基金项目:国家重点研发计划项目(2017YFC1501802); 南方海洋科学与工程广东省实验室(湛江)项目(ZJW-2019-08); 广东海洋大学“创新强校”项目(230419053); 广东海洋大学“冲一流”学科建设科研项目(231419022); 广东海洋大学中央财政支持地方高校发展专项(000041)
通信作者:jxu@gdou.edu.cn
(广东海洋大学海洋与气象学院,南海海洋气象研究院,南方海洋科学与工程广东省实验室(湛江),广东 湛江 524000)
(College of Ocean and Meteorology,South China Sea Institute of Marine Meteorology,Guangdong Ocean University,Southern Marine Science and Engineering Guangdong Laboratory(Zhanjiang),Zhanjiang 524000,China)
DOI: 10.6043/j.issn.0438-0479.201912002
目前东亚及其周边海域还无公开的高分辨率区域再分析资料,但对该地区的高分辨率区域再分析的需求日益增长.该文使用天气研究与预报模式(WRF)和格点统计插值(GSI)同化系统搭建东亚区域再分析系统(EARS),并用三维变分和部分循环同化的方式研制一年再分析试验数据; 进而使用气象信息综合分析处理系统(MICAPS)的站点观测资料、欧洲中期天气预报中心再分析5(ERA5)的全球再分析资料、热带降水测量任务(TRMM)的降水资料对一年试验数据进行初步评估.评估结果表明:一年再分析试验数据能较好地表征大气状况,其模拟效果接近甚至优于ERA5; 在500 hPa层面上,EARS与ERA5所得结果在环流分布上基本一致,但对青藏高原及印度季风区的模拟效果则有差异; 在降水评估中,EARS与TRMM的降水分布和强降水中心均能较好地对应.
There is no publicly available high-resolution regional reanalysis in East Asia and its nearby coastal zones.However,the demands for high-resolution regional reanalysis in this area are increasing.Using weather research and forecasting(WRF)model and gridpoint statistical interpolation(GSI),East Asian regional reanalysis system(EARS)was set up.With three-dimensional variational data assimilation and partial cycling mode,a one-year experimental dataset was generated.By comparing with meteorology information comprehensive analysis process system(MICAPS)station observation data,European Center for Medium-rarge Weather Forecasts reanalysis 5(ERA5)global reanalysis data,and tropical rainfall measuring mission(TRMM)precipitation data,the one-year experimental dataset was evaluated.The one-year experimental reanalysis dataset can represent the status of atmosphere well,and its simulation result is close to that of ERA5 and even better.At the 500 hPa level,the circulation patterns of EARS and ERA5 are virtually coincident,but the simulations over Tibetan Plateau and Indian monsoon area are different.In the precipitation assessment,the patterns of precipitation and the centers of heavy precipitation of EARS and TRMM are consistent.
大气再分析资料通过资料同化系统,将传统观测数据、雷达回波数据、卫星遥感数据、全球定位系统的信号折射廓线等观测资料和数值预报模式背景场用一定的数学方法融合在一起,使其最接近真实大气的状态,其中,观测资料用以反映大气的真实情况,模式背景场代表大气的动力过程并在同化过程中提供动力约束.目前,再分析资料已经被广泛用于气候分析、历史天气研究、能源利用等; 而区域高分辨率再分析资料的需求日益增长,特别是对于中小尺度天气系统的分析.
当前国际上已有多套公开发行的再分析资料集.近期的全球再分析资料集有欧洲中期天气预报中心(ECMWF)的ERA-Interim和最新一代ERA5[1-2]、日本气象厅的日本55年再分析(JRA-55)[3]、美国国家大气研究中心(NCAR)和美国国家环境预报中心(NCEP)的NCEP/NCAR再分析[4-5]、美国国家航空航天局全球模拟与同化部的现代研究与应用回顾分析(MERRA和MERRA-2)[6-7],以及NCEP的气候预报系统再分析(CFSR和CFSR v2)[8-9]; 区域再分析资料集包括NCEP研制的北美区域再分析(NARR)[10]、ECMWF主导研发的欧洲高分辨率区域再分析(HRRRE)[11-12],美国俄亥俄州立大学伯德极地与气候研究中心等发展的北极系统再分析(ASR)[13-14]等.此外,ECMWF正在着手以最新的全球再分析资料集ERA5为边界条件,研发水平分辨率高达5.5 km泛欧洲区域的哥白尼欧洲区域再分析(CERRA).然而截至目前,东亚及其周边海域仍没有公开发行的高分辨率区域再分析资料集.
我国再分析系统的研制起步较晚.2014年中国气象局推出《国家气象科技创新工程(2014—2020年)实施方案》,在“气象资料质量控制及多源数据融合与再分析”攻关任务计划中,国家气象信息中心及中国气象科学研究院将在2020年研制中国第一代全球大气再分析资料集——中国气象局40年大气再分析(CRA-40)和东亚区域再分析资料集; 同年,我国国家气象信息中心和NCAR签订全球大气再分析合作研究谅解备忘录,并开发了T639L60/格点统计插值(GSI)v3.3循环同化系统.2015年T639L60/GSI v3.3系统经过优化后,循环同化效率和系统稳定性均得到提高,并最终使用美国全球资料同化系统(GDAS)观测资料生成2年试验资料集; 尽管试验资料集除南方涛动指数外,其他气候指数均接近或优于NCEP/NCAR全球再分析资料集[15],但该产品仍存在其他问题,例如模式高层温度比实际偏冷,而这将严重影响卫星资料的同化效果.2017年,国家气象信息中心成功部署全球预报系统(GFS)和GSI系统,并最终确定基于该系统研制CRA-40全球再分析资料集[16].当前,CRA-40已完成研制,水平分辨率为34 km,垂直层数64层.东亚区域再分析系统(EARS)也取得阶段性成果,整体系统已经搭建完成,并且为期一个月的控制试验(不同化)表明系统的高空要素的均方根误差均小于ERA-Interim[17].另外,南京大学也开展了中国区域再分析的试验,结果表明在连续循环同化的同时采用谱逼近的方式,可以将更多的大尺度环流信息融入再分析中[18].
区域再分析一般由全球再分析资料集提供初始时刻的背景场和边界条件,并由再分析系统经过循环同化的过程生成再分析资料集.当前一般做法有:1)连续循环同化,将前一时刻的预报场作为后一时刻的背景场进行同化,且一直延续此同化过程; 2)部分循环同化,在循环同化的过程中每隔一段时间重新引入全球再分析作为初始的背景场,再进行循环同化; 3)使用谱逼近的方法,将传统观测资料与全球再分析资料在细网格中进行融合; 4)在进行连续循环同化的同时,将全球再分析资料谱逼近到区域再分析资料中[10,13-14,18-19].其中,连续循环同化的过程中会使分析场的偏差增加,而谱逼近的方法目前无法直接同化非常规的观测资料[20].
本文对EARS原有配置进行改进,使用新版的数值模式和同化系统,并同化了GDAS常规和反演观测数据以及4类卫星载荷的数据; 进而利用改进后的系统生成为期一年的试验数据,并进行初步评估.
本文采用水平分辨率为0.75°的ERA-Interim全球再分析作为初始背景场和边界条件.观测资料则使用NCEP的GDAS常规观测及反演资料、先进微波探测器A(AMSUA)亮温、微波湿度探测器(MHS)亮温、大气红外探测器(AIRS)亮温和高分辨率红外探测器4(HIRS4)亮温.表1详细列举了EARS使用的观测资料.
EARS的一年试验采用天气研究与预报模式(WRF)v3.9.1.1的中尺度区域模式[21].考虑上游效应及地形等因素的影响,该系统区域不仅囊括整个亚洲,还包含西北太平洋、北印度洋以及欧洲和非洲的部分区域[17](图1).
五角星表示后续检验时所用探空站点的位置,h表示地面高程.
一年试验数据的水平分辨率为12 km,垂直层数74层,模式层顶为10 hPa.WRF模式的物理过程参数化方案如表2所示.
EARS引入GSI v3.6作为资料同化系统[28],采用三维变分同化(3D-Var)方式对前述资料进行同化.EARS采用部分循环同化模式,如图2所示每日进行一次:每次从前一日18:00开始冷启动,在未经同化的情况下积分6 h,得到当日零时刻的背景场; 从此开始热启动,对当前时刻的背景场进行同化,积分6 h,输出预报场,并作为下一时刻的背景场; 经过4次热启动后,当日的再分析结束,进行下一日的再分析运算.
UTC表示协调世界时.
在同化过程中,试验所使用的传统观测资料已在GDAS进行了质量控制,因此GSI会根据GDAS给出的质控码、垂直高度、观测密度和观测时间信息对观测误差进行调整; 相反地,卫星辐射数据的质量控制则主要在GSI内部完成.在进行资料质量控制时,不同类型的探测器有不同的方案,但其主要判断依据有以下4点:仪器自身特性、云和降水的模拟误差、地表发射率的模拟误差和资料处理过程产生的误差.在本试验数据中,HIRS4和AIRS使用相同的质量控制方案,AMSUA和MHS则有各自的质量控制方案.以AMSUA为例,其质量控制方案如下:1)检查大气窗口通道资料是否缺失; 2)计算散射系数并与阈值对比; 3)使用云水含量和偏差订正后的亮温检查云的影响程度; 4)根据地表发射率的敏感性决定是否使用近地面通道; 5)检查地形高度,增加受地形影响的通道观测误差域值; 6)对观测增量大于3倍误差阈值或设定值的观测进行剔除.
本文采用统一后处理器(UPP)对EARS的输出进行后处理.后处理过程主要包括GSI和诊断变量的计算; 使用模式评估系统(MET)进行模式评估,所用资料为中国气象局的气象信息综合分析处理系统(MICAPS)站点观测数据.进行站点评估时,MET将再分析资料中的气象要素场从格点通过距离权重插值法插值到站点位置,并直接与观测结果进行比较.
初步评估分为全年评估、多个再分析资料集季节评估、大气环流季节评估和降水季节评估.全年评估中统计了2015年全年的EARS试验数据,评估的变量除降水为预报量外均为再分析变量; 多个再分析资料集的季节评估则选取1月、4月、7月和10月分别代表冬季、春季、夏季和秋季,并将EARS一年试验资料与同一时段的其他全球再分析资料(ERA5、ERA-Interim、JRA-55和NCEP/NCAR再分析)进行站点统计结果对比; 大气环流季节评估中使用ERA5全球再分析在500 hPa位势高度场及温度场与EARS进行比较.降水季节评估中则用TRMM多源卫星降水分析资料与EARS进行比较[29].
在全年评估中(表3):温度的相关系数最大,均方根误差最小,模拟效果最好; 从近地面(2 m,偏差-0.99 K、均方根误差2.99 K、相关系数0.98)到模式不同高度层,大气温度均偏低,说明模式整体有负的系统误差.相对湿度除近地面(2 m,偏差5.23%、均方根误差14.45%、相关系数0.81)外,偏差和均方根误差随高度上升而整体呈增大趋势,相关系数则整体呈减小趋势; 在250 hPa高度及以下偏差整体为正,说明模式整体偏湿,而在200 hPa高度及以上则整体偏干.模式不同高度层风速的均方根误差介于1.64~2.57 m/s之间,1 000~925 hPa高度的风速偏差为正说明风速偏大,而850 hPa高度及以上偏差均为负说明风速偏小.位势高度在300 hPa高度及以上偏差绝对值较大,且其均方根误差也整体大于400 hPa高度及以下.
表3 2015年EARS一年试验资料集与站点观测的对比统计结果
Tab.3 The statistical results of the one-year EARS experimental data compared with station observations in 2015
选择地面2 m、850和500 hPa高度的要素分别表征近地面、高空低层和中
图3 地面2 m、850 hPa和500 hPa层面上温度(a~c)与相对湿度(d~f)的月变化序列
Fig.3 The monthly series of the temperature(a-c)and relative humidity(d-f)on 2 m above ground, 850 hPa and 500 hPa
层的大气状况.如图3所示,在月变化序列中各层的变化趋势与观测结果基本一致:各层温度均呈现两边低、中间高的分布特征,其中地面2 m的冷偏差较明显; 各层相对湿度除地面2 m外也较接近,但总体表现为偏高.
在季节评估中,将ERA5、ERA-Interim、JRA-55和NCEP/NCAR全球再分析资料集与本试验(EARS)数据进行比对(图4~7),所有再分析资料均使用MICAPS站点观测结果进行统计验证.
各图左边的廓线簇(实线)为偏差,中间的(长虚线)为均方根误差,右边的(短虚线)为相对系数(下同).
图4 1月温度(a)、相对湿度(b)、风速(c)和位势高度(d)的统计图
Fig.4 Statistical profiles of temperature(a),relative humidity(b),wind speed(c)and geopotential height(d)inJanuary
图5 4月温度(a)、相对湿度(b)、风速(c)和位势高度(d)的统计图
Fig.5 Statistical profiles of temperature(a),relative humidity(b),wind speed(c)and geopotential height(d)inApril
图6 7月温度(a)、相对湿度(b)、风速(c)和位势高度(d)的统计图
Fig.6 Statistical profiles of temperature(a),relative humidity(b),wind speed(c)and geopotential height(d)inJuly
图7 10月温度(a)、相对湿度(b)、风速(c)和位势高度(d)的统计图
Fig.7 Statistical profiles of temperature(a),relative humidity(b),wind speed(c)and geopotential height(d)inOctober
在冬季(1月,图4):除位势高度外,EARS在250 hPa高度以下,均方根误差和相关系数均与ERA5相当,部分高度层甚至优于ERA5; 而在250 hPa高度及以上,所有再分析资料的均方根误差基本都增大,模拟效果均开始减弱,其中EARS最明显.在位势高度上,4个全球再分析资料
图8 1月(a,b)、4月(c,d)、7月(e,f)和10月(g,h)EARS和ERA5的500 hPa位势高度场对比
Fig.8 The comparison of geopotential height on 500 hPa between EARS and ERA5 in January(a,b),April(c,d),July(e,f)and October(g,h)
的结果类似,而EARS的均方根误差,相对于ERA5偏大3~20.5位势米.由于位势高度为诊断变量,总体上EARS和ERA5模拟效果最好,ERA-Interim和JRA-55次之,NCEP/NCAR模拟效果较差.
在春季(4月,图5)、夏季(7月,图6)和秋季(10月,图7),各再分析资料的模拟情况总体与冬季类似.由偏差结果可以看出,与冬季相比,EARS的温度相对于实际观测结果在春夏季整体偏低,而相对湿度整体偏高.在春夏季,所有再分析资料在925~1 000 hPa对温度的模拟效果都较秋冬季的差; 而在秋季,所有再分析资料在1 000 hPa的模拟效果相对于其他季节明显更好.在所有季节中,EARS的风速在300~925 hPa范围偏差最接近零且均方根误差最小,说明高分辨率的EARS对风速的模拟效果较其他4个全球再分析资料有显著提升.
从上述分析可以看出ERA5资料的模拟结果较接近实际观测结果,因此本节用ERA5全球再分析资料与EARS进行大气环流的分析比对.
如图8所示,EARS与ERA5的500 hPa位势高度场分布基本一致:在冬季(1月),EARS和ERA5在欧洲和东亚各有一大槽,其中东亚大槽相对更深厚,甚至有闭合的冷涡位于鄂霍次克海上空; 在春季(4月),欧亚大槽加深,青藏高原南麓出现明显的南支槽; 在夏季(7月),EARS和ERA5在西北太平洋上均出现明显的副热带高压,同时欧亚大槽和东亚大槽均显著减弱; 在秋季(10月),副热带高压减弱南退,两条大槽均重新变强.
从图9所示的500 hPa温度场分布来看:在冬春季(1月和4月),EARS在青藏高原上空相比ERA5偏暖; 而在夏秋季(7月和10月)的印度季风区,EARS比ERA5明显偏暖.
ERAS-ERA5表示ERAS与ERA5的温度场之差.
如图 10所示:在冬季(1月),EARS和TRMM降水资料显示在日本东部海域、青藏高
图 10 1月(a,b)、4月(c,d)、7月(e,f)和10月(g,h)EARS和TRMM的月平均降水对比
Fig.10 The comparison of EARS and TRMM monthly average precipitation in January(a,b),April(c,d),July(e,f)and October(g,h)
图 11 中国6个沿海站点的EARS和站点观测日降水的月变化序列
Fig.11 EARS and station observation monthly series of daily precipitation at six coastal stations in China
原南麓、吕宋岛东部、格雷特海峡周边和南海南端均有降水; 在春季(4月),两资料显示在孟加拉湾北部、日本东部海域至华南一带、吕宋岛东部和马来西亚均有降水; 在夏季(7月),EARS显示在印度半岛西岸、孟加拉湾至青藏高原南麓、老挝、北部湾、吕宋岛西部海域的强降水中心均能与TRMM很好地对应; 在秋季(10月),除在印度洋、孟加拉湾区域的降水分布与TRMM一致外,然而EARS在西北太平洋上也明显反映出几个热带气旋(彩虹、巨爵、蔷琵和彩云)路径上的降水.EARS在降水量级上较TRMM显著偏大.
中国沿海6个站点(海口、广州、厦门、杭州、上海和青岛)的降水月变化如图 11所示,基本呈现夏秋多、冬春少的特征.EARS的冬春季节降水与站点观测结果比较符合,但在夏秋季节则偏差较大; 除海口站外,其他5个站点的EARS夏秋季降水较观测结果偏强,相差最大处均位于5—8月,即季风爆发期.
通过WRF和GSI构建的EARS,对地面观测资料和卫星资料同化后研制出一年的试验数据.对一年试验资料集的评估结果表明,EARS能较好地表征大气状况.在2015年的全年评估中,系统整体温度相对偏低; 相对湿度在250 hPa高度以下偏大,在250 hPa高度及以上则偏小; 风速在850 hPa高度及以上偏小,在850 hPa高度以下则偏大.在多个再分析资料集的季节对比中,EARS总体模拟效果与ERA5相当,甚至略优于ERA5,但在模式高层和近地面层的模拟效果偏差.
在500 hPa层面上大气环流的季节评估中:EARS与ERA5的位势高度场分布一致,欧亚大槽、东亚大槽、南支槽及副热带高压的位置均能对应.在500 hPa层面上,EARS与ERA5的温度场在冬春季的青藏高原上空有较大差异,EARS偏暖; 在夏秋季,EARS与ERA5的温度场在印度季风区也有明显差异,EARS偏暖.
在降水的季节评估中,尽管EARS的日降水强度较TRMM的偏大,但两者的降水分布和强降水中心均能对应,且在秋季能明显看出多个热带气旋路径上的降水; 而在中国沿岸站点的降水评估中,EARS的日降水月变化规律与站点观测结果比较符合,但夏秋季降水整体偏强.