利用探空资料计算水汽压

利用L波段探空资料的相对湿度值及温度值计算水汽压时,由于探空测量的是相对于水面的相对湿度,只能用相对于水面的饱和水汽压公式来计算,低温时用相对于冰面的饱和水汽压公式计算水汽压可能不正确.对水相和冰相的不同处理所带来的偏差进行了分析和讨论.以CIMO规定的温度-45℃和0℃为界,分别计算了用相对于冰面的饱和水汽压公式和相对于水面的饱和水汽压公式得到的水汽压值,并进行了比较.结果表明,在计算实际水汽压的过程中,用不同的饱和水汽压公式所产生的绝对偏差虽然不大,但相对偏差最大可能达到50％,不容忽视,对确定对流层上部的气候效应可能产生影响.     

不同天气条件下地基微波辐射计探测性能比对

利用探空数据和毫米波云雷达数据,对在大气探测试验基地同址观测的国内外3种型号地基微波辐射计进行1年（2016年10月—2017年9月）的比对分析,重点分析不同型号地基微波辐射计在晴空和云天下温、湿观测性能特征。结果表明:3种型号地基微波辐射计温度与探空相关系数均超过0.98,达到0.01显著性水平;晴空条件下,德国及国产地基微波辐射计温度平均误差均在±1℃以内（前者为负偏差,后者为正偏差）,误差较小,美国地基微波辐射计系统偏差约为-1.8℃;3种型号地基微波辐射计均方根误差随高度递增,整体均方根误差以德国地基微波辐射计2.2℃为最小,美国地基微波辐射计3.8℃为最大;在有云条件下,3种型号地基微波辐射计平均误差分布较晴空条件下无明显变化,均方根误差较晴空条件有约增加0.5℃。3种型号地基微波辐射计均呈晴空相对湿度误差小于云天误差,低空误差小于中高空误差的特点;晴空条件下,美国与国产地基微波辐射计相对湿度均方根误差分别为15%和18%左右,小于德国地基微波辐射计;云天条件下3种型号微波辐射计均方根误差均较大（26%左右）。     

空间结构函数在北京地区气象观测站网设计中的应用

通过统计1978—2000年北京东南低地形区有关台站在春季、夏季、秋季、冬季的逐日平均气温和水汽压的结构函数, 分季节分析了该地区这两个二类气象要素的线段及平面内插精度和台站间距的对应关系, 并根据内插标准误差不超过观测标准误差的原则, 对上述两要素在北京东南低地形区的合理布站方案及间距进行了估算, 可以为2008年北京奥运会气象服务系统建设中气象台站布网建设提供一定的依据。结果表明, 正三角形排列方案为北京东南地区二类气象台站的最佳布站方案, 且布站精度应小于等于16 km。     

集合卡尔曼滤波同化多普勒雷达资料的数值试验

利用集合卡尔曼滤波(EnKF)在云数值模式中同化模拟多普勒雷达资料,并考察了不同条件下EnKF同化方法的性能.结果显示,经过几个同化周期后,EnKF分析结果非常接近真值.单多普勒雷达资料EnKF同化对雷达位置不太敏感,双雷达资料同化结果在同化的初期阶段比单雷达资料同化结果准确.同化由反射率导出的雨水比直接同化反射率资料更有效,联合同化径向速度和雨水有利于提高同化分析效果.协方差对EnKF同化效果起着非常重要的作用,考虑模式全部预报变量与径向速度协方差的同化效果比仅考虑速度场与径向速度协方差的同化效果好.雷达资料缺值降低了同化效果,此时增加地面常规观测资料的同化可以明显提高同化分析效果.EnKF同化技术对雷达观测资料误差不太敏感.初始集合对同化分析有较大影响.EnKF同化受集合大小和观测资料影响半径.同化对模式误差较敏感.利用EnKF同化双多普勒雷达资料,分析了一次梅雨锋暴雨过程的中尺度结构.结果表明,EnKF同化技术能够从双多普勒雷达资料反演暴雨中尺度系统的动力场、热力场和微物理场,反演的风场是较准确的,反演的热力场和微物理场分布也是基本合理的.中低层切变线是此次暴雨的主要动力特征,对流云表现为低层辐合、高层辐散并有垂直上升运动伴随,其热力特征表现为低层是低压区,高层为高压区,中部为暖区而上、下部为冷区,水汽、云水和雨水分别集中在对流云体内、上升气流区和强回波区.     

复杂地形下地面观测资料同化II. 模式地形与观测站地形高度差异代表性误差

第I部分研究结果(徐枝芳等,2007)表明模式与实际观测站地形高度差异对地面观测资料同化效果有较大影响。此文在MM5_3DVAR同化系统中利用近地层相似理论将地面观测资料进行直接三维变分同化分析,考虑模式与实际观测站地形高度差异对同化效果的影响,提出在地面观测误差中增加地形代表性误差来解决这个问题。研究结果表明:地面资料同化分析时,在其观测误差中加入一项新的误差——地形代表性误差,能较好地解决地面资料同化分析中模式与观测站地形高度差异问题;地面资料参与同化分析,在观测误差中加入与模式和实际观测站地形高度差异大小相关的地形代表性误差时,地面观测值对分析值的影响随着地形高度差异代表性误差的加入而减小,同时又部分地将地面观测信息通过变分分析融进分析场,使得低层分析更接近真实场,且地面资料利用率更高,24小时降水数值预报(模拟)的效果较好。     

GRAPES_GFS在西南地区的预报稳定性 及其误差与地形的关系

根据地形特征,将西南地区划分为高原区、边坡区和盆地区,引入统计学"不稳定度"定量描述模式预报稳定性,对2016年6月—2017年9月全球中期天气预报(GRAPES_GFS)和欧洲中期天气预报中心(EC)在西南地区的高层形势场、主要的天气影响系统和地面要素预报性能进行了主客观检验,一定程度揭示了GRAPES_GFS和EC在西南地区的预报稳定性、地形的影响以及二模式预报性能的异同。结果显示:GRAPES_GFS高空高度场、温度场预报不稳定度分布呈北高南低型,相对湿度、风速预报不稳定度大值区在高原边缘;各要素预报不稳定度季节性周期最为显著,其位相和振幅因要素不同而有所不同;地形主要影响温度和风向预报误差值,但对相对湿度和风速预报的影响则体现在误差随时效的增长速率差异上;"漏报"是模式对西南地区天气系统的主要预报误差源,"低报"则是模式对西南地区2 m温度预报误差的最大来源;模式对西南地区降水落区预报有效率大约为50%,但强度预报通常偏低。EC与GRAPES_GFS的误差特征没有本质区别,但EC误差更小,稳定性更高。     

全自动雹雨分测计的研制

介绍了全自动雹雨分测计的工作原理、结构及野外预测情况,并讨论了仪器的误差。结果表明,仪器性能稳定,所取得的资料对研究冰雹的生成及检验防雹效果都有重要的参考价值。     

两种四维奇异值分解同化方法的比较及误差分析

4DSVD是最近提出的一种新的资料同化方法。目前还存在一些需要解决的问题,比如如何选取样本,如何得到支撑大气吸引子的基向量以及选取基向量的个数问题等等。作者利用奇异值分解(SVD)与经验正交函数分解(EOF)两种方法来获得支撑大气吸引子的基向量,推导了基于这两种方法的4DSVD分析场的理论公式,并用简单的数值试验比较了基于这两种方法的4DSVD分析场的空间相关系数和误差,初步分析了分析场与基向量个数的关系以及与样本选取的关系和分析误差的来源及各种误差对分析误差影响的相对大小。结果表明,用SVD方法作为获得支撑大气吸引子基向量的方法得到的分析场较EOF方法稳定,分析场与基向量个数有密切关系,观测误差、模式误差和观测代表性误差是分析误差的主要来源,且其引起的分析误差随着基向量个数增多而增大。     

气象卫星接收天线标校技术及应用

在过去的几十年中,我国气象事业的不断发展,中国风云气象卫星完成了从试验应用型向业务服务性的不断转型,因此对于卫星信号接收天线的可靠性和指向精度要求越来越高。目前用于接收风云系列极轨气象卫星下行信号的天线主要有12m和4.2m天线,其具有动态特性高、波束宽度窄等特点,因此需要在天线安装和运行期间对天线的轴系误差进行精确的标定和校准。本文在传统标校方法的基础上,提出了利用太阳进行的误差标校技术,进一步降低了标校环节的复杂程度,提高了标校精度。     

An Optical Disdrometer for Measuring Present Weather Parameters

A new present weather identifier（PWI） based on occlusion and scattering techniques is presented in the study. The present weather parameters are detectable by the meteorological optical range（MOR） approximately up to 50 km and by droplets with diameters ranging from 0.125 mm to 22 mm with velocities up to 16 m s-1. The MOR error is less than 8% for the MOR within 10 km and less than 15% for farther distances. Moreover, the size errors derived from various positions of the light sheet by the particles were checked within ± 0.1 mm ± 5%. The comparison shows that the MOR, in a sudden shower event, is surprisingly consistent with those of the sentry visibility sensors（SVS） with a correlation coefficient up to 98%. For the rain amounts derived from the size and velocity of the droplets, the daily sums by the PWI agree within 10% of those by the Total Rain Weighing Sensor（TRwS205） and the rain gauge. Combined with other sensors such as temperature, humidity, and wind, the PWI can serve as a present weather sensor to distinguish several weather types such as fog, haze, mist, rain, hail, and drizzle.