng)場的影響， 圖9給出了各個試驗沿著圖5a2中的黑色線的雷達反射率和u －w 矢量風(fēng)場垂直剖面。由雷達實況反射率知，此時為颮線發(fā)展旺盛期，但控制試驗?zāi)M的對流發(fā)展很弱，沒有明顯垂直上升運動，最強回波僅達45 dBz；兩種分辨率下的同化試驗在實際颮線位置均模擬出懸垂回波，颮線前側(cè)的西南暖濕氣流和颮線后側(cè)的西北氣流在對流區(qū)輻合形成強烈的上升運動，雷達回波從地面一直延伸到14 km 以上，其中 RFRV-300 m 強對流中心中高度可達10 km，中心強度達55 dBz以上，該強對流區(qū)上升氣流的量值和范圍都大于 RFRV-900 m同化試驗，說明加強模式分辨率下同化雷達資料使得模式模擬的垂直運動進一步加強，為颮線的發(fā)展提供了有利的動力條件。

研究表明，近地面冷池與颮線前方的低層風(fēng)切變相互作用，會觸發(fā)前沿空氣產(chǎn)生較強的垂直上升運動，進而影響颮線系統(tǒng)的維持和發(fā)展（Wakimoto，1982; Weisman et al.，1988；雷蕾等，2021）。從04∶30擾動位溫和假相當位溫的垂直剖面（圖10）可見，兩種分辨率下控制試驗未見有利于強對流維持和發(fā)展的熱力結(jié)構(gòu)，模擬的對流很弱；兩種分辨率下的同化試驗在實際颮線發(fā)生的后側(cè)都模擬出冷池，冷池中心最低擾動位溫可達-7 K，厚度可達1.5 km。結(jié)合模擬的0～3 km垂直風(fēng)切變特征（圖11）可發(fā)現(xiàn)，RFRV-300 m模擬的颮線前部存在較明顯的低層環(huán)境垂直風(fēng)切變，切變最大值可達28 m·s-1以上，切變強度大于 RFRV-900 m 的模擬結(jié)果，RFRV-300 m的深厚冷池伴隨著颮線前方低層較強的垂直風(fēng)切變，從而觸發(fā)前沿空氣產(chǎn)生較強的垂直上升運動（圖9），從擾動位溫的垂直剖面可看出（圖10d），上升的水汽凝結(jié)釋放大量潛熱，加熱了云團，使得 RFRV-300 m對流層中層有明顯的正溫度擾動區(qū)，這種正溫度擾動對維持對流發(fā)展有著重要作用。假相當位溫（θse）垂直分布可反映大氣的位勢不穩(wěn)定， RFRV-300 m 試驗?zāi)M的2 km 高度層以下形成θse 隨高度增大的穩(wěn)定層結(jié)，但在2～9 km 區(qū)間上大致為等θse 中性層結(jié)，表明該區(qū)域凝結(jié)潛熱大量釋放，這種θse 層結(jié)構(gòu)使得低層不穩(wěn)定層中一旦有擾動，上升運動將直達中性層，有利于颮線的發(fā)展與維持。

3.2.4水凝物分布特征

圖12為2019年6月5日04∶30的水汽混合比qv、雨水混合比qr、云水混合比qc的水平（3 km）和垂直差值場，從水平差值場來看，兩種模式分辨率下的雷達資料同化對水汽、雨水和云水含量分布有一定的改善，結(jié)合該時刻的雷達組合反射率（圖5c2）可以發(fā)現(xiàn)， RFRV-900 m 同化試驗在實際颮線出現(xiàn)的位置前側(cè)出現(xiàn)了虛假強對流中心，虛假強對流中心位置存在水汽和雨水的明顯增強；RFRV-300 m同化試驗的各水凝物的正差值大值區(qū)都主要位于實況颮線發(fā)生區(qū)域，其中水汽、雨水混合比更為明顯，最大正差值可達5 g kg-1（ ·）。

從垂直差值場來看，兩種模式分辨率下同化試驗的水汽混合比在8 km以下調(diào)整都較顯著，水平增加量區(qū)域范圍較廣，主要集中在緯向105.7－106.0°E，中心極值達7.0 g·kg-1以上；雨水的正差值垂直分布在6 km至地面范圍內(nèi)，正差值集中范圍與強雷達回波中心相對應(yīng)，增加量可達8.0 g·kg-1以上；云水的正差值范圍相對較小，中心極值可達4.0 g·kg-1以上。

綜合以上分析可知，300 m水平分辨率的雷達同化試驗在所有試驗中表現(xiàn)最優(yōu)，能夠較好地模擬對流單體風(fēng)暴的三維空間分布結(jié)構(gòu)及其演變過程，由此可見，使用雷達資料同化改進初始場，并同時提高模式水平分辨率，能有效增強中低層風(fēng)場的切變輻合特征，改進中低層水汽條件，加強強對流區(qū)的垂直運動，增強颮線附近的溫度梯度，使得模式對這次颮線過程的模擬能力明顯提高，比只提高模式水平分辨率或只進行雷達資料同化更為有效。

4結(jié)論與討論

采用WRF模式和ARPS-3DVAR三維變分同化系統(tǒng)及其 ADAS云分析同系統(tǒng)，針對2019年6月5日出現(xiàn)在重慶的一次颮線過程，探討不同模式水平分辨率下同化雷達反射率因子和徑向速度資料對此次颮線的改進效果，通過對預(yù)報場的物理要素進行分析，得到以下主要結(jié)論：

（1）未同化雷達資料的情況下，模式水平分辨率從900 m提高到300 m，控制試驗CTL的模擬結(jié)果無明顯改進。

（2）兩種模式水平分辨率下控制試驗 CTL均未能模擬出颮線的線性回波特征和發(fā)展過程，而同化雷達資料后的RFRV試驗對模擬效果都有一定改善，同化雷達反射率因子和徑向速度資料能在背景場中加入更多有效的中小尺度信息，能夠有效調(diào)整模式的動力熱力水汽條件，從而顯著提高模式對颮線過程的模擬效果。

（3）不同模式水平分辨率下進行雷達資料同化的模擬結(jié)果表明，使用雷達資料同化，同時將模式水平分辨率從900 m 提高到300 m，模擬結(jié)果顯著提升， RFRV-300 m試驗?zāi)軌蜉^好地模擬出此次颮線系統(tǒng)的發(fā)生發(fā)展和組織結(jié)構(gòu)等特征。因此，相比只提高模式水平分辨率或只進行雷達資料同化，使用雷達資料同化并提高模式水平分辨率，對提高模式預(yù)報效果更為有效。

需要指出的是，目前開展次公里尺度的數(shù)值模擬仍面臨很多挑戰(zhàn)，需要配合發(fā)展合適的同化方法，提供與高模式分辨率相協(xié)調(diào)的更優(yōu)的初始條件，也需要使用合理的參數(shù)化方案，特別是需要采用尺度自適應(yīng)的邊界層方案處理灰區(qū)等問題。此外，本文只針對一次颮線過程進行了初步研究，其結(jié)論尚有一定局限性，未來還將結(jié)合更多的颮線個例進行檢驗。

參考文獻（References）：

陳鋒，董美瑩，蘇濤，等，2020.雷達資料同化對一次浙江初春罕見颮線過程數(shù)值模擬的影響分析[J].氣象，46（4）：462-477. Chen F， Dong M Y， Su T， et al.2020. Influence of radar data assimilation on the numerical simulation of a rare squall line in Zhejiang Province in early spring [J]. Meteorological Monthly，46（4）：462-477（in Chinese）. doi：10.7519/j.issn.1000-0526.2020.04.002

何志新，江楊，邱學(xué)興，等，2015.多部多普勒天氣雷達資料同化對暴雨個例模擬的影響分析[J].暴雨災(zāi)害，34（2）：168-176. HE Z X， Jiang Y， Qiu X X， et al.2015. The effects of assimilation of multiple Doppler ra- dar data on the simulation of a heavy rain event [J]. Torrential Rain andDisasters，34（2）：168-176（in Chinese）.doi：10.3969/j.issn.1004-9045.2015.02.009

蔣宗孝，沈永生，蔣永成，等，2019.多普勒雷達資料同化在福建地區(qū)暴雨過程中的模擬試驗[J].高原氣象，38（3）：563-572. Jiang Z X， Shen Y S， Jiang Y C， et al.2019. Application of assimilation of Doppler radar da- ta on heavy rain simulating test in Fujian [J]. Plateau Meteorology，38（3）：563-572（in Chinese）. doi：10.7522/j.issn.1000-0534.2018.00155

雷蕾，孫繼松，陳明軒，等，2021.北京地區(qū)一次颮線的組織化過程及熱動力結(jié)構(gòu)特征[J].大氣科學(xué)，45（2）：287-299. Lei L， Sun J S， Chen M X， et al.2021. Organization Process and Thermal Dynamic Structure of a Squall Line in Beijing [J]. Chinese Journal of Atmospheric Sciences，45（2）：287-299（in Chinese）.doi：10.3878/j.issn.1006-9895.2005.19198

李國靜，徐幼平，成巍，等，2009.一次大暴雨過程的多普勒雷達資料同化的敏感性試驗[J].暴雨災(zāi)害，28（2）：3-9. Li G J， Xu Y P， Cheng W，et al.2009. Doppler radar data assimilation sensitivity experiment on a heavy rain event [J].28（2）：3-9（in Chinese）. doi：10.3969/j.issn.1004-9045.2009.02.001

彭菊香，謝元富，康兆萍，等，2020.改進的雷達資料同化方案在梅雨期暴雨預(yù)報中的應(yīng)用[J].高原氣象，39（5）：111-126. Peng J X， Xie Y F， Kang Z P， et al.2020. Application of an Improved Radar Data Assimi- lation Scheme in Heavy Rain Forecast in Meiyu Period [J]. Plateau Me- teorology，39（5）：1007-1022（in Chinese）. doi：10.7522/j.issn.1000-0534.2019.00091

盛春巖，浦一芬，高守亭，2006.多普勒天氣雷達資料對中尺度模式短時預(yù)報的影響[J].大氣科學(xué)，30（1）：93-107. Sheng C Y， Pu Y F， Gao S T.2006. Effect of Chinese doppler radar data on nowcasting output of me- soscale model [J]. Chinese Journal of Atmospheric Sciences，30（1）：93-107（in Chinese）. doi：10.3878/j.issn.1006-9895.2006.01.08

沈菲菲，束艾青，許冬梅，等， 2020.多普勒雷達資料同化對北京\"7·21\"大暴雨過程模擬的影響[J].沙漠與綠洲氣象， 14（2）：50-60. Shen F F， Su A Q， Xu D M，et al.2020. Influence of Doppler Radar Data Assimi- lation on Simulation of the Heavy Rain Process on July 21 in Bei- jing [J]. Desert and Oasis Meteorology，14（2）：50-60（in Chinese）. doi：10.12057/j.issn.1002-0799.2020.02.007

王洪，王東海，萬齊林，2015.多普勒雷達資料同化在“7.21”北京特大暴雨個例中的應(yīng)用[J].氣象學(xué)報，73（4）：679-696. Wang H， Wang D H， Wan Q L.2015. Application of assimilating Doppler weather radar da- ta in the \"721\" Beijing excessive storm [J]. Acta MeteorologicaSinica， 73（4）：679-696（in Chinese）. doi：10.11676/qxxb2015.048

薛諶彬，陳嫻，吳俞，等，2017.雷達資料同化在局地強對流預(yù)報中的應(yīng)用[J].大氣科學(xué)，41（4）：673-690. Xue C B， Chen X， Wu Y， et al.2017. Application of radar data assimilation in local severe convective weath- er forecast [J]. Chinese Journal of Atmospheric Sciences，41（4）：673-690（in Chinese）. doi：10.3878/j.issn.1006-9895.1608.15288

張林，倪允琪，2006.雷達徑向風(fēng)資料的四維變分同化試驗[J].大氣科學(xué)， 30（3）：433-440. Zhang L， Ni Y Q.2006. Four-dimensional variationaldata assimilation of radar radial velocity observations [J]. Chinese Jour- nal of Atmospheric Sciences，30（3）：433-440（in Chinese）. doi：10.3878/j. issn.1006-9895.2006.03.07

鄭永光，張小玲，周慶亮，等，2010.強對流天氣短時臨近預(yù)報業(yè)務(wù)技術(shù)進展與挑戰(zhàn).氣象，427（7）：33-42. Zheng Y G， Zhang X L， Zhou Q L， et al.2010. Review on severe convective weather short-term forecasting and nowcasting [J]. Meteorology Monthly，427（7）：33-42（in Chinese）. doi：10.7519/j.issn.1000-0526.2010.07.008

Ban N， Schmidli J， Sch?r C.2014. Evaluation of the convection-resolving regional climate modeling approach in decade-long simulations [J]. Journal of Geophysical Research： Atmospheres，119（13）：7889-7907. doi：10.1002/2014JD021478

Bratseth A M.1986. Statistical interpolation by means of successive correc- tions [J]. Tellus Series A-Dynamic Meteorology and Oceanography，38（5）：439-447. doi：10.1111/j.1600-0870.1986.tb00476.x

Brewster K， Hu M， Xue M. et al.2008.2005a： Efficient assimilation of radar data at high resolution for short-range numerical weather predic- tion [C]// World Weather Research Program Symposium on Nowcasting amp; Very Short-range Forecasting.

Brooks H E， Doswell C A， Maddox R A.1992. On the Use of Mesoscale and Cloud-Scale Models in Operational Forecasting [J]. Weather and Fore- casting，7（1）：120-132. doi：10.1175/1520-0434（1992）0072.0.CO;2

Bryan G H， Wyngaard J C， Fritsch J M.2003.Resolution requirements for the simulation of deep moist convection [J]. Monthly Weather Review， 131（10）：2394-2416.doi：https：//doi.org/10.1175/1520-0493（2003）131lt;2394：RRFTSOgt;2.0.CO;2

Gao J， Stensrud D J.2014. Some Observing System Simulation Experiments with a Hybrid 3DEnVAR System for Storm-Scale Radar Data Assimi- lation [J]. MonthlyWeather Review，142（9）：3326-3346. doi：10.1175/MWR-D-14-00025.1

Guichard F， Petch J C， Redelsperger J L， et al.2004.Modelling the diurnal cycle of deep precipitating convection over land with cloud-resolving models and single-column models [J]. Quarterly Journal of the Royal Meteorological Society： A journal of the atmospheric sciences， applied meteorology and physical oceanography，130（604）：3139-3172. doi：10.1256/qj.03.145

Harnisch F， Keil C.2015. Initial conditions for convective-scale ensemble forecasting provided by ensemble data assimilation [J]. Monthly Weath- er Review，143（5）：1583-1600. doi：10.1175/MWR-D-14-00209.1

Hu M， Xue M， Brewster K.2006.3DVAR 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]. Monthly Weather Review，134（2）：675-698. doi：https：//doi.org/10.1175/MWR3092.1

Hu M， Xue M.2007.Impact of Configurations of Rapid Intermittent Assimi- lation of WSR-88D Radar Data for the 8 May 2003 Oklahoma City Tornadic Thunderstorm Case [J]. Monthly Weather Review，135（2）：507-525. doi：10.1175/mwr3313.1

Prein A F， Holland G J， Rasmussen R M， et al.2013.Importance of regional climate model grid spacing for the simulation of heavy precipitation in the Colorado headwaters [J]. Journal of climate，26（13）：4848-4857. doi：10.1175/JCLI-D-12-00727.1

Snyder C， Zhang F.2003. Assimilation of simulated Doppler radar observa- tions with an ensemble Kalman filter [J]. Monthly Weather Review，131（8， Part 1）：1663. doi：https：//doi.org/10.1175//2555.1

Sun J， Flicker D W， Lilly D K.1991.Recovery of three-dimensional wind and temperature fields from simulated single-Doppler radar data [J]. Journal of Atmospheric Sciences，48（6）：876-890

Sun J，Crook N A.2001. Real-Time Low-Level Wind and Temperature Anal-"""""" ysis Using Single WSR-88D Data [J]. Weather and Forecasting，16（1）：""" """""" 117-132.doi：10.1175/1520-0434（2001）016lt;0117：RTLLWAgt;2.0.CO;2 Sun J， Trier S B， Xiao Q，et al.2011. Sensitivity of 0-12-h Warm-Season "" Precipitation Forecasts over the Central unitsed States to Model Initial- ization [J]. Weather and Forecasting，27（4）：436-8. doi：10.1175/WAF-D-11-00075.1

Tong M， Ming X.2008.Simultaneous Estimation of Microphysical Parame- ters and Atmospheric State with Simulated Radar Data and Ensemble Square Root Kalman Filter. Part II： Parameter Estimation Experi- ments [J]. Monthly Weather Review， 136（5）：1630-1648. doi：10.1175/2007MWR2071.1

Wakimoto R M.1982. The Life Cycle of Thunderstorm Gust Fronts as """"" Viewed with Doppler Radar and Rawinsonde Data [J]. Monthly Weather """""" Review，110（8）：1060-1082. doi：10.1175/1520-0493（1982）1102.0.CO;2 Wang H， Sun J， Zhang X， et al.2013. Radar Data Assimilation with WRF """" 4D-Var.Part I： System Development and Preliminary Testing [J]. Monthly Weather Review，141（7）：2224-2244. doi：10.1175/MWR-D-12-00168.1

Wattrelot E， Caumont O， Mahfouf J F.2013. Operational Implementation of the 1D+3D-Var Assimilation Method of Radar Reflectivity Data in the AROME Model [J]. Monthly Weather Review，142（5）：1852-1873. doi：10.1175/MWR-D-13-00230.1

Weisman M L.1988. Structure and Evolution of Numerically Simulated Squall Lines [J]. Journal of Atmospheric Sciences，45（14）：1990-2013. doi：https：//doi.org/10.1175/1520-0469（1988）045lt;1990：SAEONSgt;2.0. CO;2

Xiao Q，Sun J.2007. Multiple-Radar Data Assimilation and Short-Range Quantitative Precipitation Forecasting of a Squall Line Observed dur- ing IHOP_2002[J]. Monthly Weather Review，135（10）：3381-3404. doi：10.1175/MWR3471.1

Xue M， Tong M， 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]. Journal of Atmospheric and Oceanic Technology，23（1）：46-66. doi：10.1175/JTECH1835.1

Zhang F，Snyder C， Sun J.2004. Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter [J]. Monthly Weather Review，132（5）：1238-1253. doi：10.1175/1520-0493（2004）132lt;1238：ioieaogt;2.0.co;2

Zhang J.1999. Moisture and diabatic initialization based on radar and satel- lite observations [M]. The University of Oklahoma.

Zhao K， Ming X.2009. Assimilation of coastal Doppler radar data with the ARPS 3DVAR and cloud analysis for the prediction of Hurricane Ike （2008）[J]. Geophysical Research Letters，36（12）. doi：10.1029/2009GL038658

Zhang X， Bao J W， Chen B， et al.2018.A Three-Dimensional Scale-adap- tive Turbulent Kinetic Energy Scheme in the ARW-WRF Model [J]. Monthly Weather Review，146（7）：2003-2045. doi：10.1175/MWR-D-17-0356.1

（責(zé)任編輯閔愛榮）