台风涡旋追踪技术的研究论文

台风涡旋追踪技术的研究

完成人：陈智胡冬琴

指导教员：程小平

项目类型：论文类

单位：气象学院学员旅二队

台风涡旋追踪技术的研究

摘要：本文深入研究了GFDL发展的涡旋追踪技术方案，科学合理地选取了不同高度上的相对涡度、风速等物理量作为相关因子，建立了一种考虑多层次、多变量信息的涡旋追踪技术。利用分辨率为1°×1°的NCEP全球再分析资料，对2009年台风莫拉克进行了追踪。利用搜索算法，经过反复迭代，计算出台风的最佳路径估计。作出台风路径预报后，与中国气象局上海台风所台风最佳路径数据集进行比较，结果表明设计的台风涡旋追踪技术获得的台风路径更加接近观测路径。

关键词：涡旋追踪；搜索算法；台风路径预报

1.引言

台风是发生在热带海洋上的一种很强的暖心型气旋性涡旋，其过境时常伴随狂风暴雨，是一种灾害性天气系统[1][2]。掌握台风的发生发展规律及其活动规律，对作好气象保障服务工作至关重要[3]。

当前，数值预报模式逐渐成为台风研究和业务预报的重要手段[6]。随着数值模式技术的日趋进步，以及对热带气旋动力学理论认识的深入，数值模式已经能够模拟出比较真实的台风结构，进而大大提高了台风预报技术水平。对于台风的预报，世界各个气象业务部分都是主要关注台风的路径和强度，如图1，就是中国气象局发布的2009年第8号台风（莫拉克）预报结果路径图，黑色表示台风最佳路径集（来源于中国气象局上海台风所CMA-STI），彩色线为中国气象局官方发布的台风路径。因此，评估台风数值预报模式性能的一个重要指标就是台风路径和强度等，那么如何对数值预报产品中，对台风的中心位置进行客观、科学的确定，是十分重要，而且十分有意义的[9]。

2002年，GFDL发展了一种涡旋追踪技术，该方法利用模式预报产品中不同高度的物理量作为参数客观、定量地求取台风中心位置、强度等信息。这种方法稳定、可靠，同样适用于对弱风暴位置的估计，已经在NCEP美国国家环境预报中心实现业务运行。本文在GFDL方法的基础上，设计了一种台风涡旋方法，并利用NCEP再分析资料对2009年莫拉克台风进行了试验，对比了根据几种不同物

理量的获得的台风中心位置。

图1 2009年第8号台风（莫拉克）最佳路径和中国气象局预报结果路径图

如图所示，黑色表示台风最佳路径集（来源于中国气象局上海台风所

CMA-STI），彩色线为中国气象局官方发布的台风路径。

2.台风涡旋追踪技术

2.1.涡旋追踪的目的

数值模式能够提供大量的不同高度、不同类型的变量，包含动量、温度、密度、水汽和通量等物理量。通过对比低层环流形势和不同高度的天气图，我们经常会发现台风的中心位置会发生很大的变化，尤其是对于新生成或向斜压性变化的台风，这种中心位置的偏移幅度更大。这就要求涡旋追踪技术必须能够客观分析模式输出资料，从而得到台风中心位置的最佳估计。

2.2．设计涡旋追踪方案的关键点

设计涡旋追踪方案时，有几个基本点是必须考虑的：

第一，明确定位某一区域最值的方法。众多的方法中，最简单的就是单纯地遍历该区域数值大小，挑选出取得最值的网格点。但是，这种方法将最值固定在一个固定的网格点上。事实上，在网格间距较大的模型中，最值点不一定在网格点上，很可能位于网格点间。我们将这些数据插值到一个分辨率更高的方案中。此外，当两个相邻的点具有同一值时，涡旋追踪方案如何作出选择的问题。GFDL 的涡旋追踪方案引入了Barnes方程，在一定程度上缓解这两个问题。

第二，需要寻求一个平衡状态，一方面使方案足够灵敏，能预测微弱的台风；另一方面，过于灵敏会导致会追踪过长，甚至追踪微弱的即将消亡的台风。设计

涡旋追踪常需几次检验，且通过可变的阈值大小进行调整。

2.3 搜索算法：

为了找到一个给定变量的最大值或最小值，我们引入了网格点Barnes 方程，采用单通道法，首先给定一个台风中心的初猜值（可来自于上一时次国家气象局台风中心发布的台风位置）。对于任意一个给定的变量F ，Barnes 方程B ，给定点g ，则Barnes 方程可表示为如下形式：

11()()B(n)=()

N

n N n w n F n w n ==∑∑ （2.2.1）

其中，权重函数w 定义如下：

2

2()

()n e d r w n e -= （2.2.2）

n d 是从一个数据点n 到网格点g 的距离，e r 是指数递减半径。即为权重函数减小为原来的1e

时的距离，且这个值的大小是可以调节的。目前，大多数地区和全球模式的网格都将输出文件的网格间距设置为0.1°到1.25°之间。此时，75e r km =。当网格间距大于1.25°时，我们通常取150e r km =。当网格间距小于0.1°时，取60e r km =。

选取网格间距时，一方面，我们应选取足够多的点，使得这些点具有良好的区域代表性；另一方面，过多的点可能导致我们难以区分一个点和其相邻点的值。而在二者之间寻求一个平衡点，正是关键所在。鉴于此，本文中我们将网格间距设置为1°，则75e r km =。

Barnes 函数以一个数组的形式返回了初估点附近的高斯加权平均数据值。中心位置正是函数取得最值的点。当函数参数是风速、北半球相对涡度时，中心位置在函数取得最大值处；当函数参数是位势高度、南半球相对涡度或海平面气压时，中心位置在函数取得最小值处。对于网格间距较大的粗糙模型，中心位置可能会位于网格点之间。为了得到具有足够精度的中心位置，我们需要对Barnes 方程进行迭代。在迭代过程中，Barnes 方程中定义的网格间距、加权值和输入数据的网格间距、加权值需匹配。而输入数据和Barnes 方程方程不同的是，输入数据有明确的经纬度定义，而Barnes 方程中我们可以在经纬度空间中定义一个与初估点相关的点矩阵。第一次迭代中返回了定位位置后，我们可以将第一次