Том 37, номер 05, статья № 11

Аннотация:

Расширение грозопеленгационных сетей в последнее время привело к росту количества данных о грозах, которые могут использоваться для верификации прогнозов гроз и являются новым источником информации о состоянии атмосферы. Эта информация может быть учтена в численных моделях динамики атмосферы, но на данный момент применяется весьма редко. В работе предложена и реализована в виде кода в рамках модели WRF-ARWуниверсальная процедура учета данных о положении гроз. Процедура универсальна, так как не требует использования каких-либо процедур параметризации физических процессов, и благодаря этому она может быть введена в любую гидродинамическую модель. В процедуре по данным сетей грозопеленгации определяются ячейки расчетной сетки, в которых фиксировались молнии, в них итерационно добавляется влага до возникновения термодинамической неустойчивости, а значит конвекции. Исследована эффективность этой процедуры в прогнозе осадков, температуры и влажности; проведено сравнение с другими способами учета данных о грозах. Усвоение данных грозопеленгаторов позволяет локально улучшить прогноз сильных осадков и температуры в областях, где наблюдались грозы; коэффициент прогноза интенсивных осадков Пирси–Обухова при использовании предложенного метода возрастает с 0,26 до 0,40.

Ключевые слова:

усвоение данных, грозы, конвективные осадки, модель WRF-ARW, сети грозопеленгации

Иллюстрации:

Список литературы:

1. Cummins K.L., Murphy M.J. An overview of lightning locating systems: History, techniques, and data uses, with an in-depth look at the US NLDN // IEEE Trans. Electromag. Comp. 2009. V. 51, N 3. P. 499–518.
2. Панюков А.В., Будуев Д.В., Малов Д.Н. Системы пассивного мониторинга грозовой деятельности // Вест. Южно-Уральского гос. ун-та. Сер.: Математика. Механика. Физика. 2003. № 4. С. 11–20.
3. Lay E.H. Investigating lightning-to-ionosphere energy coupling based on VLF lightning propagation haracterization: PhD Thesis. Seattle: University of Washington, 2008. 26 p.
4. Аджиев А.Х., Стасенко В.Н., Тапасханов В.О. Система грозопеленгации на Северном Кавказе // Метеорол. и гидрол. 2013. № 1. C. 5–11.
5. Снегуров А.В., Снегуров В.С. Экспериментальная грозопеленгационная система // Тр. ГГО. 2012. Вып. 567. С. 188–200.
6. Alexander G.D., Weinman J.A., Karyampudi V.M., Olson W.S., Lee A.C.L. The effect of assimilating rain rates derived from satellites and lightning on forecasts of the 1993 Superstorm // Mon. Weather Rev. 1999. V. 127, N 7. P. 1433–1457.
7. Chang D.E., Weinman J.A., Morales C.A., Olson W.S. The effect of space borne microwave and ground-based continuous lighting measurements on forecasts of the 1998 Groundhog 2 day storm // Mon. Weather Rev. 2001. V. 129. P. 1809–1833.
8. Pessi A.T., Businger S. The impact of lightning data assimilation on a winter storm simulation over the North Pacific Ocean // Mon. Weather Rev. 2009. V. 137, N 10. P. 3177–3195.
9. Fierro A.O., Mansell E.R., Ziegler C.L., MacGorman D.R. Application of a lightning data assimilation technique in the WRF-ARW model at cloud-resolving scales for the tornado outbreak of 24 May 2011 // Mon. Weather Rev. 2012. V. 140, N 8. P. 2609–2627.
10. Fierro A.O., Clark A.J., Mansell E.R., MacGorman D.R., Dembek S.R., Ziegler C.L. Impact of storm-scale lightning data assimilation on WRF-ARW precipitation forecasts during the 2013 warm season over the contiguous United States // Mon. Weather Rev. 2015. V. 143, N 3. P. 757–777.
11. Fierro A.O., Gao J., Ziegler C.L., Calhoun K.M., Mansell E.R., MacGorman D.R. Assimilation of flash extent data in the variational framework at convection-allowing scales: Proof-of-concept and evaluation for the short-term forecast of the 24 May 2011 tornado outbreak // Mon. Weather Rev. 2016. V. 144, N 11. P. 4373–4393.
12. Wang Y., Yang Y., Wang C. Improving forecasting of strong convection by assimilating cloud-to-ground lightning data using the physical initialization method // Atmos. Res. 2014. V. 150. P. 31–41.
13. Papadopoulos A., Chronis T.G., Anagnostou E.N. Improving convective precipitation forecasting through assimilation of regional lightning measurements in a mesoscale model // Mon. Weather Rev. 2005. V. 133, N 7. P. 1961–1977.
14. Giannaros T.M., Kotroni V., Lagouvardos K. WRFLTNGDA: A lightning data assimilation technique implemented in the WRF model for improving precipitation forecasts // Environ. Model. Softw. 2016. V. 76. P. 54–68.
15. Heath N.K., Pleim J.E., Gilliam R.C., Kang D. A simple lightning assimilation technique for improving retrospective WRF simulations // J. Adv. Model. Earth Syst. 2016. V. 8, N 4. P. 1806–1824.
16. Dixon K., Mass C.F., Hakim G.J., Holzworth R.H. The impact of lightning data assimilation on deterministic and ensemble forecasts of convective events // J. Atmos. Ocean. Technol. 2016. V. 33, N 9. P. 1801–1823.
17. URL: https://arxiv.org/abs/1306.1884 (last access: 14.02.2024).
18. Chen Z., Qie X., Liu D., Xiong Y. Lightning data assimilation with comprehensively nudging water contents at cloud-resolving scale using WRF model // Atmos. Res. 2019. V. 221. P. 72–87.
19. Рубинштейн К.Г., Губенко И.М., Игнатов Р.Ю., Тихоненко Н.Д., Юсупов Ю.И. Эксперименты по усвоению данных сети грозопеленгации // Оптика атмосф. и океана. 2019. Т. 32, № 11. С. 936–941; Rubinstein K.G., Gubenko I.M., Ignatov R.Yu., Tikhonenko N.D., Yusupov Yu.I. Experiments on lightning detection network data assimilation // Atmos. Ocean. Opt. 2020. V. 33, N 2. P. 219–228.
20. Губенко И.М., Рубинштейн К.Г. Пример усвоения данных нескольких сетей грозопеленгации в численном прогнозе погоды // Оптика атмосф. и океана. 2021. Т. 34, № 10. С. 803–807; Gubenko I.M., Rubinstein K.G. An example of assimilation of data from several lightning detection networks in a numerical weather forecast // Atmos. Ocean. Opt. 2022. V. 35, N 1. P. 65–71.
21. Feng G., Qie X., Yuan T., Niu S. Analysis on lightning activity and precipitation structure of hailstorms // Sci. China. Ser. D. Earth Sci. 2007. V. 50, N 4. P. 629–663.
22. Janjic Z.I. The step–mountain Eta coordinate model: Further developments of the convection, viscous sublayer, and turbulence closure schemes // Mon. Weather Rev. 1994. V. 122. P. 927–945.
23. Kain J.S. The Kain–Fritsch convective parameterization: An update // J. Appl. Meteorol. 2004. V. 43, N 1. P. 170–181.
24. Skamarock W.C., Klemp J.B. A time-split nonhydrostatic atmospheric model for research and NWP applications // J. Comp. Phys. 2008. V. 227, iss. 7. P. 3465–3485.
25. Mansell E.R., Ziegler C.L., Bruning E.C. Simulated electrification of a small thunderstorm with two-moment bulk microphysics // J. Atmos. Sci. 2010. V. 67. P. 171–194.
26. Iacono M.J., Delamere J.S., Mlawer E.J., Shephard M.W., Clough S.A., Collins W.D. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models // J. Geophys. Res. 2008. V. 113. P. D13103.
27. Niu Guo–Yue, Yang Z.–L., Mitchell K.E., Chen F., Ek M.B., Barlage M., Kumar A., Manning K., Niyogi D., Rosero E., Tewari M., Xia Y. The community Noah land surface model with multiparameterization options (Noah–MP): 1. Model description and evaluation with local-scale measurements // J. Geophys. Res. 2011. V. 116. P. D12109.
28. Nakanishi M., Niino H. Development of an improved turbulence closure model for the atmospheric boundary layer // J. Meteor. Soc. Japan. 2009. V. 87. P. 895–912.
29. Pendergrass A. & National Center for Atmospheric Research Staff. The Climate Data Guide: GPCP (Daily): Global Precipitation Climatology Project. URL: https: // climatedataguide.ucar.edu/climate-data/gpcp-daily-global-precipitation-climatology-project (last access: 13.08.2023).