英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

同化GNSS-PWV与NCAR-RTFDDA以改进登陆台风预测

Haishen Wang 1,2, Yubao Liu 2,3,* , Yuewei Liu 2, Yunchang Cao 1, Hong Liang 1, Heng Hu 1, Jingshu Liang 1and Manhong Tu 1

1Meteorological Observation Centre of China Meteorological Administration, Beijing100081,China;whsaoc@cma.gov.cn (H.W.); caoyc@cma.gov.cn (Y.C.); liangh@cma.gov.cn (H.L.); huheng@cma.gov.cn (H.H.); ljsh_0423@163.com (J.L.); tmhaoc@cma.gov.cn (M.T.)

2National Center for Atmospheric Research (NCAR), Boulder, CO 80307, USA; yueliu@ucar.edu

3Precision Regional Earth Modeling and Information Center, Nanjing University of Information Science amp; Technology, Nanjing 210044, China

*Correspondence: ybliu@nuist.edu.cn; Tel.: 86-025-58235985

摘要：从地面全球导航卫星系统(GNSS)站获取导航卫星系统信号的可降水量水汽(PWV)可提供高空间和时间分辨率的大气水汽。在本文中，基于观测张驰的实时四维数据同化(RTFDDA)方法用于将GNSS观测估计的PWV同化到WRF（天气研究和预测）建模系统中。选择登陆台风“山竹”来评估GNSS-PWV数据同化对其轨迹、强度和降水预测的影响。结果表明，RTFDDA可以将GNSS-PWV数据同化到WRF中，以改善与台风相关的水汽分布。同化GNSS-PWV改进了台风登陆时和登陆后的台风轨迹和强度预测，纠正了对登陆时台风中心压力的5-10hPa高估（过深）。它还改善了主要台风螺旋雨带的发生率和强度。

关键词：全球导航卫星系统；大气可降水量；同化; 观测张驰；RTFDDA；台风

1.引言

水汽是大气中最重要的成分之一，在地球气候系统的能量和水循环中起着关键作用。它也是灾害性天气形成和演变的重要因素。水汽的时空分布对大气稳定性以及云和降水的形成具有重要的指示意义。地基GNSS（全球导航卫星系统）遥感通过获取导航卫星系统信号来测量大气水汽信息。基于地面的GNSS水汽探测网络提供水汽数据，弥补了传统的每日两次探测在时间和空间上的巨大差距^[1,2]。复合卫星导航系统的最新发展使地面GNSS站能够提供丰富的水汽数据^[3]。

当代数值天气预报模型在日常天气预报和天气研究中发挥着重要作用。利用天气观测进行数据同化和模型初始化是影响模型预报性能关键模型的组成部分之一。通过结合更多现代遥感新技术进行观测，可以进一步提高数值模型的精度，这是提高数值预报精度的重要途径。地基GNSS遥感水汽探测在数值预报中的应用越来越受到重视。在过去的二十年中，已经开发了几种方法来将GNSS数据同化到数值天气预报模型中。Kuo等人研究了一种将可降水水汽(PWV)同化为中尺度模型的“剖面处理”方法。通过基于理想化观测系统模拟实验(OSSE)方法的同化实验，Kuo等人发现PWV数据同化对预测对流可能产生影响^[4]。Cucurull等人使用3DVAR（三维变分）方法同化GPS-PWV，来模拟西地中海的强降水过程。结果表明，GPS-PWV数据在调整湿度场的同时改善了对风和温度的预测^[5]。Kuo等人，Guo等人，DePondeca和Zou以及Ha等人，使用中尺度模型版本5(MM5)模型测试了4DVAR（四维变分）方法，以同化GPS-PWV并显着改善对流系统的降水预报^[6-10]。Smith等人，Guo等人，Zus等人，Kawabata等人，Jauml;rvinen等人、Vedel和Huang以及Memmo等人都发现将GPS-PWV或天顶对流层延迟同化到数值预报模型中有助于改进湿度、温度和风的分析以及降水预报^[11-17]。Benjamin等人的研究结果表明GPS-PWV资料同化对台风短期预报有积极贡献^[18]。

过去10年里，中国建设了许多GNSS观测站。中国气象局建立了多个GNSS网络，包括“气象监测与灾害预警工程”、“中国地壳运动观测网”和地方省级GNSS综合应用网。通过建设和数据共享工作，中国气象局已经建成了实时业务数据采集系统。该系统在全国范围内收集和监测1164个GNSS观测数据，以监测对流层和电离层。该系统能够在1小时延迟内获得GNSS观测并检索PWV。评估同化技术并开发一种有效的算法将这些GNSS观测数据同化到天气预报模型中具有极大的意义。

张驰同化技术是一种高效的四维同化技术，已广泛应用于中尺度业务预报^[19-21]。张驰方法具有三个主要优点。（1）它只需要在数值天气预报模型的预测方程中增加一个趋势项，并且计算效率非常高；（2）它可以有效和连续地同化高时间频率的观测数据；（3）模型预测达到了自旋和动力学物理一致的初始条件。张驰方法的主要缺点是它不直接支持对不是模型预测变量的观察变量进行同化。Anthes等人介绍了一种张驰同化方法^[22]。Stauffer等人，Seaman等人，Warner等人，Pacione等人和Grell等人^[10]测试了MM5中的张驰方法^[23-29]。Liu等人将该方法应用于WRF并开发了实时四维数据同化系统（RTFDDA）^[30-32]。RTFDDA支持全球20多个短期预报系统^[33-36]。

本文采用类似于Kuo等人的“剖面处理方法”对GNSSPWV数据进行分层，即在被同化为WRF-RTFDDA之前，从GNSS观测估计的PWV中获取模型垂直层上的水汽混合比，然后通过观测推动的四维数据同化模块将其同化到WRF，最后使用自动气象站(AWS)的观测评估将GNSS-PWV数据同化到WRF后对登陆台风的预测效果^[4]。

2.GNSS-PWV同化方法和模型设置

2.1GNSS-PWV数据同化算法

张驰方法需要对模型状态变量进行渐进式增量调整，以纠正模型状态与观察结果的偏离^[37]。微调方法之一是观察微调，这是牛顿松弛的一种形式，其中将人工观察校正项引入模型预测方程中，以微调模型预测状态以与观察到的现实保持一致。观测微调是一种连续的数据同化方法，在给定的同化时间窗口内应用于模型集成的每个时间步^[38]。带有观察微调的模型预测方程是：

（1）

其中代表被张驰的模型预测变量，是干静水压力，代表方程的物理趋势项，是的张驰系数，是观测总数，是当前观测值指数，Wq是基于观测值与当前模型积分时间和位置的时空分离的时空加权函数，是变量的观测值，是的模型值内插到观测位置。

在观测张驰同化中，可以直接同化的变量包括温度、风、水汽混合比等。地基GNSS遥感测量的水汽是PWV的形式，不是模型预测变量，因此不能直接用张驰法同化。因此，PWV需要经过适当的处理，转化为水汽混合比才能被同化。本文采用类似于Kuo等人提出的方法^[4]。利用GNSS-PWV反演模型垂直层的水汽混合比，然后将其同化到WRRFRTFDDA模型中。下面是该算法的简要说明。

首先，通过对第i次观测位置的模型柱中的水汽积分计算模型PWV。

（2）

式中Ps为地表压力，Pt为模型顶部压力，g为重力加速度，为第k层厚度，为模型水汽混合比，N为层数。

第二步是计算观察创新（即观察到的PWV和模型PWV之间的差异）。假设模型湿度场的垂直剖面结构保持不变，观测到的PWV与模型PWV的差值按比例分布到列中模型的每一层：

（3）

为防止模型层过饱和，若大于饱和水汽混合比，则取该值作为饱和水汽混合比，多余的水汽向相邻层分布。重复该再分布过程以获得最终的拟水汽混合比观测剖面。

2.2.案例描述与实验设计

选择2018年发生的强台风“山竹”进行GNSSPWV数据同化实验示范。台风“山竹”于2018年9月7日12:00UTC在西北太平洋海面产生。它于2018年9月16日09:00UTC在中国广东省台山市登陆。“山竹”登陆时，中心附近的最大风力达到45m/s，中心压力为955hPa。2018年9月16日至18日，广东珠三角地区出现风速28～45米/秒的大风，暴雨量300～497毫米，造成重大经济损失。

模型域设置用于模拟“山竹”从2018年8月15日09:00UTC到2018年8月16日21:00UTC，跨越接近华南和登陆的时期。模拟区域的中心在22.57°N和113.08°E。该模型使用三层嵌套网格，具有34个垂直拉伸的层次。三个域的网格点数分别为125times;125、178times;169、277times;277，网格间隔分别为9、3、1km（图1）。在本研究中，采用的模型微物理方案是WSM6，辐射方案是RRTMG，积云参数化方案是Grell-Freitas，地表过程方案是Noah，边界层方案是YSU，近地表层方案是Monin-Obukhov^[39-43]。横向边界条件和初始场使用NCEP/GFS（国家环境预测中心/全球预测系统）预测构建，水平分辨率为0.5°times;0.5°，时间间隔为3小时。

设计了三个模拟实验，均运行36h。第一个是对照实验（CTRL），不同化任何数据；第二个（GNSS）同化整个模拟期间观测到的PWV数据；第三个（FCST）在0-24小时同化观测到的PWV数据，然后继续12小时预测。给出了实验的时间信息。

图1.模型域配置（d01、d02和d03的水平网格间隔分别为9、3和1km）

3.实验中使用的数据

图2显示了模型域中可用的GNSS和国家AWS站的分布。这些GNSS站的测量值用于计算这些站的每小时PWV，然后将PWV同化为WRF-RTFDDA。AWS报告了气压、温度、风速和每小时降雨量，用于验证建模实验的模拟结果。GNSS和AWS数据的时间间隔为1h，本研究使用的数据为2018年9月15日09:00UTC至2018年9月16日21:00UTC。所有GNSS和AWS数据均可从中国气象局（CMA）。应该注意的是，实时GNSS和AWS数据是在CMA和许多全球气象中心处理的。本文讨论的数据同化算法支持实时数据同化和历史案例研究。

GNSS数据信号源是美国的GPS星座。GAMIT（麻省理工学院GPS分析）软件用于处理GNSS数据。使用GAMIT，天顶对流层延迟是根据GNSS观测计算得出的。然后，从天顶对流层延迟中减去静水延迟，得到湿延迟。最后根据PWV与湿延迟的转换关系得到PWV^[44]。

图2.观测站分布：(a)GNSS站，(b)AWS站

4.GNSS-PWV同化对水汽的影响

我们首先研究了GNSSPWV数据同化对台风“山竹”内核区域水汽的影响。图3a、b显示了2018年9月16日09:00UTC时CTRL和GNSS实验的PWV，而“山竹”在中国广东省登陆。

图3.2018年9月16日09:00UTC模型PWV（颜色阴影）与观察到的PWV（实心圆圈）之间的比较：（a）来自CTRL实验的PWV，（b）来自GNSS实验的PWV，（c)CTRL和GNSS实验之间PWV的差异，(d)来自CTRL实验的模型PWV与在放大的台风“山竹”的内核区域中观察到的PWV的叠加，以及(e)的叠加来自GNS

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[587847]，资料为PDF文档或Word文档，PDF文档可免费转换为Word