热带气象学报  2017, Vol. 33 Issue (6): 874-883  DOI: 10.16032/j.issn.1004-4965.2017.06.008
0

引用本文  

李磊, 江崟, 张文海, 等. 基于四维数据同化技术的千米格距网格化气象数据集:构建及初步应用[J]. 热带气象学报, 2017, 33(6): 874-883.DOI: 10.16032/j.issn.1004-4965.2017.06.008.
李磊, 江崟, 张文海, 等. Gridded meteorological dataset with a 1-km resolution by using four dimensional data assimilation technique: establishment of the data set and preliminary applications[J]. JOURNAL OF TROPICAL METEOROLOGY, 2017, 33(6): 874-883. DOI: 10.16032/j.issn.1004-4965.2017.06.008.

资助项目

国家重点研发计划(2016YFC0203600);国家自然科学基金(41575005);中国气象局华南区域中心项目(GRMC2015M02)共同资助

通讯作者

LIU Yu-bao,男,江苏省人,美国国家大气研究中心(NCAR)3级项目科学家,博士,主要从事气象数据同化研究。E-mail:yliu@ucar.edu

文章历史

收稿日期:2016-09-06
修订日期:2017-07-18
基于四维数据同化技术的千米格距网格化气象数据集:构建及初步应用
李磊 1, 江崟 1, 张文海 2, 王德立 1, LIU Yu-bao 3, PAN Lin-lin 3, LIU Yue-wei 3     
1. 深圳市气象局/深圳市国家气候观象台,广东 深圳 518040;
2. 深圳市强风暴科学研究院,广东 深圳 518057;
3. The National Center for Atmospheric Research,Boulder,CO,USA,80301
摘要:利用基于张弛逼近的四维数据同化技术,构建了广东深圳的千米格距网格化气象数据集,由于同化了深圳及周边可获得的高频次观测数据,气象数据集基本准确表现出几种关键气象要素的年际变化和月变化特征。在网格化气象数据集基础上开发了“深圳市细网格气候信息平台”,并通过平台推出了若干精细气候数据产品:精细风玫瑰、逐网格风能等。这些数据产品已经在格点气温预报、风能示范项目选址以及详细规划的自然通风评估中发挥了实际作用。这些探索表明,网格化气象数据集的建立,有望为城市的网格化精细管理和建设提供气象科技支撑。
关键词四维数据同化    张弛逼近    网格化气象数据    城市气候服务    深圳    
GRIDDED METEOROLOGICAL DATASET WITH A 1-KM RESOLUTION BY USING FOUR DIMENSIONAL DATA ASSIMILATION TECHNIQUE: ESTABLISHMENT OF THE DATA SET AND PRELIMINARY APPLICATIONS
LI Lei1, JIANG Yin1, ZHANG Wen-hai2, WANG De-li1, LIU Yu-bao3, PAN Lin-lin3, LIU Yue-wei3     
1. Meteorological Bureau of Shenzhen Municipality/Shenzhen National Climate Observatory, Shenzhen 518040, China;
2. Shenzhen Academy of Severe Storms Science, Shenzhen 518057, China;
3. National Center for Atmospheric Research, Boulder, CO80301, USA
Abstract: By using a four-dimensional data assimilation technique based on the nudging method, a gridded meteorological dataset with a resolution of 1 km is established in Shenzhen. The comparison between the model data and the observational data shows that the gridded data can fairly well describe the characteristics of the local climate in Shenzhen, for there have been much observational data with high resolution from multi-sources assimilated in the dataset. Based on the gridded meteorological dataset, the Shenzhen fine-gridded climate information service platform is established, and many fine-scale products on local climate are provided through the platform, i.e. fine-scale wind roses and gridded wind energy distribution. The dataset has already successfully applied in practice such as gridded air temperature prediction, site-selection of wind energy projects and ventilation assessment on detailed urban planning. The current study shows that the establishment of the gridded meteorological dataset can be expected to provide services to gridded municipal management and construction.
Key words: four-dimensional data assimilation    nudging    gridded meteorological data    urban climate service    Shenzhen    
1 引言

深圳地处华南沿海地区,面积约2 000 km2,境内山地、丘陵、水库、河流密布,地形复杂,地表覆盖类型具多样化特征,地面的气象要素分布也呈高度非均匀特征[1]。根据深圳市统计局的数据,1979—2012年深圳人口增加了28倍以上,城市建成区面积增加了68倍以上。城市化对深圳的局地气候产生显著影响。研究表明在城市化和全球变暖的双重作用下,深圳当前的平均气温比1960年代—1970年代高约1.63 ℃[2]

为减缓和适应气候变化,深圳市大力推进绿色建筑、绿色规划和自然通风潜力评估,已有大量研究从技术层面对上述工作予以支持[3-5]。在国际上,为了更好服务城市规划,斯图加特、东京及香港等国际大都市都开发出了都市气候图或类似产品,用于明确城市中的气候敏感区,并指出规划中应采用的策略[6]。都市气候图及类似产品虽然已经在“气候服务城市规划”领域起到很好的示范作用,但几乎所有都市气候图都不提供具体的气候数据,而大量城市规划、建设或工程项目对于具体数据、尤其是精细尺度的网格化气候数据的需求远超过定性的指导意见。

美国的NCEP/NCAR再分析资料是世界上最早获得广泛应用的网格化气候数据,1997年发布的最早版本的40年再分析资料(1957—1996年),应用当时最先进的全球尺度数据同化系统,并融合当时可能获得的所有观测资料,包括地面资料、船舶报、探空和卫星等资料,从而为生成高质量的网格化气候数据集奠定了基础[7]。2011年欧洲中期天气预报中心(ECWMF)推出了ERA-Interim再分析资料,这是目前世界上最新的一个全球尺度网格气候数据集版本,该版本数据既同化了传统的地面和卫星等资料,也包括部分下投式探空、风廓线探测等非传统的探测数据[8]。上述全球尺度网格化再分析资料的生成,为气候监测和研究提供有力的支持。然而其分辨率相对较粗,一两个网格通常即可覆盖一个城市,难以满足城市精细化管理对数据的要求。为城市服务需要分辨率达到千米尺度的气候数据集。

近年来,美国国家大气研究中心(National Center for Atmospheric Research,NCAR)的研究应用实验室(Research Applications Laboratory,RAL)发展了基于张弛逼近(Nudging)算法的四维同化(Four Dimensional Data Assimilation,FDDA)技术[9]。该技术最大的特点是可以同化多个时刻的多源观测资料,不仅在实时预报中得到很好的应用,在利用系统回算历史数据形成高分辨率气候数据集方面也有过成功的尝试[10]。深圳市于2013年引进了NCAR的FDDA系统[11],并利用该技术建立了用于历史气候数据回算的模式系统Climate-FDDA(简称C-FDDA),对2008—2012年的历史观测资料进行融合再分析,形成深圳的高分辨率网格化气象数据集。本文将对有关技术及应用情况进行介绍,以期为国内其它城市的类似工作提供参考依据。

2 C-FDDA模拟设置 2.1 模式系统设置

C-FDDA模式系统的实时运转流程如图 1所示。由于FDDA系统尚未同化卫星、雷达和雨量计的云雨观测,因此,模式地面降雨可能在时空分布和降雨量值上存在误差。为防止降雨误差导致的模式土壤湿度累计误差、由于侧边界条件导致的动力场漂移,同时也为了更合理地更新SST,本文FDDA系统的四维分析每周冷启动2次(星期四12 UTC和星期日12 UTC),每次连续执行4 d(96 h)再分析。每个冷启动的前12 h(星期四12 UTC—星期五00 UTC;星期天12 UTC—星期一00 UTC)为动力初始化和预热(spin-up)期,不作为再分析资料的一部分。当模式时间进入资料的预设同化窗口时,采用张弛逼近(Nudging)的方法将多源观测资料融入模式,整个C-FDDA的模拟持续了5年。

图 1 C-FDDA系统的概念模型

C-FDDA模式系统的核心是WRF3.5.1,同化采用张弛逼近技术,每隔固定的时次对于不同资料分别采用公式(1)进行调整,使得物理量向观测值靠近:

$\begin{eqnarray} \frac{\text{d}x}{\text{d}t}=F(x,t)+GW(y^\text{O}-Hx^b) \end{eqnarray}$ (1)

式中,变量x代表模式控制方程的某种物理量(如气温、风速等),式(1)右侧第1项为控制方程中的原有项,第2部分表示观测的张弛逼近项(nudging term)。G是一个经验系数,为常数。W=WtWxyWσWq,是权重系数,依赖于时间(Wt)、水平和垂直分布(WxyWσ)及数据质量(Wq)。在水平方向上,Wxy是一个Cressman型的权重函数,当模式格点离观测点的距离D≤预设的值R时,$W_{xy}=\frac{R^2-D^2}{R^2+D^2}$;当D>R时,Wxy=0。yO代表物理量的观测值,而H是一个矩阵,用于将WRF模式格点数据xb转换到观测格点上。

每一个观测数据都有一个影响半径R和一个时间窗口以及一个用户自定义的时间张弛系数。这些变量决定了观测数据在模式中的哪些区域、哪个时间窗口内以什么程度影响到模式格点数据。对于多层嵌套的WRF模式,在进行同化前,每层都必须有一个独立的观测输入文件,其中包含观测点的3维坐标和观测值。

基于张弛逼近的四维资料同化办法与传统的三维变分是不同的。后者追求的是在三维空间里把背景场和当时观测以最优的权重组合,产生分析场;而张弛逼近方法针对每个观测,都在以观测时间为中心的一个时间窗口内,在每个积分时间步长上对WRF模式的背景场变量进行修正,并通过模式的动力和物理方程把观测信息在空间、时间和不同预报变量间传播开来,对模式变量进行全面修正。因此,C-FDDA微气候再分析资料库实际上是WRF模式与深圳、广东省及香港地区观测资料连续磨合而成的。

需要特别指出的是,虽然深圳自动站观测资料密集,通过插值也能形成网格化数据集,但C-FDDA系统相较于插值方法有不可比拟的优势:FDDA产生的数据集满足数值模式方程所包含的各类动力平衡关系和物理过程(云过程、辐射、边界层、地面土壤等过程)一致性。简单插值不能满足这些平衡方程和效应,仅具有“数学意义”。因此理论上C-FDDA所生成的数据集比插值方法生成的数据集更真实,尤其在深圳东部大鹏半岛的高海拔山区没有布设自动站点,这些地区通过插值得到的数据会严重失准。同时,密集自动气象站插值只能得到地面附近的数据,而模式可以得到不同高度的数据,形成三维格点数据场。

2.2 模式区和物理参数化设置

系统采用如图 2所示的4层网格嵌套设置,最外层覆盖中国泛华南地区;最内层网格东西方向长151 km,南北方向长136 km,覆盖深圳、香港及珠江口地区,网格距为1 km。本文所介绍的网格化气象数据集均取自第4层网格的模拟结果。4层嵌套网格分辨率分别为27、9、3和1 km。为减少显示微物理的细网格模式结果对包含有积云参数化方案的粗网格模式引起冲击,模式采用单向嵌套方案。

图 2 SZ-RTFDDA系统采用的4层嵌套网格

FDDA模式的4层网格各自同时实施四维资料同化,由于Nudging同化是基于模式动力、物理方程的动态同化方案,因此细网格的局地环流的再分析精度一方面依赖于局地观测资料,另一方面受模式侧边界条件制约。通过在粗网格上实施四维资料同化,粗网格内能产生更精确的大尺度再分析场,为所嵌套的细网格提供合理的连续更新的侧边界条件。各个模式网格区的四维资料同化独立运行,重叠模式区使用相同资料,但在空间和时间尺度上实施不同的滤波尺度。本文系统只同化模式预报量(温度、风向、风速、湿度)观测值。

低于模式第一层高度的地面观测资料同化要经过三步调整使用:(1)把地面观测的风、温度和湿度等要素直接赋值到模式地面2 m高度;(2)根据M-O相似性理论反算到最低模式层;(3)根据边界层高度,把最底层的观测增量扩展到整个边界层中。

模式使用的物理参数化方案如表 1所示。需要特别强调的是,鉴于过去30年的城市化进程显著改变了珠江三角洲的陆面用地类型。在C-FDDA模式系统中,结合最新的卫星资料对模式下垫面用地类型资料(Land Use Data)进行了重新订正(图 3)。

表 1 SZ-RTFDDA系统参数化方案
图 3 最内层嵌套网格的旧版本(a)和调整后(b)的用地类型地表数据
2.3 资料

C-FDDA数据集的初始场和模式最外层嵌套网格的边界条件采用美国环境预测中心(NCEP)提供的GFS3资料(空间分辨率为0.5 °),系统同化了多种观测资料(表 2)。在系统的后台设置了一个脚本,按固定时次收集上述资料,按照每层网格写入独立的文件,供模式模拟时读取。

表 2 C-FDDA模式系统同化的资料情况简介

观测资料的质量控制非常重要,质量差的原始观测资料对于C-FDDA模拟结果的破坏性非常强,将会影响到整个网格化数据集的准确性和可用性。传统的资料质控方法主要采用极值检验、时间一致性检验和空间一致性检验等手段,这些手段的共同缺点是阀值设置比较主观,采用一刀切的方法决定观测值是否通过质控检验标准。例如对于气温,若设置极值检验的上限阀值为40.0 ℃,则观测值为39.9 ℃可以通过检验,而40.1 ℃则被剔除,这并不一定合理。在C-FDDA模式系统中,采用了一种更合理的质控方法[16-18]:对于每个观测资料Xobs,首先判断它与所在格点模式值Xmodel的误差,然后根据误差计算其在同化时的权重Wq,即,

$\begin{eqnarray} W_q=\text{exp}(\frac{X_{\text{pbs}}-X_{\text{model}}}{\sigma^2\beta^2}) \end{eqnarray}$ (2)

式中,Wq为计算式(1)中权重W时用到的质控权重,σ为背景误差(模式预报误差统计量),β为不同观测资料的观测误差,根据经验在0.5~3.0之间取值。Wq的值介于0~1之间,1代表完美的观测值,0代表完全错误的观测值。

3 检验

深圳的城市气候服务经验表明,绿色建筑、低碳规划和通风评估等行业用户最关心的气候数据是:气温(2 m)、相对湿度(2 m)和风速(10 m)。而对C-FDDA气候数据集进行检验,是进一步研发数据产品并提供服务的先决条件。在检验时,重点从年、月对数据进行统计检验,关于C-FDDA系统在深圳天气尺度上的模拟能力详见文献[11]。该研究证明,同化资料的加入可大大提升模拟结果的准确性,比单纯利用模式进行降尺度模拟准确得多。

3.1 年尺度

在C-FDDA的回算过程中选用了深圳市区域范围内约100个自动气象站的观测资料,选择未纳入同化的福田、宝安2个站的观测数据的统计进行对比验证。这2个站点的位置在图 3b中的蓝色五角星处,都位于城市建成区。图 4为这2个站点的年均值检验结果。对于风速统计,重点对观测风速大于1.0 m/s的时次的结果进行对比,这是基于两方面的考虑:(1)C-FDDA数据集风速数据的主要用途是风能利用,而小于1.0 m/s的低风速不具备开发价值;(2)C-FDDA系统在风速模拟时采用Jimenesz方案[19],该方案被用于订正WRF模式系统性高估风速的缺陷,但该方案对于1 km格距的细网格模拟能力有不确定性,同时当观测风速小于1.0 m/s时城市地区的风速观测数据本身可靠性不高,因此在检验时,剔除了观测风速小于1.0 m/s的时次资料。

图 4 C-FDDA模拟数据和观测数据年均值的对比

图 4可知,宝安和福田的模拟气温与观测值之间的5年绝对误差分别只有0.70 ℃和0.31 ℃;在相对湿度方面,宝安和福田的模拟值与观测值的绝对误差分别为2.9%和2.5%;上述两站模拟的风速误差绝对值分别为0.36 m/s和0.07 m/s。根据统计,被普遍使用和广泛认可的欧洲中期天气预报中心(ECMWF)模式的数据,在深圳单点的气温分析场(即模式起报时刻)误差可达2.0 ℃以上,风速误差也常达1.0 m/s以上。因此,数据对比说明,C-FDDA较准确模拟出3个主要气候要素的年均值,其变化也较好地反映了深圳气候在5年中的年际变化特征。

3.2 月尺度

宝安和福田的月尺度数据对比如图 5所示。气温方面,宝安和福田的模拟的逐月均值变化曲线与观测值高度吻合,绝对误差分别为0.71 ℃和0.31 ℃;C-FDDA所模拟的相对湿度月际变化的规律也与实测值接近,只是在7月之后误差有所增大,2站的绝对误差分别为2.9%和1.4%。在风速方面,福田站的模拟结果好于宝安站,虽然2站的模拟的月际变化规律与观测值都较一致,但宝安站的模拟结果仍存在一定幅度的系统性偏低。

图 5 C-FDDA模拟数据和观测数据月均值的对比

总体来说,数据对比检验表明,C-FDDA基本准确模拟出了几种关键气象要素的年际变化和月变化特征,C-FDDA获得的数据集为下一步数据产品的二次应用开发提供了支撑。

4 初步应用

从第3节的分析可知,C-FDDA的数据基本准确反映出了深圳地区的气候数据变化情况,本节将介绍C-FDDA数据的2个应用示例。

4.1 风能详查

为了促进科学合理地利用风能,在C-FDDA数据集的基础上开发了“深圳市细网格气候信息平台”。平台首页(图 6)给出了深圳及周边风速5年均值的空间分布。点击进入任意网格可获得在数据集基础上统计得到的分辨率为1 km的逐网格风能情况(图 7)。图 7给出所选网格内风能在不同风速区间出现的概率。该产品在深圳低碳城市规划项目及新能源路灯等工程项目中已经开始发挥作用,用于评估项目所在地的风能利用价值。以图 7为例,如果试图在深圳市选取一个风能利用路灯的示范项目,根据平台查询可知,图 6中A点的风能出现在8~10 m/s区间的概率最高,而B点因为地处内陆、风速受地面摩擦相对更小,风能集中在2~4 m/s区间的概率最高,候选点A的风能比B点的风能更丰富,因而将示范项目选在A点的示范意义将更明显。

图 6 深圳市细网格气候信息平台首页
图 7 精细风能详查图形产品示例
4.2 自然通风评估

由于城市可利用土地资源有限,深圳的城市建设强度较大,建筑密度较高。为此,李磊等[4]指出对于深圳的详细规划方案可考虑进行“通风评估”。在一系列研究推动下,深圳市规划和国土资源委员会于2012年颁布了《深圳市城市更新单元规划编制技术规定》,明确要求“对于拆迁范围面积不小于10公顷的更新单元,应进行建筑物理环境专项研究”,其核心内容是要求对项目的风环境效应做出评估,保证更新项目建成后项目所在区域及周边的自然通风能力不会下降。根据这一要求,必须利用CFD工具模拟规划项目建成前后的风环境,而驱动CFD模拟则需要精细的风速-风向联合频率数据。为满足要求,在C-FDDA数据集基础上开发了分辨率为1 km的逐网格精细化风玫瑰产品(图 8a),并通过“深圳市细网格气候信息平台”对外发布。

图 8 C-FDDA数据在自然通风能力评估中的应用示例

在深圳大学建筑与城市规划学院承担的深圳龙溪花园城市单元更新项目自然通风评估中,利用CFD工具对项目的自然通风能力进行评估(图 8b),具体流程如下:(1)从“深圳市细网格气候信息平台”获取项目所处网格内的联合频率数据;(2)对频率按从大到小顺序进行累加,当前N个风向的频率累加值超过75%时则停止累加,对这N个风向逐一进行CFD模拟,并计算得到每个风向下项目建成后与建成前的风速比Ri;(3)对N个风向下的Ri计算加权平均,权重为每个方向的频率,得到总体的风速比R。若建成后的R大于或等于建成前的R值,则方案通过,否则需要对方案进行调整,直至满足要求为止。2015—2016年,深圳市已经有18个城市单元更新项目进行了自然通风评估,为确保深圳在高密度建设的同时保证通风能力起到了重要作用。

5 结论及展望

本文对深圳构建的网格化微气候数据集及其初步应用进行介绍。网格数据集的构建采用基于Nudging的FDDA技术,以WRF模式为核心,同化深圳及周边可获得的高频次观测数据。与观测资料的对比检验表明,同化高频次多源探测资料后生成的C-FDDA数据集,基本准确模拟出几种关键气象要素的年际变化和月变化特征。由于C-FDDA数据集具有1 km格距的高分辨率,为城市的网格化管理和建设提供了基础数据。基于C-FDDA数据集,开发了“深圳市细网格气候信息平台”,并通过平台推出若干精细气候数据产品,包括精细风玫瑰、逐网格风能等。

C-FDDA数据集目前已经在深圳的网格化气温预报、风能利用示范项目选址以及详细规划的自然通风评估中发挥了作用,并已取得良好的社会效应。这些应用证实了网格化气候数据集对于城市气候服务存在巨大潜力,是一座“数据”富矿,未来结合其他数据,并利用大数据技术进行挖掘提炼,还有更多城市气候服务领域有待拓展。

致谢: 感谢深圳大学袁磊教授在本研究中提供的大力支持。
参考文献
[1] 李磊, 张立杰, 张小丽, 等. 地理特征、人口分布及用电负荷对深圳城市热岛的影响分析[J]. 环境科学学报, 2012, 32(12): 3073-3077.
[2] LI L, CHANP W, WANG D L, et al. Rapid urbanization effect on local climate: intercomparison of climate trends in Shenzhen and Hong Kong, 1968—2013[J]. Clim Res, 2015, 63(1): 145-155.
[3] 石华. 基于深圳市道路气流特征的城市通风网络模型研究[D]. 重庆: 重庆大学, 2012: 123.
[4] 李磊, 吴迪, 张立杰, 等. 基于数值模拟的城市街区详细规划通风评估研究[J]. 环境科学学报, 2012, 32(4): 946-953.
[5] ZHANG X L, LI L, DU Y, et al. A numerical study on the influences of the urban planning and construction on the summer urban heat island in the metropolis of Shenzhen[J]. J Trop Meteorol, 2011, 17(4): 392-398.
[6] 任超, 吴恩融, KATZSCHNER L, 等. 城市环境气候图的发展及其应用现状[J]. 应用气象学报, 2012, 23(5): 593-603. DOI:10.11898/1001-7313.20120510
[7] KALNAY E, KANAMITSU M, KISTLER R, et al. The NCEP/NCAR 40-year reanalysis project[J]. Bull Amer Meteorolog Soc, 1996, 77(3): 437-472. DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2
[8] DEE D P, UPPALA S M, SIMMONS A J, et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system[J]. Q J Roy Meteorolog Soc, 2011, 137(656): 553-597. DOI:10.1002/qj.v137.656
[9] LIU Y, WARNER T T, ASTLING E G, et al. The operational mesogamma-scale analysis and forecast system of the US Army test and evaluation command, Part 2: Inter-range comparison of the accuracy of model analyses and forecasts[J]. J Appl Meteorol Climatol, 2008, 47(4): 1093-1104. DOI:10.1175/2007JAMC1654.1
[10] HAHMANN A N, ROSTKIER-EDELSTEIN D, WARNER T T, et al. A reanalysis system for the generation of mesoscale climatographies[J]. J Appl Meteorol Climatol, 2010, 49(5): 954-972. DOI:10.1175/2009JAMC2351.1
[11] PAN L, LIU Y, LIU Y, et al. Impact of four-dimensional data assimilation (FDDA) on urban climate analysis[J]. J Adv Mod Ear Sys, 2015, 7(4): 1997-2011. DOI:10.1002/jame.v7.4
[12] LIN Y L, FARLEY R D, ORVILLE H D. Bulk parameterization of the snow field in a cloud model[J]. J Appl Meteorol Climatol, 1983, 22(6): 1065-1092. DOI:10.1175/1520-0450(1983)022<1065:BPOTSF>2.0.CO;2
[13] MLAWER E J, TAUBMAN S J, BROWN P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated k model for the longwave[J]. J Geophys Res, 1997, 102(14): 16663-16682.
[14] DUDHIA J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. J Atmos Sci, 1989, 46(20): 3077-3107. DOI:10.1175/1520-0469(1989)046<3077:NSOCOD>2.0.CO;2
[15] HONG S Y, NOH Y, DUDHIA J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Mon Wea Rev, 2006, 134(9): 2318-2341. DOI:10.1175/MWR3199.1
[16] PAN H L, MAHRT L. Interaction between soil hydrology and boundary-layer development[J]. Bound Layer Meteor, 1987, 38(1): 185-202.
[17] PAN L, LIU Y, WU Y, et al. Evaluation of AMDAR and AMV data quality and their Impact on RTFDDA analysis and forecasting control at Eastern Mediterranean region[C]//13th WRF workshop. Boulder, CO, 2012: 80301.
[18] WU Y H, LIU Y, JACOBSN, et al. An online data quality control procedure with the NCAR RTFDDA System[C]//AMS 92nd Annual Meeting, New Orleans, 2012.
[19] PEDRO A J, DUDHIA J. Improving the representation of resolved and unresolved topographic effects on surface wind in the WRF model[J]. J Appl Meteorol Climatol, 2012, 51(2): 300-316. DOI:10.1175/JAMC-D-11-084.1