FY-2G云導風資料同化在臺風“天鴿”數值預報中的應用

許冬梅，束艾青，李泓，吳海英，何志新，沈菲菲,2,，莊雨馨

（1.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；2.高原與盆地暴雨旱澇災害四川省重點實驗室，四川 成都 610225；3.中國氣象局沈陽大氣環境研究所，遼寧 沈陽 110000；4.中國氣象局上海臺風研究所，上海 200030；5.江蘇省氣象臺，江蘇 南京 210041；6.安徽省氣象臺，安徽 合肥 230031）

1 引言

臺風是發生在西北太平洋的熱帶氣旋，每年都會給沿海地區造成巨大災害。臺風預報受多種因素制約，如大尺度環流、小尺度擾動、海氣界面能量和物質交換等，再加上臺風理論認識的局限性和海洋大面積觀測資料的缺乏，臺風預報的難度非常大。據統計，即使在天氣預報技術領先的美國，2005 年由熱帶氣旋造成的經濟損失就高達上千億美元[1]。有“暖池”之稱的熱帶西太平洋及東印度洋廣闊的洋面和較高的海溫為臺風的生成和發展提供了充足的能量和水汽。夏季，臺風受低緯大氣環流特別是季風槽產生的弱垂直風切變和西太平洋副高西伸北跳產生的東風引導氣流的影響，生成后易于移向我國，給我國廣東、廣西、浙江、上海和福建等沿海地區的人民生命安全和社會經濟帶來巨大的損失。據相關統計，2004—2013 年，臺風給我國帶來的年平均直接經濟損失約為448 億元，占氣象災害總損失的17.4%[2-4]，因此提高臺風預報的精度是氣象預報和防災減災的重中之重。數值預報具有準確性高和時效長等優點，是臺風預報的主要手段。由于數值預報的效果與初始場的精度密切相關，臺風主要生成并活動于觀測資料匱乏的洋面上，所以臺風預報對于數值預報來說始終是一個難點。隨著氣象探測技術的提高，衛星和雷達等高分辨率的非常規氣象觀測手段已廣泛地應用于數值預報，利用這些資料修正模式背景場的信息，可以使預報結果更加準確。在這些資料中，衛星云導風（Atmos-pheric Motion Vectors，AMVs，又稱大氣運動矢量）資料具有觀測范圍廣、時效長和不易受下墊面影響等特點，對陸面觀測信息不足的地區，如海洋和沙漠等的氣象預報有重要參考價值，因此，在臺風結構、發生發展過程和臺風伴隨的強降水分布等預報中，云導風資料的作用不可忽視[5]。

從20世紀90年代開始，國內外學者已對AMVs資料同化在數值預報中的應用展開研究。在國外，Bhatia 等[6]在有限區域的模式中同化水汽通道的云導風數據，發現同化的云導風數據能更準確地預報熱帶氣旋的路徑。Soden 等[7]將云導風數據同化進颶風模式中，減小了颶風路徑偏西的預報誤差。Velden 等[8]通過對比傳統風場和云導風資料同化風場，發現云導風資料的主要誤差來源于高度匹配問題。Wu 等[9]研究發現通過集合卡爾曼濾波方法可以增強大氣運動矢量的同化子集，從而提高熱帶氣旋路徑和強度的預報質量。我國自20 世紀末風云二號地球靜止衛星發射后才正式開始云導風資料在天氣預報中的應用探索。周兵等[10]發現同化云導風資料可以改善對流層高層風矢的分布，從而提高暴雨等強降水災害天氣預報的準確性。何斌等[11]將同化了云導風的試驗與未同化任何資料的控制試驗的預報結果進行對比，發現云導風資料對對流層高層大氣風場的調整作用明顯，而對中低層大氣無明顯作用。何志新[12]將FY-2C 云導風資料同化后，發現其能很好地改進降水預報。馬俠霖等[13]將一個新的云導風計算方法運用在云導風資料同化中，極大地提高了云導風資料的利用率。萬曉敏等[14]選取臺風“天鴿”個例進行試驗，發現將FY-4A 云導風資料同化后可以調整高度場和風場分析結果，對降水的預報也有所改善。

通過以上回顧可以發現，前人的研究大多集中在應用前幾代氣象衛星的云導風資料以提高數值預報水平。較新的FY-2G 衛星自2015年6月1日起漂移至105°E取代超期服役的E星成為主業務衛星，它共有2 個紅外長波、1 個紅外中波、1 個可見光和1個水汽共5個通道，所有通道分辨率均高于5 km×5 km，其中部分通道分辨率達1.25 km×1.25 km，可以加強我國汛期的氣象監測能力。因此，我們選取登陸我國的強臺風個例以考察同化FY-2G 云導風資料對臺風預報的影響。2017 年8 月22—24 日，我國廣州、香港和澳門等沿海地區出現大范圍的強降水和大風天氣過程，該過程由強臺風“天鴿”引起。本研究就此次天氣過程，以美國國家環境預報中心（National Centers for Environmental Prediction，NCEP）最終業務全球分析（FiNaL operational global analysis，FNL）資料作為參考場，對FY-2G 地球靜止衛星水汽通道云導風資料的分布進行評估和偏差訂正。利用天氣研究和預報模式同化系統（Weather Research and Forecasting model Data Assimilation system，WRFDA）對衛星云導風資料進行三維變分（Three Dimensional VARiation，3DVAR）同化，并使用3.9.1 版本的天氣研究和預報模式（Weather Research and Forecasting model，WRF）對此次天氣過程進行30 h 的確定性預報，與未同化FY-2G 云導風資料的控制試驗預報結果對比，以探討云導風資料同化對臺風預報的影響。

2 觀測資料及同化系統

2.1 FY-2G云導風資料及質量控制方案

FY-2G 氣象衛星于2014 年12 月31 日在西昌衛星發射中心成功發射。其上搭載的多通道掃描成像輻射計（Visible and Infrared Spin Scan Radiometer，VISSR）共有2個長波紅外通道、1個中波紅外通道、1 個可見光通道和1 個水汽通道。與FY-2F 衛星相比，圖像質量有了顯著的提高。本研究使用水汽通道的云導風資料，圖1為風矢數量隨高度的分布，以及風矢的緯向風速均方根誤差隨高度的分布。從圖1a 中可以看出，風矢主要集中在400～100 hPa的中高層大氣，高層300～200 hPa 的風矢數量最多，可達280個，低層大氣的風矢數量較少。由圖1b可知，450 hPa以下低層風矢的誤差很大；相較而言，中高層風矢的質量較好，均方根誤差穩定在0.8 m/s左右，資料可用性強。

圖1 2017年8月22日06時水汽通道云導風資料分布Fig.1 Distribution of vapor channel AMVs at 0600 UTC on August 22,2017

在同化云導風資料前，需要對資料進行高度訂正。本文采用何志新[12]的高度訂正方案。為了更好地說明高度訂正的作用，圖2 分別給出了2017 年8月22 日06 時（世界時，下同）300 hPa 的FNL 再分析風場、高度訂正前水汽通道云導風矢量和高度訂正后水汽通道云導風矢量的分布。圖2a 為FNL 資料得到的區域范圍為100°～130°E，10°～30°N 的實況風場，可以看出18°～30°N，124°～130°E 的區域為副熱帶高壓控制，風場順時針旋轉；位于20.5°N，118.8°E 臺風中心附近的風場在強大的低壓渦旋結構影響下出現逆時針旋轉且風速很大。如圖2b 和2c 所示，由于云導風資料剔除了臺風云雨區的觀測，僅保留晴空區觀測，所以在臺風中心周圍分布的云導風矢量相對稀少且凌亂。對比高度訂正前后的云導風資料可以發現，訂正后的資料在剔除了選區內（10°～30°N，126°～130°E；10°～14°N，100°～120°E）臺風周圍風向偏差較大的風矢量后，云導風資料在保留原環境場基本特征的同時變得更加集中。

圖2 2017年8月22日06時300 hPa上的風矢量分布（單位：m/s）Fig.2 300 hPa wind vector distribution at 0600 UTC on August 22,2017(units:m/s)

2.2 WRFDA同化系統

WRFDA 同化系統與WRF 模式配套，可同化絕大部分常規和非常規的氣象資料，包含3DVAR、四維變分（Four Dimensional VARiation，4DVAR）以及混合同化等部分。本次試驗采用3DVAR 同化方法，通過代價函數J 的極小化得到觀測場、背景場和分析場之間平衡的最優解。代價函數表示為：

式中，x代表分析場；xb代表背景場；yo代表觀測場；B和R分別代表背景誤差協方差矩陣和觀測誤差協方差矩陣；H代表觀測算子，是由模式到觀測的一種映射關系；上標T和-1 分別表示轉置和求逆。實際情況下模式變量之間的強相關性與觀測數據的高分辨率，會使得B矩陣的維數巨大，導致B的逆矩陣為病態矩陣[15]。通過對變量進行物理變換和空間變換，使變量之間相互獨立且變為背景方差為1 的控制變量，最終將B轉換為對角矩陣以簡化計算。WRFDA 同化系統中動量控制變量有CV7（水平風場UV）和CV5（流函數Ψ和勢函數Φ）兩組。根據Sun 等[16]的研究結果，CV5 方案對大尺度資料同化的效果更好，故本試驗使用流函數和勢函數作為動量控制變量。

本研究采用美國國家氣象中心（National Meteorological Center，NMC）方法統計背景誤差協方差矩陣B[17]，以2017 年8 月1—31 日期間每日00時和12 時的24 h 和12 h 預報時效的預報差值作為預報誤差的近似。基于大量的預報樣本，根據樣本之間的差異B矩陣表示如下：

式中，x24和x12分別為24 h和12 h預報。需要注意的是，這兩個預報場都有誤差，故可以表示為：

式中，xtruth代表真實值；b24和b12是每個預報中的偏差；ε24和ε12是隨機誤差。假設24 h 和12 h 的預報無偏差，或者偏差在時間上是恒定的，即b24=b12，預報場差異表示為：

于是B矩陣可用式（6）表示：

3 個例介紹

臺風“天鴿”是2017年第13號臺風，于2017年8月20 日14 時開始編號，生成后向西移動（見圖3）。由于高海溫為此次臺風提供了較高的能量，它于8月22 日連跳兩級，從熱帶風暴升級為臺風。8 月23日凌晨臺風途經澳門，風力波及香港，在此過程中，其風力快速增加，并在23日臺風以最強風力登陸我國沿海城市珠海；而后向廣西移動，由于地表摩擦耗散逐漸填塞消亡，24 日在我國境內消散。臺風“天鴿”具有近海加強、短時間強度變化大、移速快和波及范圍廣等特點，以上這些特點使得預報難度較大。臺風“天鴿”給我國華南地區造成巨大的經濟損失和人員傷亡，尤其是廣東珠海周邊的城市受災嚴重。

圖3 WRF模擬區域疊加地形高度和臺風“天鴿”的路徑Fig.3 WRF simulation domain covered by terrain height and typhoon"Hato"'s track

4 試驗設計

本試驗選用3.9.1 版本WRF 模式和WRFDA 同化系統，模式的網格分辨率大小為15 km，網格數為401×329，中心在20°N，115°E，模擬的區域如圖3所示。模式采用的物理參數化方案主要包括：WSM6（WRF Single-Moment 6-class）微 物 理 方案[18]、KF（Kain-Fritsch）積 云 對 流 方 案[19]、RRTM（Rapid Radiative Transfer Model）長波輻射方案[20]、Dudhia 短波輻射方案[21]和YSU（YonSei University）邊界層方案[22]。共設置兩組試驗，一組是控制試驗，另一組是同化FY-2G 云導風試驗（見圖4）。控制試驗先在2017 年8 月22 日00 時進行6 h 的“spin-up”過程至06 時，然后連續積分42 h 至24 日00 時。同化試驗采用循環同化方式，背景場來自控制試驗6 h“spin-up”后輸出的2017 年8 月22 日06 時的預報場，從22 日06—18 時每間隔6 h 同化一次，共同化3次，同化的資料是FY-2G 水汽通道的云導風資料，最后再進行30 h的確定性預報至24日00時。

圖4 試驗流程圖Fig.4 Experimental flow chart

5 試驗結果分析

5.1 確定性預報分析

圖5a 為臺風“天鴿”的觀測路徑和模式模擬路徑的對比圖。臺風觀測資料取自中國氣象局熱帶氣旋資料中心（網址：https://tcdata.typhoon.org.cn/zjljsjj_zlhq.html）。從圖中可以看出，臺風“天鴿”的實況路徑（實心圓點線）為西北偏西行路徑，在廣東省珠海市登陸后，繼續向廣西移動，最后在廣西境內減弱為熱低壓。控制試驗（空心圓點線）開始的模擬效果與實際路徑基本一致，但在模式積分開始約12 h 臺風登陸后，其模擬的臺風路徑較同化試驗（三角線）逐漸向南偏移，誤差逐漸增大，在進入廣西逐漸填塞消亡的過程中，與實際觀測路徑相差約1 個緯度，同化了云導風資料的試驗模擬路徑比控制試驗路徑更偏北。圖5b 是各試驗模擬路徑的誤差。從圖中可以看出，兩組試驗在前6 h 路徑誤差較小，隨后誤差隨時間增加，同化試驗的路徑誤差明顯小于控制試驗，整個過程的最大誤差約為70 km，而控制試驗的最大誤差達到了約90 km。

圖5c 為控制試驗和同化試驗模擬的臺風“天鴿”強度。從圖中可以看出，在預報前期，兩組試驗對臺風強度的模擬結果接近，沒有明顯改進；臺風登陸后，控制試驗模擬的臺風強度開始減弱，導致其強度誤差隨時間呈現增長的趨勢，兩組試驗誤差的差距開始變大，控制試驗最終超過同化試驗，而同化試驗模擬的強度誤差始終維持在約12 hPa，可以更準確地反映實際的臺風強度特征。圖5d 是兩組試驗對臺風“天鴿”模擬的最大海平面風速隨時間的變化圖。圖中可見，同化了云導風資料的試驗模擬的臺風最大海平面風速誤差較小，最大誤差約為5.5 m/s，這與隋新秀等[23]研究中的量級相當。同化云導風資料的試驗在整個30 h 的確定性預報中的模擬結果與實況更加接近。

圖5 2017年8月22日18時—24日00時預報結果Fig.5 Forecasts from 1800 UTC on August 22,2017 to 0000 UTC on August 24,2017

5.2 風場增量分析

圖6分別是同化了云導風資料后2017年8月22日06 時850 hPa、700 hPa、500 hPa 和300 hPa 的風場增量，此時臺風中心位置位于20.5°N，118.8°E。由于云導風資料主要集中在對流層中高層，所以從圖6a 和6b 可以看出，在850 hPa 和700 hPa 的高度上，臺風附近的風速增量很小。在500 hPa 上臺風南側有西南方向的風場增量，臺風的移動主要受該層引導氣流的影響，因此，西南方向的風場增量對于臺風南側的引導氣流有加強作用，使得臺風較控制試驗更易向北移動。300 hPa 是云導風密集分布的高度，因此，同化了云導風資料后在華南地區產生了強的西南方向的風場增量。在500 hPa 上，臺風中心的西南側有較強的偏南風增量，臺風中心的西北側有較強的偏北風增量，使臺風西側的輻合有所增強；而在300 hPa 高度層，臺風中心的西南側有偏北風增量，臺風中心的西北側有偏南風增量，使臺風西側的輻散有所增強。由于低層氣流輻合和高層輻散可以產生垂直的氣流，因此高層300 hPa的西南風場增量通過中層與高層之間的垂直動量輸送影響到中層500 hPa 的風場，使500 hPa 的西南風加強。臺風“天鴿”在登陸華南后的路徑較控制試驗向北調整，這與實際觀測更接近。在300 hPa 高度增量場上還可以看出，在臺風位置，分析增量可以近似形成完整的氣旋式環流，由此可以判斷，云導風資料同化增強了臺風的強度。中高層大氣在同化云導風資料后與控制試驗相比可以更有效調節臺風風場，最終改進臺風的路徑和強度預報。

圖6 2017年8月22日06時水平風場增量（單位：m/s）Fig.6 Horizontal wind increment at 0600 UTC on August 22,2017(unit:m/s)

5.3 相對濕度增量分析

相對濕度可以反映大氣中的水汽狀況，臺風的維持和降水都需要大氣濕度達到一定的數值，相對濕度數值越大，水汽條件越好，系統維持時間更長。圖7是2017年8月22日06時低層925 hPa和850 hPa同化了云導風資料后的相對濕度增量，在副熱帶高壓控制的區域相對濕度增量為負，反映出該地區空氣中水汽含量較少，以下沉氣流為主。臺風中心位置位于20.5°N，118.8°E，同化了云導風資料后，臺風中心的相對濕度增量基本為0，臺風中心以外的地區相對濕度增量主要為正。850 hPa 相對濕度增量的絕對值普遍大于925 hPa。由于臺風的移動和發展需要充足的水汽供應，同化了云導風資料后臺風附近出現正的相對濕度增量，意味著在臺風附近水汽量比控制試驗大，有利于臺風的發展和維持。

圖7 2017年08月22日06時相對濕度增量（單位：%）Fig.7 Relative humidity increment at 0600 UTC on August 22,2017(unit:%)

5.4 500 hPa引導氣流分析

臺風的移動主要受500 hPa 引導氣流的控制。圖8是控制試驗和同化了云導風資料后2017年8月22 日18 時500 hPa 引導氣流的模擬結果。由圖所示，500 hPa臺風受東南引導氣流的影響沿西北路徑移動。在臺風中心東北部，云導風同化加強了東南氣流強度，并且使臺風外圍的大風區域加大。在臺風尺度足夠大時，可以近似認為其滿足地轉平衡關系，即氣壓梯度越大，地轉風越強。同化了云導風資料后臺風會更快地向西北方向移動，與實際情況接近。

圖8 2017年8月22日18時500 hPa風速（單位：m/s）和位勢高度（單位：10 gpm）Fig.8 500 hPa wind speed(unit:m/s)and geopotential height(unit:10 gpm)at 1800 UTC on August 22,2017

5.3 T-logP圖分析

圖9 是基于探空資料繪制的香港站（站號：45004）的溫度-對數壓力（Temprature-log Pressure,T-logP）圖，其中，灰虛線代表濕絕熱線，黑粗線代表層結曲線，灰粗線代表露點曲線。由圖9a觀測可知從低層到高層有弱的垂直風切變，100 hPa 為西風；由濕絕熱線和層結曲線的相對位置可以看出，有正的不穩定能量；在300 hPa 高度以下層結曲線和濕絕熱線比較貼近，說明大氣300 hPa 高度以下的飽和度較高，水汽含量大，有利于臺風的發展。由圖9b 可以看出，控制試驗的不穩定能量比觀測小，垂直風切比觀測大，抑制了臺風的發展。此外，控制試驗的層結曲線和濕絕熱線僅在700 hPa 以下比較貼近，水汽條件與觀測相差較大。由圖9c 可以看出，同化試驗的不穩定能量增加，層結曲線和濕絕熱線在300 hPa以下貼近，與觀測相近。

圖9 溫度-對數壓力探空Fig.9 Temperature-log pressure sounding

6 結論

本文選取了2017年8月22日登陸我國的強臺風“天鴿”，使用3.9.1 版本的WRF 模式及其同化系統，考察FY-2G衛星云導風資料同化對臺風數值預報的影響，并進行了30 h的確定性預報，同時對影響臺風發展移動的多個要素進行考察分析。結論如下：

（1）同化試驗模擬的臺風路徑預報誤差更小。由于云導風資料集中在中高層大氣，模擬出的臺風強度不會因為臺風登陸后受到地面的摩擦而產生較大誤差。

（2）同化衛星云導風資料能夠增加模式初始場中臺風周圍的風矢量信息，并且為中高層臺風周圍的大氣增加正的風矢量。中高層之間的垂直動量輸送使得臺風向北移動的引導氣流加強，臺風路徑也隨之得到準確調整。

（3）衛星云導風資料同化能夠使模式更好地模擬臺風結構。同化試驗在臺風中心附近模擬出了正的相對濕度增量，有利于臺風的維持；同時，同化試驗模擬的T-logP探空圖也更接近觀測。

本研究實現了FY-2G 云導風資料的三維變分同化試驗，個例的總體效果表明，云導風資料的同化能夠有效改進臺風“天鴿”的數值預報效果。需要指出的是，本研究是基于一個臺風個例展開的，為了充分檢驗FY-2G 云導風的效果應增加更多的臺風個例進行測試。在同化方法上，本研究采用的是3DVAR 方法，在今后的研究中應考慮更高級的同化方法，如混合同化方法，以進一步改進預報效果。在資料的使用上，本研究僅采用了含有高層風場信息的衛星云導風資料，缺失了低層風場信息，未來將進一步嘗試基于云導風資料和微波輻射計資料的多源資料聯合同化試驗，以進一步提高臺風數值預報的準確度。

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和幫助，在此表示感謝！