新一代靜止氣象衛星葵花8 號的晴空紅外輻射率資料同化對臺風“天鴿”的預報影響研究

許冬梅 3,，沈菲菲 ，李泓，劉瑞霞，王易，束艾青

(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.中國氣象局上海臺風研究所，上海 200030；3.中國氣象局沈陽大氣環境研究所，遼寧 沈陽 110166；4.高原與盆地暴雨旱澇災害四川省重點實驗室，四川 成都 610225；5.國家衛星氣象中心 中國氣象局中國遙感衛星輻射測量和定標重點開放實驗室，北京 100081；6.江蘇省氣象臺，江蘇 南京 210008)

1 引言

西太平洋臺風對我國的影響十分嚴重，平均每年有7～8 個臺風登陸[1]，并帶來暴雨、風暴潮災害以及洪澇災害等，造成重大的人員傷亡和財產損失。在過去的10 年，有多個超強臺風對我國造成了諸如特大風暴潮、風災、特大海潮、暴雨等多種自然災害[2]。因此，如何有效地對臺風進行預報對于防災減災至關重要。近年來，我國對如何提高臺風路徑的預報準確度做了大量的研究，統計了多種定位方法、路徑預報方法、強度預報方法等，并發現數值模式對于改進臺風的預報起了重要作用[3]。李秋陽等[4]研究了全球預報系統（GFS）再分析資料和日本氣象廳（JMA）區域客觀分析資料初始場對臺風“桑美”的內部結構和移動路徑的影響，發現二者均能較好地把握臺風整體的流場形式，且JMA 資料在700 hPa 風場、近地面風速、降水等多個方面有更好的表現。由于臺風的生命史中絕大多數時間都在寬闊的大洋面上，且其結構變化受到能量輸送、中尺度強對流活動及其分布以及中緯度環流系統變形等的巨大影響。為提高數值模式的準確度，有必要獲得較為精確的模式初始場，而精確的模式初始場的獲得又依賴于資料同化。然而常規大洋觀測系統，如浮標和船舶等，十分稀少，難以滿足提升初始場的數據需求。同時，岸基雷達的有效觀測半徑有限，無法觀測到遠在大洋深處的臺風。一系列的研究通過使用各種各樣先進的衛星遙感儀器，已經改進了預報的精度。例如，Miyoshi 和Kunii[5]運用自適應膨脹方法對大氣紅外探測器（AIRS）數據進行增強，改善了大氣溫度和濕度數據在同化中的應用。Zou 等[6]利用GSI 分析系統，將GOES-13 和GOES-15成像儀的紅外波段輻射強度觀測數據進行直接同化，并在颶風天氣研究預報模型（HWRF）對稱渦旋初始化的基礎上，增加了一個非對稱分量，改善了墨西哥灣的熱帶氣旋“德比”的軌跡和強度預報能力。俞兆文等[7]基于WRF-ARW 和WRFDA3.8 同化了AMSR2衛星微波成像資料，通過質量控制和偏差訂正實驗，改進了對2014 年9 號臺風“威馬遜”的預報。

衛星觀測資料已成為數值天氣預報中常規觀測資料的補充，對改善模式初值條件和提高預報精度有很大的作用。地球同步衛星由于相對于地球表面靜止且距離地球表面距離較遠，可以對地球表面進行大面積連續監測。國內外科學家已經對靜止衛星的應用開展了一系列的研究。耿曉雯等[8]在WRFDAv3.91中搭建先進的靜止衛星掃描輻射成像儀AGRI（Advanced Geosynchronous Radiation Imager）同化接口，分析FY-4A 衛星天頂角對AGRI 資料偏差訂正的影響，發現衛星天頂角與偏差關系不明顯，不必在預報因子中進行考慮，提升了AGRI 紅外通道輻射率資料在中尺度模式中的應用效率。Wang 等[9]使用日本葵花8 號（Himawari-8）衛星的輻射率資料，對2016 年7 月18?21 日的華北特大暴雨個例做了關于AHI（Advanced Himawari Imager）水汽通道輻射率資料同化特點的研究，發現引入新一代氣象觀測遙感器AHI 資料能夠有效改善模擬的濕度場、風場和預報場，并對同化前6 h 和強度超過100 mm 的降水預報改進明顯。Honda 等[10]以2015 年超強臺風“蘇迪羅”為研究對象，同化了Himawari-8 衛星輻射率資料，發現10 min一次的高分辨率的Himawari-8 衛星輻射率資料同化可以很好地改進核心區和外部雨帶地區的熱帶氣旋結構分析，并由此提高了對臺風“蘇迪羅”強度和路徑預報的精確度。事實上，地球同步衛星可以清晰地觀測到和熱帶氣旋有關的旋轉的對流性云并在分析熱帶氣旋的最佳觀測路徑中起到重要作用。然而，云的信號影響了遙感信息的質量，降低了數據的利用率[11]。近年來，國內外專家學者在云檢測方面做了卓有成效的工作。Goldberg 等[12]提出了適用于AIRS 的NESDIS-Goldberg 云檢測方案，這是一種將AIRS 通道和微波通道進行經驗組合，改善云檢測能力的方式。官莉[13]研究了用空間匹配的高空間分辨率的成像儀的云檢測信息以及AIRS 探測器序列定位誤差對其觀測值、晴空訂正輻射強度和云特性反演的影響。官莉和王振會[14]通過運用與AIRS 空間匹配的MODIS（Moderate-Resolution Imaging Spectro-radiometer）產品確定受云污染的數據。朱文剛[11]結合GPAPES-3DVAR系統和AIRS，建立了適合于GRAPES-3DVAR 模式的晴空通道云檢測方案，大大增加了資料，尤其是中高層資料的使用率，并改善了中高層的分析場。然而，云解析模型的計算需要大量資源，包括高度非線性的過程[15]，同時可能會受到參數化方案選擇的影響[16]。因而，剔除云信息，僅保留晴空資料進行同化是目前解決云污染的有效方法。

靜止氣象衛星位于較高的地球同步軌道，因此視野廣闊，可觀測范圍約1.7 億km2，占地球表面的1/3。同時，它可以連續觀測同一地區，一般可提供30 min一次的全盤掃描資料，或是3～5 min 提供一次特定地區的觀測資料，并連續監視天氣系統的演變。因此，它在對臺風預報方面具有明顯優勢。2015 年7 月，日本氣象廳開始正式運行葵花8 號地球同步衛星[16]，這是一系列第三代地球同步氣象衛星中的第一顆。它成功發射于2014 年10 月7 日，并在試運行9 個月后開始業務觀測。2015 年8 月，葵花8 號衛星成功地獲得了臺風“蘇迪羅”快速增強的過程[10]。然而值得指出的是，Honda 等[10]是針對超強臺風“蘇迪羅”在海上的快速加強階段進行同化研究，同化窗區間的下墊面為均一的開闊洋面。而適用于我國近海快速增強臺風的且針對葵花8 號輻射率資料同化研究工作還開展較少。另外Honda 等[10]采用的是計算代價成本相對較高的集合同化方法，對我國近海快速增強的臺風而言，為了贏得寶貴的預警時效，有沒有可能采用一種基于快速高效的GPAPES-3DVAR 同化算法來分析葵花8 號輻射率資料并考察其對近海臺風分析和預報的影響？這也恰恰是氣象業務部門亟需解決的難題之一。鑒于現階段葵花8 號資料在數值預報中的應用研究還不多，本文以2017 年13 號超強臺風“天鴿”為例，同化葵花8 號地球靜止衛星的紅外輻射率資料，通過改進初始場，討論其對臺風路徑、強度的模擬和預報能力的提升作用。

2 觀測資料及同化系統

2.1 Himawari-8 晴空紅外輻射率資料介紹

葵花8 號衛星搭載了先進的靜止軌道成像儀AHI，它具有16 個觀測通道（表1），其8、9、10（波長為6.2 μm、6.9 μm 和7.3 μm）3 個通道能夠對水汽進行探測，因此有較強的對云探測的能力。表1 給出了各個通道透過率隨著高度的變化，即各個通道的權重函數（dTau/dlnP）。AHI 能提供10 min 一次的16 通道的全圓盤高分辨率的觀測資料，其高時間分辨率的資料能夠有效改進資料同化的準確性[17]。此外，其空間分辨率也大幅提高，達到了1 km左右。已有研究揭示了葵花8 號衛星觀測數據的特點以及其對降水預測的作用[18–19]。

表1 AHI 16 個通道的中心波長Table 1 The central wavelength of 16 AHI bands

本實驗采用通道8、9、10 這3 個水汽通道，它們是紅外波段，中心波長如表1 所示，分別為6.2 μm、6.9 μm和7.3 μm。由于本文同化的觀測資料主要是針對水汽通道的AHI 輻射率資料，首先采用晴空條件下的模式溫度廓線和濕度廓線作為大氣輻射傳輸模式（Community Radiative Transfer Model，CRTM）來輸入計算權重函數（圖1）。由圖1 可以發現葵花8 號3 個水汽通道的權重函數峰值位于對流層的中高層位置，從而為對流層的AHI 輻射率資料同化提供豐富的大氣水汽信息。水汽通道8、9、10 的權重函數峰值位于300～400 hPa 附近的對流層中高層，其中通道10 較通道8 和通道9 要低，通道8 峰值最高，因此減小了地面帶來的影響。在全空同化紅外輻射率資料過程中，由于輻射率資料和模式變量間復雜的非線性以及觀測誤差和系統偏差不確定性較大等問題，本實驗只同化水汽通道的晴空輻射率資料。

圖1 通道8、9、10 的權重函數Fig.1 The weight function of bands 8,9 and 10

2.2 WRFDA 系統及AHI 同化模塊構建

2.2.1 WRFDA 同化系統

WRF（Weather Research and Forecasting Model）模式是一種可壓縮、非靜力的中尺度天氣預報模式。而WRFDA 是WRF 模式的同化系統，由美國國家大氣研究中心開發和維護。本研究基于其中的3DVAR 同化方法，通過分析多源觀測資料來改善初始場[20–22]。

2.2.2 AHI 同化模塊

WRFDA 系統目前可以同化多種常規觀測和非常規觀測，本研究采用系統自帶的CRTM（Community Radiative Transfer Model）作為觀測算子來對AHI 輻射率資料進行模擬計算。為了去除受云和降水污染的格點，引入了非常嚴格的云檢測方案[22]。具體步驟包括：通過通道14 亮溫的空間和時間變化、通道14 和通道15 的相關差異、通道14 和水汽通道10 之間的空間相關以及通道7 的輻射率值來檢測云。

2.2.3 偏差訂正模塊

衛星資料同化的過程中包含了來自于觀測本身和模式以及同化系統的誤差。本文利用WRFDA 系統中的回歸偏差訂正法來修正衛星觀測算子，公式為

被修正的觀測算子H? 在以往的觀測算子H(x)基礎上額外加入了總偏差常數項β0和各預報因子pi及其系數項 βi。在本研究中，首先通過離線的方式統計得到第一個同化時次所需的初始偏差訂正系數，并在同化的過程中得以更新。后續的同化時次用到的偏差訂正系數為前一個同化時刻更新過的系數。偏差訂正使用到的預報因子包括：1 000～300 hPa 和200～50 hPa 層結厚度、地表溫度以及水汽總含量。

2.3 臺風“天鴿”個例

臺風“天鴿”是2017 年13 號臺風，于2017 年8 月20 日14 時在20.4°N，118°E 處生成，中心附近最大風力為8 級，中心最低氣壓為1 000 hPa。之后“天鴿”的風力逐漸加強并向西移動，其觀測路徑如圖2a 所示。值得注意的是，“天鴿”在8 月22 日08 時和15 時風速連升兩級，迅速升級為臺風，并向西偏北方向移動。此后，“天鴿”的風速繼續增強，移速不斷增大，到8 月23 日05 時，“天鴿”移動至21.3°N，115.2°E，中心附近最大風力加強到13 級，中心氣壓為955 hPa；并在2 h 后進一步加強到14 級，中心氣壓為950 hPa；到8 月23 日10 時，其中心附近最大風速達到了15 級，中心氣壓為945 hPa。“天鴿”能夠在5 h 內迅速增強3 級，可能是近海淺水區域（深度<30 m）反常溫暖的結果。8 月23 日13 時，臺風“天鴿”登陸，其登陸地點為22°N，113.2°E，登陸時等級為強臺風級，并在24 日20 時被停止編號。臺風“天鴿”具有以下4 個特點：第一，它的移動速度快，其預報移速一度達到30 km/h，導致應急準備嚴重不足；第二，它的強度變化大，在8 月23 日05 時到10 時的5 h 內中心附近最大風力由13 級迅速增加到15 級；第三，“天鴿”登陸時期恰逢天文大潮，使得風暴潮增水嚴重；第四，它的影響面廣、影響大，按照美國聯合臺風預警中心（JTWC）的統計，臺風“天鴿”嚴重摧毀了城市，造成了10 人死亡，僅澳門的經濟損失估計超過15 億美元。事實上，臺風“天鴿”總共造成24 人死亡[23]，并對港珠澳一帶造成嚴重的影響。因此，臺風委員會宣布將“天鴿”除名。圖2b 是8 月22 日18 時葵花8 號衛星13 通道（10.4 μm）的亮度溫度圖，從圖中可以看到在“天鴿”中心附近有強烈的冷中心，其最低亮溫可達190 K，圖2b 也較好地反映出了臺風螺旋雨帶的結構。

圖2 臺風“天鴿”的觀測路徑（a）以及2017 年8 月22 日18 時Himawari-8 AHI 通道13 的亮度溫度（b）Fig.2 The observation track of Typhoon Hato (a) and the brightness temperature of band 13 of the Himawari-8 AHI at 18:00 UTC on August 22,2017 (b)

2.4 實驗設計

本實驗采用WRF 模式對臺風“天鴿”進行模擬。如圖3 所示，模擬的中心區域為20°N，115°E。并采用兩層網格嵌套方案，內外層網格格點數分別為401×329、481×430，模式頂層為10 hPa，垂直層數共61層。本實驗采用了WRF 單參6 類微物理方案（WRF Single-Moment 6-class scheme）、RRTM（Rapid Radiative Transfer Model）長波輻射方案、Dudhia 短波輻射方案、MM5 similarity 近地面層方案、Noah Land Surface Model 陸面方案、Yonsei University 行星邊界層方案以及Kain-Fritsch 積云參數化方案。

圖3 WRF 模擬區域Fig.3 The simulation area of WRF

本次實驗流程如圖4，為了說明AHI 輻射率資料對同化的改進作用，設置了控制實驗（CTNL，下同）和AHI 資料同化實驗（AHI_DA，下同）。2017 年8 月22 日00 時（世界時）的初始場和側邊界條件由美國國家環境預測中心（National Centers for Environmental Prediction,NCEP）的0.25°×0.25°的GFS（Global Forecasting System)再分析資料提供。經過12 h 的Spinup 后得到第一次同化所需的背景場。并以此進行了連續12 h（每小時一次）的循環同化及預報實驗。其中，CTNL實驗采用常規觀測資料進行同化實驗，而AHI_DA 不僅采用常規觀測資料，同時還引入AHI 觀測資料進行同化。實驗結果（表2）將在第3 部分進行分析。

圖4 實驗流程設置Fig.4 The experimental flowchart

表2 模擬實驗方案設置Table 2 Simulation experiment scheme setting

3 實驗結果分析

3.1 分析效果檢驗

3.1.1 預報因子分析

圖5 給出了晴空條件下觀測亮溫減去模擬亮溫（OMB）和各個預報因子分布的散點圖，圖中的陰影的顏色對應著分布密度。同時圖5 列出了相應的偏差bias 和預報因子P的相關函數。通過圖5 中的統計結果可以得到4 個預報因子偏差訂正系數。該系數給出了不同預報因子相關的偏差系數，利用這些系數以及每次同化時背景場中的預報因子可以得到初始的偏差大小。基于初始的偏差經過同化過程進一步進行偏差訂正。

圖5 OMB 和預報因子50～200 hPa 層結厚度（a）、300～1 000 hPa 層結厚度（b）、總水汽含量（c）和地表溫度（d）的分布散點圖Fig.5 Scatter plots of OMB and predictors of 50～200 hPa layer thickness (a),300～1 000 hPa layer thickness (b),total moisture content (c),and surface temperature (d)

圖6 為2017 年8 月22 日12 時AHI資料通道8、9、10 亮溫觀測殘差頻數分布直方圖。圖6a 黑色直方圖為偏差訂正前的OMB（觀測亮溫減去模擬亮溫）頻數分布。白色直方圖為偏差訂正處理后的結果，而灰色直方圖為對分析場進行偏差訂正后的OMA（觀測亮溫減去分析場亮溫）頻數分布。以通道8（圖6a）為例，相較于圖6a 中OMB 頻數分布，圖6a 中的OMA頻數分布更加集中在0 K 附近，峰值位于0 K，頻數達到3 500，而偏差訂正前后的OMB 頻數峰值分別為2 600 和2 500，且相較于OMB 更加接近于正態分布，說明分析場更加接近觀測，同化效果較好。而通道9、10（圖6b、圖6c）也有類似的效果，且峰值頻數更大，說明通道9、10 的分析場更加接近于觀測場。

圖6 2017 年8 月22 日12 時AHI 資料通道8（a）、通道9（b）、通道10（c）觀測與偏差訂正前背景場模擬的輻射率值差異分布直方圖（黑色）、觀測與偏差訂正后背景場模擬的輻射率值差異分布直方圖（白色）以及觀測與分析場模擬的輻射率值差異分布直方圖（灰色）Fig.6 Histogram of AHI observation minus simulated radiance from the background without bias correction (black),observation minus simulated radiance from the background with bias correction (white),and observation minus simulated radiance from the analysis (gray) for band 8 (a),band 9 (b) and band 10 (c) at 12:00 UTC on August 22th,2017

圖7 為2017 年8 月22 日12 時到8 月23 日00 時每小時一次（共13 次）的亮溫偏差時間序列，圖7a 至圖7c 依次為通道8、9、10，從上到下分別為觀測數目、亮溫偏差平均值和亮溫偏差標準差。以通道8（圖7a）為例，圖中第一行為觀測數目隨時間的變化，整體呈減少趨勢，由8 月22 日12 時的10 500 最終減少到8 月23 日00 時的7 500，這是進行了嚴格的質量控制的結果，云和降水點被嚴格剔除掉。圖中第2 行為亮溫偏差平均值隨時間的變化，可見在偏差訂正前，13 次同化的OMB 平均值大致在0.8 K 附近浮動，其中最大值為1.1 K，最小值為0.35 K，而偏差訂正后，13 次同化的OMB 平均值位于0 K 附近，最大值0.35 K，最小值–0.4 K，說明偏差訂正使得背景場模擬亮溫更加接近于觀測亮溫，證明了偏差訂正的有效性。而相對于OMB，OMA 的平均偏差基本同x軸重合，其平均偏差最大值為0.1 K，說明分析場基本同觀測場相同，AHI 輻射率資料同化能夠顯著改善初始場分析。圖中第3 行為亮溫偏差標準差隨時間的變化。偏差訂正后和偏差訂正前的OMB 標準差曲線重合。其中OMB 的亮溫偏差標準差遠大于OMA的亮溫偏差標準差，除第一次同化外，其余12 次同化結果均位于1.2 K 附近，而OMA 的亮溫偏差標準差在13 次同化實驗中均位于0.4 K 附近。通道9（圖7b）和通道10（圖7c）均有類似的效果，說明AHI 輻射率資料可以顯著改善亮溫分析。值得注意的是，3 個通道的OMB 標準差均在8 月22 日12 時達到最大（圖7a為2.0 K，圖7b 為1.75 K，圖7c 為1.35 K），而之后迅速減小，而OMA 標準差則相對較小，說明其改進模式背景場效果最好。

圖7 2017 年8 月22 日12 時到8 月23 日00 時通道8（a）、通道9（b）、通道10（c）逐小時（共13 次）的觀測數目（上），偏差平均（中）和偏差的標準偏差（下）Fig.7 Time series of hourly data counts (top),the averaged bias (middle) and the stdv of the bias (bottom) for band 8 (a),band 9 (b),band 10 (c) from 12:00 UTC August 22,2017 to 00:00 UTC August 23,2017 for total 13 cycles

3.1.2 風場和高度場分析

圖8 是2017 年8 月22 日12 時00 分CTNL 實 驗和AHI_DA 實驗分析的500 hPa 高度場。圖8a 為CTNL實驗，圖8b 為AHI_DA 實驗。在圖8a 中，閉合等壓線的數目為4，最低等高線為5 780 位勢米，位于20°～21°N，116°～117°E，與位于19.5°N，117.5°E 的臺風中心偏離，未能模擬出臺風“天鴿”的渦旋中心。而圖8b中，AHI_DA 實驗模擬出的閉合等壓線數目增加到7，最低等高線為5 720 位勢米，且其位置和臺風中心重合。由圖可見，AHI_DA 實驗不僅較好地模擬出了臺風“天鴿”的渦旋環流形勢，而且其模擬出的臺風渦旋強度也比CTNL 實驗要強很多。

圖8 2017 年8 月22 日12 時00 分500 hPa 位勢高度場對比Fig.8 500 hPa geopotential height field at 12:00 UTC on August 22,2017

圖9 是2017 年8 月22 日12 時00 分CTNL 實 驗和AHI_DA 實驗分析的海平面氣壓場和近地面風場的合成圖。圖9a 為CTNL 實驗，圖9b 為AHI_DA 實驗。此時，臺風的中心位于19.5°N，117.5°E 的海面。由圖9a 可見，CTNL 實驗的閉合等壓線數目為3，且彼此間距離較大，海平面氣壓的最低值為990 hPa，說明CTNL 實驗模擬的臺風比較弱。在中心北偏西方向有風速的最大值，約為32 m/s，臺風的風場較氣壓場向東北方向偏移。而AHI_DA 實驗的閉合等壓線數目增加到5，且等壓線密度更大，反映出同化了AHI 輻射率資料后臺風中心氣壓快速下降的特點，海平面氣壓最低值為978 hPa，氣旋強度得到了顯著增強。而且臺風的大風帶也由圖9a 中位于臺風中心北偏西方向變為圖9b 中基本環繞臺風中心，風速最大值位于中心偏南，并提高到了36 m/s，且臺風風場與氣壓場基本匹配。由圖可見，同化過程使得氣旋強度和風速都得到了有效的增強，且使得臺風的風場和氣壓場更加匹配。

圖9 2017 年8 月22 日12 時00 分海平面氣壓場風場對比Fig.9 Sea level pressure and wind at 12:00 UTC on August 22,2017

3.1.3 均方根誤差（RMSE）分析

在長達12 h 的同化區間內，分析場與觀測場之間的誤差一般可以用來評定同化系統的優劣。本文將同化區間的分析場與常規觀測資料作檢驗。通過均方根誤差平均值的廓線分布可以看出分析場和觀測的接近程度。圖10a、圖10b 分別為同化區間的均方根誤差平均值的垂直廓線分布圖，由圖可以發現兩組分析的速度分量u和v在100 hPa 高度均方根誤差最大，但是整體看來，AHI_DA 實驗分析的風速的RMSE要顯著小于CTNL 實驗分析的RMSE。這也進一步表明通過同化AHI 輻射率資料可以通過多變量相關顯著改進風場預報。圖10c 表明對于溫度場而言，AHI_DA 實驗分析的溫度場在1 000～400 hPa 之間相比CTNL 實驗有顯著的改進作用。通過圖10d 可以進一步發現AHI_DA 實驗在925～300 hPa 之間分析的RMSE 要顯著低于CTNL 實驗分析的濕度場RMSE，并且隨著高度的降低，改進效果更加明顯。表明AHI 輻射率資料中的水汽信息可以有效延伸到對流層較低層，并對背景場起到一定的修正作用。值得指出的是，濕度場在925～1 000 hPa 表現不好可能是由于地表發射率存在較大的誤差以及本文所同化的通道的權重函數位于對流層中上層等原因造成的。

圖10 同化分析場相對于常規觀測資料的RMSE 均值的垂直廓線Fig.10 The averaged RMSE of the analyses against the conventional data

3.2 預報效果檢驗

3.2.1 降水效果

圖11 為8 月22 日18 時 到8 月23 日00 時 的6 h累積降水，此時，臺風尚未登陸。由圖11a 中可以看出，在這6h內，主要降水區域集中在22°～26°N，114°～116°E 范圍的沿海區域，還有一降水最大值區域位于111°E 以西的內陸區域。最大降水強度中心位于24°N，115°E 附近，6 h 累積降水量接近50 mm。然而，由圖11b 可見，CTNL 實驗預報得到的主要降水區域為112°～118°E 的沿海及內陸區域，且最大降水中心降水強度超過120 mm，而位于111°E 以西的降水區域則被漏報。圖11c 為AHI_DA 實驗預報得到的6 h 累積降水，主要降水區域為22°～31°N，111°～119°E 的沿海區域，降水區域的面積和降水強度均有所減小。可見AHI_DA 實驗得到的6 h 累積降水圖更加接近于實際的觀測情況。

圖11 2017 年8 月22 日18 時到23 日00 時6 h 累積降水Fig.11 Accumulated 6 hour precipitation initialized from 18:00 UTC on August 22,2017

本文進一步對各組實驗6 h 累計降水量計算FSS（Fraction Skill Score）[24]評分。定義FSS 評分為

式中，Pfi和Poi分別是第i個網格點處超過給定閾值的預報和觀測降雨區域的概率；N是驗證區域中的網格點總數。FSS 的值在0 到1 之間，0 表示預報和觀測的降雨區域沒有重疊，1 表示預報和觀測的降雨區域完全重疊。由圖12 可以發現，資料同化實驗明顯優于控制實驗，得到的FSS 顯著提高。對于小于25 mm閾值的評分更加優于25 mm 閾值的評分。

圖12 各量級6 h 累計降水量的FSS 評分Fig.12 FSS scores of accumulated 6 hour precipitation for different thresholds

3.2.2 路徑和強度預報

為了評估AHI 輻射率資料同化對臺風“天鴿”預報的影響，本文在同化后作了2017 年8 月23 日00 時至24 日00 時的24 h 確定性預報。圖13a是臺風“天鴿”的路徑預報效果圖。在預報起始的6 h 內兩組實驗預報的路徑誤差均相對較小，但是在起始預報的6 h之后，CTNL 實驗預報的臺風路徑逐漸向偏南方向轉折，并逐漸產生了較大的誤差。而AHI_DA 實驗雖然在起始預報的12～18 h 內也有部分向南轉折的趨勢，但在起始預報的18～24 h 內，誤差又逐漸減小。總體而言，在24 h 的確定性預報中，相比于CTNL 實驗，AHI_DA 實驗預報的路徑更加接近于實際觀測路徑。圖13b 是兩組實驗預報的臺風路徑誤差圖。從圖13b 中可以發現，初始時刻，同化實驗和控制實驗的預報誤差分別為33 km 和42 km，而經過模式6 h 預報之后分別為33 km 和37 km，此時，兩組預報實驗的路徑誤差均相對較小。之后，控制實驗的誤差迅速增加，到起始預報時刻24 h 后，控制實驗的路徑誤差達到最大，為123 km。而同化實驗在起始預報的12～18 h 內也有迅速增加的趨勢，在起始預報18 h 后，誤差也達到了70 km；但在起始預報18 h 后，又逐漸下降，到起始預報24 h 后，路徑誤差下降到56 km。綜合圖13a 和圖13b 來看，在24 h 的預報過程內，同化實驗預報的路徑誤差均明顯小于控制實驗預報的路徑誤差。兩組實驗預報的臺風路徑均相對于最佳觀測路徑偏南，且隨時間推移，預報的路徑會更加偏南，路徑誤差總體也在逐步增加，24 h 內同化實驗和控制實驗預報的平均路徑誤差分別達到了約45 km 和67 km。總體而言，AHI 同化實驗預報的臺風路徑相對于控制實驗改進顯著。從前文可以看出，同化AHI 輻射率資料能一定程度上對臺風的動力場、熱力場、質量場有所改善，因而圖13b 和圖13d 給出了兩組實驗在臺風中心最低氣壓和近中心最大風速方面的預報效果。從圖13c 可以看出，AHI 同化實驗的中心最低氣壓始終和最佳觀測更為接近，控制實驗預報的臺風強度偏弱。圖13d 中兩組實驗對臺風近中心最大風速的預報結果和氣壓場結論較為一致，控制實驗預報的臺風近中心最大風速偏弱，而AHI 同化實驗和最佳觀測的臺風近中心最大風速誤差始終小于2 m/s。

圖13 2017 年8 月23 日00 時后24 h 確定性預報的實際路徑和預報路徑（a），路徑誤差隨預報時間變化分布（b），最低海平面氣壓隨預報時間變化分布（c）和最大風速隨預報時間變化分布（d）Fig.13 24-hour deterministic forecast at 00:00 UTC on August 23,2017,the best track and forecast track (a),the track error with the forecast leading time (b),minimum sea level pressure with the forecast leading time (c) and maximum wind speed with the forecast leading time (d)

4 結論

本文基于WRFDA 同化系統，引入Himawari-8 的AHI 紅外輻射率資料，在同化過程中采用嚴格的云檢測方式剔除云和降水的影響，通過設置AHI_DA 和CTNL 兩個實驗，來檢驗AHI 晴空紅外輻射率資料同化是否對臺風“天鴿”的分析預報有改進作用，并可以得到以下結論：

（1）引入AHI 紅外輻射率資料能使模擬亮溫的偏差減小，經過偏差訂正后，OMB 分布基本接近均值為0 的正態分布，但相對OMB 來說，OMA 的偏差標準差和平均值均大幅下降，分布更加收斂，說明同化情況較好。

（2）AHI 晴空紅外輻射率資料的引入能夠有效地改進臺風的海平面氣壓場，近地面風場和500 hPa高度場的預報，經過同化之后，臺風的中心氣壓和最大風速都得到了改進，且臺風風場和流場也更加匹配。

（3）相對于CTNL 實驗，AHI_DA 實驗得到的緯向風速、經向風、溫度、濕度等要素的均方根誤差均有所減小，更加符合實際情況。

（4）AHI_DA 實驗能夠改進對6 h 累計降水的預報，相對于CTNL 實驗有效減少了預報的降水區域和降水強度，使之更加接近于觀測值。

（5）AHI_DA 實驗和CTNL 實驗在前6 h 內對臺風路徑的預報效果均較好，但6 h 后AHI_DA 實驗的預報效果明顯優于CTNL 實驗。

本文實現了Himawari-8 衛星紅外輻射率資料同化實驗，但是由于本文檢驗的臺風個例只有1 個，且對臺風累計降水和路徑的預報仍有偏差。未來將采用更先進的同化方式，如四維變分同化，集合–變分同化等進一步針對更多的臺風個例進行研究；同時針對集合同化方法中水平局地化距離的調整等方案展開細致深入的研究，最后，本文去除了云和降水區域的觀測資料，只進行了AHI 資料的晴空同化，因此實現AHI 資料的全天空同化也是本研究參與者的下一個主要研究方向，同時也包括聯合其他衛星遙感資料進行多源同化嘗試[25]。鑒于本文嘗試利用日本葵花8 號高時空分辨率衛星水汽通道數據開展同化實驗，得到了較好的同化和預報效果，對未來在業務化預報進一步使用新一代靜止衛星葵花8 號輻射率資料提供了重要參考，同時也為我國自主靜止衛星資料的同化應用奠定了一定基礎。由于靜止衛星的時空連續性，下一步我們將開展長時間的同化實驗，進一步探討靜止衛星在改善臺風的路徑和強度預報中的作用。

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！