Towards the Use of Radar Winds in Numerical Weather Prediction

Numerical weather prediction (NWP) models provide the basis for weather forecasting by simulating the evolution of the atmospheric state. A good forecast requires that the initial state of the atmosphere is known accurately, and that the NWP model is a realistic representation of the atmosphere. Data assimilation methods are used to produce initial conditions for NWP models. The NWP model background field, typically a short-range forecast, is updated with observations in a statistically optimal way. The objective in this thesis has been to develope methods in order to allow data assimilation of Doppler radar radial wind observations. The work has been carried out in the High Resolution Limited Area Model (HIRLAM) 3-dimensional variational data assimilation framework. Observation modelling is a key element in exploiting indirect observations of the model variables. In the radar radial wind observation modelling, the vertical model wind profile is interpolated to the observation location, and the projection of the model wind vector on the radar pulse path is calculated. The vertical broadening of the radar pulse volume, and the bending of the radar pulse path due to atmospheric conditions are taken into account. Radar radial wind observations are modelled within observation errors which consist of instrumental, modelling, and representativeness errors. Systematic and random modelling errors can be minimized by accurate observation modelling. The impact of the random part of the instrumental and representativeness errors can be decreased by calculating spatial averages from the raw observations. Model experiments indicate that the spatial averaging clearly improves the fit of the radial wind observations to the model in terms of observation minus model background (OmB) standard deviation. Monitoring the quality of the observations is an important aspect, especially when a new observation type is introduced into a data assimilation system. Calculating the bias for radial wind observations in a conventional way can result in zero even in case there are systematic differences in the wind speed and/or direction. A bias estimation method designed for this observation type is introduced in the thesis. Doppler radar radial wind observation modelling, together with the bias estimation method, enables the exploitation of the radial wind observations also for NWP model validation. The one-month model experiments performed with the HIRLAM model versions differing only in a surface stress parameterization detail indicate that the use of radar wind observations in NWP model validation is very beneficial.

Sääennustusmallilla simuloidaan ilmakehän tilan kehitystä ratkaisemalla ilmakehää kuvaava yhtälöryhmä numeerisesti. Ennusteen onnistumisen kannalta on tärkeää, että mallin alkutila kuvaa mahdollisimman hyvin ilmakehän todellista tilaa ennusteen alkuhetkellä ja että malli itsessään kuvaa ilmakehän käyttäytymistä mahdollisimman realistisesti. Mallin alkutilan määrittämisessä käytetään data-assimilaatiomenetelmiä, jotka yhdistävät havaintotiedon ja mallitiedon tilastollisesti optimaalisella tavalla. Tämän väitöskirjatyön tavoite on ollut kehittää menetelmiä säätutkalla mitattujen säteen suuntaisten tuulihavaintojen (jatkossa tutkatuulihavainto) hyödyntämiseksi numeerisissa sääennustusmalleissa. Työssä on käytetty High Resolution Limited Area Model (HIRLAM) rajoitetun alueen sääennustusmallia. Havainnon tarkka mallintaminen on tärkeää, kun hyödynnetään sellaisia havaintotyyppejä, jotka eivät ole sääennustusmallin muuttujia. Tutkatuulihavainto mallinnetaan interpoloimalla sääennustusmallin tuuliprofiili havaintopisteeseen ja laskemalla mallin tuulivektorin projektio tutkasäteen suunnassa. Havainnon mallinnuksessa huomioidaan tutkakeilan leveneminen mittausetäisyyden kasvaessa ja ilmakehän olosuhteista riippuva tutkasäteen taipuminen. Tutkatuulihavainto mallinnetaan havaintovirheiden puitteissa. Havaintovirheet koostuvat instrumentti-, mallinnus- ja edustavuusvirheistä. Havainnon tarkalla mallintamisella voidaan minimoida systemaattisia ja satunnaisia mallinnusvirheitä. Satunnaisia instrumentti- ja edustavuusvirheitä voidaan vähentää laskemalla tutkahavainnoista aluekeskiarvoja, nk. superhavaintoja. Havaintojen laadunvalvonta on tärkeää etenkin silloin, kun mallin analyysijärjestelmässä otetaan käyttöön uusi havaintotyyppi. Tutkasäteen suuntaisten tuulihavaintojen kohdalla perinteisesti laskettu harha on usein lähellä nollaa, vaikka havainnoissa olisikin systemaattisia virheitä. Tässä väitöskirjatyössä on kehitetty tutkatuulihavainnoille harhan estimointimenetelmä, jossa otetaan huomioon tutkatuulimittauksen tyypilliset ominaisuudet. Tutkatuulihavainnon tarkka mallintaminen ja harhan estimointimenetelmä mahdollistavat havaintotyypin käyttämisen myös sääennustusmallien validoinnissa. Vertaamalla kahta HIRLAM mallin versiota, joissa pintastressin parametrisointi on toteutettu hieman toisistaan poikkeavalla tavalla, on osoitettu, että tutkatuulihavaintojen käyttäminen sääennustusmallin validoinnissa on erittäin hyödyllistä.