英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

使用数值天气预报预测严重的冰暴：2010年3月的纽芬兰活动J.

摘要：北美东北海岸经常会遭遇严重的冰暴。这些冻雨事件会产生大量的积冰经常对电力基础设施造成损坏。因此，对此类冰冻事件进行模拟和预测，以防止或减轻由此造成的损害是非常必要的。本文的案例研究集中于2010年3月发生在纽芬兰东部的冰暴事件。我们应用数值天气预报模式和积冰算法来模拟这一事件的预报。

本研究的主要目的是将模拟的气象要素变化和观测结果进行比较，并评估模型在不同预测范围内积冰堆积能力的准确预测能力。对3月4日夜间到3月6日上午发生的冻雨事件的持续时间和整个降水过程持续时间进行了模拟。然而，模型中的总降水量与观测值最大相差了2倍。模拟的精确度与预测范围密切相关，但对于所有的模拟过程都是可以接受的。将模拟的积冰堆积量与该地区输电结构的设计值进行了比较。结果表明，在报告的受灾和停电区域模拟值超过了设计标准。

导言

加拿大沿海省份和美国东北部各州经常受到冻雨造成的严重冰暴的影响。1998年，加拿大安大略省东部和魁北克南部以及美国纽约北部和新英格兰的农村地区等人

口密集的地区遭受了最为严重的强冰暴天气。2010年3月，另一场严重的冰暴袭击了加拿大的纽芬兰岛，造成了大量民众断电数天。在此期间，最强烈的冻雨过程发生在3月4日夜间和3月5日。这场冰暴造成了大范围的停电，影响了博纳维斯塔半岛的32个社区和阿瓦隆半岛22个社区的约7000名用户。停电是由于约250条配电线路和支撑结构被积冰压坏造成的，据媒体报道，电线表面覆盖着高达12厘米厚的积冰（特鲁罗日报，2010）。

这两个案例显示了冰冻暴雨的潜在重要性，并说明了它们的学术、经济和社会后果。为了预防和减轻由此产生的损失，对此类结冰事件进行模拟和预测是非常必要的。本文的目标是评估我们基于数值天气预报（NWP）模式和智能冻雨检测算法增强的积冰预测系统（IAFS）的预测能力。（Musilek等人，2009年）。

与许多气象要素不同，在气象观测站场，结冰的测量并没有标准。此外，仍然缺乏可靠的结冰传感器可以在所有的气象条件下工作 （Fikke，2009）。因此，很少能对结冰进行客观的监测。同样，由于缺乏观测数据，预报模式很少能被定量的进行验证。然而，已有许多基于气象变量预测积冰的积冰预报模式被开发出来。其中一些积冰模式，例如Szilder（1993）的有关形态发生和随机游走的方案更适合于复杂的积冰研究而不是用于操作使用。诊断模型通常是基于水滴到达结冰物体表面的质量通量和积累过程的效率，例如Makkonen（2000年）。利用诊断模型模拟冻雨的积累涉及到采用几个简化的假设，使其操作使用的计算要求更低。首先，假设冻结雨滴足够大，从而可以将其碰撞效率认为是相同的。其次，假设风垂直于一条产生最大冰堆积的线。第三，假设积冰是一个圆柱。高架电线上的薄积冰是准圆形的，扭转弱导线上的大冰积也是准圆形的。然而，当积冰是干燥的且导体是扭转刚性时，冰形成在上风侧，形成一个准椭圆形状。在几度的气温下，冰柱就会形成。因为冰柱拦截了更多的水滴，并为未冻结的表面液体提供了冻结而不脱落的条件，所以冰柱的冰荷载可以超过用简单的圆柱形模型计算的冰荷载。第四，不考虑熔化。最后，利用所有这些假设，可以建立一个简单的模型来计算不依赖于物体原始尺寸的圆柱体上的径向等效积冰厚度（Jones，1998）。Makkonen（1998年）对各种积冰模型方法进行了调查。作者认为，只要冰的生长保持在干燥状态，简单的模型就足以模拟冻雨。

为了预报冻雨增冰，必须知道与积冰量有关的气象变量的未来值，包括冻雨降水速率、风速和气温。这些值可以使用NWP模型预测(或模拟)。然而，NWP模型通常不直接输出冻雨降水速率。因此，我们在NWP模型的基础上增加了一种智能冻雨检测算法。该算法只允许在NWP模型和智能算法相结合的情况下，当冰雨确实在下降时，才会调用结冰模型。将NWP模型与结冰模型相结合的想法是十多年前提出的(Vassbo et al.， 1998)。由于模型中调用了先进的微物理方案，该问题通常需要良好的空间分辨率，导致计算成本较高。然而，过去十年计算机能力的快速发展使得将NWP和结冰模型结合起来成为可能，而NWP系统的准确性已经显著提高(Thompson et al.， 2009)。

NWP模型最近被用于预测山区结冰事件(Nygaard, 2009;Dierer等，2009)。在保加利亚东北部采用一个NWP模型，加上一个基于质量的通用结冰方案，解决了霜和积冰 (Nygaard和Nikolov, 2009)。

后一种模型虽然很好地捕捉到了产生冻雨的主要天气情况，但由于地表温度异常高，未能对该事件进行局部化。作者认为，这一误差可能是由于行星边界层(PBL)方案中垂直混合太强，以及模型中表面稳定层的表现不佳造成的。

在本研究中，我们使用IAFS模拟2010年3月纽芬兰冰暴的预报，以评估其捕获和量化此类事件的能力。虽然该模拟是在风暴发生后进行的，但它是初始化的，并提供了在主要结冰事件发生前84小时可用的全球模型预测的边界条件。本文共分为六个部分。第2节简要介绍了冰暴，第3节对预报系统进行了概述。NWP模拟结果与第4节的观测结果进行了比较，第5节对加积冰的估算结果进行了全面的分析。第6节概述了今后工作的主要结论和可能的方向。

冰暴描述

2010年3月2日，墨西哥湾上空形成地面低压系统;在对流层中部气流的推动下，它开始向东北方向移动。3月3日，在经过美国东海岸哈特拉斯角时，衰减加剧。最低海平面气压由三月二日的1002hPa下降至三月三日的986hPa。3月5日，风暴袭击了纽芬兰东南部，给该岛暴露在外的东北海岸带来了降雨和冻雨。这场缓慢移动的暴风雨带来了大约两天的降雨。阿瓦隆半岛降水量最高，超过110毫米。

就持续时间和最大降水量而言，这场风暴与1998年1月的大冰暴相当。另一个共同特征是两次风暴都在缓慢移动。 主要区别在于结冰的空间范围，以及幸运的是，这次受风暴影响的大部分地区人口密度相对较低。 然而，由于线修复操作的优先级，低人口密度可能导致长恢复时间（Short，2004）。

积冰预报系统

NWP 模型设置

本研究使用WRF ARW模型3.2版本进行天气模拟。WRF是一个开源的、中尺度的、非流体静力NWP模型，用于研究和天气预报业务(Skamarock et al.， 2008)。使用三个嵌套模型域，网格尺寸分别为10.8km，3.6km和1.2km，网格尺寸分别为47times;52,64times;79,118times;163。 最内层，面积为141.6times;195.6km，如图1所示。为了重现真实预测的条件，从北美模型（NAM）数据产品获得初始和边界条件，这些数据产品基于全球模型预测。 为了确定可以预测冰暴发展，我们考虑了相对于主要事件预测64,52,40,28和16h的视野，没有考虑数据同化。

为了使用NWP模型对大气表层积冰结构进行建模，物理参数化的选择至关重要。 由于积冰模型的主要输入是冻雨降水率，液态水含量和风速，最重要的参数化是微物理（MP），行星边界层（PBL）和表层（SL）。 其他方案的选择对模拟结果的影响可以忽略不计。 在模拟中使用长波辐射方案，快速辐射传输模型（Mlaver等，1997）和表面方案，Pleim-Xiu陆地表面模型（Xiu和Pleim，2001）。 假设对流被最精细的模型网格明确地解决，因此没有对最内层域应用积云方案，而外域使用Grell-Devenyi参数化（Grell和Devenyi，2002）。使用Thompson的方案（Thompson等人，2004）对云微物理进行参数化。 该方案经常用于结冰建模（Nygaard，2009; Dierer等，2009）。 它是经过最佳测试的双时刻微物理方案，也是WRF模型（NMM）运行核心中唯一的双时刻方案。 由于模拟大气中的液态水量对微物理参数化非常敏感，因此单一方案不能提供足够的精度。 除质量浓度外，双力矩方案还提供液体和/或固体沉淀颗粒的数量浓度。

使用准正态尺度消除（QNSE）方案（Sukoriansky和Galperin，2008）对边界和表面层进行参数化，该方案是雷诺应力湍流模型的替代方案。 该方法采用逐次尺度消去法，计算给定尺度下粘度和扩散系数的修正值。 它解释了由热分层引起的湍流的各向异性。 它还解析了在冻雨事件中经常出现的稳定表面层，优于传统方法（Mellor和Yamada，1982; Hong等，2006）。

积冰模型

本研究中应用的冻雨模型基于Jones的简单模型（SM）（1998）。 它计算径向等效冰厚度，Req，单位为[mm]，这是导体上径向均匀积冰的厚度，其质量与实际积冰量相同。 由于雨滴的尺寸，所以冻雨的径向等效冰厚度与导体直径无关。 对于整个结冰事件计算总径向等效冰厚度如下

其中指数j表示第j小时的值，P是冻结降水率[mmh-1]，rho;0是水的密度[kgm-3]，rho;i是冰的密度[kgm-3]，U是 风速垂直于线[ms-1]的分量，W是降水液体含水量[kgm-3]，N是冰暴持续时间[小时]。 根据Best（1950）计算沉淀液体含水量作为降水率的函数。W =6.7times;10minus;5P 0.846 .

Fig. 1. The inner domain of the WRF model (141.6times;195.6km) and the main power distribution line on the Bonavista peninsula (red).

(2)

琼斯等人分析了美国南部2002年的冰暴。 （2004年）。作者将简单模型应用于METAR数据（来自机场气象站的定期报告），通过实际观测降水类型触发结冰算法。但是，在使用NWP模型预测结冰时，观测不能用于区分降水类型，因为它们不能用于预报。相反，预测系统必须仅依赖于模型提供的信息。 NWP模型提供了足够的信息来评估降水类型，即固态降水的次数和气温。固态降水分数是无量纲变量，定义为固态降水（以冰的形式，例如雪和冰颗粒）与总降水的比率。为了区分雨和冻雨，可以使用Ramer（1993）中描述的空气温度和冷冻沉淀的分数。但是，如Musilek等人所示。 （2009年），对这些变量的具有固定阈值的降水类型的诊断不能令人满意。因此，这些作者开发了IAFS（冰增加预测系统），该系统使用模糊算法来控制积冰模型的参与，仅在算法识别出冻雨的时候。 Pytlak等人对这种方法进行了改进。 （2010），使用ASOS观测和遗传算法，基于模型表面温度和冷冻降水的分数，确定参与功能的最佳设置。这项先进的IAFS已纳入本研究。

NWP输出与地面观测的比较

在分析冻雨冰积累模型之前，将相关的模拟气象参数（降水，风速和温度）与最内部区域内

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18399]，资料为PDF文档或Word文档，PDF文档可免费转换为Word