基于空間梯度信息的質(zhì)量控制方法在紅外高光譜AIRS資料同化中的應(yīng)用研究

王云峰 張曉輝 李運飛 韓月琪 顧成明

?

基于空間梯度信息的質(zhì)量控制方法在紅外高光譜AIRS資料同化中的應(yīng)用研究

王云峰1張曉輝1李運飛2韓月琪1顧成明1

1解放軍理工大學(xué)氣象海洋學(xué)院，南京211101;2 65052部隊環(huán)境構(gòu)設(shè)大隊，洮南137101

本文利用中尺度非靜力WRF（Weather Research Forecast，Version 3.4）模式，針對1013號“鲇魚”臺風(fēng)個例，通過對紅外高光譜AIRS（Atmospheric Infrared Sounder）資料經(jīng)過基于空間梯度信息的質(zhì)量控制之后同化進入模式，來評估新的質(zhì)量控制方法對同化效果的影響以及對臺風(fēng)數(shù)值模擬的改善情況。研究結(jié)果發(fā)現(xiàn)，如果僅僅基于WRFDA（WRF Data Assimilation system，Version 3.4）模式自帶的質(zhì)量控制系統(tǒng)，將會有部分梯度距平值明顯較大超過閾值的資料被同化進入模式，而這些可能受到“污染”且誤差較大的資料同化進入模式必將會導(dǎo)致同化結(jié)果有較大誤差，影響分析結(jié)果的質(zhì)量。而對AIRS資料經(jīng)過基于空間梯度信息質(zhì)量控制之后再同化進入模式，確實可將梯度距平值大于閾值的“壞點”剔除掉，從而使初始場的描述更加準(zhǔn)確，臺風(fēng)路徑的模擬精度在一定程度上得到提高。綜上可知，基于空間梯度信息的質(zhì)量控制方法整體上對改善同化效果有較好的正效應(yīng)，對臺風(fēng)的數(shù)值模擬也起到一定的促進作用。

AIRS資料 梯度信息 質(zhì)量控制 臺風(fēng)

1 引言

2002年5月4日，美國地球觀測系統(tǒng)（Earth Observation System，EOS）的第二顆衛(wèi)星Aqua發(fā)射成功，其上搭載了先進的超高光譜分辨率紅外大氣垂直探測儀（AIRS），該資料從15 μm到3.7 μm光譜范圍內(nèi)共有2378個光譜通道，1200的光譜分辨率和全球覆蓋能力使其可以觀測到全球大氣整體狀態(tài)及其變化。它的垂直分辨率為1 km，星下點分辨率為13.5 km。AIRS開辟了衛(wèi)星大氣探測的新時代，它不但使大氣探測的垂直分辨率以及反演精度上了一個臺階，還為其他高光譜衛(wèi)星資料的處理和應(yīng)用奠定了基礎(chǔ)（劉輝等，2008；劉旸等，2013）。

對于紅外高光譜資料的應(yīng)用研究，國內(nèi)外已經(jīng)有很多的工作。官莉（2006）利用高光譜分辨率大氣紅外探測器AIRS觀測輻射值，用特征向量統(tǒng)計法反演大氣溫度、濕度等垂直廓線的算法，采用亮度溫度分類和掃描角分類回歸后，減小了反演誤差。占瑞芬和李建平（2008）對AIRS反演的水汽數(shù)據(jù)在青藏高原地區(qū)的可信度作了詳細評估，結(jié)果表明無論是全年還是各季節(jié)，AIRS反演的水汽數(shù)據(jù)與探空實測數(shù)據(jù)是相當(dāng)一致的。張水平（2009）引入信息容量的概念，給出了一種對高光譜大氣探測資料所包含各種大氣參數(shù)有效信息進行描述的方法；然后以信息容量為指標(biāo)，設(shè)計了利用“逐次吸收法”進行通道選擇的計算方案，結(jié)果表明，利用信息容量為指標(biāo)，并按照“逐次吸收法”進行通道選擇是可行的。國內(nèi)外對于紅外高光譜AIRS資料的研究主要集中在反演方面（Fourrié and Thépaut, 2002；蔣德明，2007；官莉等，2009），這樣就不可避免地將反演系統(tǒng)的誤差累加到衛(wèi)星產(chǎn)品上，并導(dǎo)致不可預(yù)見的預(yù)報誤差。因此，如何合理地利用AIRS資料將其同化進入模式是一個值得研究的問題。盧冰等（2013）利用降維投影四維變分同化方法，針對一次江淮流域的暴雨過程同化 AIRS 反演的溫度及濕度廓線，結(jié)果表明能夠改進此次強降水過程的濕度場、高度場、高低層散度場。McNally et al.（2006）發(fā)展了一個能夠?qū)IRS資料進行同化的系統(tǒng)，該系統(tǒng)具有云污染檢測，偏差訂正和觀測誤差訂正的功能，試驗結(jié)果表明，在歐洲中期天氣預(yù)報中心ECMWF（European Center of Medium- Range Weather Forecasts）的同化系統(tǒng)中，同化AIRS資料可以改進分析和預(yù)報的質(zhì)量。

關(guān)于AIRS資料的云檢測方法，國內(nèi)外的專家學(xué)者同樣做了許多卓有成效的工作。Goldberg et al.（2003）提出了適用于高光譜大氣紅外探測器AIRS的NESDIS-Goldberg云檢測方案，分別對陸地和海洋表面的視場進行云檢測；McNally and Watts（2003）提出一種紅外高光譜衛(wèi)星資料云探測算法，該算法可以有效地甄別出被云污染的通道。Li et al.（2004）提出利用高水平分辨率紅外成像儀資料對單視場部分區(qū)域有云的高光譜紅外探測資料進行訂正。在國內(nèi)，官莉（2007）利用精確匹配落在AIRS單個視野中的高空間分辨率的 MODIS云檢測信息來客觀確定AIRS云檢測。陳靖等（2011）在NESDIS-Goldberg云檢測方案基礎(chǔ)之上，提出了適合GRAPES-3Dvar的云檢測方案，分別對海洋表面（4個檢驗）和陸地表面（3個檢驗）的視場進行云檢測，剔除受到云污染的視場。朱文剛等（2013）借鑒McNally and Watts（2003）的云檢測方案，結(jié)合GRAPES-3Dvar系統(tǒng)和AIRS儀器特征，對AIRS各個視場通道進行云檢測，剔除受到云污染通道，從而為有云資料在數(shù)值天氣預(yù)報資料同化系統(tǒng)中的應(yīng)用奠定基礎(chǔ)。王云峰等（2014）對WRFDA模式中AIRS亮溫資料質(zhì)量控制方案進行了檢驗，結(jié)果表明：WRFDA模式中11條質(zhì)量控制原則對紅外高光譜AIRS亮溫資料的同化效果影響很大，不同的質(zhì)量控制原則對觀測資料的剔除能力也是不一樣的。

AIRS資料本身具有2378個通道，WRF同化模式用到的只有281個通道，經(jīng)過模式自帶的質(zhì)量控制之后就只剩下88個通道。盡管只剩下88個通道，但是相比于其他衛(wèi)星資料而言，這88個通道所包含的資料數(shù)也是非常龐大的。AIRS資料數(shù)目遠大于其他衛(wèi)星資料，垂直分辨率也遠高于其他衛(wèi)星資料，理論上AIRS資料的同化效果也會明顯好于其他衛(wèi)星資料。但是，實際的情況卻并非期望的那樣，AIRS資料的同化效果不甚理想。這可能的原因是WRFDA模式自帶的質(zhì)量控制系統(tǒng)對AIRS資料的質(zhì)量控制不夠嚴格。比如由于云、降水粒子的輻射效應(yīng)模擬困難以及復(fù)雜下墊面的輻射計算不精確，大量受云、降水及復(fù)雜下墊面等因素影響的衛(wèi)星資料同化誤差較大。為了充分發(fā)揮衛(wèi)星探測資料作用，本文主要是基于空間梯度信息對AIRS資料進行質(zhì)量控制（王云峰等，2013），剔除某些可能受到云污染或復(fù)雜下墊面造成的誤差較大的資料，以保證同化分析效果。

本文選取1013號臺風(fēng)“鲇魚”為研究個例，基于紅外高光譜AIRS資料，在原有的質(zhì)量控制方案之上，利用其空間梯度信息再次對AIRS資料進行質(zhì)量控制，然后進行直接同化，來檢驗基于空間梯度信息的質(zhì)量控制方法對同化結(jié)果的影響以及對臺風(fēng)數(shù)值模擬的改善情況。

2 “鲇魚”臺風(fēng)簡介

2010年第13號熱帶風(fēng)暴“鲇魚”于10月13日12時（協(xié)調(diào)世界時，下同）在西北太平洋洋面上生成，14日21時加強為臺風(fēng)，16日晚上加強成為強臺風(fēng)，17日00時加強為超強臺風(fēng)。18日04時25分在菲律賓呂宋島東北部沿海登陸，登陸后減弱為強臺風(fēng)，隨后進入南海東部海面，強度再度加強為超強臺風(fēng)，21日01時減弱為強臺風(fēng)。23日04時55分在我國福建省漳浦縣登陸，登陸時中心附近最大風(fēng)力13級，38 m/s的風(fēng)速，最低氣壓970 hPa。登陸后強度迅速減弱，至10月23日18時停止對其編號?！蚌郁~”是近二十年同期西北太平洋和南海上最強的臺風(fēng)。

3 模式、資料及目標(biāo)函數(shù)

3.1 數(shù)值模式與資料

本文中使用的模式包括WRF模式，WRFDA 模式和 CRTM（Community Radiative Transfer Model，Version 2.0.2）模式。

本文所使用的GFS（Global Forecast System）資料是由美國國家環(huán)境預(yù)報中心（National Centers for Environmental Prediction，NCEP）全球預(yù)報系統(tǒng)的6小時預(yù)報資料，該資料水平分辨率為1°×1°，垂直方向為26層，分別為1000、975、950、925、900、850、800、750、700、650、600、550、500、450、400、350、300、250、200、150、100、70、50、30、20、10 hPa。與NCEP再分析資料最大的不同是，它是通過前6個小時的觀測場預(yù)報得到的，并沒有同化任何衛(wèi)星資料，因此對于本文所要研究的衛(wèi)星資料同化易于得到對比結(jié)果，效果更佳。

AIRS傳感器是一個高光譜分辨率的儀器，共包括2378個紅外波段（3.7～15.4 μm）和4個可見光波段（0.4～1.0 μm）。不過NCEP提供的數(shù)據(jù)集中，已經(jīng)對通道進行了精簡，只包括281個通道。而在WRFDA模式中，又進一步進行了精簡，只包括88個通道，中心波數(shù)覆蓋范圍為711～2240 cm?1。

3.2 目標(biāo)函數(shù)

其中，上標(biāo)“T”表示轉(zhuǎn)置，上標(biāo)“－1”表示求逆運算，表示背景誤差協(xié)方差矩陣，符號“∑”表示求和，下標(biāo)符號“”表示同一時次不同的空間觀測點，表示利用CRTM模式正演計算AIRS亮溫值的觀測算子，代表實際觀測的衛(wèi)星亮溫值，表示AIRS資料的誤差協(xié)方差矩陣。

4 基于空間梯度信息的質(zhì)量控制方法

4.1 資料預(yù)處理

根據(jù)下面二個方面的要求對AIRS資料進行篩選：

一是根據(jù)研究區(qū)域的大小，對衛(wèi)星觀測資料進行篩選。只有位于研究區(qū)域范圍內(nèi)，且與側(cè)邊界有一定距離的衛(wèi)星觀測資料才能保留，對于位于研究區(qū)域內(nèi)處于側(cè)邊界附近的衛(wèi)星觀測資料不保留。

二是對于衛(wèi)星亮溫值進行時間連續(xù)性檢驗和空間連續(xù)性檢驗，同時進行物理量極限性檢驗，亮溫的極限值為150～450 K之間，對于不合理的衛(wèi)星資料完全剔除。

4.2 空間梯度信息提取

衛(wèi)星資料的梯度信息，嚴格來說，包括空間梯度信息和時間梯度信息，而空間梯度信息又包括水平方向梯度和垂直方向梯度。

水平方向梯度信息的提取方法是將衛(wèi)星資料中相鄰或相近兩條衛(wèi)星廓線之間的相同通道的亮溫差值定義為一個新的觀測資料，這個資料含有的信息就是一種類型的衛(wèi)星資料水平方向梯度信息。在衛(wèi)星掃描過程中，對AIRS資料來說，水平方向上，一根掃描線上有90個掃描點，假設(shè)某個掃描點某一通道亮溫為1，另外一個相鄰的掃描點相同通道亮溫為2，那么可以定義新的觀測資料為：=1－2。這就是最簡單的一種水平方向梯度信息的表達方法，實際上的組合方式可以更加復(fù)雜，甚至可以加入權(quán)重系數(shù)，并且最后要根據(jù)同化效果的統(tǒng)計來確定最佳的提取方式。本文目前用的是最簡單的方法。

衛(wèi)星亮溫資料的水平梯度信息，可以分成沿軌道方向和沿掃描線方向兩種類別進行提取。對于沿軌道方向，采用對相鄰兩根掃面線上的具有相同掃描點數(shù)的兩個點進行梯度求算，并根據(jù)求算的梯度大小進行分析和統(tǒng)計，得到臨界的梯度值；對于沿掃描線方向，先要對每個掃描點扣除一個平均值（這個平均值是通過對該軌道衛(wèi)星資料中所有相同掃描點的亮溫值進行平均得到的），然后再沿掃描線方向求算梯度，并根據(jù)求算的梯度大小進行分析和統(tǒng)計，得到這種類別下的臨界梯度值。本文著重對水平方向梯度中沿掃描線方向的信息進行檢驗，從而達到質(zhì)量控制的目的。

4.3 基于沿掃描線方向梯度信息的質(zhì)量控制方法

本文僅研究基于沿掃描線方向的梯度信息對AIRS資料進行質(zhì)量控制，即將各通道亮溫值的水平梯度距平與某一個經(jīng)驗性的閾值相比較，剔除超過閾值的資料，保留下所謂的好資料。

閾值是關(guān)乎基于梯度信息質(zhì)量控制能否成功的一個關(guān)鍵，閾值雖然被認為是經(jīng)驗性的，但是閾值的選擇也不是隨意設(shè)定的。我們擬采用兩種方法來確定閾值，并比較兩種方法的優(yōu)劣。第一種方法是平均值法，就是將各通道的梯度距平作加權(quán)平均，其平均值就是我們認為的閾值。第二種是統(tǒng)計方法，就是設(shè)定一串估計閾值，設(shè)定每個閾值后，經(jīng)過檢驗、剔除的資料數(shù)為，理論上與存在一個負相關(guān)，作出統(tǒng)計關(guān)系圖，找出變化率最大的點所對應(yīng)的，此時的就是我們認為的最優(yōu)閾值。平均值法是對每個通道作一個各自的閾值，各通道之間沒有存在必然的關(guān)系。統(tǒng)計方法是將所有通道作統(tǒng)一的一個閾值，各通道的閾值是一樣的。

5 模式參數(shù)設(shè)置及試驗方案設(shè)計

5.1 試驗方案設(shè)計

為了檢驗基于空間梯度信息的質(zhì)量控制方法對同化效果的影響以及對臺風(fēng)數(shù)值模擬的改善情況，本文設(shè)計了四組試驗：（1）參照試驗（CTRL）：不同化任何觀測資料；（2）同化試驗1（AIRS）：基于WRFDA系統(tǒng)自帶的質(zhì)量控制方案，直接同化AIRS資料；（3）同化試驗2（AIRS_QC1）：首先對AIRS資料進行基于梯度信息的質(zhì)量控制，閾值選取采用平均值法，然后通過WRFDA模式直接同化該資料；（4）同化試驗3（AIRS_QC2）：首先對AIRS資料進行基于梯度信息的質(zhì)量控制，閾值選取采用統(tǒng)計法，然后通過WRFDA模式直接同化該資料。同化時間窗口設(shè)定為[－3 h，3 h]，同化試驗是在外層區(qū)域進行，內(nèi)層區(qū)域的初始條件從外層區(qū)域插值獲取。詳細試驗方案見表1。

表1 數(shù)值試驗設(shè)計

5.2 模式參數(shù)設(shè)置

本文對“鲇魚”臺風(fēng)在2010年10月17日06時～21日06時進行了96小時的數(shù)值模擬。研究區(qū)域的中心取為（18°N，123°E）。水平方向采用了三重移動嵌套（圖1），分辨率分別為54、18和6公里，網(wǎng)格數(shù)分別為100×90、100×88和118×94。第一重網(wǎng)格是固定網(wǎng)格，第二重和第三重網(wǎng)格是基于渦旋自動跟蹤技術(shù)的移動網(wǎng)格。第一重網(wǎng)格的時間積分步長取為120秒，第二重和第三重網(wǎng)格的時間積分步長分別取為上一重網(wǎng)格時間積分步長的1/3。垂直分層為不均勻的 35層，包括：1.000、0.993、0.983、0.970、0.954、0.934、0.909、0.880、0.845、0.807、0.765、0.719、0.672、0.622、0.571、0.520、0.468、0.420、0.376、0.335、0.298、0.263、0.231、0.202、0.175、0.150、0.127、0.106、0.088、0.070、0.055、0.040、0.026、0.013、0.000。模式中使用的物理參數(shù)化方案分別包括：Thompson 微物理方案、RRTM（Rapid Radiative Transfer Model）長波輻射方案，Goddard 短波輻射方案、Yonsei University 邊界層方案、Kain-Fritsh 參數(shù)化方案等。

圖1 “鲇魚”臺風(fēng)2010年10月17日06時～21日06時的觀測路徑（臺風(fēng)符號）和模式區(qū)域設(shè)置

圖2 經(jīng)過閾值篩選后剩余的AIRS資料數(shù)

6 結(jié)果對比分析

本文分別采用不同的閾值選擇方法，對AIRS資料作質(zhì)量控制，與不作相關(guān)質(zhì)量控制的試驗進行對比，從而檢驗質(zhì)量控制的效果。

統(tǒng)計法選取的一串閾值是從0.3到2.0，間隔0.1，圖2顯示的是進入模式同化前選取各閾值后剩余的資料數(shù)。由圖中可以看出，選取的閾值越大，剩余的資料數(shù)越多，而且從0.3到2.0隨著閾值增大，剩余資料數(shù)的變化率逐漸減小。我們可以預(yù)見，如果閾值從一個極小值開始，其變化規(guī)律應(yīng)該是一直增大，變化率應(yīng)該先增大后減小?？紤]到AIRS資料本身的數(shù)量和質(zhì)量控制的質(zhì)量，本文經(jīng)驗性的將閾值設(shè)置為1.0。

平均值法選取閾值是將每個通道所有的梯度距平加權(quán)平均得到的，有多少個通道就對應(yīng)多少個閾值。各個通道有各自的通道特點，因此梯度距平的平均值也相差很大，相比于統(tǒng)計法而言，它比較充分的考慮了各自通道的特性。表2統(tǒng)計了AIRS資料基于沿掃描線方向梯度信息的質(zhì)量控制的閾值。

表2 基于沿掃描線方向梯度信息的質(zhì)量控制的統(tǒng)計閾值

6.1 質(zhì)量控制結(jié)果對比分析

AIRS資料同化進入WRFDA模式后有88個有效通道，每個通道都對應(yīng)一個高度，AIRS資料的衛(wèi)星掃描方式與其他衛(wèi)星不同，它是三條掃描線基本同時掃描，三條掃描線每隔3個點記錄一次，每條掃描線具有90個視場。圖3描述的是第92通道（是指281個參與同化的通道的編號，下同）AIRS資料的分布情況，其中黑色方框表示的是模擬的最外層區(qū)域。由圖3可以看出在模擬區(qū)域范圍內(nèi)存在較多的AIRS資料。為了便于進行基于梯度信息的質(zhì)量控制，對于AIRS資料預(yù)處理的一個首要原則是要保證每條掃描線具有完整的90個視場，因此要對AIRS資料進行篩選，如果掃描線中沒有完整的90個視場（比如缺點、斷層），則這條掃描線被認為不符合條件而整體被舍掉。

圖3 第92通道的AIRS亮溫的分布圖（單位：K）

圖4 第92通道基于沿掃描線方向的梯度距平分布（單位：K）和模式同化的資料（圓圈點）：（a）未使用經(jīng)過基于沿掃描線方向梯度信息的質(zhì)量控制方法；（b）使用了基于沿掃描線方向梯度信息質(zhì)量控制方法。其中閾值選取為平均值法

由表2可知基于沿掃描線方向梯度信息的質(zhì)量控制，AIRS資料對應(yīng)于第92通道上的閾值為1.497。圖4中給出了第92通道基于沿掃描線方向的梯度距平分布情況和模式同化所用到的AIRS資料分布情況（用圓圈表示）。圖4a描述的是未經(jīng)過基于沿掃描線方向梯度信息的質(zhì)量控制（即WRFDA模式自帶的質(zhì)量控制系統(tǒng)）模式所用的AIRS資料分布情況，圖4b反映了基于沿掃描線方向梯度信息的質(zhì)量控制之后進入同化系統(tǒng)中的AIRS資料分布情況。從圖4a中可以看出，部分點的梯度距平值明顯較大，超過閾值。通過我們的研究發(fā)現(xiàn)，衛(wèi)星亮溫梯度信息與云覆蓋之間存在著較大關(guān)聯(lián)。一般云覆蓋區(qū)域，衛(wèi)星亮溫梯度值也大，而晴空區(qū)域，衛(wèi)星亮溫梯度值就小。那么這些梯度距平值明顯較大的點可能是受到了云污染，姑且稱之為“壞點”。這些壞點資料就是本文基于沿掃描線方向梯度信息的質(zhì)量控制著手要剔除的資料。圖4b表明，經(jīng)過梯度信息質(zhì)量控制以后確實可將模式中所用的部分梯度距平值大于閾值的點剔除。

同理當(dāng)閾值選取為統(tǒng)計值1.0時，經(jīng)過基于梯度信息質(zhì)量控制以后同樣也能將模式中的“壞點”剔除，見圖5。由于統(tǒng)計方法是將所有通道作統(tǒng)一的一個閾值，而平均值法是各自通道對應(yīng)不同的閾值，因此不同的閾值選取方法，剔除的點也是有差別的。AIRS_QC1試驗和AIRS_QC2試驗相比于AIRS試驗在第92通道上資料點數(shù)分別減少10個和49個（見圖6）。

圖5 第92通道基于沿掃描線方向的梯度距平分布（單位：K）和模式同化的資料（圓圈點）：（a）未使用經(jīng)過基于沿掃描線方向梯度信息的質(zhì)量控制方法；（b）使用了基于沿掃描線方向梯度信息質(zhì)量控制方法。其中閾值選取為統(tǒng)計法

圖6 各試驗中第92通道同化進入模式的AIRS資料數(shù)

圖7描述的是經(jīng)過不同的質(zhì)量控制以后各通道亮溫資料的剔除率對比情況。從圖中可以看出，經(jīng)過基于空間梯度信息的質(zhì)量控制以后，由于剔除了各通道中受污染的“壞點”，亮溫資料的剔除率較原質(zhì)量控制方案增高，其中QC_2方案剔除幅度較大。另外，還可以看出，第22通道和第67通道（WRFDA模式中分別對應(yīng)的是第118通道和第206通道）較為敏感，較原質(zhì)量控制方案是剔除幅度較大的兩個通道。

圖7 經(jīng)過質(zhì)量控制以后各試驗中的資料剔除率

AIRS資料對應(yīng)的其他各通道的基于沿掃描線方向梯度信息的質(zhì)量控制都類似于前，本文不繼續(xù)贅述。

6.2 模擬結(jié)果對比分析

6.2.1 對臺風(fēng)路徑及強度的影響

圖8和圖9和分別描述的是各試驗方案中模擬的96小時臺風(fēng)路徑與實況間的對比圖及偏差圖。CTRL試驗?zāi)M的臺風(fēng)移動路徑在臺風(fēng)北折前與實況比較接近，登陸前移動速度偏快，登陸后較實況移動速度偏慢，北折以后移動位置偏東，移動速度較快，誤差逐漸增大，最大誤差發(fā)生在第96小時，達到306公里左右；AIRS試驗?zāi)M的臺風(fēng)移動路徑與CTRL試驗相比整體上除了沒有改善以外反而誤差更大，尤其臺風(fēng)北折以后位置更加偏東，從偏差圖中可以看出最后五個時刻的誤差均大于200公里，最大誤差約為270公里；AIRS_QC1試驗和AIRS_QC2試驗?zāi)M的臺風(fēng)移動路徑與AIRS試驗相比都得到了較大幅度的改善，尤其在臺風(fēng)北折以后的位置，整體上更為偏西，與實況更接近；AIRS_QC1試驗和AIRS_QC2與CTRL試驗相比，在最后30小時，模擬路徑也有較大改進，路徑誤差基本維持在150公里之內(nèi)，其中AIRS_QC2試驗整體上要好于AIRS_QC1試驗。在第96小時，即最后一個時刻，AIRS_QC2試驗?zāi)M的位置偏差約為144公里，較CTRL試驗減小約162公里，較AIRS試驗減小約124公里。

圖8 各試驗方案中模擬的96小時臺風(fēng)路徑

圖9 各試驗方案模擬的臺風(fēng)路徑與實況間的偏差情況（單位：km）

為進一步對比分析基于空間梯度信息的質(zhì)量控制后同化AIRS資料對臺風(fēng)路徑模擬的影響，統(tǒng)計了各組試驗共同時次（2010年10月17日06時到2010年10月21日06時）的誤差總和（圖10），可以看出，CTRL試驗中，路徑誤差總和為1781.2公里，而AIRS同化試驗中為2461.23公里。這說明AIRS資料質(zhì)量控制方案對臺風(fēng)路徑模擬有較大影響，如果只采用WRF模式自帶的AIRS資料質(zhì)量控制方案，將AIRS同化進入數(shù)值模式后，模擬的臺風(fēng)路徑誤差反而增大很多。采用基于空間梯度信息的質(zhì)量控制方案以后，模擬的臺風(fēng)路徑誤差總和與CTRL試驗相比都要有所下降，分別降為1766.28公里（AIRS_QC1同化試驗）和1391.52公里（AIRS_QC2），這說明，文中提出的新的質(zhì)量控制方案是有效的。另外，統(tǒng)計“改善比”（李興武等，2012）（指相對于AIRS試驗，AIRS_QC試驗?zāi)M的路徑偏差減小和增大的預(yù)報時次之比，偏差為0計為增大；圖略），可以發(fā)現(xiàn)AIRS_QC1試驗和AIRS_QC2試驗的改善比分別為10:7和14:3。這些一致性的結(jié)果進一步證明了基于空間梯度信息的質(zhì)量控制可以有效改善初始場，并改善臺風(fēng)的路徑模擬準(zhǔn)確率。

圖11反映了各試驗方案所模擬的臺風(fēng)海平面中心氣壓變化情況。對于實際觀測來說，初始時刻臺風(fēng)在洋面上的強度很強，最低氣壓為910 hPa，之后逐漸增強，最低氣壓達到895 hPa，登陸后臺風(fēng)強度開始減弱，最后基本維持在940 hPa左右。從圖中可知，不論是AIRS試驗還是AIRS_QC1試驗和AIRS_QC2試驗，所模擬的臺風(fēng)海平面中心氣壓強度在初期與CTRL試驗一樣誤差都較大，只在臺風(fēng)離開島后誤差才逐漸減小，其中AIRS試驗?zāi)M的臺風(fēng)強度在后期較接近于實況。綜上可知，不論是哪種方案，同化紅外高光譜AIRS資料，對改進臺風(fēng)強度的效果不甚明顯，尤其是在模擬初期甚至比參照試驗效果更差。究其原因是同化衛(wèi)星資料主要改善環(huán)境場，對臺風(fēng)的內(nèi)部結(jié)構(gòu)影響不大。臺風(fēng)的路徑與環(huán)境場密切相關(guān)，所以路徑有較明顯的改進，但臺風(fēng)強度主要與內(nèi)部結(jié)構(gòu)有關(guān)，所以對強度的改進很小。另一方面，這也可能與目前 WRF-3DVAR 中輻射傳輸模式主要能有效模擬晴空條件下的衛(wèi)星輻射率資料，還不能合理模擬有云或受降水影響區(qū)域的輻射率資料有著重要關(guān)系（Liu and Barker, 2006）。

圖10 各試驗方案中各個時次的路徑誤差之和（單位：km）

圖11 實況和各試驗方案模擬的臺風(fēng)海平面中心氣壓（單位：hPa）

6.2.2 分析增量場結(jié)果分析

為了便于對比新的質(zhì)量控制方案對AIRS資料同化效果的影響，因此，下面主要是將AIRS_QC1同化試驗和AIRS_QC1同化試驗的數(shù)值結(jié)果分別與AIRS試驗的數(shù)值結(jié)果進行對比。

圖12描述的是初始時刻（2010年10月17日06 時）AIRS_QC1試驗和AIRS_QC2試驗分別與AIRS試驗之間的500 hPa風(fēng)場偏差情況。因為500 hPa 風(fēng)場的變化在一定程度上揭示了臺風(fēng)引導(dǎo)氣流的變化，所以與臺風(fēng)移動路徑密切相關(guān)。從圖中可以看出，AIRS_QC2試驗對500 hPa風(fēng)場的改變稍大。初始時刻臺風(fēng)環(huán)流中心位于（18.5°N，126.1°E）附近， AIRS_QC1試驗、AIRS_QC2試驗與AIRS試驗的500 hPa 風(fēng)場偏差都是一個順時針的反氣旋式環(huán)流，環(huán)流中心分別位于（27°N，107°E）和（30°N，114°E）附近。受這個環(huán)流的作用，一致的北偏東風(fēng)促使臺風(fēng)向西移動，因此與AIRS試驗相比，在臺風(fēng)北折以后移動方向更容易偏西，這與圖7中AIRS_QC1試驗和AIRS_QC2試驗?zāi)M的臺風(fēng)移動路徑相一致。

圖12 初始時刻各試驗與AIRS試驗的500 hPa 風(fēng)場偏差分布圖（單位：m/s）：（a）AIRS_QC1減去 AIRS；（b）AIRS_QC2減去 AIRS

圖13 初始時刻各試驗與AIRS試驗的位勢高度偏差場沿18.5°N的垂直剖面圖（單位：m2s?2）：（a）AIRS_QC1減去AIRS；（b）AIRS_QC2減去AIRS

圖13是初始時刻AIRS_QC試驗與AIRS試驗的位勢高度偏差場沿18.5°N的垂直剖面圖。在臺風(fēng)西側(cè)，從地面到600 hPa高空，AIRS_QC1試驗、AIRS_QC2試驗與AIRS試驗的位勢高度偏差值都小于0，即位勢高度降低，這有利于臺風(fēng)向西移動。其中AIRS_QC2試驗的位勢高度降的更為明顯，因此也就更有利于臺風(fēng)西移。圖14是初始時刻AIRS_QC試驗與AIRS試驗的溫度平流偏差場沿18.5°N的垂直剖面圖。在臺風(fēng)東側(cè)，冷平流隨著高度的增加而增加，有正的位勢傾向，冷平流中心位于300 hPa左右；在臺風(fēng)西側(cè)暖平流隨著高度的增加而增加，有負的位勢傾向，暖平流中心位于350 hPa左右。同樣這也有利于臺風(fēng)的西移。其中AIRS_QC2試驗的溫度平流偏差量級稍大，因此西移更為明顯。綜上可知，相對于AIRS試驗，經(jīng)過基于空間梯度信息的質(zhì)量控制以后對初始場的描述更為準(zhǔn)確，利于物理場的預(yù)報。

圖14 初始時刻各試驗與AIRS試驗的溫度平流偏差場沿18.5°N的垂直剖面圖（單位：°C/s）：（a）AIRS_QC1減去AIRS；（b）AIRS_QC2減去AIRS

7 總結(jié)

本文針對1013號臺風(fēng)“鲇魚”，設(shè)計了四組模擬試驗，采用不同的閾值選取方法對紅外高光譜AIRS資料經(jīng)過基于空間梯度信息的質(zhì)量控制后同化進入初始場，來評估新的質(zhì)量控制方法對衛(wèi)星亮溫資料同化效果的改進程度以及對臺風(fēng)數(shù)值模擬的改善效果。

通過對紅外高光譜AIRS資料進行基于空間梯度信息（沿掃描線方向）的質(zhì)量控制過程中，我們發(fā)現(xiàn)：

（1）如果僅僅基于WRFDA模式自帶的質(zhì)量控制系統(tǒng)，將會有部分梯度距平值明顯較大超過閾值的資料點被同化進入模式，而這些可能受到“污染”誤差較大的資料點同化進入模式必將會導(dǎo)致同化結(jié)果有較大誤差，影響分析結(jié)果的質(zhì)量。

（2）而對AIRS資料經(jīng)過基于空間梯度信息質(zhì)量控制之后再同化進入模式，確實可將梯度距平值大于閾值的“壞點”剔除掉，從而對初始場進行了有效的改善。

（3）不同的閾值選取方法，剔除的點也是有差別的。統(tǒng)計法是將所有通道作統(tǒng)一的一個閾值，而平均值法選取閾值雖然初始剔除的資料較少、改進緩慢，但是它充分考慮到了各通道的梯度特性，具有一定的提升空間。

針對1013號臺風(fēng)“鲇魚”進行數(shù)值模擬試驗，通過試驗可以初步得出：

（1）經(jīng)過基于空間梯度信息（沿掃描線方向）的質(zhì)量控制后同化AIRS資料整體上使臺風(fēng)初始場的描述更加準(zhǔn)確，利于物理場的預(yù)報。

（2）經(jīng)過基于空間梯度信息的質(zhì)量控制以后同化AIRS資料對臺風(fēng)路徑模擬有較大的改善效果。

（3）由于同化衛(wèi)星資料主要改善環(huán)境場，對臺風(fēng)的內(nèi)部結(jié)構(gòu)影響不大，而臺風(fēng)強度主要與內(nèi)部結(jié)構(gòu)有關(guān)，所以不論是哪種方案，同化衛(wèi)星資料AIRS對改進臺風(fēng)強度沒有太大的幫助。

綜上可知，基于空間梯度信息的質(zhì)量控制方法整體上對改善同化效果有較好的正效應(yīng)，對臺風(fēng)的數(shù)值模擬也起到一定的促進作用。

8 討論

（1）基于空間梯度信息的質(zhì)量控制方法對同化效果的改進程度在一定程度上也依賴于本身衛(wèi)星資料對初始場的影響程度。即如果本身衛(wèi)星資料對初始場影響不甚敏感，那么基于空間梯度信息的質(zhì)量控制方法對同化效果的改進也是有限的。

（2）基于空間梯度信息質(zhì)量控制能否成功的一個關(guān)鍵因素取決于閾值的選取，因此說如何合理地選取閾值對基于空間梯度信息的質(zhì)量控制是十分重要的。以后可結(jié)合統(tǒng)計法和平均值法的優(yōu)點來更加合理地選取閾值。

（References：）

陳靖, 李剛, 張華, 等. 2011. 云檢測在高光譜大氣紅外探測器輻射率直接同化中的應(yīng)用 [J]. 氣象, 37 (5): 555–563. Chen Jing, Li Gang, Zhang Hua, et al. 2011. Application of cloud detection to assimilation of AIRS radiance data [J]. Meteorological Monthly (in Chinese), 37 (5): 555–563.

Fourrié N, Thépaut J N. 2002. Validation of the NESDIS Near-Real-Time AIRS Channel Selection [M]. Reading, UK: European Centre for Medium Range Weather Forecasts.

官莉. 2006. 利用AIRS 衛(wèi)星資料反演大氣廓線I. 特征向量統(tǒng)計反演法 [J]. 南京氣象學(xué)院學(xué)報, 29 (6): 756–761. Guan Li. 2006. Retrieving atmospheric profiles from MODIS/AIRS observations I. Eigenvector regression algorithms [J]. Journal of Nanjing Institute of Meteorology (in Chinese), 29 (6): 756–761.

官莉. 2007. 星載紅外高光譜資料的應(yīng)用[M]. 北京: 氣象出版社, 6–60. Guan Li. 2007. Application of Spaceborne Hyperspectral Infrared Data (in Chinese) [M]. Beijing: China Meteorological Press, 6–60.

官莉, 王振會, Huang Hunglung. 2009. 紅外高光譜資料模擬大氣廓線反演對云的敏感性 [J]. 氣象科學(xué), 29 (3): 312–316. Guan Li, Wang Zhenhui, Huang Hunglung. 2009. Simulation of atmospheric profile retrieval sensitivity to cloud from hyperspectral infrared data [J]. Scientia Meteorologica Sinica (in Chinese), 29 (3): 312–316.

Goldberg M, Qu D Y, McMillin L M, et al. 2003. AIRS near-real-time products and algorithms in support of operational numerical weather prediction [J]. IEEE Trans. Geosci. Remote Sens., 41 (2): 379–388.

蔣德明. 2007. 高光譜分辨率紅外遙感大氣溫濕度廓線反演方法研究[D]. 南京信息工程大學(xué)博士學(xué)位論文, 29–42. Jiang Deming. 2007. Approach to high spectral resolution infrared remote sensing of atmospheric temperature and humidity profiles [D]. Ph. D. dissertation (in Chinese), Nanjing University of Information Science & Technology, 29–42.

盧冰, 劉娟娟, 王斌, 等. 2013. DRP-4DVar方法同化AIRS反演資料在一次江淮流域暴雨中的應(yīng)用 [J]. 氣候與環(huán)境研究, 18 (5): 562–570. Lu Bing, Liu Juanjuan, Wang Bin, et al. 2013. Assimilation of AIRS sounding retrievals on a heavy rainfall over Changjiang and Huaihe River basin by using DRP-4DVar approach [J]. Climatic and Environmental Research (in Chinese), 18 (5): 562–570.

劉輝, 董超華, 張文建, 等. 2008. AIRS晴空大氣溫度廓線反演試驗 [J]. 氣象學(xué)報, 66 (4): 513–519. Liu Hui, Dong Chaohua, Zhang Wenjian, et al. 2008. Retrieval of clear-air atmospheric temperature profiles using AIRS observations [J]. Acta Meteorologica Sinica (in Chinese), 66 (4): 513– 519.

劉旸, 蔡波, 班顯秀, 等. 2013. AIRS紅外高光譜資料反演大氣水汽廓線研究進展 [J]. 地球科學(xué)進展, 28 (8): 890–896. Liu Yang, Cai Bo, Ban Xianxiu, et al. 2013. Research progress of retrieving atmosphere humidity profiles from AIRS data [J]. Advances in Earth Science (in Chinese), 28 (8): 890–896.

李興武, 董海萍, 郭衛(wèi)東, 等. 2012. ATOVS不同衛(wèi)星資料在臺風(fēng)模擬中的同化試驗研究 [J]. 熱帶氣象學(xué)報, 28 (2): 157–166. Li Xingwu, Dong Haiping, Guo Weidong, et al. 2012. Data assimilation experiments in typhoon numerical prediction using different ATOVS radiance data [J]. Journal of Tropical Meteorology (in Chinese), 28 (2): 157–166.

Li J, Menzel W P, Sun F T, et al. 2004. AIRS subpixel cloud characterization using MODIS cloud products [J]. J. Appl. Meteor., 43 (8): 1083–1094.

Liu Z Q, Barker D. 2006. Radiance data assimilation in WRF-Var: Implementation and Initial Results [C]// The 7th WRF Users’ Workshop. NCAR, Boulder, Colo.

McNally A P, Watts P D. 2003. A cloud detection algorithm for high spectral resolution infrared sounders [J]. Quart. J. Roy. Meteor. Soc., 129 (595): 3411–3423.

McNally A P, Watts P D, Smith J A, et al. 2006. The assimilation of AIRS radiance data at ECMWF [J]. Quart. J. Roy. Meteor. Soc., 132 (616): 935–957.

王云峰, 費建芳, 袁炳, 等. 2013. 消除系統(tǒng)性觀測誤差的時空梯度信息同化方法研究 [J]. 大氣科學(xué), 37 (1): 54–64. Wang Yunfeng, Fei Jianfang, Yuan Bing, et al. 2013. Assimilation of temporal and spatial gradient information to eliminate the systematic observation error [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37 (1): 54–64.

王云峰, 韓月琪, 馬剛, 等. 2014. AIRS資料質(zhì)量控制對颶風(fēng)路徑模擬的影響試驗 [J]. 氣象科學(xué), 34 (4): 383–389. Wang Yunfeng, Han Yueqi, Ma Gang, et al. 2014. Influencial experiments of AIRS data quality control method on hurricane track simulation [J]. Journal of the Meteorological Sciences (in Chinese), 34 (4): 383–389.

占瑞芬, 李建平. 2008. 青藏高原地區(qū)大氣紅外探測器（AIRS）資料質(zhì)量檢驗及揭示的上對流層水汽特征 [J]. 大氣科學(xué), 32 (2): 242–260. Zhan Ruifen, Li Jianping. 2008. Validation and characteristics of upper tropospheric water vapor over the Tibetan Plateau from AIRS satellite retrieval [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 32 (2): 242–260.

張水平. 2009. AIRS資料反演大氣溫度廓線的通道選擇研究 [J]. 氣象科學(xué), 29 (4): 475–481. Zhang Shuiping. 2009. Hyperspectral atmospheric sounding information channel selection study [J]. Scientia Meteorologica Sinica (in Chinese), 29 (4): 475–481.

朱文剛, 李剛, 張華, 等. 2013. 高光譜大氣紅外探測器AIRS資料云檢測及晴空通道應(yīng)用技術(shù)初步研究 [J]. 氣象, 39 (5): 633–644. Zhu Wen’gang, Li Gang, Zhang Hua, et al. 2013. Study on application technique of cloud detection and clear channels hyperspectral atmospheric infrared detector AIRS data [J]. Meteorological Monthly (in Chinese), 39 (5): 633–644.

王云峰, 張曉輝, 李運飛, 等. 2015. 基于空間梯度信息的質(zhì)量控制方法在紅外高光譜AIRS資料同化中的應(yīng)用研究[J]. 大氣科學(xué), 39 (2): 303-314, doi:10.3878/j.issn.1006-9895.1408.13338. Wang Yunfeng, Zhang Xiaohui, Li Yunfei, et al. 2015. Application of quality control method based on spatial gradient information in assimilation of infrared high spectrum data AIRS [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39 (2): 303-314.

Application of Quality Control Method Based on Spatial Gradient Information in Assimilation of Infrared High Spectrum Data AIRS

WANG Yunfeng1, ZHANG Xiaohui1, LI Yunfei2, HAN Yueqi1, and GU Chengming1

1,,211101265052,137101

In this study, using nonhydrostatic mesoscale Weather Research Forecast (WRF) Version 3.4 model, a new quality control (QC) method is introduced that uses infrared high spectrum Atmospheric Infrared Sounder (AIRS) data based on spatial gradient information.To access the effect of the new QC method on numerical typhoon simulation, assimilation and simulation experiments were performed using Typhoon Megi (2010). The results show that if using only the previous QC method provided by the WRF data assimilation system,some data points with gradient anomalies exceeding the threshold value are assimilated into the model. These data points may be contaminated by clouds or misidentified and can be regarded as “bad” points. When such bad data are assimilated into the numerical model, large errors can be brought into the model, which can significantly affect the quality of the initial analysis field. In the new QC method, gradient information checking should be done first to find and eliminate the bad data points. The new method results in a more accurate initial field and improvement in the simulated typhoon tracks. Therefore, the new QC method based on spatial gradient information has a positive effect on improving assimilation results and plays an important role in the numerical simulation.

AIRS data, Gradient information, Quality control, Typhoon

1006-9895(2015)02-0303-12

P456.7

A

10.3878/j.issn.1006-9895.1408.13338

2013-12-24；網(wǎng)絡(luò)預(yù)出版日期2014-08-07

國際科技合作項目2010DFA24650，國家自然科學(xué)基金項目41375106、41230421、41105065、11271195，國家公益性行業(yè)（氣象）科研專項GYHY201106004，江蘇省自然科學(xué)基金B(yǎng)K20131065

王云峰，男，1972年出生，副教授，碩士生導(dǎo)師，主要從事資料同化及臺風(fēng)數(shù)值模擬的研究。E-mail: wangyf@mail.iap.ac.cn