ɳ�ӵ���̨���ȶԱȹ۲����

??????????????????????????????????????????????????????????????????????????????????????????????????????仯??????????￡????????????????0.007 5?棬????????仯????????????????????????????????????????????????????????????????????????????????г????????????????????????????????????????     

测风塔风速的长程持续性特征研究

基于中国陆上风能资源专业观测网提供的测风塔风速资料,本文利用去趋势波动分析(Detrended Fluctuation Analysis, DFA)方法,研究了103座测风塔在不同高度处观测的、不同分辨率的风速时间序列的长程持续性特征。结果表明：(1)同一测风塔观测的不同高度处的风速时间序列,存在一致的标度行为,与数据时间分辨率无关;(2)对于6 h平均风速序列而言,103座测风塔观测风速的DFA指数α数值范围基本在0.55～0.91之间,都表现出较强的长程持续性,区域特征不明显;(3)对于10 min平均风速序列,DFA标度指数曲线存在弯折,以24 h尺度为界,呈现出2个明显的独立标度区间：在较大的时间尺度上,标度指数α的数值大小为0.80,而在较小的时间尺度上,α的数值大小约为1.38。     

淮河流域极值降雨频率估计时空分布一致性检验和纠正

由于地面雨量站点空间不均及站点资料长度有限、相邻时段和相邻一致区的最优分布函数选择不同,造成降雨频率估计值出现交叉和空间不连续的现象,时空不一致的问题尚没有得到合理的解决。为了获取更加完善合理、时空一致的频率估计值,利用水文气象分区线性矩法计算出的频率估计值,通过误差分摊和二次空间插值及平滑技术对时空分布一致性进行检验和纠正,消除分布曲线的交叉和边界梯度的问题。研究结果表明:通过误差分摊纠正后,消除了交叉异常曲线,各个时段的频率估计值相互制约更加合理;通过空间二次插值纠正后,边界梯度和误差得到明显改善,各站点的频率估计值的经验频率与理论概率更接近,空间分布也更合理。多时段不同重现期下的频率估计值空间分布总体趋势一致,最大值主要分布在淮河流域的东北沂蒙山区,最小值分布在流域的北部平原地区,与站点的实际观测相一致,可为工程设计暴雨和洪水提供基础资料和重要水文依据。     

基于TRMM/PR的长江下游地基雷达一致性订正

我国有近200部地基多普勒天气雷达,已经积累了近20年的观测数据,这些数据对雷达气候学研究非常重要。但由于不同雷达的标定误差不同,雷达之间存在观测值不一致性的现象（与美国的地基雷达类似）,有的反射率因子差异超过了3 dB。这种不一致影响了多雷达联合降水估计的精度和雷达组网临近预报的效果。为此,采用筛选比较法对地基雷达与TRMM/PR（Tropical Rainfall Measuring Mission/Precipitation Radar）进行空间匹配和异常数据剔除,以TRMM/PR为参照计算并订正地基雷达偏差。对2013年5—9月长江下游7部S波段雷达数据订正后,结果表明:订正后7部雷达之间的平均反射率因子差异从1.8 dB降至0.5 dB,任意两部雷达之间的差异均小于1.0 dB,多雷达的观测一致性和空间连续性有明显改善。与传统的几何匹配法比较,筛选比较法订正结果相对稳定,不存在过量订正的问题。     

安徽省不同等级雾和重度霾时空分布特征及地面气象条件比较

雾和霾都是低能见度天气,生成条件相似。利用安徽78个地面站逐时观测资料,基于雾、霾发生物理条件,建立了不同等级雾日和重度霾日的观测诊断方法,重建了不同等级雾和重度霾的时序资料。根据各站强浓雾发生的同步性,将安徽分为5个雾、霾分布特征不同的区域,探讨了各区域不同等级雾及重度霾出现时地面气象条件的异同。结果表明:（1）安徽省强浓雾主要是辐射雾。强浓雾、浓雾和大雾空间分布形势大体一致,淮河以北东、西部和江南都属于强浓雾高发区,但各地强浓雾的时、空分布特征和影响系统不同;重度霾有明显的北多、南少、山区最少的分布特征。（2）强浓雾年变化呈双峰型分布,峰值在1月和4月,日变化为单峰型,峰值在06时;而重度霾年变化为单峰型,峰值在1月,日变化为双峰型。（3）在强浓雾的高发时段（02—08时）,强浓雾时降温幅度最大,比重度霾平均高1℃,风速显著偏低,超过75%的样本风速低于1.5 m/s,且无明显主导风向;而重度霾时,风速比雾时明显要大,个别区域有超过75%的样本风速大于1.5 m/s,且以西北风到东北风为主。说明重度霾能否演变为强浓雾的关键地面气象因子是风速、风向和降温幅度。      

济南双偏振多普勒天气雷达在线自动标定数据质量分析评估

阐述了CINRAD/SA-D双偏振多普勒天气雷达（简称“双偏振雷达”）标定技术,统计分析了济南双偏振雷达试运行以来在线自动标定数据和该时间段内的维护维修情况,从雷达几十个标定状态性能参数中,遴选对雷达探测数据质量影响最大的发射峰值功率Pt、相位噪声σφ、噪声系数NF、反射率标定系数SYSCAL、差分反射率因子ZDR、差分传播相移ΦDP等性能参数,分析评估在线自动标定数据质量。结果表明：1）峰值功率维持在679.68 kW,H（水平）和V（垂直）双通道的峰值功率长期运行吻合一致性较好。2）H和V双通道噪声系数均值分别维持在1.66 dB和1.73 dB,双通道数据总体分布稳定,且具有较好的一致性;标定数据的异常来源于外界干扰,占0.39%,受外界干扰H通道多于V通道,干扰造成接收机灵敏度降低了1.5 dB,导致雷达产品异常。3）反射率标定ΔSYSCAL最小值为-0.46 dB,最大值为0.25 dB,满足±2 dB的技术指标要求。4）I/Q相角法标定相位噪声均值为0.051 3°,实物对消能力60 dB与估测地物杂波抑制能力61.36 dB结果基本吻合,证实了雷达系统具有较好的地物杂波抑制能力。5）采用机内CW、TS双信号源标定法,接收双通道幅度和相位的标准差：ZDR-CW和ΦDP-CW分别为0.025 dB和0.735,ZDR-TS和ΦDP-TS分别为0.044 dB和1.116°,满足接收双通道一致性的技术指标,但CW信号标定结果明显小于TS信号标定结果,表明双路方位旋转关节对接收链路信号幅度和相位的一致性有影响,导致ZDR-TS和ΦDP-TS标定结果比ZDR-CW和ΦDP-CW出现更大的偏差,因此随着双偏振雷达的长期运行,对方位旋转关节带来的幅度和相位固有偏差进行测试和订正非常重要。     

人工与自动土壤水分平行观测资料对比分析

采用对比差值、差值概率和相关分析等方法对南城2005年9月8日至2007年1月28日期间HYA-SF型土壤水分自动监测站与人工平行对比观测的土壤湿度资料进行统计和一致性分析。结果表明,人工与自动观测资料的一致性在40 cm、50 cm土层表现最好,在5 cm、10 cm土层表现相对最差;总体上自动观测值高于人工观测值,二者数据差异在少雨或干旱季节常小于多雨季节;对比观测时段内人工与自动观测数据序列的相关性在各层均表现为显著,多项式回归趋势基本能反应土壤含水量的变化趋势。分析结果可为评估HYA-SF型土壤水分自动站的监测能力提供客观依据。     

基于空间一致性的双套站数据选取方法探索

国家级台站自动气象站双套运行后,将双套站产生的多套数据处理为一套数据的算法成为双套站投入业务运行前必须解决的重要问题。文章从数据"热备份"角度提出了基于空间一致性的主备法,在此基础上进一步从统计学基本原理以及保证数据连续角度提出了基于空间一致性的差值订正合成法两种数据处理算法。利用安徽省休宁站逐小时气温资料对两种算法结果的完整性和差异性进行了评估,评估使用的方法包括缺测率、差值均值、差值标准差、差值的一致率、超差率和粗差率等。评估结果表明:算法均能很好地保证数据的完整性;算法结果均与"真值"较为接近,基本能够反映大气真实情况,基于差值订正的"合成法"结果更优。最后利用新疆库车、安徽安庆等5个台站资料对算法涉及到的空间一致性方法进行了评估,结果表明该方法总体效果较好,尤其在相对湿度、气压和气温上具有很好的判别效果,而风速可能受局地地形或参考站选取影响效果略差。     

2019年辽宁及内蒙古冻土自动观测及其分钟数据的时间一致性检测

在辽宁省喀左站、辽阳站和内蒙古满洲里站统一安装5种型号冻土自动观测仪进行外场试验,采集2019年3—6月逐分钟冻土数据,采用纵横极值集合法,对采样数据进行时间一致性质量控制,与3站的人工定时数据进行对比分析。根据同期人工观测数据,判断冻土自动观测异常可疑数据和异常数据阈值,分别为5 cm和11 cm,据此开展验证。结果表明：冻土自动观测仪分钟数据完整率为99.59%;冻土自动观测仪平均冻土层数与人工观测基本一致,符合冻土业务数据分布特性;5种类型冻土自动观测仪均能较好地反映不同气候区域的冻土的分钟数据变化,冻土自动观测分钟数据质量控制阈值合理可靠。     

Comparison of Winter Precipitation Measurements by Six Tretyakov Gauges at the Valdai Experimental Site

Analyses of long-term (1991–2010) intercomparison data quantify the consistency of winter precipitation observations by six identical Tretyakov gauges at the Valdai research station in Russia. Relative to the standard Tretyakov gauge, the mean catch ratios are 97 to 106% for dry snow, 94 to 104% for wet snow, 87 to 109% for blowing snow, 96 to 103% for mixed precipitation, and 98 to 101% for winter rain. The differences between the highest and lowest mean catches are about 10 to 11% for snow, 7% for mixed precipitation, and 3% for rain. On average, this difference is about 0.2?mm over the 12-hour observation period. The catch difference for blowing snow is much higher, up to 22%, or an average of 0.6?mm per observation. Comparisons of 12-hour observations show better consistency in gauge performance for low snowfall events and a large variation in gauge catch for high snowfall events. The differences in 12-hour snow catches are mostly less than 2?mm among the six gauges. The differences in the 12-hour observations are less than 1% for rain and 4% for mixed precipitation. Close linear relationships exist between the 12-hour gauge observations for all precipitation types. The maximum differences in gauge snow catches increase very weakly with wind speed, and higher differences are associated with warmer temperatures, from ?5°C to 0°C. There is, however, no significant relationship between the maximum catch difference and the mean wind speed or temperature over the 12-hour period.