青岛沿海ASCAT卫星反演风场与浮标海岛实测风场的对比分析

本文通过对比检验2013年1月至2016年6月ASCAT卫星反演风场与青岛浮标海岛站实测10m风场资料,开展ASCAT卫星反演风场在青岛沿海的适用评估。结果表明:ASCAT反演风速整体偏大,风向偏左,但整体偏差均较小。ASCAT反演风场和浮标海岛站实测风场的风速和风向的整体偏差分别为1.6m/s和-9.6°,说明ASCAT反演风场在青岛沿岸有很好的适用性,比EC再分析资料能更细致地反映青岛沿岸的风场空间分布。从风速分级比较来看,风速越弱,卫星反演风速越接近站点实测风速,反演结果越好,而风向反演结果则反之。风速和风向的反演效果皆是晚上比早晨好。并且季节变化对风速反演效果影响不大,但是对风向反演效果有一定的影响,秋冬季节风向反演结果好于春夏季节。最后,对ASCAT反演风速分别进行线性回归订正、综合误差、风速等级误差和升降轨误差订正,发现线性回归订正结果最佳。     

多普勒激光雷达风场反演方法研究

采用三维变分同化反演(3DVAR)、 四维变分同化反演(4DVAR) 对多普勒激光雷达资料反演风场的方法进行了研究, 利用车载多普勒激光雷达在2008年残奥会测试赛期间外场试验取得的数据, 反演了海面10 m高度处的风场, 并将风场反演结果与浮标资料进行了对比分析, 结果表明: 3DVAR、4DVAR风场反演方法均能实现近海面风的精细化风场反演, 并能反映出风向的变化, 反演风场与浮标数据基本一致, 在风速较大的天气情况, 3DVAR与4DVAR反演风场的一致性要好于风速较小的天气情况; 4DVAR反演方法中以浮标资料作为背景场, 使得其与浮标的符合程度要好于3DVAR方法反演风场; 反演风场的风向与浮标风向具有很好的相关关系, 反演风场的风速与浮标风速具有一定的相关关系, 反演风场的风向、风速与浮标的风向、风速之间平均均方根误差和平均绝对误差表明, 这两序列之间具有一定差别, 在风速较小的天气情况下使用时需要注意。     

基于随机森林算法的岸基GNSS-R海面风速反演

GNSS-R技术可应用于海面风速反演,但传统的反演方法存在计算量大、反演精准度不高等缺点。利用随机森林算法,对东营沿海东青五号石油平台上的岸基GNSS-R数据进行海面风速反演,结果显示：训练集的决定系数R2为094,均方根误差为102 m/s;测试集的R2为084,均方根误差为155 m/s。与传统方法相比,随机森林算法反演效果大幅提升,可应用于GNSS-R海面风速反演中。岸基GNSS-R反演海面风速中最重要的特征因子是风向和相关时间,不同风力等级下的反演结果也存在明显差异。     

ENVISAT星载合成孔径雷达反演风场在江苏近海风场研究中的应用初探

为了弥补海上风的常规直接观测资料较少的不足,探索将合成孔径雷达(Advanced Synthetic Aperture Radar,ASAR)观测资料用于风场研究,以江苏近海为研究对象,利用沿海地面观测数据和2008年11幅ASAR影像反演获得的风速和风向进行对比,并将卫星反演风场同化至数值模式,分析对海上风场模拟效果的改进。结果表明:ASAR影像反演的海面风场和地面实测吻合度较高,可以作为没有直接风观测的海上区域的补充。风速反演值略大于观测值,均方根误差为1.8 m·s~(-1),83.6%的站点偏差在±2 m·s~(-1)之内;风向反演值比观测值偏北,均方根误差为39.3°,41.8%的站点偏差在±22.5°之内。将反演风场同化至WRF模式后,提高了海上风场的模拟效果,风速均方根误差1月降低至0.9 m·s~(-1),7月降低至1.6 m·s~(-1);风向均方根误差1月降低为57.3°,7月降低为50.6°。     

QuikSCAT和ASCAT卫星反演风场在中国南海北部的适用性研究

对QuikSCAT和ASCAT原始轨道10 m反演风场与浮标资料在中国南海北部的统计检验分析结果表明:两套卫星资料在中国南海北部具有较好的适用性,QuickSCAT反演风速偏高0.46 m·s~(-1),ASCAT反演风速在近海偏高0.45 m·s~(-1),在开阔海域偏高0.07 m·s~(-1)。超过半数的QuickSCAT反演风向误差30°。在近岸海域,ASCAT反演风向误差30°的超过56%,在开阔海域,误差绝对值30°的达到64%。小风时卫星反演风速偏大,大风时卫星反演风速明显偏小,且白天的偏差大于夜间;在5~10 m·s~(-1)风速条件下,两者的一致性较好。用WRF模式模拟的近海风能资源存在高估的可能,卫星资料对近海风能资源评估是个有益的补充,本文对卫星反演风场误差的分析结果也可以为卫星反演风场的资料同化提供参考。     

从单Doppler速度场反演风矢量场的VAP方法

从单Doppler速度场反演风矢量场的VAP(Velocity Azimuth Processing)方法是在假定相邻方位角的风矢量相等的前提下,从单部Doppler雷达所测得的各个距离圈上的径向速度随方位角分布的廓线推算风向和风速的方法。这个假定可以保证反演所得的风矢量场中仍保留次天气尺度的风场信息。 对VAP方法反演公式的误差分析表明,反演出的风向误差为20—30度,与常规测风的误差相近。风速误差一般为10~0m/s,但在某些特定的情况下可达到与风速相同的量级(10~1m/s)。 用VAP方法反演风矢量场前必须首先消除原始Doppler速度资料中的脉动。它可以通过简单的一维线性平滑实现。 文中给出了一个反演实例,从中可以分析出次天气尺度的切变线和辐合线。常规天气图和UHF雷达的风廓线观测表明,这些次天气尺度系统是存在的。它们与反射率因子分布的配置还表明这些次天气尺度系统是和降水相联系的。     

利用AMDAR数据分析厦门、泉州双雷达三维风场反演误差

利用2016年全年进出厦门机场和晋江机场航班的AMDAR(Aircraft Meteorological DAta Relay)数据对双雷达反演风场进行检验,分析了厦门、泉州双雷达风场反演的总体误差,研究结果表明:1)验证了双雷达连线附近区域反演风场的平均绝对误差较大,发现了与两部雷达连线的夹角小于15°和大于165°的区域的反演结果的平均绝对误差明显大于误差的年平均值。2)对于反演风向而言,误差随着高度增加而减小。对于反演风速而言,高度在9 km以下的反演误差在5 m/s左右,而9 km以上的反演误差较小。3)剔除了双雷达连线附近区域(与两部雷达连线的夹角小于15°和大于165°的区域)和反射率因子小于5 dBZ以及等于100 dBZ(剔除非气象回波)的反演结果后,双雷达反演风场误差较小,相对于AMDAR数据的风向年平均绝对误差为29.4°,风速年平均绝对误差为3.28 m/s,总体误差在可接受范围之内,反演结果接近"真值",该反演方法稳定可靠。     

多普勒雷达VAD风廓线资料的质量评估

将2004—2007年浙江省温州多普勒雷达VAD风廓线和相邻洪家探空站同期经修正的探空风廓线资料进行对比统计,分析了两者之间的差异和相关性;对不同高度层以及三种不同降水系统中(大面积连续性降水、阵性降水、热带气旋降水)VAD反演方法的精度进行了研究,并分析误差来源。结果表明,VAD方法反演的风廓线与探空廓线之间具有较高的相关性。VAD方法对大面积连续性降水的风向和风速的反演质量最好,其次是热带气旋降水。风向、风速偏差最大的均为阵性降水。      

ASCAT与HY-2A风场产品在南海的精度评估

基于中国科学院南海海洋研究所提供的2012年1月1日—2013年12月31日西沙自动气象站观测资料以及同时间序列的欧洲中心ERA-interim再分析风场产品,统计了ASCAT和HY-2A散射计风场产品的误差特征,分析散射计资料在南海的适用性。分析得出:ASCAT和HY-2A的风速、风向与自动站一致性高,相关系数均大于0.85,ASCAT风速和风向均方根误差分别为1.57 m/s和15.42 °,HY-2A均方根误差略微偏大,分别为2.02 m/s和24.75 °;ASCAT和HY-2A散射计与ERA-interim风速、风向有很好的一致性,在不考虑低风速（ < 3 m/s）的条件下,风速均方根误差分别为1.40 m/s和1.56 m/s,风向均方根误差分别为15.09 °和17.07 °,与设计精度一致,表明ASCAT与HY-2A风场产品在南海是适用的。此外,散射计相对再分析风场的偏差没有明显的季节性变化      

用梯形平均法计算平均风向的研究与检验

从风向变化的实际出发,根据平均风向的计算方法必须能反映前后风向相关这一实际情况,提出用梯形平均法来计算平均风向。理论分析和模拟检验表明：①理论上观测误差的处理上算术平均法和梯形平均法是等价的,拟合误差上梯形平均法优于算术平均法;②统计上算术平均法和梯形平均法都通过了Watson-Williams检验,但具体到平均偏差、可信度上,梯形平均法要优于算术平均法。所以梯形平均法是平均风向更适当的算法,建议作为风向平均值的算法。     

非线性VAD反演低层风廓线拟合阶数优化方法

结合理论和SoWMEX试验 (西南气流试验,Southwest Monsoon Experiment) 的连续多普勒天气雷达观测资料和广东省阳江雷达资料, 对非线性速度方位显示 (非线性VAD) 方法反演低层低于2 km垂直风廓线精度和能力进行定量分析。结果表明:非线性VAD基本能反演出低层风廓线在空间和时间上的演变。但当雷达径向速度数据在方位存在较大的连续性缺测、体积扫描仰角较少时,因传统非线性VAD采用的速度方位显示 (VAD) 方法拟合阶数和垂直拟合阶数过高,反演的低层风廓线会存在较大误差,造成不合理高风速区和风廓线不连续。通过实际观测资料统计分析反演参数对非线性VAD的影响,提出基于连续性数据缺测间隔和不同仰角的多少的VAD和垂直拟合阶数动态调整方法。同锋面降水和台风降水两典型个例的实际探空比对显示,调整后的非线性VAD显著改进低层风廓线反演精度,反演的风廓线结构和变化与实况相符,反演平均误差小于2 m·s-1。     

风廓线雷达水平风数据质量控制

基于九龙站风廓线雷达实时水平风数据制定了水平风数据的质量控制方法，首先求取中位数水平风场，其次构建实际观测风场和中位数风场的差值序列，然后求取差值序列的均方差，再根据差值均方差得到质控判别式，最后试验求取质控判别式中的质控阈值。通过对九龙站2017年风廓线雷达水平风数据质量控制发现，实测风向数据有2044185个，25721个没有通过质控，未通过质控的风向数据占总观测的比例是1.258%，风向数据在近地层通过质控的数据最多，随高度增加通过质控的数据量有所下降。实测风速数据有2044185个，18296个没有通过质控，未通过质控的风速数据占总观测的比例是0.895%，风速数据在2000～4000 m出错的最少，近地层次之，4500～7000 m出错的数据最多。质控后风廓线雷达和探空观测风数据的均方根误差减小，相关系数增加，风向数据质量在500～7000 m提升明显，风速数据在1500～8000 m之间提升明显。     

一种偏差订正方法在平昌冬奥会气象预报的应用

为了提高GRAPES_3 km（Global/Regional Assimilation and Prediction System）模式在2018年平昌冬奥会气象服务中的预报能力,采用一阶自适应的卡尔曼滤波方法对GRAPES_3 km模式的2 m气温、2 m相对湿度和10 m风开展偏差订正。结果表明:偏差订正方法明显提高了地面要素的预报效果,其中2 m气温的均方根误差整体减小到2℃左右,站点订正改善率为10%~60%;10 m风速的均方根误差减小到2 m·s-1左右,站点订正改善率为10%~45%;2 m相对湿度减小到20%以下,站点订正改善率为0~20%。与韩国气象厅LDAPS（Local Data Assimilation and Prediction System）及美国宇航局NU-WRF（NASA-Unified WRF）模式相比,GRAPES_3 km模式的风速预报表现更为优异,各站点整体预报效果明显优于LDAPS和NU-WRF模式。偏差订正方法可有效改善模式在复杂地形条件下的预报能力,是提高精细化预报准确率的重要手段。     

Determination of surface layer parameters at the edge of a suburban area

Vertical wind and air temperature profile related parameters in the surface layer at the edge of suburban area of Zagreb (Croatia) have been considered. For that purpose, adopted Monin–Obukhov similarity theory and a set of observations of wind and air temperature at 2 and 10?m above ground, recorded in 2005, have been used. The root mean square differences (errors) principle has been used as a tool to estimate the effective roughness length as well as standard deviations of wind speed and wind gusts. The results of estimation are effective roughness lengths dependent on eight wind direction sectors unknown before. Gratefully to that achievement, representativeness of wind data at standard 10-m height can be clarified more deeply for an area of at least about 1?km in upwind direction from the observation site. Extrapolation of wind data for lower or higher levels from standard 10-m height are thus properly representative for a wider inhomogeneous suburban area and can be used as such in numerical models, flux and wind energy estimation, civil engineering, air pollution and climatological applications.     

Representativeness of wind measurements on a mesoscale grid with station separations of 312 m to 10 km

A field experiment was carried out in which wind speed and direction were measured over flat terrain at a height of 10 m using 13 identical instruments spaced logarithmically along two perpendicular 10 km lines. Station separations ranged from 312 m to 10 km. One-minute data from 11 sampling periods of duration 6 to 10 h were studied. p ]The statistics showed little dependence on whether the line of instruments was oriented along the wind or across the wind. The correlation coefficients between wind fluctuations at two stations separated by distance x were found to vary exponentially with x, with an integral distance scale on the order of 1 km. The integral time scale derived from the variation of the single station variances with averaging time was found to equal several minutes. At a station separation of 10 km, the correlation coefficients between the wind components at the two sites were calculated to be 0.24, 0.37, and 0.47 for averaging times of 1, 10, and 60 min, respectively. These values for the correlation coefficients correspond to root-mean-square differences in wind speed at the two stations of about 1.3, 1.0, and 0.7 m/s, respectively.Exponential formulas based on dimensional analysis are suggested for fitting these observations. It is found that the observations of spatial correlations are best fit if two independent integral distance scales are used — a boundary-layer distance scale of about 300 m that best applies to small station separations and a mesoscale distance scale of about 10 km that applies to larger station separations.     

不同台风降水强度下风廓线雷达适用性

以2019年8月在浙江舟山对1909号超强台风“利奇马”的移动观测试验为基础,利用同一地点释放的9次GPS探空气球,对比了风廓线雷达和多普勒激光测风雷达与GPS探空的吻合程度,并利用车载雨滴谱仪对风廓线雷达在不同台风降水强度下的适用性进行了研究。结果表明,在100~300 m高度范围内激光测风雷达观测风速比风廓线雷达更准确。由水平风速对比结果可知,风廓线雷达在3~4 km高度范围内偏差最小(3.59 m/s),相关性最高(0.86),而在1 km高度下偏差最大(6.39 m/s),相关性最低(0.54);在中雨及大雨条件下适用性最差,最大风速偏差约为18 m/s。由水平风向对比结果可知,风廓线雷达与GPS探空总体上吻合较好,相关系数均大于0.85,均方根偏差均小于11 °。另外,降水强度对风廓线雷达的风向观测影响较小,风向偏差随降水强度的变化总体趋于平稳,基本分布在-20 °~20 °之间。      

雷达资料快速更新四维变分同化中增加地面资料同化对强对流临近数值预报的影响

基于雷达资料快速更新四维变分同化（RR4DVar）技术和三维数值云模式发展的快速更新雷达四维变分分析系统（VDRAS）,通过在系统中加入地面自动气象站观测资料的同化方法,对发生在北京地区的10个强对流过程开展了地面资料同化的高分辨率模拟分析和检验评估,并与已经业务使用的地面资料融合方法进行对比。研究结果发现,地面观测资料同化使边界层1 km高度以下的分析场改善最为明显,风速和风向的均方根误差分别平均降低0.1 m/s和7.2°,温度的均方根误差降低0.2℃。模式最低层100 m高度的风速均方根误差降低0.5 m/s,风速的误差随高度上升逐渐增大。模式最低层风向的均方根误差降低15.5°,温度的均方根误差降低0.4℃,且1.5 km高度以下的温度偏差都减小。区域内地面10 m高风速的均方根误差平均降低0.2 m/s,风向的均方根误差降低10.8°,地面2 m气温的偏差也降低。随着预报时效的延长,地面温度和风场的误差不断增大,但地面资料同化方法在一定程度上可以提高1 h内地面气象要素的预报效果。对2019年5月17日北京地区局地强对流新生和增强过程的详细分析表明,地面自动气象站观测资料的同化方法相对于融合,可以通过更细致准确地分析低层大气的热动力特征,改善低层气象要素的预报效果。在此基础上,通过探究对流单体的局地触发机理发现,海风锋辐合线与城市的相互作用一定程度上影响了对流的局地新生和发展,该同化方法可以进一步提高北京地区局地突发强对流的临近数值预报能力。      

The Influence of Thermal Effects on the Wind Speed Profile of the Coastal Marine Boundary Layer

The wind speed profile in a coastal marine environment is investigated with observations from the measurement program Rødsand, where meteorological data are collected with a 50 m high mast in the Danish Baltic Sea, about 11 km from the coast. When compared with the standard Monin—Obukhov theory the measured wind speed increase between 10 m and 50 m height is found to be systematically larger than predicted for stable and near-neutral conditions. The data indicate that the deviation is smaller for short (10–20 km) distances to the coast than for larger (>30 km) distances. The theory of the planetary boundary layer with an inversion lid offers a qualitative explanation for these findings. When warm air is advected over colder water, a capping inversion typically develops. The air below is constantly cooled by the water and gradually develops into a well-mixed layer with near-neutral stratification. Typical examples as well as scatter plots of the data are consistent with this explanation. The deviation of measured and predicted wind speed profiles is shown to be correlated with the estimated height and strength of the inversion layer.