雙偏振雷達資料同化對一次臺風降雨模擬的影響

王德立 孔凡鈾 王洪 陳訓來

（1 深圳市氣象局，深圳 518040；2 深圳南方強天氣研究重點實驗室，深圳 518040；3 美國俄克拉荷馬大學風暴分析和預報中心，諾曼 73072，美國；4 中國氣象局廣州熱帶海洋氣象研究所/中國氣象局廣東省區域數值天氣預報重點實驗室，廣州 510640）

0 引言

相比于常規的多普勒天氣雷達只進行單一方向（通常為水平方向）的偏振觀測，雙偏振雷達通過交替或同時進行水平偏振和垂直偏振方向觀測，可以額外探測到降水系統的差分反射率（ZDR）、差傳播相移率（KDP）、零滯后互相關系數（ρHV）等偏振物理量。許多研究表明這些偏振量能夠更加準確地描述降水云微物理特征[1-2]，因而能改進雷達資料質量控制[3]、雷達定量降水估測[4]、降水相態分類[5]和冰雹識別[6]等，為災害天氣臨近預警預報提供更強有力的支持。如何利用雙偏振雷達資料提高災害天氣預警預報和防災減災水平，已成為擺在我們面前的重大課題。

目前國內對雙偏振雷達資料研究主要集中在雷達資料質量控制[7-10]、定量降雨估測[11-13]、災害天氣分析[14-18]、降水相態識別[19]等方面，對雙偏振雷達資料同化研究方面則涉及非常少。常規雷達資料（反射率、徑向風）的同化對中尺度數值預報效果改進已經被眾多的研究和業務應用所證明[20-22]。深圳目前業務運行的實時同化預報系統（Hourly Assimilation Prediction System，HAPS）和雷暴尺度集合預報系統都利用三維變分（3DVAR）同化徑向風，而采用云分析同化反射率。既然雙偏振雷達資料可以提供跟強對流系統發生發展緊密聯系的云微物理信息，那么同化雙偏振雷達資料能否進一步提升數值預報對強天氣的預報技巧呢？ Jung等[23]利用集合卡爾曼濾波方法實現了對雙偏振雷達偏振量同化，其研究結果表明同時同化ZDR、KDP和ρHV可以獲得最大的正影響，主要改進在于對流風暴分析場的垂直速度、水汽混合比和雨水混合比等變量。Li等[24]利用WRF-3DVAR系統實現C波段雙偏振雷達ZDR、KDP等偏振量的同化，改進了降雨短時臨近預報。Tong[25]則通過改進ARPS-3DVAR的云分析模塊實現雙偏振雷達資料同化，可以得出更加合理真實的水凝物分析。

卡爾曼濾波同化技術需要巨大的計算量，目前還無法在業務上使用。而ARPS-3DVAR和云分析技術已經十分成熟，并且已經在深圳市氣象局業務運行多年。因此，本文將選用Tong等[25]改進的ARPS-3DVAR云分析模塊進行雙偏振雷達資料同化試驗，通過2017年第13號臺風天鴿個例考察同化雙偏振雷達資料對臺風降雨模擬的影響。

1 雙偏振雷達資料同化方案簡介

1.1 雙偏振雷達資料質量控制方案

雷達回波觀測中包含著大量電磁干擾、鳥類昆蟲、地物、波在特定溫濕環境的異常傳播等引起[26]的非氣象回波，如果不將這些非氣象回波識別并剔除將嚴重影響資料同化的準確性。本試驗采用王洪等[27]基于廣東省S波段雙偏振雷達網研發建立的面向資料同化的雙偏振雷達質量控制方案。該方案包含非標準遮擋去除、水凝物分類篩選、偏振量閾值檢查、雜波剔除和平滑等五個質量控制步驟。

1）非標準遮擋去除。由樹木或其他人造物體（建筑物、通信塔等）帶來的波束遮擋稱為非標準遮擋（NSB）。若雷達存在NSB，則會在PPI和其他相關產品中出現徑向不連續。通過累計一段時間內反射率因子，找到雷達切向的梯度不連續區，建立NSB靜態文件（需要定期更新）作為識別NSB的依據。NSB方位角小于5°，則通過線性插值補齊；若NSB方位角在5～180°，則將相應偏振量設為缺省；若NSB方位角大于180°，則舍棄該仰角資料。

2）水凝物分類篩選。為了識別并剔除非氣象回波， 本方案引入了Park等[5]基于模糊邏輯建立的水凝物分類算法（HCA），并利用Wu等[28]基于珠海雙偏振雷達資料研究結果更新相關隸屬函數閾值和加入數值模式背景場溫度（用于確定融化層頂的高度）等進行本地化應用。HCA算法將雷達回波劃分為10類：地物雜波（GC/AP）、生物回波（BS）、干雪（DS）、濕雪（WS）、冰晶（CR）、霰（GR）、“大滴”（BD）、小雨和中雨（RA）、大雨（HR）和雨-雹混合物（RH）。BD是指其粒子譜分布趨于大粒子端的回波。首先利用隸屬函數計算水平反射率因子（Zh）、差分反射率（ZDR）、差傳播相移率（KDP）、零滯后互相關系數（ρHV）、Zh標準差和差分相位(φDP)的標準差在各回波類型內的概率，然后將概率值做加權求和，得到每個回波類型的集合概率值；再根據經驗和模式溫度抑制不合理類型的概率；最后將集合概率最大對應的類型作為該庫的回波類型，并剔除被識別為GC/AP或BS的觀測。

3）偏振閾值檢查。根據已有的研究和經驗，對雙偏振觀測資料進行閾值檢查，剔除不可信的觀測資料。包括當ρHV＞1.0或者ρHV＜0.8或者信噪比SNR小于10 dB時，剔除對應庫的偏振觀測資料；當KDP＜0.01°/km時，剔除相應庫的KDP。

4）雜波剔除。基于常規多普勒雷達資料處理經驗，定義在臨近9個庫內，該偏振觀測的有效庫數少于3個，則該點為孤立回波點（即雜波），將雜波點對應的偏振觀測設為缺省值。

5）平滑。目前廣東省偏振雷達距離庫分辨率為250 m，較模式分辨率高出許多。因而有必要對偏振觀測做濾波處理，以保證觀測和模式分辨率相互匹配。平衡包括九點中值濾波和九點徑向濾波。

在進行資料同化前，每部雙偏振雷達觀測資料都分別經過上述資料質量控制步驟后才進入資料同化的環節。圖1給出2017年5月8日10時（北京時，下同）廣州雙偏振雷達量0.48°仰角通過質量控制前后偏振量分布對比，可以看出質量控制方案能有效去除非標準遮擋和剔除非氣象回波。

圖1 2017年5月8日10時廣州雙偏振雷達量0.48°仰角質量控制前（a）和后（b）偏振量分布 Fig. 1 Measurements before (a) and after (b) quality control for Guangzhou polarimetric radar of 0.48° elevation at 10:00 8 May 2017

1.2 雙偏振雷達資料同化方案

本文使用Tong[25]改進的ARPS 云分析模塊來實現雙偏振雷達資料的同化。傳統的ARPS云分析采用的是基于常規多普勒雷達的相對較簡單的雷達反射率因子與水凝物混合比的關系公式，水凝物類別由反射率因子和環境氣溫確定，同一個格點只允許一種水凝物存在（這顯然與真實云內情況不同），由Zh反演出Qx（如雨水Qr、雪Qs、冰雹Qh）。

改進的云分析模塊結合Jung等[29]的基于T-matrix方法的雷達算子以及P a r k 等[5]水凝物分類算法（HCA）實現。首先利用HCA算法對回波進行分類識別。這里跟質量控制步驟不同的，由于雙偏振雷達資料已經經過質量控制，只使用Zh、ZDR、KDP和ρHV和背景場氣溫進行識別，并且不再對地物雜波和生物回波類型計算。通過HCA算法獲得各類氣象回波集合概率值后，將其中8個氣象回波類別歸為三個主要水凝物種類：雨（BD、RA、HR）、雪（DS、WS、CR）、雹/霰（GR、RH），將每種水凝物中的最大集合概率值作為該種類所占份額，即在一個格點上允許不同的水凝物共存。由于雙偏振雷達觀測到的反射率為雨、雪、雹/霰分別貢獻的反射率之和，因此可以根據基于T-matrix的雷達算子、三種水凝物所占相應份額和觀測的反射率分別分析出各水凝物混合比。

除了上述提到的改進外，改進的云分析模塊還新增加了融冰模式，冰相粒子落入零度層以下后不是立即全部融化，而是由密度控制融化快慢，從而允許水與冰共存。值得指出的是，為了實現高效快速同化，模塊對大粒子如冰雹采用了瑞利散射近似。對S波段雷達來說，直徑超過1 cm的冰雹的非瑞利散射效應已經較明顯了[29]，因此改進后的云分析模塊僅適用于波長較長的氣象雷達（如S波段雷達）。

2 試驗設計

為了考察雷達偏振量同化對數值模擬的影響，設計了兩個試驗DP和nDP，DP試驗是利用ARPS三維變分和新修改后的云分析模塊同化雷達徑向風、水平反射率、差分反射率、差傳播相移率、相關系數，nDP試驗則只同化雷達徑向風和水平反射率。

試驗個例選取2017年第13號臺風天鴿個例，起報時間為2017年8月23日14時（即臺風登陸后1 h左右），模擬時長6 h。背景場采用ECMWF的0.125分辨率的2017年8月23日00時起報的預報場。數值模式采用WRF-ARW 3.5.1版本，模式水平分辨率為4 km，水平格點為420×360，垂直層數為50，模式區域為（103.20°-120.84°E，17.27°-30.56°N）；微物理方案采用新Thompson方案，邊界層方案采用MYJ方案，陸面方案采用Noah方案。參與同化的雷達資料為廣州、清遠、韶關和陽江等4部S波段雙偏振雷達在2017年8月23日13時54分觀測。圖2給出 2017年8月23日13時54分由這4部雙偏振雷達觀測經過質控程序處理后插值到4 km分辨率網格的組合反射率拼圖，紅點表示雷達位置。

3 試驗結果分析

3.1 初始場

首先比較DP試驗和nDP的分析場差異。圖3是兩個試驗分析的垂直氣柱累計冰相水量（包括冰雹、雪、冰）以及垂直氣柱累計總凝水量（包括冰雹、雪、冰、云水、雨水、軟雹）。可以看到兩者分布形態非常相近，但是大小有顯著區別。DP試驗分析的垂直氣柱累計冰相含量最大值1.09 kg/m2，明顯小于nDP試驗的2.10 kg/m2；DP試驗分析的垂直氣柱累計總凝水量比nDP試驗小一個量級，DP試驗最大只有1.82 kg/m2，nDP試驗則達到15.5 kg/m2。圖4是沿臺風中心南北向剖面上的初始冰雹、雨、雪混合比分布。一個顯著差別是該剖面上nDP無雹分布而DP試驗則存在著雹分布，這是由于該例觀測到水平反射率因子基本未超過50 dBz（圖2）沒有達到原云分析方案出現雹的標準，新云分析方法（DP）允許不同水凝物類別甚至融冰共存，基于HCA算法獲得與對流活躍區域對應的雹（也包括小的霰粒）的分布。另一個較顯著差別是DP同化分析得到雨混合比要比nDP的小約一個量級，其原因是前者允許不同水凝物類別共存，同時DP同化分析采用到的融冰模式計入了融化水物質（濕雪、濕雹）對反射率因子的貢獻，而這種貢獻是隱形的，并不體現為額外的水凝物混合比[25]。

圖2 2017年8月23日13時54分組合反射率（紅點表示雙偏振雷達站位置：QY表示清遠雷達，SG表示韶關雷達，YJ表示陽江雷達，GZ表示廣州雷達） Fig. 2 The composite reflectivity at 13:54 BT on 23 August 2017(The red dots represented the position of the dualpolarization radar stations, where QY, SG, YJ and GZ refers to radar of Qingyuan, Shaoguan, Yangjiang and Guangzhou respectively)

雙偏振雷達資料的同化對初始水汽也產生了較大的影響。圖5給出兩個試驗分析的700 hPa水汽混合比分布，可以看出兩者差別主要出現在廣東省以及沿海即雷達資料覆蓋的范圍。DP分析的水汽混合比小于nDP試驗，且有干舌從臺風東北側經西北氣旋性伸入臺風東南側，使得臺風濕區范圍顯著減小。

圖3 2017年8月23日14時同化分析的垂直氣柱累計冰相水量（a，b），垂直氣柱累計總凝水量 (c，d)，其中a、c為nDP，b、d為DP Fig. 3 Fig.3 The vertical column accumulated water amount of ice phase (a, b), and the vertical column accumulated total water amount of condensation (c, d) at 14:00 on 23 August 2017, a and c for nDP, b and d for DP

圖4 2017年8月23日14時雷達同化分析的雹（a，b）、雨（c，d）、雪（e，f）沿臺風中心南北向剖面分布：左列為nDP，右列為DP Fig. 4 Mixing ratio (g/kg) analyses for hydrometeor along the north-south cross section of the typhoon center at 14:00 BT on 23 August 2017: hail (a, b), rain (c, d) and snow (e, f): nDP(left), DP(right)

3.2 對臺風降雨模擬影響分析

圖6給出了兩個試驗模擬23日20時的6 h累計雨量和對應的降雨觀測資料。降雨觀測資料是由中國國家氣象信息中心基于“計雨量（概率密度函數）+BMA（貝葉斯模式平均）+OI（最優插值）”方法研制的中國區域地面自動站、衛星、雷達三源降雨融合數據產品（格點分辨率為0.05°）[30-32]。

從圖6可以看出，DP試驗模擬的23日20時6 h累計雨量最大值達到238.1mm比nDP的195.7 mm更接近觀測的237.3 mm，同時DP模擬的強降雨范圍小于nDP，避免了雷州半島和廣東沿海地區強降雨空報。nDP和DP試驗模擬降雨差異可能跟同化分析引起的水汽差異有較大關系， 水汽混合比和干舌存在可能是DP試驗模擬廣東沿海降雨較弱的原因，由同化分析引起的水汽混合比差異可以持續到第6 h。

圖5 2017年8月23日14時雷達同化分析結果：700 hPa水汽混合比（單位：g/kg）（a）nDP，（b）DP Fig. 5 700 hPa water-vapor mixing ratio (g/kg) analyses at 14:00 BT on 23 August 2017: nDP (a), DP (b)

圖6 2017年8月23日20時的6 h累計降雨量（單位：mm）（a）融合觀測降水，（b）nDP，（c）DP Fig. 6 6 h precipitation (unit: mm) at 20:00 BT on 23 August 2017(a) merge precipitation, (b) nDP, (c) DP

為了定量評價偏振量同化對這次臺風降雨模擬影響，利用降雨融合資料對（108.73—118.19°E，19.80—26.279°N）范圍內6 h累計降雨模擬進行ETS評分和偏差檢驗（圖7）。DP試驗的小雨、中雨和大暴雨的ETS評分雖然低于nDP試驗，但是大雨和暴雨的ETS評分高于nDP試驗，且DP試驗的降雨模擬偏差更接近1，而nDP對中雨以上量級降雨模擬的偏差普遍都大于1.5，這說明nDP試驗模擬（強）降雨范圍明顯偏大。綜合來看偏振量同化對強降雨的臨近預報有一定正影響。案和改進的ARPS云分析模塊實現了雷達偏振量包括差分反射率（ZDR）、差傳播相移率（KDP）、相關系數（ρHV）的同化，并利用廣東省廣州、陽江、清遠和韶關4部S波段雙偏振雷達資料對2017年第13號臺風天鴿個例進行了雷達偏振量同化試驗，獲得以下結論：

1）雙偏振雷達資料質量方案包含非標準遮擋去除、水凝物分類篩選、閾值檢查、雜波剔除和平滑等五個質量控制步驟，能有效去除非標準阻塞和剔除非氣象回波。

2）改進的ARPS云分析模塊能有效地同化雷達偏振量。在這次臺風個例中，偏振量同化使得初始場的雨水混合比顯著減小、雹混合比增加，垂直氣柱累計總凝水量顯著變小，同時低層的水汽混合比變小，臺風外圍出現明顯干舌（干區）。

3）雷達偏振量資料同化對這次臺風強降雨短時預報有一定正影響。由于初始場中水汽混合比減小以及臺風外圍出現的干舌，在0～6 h內，DP試驗預報的強降雨范圍明顯縮小，減少了nDP試驗中強降雨空報

4 小結

本文利用面向資料同化的雙偏振雷達質量控制方現象，因此DP試驗對大雨和暴雨模擬要優于不同化偏振量的nDP試驗。

實際上，正如孫娟珍等[20]指出那樣，雙偏振雷達資料同化研究正在處于起步階段，有許多問題需要解決進一步解決，雙偏振雷達資料同化對中尺度數值模擬或預報的影響也需要更多研究和個例驗證。

圖7 2017年8月23日20時 6 h累計雨量模擬的ETS評分（a）和偏差（b） Fig. 7 ETS score (a) and BIAS (b) of 6 h precipit ation simulation at 20:00 BT on 23 August 2017