基于自動站資料的WRF-EnSRF陸面同化系統的效果檢驗及應用

閔錦忠，車淥,郭亞凱

① 南京信息工程大學 氣象災害教育部重點實驗室,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

基于自動站資料的WRF-EnSRF陸面同化系統的效果檢驗及應用

閔錦忠①，車淥②*,郭亞凱②

① 南京信息工程大學 氣象災害教育部重點實驗室,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

2014-04-04收稿,2014-06-03接受

國家重點基礎研究發展計劃(937計劃)項目(2013CB430102);國家自然科學基金重點項目(2014g109);江蘇省高校自然科學研究計劃項目(20110057)

摘要基于集合平方根濾波方法(EnSRF)同化方法和NOAH陸面模式的WRF-EnSRF陸面同化系統,同化了江蘇省70個自動站資料進行試驗,研究加入不同的同化資料(地表溫度、10 cm土壤溫度、20 cm土壤溫度)及初始擾動強度的大小對陸面數據同化系統性能的影響,以及對不同區域(降水大值區和降水小值區)的分析場進行效果對比,并且檢驗了同化系統在一次典型的梅雨鋒暴雨的同化效果,證明了這個系統的有效性和可行性。對于資料選取試驗,比較全場平均的同化時刻分析場模擬觀測相對真實觀測的均方根誤差可以得到:同化地表溫度資料并且初始擾動強度1 K的時候同化效果最理想。對于選定的降水大值區和降水小值區來講,降水大值區的土壤溫度和土壤濕度分析場更加接近于真實場。運用于一次梅雨鋒暴雨的同化實驗,對于最后一個同化時次的分析場作為背景場做集合預報,最終證明預報結果是有效的。土壤溫度、土壤濕度、地表溫度和近地面風場的預報結果都較用NCEP再分析資料直接做預報作為控制試驗的結果有不同程度的改進。這說明該系統應用于實際同化中的性能較為良好,可以應用于實際土壤濕度與溫度的預報。

關鍵詞

陸面資料同化

集合均方根

濾波

自動站資料

江蘇省

陸面數據同化系統(LDAS,Land Data Assimilation System)是近年來將同化方法應用到地球表層科學和水文學中而迅速發展起來的新方法,它在近幾年來受到越來越多的關注與重視。陸面數據同化的研究主要為:在陸面模型和水文模型的基礎上,采用不同的資料同化算法同化衛星和雷達數據、地表觀測資料,優化地表和根區土壤溫度、水分、地表能量通量等的估算(黃春林和李新,2004;張春雷等,2006,2008)。

到目前為止,陸面數據同化都集中在使用四維變分(4DVAR)或者集合卡爾曼濾波(EnKF)同化方法同化遙感資料的階段。考慮到集合平方根濾波方法(EnSRF)較之基于蒙特卡羅思想的傳統EnKF的優越性,將使用對于觀測不加擾的EnSRF同化方法。閔錦忠等(2011,2012)、陳杰等(2012)在WRF模式上完成了集合平方根濾波WRF-EnSRF同化系統的構建,在此基礎上又進行初步構建WRF-EnSRF陸面數據同化系統,該系統可針對不同的資料,如雷達、衛星和自動站資料等。我國陸面數據同化系統使用較多的陸面模式為分布式水文模型VIC和改進的CLM模型CoLM以及SiB2模型(黃春林和李新,2004)。作為研究的起步,郭亞凱使用比較成熟的WRF模式中的NOAH陸面模式,它包括了一個4層土壤的模塊和一層植被冠層的植被模塊,可以預報土壤濕度和土壤溫度,其初始溫度、濕度場均有大尺度場提供的信息經過插值得到(李鵬,2006)。考慮到地面自動站資料與其他觀測資料相比,有站點分布密集、資料的實時性強、觀測量為模式變量等優點(邵長亮,2011),本文利用這個自主構建的WRF-EnSRF陸面同化系統同化實際的自動站資料,評估其在實際應用中的同化性能。

1WRF-EnSRF陸面同化系統介紹

1.1EnSRF同化方法理論

(1)

(2)

其中:

K=PbHT(HPbHT+R)-1

(3)

是卡爾曼增益矩陣,Pb是背景誤差協方差矩陣,H是非線性觀測算子H的線性化形式。上標a,b和o分別代表分析場,背景場和觀測場。分析場的集合均值由方程(1)更新;而集合成員擾動由方程(2)更新,在單個觀測情況下,

(4)

方程(4)中平方根根號下分子分母都是標量,所以α值計算簡單。卡爾曼增益矩陣方程(3)中的背景誤差協方差矩陣PbHT和HPbHT由預報集合統計出來,具體形式如下所示

(5)

(6)

其中:N是集合成員數,H是非線性的觀測算子。在單一觀測情況下,PbHT是和狀態向量x有相同長度的向量,而HPbHT是標量。在實際應用中,協方差局地化方案通常會用來處理遠距離虛假相關,所以PbHT并不用全部計算,而在觀測影響之外的格點上協方差設為0。當一個觀測同化完后,分析場將作為新的背景場同化下一個觀測。當一個時次所有觀測同化完后,模式將分析場集合作為初始場預報到下一個同化時刻,分析下一個時次的觀測,不斷循環同化過程。

1.2NOAH陸面模式簡介

NOAH陸面模式是由OSU-LSM(Oregon State University/Land Surface Model)發展而來,2000年正式定名,經過多年不斷完善,已經被廣泛用于陸面過程的綜合模擬(Chen et al.,1996,1997;Chen and Mitchell,1999;Wood et al.,1998)。陸地表面的溫度采用了Mahrt and Michael(1984)提出一個簡單線性的陸面能量平衡公式,其中地面和植被看成為一體作為陸面(李鵬,2006)。模式分別積分至4個土壤層進行計算:表層至0.1、0.3、0.6和1 m的深度,因此其輸出包括4層土壤的溫度和濕度。徑流采用簡單的水量平衡法(SWB,Simple Water Balance)獲得,定義為降雨與最大滲透量的差值(高艷紅等,2006)。總蒸發E包括三個部分:1)土壤表層的直接蒸發Es;2)從植被層截留的蒸發Ec;3)從通過植被和根系部分蒸騰作用Ev。這里,土壤直接蒸發被認為與潛在蒸發間存在較好的線性關系,潛在蒸發采用經典的Penman-base能量平衡公式計算而得。植被蒸騰的計算則采用的是傳統的阻抗法。這些共同組成了NOAH模式的核心方法。

1.3陸面數據同化系統流程及結構

陸面數據同化系統主要由驅動數據和參數集、陸面過程模型、數據同化方法、觀測數據、輸出數據等構成(黃春林和李新,2004)。其中,驅動數據集通常是由大氣數據同化系統獲得大氣狀態數據,本試驗使用fnl資料從前一時刻預報到開始同化時刻的預報值作為驅動數據;參數集主要包括NOAH陸面模型中所需要的靜態參數和動態參數,使用WRF自帶的參數集;觀測數據使用地面自動站觀測數據;輸出數據與具體的陸面模型有關,主要是地表的土壤濕度、土壤溫度、地表溫度數據。結構流程如圖1所示:1)驅動數據與陸面參數進入陸面過程模型,生成當前時刻的狀態變量;2)同化當前時刻的地面觀測,估計背景場誤差,優化狀態變量;3)陸面同化與大氣同化繼續向前推進,生成下一時刻的背景場。

圖1　預報系統技術流程圖Fig.1　Flow chart of the forecast system

2同化試驗設計

2.1天氣個例介紹

自2007年7月1日起,江蘇全省由于梅雨天氣開始出現持續強降水過程,多次出現了日降水量大于100 mm的大暴雨天氣過程,其中7月7日江寧站日降水量達到173.4 mm,此外,7月7日14時至8日14時的24 h累計降水量達299.2 mm,為1951年以來的最大值,而相同時段南京市區累計24 h降水量達203.2 mm,僅次于2003年7月5日的日降水量207.2 mm。

2.2資料介紹

背景場其初、邊條件采用NCEP 1°×1°一日4次的分析資料,用于同化的資料采用江蘇省70個自動氣象站觀測資料(圖2)。資料進行質量控制處理后加入到同化系統中。圖3為研究區在此個例時間段的下墊面分布。

圖2　江蘇省70個自動站分布Fig.2　Distribution of AWSs in Jiangsu Province

圖3　a.土壤類型(2,3,4,5,6分別代表壤質砂土、砂質壤土、粉砂壤土、泥沙、肥土,江蘇大多數是砂質壤土;藍色以上部分是水面);b.夏季植被類型(2,4,6,8,10和12分別代表旱地農田和牧場、混合型旱地/灌溉農田和牧場、家田/花葉林地、落葉針葉林、稀樹草原和灌叢,江蘇省夏季此時基本上是旱地農田,也有少量混合型旱地/灌溉農田);c.地形高度(單位:m)Fig.3　(a)Soil types[(2)loamy sand,(3)sandy loam,(4)silt loam,(5)silt,(6)loam];(b)Vegetation types[(2)dry farmland and pasture,(4)Combination of dry land,irrigated farmland and pasture,(6)Combination of farmland and mosaic forest,(8)deciduous coniferous forest,(10)savanna,(12)thickets];(c)Terrain height (units:m)

2.3模式參數設置

應用WRFV3.4.1的ARW版本作為系統的預報模式。在同化試驗中,模式水平區域格點為150×150,格距5 km,垂直方向采用模式默認的28層。模式運行參數設置:積分步長30 s,微物理方案為WSM6方案,陸面過程使用NOAH方案,積云參數化方案為Kain-Fritsch方案。背景場其初、邊條件采用每6 h一次的NCEP 1°×1°再分析資料。

各實際同化試驗中,集合成員數30。采用協方差松弛膨脹方案,將預報集合擾動與分析集合擾動按一定比例相加得到新的分析集合擾動,分析集合平均不變,公式如下

xa′=(1-α)xα+αxf。

(7)

其中預報集合權重α取為0.8,分析集合權重(1-α)取為0.2。在所有試驗中,局地化方案使用距離相關函數的方案,局地化距離土壤變量為水平10 km,垂直10 cm。土壤溫度和地表溫度的觀測誤差都為1 K。

2.4試驗方案

通過對實際個例的模擬,對將江蘇省70個站點資料進行同化,使用了不同的觀測資料:10 cm土壤溫度,20 cm土壤溫度和地表溫度資料,對它們進行組合使用,是否初始加擾試驗,探討使用哪種資料效果最佳。并羅列了各方案的分析場效果圖和各變量均方根誤差。目的是考察基于自動站資料的WRF-EnSRF陸面同化系統應用降水過程中,同化加入哪種資料效果最好,分析場的結果是否準確,以此來檢驗WRF-EnSRF陸面同化系統的分析場是否準確。

圖4　試驗流程圖Fig.4　Flow chart of the forecast system

同化試驗流程(圖4)從2007年7月8日06時(世界時,下同)起報到2007年7月8日12時,把2007年7月8日12時的預報結果作為背景場,然后在模式積分開始時(2007年7月8日12時)初始場添加隨機擾動形成初始集合,在模式積分到第1小時系統開始直接同化觀測資料,每1 h同化一次觀測,連續同化至2007年7月8日23時,即一共同化11次。其中擾動初始場時,速度場(u,v,w)的誤差標準差為1 m/s,位溫的誤差標準差為1 K,水汽混合比的誤差標準差為0.001 kg/kg。10 cm淺層土壤溫度(tslb10cm)、20 cm淺層土壤溫度(tslb20cm)和地表溫度(tsk)標準偏差取為1 K。同化加入的觀測資料如表1所列。共設計9組資料和初始擾動各異的試驗(表1)。

表1試驗資料選取和初始擾動設置

Table 1Optimal test data selection and initial disturbance settings

編號試驗名稱同化資料設置1試驗1(Exp1)同化10cm土壤溫度資料,初始擾動強度1K2試驗2(Exp2)同化地表溫度資料,初始擾動強度1K;同化10cm土壤溫度資料,初始擾動強度1K3試驗3(Exp3)同化地表溫度資料,初始不擾動;同化10cm土壤溫度資料,初始擾動強度1K4試驗4(Exp4)同化地表溫度資料,初始擾動強度1K;同化10cm土壤溫度資料,初始不擾動5試驗5(Exp5)同化地表溫度資料,初始擾動強度1K6試驗6(Exp6)同化地表溫度資料,初始擾動強度1K;同化20cm土壤溫度資料,初始擾動強度1K7試驗7(Exp7)同化地表溫度資料,初始擾動強度1K;同化20cm土壤溫度資料,初始不擾動8試驗8(Exp8)同化地表溫度資料,初始不擾動;同化20cm土壤溫度資料,初始擾動強度1K9試驗9(Exp9)同化20cm土壤溫度資料,初始擾動強度1K

2.5各試驗方案效果對比

以各要素的分析場(圖略)只能大致的主觀看出分析場是否準確,為了更客觀地了解要素分析場是否準確,還是需要借由各變量的同化時刻分析場模擬觀測相對真實觀測的均方根誤差(RMSE)來分析。分析場模擬觀測值即為各個時刻加入數據同化之后得到的分析值,采用FNL資料作為各個時刻的真實觀測值,由于FNL資料收集了每6 h的觀測資料,需要用到WRF模式的輸入文件,在&time_control那組設置里面增加一些設置來得到每個小時的真實場。

圖5　不同深度的土壤溫度均方根誤差(單位:℃)　　a.0～10 cm;b.10～30 cm;c;30～60 cmFig.5　RMSE of soil temperature at different depths (units:℃):(a)0—10 cm;(b)10—30 cm;(c)30—60 cm

圖5是不同深度的土壤溫度各同化時刻分析場與觀測場之間均方根誤差,可以看出各層土壤溫度的RMSE都是試驗4、試驗5和試驗7的最小,且隨時間上升緩慢,試驗1、試驗2和試驗3的RMSE都是呈直線上升的并且較大,試驗6和試驗8、試驗9的RMSE驟然上升,之后開始緩慢上升,最后時次的RMSE與試驗1、試驗2和試驗3大致一樣。比較圖5a、5b、5c可以得到土壤深度越深,土壤溫度RMSE越大,但最大沒有超過0.3 ℃,在正常范圍內,因此分析場模擬觀測非常準確。試驗4、試驗5和試驗7這三組試驗的共同點是加入的同化資料都是地表溫度資料,并且地表溫度的初始擾動強度都為1 K。初步估計加入的同化資料為地表溫度資料可能使同化更為準確。

圖6是不同深度的土壤濕度各同化時刻分析場模擬觀測相對真實觀測的均方根誤差,可以看出各層土壤濕度的RMSE都幾乎沒有區別,0～10 cm層的土壤濕度RMSE先隨同化時間減小然后增加,10～30 cm層的土壤濕度RMSE隨著時間直線上升,30～60 cm層的土壤濕度先隨時間減小然后增加最后再減小。比較圖6a、6b、6c可以得到土壤深度越深,土壤濕度RMSE越大,但都在可接受范圍內變化,因此分析場模擬觀測非常準確。對于土壤濕度而言,加入何種溫度資料結果都相差不多。

圖6　不同深度的土壤濕度均方根誤差(單位:m3/m3)　　a.0～10 cm;b.10～30 cm;c;30～60 cmFig.6　RMSE of soil moisture at different depths (units:m3·m-3):(a)0—10 cm;(b)10—30 cm;(c)30—60 cm

圖7a是地表溫度各同化時刻分析場模擬觀測相對真實觀測的均方根誤差,可以看出各試驗的地表溫度的RMSE都在0.8～1.8 ℃之間變化,在可接受范圍內,因此分析場模擬觀測非常準確。試驗4和試驗7在某些時刻比其他試驗較大,其他各組試驗相差不多,試驗3較小一點。各組試驗都是先隨同化時間減小,然后迅速增加。對于地表溫度而言,加入何種溫度資料結果都是相差不多,試驗3效果較好一些,試驗3加入的同化資料是:同時同化10 cm土壤溫度資料和地表溫度資料,10 cm土壤溫度資料初始擾動強度為1 K,地表溫度資料初始不加擾。

圖7b是雨水混合比各同化時刻分析場模擬觀測相對真實觀測的均方根誤差,可以看出各試驗的地表溫度的RMSE都在0.000 2左右,在正常范圍內,因此分析場模擬觀測非常準確。各組試驗相差不多,都是先隨同化時間迅速增大,然后穩步減少。對于雨水混合比而言,加入何種溫度資料結果都相差不多。

綜上所述,通過同時考量各要素的分析場效果圖和各變量各同化時刻分析場模擬觀測相對真實觀測的均方根誤差(RMSE),最終得到各要素的分析值都較為準確,并且綜合來看試驗4、5和7相較其他各組試驗結果更令人滿意。

圖7　地表溫度(a;單位:℃)和雨水混合比(b;單位:kg·kg-1)的均方根誤差Fig.7　RMSE of (a)surface temperature (units:℃)and (b)water vapor mixing ratio(units:kg·kg-1)

以上已經證明了各要素的分析值都較為滿意,但是從分析場的效果圖(圖略)可以看出江蘇的不同區域的分析值都還是存在差異的。而且通過全場的RMSE算數平均雖然已經得到滿意結果,但是為了探討不同區域的分析值好壞差異,本小節選取了兩塊區域來進行比較。其中區域一是降水大值區(119.5～120.5°E,32～33°N),區域二是降水小值區(118.5～119.5°E,33.5～34.5°N)。

如圖8所示,總體比較降水大值區和降水小值區,降水大值區的土壤溫度分析場更加接近于真實場。降水大小值區都是隨著土壤深度越深,同化效果越接近真實值。幾組試驗相比較來看,試驗4和5相較其他各組試驗都更接近真實值。對于淺層10 cm的土壤溫度來說,隨著時間推移,降水小值區試驗從0.9 ℃的差異開始都趨于接近真實值,最后與真實值非常相近,而降水大值區則相反,與真實值差距越來越顯著。

圖8　0～10 cm(a、d)、10～30 cm(b、e)和30～60 cm(c、f)的土壤溫度均方根誤差在區域一(a、b、c)和區域二(d、e、f)的對比(單位:℃)Fig.8　RMSE of soil temperature at different depths,as compared between different areas (units:℃):(a)area1_0—10 cm;(b)area1_10—30 cm;(c)area1_30—60 cm;(d)area2_0—10 cm;(e)area2_10—30 cm;(f)area2_30—60 cm

如圖9所示,總體比較降水大值區和降水小值區,降水大值區的土壤濕度分析場更加接近于真實場。降水大小值區都是隨著土壤深度加深,同化效果距離真實值越接近。幾組試驗相比較來看,每組差異并不是很大。對于不同層不同區域的土壤濕度來說,同化效果隨著時間推移都與真實值的差距越來越大。

如圖10所示,地表溫度的試驗值與真實值差異較大,同化結果并不隨時間越來越趨于真實值。降水大值區比區降水小值區的效果更差,但都在可以接受范圍內。對于降水大值區,試驗1和試驗2的相較于其他幾組試驗更接近真實場。

圖9　0～10 cm(a、d)、10～30 cm(b、e)和30～60 cm(c、f)的土壤濕度均方根誤差在區域一(a、b、c)和區域二(d、e、f)的對比(單位:m3·m-3)Fig.9　RMSE of soil moisture at different depths,as compared between different areas(units:m3·m-3):(a)area1_0—10 cm;(b)area1_10—30 cm;(c)area1_30—60 cm;(d)area2_0—10 cm;(e)area2_10—30 cm;(f)area2_30—60 cm

圖10　地表溫度均方根誤差在不同區域的對比(單位:℃)　　a.區域一;b.區域二Fig.10　RMSE of surface temperature at different depths,as compared between different areas(units:℃):(a)area1;(b)area2

3預報試驗設計和結果

3.1試驗方案設計

上一個試驗已經驗證了WRF-EnSRF陸面同化系統分析場的有效性,本試驗方案在此基礎上,選取其中一個較優的試驗方案(即試驗方案4),使用最后一個同化時次的分析場作為背景場做集合預報。目的是考察基于自動站資料的WRF-EnSRF陸面同化系統應用降水過程中,預報結果是否準確。

同化試驗從2007年7月8日06時起報到2007年7月8日12時,把2007年7月8日12時的預報結果作為背景場,然后在模式積分開始時(2007年7月8日12時)初始場添加隨機擾動形成初始集合,在模式積分到第1 h系統開始直接同化觀測資料,每1 h同化一次觀測,連續同化至2007年7月8日23時,即一共同化11次。同化加入的觀測資料為試驗4(Exp4),即同時同化10 cm土壤溫度資料和地表溫度資料,10 cm土壤溫度資料初始不加擾,地表溫度資料初始擾動強度為1 K。其中擾動初始場時,速度場(u,v,w)的誤差標準差為1 m/s,位溫的誤差標準差為1 K,水汽混合比的誤差標準差為0.001 kg/kg。各實際同化試驗中,集合成員數30。最后再把同化最后時刻的分析場作為預報場向后做集合預報,這個作為同化試驗的預報結果。把fnl資料作為真實場,用NCEP再分析資料直接做預報作為控制試驗的結果。

圖11　2007年7月9日06時10 cm淺層土壤溫度(單位:℃)　　a.FNL資料10 cm淺層土壤溫度;b.控制實驗10 cm淺層土壤溫度預報結果;c.同化實驗10 cm淺層土壤溫度預報結果Fig.11　10 cm soil temperature at 0600 UTC 9 July 2007 (units:℃):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

圖12　2007年7月9日06時10 cm淺層土壤濕度(單位:m3·m-3)　　a.FNL資料10 cm淺層土壤溫度;b.控制實驗10 cm淺層土壤溫度預報結果;c.同化實驗10 cm淺層土壤溫度預報結果Fig.12　10 cm soil moisture at 0600 UTC 9 July 2007 (units:m3·m-3):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

圖13　2007年7月9日06時地表溫度(單位:℃)　　a.FNL資料地表溫度;b.控制實驗地表溫度預報結果;c.同化實驗地表溫度預報結果Fig.13　Surface temperature at 0600 UTC 9 July 2007 (units:℃):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

圖14　2007年7月9日06時近地面10 m風場(單位:m/s)　　a.FNL資料近地面10 m風場;b.控制實驗近地面10 m風場預報結果;c.同化實驗近地面10 m風場預報結果Fig.14　Horizontal wind at 10 m at 0600 UTC 9 July 2007(units:m·s-1):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

3.2預報結果

預報結果如圖11—14所示:

1)同化試驗與控制試驗的10 cm淺層土壤溫度都存在蘇北預報偏高,蘇中預報偏低的現象,但同化試驗較控制試驗有明顯的改善效果。

2)同化試驗與控制試驗降水大值區都存在土壤濕度預報偏高現象,但同化試驗較控制試驗有明顯的改善效果。

3)對于地表溫度預報,同化試驗與控制試驗效果都不太理想,但同化試驗效果稍有改進。

4)對于近地面風場同化試驗較控制試驗有明顯的改善效果,特別是在江蘇省境內的風速和風向預報基本準確。

為了更客觀地比較同化試驗與控制試驗分別同真實場的偏差,計算控制實驗預報結果與真實場的均方根誤差(RMSE),以及同化試驗預報結果與真實場的均方根誤差。分別計算全場各格點的均方根誤差,之后求算數平均值,最后得到的均方根誤差值見下表2。

表2控制試驗與同化試驗預報結果分別同真實場的均方根誤差

Table 2RMSE of the forecasting results of the control test and assimilation test

2007年7月9日06時10cm淺層土壤溫度/℃10cm淺層土壤濕度/(m3·m-3)地表溫度/℃控制實驗預報結果與真實場的均方根誤差2.30.0433.1同化實驗預報結果與真實場的均方根誤差1.60.0292.7

4結論

本文通過對實際個例的模擬,將江蘇省70個站點資料進行同化,使用了不同的觀測資料,探討使用哪種資料效果最佳,并且驗證分析場效果是否有效,預報結果是否理想。經過試驗得到以下結論:

1)比較全場的平均同化時刻分析場模擬觀測相對真實觀測的均方根誤差可以得到:同化地表溫度資料并且初始擾動強度1 K的時候同化效果最理想。

2)對于選定的降水大值區和降水小值區來講,降水大值區的土壤溫度和土壤濕度分析場更加接近于真實場,地表溫度效果都不是太理想。降水大小值區都是隨著土壤深度加深,同化效果越接近真實值。

3)同時同化地表溫度和10 cm淺層土壤溫度資料后,選取最后一個同化時次的分析場作為背景場做集合預報,進行其效能的檢驗,最終證明預報結果是有效的。

綜上所述,基于自動站資料的WRF-EnSRF陸面同化系統應用實際個例中取得了較為滿意的結果,分析場以及集合預報結果都比較準確,這說明該系統應用于實際同化中的性能較為良好,可以應用于實際土壤濕度與溫度的預報。本文取得了一些初步的結論,但也存在一定的問題:本文選擇的個例在江蘇,自動站資料較密集也較準確。對于其他地區的自動站資料的使用,本文試驗得出結果是否適用?這是下一步研究需要解決的問題。

參考文獻(References)

Chen F,Mitchell K E.1999.Using the GEWEX/ISLSCP forcing data to simulate global soil moisture fields and hydrological cycle for 1987—1988[J].J Meteor Soc Japan,77(1B):167-182.

Chen F,Mitchell K E,Schaake J,et al.1996.Modeling of land-surface evaporation by four schemes and comparison with FIFE observations[J].J Geophys Res,101(D3):7251-7268.

Chen F,Janic Z,Mitchell K E.1997.Impact of atmospheric surface layer parameterizations in the new land-surface scheme of the NCEP mesoscale Eta model[J].Bound-Layer Meteor,85(3):391-421.

陳杰,閔錦忠,王世璋,等.2012.WRF-EnSRF系統同化多普勒雷達資料在多類型強對流天氣過程的數值試驗[J].大氣科學學報,35(6):720-729.Chen J,Min J Z,Wang S Z,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 Chinses).

高艷紅,程國棟,崔文瑞,等.2006.陸面水文過程與大氣模式的耦合及其在黑河流域的應用[J].地球科學進展,21(12):1283-1292.Gao Y H,Cheng G D,Cui W R,et al.2006.Couping of enhanced land surface hydrology with atmospheric mesoscale model and its implement in Heihe river basin[J].Advances in Earth Science,21(12):1283-1292.(in Chinese).

黃春林,李新.2004.陸面數據同化系統的研究綜述[J].遙感技術與應用,19(5):424-430.Huang C L,Li X.2004.A review of land data assimilation system[J].Remote Sensing Technology and Application,19(5):424-430.(in Chinese).

李鵬.2006.NOAH陸面模式在GRAPES中的應用[D].北京:中國氣象科學研究院.Li P.2006.Application of NOAH land model in GRAPES[D].Beijing:Chinese Academy of Meteorological Sciences.(in Chinese).

Mahrt L,Michael E K.1984.The influence of atmospheric stability on potential evaporation[J].J Climate Appl Meteor,23(2):222-234.

閔錦忠,陳杰,王世璋,等.2011.WRF-EnSRF同化系統的效果檢驗及其應用[J].氣象科學,31(2):135-144.Min J Z,Chen J,Wang S Z,et al.2011.The test of WRF-EnSRF data assimilation system and its application in storm scale events[J].J Meteor Sci,31(2):135-144.(in Chinese).

閔錦忠,孔瑩,楊春,等.2012.衛星輻射率資料EnSRF同化及暴雨模擬應用[J].大氣科學學報,35(3):272-281.Min J Z,Kong Y,Yang C,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).

邵長亮.2011.WRF-EnSRF同化地面自動站資料的實現與技術研究[D].南京:南京信息工程大學.Shao C L.2011.Implementation and application of WRF-EnSRF assimilation using automatic station data[D].Nanjing:Nanjing University of Information Science & Technology.(in Chinese).

Wood E F,Lettenmaier D P,Liang X,et al.1998.The project for intercomparison of land-surface parameterization schemes(PILPS)phase 2(c)Red-Arkanss river basin experiment:1.Experiment description and summary inter-comparisons[J].Global and Planetary Change,19(1/2/3/4):115-135.

楊春.2011.WRF-EnSRF衛星資料同化系統構建及應用研究.南京:南京信息工程大學.Yang C.2011.The construction and application research of WRF-EnSRF satellite data assimilation system[D].Nanjing:Nanjing University of Information Science & Technology.(in Chinese).

張春雷,謝鄭輝,田向軍,等.2006.基于土壤水模型及站點資料的土壤濕度同化方法[J].地球科學進展,21(12):1350-1362.Zhang C L,Xie X H,Tian X J,et al.2006.A soil moisture assimilation scheme with an unsaturated soil water flow model and in-site observation[J].Advances in Earth Science,21(12):1350-1362.(in Chinese).

張春雷,謝鄭輝,師春香,等.2008.集合Kalman濾波在土壤濕度同化中的應用[J].大氣科學,32(6):1419-1430.Zhang C L,Xie Z H,Shi C X,et al.2008.Application of ensemble Kalman filter in soil moisture assimilation[J].Chin J Atmos Sci,32(6):1419-1430.(in Chinese).

To date,land surface data assimilation systems have tended to focus on the four-dimensional variational or ensemble Kalman filter assimilation methods using remote sensing data.Considering the advantages of the ensemble square-root filter(EnSRF)over the ensemble Kalman filter,we adopt this assimilation method,using observations without disturbance,in the present study.Following the initial construction of WRF-EnSRF in the WRF model,the WRF-EnSRF land surface data assimilation system was preliminarily constructed,along with a system for different data sources,such as radar,satellites and automatic weather stations(AWSs).Considering the latter of these data sources(i.e.,AWSs),there are many advantages over other sources,such as the dense distribution of sites,real-time recording,the convenience of the observational data as model variables,and so on.

The present work begins by testing the WRF-EnSRF land data assimilation system,and then uses AWS data to complete the WRF-EnSRF land data assimilation.Finally,the validity and feasibility of the system is verified.The EnSRF algorithm used in this paper assumes that when the observation error is not related,assimilate the observational data in an orderly way;namely,assimilate each piece of observational data one-by-one.When a piece of observational data is assimilated,the analysis field will be used as the new background field for assimilating the next piece of data.With time,all observational data are assimilated and the system sets the analysis field as the next period’s initial field and then carries out the next period’s ensemble forecast.The system then analyzes the next period’s observational data,and the process recycles.This study uses the comparatively mature Noah land surface model of the WRF model.This model includes a four-layer soil module and a one-layer vegetation module,and can forecast soil humidity and temperature.Its initial temperature field and humidity field are both from the information provided by the large-scale field after interpolation.

Based on the simulation of the actual example(A Mei-yu front rainstorm),the data of 70 AWSs in Jiangsu Province are assimilated.Using different observational data,this paper discusses what kind of data has the best effect.Furthermore,the paper discusses the accuracy of the analysis field in different areas.The main results can be summarized as follows:

(1)The first test uses different kinds of observational data:10 cm depth soil temperature;20 cm depth soil temperature;and surface temperature.The test uses these data by permutation and combination,with or without initial disturbance intensity,enabling it to identify which kind of data is best for assimilation.The paper reports the root-mean-square error(RMSE)of the variables and pictures the analysis field of each scheme.The data selection test results,comprising the RMSE of the analysis field and the true field,show that when assimilating surface temperature data,and the initial disturbance intensity is 1 K,the assimilation effect is as expected.

(2)To discuss the accuracy of the analysis field in different areas,we choose two areas for comparison:one is a high-precipitation area (32—33°N,119.5—120.5°E),and the other a low-precipitation area (33.5—34.5°N,118.5—119.5°E).Compared to the low-precipitation area,the analysis field of soil temperature and soil humidity in the high-precipitation area is closer to the true field.However,the analysis field of surface temperature in both the high-and low-precipitation area is not ideal.For both areas,the assimilation effect is closer to the real value as soil depth deepens.

(3)After assimilation of surface temperature and 10 cm depth soil temperature data at the same time,we choose the analysis field of the last assimilation time as the background field,and then perform the ensemble forecast.In the end,the forecast result is proven to be effective.So,in conclusion,the result of the WRF-EnSRF land data assimilation system using AWS data applied to a practical case is satisfactory,and the analysis field and ensemble forecast are accurate.The prediction results for the soil temperature field,soil moisture field,surface temperature field and the surface layer wind field all have different degrees of improvement compared with the control test.

Overall,this study shows that the performance of the system,as applied in actual assimilation,is relatively good,and the system can be used in the forecasting of soil humidity and temperature.

Land data assimilation;ensemble square-root filter;automatic weather station data;Jiangsu Province

(責任編輯：張福穎)

Testing and application of a land data assimilation system using automatic weather station data

MIN Jinzhong1,CHE Lu2,GUO Yakai2

1KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME),NanjingUniversityofInformationScience&Technology,Nanjing210044,China;2SchoolofAtmosphericSciences,NanjingUniversityofInformationScience&Technology,Nanjing210044,China

doi：10.13878/j.cnki.dqkxxb.20140404001

引用格式:閔錦忠,車淥,郭亞凱.2016.基于自動站資料的WRF-EnSRF陸面同化系統的效果檢驗及應用[J].大氣科學學報,39(3):318-328.MinJZ,CheL,GuoYK.2016.

Testingandapplicationofalanddataassimilationsystemusingautomaticweatherstationdata[J].TransAtmosSci,39(3):318-328.doi:10.13878/j.cnki.dqkxxb.20140404001.(inChinese).

*聯系人，E-mail:chelu0401@foxmail.com