基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用

闵锦忠，车渌,郭亚凯

① 南京信息工程大学 气象灾害教育部重点实验室,江苏 南京 210044;② 南京信息工程大学 大气科学学院,江苏 南京 210044

基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用

闵锦忠①，车渌②*,郭亚凯②

① 南京信息工程大学 气象灾害教育部重点实验室,江苏 南京 210044;② 南京信息工程大学 大气科学学院,江苏 南京 210044

2014-04-04收稿,2014-06-03接受

国家重点基础研究发展计划(937计划)项目(2013CB430102);国家自然科学基金重点项目(2014g109);江苏省高校自然科学研究计划项目(20110057)

摘要基于集合平方根滤波方法(EnSRF)同化方法和NOAH陆面模式的WRF-EnSRF陆面同化系统,同化了江苏省70个自动站资料进行试验,研究加入不同的同化资料(地表温度、10 cm土壤温度、20 cm土壤温度)及初始扰动强度的大小对陆面数据同化系统性能的影响,以及对不同区域(降水大值区和降水小值区)的分析场进行效果对比,并且检验了同化系统在一次典型的梅雨锋暴雨的同化效果,证明了这个系统的有效性和可行性。对于资料选取试验,比较全场平均的同化时刻分析场模拟观测相对真实观测的均方根误差可以得到:同化地表温度资料并且初始扰动强度1 K的时候同化效果最理想。对于选定的降水大值区和降水小值区来讲,降水大值区的土壤温度和土壤湿度分析场更加接近于真实场。运用于一次梅雨锋暴雨的同化实验,对于最后一个同化时次的分析场作为背景场做集合预报,最终证明预报结果是有效的。土壤温度、土壤湿度、地表温度和近地面风场的预报结果都较用NCEP再分析资料直接做预报作为控制试验的结果有不同程度的改进。这说明该系统应用于实际同化中的性能较为良好,可以应用于实际土壤湿度与温度的预报。

关键词

陆面资料同化

集合均方根

滤波

自动站资料

江苏省

陆面数据同化系统(LDAS,Land Data Assimilation System)是近年来将同化方法应用到地球表层科学和水文学中而迅速发展起来的新方法,它在近几年来受到越来越多的关注与重视。陆面数据同化的研究主要为:在陆面模型和水文模型的基础上,采用不同的资料同化算法同化卫星和雷达数据、地表观测资料,优化地表和根区土壤温度、水分、地表能量通量等的估算(黄春林和李新,2004;张春雷等,2006,2008)。

到目前为止,陆面数据同化都集中在使用四维变分(4DVAR)或者集合卡尔曼滤波(EnKF)同化方法同化遥感资料的阶段。考虑到集合平方根滤波方法(EnSRF)较之基于蒙特卡罗思想的传统EnKF的优越性,将使用对于观测不加扰的EnSRF同化方法。闵锦忠等(2011,2012)、陈杰等(2012)在WRF模式上完成了集合平方根滤波WRF-EnSRF同化系统的构建,在此基础上又进行初步构建WRF-EnSRF陆面数据同化系统,该系统可针对不同的资料,如雷达、卫星和自动站资料等。我国陆面数据同化系统使用较多的陆面模式为分布式水文模型VIC和改进的CLM模型CoLM以及SiB2模型(黄春林和李新,2004)。作为研究的起步,郭亚凯使用比较成熟的WRF模式中的NOAH陆面模式,它包括了一个4层土壤的模块和一层植被冠层的植被模块,可以预报土壤湿度和土壤温度,其初始温度、湿度场均有大尺度场提供的信息经过插值得到(李鹏,2006)。考虑到地面自动站资料与其他观测资料相比,有站点分布密集、资料的实时性强、观测量为模式变量等优点(邵长亮,2011),本文利用这个自主构建的WRF-EnSRF陆面同化系统同化实际的自动站资料,评估其在实际应用中的同化性能。

1WRF-EnSRF陆面同化系统介绍

1.1EnSRF同化方法理论

(1)

(2)

其中:

K=PbHT(HPbHT+R)-1

(3)

是卡尔曼增益矩阵,Pb是背景误差协方差矩阵,H是非线性观测算子H的线性化形式。上标a,b和o分别代表分析场,背景场和观测场。分析场的集合均值由方程(1)更新;而集合成员扰动由方程(2)更新,在单个观测情况下,

(4)

方程(4)中平方根根号下分子分母都是标量,所以α值计算简单。卡尔曼增益矩阵方程(3)中的背景误差协方差矩阵PbHT和HPbHT由预报集合统计出来,具体形式如下所示

(5)

(6)

其中:N是集合成员数,H是非线性的观测算子。在单一观测情况下,PbHT是和状态向量x有相同长度的向量,而HPbHT是标量。在实际应用中,协方差局地化方案通常会用来处理远距离虚假相关,所以PbHT并不用全部计算,而在观测影响之外的格点上协方差设为0。当一个观测同化完后,分析场将作为新的背景场同化下一个观测。当一个时次所有观测同化完后,模式将分析场集合作为初始场预报到下一个同化时刻,分析下一个时次的观测,不断循环同化过程。

1.2NOAH陆面模式简介

NOAH陆面模式是由OSU-LSM(Oregon State University/Land Surface Model)发展而来,2000年正式定名,经过多年不断完善,已经被广泛用于陆面过程的综合模拟(Chen et al.,1996,1997;Chen and Mitchell,1999;Wood et al.,1998)。陆地表面的温度采用了Mahrt and Michael(1984)提出一个简单线性的陆面能量平衡公式,其中地面和植被看成为一体作为陆面(李鹏,2006)。模式分别积分至4个土壤层进行计算:表层至0.1、0.3、0.6和1 m的深度,因此其输出包括4层土壤的温度和湿度。径流采用简单的水量平衡法(SWB,Simple Water Balance)获得,定义为降雨与最大渗透量的差值(高艳红等,2006)。总蒸发E包括三个部分:1)土壤表层的直接蒸发Es;2)从植被层截留的蒸发Ec;3)从通过植被和根系部分蒸腾作用Ev。这里,土壤直接蒸发被认为与潜在蒸发间存在较好的线性关系,潜在蒸发采用经典的Penman-base能量平衡公式计算而得。植被蒸腾的计算则采用的是传统的阻抗法。这些共同组成了NOAH模式的核心方法。

1.3陆面数据同化系统流程及结构

陆面数据同化系统主要由驱动数据和参数集、陆面过程模型、数据同化方法、观测数据、输出数据等构成(黄春林和李新,2004)。其中,驱动数据集通常是由大气数据同化系统获得大气状态数据,本试验使用fnl资料从前一时刻预报到开始同化时刻的预报值作为驱动数据;参数集主要包括NOAH陆面模型中所需要的静态参数和动态参数,使用WRF自带的参数集;观测数据使用地面自动站观测数据;输出数据与具体的陆面模型有关,主要是地表的土壤湿度、土壤温度、地表温度数据。结构流程如图1所示:1)驱动数据与陆面参数进入陆面过程模型,生成当前时刻的状态变量;2)同化当前时刻的地面观测,估计背景场误差,优化状态变量;3)陆面同化与大气同化继续向前推进,生成下一时刻的背景场。

图1　预报系统技术流程图Fig.1　Flow chart of the forecast system

2同化试验设计

2.1天气个例介绍

自2007年7月1日起,江苏全省由于梅雨天气开始出现持续强降水过程,多次出现了日降水量大于100 mm的大暴雨天气过程,其中7月7日江宁站日降水量达到173.4 mm,此外,7月7日14时至8日14时的24 h累计降水量达299.2 mm,为1951年以来的最大值,而相同时段南京市区累计24 h降水量达203.2 mm,仅次于2003年7月5日的日降水量207.2 mm。

2.2资料介绍

背景场其初、边条件采用NCEP 1°×1°一日4次的分析资料,用于同化的资料采用江苏省70个自动气象站观测资料(图2)。资料进行质量控制处理后加入到同化系统中。图3为研究区在此个例时间段的下垫面分布。

图2　江苏省70个自动站分布Fig.2　Distribution of AWSs in Jiangsu Province

图3　a.土壤类型(2,3,4,5,6分别代表壤质砂土、砂质壤土、粉砂壤土、泥沙、肥土,江苏大多数是砂质壤土;蓝色以上部分是水面);b.夏季植被类型(2,4,6,8,10和12分别代表旱地农田和牧场、混合型旱地/灌溉农田和牧场、家田/花叶林地、落叶针叶林、稀树草原和灌丛,江苏省夏季此时基本上是旱地农田,也有少量混合型旱地/灌溉农田);c.地形高度(单位:m)Fig.3　(a)Soil types[(2)loamy sand,(3)sandy loam,(4)silt loam,(5)silt,(6)loam];(b)Vegetation types[(2)dry farmland and pasture,(4)Combination of dry land,irrigated farmland and pasture,(6)Combination of farmland and mosaic forest,(8)deciduous coniferous forest,(10)savanna,(12)thickets];(c)Terrain height (units:m)

2.3模式参数设置

应用WRFV3.4.1的ARW版本作为系统的预报模式。在同化试验中,模式水平区域格点为150×150,格距5 km,垂直方向采用模式默认的28层。模式运行参数设置:积分步长30 s,微物理方案为WSM6方案,陆面过程使用NOAH方案,积云参数化方案为Kain-Fritsch方案。背景场其初、边条件采用每6 h一次的NCEP 1°×1°再分析资料。

各实际同化试验中,集合成员数30。采用协方差松弛膨胀方案,将预报集合扰动与分析集合扰动按一定比例相加得到新的分析集合扰动,分析集合平均不变,公式如下

xa′=(1-α)xα+αxf。

(7)

其中预报集合权重α取为0.8,分析集合权重(1-α)取为0.2。在所有试验中,局地化方案使用距离相关函数的方案,局地化距离土壤变量为水平10 km,垂直10 cm。土壤温度和地表温度的观测误差都为1 K。

2.4试验方案

通过对实际个例的模拟,对将江苏省70个站点资料进行同化,使用了不同的观测资料:10 cm土壤温度,20 cm土壤温度和地表温度资料,对它们进行组合使用,是否初始加扰试验,探讨使用哪种资料效果最佳。并罗列了各方案的分析场效果图和各变量均方根误差。目的是考察基于自动站资料的WRF-EnSRF陆面同化系统应用降水过程中,同化加入哪种资料效果最好,分析场的结果是否准确,以此来检验WRF-EnSRF陆面同化系统的分析场是否准确。

图4　试验流程图Fig.4　Flow chart of the forecast system

同化试验流程(图4)从2007年7月8日06时(世界时,下同)起报到2007年7月8日12时,把2007年7月8日12时的预报结果作为背景场,然后在模式积分开始时(2007年7月8日12时)初始场添加随机扰动形成初始集合,在模式积分到第1小时系统开始直接同化观测资料,每1 h同化一次观测,连续同化至2007年7月8日23时,即一共同化11次。其中扰动初始场时,速度场(u,v,w)的误差标准差为1 m/s,位温的误差标准差为1 K,水汽混合比的误差标准差为0.001 kg/kg。10 cm浅层土壤温度(tslb10cm)、20 cm浅层土壤温度(tslb20cm)和地表温度(tsk)标准偏差取为1 K。同化加入的观测资料如表1所列。共设计9组资料和初始扰动各异的试验(表1)。

表1试验资料选取和初始扰动设置

Table 1Optimal test data selection and initial disturbance settings

编号试验名称同化资料设置1试验1(Exp1)同化10cm土壤温度资料,初始扰动强度1K2试验2(Exp2)同化地表温度资料,初始扰动强度1K;同化10cm土壤温度资料,初始扰动强度1K3试验3(Exp3)同化地表温度资料,初始不扰动;同化10cm土壤温度资料,初始扰动强度1K4试验4(Exp4)同化地表温度资料,初始扰动强度1K;同化10cm土壤温度资料,初始不扰动5试验5(Exp5)同化地表温度资料,初始扰动强度1K6试验6(Exp6)同化地表温度资料,初始扰动强度1K;同化20cm土壤温度资料,初始扰动强度1K7试验7(Exp7)同化地表温度资料,初始扰动强度1K;同化20cm土壤温度资料,初始不扰动8试验8(Exp8)同化地表温度资料,初始不扰动;同化20cm土壤温度资料,初始扰动强度1K9试验9(Exp9)同化20cm土壤温度资料,初始扰动强度1K

2.5各试验方案效果对比

以各要素的分析场(图略)只能大致的主观看出分析场是否准确,为了更客观地了解要素分析场是否准确,还是需要借由各变量的同化时刻分析场模拟观测相对真实观测的均方根误差(RMSE)来分析。分析场模拟观测值即为各个时刻加入数据同化之后得到的分析值,采用FNL资料作为各个时刻的真实观测值,由于FNL资料收集了每6 h的观测资料,需要用到WRF模式的输入文件,在&time_control那组设置里面增加一些设置来得到每个小时的真实场。

图5　不同深度的土壤温度均方根误差(单位:℃)　　a.0～10 cm;b.10～30 cm;c;30～60 cmFig.5　RMSE of soil temperature at different depths (units:℃):(a)0—10 cm;(b)10—30 cm;(c)30—60 cm

图5是不同深度的土壤温度各同化时刻分析场与观测场之间均方根误差,可以看出各层土壤温度的RMSE都是试验4、试验5和试验7的最小,且随时间上升缓慢,试验1、试验2和试验3的RMSE都是呈直线上升的并且较大,试验6和试验8、试验9的RMSE骤然上升,之后开始缓慢上升,最后时次的RMSE与试验1、试验2和试验3大致一样。比较图5a、5b、5c可以得到土壤深度越深,土壤温度RMSE越大,但最大没有超过0.3 ℃,在正常范围内,因此分析场模拟观测非常准确。试验4、试验5和试验7这三组试验的共同点是加入的同化资料都是地表温度资料,并且地表温度的初始扰动强度都为1 K。初步估计加入的同化资料为地表温度资料可能使同化更为准确。

图6是不同深度的土壤湿度各同化时刻分析场模拟观测相对真实观测的均方根误差,可以看出各层土壤湿度的RMSE都几乎没有区别,0～10 cm层的土壤湿度RMSE先随同化时间减小然后增加,10～30 cm层的土壤湿度RMSE随着时间直线上升,30～60 cm层的土壤湿度先随时间减小然后增加最后再减小。比较图6a、6b、6c可以得到土壤深度越深,土壤湿度RMSE越大,但都在可接受范围内变化,因此分析场模拟观测非常准确。对于土壤湿度而言,加入何种温度资料结果都相差不多。

图6　不同深度的土壤湿度均方根误差(单位:m3/m3)　　a.0～10 cm;b.10～30 cm;c;30～60 cmFig.6　RMSE of soil moisture at different depths (units:m3·m-3):(a)0—10 cm;(b)10—30 cm;(c)30—60 cm

图7a是地表温度各同化时刻分析场模拟观测相对真实观测的均方根误差,可以看出各试验的地表温度的RMSE都在0.8～1.8 ℃之间变化,在可接受范围内,因此分析场模拟观测非常准确。试验4和试验7在某些时刻比其他试验较大,其他各组试验相差不多,试验3较小一点。各组试验都是先随同化时间减小,然后迅速增加。对于地表温度而言,加入何种温度资料结果都是相差不多,试验3效果较好一些,试验3加入的同化资料是:同时同化10 cm土壤温度资料和地表温度资料,10 cm土壤温度资料初始扰动强度为1 K,地表温度资料初始不加扰。

图7b是雨水混合比各同化时刻分析场模拟观测相对真实观测的均方根误差,可以看出各试验的地表温度的RMSE都在0.000 2左右,在正常范围内,因此分析场模拟观测非常准确。各组试验相差不多,都是先随同化时间迅速增大,然后稳步减少。对于雨水混合比而言,加入何种温度资料结果都相差不多。

综上所述,通过同时考量各要素的分析场效果图和各变量各同化时刻分析场模拟观测相对真实观测的均方根误差(RMSE),最终得到各要素的分析值都较为准确,并且综合来看试验4、5和7相较其他各组试验结果更令人满意。

图7　地表温度(a;单位:℃)和雨水混合比(b;单位:kg·kg-1)的均方根误差Fig.7　RMSE of (a)surface temperature (units:℃)and (b)water vapor mixing ratio(units:kg·kg-1)

以上已经证明了各要素的分析值都较为满意,但是从分析场的效果图(图略)可以看出江苏的不同区域的分析值都还是存在差异的。而且通过全场的RMSE算数平均虽然已经得到满意结果,但是为了探讨不同区域的分析值好坏差异,本小节选取了两块区域来进行比较。其中区域一是降水大值区(119.5～120.5°E,32～33°N),区域二是降水小值区(118.5～119.5°E,33.5～34.5°N)。

如图8所示,总体比较降水大值区和降水小值区,降水大值区的土壤温度分析场更加接近于真实场。降水大小值区都是随着土壤深度越深,同化效果越接近真实值。几组试验相比较来看,试验4和5相较其他各组试验都更接近真实值。对于浅层10 cm的土壤温度来说,随着时间推移,降水小值区试验从0.9 ℃的差异开始都趋于接近真实值,最后与真实值非常相近,而降水大值区则相反,与真实值差距越来越显著。

图8　0～10 cm(a、d)、10～30 cm(b、e)和30～60 cm(c、f)的土壤温度均方根误差在区域一(a、b、c)和区域二(d、e、f)的对比(单位:℃)Fig.8　RMSE of soil temperature at different depths,as compared between different areas (units:℃):(a)area1_0—10 cm;(b)area1_10—30 cm;(c)area1_30—60 cm;(d)area2_0—10 cm;(e)area2_10—30 cm;(f)area2_30—60 cm

如图9所示,总体比较降水大值区和降水小值区,降水大值区的土壤湿度分析场更加接近于真实场。降水大小值区都是随着土壤深度加深,同化效果距离真实值越接近。几组试验相比较来看,每组差异并不是很大。对于不同层不同区域的土壤湿度来说,同化效果随着时间推移都与真实值的差距越来越大。

如图10所示,地表温度的试验值与真实值差异较大,同化结果并不随时间越来越趋于真实值。降水大值区比区降水小值区的效果更差,但都在可以接受范围内。对于降水大值区,试验1和试验2的相较于其他几组试验更接近真实场。

图9　0～10 cm(a、d)、10～30 cm(b、e)和30～60 cm(c、f)的土壤湿度均方根误差在区域一(a、b、c)和区域二(d、e、f)的对比(单位:m3·m-3)Fig.9　RMSE of soil moisture at different depths,as compared between different areas(units:m3·m-3):(a)area1_0—10 cm;(b)area1_10—30 cm;(c)area1_30—60 cm;(d)area2_0—10 cm;(e)area2_10—30 cm;(f)area2_30—60 cm

图10　地表温度均方根误差在不同区域的对比(单位:℃)　　a.区域一;b.区域二Fig.10　RMSE of surface temperature at different depths,as compared between different areas(units:℃):(a)area1;(b)area2

3预报试验设计和结果

3.1试验方案设计

上一个试验已经验证了WRF-EnSRF陆面同化系统分析场的有效性,本试验方案在此基础上,选取其中一个较优的试验方案(即试验方案4),使用最后一个同化时次的分析场作为背景场做集合预报。目的是考察基于自动站资料的WRF-EnSRF陆面同化系统应用降水过程中,预报结果是否准确。

同化试验从2007年7月8日06时起报到2007年7月8日12时,把2007年7月8日12时的预报结果作为背景场,然后在模式积分开始时(2007年7月8日12时)初始场添加随机扰动形成初始集合,在模式积分到第1 h系统开始直接同化观测资料,每1 h同化一次观测,连续同化至2007年7月8日23时,即一共同化11次。同化加入的观测资料为试验4(Exp4),即同时同化10 cm土壤温度资料和地表温度资料,10 cm土壤温度资料初始不加扰,地表温度资料初始扰动强度为1 K。其中扰动初始场时,速度场(u,v,w)的误差标准差为1 m/s,位温的误差标准差为1 K,水汽混合比的误差标准差为0.001 kg/kg。各实际同化试验中,集合成员数30。最后再把同化最后时刻的分析场作为预报场向后做集合预报,这个作为同化试验的预报结果。把fnl资料作为真实场,用NCEP再分析资料直接做预报作为控制试验的结果。

图11　2007年7月9日06时10 cm浅层土壤温度(单位:℃)　　a.FNL资料10 cm浅层土壤温度;b.控制实验10 cm浅层土壤温度预报结果;c.同化实验10 cm浅层土壤温度预报结果Fig.11　10 cm soil temperature at 0600 UTC 9 July 2007 (units:℃):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

图12　2007年7月9日06时10 cm浅层土壤湿度(单位:m3·m-3)　　a.FNL资料10 cm浅层土壤温度;b.控制实验10 cm浅层土壤温度预报结果;c.同化实验10 cm浅层土壤温度预报结果Fig.12　10 cm soil moisture at 0600 UTC 9 July 2007 (units:m3·m-3):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

图13　2007年7月9日06时地表温度(单位:℃)　　a.FNL资料地表温度;b.控制实验地表温度预报结果;c.同化实验地表温度预报结果Fig.13　Surface temperature at 0600 UTC 9 July 2007 (units:℃):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

图14　2007年7月9日06时近地面10 m风场(单位:m/s)　　a.FNL资料近地面10 m风场;b.控制实验近地面10 m风场预报结果;c.同化实验近地面10 m风场预报结果Fig.14　Horizontal wind at 10 m at 0600 UTC 9 July 2007(units:m·s-1):(a)real field;(b)forecasting results of control test;(c)forecasting results of assimilation test

3.2预报结果

预报结果如图11—14所示:

1)同化试验与控制试验的10 cm浅层土壤温度都存在苏北预报偏高,苏中预报偏低的现象,但同化试验较控制试验有明显的改善效果。

2)同化试验与控制试验降水大值区都存在土壤湿度预报偏高现象,但同化试验较控制试验有明显的改善效果。

3)对于地表温度预报,同化试验与控制试验效果都不太理想,但同化试验效果稍有改进。

4)对于近地面风场同化试验较控制试验有明显的改善效果,特别是在江苏省境内的风速和风向预报基本准确。

为了更客观地比较同化试验与控制试验分别同真实场的偏差,计算控制实验预报结果与真实场的均方根误差(RMSE),以及同化试验预报结果与真实场的均方根误差。分别计算全场各格点的均方根误差,之后求算数平均值,最后得到的均方根误差值见下表2。

表2控制试验与同化试验预报结果分别同真实场的均方根误差

Table 2RMSE of the forecasting results of the control test and assimilation test

2007年7月9日06时10cm浅层土壤温度/℃10cm浅层土壤湿度/(m3·m-3)地表温度/℃控制实验预报结果与真实场的均方根误差2.30.0433.1同化实验预报结果与真实场的均方根误差1.60.0292.7

4结论

本文通过对实际个例的模拟,将江苏省70个站点资料进行同化,使用了不同的观测资料,探讨使用哪种资料效果最佳,并且验证分析场效果是否有效,预报结果是否理想。经过试验得到以下结论:

1)比较全场的平均同化时刻分析场模拟观测相对真实观测的均方根误差可以得到:同化地表温度资料并且初始扰动强度1 K的时候同化效果最理想。

2)对于选定的降水大值区和降水小值区来讲,降水大值区的土壤温度和土壤湿度分析场更加接近于真实场,地表温度效果都不是太理想。降水大小值区都是随着土壤深度加深,同化效果越接近真实值。

3)同时同化地表温度和10 cm浅层土壤温度资料后,选取最后一个同化时次的分析场作为背景场做集合预报,进行其效能的检验,最终证明预报结果是有效的。

综上所述,基于自动站资料的WRF-EnSRF陆面同化系统应用实际个例中取得了较为满意的结果,分析场以及集合预报结果都比较准确,这说明该系统应用于实际同化中的性能较为良好,可以应用于实际土壤湿度与温度的预报。本文取得了一些初步的结论,但也存在一定的问题:本文选择的个例在江苏,自动站资料较密集也较准确。对于其他地区的自动站资料的使用,本文试验得出结果是否适用?这是下一步研究需要解决的问题。

参考文献(References)

Chen F,Mitchell K E.1999.Using the GEWEX/ISLSCP forcing data to simulate global soil moisture fields and hydrological cycle for 1987—1988[J].J Meteor Soc Japan,77(1B):167-182.

Chen F,Mitchell K E,Schaake J,et al.1996.Modeling of land-surface evaporation by four schemes and comparison with FIFE observations[J].J Geophys Res,101(D3):7251-7268.

Chen F,Janic Z,Mitchell K E.1997.Impact of atmospheric surface layer parameterizations in the new land-surface scheme of the NCEP mesoscale Eta model[J].Bound-Layer Meteor,85(3):391-421.

陈杰,闵锦忠,王世璋,等.2012.WRF-EnSRF系统同化多普勒雷达资料在多类型强对流天气过程的数值试验[J].大气科学学报,35(6):720-729.Chen J,Min J Z,Wang S Z,et al.2012.A numerical experiment on WRF-EnSRF for assimilation of Doppler Radar data in multicase strong convective weather processes[J].Trans Atmos Sci,35(6):720-729.(in Chinses).

高艳红,程国栋,崔文瑞,等.2006.陆面水文过程与大气模式的耦合及其在黑河流域的应用[J].地球科学进展,21(12):1283-1292.Gao Y H,Cheng G D,Cui W R,et al.2006.Couping of enhanced land surface hydrology with atmospheric mesoscale model and its implement in Heihe river basin[J].Advances in Earth Science,21(12):1283-1292.(in Chinese).

黄春林,李新.2004.陆面数据同化系统的研究综述[J].遥感技术与应用,19(5):424-430.Huang C L,Li X.2004.A review of land data assimilation system[J].Remote Sensing Technology and Application,19(5):424-430.(in Chinese).

李鹏.2006.NOAH陆面模式在GRAPES中的应用[D].北京:中国气象科学研究院.Li P.2006.Application of NOAH land model in GRAPES[D].Beijing:Chinese Academy of Meteorological Sciences.(in Chinese).

Mahrt L,Michael E K.1984.The influence of atmospheric stability on potential evaporation[J].J Climate Appl Meteor,23(2):222-234.

闵锦忠,陈杰,王世璋,等.2011.WRF-EnSRF同化系统的效果检验及其应用[J].气象科学,31(2):135-144.Min J Z,Chen J,Wang S Z,et al.2011.The test of WRF-EnSRF data assimilation system and its application in storm scale events[J].J Meteor Sci,31(2):135-144.(in Chinese).

闵锦忠,孔莹,杨春,等.2012.卫星辐射率资料EnSRF同化及暴雨模拟应用[J].大气科学学报,35(3):272-281.Min J Z,Kong Y,Yang C,et al.2012.Assimilation of radiance data in WRF-EnSRF and its application in a rainstorm simulation[J].Trans Atmos Sci,35(3):272-281.(in Chinese).

邵长亮.2011.WRF-EnSRF同化地面自动站资料的实现与技术研究[D].南京:南京信息工程大学.Shao C L.2011.Implementation and application of WRF-EnSRF assimilation using automatic station data[D].Nanjing:Nanjing University of Information Science & Technology.(in Chinese).

Wood E F,Lettenmaier D P,Liang X,et al.1998.The project for intercomparison of land-surface parameterization schemes(PILPS)phase 2(c)Red-Arkanss river basin experiment:1.Experiment description and summary inter-comparisons[J].Global and Planetary Change,19(1/2/3/4):115-135.

杨春.2011.WRF-EnSRF卫星资料同化系统构建及应用研究.南京:南京信息工程大学.Yang C.2011.The construction and application research of WRF-EnSRF satellite data assimilation system[D].Nanjing:Nanjing University of Information Science & Technology.(in Chinese).

张春雷,谢郑辉,田向军,等.2006.基于土壤水模型及站点资料的土壤湿度同化方法[J].地球科学进展,21(12):1350-1362.Zhang C L,Xie X H,Tian X J,et al.2006.A soil moisture assimilation scheme with an unsaturated soil water flow model and in-site observation[J].Advances in Earth Science,21(12):1350-1362.(in Chinese).

张春雷,谢郑辉,师春香,等.2008.集合Kalman滤波在土壤湿度同化中的应用[J].大气科学,32(6):1419-1430.Zhang C L,Xie Z H,Shi C X,et al.2008.Application of ensemble Kalman filter in soil moisture assimilation[J].Chin J Atmos Sci,32(6):1419-1430.(in Chinese).

To date,land surface data assimilation systems have tended to focus on the four-dimensional variational or ensemble Kalman filter assimilation methods using remote sensing data.Considering the advantages of the ensemble square-root filter(EnSRF)over the ensemble Kalman filter,we adopt this assimilation method,using observations without disturbance,in the present study.Following the initial construction of WRF-EnSRF in the WRF model,the WRF-EnSRF land surface data assimilation system was preliminarily constructed,along with a system for different data sources,such as radar,satellites and automatic weather stations(AWSs).Considering the latter of these data sources(i.e.,AWSs),there are many advantages over other sources,such as the dense distribution of sites,real-time recording,the convenience of the observational data as model variables,and so on.

The present work begins by testing the WRF-EnSRF land data assimilation system,and then uses AWS data to complete the WRF-EnSRF land data assimilation.Finally,the validity and feasibility of the system is verified.The EnSRF algorithm used in this paper assumes that when the observation error is not related,assimilate the observational data in an orderly way;namely,assimilate each piece of observational data one-by-one.When a piece of observational data is assimilated,the analysis field will be used as the new background field for assimilating the next piece of data.With time,all observational data are assimilated and the system sets the analysis field as the next period’s initial field and then carries out the next period’s ensemble forecast.The system then analyzes the next period’s observational data,and the process recycles.This study uses the comparatively mature Noah land surface model of the WRF model.This model includes a four-layer soil module and a one-layer vegetation module,and can forecast soil humidity and temperature.Its initial temperature field and humidity field are both from the information provided by the large-scale field after interpolation.

Based on the simulation of the actual example(A Mei-yu front rainstorm),the data of 70 AWSs in Jiangsu Province are assimilated.Using different observational data,this paper discusses what kind of data has the best effect.Furthermore,the paper discusses the accuracy of the analysis field in different areas.The main results can be summarized as follows:

(1)The first test uses different kinds of observational data:10 cm depth soil temperature;20 cm depth soil temperature;and surface temperature.The test uses these data by permutation and combination,with or without initial disturbance intensity,enabling it to identify which kind of data is best for assimilation.The paper reports the root-mean-square error(RMSE)of the variables and pictures the analysis field of each scheme.The data selection test results,comprising the RMSE of the analysis field and the true field,show that when assimilating surface temperature data,and the initial disturbance intensity is 1 K,the assimilation effect is as expected.

(2)To discuss the accuracy of the analysis field in different areas,we choose two areas for comparison:one is a high-precipitation area (32—33°N,119.5—120.5°E),and the other a low-precipitation area (33.5—34.5°N,118.5—119.5°E).Compared to the low-precipitation area,the analysis field of soil temperature and soil humidity in the high-precipitation area is closer to the true field.However,the analysis field of surface temperature in both the high-and low-precipitation area is not ideal.For both areas,the assimilation effect is closer to the real value as soil depth deepens.

(3)After assimilation of surface temperature and 10 cm depth soil temperature data at the same time,we choose the analysis field of the last assimilation time as the background field,and then perform the ensemble forecast.In the end,the forecast result is proven to be effective.So,in conclusion,the result of the WRF-EnSRF land data assimilation system using AWS data applied to a practical case is satisfactory,and the analysis field and ensemble forecast are accurate.The prediction results for the soil temperature field,soil moisture field,surface temperature field and the surface layer wind field all have different degrees of improvement compared with the control test.

Overall,this study shows that the performance of the system,as applied in actual assimilation,is relatively good,and the system can be used in the forecasting of soil humidity and temperature.

Land data assimilation;ensemble square-root filter;automatic weather station data;Jiangsu Province

(责任编辑：张福颖)

Testing and application of a land data assimilation system using automatic weather station data

MIN Jinzhong1,CHE Lu2,GUO Yakai2

1KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME),NanjingUniversityofInformationScience&Technology,Nanjing210044,China;2SchoolofAtmosphericSciences,NanjingUniversityofInformationScience&Technology,Nanjing210044,China

doi：10.13878/j.cnki.dqkxxb.20140404001

引用格式:闵锦忠,车渌,郭亚凯.2016.基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用[J].大气科学学报,39(3):318-328.MinJZ,CheL,GuoYK.2016.

Testingandapplicationofalanddataassimilationsystemusingautomaticweatherstationdata[J].TransAtmosSci,39(3):318-328.doi:10.13878/j.cnki.dqkxxb.20140404001.(inChinese).

*联系人，E-mail:chelu0401@foxmail.com