CN113419246B - 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 - Google Patents
一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 Download PDFInfo
- Publication number
- CN113419246B CN113419246B CN202110650892.XA CN202110650892A CN113419246B CN 113419246 B CN113419246 B CN 113419246B CN 202110650892 A CN202110650892 A CN 202110650892A CN 113419246 B CN113419246 B CN 113419246B
- Authority
- CN
- China
- Prior art keywords
- nudging
- data
- forecast
- radar
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000002310 reflectometry Methods 0.000 claims abstract description 12
- 238000007865 diluting Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 description 52
- 238000012360 testing method Methods 0.000 description 27
- 230000001186 cumulative effect Effects 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 210000002287 horizontal cell Anatomy 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,该方法包括以下步骤:⑴假设模式在0000 UTC冷启动,以模式经过spin‑up预报后的多时刻预报场为背景场,分别用3DVar方法同化相应时刻的雷达观测资料,得到15 min间隔的分析场;⑵将15 min间隔的分析场中的格点资料从4km网格稀释到16 km网格上,然后将相应时刻雷达观测组合反射率大于等于15 dBZ的点的水平风、温度和相对湿度值以探空资料的格式写出,作为代理探空观测;⑶将代理探空观测的资料通过观测Nudging方法同化到数值预报模式中,然后继续预报得到预报场;⑷对预报场进行预报检验。本发明合理有效,可以更好地利用高分辨率雷达资料,减少高频循环同化虚报的降水,提高强对流天气的预报水平。
Description
技术领域
本发明涉及气象数据处理方法,尤其涉及一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法。
背景技术
强对流天气的发生往往伴随着闪电、雷暴、大风、冰雹、短时强降水等灾害性天气,极大地影响人类生产生活和社会经济。但因其生命史短暂、空间尺度小、局地性强、突发性强、发展演变迅速、破坏性大,对此类事件的准确预报一直是个难题。雷达可用于监测中小尺度对流活动的发生和发展,雷达资料同化也是一种非常有用的方法,可以提高初始条件的准确性,从而改善强对流天气预报。
三维变分(3DVar)方法可以直接同化常规观测和非常规观测资料(如雷达、卫星资料)。大量研究表明,使用3DVar方法同化雷达资料可以显著改善对流降水预报(Xiao andSun2007; Yang et al., 2009; Abhilash et al.2012; Zhao et al.2012; Maiello etal.2014; Vendrasco et al., 2016; Sun et al., 2016; Tong et al., 2016; Gao etal., 2018)。由于大多数中尺度过程发展非常迅速,小的时间和/或相位误差可以导致大的增量,而3DVar作为一种间歇性的资料同化方法,用该方法在分析时刻正确地消化这些大的增量(冲击)以产生精确、平衡的分析可能会存在问题。Vendrasco et al.(2016)经验地认为使用3DVar技术同化雷达资料可能会产生大的风增量和虚假的降水,这种行为的原因之一可能是在初始场中缺乏适当的平衡。由雷达径向风同化引起的风增量在对流尺度上不受其他场的平衡,可能包含显著的噪声,这些噪声可能会污染大尺度平衡。其他一些研究也表明,使用3DVar方法同化雷达资料可能会产生虚假降水和较大的降水位置与量级的偏差(例如Sun et al., 2016; Tong et al., 2016; Federico et al.2019; Lin et al.,2021)。而高频循环同化可能会使这些问题变得更加严重,因为误差和噪声会在循环中不断累积,最终影响模式预报的效果。
Reen(2007)研究指出,3DVar方法往往会产生噪声,可以使用数字滤波器(Lynch,1993)来消除。一些研究采用数字滤波初始化(digital filter initialization, DFI)技术来减小初始场的高频振荡,但是,DFI也可以去除真实的大气特征,并且只有在同化过程结束之后才能实施。Lee et al.(2006)使用增量分析更新(incremental analysisupdate, IAU; Bloom, 1996)技术,通过在预报期间逐步添加分析增量,有效降低了3DVar系统产生的初始噪声和湿度spin-up。然而,IAU方法并不能消除分析场的噪声,而是通过在预报期间逐步添加增量来减小噪声的影响。Vendrasco et al.(2016)在WRF模式3DVar系统的成本函数中添加大尺度分析约束来减小初始场的不平衡,取得了一定的效果。虽然四维变分(4DVar)可以通过对数值模式的约束得到更好的平衡分析,但由于其计算成本过高,在业务系统中应用并不广泛。
观测Nudging是一种连续渐进的资料同化方法,因为它是在一段时间内的每个时间步上应用的,其相对于3DVar具有理论上的优势,允许模式有一段时间逐渐适应观测结果,似乎是缓解增量冲击的可行方法。这种技术的优点是概念简单,计算成本相对较低,因为它只需要添加一个额外的趋势项;此外,该方法不需要额外的模拟来构建适当的背景误差协方差。Nudging的连续性只允许在任何给定的时间步对模式解进行相对较小的更改,这允许保持模型的动力平衡和变量间的一致性,而不像间歇性资料同化技术(如3DVar)那样,在一个或仅有的几个时间点应用更大的变化。在多小时的预预报中进行观测Nudging,可以在预预报期间通过平流传播改善初始场的质量。
观测Nudging在过去的许多研究中都得到了成功的应用。张胜军等(2004)通过Nudging技术将“中国登陆台风外场科学试验”中得到的风廓线仪资料同化到MM5 V3模式中,结果表明一定程度上改善了强热带风暴降水的模拟。Yu et al.(2007)基于WRF模式比较了WRF 3DVar、格点Nudging、观测Nudging同化对IHOP-2002期间夏季对流短期预报的影响,结果表明,观测Nudging的表现最好。刘红亚等(2007)将从雷达反射率因子资料反演的云微物理量和垂直速度采用Nudging技术同化到GRAPES模式,对一次梅雨锋暴雨过程进行同化试验,结果表明,采用Nudging初始化方法,可使背景场与雷达观测反演资料相协调,缩短spin-up时间,成功模拟了6 h的降水过程。Reen and Stauffer(2010)在MM5的一维版本中,研究了地表和边界层质量场观测的同化对行星边界层的影响,发现利用观测Nudging细致地同化地表质量场(温度和水汽)的观测可以改善中尺度模式的模拟。冉令坤等(2011)提出一种利用TRMM卫星闪电观测资料改善中尺度数值模式初始水汽和云凝结物含量的Nudging同化技术,即将物理初始化方法和Nudging同化方法相结合,并将这种技术应用于一次短时降水过程的数值模拟,结果表明可以改善模式短时降水和云凝结物的预报。魏蕾等(2012)基于WRF模式,选取一次层状云系降水过程,利用观测Nudging同化加密探空资料中的温度,结果表明可以改进雷达回波、高度场和温度的预报,预报的降水更接近实况。Fierro et al.(2012)通过Nudging方法同化由闪电资料转换的水汽,显著提高了对流的预报能力。江志红等(2018)利用WRF模式及其Nudging同化系统同化三峡地区2588个自动站的观测资料,建立了3 km高分辨率气温场,结果表明同化自动站观测减小了大部分地区平均气温场误差,逐小时气温相关系数增加,偏差范围和均方根误差减小。张兰等(2019)基于1km分辨率的华南区域短临预报模式,选取两次华南暴雨过程,利用观测Nudging同化从雷达资料反演的风场和水物质场,改进了0-10 h的降水预报。
以上研究已经证实了观测Nudging方法可以用于改善对流降水预报。然而,传统Nudging方法的一个最大缺点是,不能直接同化非模式变量的观测资料,例如雷达径向风,因为模式不能直接预报径向风,因此无法将来自雷达的径向风观测直接进行Nudging同化。相比之下,其他方法(如3DVar)通常使用一个前向观测算子来摄取这些观测。因此需要开发新的资料同化方法来发挥各种资料同化方法的优点,同时减少它们各自的缺点。
发明内容
本发明所要解决的技术问题是提供一种合理有效、改善强对流降水预报的用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法。
为解决上述问题,本发明所述的一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,包括以下步骤:
⑴假设模式在0000 UTC冷启动,以模式经过spin-up预报后的多时刻预报场为背景场,分别用3DVar方法同化相应时刻的雷达观测资料,得到15 min间隔的分析场;
⑵将所述15 min间隔的分析场中的格点资料从4km网格稀释到16 km网格上,然后将相应时刻雷达观测组合反射率大于等于15 dBZ的点的水平风、温度和相对湿度值以探空资料的格式写出,作为代理探空观测;
⑶将所述代理探空观测的资料通过观测Nudging方法同化到数值预报模式中,然后继续预报得到预报场;
⑷对所述预报场进行预报检验。
所述步骤⑴中多时刻预报场是指0900 UTC、0915 UTC…、1200 UTC,间隔为15min。
所述步骤⑴中雷达观测资料是指径向风和反射率。
所述步骤⑶观测Nudging方法中的Nudging系数设置为1×10-2;Nudging变量包括水平风、温度和相对湿度,影响半径设置为16 km。
本发明与现有技术相比具有以下优点:
1、本发明基于中尺度数值模式WRF,结合了3DVar可以同化非模式变量观测资料和观测Nudging连续渐进同化可以使背景场与观测资料相协调,获得动力平衡的初始场的优点,用观测Nudging方法同化多时刻使用3DVar方法同化雷达资料后的分析场,以期改善强对流降水的预报。
2、本发明合理有效,可以更好地利用高分辨率雷达资料,减少高频循环同化虚报的降水,提高强对流天气的预报水平。
3、与仅使用3DVar方法循环同化雷达资料后的预报相比,本发明方法具有更低的噪声水平,可以获得具有良好平衡和动态一致的初始状态,其初始场中水汽辐合区和垂直运动上升区与雷达观测的对流更为匹配;进而有效改善了数值模式对强对流过程回波和降水的预报,减少了虚报的降水,缓解了降水的高估,尤其是对强降水的预报改进更为明显。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明设计的Nudging逼近多时刻3Dvar分析场方法示意图。
图2为本发明从3Dvar分析场中提取的代理探空观测的分布图。其中:(a)是2018年6月27日0900 UTC雷达观测的组合反射率图;(b)是相应时次从3Dvar分析场中提取的代理探空观测点的分布图。
图3为本发明中平均绝对地面气压趋势(MASPT)的时间序列图。
图4为本发明中观测和模拟的累积降水分布图。其中:(a)是观测的2018年6月27日1200 UTC 至1800 UTC的累积降水;(b)是控制实验(EXP_CTL)模拟的2018年6月27日1200UTC 至1800 UTC的累积降水;(c)是同化试验(EXP_3DV)模拟的2018年6月27日1200 UTC 至1800 UTC的累积降水;(d)是同化试验(EXP_3DV_ON)模拟的2018年6月27日1200 UTC 至1800 UTC的累积降水。
图5为本发明中降水预报评分图。其中:(a)为ETS(公平威胁分数)评分;(b)为FAR(虚报率)评分(c)为BIAS(偏差)评分。评分阈值为1、5、10、20、30、40、50、60、80和100 mm。
具体实施方式
如图1所示,一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,包括以下步骤:
⑴由于雷达的观测资料(径向风和反射率)是非模式变量,不能对其直接进行Nudging同化,因此先使用3DVar方法同化雷达观测资料。
假设模式在0000 UTC冷启动,以模式经过spin-up预报后的多时刻预报场为背景场,分别用3DVar方法同化相应时刻的雷达观测资料,得到15 min间隔的分析场。
其中:多时刻预报场是指0900 UTC、0915 UTC…、1200 UTC,间隔为15 min。
雷达观测资料是指径向风和反射率。其具体同化过程如下:
径向风采用Xiao et al.(2005)中的直接同化方案同化,多普勒径向风同化观测算子v r 为:
其中:(u,v,w)是大气三维风分量;(x,y,z)是雷达位置;(x i ,y i ,z i )是雷达观测位置;r i 是雷达与观测点之间的距离;v T 是下落末速度,计算公式(Sunand Crook, 1997)如下:
对于雷达反射率资料的同化,采用Wang et al.(2013)描述的间接同化方案,同化从反射率反演的雨水和估计的云内水汽。此外,在WRF 3DVar成本函数中加入了与雪混合比和霰混合比相关的观测项,采用Gao and Stensrud(2012)描述的公式同化从雷达反射率中反演的雪混合比和霰混合比。
⑵将15 min间隔的分析场中的格点资料从4km网格稀释到16 km网格上,然后将相应时刻雷达观测组合反射率大于等于15 dBZ的点的水平风、温度和相对湿度值以探空资料的格式写出,作为高时空分辨率的代理探空观测。
⑶将代理探空观测的资料通过观测Nudging方法同化到数值预报模式中,然后继续预报得到预报场。
观测Nudging方法中的Nudging系数设置为1×10-2;Nudging变量包括水平风、温度和相对湿度,这些变量在整层都进行Nudging同化;影响半径设置为16 km。
⑷对预报场进行预报检验。
实施例
为验证本发明对强对流预报的改善效果,选取了2018年6月27日发生在我国安徽和江苏地区的一次强对流过程进行个例分析。
本次试验总共设计一组控制试验和两组同化试验。
控制试验EXP_CTL从2018年6月27日0000 UTC冷启动预报到6月27日1800 UTC,共运行18 h,前9 h作为 “spin-up”时间,其9 h预报场作为两组同化试验的背景场。控制试验EXP_CTL不同化任何观测资料,用来考察同化试验的预报效果。
同化试验EXP_3DV从0900 UTC至1200 UTC,每15 min同化一次雷达观测(雷达径向风和反射率),共同化13次,以1200 UTC同化后的分析场为初始场,向前预报6 h。同化试验EXP_3DV_ON采用本发明中的方法同化0900 UTC至1200 UTC的雷达观测资料,以1200 UTC同化后的分析场为初始场,向前预报6 h。在同化之前,需按常规方法对雷达观测资料进行预处理和质量控制,包括去除杂波和噪声、去除孤立点和速度退模糊,另外需对资料进行稀释处理并插值到WRF模式网格上。
采用WRF模式,3.9.1版本,模拟区域设置为单层,400×400水平网格,水平格距为4km,垂直层数为50层,模式顶层气压为50 hPa,积分时间步长为20 s。初始条件和边界条件由间隔3h的 NCEPGFS 0.25°×0.25°分析场和预报场提供。WRF模拟中使用的物理参数化方案包括Thompson微物理方案(Thompson et al., 2008)、RRTM长波辐射方案(Mlawer etal., 1997)、Goddard短波辐射方案(Chou and Suarez, 1999)、Noah 陆面模式(Ek etal., 2003)和 YSU行星边界层方案(Hong et al., 2005)。由于网格分辨率较细,所以未采用积云参数化方案。为了更有效地在对流尺度上同化高分辨率雷达观测资料,采用以水平风UV为动量控制变量的背景误差协方差。结果如图2~5所示。
图2以2018年6月27日0900 UTC同化时刻为例,展示了在使用Nudging逼近多时刻3DVar分析场方法同化雷达观测后,从分析场提取的代理探空观测点的分布。从图中可以看出,代理探空观测区域与雷达观测组合反射率大于等于15 dBZ的区域基本一致。该时次共提取了227个代理探空观测数据。
采用平均绝对地面气压趋势(Mean absolute surface pressure tendency,MASPT)用来测量WRF模式初始场的噪声水平和不平衡特征:
其中,P s 是每个网格点上的地面气压,I和J分别代表模拟区域纬向和经向格点数,等式右侧绝对值项代表局地整层质量场的辐合辐散,因此它的区域平均反映的是区域中重力波强度的总体水平。
图3为三组试验MASPT的时间序列分布。控制试验EXP_CTL在整个预报过程中未同化任何观测资料,在从0000 UTC冷启动到1200 UTC后的预报可以作为一个“无噪声”的参考预报。从图中可以看出,试验EXP_3DV的初始值很大,并且下降很慢,经过3 h才降到初始值的50%,大概5h后才比较平稳,但其值仍比试验EXP_3DV_ON和EXP_CTL高。而试验EXP_3DV_ON使用观测Nudging方法连续同化代理探空观测资料,在使预报值逐步逼近观测值的同时,可以对由资料插入而激发出的重力惯性波进行有效阻尼,因此,其MASPT的初始值较小,仅为32 Pa/30min,且随时间的变化比较平稳,在3h后与控制试验EXP_CTL一致。这表明采用本发明方法产生的初始场比仅使用3DVar方法循环同化雷达资料产生的初始场平衡性更好,噪音更小。
图4为三组试验2018年6月27日1200-1800 UTC的6h累积降水分布图。从图中可以看到,观测降水分布呈东西向,有两个主要的强降水区域,降水量超过100 mm,一个位于安徽省北部,强降水范围较大,另一个位于江苏省东部,强降水范围较小。控制试验EXP_CTL预报的降水也基本呈东西向,预报出了东西两个强降水中心(降水量超过50 mm),但是其预报的强降水范围和量级明显小于观测,尤其是对安徽省北部的强降水预报明显不足。两组同化试验预报的降水较EXP_CTL 有明显地改善。然而,试验EXP_3DV预报的强降水明显高估,尤其是位于江苏省东部的降水,其范围和量级都比观测降水偏大很多,且其预报的安徽省北部的强降水位置较观测偏东很多,与其东部的强降水区域连在一起;此外,该试验在江苏省东南部也产生了虚假的强降水预报。与试验EXP_3DV相比,EXP_3DV_ON预报的降水形态与观测更为接近,成功地预报出两个强降水区域,明显减弱了EXP_3DV在江苏省东部过强的降水和江苏省东南部虚假的强降水;此外其改善了安徽省北部强降水的预报,强降水落区更加偏西,与实况更为一致。
图5为三组试验预报的6h累积降水相对于观测降水的ETS、FAR和BIAS评分,共设1、5、10、20、30、40、50、60、80和100 mm 10个阈值。从图中可以看出,两组同化试验的ETS评分在所有阈值处都一致高于控制试验EXP_CTL,EXP_CTL在80 mm和100 mm阈值处,ETS和BIAS评分几乎为0,FAR为0,说明其完全漏报了80 mm以上的降水,BIAS在所有阈值都小于0,说明其对降水预报不足,存在干偏差。试验EXP_3DV_ON的ETS评分在10 mm阈值以下小于EXP_3DV,但在10 mm阈值以上明显高于EXP_3DV;EXP_3DV_ON的FAR评分除在5mm阈值以下与EXP_3DV接近以外,其余阈值都明显小于EXP_3DV;EXP_3DV_ON的BIAS评分也较EXP_3DV更接近于1,在1±0.4范围内,而EXP_3DV的BIAS评分远大于EXP_3DV_ON,尤其是对于10 mm以上阈值。以上比较表明尽管试验EXP_3DV改善了降水预报,但是其明显高估了降水,产生了虚假的降水预报;而EXP_3DV_ON对降水预报尤其是对于强降水的预报改善更多,并且其预报的降水范围和量级更接近实况,虚报的降水较少。
Claims (4)
1.一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,包括以下步骤:
⑴假设模式在0000 UTC冷启动,以模式经过spin-up预报后的多时刻预报场为背景场,分别用3DVar方法同化相应时刻的雷达观测资料,得到15 min间隔的分析场;
⑵将所述15 min间隔的分析场中的格点资料从4km网格稀释到16 km网格上,然后将相应时刻雷达观测组合反射率大于等于15 dBZ的点的水平风、温度和相对湿度值以探空资料的格式写出,作为代理探空观测;
⑶将所述代理探空观测的资料通过观测Nudging方法同化到数值预报模式中,然后继续预报得到预报场;
⑷对所述预报场进行预报检验。
2.如权利要求1所述的一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,其特征在于:所述步骤⑴中多时刻预报场是指0900 UTC、0915 UTC…、1200 UTC,间隔为15 min。
3.如权利要求1所述的一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,其特征在于:所述步骤⑴中雷达观测资料是指径向风和反射率。
4.如权利要求1所述的一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法,其特征在于:所述步骤⑶观测Nudging方法中的Nudging系数设置为1×10-2;Nudging变量包括水平风、温度和相对湿度,影响半径设置为16 km。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650892.XA CN113419246B (zh) | 2021-06-11 | 2021-06-11 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650892.XA CN113419246B (zh) | 2021-06-11 | 2021-06-11 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113419246A CN113419246A (zh) | 2021-09-21 |
CN113419246B true CN113419246B (zh) | 2022-08-23 |
Family
ID=77788216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650892.XA Active CN113419246B (zh) | 2021-06-11 | 2021-06-11 | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419246B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004426B (zh) * | 2021-12-31 | 2022-04-29 | 浙江省气象台 | 一种短时暴雨预报释用模型的动态调整方法 |
CN114662127B (zh) * | 2022-03-09 | 2024-05-31 | 中金金融认证中心有限公司 | 数据同化的方法、设备和可读存储介质 |
CN117214979B (zh) * | 2023-10-08 | 2024-03-22 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种相控阵雷达资料同化方法、装置及设备 |
CN118100165B (zh) * | 2024-03-05 | 2024-07-26 | 兰州大学 | 一种同化机舱雷达测风资料改进风电功率预测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007010561A (ja) * | 2005-07-01 | 2007-01-18 | Toshiba Corp | 気象予測システム及び気象予測方法 |
CN106772696A (zh) * | 2016-11-15 | 2017-05-31 | 兰州大学 | 用于强对流天气预报的同化总闪转换代理湿度的方法 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
CN109975809A (zh) * | 2019-04-26 | 2019-07-05 | 兰州大学 | 一种同化雷达及闪电资料的方法 |
CN112149859A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
CN112541655A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种针对区域风能资源精细化评估需求的大气再分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2753542A1 (en) * | 2008-11-13 | 2010-05-20 | Saint Louis University | Apparatus and method for providing environmental predictive indicators to emergency response managers |
-
2021
- 2021-06-11 CN CN202110650892.XA patent/CN113419246B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007010561A (ja) * | 2005-07-01 | 2007-01-18 | Toshiba Corp | 気象予測システム及び気象予測方法 |
CN106772696A (zh) * | 2016-11-15 | 2017-05-31 | 兰州大学 | 用于强对流天气预报的同化总闪转换代理湿度的方法 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
CN109975809A (zh) * | 2019-04-26 | 2019-07-05 | 兰州大学 | 一种同化雷达及闪电资料的方法 |
CN112149859A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
CN112541655A (zh) * | 2020-11-09 | 2021-03-23 | 华能新能源股份有限公司 | 一种针对区域风能资源精细化评估需求的大气再分析方法 |
Non-Patent Citations (5)
Title |
---|
An Evaluation of 3DVAR, Nudging-based FDDA, and a Hybrid Scheme for Summer Convection Forecasts Using the WRF-ARW Model;Wei Yu, et al;《ResearchGate》;20071231;p1-5 * |
COMMERCIAL IMPLEMENTATION OF WRF WITH EFFICIENT COMPUTING AND ADVANCED DATA ASSIMILATION;B. L. Shaw*, et al;《NCAR 9th WRF user" Workshop》;20081231;p1-7 * |
Impacts of the radar data assimilation frequency and large-scale constraint on the short-term precipitation forecast of a severe convection case;Erliang Lin,et al;《Atmospheric Research》;20210323;p1-14 * |
三维变分和物理初始化方法相结合同化多普勒雷达资料的试验研究;杨毅等;《气象学报》;20081231;第479-488页 * |
复杂地形下结合谱逼近和三维变分方法同化地面资料的高分辨率降尺度模拟研究;李洪兵;《中国优秀硕士学位论文全文数据库 基础科学辑》;20210115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113419246A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113419246B (zh) | 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法 | |
Hu et al. | 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 | |
Caumont et al. | 1D+ 3DVar assimilation of radar reflectivity data: a proof of concept | |
Hu et al. | 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 | |
Storm et al. | Evaluation of the weather research and forecasting model on forecasting low‐level jets: Implications for wind energy | |
Wang et al. | Radar data assimilation with WRF 4D-Var. Part I: System development and preliminary testing | |
Parker | Composite VORTEX2 supercell environments from near-storm soundings | |
Buehner et al. | Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part II: One-month experiments with real observations | |
Simonin et al. | Doppler radar radial wind assimilation using an hourly cycling 3D‐Var with a 1.5 km resolution version of the Met Office Unified Model for nowcasting | |
Tong et al. | Design strategies of an hourly update 3DVAR data assimilation system for improved convective forecasting | |
Brewster | Phase-correcting data assimilation and application to storm-scale numerical weather prediction. Part I: Method description and simulation testing | |
Mahbub Alam | Impact of cloud microphysics and cumulus parameterization on simulation of heavy rainfall event during 7–9 October 2007 over Bangladesh | |
Dixon et al. | The impact of lightning data assimilation on deterministic and ensemble forecasts of convective events | |
Ha et al. | Effect of length scale tuning of background error in WRF-3DVAR system on assimilation of high-resolution surface data for heavy rainfall simulation | |
Tian et al. | An assimilation test of Doppler radar reflectivity and radial velocity from different height layers in improving the WRF rainfall forecasts | |
Dawson et al. | Numerical forecasts of the 15–16 June 2002 Southern Plains mesoscale convective system: Impact of mesoscale data and cloud analysis | |
Lee et al. | Comparing 3DVAR and hybrid radar data assimilation methods for heavy rain forecast | |
Lee et al. | Improving wind predictions in the marine atmospheric boundary layer through parameter estimation in a single-column model | |
Brewster et al. | A nowcasting system using full physics numerical weather prediction initialized with CASA and NEXRAD radar data | |
Hou et al. | Evaluation of radar and automatic weather station data assimilation for a heavy rainfall event in southern China | |
Tsuyuki et al. | The JMA mesoscale 4D-Var system and assimilation of precipitation and moisture data | |
Lin et al. | Improving the nowcasting of strong convection by assimilating both wind and reflectivity observations of phased array radar: A case study | |
Liu et al. | Assimilation of the pseudo-water vapor derived from extrapolated radar reflectivity to improve the forecasts of convective events | |
Shahabadi et al. | Impact of weak coupling between land and atmosphere data assimilation systems on environment and climate change Canada’s global deterministic prediction system | |
Wu et al. | Application of deep learning to estimate stratospheric gravity wave potential energy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |