使用单站的WSR- 88 D数据对低层风和温度实时分析外文翻译资料

 2022-12-07 16:10:21

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

使用单站的WSR- 88 D数据对低层风和温度实时分析

摘要

四维变分多普勒雷达分析系统(VDRAS)已经在天气预报办公室使用WSR -88D雷达数据开发和实施用于生成实时边界层风和温度分析。这篇文章介绍了把VDRAS从研究工具转变到实时分析系统的重大改变并且介绍了使用雷达工作数据分析低层风和温度的效果。为了产生连续分析的时间序列,VDRAS实施循环过程,其中前一个循环作为下一个循环的初始猜想值和背景。在这个实时系统中的其他增加功能包括直接同化固定仰角的数据,增加中尺度系统观测,包含分析背景场和修改侧边界条件。

一个观测到的例子一系列降水和强出流用来验证实时分析系统的性能及其对各种系统变化的敏感性。这个例子的分析质量通过比较随后的90 - min预测和观测到的雷达径向速度来检验。结果表明,用VDRAS初始化预测表现出较好的持续性和优于中尺度分析的预测。在6个对流例子中反演风的准确性也用商用飞机的不同的自动化天气报告数据来检验。验证显示平均差异大于这6种情况3.3 m /s。

  1. 介绍

随着数值天气预报模式分辨率的稳步增加,公认的是雷达观测将在未来的对流和中尺度数据同化系统中发挥重要作用。天气监视雷达- 1988多普勒(WSR - 88 D)网络提供了径向速度和反射率在高空间和时间分辨上的测量。虽然WSR - 88 D网络对恶劣天气的监测和预警产生了深刻的影响在国家气象局(NWS)预测办公室(NWSFOs, Telesetsky 1995),其在初始化降水模式数值预测和定量降水预测方面的作用还有待探索。在使用短期预测雷达数据时的一个主要挑战是获得非观测气象要素比如横向速度，温度，微物理量。因为在WSR - 88 D网络中雷达距离远,双多普勒覆盖大部分地区是不可能的。因此,降水模式天气预报的可行性取决于是否可以成功从单多普勒雷达数据中获得详细气象要素。

在过去的十年中,活跃的研究从事于从单多普勒雷达推断出详细的气象信息。大多数方法发展到目前为止集中于使用纯净空气返回的数据(Rinehart 1979; Tuttle and Foote 1990; Zhang and Gal-Chen 1996; Xu et al. 1993; Laroche and Zawadsky 1994; Shapiro et al. 1995)确定三维边界层风。虽然个人的方法是不同的,但是这些方法都依赖假设反射率(或径向速度)作为一个被动的示踪剂,因此可以被跟踪确定流场。获得的边界层风可以在navier - stokes方程(1978年里1978;羽根和Scott)的帮助下。用于推导热力学场。

近年来结合观测和全套流体力学方程的方法也被检验。向前插值过程是由Liou(1990)发展,由径向速度插入、模型预测和热力学反演组成。另一种在反演中利用数值模式结论开发的方法是四维变分(4DVAR)伴随技术(Sun et al.1991)。通过应用最优控制理论,这种方法寻求到一个解决方案可以满足流体力学方程,同时在指定的同化窗口中找到一个最优解对应所有观测结果。不像上面提到的简单技术,4DVAR技术不仅可以获取三维边界层风也是热力学场。

4DVAR伴随反演技术最初是由Wolfsberg (1987)和Sun et al.(1991)用布西涅斯克模式和模拟边界层湍流数据检验。这项工作是大气数据同化(Le Dimet and Talagrand 1986; Lewis and Derber 1985;Courtier and Talagrand 1987; Talagrand and Courtier 1987) 伴随方法首次运用中的一个。四维变分多普勒雷达分析系统(VDRAS)在一阵雷雨产生的下击暴流 (Sun and Crook 1994)的观测中进行改进和测试并给出了有前景的结果。VDRAS进一步开发反演对流系统中的动力学和微物理学的结构。Sun和Crook (1997、1998)指出VDRAS能够反演三维风场、热力学和微观物理学的要素在佛罗里达气团风暴中。Wu et al.(2000)把这个方法应用到在微下击暴流和强雷暴过程中超级单体风暴的观测中并且发现它能够反演所有风暴的突出特点尽管在详细的风暴结构反演中存在问题。显然,进一步的研究需要在VDRAS微观物理学的反演可以熟练使用。

由于可能从多普勒雷达获取高分辨率量，方法目前正在开发使用这些数据预测雷暴引发和演化。已经有一些研究者(Weygandt 1998;Gao et al . 1998年)尝试初始化风暴尺度数值模型，通过使用从单多普勒雷达反演变量和预测雷暴演变。我们最近使用由VDRAS (Warner et al. 2000)获得的初始条件作了一个2 h,事后,预报布法罗河,科罗拉多州,洪水情况。尽管许多问题依然在被调查,但是结果显示良好。除了对超短期的雷暴预测 (罗伯茨et al . 1999年)数值预测方法,基于知识的专家系统也正在开发中。反演到的风和温度信息是一个重要系统输入。

模拟数据的研究和VDRAS研究雷达数据的运用提供了我们很好地了解VDRAS在各种条件下的性能和灵敏度。然而,我们的最终目标是从工作雷达数据中获取非观测的气象变量。由于当前的计算能力,尚不可能同化使用云模式在整个对流层中观测到的工作雷达的数据。因此,作为VDRAS的实时应用的第一步,我们实现了干模式的VDRAS系统同化边界层数据和主要集中在低高度的晴空回波。在1998年的夏天,干模式VDRAS是在实时环境中实现的，在NWS华盛顿特区巴尔的摩天气预报弗吉尼亚州的办公室,它作为一个国家大气研究中心(NCAR)雷暴实时监测系统（也叫作Auto-Nowcaster）的主要方法。除了提供一个显示当前的低层风作预测,分析风和收敛域也可以输入Auto-Nowcaster。在一个专用电脑的预测办公室运行VDRAS产生边界层风和温度分析通过同化来自KLWX WSR -88 d雷达数据。由于实时分析使用工作雷达数据不同于的研究性学习,进行VDRAS反演变量之前和期间需要重大的变化。VDRAS是的一个主要变化实现连续4DVAR循环过程。其他变化包括直接同化在恒定高度角的数据,分析背景,包含中尺度数据和修改边界条件。

在本文中,我们描述了最近在实时系统中的改进并且使用wsr - 88 d雷达观测显示一些结果。在第2部分中,我们就实时系统做出的改变给出一个VDRAS技术的简要描述。在第三节, 使用的暴雨和下击暴流的案例检验反演系统的性能。在第四节, 对使用自动化的天气报告商用飞机(ACARS)反演变量的验证进行了探讨。结论在第五节给出。

2．4DVAR分析技术的描述

VDRAS旨在同化单多普勒或多个多普勒雷达观测(径向速度和反射率)的时间序列。云尺度的数值模型是用来代表大气中运动的演变。在干模式VDRAS中，这是用于我们的实时应用,数值模型包括四个预报方程:分别是三个速度分量(u,y,w),和潜温()。压力(p)是通过一个泊松方程诊断。为了同化反射率数据,另一个方程, 反射率(dBZ)保护方程,包括在数值模型(Sun和Crook 1994)中。侧边界条件的数值模型是开放的,流入的规定(见第2e节流入边界条件的规范),流出推断使用最接近中心心两个网格点。顶部和底部边界条件中垂直速度设置为零,其他所有变量定义他们的衍生量消失。

通过在一个指定的时期拟合模型, 可以获得一组最优的初始条件控制下的数值模型。价值函数表征模式变量和观测数据及预报量之间的差别,被定义为

在方程(2.1)中的第一项Jo代表了与雷达观测的差值。它可以用一般的向量形式表示

在当前的系统中，我们假定矩阵R是对角的，关于这个矩阵的讨论将在第5节中给出。因为Xk 和yok 可以为不同的变量并在不同的网格上，观测算子H不仅可以表示联系模型变量（例如u，v，w）和观测变量（例如径向速度）的解析函数，还可以表现出不同网格之间的转换。假设观测误差是不相关的条件下，方程（2.2）可以写成如下形式：

vr和Zo表示径向速度和反射率；vr和Z表示模型的径向速度和模型的反射率；F为一个函数，该函数将一个变量从它的模型网格中转换到输入数据网格中，我将在本节后面进行说明。和分别表示径向速度的权重系数和反射率因子的权重系数，它们会在这些领域的典型尺度上进行详细介绍。除非另有规定，它们在Sterling实地测试时被设定为1和0.5。S和T表示同化窗口的空间和时间范围。反射率是一个模型的预测变量，而模型的径向速度必须从模型的笛卡尔速度分量中计算，计算使用下面的公式：

在2.4式中，r表示模型网格点（x,y,z）和雷达位置（x,y,z）之间的距离；VT是雨的末端速度。我们估计末端速度时是使用以下的公式（Sun 和 Crook 1997）：

公式2.1的第二项Jb是背景项。它是从之前的分析和预测中测量到的，并定义为：

x0是背景状态向量，B是背景误差协方差矩阵。数据同化中的一个普遍做法是利用前面分析的数值预报，预测周期为当前周期的背景。然而，在我们的系统中，我们使用的是以前的同化周期为背景的分析，因为我们的周期中只包括分析。虽然使用以前的分析会引起背景和观测值之间的相关性，但这种相关性在价值函数中是可以忽略的。在下一节中，我们将使用一种比使用之前预测背景更好的分析背景，这样可以得到更好的结果。

在第三个部分中，Jp是空间和时间的平滑回归项，表示为：

Aj表示模型的相关变量，Xi表示空间点（x,y,z）。已经有过其他的调查人使用过类似的光滑回归函数（例如Wahba和Wendelberger 1980; Long 和 Thacker 1989）。以实验错误的方式确定处罚条款的权重函数。关于这些系数的确定将在下一节给出更多的讨论。由于在系统使用中的背景误差，增加的空间平滑回归项可能是多余的。在下一节中，我们将比较这些部分的影响，并给出一些讨论。

a.数据预处理和质量控制

WSR-88DII级数据有一系列间距250米的径向速度和1km的反射率和1度的方位对于这两个变量。在降水模式中,每个雷达体扫包含九个仰角的扫描:0.5,1.5,2.4,0.5,1.5,6.0,9.9,14.6和19.5。在垂直方向上的分辨率取决于距离,在距离雷达远处很低。在75公里距离处, 在最低的2.6公里处只有三个垂直数据点,这是分析域的深度。然而,雷达数据的水平分辨率优于模式网格点。因此,在其被VDRAS读取前原始的雷达数据插值到1公里的笛卡尔网格。对照试验的质量表现在1km数据处。质量控制后,数据进一步水平插值到模型3公里网格,同时在垂直方向上保持恒定的仰角水平。

Jing and Wiener (1993)在摄取流通过运算法则演示了速度模糊。为了消除附近的地面杂波以及混乱异常传播的数据,任何小于0.25m/s的速度和相应的反射率数据被删除,因为地面杂波和异常传播速度接近于零。最终质量检查是要删除每个偏离数据点的虚假数据。在一个指定的局部区域,计算所有数据点的平均。中心点的数据值与这个平均值比较,如果差别超过指定值,这一中心值就被删除。

因为水汽反射率不被保存,这些数据需要被删除或作为源汇项添加到反射率方程。为简单起见,我们只计算降水影响的效果。我们使用一个阈值12 dBZ区分从晴空和降水返回的反射率;也就是说,任何大于12 dBZ反射率数据从降水返回的。实验表明,要么删除降水返回的数据或者使用参数化的源项不产生大的影响，由于反射率数据在反演中起着相对不重要的角色,将在下一节中说明。

b．PPI数据的直接同化

VDRAS一个重要的改进是它能够读取和同化同一高度雷达数据在垂直上。由于WSR-88D数据低的垂直分辨率,在固定高度垂直插值数据到模型笛卡坐标系中会导致大的误差。直接计划同化没有垂直插值方位显示 (PPI)数据允许最优的 4 DVAR积分。考虑到计算效率，我们不选择同化的球面极坐标的原始采样数据。每一个常规仰角处把二维极坐标系的数据插值到二维笛卡尔坐标系网格中。这个处理过程的调整是最低的极性采样分辨率的雷达数据(离雷达站120km处大约是2公里,它是分析域里最远的距离)仍比模型的分辨率网格(3公里)要好。从现在开始,我们将参考插值PPI数据作为观测。

因为输入的PPI数据在恒定的高度水平下,必须指定一个观测算子H映射模型的变量从模型网格到数据网格比如在价值函数中计算模式方法和观测值之间的差别。基于雷达原理,下面关系是用于把数据模型垂直转化成仰角:

其中v re代表仰角上的径向速度水平角和z是模型垂直网格间距。增益函数G代表雷达波数是由

z是距离的雷达波束的中心和beta;2是波数半宽。在雷达波束中和是大于模型的网格点在雷达波束。

在早期版本的VDRAS，把原始的球面极坐标网格的雷达数据插值到三维笛卡尔网格模型。当比较分析笛卡儿PPI数据同化的结果,表明更好地拟合观测值 (在每种情况下定义)是可以通过平滑分析来实现的。

C、背景误差统计的建模

根据其定义,背景误差协方差矩阵B在等式(2.6)中，可以被发现通过获得大气的真实状态和相应的领域背景之间差异的期望价值:

Bij =lt;(xt -xb)(xt - xb)gt;(2.10)

然而,它是不可能直接从它的定义来定义B除非大气是真实状态。此外,很难用一个完整的矩阵B共事，矩阵是n2，其中n是3 d网格点的数量

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31553]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章