|
受气候变化影响，全球降水的时空变异性和极端性正在不断加剧。已有研究表明，到2100年，全球极端降水事件的发生频率将比现在增加约24%～40%。其中小时极端事件的增长速度比日极端事件更快并有显著的空间变异性。城市地区由于不透水表面比例高且人口密度大，更容易受到短时强降水的影响并产生洪涝灾害。因此，准确的城市短时强降水预报对于缓解由暴雨引发的洪涝灾害以及减轻由此带来的社会经济损失具有至关重要的作用。 WRF 模式作为目前广泛应用的中尺度数值预报模式之一。凭借其丰富的物理参数化选项和稳定的数据同化框架，被广泛应用于中尺度大气过程的演变模拟和分析中。近年来，尽管物理参数化理论和计算技术取得了显著进展，但利用数值模式进行降雨预报仍面临巨大挑战。WRF 模式对降雨的模拟能力仍存在不足。Tewari 等发现 WRF 模式对北京降雨的模拟结果整体上优于 ERA-Interim 降雨产品，但与实际相比仍存在明显误差。由于大气环境不稳定性较强，输入模式的大气初始与实际观测存在较大差异，导致数值模式难以准确模拟出后续降雨的演变、强度和落区等特征。众多研究表明大气初始状态不准确是造成 WRF 模式降雨模拟性能不足的重要因素，改善模式气象初始场有助于提升模型降雨模拟效果。 研究发现，基于高分辨率气象观测资料的数据同化技术能够显著改进模式初始场，进而提升降雨预报效果。目前常用的数据同化方法包括三维变分法、四维变分法和卡尔曼滤波法等。其中 3DVar 因具有较高的计算效率和良好的同化性能，被广泛应用于中尺度气象模式循环同化中。美国国家大气研究中心开发了一套适用于 WRF 模式的 3DVar 数据同化系统，该系统可同化来自自动气象站、船舶和飞机等的常规气象观测资料，以及来自雷达等的非常规气象观测数据。大量研究基于该系统评估同化雷达、卫星等数据对降雨模拟的提升作用，发现同化雷达反射率和径向风速能够提高降雨模拟效果。且模型改进效果会随着同化时间间隔缩短而提高。然而，雷达和卫星遥感数据的固有不确定性会为模型引入额外误差，可能会影响模拟结果的准确性。随着 AWS 观测网的完善和数据质量的提高，AWS 观测数据在仿真精度及要求可直接被模式同化的优势，已逐渐成为数值模式循环同化的重要数据来源。Liu 等发现同化 AWS 观测数据能够显著改进 WRF-3DVar 系统对降雨的预报能力。相对而言，探空等观测资料，AWS 观测数据结合了细致准确的低层大气热动力特征，对改善数值模式预报低层气象要素和局地突发强对流降雨具有重要作用。 在 AWS 观测数据的数量和密度逐渐增加的背景下，探究适用于 AWS 观测数据的同化策略已成为当前研究的重要方向。张利红等利用 3DVar 同化系统探究了同化 AWS 观测要素对数值预报的影响，发现同化气压和风会改善温度预报结果，但对降雨预报效果影响较小。张俊等基于 GSI-3DVar 同化系统探究了华东地区不同 AWS 观测密度对温度模拟的影响，发现观测密度越大，温度模拟越准确。虽然已有研究对 AWS 观测数据的同化性能进行了探究，但主要集中于同化要素或频率对模拟结果的影响。且大部分研究都将模拟范围内的全部观测数据均参与同化，缺乏站点空间分布状态对降雨预报效果影响的探究。随着全球 AWS 观测数据数量和密度的不断增加，同化模拟范围内全部的观测数据会消耗大量计算资源，因此探索能够优化模式降雨预报性能的最佳观测数据范围和密度，对于提高计算效率和制定未来 AWS 的布设方案具有重要意义。 1 资料和方法1.1 研究区和降雨事件选取本研究的模拟范围包括京津冀地区大部，以北京地区模拟结果为主要评估范围。北京属于温带半湿润半干旱季风气候，年降水量的80%集中在夏季，且以历时3h以内的短时强降雨为主。其中，隐线作为一种典型的局地性降雨类型，突发性强、历时短、强度高，不仅是北京地区夏季的主要降水形式之一，同时也是触发当地洪涝灾害的主要天气现象。此外，北京城市建筑物密集，不透水下垫面比例高且人口密度大，在遭受强降水时极易发生洪涝灾害并造成严重的社会经济损失。因此，提升北京地区隐线事件的模拟预报能力具有重要研究价值。 本研究选取2017年8月2日的一场隐线事件进行模拟，基于北京对流风暴自动临近预报系统的雷达组合反射率数据分析了京津冀地区2017年8月2日的天气背景，如图1所示。8月2日11时左右，河北南部与山东北部出现了一个强烈的气旋系统，中心雷达组合反射率值超过50 dBZ。随着时间推移，气旋向北移动，将来自海洋的东南方湿润气流输送至北部地区，导致北京南部及天津北部形成近似线形的带状回波。至14时，该带状回波演变为更易于触发雷电和大风等天气现象的弓状回波。在气旋的推动作用下，该弓状回波进一步北移，经过北京东部大部分区域，并在16时转化为线形回波；该线形回波随后向东北方向移动，在18时之后离开北京并逐渐消散。在此次降雨期间，模拟范围内观测到的最大小时降雨量达72 mm，仅次于北京“721”特大暴雨的112 mm；主要降雨时段站点最大累积降雨量为173 mm，达到大暴雨量级，是一场典型的隐线事件。 1.2 WRF模式设置本研究选用WRF模式对北京地区2017年8月2日的隐线过程进行模拟预报，使用由美国国家环境预报中心全球预报系统提供的分辨率为0.25°的3 h预报数据作为模式初始场。模拟采用双层嵌套方案，范围以北京市为中心，内层包括76×74个网格点，空间分辨率为3 km，覆盖面积约50000 km²；外层包括50×49个网格，空间分辨率为9 km，覆盖面积约190000 km²，具体空间位置如图2所示。两层嵌套都包含有33个垂直气压层，其中顶层气压固定在50 hPa。本研究主要关注WRF模式对北京市降雨的模拟效果，因此后续基于内层的模拟结果进行分析评估。 鉴于WRF模式内置有丰富的物理参数化方案可供选择，且模式的降雨模拟效果对微物理参数化等方案较为敏感，本研究借鉴了由Xing等在北京地区进行大量参数化方案敏感性分析后得出的最优物理参数化方案组合进行模拟，主要包括WSM5微物理方案、RRTM和Dudhia长短波辐射方案以及MYJ行星边界层参数化方案。本研究模拟的空间分辨率较高，网格尺度深对流过程曲线式解析，因此模拟时在内外层均未打开积云对流参数化方案。此外，由于模拟范围主要为高密度城市地区，本研究选用单层城市冠层模型来描述城市内的水热交互过程。 1.3 3DVar系统设置本研究基于WRF模式3DVar同化系统来同化AWS观测数据。3DVar系统的基本目标是通过观测场、数值模型的初荷场或背景预测场、误差统计，寻求对真实大气状态的最佳估计。这一过程通过迭代求解最小化预先规定的成本函数来实现，成本函数如式(1)所示： J(x)=12(x−xb)TB−1(x−xb)+12(y−yo)TR−1(y−yo),J(x)=21(x−xb)TB−1(x−xb)+21(y−yo)TR−1(y−yo), 其中，xx是使得成本函数J(x)J(x)最小的状态变量；xbxb是初荷场或先前预报得到的背景场；yoyo是同化的观测场；y=H(x)y=H(x)是由观测算子H从状态变量x转换而来的模型导出的观测值空间状态，用于与y进行比较。根据误差统计对单个观测点进行拟合，B和R分别代表背景误差协方差矩阵和观测误差协方差矩阵。式(1)定义的成本函数的本质是使得分析变量与背景场和观测场之间距离的目标泛函达到极小值。 数据同化系统的性能依赖于背景误差协方差矩阵的合理性(式(1)中的B)，根据已有研究结果，由NCEP提供的适用于全球任何地区的背景误差协方差矩阵以及观测误差在北京地区降雨模拟中有较好的表现，因此本研究选用CV3进行同化计算。在循环同化当中，上一次同化后的模型预报结果会被用作下一次同化的背景场。为了更好地保留高分辨率初荷场的小尺度特征，同时充分发挥AWS观测数据的作用，经过一系列测试实验后，本研究将背景误差变换因子和特征长度因子分别设置为0.25和1。在同化观测数据时，研究采用目前广泛使用的考虑地形落差的质量控制方法，即根据站点高度所代表的地形高度筛选观测数据，若站点高度与模式地形高度差超过 100 m，该站点观测资料将被剔除。 1.4 实验设计为探究 AWS 观测数据空间分布范围和密度对降雨预报的影响，本研究设计了两组实验：空间范围实验组和密度实验组。所有实验均采用循环同化的方式，每 3 小时进行一次同化。首先，为评估同化范围对降雨预报的影响，设置空间范围实验组，并开展 3 组案例模拟，分别同化两类数据和全部的 AWS 观测数据。其次，为评估同化密度对降雨预报的影响，设置密度实验组，并开展 7 组案例模拟，分别在内层范围内同化不同数量的 AWS 数据。为排除站点空间分布位置对结果的影响，密度实验组中每组案例都设置 10 个随机实验，这些随机实验的结果整体代表同化该数量 AWS 对降雨模拟的改进能力。两个实验组的模拟结果均与对照组以及站点监测降雨数据进行对比，以评估同化对降雨预报的影响。
1.5 评价指标本研究采用降雨预报中常用的评价指标对模拟结果进行评估，包括基于二分类方法的 TS 评分、BSS 评分、BS 评分以及不采用二分类方法的均方根误差、平均绝对误差，各指标的计算方法如式(2)—(6)所示。其中基于二分类方法的评价指标值由降雨阈值控制，用于评估模式对不同降雨量级的预报效果，本研究选用了目前广泛使用的 5 mm、10 mm、20 mm 三个阈值。具体而言，TS 和 BSS 评分反映了模式对某种量级降雨预报的准确度，数值范围均在 0 ~ 1 之间，其中 TS 评分越高，BSS 评分越低，模拟结果越准确；BS 评分则能够反映模式预报偏差的具体表现，评分大于 1 则说明模式误报率更高，小于 1 则漏报率更高；RMSE 和 MAE 反映了降雨预报的真实总体偏差程度，评分越接近 0，模拟结果准确度越高。 TS=hh+m+fTS=h+m+fh BSS=1n∑j=1n(ϕij−Pbj)2BSS=n1j=1∑n(ϕij−Pbj)2 BS=h+fh+mBS=h+mh+f RMSE=1n∑j=1n(Pj−Oj)2RMSE=n1j=1∑n(Pj−Oj)2 MAE=1n∑j=1n[(Pj−Oj)]MAE=n1j=1∑n[(Pj−Oj)] 其中，hh 表示正确预报的站点数量；mm 表示漏报的站点数量；ff 表示误报的站点数量；ObOb 和 PbPb 分别代表根据特定阈值进行二分类后的站点观测值和距离站点最近的格点的降雨预报值；PP 和 OO 分别代表没有经过二分类的准确降雨预报值和观测值；nn 为站点数量。 2 结果与讨论2.1 站点分布范围对降雨预报的影响此次降雨事件发展较快，主要降雨时段为同化结束后的3小时，本研究基于该3小时的累积降水量开展对比分析。空间范围实验组的3组案例模拟结果以及与对照组和观测数据的对比分析结果如图4和图5所示。在不同观测数据时，WRF模型总体上较好地预报了此次隐线事件的雨带分布形态和降雨量大小，但对降雨区域的预报偏差较大，降雨落区的预报结果总体较实际明显偏北。 同化外层以外的AWS观测数据使得降雨区域的预报效果有所提升，研究区域南部的降雨面积增加，但改善效果并不明显。在不同阈值下TS评分均仅提高了约0.05。当只同化内层内的观测数据时，模式预报的降雨落区明显高移，与实际降雨区域极为接近，在中等雨量下，TS评分相较对照组实验中0.14提高至0.50。与只同化外层外相比，同化内层内的观测数据对于结果提升效果更为明显。此外，同化模拟范围内全部AWS观测数据的预报结果与仅同化内层内的结果十分接近，TS评分没有出现明显差异。结果说明，对于局地性较强的隐线过程，降雨的形成和发展过程主要受到局地大气状态的影响，内层内的观测数据在数据同化过程中发挥主要作用，显著改善了模式的降雨预报效果。因此，后续研究将评估内层范围内 AWS 同化密度对降雨预报的影响。 2.2 站点同化密度对降雨预报的影响为探究同化密度对降雨预报的影响，设置密度实验组，模拟评估结果如图6和图7所示。总体上看，在一定数值范围内，同化 AWS 观测数据对降雨预报的改进效果随着同化密度的增加而增强。当输入的同化站点数量在 5～20 个范围内时，降雨模拟效果随着同化数量的增加而显著改善，每组案例 TS 和 BSS 评分的中位数呈近对数形式增长和降低。由于密度实验组模拟案例的 BS 评分都小于 1，且随着同化站点数量的增加而增加，因此该阶段同化 AWS 观测数据主要通过减少模式的漏报率来改善降雨预报结果。结合图7可以发现，虽然 TS 和 BSS 评分等二分类指标在不断改善，RMSE 却没有呈现明显的下降趋势，说明同化较少数量的站点主要改善了模式对降雨面积的模拟效果，对于降雨量的预报能力仍存在较大不足。当输入的站点数量增加至 50 个左右时，TS 评分等二分类指标的改善速率明显降低，再增加站点对于降雨预报效果的改善作用开始逐渐减弱，而 RMSE 和 MAE 评估结果却有所改进，说明此时增加同化站点数量可以改进模式对降雨量的模拟效果。当同化站点数量达到 100 个时，即站点空间密度达到约 1 个/500 km² 时，降雨预报效果已经基本与同化所有站点一致，进一步提高同化站点空间密度对 WRF 模式降雨预报准确度的边际提升作用已不明显，同化 AWS 数据改善降雨预报的效果达到“饱和点”。 对比每组案例内的 10 个随机实验的降雨预报结果可以发现，同化密度越高，不同随机实验的降雨预报结果越接近。在 10 mm 阈值下，同化 100 个站点及以上的实验组内的 BSS 评分最大差异仅为 0.04，而同化 5 个站点的 BSS 评分最大差异达到 0.12。结果表明，当同化密度较低时，站点的空间位置会对结果产生较大的影响，且存在较大不确定性；当同化密度达到“饱和点”时，站点的分布位置对模拟结果的影响相对较小。因此，同化达到降雨改进“饱和点”的 AWS 数量是实现最优预报性能的最经济方案。 为进一步分析增加同化密度对降雨预报改进的空间表现形式，本研究选取了每组案例 TS 评分的中位数所在的随机实验来代表同化该数量的 AWS 站点对降雨预报的改善情况，结果如图8所示。当同化密度较低时，增加站点数量使得北京南部的降雨范围变大，但雨带的整体空间分布形态和降雨量没有发生明显变化；当站点数量增加至 50 个时，降雨区域明显高移，总体更接近实测情况；当站点数量达到 100～400 时，雨带分布形状和范围以及降雨量大小的预报效果随着同化站点数量增加被进一步改善，但在此区间内，不同案例的模拟结果之间已没有明显差异，总体上已经十分接近实测情况。因此，在网格数量和分辨率一定时，同化站点的空间密度对降雨预报的改进效果存在“饱和”现象。在本案例中，1 个/500 km² 的同化站点密度为改善降雨模拟效果的“饱和点”，受背景误差以及观测误差等设置的影响，实际应用中“饱和点”所代表的具体数值可能会随误差相关系数以及模拟情景设置发生变化，本研究尚未进行此类敏感性分析。 2.3 同化密度影响降雨预报的原因分析隐线过程具有局地性和突发性强、历时短等特点，其形成过程通常与较强的风切变有关。在此次降雨期间，北京地区处于东南风和西北风交汇地带。在对照组实验中，西北风的预报值偏小，导致有较强垂直风切变的河流区域明显偏北。密度实验组中全部案例在同化后 850 hPa 风场的变化情况如图10所示。当同化密度较小时，水平风场和垂直风速的模拟结果变化都较小，相对对照组实验强对流区域没有发生明显变化，但周围部分区域的水流被增强，总体上使得预报降雨面积增加，降低了模式的漏报率，但未明显减小降雨量偏差。当同化的 AWS 数量增加至 50 个及以上时，模拟范围内的西北风显著增强，水平风速差值达到 10 m·s⁻¹ 以上，导致强对流区域明显高移。同时，增强的西北风与东南风相遇形成局地耦合系统，促进了北京市南部的降雨产生，进一步改善了降雨量的模拟效果。 3 结论基于 WRF 模式 3DVar 系统，本研究针对北京地区 2017 年 8 月 2 日一场隐线过程开展了地面站空间分布范围和密度对降雨预报影响的研究，得出以下主要结论： (1) 在模拟范围内同化 AWS 观测数据能够改善模式降雨预报效果。对于局地性较强的降雨来说，内层嵌套范围内的观测数据对改善内层降雨预报结果发挥主要作用，同化内层观测数据后 10 mm 阈值的 TS 评分可由 0.14 提高至 0.5。 (2) 同化 AWS 观测数据对降雨预报的改善能力随着同化 AWS 站点密度的增加而增强，当同化的地面站密度较低时，数据同化主要改进了降雨面积模拟结果，对于降雨量的预报仍存在一定的偏差；当同化的地面站密度较高时，降雨量的模拟效果会被进一步改善。 (3) 同化 AWS 观测数据对降雨预报的增强效应存在“饱和点”。在本案例中，当站点空间密度达到 1 个/500 km² 时，同化 AWS 观测数据对降雨预报的改进效果达到“饱和”，进一步提高同化站点空间密度对 WRF 模式降雨预报准确度的边际提升作用已不明显。 在海量观测数据的背景下，本研究结果可以为高密度 AWS 观测数据同化策略以及未来 AWS 空间布设方案的制定提供参考，对提高模式计算效率、节省计算资源具有重要意义。由于不同类型降雨的成因有所区别，未来将针对不同类型降雨的 AWS 数据同化策略进行进一步验证。 参考文献： [1]乔泽宇,李步,龚傲凡,等.自动气象站数据同化密度对WRF模式降雨预报的影响[J].地球物理学报,2025,68(06):2055-2065. 特别提醒：物联网专业交流群欢迎物联网行业相关的人群加入，同时群内欢迎各路社牛、大咖、前辈加入，群内除了不能发敏感内容、色情内容，以及不太建议多次发送推广内容，其他内容皆可畅聊~——交流QQ群724511126，进群的朋友请备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群！
| 
发表于 2025-10-26 20:32:15