不再"挑天气"：中国气象局全球天气模式(CMA-GFS)首次实现微波湿度观测全天候同化

研究背景

卫星观测凭借全球覆盖和高时空分辨率的独特优势，已成为数值天气预报系统中不可或缺的数据来源。然而，长期以来各大数值预报中心都只同化晴空条件下的卫星观测。一旦遇到云雨天气，宝贵的观测信息就会被系统性地丢弃。这带来了一个矛盾现象：越是气象活跃、预报难度大的区域，往往云雨覆盖越严重，而这些恰恰是最需要高质量观测数据支撑的关键区域。

近年来，全天候卫星数据同化技术应运而生，该技术利用先进的散射辐射传输模式和动态观测误差模型，直接同化受云雨影响的卫星辐射率观测，而无需进行额外的云检测。自2009年欧洲中期天气预报中心率先实现业务化应用以来，这一技术逐步从低频的微波成像仪扩展到高频的微波湿度探测仪，显著提高了模式的短期预报技巧。

2021年7月5日，风云三号E星（FY-3E）成功发射，有效填补了FY-3C上午轨道和FY-3D下午轨道之间的空白。FY-3E搭载了微波湿度计（MWHS-2），用于提供大气温度和湿度的垂直信息。最近，MWHS-2的晴空观测资料已在中国气象局全球天气模式（CMA-GFS）的四维变分（4DVar）同化系统中实现业务化同化，显著改善了南北半球短中期温湿度的预报效果。然而，大量的受云雨影响的微波湿度观测尚未进入CMA-GFS同化系统中。

试验设计

开展了2023年7月21日至8月21日为期一个月的循环同化试验，系统评估全天候同化技术的应用效果：

1. 控制试验：采用传统晴空同化方案，使用严格的云检测方案，仅利用晴天条件下的FY-3E MWHS-2观测数据，同时同化常规观测和其他卫星数据。

2. 全天候试验：在晴空同化基础上，增加微波湿度计全天候同化框架。该框架包括基于对称云量的观测误差模型、改进的全天候MWHS-2双通道地表发射率反演方案以及优化的全天候质量控制方案。使用RTTOV-SCATT作为辐射传输模式，直接同化受云雨影响的FY-3E MWHS-2观测数据，包括通道3-8（118 GHz温度探测）和通道11-15（183 GHz湿度探测）。

结果

1

观测数据利用率大幅提升

全天候同化使全球FY-3E MWHS-2观测数据使用量增加约50%。增幅最显著的区域是大西洋和太平洋东部的海洋层积云区域。这主要是由于晴空辐射传输忽略云液水发射效应导致低层通道出现暖偏差，进而大量观测被云检测程序剔除。

图1：FY-3E MWHS-2通道15全天候与晴空同化数据量差异的全球分布

2

对云雨的间接调整

全天候同化对分析场最显著的影响集中在海洋层积云区域。以安哥拉海岸为例，全天候试验的分析场在925 hPa显著增加了比湿、降低了温度，形成了更准确的大气逆温结构。与ERA5和NCEP-FNL再分析的对比验证了这一改善效果：晴空同化的分析场过于干燥和温暖，而全天候试验的温湿度廓线更接近再分析资料。

这种改善机制体现了全天候同化的独特优势。虽然在变分同化的极小化过程中水凝物并未作为控制变量直接调整，但云雨区观测的有效利用通过优化温湿度场间接影响了云的生成条件。通过增加海洋层积云区域的湿度并降低温度，全天候同化显著减少了CMA-GFS系统长期存在的低云云量和液态水含量的系统性偏差。

图2：全天候与晴空试验在925 hPa的温度、湿度和低云量一个月平均的分析场差异及垂直廓线对比

3

观测贡献显著提升

基于伴随的预报对观测的敏感性（FSO）技术的定量评估进一步证实了云雨区观测对预报误差减小的贡献。FSO分析显示，全天候方法使得MWHS-2观测对24小时预报的有益影响增加约30%。从不同通道的贡献来看，183 GHz湿度探测通道对减少全球短期预报误差贡献最大。温度通道的贡献主要集中在低层。由于中高层温度场已被其他温度探测仪较好约束，因此MWHS-2高层温度通道的预报贡献相对有限。

在海洋层积云区域，温度通道的云雨区观测贡献提升更为明显。以118±2.5 GHz通道为例，其总体观测影响和单个观测平均影响分别增加了350%和20%，表明来自低层118 GHz通道的云雨观测比晴空观测具有更大的预报贡献。

图3：全天候与晴空试验中FY-3E MWHS-2各通道的FSO总影响和平均影响对比

未来展望

这项研究标志着CMA-GFS 4DVar系统中微波湿度探测仪全天候同化的开端，但仍有很大改进空间：

1. 解决模式偏差问题。研究发现模式背景场中水凝物的含量存在显著偏差，特别是中高纬度地区雪含量存在过高估计现象，这限制了全天候同化的表现。

2. 优化模式物理过程。通过调整模式微物理和对流参数化方案减少云偏差，改善模式对海洋层积云等关键天气系统的模拟能力。

3. 完善背景误差协方差。开发考虑水凝物作为控制变量的背景误差协方差，使同化系统能够更有效地利用云和降水信息。

4. 扩展应用范围。将全天候同化扩展到FY-3C/D/F MWHS-2和其他微波湿度探测仪，建立更完善的全天候同化业务化体系。

作者与资助信息：

南京信息工程大学博士生李泽挺（zeting.li@nuist.edu.cn）作为本研究的第一作者，中国气象局地球系统数值预报中心的韩威研究员（hanwei@cma.gov.cn）作为通讯作者。该研究得到了国家重点研发计划(2022YFC3004004)、国家自然科学基金(42075155)等项目资助。

文章链接：

Li Zeting, and Han Wei. Impact of Implementing All-Sky Radiance Assimilation for FY-3E MWHS-2 in the CMA-GFS[J]. Monthly Weather Review, 2025, 153(5): 847-863. https://doi.org/10.1175/MWR-D-24-0093.1

参考文献：

1. Li Zeting, Han Wei, Xu xiaoze, et al. All-sky microwave radiance observation operator based on deep learning with physical constraints[J]. Journal of Geophysical Research: Atmospheres, 2024, 129(23): e2024JD042436.

2. Li Zeting and Han Wei. Impact of HY-2B SMR radiance assimilation on CMA global medium‐range weather forecasts[J]. Quarterly Journal of the Royal Meteorological Society, 2024, 150(759): 937-957.

3. Xie Hejun, Han Wei, Bi Lei. Assimilating FY3D‐MWRI 23. 8 GHz observations in the CMA-GFS 4DVAR system based on a pseudo All-Sky data assimilation method[J]. Quarterly Journal of the Royal Meteorological Society, 2023, 149(756): 3014-3043.

4. Li Yonghui, Han Wei, Duan Wansuo, Li Zeting, et al. A machine learning-based observation operator for FY-4B GIIRS brightness temperatures considering the uncertainty of label data[J]. Journal of Geophysical Research: Machine Learning and Computation, 2025, 2(1): e2024JH000449.

5. Xiao Hongyi, Han Wei, Zhang Peng, et al. Assimilation of data from the MWHS-II onboard the first early morning satellite FY-3E into the CMA global 4D-Var system[J]. Meteorological Applications, 2023, 30(3): e2133.

相关文章：

物理+数据双驱动：机器学习如何重构气象数据同化全链条？

不确定性感知的AI建模：数据同化思想助力风四卫星高光谱辐射传输模型创新

ZJU-AERO：开源高效的雷达观测算子，支持CMA-GFS/MESO模拟非球形水凝物粒子