基于NLS-4DVar方法的雷达资料同化及其在暴雨预报中的应用

在基于本征正交分解POD(Proper Orthogonal Decomposition)的集合四维变分同化方法(POD4DEn Var)建立的雷达资料同化系统(PRAS)的基础上,本文利用非线性最小二乘法的集合四维变分同化方法(NLS-4DVar)对PRAS进行改进,解决PRAS在高度非线性情况下的适应性问题,建立了新的雷达资料同化系统(NRAS)。通过观测系统模拟试验OSSEs(Observing System Simulation Experiments)和两次实际暴雨同化试验(2010年7月8日,中国中部地区;2014年3月30日,中国华南地区)对NRAS进行检验,并与PRAS的同化结果进行了对比。结果表明:无论是OSSEs还是实际雷达资料的同化,相对于PRAS,NRAS能够进一步提高同化效果。通过增加迭代的次数,NRAS能够有效地调整初始场的风场和水汽场,进一步提高了降水强度和位置的预报精度。但随着迭代次数的增加,对初始场的调整变小,进而对降水预报效果的改进也减小。试验结果表明NRAS能够有效解决PRAS在高度非线性情况下的应用问题,通过有限次数的迭代,即可得到近似收敛的结果。因而NRAS有望在数值预报中更有效地同化雷达资料,提高中小尺度天气的预报水平。

Application of multigrid NLS-4DVar in radar radial velocity data assimilation with WRF-ARW

非线性最小二乘法的集合四维变分同化方法是一种结合了集合卡尔曼滤波和四维变分同化优势的混合同化方法。引入多重网格策略的NLS-4DVar方法不仅可以避免使用伴随模式,而且可以从大尺度到小尺度依次修正误差得到精度更高的分析场。本文将高效的多重网格策略的NLS-4DVar方法应用于雷达径向风数据同化中。通过一组基于ARW-WRF模式的观测系统模拟试验检验该方法对雷达径向风的同化能力和同化效率。试验结果显示,同化雷达径向风数据后,初始场得到明显改进且24小时累计降水预报精度有大幅度提高。与此同时,多重网格策略的NLS-4DVar方法还减少了计算代价,明显提高了计算效率。