بررسی اثر داده‏گواری داده‌های ماهواره و ایستگاه‏های دیدبانی بر روی پیش‏بینی مدل WRF

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای هواشناسی، پژوهشکده هواشناسی

2 دکترای هواشناسی، دانشیار، پژوهشکده هواشناسی

3 دکترای مهندسی مکانیک، دانشیار گروه فیزیک فضا، موسسه ژئوفیزیک دانشگاه تهران

چکیده

مدلهای منطقه‌ای پیش‌بینی عددی وضع هوا دارای خطاهایی هستند که بخشی از این خطاها از عدم قطعیت موجود در شرایط اولیه مدل نشات می‌گیرد. برای داشتن یک پیش‌بینی با کیفیت بالا شرایط اولیه داده شده به مدل باید تا آنجا که ممکن است به حالت واقعی جو نزدیک باشد. در این تحقیق ‏سعی برآن بوده است که با استفاده از داده‏های ماهواره و برخی داده‏های دیدبانی سطح زمین و جو بالا در فرایند داده‏گواری بتوان برآورد بهتری از شرایط اولیه جو به‏دست آورد. برای این کار از داده‏گواری پیاپی در روش ورد شی سه‏بعدی موسوم به  3DVAR در سامانه پیش‏بینی عددی WRF بهره گرفته شده‏است. به همین منظور این مدل برای ماه‏های آوریل و می 2014 یک‏بار با استفاده از داده‏گواری و یک‏بار بدون استفاده از آن اجرا شده‏است. نتایج راست‏آزمایی بهبود جزئی خروجی دمای دو متری و سرعت باد ده متری مدل را نشان می‏دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Impact of satellite and station observation data assimilation of on the forecast of WRF model

نویسندگان [English]

  • Zeinab Zakeri 1
  • M Azadi 2
  • S. Ghader 3
  1. Barker, D. M., W. Huang, Y.R. Guo, and Q.N. Xiao., 2004, A Three-Dimensional (3DVAR) Data Assimilation System For Use With MM5: Implementation and Initial Results. Mon. Wea. Rev., 132, pp. 897-914.
  2. Buehrer, P. L. Houtekamer, C. Charette, H. L. Mitchell, and B. He, 2010, Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part I: Description and single-observation experiments. Mon. Wea. Rev., 138, pp. 1550-1566, doi: 10.1175/2009MWR3157.1.
  3. Cheng,Y. Y., and W. J. Steenburgh, 2005, Evaluation of surface sensible weather forecasts by the WRF and the Eta Models over the western United States. Wea. Forecasting, 20, pp. 812-821.
  4. Derber, J. C. and W. S. Wu, 1998, The use of TOVS cloud-cleared radiances in the NCEP SSI analysis system. Mon. Wea. Rev., 126, pp. 2287–2299.
  5. Eyre, J. R., G. Kelly, A. P. McNally, E. Andersson, and A. Persson, 1993, Assimilation of TOVS radiances through one dimensional variational analysis. Quart. J. Roy. Meteor. Soc., 119,pp. 1427-1463.
  6. Gallus, W. A., Jr., and J. F. Bresch, 2006, Comparison of impacts of WRF dynamic core, physics package, and initial conditions on warm season rainfall forecasts. Mon. Wea. Rev., 134, pp. 2632-2641.
  7. Huang, X.Y., Q. Xiao, D.M. Barker, X. Zhang, J. Michalakes, W. Huang, T. Henderson, J. Bray, Y. Chen, Z. Ma, J. Dudhia, Y. Guo, X. Zhang, D.J. Won, H.C. Lin, and Y.H. Kuo, 2009. Four-Dimensional Variational Data Assimilation for WRF: Formulation and Preliminary Results. Mon. Wea. Rev., 137, pp. 299–314.
  8. Jianfeng, G. U., Q. Xiao, Y.-H.Kuo, D. M. Barker, X. Jishan, and M. A. Xiaoxing, 2005, Assimilation and simulation of Typhoon Rusa (2002) using the WRF system. Adv. Atmos. Sci., 22, pp. 415-427, doi: 10.1007/BF02918755.
  9. Joliffe, I. T. and D. B., Stephenson, 2003, Forecast verification, A Practitioners Guide in Atmospheric Science, John Wiley and sons ltd, ISBN: 0-471-49759-2.
  10. Kalnay, E., 2003, Atmospheric modeling, data assimilation and predictability. Cambridge University Press, Cambridge. Reprinted in 2004.
  11. Lee, J. H., H. H. Lee, Y. Choi, H. W. Kim, and D. K. Lee, 2010, Radar data assimilation for the simulation of mesoscale convective systems. Adv. Atmos. Sci., 27, pp. 1025–1042, doi: 10.1007/s00376-010-9162-8.
  12. Lorenz, E. N., 1963, The mechanics of vacillation. J. Atmos. Sci., 20, pp. 448-465.
  13. McNally, A. P., J. C. Derber, W. Wu, and B. B. Katz, 2000: The use of TOVS level-1b radiances in the NCEP SSI analysis system. Quart. J. Roy. Meteor. Soc., 126, 689–724.
  14. Michalakes, J., S. Chen, J. Dudhia, L. Hart, J. Klemp, J.Middlecoff, and W. Skamarock, 2001, Development of a next generation regional weather research and forecast model. Developments in Teracomputing: Proceedings of the Ninth ECMWF Workshop on the Use of High Performance Computing in Meteorology, W. Zwieflhofer and N. Kreitz, Eds., World Scientific, pp. 269-276.
  15. Muller, R. H., 1994, Verification of short – range weather forecasts (a survey of the literature), Bull. Am. Meteorol. Soc., 25, pp. 18-27, 47-53, 88-95.
  16. Osuri, K. K., U. C. Mohanty, A. Routray, M. Mohapatra, and D. Niyogi, 2013, Real-time track prediction of tropical cyclones over the North Indian Ocean using the ARW model. J. Appl. Meteor. Climatol., 52, pp. 2476–2492, doi: 10.1175/JAMC-D-12-0313.1.
  17. Parrish, D.  F. and  J.  D.  Derber, 1992, The National Meteorological Center spectral statistical interpolation analysis system. Mon. Wea. Rev., 120, pp. 1747-1763.
  18. Routray, A., S. C. Kar, P. Mali, and K. Sowjanya, 2014, Simulation of Monsoon Depressions Using WRF-VAR: Impact of Different Background Error Statistics and Lateral Boundary Conditions. Mon. Wea. Rev., 142, pp. 3586-3613. doi: http://dx.doi.org/10.1175/MWR-D-13-00285.1
  19. Safar, M., F. Ahmadi Givi and A. Mohebalhoje, 2012, Impact of assimilating radar data to the ARPS numerical model in simulating the precipitation due to the synoptic system on the 31st of March 2009 in Tehran province, Iran Geophys,6(3), pp. 94-112
  20. Singh, R., C. M. Kishatawai, S. P. Ojha, and P. K. Pal, 2012, Impact of assimilation of  Atmospheric InfraRed Sounder (AIRS) radiances and retrievals in the WRF 3D-Var assimilation system. J. Geophys. Res., 117, doi: 10.1029/2011JD017367.
  21. Skamarock, W. C., 2004, Evaluating mesoscale NWP models using kinetic energy spectra. Mon. Wea. Rev., 132, pp. 3019-3032, doi: 10.1175/MWR2830.1.
  22. Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, M. G. Duda, X.-Y. Huang, W. Wang, and J. G. Powers, 2008, A description of the Advanced Research WRF version 3. NCAR Technical Note 475.
  23. Sugimoto, S., N. A. Crook, J. Sun, Q. Xiao and D. M. Barker, 2009. An examination of  WRF 3DVAR radar data assimilation on its capability in retrieving unobserved variables and forecasting precipitation through observing system simulation experiments. Mon. Wea. Rev., 137, pp. 4011-4029.
  24. Talagrand, O., 1997, Assimilation of observations, an introduction.  J. Met. Soc. Japan Special Issue 75, 1B, pp. 191-209.
  25. Walsh, K. and J. McGregor, 1997, An assessment of simulations of climate variability over Australia with a limited area model. Int. J. Climatol., 17, pp. 201-223.
  26. Warner, T. T., 2011, Numerical Weather and Climate Prediction. Cambridge University Press, Cambridge.
  27. Wenying, H., Z. Liu, and H. Chen, 2011, Influence of surface temperature and emissivity on AMSU-A assimilation over land. ActaMeteorol.Sin., 25, pp. 545-557, doi: 10.1007/s13351-011-0501-1.
  28. Wheatley, D. M., D. J. Stensrud, 2010, The impact of assimilating surface pressure observations on severe weather events in a WRF mesoscale ensemble system. Mon. Wea. Rev., 138, pp. 1673-1694.
  29. Whitaker, J. S., T. M. Hamill, X. Wei, Y. Song, and Z. Toth, 2008, Ensemble data assimilation with the NCEP Global Forecast System. Mon. Wea. Rev., 136, pp. 463-482, doi:10.1175/2007MWR2018.1.
  30. Whitaker, J. S., G. P. Compo, and J.-N. Thépaut, 2009, A comparison of variational and ensemble-based data assimilation systems for reanalysis of sparse observations. Mon. Wea. Rev., 137, pp. 1991-1999, doi: 10.1175/2008MWR2781.1.
Xu, J., S. Rugg, L. Byerle, Z. Liu, 2009, Weather forecasts by the WRF-ARW model with the GSI data assimilation system in the complex terrain areas of southwest Asia. Wea. Forecasting, 24, pp. 987-100