同化大量观测资料可以有效地改进模式预报结果,但不同观测对预报的影响有着显著差异,合理评估观测对预报的贡献是数值模式中最具挑战性的诊断之一。本文采用基于伴随的预报对观测的敏感性(Forecast Sensitivity to Observation,简称FSO...同化大量观测资料可以有效地改进模式预报结果,但不同观测对预报的影响有着显著差异,合理评估观测对预报的贡献是数值模式中最具挑战性的诊断之一。本文采用基于伴随的预报对观测的敏感性(Forecast Sensitivity to Observation,简称FSO)方法,构建WRFDA(Weather Research and Forecasting model’sData Assimilation)框架下的WRFDA-FSO系统。基于2019年9月超大城市项目在北京地区获取的风廓线雷达(Wind Profile Radar,简称WPR)和地基微波辐射计(Microwave Radiometer,简称MWR)观测数据,利用WRFDA-FSO系统,开展观测对WRF模式12 h预报的影响试验,并分析风温湿观测对预报的贡献。结果表明:(1)同化的观测资料(MWR、WPR、Sound、Synop和Geoamv)均减小了WRF模式12 h预报误差,对预报为正贡献,其中MWR观测对预报的影响最大,WPR风场观测对预报的改进效果优于Sound的风场观测。(2)WPR的U、V观测和MWR的T、Q观测中,V观测和T观测对预报的正贡献值更高,对预报的改进效果更优。(3)WPR和MWR多数高度层的观测均减小了预报误差,对预报为正贡献,其中MWR的T观测对预报的正贡献主要位于近地面800 h Pa以下。展开更多
文摘同化大量观测资料可以有效地改进模式预报结果,但不同观测对预报的影响有着显著差异,合理评估观测对预报的贡献是数值模式中最具挑战性的诊断之一。本文采用基于伴随的预报对观测的敏感性(Forecast Sensitivity to Observation,简称FSO)方法,构建WRFDA(Weather Research and Forecasting model’sData Assimilation)框架下的WRFDA-FSO系统。基于2019年9月超大城市项目在北京地区获取的风廓线雷达(Wind Profile Radar,简称WPR)和地基微波辐射计(Microwave Radiometer,简称MWR)观测数据,利用WRFDA-FSO系统,开展观测对WRF模式12 h预报的影响试验,并分析风温湿观测对预报的贡献。结果表明:(1)同化的观测资料(MWR、WPR、Sound、Synop和Geoamv)均减小了WRF模式12 h预报误差,对预报为正贡献,其中MWR观测对预报的影响最大,WPR风场观测对预报的改进效果优于Sound的风场观测。(2)WPR的U、V观测和MWR的T、Q观测中,V观测和T观测对预报的正贡献值更高,对预报的改进效果更优。(3)WPR和MWR多数高度层的观测均减小了预报误差,对预报为正贡献,其中MWR的T观测对预报的正贡献主要位于近地面800 h Pa以下。
