WRF-EnSRF系统同化多普勒雷达资料在多类型强对流天气过程的数值试验

陈杰，闵锦忠，王世璋，王孝慈

(1.94701部队，安徽安庆246001;2.南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京210044)

WRF-EnSRF系统同化多普勒雷达资料在多类型强对流天气过程的数值试验

陈杰1，2，闵锦忠2，王世璋2，王孝慈2

(1.94701部队，安徽安庆246001;2.南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京210044)

利用自主构建的基于风暴尺度的WRF-EnSRF(weather research and forecasting ensemble square root filter)系统同化实际多普勒雷达资料，检验该同化系统在包括飑线、超级单体风暴和多单体风暴3个不同结构类型的强对流天气过程的同化效果，并考察了初始场扰动时不同强度的位温和水汽扰动对集合离散度以及同化效果的影响。结果表明，在3个个例中该同化系统均表现出有效的同化能力，各分析结果均比较合理，径向速度和反射率因子分析的增量均方差在经过24 min同化后分别下降到3～5 m/s和10 dBz，并维持至60 min同化结束。预报场集合离散度和同化效果对热力场的扰动强度比较敏感，适当增加初始扰动时位温和水汽的扰动强度有利于提高集合离散度和改善径向速度的分析效果。

EnSRF;风暴尺度;多普勒雷达资料

0 引言

风暴尺度数值预报对于强对流天气系统三维风场与热力场的模拟和重建一直是大气科学中难以解决的难题。多普勒天气雷达几乎是能够探测到风暴尺度系统三维信息的唯一工具，因此很多研究集中于雷达资料的反演和同化上(Sun and Crook，1997，1998)。本文利用基于WRF(weather research and forecasting)模式开发的集合平方根滤波(ensemble square root filter，EnSRF)同化系统，对3个不同结构类型的强对流天气过程进行多普勒雷达资料同化。

Evensen(1994)首次把集合卡尔曼滤波(ensemble Kalman filter，EnKF)应用到海洋同化领域中，EnKF是一个用蒙特卡罗的短期集合预报方法来估计预报误差协方差的四维同化方法。Houtekamer and Mitchell(1998)把EnKF引入到大气资料同化系统，并进行了一系列研究。Snyder and Zhang(2003)验证了EnKF应用于风暴尺度同化的潜力。EnKF可以通过一组有限集合成员统计出具有流依赖性质的背景误差协方差，并且不需要预报模式的切线性模式和伴随模式，可以和模式相互独立，易于移植和维护，越来越受到人们的重视。目前针对EnKF的研究主要集中于模拟雷达资料同化上(Snyder and Zhang，2003;Zhang et al.，2004;Tong and Xue，2005;Xue et al.，2006)。Tong and Xue(2005)在ARPS模式上构建了EnKF系统并进行模拟雷达同化试验，结果表明，通过联合同化反射率因子和径向速度，风暴系统结构可以很好的重建。许小永等(2006)利用EnKF在云模式中同化模拟雷达观测，并考察了不同条件下的同化效果。兰伟仁等(2010a，2010b)也利用一次风暴过程的模拟多普勒雷达资料进行一系列敏感性试验，并且探讨了EnKF在有显著模式误差的情况下同化模拟多普勒雷达资料的效果问题。针对实际雷达资料的EnKF研究还比较少，早期Dowell et al.(2004)用EnKF同化了实际的雷达观测资料。Tong(2006)在龙卷雷暴个例中应用了EnKF同化实际雷达资料，对比了同化单雷达资料与双雷达资料的效果。Aksoy et al.(2009)利用DART系统(Anderson and Collins，2007)在三类风暴尺度天气过程中同化实际雷达资料，考察了系统在各类型个例中的同化性能。

由于EnSRF能够避免传统的EnKF中由于观测扰动带来的采样误差而导致的分析误差协方差低估的问题(Whitaker and Hamill，2002)，因此，本文在WRF模式上构建WRF-EnSRF同化系统，并利用该系统在3个不同类型(飑线、超级单体风暴和多单体风暴)的独立的强对流天气过程中同化多普勒雷达资料，进而考察系统在风暴尺度的同化性能。

对流风暴是大气中不稳定能量释放的产物，它的发生发展与其环境的热力结构必然有密切联系。在EnKF的研究中，预报场的集合离散度不足是一个普遍的问题(Aksoy et al.，2009)。因此，考虑到初始场中热力场的不确定性与预报场的集合离散度应该有密切关系，本文考察了初始场扰动时不同强度的位温和水汽扰动对集合离散度以及同化效果的影响。

1 个例简介和资料

1.1 个例介绍

选取风暴尺度天气中具有代表性的3个不同类型的强对流天气过程，包括2009年6月14日飑线，2008年6月3日超级单体风暴和2005年4月20日多单体风暴。该3个个例的共同特点是:南京雷达站的多普勒雷达可以较好地探测它们的发生发展过程，雷达资料方便获取;其次是系统发生发展的区域地形比较平坦，一致性较好。

2009年6月14日飑线主要成因是:东北冷涡活动频繁且强度偏强，有利于引导强冷空气南下，使得豫皖苏地区上干冷下暖湿的不稳定条件逐渐形成。同时由于中高层干冷空气的侵入(干冷平流)和底层暖湿平流的共同作用，使得不稳定能量聚集，进一步增强层结的不稳定性。6月14日飑线主要袭击安徽、江苏等地，都有冰雹、大风、雷电、短时强降水等天气现象，造成多人伤亡，直接经济损失严重。

2008年6月3日安徽江北地区受多个雷暴单体影响，09:00(世界时，下同)左右滁州地区对流系统呈现明显的超级单体特征(周昆等，2008)。这次强对流天气是在高空东北冷涡后部弱冷空气扩散南下以及地面冷锋东移南下共同作用下发生的。安徽江北地区有冰雹、雷电、大风等灾害天气，造成了严重灾害。

2005年4月20日江苏中部地区发生一次强对流天气过程，造成此次强对流天气的3个风暴群，分别从安徽的宿州和江苏宿迁的沭阳、淮阴的泗阳生成，沿三条路径向东南方向移动，并逐步加强发展、演变成多单体风暴(谢义明等，2008)。此次强对流天气主要由东北冷涡南压造成，并有高、低空三支急流的耦合为其提供动力上升条件。江苏中部地区遭受了大风、冰雹、龙卷的袭击，造成了严重的财产损失和人员伤亡。

1.2 资料介绍及处理

背景场及边界条件采用NCEP/NCAR的1°×1°分析资料，各风暴个例雷达资料均采用南京站多普勒雷达资料，飑线、超级单体风暴和多单体风暴的雷达资料时段分别是2009年6月14日09:00—10:30、2008年6月3日08:00—09:30、2005年4月20日08:00—09:30。南京站多普勒雷达是我国新一代S波段多普勒天气雷达(CINRAD/SA)，反射率因子距离库长为1 000 m，最大距离库数为460;径向速度和谱宽距离库长为250 m，最大距离库数为920，约6 min一次体扫。

由于雷达硬件设备的限制，雷达资料在强风条件下会出现速度模糊的现象。此外，由于大气湍流、地物杂波等对雷达探测的干扰，使得雷达资料存在很大的观测噪音。在雷达资料同化过程中，雷达资料的质量控制是非常重要的一步，本文雷达资料预处理主要包括:

1)去噪声。由于近地面湍流，地物杂波等影响，去除小于1 km以下的资料;又由于本文关注强对流天气，因此在雷达反射率因子资料中剔除反射率因子小于10 dBz的非降水回波。

2)退模糊。采用基于模式背景场和雷达探测径向速度的差值退速度模糊的方法(陈力强等，2009)。若背景场径向速度和雷达探测径向速度的差值的绝对值超过30 m/s，则剔除该径向速度资料。

3)数据粗化。雷达资料具有高时空分辨率，如果将所有观测资料放入同化系统中，不但会增加计算负担，而且由于观测间存在一定的相关性，使得分析结果并不理想(潘敖大等，2009)。因此，利用数据粗化方法将雷达资料进行处理。本文在锥面上采用格点周围最近的四个点资料进行双线性插值，将雷达资料插值到格点所在位置。粗化后资料仍位于锥面上，水平分辨率为5 km。

4)数据填补。由于原始资料经常存在缺测，且粗化后的资料过于稀疏，因此对资料进行适当的填补可以改善同化效果(闵锦忠等，2007)。本文在锥面上进行2维BARNUS插值。如果缺测点周围一圈有超过半数格点有效，则用周围一圈数据处理，如果缺测点周围两圈有超过半数格点有效，则用周围两圈数据处理。

2 预报模式和EnSRF

2.1 WRF模式

应用一个完全可压缩、非静力中尺度模式WRFV2.2.1的ARW版本作为系统的预报模式。该模式水平方向采用荒川C网格，垂直方向采用随地形的质量坐标。在同化试验中，模式水平区域格点为200×200，水平格距5 km，垂直方向采用系统默认的28层。微物理方案采用相对复杂的lin方案，由于分辨率较高，不使用积云参数化方案。

2.2 EnSRF算法

在集合成员数有限的情况下，观测加扰动会引入样本误差，从而影响误差协方差的正确估计，并可能引起滤波发散。因而，观测不加扰动的EnKF方法(即集合平方根滤波，EnSRF)被提出(Whitaker and Hamill，2002)。EnSRF算法是在假设观测误差不相关时以顺序同化方式同化观测，即一次同化一个观测。因此观测误差协方差矩阵R和观测空间的背景误差协方差矩阵HPbHT都成为标量。集合均值和集合成员扰动x'i的分析方程为

其中:

是卡尔曼增益矩阵;Pb是背景误差协方差矩阵;H是非线性观测算子H的线性化形式。上标a、b和o分别代表分析场、背景场和观测场。分析场的集合均值由式(1)更新;而集合成员扰动由方程(2)更新。在单个观测情况下，

式中平方根根号下分子分母都是标量，所以α值计算简单。卡尔曼增益矩阵式(3)中的背景误差协方差矩阵PbHT和HPbHT由预报集合统计来估计，具体形式如下

其中:N是集合成员数。在单一观测情况下，PbHT是和状态向量x有相同长度的向量，而HPbHT是标量。在实际应用中，协方差局地化方案通常会用来处理远距离虚假相关，所以PbHT并不用全部计算，而在观测影响之外的格点上协方差设为0。当一个观测同化完后，分析场将作为新的背景场同化下一个观测。当一个时次所有观测同化完后，模式将分析场集合作为背景场预报到下一个同化时刻，分析下一个时次的观测，不断循环同化过程。

3 试验设计

3.1 同化方案

本文应用的WRF-EnSRF同化系统是根据En-SRF算法(Whitaker and Hamill，2002)在WRF模式上自主构建的。系统中，状态向量x中的分析变量包括3个风场分量u、v、w，扰动位势高度ph，位温θ，水汽混合比qv，雨水混合比qr，雪水混合比qs以及雹霰混合比qg。为了处理远距离虚假相关，协方差局地化应用了五阶距离相关函数方案(Gaspari and Cohn，1999)，其中水平风场的水平局地化距离为20 km，垂直风场、温压场水平局地化距离为15 km，水物质变量的水平局地化距离为10 km，各变量的垂直局地化距离均为10 km。

为了考虑模式误差的影响，同化方案引入了松弛膨胀方案(Zhang et al.，2004)，以处理分析误差被低估的问题。松弛膨胀方法是改变分析场的集合离散误差的一种方法，它通过加权分析扰动场和背景扰动场使分析扰动场发生变化，即:

其中:α为背景扰动场的权重，在本文试验中α值取为0.8;是新的分析扰动场。在试验中，集合成员数取40，同化的观测变量yo包括反射率因子Z和径向速度Vr。该系统处理雷达资料的观测算子参考Tong and Xue(2005)。径向速度Vr的计算公式为:

其中:α为雷达扫描的仰角;β为雷达扫描的方位角;wt为雨滴下落末速度;u、v、w为模式模拟的3个速度分量在雷达观测点上的插值。反射率因子Z的计算公式为:

其中:Ze=Zer+Zes+Zeh。即由雨水混合比qr、雪水混合比qs以及雹霰混合比qg计算，具体公式及参数同Tong and Xue(2005)。反射率因子Z和径向速度Vr的标准偏差分别取为2 dBz和2 m/s，参考Aksoy et al.(2009)的设置。

3.2 观测空间诊断

在实际雷达资料的同化试验中，由于不存在真实场，只能在观测空间将预报(或分析)的反射率因子和径向速度与实际观测的资料进行比较，即通过观测增量d及相关统计量对试验结果进行分析(Dowell et al.，2004;Aksoy et al.，2009;Dowell and Wicker，2009)。由于本文主要关注对流系统的预报及分析结果与观察的偏差，所以只在反射率因子大于10 dBz的对流区域诊断分析及预报结果(Snyder and Zhang，2003;Tong and Xue，2005)。其中:

3个基本的诊断量将被计算:增量均值为〈d〉，〈〉表示在一个雷达体扫的所有观测上求均值;增量均方差〈r〉，即通过增量与其均值的偏差求取

预报场的集合离散度〈sb〉为

在EnKF方法理论上，预报场的集合离散度可以代表预报误差的统计特征。在给定的观测误差σo和假设背景误差和观测误差不相关并且无偏的情况下，集合离散度和均方差应该是一致的，其比值

应该接近于1(Dowell et al.，2004;Aksoy et al.，2009)。当比值R小于1时，则说明预报场的集合离散度不足。

3.3 试验设置

在3个强对流天气个例的控制试验中，在模式积分开始时(2009年6月14日09:00，2008年6月3日08:00和2005年4月20日08:00)初始场添加随机扰动形成初始集合。扰动初始场时，速度场(u，v，w)的误差标准差为3 m/s，位温θ的误差标准差为3 K，水汽混合比qv的误差标准差为1 g/kg。在模式积分到第6 min时系统开始直接同化反射率因子和径向速度，每6 min同化一次观测，连续同化至模式的第60 min，并且将第60 min的分析场集合作为初始场，进行30 min集合预报，以进一步考察系统的同化效果(Aksoy et al.，2010)。

为了考察初始扰动时不同强度的位温和水汽扰动对预报场的集合离散度以及同化效果的影响，在3个强对流天气过程的雷达资料同化的敏感性试验中，添加随机扰动时位温θ的误差标准差取为1 K，水汽混合比qv的误差标准差取为0.5 g/kg，其他设置同控制试验。

4 结果分析

4.12009 年6月14日飑线

2009年6月14日飑线同化控制试验在观测空间的诊断量如图1所示，经过3个时次的同化(模式的第18 min后)，反射率因子和径向速度的增量均方差分别维持在10 dBz和4～5 m/s，其增量均值在同化期间迅速减小。从预报时刻负的反射率因子增量均值(图1a)可以看出，预报场集合平均的反射率因子被高估，在同化后期相对实际观测偏大2～3 dBz。预报场集合离散度与均方差的比值显示(图1 c、d):反射率因子和径向速度的集合离散度都是不足的，经过60 min的同化，反射率因子的离散度与均方差比值低于0.6，而径向速度的离散度与均方差比值低于0.4。尽管如此，从试验结果的增量统计值来看，各观测变量的分析误差还是迅速减小并趋于稳定的，没有发生滤波发散。

经过60 min的同化，分析场集合平均的反射率因子分布如图2d所示，与相应的实际观测的反射率因子(图2a)相比基本一致。

4.22008 年6月3日超级单体风暴

2008年6月3日超级单体风暴观测空间诊断量如图3所示。经过42 min同化后，反射率因子和径向速度的增量均值和均方差趋于稳定。与2009年6月14日飑线相比，反射率因子的增量均方差与其基本相当，而预报时刻的反射率因子增量均值高达－6 dBz，这说明预报的反射率因子被严重高估;径向速度的增量均方差为2.5～4 m/s，与2009年6月14日飑线相比明显偏小，其增量均值也偏小。同化后期，反射率因子和径向速度的离散度与均方差比值(图3 c、d)分别达到0.7左右和0.5左右，明显高于2009年6月14日飑线的值，这表明该个例的集合离散度相对充足，从而改善了径向速度的分析。

图1 2009年6月14日飑线同化试验观测空间的诊断量(黑线:控制试验;灰线:敏感试验)a.反射率因子同化及预报期间的增量均值(虚线)和增量均方差(实线);b.径向速度同化及预报期间的增量均值(虚线)和增量均方差(实线);c.反射率因子预报场集合离散度与均方差的比值;d.径向速度预报场集合离散度与均方差的比值Fig.1 Assimilated observation-space diagnosis of convective line on 14 June 2009(black line:control experiment;grey line:sensitivity experiment)a.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the effective reflectivity factor;b.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the radial velocity;c.the forecast actual/optimal spread ratio of the effective reflectivity factor;d.the forecast actual/optimal spread ratio of the radial velocity

第60 min分析时刻的反射率因子分布如图2e所示，强回波带(33°N附近主要的两个对流区，其中回波较强区域较大的系统即为超级单体风暴)可以较准确的分析出来，而反射率因子大于40 dBz区域相对观测(图2b)明显偏大，这与观测空间诊断结果中反射率因子被严重高估一致。

4.32005 年4月20日多单体风暴

2005年4月20日多单体风暴的观测空间诊断量如图4所示，反射率因子的增量均值与均方差结果与2009年6月14日飑线的基本一致;而径向速度的增量均值和均方差在3个个例中最大。另外径向速度的离散度与均方差比值在3个个例中也最小，小于0.25。这说明当集合离散度过分不足，背景误差协方差不能准确估计时，同化效果即偏差。

最后分析时刻的反射率因子分布如图2f所示，若干个强回波区(反射率因子大于35 dBz)与观测(图2c)基本一致。

图3 2008年6月3日超级单体风暴观测空间诊断量(黑线:控制试验;灰线:敏感试验)a.反射率因子同化及预报期间的增量均值(虚线)和增量均方差(实线);b.径向速度同化及预报期间的增量均值(虚线)和增量均方差(实线);c.反射率因子预报场集合离散度与均方差的比值;d.径向速度预报场集合离散度与均方差的比值Fig.3 Assimilated observation-space diagnosis of supercell on 3 June 2008(black line:control experiment;grey line:sensitivity experiment)a.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the effective reflectivity factor;b.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the radial velocity;c.the forecast actual/optimal spread ratio of the effective reflectivity factor;d.the forecast actual/optimal spread ratio of the radial velocity

4.4 模式空间

由于没有直接的高分辨率观测与模式空间的要素场进行比较，这里只能利用强对流系统的概念模型对3个系统的分析场进行定性分析。基于这一目的，模式第60 min的集合平均分析场在模式最底层(100 m高度)的水平风场和扰动位温场以及模式第8层(1 600 m高度)的垂直风场如图5所示。3个个例中，各系统相应的区域均有冷池并且伴有明显的辐散气流。

2009年6月14日飑线中，辐散气流最强的区域(系统的南部)与两个强上升运动区(垂直速度大于2 m/s)连成明显的线型区域基本重合，并且与线型的强回波带非常一致(图2a)。2008年6月3日超级单体风暴的系统区域对应着上升运动，同时从扰动位温场可以看出该次强对流过程是冷锋南下触发而形成。在同化效果较差的2005年4月20日多单体风暴中，系统区域有不规则的上升运动，但是在系统的南边有更明显的冷池对应着更强的上升运动，这可能由于同化过程中产生的虚假单体发生发展而形成的不合理的动力结构，另外该虚假单体区域没有雷达观测资料，所以雷达资料同化对这一区域的虚假单体的发生发展基本不起作用。

4.5 集合预报

为了考察分析场的质量，本文在试验中以经过60 min同化的分析场集合为初始场进行30 min集合预报。从3个个例在观测空间的诊断结果来看(图1、图3和图4)，预报误差都随时间迅速增长。在模式的第90 min，反射率因子增量均方差都达到15 dBz左右，其中超级单体风暴的集合预报效果最好，径向速度的增量均方差为6 m/s;而多单体风暴的径向速度增量均方差增长最快数值最大，所以其同化效果最差。

4.6 不同扰动强度热力场的影响

通过对比控制试验与敏感试验结果(图1、图3和图4)，本文分析了初始场添加扰动时位温和水汽的不同扰动强度对同化试验和集合预报的影响。在敏感试验中，由于位温和水汽的扰动强度偏小，各个个例的反射率因子和径向速度在同化阶段的集合离散度更加不足，这说明热力场的扰动强度变化对动力场的集合离散度有较大影响。通过观测空间的诊断结果可以看出，在敏感试验的同化阶段径向速度的增量均值和均方差收敛较慢，其误差偏大，但在集合预报阶段其误差大小与控制试验趋于一致;敏感试验中反射率因子的增量均值相对偏小，而其增量均方差与控制试验基本相当。值得注意的是控制试验中反射率因子增量均值在预报时刻一直是负值，这表明热力场扰动强度增加时预报的反射率因子偏强，这可能由于对流系统发展偏强和虚假回波增多引起的。

图4 2005年4月20日多单体风暴观测空间诊断量(黑线:控制试验;灰线:敏感试验)a.反射率因子同化及预报期间的增量均值(虚线)和增量均方差(实线);b.径向速度同化及预报期间的增量均值(虚线)和增量均方差(实线);c.反射率因子预报场集合离散度与均方差的比值;d.径向速度预报场集合离散度与均方差的比值Fig.4 Assimilated observation-space diagnosis of multicell on 20 April 2005(black line:control experiment;grey line:sensitivity experiment)a.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the effective reflectivity factor;b.the forecast and analysis(sawtooth pattern)root mean square innovation(solid line)and mean innovation(dashed line)of the radial velocity;c.the forecast actual/optimal spread ratio of the effective reflectivity factor;d.the forecast actual/optimal spread ratio of the radial velocity

5 结论与讨论

本文基于风暴尺度模式，利用EnSRF同化实际多普勒雷达资料，在3个独立的不同类型的强对流天气过程(飑线、超级单体风暴和多单体风暴)进行同化试验。径向速度和反射率因子在分析时刻的增量均方差在经过24 min同化后分别下降至3～5 m/s和10 dBz，并维持至60 min同化结束。反射率因子的误差较大可能是由于微物理过程参数化方案和观测算子的不完善引起的。从试验结果可以看出，反射率因子和径向速度的预报集合离散度都被低估。尽管如此，各试验均未发生滤波发散现象。集合离散度不足是EnKF研究的普遍问题，这主要是模式误差，环境场的不确定性和集合样本误差等问题引起的。在各控制试验中，分析场集合平均的反射率因子分布与实际观测比较一致，这表明En-SRF系统能够较好的重构各类型强对流天气系统的形状特点。在模式空间，分析场中近地面层有冷池和明显的辐散气流并伴有空中的上升运动，各要素的结构配置基本合理，符合各类型强对流系统的动力结构特征。

集合预报结果中，随时间演变预报质量迅速下降，径向速度增量均方差不同反映了不同个例的可预报性不同。同时可以看出，同化系统得到的分析场集合为集合预报提供初值，使两者有效结合的方式是有应用潜力的。

预报场的集合离散度对热力场的扰动强度比较敏感。初始场添加扰动时，适当增加位温和水汽的扰动强度有利于提高预报场的集合离散度，使得径向速度误差在同化阶段收敛更快，误差更小，但是这样也会使得反射率因子系统性误差偏大。所以热力场扰动强度的合理选取对于EnSRF同化试验是比较重要的，需通过多组试验取得。

总的来说，对于3个不同类型的强对流天气过程WRF-EnSRF同化系统均表现出有效的同化性能，展现了EnSRF同化在风暴尺度的应用潜力。但是，预报集合离散度被低估的问题依然存在，在以后的研究中我们需要加强对模式误差，环境场的不确定性和集合样本误差等问题的研究，以更好的解决集合离散度不足的问题，充分发挥WRF-EnSRF同化系统的潜力。

陈力强，杨森，肖庆农.2009.多普勒雷达资料在冷涡强对流天气中的同化应用试验［J］.气象，35(12):12-21.

兰伟仁，朱江，Xue Ming，等.2010a.风暴尺度天气下利用集合卡尔曼滤波模拟多普勒雷达资料同化试验I.不考虑模式误差的情形［J］.大气科学，34(3):640-652.

兰伟仁，朱江，Ming Xue，等.2010b.风暴尺度天气下利用集合卡尔曼滤波模拟多普勒雷达资料同化试验II.考虑模式误差的情形［J］.大气科学，34(4):737-753.

闵锦忠，彭霞云，赖安伟，等.2007.反演同化和直接同化多普勒雷达径向速度的对比试验［J］.南京气象学院学报，30(6):745-754.

潘敖大，王桂臣，张红华，等.2009.多普勒雷达资料对暴雨定量预报的同化对比试验［J］.气象科学，29(6):755-760.

谢义明，解令运，沙维茹，等.2008.江苏中部一次强对流天气的物理机制分析［J］.气象科学，28(2):212-216.

许小永，刘黎平，郑国光.2006.集合卡尔曼滤波同化多普勒雷达资料的数值试验［J］.大气科学，30(4):712-728.

周昆，陈斌，卢逢刚.2008.安徽省2008年初夏1次强对流天气的分析［J］.安徽农业科学，36(25):11060-11062.

Aksoy A，Dowell D C，Snyder C.2009.A multi-case comparative assessment of the ensemble Kalman filter for assimilation of radar observations.PartⅠ:Storm-scale analyses［J］.Mon Wea Rev，137:1805-1824.

Aksoy A，Dowell D C，Snyder C.2010.A multi-case comparative assessment of the ensemble Kalman filter for assimilation of radar observations.PartⅡ:Short-range ensamble forecasts［J］.Mon Wea Rev，138:1273-1292.

Anderson J L，Collins N.2007.Scalable implementations of ensemble filter algorithms for data assimilation［J］.J Atmos Oceanic Technol，24:1452-1463.

Dowell D C，Wicker L J.2009.Additive noise for storm-scale ensemble data assimilation［J］.J Atmos Oceanic Technol，26:911-927.

Dowell D C，Zhang F，Wicker L，et al.2004.Wind and temperature retrievals in the 17 May 1981 Arcadia，Oklahoma，supercell:Ensemble Kalman filter experiments［J］.Mon Wea Rev，132:1982-2005.

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

Gaspari G，Cohn S E.1999.Construction of correlation functions in two and three dimensions［J］.Quart J Roy Meteor Soc，125:723-757.

Houtekamer P L，Mitchell H L.1998.Data assimilation using an ensemble Kalman filter technique［J］.Mon Wea Rev，126:796-811.

Snyde C，Zhang F.2003.Assimilation of simulated Doppler radar observations with an ensemble Kalman filter［J］.Mon Wea Rev，131:1663-1677.

Sun J，Crook N A.1997.Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.PartⅠ:Model development and simulated data experiments［J］.J Atmos Sci，54:1642-1661.

Sun J，Crook N A.1998.Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint.PartⅡ:Retrieval experiments of an observed Florida convective storm［J］.J Atmos Sci，55:835-852.

Tong M.2006.Ensemble Kalman filter assimilation of Doppler radar data for the initialization and prediction of convective storms［D］.O-klahoma University of Oklahoma:243.

Tong M，Xue M.2005.Ensemble Kalman filter assimilation of Doppler radar data with a compressible nonhydrostatic model:OSS experiments［J］.Mon Wea Rev，133:1789-1807.

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

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

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］.Mon Wea Rev，132:1238-1253.

A numerical experiment on WRF-EnSRF for assimilation of Doppler Radar data in multicase strong convective weather processes

CHEN Jie1，2，MIN Jin-zhong2，WANG Shi-zhang2，WANG Xiao-ci2

(1.Unit 94701，PLA，Anqing 246001，China;2.Key Laboratory of Meteorological Disaster of Ministry of Education，NUIST，Nanjing 210044，China)

The effectiveness of the EnSRF(ensemble square root filter)data assimilation system in assimilating Doppler radar data on convective scales is investigated for cases whose behaviors span supercellular，linear，and multicellular organizations.The impacts of potential temperature and water vapor at different levels on ensemble spread and assimilation effect during initial perturbations are also investigated.The EnSRF performs effectively and produces results of comparable quality for each of the cases.The root mean square innovations of radial velocity and reflectivity decrease to 3—5 m/s and about 10 dBz respectively after roughly 24 min of assimilation and maintain the values throughout to the end of the 60 min period of assimilation.The ensemble spread and assimilation effect are sensitive to the magnitude of perturbation in thermal field，which implies that larger ensemble spread and better radial velocity analysis can be obtained by increasing the standard deviation of potential temperature and water vapor mix ratio appropriately during initial perturbation.

EnSRF;storm scale;Doppler radar data

P459.9

A

1674-7097(2012)06-0720-10

2011-01-17;改回日期:2011-05-21

公益性行业(气象)科研专项(GYHY(QX)200806029);科技创新工程重大项目培育基金项目(708051);国家自然科学基金资助项目(40975068)

陈杰(1985—)，男，安徽明光人，硕士，研究方向为雷达资料同化，chenjie20021301189@sina.com.

陈杰，闵锦忠，王世璋，等.2012.WRF-EnSRF系统同化多普勒雷达资料在多类型强对流天气过程的数值试验［J］.大气科学学报，35(6):720-729.

Chen Jie，Min Jin-zhong，Wang Shi-zhang，et al.2012.A numerical experiment on WRF-EnSRF for assimilation of Doppler Radar data in multicase strong convective weather processes［J］.Trans Atmos Sci，35(6):720-729.(in Chinese)

(责任编辑:张福颖)