CMA-MESO逐时快速更新同化预报系统及其短临预报效果初步分析.pdf

庄照荣,江源,田伟红,等.2023.CMA-MESO 逐时快速更新同化预报系统及其短临预报效果初步分析 J.大气科学,47(4):925942.ZHUANG Zhaorong,JIANG Yuan,TIAN Weihong,et al.2023.Hourly Rapid Updating Assimilation Forecast System of CMA-MESO andPreliminary Analysis of Short-term Forecasting Effect J.Chinese Journal of Atmospheric Sciences(in Chinese),47(4):925942.doi:10.3878/j.issn.1006-9895.2206.21090CMA-MESO 逐时快速更新同化预报系统及其短临预报效果初步分析庄照荣1,2,3江源1,2,3田伟红1,2,3黄丽萍1,2,3李兴良1,2,3邓莲堂1,2,31中国气象局地球系统数值预报中心,北京 1000812中国气象局地球系统数值预报重点开放实验室,北京1000813中国气象科学研究院灾害天气国家重点实验室,北京 100081摘要基于 CMA-MESO 模式水平 3km 分辨率 3h 循环的快速更新同化预报系统，本文建立逐小时的分析预报循环系统，并且通过采用 5 种尺度叠加的高斯相关模型和引入各向异性的水平相关尺度方案来改进背景误差水平相关结构，同时考察引入全球大尺度信息方案对逐小时循环的分析和预报影响。通过对 2020 年 7 月 19 日华东强对流天气过程的数值模拟表明：（1）逐小时循环吸收了更多的高频观测资料和循环中采用更临近的 1h 预报场作为背景场，分析和降水短临预报质量整体比 3h 循环有所提高；（2）在区域分析中逐时引入全球预报场的大尺度信息会削弱区域观测资料的影响，对预报会有不利影响；（3）改进的五种尺度叠加高斯相关模型和各向异性的水平相关尺度主要使风场背景误差水平相关系数的描述更接近样本的统计结果，因而在逐 1h 循环中风场分析更靠近观测，华东强对流过程的组合反射率和降水短临预报更接近实况。关键词CMA-MESO 模式逐时快速更新同化预报短临预报强对流背景误差协方差文章编号1006-9895(2023)04-0925-18中图分类号P456.7文献标识码Adoi:10.3878/j.issn.1006-9895.2206.21090Hourly Rapid Updating Assimilation Forecast System of CMA-MESOand Preliminary Analysis of Short-term Forecasting EffectZHUANGZhaorong1,2,3,JIANGYuan1,2,3,TIANWeihong1,2,3,HUANGLiping1,2,3,LIXingliang1,2,3,andDENGLiantang1,2,31Earth System Modeling and Prediction Centre,China Meteorological Administration,Beijing 1000812CMA Key Laboratory of Earth System Modeling and Prediction,Beijing 1000813State Key Laboratory of Severe Weather,Chinese Academy of Meteorological Sciences,Beijing 100081Abstract Based on the CMA-MESO(China Meteorological Administration MESOscale weather forecast system)horizontal3kmresolution3hcyclerapidupdateassimilationandforecastsystem,anhourlycycleanalysisandforecast收稿日期2021-05-29；网络预出版日期2022-10-12作者简介庄照荣，女，1978 年出生，博士，主要从事资料同化研究。E-mail:通讯作者邓莲堂，E-mail:资助项目河南省重大科技专项 201400210800，国家重点研发计划项目 2021YFC3000902Funded byMajorScienceandTechnologySpecialProjectsinHenanProvince(Grant201400210800),NationalKeyResearchandDevelopmentProgramofChina(Grant2021YFC3000902)第47卷第4期大气科学Vol.47No.42023年7月ChineseJournalofAtmosphericSciencesJul.2023systemwasestablished.Inthissystem,thebackgrounderrorcorrelationstructureisimprovedbyadoptingaGaussiancorrelationmodelwithfive-scalesuperimpositionandintroducingananisotropiccorrelationscalescheme,andtheimpactofintroducingagloballarge-scaleinformationschemeontheanalysisandforecastofthehourlycycleisexamined.NumericalsimulationsofthestrongconvectivecaseineasternChinaonJuly19,2020,showthat:(1)Thehourlycycleabsorbsmorehigh-frequencyobservationsandusesthemoreproximate1hforecastfieldasthebackgroundfieldinthecycle,whichimprovesthequalityofanalysisandshort-rangeforecastscomparedtothe3hcycle.(2)Theintroductionoflarge-scaleinformationfromtheglobalforecastfieldtothehourlycycleregionalanalysiscanweakentheinfluenceofregional observations,which can negatively affect forecasting.(3)The improved five-scale superimposed Gaussiancorrelation model and the anisotropic horizontal correlation scale make the representation of the background errorhorizontalcorrelationcoefficientsofwindvariablesclosertothestatisticalresultsofthesamples.Thus,theanalyzedwindfields are closer to the observations in the hourly cycle,and the composite reflectivity and short-term precipitationforecastingofthestrongconvectiveprocessinEasternChinaareclosertotherealsituation.KeywordsCMA-MESOmodel,Hourlyrapidanalysisandforecastsystem,Short-termforecasting,Severeconvection,Backgrounderrorcovariance 1 引言针对中小尺度灾害性天气预报的需求，近几年高分辨率区域快速更新循环同化系统发展较快，该系统不仅能充分利用时空高频的观测资料提高模式初始场质量，而且在短临预报上有重要作用。美国在 1994 年开始业务运行基于最优插值分析的 3h循环 60km 分辨率的快速更新系统（RapidUpdateCycle，简称 RUC），2002 年分辨率提高到 20km和 1h 循环，试验表明风场和温度场较短预报时效的预报质量明显比较长预报时效的好（Benjaminetal.,2004）。2005 年 RUC 系统升级到三维变分，分辨率提高到 13km，探空观测，风廓线观测、GPSPW 可降水和地面观测对短期预报技巧的提升有较明显正影响（Benjaminetal.,2010）。随后2012 年建立了基于混合变分集合同化的快速更新系统（RapidRefresh，简称 RAP），随着版本升级，到 2015 年 RAP 的预报技巧持续上升（Benjaminetal.,2016）。英国气象局在四维变分同化系统的基础上建立了 1.5 公里 1 小时循环的短临预报系统（NowcastingDemonstrationProject，简称 NDP），其降水预报质量显著优于基于三维变分 1.5km3h循环系统（Ballardetal.,2016）。法国也研发了1.3km 逐 1h 快速更新的对流尺度数值预报系统，由于此系统能同化包含更多中尺度信息的观测，提供更精确的初始场，因而提供的降水预报质量更好（Brousseauetal.,2016）。由上可知，快速更新循环系统的改进不仅包含分析预报技术的提高，还有分辨率的提高和高频高密观测资料同化频次的提高。我国各区域气象研究中心在 2000 年后也开展快速更新分析预报系统的研究，各自利用不同的分析和模式预报系统建立逐 3h/1h 的更新循环系统。2007 年北京城市气象研究所基于 WRF 三维变分和模式系统建立的针对北京地区三重嵌套网格（27km9km3km）的逐 3h 更新快速循环同化预报系统（BJ_RUC）进入准业务运行（范水勇等,2009）；随后发展了针对大尺度和小尺度观测二重嵌套网格（9km3km）的逐 1h 循环的分步同化方案，试验表明对北京 2009 年夏季四次强降水预报质量有明显改善（童文雪等,2018）。广州热带气象研究所基于 GRAPES（Global/RegionalAssimilationandPrEdictionSystem）等压面三维变分（张华等,2004;Xueetal.,2008）和区域中尺度天气数值预报模式系统（Chenetal.,2008;ZhangandShen,2008）建立了针对华南地区的逐时同化分析与模式预报循环系统（GRAPESCycleofHourlyAssimilationandForecast，简称 GRAPES_CHAF；陈子通等,2010）。上海建立以 ADAS 和 WRF 模式为基础的 3km分辨率逐小时同化的快速更新同化预报系统（ShanghaiMeteorologicalBureau-WRFADASRapidRefreshSystem，简称 SMB_WARR；陈葆德等,2013）。傅娜等（2013）在 SMB_WARR 的基础上，采用时间滞后方法进行针对降水过程的集合预报，李佳等（2017）在第二代华东快速更新循环同化模式（SMS-WARRV2.0）的基础上模拟了 2016年在江苏阜宁发生的龙卷，表明 3km 分辨率逐小时循环同化对此次龙卷天气的模拟起着关键作大气科学47卷926ChineseJournalofAtmosphericSciencesVol.47用。李红莉和王志斌（2017）在基于 LAPS（LocalAnalysisandPredictionSystem）和 WRF 建立的华中区域快速循环同化预报系统 LRUC 基础上进行5km 分辨率逐 3h 同化的地面资料和雷达观测资料试验，研究其对华中区域主汛期预报降水的影响。中国气象局数值预报中心基于自主研发的区域 GRAPES 系统发展的快速更新循环系统伴随着分析和模式预报技术的更新和分辨率的提高而进行了几次业务升级。2010 年基于 GRAPES_CHAF 系统，采用模式面三维变分分析（马旭林等,2009）和 GRAPES 模式 V3.0 建立的全国区域 15km 分辨率31 层3h 循环的GRAPES-RAFS（RapidAnalysisandForecastSystem）进入准业务运行（郝民等,2011;徐枝芳等,2013）。2014 年CMA-MESO（ChinaMeteorological Administration MESOscale weatherforecastsystem，原称 GRAPES-MESO）模式水平分辨率升级到 10km，垂直分层 50 层，模式版本升级为 V4.0，升级后模式要素场和降水预报都有明显改进（黄丽萍等,2017）。2020 年，全国区域水平分辨率 3km3h 循环的快速更新循环系统业务运行，CMA-MESO 系统版本升级为 V5.0，增加了雷达径向风、风廓线雷达等高频观测资料的同化（黄丽萍等，2022）。全国 CMA-MESO 分析预报循环系统经过近十年的发展，分辨率从 15km 升级为 3km，短临预报技术逐年提升。但是观测资料的同化频率还是每 3h 同化一次，对于分钟级别的雷达观测资料来说，高频观测资料的利用效率较低。因而本文在业务 3km 分辨率 3h 循环系统的基础上建立逐 1h 的快速更新循环系统。此外，由于观测资料的水平传播结构依赖于背景误差水平相关模型，水平传播的远近由水平相关尺度决定，目前业务 CMA-MESO5.0 版本中采用三种尺度叠加的高斯相关模型和观测信息全场均匀的传播方式，背景误差的水平相关结构与统计样本相比还有一定差别，所以文中通过增加更多的水平相关尺度参数，以及采用各向异性的水平相关尺度方案改进背景误差水平相关模型。本文针对 2020 年 7 月 19 日的华东地区强对流过程进行了逐 3h 和 1h 循环的数值预报对比试验，研究快速更新循环系统的短临预报效果。2 CMA-MESO 快速更新循环系统 2.1 逐 1 h 快速更新循环系统简介CMA-MESO（原称 GRAPES-RAFS）区域快速更新循环系统是基于区域 GRAPES 三维变分分析（3DVar）和区域中尺度数值预报模式建立起来的间歇快速分析预报循环系统（郝民等,2011;徐枝芳等,2013），主要模块包括观测资料预处理与质控、全球模式资料前处理、三维变分分析系统、云分析、模式标准初始化、数字滤波和中尺度数值模式。水平 3km 分辨率的 CMA-MESO 系统于 2020年 6 月业务运行，在 10kmCMA-MESO 系统的基础上增加了陆面资料同化（王莉莉和龚建东,2018）和混合尺度方案（庄照荣等,2020）。CMA-MESO系统结构流程如图 1a 所示，其中蓝线表示全球模式提供冷启背景场、大尺度信息和侧边界信息，红线表示暖启过程，点线表示观测资料预处理和质控后提供的观测信息。本文在 3h 间隔同化观测（3h图1CMA-MESO 系统（a）结构流程和（b）逐 1 小时循环示意图Fig.1(a)Flowdiagramand(b)schematicofthehourlycycleforCMA-MESO(ChinaMeteorologicalAdministrationMESOscaleweatherforecastsystem)4期庄照荣等：CMA-MESO 逐时快速更新同化预报系统及其短临预报效果初步分析No.4ZHUANGZhaorongetal.HourlyRapidUpdatingAssimilationForecastSystemofCMA-MESO.927循环）基础上建立了逐 1h 的循环系统。CMA-MESO 快速循环系统是非连续的间歇快速循环系统，每天在 00:00、12:00（协调世界时，下同）进行两次冷启，也就是每天进行两次 12h 的间歇循环过程，其中 00:00 进行冷启的 12h 间歇循环过程（逐 1h 循环）如图 1b 所示。初始时刻为全球模式预报降尺度场作为背景场的冷启分析和预报（浅蓝曲线表示），其他 12 个时刻把区域 1h 预报场作为背景场进行暖启分析和预报（红曲线表示），侧边界条件和混合尺度分析的大尺度部分信息都来自全球模式的分析（蓝线表示）和预报（橘线表示）。2.2 混合尺度方案在 CMA-MESO 中采用混合尺度方案，即每次区域分析后，全球分析或预报场的大尺度信息与区域的中小尺度信息结合起来形成新的初始场（庄照荣等,2018,2020）。3h 循环中，一次 12h 间歇循环过程的五次分析中有三次引入全球分析的信息和两次引入全球 3h 预报场的信息（例如 00:0012:00 的循环过程，00:00、06:00 和 12:00 的分析，03:00 和 09:00 的预报）。而对于 1h 循环，一次12h 间歇循环过程有 13 次分析，同样引入 3 次全球分析的大尺度信息（见图 1 蓝色箭头），其他10 次引入了全球的预报场信息（见图 1 橘色箭头）。因而在逐 1h 循环中采用混合尺度方案后，由于引入全球预报信息的频次增多会对区域预报质量造成一定影响，所以文中测试了有无混合尺度方案对预报的影响。2.3 3DVar 同化系统文中 CMA-MESO3DVar 采用的控制变量为流函数（psi）、非平衡的势函数（chiu）、非平衡的地面气压（Psu）、非平衡的温度（Tu）和比湿（q），背景误差协方差采用美国国家气象中心方法（NMC）统计获得，风压场的平衡关系依赖于线性统计回归关系（王瑞春等,2012），误差方差为随高度和纬度变化的二维场，垂直相关采用NMC 方法统计的垂直相关系数，水平相关关系用高斯或者三种尺度叠加的高斯函数来描述（庄照荣和李兴良,2021），水平相关尺度为随高度变化的一维场（庄照荣等,2019）。2.3.1背景误差水平相关模型的改进在 3DVar 变分系统中采用高斯或者尺度叠加的高斯函数描述变量之间的水平相关关系，即：R(r)=1NNi=1expr222iL2，（1）R(r)其中，为随着距离 r 变化的水平相关系数，L为水平相关尺度。i为尺度调节参数，当 N=1，1=1 时为单一尺度的高斯相关模型；当 N=3 时，为三种尺度叠加的高斯相关模型，由于尺度叠加的高斯相关模型比单一高斯模型能更恰当地描述风场相关（庄照荣等,2021;庄照荣和李兴良,2021），目前在 CMA-MESO 区域 3km 分辨率业务系统中主要采用此相关模型。文中对控制变量水平相关系数样本采用公式（1）的高斯函数拟合获得水平相关尺度。统计数据来自 CMA-MESO 区域中尺度数值模式的预报产品，模式分辨率为 3km，垂直层为 51 层，区域范围为（1750N，102135E）。采用 2018 年6 月 2 日至 8 月 31 日 180 个预报样本（同一时刻不同时效 24h 与 12h 预报场的差）统计背景误差水平相关结构。通过对比统计样本和拟合相关模型结构，增加五种尺度叠加的高斯相关模型方案。针对第 30 层比湿和 V 风场变量进行统计水平相关样本及拟合函数的分析。由于区域边界的样本质量受预报的侧边界条件的影响，因而只对区域（27.7138.96N，112.71123.96E）范围内所有格点与其他格点的每 10km 范围内计算平均距离和水平相关系数，其中第 30 层比湿和 V 风场变量在纬向的水平相关系数样本分布如图 2 点线所示。从图 2a 中可以看出湿度样本的平均水平相关系数（黑色点线）基本符合高斯分布特征，统计水平相关系数样本通过高斯函数拟合后，计算出比湿的水平相关尺度为100.6km，因而在 3DVar 分析系统中采用水平相关尺度为100.6km 高斯模型来描述湿度的水平相关系数（图 2a 黑线）。比较湿度的高斯相关模型（图 2a黑线）与统计的水平相关系数（图 2a 黑点线），可以看出在近距离 150km 之内高斯相关模型高估了湿度的水平相关系数，在远距离 150km 之外高斯相关模型低估了湿度的水平相关系数。采用三种尺度叠加的高斯相关函数，尺度调节参数 i分别为 0.5、1.0 与 1.5，在近距离相关系数高估和远距离相关系数低估的现象大幅度缓解。若采用五种尺度叠加的高斯函数来拟合，尺度调节参数 i分别为 0.3、0.5、1.0、1.5 和 1.7，拟合的水平相关函数大气科学47卷928ChineseJournalofAtmosphericSciencesVol.47结构最接近统计样本分布，拟合误差最小（图2a、b）。若流函数和势函数作为控制变量，不同水平相关模型导出的归一化拉普拉斯算子可以近似描述风场水平相关结构（庄照荣等,2021）。统计的 V 风场水平相关系数样本分布如图 2c 点线所示，可以看出其在 400km 以外的远距离相关为 0 至0.1 以内的负相关。流函数统计样本通过高斯函数拟合，计算出流函数的水平相关尺度为 336.8km，当流函数变量的水平相关系数采用单一高斯模型来描述，导出的高斯函数归一化拉普拉斯算子描述的第 30层 V 风场水平相关结构在近距离 300km 以内严重高估，以外负相关程度也严重高估，负相关可达0.4 以上。若对流函数变量的水平相关采用三种尺度叠加的高斯函数，尺度调节参数 i分别为 0.5、1.0 与 1.5，高斯函数归一化拉普拉斯算子描述的风场水平相关高估的情况得到缓解，近距离相关与样本的误差最大从 0.35 左右降到 0.25；远距离相关与样本的误差最大从0.4 减小到0.2。若采用五种尺度叠加的高斯函数描述流函数变量的水平相关系数，尺度调节参数 i分别为 0.4、0.5、1.0、1.2 和2.3，其风场水平相关结构最接近样本统计结果，拟合误差在近距离减小到 0.2 以内，远距离相关与样本的误差基本介于正负 0.1 之内（图 2c、d）。综上所知，通过采用五个尺度调节参数对远距离和近距离的水平相关系数进行调整，可以缓解控制变量近距离相关系数的高估和远距离相关系数的低估，同时使导出的风场变量相关系数更加合理，拟合的相关模型更接近实际统计结果。2.3.2背景误差水平相关尺度的改进在 3DVar 中，背景误差水平相关尺度只随着高度变化，而统计结果表明在纬向和经向上不同变量的水平相关尺度有比较明显的差别。本文统计3km 分辨率模式在不同方向的水平相关尺度，从图 3 可以看出非平衡温度、湿度和非平衡势函数，中高层在纬向的水平相关尺度明显大于经向的水平相关尺度。流函数在模式 17 层以下，纬向的水平图2CMA-MESO 模式第 30 层（a、b）比湿与（c、d）V 风场的水平相关模型（左列），以及水平相关模型与统计样本的误差（右列）Fig.2Horizontalcorrelationmodels(leftcolumn)anderrorsbetweencorrelationmodelsandstatisticalsamples(rightcolumn)for(a,b)specifichumidityand(c,d)VcomponentinCMA-MESOmodel4期庄照荣等：CMA-MESO 逐时快速更新同化预报系统及其短临预报效果初步分析No.4ZHUANGZhaorongetal.HourlyRapidUpdatingAssimilationForecastSystemofCMA-MESO.929相关尺度略大于经向的水平相关尺度；而在 17 层以上相反。从 U 和 V 风场的水平相关尺度可以看出（图 3b），在 40 层以下 U 风场在纬向的水平相关尺度明显大于经向；而 V 风场正好相反，在经向的水平相关尺度显著大于纬向。由于风场为矢量，因而造成风场在不同方向上的水平相关尺度差别明显。综上所述，在三维变分系统中通常假设变量的水平相关为各向同性，即在不同方向上相同距离的背景误差水平相关系数相等，而实际上不同变量在纬向和经向的水平相关系数有明显差别，因而本文尝试在 3DVar 系统中采用纬向和经向不同的水平相关尺度方案。在 3DVar 系统中，背景误差水平相关矩阵与某个向量的乘积用递归滤波来逼近。在水平二维情况下，对于高斯相关模型，它相当于两个独立纬向与经向滤波的乘积，原方案纬向与经向采用同样的水平相关尺度下的滤波系数，因而观测向四周的传播为各向同性；本文引入各向异性的水平相关方案，即在纬向和经向采用统计得到的不同水平相关尺度（图 3a），在纬向和经向的滤波过程中采用不同水平相关尺度导出的滤波系数，从而使观测的传播在纬向和经向远近不同。3 华东强对流天气过程及试验参数设置 3.1 华东地区强对流天气过程文中针对 2020 年 7 月 19 日华东地区一次强对流过程进行模拟，这次过程属于典型的梅雨锋过程。19 日12:00 的天气形势如图4 所示，可以看出500hPa短波槽东移与北抬西进的副热带高压相遇，长江中下游大部地区处于副高外围西南急流控制的高温高湿区，850hPa 低涡位于渤海湾，低压槽后的偏北风与副热带高压外围的低空急流相遇形成切变线（图 4a）。250hPa 高层华东地区处在明显的辐散区（图 4b）。以上天气形势场非常有利于对流系统发展，12:0015:00 的强降水（图 4 绿线）主要发生在切变线以南，冷暖空气交界处暖区低空急流区。从这次强对流过程中距离主体回波最近的江西九江（图 4 蓝色圆点）0.5仰角扫描图可以看出（图 5a、b），19 日 11:57 主体回波跨度 400km，呈东北西南走向，对流系统发展旺盛，最强回波达 45dBZ 以上；从径向风可以看出主体回波处在西南急流区，最大风速在 19ms1以上。从衢州雷达 0.5仰角扫描图也可以看出（图 5c、d），19 日 12:01 主体回波出现在衢州西北侧，呈东北西南走向，跨度 300km，主体回波上对流单体发展旺盛，最强回波达 45dBZ 以上；从径向风也可以看出主体回波处在西南急流区，最大风速在 15ms1以上。3.2 试验设置文中采用 3h/1h 分析预报循环系统模拟这次强对流天气过程，循环试验时段为 2020 年 7 月 19日 00:0012:00，每次分析后进行 3h 短临预报，试验范围为中国东部区域（1750N，102135E），模式分辨率为 3km，格点数为 11011101，垂直分层 51 层，模式层顶达 33km。采用NCEP 全球模式产品提供冷启背景场、侧边界和大图33DVar 系统中控制变量（a）与 U、V 风场（b）的水平相关尺度随高度（单位：km）和方向的变化，其中 X 表示纬向，Y 表示经向Fig.3Horizontalcorrelationlengthsof(a)thecontrolvariablesand(b)U/Vcomponentchangeswithheightanddirection(units:km)in3DVar,whereXandYdenotethezonalandmeridionaldirections,respectively大气科学47卷930ChineseJournalofAtmosphericSciencesVol.47图42020 年 7 月 19 日 12:00（a）850hPa、（b）250hPa 高度场（黑色等值线，单位：10gpm）和风场（风矢量，单位：ms1）分布，并分别叠加 500hPa 高度场（红色等值线，单位：10gpm）以及 12:0015:00 降水场（绿线，单位：mm）分布，蓝色圆点为九江站，蓝色三角为衢州站Fig.4Distributionsofgeopotentialheight(blackcontours,units:10gpm)andwind(units:ms1)on(a)850hPaand(b)250hPa,withgeopotentialheight(redcontours,units:10gpm)on500hPaat1200UTConJuly19,2020,andaccumulatedprecipitationforecast(greenline,units:mm)from1200UTCto1500UTConJuly19,2020,wherethebluedotdenotesJiujiangstationandthebluetriangledenotesQuzhoustation图52020 年 7 月 19 日（a、b）11:57 九江与（c、d）12:01 衢州雷达的 0.5仰角雷达反射率因子（左列）与径向速度（右列）分布Fig.5Distributionsofradarreflectivity(leftcolumn)andradialvelocity(rightcolumn)at0.5elevationfor(a,b)Jiujiangat1157UTCand(c,d)Quzhouat1201UTC19July20204期庄照荣等：CMA-MESO 逐时快速更新同化预报系统及其短临预报效果初步分析No.4ZHUANGZhaorongetal.HourlyRapidUpdatingAssimilationForecastSystemofCMA-MESO.931尺度信息，NCEP 全球模式的分辨率为 50km，垂直方向 100010hPa 共分 26 层。采用 CMA-MESO5.0 版本进行 5 组分析预报循环试验，第一组试验为采用 3h 循环间隔的控制试验（表示为 3h），试验设置基本与业务设置相同，即背景误差水平相关模型采用三种尺度叠加的高斯相关模型；背景误差水平相关采用各向同性、只随高度变化的相关尺度。分析循环中引入全球大尺度信息，并且采用云分析。第二组试验采用 1h循环间隔（表示为 1h），其他设置与第一组相同。在第二组试验基础上，第三组试验没有引入全球大尺度信息（表示为 1hNoblnd）。在第三组试验基础上，第四组试验采用五种尺度叠加的高斯相关模型代替三种尺度叠加的相关模型（表示为1hNoblndG5）。第五组试验在采用五种尺度叠加的高斯相关模型的同时，使用在纬向和经向上不同的水平相关尺度，即观测资料在纬向和经向的传播不同（表示为 1hHL2D）。试验设置见表 1。3.3 观测资料在五组试验中同化的观测资料包括探空（TEMP）、地面报（SYNOP）、船舶报（SHIPS）、飞机报（AIREP）、云导风（SATOB）这五类常规资料，以及非常规资料 GPS 反演的可降水量（GPSPW）、掩星折射率（GPSREF）、雷达反演 VAD 风场（VAD）、风廓线雷达（WPR）和雷达径向风（VR）。图 6 为 2020 年 7 月 19 日 00:001h 循环试验三维变分使用的观测资料分布情况。从图 5a 可以看出地面报（17764 个站点）、探空（110 个站点）资料主要分布在陆地，其中地面报资料包括国家站和区域自动站资料；这一时段飞机报资料主要分布在韩国、日本等邻国和中国东部城市的航线上；云导风资料主要分布在海上和外蒙古地区，船舶资料最少（13 个站点）。从图 5b 可以看出 GPSPW 资料分布在我国陆地上（725 个站点），GPSREF 只有 22 个站点，VAD 雷达有 85个站点，风廓线雷达有 77 个站，雷达径向风观测使用 122 部雷达。云分析使用了风云 2G 的亮温和云总量格点资料，以及雷达反射率格点资料。这次分析循环试验的观测资料使用份数见表 2所示，3h 循环采用的观测资料与业务一致，1h 循环采用观测资料时间截断为正负半小时，各类观测中 U 和 V 变量按照一份资料统计。从表 2 可以看表 1 快速更新循环试验列表Table 1 List of RAFS (Rapid Analysis and ForecastSystem)experiments试验名称循环间隔是否引入大尺度信息水平相关模型3h3h是各向同性，三种GAUSS函数叠加1h1h是各向同性，三种GAUSS函数叠加1hNoblnd1h否各向同性，三种GAUSS函数叠加1hNoblndG51h否各向同性，五种GAUSS函数叠加1hHL2D1h否各向异性，五种GAUSS函数叠加图62020 年 7 月 19 日 00:00（a）常规观测资料和（b）非常规观测资料的分布Fig.6Distributionsof(a)conventionaldataand(b)unconventionaldataat0000UTConJuly19,2020大气科学47卷932ChineseJournalofAtmosphericSciencesVol.47出，在 12h 循环时段内，使用份数最多的资料为地面站资料，1h 循环共使用 48.51 万份资料，3h和 1h 循环份数也相差最大；其次是雷达径向风资料，1h 循环共使用 13.73 万份资料；随后是探空、飞机报与云导风资料。在 12h 循环时段内，3h 循环所同化的总观测份数为 35.84 万份；由于逐 1h循环同化观测频次更高，1h 循环同化的总观测份数为 71.33 万份。1h 循环比 3h 循环主要增加的观测资料为地面报和雷达径向风，因而逐小时循环能更好利用雷达、地面报等高频次的观测资料。3.4 噪音控制在 CMA-MESO 循环过程中由于多频次引入的不规则观测信息会导致分析场不平衡，这种不平衡会在积分过程会产生虚假的重力波，从而影响预报的稳定性。系统中采用非绝热数字滤波方案进行分析噪音的控制，采用 30 分钟的滤波时间窗。若循环中引入全球大尺度的信息会使初始场变量之间更协调。从五组试验暖启预报的地面气压倾向可以看出（图 7），包含混合尺度方案的 3h 和 1h 试验的地面气压倾向在前 3h 预报中相当，量级较小，变化也比较平缓。当不引入全球大尺度信息，1hNoblnd 试验的地面气压倾向起始最大，随着预报时效的增加略有下降，说明全球大尺度信息的引入会使初始场更加协调。1hNoblndG5 试验前 3h预报的地面气压倾向略比 1hNoblnd 降低；而1hHL2D 试验中也没有引入全球大尺度信息，初始场和 3h 预报内的地面气压倾向明显低于 1hNoblnd试验，说明同时改进相关模型和水平相关尺度，观测资料的水平传播更加合理，相比 1hNoblnd 试验，分析场变量之间更加协调。4 数值试验结果对五组逐 3h/1h 快速更新循环试验中的分析场进行分析诊断，以及通过分析模式预报的动力场、组合反射率和降水来研究不同频率循环和分析框架改进对分析和预报质量的影响。4.1 同化分析检验4.1.1分析的均方根误差在循环过程中，利用分析残差（观测与分析的差），比较分析与各类观测的差别可获得分析的均方根误差。由于 3h 和 1h 循环试验的同化时间窗的差别，两类循环试验的观测资料样本数量差别（表 2）可能会造成分析检验不够客观。从 4km 高度分析与雷达径向风观测相比较的分析均方根误差可以看出（图 8），在整个循环时段，3h 试验分析的均方根误差基本为最大；进行1h 循环试验后，整体分析均方根误差有所降低。其中，1hNoblnd 试验在循环过程中的分析均方根误差比 1h 试验互有高低，整体质量略好一些。对背景误差水平相关模型结构（采用五种尺度叠加相关模型）进行改进后，1hNoblndG5 试验在 19 日00:0008:00 时段的分析均方根误差比 1hNoblnd明显降低；再对背景误差水平相关尺度进行改进后，1hHL2D 试验在整个时段的分析均方根误差基本都比其他四组试验有明显降低。比较五组试验在 2020 年 7 月 19 日 00:0012: