自适应网格在大气海洋问题中的初步应用

自适应网格法是80年代兴起的通过求解椭圆型方程的边值问题来数值生成网格的一种新方法。它是在任意形状的区域上求偏微分方程的数值解的一种非常有效的工具。该方法抛弃了等距均匀的差分网格，代之以能够自动地适应所研究问题中解的特征的疏密程度不均的曲线网格。如在边界上计算网格与实际边界相重合，在区域内部可任意调节网格点的疏密程度等。本文扼要地介绍了自适应网格的原理及其构造方法。并将其应用于生成南海区域的计算网格以及数值预报台风路径的自适应网格。     

北京地区城市暴雨积涝灾害风险预评估

该文提出自下而上的城市暴雨积涝灾害风险定量评估方法,即在三级评估指标体系下,由下级指标综合核算上级指标系数。在第2级指标计算中,风险区划的危险性指数由历史降水量资料推算得出,风险预警则用实况及预报降水量来计算致灾因子危险性指数;暴雨敏感性指数综合叠加地形、不透水地表因子及河网密度得出;暴雨积涝的风险暴露因子侧重地均人口密度、地均GDP及重点防汛指标等因子,着重于城市地区人口、经济、防汛重点目标的暴露程度。然后在危险性、敏感性及暴露性指数的基础上叠加得出积涝风险指数。通过对比发现,得到的风险区划结果与2004—2008年北京地区暴雨积涝的历史灾情基本吻合。最后,选用北京2011年“6.23”暴雨作风险预警的实例应用检验及分析,结果表明:采用自下而上的快速风险评估结果与积涝的实际发生情况较为接近,无论是风险变化趋势还是风险区域分布情况均与当天的积涝发生情况基本吻合。即该方法能较为准确、快捷地圈定城市地区各级风险区域,能较好地满足风险评估、区划及风险预警的要求。     

夏季青藏高原热力场和环流场的诊断分析III:环流场稳定维持的物理机制

本文使用经过青藏高原气象科学实验测站观测资料订正过的欧洲中心FGGE-Ⅲb资料,对1979年夏季青藏高原地区进行了涡度方程诊断分析,研究了它们的月际变化、逐日变化和日变化,与高原上积云对流活动的强弱变化进行了比较,讨论了夏季高原稳定的环流场维持的物理机制;同时还对同时期热带赤道地区强对流活动区域进行了涡度方程诊断分析,将其涡旋环流场的维持机制与夏季高原地区进行了比较. 通过分析,发现夏季青藏高原月平均涡度方程平衡关系主要是次网格尺度项和散度项的平衡,水平平流项的耗散作用在高空较强,但不如次网格尺度项强,涡度方程其余各项均很小.从月际变化、逐日变化和日变化的比较,发现当积云对流活动发生强弱变化时,ω、D和涡度方程中的散度项、次网格尺度项均伴随很强的相应变化,对应关系很好,说明涡度方程中的次网格尺度项R(余差项)的主要部分来源于积云对流系统的活动,反映了夏季高原上存在的强盛频繁的积云对流活动对高原平均环流场的形成和维持具有重要的作用. 使夏季青藏高原高低层环流场加强的物理机制足高低层气流强大的辐散辐合,耗散机制是积云对流系统对高低层涡度的上下搅拌垂直输送作用和网格尺度水平平流项的非线性耗散作用,其中前者起主要的作用. 从涡旋能量维持的角度看,夏季青藏高原高低层环流场的维持大致是高原尺度环流系统的涡旋能量通过非线性过程,分别向高原区域以外更大尺度的系统和次网格尺度的对流系统输送,输送的损失由强大的高低层辐散辐合气流产生的涡旋能量补充,从而维持了高原地区环流场的稳定.赤道附近热带强对流活动区域环流场的维持机制与夏季高原地区的不同点,主要表现在其高层和低层的区域尺度环流场通过非线性作用都从更大尺度环流场得到涡旋能量,并把涡旋能量转送给次网格尺度积云对流系统,使自身维持稳定.     

Spatial Interpolation of Daily Precipitation in China:1951-2005

Climate research relies heavily on good quality instrumental data; for modeling efforts gridded data are needed. So far, relatively little effort has been made to create gridded climate data for China. This is especially true for high-resolution daily data. This work, focuses on identifying an accurate method to produce gridded daily precipitation in China based on the observed data at 753 stations for the period 1951-2005. Five interpolation methods, including ordinary nearest neighbor, local polynomial, r...     

ECMWF细网格要素预报场在乌鲁木齐米东区的预报性能检验

利用升级后的ECMWF细网格模式2m温度、大尺度降水量(LSP)、累积降水量(TP)及850hPa风速等气象要素预报场,采用客观分析和统计学方法,对2015年2月至2017年1月乌鲁木齐米东区气温、降水及风速进行检验分析。结果表明:2m温度场对于米东区最高、最低气温有较好的预报能力,最高、最低气温年均准确率ECMWF细网格模式产品均高于中央气象台指导预报产品,分别达69.1%和73.8%。细网格和中央气象台指导预报的晴雨准确率均接近或超过80%,对降水天气预报有较好的参考价值;降水分级检验上看,ECMWF细网格和中央指导预报准确率均不太高;对于降雨天气,细网格的预报能力略高于指导预报;对于降雪天气,指导预报对小雪和大雪的预报准确率高于细网格;ECMWF细网格850hPa风速产品与实况风速有较好的相关性,对逐日风的预报有较好地指示意义。     

垂直网格计算频散性的研究

在线性斜压原始方程组的基础上, 从频率和群速方面讨论了几种垂直跳点网格和时间—垂直跳点网格的计算频散性, 并指出了出现错误群速的垂直尺度范围。以便为原始方程大气模式选取垂直网格提供指导。     

采用次网格地形方案对白鹤滩水电站坝区一次大风天气的数值模拟

基于中尺度气象模式,采用次网格地形方案模拟了2019年3月19～20日四川、云南交界处白鹤滩水电站的一次大风过程,对10 m风速、风向和2 m温度空间分布及日变化的模拟结果进行检验评估,并结合地形分析了坝区易产生大风的原因。结果表明：此次西南大风天气是由高低空一致的西南气流配合地面“东高西低”的环流形势共同造成的。午后热低压发展强盛,地面风速增大,坝区出现8级大风。采用次网格地形方案后,风速的平均绝对误差和均方根误差最高可分别减小17%和14%,同时该方案有效地缓解了模式对白天风速的低估和夜间风速的高估,在大风和小风时段均对风速有较好的模拟能力,从而能更好地刻画风速的日变化特征。综合来看,次网格地形方案能显著改善风场的模拟效果,其中Jiménez方案更适用于坝区大风的模拟,但次网格地形方案对温度模拟没有改善作用。白鹤滩水电站的大风受局地地形影响极大,南北向狭长河谷地形产生的狭管效应使气流增速显著,坝区主体高度区河谷风的放大系数超过3.0,使得白鹤滩水电站极易出现灾害性大风天气。     

网格计算及其在气象中的应用

网格是近年来最新发展起来的一种计算技术。通过使用一组开放标准与协议,各机构能够通过互联网或内部网访问数据、存储介质和其它异构计算资源,最终将分布在不同地理位置上的网络、数据、计算资源、存储、应用等在内的资源整合成为一个无缝的计算环境。气象以其高计算量、高吞吐量和密集型服务在美国、欧洲、日本等网格应用计划中占有重要的地位。如ECMWF的EcAccess,美国超级计算应用中心的MEAD等。这些计划的实施将有效地聚合分布在不同地理位置上的高性能计算资源与人力资源,实现计算资源和气象数据的共享,为数值预报乃至地球系统模拟提供一个远程的协同攻关环境。     

新疆区域气候要素小网格推算方法探讨

针对某一个气候要素，将我区100个气象观测站分为若干个气候区，分别对每一个气候区的气候要素和高度、经度、纬度、坡度、坡向5项地理信息要素进行分析，发现其相关关系，建立非线性回归方程，然后在新疆地图上确定一个与行政区划无关的范围，认为该范围内所有网格点上的气候要素与地理信息要素也具有同样的对应关系，进行小网格气候要素推算。     

中国55年来地面水汽压网格数据集的建立及精度评价

对气象要素网格化是气候变化研究中避免空间抽样误差的有效方法之一.文中采用薄盘光滑样条插值法(ANUSPLIN),在考虑站点经度、纬度和海拔高度的基础上,对中国55年来地面水汽压站点资料进行空间插值,得到了中国陆地水汽压年和月平均值1°×1°网格数据集.精度检验表明:中国年水汽压插值误差普遍小于0.3 hPa;而月水汽压的插值误差由于受水汽压周期变化的影响,表现出周期性变化的特点.一般夏季较大,最大误差在0.5 hPa左右,冬季较小,约为0.2 hPa.在考虑站点海拔与对应网格DEM差值大小的基础上,建立实测水汽压值与对应网格水汽压值年序列,并进一步分析二者的相关关系,表明:(1)二者具有很好的相关性,相关系数为0.88-0.96;(2) 能很好地模拟地形影响,得到的网格水汽压可以较好地代表实测水汽压的变化趋势.由此建立了中国近55年来地面水汽压的年序列.其趋势表明:近55年来中国年平均水汽压呈增加趋势,其线性趋势为0.52 hPa/(100 a),其中西部增加趋势大于东部,且以夏季的增大趋势最为显著.结合近50年来气温的变化趋势说明:在中国,气温每增加1 ℃,大气中年平均水汽含量约增加3.15%.