南海及沿岸海基观测资料同化对华南暴雨预报的影响

刘泓锴; 和杰; 丁伟钰; 邓华; 王洪; 黄汝萍; 时洋

doi:10.16032/j.issn.1004-4965.2023.063

南海及沿岸海基观测资料同化对华南暴雨预报的影响

doi: 10.16032/j.issn.1004-4965.2023.063

刘泓锴¹,
和杰^2, ,,
丁伟钰²,
邓华²,
王洪²,
黄汝萍²,
时洋³

1.
广东电网有限责任公司阳江供电局，广东阳江 529599
2.
中国气象局广州热带海洋气象研究所，广东广州 510641
3.
广东省气象台，广东广州 510641

基金项目:

国家自然科学基金联合基金项目 U22422203

广东省基础与应用基础研究基金项目 2022A1515110141

广东省基础与应用基础研究基金项目 2022A1515011471

中国气象局预报员专项项目 CMAYBY2019-080

详细信息

通讯作者:
和杰，男，安徽省人，博士，主要从资料同化和集合预报研究。E-mail：tyfcwgl@163.com

中图分类号: P456.7
计量
- 文章访问数: 84
- HTML全文浏览量: 14
- PDF下载量: 9
- 被引次数: 0
出版历程
- 收稿日期: 2023-02-17
- 修回日期: 2023-07-12
- 网络出版日期: 2023-12-30
- 刊出日期: 2023-10-20

IMPACT OF ASSIMILATING SEA-BASED OBSERVATIONS FROM THE SOUTH CHINA SEA AND COASTAL AREAS ON HEAVY RAINFALL FORECASTING IN SOUTH CHINA

1.
Yangjiang Power Supply Bureau, Guangdong Power Grid Co., Ltd, Yangjiang, Guangdong 529599, China
2.
Guangzhou Institute of Tropical and Marine Meteorology, China Meteorological Administration, Guangzhou 510641, China
3.
Guangdong Meteorological Observatory, Guangzhou 510641, China

摘要

摘要: 海基（浮标站、海岛站、平台站）现场观测作为海洋观测的主要来源，对大气和海洋科学的发展起到重要作用。探讨了南海及沿岸海基观测资料同化对华南前汛期暴雨预报的潜在影响。在地面站观测资料同化基础上，增加海基观测资料同化，并进行了连续循环同化试验。试验结果表明，连续循环同化方案显著优于冷启动同化方案的降水预报，通过连续循环同化海基观测资料可以有效改善分析场低层的湿度场和风场，进而改善了华南上游南海区域的水汽输送和动力条件。在降水预报方面，同化海基观测资料对陆地区域的降水预报改善不明显，但对沿岸及海上区域的降水预报改善显著，尤其是18 h和24 h的强降水预报。总体来看，增加海基观测资料同化对华南前汛期南海沿岸及海上区域暴雨预报产生了积极的正贡献，本研究对CMA-MESO模式实现更多海基观测资料业务同化、提高华南前汛期暴雨预报水平和开展南海海洋观测试验提供了重要依据。
- 资料同化 /
- 暴雨 /
- 浮标 /
- 海洋观测 /
- 质量控制
Abstract: Buoy, island stations, and platform stations play a crucial role in advancing atmospheric and ocean sciences by providing essential marine observational data. This paper explores the potential impact of assimilating sea-based observation data from the South China Sea and the coast on forecasts of heavy rainfall during annually first rainy seasons in South China. In addition to ground station observations, sea-based observations are added to conduct continuous cycle assimilation experiments. The experiment results suggest that the continuous cycle assimilation scheme significantly improves precipitation forecasting compared to the cold-start assimilation scheme. The assimilation of additional sea-based observations effectively enhances the humidity field and wind field at the lower levels of the analysis field, thereby improving the water vapor transport and dynamic conditions in the South China Sea region. While the assimilation of sea-based observations does not show significant improvement in precipitation forecasts over land areas, it notably enhances precipitation forecasts for coastal and offshore regions, particularly for heavy rainfall forecasts at 18 - and 24-hour lead times. Overall, the inclusion of sea-based observations positively contributes to the prediction of heavy rainfall along the coastal and offshore regions of the South China Sea during annually first rainy seasons. This study provides an important basis for the CMA-MESO model to achieve more operational assimilation of sea-based observations, improve heavy rainfall forecasting in South China, and conduct marine observation experiments in the South China Sea.
- South China Sea /
- data assimilation /
- heavy rainfall /
- marine observation /
- quality control

HTML全文

图 1 2022年5月10—15日每天1200 UTC ERA5再分析的850 hPa风场（风羽）和500 hPa位势高度场（蓝线），以及累积到当前时刻的24 h融合降水观测

黑色小矩形为试验模拟区域；黑色粗曲线为青藏高原2 500 m地形高度边界。本文采用的时间均为协调世界时（Universal Coordinated Time，UTC或Z）。

下载: 全尺寸图片幻灯片

图 2 CMA-MESO模式同化预报模拟区域（107~119°E，15~26 °N）

红点表示探空站；绿点表示地面站；蓝点表示海基站，包括海岛站、浮标站、石油平台站。

下载: 全尺寸图片幻灯片

图 3 CMA-MESO 3DVAR同化系统连续循环同化和冷启动同化方案设计

红色、黑色、绿色、蓝色分别代表观测资料（OBS）、资料同化、背景场来源、24 h模式预报的相关流程信息。

下载: 全尺寸图片幻灯片

图 4 2022年5月11—14日1200 UTC冷启动同化（DA_SYNOP_COLD）和连续循环同化（DA_SYNOP_CYCLE）试验24 h降水预报

黑色线表示20 mm观测降水等值线。a~d为观测降水；e~h为DA_SYNOP_COLD；i~l为DA_SYNOP_CYCLE。

下载: 全尺寸图片幻灯片

图 5 冷启动（DA_SYNOP_COLD）和连续循环同化（DA_SYNOP_CYCLE）试验过程地面气压倾向随时间的变化

下载: 全尺寸图片幻灯片

图 6 2022年5月10日0000 UTC —2022年5月17日0000 UTC DA_SYNOP和DA_SYNOP_OCEAN试验分析场的偏差（Bias, a~d）和均方根误差差异（RMSE difference, e~h）统计

检验观测为每天0000 UTC和1200 UTC独立性探空站廓线观测，图中右轴表示检验时间段内相应气压层的检验观测数量。均方根误差差异为DA_SYNOP_OCEAN试验与DA_SYNOP试验的差，负值表示DA_SYNOP_OCEAN试验具有正贡献。a, e：比湿（Q）; b, f：温度（T）; c, g：纬向风（U）; d, h：经向风（V）。

下载: 全尺寸图片幻灯片

图 7 DA_SYNOP（f~j）和DA_SYNOP_OCEAN（k~o）试验分别在2022年5月11日0000 UTC（a、f、k）、12日0600 UTC（b、g、l）、13日0000 UTC（c、h、m）、15日0000 UTC（d、i、n）、16日1200 UTC（e、j、o）的24 h降水预报及与之对应的24 h观测降水（a~e）

黑色线表示25 mm观测降水等值线。

下载: 全尺寸图片幻灯片

图 8 2022年5月15日0000 UTC 24 h预报的925 hPa水汽通量（阴影）和风场（箭头）

a. DA_SYNOP；b. DA_SYNOP_OCEAN试验。

下载: 全尺寸图片幻灯片

图 9 DA_SYNOP和DA_SYNOP_OCEAN试验在陆地区域6 h（a）、12 h（b）、18 h（c）、24 h（d）预报降水的综合评分展示图

6~12 h降水评分阈值为0.1 mm、10 mm、30 mm、50 mm、100 mm；18~24 h降水评分阈值为0.1 mm、20 mm、50 mm、100 mm、150 mm。

下载: 全尺寸图片幻灯片

图 10 同图 9但为海上区域降水预报的综合评分展示图

下载: 全尺寸图片幻灯片

表 1 地面站和海基站观测资料同化试验方案总结

试验名称	同化方案	同化观测	同化变量	时间窗	同化预报次数	同化起止时间
DA_SYNOP_COLD	冷启动同化	SYNOP	P、U、V、RH	3 h	57	2022年5月10日 0000 UTC — 2022年5月17日 0000 UTC
DA_SYNOP_CYCLE	连续循环同化	SYNOP
DA_SYNOP	连续循环同化	SYNOP
DA_SYNOP_OCEAN	连续循环同化	SYNOP + OCEAN

下载: 导出CSV

表 2 降水预报检验方法的二分类列联表

预报（M）		观测（O）
预报（M）		是	否
预报（M）	是	na	nb
预报（M）	否	nc	nd

下载: 导出CSV

表 3 各类降水评分的计算公式及描述

评分名称	计算公式	阈值范围	最佳技巧值
FB	$ \frac{{\rm{n a+n b}}}{{\rm{n a+n c}}}$	0~+∞	1
TS	$ \frac{{\rm{n a}}}{{\rm{n a+n b+n c}}}$	0~1	1
FAR	$ \frac{{\rm{n b}}}{{\rm{n a+n b}}}$	0~1	0
SR	1-FAR	0~1	1
POD	$ \frac{{\rm{n a}}}{{\rm{n a+n c}}}$	0~1	1

下载: 导出CSV

参考文献(41)

[1]	陶诗言. 中国之暴雨[M]. 北京: 科学出版社, 1980.
[2]	孟智勇, 张福青, 罗德海, 等. 新中国成立70年来的中国大气科学研究: 天气篇[J]. 中国科学: 地球科学, 2019, 49(12): 1 875-1 918.
[3]	DU Y, CHEN G. Heavy rainfall associated with double low-level jets over southern China. Part Ⅱ: Convection initiation[J]. Mon Wea Rev, 2019, 147(2): 543-565.
[4]	BAI L, CHEN G, HUANG L. Convection initiation in monsoon coastal areas (South China) [J]. Geophys Res Lett, 2020, 47(11): e2020GL087035.
[5]	SU L, FUNG J C, LI J, et al. Trends in diurnal cycle of summertime rainfall over coastal South China in the past 135 years: Characteristics and possible causes[J]. J Geophy Res, 2021, 126(8): e2020JD033621.
[6]	DU Y, CHEN G. Heavy rainfall associated with double low-level jets over southern China. Part Ⅰ: Ensemble-based analysis[J]. Mon Wea Rev, 2018, 146(11): 3 827-3 844.
[7]	HUANG L, LUO Y. Evaluation of quantitative precipitation forecasts by TIGGE ensembles for south China during the presummer rainy season[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(16): 8 494-8 516.
[8]	XIAO H, WAN Q L, LIU X T, et al. Numerical prediction of an extreme rainstorm over the Pearl River Delta region on 7 May 2017 based on WRF-ENKF[J]. J Trop Meteor, 2019, 25(3): 312-323.
[9]	龚建东. 同化技术: 数值天气预报突破的关键[J]. 气象科技进展, 2013, 3(3): 5-13.
[10]	李宏, 许建平. 资料同化技术的发展及其在海洋科学中的应用[J]. 海洋通报, 2011, 30(4): 463-472.
[11]	吴新荣, 晁国芳, 刘克修. 海洋再分析核心技术要素及发展趋势分析[J]. 海洋信息, 2018, 33(3): 14-18.
[12]	INGLEBY B. Global assimilation of air temperature, humidity, wind and pressure from surface stations[J]. Quart J Roy Meteor Soc, 2015, 141(687): 504-517.
[13]	万齐林, 何金海. 海洋气象观测系统在热带气旋资料同化中的应用[J]. 中国工程科学, 2012, 14(10): 33-42.
[14]	张人禾, 刘益民, 殷永红, 等. 利用ARGO资料改进海洋资料同化和海洋模式中的物理过程[J]. 气象学报, 2004, 62(5): 613-622.
[15]	MOGENSEN K, BALMASEDA M, WEAVER A, et al. NEMOVAR: A variational data assimilation system for the NEMO ocean model[J]. ECMWF newsletter, 2009, 120: 17-22.
[16]	CUMMINGS J. Operational multivariate ocean data assimilation[J]. Quart J Roy Meteor Soc, 2005, 131(613): 3 583-3 604.
[17]	朱亚平, 程周杰, 何锡玉. 美国海军海洋业务预报纵览[J]. 海洋预报, 2015, 32(5): 98-105.
[18]	刘娜, 王辉, 凌铁军, 等. 一个基于MOM的全球海洋数值同化预报系统[J]. 海洋通报, 2018, 37(2): 139-148.
[19]	刘娜, 王辉, 凌铁军, 等. 全球业务化海洋预报进展与展望[J]. 地球科学进展, 2018, 33(2): 131.
[20]	INGLEBY B. Factors affecting ship and buoy data quality: a data assimilation perspective[J]. J Atmos Oceanic Technol, 2010, 27(9): 1 476-1 489.
[21]	ULAZIA A, SáENZ J, IBARRA-BERASTEGUI G, et al. Using 3DVAR data assimilation to measure offshore wind energy potential at different turbine heights in the West Mediterranean[J]. Applied energy, 2017, 208: 1 232-1 245.
[22]	CENTURIONI L, HORáNYI A, CARDINALI C, et al. A global ocean observing system for measuring sea level atmospheric pressure: Effects and impacts on numerical weather prediction[J]. Bull Amer Meteor Soc, 2017, 98(2): 231-238.
[23]	HORáNYI A, CARDINALI C, CENTURIONI L. The global numerical weather prediction impact of mean‐sea‐level pressure observations from drifting buoys[J]. Quart J Roy Meteor Soc, 2017, 143(703): 974-985.
[24]	HAIDEN T, DAHOUI M, INGLEBY B, et al. Use of in situ surface observations at ECMWF[R/OL]. ECMWF Technical Memoranda, (2018-11). https://www.ecmwf.int/en/elibrary/80920-use-situ-surface-observations-ecmwf.
[25]	薛纪善, 庄世宇, 朱国富, 等. GRAPES新一代全球/区域变分同化系统研究[J]. 科学通报, 2008, 53(20): 2 408-2 417.
[26]	CHEN D, XUE J, YANG X, et al. New generation of multi-scale NWP system (GRAPES): general scientific design[J]. Chinese Science Bulletin, 2008, 53(22): 3 433-3 445.
[27]	马旭林, 庄照荣. GRAPES非静力数值预报模式的三维变分资料同化系统的发展[J]. 气象学报, 2009, 67(1): 50-60.
[28]	AN X, ZHAI S, JIN M, et al. Development of an adjoint model of GRAPES-CUACE and its application in tracking influential haze source areas in north China[J]. Geoscientific Model Development, 2016, 9(6): 2 153-2 165.
[29]	XU J, ZHANG W, ZHENG Z, et al. Early flood warning for Linyi watershed by the GRAPES / XXT model using TIGGE data[J]. Acta Meteor Sinica, 2012, 26(1): 103-111.
[30]	王金成, 龚建东, 王瑞春. GRAPES全球三维变分同化中卫星微波温度计亮温的背景误差及在质量控制中的应用[J]. 气象学报, 2016, 74(3): 397-409.
[31]	LIM K-S S, HONG S-Y. Development of an effective double-moment cloud microphysics scheme with prognostic cloud condensation nuclei (CCN) for weather and climate models[J]. Mon Wea Rev, 2010, 138(5): 1 587-1 612.
[32]	HONG S-Y, PAN H-L. Nonlocal boundary layer vertical diffusion in a medium-range forecast model[J]. Mon Wea Rev, 1996, 124(10): 2 322-2 339.
[33]	MUKKAVILLI S, PRASAD A, TAYLOR R, et al. Mesoscale simulations of Australian direct normal irradiance, featuring an extreme dust event[J]. Journal of Applied Meteorology and Climatology, 2018, 57(3): 493-515.
[34]	NOVIKOVA E I, STRICKMAN M S, GWON C, et al. Designing SWORD--SoftWare for Optimization of Radiation Detectors; proceedings of the 2006 IEEE Nuclear Science Symposium Conference Record, F, 2006[C]. IEEE.
[35]	QI W, LIU J, CHEN D. Evaluations and improvements of GLDAS2. 0 and GLDAS2. 1 forcing data's applicability for basin scale hydrological simulations in the Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(23): 13 128-13 148.
[36]	SHEN Y, ZHAO P, PAN Y, et al. A high spatiotemporal gauge‐satellite merged precipitation analysis over China[J]. J Geophys Res, 2014, 119(6): 3 063-3 075.
[37]	JARVINEN H, UNDEN P. Observation screening and first guess quality control in the ECMWF 3D-Var data assimilation system[R]. Shinfield Park, Reading: ECMWF, 1997.
[38]	ANDERSON E, JARVINEN H. Variational quality control[J]. Quart J Roy Meteor Soc, 1999, 125(554): 697-722.
[39]	HE J, MA X, GE X, et al. Variational quality control of non-Gaussian innovations in the GRAPES m3DVAR system: Mass field evaluation of assimilation experiments[J]. Adv Atmos Sci, 2021, 38(9): 1 510-1 524.
[40]	郝民, 张华, 陶士伟, 等. 变分质量控制在区域GRAPES-3DVAR中的应用研究[J]. 高原气象, 2013, 32(1): 122-132.
[41]	HE J, SHI Y, ZHOU B, et al. Variational quality control of non-Gaussian innovations and its parametric optimizations for the GRAPES m3DVAR system[J]. Frontiers of Earth Science, 2022: 1-12.