【摘 要】
：
为了提高CMA-MESO (China Meteorological Administration Mesoscale model)(原GRAPES)三维变分同化系统中2 m相对湿度资料的应用效果,改善模式中相对湿度的分析和降水预报效果,分析了2015年6—8月T639(T639L60全球中期数值预报系统,0.28125°×0.28125°)分析场低层相对湿度和2 m相对湿度之差与表征稳定度的理查森数(Ri)的关系,发现二者有很好的相关,Ri<0时,模式低层相对湿度与2 m相对湿度的差异较小,基本在同化观
【机 构】
：
中国气象局地球系统数值预报中心,北京,100081;中国气象科学研究院灾害天气国家重点实验室,北京,100081;国家气象中心,北京,100081;天津市津南区气象局,天津,300350;国家气象中心
论文部分内容阅读
为了提高CMA-MESO (China Meteorological Administration Mesoscale model)(原GRAPES)三维变分同化系统中2 m相对湿度资料的应用效果,改善模式中相对湿度的分析和降水预报效果,分析了2015年6—8月T639(T639L60全球中期数值预报系统,0.28125°×0.28125°)分析场低层相对湿度和2 m相对湿度之差与表征稳定度的理查森数(Ri)的关系,发现二者有很好的相关,Ri<0时,模式低层相对湿度与2 m相对湿度的差异较小,基本在同化观测误差范围内.依据该统计结果,对CMA-MESO同化系统中2 m相对湿度同化方案进行优化,Ri<0时,将观测站地形低于模式地形的2 m相对湿度观测由观测站高度改为模式最低层高度进行同化,形成新的2 m相对湿度同化方案,旨在解决2 m相对湿度资料同化时模式地形高度与观测站高度不同的影响.2018年7月CMA-MESO三维变分同化系统(3DVar)个例和连续试验结果显示:新的2 m相对湿度同化方案同化分析资料数量明显增加,且08时多于20时(北京时),新增观测点新息向量(背景减观测)与周围原有观测新息向量保持基本一致,分析残差偏差和均方根误差减小,降水预报效果明显改善.新2 m相对湿度同化方案通过提高观测站低于模式地形高度的观测资料合理应用,从而改善了3 km模式系统同化分析和预报效果.
其他文献
利用常规气象观测资料、ERA5(0.25°×0.25°)再分析资料、FY-2G TBB和雷达资料,对2020年7月8日16:00～19:00(简称“7·8”)和8月24日13:00～16:00(简称“8·24”)青海东部两次强对流过程中的温度平流、假相当位温垂直分布和动力场特征以及强对流特征参数、地面中尺度系统、中尺度云团特征、雷达回波强度等环境场进行细致的对比分析,从大尺度环流背景、热力和动力条件以及中尺度系统特征等方面给出了两次强对流天气的共同特点和不同之处,揭示了青海东部强对流天气中小尺度系统的演变
2020年5月22日珠江三角洲地区出现了一次极端强降水天气,最大滑动小时雨量201.8 mm,3 h雨量达到351 mm.为探讨此次极端强降水的关键预报因子及可预报性,对热带中尺度集合预报系统(CMA-TRAMS(EPS))降水预报产品进行检验评估和敏感性分析,结果表明:与欧洲中期数值预报中心集合预报系统(ECMWF-EPS)相比,CMA-TRAMS(EPS)的好成员对本次过程降水强度及位置的预报结果与实况更接近,但对极端性预报仍有欠缺.好成员的预报能力来自于对低涡和(超)低空急流的演变特征以及两者强度和
面向精细化的气象服务需求,为做到对云贵高原锋面系统变化的精准把控,深入认知其动态演变规律,基于50 a(1971—2020年)逐日台站观测资料,提出了一种利用线性拟合近似判定云贵高原地面锋线的方法,并通过综合分析锋线位置和锋线周边气象要素的空间分布和时间变化特征以及长持续锋线事件的锋线位置、走向变化,系统揭示了云贵高原锋线的移动特征,展现了云贵高原准“静”止锋的“动”态特征.结果表明,冷性锋线集中在102.5°—105°E,最大降温区在锋线东侧,暖性锋线集中在104.5°—105.75°E,最大升温区位于
为了建立一个应用于区域数值预报的四维变分资料同化(4DVar)系统,在近期开发的扰动预报模式GRAPES_PF基础上,开发完善增量四维变分同化系统框架.该框架中暂不包含物理过程(长短波辐射、边界层过程、对流参数化和云微物理等).对比业务使用的GRAPES 3DVar系统,增加了温度控制变量.将无量纲Exner气压与流函数的线性风压平衡方程直接在地形追随垂直坐标面上求解,且通过广义共轭余差法(GCR)求解扰动亥姆霍兹(Helmholtz)伴随方程.利用人造“探空”资料对2015年10月台风“彩虹”进行了理想
基于雷达资料快速更新四维变分同化(RR4DVar)技术和三维数值云模式发展的快速更新雷达四维变分分析系统(VDRAS),通过在系统中加入地面自动气象站观测资料的同化方法,对发生在北京地区的10个强对流过程开展了地面资料同化的高分辨率模拟分析和检验评估,并与已经业务使用的地面资料融合方法进行对比.研究结果发现,地面观测资料同化使边界层1 km高度以下的分析场改善最为明显,风速和风向的均方根误差分别平均降低0.1 m/s和7.2°,温度的均方根误差降低0.2℃.模式最低层100 m高度的风速均方根误差降低0.
中尺度对流系统(Mesoscale Convective System,MCS)是很多对流性天气的主要致灾体,可导致严重的气象和水文灾害,如雷暴大风、冰雹、龙卷风和山洪.对MCS进行准确的识别和追踪,并根据追踪轨迹及获得的MCS特征实现MCS的分类,对灾害天气的分析和预报有重要意义.基于京津冀地区2010—2019年的雷达组合反射率拼图资料,分别使用支持向量机(SVM)、随机森林(RF)、极度梯度提升决策树(XGBoost)和深度神经网络(DNN)4种机器学习方法,研发了京津冀地区MCS的自动识别算法.使
利用CM1数值模式,以2017年8月7日发生在长江三角洲地区的一次夜间飑线过程为例,开展弱切变背景下中层相对湿度、低层风切变和对流有效位能的敏感性试验.结果表明:中层相对湿度升高,有利于夜间飑线雷达回波面积、回波强度和地面降温幅度增大.湿度降低,虽导致夜间飑线的雷达回波宽度变窄,但有利于夜间飑线结构和强度的维持.中层相对湿度的改变对夜间飑线成熟阶段的地面最大风速的影响并不十分明显,但是中层相对湿度的降低会增大地面最大风速的波动;低层风切变的增大使夜间飑线雷达回波强度增强、面积增大、移速变慢,也使飑线冷池强
冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义.利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息.然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升(XGBoost)、支持向量机(SVM)、深度神经网络(DNN)3种机器学习方法建立了降水相态的高
利用1961—2019年江苏省67个站降水量和气候指数数据集等资料,选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案,通过对比不同机器学习方法对江苏省夏季降水开展预测试验.结果表明,深度神经网络(Deep Neural Network,DNN)较传统统计方法和其他机器学习方法有一定优势,深度神经网络结合动态权重集合因子方案对江苏省夏季降水的预测技巧最高,其独立样本检验结果稳定,2015—2019年的平均PS评分为76.0,距平符号一致率为0.62,距平相关系数达0.35,尤其对江苏省中南部的预