青藏高原东侧常规观测资料对WRF模式预报误差的贡献分析

王曼,段旭,李华宏,符睿,陈新梅,王康

(1.云南省气象科学研究所,云南 昆明 650034;2.云南省气象台,云南 昆明 650034;3.武汉市气象局,湖北 武汉 430040)



青藏高原东侧常规观测资料对WRF模式预报误差的贡献分析

王曼1,段旭1,李华宏2,符睿1,陈新梅1,王康3

(1.云南省气象科学研究所,云南 昆明 650034;2.云南省气象台,云南 昆明 650034;3.武汉市气象局,湖北 武汉 430040)

摘要：利用WRFDA-FSO(Forecast Sensitivity to Observation)系统,统计分析2009年和2010年5—10月青藏高原东侧常规地面和高空观测对WRF模式预报误差的贡献。结果表明:地面观测资料各要素中,温度场对模式预报误差贡献最大,风场、气压和水汽场的贡献相对小;四川东部、广西大部和云南南部边缘地区的资料对改进预报产生正贡献较大。高空资料各要素中,温度场对模式预报误差贡献最大,其次是水汽场,风场贡献最小;高空站资料对改进预报产生正贡献较大的区域主要分布在云南大部、贵州西部边缘和广西西北部边缘地区。依据误差统计结果,剔除对改进预报产生负贡献较大的地面和高空站资料后,模式降水和温度预报效果有所改善。

关键词：青藏高原东侧;WRFDA-FSO系统;预报误差贡献;数值试验

0引言

数值天气预报NWP(Numerical Weather Prediction)是已知一个现时大气状态(背景场和观测值)的估计,用模式(描写天气演变过程的流体力学和热力学方程较高精度的数值解)来模拟(预报)其演变。对于一个预报模式而言,初始条件(现时大气状态)的确定既是非常重要的,也是非常复杂的问题。

在早期的试验中,Charney et al.(1950)将可用的观测资料通过手工方法内插到网格点上。由于工作量巨大,人们逐步开展了自动化的客观分析方法研究,如逐步订正法(SCM)、最优插值法(OI)、三维和四维变分法(3D-Var、4D-Var)、集合卡尔曼滤波法(KF)等,并很快地将这些方法应用于预报模式初始场的建立(朱琳等,2008;郭锐等,2010;闵锦忠等,2011,2012,2013;王顺凤等,2011;陈杰等,2012;赵延来等,2013;陈耀登等,2014)。然而,无论采用什么方法,观测资料对模式初始场和模式预报都起着重要作用。

之前衡量观测资料对模式预报的影响,一般采用敏感性试验,即加入或者移除该观测资料,对模式预报系统进行评价和对比分析(李华宏等,2007;杨艳蓉和曾明剑,2012;李新峰等,2013)。这种方法一次试验只能得到某种观测或者某个站点对模式预报的影响,如果需要知道所有观测站点和种类对模式预报的影响,采用这种方法需要花费巨大的机时。随着模式的伴随技术的发展,Baker and Daley(2000)发展了利用同化系统的伴随矩阵模式,计算模式初始场和预报对观测的敏感性。利用这种方法进行一次同化和预报,能计算出模式预报和初始场对所有种类和所有观测站资料的敏感性。该方法也可用于诊断具体目标观测的有效性和全面评估短期天气预报误差对观测系统的敏感性,如Doerenbecher and Bergot(2001)讨论了FASTEX(Frontand Atlantic Storm-Track Experiment)计划中加密观测资料的效率。得到这种效率不仅与敏感性相关,同时和观测与背景场之间的偏差有关。Fourrie et al.(2002)讨论TOVS(Television infrared observation satellite Operational Vertical Sounder)资料在FASTEX计划中10个个例中的敏感性,结果表明晴空微波探测和局部有云的红外探测对预报的影响最大。Langland and Baker(2004)利用NRL(the Naval Research Laboratory)的大气同化系统伴随系统评估了2002年6月和12月观测资料对短期预报的影响,结果表明,在NOGAPS(Navy Operational Global Atmospheric Prediction System)系统中,北半球的探空、卫星风场和飞机观测资料(aircraft observations)对系统预报误差的减小贡献最大,南半球则是TOVS资料的温度反演、卫星风场和探空对系统预报误差的减小贡献最大。Cardinali(2009)利用FSO(Forecast Sensitivity to Observation)系统对24 h的预报进行观测资料的诊断,得到ECMWF(the European Centre for Medium-Range Weather Forecasts)预报系统中全球区域不同类型和不同高度的观测资料对模式预报的贡献大小。WRFDA-FSO(Auligné et al.,2010,2011)系统从2008年开始在WRFDA系统和WRF模式的切线性与伴随模式上发展起来,能够计算观测资料对WRF模式短期天气预报误差的影响。Zhang et al.(2012)用该系统评估TAMDAR(Tropospheric Aircraft Meteorological Data Reports)对24 h模式预报误差的贡献,结果表明,相对其他观测资料如探空、地面观测、水汽观测等常规观测资料,TAMDAR对24 h模式预报误差减小产生最大的正贡献。Jung et al.(2013)利用该系统对东亚区域2008年台风季节各种观测资料对预报的影响进行评估,得到卫星和探空资料分别对模式预报和模式初始场产生最大的影响。

目前云南省业务运行WRF模式,在模式初始场中同化进入常规地面和高空观测资料。为了了解不同区域和不同要素观测资料对模式预报产生的影响,利用WRFDA-FSO系统计算青藏高原东侧常规观测资料对WRF模式预报的影响,根据误差统计结果,对进入模式系统的常规观测站点进行筛选,检验剔除负贡献大的站点观测后,模式的预报效果是否有所改进?同时通过WRFDA-FSO的计算得到负贡献大站点的地区分布,说明该地区的站点布局需要进一步加强和调整。

1WRFDA-FSO系统简介

Langland and Baker(2004)利用伴随模式为基础估算了观测资料对数值天气预报误差的影响。首先定义一个衡量模式预报误差的标量:

ef=(Xf-Xt)TC(Xf-Xt)。

(1)

其中:Xf为预报量;Xt为验证的真实量。模式的预报变量(X的分量)包括涡度、散度、位温和地面气压。由于计算模式预报误差中没有湿度这个预报量,所以模式预报误差值称为干能量。C是能量权重系数矩阵,代表总的干能量(Zou et al.,1997)。这样定义了一个衡量模式计算误差的量,单位为J·kg-1。

(2)

如果知道预报模式的伴随模式,对模式预报误差进行模式初始场的求导,即

(3)

其中:LT为系数,表示离散化模式的伴随。由该公式可以估算出模式初始场对模式预报误差的贡献。模式的分析场Xa由模式背景场Xb加上观测的增量得到。根据Barker and Daley(2000)的研究,在三维变分同化系统中,观测空间中Xa和Xb的关系可写为

Xa-Xb=BHT[HBHT+R]-1(y-HXb)。

(4)

其中,B和R分别为背景误差协方差矩阵和观测误差协方差矩阵。H为模式背景场到观测空间转换的观测算子。y为观测场。由(3)和(4)式,以及同化的伴随模式,可以求得观测对模式预报误差的贡献。

(5)

通过公式(5)计算可以得到预报误差对观测系统敏感性,获得各个观测站(值)对预报好坏的贡献,即干能量的大小。这里需要进行两次模式误差计算:一次为仅使用背景场进行积分计算得到某时刻预报的误差eg;另一次为分析场(背景场加入观测进行同化得到)进行积分计算得到同一时刻的预报误差ef。由于两次积分都存在模式本身(不精确)的预报误差,因此,可以认为两次预报误差的差值F=ef-eg是由于加入了观测资料所产生的,也就是观测对模式预报误差的影响,即观测对预报好坏的作用。实际计算中,为了评估观测对模式预报的贡献,近似地把两种模式预报误差的差值作为目标函数。

(6)

按照Gelaro et al.(2007)的研究,定义模式预报误差有三种近似,分别为一级、二级和三级近似。分别为(7)—(9)式。

(7)

(8)

(9)

(10)

(11)

(12)

根据以上理论,WRFDA-FSO系统从2008年开始在WRFDA系统和WRF模式的切线性与伴随模式上发展起来,具体整个系统的计算流程和安装运行可以参考Auligné et al.(2011)。

2观测对模式预报误差贡献计算方案

利用WRFDA-FSO系统,包括WRF主模式3.11版本、WRFDA3.11版本、WRF模式V3版本的伴随模式WRFPLUS和WRFDA的伴随模式。伴随模式实际计算中湿物理过程未包括其中,因此,计算模式的预报误差为干能量。WRF模式主模块的水平格距为30 km,模拟区域中心为103°E、25.5°N,格点数为61×61,垂直方向取35层,模式层顶取50 hPa。行星边界层采用YSU方案(Chen and Dudhia,2001),陆面过程采用thermal diffusion方案(Hong et al.,2006),辐射方案采用快速传输长波辐射方案(Mlawer et al.,1997)和Dudhia(1989)的短波方案。积云对流方案采用KF(Kain,2004)方案。微物理方案采用WSM 6-class graupel方案(Dudhia et al.,2008)。

试验时间为2009年和2010年雨季(即2009年5月1日—10月31日和2010年5月1日—10月31日)。模式初背景场(Xb)采用NCEP/GFS(Globe Forecast System)资料的预报场,水平分辨率为1°×1°,时间间隔为3 h,每天00时(世界时,下同)起报,积分12 h。分析场(Xa)用背景场同化常规地面和高空资料得到。两种初始场分别积分12 h,得到两个预报场。积分12 h的模式真值为NCEP/GFS资料对应时刻的分析场。通过WRFDA-FSO系统计算得到计算区域内地面和高空站对WRF模式12 h预报误差的贡献。包括每个地面和高空站,各个观测量包括风场(u,v)、温度场(t)、气压场(p)和湿度场(q)对模式预报误差的贡献(干能量值)。当干能量是正值时,即增大模式预报误差,则表明该观测站资料对模式预报产生了负贡献;反之,如果为负值,减少模式预报误差,对模式预报产生正贡献。

地面站对模式预报误差的贡献为计算时间内地面观测量(包括u,v,t,p和q)统计累计贡献,不逐时次分析。高空观测量(包括u,v,t和q)则先把各气压层干能量累加,然后作为一个值进行累计贡献统计。

在模式计算区域中地面观测站为683个,高空站为36站。进行地面资料同化时,对观测资料进行常规的质量控制;如果观测资料与背景场的差值大于3倍观测误差,则认为该站资料不可用,同化计算中进行剔除。由于上述地面资料的质量问题,实际进入模式进行统计的地面站数2009年为666站,2010年为672站。而且地面各要素进入同化系统的量不一致,温度要素进入同化系统的站数最多,其次是u、v分量,较少者为水汽和气压。WRFDA模块中地面资料同化方案选取Guo et al.(2002)设计的方案。该方案不考虑实际观测站地形与模式地形高度的差异,假定所有测站的资料(除地面气压)都位于模式面,然后利用相似理论建立10 m高度风场(u10,v10)和2 m高度温度(t2)、湿度(q2)的观测算子及相应的切线性与伴随模式,同时在进行极小化运算前将地面气压(psfc)折算到模式最低层。在模式区域中,各个地面站实际观测地形与模式地形高度存在差异,各个地面观测要素对高度差异的敏感性不一致,造成各要素进入同化系统的站数不一致;由此,地面站观测资料各要素对模式贡献也存在较大差别。2009和2010年高空站均为36站。为使两年资料的统计站数一致,取地面666站、高空36站。为使统计结果具有普遍性,下述地面、高空资料对模式预报误差影响的统计结果均为两年累加。

3观测对模式预报误差贡献分析

3.1　地面观测对模式预报误差贡献分析

通过2009年和2010年5—10月的计算,得到地面站各个观测要素对模式预报误差贡献(图1)。由图1a、b可见,各个站点地面观测纬向风和经向风场对模式误差的贡献较一致,除了四川西部和西藏东部地区为正值,对改进预报产生负贡献外,其他地区基本都为负值,对改进预报产生正贡献;云南大部地面观测对改进预报产生正贡献;u分量比v分量正值站点更多;但云南东部边缘和西北部负值站点偏多。温度场对模式预报误差贡献(具体干能量值图略)较大(图1c)。徐枝芳等(2007)对地面观测各要素分别进行同化试验,发现地面观测资料(温度、湿度、风场、地面气压)中各物理量分别同化到数值模式都能影响24 h降水预报,但各物理量所起作用大小不同,其中影响最大的是温度。此处的统计结果与该结论一致。从进入同化系统各个物理量的站数看,温度量进入系统的站数最多,如2009年5月1日,u、v、t、p和q进入同化系统的站数分别为422、413、542、252和251。因此温度对模式预报产生的影响较大。高原东侧(包括西藏东部、四川西部和南部以及云南大部)站点几乎全部对对改进预报产生负贡献。这表明现有的观测对该区域下垫面热力状况表述较差。气压和水汽场对模式预报误差贡献分布较相似(图1d、e)。大部分区域为负值,正值主要集中在西藏东部、四川西部、云南和贵州大部以及广西零星地区。

图1　地面站观测各气象要素对模式预报误差贡献的分布(·表示干能量累计值为负值,对改进预报(减少预报误差)产生正贡献;+表示干能量累计值为正值,对改进预报(减少预报误差)产生负贡献)　　a.u分量;b.v分量;c.温度;d.气压;e.水汽Fig.1　Distribution of forecast error contribution of meteorological elements in surface observations(·denote negative dry energy and positive contribution to improvement in the model(model forecast error is reduced);+ denote positive dry energy and negative contribution to improvement in the model(model forecast error is increased))a.u component wind;b.v component wind;c.temperature;d.pressure;e.vapor

图1中,地面站点各观测要素对模式预报误差的贡献是不一致的。为了综合分析各个站点各观测要素对模式预报误差的贡献,将改进预报产生负贡献站点分为5级,分别表示1～5个要素同时为正干能量值。这样划分后,可以综合分析出每一个站点的观测对数值模式预报的影响程度。图2给出了地面观测对增大模式预报误差贡献程度的分布。可以看出,西藏东部、四川西部和云南西北部地区站点均有3个以上观测要素对改进预报产生负贡献,其代表性较差;其他地区对改进预报产生负贡献的要素在3个以下,特别是四川东部、广西大部和云南南部边缘地区的地面观测资料对改进预报为正贡献。

图2　地面观测对改进预报产生负贡献程度的分布Fig.2　Distribution of negative contribution of surface observations to improvement in the mode(model forecast error is increased)

图3为高空各要素观测对模式预报误差的贡献。u分量对改进预报产生负贡献的站点分布在云南西部和东南部、贵州西部及广西西北部,大部分站点的干能量值都在105J·kg-1以下;四川中部、陕西南部以及20°N以南地区共有4个站干能量值为105J·kg-1以上;其他地区都为正值,但值在105J·kg-1以下(图3a)。v分量对模式预报误差贡献相对小,除了4个站为负值外,其他站为正值;5站正值在105J·kg-1以上,27站在105J·kg-1以下(图3b)。温度场对模式预报误差的贡献相对大,特别是云南东部、四川中东部、广西和贵州西部都是较大负值,对改进预报产生正贡献,而云南西北部、四川西部和西藏东部的温度贡献是较大正值,对改进预报产生负贡献(图3c)。水汽的贡献除了3站为负值外,其他都为正值,贡献值相对大,有20个站的值在105J·kg-1以上,最大值在贵州西北部,达3×105J·kg-1以上(图3d)。从4个观测要素的贡献看,温度对模式预报误差的影响最大。同样考察进入模式同化系统各个要素的量,发现温度进入同化系统的量最大,如2009年5月1日,u、v、t和q进入同化系统的站数分别为477、478、701和537。

图3　高空站观测各气象要素对模式预报误差贡献的分布(单位:105J·kg-1)　　a.u分量;b.v分量;c.温度;d.水汽Fig.3　Distribution of forecast error contribution of meteorological elements in sounding observations(units:105J·kg-1)a.u component wind;b.v component wind;c.temperature;d.vapor

3.2　高空观测对模式预报误差贡献分析

与地面观测对改进预报贡献的综合分析(图2)相同,将高空观测的4个要素对改进预报产生负贡献进行综合叠加。考虑到温度相对其他量敏感值大小差别较大,对于敏感值小于5×104J·kg-1的站,认为它对预报影响较小,故未将这些站计入对改进预报产生负贡献的站中。根据上述统计原则,得到高空观测站对改进预报产生负贡献程度的分布(图4)。可知,西藏东部、四川西部和南部、云南北部边缘等区域的观测站有3～4个要素对改进预报产生负贡献;云南大部、贵州西部边缘和广西西北部边缘地区观测站所有要素对改进预报产生正贡献。

图4　高空观测对改进预报产生负贡献程度的分布Fig.4　Distribution of negative contribution of sounding observations to improvement in the mode(model forecast error is increased)

3.3　预报效果试验

从上述地面和高空观测资料对改进预报产生负贡献的分析发现,有些站资料对改进预报负贡献的要素较多。如果剔除这些负贡献要素较多的站点,模式预报效果是否会有所提高?日常天气预报业务中,衡量模式预报误差大小一般对模式进行降水和温度预报的评分检验。因此,应用上述统计结果,进行模式预报效果试验。比较对改进预报产生负贡献站资料剔除后与剔除前模式的降水和温度预报效果,并与无同化资料的模式结果进行对比。根据图2,剔除3个及以上观测要素对模式预报误差产生负贡献的地面站,一共剔除111个地面站。根据图4,同样剔除3个及以上观测要素对模式预报误差产生负贡献的站,一共剔除5个站。预报试验时间为2010年5月1日—10月31日。预报时间为12 h,对模式预报云南省124个站12 h的降水和温度进行逐日检验,降水检验分为小雨(0～4.9 mm)、中雨(5～14.9 mm)、大雨(15～29.9 mm)和暴雨(>30 mm)四个量级。表1为逐日降水检验评分累加之后再进行平均的结果。检验从综合TS评分、公平风险评分ETS(Equitable Threat Score)和预报偏差3个方面进行。从综合TS评分看,对于4个量级降水,剔除对模式预报误差产生负贡献大的站后预报都较剔除前的TS评分高。ETS评分除了小雨的所有站预报评分略高外,其他量级都为剔除站后的预报评分高。从预报偏差看,暴雨以下量级预报偏差都是剔除站后小于所有站,更接近1;而暴雨量级的两种预报都是小于1,其中剔除站后的预报偏差较大,接近1。与未同化资料的模拟结果相比,剔除前的小雨TS评分低于未同化,其他三个降水量级的评分都是同化资料后比未同化的高。ETS评分除了小雨评分比未同化的低外,其他量级都比未同化的高。预报偏差除了中雨量级剔除前的比未同化的大,且暴雨量级比未同化资料的小外,其他量级都比未同化的更接近1。综合三种降水检验结果看,剔除站后模式的降水预报效果优于剔除前的预报效果;同化地面和高空资料后预报效果比未同化资料的好。温度检验是对12 h的2 m温度预报进行检验,即对每日12时的2 m温度预报进行评分,具体结果见表2。从温度的绝对平均误差、均方根误差和平均误差看,剔除模式预报误差产生负贡献大的站后温度预报效果有所改善;资料同化后较未同化资料模式的温度预报效果有所改善。

4结论和讨论

利用WRFDA-FSO系统,计算2009年和2010年5—10月常规地面和高空观测资料对WRF模式12 h预报误差贡献,通过统计分析得到以下结论:

1)地面观测资料各要素中,温度对模式预报误差的贡献最大,风场、气压和水汽场的贡献相对较小。u分量和v分量对模式预报误差贡献的空间分布相似,而气压和水汽场对模式预报误差贡献的空间分布相似。

2)地面观测资料对改进预报产生负贡献较大的区域主要位于西藏东部、四川西部和云南省西北部地区;而对改进预报产生正贡献较大的区域主要位于四川东部、广西大部和云南南部边缘地区。

3)高空站观测资料各要素中,温度场对模式预报误差的贡献最大,干能量值达到13×105J·kg-1;其次是水汽场,干能量最大值达到3×105J·kg-1;风场的影响最小,最大干能量值为1×105J·kg-1,大部分站在1×105J·kg-1以下。

表1对改进预报产生负贡献大的站剔除前后及未同化情况下WRF模式降水预报检验

Table 1Precipitation prediction verification in WRF model before and after rejecting those data,which have larger negative contribution to improvement in the mode(the forecast error is increased),and without assimilation

量级TS/%ETSBias未同化剔除前剔除后未同化剔除前剔除后未同化剔除前剔除后小雨44.5844.1844.660.3370.3320.3312.512.382.30中雨14.1714.4514.770.0870.0950.0953.133.613.00大雨7.537.888.010.0680.0860.0903.693.072.50暴雨2.173.123.370.0310.0470.0540.540.320.39

表2对改进预报产生负贡献较大的站剔除前后以及未同化资料的2 m温度预报检验(包括绝对平均误差、均方根误差和平均误差)

Table 2The 2 m temperature forecast verification in WRF model before and after rejecting those data,which have larger negative contribution to improvement in the mode(the forecast error is increased),and without assimilation (including absolute mean error,root mean square error and average error)℃

绝对平均误差均方根误差平均误差未同化1.8302.3000.120剔除前1.8252.3040.040剔除后1.8102.2900.027

4)高空站资料对改进预报产生负贡献较大的区域主要位于西藏东部、四川西部和南部、云南北部边缘等区域;而对改进预报产生正贡献较大的区域主要位于云南大部、贵州西部边缘和广西西北部边缘地区。

5)通过分析地面和高空观测资料对模式预报误差的贡献,剔除对改进预报产生负贡献较大的地面和高空站进行云南区域预报结果检验,发现剔除对改进预报产生负贡献较大的测站后,模式降水和温度预报效果优于剔除前所有站进入模式的预报效果。这表明利用WRFDA-FSO系统得到的观测资料影响性分析结果,能够用于优化模式同化系统,从而改善模式预报效果。

从WRFDA-FSO系统的计算结果看,不论是地面还是高空观测资料,温度对模式预报误差的贡献都较大,这与在该区域温度观测的质量较高,进入模式同化系统的观测数量较多相关;而其他要素在高原山地区域观测的代表性较差,在模式中应用较少。西藏东部、四川西部的地面和高空资料对模式预报误差负贡献较大,这与该地区地形复杂、地形陡峭面较多、观测资料代表性较差有关;应作为地面和高空观测布局调整的重点区域。通过WRF-FSO系统能够定量计算各观测资料对模式预报误差的贡献,可为模式业务预报系统中同化资料的挑选和同化系统的完善提供科学依据。

致谢:本文得到美国国家大气研究中心(NCAR)黄向宇、刘建宇和王洪利三位老师的耐心指导,在此表示感谢。

参考文献(References)：

Auligné T,Wang Hongli,Xiao Qingnong.2010.Forecast sensitivity to observations and observation impact[EB/OL].2010[2014-06-06].http://www2.mmm.ucar.edu/wrf/users/wrfda/Tutorials/2010_Aug/docs/WRFDA_sensitivity.pdf.

Auligné T,Huang X-Y,Lin H-C,et al.2011.Forecast sensitivity to observations(FSO)[EB/OL].2011[2014-06-06].http://www2.mmm.ucar.edu/wrf/users/wrfda/Tutorials/2012_July/docs/README_FSO_v3.3.pdf.

Baker N,Daley R.2000.Observation and background adjoint sensitivity in the adaptive observation-targeting problem[J].Quart J Roy Meteor Soc,126:1431-1454.

Cardinali C.2009.Monitoring the observation impact on the short-range forecast[J].Quart J Roy Meteor Soc,135:239-250.

Charney J G,Fjqrtift R,von Neuman J.1950.Numerical intergration of the varotropic vorticity equation[J].Tellus,2:237-254.

Chen F,Dudhia J.2001.Coupling an advanced land-surface/hydrology model with the Penn State/NCAR MM5 modeling system.Part I:Model description and implementation[J].Mon Wea Rev,129:569-585.

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 Jinzhong,Wang Shizhang,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).

陈耀登,王元兵,闵锦忠,等.2014.一种控制变量循环扰动和多参数化方案的混合同化方法[J].大气科学学报,37(6):732-739.Chen Yaodeng,Wang Yuanbing,Min Jinzhong,et al.2014.A hybrid assimilation method with control variable cycle perturbation and multi-physical parameterization[J].Trans Atmos Sci,37(6):732-739.(in Chinese).

Doerenbecher A,Bergot T.2001.Sensitivity to observations applied to FASTEX cases[J].Nonlinear Processes Geophys,8:467-481.

Dudhia J.1989.Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J].J Atmos Sci,46:3077-3107.

Dudhia J,Hong S Y,Lim K S.2008.A new method for representing mixed-phase particle fall speeds in bulk microphysics parameterizations[J].J Meteor Soc Japan,86:33-44.

Fourrie N,Doerenbecher A,Bergot T,et al.2002.Adjoint sensitivity of the forecast to TOVS observations[J].Quart J Roy Meteor Soc,128:2759-2777.

Gelaro R,Zhu Y,Errico R M.2007.Examination of various-order adjoint-based approximations of observation impact[J].Meteor Z,16:685-692.

郭锐,张国平,李泽椿.2010.对于一次川渝暴雨的ATVOS资料同化数值模拟[J].大气科学学报,33(5):615-623.Guo Rui,Zhang Guoping,Li Zechun.2010.Assimilation and numerical simulation of ATOVS data of the heavy rain over eastern Sichuan province and Chongqing[J].Trans Atmos Sci,33(5):615-623.(in Chinese).

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[R]//Papers Presented at the Twelfth PSU/NCAR Mesoscale Model User’s Workshop NCAR.

Hong S Y,Noh Y,Dudhia J.2006.A new vertical diffusion package with an explicit treatment of entrainment processes[J].Mon Wea Rev,134:2318-2341.

Jung B J,Kim H M,Auligné T,et al.2013.Adjoint-derived observation impact using WRF in the western North Pacific[J].Mon Wea Rev,141:4080-4097.

Kain J S.2004.The Kain-Fritsch convective parameterization:An update[J].J Appl Meteor,43:170-181.

Langland R H,Baker N L.2004.Estimation of observation impact using the NRL atmospheric variational data assimilation adjoint system[J].Tellus A,56:189-201.

李华宏,薛纪善,王曼,等.2007.多普勒雷达风廓线的反演及变分同化试验[J].应用气象学报,18(1):50-57.Li Huahong,Xue Jishan,Wang Man,et al.2007.The retrieval and variational assimilation experiment on wind profile of doppler radar[J].J Appl Meteor Sci,18(1):50-57.(in Chinese).

李新峰,赵坤,王明筠,等.2013.多普勒雷达资料循环同化在台风“鲇鱼”预报中的应用[J].气象科学,33(3):255-263.Li Xinfeng,Zhao Kun,Wang Mingyun,et al.2013.Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data[J].J Meteor Sci,33(3):255-263.(in Chinese).

闵锦忠,陈杰,王世璋,等.2011.WRF-EnSRF同化系统的效果检验及其应用[J].气象科学,31(2):135-144.Min Jinzhong,Chen Jie,Wang Shizhang,et al.2011.The test of WRF-EnARF data assimilation system and its applications in storm scale events[J].J Meteor Sci,31(2):135-144.(in Chinese).

闵锦忠,孔莹,杨春,等.2012.卫星辐射率资料EnSRF同化及暴雨模拟应用[J].大气科学学报,35(3):272-281.Min Jinzhong,Kong Ying,Yang Chun,et al.2012.Assimilation of radiance data in WRF-EnSRF and its application in a rainstorm simulation[J].Trans Atmos Sci,35(3):272-281.(in Chinese).

闵锦忠,毕坤,陈耀登,等.2013.基于物理约束扰动的EnSRF雷达资料同化[J].大气科学学报,36(2):129-138.Min Jinzhong,Bi Kun.Chen Yaodeng,et al.2013.Assimilation of Doppler radar data with EnSRF based on physical constraint perturbation[J].Trans Atmos Sci,36(2):129-138.(in Chinese).

Mlawer E J,Taubman S J,Brown P D,et al.1997.Radiative transfer for inhomogeneous atmospheres:RRTM,a validated correlated-k model for the longwave[J].J Geophys Res,102(D14):16663-16682.

王顺凤,蔡春园,沈桐立.2011.一次暴雨过程的变分同化试验及诊断分析[J].大气科学学报,34(2):153-161.Wang Shunfeng,Cai Chunyuan,Shen Tongli.2011.Variational assimilation and diagnosis of a rainstorm process[J].Trans Atmos Sci,34(2):153-161.(in Chinese).

徐枝芳,龚建东,王建捷,等.2007.复杂地形下地面观测资料同化Ⅰ.模式地形与观测站地形高度差异对地面资料同化的影响研究[J].大气科学,31(2):222-232.Xu Zhifang,Gong Jiandong,Wang Jianjie,et al.2007.A study of assimilation of surface observational data in complex terrain part Ⅰ:Influence of elevation diference between model surface and observation site[J].Chinese J Atmos Sci,31(2):222-232.(in Chinese).

杨艳蓉,曾明剑.2012.雷达资料同化对暴雨预报影响的数值模拟研究[J].气象科学,32(2):145-152.Yang Yanrong,Zeng Mingjian.2012.Numerical simulation analysis on radar data assimilation for summer rainstorm forecast[J].J Meteor Sci,32(2):145-152.(in Chinese).

Zhang Xiaoyan,Huang Xiangyu,Zhang Xin,et al.2012.Evaluation of TAMDAR data impact on forecast error with WRFDA-FSO system[EB/OL].2012[2014-06-06].https://ams.confex.com/ams/92Annual/webprogram/Paper199032.html.

赵延来,黄思训,张维峰,等.2013.三维变分同化中多变量平衡约束设计[J].大气科学学报,36(3):277-285.Zhao Yanlai,Huang Sixun,Zhang Weifeng,et al.2013.Design of multivariable balance constraintsin three-dimensional variational assimilation[J].Trans Atmos Sci,36(3):277-285.(in Chinese).

朱琳,寿绍文,彭加毅,等.2008.集合卡尔曼滤波同化探空资料的数值试验[J].大气科学学报,31(2):264-271.Zhu Ling,Shou Shaowen,Peng Jiayi,et al.2008.Numerical test of an ensemble Kalman filter for sounding data assimilation[J].Trans Atmos Sci,31(2):264-271.(in Chinese).

Zou X,Vandenberghe F,Pondeca M,et al.1997.Introduction to adjoint techniques and the MM5 adjoint modeling system[R]//NCAR Tech Note,NCAR/TN-435+STR.

(责任编辑：倪东鸿)

Evaluation of conventional observations contribution on WRF model forecast error in the eastern of Tibetan Plateau

WANG Man1,DUAN Xu1,LI Hua-hong2,FU Rui1,CHEN Xin-mei1,WANG Kang3

(1.Yunnan Institute of Meteorology,Kunming 650034,China; 2.Meteorological Observatory of Yunnan Province,Kunming 650034,China;3.Wuhan Meteorological Bureau,Wuhan 430040,China)

Abstract:The contribution of conventional observations on the east side of Tibetan Plateau to forecast error in WRF model is evaluated by using the WRFDA-FSO(Forecast Sensitivity to Observation) system from May to October in 2009 and 2010.Results show that,for the surface observations,the surface temperature contributes the major impact to the forecast error,the surface wind,surface pressure and water vapor contribute the minor impact,and the surface observations located in the regions(including eastern of Sichuan,most of Guangxi,and south edge of Yunnan) contribute the positive impact.For the sounding observations,the sounding temperature contributes the major impact to the forecast error,the sounding water vapor and sounding wind contribute minor impact,and the sounding observations located in the regions(including most of Yunnan,west edge of Guizhou,and northwest edge of Guangxi) contribute positive impact.After removing the surface and sounding observations,which contribute negative impact,the precipitation and temperature forecast are improved.

Key words:east side of Tibetan Plateau;WRFDA-FSO system;contribution to forecast error;numerical experiment

doi：10.13878/j.cnki.dqkxxb.20130520003

文章编号：1674-7097(2015)03-0379-09

中图分类号：P435

文献标志码：A

通信作者：王曼,硕士,高级工程师,研究方向为中尺度数值模式应用,wangmanbox@163.com.

基金项目:公益性行业(气象)科研专项(GYHY201206039;GYHY201106005;GYHY201006053)

收稿日期：2013-05-20;改回日期:2013-09-13

王曼,段旭,李华宏,等.2015.青藏高原东侧常规观测资料对WRF模式预报误差的贡献分析[J].大气科学学报,38(3):379-387.doi：10.13878/j.cnki.dqkxxb.20130520003.

Wang Man,Duan Xu,Li Hua-hong，et al.2015.Evaluation of conventional observations contribution on WRF model forecast error in the eastern of Tibetan Plateau[J].Trans Atmos Sci,38(3):379-387.(in Chinese).