紅外高光譜IASI衛星資料同化對一次大風過程的影響研究

許冬梅，李 瑋，武 芳，束艾青，卞慧敏

（1.中國氣象局沈陽大氣環境研究所，遼寧 沈陽 110000；2.南京信息工程大學氣象災害教育部重點實驗室/氣候與環境變化國際合作聯合實驗室/氣象災害預報預警與評估協同創新中心，江蘇 南京 210044；3.高原與盆地暴雨旱澇災害四川省重點實驗室，四川 成都 610225；4.巍山縣氣象局，云南 大理 672400；5.六安市氣象局，安徽 六安 237000）

根據中國氣象局的規定，瞬間風速＞17 m/s為大風天氣。大風天氣可構成嚴重氣象災害，如2016年5月發生在內蒙古鄂爾多斯市的一次大風災害，造成1 392 hm2農作物受到損失，受災群眾達到2 085人，造成的經濟損失達415.3萬元。我國每年均有大風天氣災害發生，給民眾生產生活帶來了極大的負面影響，并給國民經濟發展帶來阻礙，因此各地氣象部門提供及時、準確的風速預報，對提前做出預警和保護民眾生命財產安全有重要意義[1]。

自20世紀數值預報被應用于實際天氣預報，隨著理論基礎和觀測技術的不斷完善，天氣預報的準確性有了很大提高；尤其是20世紀50年代后計算機技術和數值模式領域取得的巨大突破，帶動數值天氣預報飛速發展[2-3]。美國國家大氣研究中心（National Center for Atmospheric Research，NCAR）聯合其他多個部門協同研發的WRF（The Weather Research and Forecasting）中尺度數值模式，在氣象研究和業務預報中已經被廣泛應用，從而在一定程度上促進風速預報研究[6-8]。已有不少學者的研究表明WRF模式在改善風速預報方面取得了成效[9-10]。

現有中尺度數值模式預報的風速還有較大誤差，近地層風場尤為顯著，其中一個重要因素就是模式初始場不準確。資料同化的目的在于利用現有的觀測信息來估算一個盡可能精確的大氣（海洋）運動狀態。近幾十年來，資料同化方法經歷了一個快速的發展過程。從早期的逐步訂正、統計插值發展到現今的三維變分、四維變分、卡爾曼濾波等方法[11-13]。不少基于資料同化的研究都表明，資料同化可以有效地改進模式的預報技巧[14-17]。

氣象衛星是對地面、高空和雷達觀測的補充，是構成完整氣象觀測網的重要部分。它們具有探測范圍廣，執行速度快，不受自然條件和國界限制的優點。衛星資料在經過質量控制和偏差訂正等一系列前處理后，可以同化進數值模式并為其提供精確的初始場[18]。和衛星微波通道相比，衛星紅外通道觀測到的大量云信息可以作為數值預報的有用參考。近年來由于高光譜儀器的快速發展，在數值天氣預報中使用該資料的頻率大大增加。紅外高光譜儀器區別于常規遙感儀器的地方在于它可以探測數千個甚至數萬個光譜通道，為數值模式提供更高精度和垂直分辨率的氣象信息。IASI（Infrared Atmospheric Sounding Interferometer）是搭載在歐洲極軌衛星上的新一代超高光譜紅外大氣探測儀器，該探測儀使用了干涉分光技術，光譜測量范圍涵蓋了多個吸收帶，可用于探測云、海洋和大氣，反演大氣成分，從而為科學研究和大氣遙感提供廣泛的遙感數據[19]。Xu等[20]同化IASI資料和常規資料對兩次熱帶氣旋進行了模擬，研究結果表明，IASI資料同化提高了對臺風的動力和熱力結構的模擬能力，并且對于42 h以內的最大風速預報質量有顯著提高。

本文利用WRF同化系統對2019年4月中國東部區域一次大風天氣過程進行IASI高光譜資料同化和數值模擬，實現IASI高光譜資料的云檢測和質量控制。通過數值模擬驗證，定量考察IASI紅外輻射率資料同化的在數值模式中的作用，研究紅外高光譜資料同化對數值模式初始分析和預報場的影響。

1 方法介紹

1.1 三維變分方法

美國國家大氣研究中心開發的WRFDA同化系統包括3DVAR（Three-Dimensional Variational Assimilation）、4DVAR（Four-Dimensional Variational Assimilation）和混合同化系統。本研究采用WRFDA的3DVAR系統。變分同化的目標是通過對代價函數J（x）進行迭代最小化，獲得對真實大氣狀態的最優估計。3DVAR代價函數表達如下：

其中，x和y分別代表大氣狀態向量和觀測向量，H為非線性觀測算子，xb為背景狀態（通常為短期預測）。B和R分別是背景誤差協方差矩陣和觀測誤差協方差矩陣。通過最小化（1）得到x的迭代解，在給定背景xb、觀測y、B和R的情況下，得到真實大氣狀態的最小方差估計。

1.2 方法和資料介紹

衛星資料同化是將背景場、觀測資料及對應的誤差協方差矩陣，通過一定方法在數據和模型間建立優化關系，從而最小化分析誤差，使來源不同的數據能夠融合以得到更真實的大氣狀態。

本文衛星資料同化采用的輻射傳輸模式（即觀測算子）為CRTM（Community Radiative Transfer Model）2.3.0[21]。CRTM快速輻射傳輸模式包括云的吸收與散射、大氣吸收、氣溶膠的吸收與散射、地表的發射與反射幾個微輻射測量模塊，基于米散射理論計算模型中的光學云參數與降水散射效應[22]。

衛星資料同化過程會受到觀測和模式誤差影響。為了提高同化質量將采用回歸偏差訂正法對其進行偏差訂正。做法是選取偏差訂正的預報因子并利用大量觀測亮溫樣本建立線性回歸方程；計算出訂正系數并利用該系數訂正模擬資料。本文使用將偏差訂正系數納入目標函數的方法進行動態更新偏差訂正系數，最終完成偏差訂正。所選的偏差訂正預報因子包括全局的補償項、云中液態水項、掃描位置、掃描位置的平方數和立方數、以及1 000～300 hPa和200～50 hPa層結厚度。

本文同化的是IASI紅外觀測資料源于極軌衛星上的超高光譜紅外大氣探測儀器。該探測儀采用干涉分光技術進行分布掃描，視場±48.3°，幅寬2 400 km；共有8 461個通道，以每個通道相等的光譜分辨率（0.25 cm-1）進行連續觀測。為了減少相鄰觀測點間的虛假相關，采用的觀測稀疏化距離為30 km。同化通道為長波通道，一共193個通道（通道16至通道2239）。水汽通道觀測誤差較大被剔除。

1.3 云檢測

高空中云輻射會使衛星觀測受到云污染，導致輻射資料的精度及利用率降低。本文利用不同物體輻射的特征差異并通過一系列方法對資料進行識別，分辨出受到云污染的區域并將其剔除，保留晴空區域，這個過程就是云檢測。通過云檢測可以提高資料的精確性。本文選取的大風個例伴隨有降水，IASI得到的并非晴空資料，所以對資料進行云檢測是至關重要的。

本研究采用的云檢測方法是歐洲中期預報中心的通道排序云檢測方法[23]。該云檢測算法首先為每個通道分配一個高度（或氣壓）。通道的特征級別k定義為從表面到頂部的第一點，在該點上不透明的烏云對總晴空輻射的相對影響＞1%，即：

其中，BT表示亮溫，i是通道排名后的索引，I是進行梯度計算的通道數。低于此級別的所有通道均被標記為受云影響，而高于此級別的所有通道均被清除[20]。BT_Threshold和BTGrad_Threshold為亮溫梯度閾值。

2 個例介紹

2019年4月24日00—18時（世界時，下同），受我國東北一北方氣旋外圍氣流的影響，遼寧省局部地區出現了一次大風天氣過程，局部地面風速＞12 m/s。此次大風過程從開始發展至強盛階段到消亡階段共經歷約10 h，最大風速＞12 m/s的階段約維持了5 h。該次過程形勢場和環流結構特征明顯，有利于開展對比試驗。同時METOP-B衛星在24日01時經過遼寧省上空，搭載的IASI探測儀收集到了這次過程的有效信息，故選取此次過程為個例進行IASI資料同化試驗。

2.1 地面風場

4月23日18時起遼寧省境內局部地區出現＞8 m/s的大風；至24日00時大風天氣影響范圍迅速擴大且風力加強，部分地區風速＞12 m/s；24日03—06時大風天氣影響范圍仍然廣闊，影響地區逐漸南移出海；至09時大風天氣影響范圍迅速減小并基本南移出海，此次大風天氣過程趨于結束。圖1為24日00時—25日00時位置為（41.4°N，121.0°E），高度80 m的逐3 h風機觀測。

圖1 24日00時—25日00時位置（41.4°N，121.0°E），高度80 m的逐3 h風機觀測

2.2 高低空形勢場

4月24日00、12時東亞地區中高緯500 hPa上為兩槽一脊，我國東北地區有一低槽東移，遼寧省位于該低槽前，高空急流南側，風向為偏西風（圖2a、2b）。

24日00時的700 hPa上，我國東北地區有一低壓氣旋，由其西南方延伸出一條切變線并伴有低空急流；遼寧省位于切變線東南方、低空急流以南（圖2c）。12時低壓氣旋中心位于鄂霍次克海，切變線東移，低空急流減弱（圖2d）。

24日00和12時850 hPa上，我國中高緯形勢為兩低夾一高，遼寧省位于低壓底后部與高壓底前部之間，二者使風速疊加變大且風向為偏北風，與10 m風場一致；00時遼寧東北側有低壓中心，東南側有低壓氣旋且伴隨切變線，北側有低空急流（圖2e）；12時兩低中心合并（圖2f）。

圖2 24日500 hPa（a、b）、700 hPa（c、d）、850 hPa（e、f）位勢高度場、溫度場和風場

3 模式簡介與試驗設計

3.1 WRF模式介紹

本文采用的是WRFV4.1數值模式。該模式包括3DVAR，4DVAR和混合同化3個模塊。該數值模式，使用具有流體靜力學選項的完全可壓縮非流體靜力學方程，水平方向在荒川C網格上進行分析，垂直方向上使用基于質量的混合σ-壓力垂直坐標。積分方案使用的是龍格-庫塔二階和三階時間積分，平流方案是加權基本非振蕩平流方案及水平和垂直方向上的二到六階平流方案。

3.2 試驗設計

本文采用GFS（全球預報系統）0.25°×0.25°再分析資料作背景場，使用WRFV4.1數值預報模式模擬2019年4月24日發生在遼寧省境內的一次大風天氣過程；模擬區域如圖3，區域中心為（115°E，36°N），水平網格距為5 km，網格點為400×350，垂直方向共35層，模式層頂為50 hPa。微物理過程為WRF Single-Moment 3-Class微物理方案。由于網格分辨率無法完全解決對流特征，因此包含了Kain-Fritsch對流參數化方案。其他物理參數化方案包括延世大學的行星邊界層參數化方案[24]，陸面過程的五層熱擴散模型[25]，美國國家的快速輻射傳遞模型（RRTM）[26]，賓夕法尼亞州立大學第五代大氣研究中心中尺度模型短波輻射[27]。

圖3 WRF模擬區域范圍

本文設計了2組試驗（圖4）。第一組IASI同化試驗：模式起報時間為2019年4月23日12時，做Spin up預報至4月24日00時。在4月24日00時對IASI資料進行同化后開始預報，預報時長為24 h，每1 h輸出一次預報場。第二組控制試驗（CTNL），在2019年4月24日00時使用全球模式預報場（GFS）提供的初始場進行24 h預報（每1 h輸出一次預報場），不進行任何資料同化處理。本文采用的背景誤差協方差矩陣是由2019年4月1—30日期間每日2次（00和12時）的同一時刻但是不同預報時效（24 h預報和12 h預報）的預報差來統計得到[28]。

圖4 IASI同化試驗和對比試驗的流程

4 結果分析

4.1 云檢測

為了考察云檢測方法對不同高度特征通道檢測效果，本文參照Xu等[14]選取一個高通道、一個低通道進行檢驗。兩個通道分別為299（約13.89μm）和646（約12.4μm）。圖5是IASI兩個不同通道的觀測亮溫，經過云檢測前后剩下的觀測亮溫散點分布。圖5a是通道299未經過云檢測前的觀測亮溫，觀測總數為2 794。圖5b是通道299經過云檢測之后剩下1 298個觀測亮溫，剔除率約53%；圖5c中，通道646經過云檢測之后剔除了絕大多數數值低于282 K的觀測，只保留了剩下390個數值較大的觀測亮溫，剔除率為86%。通道299比通道646多保留了約33%觀測，說明通道646的信息受云污染比通道299嚴重得多，資料利用率降低。

圖5 2019年4月24日00時IASI通道299云檢測前（a）、通道299云檢測后（b）和通道646經過云檢測后（c）的亮溫散點分布

4.2 分析結果

IASI進行同化后的分析場與同化前的背景場在每個模式格點上的差值都可以進行計算，圖6a反映了全場差場絕對值的最大值隨高度的變化，圖6b則反映了這些差場的均方根誤差（RMSE）隨高度的變化，二者都反映了IASI資料同化對各模式變量隨高度的變化。圖6a與圖6b垂直廓線的趨勢相似，在低層對于變量u和變量v的改變較小且隨著高度增加而增大，到中層量級達到最大，之后隨高度逐漸減小。到高層后在一定范圍內震蕩；對于變量t的改變則剛好相反。變量u和v在低層的差值最大值和均方根誤差都較小，到中層則有所增大；變量t則正相反。這說明資料同化在低層對于變量u和v的改變較小，對變量t的改變較大；在中層對變量u和v的改變最大，對變量t的改變最小；在高層對上述3個變量的改變都較大。這個主要是由背景場中不同物理量在不同高度的誤差特性決定的，即背景場中誤差較大處，觀測對模式的修正也較大。這里發現的模式層高層較大的溫度差異與其他研究中的結果較為一致。

圖6 IASI資料同化前和同化后，基于全場每個模式格點上的差場絕對值的最大值（a）和均方根誤差（b）的垂直廓線

圖7a為各個通道云檢測后的觀測數目，可見在使用隨通道高度特征而變化的云檢測算法后，不同通道使用的觀測數目有多有少。圖7b給出了同化前未進行偏差訂正的觀測和背景的差異（OMB_nb）、同化前經偏差訂正的觀測和背景的差異（OMB_wb），以及同化后的觀測和分析的差異（OMA）。可見偏差訂正前背景與觀測場的平均偏差整體很大，尤其是1 000～2 000的通道，進行偏差訂正后明顯減小；觀測與分析場之差的平均偏差比起上述兩者更靠近等值線0。圖7c分析了同化前未偏差訂正的觀測和背景的差異（OMB_nb）、同化前經偏差訂正的觀測和背景的差異（OMB_wb），以及同化后的觀測和分析的差異（OMA）的標準差。同樣的，進行了同化的分析場與觀測場之差的偏差標準差，比起背景場（偏差訂正前與偏差訂正后）與觀測場之差要更接近0。圖7b、7c的結果都說明同化分析場更接近觀測場，在0～800的通道尤為明顯。

圖7 觀測輻射率與分析場模擬的輻射率值的差（OMA）、偏差訂正后觀測輻射率與背景場模擬的輻射率差（OMB_wb）、偏差訂正前觀測輻射率與背景場模擬的輻射率的差（OMB_nb）的觀測數目（a）、平均偏差（b）和偏差標準差（c）

4.3 預報結果

圖8a和圖8b分別為控制試驗（CTNL）和IASI同化試驗模擬的24日00時的10 m風場。圖8c為0.1°×0.1°分辨率的ECMWF再分析資料給出的10 m風場（參考場）。圖8b和圖8c的擬合度相較于圖8a與圖8c要更高。CTNL模擬的風場（圖8a）區域精確度不夠高，與實況風場（圖8c）相比，風速超過6 m/s的區域偏大，并且對此區域中風速＜6 m/s和＞12 m/s的地方出現了嚴重的漏報，對黃海區域一個風場的中心風速預報偏高。IASI同化試驗模擬的風場（圖8b）相對來說優質得多，其對于地表和洋面的大風區域和強度預報的精確度更高，對大風中心的風速預測較準確；雖然模擬的遼寧地區大風中心略偏西且范圍偏小，但是相比CTNL，其預報的水平有了大幅提升。

圖8 24日00時控制試驗CTNL（a）、IASI同化試驗模擬的10 m風場（b，單位：m/s）和客觀分析的10 m風場（c，單位：m/s）

圖9為兩組試驗資料模擬結果的均方根誤差隨預報時間變化。00時IASI同化試驗的RMSE（均方根誤差）最大，為3.1 m/s，控制試驗反而較小；經過模式的積分預報，IASI同化試驗在分析時刻的調整量得到了很好的平衡。控制試驗的RMSE在預報開始后迅速增大。兩者的RMES在02時基本相等，02時之后IASI的RMSE基本平穩，略有上升，在約12時迅速下降，在17—20時降到最低值，之后上升；而控制試驗模擬的RMSE在02時之后急速上升，在12時達到最大值4.0 m/s，之后下降，但是其值總是高于IASI同化資料模擬結果的RMSE。說明IASI同化資料在24 h預報中的模擬結果誤差較小，且質量較穩定。兩者的RMSE平均值分別為3.21、3.61 m/s，更進一步說明IASI同化資料能降低預報的均方根誤差，對于改善模擬結果起積極作用。

圖9 IASI同化資料（綠線）、控制試驗（黑線）模擬結果和ECMWF再分析資料的風場均方根誤差（單位：m/s）RMSE的時間序列

5 結論與討論

選取GFS 0.25°×0.25°再分析資料，基于WRFV4.1數值預報模式和三維變分同化模塊，實現IASI高光譜資料的云檢測和質量控制的基礎上，對2019年4月中國東部區域一次大風天氣過程進行了數值模擬試驗，定量考察了IASI紅外輻射率資料在數值模式中的作用，得到以下結論：

（1）IASI通道299經過質量控制后，進行偏差訂正后的模擬亮溫比偏差訂正前的模擬亮溫更接近觀測亮溫；而偏差訂正后的分析亮溫又更接近模擬亮溫，說明IASI資料同化可以有效改善亮溫的模擬結果。

（2）IASI資料同化對模式的不同變量及在不同高度的同一變量的影響存在差異。對于變量u和v來說，資料同化在低層對其改變較小，在中層改變較大；對于變量t，IASI同化在低層對其改變較大，在中層改變減小。IASI資料同化對上述變量的改變都在高層達到最大。

（3）IASI不同通道資料同化的影響程度存在差異。不同通道使用的觀測數目在經過云檢測之后出現了很大差別；對比同化后的分析場和同化前的背景場的差的平均偏差和偏差標準差在IASI不同通道的區別，發現分析場與觀測場的差更接近0，尤其是在通道0～800，說明IASI資料同化可以顯著改善模擬結果，通道0～800的改善結果最佳。

（4）IASI同化試驗大幅提升了下墊面風場的預報技巧。IASI同化試驗提高了對地表和洋面的大風區域和強度預報的精確度，對大風天氣出現的范圍和風力、大風中心的風速預測更為準確。

（5）IASI同化試驗的預報質量隨時間比較穩定。在00時，IASI同化試驗的均方根誤差比控制試驗的要大，但經過模式的積分預報之后顯著減小，并且穩定維持在較低的水平，在17—20時降到最低值。而控制試驗的均方根誤差在開始預報后迅速增大，在12時達到最大之后開始下降，但始終高于IASI試驗。說明IASI同化資料能降低預報的均方根誤差，在24 h預報中的模擬結果誤差較小，且質量較穩定。

本文對于IASI資料同化影響一次大風天氣的情況進行了簡單研究，對地面10 m風場的預報技巧有大幅改善。未來對數據的質量控制還有改進空間，四維變分、集合同化和集合變分混合同化等不同同化方案對預報技巧的影響也可以成為進一步研究的方向。

致謝：本論文的數值計算得到了南京信息工程大學高性能計算中心的計算支持與幫助，在此表示感謝！