WRF Hybrid方法同化HY-2A散射計風資料在臺風“菲特”預報中的應用

劉曉燕，楊學聯，邢建勇

（1.國家海洋環境預報中心，北京100081；2.國家海洋局海洋災害預報技術研究重點實驗室，北京100081）

?

WRF Hybrid方法同化HY-2A散射計風資料在臺風“菲特”預報中的應用

劉曉燕1,2，楊學聯1,2，邢建勇1

（1.國家海洋環境預報中心，北京100081；2.國家海洋局海洋災害預報技術研究重點實驗室，北京100081）

摘要：選取臺風“菲特”（Fitow，201323)臨近登陸過程為試驗個例，在WRF模式基礎上，采用4種不同的初始化方案，對臺風“菲特”進行了72 h預報試驗，并分析了模式的初始化對預報效果的影響。試驗結果表明，對于臺風路徑的預報，使用集合平均作為初始場進行預報，預報結果相對直接使用GFS資料作為初始場進行預報的結果有明顯改善，使用3DVAR同化方法，將HY-2A衛星散射計風場資料同化到集合平均的初始場中，臺風路徑預報進一步有所改善，而使用Hybrid同化方法將HY-2A衛星散射計風場資料同化到集合平均的初始場中，臺風路徑進而又有明顯改善；但是在臺風強度方面的預報，4種初始化方案效果不相上下。

關鍵詞：WRF模式；初始化；3DVAR；Hybrid；HY-2A衛星資料；數值預報

1　引言

臺風是一種發生在熱帶海洋上的強烈風暴，是影響我國的主要災害性天氣系統之一，其伴隨的狂風、暴雨等災害現象，對其所影響的地區的生命財產安全構成威脅，因此提高臺風的研究和預報水平對我國經濟建設和國防建設具有重要意義[1]。

一直以來，國內外從未間斷對臺風的研究。現已有大量關于臺風研究的文章，如邢建勇等[2]利用MM5模式，對200515號臺風“Khanun”進行了數值模擬，分析了不同的初始化方案對模擬預報的影響，發現MM5對臺風的模擬預報具有一定的能力；楊引明等[3]利用FY-3A微波資料，以WRF-3DVAR系統為基礎，針對200908號臺風“莫拉克”，開展了數值預報直接同化技術研究，結果表明，直接同化FY-3A微波資料對數值模式初始場改進要優于僅僅同化常規觀測資料，對缺乏觀測資料的海洋上改進尤為明顯；黃嘉宏等[4]利用4DVAR同化技術，對南海臺風“Vongfong”進行模擬試驗，結果表明Quik SCAT衛星海面風場資料主要使模擬的臺風路徑與實況更為接近，而臺風的強度變化、降水量和降水分布的模擬與對流參數化方案有密切聯系。

進入21世紀，將集合預報估計得到的背景誤差協方差應用到變分同化中正成為研究熱點。該方法為變分同化引入了依賴流而變的背景誤差協方差，其隨時間而變化，理論上更符合真實情況，許多試驗已證明其優勢所在。Hamill等[5]最早將EnKF 和3DVAR相結合，提出了集合樣本估計的背景誤差協方差和傳統背景誤差協方差混合的方法；Wang 和Barker等[6,7]介紹了一種Hybrid ETKF-3DVAR同化方法，將ETKF和3DVAR結合的同化方法，試驗證明了這種加入了流依賴（flow-dependent）背景誤差協方差的方法同化效果要優于三維變分；Wang 等[8]利用WRF Hybrid ETKF-3DVAR對2008年的兩個颶風“Ike”和“Gustav”的路徑進行了模擬預報，結果表明使用了流依賴的背景誤差協方差的Hybrid同化方法能夠調整臺風中心位置，而3DVAR不能，這一優勢使得使用Hybrid同化方法的路徑預報效果比3DVAR同化方法的預報效果好；再如Liu等[9]使用了Hybrid variational-ensemble的同化方法進行了臺風路徑預報的試驗，結果顯示Hybrid同化方法得到的分析場要優于3DVAR。

以上這些研究一方面是基于對初始場進行方法上的改善，另一方面是觀測數據的引入，尤其是非常規觀測資料。由于臺風發生在洋面上，它的觀測資料相對稀少，衛星散射計海面風場數據的出現，為臺風數值預報提供了寶貴資料。其中廣泛應用的是1999年6月發射的QuikSCAT衛星的海面風資料，大量的試驗證明[10-12]同化QuikSCAT風資料對數值天氣預報起到了改善效果。然而由于機械故障，QuikSCAT衛星于2009年11月停止運行，數值天氣預報失去了一份重要的海面風資料。我國為彌補海面風資料的缺乏，一直致力于海洋衛星的研發，海洋2號（HY-2A）衛星于2011年8月發射成功并在軌運行至今。HY-2A衛星各方面性能、參數指標和QuikSCAT相近，所以期望其能盡快應用到數值天氣預報中。到目前為止，已有對HY-2A衛星散射計數據的檢驗的相關文章[13,14]，結果表明HY-2A衛星散射計風數據的風速與常規觀測資料較為接近，而風向的誤差相對較大，不過將該衛星數據應用到同化過程中的研究很少。本文以WRF模式為基礎，分別采用四種初始化方案對初始場進行調整，其中進行同化處理的試驗嘗試使用HY-2A衛星散射計數據作為觀測數據，然后對臺風“菲特”進行72h的預報試驗，對試驗結果進行分析，對比不同的初始化方案對預報效果的影響。

2　模式、資料及方法介紹

2.1模式介紹

本文采用的模式是WRFV3.3，采用的同化系統是WRF模式的同化模塊WRFDA。WRF模式是由美國環境預報中心（NCEP)和美國國家大氣研究中心（NCAR)等聯合研發的新一代中尺度預報模式和同化系統，它具有高分辨率、完全可壓非靜力等特點，水平網格采用Arakawa-C格點，采用3階Runge-Kuta時間分裂積分方案，垂直方向采用地形追隨質量坐標，模式頂氣壓取為常數。該模式因其完全開放、可移植性強等特點，在中短期數值預報模擬中得到了廣泛應用。WRFDA同化系統[15]同化方法以三維變分為基礎，不斷創新完善。2003年6月，第一版的WRF同化系統開發出來，命名為WRF 3DVAR。之后隨著WRF版本的更新也不斷更新，2004年，由于四維變分(4DVAR)同化的加入，同化系統改名為WRF-VAR。同樣，2008年混合集合-變分算法的引入，同化系統再一次改名為WRFDA，一直沿用至今。本文所使用的同化方法包括該同化系統中的3DVAR和Hybrid兩種同化方法。

2.2數據資料

本文所使用的數據包括美國全球預報系統（GFS）的模式輸出產品以及我國自行研制的海洋2號（HY-2A）衛星散射計海面風數據。其中GFS數據每6 h輸出一次，取其前72 h的預報結果為本文試驗提供初值（背景場）和邊界條件，該數據空間分辨率為0.5°×0.5°。HY-2A衛星于2011年8月成功發射并在軌運行，其采用筆形圓錐掃描天線，雙極化，工作頻率為Ku波段13.256 Hz，軌道周期為104.5 min，軌道高度為971 km，風速測量范圍為2—24 m/s,風速精度為2 m/s，風向精度為20°。本文選取的HY-2A風數據為沿軌數據（見圖1），時間段為2013年10月3日21時至10月4日03時（世界時，下同）。

2.3同化方法介紹

本文使用3DVAR和Hybrid兩種同化方法。在3DVAR同化方法中，背景誤差協方差通常是采用氣候統計方法得到的靜態場，它是基于時空均勻和各向同性的假設，但實際上，大氣系統的真實背景誤差應該很大程度依賴于具體的天氣形勢，是隨天氣流型而變的。而Hybrid集合—變分同化方法就是在原有變分同化框架的基礎上，將依流而變的集合背景誤差協方差加入到變分同化框架中，這樣既保留了變分法自身的優勢，又彌補了靜態背景誤差協方差的不足，使得變分法的框架更為合理。

Hybrid同化方法，簡單地說就是實現變分同化中背景誤差協方差的重構。Hybrid方法的實現目前主要有兩種方法：一是將原有3DVAR方法中的靜態背景誤差協方差和集合背景誤差協方差進行線性組合，以取代變分法中的背景誤差協方差，最優權重分配可通過試驗得到，它與集合數目有關，相關試驗表明，當集合數目足夠大時，集合協方差的權重越大，同化效果越好。另一種方法是在變分同化的目標函數中增加擴展控制變量。本文選取第一種方法進行試驗。其目標泛函J(x)可以表示為：

該目標函數與3DVAR方法的目標函數形式一致。式中：x為大氣狀態變量，xb為背景場資料（集合平均），y0為觀測資料，H為觀測算子，將分析變量投影到觀測空間，H′是觀測算子的切線性算子，B為背景場誤差協方差矩陣，O為觀測誤差協方差矩陣，其中B為靜態背景誤差協方差矩陣B1和集合協方差矩陣B2的加權線性組合。B=α1B1+ α2B2,α1+α2=1。B1的構造和3DVAR同化方法中的一致，B2的構造來源于集合預報思想。

本文中初始集合成員的生成采用的是WRF-3DVAR系統中的Random-CV方案[16,17]，該方案采用GFS資料統計的背景誤差協方差生成隨機擾動，該擾動是服從均值為0，標準差為1的正態分布，擾動經垂直EOF、遞歸濾波和平衡方程約束后變換回模式空間，形成不同的成員，生成的背景誤差具備空間相關性和物理關聯性。

圖1　HY-2A衛星散射計海面風數據

3　試驗設計

3.1臺風過程簡介

第1323號熱帶風暴“菲特”（Fitow)于2013年9 月30日12時在菲律賓以東洋面（132.5°E，13.9°N）生成，中心附近最大風力8級（18 m/s），中心最低氣壓1000 hPa，10月1日09時加強為強熱帶風暴，10 月2日21時加強為臺風，10月4日09時加強為強臺風，最終于6日17時15分在福建省福鼎市登陸，登陸時中心最大風力達14級（42 m/s）。“菲特”登陸后于7日01時在福建省建甌市境內迅速減弱為熱帶低壓。此次臺風給我國帶來了嚴重的損失，致使10 死1失蹤，直接經濟損失超過623億。

3.2試驗設計

本文中模式水平分辨率采用的是30 km，垂直為不均勻28層，以（128°E，23°N）為中心，共330× 260個格點。試驗中所采用的模式物理過程方案設置如下（表1）。

表1　物理過程參數化方案設置

試驗1：直接使用GFS資料作為初始場，進行72 h預報；

試驗2：以GFS資料為原始初始場，使用WRF模式自帶的隨機擾動生成系統，生成30個初始場集合成員，將這30個成員進行平均，得到新的初始場，進行72 h預報；

試驗3：在試驗2得到的初始場中，采用3DVAR同化方法，將HY-2A數據同化其中，得到新的初始場，進行72 h的預報；

試驗4：在試驗2得到的初始場中，采用Hybrid同化方法，將HY-2A數據同化其中，得到新的初始場，進行72 h的預報。

4組試驗的流程圖如圖2所示。

4　試驗結果分析

本文主要從初始場的同化效果以及72 h預報效果來對比分析不同的試驗產生的效果。

4.1臺風的初始場分析

圖3、4是4組試驗的初始場情況。其中圖3（a—d）分別是試驗1—4的臺風中心氣壓場，圖4 （a—d）分別是試驗1—4的臺風中心附近風場形勢。對比圖3的4幅圖，可以發現試驗1和試驗2的氣壓場差異很大，試驗2的氣壓場中心氣壓較試驗1低了約15 hPa；而試驗3和4的初始氣壓場十分接近于試驗2。風場的規律類似，試驗1和試驗2、3、4的差別很大，最大風速超過45 m/s，而試驗2、3、4的最大風速不超過35 m/s。

圖5是高空100 hPa初始散度場（填色圖）和流場（黑色線條），圖中a—d分別為試驗1—4的初始場。從流場可以明顯地看出試驗2、3、4的臺風中心附近高空100 hPa是流出氣流，對應低層850 hPa（圖略）是明顯的流入氣流，從散度值同樣可以看出高層臺風中心為輻散，低層輻合中心與之對應，這種低層輻合高層輻散的散度場的配置，利于臺風的維持或發展；試驗1初始場的高空100 hPa臺風附近的流場明顯有別于后3組試驗的流場，臺風中心附近同時出現輻合區和輻散區，且強度弱于其他組試驗。

綜上所述，可以斷定地熱流體補給源并不是來自于地熱田周邊的水體補給，而是大氣降雨通過地表次級小斷裂，入滲進入招平斷裂帶與玲瓏斷裂帶交會復合形成的破碎帶，進入地下深循環，在合適的部位沿著熱儲通道上涌而形成地熱田。那么東湯地熱田的地熱流體在哪里通過地表入滲進入地下的呢？

此外從500 hPa的位勢高度圖（見圖6）上可以看出，4組試驗的臺風均正處于太平洋副熱帶高壓西南方向，受副熱帶高壓和西風帶環流影響，臺風將向西北方向移動。

由此可見，集合平均得到的初始場對原始初始場的改變較大，而通過使用同化方法將觀測數據加入到初始場中，對初始場的改變相對較小。

圖2　4組試驗的流程圖

4.2臺風的預報效果分析

4.2.1路徑分析

圖3　4組試驗臺風中心氣壓場

圖4　4組試驗臺風周圍風場

圖5　4組試驗初始場100 hPa的散度場（填色圖，單位：10-5/s）和流場

圖6　4組試驗初始場500 hPa的位勢高度場（單位:dagpm)

圖7　臺風“菲特”的預報路徑和實況路徑對比

圖7是4種初始化方案臺風路徑的72 h預報以及臺風實況路徑圖。由圖可看出，在0—24 h預報結果內，試驗1的路徑與實況最為吻合，但隨后便開始偏離實況，偏差越來越大，從48 h開始誤差增長迅速，直至72 h時路徑偏差已達700 km。而其他3組試驗的預報效果整體上要優于試驗1，這3組試驗的路徑偏差整體趨勢為先減小后增大，在前36 h內，誤差基本是隨預報時效的增長而減小的，與實況的偏差均不大，其中試驗3的效果相對更好一些；從42 h起，偏差又逐漸變大，試驗4的偏差增長最慢，試驗3次之，試驗2相對試驗3、4誤差增長的相對快一些。

因此，使用集合平均代替GFS資料作為初始場，其路徑預報的改善是顯而易見的，在集合平均的初始場中使用3DVAR同化方法加入HY-2A衛星散射計數據，對路徑進一步改善，從表2中更能直觀地看出在預報時段，除個別時刻外，試驗3的路徑預報偏差要小于試驗2的路徑預報偏差，這說明HY-2A衛星散射計數據的加入對初始場的改變，對改善臺風的路徑預報有較好的效果。試驗4是使用的Hybrid同化方法將HY-2A衛星數據加入到初始場中，該初始化方案對預報的優化在前36 h內不明顯，而在后36 h內體現了其優勢所在，誤差增長緩慢，在前66 h內，誤差均在100 km以內，只有72 h的預報結果偏差高于100 km，這也說明“流依賴”的背景場誤差協方差矩陣起到了正面效果。

上文已提到試驗1的路徑在30 h后相對其他3組試驗的路徑偏差明顯偏大，尤其是在48 h之后路徑北偏加劇。分析其原因，從500 hPa位勢高度圖上（見圖8）可以明顯的看出，試驗1（圖8a）中臺風位于副熱帶高壓588 dagpm線的西側略微偏南，而其他3組試驗中臺風位于副熱帶高壓588 dagpm線的西南側，位置較為一致，在這樣的副熱帶高壓形勢下，試驗1中的臺風移動方向較其他3組試驗會明顯偏北。

表2　臺風“菲特”72 h預報路徑的距離誤差（單位：km）

4.2.2臺風中心海平面最低氣壓分析

通常用臺風中心海平面最低氣壓來表征臺風的強度。圖9a是4種方案的臺風中心海平面氣壓的72 h預報結果以及實況氣壓圖；圖9b是4種方案的臺風中心海平面氣壓的72 h預報結果與實況的偏差隨時間的變化圖。

由圖9a可以看出這4種方案的中心氣壓變化趨勢是相似的，尤其是試驗2、3、4的變化趨勢十分一致，只是在數值上略有差異。從圖9b可以看出，試驗1的臺風中心氣壓預報結果相對其他3組試驗偏差波動比較大，而其他3組試驗結果相對較平緩。此外我們可以看出，在預報的前48 h內，試驗1的預報效果要好于試驗2、3、4的結果，只有在48—72 h 這24 h內，初始場的調整（試驗2、3、4）的正效應才顯現出來；同樣，對比試驗2和3，只有在預報12—24 h時間段內，試驗2的預報效果比試驗3的效果好，其他時間試驗3的效果一直優于試驗2，這是HY-2A衛星散射計風數據加入的作用；對比試驗3 和4，在預報前24 h內，預報效果持平，在30—72 h時間段內，試驗3的效果要好于試驗4，這說明流依賴”的背景場誤差協方差矩陣在臺風中心最低氣壓預報中并未起到改善作用。

圖8　4組試驗的48 h預報場的500 hPa位勢高度場（單位:dagpm）

圖9臺風中心最低預報氣壓與實況對比及偏差

4.2.3臺風中心最大風速分析

圖10a是4種方案的臺風近中心最大風速的72 h預報結果以及實況圖；圖10b是4種方案的臺風近中心最大風速的72 h預報結果與實況的偏差隨時間的變化圖。

由圖10a可以看出這4種方案的最大風速預報變化趨勢與實況是一致的，但是在整個預報時段，預報值始終偏小（試驗1的始末兩個時刻除外），圖10b更直觀地體現了這一特點，預報值的偏差最大達12 m/s。從該圖中還可以看出，在預報的大部分時間里，試驗2、3、4的預報效果要好于試驗1；而試驗2、3、4的預報結果在預報前42 h內十分接近，在預報48—66 h時段內，HY-2A衛星風資料的作用有所突顯，試驗3和4的預報效果好于試驗2的結果，但試驗3、4的預報效果在整個預報階段都很一致，這說明“流依賴”的背景誤差協方差矩陣的作用效果在臺風近中心最大風速預報過程中的十分微弱。

圖10　近中心最大預報風速與實況對比及偏差

5　結果與討論

本文利用模式WRFV3.3，分別使用了4種初始化方案對臺風“菲特”進行了72 h的數值預報，初步得到以下結論：

（1）WRF模式對臺風“菲特”的預報效果，不論從臺風路徑還是強度方面，都有較強的預報能力；

（2）使用集合平均作為初始場進行預報的的效果要明顯好于直接使用GFS資料作為初始場得到的預報結果；

（3）使用3DVAR同化方法，將海洋2號衛星散射計風數據加入初始場后，初始場有所改善，但對中心氣壓和最大風速的改善甚微；72 h的臺風路徑預報較未同化有一定的改善，對強度的影響很小；

（4）使用Hybrid同化方法，將海洋2號衛星散射計風數據加入初始場的同時，背景誤差協方差中引入了“流依賴”的背景誤差協方差，初始場有一定的改善，但對中心氣壓和最大風速的改善甚微；預報效果在預報前期沒有凸顯其優勢，在預報后期42—72 h階段，臺風預報路徑偏差明顯小于其他3組試驗的預報偏差；但該方法對臺風強度的改進微弱。

因此，基于本文的試驗，臺風路徑的預報對初始場十分敏感，使用集合思想以及同化技術對初始場進行修訂，均能夠很明顯地提高臺風路徑的預報準確率，但臺風強度的預報對初始場不夠敏感，從而導致預報效果的改進微弱。

參考文獻：

[1]陳聯壽,丁一匯.西北太平洋臺風概論[M].北京:科學出版社, 1979.

[2]邢建勇,宋學家,楊學聯,等.臺風“卡努”的數值模擬試驗[J].海洋預報, 2006, 23(2): 1-9.

[3]楊引明,杜明斌,張潔. FY-3A微波資料在“莫拉克”臺風預報中的同化試驗[J].熱帶氣象學報, 2012, 28(1): 23-30.

[4]黃嘉宏,李江南,魏曉琳,等.同化QuikSCAT資料對臺風Vongfong(2002)數值模擬的影響[J].中山大學學報(自然科學版), 2006, 45(4): 116-120.

[5] Hamill T M, Snyder C. A Hybrid Ensemble Kalman Filter-3D Variational Analysis Scheme[J]. Monthly Weather Review, 2000, 128(8): 2905-2919.

[6] Wang X G, Barker D M, Snyder C, et al. A Hybrid ETKF-3DVAR Data Assimilation Scheme for the WRF Model. Part I: Observing System Simulation Experiment[J]. Monthly Weather Review, 2008, 136(12): 5116-5131.

[7] Wang X G, Barker D M, Snyder C, et al. A Hybrid ETKF-3DVAR Data Assimilation Scheme for the WRF Model. Part II: Real Observation Experiments[J]. Monthly Weather Review, 2008, 136 (12): 5132-5147.

[8] Wang X G. Application of the WRF Hybrid ETKF-3DVAR Data Assimilation System for Hurricane Track Forecasts[J]. Weather and Forecasting, 2011, 26(6): 868-884.

[9] Schwartz C S, Liu Z Q, Huang X Y, et al. Comparing Limited-area3DVAR and Hybrid Variational-ensemble Data Assimilation Methods for Typhoon Track Forecasts: Sensitivity to Outer Loops and Vortex Relocation[J]. Monthly Weather Review, 2013, 141 (12): 4350-4372.

[10] Singh R, Kishtawal C M, Pal P K, et al. Assimilation of the Multisatellite Data into the WRF Model for Track and Intensity Simulation of the Indian Ocean Tropical Cyclones[J]. Meteorology and Atmospheric Physics, 2011, 111(3-4): 103-119.

[11] Atlas R, Hoffman R N, Leidner S M, et al. The Effects of Marine Winds from Scatterometer Data on Weather Analysis and Forecasting[J]. Bulletin of the American Meteorological Society, 2001, 82(9): 1965-1990.

[12]劉春霞,王靜,齊義泉,等.基于WRF模式同化QuikSCAT風場資料的初步試驗[J].熱帶海洋學報, 2004, 23(6): 69-74.

[13]張婷,張杰,楊俊鋼,等.衛星散射計與海面平臺所測的風場數據比較[J].海洋學研究, 2013, 31(2): 45-51.

[14]王東良,姚小海,孟雷,等.海洋二號衛星散射計風場產品真實性檢驗及分析[J].海洋預報, 2014, 31(4): 47-53.

[15] Barker D, Huang X Y, Liu Z Q, et al. The Weather Research and Forecasting Model's Community Variational/Ensemble Data Assimilation System: WRFDA[J]. Bulletin of the American Meteorological Society, 2012, 93(6): 831-843.

[16]閔錦忠,畢坤,陳耀登,等.基于物理約束擾動的EnSRF雷達資料同化[J].大氣科學學報, 2013, 36(2): 129-138.

[17] Zhang F Q, Weng Y H, Sippel J A, et al. Cloud-resolving Hurricane Initialization and Prediction Through Assimilation of Doppler Radar Observations with An Ensemble Kalman Filter[J]. Monthly Weather Review, 2009, 137(7): 2105-2125.

Application of HY-2A scatter wind data assimilation with the WRF hybrid method for typhoon Fitow forecasts

LIU Xiao-yan1,2，YANG Xue-lian1,2，XING Jian-yong1
（1. National Marine Enviroment Forecasting Center,Beijing 100081 China; 2. Key Laboratory of Research on Marine Hazards Forecasting,Beijing 100081 China）

Abstract：Taken the Typhoon Fitow (201323) which is landing for example, four kinds of initialization schemes and 72-hour forecasts experiments are performed based on Weather Research and Forecasting (WRF) Model, and the influences of the initialization on the performance of the forecasts are analyzed. The results show that the performance of the track forecast using the ensemble-mean as the initial field is better than that using the GFS data. Assimilating the HY-2A scatter wind data into the initial field using 3DVAR assimilation method, the forecast of track is improved to some extent. Moreover, the performance of track forecast when ingesting the HY-2A scatter wind data into the initial field with Hybrid assimilation method is improved. However, the effect of the four kinds of method in the forecasts of intensity is roughly the same.

Key words：WRF model；initialization；3DVAR；hybrid；HY-2Asatellite data；numerical forecast

作者簡介：劉曉燕（1988-），女，碩士在讀，從事海面風場資料同化研究。E-mail:liuxiaoyan-de@163.com

基金項目：國家海洋局海洋公益性行業專項(201305032-2)。

收稿日期：2015-01-28

中圖分類號：P457.8

文獻標識碼：A

文章編號：1003-0239（2016）01-0001-10