ACTA Scientiarum Naturalium Universitatis Pekinensis
地面和探空资料的 ENKF 同化对北京 7·21 极端暴雨模拟的影响
雨。北京地区的降水可以分为两个阶段, 即21日10 — 20时(北京时, 下同)的对流性降水(图1(b)和(c),图2)和21日20时至22日04时的锋面降水[2](图1(c)和(d), 图2)。虽然7·21暴雨是在典型的华北暴雨天气背景下形成的, 但业务数值预报模式对北京地区雨带位置、强度以及时间的预报均存在明显偏差[3],降雨的开始时间比实况晚6小时, 雨量预报也明显
[4]偏小。Zhang等 指出, 数值模式预报的是大尺度的弱降水, 对前期对流性降水的预报出现较大的偏
[5]差。王淑莉等 基于地面和探空观测资料的ENKF资料同化的预报集合, 通过对比暖区降水模拟好坏样本的差异, 认为是初始场低值系统的位置差异导致对暖区降水模拟的差别。然而, 他们只分析了两个样本的3个时刻, 没有关注累积雨量的分布及雨带的多尺度结构和演变, 没有分析暴雨触发阶段的地面天气特征, 对同化后的集合模拟以及基于分析集合平均的确定性模拟结果也没有提及, 因而难以了解集合同化后暴雨集合模拟的全貌。本文的研究目的是考察地面和探空观测资料的ENKF同化对北京7·21极端暴雨发生和发展的总体以及细致结构特征模拟的可能贡献。
基于观测和敏感性分析, 有研究认为北京7·21暴雨的关键影响因子是河套低涡[6–8]。该低涡在21日08时位于陕西北部(图3(a)), 随后在向东北方向移动过程中加强, 其高层伴随一个500 hpa低槽, 在700 hpa高度, 自低涡中心向东北方向有暖切变线发展, 低涡前部的明显低空急流有利于向暴雨区输送大量水汽。地面上是双倒槽结构(图4(a)), 陕西北部有一个低压中心, 与700 hpa的低涡中心相对应,陕西和山西北部至河北北部有一个狭长的倒槽A,河北中部到北京南边界有一个短倒槽B。倒槽B造成的对流性降水于21日10时进入北京西南边界, 标志着北京极端暴雨的开始。后期, 倒槽B在北京地区长久地维持, 雨带后向增长和列车效应造成北京7·21极端暴雨。
2 资料和方法
本文使用的资料同化系统是WRF-ENKF[9–11],所用模式是WRF 3.4[12]。以NCEP/FNL资料为初始条件和边界条件, 采用三重双向嵌套, 水平分辨率分别为40.5, 13.5和4.5 km, 垂直分辨率为35层。积云参数化方案选用Grell-devenyi[13](第三重嵌套区域不使用积云参数化), 微物理方案选用WSM6[14],
238边界层采用YSU方案[15]。模拟区域设置如图5所示。
本文以7月20日14时的NCEP/FNL最后分析资料为初始场, 基于3Dvar的CV3背景误差协方差选项[16]产生随机扰动, 形成30个样本的初始集合[17]。区域平均水平风速u和 v的标准偏差分别为2.14和2.11 m/s, 位温的标准偏差为1.02 K, 气压的标准偏差为101.45 Pa, 水汽混合比的标准偏差为0.51 g/kg。首先基于初始集合, 做6小时的集合预报, 然后分别在3个嵌套区域同时同化20日20时、21日02
[18]时和21日08时的地面和探空资料。协方差松弛的张弛系数采用0.8。将21日08时同化3个时刻的实测资料之后的各集合成员的分析场和分析集合平均场作为初始值, 做24小时的模拟(命名为Ensemble_ Mean)。为了与同化试验对比, 进行以20日14时和21日08时的NCEP/FNL为初始场的不同化实测资料的确定性模拟对照试验, 分别命名为CNTL_2014和CNTL_2108。由于第三重嵌套的模拟结果有较大的噪音, 后面的分析全部基于第二重嵌套13.5 km的模拟结果。
3 模拟结果
与业务预报类似, 本文两个对照试验的24小时累积降水量均比观测值小, 降水中心位置也有很大的偏差(图6)(CNTL_2108的误差比CNTL_2014大,图略)。从降水强度最大的北京西南部(图6(a)中方框区域)平均小时雨量的演变(图7)来看, CNTL_ 2014的降水峰值比实况晚7小时, 且峰值雨量仅为观测值的一半, 降水中心偏北(图6(a)和(b))。与CNTL_2014相比, CNTL_2108模拟降水的预报误差更大, 北京没有出现明显的降水峰值(图7)。对地面和探空资料的同化显著地改善了暴雨的模拟结果。以21日08时的分析集合平均为初始场的确定性模拟试验Ensemble_mean的24小时累积雨量的强度和分布范围都更接近观测值(图6(c))。霞云岭、河北镇和挂甲峪都出现暴雨中心, 但是霞云岭的雨量偏小, 挂甲峪的雨量偏大, 北京以南的河北固安附近的降水极值没有模拟出来(图6(c))。 Ensemble_mean的小时平均雨量演变也更加接近观测值, 暴雨极值与观测值十分接近, 仅落后观测时间4小时(图7)。
在以21日08时的分析集合为初始场的集合模拟结果中, 有些样本(如样本6, 16和26)的降水模拟与实况十分接近(图7)。样本16模拟的平均小时雨量
演变在极值和时间上最接近观测值, 降水极值与实况仅有1小时的偏差, 北京地区24小时累积降水模拟结果也最接近实况(图6(d)), 但是河北东北部的观测降水模拟比实况偏北、偏强, 固安的降水没有模拟出来。
降水开始影响北京阶段, CNTL_2014的模拟雷达回波与观测值相差较大, 山西北部的雨区与观测值比较接近, 但北京南部没有出现对流(图8)。同化
试验雷达回波的形态则非常接近观测值, Ensemble_mean在北京西南部有对流发展,
21日12时北京南部的西北‒东南样本16的雷达回波更接近观测值,向对流线、山西北部的倒槽降水以及河北西北边界处的弱降水带都成功地模拟出来了。为了考察同化试验改善模拟降水和雷达回波的原因, 本文对比同化试验与没有资料同化试验的风场和气压场特征。结果表明, 21日08时, 没有资料同化的对照试验模拟得到的700 hpa低涡和低涡前方急流的强度明显比观测值弱(图3(a)和(b))。随后,低涡向东的移动速度也比观测值慢, 导致低涡中心的位置比观测值偏西。基于同化的分析集合平均场的模拟明显地改善了低涡和急流的强度, 同时也修正了低涡中心的位置和后期演变(图3(a)和3(c))。样本16模拟的低涡和急流的强度则更强, 低涡中心的演变也更接近观测值(图3(a)和3(d))。这一结果证实, 低涡是7·21北京极端暴雨的关键影响系统。为了进一步了解低涡造成北京极端暴雨的细节, 我们比较3个试验(CNTL_2014, Ensemble_mean和样本16)中北京地区降水开始阶段的地面散度、海平面气压和地面风场特征(图4), 发现资料同化使得对应700 hpa低涡中心的地面东侧倒槽b的位置更接近观测值, 并在北京南侧产生更强的辐合, 导致暴雨的发生。对照试验(CNTL_2014)虽然也模拟出倒槽B, 但是位置偏东南, 没有在北京西南形成持续的强辐合。基于同化的分析集合平均场的模拟(Ensemble_mean)结果中, 倒槽B比对照试验偏西,更接近北京地区, 导致北京地区出现较强的辐合。样本16模拟的倒槽B比Ensemble_mean更接近北京西部, 强度也更大, 导致北京西南地区的辐合更强,使得降水更加接近实况。由此可见, 资料同化对低涡对应的地面低压东部倒槽的改善是7·21暴雨模拟改善更直接的原因。
综上所述, 对地面和探空资料进行ENKF同化后, 通过对低涡及其相应地面低压东部倒槽B的强度和位置的改善, 显著地提高了对7·21极端暴雨的模拟效果。
4 小结
本研究考察了地面和探空资料的ENKF同化对
7·21北京极端暴雨时空分布和暴雨触发地面特征模拟的影响, 结果表明, 与没有进行资料同化的对照试验相比, 以资料同化后的分析集合平均为初始场的模拟降水无论是时间演变, 还是累积雨量和雷达回波的水平分布都更接近实况。样本16对累积降水的强度和分布、小时雨量演变的时间和极值都非常接近观测值, 面积平均小时雨量极值的时间偏差从没有资料同化的对照实验CNTL_2014的7小时减小
到Ensemble_mean的4小时和样本16的1小时, 降水极值的误差也显著减小。
对试验结果的分析表明, 基于资料同化集合平均和最佳集合样本的模拟降水相对于对照试验的逐步改善对应着低涡及地面低压东侧倒槽模拟的逐步改善。该结果进一步证实了前人基于观测和敏感性分析提出的低涡是北京7·21极端暴雨过程的关键影响系统的判断, 同时还揭示出低涡对应的地面低压东侧倒槽对北京7·21极端暴雨的直接贡献。
本文的模拟结果揭示, 数值模式对北京7·21极端暴雨的预报失败的可能原因主要是对低涡及其对应的地面低压东侧倒槽的强度和位置有较大的预报误差。数值模式比较容易捕捉西侧尺度较大、强度较弱的低压和锋面降水, 导致业务降水预报偏弱、偏晚。对地面和探空资料的同化则有利于模式更好地捕捉低涡的中尺度结构, 特别是其对应的地面东侧倒槽的发生和发展, 从而有利于极端暴雨模拟的改善。致谢 感谢北京市防汛办公室提供河北镇的小时雨量资料。
参考文献
[1] 谌芸, 孙军, 徐珺, 等. 北京721特大暴雨极端性分析及思考(一)观测分析及思考. 气象, 2012, 38 (10): 1255–1266 [2] 孙继松, 何娜, 王国荣, 等. “7.21”北京大暴雨系统的结构演变特征及成因初探. 暴雨灾害, 2012, 31 (3): 218–225 [3] 方翀, 毛冬艳, 张小雯, 等. 2012 年 7 月 21 日北京地区特大暴雨中尺度对流条件和特征初步分析. 气象, 2012, 38(10): 1278–1287 [4] Zhang D, Lin Y, Zhao P, et al. The Beijing extreme rainfall of 21 July 2012: “right results” but for wrong reasons. Geophysical Research Letters, 2013, 40: 1426–1431 [5] 王淑莉, 康红文, 谷湘潜, 等. 北京7·21暴雨暖区中尺度对流系统的数值模拟. 气象, 2015, 41(5): 544–553 [6] 孙永刚, 孟雪峰, 仲夏, 等. 河套气旋发展东移对一次北京特大暴雨的触发作用. 高原气象, 2014, 33(6): 1665–1673 [7] 张迎新, 李宗涛, 姚学祥. 京津冀“7.21”暴雨过程的
中尺度分析. 高原气象, 2015, 34(1): 201–209 [8] Yu H, Meng Z. Key Synoptic-scale features influencing the high-impact heavy rainfall in Beijing, China on 21 July 2012. Tellus A, 2016, 68: 31045 [9] Meng Z, Zhang F. Tests of an ensemble Kalman filter for mesoscale and regional-scale data assimilation. Part III: comparison with 3Dvar in a real-data case study. Mon Wea Rev, 2008, 136: 522–540 [10] Meng Z, Zhang F. Tests of an ensemble Kalman filter for mesoscale and regional-scale data assimilation. Part IV: comparison with 3Dvar in a month-long experiment. Mon Wea Rev, 2008, 136: 3671–3682 [11] Zhang F, Weng Y, Sippel J A, et al. Cloud-resolving hurricane initialization and prediction through assimilation of Doppler radar observations with an ensemble Kalman filter. Mon Wea Rev, 2009, 137: 2015– 2125 [12] Skamarock W, Klemp J, Dudhia J, et al. A description of the advanced research WRF version 3 [R]. NCAR Technical Note TN-475+STR, 2008 [13] Grell G, Devenyi D. A generalized approach to parameterizing convection combining ensemble and data
38-1‒38-4 assimilation techniques. Geophys Res Lett, 2002, 29 (14): [14] Hong S, Dudhia J, Chen S. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Mon Wea Rev, 2004, 132: 103–120 [15] Noh Y, Cheon W G, Hong S Y, et al. Improvement of the K-profile model for the planetary boundary layer based on large eddy simulation data. Bound Layer Meteor, 2003, 107: 401–427 [16] Barker D, Huang W, Guo Y, et al. A three-dimensional variational data assimilation system for MM5: implementation and initial results. Mon Wea Rev, 2004, 132: 897–914 [17] Zhang F, Meng Z, Aksoy A. Test of an ensemble Kalman filter for mesoscale and regional-scale data assimilation. Part I: perfect model experiments. Monthly Weather Review, 2006, 134: 722–736 [18] Zhang F, Snyder C, Sun J. Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter. Mon Wea Rev, 2004, 132: 1238–1253