模式内部变率引起的1.5℃和2℃升温阈值出现时间模拟的不确定性研究

模式内部变率是模拟结果不确定性的重要来源,然而它对于1.5℃和2℃升温阈值出现时间不确定性的影响尚不清楚。因此,基于耦合模式比较计划第五阶段(CMIP5)的多模式数据研究了模式内部变率对1.5℃和2℃升温阈值出现时间不确定性的影响以及对未来排放情景的敏感性。结果表明,模式内部变率对升温阈值出现时间模拟的影响与外强迫的影响相当,单个模式内部不同成员达到全球平均1.5℃或2℃增温的年份相差2~12年;其影响具有明显的空间差异,影响极大值出现在欧亚大陆以北洋面、白令海峡周围区域、北美东北部及其与格陵兰岛之间的海域、南半球高纬地区等;低排放情景下模式内部变率的影响大于高排放情景。     

2015年11月沈阳地区一次PM2.5重污染过程综合分析

利用多源观测资料综合分析了2015年11月沈阳地区一次PM2.5 重污染天气的气象条件、垂直风场演变、大气边界层特征以及污染物的来源。结果表明:本次重污染过程中,沈阳市区PM2.5浓度长达81h超过250μg · m^-3 ,其中峰值浓度达到1287μg · m^-3 ,重污染期间PM2.5 /PM10 的比例最高为90%。受地面倒槽和黄淮气旋影响,近地面层持续存在的逆温层、高相对湿度和弱偏北风为颗粒物吸湿增长和长时间聚集提供有利的天气条件。风廓线雷达风场资料显示在重污染期间,近地面层存在弱风速区、凌乱风场和弱下沉气流。利用风廓线雷达资料计算了边界层通风量(Ventilation Index,VI)和局地环流指数(Recirculation,R),边界层通风量VI和PM2.5 存在明显的负相关,非污染日VI是重污染日的2倍,局地环流指数R在重污染天气前大于0.9,而在污染期间部分空间R小于0.8。通过后向轨迹模式和火点监测资料分析发现,沈阳上空300m高度气团来自于生物质燃烧区域,而且沈阳地区NO2和CO浓度的变化与PM2.5一致,说明本次重污染过程也可能和生物质燃烧有关。     

2017年辽宁省春夏季精细化气象干旱监测评估

基于辽宁省1114个国家级和区域级地面台站1961年以来的逐日气温和降水观测资料,利用距离平方反比法差值生成了1717个乡镇的气象资料序列,采用气象干旱综合监测指数统计分析了辽宁省2017年4—8月精细化到乡镇的气象干旱特征。结果表明:2017年辽宁省春夏季异常高温,同时降水异常偏少,致使气象干旱不断发展;干旱在4月5日前从中部和北部开始,4月末扩展到西部,5—6月再向东南发展,波及88%的乡镇,7月以来气象干旱程度开始减轻;气象干旱持续时间长的乡镇主要集中在中部和北部,最长持续时间153d;受气温偏高和降水过程的影响,中度以上气象干旱面积呈阶段性变化,且极端干旱的发展伴随高温时段。由于气象干旱不同于农业干旱,在开展为农服务时要因地制宜采取应对措施。     

1960—2017年沈阳地区春播期降水变化特征

基于1960—2017年沈阳市5个气象观测站4—5月降水量资料,采用线性趋势法和累积距平分析了沈阳市春播期(4—5月)降水量演变特征,并分析首场透雨及最大连续无有效降水日数演变特征及对春播期降水量影响,对春播期降水量资源变化特征进行相关分析。结果表明:近58a沈阳春播期降水量整体呈现弱的增加趋势,平均每10a增加3.1mm,2004年开始降水量迅速增加,且波动性较大,降水量异常偏多或偏少年份较多,易诱发春旱春涝事件。春播期首场透雨出现日期平均每10a偏晚0.051d,首场透雨日期偏晚,将导致春播期前期雨水条件不足,引起土壤干旱,不利于春播开展。最大连续无有效降水日数呈波动性增加趋势,平均每10a增加0.56d,对4月降水量影响较大,虽然春播期降水资源总量增加,但存在降水资源时间分配不均的问题,且长时间无有效降水事件频发,将导致春播期干旱灾害事件发生风险加大,导致适播期延后。     

六盘山区夏秋季大气水汽和液态水特征初步分析

六盘山区是中国典型的农牧交错带和生态脆弱带,也是黄土高原重要的水源涵养地、生态保护区及国家级扶贫开发区。利用2017年6-11月隆德气象站地基多通道微波辐射计资料,结合同期平凉探空站及隆德地面降水等观测资料,分析了六盘山区夏秋季大气水汽、液态水变化特征。结果表明：六盘山区夏秋季在降水天气背景下,大气水汽含量和液态水含量均较高,分别为无降水天气背景下的1.4倍和7.0倍;降水天气背景下水汽在5000 m以下有明显的增加,且在此高度范围内的水汽密度随高度的递减率比无降水天气背景下明显偏小;各高度层的液态水相比无降水天气背景下均有明显增大,除6月外,主峰值均出现在0℃层高度层以下。六盘山区夏秋季各月中,6-9月。大气水汽含量高值区均出现在正午到傍晚时段,低值区均出现在日出前后;液态水含量在日出前、午后及傍晚分别出现峰值,最明显的峰值出现在午后。对一次对流性降水天气过程分析后发现,降水发生前40 min大气水汽含量和液态水含量出现两次明显的跃增,水汽向上输送不断加强,2500-7500 m高度的相对湿度明显增大。     

淮河流域秸秆焚烧关键期主要大气污染物浓度时空分布特征

基于2015年6月淮河流域卫星遥感监测火点信息、环境空气质量监测数据和常规气象观测资料,利用ANUSPLIN和ArcGISKriging方法对气象要素和主要大气污染物浓度空间栅格化,分析了秸秆焚烧关键期内AQI和主要污染物浓度的时空变化特征及其与气温、相对湿度、风速等气象要素的相关关系。结果表明:秸秆焚烧关键期内,淮河流域城市AQI、PM10与PM2.5浓度均明显升高,且与卫星监测火点具有一定时空响应关系。在时间变化上,AQI、PM10与PM2.5浓度6月上中旬呈波动上升,6月下旬趋于回落;在空间分布方面,AQI、PM10与PM2.5浓度三者分布形态相似,总体上呈现"南低北高、两高一低"分布特征;期间AQI、PM10与PM2.5浓度与气温呈显著正相关,与相对湿度呈显著负相关,与风速的相关性不显著。     

Validation for a tropical belt version of WRF: sensitivity tests on radiation and cumulus convection parameterizations

对基本气候态和降水日变化的分析是检验模式模拟性能、理解模式误差来源的重要手段。为了评估出对热带气候模拟效果较好的物理参数化方案组合,本文应用WRF带状区域模式,主要比较了四种积云对流参数化方案:NewTiedtke、Kain-Fritsch、newSAS、Tiedtke,和两种辐射参数化方案:RRTMG和CAM,对热带带状区域的气候模拟结果。研究表明:使用NewTiedtke积云对流参数化方案和RRTMG辐射方案的试验,表现出对气温、降水及降水日变化等综合性最好的模拟性能;NewTiedtke积云对流参数化方案能模拟出较好的降水空间分布和降水日变化位相分布特征;与RRTMG辐射方案相比,CAM辐射方案会使温度模拟偏低,特别是陆地上更明显,这种陆地上的冷偏差可能主要来源于Tmin的模拟偏冷。     

江淮切变线强度的定量化描述方法研究

从气象观测事实和物理的角度出发,定义了一种江淮切变线强度的定量化的表征方法,即综合与降水关系密切的切变涡度和散度形成能客观近似地刻画切变线附近切变强度的指标量■。并在此基础上利用再分析资料和实况降水资料分析切变强度与对应降水量之间的关系,分析表明:强切变强度区域与降水雨带有明显的对应关系,降水区往往与强切变强度区域相一致或是比强切变强度区域略偏南;证实了切变强度与降水强度有正相关关系的事实,当切变强度■时,对应区域6 h累积降水量超过10 mm,甚至达到30 mm。     

有霾和无霾时宁波市大气混合层高度的日变化特征

根据2007—2013年宁波市每日8次地面观测气象资料,运用罗氏法和统计分析法计算大气混合层高度,分析其在霾日和非霾日的不同日变化特征。结果表明宁波市霾日与非霾日混合层高度均呈白天高,夜晚低的日变化特征,夏季两者差值的日变化波动最明显,波峰时间比其他季节晚3 h。混合层高度日变化趋势与风速、气温、能见度趋于一致,霾等级越重,混合层高度越低。霾日与非霾日的气温差值除冬季呈正变温外,其他季节呈负变温,冬季14时差值最小,夜间加大,春夏季凌晨差值最小,14时最大,秋季波动不明显;风速差值除冬季夜间为正值外,其余季节为负值,秋冬季差值最小、夏季最大。大气处于不稳定状态时,混合层高度随着稳定度增加而逐渐处于稳定状态时,随着稳定度增加而降低,中性大气是宁波易致霾的大气层结。霾日与非霾日大气稳定度表现不一致,中午霾日中性大气占多数,非霾日则是不稳定大气;夜间霾日稳定—弱稳定大气和中性大气所占比例相当,非霾日稳定—弱稳定大气占多数。另外,PM_(2.5)浓度在霾日和非霾日均为白天低、夜间高的日变化特征,但霾日波动大,波峰时间晚于非霾日2 h,峰值浓度也高于非霾日2.7倍;早晨或下午到上半夜是霾日的PM_(2.5)浓度两个上升时段,上午为下降时段;非霾日的两个浓度缓升(降)时段分别出现凌晨和下午(上午和前半夜)。研究成果有助于预报员了解大气混合层高度及其对霾的可能影响,从而提高霾预报预警能力。     

The Relationship between Deterministic and Ensemble Mean Forecast Errors Revealed by Global and Local Attractor Radii

It has been demonstrated that ensemble mean forecasts, in the context of the sample mean, have higher forecasting skill than deterministic(or single) forecasts. However, few studies have focused on quantifying the relationship between their forecast errors, especially in individual prediction cases. Clarification of the characteristics of deterministic and ensemble mean forecasts from the perspective of attractors of dynamical systems has also rarely been involved. In this paper, two attractor statistics—namely, the global and local attractor radii(GAR and LAR, respectively)—are applied to reveal the relationship between deterministic and ensemble mean forecast errors. The practical forecast experiments are implemented in a perfect model scenario with the Lorenz96 model as the numerical results for verification. The sample mean errors of deterministic and ensemble mean forecasts can be expressed by GAR and LAR, respectively, and their ratio is found to approach2~(1/2) with lead time. Meanwhile, the LAR can provide the expected ratio of the ensemble mean and deterministic forecast errors in individual cases.