1 引言

登陆热带气旋(台风或者飓风)是影响中国沿海地区最为严重的自然灾害之一。由于我国有着绵长的海岸线，并且沿海地区人口密度较大，因此准确地分析和预报登陆热带气旋的位置和时间对于减少其对人民的生命财产和社会经济的损失有着至关重要的意义。在过去的几十年里，人们对热带气旋的预报能力还非常有限[1-3]。热带气旋的路径预报主要取决于大尺度的环境场，随着当前数值模式分辨率的提高，物理参数化方案的逐步完善，先进同化技术的发展，以及高性能计算的飞速发展，当前全球数值预报模式已经能够很好地分析和预报热带气旋的路径。对于热带气旋强度预报而言，其不仅受到大尺度环境气流的影响，同时还与涡旋内核区小尺度的非线性过程有着密切的联系，从而使其比较难以观测到并对其加以分析和预报[2]。热带气旋大部分时间位于广阔的洋面上，由于缺乏大量的常规观测资料以及热带气旋内核区的高时空分辨率的观测资料，从而使得数值模式对其进行初始化面临着挑战。这也是当前各大业务预报中心对热带气旋预报强度改进能力有限的主要原因之一[4-5]。为了能够更好地对热带气旋进行初始化研究，如何充分合理地运用好台风内核区的高时空分辨率的观测资料就显得尤为重要。在开阔的洋面上常规观测资料较为稀疏，很难分辨出台风的内核区结构特征；另一方面大量的非常规的卫星观测资料可以对台风的内核区进行有效地覆盖观测，但是受强降水影响的云雨区的卫星观测资料由于当前有限的同化技术手段还没有能够得到很好的应用[6-7]。在这样前提背景下，多普勒天气雷达便成为能够对热带气旋内核区的三维结构进行高时空分辨率观测的有效探测工具。并且随着我国新一代多普勒天气雷达组网建设逐步完善，如何充分有效地将这些高时空分辨率的雷达观测资料糅合进数值模式并进而改进对热带气旋的分析和预报有着重要的意义。

德育在某种意义上是一种心育，唯有深入学生的内心世界，触动学生的灵魂深处，道德养成教育才能真正产生实效。教师应该重视关心学生真实的内心世界，用心设计教学活动，让道德真正成为学生的精神财富。课堂活动设计是一个复杂而系统的工程，是教师创造性的劳动。教师只有心中有标，眼中有生，才能真正设计出符合学生特点，契合教学要求的活动来。

在过去的20年里，国内不少专家学者已经对热带气旋的路径和强度预报改进方面做了大量的研究工作[8]。然而大部分的研究工作的重点还是关注热带气旋在大洋上生成和加强的过程的动力机理分析，还很少有工作重点考察热带气旋在临近登陆或者已经登陆的过程的表现。近年来，专家学者们采用基于变分的同化方法对大西洋海岸登陆美国的台风个例展开了一系列的研究。Zhao和Jin[9]采用美国海洋实验室研发的COAMPS(Coupled Ocean/Atmosphere Mesoscale Prediction System, NRL)模式中的三维变分同化系统(3DVAR)联合同化了5部多普勒天气雷达观测资料并将其用于对飓风Isabel(2003)的初始化和预报研究，其研究结果表明在同化雷达观测之后可以对台风的强度有显著的改进，并进而对24 h的累计降水也有显著的改进。Zhao和Xue[10]采用基于ARPS模式[11]的3DVAR以及复杂的云分析模块，对登陆美国的飓风“艾克”进行了同化试验研究，研究结果表明雷达径向风的同化可以有效地改进对飓风“艾克”路径的预报，而反射率数据加入则可以很好地改进对台风强度的预报。与此同时，Zhang等[4]首次采用集合卡尔曼滤波同化技术(EnKF)在云尺度分辨率下同化了雷达径向风观测数据，考察其对登陆美国海岸的飓风Humberto (2007)的影响，其研究结果表明，采用集合的同化技术可以获得相比3DVAR更加准确的路径和强度预报效果，尤其是可以很好地预报出台风快速发展和加强的过程。而对于西北太平洋我国东海岸的登陆台风而言，这方面的研究工作还刚刚处于起步阶段。目前绝大多数的研究工作主要还是采用变分同化方法来同化雷达观测并用于台风初始化[12-14]。近来，Zhu等[15]采用EnKF方法同化我国的新一代高分辨率的多普勒雷达径向风数据并用于对台风Vicente (2012)初始化以及可预报性研究，其研究成果表明在采用EnKF同化了雷达观测之后对台风Vicente的内核区结构有了更加清晰的模拟效果，并进而对台风的路径、强度、降水位置有显著的改进作用。然而至今 ，在云尺度分辨率下采用当前先进的集合-变分混合同化系统(En3DVAR)[7, 16-19]同化我国的多普勒雷达观测资料并将其用于登陆台风初始化分析和预报的研究工作还没有很好开展起来，还有许多技术难题需要进一步的分析和探讨。本文拟采用美国新一代中尺度数值模式WRF(Weather Research and Forecasting)模式以及其En3DVAR同化系统，对2006年超强台风“桑美”进行数值模拟，考察云尺度分辨率下多普勒雷达径向风资料在改进模式初始场及提高对热带气旋路径、强度预报等方面的应用效果及意义。

2 En3DVAR资料同化方法

三维变分同化核心思想是将资料同化归结为一个表征分析场与观测场和分析场与背景场偏差的二次泛函极小值问题。该泛函定义为：

 

 

(1)

式中，x是分析变量，xb是背景场，y是观测值，H(x)是由分析变量导出的观测值，B是背景误差协方差，R是观测误差协方差。x和xb是模式空间的N维向量，y和H(x)是M维观测空间的M维向量，B为N×N阶矩阵，R为M×M阶矩阵。H称为观测算子。三维变分问题就是求上述泛函的极小值。而在引入“流依赖”的集合协方差矩阵后，Hybrid代价函数表示为：

 

 

 

(2)

在方程(2)中，J1项是与传统静态协方差矩阵B相关的3DVAR背景项，Je项中的a是由k个矢量ak组成的矩阵，即扩展控制变量通过对角矩阵A来约束：

 

(3)

每个子块矩阵是用来约束ak空间变化的相关矩阵。即A是a的空间协方差(这里尤其指空间相关,因为方差等于1)，同样B是的空间协方差。Jo项是观测项，这与传统3DVAR是一致的，yo′=yo-H(xb)是增量项，这里yo表示观测项，xb表示背景场预报项，H是非线性观测算子。H是线性观测算子，R是观测误差协方差。公式(3)中相关矩阵A的垂直局地化系数是通过EOF展开得到的。方程(2)中β1和β2分别来定义静态背景误差协方差和集合协方差的权重。为了保证总的背景误差方差守恒，则使β1、β2满足如下方程：

 

(4)

3 个例选取、资料及试验方案

3.1 台风“桑美”以及资料简介

2006年8月4日在西太平洋加罗林群岛附近的位置处被台风联合预警中心定义为一个热带低压系统，随后在8月7日06时(世界时，下同)日本气象厅将其定义为台风。随后台风“桑美”以较为笔直的路线一直往西北方向移动并最终于8月10日在中国的东南沿海登陆。另外据日本气象厅的报道，在“桑美”整个生命周期过程中其最小海平面气压(MSLP)达到了925 hPa，最大风速达到了54 m/s。本文主要的研究阶段是2006年8月10日00—18时，即台风“桑美”强度突然增强后临近登陆以及登陆后的这段时间。

[4] Zhang Fuqing, Weng Yonghui, Sippel J A, et al. Cloud-resolving hurricane initialization and prediction through assimilation of Doppler radar observations with an ensemble kalman filter[J]. Monthly Weather Review, 2009, 137(7): 2105-2125.

3.2 试验设计

本试验采用的是可压缩的非静力中尺度模式WRFV3.7.1[22]，模式顶层气压为30 hPa。模式的网格点数为669×669，水平格距为3 km，模式的垂直层数为45层，积分步长为15 s。模式模拟区域范围如图1所示。由于网格已经精细化到云尺度，故关闭了积云对流参数化方案。其他的一些物理参数化方案包括：Mellor-Yamada-Janjic(MYJ) 边界层方案[23]；微物理过程采用WSM6方案[24]；长波辐射方案为Rapid Radiative Transfer Model (RRTM)方案，短波辐射方案为Dudhia方案。模式采用美国国家环境预测中心(NCEP)的1°×1°再分析资料提供初始场和侧边界条件。试验方案和试验流程图分别如表1和图2所示。

本文主要设计了3组试验，分别为NoDA试验、3DVAR试验和En3DVAR试验。NoDA试验作为一组基准试验，不同化任何观测资料。3DVAR试验采用传统的3DVAR技术来同化多普勒雷达观测资料，其背景误差协方差由NMC方法[25]统计得到，具体做法：对2006年8月1—30日，每天00 UTC和12 UTC分别作12 h和24 h预报，通过对这一段时间序列中同一时刻不同时效的预报值之间的差作为预报误差近似。根据研究结果[14]表明：当前采用NMC方法统计出来的背景误差协方差的相关特征尺度主要反映的是大尺度的误差结构特征，直接运用到风暴尺度的雷达资料同化过程中去是欠妥的。所以在本试验中，静态B矩阵水平相关尺度设定为0.3。如图2所示，En3DVAR试验与3DVAR试验设置基本相同,首先在2006年8月10日00时通过WRFDA系统里[26]的random-cv模块[27]生成初始集合成员，进行3 h的高分辨率的集合预报(spinup)从而获得“流依赖”的集合协方差信息。然后以2006年8月10日03时为初始分析时刻，每30 min同化一次雷达径向风观测资料直到2006年8月10日06时结束，把最后一个时刻分析的集合平均场作为背景场，作18 h确定性预报。本文采用的集合成员数为40，En3DVAR试验采用的集合背景误差协方差的权重为100%，与此同时本文也对集合权重为50%的情况进行了敏感性试验研究，其分析的路径、强度预报均以3DAVR试验的结果相类似，这与Li等[28]的研究结论相一致。Li等[28]的研究表明采用100%的集合权重可以产生最好的分析和预报效果，因此本文重点考察采用100%集合协方差En3DVAR与采用静态背景误差协方差的3DAVR试验的分析和预报效果。

  

图1 WRF模拟区域范围，2006年8月10日00—18时台风“桑美”观测最佳路径和雷达中心位置及其雷达径向风对应影响半径Fig.1 The weather research and forecasting model domain and best track positions for Typhoon Saomai (2006) from China Meteorological Administration from 0000 to 1800UTC 10 August 2006. Also indicated the Wenzhou radar location and maximum range coverage circles

 

表1 试验方案

 

Tab.1 Experiment schemes

  

序号试验名称试验方案1NoDA不同化任何资料23DVAR同化雷达资料,用WRF-3DVAR静态协方差矩阵3En3DVAR同化雷达资料,用En3DVAR混合协方差矩阵

  

图2 试验流程图Fig.2 The experiment flow chartsa.NoDA试验; b.3DVAR试验; c.En3DVAR试验a.NoDA experiment; b.3DVAR experiment; c.En3DVAR experiment

  

图3 单点试验中500 hPa高度的3DVAR方案温度增量(a)， En3DVAR方案温度增量(b)， En3DVAR方案相对湿度增量(c)(黑色标记为单点测试位置)Fig.3 The 500 hPa temperature analysis increments for 3DVAR (a), En3DVAR(b), and water vapor mixing ratio increment for En3DVAR (c) from the single test (the black dots indicate the single observation test location)

4 试验结果分析

4.1 单点试验

单点观测试验通常被用来检验同化系统的正确性以及同化算法的合理性。En3DVAR和3DVAR的最大差异在于，En3DVAR通过增加额外控制变量的方式把“流依赖”的集合信息引入到混合同化框架中。为了更加直观地展现混合协方差是如何影响代价函数分析增量，本文设计了2组单点同化试验。试验一的同化方案使用的背景误差协方差矩阵采用NMC方法统计得到，2006年8月10日03时在台风“桑美”中心500 hPa附近放入一个比模式背景场暖1 K的温度单点观测，温度观测的标准差设定为1 K。试验二的同化方案使用的背景误差协方差为混合协方差，为了最大程度地体现两种同化方法的不同之处，本文混合协方差采用的是100%权重的集合协方差。单点温度观测位置和标准差的设置同试验一。

图3a为3DVAR同化单点温度观测后的温度增量。由图3a可以发现温度增量主要以单点观测为中心呈同心圆的空间分布状态。这一增量分布反映出了该背景误差协方差各向同性的结构特征，缺乏随天气流型演变的误差特征。图3b为En3DVAR同化单点温度观测后的温度增量。由图3b可以看出台风中心为正的温度增量，温度增量的分布形势体现了台风“桑美”的结构，更加符合热带气旋的天气特征。图3c为En3DVAR同化单点温度观测后500 hPa相对湿度增量，由图3c可见En3DVAR对模式背景场单点温度观测位置附近处的水汽场有显著的调整，而3DVAR同化温度单点观测的温度增量全场为0(图略)。这主要是由于NMC方法统计出来的背景误差协方差中水汽变量和其他变量是不相关的，而恰恰相反，这一特性在极端天气过程如台风(飓风)、龙卷等重大灾害性天气中发挥着重要作用。

4.2 风场增量分析

Li Xinfeng, Zhao Kun, Wang Mingyun, et al. Short-term forecasting of super typhoon Megi at landfall through cycling assimilation of China coastal radar data[J]. Journal of the Meteorological Sciences,2013,33(3):255-263.

  

图4 3DVAR试验(a)和En3DVAR试验(b)得到的2006年8月10日03时700 hPa风场增量Fig.4 The analysis wind increments of 700 hPa for 3DVAR (a) and En3DVAR (b) at 0300 UTC on 10th August 2006

4.3 500 hPa位势高度增量分析

本文中只同化了多普勒天气雷达径向风观测资料，所以任何位势高度增量的产生都是由背景场上的协方差矩阵平衡约束关系所产生。图5是3DVAR和En3DVAR两组试验中第一个分析时刻同化后500 hPa的位势高度增量场。由图5a可以发现3DVAR试验在同化多普勒天气雷达径向风观测资料在台风“桑美”中心位置处产生了一个负的位势高度增量，并且在台风内核区处量级达到最大，表明对背景场上的台风强度有加深变强的作用，而对于台风外围的环境场而言位势高度增量则较小。这里值得指出的是，由于本文主要是针对两种同化方法在云尺度分辨率下同化多普勒天气雷达径向风观测资料对台风初始化进行初探性的试验研究，且根据Wang[33]的研究表明目前采用台风重新定位技术之后，如何较好地保持台风中心与其环境场的动力和热力结构的连续性还需要做进一步深入研究。所以本文的3DVAR试验并没有采用当前业务中心采用的台风重新定位技术手段，与此同时，由图5b可以发现在台风内核区产生了一种“阴阳极”的位势高度增量分布形态，这与Shen等[19]的研究结果相一致，表明En3DVAR在同化了多普勒天气雷达径向风观测资料之后可以充分地吸收雷达观测资料中的丰富的中小尺度信息去修正台风在模式背景场中的位置，将模式背景场中的台风的位置由东南方向往西北方向修正的作用。进一步说明：即使没有采用业务上传统使用的台风重新定位技术手段，En3DVAR试验在采用了“流依赖”的集合协方差信息之后可以系统性的对模式背景场的台风中心位置进行有效地修正。

  

图5 3DVAR试验(a)和En3DVAR试验(b)得到的2006年8月10日03时00分500 hPa位势高度增量Fig.5 The 500 hPa geopotential height analysis increments (color shading) for 3DVAR (a) and En3DVAR (b) on 0300 UTC 10th August 2006

4.4 观测空间诊断

为了定量的评估3DVAR和En3DVAR两种同化方法在3 km云尺度区域中同化多普勒天气雷达资料在3 h同化窗的表现，本文在观测空间对两组同化试验的多普勒雷达径向风的均方根误差进行了检验。关于均方根误差的计算公式参见Chang等[34]中的公式(3.1)。从图6可以看出，两组同化试验每次分析后的RMSE都较前次有所下降，效果改进最为明显的是第一个分析时刻，同化雷达径向风后的均方根误差显著减小，En3DVAR试验从12.08 m/s降低到了2.7 m/s，而3DVAR试验则降到了3.9 m/s，这可能是因为第一个分析时刻的观测增量最大，模式背景场中的涡旋模拟的过于偏弱所导致。由图6我们还发现两组同化试验在经过2 h的同化分析之后，两者的均方根误差趋于稳定收敛的状态。总体而言，En3DVAR试验在整个3 h同化窗内产生的分析效果要显著地优于3DAVR试验的分析效果，在同化的末端其观测增量基本接近2 m/s，这个量级与预先给定观测误差2 m/s量级上是大体相一致的，进一步说明En3DVAR试验在整个系统分析预报过程对风场预报没有显著的偏差。

  

图6 2006年8月10日03时00分至06时00分每个同化时刻的同化前后的均方根误差Fig.6 The forecast and analysis (sawtooth pattern during DA cycling) for RMSE of radial velocity (m/s) for 3DVAR and En3DVAR from 0300 to 0600 UTC on 10th August 2006

4.5 温度增量分析

[25] Parrish D F, Derber J C. Derber the national meteorological center’s spectral statistical-interpolation analysis system[J]. Monthly Weather Review, 1992, 120(8): 1747-1763.

68 纳米磁微粒化学发光免疫分析法检测过敏原特异性免疫球蛋白 E 性能评估 曾万杰，樊一笋，耿春松，赵 虎

  

图7 3DVAR试验(a)和En3DVAR试验(b)得到的2006年8月10日06时00分850 hPa温度增量(黑点代表真实台风中心位置)Fig.7 The 850 hPa temperature analysis increments for 3DVAR (a) and En3DVAR(b) at 0300 UTC 10th August 2006 (the black dots indicate the approximate center location of the observed typhoon)

4.6 台风结构场分析

随着“流依赖”集合协方差信息的引入，台风的结构得到一定程度的改进。图8显示的是2006年8月10日06时NoDA、3DVAR和En3DVAR 3组试验分析的海平面气压场和近地面风场合成示意图。由图8a可以发现，即使本文进行了6 h的spinup预报，NoDA试验在初始分析时刻的台风“桑美”的风速和强度较弱。本文采用的是美国国家环境预测中心(NCEP)的1°×1°再分析资料来作为模式驱动资料，该资料分辨率不够精细从而不能很好地模拟出台风的内核区结构特征。NoDA试验分析的最小海平面气压(MSLP)为998 hPa，而CMA观测的台风中心强度为920 hPa；CMA观测的近地面最大风速(MSW)为60 m/s，而NoDA试验的MSW只有13 m/s。另外我们还发现NoDA试验分析的涡旋中心位置偏离观测较远，这可能与其强度偏弱有关。由图8b、8c可以发现，3DVAR和En3DVAR两组同化试验在同化了多普勒天气雷达径向风观测资料后，台风涡旋眼墙区的结构更好地组织和发展起来，并且在台风内核区的风速要显著地大于NoDA试验在台风内核区的风速，其分析的MSLP(MWS)分别为956 hPa (42 m/s)和942 hPa (48 m/s)。由图8b可见，当采用3DVAR同化技术同化多普勒天气雷达观测后，分析的近地面最大风速中心位置与观测较为一致，但是其分析的MSLP的中心位置则相比观测的中心位置有了一定的偏差，并进而造成了风压场配置不协调的现象。这里值得指出的是，虽然3DAVR试验同化雷达径向风观测后对台风的强度有了一定的改进和增强作用，但是与观测强度(920 hPa)存在一定的差距。这主要是由于3DVAR试验采用的是各向同性的静态背景误差协方差，其中的风场和地表气压的多变量相关关系较弱。而En3DVAR试验(图8c)对于台风涡旋的强度和中心位置的修正效果要明显优于其他两组试验，与实况最为接近。表明“流依赖”集合协方差信息引入在雷达资料同化中的优越性。

  

图8 NoDA试验(a),3DVAR试验(b)和En3DVAR试验(c)得到的2006年8月10日06时的海平面气压(等值线，单位：hPa)和近地面风速(矢量箭头，单位：m/s)Fig.8 Analyzed sea level pressure (counters, unit: hPa) and surface wind speed (vector, unit: m/s) at 0600 UTC on 10th August 2006, from experiments NoDA (a), 3DVAR (b), and En3DVAR (c)

为了进一步对比各组试验分析的台风垂直结构，图9是NoDA、3DVAR和En3DVAR 3组试验分析的经过台风中心东西向的垂直剖面图。图9a可以看出，NoDA试验分析的台风涡旋环流偏弱，台风眼区很宽。与NoDA试验相比，两组同化试验中台风涡旋环流结构增强更加显著，台风眼墙相比NoDA试验向上伸展到更高的位置，从地面一直伸展到约400 hPa高度。另外由图9b和图9c可以发现，En3DVAR试验在近地面的风速要比3DVAR试验近地面风速要大一个量级，结构也更加紧密。这主要是由于3DVAR试验采用了静态各向同性的背景误差协方差矩阵，其在垂直方向上的相关约束较弱，从而雷达较高仰角层次体扫的径向风观测资料对低层风场不能进行较好的更新调整。对En3DVAR试验而言，其分析的风场相比3DVAR试验呈现出更强的非对称结构，这主要是由于“流依赖”的集合协方差包含了空间各向异性的特征，使得较高仰角的雷达径向风观测可以对近地面风场进行较好的调整。另外由图9b可以发现，3DVAR试验在台风中心附近整层的位温等值线都比较平直，在底层甚至有上凸的现象，这也与图7a中冷的温度增量相一致，说明3DVAR试验采用静态背景误差协方差分析的台风结构在动力和热力结构上不平衡。En3DVAR试验在台风中心附近的位温等值线贯穿整个对流层都是下凹的，揭示了其暖心结构特征。另一方面相比3DVAR试验而言，En3DVAR试验分析的风场的非对称性结构更强，这主要得益于“流依赖”集合协方差中各向异性的信息。这样一个更大的风速伴随的是更强劲的台风涡旋环流结构和更强的暖心结构，再次证明En3DVAR分析的台风结构动力和热力结构相平衡。

  

图9 NoDA试验(a),3DVAR试验(b)和En3DVAR试验(c)得到的2006年08月10日06时经向垂直剖面图分析的水平风速(填色图，单位:m/s，间隔10 m/s)和位温(等值线，单位:K，间隔5 K)Fig.9 Vertical cross sections of analyzed horizontal wind speed (interval of 5 m/s, shaded) and potential temperature (interval of 5 K, solid contours) for NoDA (a), 3DVAR (b), and En3DVAR (c) at 0600 UTC on 10th August 2006

4.7 路径和强度预报检验

[17] Buehner M, Houtekamer P L, Charette C, et al. Intercomparison of variational data assimilation and the ensemble Kalman filter for global deterministic NWP. Part Ⅱ: one-month experiments with real observations[J]. Monthly Weather Review, 2010, 138(5): 1567-1586.

新课标背景下，要求小学语文教学中实现对学生语言应用能力以及综合人文素养的培养，其中低年级的看图写话教学就是主要载体。基于此，如何进一步提高看图写话教学水平已经成为大家集中关注的问题。

  

图10 2008年09月13日06—18时预报结果Fig.10 The predicted results from 0600 UTC 13th to 0000 UTC 14th September 2008a.预报路径；b.预报路径误差；c.预报最低海平面气压；d.预报地面最大风速a．Predict tracks; b. predict track errors; c. predict minimum SLP; d. predict maximum surface wind speed

随时间变化图。在预报过程中观测的台风的强度从920 hPa (60 m/s)逐渐减弱到990 hPa (23 m/s)。NoDA试验在预报的起始时刻强度为998.48 hPa, 在随后的预报过程中其强度基本保持不变。3DVAR试验在同化了多普勒天气雷达径向风观测后改进了对台风“桑美”的强度预报，而在采用了En3DVAR同化技术后发现对台风“桑美”的MSLP有更加显著的改进效果，这可能是由于“流依赖”集合协方差信息的引入对数值模式背景场上的台风强度起到加强作用。图10d是各组试验对台风预报的最大风速随时间变化图。从图中可见，NoDA试验严重低估了台风的最大风速，原因是背景场中的台风强度太弱。3DVAR试验效果较En3DVAR试验结果略差，En3DVAR试验在整个18 h预报过程中风场得到较为有效的调整，与实况最为接近。

创新，意味着否定，让人觉得失去了原本依存的关系，没有安全感。但西方已经养成一种凡事不断更替的模式，已经有一套较为残酷的淘汰机制，对人有高标准的要求，不满足条件的会辞退。这种不断更替的模式让人们主动地去接受各种挑战，锻炼各种能力，增强自身实力，勇于改变，这也是成长与历练的过程，不断挑战自己的过程。

5 总结与讨论

本文利用高分辨率中尺度预报模式WRF及其同化系统WRFDA系统，以2006年台风“桑美”为例，每30 min同化雷达径向风观测资料，主要结论如下：

高校文书档案记录着高校发展的各种信息，反映了高校发展过程中所遇到的问题及处理手段、单位建设情况、领导决策等。主要包括学校的重大会议、重要举措、下发文件、请示汇报、教学管理、社会服务、科学研究、改革创新等多方面内容，还包括上级主管部门下发的指示、规定、办法批复等，具有真实性和服务性。

(1)通过单点试验和台风个例“桑美”的温度场、高度场和风场增量发现“流依赖”集合信息的引入是改善模式变量相关性，提高台风动力和热力结构分析的主要原因。En3DVAR试验在台风涡旋中心产生了更加符合实际的正的温度增量，这与正在增强的台风暖心结构相对应，而3DVAR试验产生的温度增量在台风涡旋中心是一个负的温度增量，量级上也比En3DVAR试验要小。

(2)En3DVAR试验对于台风中心强度的修正效果明显优于3DVAR和NoDA试验，与实况最为接近。低层的流场均是向台风眼壁辐合，风场近乎闭合，台风涡旋环流结构更为清晰，说明“流依赖”信息的引入可以有效通过背景误差协方差调整风压平衡关系更好地捕捉到台风系统主要的环流结构场。

(3)通过对比3组试验同化结束后的18 h预报路径误差、最小海平面气压和近地面最大风速可以发现，NoDA试验由于背景场中较弱的台风强度，严重低估了台风近地面最大风速。En3DVAR试验分析出的台风路径和强度与观测最为接近，相对于其他两组试验有显著改进。

本文采用变分和混合同化方法分别同化雷达径向风观测资料，考察其对登陆台风的影响。En3DVAR同化多普勒雷达观测资料可以引入“流依赖”的集合协方差信息，对模式初始场进行动力和热力协调的更新和调整。尤其是对海平面风场有很好的修正作用，从而改进对台风强度的预报。同时，应该指出本文只是针对“桑美”台风个例进行了初步的研究，所得到的结论，对于其他台风个例的强度和路径预报技术提供了非常有益的借鉴和参考，在今后的工作中将针对更多的台风个例展开类似研究，同时本文只是针对地基雷达进行了同化试验研究，由于其只能对台风登陆前的12 h进行有效观测和预报，以后将考虑开展机载雷达观测同化方面的研究工作。对于集合同化过程中的计算量较大的问题，以及集合离散度发散等问题还有待于将来进一步的研究。

参考文献：

[1] Rogers R, Aberson S, Black M, et al. The intensity forecasting experiment: a NOAA multiyear field program for improving tropical cyclone intensity forecasts[J]. Bulletin of the American Meteorological Society, 2006, 87(11): 1523-1537.

[2] Houze R A Jr, Chen S S, Smull B F, et al. Hurricane intensity and eyewall replacement[J]. Science, 2007, 315(5816): 1235-1239.

[3] Rappaport E N, Franklin J L, Avila L A, et al. Advances and challenges at the National Hurricane Center[J]. Weather and Forecasting, 2009, 24(2): 395-419.

本文所采用的雷达径向风观测资料来自于我国东海岸的温州雷达。这是我国自行研发的新一代的S波段的多普勒天气雷达，其性能与美国的WSR-88D雷达性能接近。考虑到我国的多普勒雷达组网建设还在逐步的完善过程中，目前还没有很好的比较统一的软件或者平台来处理我国的雷达基数据观测资料。本文首先采用ARPS模式中的88D2ARPS模块[20]对雷达基数据进行了初步的质量控制，随后采用美国国家大气研究中心(NCAR)研发的SOLO软件[21]对其每一个仰角的观测数据进行了进一步的质量控制，确保同化进数值模式的雷达观测资料的正确性和有效性。关于雷达资料质量控制的更多具体的详细介绍请参见文献[14]。

[5] Wang Yuqing. Vortex Rossby waves in a numerically simulated tropical cyclone. Part Ⅱ: the role in tropical cyclone structure and intensity changes[J]. Journal of the Atmospheric Sciences, 2002, 59(7): 1239-1262.

[6] Liu Zhiquan, Schwartz C S, Snyder C, et al. Impact of assimilating AMSU-A radiances on forecasts of 2008 atlantic tropical cyclones initialized with a limited-area ensemble Kalman filter[J]. Monthly Weather Review, 2012, 140(12): 4017-4034.

[7] Xu Dongmei, Liu Zhiquan, Huang Xiangyu, et al. Impact of assimilating IASI radiance observations on forecasts of two tropical cyclones[J]. Meteorology and Atmospheric Physics, 2013, 122(1/2): 1-18.

[8] Gall R, Franklin J, Marks F, et al. The hurricane forecast improvement project[J]. Bulletin of the American Meteorological Society, 2013, 94(3): 329-343.

[9] Zhao Qingyun, Jin Yi. High-resolution radar data assimilation for hurricane Isabel (2003) at landfall[J]. Bulletin of the American Meteorological Society, 2008, 89(9): 1355-1372.

1）随着开发建设时间的推进，杏北油田深度注水系统管网具备较强连通性，可以打破以往注水站低负荷运行的状态，关停部分注水站实现注水系统的高效运行。同时，在今后产能建设中，可以打破传统站内独立设置备用泵的方式，采用注水站间互为备用的方式保障注水系统运行。

[10] Zhao Kun, Xue Ming. Assimilation of coastal Doppler radar data with the ARPS 3DVAR and cloud analysis for the prediction of Hurricane Ike (2008)[J]. Geophysical Research Letters, 2009, 36(12): L12803.

[11] Xue Ming, Wang Donghai, Gao Jidong, et al. The advanced regional prediction system (ARPS), storm-scale numerical weather prediction and data assimilation[J]. Meteorology and Atmospheric Physics, 2003, 82(1/4): 139-170.

[12] 李新峰, 赵坤, 王明筠, 等. 多普勒雷达资料循环同化在台风“鲇鱼”预报中的应用[J]. 气象科学, 2013, 33(3): 255-263.

生态园内北坑塘水面面积约为9 416 m2，南坑塘水面面积约为8 396m2，两处坑塘深度约2.5～3 m，容积约为3万m3，可收集区域内一年一遇最大24小时降雨（43 mm）径流 1.9万 m3。设计坑塘边坡不做硬性坡面防护工程，使用草皮及水生植物绿化护坡，边坡比为1∶3，部分动水位冲刷区采用鹅卵石码放，稳固岸坡。坑塘及周边可绿化面积约7 348 m2，坑塘常水位以下岸边浅水区种植菖蒲、水葱、千屈菜等水生植物，水体中种植荷花。坑塘周边设置花园广场，广场内设下凹式绿地、渗滤草沟等生态措施。

为了进一步的考察各种同化方案同化多普勒雷达径向风观测资料对台风“桑美”的影响。图4显示的分别采用3DVAR和En3DVAR第一次分析后的700 hPa风场增量场。图中的蓝色区域为雷达观测资料的有效覆盖区域。红色台风标志表示的是观测的台风的中心位置。由图4a 我们可以发现当对3DVAR中的静态背景误差协方差的特征尺度化因子进行调整之后，在观测的台风中心位置周围产生了一个显著的气旋性的风场增量，并且在台风观测中心周围量级达到最大。说明模式背景场模拟的台风强度过于偏弱，而在同化了多普勒雷达径向风观测之后对背景场上的台风有明显增强的作用。另一方面，在观测台风中心位置的东北象限有一个较为显著反气旋性增量生成，这种现象在采用WRFDA-3DAVR同化多普勒雷达径向风观测资料时是较为普遍的现象[28]，并且从物理机制来说也是不合理的。根据Xie和Macolonald[29]以及Sun和Wang[30]的研究表明：之所以会产生这种不合理的反气旋性的风场增量分布形态主要是由于当前WRFDA-3DAVR系统中是采用流函数和速度势作为连续方程的控制变量，其中的流函数和速度势分别代表无辐散分量和辐散分量，并且由NMC方法统计得到的背景误差协方差矩阵假设水平风主要由无辐散分量的流函数来表示，从而在背景误差协方差中的流函数的标准方差相比速度势要比速度势要大很多。同时我们也注意到对于一些采用(u,v)作为控制变量的变分同化系统而言，比如Advanced Regional Prediction System(ARPS)模式的3DVAR同化系统[31]则不会产生这种类似的现象。Zhao等[32]的研究工作中采用ARPS 3DVAR同化多普勒雷达径向风观测资料对台风的影响，其文中的图4的风场增量则没有产生这种不合理的反气旋的风场增量。由图4b可以发现，当采用En3DVAR同化了多普勒雷达径向风资料后在台风“桑美”观测的中心位置处产生了一个非常显著的非对称的气旋性的风场增量，并且在台风“桑美”的东北象限位置处量级达到最大，表明“流依赖”的集合协方差信息的引入对背景场上台风的强度有显著的增强作用。

[13] 余贞寿, 周功铤, 赵放, 等. 雷达资料对0414号台风“云娜”数值预报的改进[J]. 热带气象学报, 2008, 24(1): 59-66.

Yu Zhenshou, Zhou Gongting, Zhao Fang, et al. Imporvement of numerical simulation of typhoon Rananim (0414) by using doppler radar data [J]. Journal of Tropical Meteorology,2008,24(1):59-66.

[14] 沈菲菲, 闵锦忠, 陈鹏, 等. 多普勒雷达资料同化在台风“桑美”预报中的应用研究[J]. 海洋学报, 2015, 37(3): 25-36.

Shen Feifei, Min Jinzhong, Chen Peng, et al. Experiments of assimilating Doppler radar data in forecasts of typhoon Saomai[J]. Haiyang Xuebao, 2015, 37(3):25-36.

[22] Skamarock W C, Klemp J B, Dudhin J, et al. A description of the Advanced Research WRF version 3[R]. NCAR Tech Note NCAR/TN-475+STR. Boulder, Colorado, USA: NCAR, 2008: 113.

[16] Wang Xuguang, Hamill T M, Whitaker J S, et al. A comparison of hybrid ensemble transform Kalman filter-optimum interpolation and ensemble square root filter analysis schemes[J]. Monthly Weather Review, 2007, 135(3): 1055-1076.

为了进一步的考察两种同化方法同化多普勒天气雷达资料后对台风预报的影响，本文在两组同化试验的末端即2006年8月10日06时分别作12 h的确定性预报。其中En3DVAR试验采用的是集合平均场作为背景场，3DAVR试验则采用的确定性的预报场作为背景场。图10显示的是各组试验预报的台风路径、路径误差、最小海平面气压(MSLP)、近地面最大风速(MSW)，包括来自中国国家气象局最佳台风观测数据集。由图10a、图10b可以发现两组同化试验在预报的起始时刻的台风中心位置相比NoDA试验要更加的接近于观测，其中En3DVAR试验分析的台风中心位置相比3DVAR试验要更加的接近于观测的中心位置，NoDA、3DVAR 和En3DVAR 3组试验在初始时刻的路径误差分别为30.7 km, 14.2 km, 6.3 km。经过2 h预报之后可以发现NoDA试验和3DVAR试验预报的台风的中心位置逐渐开始的较观测偏西偏南，并且随着预报时间的增加预报的路径误差也逐渐增大，到了最后一个预报时刻两组试验的路径误差分别达到124.2 km、93.5 km。与之不同的是，En3DVAR试验在整个18 h确定性预报过程中的与观测最为接近，尤其是在预报的前9 h内其分析的台风路径误差较好地控制在40 km以内，只是在最后一个3 h预报过程中路径出现了较观测偏西偏南的现象，这可能是由于此刻的台风登陆后受地形摩擦等影响强度明显减弱所致。到预报结束时，NoDA、3DVAR和En3DVAR 3组试验预报的平均路径误差分别为70.2 km、50.9 km、25.8 km。总体而言，En3DVAR试验在整个18 h预报过程中其路径与观测最为接近，这可能与其初始时刻分析的台风中心位置和强度最为精确有关。图10c和图10d显示的是各组试验在18 h确定性预报过程中的MSLP和MSW

[18] Lorenc A C. The potential of the ensemble Kalman filter for NWP-a comparison with 4D-Var[J]. Quarterly Journal of Royal Meteorological Society, 2003, 129(595): 3183-3203.

[19] Shen Feifei, Min Jinzhong. Assimilating AMSU-a radiance data with the WRF hybrid En3DVAR system for track predictions of typhoon Megi (2010)[J]. Advances in Atmospheric Sciences, 2015, 32(9): 1231-1243.

[20] Brewster K, Hu M, Xue M, et al. Efficient assimilation of radar data at high resolution for short-range numerical weather prediction[C]//World Weather Research Program Symposium on Nowcasting and Very Short-Range Forecasting. Toulouse, France: WMO, 2005.

[21] Oye R, Mueller C, Smith C. Software for radar translation, visualization, editing, and interpolation[C]//Preprints, 27th Conference on Radar Meteorology, Vail, CO: American Meteorological Society, 1995: 359-361.

现在的商务英语教学中，师资力量还有所不足，比较薄弱。究其原因，主要是因为：教师的自身的能力偏弱。现在的商务英语老师大多数是没有商务英语的学习经历，更加没有从事过商务英语相关的职业。大多数的老师在成为老师前都学习的是平常普通的英语，不是商务英语，老师的英语知识结构更加偏向于英语的基础理论知识。相较于普通的英语教育，商务英语教育更加的专业化，更加偏向于在实际中的应用。并且，现在学生从商务英语教材上学到的知识与实际工作中的所运用到的英语知识有所差别。学生与老师都缺乏相应的实践能力，有的老师虽然可以说出流利的英语，但是对商务活动中涉及的商务术语、商务活动无法清晰地表述出来。

[15] Zhu Lei, Wan Qilin, Shen Xinyong, et al. Prediction and predictability of high-impact western Pacific landfalling tropical cyclone vicente (2012) through convection-permitting ensemble assimilation of doppler radar velocity[J]. Monthly Weather Review, 2016, 144(1): 21-43.

[23] Janji Z I. The step-mountain eta coordinate model-further developments of the convection, viscous sublayer, and turbulence closure schemes[J]. Monthly Weather Review, 1994, 122(5): 927-945.

[24] Hong Songyou, Dudhia J, Chen Shuhua. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation[J]. Monthly Weather Review, 2004, 132(1): 103-120.

为了进一步地探讨两种同化方法同化多普勒天气雷达观测的影响，本文对两组同化试验最后一个分析时次的850 hPa温度增量做进一步地分析。图7可见，在经过了7次的循环同化分析之后，随着越来越多的多普勒雷达径向风观测同化进数值模式，后续的分析结果相比先验分析要越来越准确(图6)，分析增量也越来越集中在台风涡旋内核区及其附近区域。对于3DVAR试验，在台风涡旋区是一个负的温度增量，且在台风中心量级达到最大(图7a)。从物理机制上来说，一个正在增强的台风涡旋环流结构应当伴随有涡旋暖核中心逐渐变暖加深的趋势。因此，3DVAR所产生的温度增量与实际台风涡旋结构是不一致的。这主要是由两方面因素所决定，一是由于雷达没有0°仰角体扫数据，故其观测很难覆盖到海平面并进而对海平面风场进行调整，另一方面是由于3DVAR试验采用的是各向同性的静态背景误差协方差矩阵，其在垂直方向的相关性较差进而使得雷达较高仰角观测数据影响不到海平面风场，高层增强的气旋性增量是低层冷中心形成的主要原因。与3DVAR试验不同，En3DVAR试验在台风中心呈现一个正的温度增量，并且在台风眼壁和外围雨带部分呈螺旋状分布(图7b)，这主要是由集合预报提供的背景误差“流依赖”信息提供的温度场和风场协方差调整影响到了低层大气的结果。En3DVAR的温度增量更加贴近实际台风结构，并且要比3DVAR试验温度增量要大一个量级。表明在3DVAR中热成风约束关系式相对较弱，这与前人的研究工作[35]是一致的。可见，En3DVAR试验吸收了集合成员提供的背景误差协方差有效信息后对台风结构描述更加客观合理。

[26] Barker D, Huang Xiangyu, Liu Zhiquan, et al. The weather research and forecasting model’s community variational/ensemble data assimilation system: WRFDA[J]. Bulletin of the American Meteorological Society, 2012, 93(6): 831-843.

领域子系统是对真实物理世界的数据抽象，包括几何模型，网格模型，边界条件和载荷，材料，特征属性以及结果。

[27] Torn R D, Hakim G J, Snyder C. Boundary conditions for limited-area ensemble Kalman filters[J]. Monthly Weather Review, 2006, 134(9): 2490-2502.

[28] Li Yongzuo, Wang Xuguang, Xue Ming. Assimilation of radar radial velocity data with the WRF Hybrid ensemble-3DVAR system for the prediction of hurricane Ike (2008)[J]. Monthly Weather Review, 2012, 140(11): 3507-3524.

[29] Xie Yuanfu, Macdonald A E. Selection of momentum variables for a three-dimensional variational analysis[J]. Pure and Applied Geophysics, 2012, 169(3): 335-351.

[30] Sun Juanzhen, Wang Hongli. WRF-ARW variational storm-scale data assimilation: current capabilities and future developments[J]. Advances in Meteorology, 2013, 2013: 815910.

[31] Gao Jidong, Xue Ming, Brewster K, et al. A three-dimensional variational data analysis method with recursive filter for Doppler radars[J]. Journal of Atmospheric and Oceanic Technology, 2004, 21(3): 457-469.

[32] Zhao Kun, Xue Ming, Lee W C. Assimilation of GBVTD-retrieved winds from single-Doppler radar for short-term forecasting of super typhoon Saomai (0608) at landfall[J]. Quarterly Journal of the Royal Meteorological Society, 2012, 138(665): 1055-1071.

我国岛屿众多，合理开发海岛是发展海洋经济的重要途径。电力供应是海岛建设的基础条件之一，保障海岛电力供应的安全性、可靠性和经济性是电力规划设计工作的重要任务。海岛可分为大、中型海岛和小型离岛，供电模式可包括联网型和离网型。对于中、大型群岛而言，有一定规模的常驻人口，主要经济以旅游业为主，电力需求相对较高，且对环保要求严格。大、中型海岛供电方案设计可延续传统的内陆电力系统规划设计原则和方法，但同时也具有岛内负荷分散、与内陆联网相对困难和电网稳定性问题突出等特点[1]。

（2）学生在调查中对在课堂内开展文化主题教学活动表示出相当的兴趣。在课堂教学进入文化主题环节时，采用互动活动的方式进行，如分组讨论、模拟演示等。活动准备工作由学生在课前预先做好，疑难问题在活动中面对面答疑。学生可使用视频、图片等多媒体方式展示，使文化导入在课堂内互动性更强，更有趣味，也更直观易懂。

[33] Wang Xuguang. Application of the WRF hybrid ETKF-3DVAR data assimilation system for hurricane track forecasts[J]. Weather and Forecasting, 2011, 26(6): 868-884.

MVC的主要思想体现在，前端View使用Vue的axios发送异步请求传递到Controller，Controller去Model中读取或者写入数据，Model通过EF操作数据库，Controller将逻辑处理后的结果以JSON的格式传输给前端。经过该一系列操作后还能得知系统的前后端数据是如何进行传输的。

[34] Chang Shaofan, Sun Juanzhen, Liou Y C, et al. The influence of erroneous background, beam-blocking and microphysical non-linearity on the application of a four-dimensional variational Doppler radar data assimilation system for quantitative precipitation forecasts[J]. Meteorological Applications, 2014, 21(2): 444-458.

[35] Xiao Qingnong, Zhang Xiaoyan, Davis C, et al. Experiments of hurricane initialization with airborne Doppler radar data for the Advanced Research Hurricane WRF (AHW) model[J]. Monthly Weather Review, 2009, 137(9): 2758-2777.

不重视安全工器具的管理，缺乏安全工器具管理意识，对常用的全工器具不进行定期的检查或者检查只是走形式；对于有关部门的检查只是应付了事，没有意识到安全工器具的管理涉及到人身安全问题；对于一些存在故障的工器具还继续使用，不注重维修。