Abstract In this study, we analyze a strong convection activity happened in Shanxi and Shandong province in 2016 June. Combined with Doppler weather r

Size: px

Start display at page:

Download "Abstract In this study, we analyze a strong convection activity happened in Shanxi and Shandong province in 2016 June. Combined with Doppler weather r"

煜尼熊
5 years ago
Views:

1 1 闪电定位和雷达观测资料在云分析中的应用及数值试验孙婵 1 徐国强 1 中国气象科学研究院, 北京国家气象中心 / 数值预报中心, 北京 ) 摘要本文针对 2016 年 6 月山西山东地区一次强对流活动, 通过 GRAPES 云分析系统融合了多普勒雷达反射率三维组网拼图资料和 ADTD(Active Directory Topology Diagrammer) 闪电定位资料, 对模式初始场的云水云冰等云微物理变量进行了调整和分析, 并对这次强对流过程设计了 3 组数值试验结果表明 :( 1) 云分析系统在加入雷达反射率资料以后, 能在模式初始场中较准确的计算模式的初始水物质 ;(2) 而闪电定位资料转换成的替代雷达反射率对原有的雷达反射率有一定的补充作用, 使模式的初始场与真实状况更接近 ;(3) 从模式降水的角度看, 在加入雷达资料以后,GRAPES 云分析可以显著提高 6 小时以内降水的模拟效果, 而闪电定位资料的加入, 对中雨以上量级的降水模拟有进一步的改进作用关键词云分析雷达反射率闪电定位中图分类号 :P456 doi: /j.issn Application of Lightning location and Radar Data in Cloud Analysis System and Its Numerical Experiments SUN Chan 1, XU Guoqiang 2 1 Chinese Academy of Meteorological Sciences, Beijing National Meteorological Centre Beijing 收稿日期 :2017 年 09 月 12 日收修订稿 :2018 年 4 月 24 日作者简介孙婵, 女,1993 年生, 硕士研究生, 主要从事数值模式的物理过程研究 chan_inspiration@163.com 通讯作者徐国强, 主要从事模式物理过程研究. xugq@cma.gov.cn 资助项目国家自然科学基金资助项目和中国气象局 GRAPES 发展专项 Funded by National Natural Science Foundation of China(Grant ),GRAPES Developing Project of CMA 2

2 Abstract In this study, we analyze a strong convection activity happened in Shanxi and Shandong province in 2016 June. Combined with Doppler weather radar three-dimensional mosaic reflectivity data and ADTD(Active Directory Topology Diagrammer) Lightning Location Data, the cloud microphysical variables (such as cloud water, cloud ice, etc.) in the initial field can be adjusted and analyzed by Cloud analysis system in GRAPES. Based on this strong convection activity, three groups of test are designed. The results indicate: (1) The cloud analysis system in GRAPES can analyze cloud micro-physical variables more exactly in the initial field when the radar reflectivity data is used. (2)the lightning location data can complement radar reflectivity data well. It makes the initial field closer to the real state of atmosphere. (3) From the perspective of precipitation, the simulation effect of precipitation within 6 hours is improved when the radar reflectivity data is applied. When it comes to the moderate rain and the rain heavier than moderate rain, the lightning data can improve more. Key words cloud analysis, radar reflectivity, lightning location 1 引言云参数是描述积云尺度大气状态的关键要素之一, 但是由于观测资料的缺乏, 通常, 模式的初始场仅包含水平风场气压场温度场等信息, 云水云冰等云的微物理量在初始场都被设置为零, 只有在模式的积分一段时间后才能逐渐产生云块因为在初始时刻地面观测站已经观测到有降水存在或者正在降水, 或者某些区域上空已经观测到形成了深厚的云系, 但是模式在积分一段时间后才能成云致雨, 这也就造成了模式降水形成的滞后以及降水强度或降水落区与实况存在显著偏差在对云分析问题的大量研究中可以看出, 目前将雷达资料引入到中尺度模式中来研究强对流天气过程已经取得了一些重要进展在 LAPS(Local Analysis Prediction System, 局地分析预报系统 ) 云分析基础上发展的 ADAS (ARPS Data Assimilation System,ARPS 数据同化模块 ) 模块, 反射率因子能够改进初始场, 改进了模拟中的云过程云水混合比 (Zhang,1999) 在 ARPS(Advanced Regional

3 Prediction System, 高级区域预报系统 ) 系统中利用雷达数据对初始场进行调整并进行云分析, 能够有效减少模式 spin-up 的时间 (Wang et al,2003) 盛春岩 (2006) 将国内的 CINBAD-SA 雷达资料同化到中尺度 ARPS 模式中, 通过对比试验发现雷达反射率和径向风信息后, 可改进模拟降水效果, 且雷达资料的同化比单纯的提高模式分辨率效果更明显通过 ARPS/ADAS 云分析系统将雷达反射率因子信息引入到模式的初始场中, 可以改进了初始场中水凝物信息和温度场, 使得初始场更加符合实际大气状况, 降水降雹的峰值也提前出现, 明显减少模式 spin-up 时间, 提高模式的准确性 ( 胡金磊和郭学良,2013) GRAPES_meso 中的云分析模块, 是以 ARPS 模式中云分析方案为基础方案, 综合各种资料的云和降水信息, 根据云热力 - 动力学原理和观测试验经验关系等, 对云的信息进行分析 ( 朱立娟等,2017) 此外, 强对流天气过程的一个重要特点是其经常伴随有频繁的闪电活动, 而闪电活动对对深对流系统有很好的指示作用 Fierro 等 (2012) 通过网格内闪电频率和模拟霰混合比的一个平滑连续方程, 将水汽含量加入到混合相态区域 (0 ~-20 ) Qie 等 (2014) 建立了闪电频率与冰相粒子之间的经验公式, 根据闪电频率调整混合相态层内冰相粒子的浓度, 并进行了数值试验陈志雄等 (2017) 结合以上两种方法, 根据闪电定位资料和模式自身动力与热力状况, 增加低层大气内的水汽混合比和混合相态层内的软雹混合比 Zhang(2017) 利用闪电频率水汽混合比和霰混合比的经验关系, 调整模式的相对湿度, 然后用 WRF 的 3D-var 10min 循环同化方法, 并找到合适的同化时间窗口长度, 使之与初值条件和随后的预报相适应, 使三小时内的预报效果显著提高王莹 (2014, 2015) 将闪电资料作为雷达资料的补充, 将闪电资料转换为三维代理回波, 再利用集合均方根方法进行同化, 可提高三小时内短时临近降水的预报精度当前, 地基低频闪电定位网已经基本覆盖了我国人口聚居地区, 可实现对我国主要地区地闪活动的实时监测另外, 我国新一代地球静止轨道定量遥感气象卫星风云四号已于 2016 年底发射成功, 其上搭载有高速闪电成像仪 (500 帧每秒 ), 可对中国区域及其周边地区的闪电活动进行连续监测 (Cao et al.,2014; 董瑶海,2016) 闪电定位资料能够详细的给出对流云所产生放电的时间位置数量极性和强度等信息, 加之其受地形影响较小, 可以探测到雷达扫描的盲区, 且卫星上搭载的闪电成像仪还可以识别海上的区域, 因此从某种意义上闪电资料探测范围广, 加之其

4 时间分辨率高 ( 可达毫秒级别 ), 这使得其在强对流天气的预报中具有一定优势这一方面将拓展闪电资料的覆盖面保障闪电资料的时空连续性, 便于我们更全面的地监测我国及周边地区的闪电活动, 同时也为我们如何有效地利用闪电数据提出了更高更迫切的要求但是, 相对于卫星雷达等其他观测资料而言, 闪电资料的研究起步较晚, 且闪电观测量并不是模式常规变量, 因此不能直接应用于模式初始化中目前国内对闪电资料在数值预报的应用和影响的研究相对较少本文融合我国多普勒雷达反射率三维组网拼图资料和 ADTD 闪电定位资料, 首先对 ADTD 资料进行了初步分析, 利用闪电频率与雷达反射率之间的经验关系, 将该资料转化成雷达反射率的形式应用于云分析中 ; 融合我国多普勒雷达反射率三维组网拼图资料和 ADTD 闪电定位资料, 通过这些资料计算云水云冰等云微物理变量, 并进行了数值模拟试验, 试图对 ADTD 闪电定位资料对数值预报影响进行初步的研究, 为闪电定位资料在数值预报中的应用研究提供有益的参考 2 资料及研究方法 2.1 雷达及闪电资料本文采用的雷达资料为我国多普勒雷达反射率因子三维组网拼图资料该资料经过了质量控制和组网拼图获得共分为 20 层, 水平分辨率为单部多普勒天气雷达经过格点化, 进行组网拼图, 当某一点有多部雷达共同覆盖时, 依各雷达资料贡献, 则按指数权重差值的方法计算该资料的最初形成算法由中国气象科学研究院灾害天气国家重点实验室开发, 后经中国气象局数值预报中心等发展应用 ( 朱立娟等, 2017) 本文所用的闪电资料来自中国 ADTD 雷电系统定位数据 ADTD 闪电定位系统主要用来探测云地闪, 覆盖了我国大部分地区, 能区分正负极性, 并且具有数据实时性好连续性好覆盖范围大等特点由于闪电数据并不是模式中的变量, 必须将其与模式变量相关联因此, 本文首先将闪电定位资料与雷达反射率因子相联系即根据 GSI 系统中的经验关系 * 2, 将闪电资料转换为模拟雷达反射率因子此经验关系将给定网格 ( ) 中的闪电频率与相应柱内网格最高反射率建立联系, 具体如下 : * 其中用到的程序文件为 : convert_lghtn2ref.f90 以及子函数 convert_lghtn2ref

5 表 1 闪电频率与柱最大回波反射率因子经验关系表 Table 1 empirical relationship between lightning frequency and reflectivity 闪电频率柱最大回波反射率因子闪电频率柱最大回波反射率因子闪电频率柱最大回波反射率因子而根据经验关系 (Hu Ming et al.,2009) 又可以由柱最大回波反射率因子求出雷达反射率因子垂直分布根据最大反射率对所有观测的样本的反射率剖面曲线进行分组, 其中每 5dbz 为一组进行统计, 计算每组反射率分布的平均从而产生产生反射率分布以此经验关系, 就可以在最大反射率的基础上求出这一点反射率因子的垂直廓线因此, 闪电频数就可以先转换成柱最大模拟反射率因子而后再转换为模拟反射率因子的垂直分布, 即三维的模拟雷达反射率因子在得到三维的模拟雷达反射率因子以后, 与实测的雷达组合反射率因子相比较, 取最大值作为最终的雷达反射率因子并带入到 GRAPES 云分析系统中进行运算 2.2 个例的选取本文选取 2016 年 6 月 13 日山西河北南部山东西部一次强对流天气过程进行实验分析此次强对流过程造成局地出现 20mm 以上大冰雹,10~12 级雷暴大风, 并伴随强烈的闪电现象 ( 曹艳察, 2016) 图 1 为 2016 年 6 月 13 日 0:00-24: 00(UTC)ADTD 闪电定位网探测到的每三十分钟闪电频数分布柱状图, 探测范围为 ºE,32-44ºN 从图 1 中可以看出, 这一天闪电活动比较频繁, 峰值在 12:00 左右 ( 北京时间 20:00) 可以达到每 30 分钟 1000 次以上此后, 闪电频数逐渐下降统计该日闪电频数峰值时刻即 12:00 前后 40min( 向前 30min, 向后 10min) 闪电频数的空间分布图 2(a), 以及 12:00(UTC) 雷达实测最大反射率分布图 2(b) 由图 2 可以看出, 闪电的分布与实测雷达反射率高值区域的形状较为一致, 闪电高频区域与雷达反射率高值区域的位置也基本对应此次强对

6 流活动主要集中在山东中西部, 山西河北的西北部 3 数值试验设计图 1 闪电频率 ( 每 30min) Fig.1 lightning frequency (per 30min) (a) 图 2 闪电频率分布 (a); 实测雷达反射率因子 (b) Fig. 2 the distribution of lightning frequency (a); observed composited reflectivity (b) 为了研究雷达反射率资料和闪电定位资料在云分析过程中的作用以及其对模式积分结果的影响, 本文共设计 3 组试验, 分别将雷达资料和闪电资料加入云分析过程中, 研究云水云冰等水物质在初始场的演变方案 1 为控制试验, 在进行云分析时只加入卫星资料 ( 采用 FY-2G 黑体辐射亮温 (TBB) 数据和总云量 (CTA) 数据 ), 简写为 CTRL; 方案 2 除加入卫星资料以外, 还使用雷达资料进行云分析试验, 简写为 TEST1; 方案 3, 除方案 2 的两种资料以外, 还加入了闪电定位资料进行云分析试验, 简写为 TEST2 具体实验设计如表 1: (b)

7 表 2 试验设计方案 Table 2 design schemes of test 卫星资料雷达反射率资料闪电定位资料 CTRL TEST1 TEST2 试验采用 GRAPES_meso 模式, 使用 0.5 分辨率的美国 NCEP 的 GFS 资料作为模式的背景场, 以 2016 年 6 月 13 日 12:00(UTC) 作为模式的初始时间, 积分时效为 24 小时模式范围 : ºE,32-44ºN, 格点数为 , 垂直分层 50 层, 时间步长 45s, 模式水平分辨率 0.03º 0.03º 物理过程参数化方案采用如下选择 :WSM6 微物理过程方案,RRTM 长波辐射方案和,Dudhia 短波辐射方案,Monin-Obukhov 近地面层方案,Noah 陆面过程方案,MRF 边界层方以及浅对流 Kain-Fritsch(new Eta) 对流参数化方案 4 数值试验结果分析 GRAPES_meso 采用松弛逼近方案将云分析模块产生的云水云冰和雪等变量, 逐步增加到对应的积分变量上, 同化窗口为模式积分的第 10 步因此, 本文将积分第 10 步时状态近似地看作模式的初始状态图 3 第一行是模式积分 10 步时的组合反射率因子, 其中 (a1) 是模式初始时刻即 12:00 雷达反射率因子的观测值,(b1) (c1) (d1) 分别是 CTRL TEST1 TEST2 三个试验与 CTRL 相比,TEST1 和 TEST2 大大提高了模式的组合反射率因子, 并且与图 2(b) 相同, 雷达回波强度较大的地方集中在山西中部以及山西与内蒙古的交界处, 和山东省中部 TEST2 试验中在 40ºN 的部分区域 ( 如红色圆圈所示 ) 的反射率因子相较于 TEST1 有明显增加可能是因为雷达数据在这一区域受到地形因素的影响, 而闪电资料反演出的模拟雷达反射率因子对这部分数据进行了补充, 即说明闪电资料转化的雷达模拟反射率因子对雷达反射率因子有一定的补充效果第二三排分别是模式 3 小时 (15:00) 6 小时 (18:000) 预报的组合反射率因子与对应时刻雷达组合反射率因子观测对比包含雷达 (TEST1) 和雷达及闪电定位 (TEST2) 预报与市况相比, 可以报出有效地降水回波, 但是在山西中

8 部以及山西北部与内蒙南部回波稍强, 而 CTRL 没有做出有效预报 TEST2 与 TEST1 相比, 雷达组合反射率的影响不明显 (a1) (b1) (c1) (d1) (a2) (b2) (c2) (d2) (a3) (b3) (c3) (d3) 4.1 云微物理量分析图 3 雷达组合反射率因子 ( 单位 :dbz) (a1)12:00 观测 (b1)ctrl 试验初始时刻 (c1)test1 试验初始时刻 (d1)test2 试验初始时刻 (a2)15:00 观测 (b2)ctrl 试验 3 小时预报 (c2)test1 试验 3 小时预报 (d2)test2 试验 3 小时预报 (a3)18:00 观测 (b3)ctrl 试验 6 小时预报 (c3)test1 试验 6 小时预报 (d3)test2 试验 6 小时预报 Fig.3 composited reflectivity (unit: dbz) (a1)observation at 12:00 UTC (b1)initial field of CTRL (c1)initial field of TEST1 (d1)initial field of TEST2 (a2)observation at 15:00 UTC (b2)forecast of CTRL within 3 hours(c2)forecast of TEST1 within 3 hours(d2)forecast of TEST2 within 3 hours (a2)observation at 18:00 UTC (b2)forecast of CTRL within 6 hours(c2)forecast of TEST1 within 6 hours(d2)forecast of TEST2 within 6 hours 为了更好地认识云分析过程对模式云微物理量的影响, 本文分别给出在模式积分第 10 步时, 不同高度云水 (qc) 云冰 (qi) 和雪 (qs) 的水平分布及

9 其垂直分布情况由于卫星资料在云分析的过程中只调整云量云高等, 对云水云冰和雪等变量不产生影响, 故初始时刻 CTRL 中的云水云冰和雪几乎为零, 因此图略图 4 分别是 test1 和 test2 在 700hPa 高度上局部 ( 山东省中西部 ) 的云水 (qc) 分布, 和沿红线 ( 纬度约为 36 N) 云水的垂直分布由于控制试验 (CTRL) 的云水含量几乎为零, 所以图略也就是说, 雷达资料的加入, 很大程度上提高了模式初始时刻的云水含量 ; 而在加入了闪电定位信息以后, 这一区域的云水含量也略有提高, 其中红线所标注的地方最为明显且从云水含量沿 36ºN 的垂直分布可以看出, 增幅最大出现在 700hpa 至 800hpa 之间, 如图 4(e) 表示 TEST2 相对于 TEST1 在云水的增量, 可达到 0.2g/kg 以上云水含量较大的区域以及加入闪电资料后云水增加的区域与这段时间强降水的中心区域图 9(a) 相吻合, 因此可以认为, 闪电定位资料的加入有效提高了云水的模拟, 与真实的大气状况更为接近图 5 是模式积分 10 步时 3 组试验 300hPa 高度上云冰 (qi) 的水平分布和沿 40.3ºN 的垂直分布由于模式积分第 10 步并不真正的初始时刻, 因此 CTRL 试验 ( 图 5(a)) 在此时产生了少量云冰但与图 5(a) 相比, 图 5(b)(c) 的云冰含量在山西河北南部山东中西部大幅提高, 但图 (b) (c) 差别不大由垂直分布也可以看出, 与 TEST1 相比,TEST2 的云冰含量在 hPa 的高度上均有提高同样对比了 300hpa 高度上的雪 (qs)( 图 6), 其结果与云冰类似, 即 CTRL 试验中只有极少的雪, 而加入雷达和闪电定位资料的云分析试验 TEST1 和 TEST2 的雪主要分布在降水集中的山西东北部和山东中部 ; 且其中 TEST2 的 qs 含量与 TEST1 相比略有增加综上所述, 在模式初始时刻,TEST1 TEST2 试验中的云水云冰和雪都较 CRTL 试验有明显增加, 且与降水中心的位置更接近 ; 而加入闪电定位资料的 TEST2 试验中, 这些云微物理量的含量又较 TEST1 略有增加因此, 用雷达资料和闪电资料的云分析可以使模式初始场与大气的真实状况更为接近, 减小或减弱模式的 spin-up 过程

(a) qc (g/kg) (c) qc (g/kg) 36ºN (d) qc (g/kg) 36ºN (e) qc

TEST1(a),TEST2(b)) 初始场中沿 36 N 剖面的云水分布 ( 单位 :g/kg ; TEST1(c)

4 the horizontal distribution of cloud water on 700hPa in

distribution of cloud water on 36ºN in initial field (unit:

qi (g/kg) (b) qi (g/kg) (c) qi (g/kg) (d) qi(g/kg) 40.

3ºN 图 5 初始场中 300hPa 的云冰分布 ( 单位 :g/kg ; CTRL(a) TEST1(b)

3 N 剖面的云冰分布 ( 单位 :g/kg ; CTRL(e) TEST1(e) TEST2(f); 等值线为温度零线 )

10 (a) qc (g/kg) (c) qc (g/kg) 36ºN (d) qc (g/kg) 36ºN (e) qc (g/kg) 36ºN 图 4 初始场中 700hPa 的云水分布 ( 单位 :g/kg ; TEST1(a),TEST2(b)) 初始场中沿 36 N 剖面的云水分布 ( 单位 :g/kg ; TEST1(c) TEST2(d)) 及其增量 (e) Fig. 4 the horizontal distribution of cloud water on 700hPa in initial field (unit: g/kg; TEST1(a), TEST2(b)); the vertical distribution of cloud water on 36ºN in initial field (unit: g/kg; TEST1(c), TEST2(d), the increment(e)) (b) qc (g/kg) (a) qi (g/kg) (b) qi (g/kg) (c) qi (g/kg) (d) qi(g/kg) 40.3ºN (e) qi(g/kg) 40.3ºN (f) qi(g/kg) 40.3ºN 图 5 初始场中 300hPa 的云冰分布 ( 单位 :g/kg ; CTRL(a) TEST1(b) TEST2(c)) 初始场中沿 40.3 N 剖面的云冰分布 ( 单位 :g/kg ; CTRL(e) TEST1(e) TEST2(f); 等值线为温度零线 ) Fig. 5 the horizontal distribution of cloud ice on 300hPa in initial field (unit: g/kg; CTRL(a) TEST1(b) TEST2(c)); the vertical distribution of cloud ice on 40.3ºN in initial field (unit: g/kg; CTRL(e) TEST1(e) TEST2(f))

(a) qs (g/kg) (b) qs(g/kg) (c) qs(g/kg) (d) qs(g/kg) 40.3ºN (e) qs(g/kg) 40.3ºN (f) qs(g/kg) 40.

3 N 剖面的雪分布 ( 单位 :g/kg ; CTRL(e) TEST1(e) TEST2(f); 4.

Fig. 6 the horizontal distribution of cloud snow on 300hPa in initial field (unit: g/kg; CTRL(a) TEST1(b)

3ºN in initial field (unit: g/kg; CTRL(e) TEST1(e) TEST2(f)) 从三组试验 1 小时累计降水 ( 图 7) 来看, 模拟结果都较实况偏弱, 但是, 与 CTRL

11 (a) qs (g/kg) (b) qs(g/kg) (c) qs(g/kg) (d) qs(g/kg) 40.3ºN (e) qs(g/kg) 40.3ºN (f) qs(g/kg) 40.3ºN 图 6 初始场中 300hPa 的雪分布 ( 单位 :g/kg ; CTRL(a) TEST1(b) TEST2(c)) 初始场中沿 40.3 N 剖面的雪分布 ( 单位 :g/kg ; CTRL(e) TEST1(e) TEST2(f); 4.2 模拟降水结果分析以上对比分析了三组试验经过 GRAPES 云分析后的初始场中云微物理量的水平及垂直分布特点及其差异, 下面分析各组试验的模拟降水结果, 进一步说明雷达和闪电定位资料的作用等值线为温度零线 ) Fig. 6 the horizontal distribution of cloud snow on 300hPa in initial field (unit: g/kg; CTRL(a) TEST1(b) TEST2(c)); the vertical distribution of cloud snow on 40.3ºN in initial field (unit: g/kg; CTRL(e) TEST1(e) TEST2(f)) 从三组试验 1 小时累计降水 ( 图 7) 来看, 模拟结果都较实况偏弱, 但是, 与 CTRL 试验相比,TEST1 和 TEST2 的降水强度和降水范围都有大幅提高, 可以较为准确地模拟出山西东北和山东中部的降水中心, 对天津北京附近等雨量较小的区域也能有所反应, 只是强度偏弱范围偏小从累计降水分布来看,TEST2 相比于 TEST1 的提高不大, 降水中心和强度都基本一致, 只有细微的差别同样, 进一步对比三组模拟试验的 6 小时累计降水 ( 图 8) 从降水范围来看, 控制试验 (CTRL) 在山东中部有明显的漏报, 而 TEST1 和 TEST2 则可以弥补这一点, 模拟出的降水中心位置较为一致其中,TEST2 在山东中部模拟的降

12 水强度稍强, 与实况更为接近这说明了在中到暴雨的模拟中, 闪电定位资料能起到一定的补充作用, 使模拟结果更加准确图 8 图 7 (a) (c) 1h 累计降水 ( 实况 (a),ctrl(b),test1 (c),test2 (d)) Fig. 7 accumulative precipitation within 1 hour(observed(a), CTRL(b),TEST1 (c),test2 (d)) (a) (c) (b) (d) 6h 累计降水 ( 实况 (a),ctrl(b),test1 (c),test2 (d)) Fig. 8 accumulative precipitation within 6 hours (observed (a), CTRL(b),TEST1 (c),test2 (d)) (b) (d)

13 按照表 2 给定的累计降水雨量分级表给不同累计时效的雨量进行分级, 进而直接对比三组试验的 TS 评分 ( 图 9), 可以看出, 在临近的 1 小时累计降水中, TEST1 和 TEST2 相比于 CTRL 试验, 改进效果显著 ; 其中, 量级为大雨的模拟效果,TEST2 评分略高于 TEST1, 但小雨的评分略低, 这说明加入闪电定位资料的 TEST2 模拟出的降水在强度上总体上强于 TEST1 从 6 小时和 24 小时累计降水的 TS 评分中可以看出, 对中雨到暴雨的预报,TEST2 的准确率最高, TEST1 其次 ; 其中 6 小时累计降水中, 小雨的预报 TEST1 评分略高于 TEST2, 而在 24 小时累计降水中三者基本持平图 10 给出不同方案累计降水的偏差分布, 其区别比较明显在 1 小时累计降水 ( 图 10(a)) 中,CTRL 试验预报偏差小于 0.5 且, 说明降水预报偏弱明显, 而 TEST1 和 TSET2 在这一时段改进效果明显, 但小雨的偏差略大, 中雨以上量级仍偏弱一点, 其中 TEST2 的偏差比 TEST1 更接近于 1, 即 TEST2 在 1 小时累计降水的准确度更高在 6 小时累计降水中 ( 图 10(b)),TEST1 与 TEST2 小雨的降水偏差几乎为 1, 中雨以上量级略小,TEST2 在暴雨量级的评分优于 TEST1;TEST1 与 TEST2 都明显优于 CTRL 在 24 小时累计降水中 ( 图 10(c)), 三组试验各有优劣, 效果相差不明显, 综合来看 TEST2 效果最好,TEST1 预报降水偏强一些通过以上分析可以说明, 在加入雷达资料以后 GRPAPS 云分析可以显著提高 6 小时以内降水的模拟效果, 而闪电定位资料的加入, 对中雨以上量级的降水模拟具有进一步的改进作用表 3 累计降水雨量分级表 Table 3 Classification of precipitation 累计时效小雨中雨大雨暴雨 1 小时降水量小时降水量小时降水量

14 小雨中雨大雨暴雨 5 总结与讨论 CTRL TEST1 TEST2 图 9 累计降水 TS 评分 (1 小时 (a) 6 小时 (b) 24 小时 (c)) Fig. 9 the TS score for accumulative precipitation (1 hour (a), 6 hours (b), 24 hours (c) ) (a) 小雨中雨大雨暴雨图 10 累计降水偏差 (1 小时 (a) 6 小时 (b) 24 小时 (c)) Fig. 10 the Bias score for accumulative precipitation (1 hour (a), 6 hours (b), 24 hours (c) ) 本文选取 2016 年 6 月 13 日发生在山西河北南部和山东中西部的一次强对流过程, 设计了加入雷达反射率因子和闪电定位资料的三组不同的数值试验首先小雨中雨大雨暴雨 TEST1 TEST 小雨中雨大雨暴雨 (c) CTRL TEST1 TEST3 (b) CTRL TEST1 TEST2 (a) 1.5 (b) CTRL 1 CTRL 小雨中雨大雨暴雨 TEST1 TEST2 小雨中雨大雨暴雨 CTRL (c) TEST1 TEST2

15 对比分析了云分析过程中加入闪电定位信息对雷达反射率因子的直接影响 ; 其次对比分析了在模式初始时刻加入反射率因子信息和闪电定位信息以后云微物理变量 ( 云水云冰雪 ) 的变化 ; 最后, 进一步比较了三组试验模拟的模式降水的预报效果可以得到如下初步结论 : (1) 云分析系统在加入雷达反资料以后, 能在模式初始场中较准确的描述模式的初始水物质 ; 而闪电定位资料转换成的模拟雷达反射率因子对原有的雷达反射率因子有一定的补充作用 (2) TEST1 TEST2 试验中的云水云冰和雪都较 CRTL 试验有明显增加, 且与实际的降水中心的位置更接近 ; 而加入闪电定位资料的 TEST2 试验中, 这些水物质的含量在山东中西部山西河北南部又较 TEST1 略有增加, 即用雷达资料和闪电资料的云分析可以使模式初始场与大气的真实状况更为接近, 减小或减弱模式的 spin-up 过程 (3) 分析比较各组实验的模拟降水结果, 1 小时 6 小时和 24 小时的累计降水中,TEST1 和 TEST2 的效果明显优于 CTRL, 对比 TS 评分和降水偏差,TEST2 在中雨以上量级的模拟效果要好于 TEST1 以上说明在加入雷达资料以后, GRPAPS 云分析可以显著提高 6 小时以内降水的模拟效果, 而闪电定位资料的加入, 对中雨以上量级的降水模拟有进一步的改进作用

16 参考文献 Cao, D., Huang, F., & Qie, X. Development and Evaluation of detection algorithm for FY-4 Qie X, Zhu R, Yuan T, et al. Application of total-lightning data assimilation in a mesoscale convective system based on the WRF model[j]. Atmospheric Research, 2014, s : Fierro A O, Mansell E R, Ziegler C L, et al. Application of a Lightning Data Assimilation Technique in the WRF-ARW Model at Cloud-Resolving Scales for the Tornado Outbreak of 24 May 2011[J]. Monthly Weather Review, 2011, 140(8): Hu Ming,Weygandt S.-S.,Benjamin S.-G., et al. Assimilation of lightning data using cloud analysis within the Rapid Refresh [C]. 89th American Meteorological Society Annual Meeting,2009. Wang, D., Gao, J., Brewster, K., & Droegemeier, K. K The Advanced Regional Prediction System (ARPS), storm-scale numerical weather prediction and data assimilation[j]. Meteorology & Atmospheric Physics, 82(1), Wang, Y., Yang, Y., & Wang, C Improving forecasting of strong convection by assimilating cloud-to-ground lightning data using the physical initialization method[j]. Atmospheric Research, 150, doi: /j.atmosres Rong, ZHANG, Yijun, et al. Assimilation of Total Lightning Data Using the Three-Dimensional Variational Method at Convection-Allowing Resolution[J]. Journal of Meteorological Research (English edition), 2017, 31(4): 曹艳察, 张涛年 6 月大气环流和天气分析 [J]. 气象, 42(9), Cao Yancha, Zhang Tao Analysis of the June 2016 Atmospheric Circulation and Weather[J]. Meteoralogical Monthly,42(9), 陈志雄, 郄秀书, 田野, 等. 云分辨尺度下一种综合调整水物质含量的闪电资料同化方法 [J]. 气象学报, 2017, 75(3): Chen Zhixiong,Qie Xiushu,Tian Ye,Wang Dongfang,Yuan Shanfeng Assimilation of lightning data through comprehensively nudging water contents at the cloud-resolving scale. Acta Meteorologica Sinica,75( 3) : 董瑶海风云四号气象卫星及其应用展望 [J]. 上海航天, 33(2), 1-8. Dong Haiyao FY-4 Meteoralogical Satellite and Its Application Prospect[J]. Areospace Shanghai, 33(2), 1-8. 胡金磊, 郭学良基于雷达资料的云分析在冰雹云短时预报中的应用 [J]. 气象科技, 41(04), Hu Jinlei, Guoxueliang Application of Cloud Analysis with Radar Data in Hail Cloud Nowcasting[J]. Meteoralogical Science and Technology, 41(04), 盛春岩, 浦一芬, 高守亭多普勒天气雷达资料对中尺度模式短时预报的影响 [J]. 大气科学, 30(1), Sheng Chunyan, Pu Yifen, Gao Shouting Effect of Chinese Doppler Radar Data on Nowcasting Output of Mesoscale Model[J]. Chinese Jo urnal of A tmo sphe ric Sciences, 30(1), 盛春岩, 薛德强, 雷霆, 高守亭雷达资料同化与提高模式水平分辨率对短时预报影响的数值对比试验 [J]. 气象学报, 64(3), Sheng Chunyan, Xue Deqiang, Lei Ting, Gao Shouting. Comparative Experiments btween Effects of Doppler Radar Data Assimilation and Inceasing Horizontal Resolution on Short-Range Prediction[J].ACTA Meteological Sinica, 64(3), 王莹, 杨毅, 邱晓滨集合均方根滤波同化地闪资料的试验研究 [J]. 干旱气象, 33(5), WANG Ying, YANG Yi, QIU Xiaobin Assimilating Cloud-to-ground Lightning Data Using Ensemble Square Root Filter[J]. Journal of Arid Meteorology, 33(5),

17 朱立娟, 龚建东, 黄丽萍, 等 GRAPES 三维云初始场形成及在短临预报中的应用 [J]. 应用气象学报, 28(1), Zhu Lijuan, Gong Jiandong, Huang Liping, at al Three-dimensional Cloud Initial Field Created and Applied to GRAPES Numerical Weather Prediction Nowcasting[J]. Journal of Applied Meteorological Science, 28(1),

气象第卷第期对流不稳定度

气象第卷第期对流不稳定度张芳华张涛周庆亮杨克明国家气象中心北京中国气象科学研究院灾害天气重点实验室利用上海自动观测站资料的逐小时分析资料水汽云图和多普勒雷达探测等资料对年月日上海飑线天气过程进行天气动力学诊断分析结果表明上海处在上干冷下暖湿的不稳定大气层结中对流层上层干冷空气的侵入和边界层暖湿气流强烈辐合是飑线天气的触发机制飑线以断续线型与后续线型相结合的型式形成在对流单体的右侧不断新生单体