基于CMA-BJ的北京地区雷达弱回波区径向风同化及其对暴雨预报的影响

刘心智; 范水勇; 陈耀登; 陈敏

doi:10.16032/j.issn.1004-4965.2026.022

基于CMA-BJ的北京地区雷达弱回波区径向风同化及其对暴雨预报的影响

doi: 10.16032/j.issn.1004-4965.2026.022

1.
南京信息工程大学气候系统预测与变化应对全国重点实验室/气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心，江苏南京 210044
2.
北京城市气象研究院，北京 100089

基金项目:

国家自然科学基金项目 U2442218

国家自然科学基金项目 U2442601

气象灾害教育部重点实验室&气象灾害预报预警与评估协同创新中心联合开放课题 KLME202306

详细信息

通讯作者:
陈耀登，男，福建省人，教授，主要从事资料同化与数值预报研究。E-mail: keyu@nuist.edu.cn

中图分类号: P435
计量
- 文章访问数: 2
- HTML全文浏览量: 2
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2024-10-18
- 修回日期: 2025-05-17
- 刊出日期: 2026-04-20

Radial Velocity Assimilation Within the Weak Echo Region in Beijing Based on CMA-BJ and Its Impact on Heavy Rainfall Prediction

1.
Key Laboratory of Meteorological Disaster, Ministry of Education/International Joint Laboratory on Climate and Environment Change/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
2.
Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China

摘要

摘要: 为发挥雷达弱回波区径向风观测资料的作用，探究其同化对区域模式预报的影响，针对北京西南部区域一个强降水个例开展了基于CMA-BJ 2.0系统的雷达弱回波区径向风观测资料的循环同化及预报试验。资料分析表明，雷达弱回波区径向风多分布在对流系统外围，且高低层均有大量资料分布；循环同化预报试验表明，在同化雷达强回波区径向风的基础上进一步同化雷达弱回波区径向风观测，可以通过循环同化逐步改善分析场的整体动力特征及高低层常规要素的预报效果，进而对模式动力、热力和水汽场有着更为合理的调整，从而有效的提升了3 h和6 h降水的预报效果。研究表明，雷达弱回波区径向风的合理同化在对流预报中能够发挥重要作用，为其实际业务推广应用提供了参考。
- 雷达资料同化 /
- 弱回波 /
- 径向风 /
- 对流预报
Abstract: In order to utilize radial velocity observations within the weak echo region and investigate the application of their assimilation on regional model forecasts, a cyclic assimilation and forecasting experiment based on the CMA-BJ 2.0 system was conducted for a heavy precipitation event in southwestern Beijing. The data analysis revealed that the radial velocity in the weak echo region is primarily distributed around the periphery of the convection, with substantial data available at both high and low atmospheric levels. The cyclic assimilation and forecasting experiment demonstrate that assimilating radar radial velocity observations in weak echo region, in addition to those from strong echo region assimilation, can gradually enhance the overall dynamics of the analyzed field. Furthermore, this approach improves the forecast accuracy of conventional elements in both the high and low atmospheric layers. This results in more reasonable adjustments to the dynamics, thermal, and water vapor fields of the model, effectively enhancing the prediction of 3 h and 6 h precipitation. The study highlights the significant role of radial velocity assimilation within the weak echo region in improving convective forecasting, providing valuable insights for operational applications.
- radar data assimilation /
- weak echoes /
- radial velocity /
- convective forecasts

HTML全文

图 1 2023年7月31日00时700 hPa位势高度（等值线，单位：dagpm）、风场（矢量，单位：m·s^-1；红色箭头表示风速大于12 m·s^-1）和相对湿度（填色，单位：%）空间分布（a）；2023年7月31日00—03时3 h累计降水（填色，单位：mm）（b）；2023年7月31日00—06时6 h累计降水（填色，单位：mm）（c）

下载: 全尺寸图片幻灯片

图 2 试验区域（CMA-BJ 2.0业务预报区域^[24]）及常规观测资料分布（a）和雷达站点位置（b）

下载: 全尺寸图片幻灯片

图 3 循环同化试验流程图

下载: 全尺寸图片幻灯片

图 4 不同反射率大小对应的径向风资料平均占比（a）、资料反射率大于30 dBZ（b）以及资料反射率在0~15 dBZ之间（c）对应的径向风在不同高度分布特征及不同高度径向风分布特征

a图中网格、灰色和点状阴影分别代表资料反射率在0~15 dBZ之间、15~30 dBZ之间以及大于30 dBZ。

下载: 全尺寸图片幻灯片

图 5 7月31日00时雷达反射率分布

a.雷达反射率大于30 dBZ；b.雷达反射率小于15 dBZ。

下载: 全尺寸图片幻灯片

图 6 7月31日00时北京南郊雷达（116.5°E，39.8°N）不同仰角雷达资料分布

（a）仰角为4.3 °的反射率分布；（b）仰角为4.3 °的径向风分布；（c）仰角为6.0 °的反射率分布；（d）仰角为6.0 °的径向风分布。

下载: 全尺寸图片幻灯片

图 7 7月31日00时位于北京探空站（116.469 °E，39.806 °N）位置的垂直风廓线（单位: m·s^-1）背景场（a）和分析场（b）

(Ⅰ) OBS；(Ⅱ) CTRL试验；(Ⅲ) RV_30dBZ试验；(Ⅳ) RV_ALL试验。

下载: 全尺寸图片幻灯片

图 8 3 h（a~d）和6 h（e~h）累计降水量（填色，单位：mm）观测（a、e）、CTRL试验（b、f）、RV_30dBZ试验（c、g）和RV_ALL试验（d、h）结果

起报时间2023年7月31日00时，黄色星标表示观测最大降水量位置。

下载: 全尺寸图片幻灯片

图 9 3 h和6 h累计降水量平均评分

（a）和（b）分别表示3 h和6 h降水综合评分图，其中虚斜线代表BIAS评分，实曲线代表TS评分，不同的形状代表不同的降水阈值。（c）和（d）分别表示3 h和6 h的降水风险评分相对于CTRL试验的改进率。

下载: 全尺寸图片幻灯片

图 10 预报场200 hPa，500 hPa和700 hPa高度的平均RMSE的演变

评估要素分别为U（a、e、i）、V（b、f、j）（单位：m·s^-1）、T（c、g、k）（单位：℃）以及RH（d、h、l）。绿色线表示CTRL试验，蓝色线表示RV_30dBZ试验，红色线表示RV_ALL试验。

下载: 全尺寸图片幻灯片

图 11 7月31日05时（00时起报）700 hPa高度相对湿度（填色，单位：%）和风场（矢量，单位：m·s^-1）空间分布

（a）CTRL试验；（b）RV_30dBZ试验；（c）RV_ALL试验。红色箭头表示风速大于12 m·s^-1，黄色星标表示最大降水落区位置。

下载: 全尺寸图片幻灯片

图 12 7月31日05时（00时起报）相当位温（等值线，单位：K）和相对湿度（填色，单位：%）沿黑色直线（图 8）的垂直剖面图

（a）CTRL试验；（b）RV_30dBZ试验；（c）RV_ALL试验。黑色三角表示最大降水落区位置。

下载: 全尺寸图片幻灯片

图 13 7月31日05时（00时起报）风场（矢量，单位：m·s^-1，垂直速度已乘以10）和水汽通量散度（填色，单位：10^-8 g·s^-1·hPa^-1·cm^-2）沿黑色直线（图 8）的垂直剖面图

（a）CTRL试验；（b）RV_30dBZ试验；（c）RV_ALL试验。黑色三角表示最大降水落区位置。

下载: 全尺寸图片幻灯片

表 1 同化试验设置

试验名称同化资料

CTRL GTS

RV_30dBZ GTS+RV(RF>30 dBZ)

RV_ALL GTS+RV(RF>30 dBZ+ 0<RF<15 dBZ)

下载: 导出CSV

参考文献(31)

[1]	Chen J Q, Chen Y D, Zheng H, et al. Direct assimilation of dual-polarization radar using the hydrometeor background error covariance in the CMA-MESO model and its sensitivity to the microphysics scheme[J]. Advances in Atmospheric Sciences, 2025, 42(10): 2153−2172.
[2]	Chen Y D, Zheng H, Sun T, et al. Improving forecasts of the"21·7"Henan extreme rainfall event using a radar assimilation scheme that considers hydrometeor background error covariance[J]. Monthly Weather Review, 2024, 152(6): 1379-1397.
[3]	张海阳, 陈耀登, 孙涛等. 变分框架下双偏振雷达直接同化算子的构建及其初步应用[J]. 气象学报, 2024, 82(6): 774-788.
[4]	张林, 倪允琪. 雷达径向风资料的四维变分同化试验[J]. 大气科学, 2006, 30(3): 433-440.
[5]	Sun J, Chen M, Wang Y. A Frequent-Updating Analysis System Based on Radar, Surface, and Mesoscale Model Data for the Beijing 2008 Forecast Demonstration Project[J]. Weather andForecasting, 2010, 25(6), 1715-1735.
[6]	赵文斌, 齐琳琳, 何宏让等. 暴雨模拟中多普勒雷达径向速度变分同化的应用[J]. 气象科技, 2010, 38(1): 37-43.
[7]	赵文斌, 齐琳琳, 邓文彬. 多普勒雷达径向速度同化在淮河暴雨数值模拟中的应用[J]. 气象与减灾研究, 2010, 33(1): 23-30.
[8]	Liu C S, Xue M, Kong R. Direct variational assimilation of radar reflectivity and radial velocity data: issues with nonlinear reflectivity operator and solutions [J]. Monthly Weather Review, 2020, 148(4): 1483-1502.
[9]	陈敏, 陈明轩, 范水勇. 雷达径向风观测在华北区域数值预报系统中的实时三维变分同化应用试验[J]. 气象学报, 2014, 72(4): 658-677.
[10]	范水勇, 王洪利, 陈敏, 等. 雷达反射率资料的三维变分同化研究[J]. 气象学报, 2013, 71(3): 527-537.
[11]	何静, 陈敏, 仲跻芹, 等. 雷达反射率三维拼图观测资料在北方区域数值模式预报系统中的同化应用研究[J]. 气象学报, 2019, 77(2): 210-232.
[12]	Zhang Y, Chen M, Zhong J Q. A quality control method for wind profiler observations toward assimilation applications[J]. Journal of Atmospheric and Oceanic Technology, 2017, 34 (7): 1591-1606.
[13]	Wang C, Chen Y D, Chen M, et al. Data assimilation of a dense wind profiler network and its impact on convective forecasting[J]. Atmospheric Research, 2020, 238: 104880.
[14]	Wang C, Chen M, Chen Y D. Impact of combined assimilation of wind profiler and doppler radar data on a convective-scale cycling forecasting system[J]. Monthly Weather Review, 2022, 150(2): 431-450.
[15]	Xie Y H, Shi J C, Fan S Y, et al. Impact of radiance data assimilation on the prediction of heavy rainfall in RMAPS: A case study[J]. Remote Sensing, 2018, 10(9): 1380.
[16]	Xie Y H, Fan S Y, Chen M, et al. An assessment of satellite radiance data assimilation in RMAPS[J]. Remote Sensing, 2019, 11(1): 54.
[17]	Xie Y H, Chen M, Shi J C, et al. Impacts of assimilating ATMS radiances on heavy rainfall forecast in RMAPS-ST[J]. Remote Sensing, 2020, 12(7): 1147.
[18]	张鑫宇, 陈敏, 孙娟珍, 等. WRF-DA中地面观测资料同化方案的改进与应用[[J]. 气象学报, 2021, 79 (1): 104-118.
[19]	Aksoy A, Dowell D C, Snyder C. A multicase comparative assessment of the ensemble Kalman filter for assimilation of radar observations. Part Ⅰ: storm-scale analyses[J]. Monthly Weather Review, 2009, 137(6): 1805-1824.
[20]	Yussouf N, Stensrud D J. Impact of phased-array radar observations over a short assimilation period: observing system simulation experiments using an ensemble Kalman filter[J]. Monthly Weather Review, 2010, 138(2): 517-538.
[21]	Gao S B, Sun J Z, Min J Z, et al. A scheme to assimilate"No rain"observations from Doppler radar[J]. Weather and Forecasting, 2018, 33(1): 71-88.
[22]	杨晓亮, 金晓青, 孙云等. "23·7"河北太行山东麓罕见特大暴雨特征及成因[J]. 气象, 2023, 49(12): 1451-1467.
[23]	张博, 张芳华, 李晓兰, 等. "23·7"华北特大暴雨数值预报检验评估[J]. 应用气象学报, 2024, 35(1): 17-32.
[24]	陈敏, 仲跻芹, 卢冰, 等. CMA-BJ 2.0版逐时快速更新追赶循环同化预报系统研发及应用Ⅰ: 资料同化及系统构建[J]. 气象学报, 2023, 81 (6): 911-925.
[25]	Thompson G, Field P R, Rasmussen R M, et al. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part Ⅱ: Implementation of a new snow parameterization[J]. Monthly Weather Review, 2008, 136(12): 5095-5115.
[26]	Hong S Y, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Monthly Weather Review, 2006, 134(9): 2318-2341.
[27]	Jiménez P A, Dudhia J, González-Rouco J F, et al. A revised scheme for the WRF surface layer formulation[J]. Monthly Weather Review, 2012, 140(3): 898-918.
[28]	Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D14): 16663-16682.
[29]	Bechtold P, Köhler M, Jung T, et al. Advances in simulating atmospheric variability with the ECMWF model: from synoptic to decadal time-scales[J]. Quarterly Journal of the Royal Meteorological Society, 2008, 134(634): 1337-1351.
[30]	Zhang C X, Wang Y Q, Hamilton K. Improved representation of boundary layer clouds over the southeast Pacific in ARW-WRF using a modified tiedtke cumulus parameterization scheme[J]. Monthly Weather Review, 2011, 139(11): 3489-3513.
[31]	Wang H L, Sun J Z, Fan S Y, et al. Indirect assimilation of radar reflectivity with WRF 3D-var and its impact on prediction of four summertime convective events[J]. Journal of Applied Meteorology and Climatology, 2013, 52(4): 889-902.