基于WRF模式(Weather Research and Forecasting Model)分析2020年超长梅汛期内11次强降水事件的预报误差来源。分别以FNL(Final Global Data Assimilation System)、TIGGE_EC(THORPEX Interactive Grand Global Ensemble from European...
详细信息
基于WRF模式(Weather Research and Forecasting Model)分析2020年超长梅汛期内11次强降水事件的预报误差来源。分别以FNL(Final Global Data Assimilation System)、TIGGE_EC(THORPEX Interactive Grand Global Ensemble from European Centre for Medium-Range Weather Forecasts)作为初始场进行预报,对比预报结果发现,TIGGE_EC初始场的预报结果普遍优于FNL,这说明初始条件的不确定性对预报结果有重要影响。进一步探究初始条件不确定性(初始误差)来源的区域(敏感区)和变量(敏感变量)发现,敏感区集中分布于降水区西侧上游,相对应的敏感变量为水汽场。分别考察动能、有效位能以及比湿能在初始误差总能量中的占比,结果表明,扰动比湿能占比最小,但敏感性试验表明比湿场扰动对预报效果的影响最大。选取比湿场扰动对预报效果影响最大且WRF_EC具有更好预报效果的6个暴雨事件,通过HYSPLIT后向轨迹模式分别追踪其累计降水量最大值点的水汽来源及路径发现,有6个事件均有向降水区西侧上游延伸的水汽来源通道,进一步表明了敏感区的初始水汽场的准确性对暴雨预报的影响。因此降水区西侧上游的水汽场的误差是这11次梅汛期暴雨过程重要的预报误差来源,对其准确描述可有助于预报效果的提升。
本文使用中尺度数值模式WRF(Weather Research and Forecasting Model)模拟了2010年7月8—9日发生在四川盆地的一次西南涡降水天气过程,并计算该过程中零度层以下对流云中的夹卷率。从云内垂直特征看:云内的含水量、垂直风速和浮力都在...
详细信息
本文使用中尺度数值模式WRF(Weather Research and Forecasting Model)模拟了2010年7月8—9日发生在四川盆地的一次西南涡降水天气过程,并计算该过程中零度层以下对流云中的夹卷率。从云内垂直特征看:云内的含水量、垂直风速和浮力都在云底之上随高度递增,而在云顶附近随高度递减;云内的湿静力能则主要随高度递减;夹卷率在云底以上随高度递减,而在云顶附近随高度递增,但是云顶高度越高,在云顶附近的递增趋势越不明显。另外,夹卷率和云内的云水、雨水含量都呈负相关,说明夹卷抑制了对流云的发展以及地面降水。当假设被夹卷的环境空气来自云边界附近时,计算所得的夹卷率值要大于假设夹卷空气远离云边界所得值,但这两种假设中夹卷率的其他特征是类似的。从演变特征看,夹卷率总体上随时间减小,这和这段时间内对流云整体发展增高有关。
暂无评论