多普勒雷達資料同化在臺風“桑美”預報中的應用研究

沈菲菲，閔錦忠，陳鵬，李超

（1.南京信息工程大學氣象災害省部共建教育部重點實驗室，江蘇南京 210044；2.南京信息工程大學大氣科學學院，江蘇南京 210044；3.江蘇省氣象信息中心，江蘇南京 210008；4.江蘇省南通市氣象局，江蘇南通 226018）

多普勒雷達資料同化在臺風“桑美”預報中的應用研究

沈菲菲1，2，閔錦忠1，2，陳鵬3，李超4

（1.南京信息工程大學氣象災害省部共建教育部重點實驗室，江蘇南京 210044；2.南京信息工程大學大氣科學學院，江蘇南京 210044；3.江蘇省氣象信息中心，江蘇南京 210008；4.江蘇省南通市氣象局，江蘇南通 226018）

本文以2006年超強臺風“桑美”為個例，考察了同化雷達徑向風觀測資料對臺風初始場和預報場的改進作用。首先對沿海新一代多普勒天氣雷達的徑向風觀測資料進行了去噪音、退模糊等一系列的質量控制，進一步利用美國國家大氣研究中心開發的中尺度數值模式WRFV3.5及其三維變分同化系統WRF-3DVAR，每30 min循環同化雷達徑向風觀測資料。結果表明：同化多普勒雷達徑向風觀測資料后，對臺風在模式中的初始位置進行了很好的修正，同時對臺風區的動力和熱力結構均有較好的調整。兩組同化試驗對于臺風的路徑、強度、降水等預報要優于控制試驗，并且對背景誤差協方差尺度化因子優化調整可以更有效地吸收雷達觀測資料并提供更多的中小尺度信息。

雷達徑向風資料；資料同化；WRF-3DVAR系統；數值模擬

1 引言

臺風是熱帶洋面上生成并劇烈發展的強氣旋系統，所引發的災害，其累計損失是不可估量的。我國是一個多臺風的國家，每年夏季都會遭受臺風的侵襲。因而，利用數值模擬來對臺風進行預報便成為許多氣象專家所關注的問題，而數值預報的準確性很大程度上依賴于數值模式初始場的準確性，但由于海上少有觀測點布設，無法得到常規數據，故無法訂正數值模式的初始場，而初始場信息缺乏所造成的spinup問題［1］是影響準確模擬和預報臺風的一個重要因素。近年來，隨著世界范圍內多普勒天氣雷達組網的建設完善，其所觀測的數據具有高時空分辨率的特點，氣象學家開始關注如何利用這些數據對模式初始場進行改善。邱崇踐等［2］對移經美國Oklahoma州的強雷暴系統運用ARPS模式進行了數值模擬試驗，試驗結果表明在同化雷達徑向風觀測資料之后對模式的背景場有正的修正作用，并且對隨后的預報也產生了正影響。林靜芝和黎守德［3］研究發現將雷達徑向風資料引進模式從而進行同化，可以改進臺風風場的水平分布，對氣旋在模式中的初始化十分有利。Lindskog等［4］利用高分辨率有限區域模型（HIRLAM）和變分同化系統（3DVAR）對多普勒雷達徑向風資料進行同化，有效地提高了24 h風場的預報。Xiao等［5－7］在WRF和MM5的基礎上發展了3DVAR系統，并同化雷達徑向風資料和反射率資料進模式中，較大地提高了暴雨、臺風個例中的短時定量降水預報能力。顧建峰［8］將雷達徑向風速和反射率利用WRF模式及其同化系統WRF-3DVAR進行模擬和同化，結果發現通過直接同化能提高分析和預報質量，并且在觀測誤差選取、背景場誤差調優等方面依然存在很大的預報技巧。陳力強等［9］利用WRF模式的同化系統WRF-3DVAR直接同化了雷達徑向風和反射率，發現對冷渦系統的三維結構能有效反演，提供了較好的模式初始場。楊毅［10］、段云霞［11］利用WRF-3DVAR系統對直接和間接同化多普勒雷達徑向風資料進行比較，發現直接同化雷達徑向風的效果略差于間接同化的效果。陳鋒等［12］將多普勒雷達徑向風速資料利用WRF模式和WRF-3DVAR系統進行模擬和同化，發現同化試驗能調整模式初始風場，WRF模式模擬有效地改進了臺風結構，故而模式預報臺風強度、路徑和降水的能力得到提高；同時為了提高同化效果可以在一定程度上縮小同化時間間隔。施麗娟等［13］將雷達資料同化進ARPS-3DVAR系統，發現同化試驗對6 h同化窗口內的風場、降水和回波分布有明顯改善，從而提高模式對中尺度雨團的預報能力，改善了臺風降水和路徑的預報。李娜等［14］利用ARPS模式同化多部多普勒雷達觀測資料和常規探空資料對颮線天氣系統進行了模擬研究，發現雷達資料初始化以后能夠較好的模擬出颮線過程的動力和熱力機構，從而改進對中小尺度系統的預報。Yang等［15］通過同化多時刻多普勒雷達觀測資料對臺風海棠登陸前后的中尺度結構演變特征進行診斷分析，發現加入雷達資料后，可以有效的改進對臺風的強度和路徑預報。李新峰等［16］利用ARPS模式同化多時刻雷達資料和探空資料，發現雷達資料初始化主要改進臺風的結構場的分析，而常規資料同化主要改進環境場分析。

以上研究在理論應用和業務實踐中均取得了極大進步，但仍有一些工作需要進一步試驗和研究。本文利用美國新一代中尺度數值模式WRF模式及其同化系統WRF-3DVAR，對2006年第8號臺風“桑美”進行模擬，檢驗多普勒雷達徑向風資料在改進模式初始場及提高臺風路徑、強度和降水預報準確率等方面的應用效果及意義。

2 WRF-3DVAR系統及觀測算子簡介

2.1 WRF-3DVAR系統簡介

WRF-3DVAR三維變分同化系統是將資料同化歸結為一個表征分析場與觀測場和分析場與背景場偏差的二次泛函極小值問題（Lorenc［17］）。泛函定義為：

式中，x為分析變量向量，xb是背景場向量，y0是觀測向量，B是背景誤差協方差矩陣，O是觀測誤差協方差矩陣。y＝H（x）為分析變量的觀測相當量，H為觀測算子，可能是簡單的插值算子或復雜的模式，對于雷達徑向風資料，觀測算子除了包括空間插值算子，還包括物理轉換過程。三維變分系統的基本目標就是通過迭代方法求解以上目標函數的極小值，從而得出盡可能接近大氣真實狀態的估計值。在變分的極小化計算過程中要用到觀測誤差協方差及背景誤差協方差的逆矩陣。一般認為觀測之間是不相關的，矩陣O是對角陣或接近對角陣，求逆并不困難。由于背景場誤差協方差矩陣逆B－1的大條件數，使極小化問題是病態的，極小化的數值求解過程難于收斂。所以在分析前要進行預處理，通過控制變量轉換，使背景誤差間最大程度不相關，從而簡化背景誤差協方差矩陣。

2.2 雷達徑向風同化的觀測算子

由于雷達徑向速度并不是模式直接的觀測變量，需要建立一個觀測算子把模式的水平方向和垂直方向的速度與雷達徑向風速度相聯系起來。WRF-3DVAR中多普勒雷達徑向速度的觀測算子［18—19］為：

式中，（u，v，w）為風的分量，（x，y，z）是雷達站的位置，（xi，yi，zi）是雷達觀測的位置，ri是觀測點距離雷達的距離，vT是下落末速度（單位：m／s）。在雷達進行每個仰角的體掃過程中，必要考慮降水粒子的下落末速度，v的計算［20］采用如下形式：

其中，qra是雨水混合比（單位：g／kg），v是修正因子，定義為：

3 個例選取、雷達資料質量控制及試驗設計

3.1 “桑美”（0608，Saomai）臺風簡介

本文選取的個例是登陸浙江蒼南的0608號超強臺風“桑美”。根據歷史資料顯示，“桑美”臺風是近50多年來登陸我國大陸最強的臺風。嚴重影響了我國東部沿海地區，共造成了25億美元的巨大損失。其具有如下幾個特點：強度強，移動速度快，結構緊密，“個頭”小但臺風眼十分清晰。“桑美”具備了臺風的一切顯著特征，是十分“標準”的臺風。2006年8月5日12時（世界時，下同），在關島東南方的西北太平洋洋面上有熱帶風暴生成，命名為“桑美”，并編號0608，其后它便向西北方向移動，強度不斷加強。于8月7日06時加強為臺風，9日03時急劇加強為強臺風，9日10時最終加強為超強臺風，并保持著西北向移動路徑。10日09時25分“桑美”在浙江省蒼南縣馬戰鎮附近沿海登陸，登陸時中心最低氣壓920 hPa，中心附近最大風力17級，是近50年來直接登陸我國大陸最強的臺風。登陸后“桑美”迅速減弱填塞，10日15時減弱為強熱帶風暴，11日23時減弱為熱帶低壓，并停止編號。10－12日，受其影響，浙江南部及沿海、福建北部及沿海大部地區出現了8～10級大風，其中浙江東南部沿海和福建東北部沿海部分地區風力尤其大，有11～12級，局部地區風力達14～17級；“桑美”降水強度大，降水區域和時間特別集中，其過程雨量主要集中在10日傍晚至半夜，其中浙江蒼南云巖和平陽水頭5 h降水量分別達到了374 mm和233 mm。浙江蒼南和福建福鼎的部分地區受到了毀滅性的破壞，兩省因臺風共造成447人死亡，失蹤138人，直接經濟損失高達190.8億元。

3.2 雷達資料質量控制

本文使用的雷達資料來自于溫州雷達站布設的新一代S波段多普勒天氣雷達（27.90°N，120.74°E；型號：CINRAD／SA）。該雷達采用業務上運行的VCP21觀測模式進行連續體積掃描觀測，在0.5°～19.5°之間共有9個仰角，體掃時間間隔為6 min；徑向速度和反射率回波的最大觀測半徑分別為230 km和460 km，相應距離庫長為250 m和1 000 m。在進行多普勒雷達資料同化之前，有必要對雷達基數據進行必要的質量控制，剔除地物雜波，速度退模糊，最后把質量控制后的雷達觀測數據由球面坐標轉換到笛卡爾坐標。在轉換過程中進行了雷達觀測資料的稀疏化，目的為了減小計算成本。

圖1a給出了2006年8月10日臺風“桑美”溫州站（SA雷達）0.5°仰角層上的徑向速度資料，該資料中速度模糊較為嚴重。經過質量控制修正后（圖1b），徑向風速度由原先的25 m／s增加到了50 m／s，更加接近真實情況。

圖1 雷達徑向速度質量控制前（a）和控制后（b）對比Fig.1 Comparison of radar radial velocity before quality control（a）and after（b）

3.3 試驗設計

本文采用WRFV3.5的ARW版本作為預報模式。該模式為可壓縮、非靜力中尺度模式，水平方向采用荒川C網格，垂直方向采用隨地形的質量坐標。模擬區域（見圖2）中心為26.362°N，122.548°E，水平格點數為401×401，格距為5 km，垂直方向分為不等距的41層，模式層頂氣壓為100 hPa。由1°×1°分辨率的NCEP再分析資料提供初邊界條件，微物理過程采用WSM6類冰雹方案［21］，由于格點分辨率尚不能完整刻畫出臺風對流尺度特征，故采用Grell-Devenyi積云參數化方案［22］。其他物理參數化方案包括Yonsei University（YSU）［23］邊界層方案，5階熱量擴散方案，Rapid Radiative Transfer Model（RRTM）長波輻射方案，Dudhia短波輻射方案。試驗流程圖如圖3所示。

表1 試驗方案Tab.1 Experiment schemes

圖2 WRF模擬區域范圍，2006年8月10日00時至2006年8月10日18時臺風觀測最佳路徑圖和雷達中心位置及其雷達徑向風對應影響半徑Fig.2 The WRF model domain colored by terrain height（unit：m）.Best track positions for typhoon Saomai from CMA from 00：00 UTCto 18：00 UTC on 10th August 2006，the WZRD location and its coverage circles are also indicated

4 試驗結果分析

4.1 風場增量分析

圖3 NoDA試驗（a）和3DVAR試驗（b）流程圖Fig.3 The flow charts for NoDA experiment（a）and 3DVAR experiment（b）

圖4a為3DVARa同化后的風場增量場，圖中紅點為臺風實況中心位置。可見，氣旋性的增量環流位于觀測臺風的東南象限，而在臺風中心位置處的風場增量基本以東北風為主且量級最大；而在觀測臺風的西北象限，風場的增量分布又以反氣旋性增量為主，這樣的氣旋性與反氣旋性風場增量交替分布的形態與前人用WRFDA-3DVAR同化雷達徑向速度的結果類似［24］。然而當背景場嚴重低估臺風強度時，增量所應體現的強的渦旋環流結構并未體現。即用NMC方法所統計出來的背景誤差協方差不能很好的模擬出臺風的中心渦旋結構。造成這樣結果的原因可能是沒有對資料密集區域的雷達資料進行合理地平滑處理以及觀測資料對觀測影響半徑以外的區域不合理的影響造成的。圖4b為3DVARb的700 hPa風場增量場，可以發現當尺度化因子縮小后，在臺風的內核區中低層產生了顯著的氣旋性風場增量。在臺風渦旋結構中心位置，風場增量呈現了一個更強的氣旋性分布形態，并且在臺風眼區周圍量級達到最大。如此大的氣旋性增量主要由于背景場中的臺風渦旋結構太弱所導致。同時增量的空間分布形態與溫州站雷達所觀測到的流向雷達和離開雷達的徑向風速度分布相一致（圖略）。總體而言，兩組同化試驗在同化了雷達徑向風觀測資料之后，氣旋性的風場增量均在臺風中心區域出現，使得模擬的臺風結構得到加強。并且隨著尺度化因子的縮小，氣旋性增量越接近實況臺風中心，這說明尺度化因子的逐漸減小，可以使雷達觀測信息以更加合理的方式向四周傳播，進而改進模式初始場。在高時空分辨率的雷達資料同化中，較小的靜態背景誤差協方差的尺度化因子能顯著改進臺風路徑的預報效果。較大的尺度化因子會導致雷達徑向風影響范圍過大，導致通過分析得到的臺風結構不合理。較小的尺度化因子可以使分析更好的擬合觀測，進而得到更好的預報效果。

圖4 2006年8月10日03時3DVARa試驗（a）和3DVARb（b）試驗700 hPa風場增量Fig.4 The analysis wind increments of 700 hPa for3DVARa（a）and 3DVARb（b）at 03：00 UTC on 10th August 2006

4.2 徑向風觀測空間診斷以及MSLP在同化窗內的表現

本文進一步通過對比同化前的背景場和同化后的分析場，計算徑向風相對于觀測的均方根誤差［25—26］來判別同化效果的優劣。圖5a顯示了兩組同化試驗的Vr的雷達徑向風均方根誤差（RMSE）圖。從圖5a可以看出，兩組同化試驗每次分析后的RMSE都較前次有所下降，效果改進最為明顯的是第一個分析時刻，同化后Vr的RMSE顯著減小，3DVARb試驗從12.2 m／s降低到了3.5 m／s，而3DVARa試驗則降到了5.3 m／s，這可能是因為第一個分析時刻的觀測增量最大。每次分析后的30 min預報基本上都會把Vr的增量增加4 m／s，從而達到6～7 m／s。總體上看來，可以發現3DVARb試驗產生的分析場與Vr觀測是最為接近的，到了分析的后期階段，3DVARb試驗的效果更加顯著，觀測增量基本穩定在2 m／s左右，這與預先給定觀測誤差2 m／s是相符合的，從而說明經過尺度化因子優化可以有效的改進模式分析場，并且對隨后的預報也會產生正影響。

圖5 2006年8月10日03時00分至06時00分，每個同化時刻的同化前后均方根誤差（a）和最小海平面氣壓（b）Fig.5 The forecast and analysis（sawtooth pattern during DA cycling）for RMSE of radial velocity（a）and the minimum sea level pressures（b）for 3DVARa and 3DVARb from 03：00 to 06：00 UTC on 10th August 2006

圖5b考察的是同化區間內每次分析和預報的最小海平面氣壓，在同化的起始時刻（2006年08月10日03時），模式背景場中的最小海平面氣壓要比CMA-STI熱帶氣旋最佳路徑數據集中的最小海平面氣壓高80 h Pa。從圖中可以看出，兩組同化試驗中最小海平面氣壓的下降主要是通過模式預報調整從而實現的。第一次分析過程（03：00－03：30UTC）最小海平面氣壓下降尤為顯著，3DVARa試驗下降了6 h Pa，而3DVARb試驗則下降了27 hPa。這主要是因為風場是可以直接觀測到的參數，而氣壓則主要取決于背景誤差協方差矩陣的平衡約束關系。

4.3 臺風結構場分析

本文進一步檢驗各組試驗循環同化最后一個分析時次的臺風結構場。圖6分別顯示的是2006年8月10日06時雷達實況觀測及CNTL、3DVARa、3DVARb三組試驗分析的海平面氣壓場和近地面風場合成示意圖。由圖6可以看出，與CNTL試驗（見圖6b）相比，兩組同化試驗分析的臺風渦旋環流結構均要比控制試驗顯著，分析的海平面氣壓也要比控制試驗更接近實況，同時分析的臺風眼區小，眼壁厚實而緊密，大風區得到體現。但是3DVARa試驗（見圖6c）在觀測臺風的南側出現了虛假的反氣旋性中心，并且風壓場配置不是很協調。相比而言，3DVARb試驗（見圖6d）對于臺風中心強度的修正效果要明顯優于其他兩組試驗，與實況更為接近。同時低層的流場均是向臺風眼壁輻合，風場近乎閉合，臺風渦旋環流結構更為清晰，說明經過尺度化因子優化調整同化雷達徑向風資料后能夠更好地捕捉到臺風系統主要的環流結構場。

圖7是CNTL、3DVARa、3DVARb三組試驗的軸對稱切向風、水平溫度異常（以臺風中心為原點，180 km半徑內各高度上溫度水平平均偏差）。圖7a顯示CNTL試驗初始場的軸對稱環流很弱，臺風眼半徑較大，對應的中層暖心結構也較弱（4 K）。同CNTL相比，后面的兩組同化試驗中臺風的環流結構顯著增強，最大切向風速約45 m／s，位于邊界層內。眼墻半徑縮小，最大風速半徑縮小至20 km，最大溫度異常增強至8 K，位于8 km處。表明循環同化雷達資料能夠增強臺風渦旋，形成合理的軸對稱風場、溫度場，兩組同化試驗的軸對稱結構非常相似，表明雷達資料同化可對臺風內核區動力和熱力結構改進具有主導作用。

4.4 臺風路徑和強度預報檢驗

為了進一步評估各組同化試驗分析場質量的優劣，本文在各組同化試驗的最后一個分析時刻，分別作了8月10日06時至18時的12個小時確定性預報。圖8a是各組試驗臺風路徑對比圖，其中臺風中心位置是通過最小海平面氣壓來確定。由于本文只同化了雷達徑向風觀測資料，臺風路徑的變化主要取決于分析后的臺風環流結構場和臺風強度的變化。從圖8a中可以看出，前3 h，CNTL試驗模擬的路徑較實況路徑明顯偏南，而其他兩組同化試驗模擬的路徑與實況路徑相比均較為接近，CNTL試驗預報路徑不理想的初步原因歸結于初始時刻背景場氣壓比實況偏弱很多造成的。3 h以后，3DVARa試驗模擬的路徑誤差逐漸加大，較實況路徑偏西偏北。9 h之后，3DVARa試驗模擬的路徑較真實路徑偏離更為明顯，依然偏西偏北，而CNTL試驗則由于背景場中的臺風強度偏弱繼續隨環境風偏西偏南，而此時3DVARb試驗模擬的路徑較其他兩組試驗更加接近實際路徑。總之，3DVARb試驗在整個12 h確定性預報過程中模擬的路徑與實況路徑最為接近。圖8b是各組試驗預報的臺風路徑誤差圖，在預報的前3 h，各組試驗預報路徑誤差都控制在20 km以內，到了預報后期，控制試驗路徑誤差增長過快，而另外兩組同化試驗則相當，但3DVARb試驗的效果要略顯優勢。圖8c著重考察了各組試驗對臺風預報強度隨時間變化圖，從圖中可以看出，CNTL試驗在整個預報過程中的MSLP誤差最大。在試驗預報前6 h 3DVARb試驗預報效果要比3DVARa試驗改進顯著，但隨著預報時次的增加，兩者的誤差逐漸接近，但從總體趨勢上來看，3DVARb試驗效果要比3DVARa試驗略優一些，尤其在預報的起始階段。圖8d是各組試驗對臺風預報的最大風速隨時間變化圖，從圖中可見，CNTL試驗嚴重低估了臺風的最大風速，原因是背景場中的臺風強度太弱。3DVARa試驗效果則和控制試驗相當，3DVARb試驗在整個12 h預報過程中風場得到較為有效的調整，與實況最為接近。

4.5 徑向風預報均方根誤差（RMSE）效果檢驗

圖6 2006年8月10日06時的雷達組合反射率觀測（a），CNTL試驗診斷的組合反射率（b），3DVARa試驗的海平面氣壓（c）和3DVARb試驗的近地面風場合成（d）Fig.6 The composite reflectivity observed by Wenzhou radar（a）and the analyzed composite reflectivity，sea level pressure（solid contours），and the surface wind vectors for CNTL（b），3DVARa（c），and3DVARb（d）at 06：00 UTC on 10th August 2006

本文進一步將預報的徑向風與真實雷達徑向風對比做檢驗，前人大量的研究表明，雷達徑向風觀測資料同化進模式的合理有效預報時間一般是3～6 h。圖9是兩組同化試驗6 h預報相對于觀測的RMSE，初始時刻8月10日06時3DVARa試驗的RMSE為3.82 m／s，相比3DVARb試驗（2.2 m／s）要略微大一些。經過3 h預報后，可以發現3DVARb試驗風場預報相對于3DVARa試驗而言，與觀測的徑向風更加接近。尤其是經過6 h預報之后，3DVARa試驗的預報誤差增長的較快，達到12.2 m／s，3DVARb試驗的誤差仍然較小，在10 m／s左右。從6 h的風場預報檢驗可以發現，3DVARb試驗效果要比3DVARa試驗效果改進要更加顯著。

4.6 降水預報檢驗

圖7 2006年8月10日06時CNTL（a）、3DVARa（b）、3DVARb（c）試驗的臺風軸對切向風和溫度異常（等值線，單位：K）Fig.7 Contour plot of azimuthally-averaged tangential wind and temperature deviated from the horizontal mean（solid contour lines are shown with intervals of 2 K）at 06：00 UTC on 10th August 2006 from experiments of CNTL（a），3DVARa（b），and 3DVARb（c）

本文采用ETS（equitable threat score）評分技術對同化后的3 h累計降水做預報檢驗，將各組試驗模擬降水和實況觀測降水做比較，分別對5 mm、10 mm、25 mm級別降水進行比較。從圖10中可以發現，兩組同化試驗的ETS評分都要顯著高于CNTL試驗，3DVARb試驗的ETS評分在大部分時間（2006年8月10日06時，09時，12時）比3DVARa試驗略高。對于5 mm和10 mm級別的ETS評分，三組試驗均能維持在較高的水平，而25 mm降水的ETS評分各組試驗均明顯下降，但3DVARb試驗降幅最小。

5 總結與討論

本文利用高分辨率中尺度預報模式WRF及其同化系統WRF-3DVAR系統，針對2006年超強臺風“桑美”個例，每30 min同化了溫州雷達站的雷達徑向風觀測資料，主要結論如下：

（1）NMC方法統計得到的背景誤差協方差矩陣主要是反應大尺度的誤差結構特征，如果直接運用到對流尺度的雷達資料同化中去是欠妥的。本文經過大量敏感性試驗研究發現，優化靜態背景誤差協方差矩陣中的水平相關尺度具有很大的必要性。同化雷達徑向風觀測資料后，可以有效的改善臺風的初始風場結構，進而影響臺風內核區動力和熱力結構。在高時空分辨率的雷達資料同化中，背景誤差協方差中水平尺度化因子的優化調整能進一步地提高同化效果。

圖8 2006年8月10日06－18時預報路徑（a）、預報路徑誤差（b）、預報最低海平面氣壓（c）、預報地面最大風速（d）的預報結果Fig.8 The 12-hour predicted tracks（a），track errors（b），minimum SLP（c）and maximum surface wind speed（d）of super typhoon Saomai from 06：00 UTC to 18：00 UTC on August 10th 2006

（2）變分同化試驗相比控制試驗得到的路徑和強度預報而言均有不同程度的改進，其中3DVARb試驗分析出的臺風的路徑和強度更加接近真實觀測。在整個同化過程中，3DVARb試驗得到的徑向預報風與觀測最為接近，尤其是對于前1 h的預報，3DVARb試驗的誤差增長速度也相對3DVARa較為緩慢。可見雷達資料能夠通過影響分析場進一步改進預報效果。

（3）從3 h累積降水ETS評分來看，同化試驗的ETS評分都要顯著高于CNTL試驗，3DVARb試驗的ETS評分在大部分時間比3DVARa試驗略高。并且隨著降水閾值的提高，3DVARb的評分優勢更加顯著。

本文利用雷達徑向風觀測資料進行的試驗說明，3DVAR同化多普勒雷達觀測資料有助于臺風的初始化并提供更加精細的中尺度結構信息，為多普勒雷達觀測資料在臺風的初始化和集合預報研究、應用提供了技術參考。同時，應該指出本文只是針對“桑美”臺風個例進行了初步的研究，所得到的結論，對于其他臺風個例的同化強度和路徑的預報技術提供了非常有益的借鑒和參考，對于其他個例結論是否成立還需要做進一步的檢驗。在今后的工作中將針對更多的臺風個例展開類似研究，希望能夠構造出物理意義更加完善尺度化因子調整方法，并且對雷達觀測資料的質量控制還需要做更加深入的研究。對于同化過程中的水平尺度化因子的調整對于不同天氣系統的影響還有待于將來進一步的研究。

圖9 2006年8月10日6－12時3DVARa和3DVARb確定性預報徑向風的RMSE檢驗Fig.9 RMSE validation of deterministic forecasted Vr by 3DVARa and 3DVARb from 06：00 to 12：00 UTC on August 10th 2006

圖10 3 h累積5 mm（a）、10 mm（b）、25 mm（c）降水ETS評分檢驗（CNTL、3DVARa、3DVARb）Fig.10 The equitable threat scores for forecasted 3 h accumulated precipitation from CNTL，3DVARa and 3DVARb at three thresholds of 5 mm（a），10 mm（b），and 25 mm（c）

［1］ Kasahara A，Balgovind R C，Katz B.Use of satellite radiometric imagery data for improvement in the analysis of divergent wind in the tropics［J］.Mon Wea Rev，1988，116：866－883.

［2］ 邱崇踐，余金香，Xu Qin.多普勒雷達資料對中尺度系統短期預報的改進［J］.氣象學報，2000，58（2）：244－249.

Qiu Chongjian，Yu Jinxiang，Xu Qin.Use of doppler-radar data in improving short-term prediction of mesoscale weather［J］.Acta Meteorologica Sinica，2000，58（2）：244－249.

［3］ 林靜芝，黎守德.高分辨率數值模式應用熱帶氣旋強風或烈風的預報［R］.第十六屆粵港澳氣象科技研討會報告，廣州，2002.

Lin Jingzhi，Li Shoude.Application of a high-resolution model in forecasting strong or gale force winds associated with tropical cyclones［R］.16th Guangdong－Hong Kong－Macau Seminar on Meteorological Science and Technology，Guangzhou，2002.

［4］ Lindskog M，Salonen K，J?rvinen H，et al.Doppler radar wind data assimilation with HIRLAM 3DVAR［J］.Mon Wea Rev，2004，132（5）：1081－1092.

［5］ Xiao Q，Kuo Y H，Sun J，et al.Assimilation of Doppler radar observations with a regional 3DVAR system：Impact of Doppler velocities on forecasts of a heavy rainfall case［J］.J Appl Meteor，2005，44（6）：768－788.

［6］ Xiao Q，Kuo Y H，Sun J，et al.An approach of radar reflectivity data assimilation and its assessment with the inland QPF of Typhoon Rusa（2002）at landfall［J］.J Appl Meteor Climatol，2007，46（1）：14－22.

［7］ Xiao Q，Sun J.Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002［J］.Mon Wea Rev，2007，135（10）：3381－3404.

［8］ 顧建峰.多普勒雷達資料三維變分直接同化方法研究［D］.北京：中國氣象科學研究院，2006：223.

Gu Jianfeng.Research on direct assimilation of Doppler radar observation using 3DVAR［D］.Beijing：Chinese Academy of Meteorological Sciences，2006：223.

［9］ 陳力強，楊森，肖慶農，等.多普勒雷達資料在冷渦強對流天氣中的同化應用試驗［J］.氣象，2009，35（12）：12－20.

Chen Liqiang，Yang Sen，Xiao Qingnong，et al.Experiment of Doppler radar data assimilation for convection in cold vortex［J］.Meteorological Monthly，2009，35（12）：12－20.

［10］ 楊毅.Doppler雷達資料同化技術研究［D］.蘭州：蘭州大學，2007：147.

Yang Yi.Study on the techniques for assimilation of Doppler radar data［D］.Lanzhou：Lanzhou University，2007：147.

［11］ 段云霞.將多普勒雷達資料用于臺風碧利斯的結構分析和模擬研究［D］.蘭州：蘭州大學，2009：49.

Duan Yunxia.Doppler Analysis and Simulation on Typhoon Bilis［D］.Lanzhou：Lanzhou University，2009：49.

［12］ 陳鋒，冀春曉，董美瑩，等.雷達徑向風速同化對臺風麥莎模擬的影響［J］.氣象，2012，38（10）：1170－1181.

Chen Feng，Ji Chunxiao，Dong Meiying，et al.The effects of radar radial velocity data assimilation on the simulation of typhoon Matsa［J］.Meteorological Monthly，2012，38（10）：1170－1181.

［13］ 施麗娟，許小峰，李柏，等.雷達資料在登錄臺風“桑美”數值模擬中的應用［J］.應用氣象學報，2009，20（3）：257－266.

Shi Lijuan，Xu Xiaofeng，Li Bai，et al.Application of Doppler radar data to the land falling typhoon Saomai simulation［J］.Journal of Applied Meteorology，2009，20（3）：257－266.

［14］ 李娜，冉令坤，高守亭.華東地區一次颮線過程的數值模擬與診斷分析［J］.大氣科學，2013，27（3）：595－608.

Li Na，Ran Lingkun，Gao Shouting.Numerical simulation and diagnosis study of a squall line in eastern China［J］.Chinese Journal of Atmospheric Sciences，2013，27（3）：595－608.

［15］ Yang S，Kang K R，Cui X，et al.Diagnostic analysis of the asymmetric structure of the simulated landfalling typhoon“Haitang”［J］.Progress in Natural Science，2008，18（10）：1249－1260.

［16］ 李新峰，趙坤，王明筠，等.多普勒雷達資料循環同化在臺風“鲇魚”預報中的應用［J］.氣象科學，2013，33（3）：255－263.

Li Xinfeng，Zhao Kun，Wang Mingjun，et al.Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data［J］.Journal of the Meteorological Sciences，2013，33（3）：255－263.

［17］ Lorenc A C.Analysis methods for numerical weather prediction［J］.Quart J Roy Meteor Soc，1986，112（474）：1177－1194.

［18］ Sun J，Crook N A.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，1997，54（12）：1642－1661.

［19］ Sun J，Crook N A.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，1998，55（5）：835－852.

［20］ Marshall J S，Palmer W M K.The distribution of raindrops with size［J］.J Meteor，1948，5（4）：165－166.

［21］ Hong S Y，Dudhia J，Chen S H.A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation［J］.Mon Wea Rev，2004，132：103－120.

［22］ Grell G A，Dévényi D.A generalized approach to parameterizing convection combining ensembleand data assimilation techniques［J］.Geophysical Research Letters，2002，29（14）：38－1－38－4.

［23］ Noh Y，Cheon W G，Hong S Y，et al.Improvement of the K-profile model for the planetary boundary layer based on large eddy simulation data［J］.Boundary-layer meteorology，2003，107（2）：401－427.

［24］ Xiao Q，Sun J.Multiple-radar data assimilation and short-range quantitative precipitation forecasting of a squall line observed during IHOP_2002［J］.Mon Wea Rev，2007，135：3381－3404.

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

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

Experiments of assimilating Doppler radar data in forecast of typhoon Saomai

Shen Feifei1，2，Min Jinzhong1，2，Chen Peng3，Li Chao4

（1.Jiangsu Key Laboratory of Meteorological Disaster，Nanjing University of Information Science&Technology，Nanjing 210044，China；2.College of Atmospheric Science，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Jiangsu Meteorological Information Center，Jiangsu Province，Nanjing 210008，China；4.Nantong Meteorological Bureau，Jiangsu Province，Nantong 226018，China）

The impact of assimilating radar radial velocity data on the analysis and forecasting of the super typhoon“Saomai”（2006）is investigated in this study.The pre-processing and quality control are performed on radar radial velocity observations，which are further assimilated every 30 minutes into the framework of Weather Research and Forecasting（WRF）V3.5 and its three-dimensional variational data assimilation system WRF-3DVAR developed by the U.S.National Center for Atmospheric Research（NCAR）.The results show that assimilating Doppler radar radial velocity can improve the typhoon initialization for wind and temperature fields，producing more meticulous mesoscale structure information.Furthermore，radial velocity data assimilation have improved the forecasting of typhoon track，minimum sea level pressure，maximum wind speed，and precipitation.The analysis and forecasting performances can be further improved by reducing the background length-scale.

radar radial velocity；data assimilation；WRF-3DVAR；numerical simulation

P444

A

0253-4193（2015）03-0025-12

沈菲菲，閔錦忠，陳鵬，等.多普勒雷達資料同化在臺風“桑美”預報中的應用研究［J］.海洋學報，2015，37（3）：25—36，

10.3969／j.issn.0253-4193.2015.03.003

Shen Feifei，Min Jinzhong，Chen Peng，et al.Experiments of assimilating Doppler radar data in forecast of typhoon Saomai［J］.Haiyang Xuebao，2015，37（3）：25—36，doi：10.3969／j.issn.0253-4193.2015.03.003

2014-01-01；

2014-06-02。

國家973計劃項目（OPPAC－2013CB430102）；國家自然科學基金項目（41375025）；江蘇省普通高校研究生科研創新計劃（CXZZ11_ 0606，CXZZD_0490，CXZZB_0501）。

沈菲菲（1984—），男，江蘇省大豐市人，博士生，主要從事雷達和衛星遙感資料同化。E-mail：ffshen.nuist＠gmail.com