WRF模型使用： （1）本研究基于WRF模式3DVar同化系統來同化AWS觀測數據。北大核心  摘要數據同化技術和觀測手段不斷發展完善,但當前針對自動氣象站（AWS）空間同化密度對WRF模式降雨預報影響的研究仍顯不足.本研究以具有高密度AWS數據的京津冀地區為研究區域,基于三維變分（3DVar）數據同化方法評估了AWS的同化范圍和密度對WRF模式降雨預報的影響.結果表明,同化AWS觀測數據能改善WRF模式降雨預報準確度,其中內層高分辨率嵌套范圍內的觀測數據發揮了主要作用.數據同化對降雨預報的改善效果會隨著AWS同化密度的增加而逐漸增強.當同化密度較低時,數據同化主要改善了WRF模式降雨面積的預報結果;隨著同化密度的增加,降雨總量的預報準確度會進一步提升,但這種改善效應存在“飽和點”在本案例中,當同化站點空間密度達到1個/500km2時,進一步提高同化站點空間密度對WRF模式降雨預報準確度的邊際提升作用已不明顯.研究結果可以為在海量觀測數據背景下制定AWS數據同化策略提供參考. 研究方法WRF設置由美國國家環境預報中心(NationalCentersforEnvironmentalPrediction,NCEP)全球預報系統(GlobalForecastSystem,GFS)提供的分辨率為0.25°的3h預報數據作為模式初始場.模擬采用雙層嵌套方案，范圍以北京市為中心，內層(D02)包括76×74個網格點，空間分辨率為3km，覆蓋面積約50000km2；外層(D01)包括50×49個網格，空間分辨率為9km，覆蓋面積約190000km2，具體空間位置如圖2所示.兩層嵌套都包含有33個垂直氣壓層，其中頂層氣壓固定在50hPa.  同化設置對AWS觀測數據來說，同化所有氣象要素且以3h的頻率進行同化可以取得較好的降雨預報效果.根據此次颮線事件的發生時間，設置模擬時間范圍為2017年8月1日00時至8月3日00時，第一天為預熱期.以8月2日09時為起始點，采用3DVar系統以3h的頻率同化AWS觀測變量，包括氣壓、溫度、相對濕度、風速和風向.共同化3次，于15時結束最后一次同化，時間流程如圖3所示.為對比評估同化效果，設置一組不同化任何觀測數據的對照實驗組(CTRL)用于驗證分析.  實驗設計 研究結果       研究結論基于WRF(V4.2)模式3DVar系統，本研究針對北京地區2017年8月2日一場颮線過程開展了地面站空間分布范圍和密度對降雨預報影響的研究，得出以下主要結論： (1)在模擬范圍內同化AWS觀測數據能夠改善模式降雨預報效果.對于局地性較強的降雨(尤其是颮線)來說，內層嵌套范圍內的觀測數據對改善內層降雨預報結果發揮主要作用，同化內層觀測數據后10mm閾值的TS評分可由0.14提高至0.5. (2)同化AWS觀測數據對降雨預報的改善能力隨著同化AWS站點密度的增加而增強，當同化的地面站密度較低時，數據同化主要改進了降雨面積模擬結果，對于降雨量的預報仍存在一定的偏差；當同化的地面站密度較高時，降雨量的模擬效果會被進一步改善. (3)同化AWS觀測數據對降雨預報的增強效應存在“飽和點”.在本案例中，當站點空間密度達到1個/500km2時，同化AWS觀測數據對降雨預報的改進效果達到“飽和”，進一步提高同化站點空間密度對WRF模式降雨預報準確度的邊際提升作用已不明顯.在海量觀測數據的背景下，本研究結果可以為高密度AWS觀測數據同化策略以及未來AWS空間布設方案的制定提供參考，對提高模式計算效率、節省計算資源具有重要意義.由于不同類型降雨的成因有所區別，未來將針對不同類型降雨的AWS數據同化策略進行進一步驗證. |
|
|
