Studying impacts of the Saharan Air Layer on hurricane development using WRF‐Chem/EnKF

‐ case study: Earl (2010) 

Jianyu(Richard) LiangYongsheng Chen

York University

WWOSC 2014

+METEOSAT‐7/GOES‐11 combined Dry Air/SAL Product (source: University of Wisconsin‐CIMSS)

00Z25th, August, 2010

Definition: warm and dry air with rich mineral dust particles originated from Sahara Desert 

Duration : late spring to early fallCoverage : in the North Atlantic OceanVertical extend : can reach 500 hPa

Hurricane Earl (2010)

Saharan Air Layer (SAL)

SAL Impact on Hurricane

Positive impact:Enhance easterly wave growth and cyclongenesispotential(eg., Karyampudi and Carlson, 1988)

Negative impact:1) Bring dry and warm air into mid‐level of tropical 

storms, thus increase stability2) Enhance the vertical wind shear to suppress the 

development of tropical cyclones(eg., Dunion and Velden2004; Sun et al. 2009) 

Dust inside SAL potentially plays an important role in weather forecast and climate. 

(1) Indirect effect: modification of the cloud droplet concentration and size distribution (Twomey, 1977; Albrecht, 1989).

(2) Direct effect: change radiation budget by absorbing and scattering solar radiation.  

Objectives:Use numerical models to quantify the impact of SAL(air and 

dust) on TCs.

SAL Impact on Hurricane

Hurricane Earl (2010)

Hurricane Earl best track from 25th , August to 4th September, 2010. (Cangialosi 2011)

Official track forecast from 00Z 26th , August to 00Z 30 th, August. (Cangialosi 2011)

Model : WRF‐Chem model

Model Configuration:• grid size: 36 km, 310X163X57• RRTMG radiation scheme• Mellor‐Yamada Nakanishi and Niino Level 2.5 PBL• Grell 3D cumulus• Lin microphysics scheme• GOCART simple aerosol scheme

Data assimilation: Data Assimilation Research Testbed (DART) • Assimilate conventional meteorological observation• Assimilate MODIS aerosol optical depth (AOD) at 550 nm in addition to 

conventional observations• Assimilate AIRS temperature and specific humidity in addition to conventional 

observations• Localization in variables and space• Adaptive inflation, 20 members

Model and Data Assimilation System

DA Experiments

Experiments Generating ensemble perturbations 

20th – 24thAssimilation

(Cycle every 6 hours)

24th – 29thForecast 

control run random perturbations in meteorological fields 

conventional obs Mean forecast &ensemble forecast

Experiment 1 random perturbations in meteorological fields and dust

conventional obs+MODIS AOD 

Mean forecast &ensemble forecast

Experiment2  random perturbations in meteorological fields 

conventional obs+AIRS temperaturespecific humidity

Mean forecast &ensemble forecast

a) Use existing dust product to reduce spin‐up problemMOZART‐4 : output from MOZART (driven by NASA GMAO GEOS‐5 model).

MODIS AODMOZART‐4  AOD 00Z20th

Assimilating MODIS AOD 

b)  Generating initial and time‐dependent boundary condition for dust and other aerosol species by adding random perturbations 

Data assimilation cyclesCycle 6‐hourly for 4 days ( from 20th‐24th) , assimilate conventional and 

MODIS AOD observations

MODIS coverage12Z20th

18Z20th

AOD Prior vs. Observation

00Z24th Model AOD MODIS AOD

Total Spread 

RMSE

Data assimilation cycles

Model Forecast

00Z24th

00Z27th

Control With MODISSea level pressure 

Assimilating AIRS data

• SAL has unique temperature and humiditycomparing to its surrounding area. From another perspective, dust direct effect and part of the indirect effect can be reflected in its unique temperature and humidity distribution. 

• Assimilating AIRS temperature and specific humidity retrieval data

DA Experiments

Experiments Generating ensemble perturbations 

20th – 24thAssimilation

(Cycle every 6 hours)

24th – 29thForecast 

control run random perturbations in meteorological fields 

conventional obs Mean forecast &ensemble forecast

Experiment 1 random perturbations in meteorological fields and dust

conventional obs+MODIS AOD 

Mean forecast &ensemble forecast

Experiment2  random perturbations in meteorological fields

conventional obs+AIRS temperaturespecific humidity

Mean forecast &ensemble forecast

Relative humidity from AIRS

Temperature (oC) from AIRS

00Z 23th 850hPaAssimilating AIRS data

Diagnostics in assimilating AIRS temperature . 

Bias: Post

Bias: Prior

rmse: Prior

rmse: Post

Temperature RMSE and Bias

From Aug. 20th to Aug.24th , assimilating conventional observation and AIRS temperature, specific humidity observation together

Sea level pressure.  00Z 24th,August

Control  With AIRS

Analysis difference –sea level pressure

r2

Slide 15

r2 storm weak

daniel stronger

cyclone on the northrichard, 5/10/2014

After the data assimilation, two forecasts have been made, from 24th to 29th , August.a) Control: from the initial condition which comes from assimilating 

conventional observation alone. b) AIRS: from the initial condition which comes from assimilating ARIS data 

and conventional observation together.Hurricane  track

mean track (No AIRS )

Best track AIRS mean track

Ensemble track (no AIRS)

AIRS ensemble track

Model Forecast

minimum sea level pressure

With airs

maximum wind speed 

Best trackAIRS

AIRS

Best track

Control

Control

Data assimilation can improve the representation of  thermal properties of SAL, which in turn can reduce forecast errors of Hurricane Earl significantly. 

Model Forecast

Summary

(1) Including dust through assimilating MODIS AOD influence hurricane Earl (2010) development in this case. However,  the forecast has not been improved in terms of its track and the large scale environment.

(2) The thermal property of SAL can be well represented by assimilating AIRS observations. The subsequent forecasting of Hurricane Earl was improved.

(3) Dust direct effect alone may not be enough to represent SAL thermal properties. 

Future Works 

(1) Considering dust indirect effect by employing different chemistry schemes such as MOSAIC, which includes interactions between aerosols and microphysics processes. 

(2) Assimilating MODIS AOD on top of conventional observations and AIRS retrievals to assess the added value of MODIS AOD. 

Thank you!