以往开展的基于长江流域WRF(Weather Research and Forecasting)模式的微物理过程方案参数化优选的研究,没有对长江中下游这一特定区域多个气象要素积云对流参数化方案进行优选。本研究在适合微物理过程、边界层等参数化方案的基础上,...以往开展的基于长江流域WRF(Weather Research and Forecasting)模式的微物理过程方案参数化优选的研究,没有对长江中下游这一特定区域多个气象要素积云对流参数化方案进行优选。本研究在适合微物理过程、边界层等参数化方案的基础上,选用长江中下游流域为研究对象,针对降水、气温进行三种积云对流参数化方案KF(Kain-Fritsch)、BMJ(Betts-Miller-Janjic)及GF(Grell-Freitas)的优选,并同时从不同海拔、水汽来源两个角度对比分析三种方案产生差异的原因,从而针对不同天气型选择合适的参数化方案。结果表明:(1)选取的三种积云对流参数化方案在降水和气温模拟结果表现不同。KF方案在降水模拟中表现较好,日降水模拟相关系数为0.73~0.77;GF方案在气温模拟中表现优异,日均气温模拟相关系数为0.71~0.77。(2)三种方案在不同海拔高程的表现差异明显,KF和BMJ方案较好地展现了武陵山—大巴山一带降水与地形的对应关系。在经度剖面上,KF方案2015、2017年6月的降水模拟误差分别为5.96%、6.06%。GF方案则对地形抬升作用的描述过于强烈,导致剖面降雨量变化幅度较大。(3)三种方案模拟结果的水汽来源有所不同,KF方案显示印度洋季风带来充沛水汽,水成物含量少,云水混合比集中,更适合长江中下游流域的降水模拟;GF方案则显示南海暖湿气流较强,水成物含量多,云系发展旺盛,更适合强对流天气频发地区的降水模拟。(4)不同水汽来源对三种积云对流参数化方案模拟结果的精度影响不大。尽管2017年6月较2015年6月受到来自西太平洋的水汽影响更大,但降水模拟结果仍显示KF方案表现最佳。展开更多
卫星降水产品具有覆盖范围广、更适用于无资料区域的优势,但分辨率较低、精度不足,为获取高时空分辨率、高精度的降水数据,需对卫星产品进行降尺度,并与地面观测数据融合,以提高数据质量。以澜沧江流域为例,在综合考虑地形、地理和植被...卫星降水产品具有覆盖范围广、更适用于无资料区域的优势,但分辨率较低、精度不足,为获取高时空分辨率、高精度的降水数据,需对卫星产品进行降尺度,并与地面观测数据融合,以提高数据质量。以澜沧江流域为例,在综合考虑地形、地理和植被等要素的基础上,建立地理加权回归(geographic weighted regression,GWR)模型对热带降雨测量卫星(tropical rainfall measurement mission,TRMM)和基于人工神经网络的遥感降水估计-气候数据记录(precipitation estimation from remotely sensed information using artificial neural networks-climate data record,PERSIANN-CDR)产品进行空间降尺度,再采用集合卡尔曼滤波算法,将地面气象站点经反距离加权插值法(inverse distance weighted,IDW)插值后的数据作为融合算法观测值,对降尺度后的TRMM、PERSIANN-CDR数据进行融合,以进一步提高降水数据精度。结果表明:1)相比TRMM卫星降水产品,PERSIANN-CDR降水产品对澜沧江流域降水的捕捉能力更弱,但降尺度后两者卫星产品数据精度都有较显著的提升;且两类产品在旱季(11月至次年4月)的精度评估效果相较于雨季(5月至10月)更为明显,表明GWR方法能显著提升这两类卫星降水产品对旱季降水的监测效果。2)对比其他学者的研究表明,对降尺度后的产品进一步使用集合卡尔曼滤波算法,最终得到的融合结果极好,并改善了卫星产品高估降水的现象。综上所述,该研究所使用的降尺度与融合方法,能够显著提升数据空间分辨率与精度,最终得到与地面观测降水数据相关性极高的高空间分辨率卫星产品结果。展开更多
文摘以往开展的基于长江流域WRF(Weather Research and Forecasting)模式的微物理过程方案参数化优选的研究,没有对长江中下游这一特定区域多个气象要素积云对流参数化方案进行优选。本研究在适合微物理过程、边界层等参数化方案的基础上,选用长江中下游流域为研究对象,针对降水、气温进行三种积云对流参数化方案KF(Kain-Fritsch)、BMJ(Betts-Miller-Janjic)及GF(Grell-Freitas)的优选,并同时从不同海拔、水汽来源两个角度对比分析三种方案产生差异的原因,从而针对不同天气型选择合适的参数化方案。结果表明:(1)选取的三种积云对流参数化方案在降水和气温模拟结果表现不同。KF方案在降水模拟中表现较好,日降水模拟相关系数为0.73~0.77;GF方案在气温模拟中表现优异,日均气温模拟相关系数为0.71~0.77。(2)三种方案在不同海拔高程的表现差异明显,KF和BMJ方案较好地展现了武陵山—大巴山一带降水与地形的对应关系。在经度剖面上,KF方案2015、2017年6月的降水模拟误差分别为5.96%、6.06%。GF方案则对地形抬升作用的描述过于强烈,导致剖面降雨量变化幅度较大。(3)三种方案模拟结果的水汽来源有所不同,KF方案显示印度洋季风带来充沛水汽,水成物含量少,云水混合比集中,更适合长江中下游流域的降水模拟;GF方案则显示南海暖湿气流较强,水成物含量多,云系发展旺盛,更适合强对流天气频发地区的降水模拟。(4)不同水汽来源对三种积云对流参数化方案模拟结果的精度影响不大。尽管2017年6月较2015年6月受到来自西太平洋的水汽影响更大,但降水模拟结果仍显示KF方案表现最佳。
文摘卫星降水产品具有覆盖范围广、更适用于无资料区域的优势,但分辨率较低、精度不足,为获取高时空分辨率、高精度的降水数据,需对卫星产品进行降尺度,并与地面观测数据融合,以提高数据质量。以澜沧江流域为例,在综合考虑地形、地理和植被等要素的基础上,建立地理加权回归(geographic weighted regression,GWR)模型对热带降雨测量卫星(tropical rainfall measurement mission,TRMM)和基于人工神经网络的遥感降水估计-气候数据记录(precipitation estimation from remotely sensed information using artificial neural networks-climate data record,PERSIANN-CDR)产品进行空间降尺度,再采用集合卡尔曼滤波算法,将地面气象站点经反距离加权插值法(inverse distance weighted,IDW)插值后的数据作为融合算法观测值,对降尺度后的TRMM、PERSIANN-CDR数据进行融合,以进一步提高降水数据精度。结果表明:1)相比TRMM卫星降水产品,PERSIANN-CDR降水产品对澜沧江流域降水的捕捉能力更弱,但降尺度后两者卫星产品数据精度都有较显著的提升;且两类产品在旱季(11月至次年4月)的精度评估效果相较于雨季(5月至10月)更为明显,表明GWR方法能显著提升这两类卫星降水产品对旱季降水的监测效果。2)对比其他学者的研究表明,对降尺度后的产品进一步使用集合卡尔曼滤波算法,最终得到的融合结果极好,并改善了卫星产品高估降水的现象。综上所述,该研究所使用的降尺度与融合方法,能够显著提升数据空间分辨率与精度,最终得到与地面观测降水数据相关性极高的高空间分辨率卫星产品结果。
