2017, Vol. 33
2. 中国气象局广州热带海洋气象研究所/广东省区域数值天气预报重点实验室，广东 广州 510640;
3. 中国科学院大气物理研究所云降水物理与强风暴重点实验室，北京 100029
2. Key Laboratory of Regional Numerical Weather Prediction, Guangzhou Institute of Tropical and Marine Meteorology, Guangzhou 510640, China;
3. Laboratory of Cloud-Precipitation Physics and Severe Storms Institute of Atmospheric Physics Chinese Academy of Sciences, Beijing 100029, China
登陆台风是最致命与最具有危害性的自然灾害之一，我国是台风登陆最多国家之一。近些年随着气候变暖加剧，登陆台风强度明显比以往更强，造成更严重的灾害。在过去几十年中，台风路径预报效果得到显著提高[1]，然而不管业务部门或科研机构对于台风强度和结构预报都依旧存在巨大挑战，强度预报（最低海平面气压、最大风速以及伴随强降水）一直没有得到实质性改善[2-4]。造成这种现象主要是由于我们对于台风的形成、突然加强、起伏变化或者消散能力的预报都还很有限。总结目前限制台风强度和降水预报能力的原因主要有：（1）数值预报初始场中很难对台风涡旋结构有较清晰的描述；（2）当前的数值天气预报模式仍存在很多不足和不确定性，尤其在对一些次网格物理过程参数化上的描述；（3）对于台风的物理过程以及发展演变过程还没有足够认识；（4）目前的业务预报模式的分辨率相对较低，不足以较好地描述出台风的涡旋结构特征。因此，具有较好涡旋初始化（充分利用高时空分辨率观测）的高分辨率云解析尺度的中尺度模式对于能得到准确的台风内部结构非常有用，对台风强度与降水预报也具有至关重要的影响。
过去很长时间对于台风初始化方法大多是三维变分同化或者Boguss方法，对于台风的路径预报取得了很好效果，但对台风的结构与强度改善不明显[5-7]。文献[8-9]的研究表明，台风的内核结构具有很强的非对称性，同时还证明了台风的内核结构是一个小尺度具有随机性的对流系统。以往通过Boguss及变分的传统初始化方法很难在模式中得到台风真实的内部结构。集合卡尔曼滤波同化方法（WRF-EnKF，下文简称EnKF）利用一组短期集合预报来估计当前的背景场误差协方差，相比于变分方法利用气候态背景误差协方差有很明显的优势。另外，EnKF除了具有流依赖的背景误差协方差外，还具有模式和观测算子可以是非线性、不需要切线性伴随、易于并行等优点。可见，利用EnKF对数值模式的初始场进行初始化从而改善台风预报具有很大的潜力。Snyde等[10]首次将EnKF引入到对流尺度系统同化多普勒天气雷达观测系统模拟试验（OSSE）。近些年随着计算机水平的提高，该方法在中小尺度对流系统研究得到迅速发展。Zhang等[11]第一次将EnKF同化系统同化多普勒天气雷达资料应用到实际飓风预报中，对2007年飓风Humberto在WRF模式中同化了雷达径向风观测资料，对于台风的单一定量预报和集合预报都得到显著改善，并有能力预报出飓风的快速形成和突然增强过程。Zhang等[12]对EnKF同化系统同化地基多普勒天气雷达以及机载多普勒雷达进行了系统的统计分析，该系统一直处在准业务运行，对实时的飓风进行同化预报。统计结果显示，在飓风强度和路径的预报效果上都得到显著提高，尤其在强度上提高达到30%，这是非常明显的提高。
随着EnKF的众多优势不断被开发应用，近几年国内也开始着手研究EnKF同化系统及其对多普勒天气雷达的同化效果与预报[13-16]。目前而言，虽然国内有一些关于EnKF同化多普勒雷达观测资料的研究，但都是基于OSSE[17-18]。虽然我国东部沿海岸的多普勒天气雷达网甚至比美国沿海岸的雷达网还要密集，但国内多普勒天气雷达的实际径向风观测资料还没有利用EnKF同化手段引入到热带气旋的初始化的同化预报中。直到现在，大多数同化高精度多普勒雷达观测资料研究都只是研究在台风加强之前进行涡旋初始化，而对于近台风最强时刻同化多普勒雷达观测资料对台风进行涡旋初始化效果还未被研究。然而，由于地基多普勒天气雷达观测网观测范围的限制，一般仅可以观测到台风的最强阶段或者已经趋于减弱阶段的结构。所以在近海可能达到更强强度的台风利用地基多普勒天气雷达对预报进行初始化有着重要的意义。
虽然世界上利用集合同化方法同化高时空分辨率的多普勒天气雷达资料对于热带气旋的研究已经很多，而且效果尤为显著，但主要集中于美国周边生成的热带气旋。对于西北太平洋及南海地区的热带气旋，利用EnKF同化方法同化我国内地多普勒天气雷达观测资料还没有被研究。
本文首次探索在台风接近最强时刻直接同化我国大陆多普勒天气雷达（广州）径向风观测资料对台风Vicente（2012）的路径、强度及降水的改善效果。2012年第8号台风Vicente于7月24号04时（北京时）登陆我国广东，由于其登陆前的路径异常以及强度突增，当时业务预报均没有准确预报出台风Vicente的登陆、强度及后期强降水过程，不能预报出台风真实的“漏斗型”演变特征。本研究利用EnKF同化预报系统同化广州多普勒天气雷达径向风观测资料对台风Vicente的结构、降水以及路径等同化效果进行研究分析。第2部分介绍研究过程中用于同化和对比试验中所用资料。第3部分介绍模式的设计包含整个试验流程以及雷达资料处理。第4部分中对EnKF同化多普勒雷达结果进行分析讨论。第5部分是总结与讨论。
2 资料介绍（1）美国大气环境中心的全球业务再分析资料（NCEP FNL），时间分辨率为每6 h一次，水平网格分辨率为1 °×1 °，为WRF模式提供初始场与边界场；（2）广州站多普勒天气雷达径向风，空间分辨率为250 m，时间分辨率为6 min。整个华南区域雷达组合反射率拼图；（3）逐小时加密自动站降水资料，用于检验模式预报结果；（4）日本气象厅（JMA）和中央气象台（CMA）的最佳路径数据，用于检验模式的预报效果。
3 方 法 3.1 WRF模式及EnKF参数设置本研究预报模式为中尺度数值模式WRF-ARW，版本为3.3。WRF是一个完全可压缩、非静力中尺度数值模式[19]。该模式的垂直坐标是利用静力学气压跟随地形改变，水平方向上为Arakawa C网格。诊断变量为：干空气体积质量、风速（水平风和垂直风）、位温、位势高度以及水汽、云、雨、冰、雪、霰等的混合比。
所有试验均为三重双向嵌套网格（图 1）。两层粗网格（D01和D02）的网格数分别为202×181和181×163，对应网格分辨率分别为40.5 km和13.5 km；最内层细网格D03的网格数为259×259，分辨率为4.5 km，三重网格都固定不移动。模式垂直层为35层，模式顶层为10 hPa。模式物理参数化方案包含：Grell-Devenyi积云对流参数化方案[20]（仅在D01中使用）、WSM6微物理方案[21]以及YSU边界层方案[22]。
|
图 1 模式网格设置、台风Vicente的最佳路径（黑线）、广州多普勒雷达位置（黑星号）和地形高度（阴影，单位：m） |
本研究用的EnKF系统是建立在WRF模式基础上的同化系统，与文献[23-24]中设置基本一致。同化试验选取60个集合成员。为了充分考虑不可避免的模式误差带来的影响，选用Zhang等[11]提出的协方差松弛法。该方法仅在所同化更新的观测点上提供背景误差协方差一个权重，权重系数设置为0.8。三重网格都同化观测资料，并选择了Zhang等[11]提出的同化方法。该方法为了在不同的分辨率网格上进行不同程度的数据稀疏化，从而能高效同化高密度雷达观测资料，同时在一定程度上减小样本误差带来的影响。水平局地化影响半径在D01、D02与D03网格分别为1 215 km、405 km和135 km。垂直局地化影响半径是依据模式的垂直层次设定的，即为34。无论是水平还是垂直方向上的局地化都是由Gaspari等[25]提出的五阶相关函数法。
3.2 雷达资料前期处理：超级观测和质量控制本研究同化广州站多普勒天气雷达（位于图 1中黑星号处）径向风观测资料。广州雷达是S波段多普勒雷达（WSR-98D），在硬件和软件方面与美国WSR-88D雷达很相似。广州雷达径向风资料的质量控制与制作超级观测的步骤：
（1）利用NCAR SOLOII软件进行手动退模糊、去折叠并剔除一些明显错误的观测数据；
（2）利用退模糊后的观测数据制作成超级观测。超级观测是利用一定数量的原始径向风数据得到一个相对更精确的径向风观测数据。即在一个极空间中对原始基数据进行质量控制之后再做水平平均的过程，它能有效减少地面混乱状况的影响，并能订正在退模糊过程中出现的误差。
制作超级观测过程中对数据进行的质量控制包括：
（1）为了使超级观测之间的水平相关最小，每一束观测中的基数据仅允许影响该束的超级观测。另外为了避免用于平均的观测存在明显方向上的差异，将每一束中求平均的观测数据限制在径向方向上5 km范围内，并将方位角限制在5 °范围内；
（2）直接剔除原始数据中的径向风值小于2 m/s或大于70 m/s、距离雷达中心小于4 km的观测数据；
（3）剔除当原始数据与该束观测中平均值的偏差大于2倍所有观测的标准差时的观测数据。另外，在一个观测束中必须至少有4个可用的原始径向风观测数据；
（4）当一个观测束的标准差大于所有束标准差平均的2倍时，则认为该束没有超级观测；
（5）一个观测束中的最终超级观测值用距离中心最近的10个原始观测的平均。
此外，在EnKF同化系统中对超级观测也进行一定质量控制：当超级观测与先验值（在观测点上计算出背景场中的径向风值）之差的绝对值大于5倍观测误差时，则剔除该点观测，不进入之后的同化过程。雷达径向风的观测误差设置为3 m/s。
3.3 试验设计流程图图 2为所有同化预报试验的完整流程。（1）利用2012年7月23日00时（世界时，下同）的6 h一次的1 °×1 ° NCEP再分析资料提供初始场及侧边界，利用WRF三维变分（3DVAR）中默认设置的“cv3”背景误差协方差对初始场进行随机平衡扰动生成60个集合成员（60个集合成员的预报结果相对于30个成员在该试验个例中的分析场以及后期的预报效果都得到很大提高），利用同样方法对侧边界进行扰动，其中扰动变量为水平风场（u、v）、位温和水汽混合比。用生成的60个集合成员进行12 h短期集合预报积分到2012年7月23日12时，产生当前流场的背景误差协方差。（2）从该时刻起连续循环每30 min同化1次多普勒天气雷达径向风观测数据（超级观测），连续循环同化至2012年7月24日12时（该时间段包含了台风Vicente登陆前及登陆后快速减弱的整个过程）。（3）利用2012年7月23日12时—24日00时逐3 h利用EnKF分析场做单一的定量预报。（4）NoDA为利用没有额外同化其他常规观测与一些非常规观测资料的NCEP再分析场做的单一定量预报。下面对同化分析场和利用同化分析场做的预报进行对比分析。
|
图 2 WRF-EnKF试验和NoDA试验的流程图 |
图 3展示了2012年23日12时—24日12时WRF-EnKF系统连续循环同化广州多普勒雷达径向速度超级观测资料得到的逐小时平均分析场中的台风Vicente的最低海平面气压、最大10 m风风速和路径。同时图 3还展示了利用EnKF平均分析场每3 h一次的预报（详细讨论在4.4节）和来自中国气象局（CMA）与日本气象厅（JMA）的最佳路径。除了时间精度不同外，还发现CMA和JMA最佳路径也存在偏差，这表明即使最佳路径它们本身在强度上就存在较大的不确定性，最低海平面气压偏差可大于10 hPa，最大10 m风偏差可大于10 m/s。Landsea等[26]最近的研究发现，在大西洋中的飓风最佳路径同样存在很大的不确定性，不同国家及部门的最佳路径的最大10 m风平均误差可大于5 m/s。而在整个预报积分时间段内，EnKF分析场能很成功地捕捉到台风Vicente的强度，尤其是“漏斗型”的强度演变特征和路径随时间演变（图 3）；但NoDA几乎完全没有表现出台风强度的“漏斗型”演变特征。随着持续循环同化更多的雷达超级观测，在台风登陆前和在登陆后陆地上的路径，EnKF分析场（图 3c中的三角号）与最佳观测路径几乎重合。尤其在我们关注的台风登陆时刻的位置和时间上，EnKF分析场与观测完全一致。相比而言，NoDA的路径不仅有较大右向偏差（某些时刻路径偏差大于50 km），而且还存在较大跳跃性。从图 3a、3b可看出，同化雷达数据的EnKF分析场（三角号）与NoDA（灰色小圆点）在强度上存在偏差，平均误差甚至分别超过5 hPa和5 m/s。值得注意的是，NoDA没有预报出台风Vicente强度的“漏斗型”演变特征，而EnKF分析场预报出了最低海平面气压的快速减弱过程，即使仅循环同化3~4次雷达径向风观测资料就能使台风达到实际台风的最强强度，对于实际的“漏斗型”演变特征模拟尤为准确。然而NoDA模拟的台风一直处于很弱阶段，23日16时模拟的最低海平面气压比CMA高约5 hPa，但EnKF分析场对于最低海平面气压的预报与JMA的最佳路径在整个积分时间段均有很好匹配，最强时刻与JMA相比存在约2 h的偏差。但EnKF分析场在最大10 m风的预报上相较于NoDA的优势并不明显，这是由于在高分辨率对流可解析模式中的华南沿海岸附近存在很大的样本误差问题（在D03中用了一个简单的最大值点很可能会倾向于产生一个小的较强的对流单体）以及30 min的同化间隔无法让EnKF分析场预报达到平衡状态。
|
图 3 EnKF集合分析场平均2012年7月23日15时—24日00时每3 h一次的单一预报模拟台风Vicente的最低海平面气压（a，单位：hPa)、最大10 m风风速（b，单位：m/s)和中心位置（c）与CMA、JMA最佳观测路径的对比 |
为了更清晰地看出同化雷达径向风观测是如何影响台风的内核结构，图 4给出同化起始4 h的850 hPa垂直层上的位势温度增量和水平风场增量分布。在23日13时（图 4a），不管是风场增量还是温度场增量相比接下来的三个时刻都有明显增大。增量主要集中在台风中心（黑圆点），导致台风的内核结构更接近实际台风内核结构。另外，在台风的正中心，位势温度呈现出正增量，这表明台风的暖核结构更加显著。水平风场的增量表现为气旋式结构，表明台风内部的风场正在增强，对应着台风的强度加强。值得注意的是，随着同化不断进行，风速和温度的增量不断减小，这也进一步表明EnKF同化系统对径向风的有效同化作用。
|
图 4 2012年7月23日13、14、15和16时（a~d）850 hPa垂直层上的位势温度（阴影）和水平风场（风矢量）的增量 黑圆点表示该时刻模拟的台风位置。 |
前面检验了EnKF同化系统同化雷达经向风对台风Vicente的水平结构的影响，接下来通过不同时刻的垂直剖面进一步分析同化径向风观测资料对台风Vicente的垂直结构的影响。图 5给出了不同时刻EnKF分析场和NoDA通过台风Vicente中心的位势温度和水平风速的经度-高度的对比。随着循环同化的不断进行，可以清楚看到EnKF分析场中台风Vicente的暖核结构能被模拟出来，台风中心水平温度梯度快速增大，而在NoDA中一直没有出现台风的暖核结构。同时，EnKF分析场中的最大水平风速出现在台风中心东边，强风（>24 m/s的水平风速）延伸到10 km甚至达到约12 km，而在NoDA中强风均集中在7 km以下范围内，强度比EnKF分析场明显偏弱。
|
图 5 2012年7月23日13时（a、d）、16时（b、e）和20时（c、f）的EnKF分析场（a~c）和NoDA（d~f）穿过台风Vicente中心的位势温度（黑线）和水平风速（阴影）的经向-高度剖面 |
显而易见，通过连续循环同化雷达径向风观测数据后，数值模式建立起一个更强、更紧密及更深厚的台风暖核涡旋结构，这样的暖核结构符合前人观测到真实的台风中心结构；而NoDA中的台风眼很松散，强度很弱的台风内核结构无法真实反映出台风内部结构。因此，NoDA控制试验通过对径向风的不断同化则能较好反映出台风Vicente的结构特征。在20时可以看到，台风的水平风速以及暖核均有一定程度的减弱，这由于Vicente在该时刻登陆引起的。
图 5展示了穿过台风中心东西向的垂直剖面结构，但并不能完全代表整个台风的涡旋结构。图 6展示了方位角平均的半径-高度的风速分布。可见，在NoDA中台风Vicente眼部的结构很松散且强风区域距离台风涡旋中心较远，最大风速强度很弱且随时间没有明显变化。EnKF分析场中的水平风场比NoDA强，最大风速达到42 m/s左右，强风区域延伸到12 km甚至更高，而NoDA中最大风速最强仅30 m/s左右且一直维持在底层。在EnKF分析场中水平方向上存在很大的风速梯度，且随着同化的不断进行，强风不断向台风涡旋中心靠近、强风区域不断向高层延伸。因此随着不断同化雷达径向风观测数据，会得到一个更深厚紧密的台风结构，该结构与实际观测更贴近。
|
图 6 2012年7月23日12时（a、e）、15时（b、f）、18时（c、g）和21时（d、h）的NoDA（a~d）和EnKF分析场（e~h）的方位角平均水平速度场的半径-高度随时间演变 |
图 7是不同时刻的雷达组合反射率、EnKF分析场和NoDA的最大反射率(dBz)的对比。可以看出，仅同化径向风观测数据对反射率变量同样具有很明显的改善效果。12时，当NoDA预报模拟一个宽广的降水较弱区域，EnKF分析场已经预报出很多局地化降水雨带。EnKF分析场能更准确地得到台风Vicente中心位置，通过不同时刻的反射率对比图可以看出台风Vicente的移动方向和速度均更接近观测，这与之前结论一致。另外，台风的中心眼墙通过同化雷达径向风数据变得更清晰，且台风结构也更紧密，相比于NoDA预报松散的台风内核结构显然更符合真实的台风结构。从18和21时两个时次可看出，在台风接近登陆或登陆后，NoDA的台风结构趋向于由于登陆的摩擦效应逐渐消散，而实际上台风Vicente在登陆后还保持完整的台风结构有一段较长的时间，只是由于陆地的作用使得眼墙结构不明显。除了考虑其反射率的分布范围外，从同化阴影的强度大小可以看出，同化了径向风观测数据后EnKF分析场更精确地得到台风的强降水带，这点和接下来讨论的1 h累积降水一致。从台风的眼墙区可以看到，最大反射率也分布在台风中心的左上方，那里最大反射率值超过55 dBz，而NoDA中的最大值分布较零散，与实际不符。
|
图 7 2012年7月23日12时（a~c）、15时（d~f）、18时（g~i）和21时（j~l）雷达实况组合的反射率（左）和相对应的EnKF分析场（中）及NoDA预报（右）的最大反射率对比 单位：dBz。 |
由图 3可知，随着更多雷达数据同化进入数值模式中会得到相比于NoDA更准确的台风路径和强度预报（依据CMA和JMA的最佳路径数据）。同化更多的多普勒雷达径向风数据，分析场的单一预报模拟路径相对于NoDA没有出现跳跃式波动。23日15、18时利用EnKF平均分析场作为初始场预报出的台风登陆位置和时间均与观测对应（图 3c），误差仅为10 km甚至更小。所有利用EnKF集合平均分析场做的强度预报效果均好于NoDA。虽然可能由于单个强烈的对流单体的随机特征导致时间不一，但从15、18时分析场预报可以看出它们都能很好地预报出台风Vicente的强度变化，尤其是台风的“漏斗型”演变特征。然而15、18时起的预报对于登陆后台风快速减弱预报较差（图 3a），其原因很可能与地表通量参数化[27]的不确定性有关。而在连续不断同化更多观测数据，EnKF分析场（三角形线）和从登陆之后开始的预报（21时）中对于减弱效果预报明显提高。
总体来说，利用同化多普勒雷达观测资料得到的EnKF分析场相比于NoDA预报能够更好模拟出台风Vicente的路径和强度。以上众多的研究结果表明，利用EnKF同化系统同化地基多普勒天气雷达径向风观测资料对模式初始场进行初始化，对沿海岸台风的强度和路径预报的改善具有很大潜力。本研究补充了目前对于热带气旋初始化研究均在其起始生成阶段和主要集中于美国的多普勒天气雷达观测研究方面。
4.4.2 短期累积降水预报除了改善台风路径和强度预报之外，EnKF雷达资料同化还能有效提高短期累积降水预报。图 8、9分别对比了NoDA与EnKF分析场的3 h预报的1 h、3 h和自动站的累积降水分布。在23日18时，利用第一个时次23日12时的EnKF分析场做3 h预报的1 h累积降水相对于NoDA的降水预报无论在分布还是强度上都得到了很明显的提高（图 8a~8c）。NoDA模拟的降水在整个广东省内分布广且零散没有体现出台风螺旋雨带特征，而EnKF分析场做的短期预报成功捕捉到珠江三角洲地区的强降水区域和螺旋雨带，且分布更集中。随着更多的观测被同化，在24日00时（图 8d~8f），可以看出该时刻EnKF分析场的3 h预报降水分布和强度相比于NoDA的降水预报能够得到进一步改善。从EnKF分析场的3 h预报可以看出台风螺旋结构降水明显，降水分布与强度都已经与实况接近，强降水的集中区域也能够准确地预报出。另外，可以看出台风降水中心的极值约为40 mm，这一点EnKF的预报跟观测很一致，而NoDA的极值仅为25 mm左右，其误差超过15 mm。可见同化多普勒雷达径向风观测资料对于台风降水的预报有着很大改善。在接下去的时次中（图略），虽然NoDA预报已经逐渐开始能够反应出一定的台风降水特征，但其强度偏强以及强降水范围分布更广，不像实况降水是集中分布在几个区域内的。另外NoDA降水中心区域位置与实况明显不同，这与台风的路径预报偏差有关。
|
图 8 7月23日18时（a~c）和24日00时（d~f）的1 h自动站累积降水量（a、d）、EnKF分析场3 h预报（b、e）和NoDA预报（c、d）的1 h累计降水量分布 单位：mm。 |
|
图 9 同图 8，但为7月23日21时和24日03时的3 h累积降水量分布 |
除了检验了短期预报的1 h累积降水外，本文还对3 h累积降水进行研究分析。图 9展示了23日15时和21时EnKF分析场进行6 h预报的3 h累积降水、NoDA对应时刻的3 h累积降水与自动站3 h累积降水对比。可以清楚看出，EnKF分析场的预报对3 h累积降水的中心位置和强度以及降水分布均和自动站观测很一致。另外，降水的移动和台风的位置也有很高的相关性，EnKF分析场能较好预报出台风位置，这给更好的降水预报提供了很好的帮助。总体而言，EnKF同化系统同化雷达径向风观测资料在很大程度上改善台风Vicente短期降水预报水平。虽然前人研究表明，雷达资料同化的前几个时次对于短期降水改善很有限，但从本文的研究中发现，EnKF同化手段有能力利用雷达径向风观测很大程度上改善对于短时降水的预报水平。其重要原因是由于之前的研究大多集中于利用三维变分同化方法，它是利用气候态的背景误差协方差，这显然不适用于台风降水这种强对流系统。
5 总 结本研究探索了基于WRF模式的集合卡尔曼滤波同化系统（EnKF）在登陆台风Vicente（2012）接近最强时刻连续同化我国高时空分辨率广州站多普勒天气雷达径向风观测资料对其路径、强度和降水的改善效果。
（1）通过每30 min同化1次多普勒天气雷达径向风超级观测，EnKF分析场能成功捕捉到台风Vicente的路径、强度和内核结构的演变特征。EnKF分析场及其预报的路径都较好地对应最佳路径数据。在起始的2~3 h内仅同化4~6次径向风观测数据后，EnKF分析场就能提高台风Vicente的中心强度达到观测强度，精确预报出台风强度的“漏斗型”特征。甚至仅在第1次同化之后，台风的内核结构就清晰可见，主要集中在台风的中心区域范围内。
（2）利用EnKF分析场的集合平均做的单一预报相比于NoDA预报试验都显著改善了台风Vicente的路径、强度和伴随降水预报。EnKF平均分析场预报出台风的登陆位置和时间与观测几乎一致。随着更多的观测资料被同化，预报效果也不断提高。
（3）从台风的短期降水预报发现，EnKF分析场对于1 h累积降水的位置和强度均与自动站观测降水吻合，比NoDA的预报有较大改善。EnKF分析场预报成功预报出在珠江三角洲区域的强降水分布和螺旋雨带特征。3 h累积降水结果的改善效果与1 h的类似，不管是中心降水位置、降水分布以及降水的移动预报都得到很大提高。
总之，本研究的结果证明了利用WRF-EnKF预报同化系统同化我国大陆地基多普勒天气雷达径向风观测资料对近海岸台风的模式初始化预报台风的路径、强度、结构和降水都具有很大的潜力。这也为利用以集合预报为基础的雷达资料同化方法同化沿海岸多普勒天气雷达观测资料所具有的潜在价值提供一个很好方法，从而为台风预报业务提供帮助。此外，本研究工作验证了在台风接近最强阶段，EnKF同化系统能有效地同化雷达径向风观测数据从而改善台风的各方面预报能力，补充了目前的同化雷达观测数据都集中在台风的生成阶段。
| [1] | FRANKLIN J L. National Hurricane Center verification report[C]//57th Interdepartmental Hurricane Conference.[Updates are available on the official National Hurricane Center website: National Hurricane Center (NHC), www. nhc. noaa. gov/verification]. 2004. |
| [2] | ELSBERRY R L, LAMBERT T D B, BOOTHE M A. Accuracy of atlantic and eastern North Pacific tropical cyclone intensity forecast guidance[J]. Wea Forec, 2007, 22(4): 747 DOI:10.1175/WAF1015.1 |
| [3] | 端义宏, 余晖, 伍荣生. 热带气旋强度变化研究进展[J]. 气象学报, 2005, 63(5): 636-645. DOI:10.11676/qxxb2005.062 |
| [4] | 陈联寿, 孟智勇. 我国热带气旋研究十年进展[J]. 大气科学, 2001, 25(3): 420-432. |
| [5] | 张林, 倪允琪. 雷达径向风资料的四维变分同化试验[J]. 大气科学, 2006, 30(3): 433-440. |
| [6] | 王叶红, 赵玉春, 张兵, 等. "7.8"特大暴雨过程雷达风场资料的三维变分同化研究[J]. 气象科学, 2008, 28(3): 301-307. |
| [7] | 许小永, 郑国光, 刘黎平. 多普勒雷达资料4DVAR同化反演的模拟研究[J]. 气象学报, 2004, 62(4): 410-422. DOI:10.11676/qxxb2004.042 |
| [8] | FANG J, ZHANGF. Initial development and genesis of Hurricane Dolly (2008)[J]. J Atmos Sci, 2010, 67(3): 655-672. DOI:10.1175/2009JAS3115.1 |
| [9] | TALAGRAND O. Assimilation of observations, an introduction[J]. J Meteor Soc Japan Ser 2, 1997, 75(1): 81-99. DOI:10.2151/jmsj1965.75.1_81 |
| [10] | SNYDER C, ZHANG F. Assimilation of simulated Doppler radar observations with an ensemble Kalman filter[J]. Mon Wea Rev, 2003, 131(8): 1663-1677. DOI:10.1175//2555.1 |
| [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[J]. Mon Wea Rev, 2009, 137(7): 2105-2125. DOI:10.1175/2009MWR2645.1 |
| [12] | ZHANG F, WENG Y, GAMACHE J F, et al. Performance of convection-permitting hurricane initialization and prediction during 2008—2010 with ensemble data assimilation of inner-core airborne Doppler radar observations[J]. Geophys Res Lett, 2011, 38(15): 98-106. |
| [13] | 杨毅, 邱崇践, 龚建东, 等. 利用3维变分方法同化多普勒天气雷达资料的试验研究[J]. 气象科学, 2008, 28(2): 124-132. |
| [14] | 万齐林, 薛纪善, 庄世宇. 多普勒雷达风场信息变分同化的试验研究[J]. 气象学报, 2005, 63(2): 129-145. DOI:10.11676/qxxb2005.014 |
| [15] | 高郁东, 万齐林, 何金海. 三维变分同化雷达视风速的改进方案及其数值试验[J]. 气象学报, 2011, 69(4): 631-643. DOI:10.11676/qxxb2011.055 |
| [16] | 李新峰, 赵坤, 王明筠, 等. 多普勒雷达资料循环同化在台风"鲇鱼"预报中的应用[J]. 气象科学, 2013, 33(3): 255-263. DOI:10.3969/2012jms.0169 |
| [17] | 许小永, 刘黎平, 郑国光. 集合卡尔曼滤波同化多普勒雷达资料的数值试验[J]. 大气科学, 2006, 30(4): 712-728. |
| [18] | 闵锦忠, 毕坤, 陈耀登, 等. 基于物理约束扰动的EnSRF雷达资料同化[J]. 大气科学学报, 2013, 36(2): 129-138. |
| [19] | SKAMAROCK W C, KLEMP J B, DUDHIA J, et al. A description of the Advanced Research WRF version 3 NCAR Tech[R]. Note NCAR/TN-4751STR, 2005. |
| [20] | GRELL G A, DÉVÉNYI D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophys Res Lett, 2002, 29(16): 587-590. |
| [21] | HONG S Y, DUDHIA J, CHEN S H. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation[J]. Mon Wea Rev, 2004, 132(1): 103-120. DOI:10.1175/1520-0493(2004)132<0103:ARATIM>2.0.CO;2 |
| [22] | 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[J]. Bound Layer Meteorol, 2003, 107(2): 401-427. DOI:10.1023/A:1022146015946 |
| [23] | WENG Y, ZHANG F. Assimilating airborne Doppler radar observations with an ensemble Kalman filter for convection-permitting hurricane initialization and prediction: Katrina (2005)[J]. Mon Wea Rev, 2012, 140(3): 841-859. DOI:10.1175/2011MWR3602.1 |
| [24] | ZHANG F, WENG Y. Predicting hurricane intensity and associated hazards: A five-year real-time forecast experiment with assimilation of airborne Doppler radar observations[J]. Bull Amer Meteorolog Soc, 2015, 96(1): 25-33. DOI:10.1175/BAMS-D-13-00231.1 |
| [25] | GASPARI G, COHN S E. Construction of correlation functions in two and three dimensions[J]. Q J Roy Meteorolog Soc, 1999, 125(554): 723-757. DOI:10.1002/(ISSN)1477-870X |
| [26] | LANDSEA C W, FRANKLIN J L. Atlantic hurricane database uncertainty and presentation of a new database format[J]. Mon Wea Rev, 2013, 141(10): 3576-3592. DOI:10.1175/MWR-D-12-00254.1 |
| [27] | GREEN B W, ZHANG F. Sensitivity of tropical cyclone simulations to parametric uncertainties in air-sea fluxes and implications for parameter estimation[J]. Mon Wea Rev, 2014, 142(6): 2290-2308. DOI:10.1175/MWR-D-13-00208.1 |