雷达-雨量计-粒子激光探测仪联合估算降水量

为了提高区域降水量观测的空间分辨率, 提出了雷达-雨量计-粒子激光探测仪联合校准法。首先, 利用粒子激光探测仪观测到的滴谱资料建立实时的Z-I关系, 然后, 利用变分法对同时有雷达回波和雨量计资料的点的实测校准因子进行校准, 获得最优校准因子分析场, 最后, 对有雨量计的点取雨量计实际观测值, 没有雨量计的点利用最优校准因子分析场估算降水。利用此方法对辽宁省2007年5月15日一次天气过程进行降水量估算, 结果表明: 雷达-雨量计-粒子激光探测仪联合校准法结合了雨量站观测资料单点精度高和雷达资料时空分辨率高的优点, 提高了降水量的估算精度, 更好地反映了降水的空间分布。     

沂沭河流域不同多普勒雷达降水量估算方法的效果评估

利用2005年和2006年九次大型降雨过程的多普勒雷达体扫复合仰角的回波强度资料及相应的雨量计观测资料, 通过改进的最佳窗概率配对法、 遗传算法和最优化法分别得到沂沭河流域多普勒雷达降水Z－R关系, 对不同算法的优化结果和降水误差进行比较分析及验证, 并将最优的Z－R关系用于估算区域降水量。同时利用雨量计资料采用卡尔曼滤波、 变分等6种估测方法进行面雨量估算的校正, 并对上述几种方法的估测精度进行比较分析。结果表明: 将地面雨量计观测值作为真值, 在站点降水的估测上, 卡尔曼最优插值法和卡尔曼变分法估测的降水量计算精度最高, 最优插值法和变分法次之, 卡尔曼滤波法和平均校准法的计算精度要低于最优插值和变分法, Z－R关系法的精度最低。在区域面降水量的估测上, 雷达探测到的降水量的分布形势与雨量计得到的降水场比较一致, 但中心的降水强度上有较大的偏差。Z－R关系法的平均相对误差为70.51%。经过雷达雨量计联合校正后, 使估算精度明显提高, 其中卡尔曼最优法计算精度最高。平均校准法、卡尔曼滤波法、最优插值法、变分法、卡尔曼最优法和卡尔曼变分法的平均相对误差分别为: 16.55%、16.27%、13.44%、13.86%、13.16%、13.51%。     

卡尔曼滤波法在西峰雷达估测降水中的应用

应用卡尔曼滤波校准法,利用地面自动雨量计的降水量值,对庆阳市2007年7月和9月2次降水过程中的2个雨量较明显时段的雷达估测值进行了校准分析,并与雨量计测量的雨量值进行了误差比较分析。结果显示：混合降水过程的校准效果要优于均匀降水过程。校准后,混合降水过程的相对误差从166.4%下降到了7.6%,均匀降水过程的相对误差从284.3%下降到了56.9%。由此可以看出卡尔曼滤波校准法能有效消除雷达估测降水过程中的各种随机噪声,并能提高雷达定量估算区域降水量的精度,同时还较好地保留了雷达探测降水的精细结构。     

雷达-雨量计联合估测降水初值场形成方法探讨

在雷达-雨量计联合估测区域降水量中,参加校准的雷达初值场代表性好坏在很大程度上影响了最终的估测精度和雨量分布.作者从参加校准的雷达初值场的基本要求出发,分析了先前几种预处理方法的优缺点,提出一种新的资料预处理方法--时间权重平均法,并用1996～1997年的雷达和地面雨量站实测资料进行了分析.结果表明:该方法充分考虑了雷达和雨量计观测的时间一致性,能够在一定程度上改善雷达估测降水的初值场,提高了估测区域降水量的精度.     

基于分步校准的区域降水量估测方法研究

在对国内外雷达定量估测区域降水量一些方法进行回顾的基础上, 介绍了卡尔曼滤波校准和最优插值校准的基本原理, 提出了综合利用两种校准方法优点的分步校准法进行区域降水量估测, 并用2003年淮河流域暴雨过程的雷达和雨量计资料对以上的三种方法进行评估。评估结果表明: 分步校准法无论在估测的精度还是稳定度上都优于其它两种方法。     

雷达与雨量计联合估测降水的相关性分析

在对比分析质量控制前后雷达估测降水量与自动雨量计降水量之间相关性的基础上,采用雷达-雨量计联合校准方法,对14种不同密度雨量计校准雷达估测降水的效果进行分析。结果表明:在使用雷达资料和雨量计资料前有必要对资料的质量进行分析与控制。联合雨量计校准雷达能明显提高雷达对降水的估测能力;采用不同密度雨量计校准雷达,随着校准雨量计密度的加大,雷达估测降水的精度不断提高并趋于稳定。校准雷达的效果及所需雨量计密度与降水类型有关,当校准效果相同时,积云强降水过程需要的雨量计密度最大,积混对流性降水过程次之,层云稳定性降水过程需要的雨量计密度最小。不同方法的校准效果不同,卡尔曼滤波方法适合于对稳定性降水的校准,或在雨量计密度低的地区对雷达进行校准;变分校准法和最优插值法的校准效果相当,适合对积混对流性降水的校准,或在雨量计密度高的地区对雷达进行校准。     

平均订正因子法校准天气雷达测定区域降水量的试验

本文在平均校准法的基础上,提出了校准天气雷达测定区域降水量的另一种方法——平均订正因子法,并用该方法校准雷达测定了四次局地雷暴雨天气的区域降水量。经与同时次雨量计网测得的雨量相比较,其相对误差由未校准时的50％～165％下降到30％～44％,比平均校准法减小了2％～15％。这表明,用平均订正因子法校准天气雷达测定降水是有效的,对于上述类型降水,其校准精度高于平均校准法。     

雷达回波强度拼图的定量估测降水及其效果检验

为了得到精度更高的高时空分辨率格点定量估测降水量，需要将雷达资料和雨量计降水量资料进行有效的综合利用。利用广东6部多普勒雷达的回波强度拼图资料和稠密的自动雨量计降水强度观测资料，采用概率密度法建立Z-R关系进行雷达降水估计，并采用客观订正方法利用雨量计资料对雷达降水估计进行校准。交叉检验表明：利用雨量计对雷达降水估计进行客观方法订正可以取得比单纯用雨量计资料进行OI插值好的效果。OI雷达订正法较优。     

双偏振雷达评估IMERG对不同类型降水的观测精度

采用地面雨量计校准后的南京信息工程大学 (Nanjing University of Information Science & Technology, NUIST) C波段双偏振 (C band Dual Polarization Radar, NUIST CDP) 雷达降水估测数据，研究全球降水观测 (Global Precipitation Measurement, GPM) 计划多星融合降水产品 (Integrated Multi satellite Retrievals for GPM, IMERG) 对苏皖地区梅雨、台风和飑线等不同类型降水观测精度，结果表明，①梅雨降水过程中，IMERG的累计降水量整体大于NUIST CDP的累计降水量；②台风降水过程中，IMERG一定程度上低估了累计降水量较大时的降水结果；③IMERG不能很好地观测到飑线降水的空间结构，几乎没有观测到这次降水过程中的强降水区域。     

多部雷达联合估算淮河流域降水

以淮河流域内6部CINRAD雷达基数据资料以及高密度自动雨量站观测资料为源,在应用多种方法进行降水估算和校准,并采用主成分集成方法进行集成应用的基础上,采用"先估算降水再拼图"和"重叠区域选取最大值"的方法来进行整个流域的降水估算结果拼图,从而实现了整个淮河流域的降水估算。从2007年7月初降水过程应用结果来看,经过校准以后估算误差在45%以下,并且能够反映出缺少地面雨量观测站的区域的降水分布,是一种切实可行的淮河流域降水估算的方法。     

闽中北前汛期多普勒雷达定量估测降水分析

使用2002、2003年福建中北部27个气象站5—6月自记雨量资料及相应的雷达体扫资料，通过用最优化法统计得出不同区域的Z-I关系，并将统计结果用于2005年5—6月的降水估测。同时利用实时雨量资料采用卡尔曼最优（卡尔曼滤波＋最优插值）、变分等估测方法对2005年几次混合型降水过程进行实时雨量校正，用福建北部武夷山九曲溪流域雨量计检验校正后的雨量值，并对上述几种方法的测量精度进行比较、分析。结果表明：卡尔曼最优、变分法及100km距离范围内的最优化法的过程平均相对误差小于25％，100km距离范围以外最优化法的过程平均相对误差明显增大，Z=300I^1,4估测的误差最大。     

HBFNEnKF混合同化方法设计及检验

基于前后张驰逼近（Back and Forth Nudging,简称BFN）和集合卡尔曼滤波（EnKF）方法,构建了一种新的同化方法HBFNEnKF（Hybrid Back and Forth Nudging EnKF）混合同化方法,并将此同化系统分别与通道浅水模式（shallow water model）和全球浅水模式对接,检验了HBFNEnKF同化方法的有效性。同时,对比了集合均方根滤波（EnSRF）、HNEnKF (Hybrid Nudging EnKF)、HBFNEnKF三种方法在有误差模式中的同化效果。试验结果表明:HBFNEnKF同化方法保留了HNEnKF方法的同化连续性,解决了EnKF同化不连续不平滑的问题,同时还有着更快的收敛速度;当采用单变量分析试验时,HBFNEnKF方法的优势最为明显,表明HBFNEnKF能够较好地保持不同模式变量间的平衡。此外,增量场尺度分析结果表明:相比EnSRF,HBFNEnKF在大尺度范围有更好的同化效果,同时能够避免在中小尺度范围内出现大量的虚假增量。     

用一种新的同化方法同化降水量资料

Observations of accumulated precipitation are extremely valuable for effectively improving rainfall analysis and forecast. It is, however, difficult to use such observations directly through sequential assimilation methods, such as three-dimensional variational data assimilation or an Ensemble Kalman Filter. In this study, the authors illustrate a new approach that makes effective use of precipitation data to improve rainfall forecast. The new method directly obtains an optimal solution in a reduced space by fitting observations with historical time series generated by the model; it also avoids the implementation of tangent linear model and its adjoint. A lot of historical samples are produced as the ensemble of precipitation observations with the fully nonlinear forecast model. The results show that the new approach is capable of extracting information from precipitation observations to improve the analysis and forecast. This method provides comparable performance with the standard four- dimensional variational data assimilation at a much lower computational cost.     

基于频率匹配法的中国降水多模式预报订正研究

基于TIGGE资料中欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心及英国气象局1～7 d日降水量预报以及中国自动站观测资料与CMORPH降水产品融合的逐时降水量网格数据集,利用频率匹配法(Frequency-Matching Method,FMM)对中国降水预报进行客观订正。首先利用卡尔曼滤波方法对降水频率进行调整,并根据不同区域降水强度差异将全国分为7个子区域分别进行频率匹配。结果表明,FMM可以有效减小降水量预报的误差。经过频率匹配法订正后各模式降水预报的平均绝对误差(Mean Absolute Error,MAE)大幅减小,且订正后各量级降水的雨区面积更加接近实际观测值。FMM对小于5 mm和大于15 mm的降水预报技巧改进明显。此外,FMM降低了模式预报的小雨空报率和大雨漏报率,并且明显提高了晴雨预报的准确率。FMM明显消除了大范围小雨空报区域,但是对强降水预报FMM仅能调整降水量大小,强降水落区预报并不能得到明显改善。     

雷达估测降水集成方法及其效果比较

本文利用主特征提取法、统计权重法、综合概率法等方法，对Z-R关系法、平均校准法、最优插值法、卡尔曼滤波和最优插值联合校准法、卡尔曼滤波校准法降水定量估测模式输出结果进行集成分析。初步结果表明：统计权重法的集成结果与实况地面雨量计测得雨强值吻合较好．可以在估测区域降水量集成分析中进行业务试用。     

基于非线性滤波的风廓线雷达数据处理

针对实际工程中风廓线雷达风向、风速随高度分布取值的非线性特性以及非气象干扰因素,基于非线性化方法——扩展卡尔曼滤波法,对风廓线雷达探测数据进行滤波处理.先利用泰勒展开式的一次项对非线性方程作线性化处理,再结合经典的卡尔曼滤波进行滤波估计,将非线性滤波问题转化为一个近似的线性滤波问题.仿真实验结果表明,该方法可以有效去除风场数据中掺杂的噪声干扰,很好地发挥了其非线性特性,滤波效果优于传统的卡尔曼滤波,具有一定的工程应用前景.     

适应性观测与集合变换卡尔曼滤波方法介绍

给出适应性观测理论和集合变换卡尔曼滤波方法及其研究现状的综述。重点介绍了集合变换卡尔曼滤波方法及其相关的一些问题。在数值预报领域,一种新的途径是利用数值预报系统信息在预报时效内确定出某些区域,如果在这些区域进行补充观测,可以最有效地改进预报技能。这种方法被称为适应性或目标观测,所确定的观测区域称为敏感区,敏感区内增加观测后分析质量将得到改善,对后续的预报技能可产生最大的预期影响。目前适应性观测研究已经成为世界气象组织(WMO)组织的THORPEX计划的一个子计划。集合变换卡尔曼滤波(The Ensemble Transform Kalman Filer,简称ETKF)是一种次优的卡尔曼滤波方案,最早是作为一种适应性观测算法提出的,现在还被用于集合预报初始扰动的生成。ETKF方法不仅可以同化观测资料,而且可以估计出观测对预报误差的影响。它与其它集合卡尔曼滤波方案不同之处在于:ETKF利用集合变换和无量纲化的思想求解与观测有关的误差协方差矩阵,可以快速估计出不同附加观测造成的预报误差协方差的减少量,预报误差减少最多的一组观测所对应的区域就是所寻找的敏感区。