论文部分内容阅读
集合同化是近十年得到应用和发展的同化方案,集合转换卡尔曼滤波(ETKF)为其中一种,同时由于ETKF方法的特点,可以方便的应用于适应性观测。前人的研究以及一些外场试验表明,对于天气尺度的系统,基于ETKF的同化方案以及适应性观测策略的选取有比较好的效果。本文集合转换卡尔曼滤波(ETKF)应用到中尺度模式WRF-ARW中,建立了基于集合转换卡尔曼滤波理论的同化系统以及适应性观测系统,并应用于一次梅雨暴雨过程中,详细分析了在中尺度的梅雨天气系统中基于ETKF理论的同化方案的同化效果以及同化效果对局地化尺度敏感性,并探讨了在中尺度的梅雨暴雨中应用ETKF进行适应性观测的可行性,分析了敏感区与天气系统的联系。 OSSE试验以及实际观测试验的结果表明ETKF能够有效地降低预报误差,提高预报效果。OSSE试验中,同化观测后24到48小时和各变量误差减少了25%,降水落区的预报也更为准确;实际观测试验中,由于模式误差的影响,同化效果受到较大影响,同化12小时后风速相对误差减少小于20%,温度和湿度相对误差只减小5%左右,但是降水预报,特别是临近降水的预报,同化是有很明显的效果。误差分析过程中发现,误差的分布以及误差随时间的变化在同化前后很相似,这是因为同化前后大气的基本态相似,因此不稳定的区域相似,最终误差的结构和演变相似。 集合同化中需要采用局地化方案解决由于集合数目限制带来的取样误差的问题。研究表明,对天气尺度的天气系统而言,集合同化最优局地化尺度一般为1500km或者更多。影响最优局地化尺度的因素很多,其中最重要的因素为天气系统的尺度。天气尺度与中尺度的天气系统在尺度存在大的差异,因此控制观测影响范围的局地化尺度因此存在较大差异。基于OSSE以及实际观测试验结果,对于本次过程而言,最优水平局地化尺度在大致在400km到600km左右。与同时,同化效果对垂直局地化尺度则不敏感,这可能与观测在垂直方向观测密度相对较高有关。 适应性观测是一种利用模式来有效减少预报误差的思想,该思想是通过寻找出一天或者更长时间以前对某次人们关心的天气事件的预报误差影响最大的区域(敏感区),并在该区域内增加、同化观测减少该敏感区的误差的方法,以达到有效改善预报的目的。适应性观测中最关键是问题是如何寻找出正确的敏感区。对比ETKF确定的敏感区与OSSE穷举法计算出的敏感区,发现两者位置相似,说明ETKF能够准确的找出敏感区所在位置。36小时前的敏感区主要位于上游的高原上,随着时间接近验证时刻,敏感区向验证区靠拢。天气分析结果表明,敏感区位置与500hPa上的槽有一定的联系。由于天气系统的倾斜,敏感区也存在一定的倾斜,这也表明,ETKF计算出的敏感区与天气系统存在一定的联系,计算结果有一定可靠性。