雷達(dá)資料同化方法：回顧與前瞻

孫娟珍陳明軒范水勇

（1 美國(guó)國(guó)家大氣研究中心，博爾德，CO 80307；2 中國(guó)氣象局北京城市氣象研究所，北京 100089）

雷達(dá)資料同化方法：回顧與前瞻

孫娟珍1，2陳明軒2范水勇2

（1 美國(guó)國(guó)家大氣研究中心，博爾德，CO 80307；2 中國(guó)氣象局北京城市氣象研究所，北京 100089）

自20年前第一個(gè)業(yè)務(wù)天氣雷達(dá)觀測(cè)網(wǎng)在美國(guó)建立以后，氣象界在多普勒天氣雷達(dá)資料同化方面的研究和應(yīng)用已取得了顯著成果。中國(guó)在21世紀(jì)初也完成了一個(gè)覆蓋大多數(shù)地區(qū)的多普勒天氣雷達(dá)觀測(cè)網(wǎng)，在實(shí)時(shí)監(jiān)測(cè)及預(yù)警對(duì)流天氣、降水及臺(tái)風(fēng)等方面起到了重要作用。但是，中國(guó)在同化雷達(dá)資料以改進(jìn)細(xì)網(wǎng)格數(shù)值模式的初始化精度方面的研究及應(yīng)用仍然處在起步階段。對(duì)數(shù)值模式中同化雷達(dá)資料利用方法的研究和應(yīng)用進(jìn)行了簡(jiǎn)短回顧，也對(duì)未來(lái)該領(lǐng)域研究的重點(diǎn)研究方向提出建議。

雷達(dá)資料，資料同化，對(duì)流天氣，降水

0　引言

雷達(dá)資料在對(duì)流天氣監(jiān)測(cè)和基于外推的雷暴臨近預(yù)報(bào)方面的應(yīng)用已經(jīng)有數(shù)十年的歷史，但是直到近年來(lái)才嘗試應(yīng)用于業(yè)務(wù)數(shù)值預(yù)報(bào)模式。將多普勒天氣雷達(dá)資料同化到數(shù)值模式中以改進(jìn)雷暴預(yù)測(cè)的提議始于1990年，當(dāng)時(shí)美國(guó)正在興建世界上第一個(gè)業(yè)務(wù)多普勒天氣雷達(dá)觀測(cè)網(wǎng)（NEXRAD）。此觀測(cè)網(wǎng)涵蓋整個(gè)美國(guó)大陸，提供對(duì)流天氣的實(shí)時(shí)觀測(cè)，為未來(lái)改進(jìn)災(zāi)害天氣的預(yù)報(bào)預(yù)警帶來(lái)了新希望。Lilly[1]發(fā)表了以“Numerical prediction of thunderstorms-has its time come?”（雷暴數(shù)值預(yù)報(bào)：現(xiàn)在是時(shí)候了嗎？）為題目的論文，從幾個(gè)方面闡述了未來(lái)數(shù)值預(yù)報(bào)的新方向“對(duì)流尺度數(shù)值預(yù)報(bào)”的可行性以及面臨的挑戰(zhàn)。除了雷達(dá)觀測(cè)網(wǎng)為此目標(biāo)提供了必要條件，他還指出快速增長(zhǎng)的計(jì)算機(jī)速度、云尺度數(shù)值模擬技術(shù)的進(jìn)步，以及先進(jìn)資料同化方法的開(kāi)創(chuàng)都為對(duì)流尺度數(shù)值預(yù)報(bào)的實(shí)現(xiàn)和應(yīng)用提供了可能性。

自20世紀(jì)50年代基于計(jì)算機(jī)的數(shù)值天氣預(yù)報(bào)誕生以來(lái)，數(shù)值天氣預(yù)報(bào)主要應(yīng)用于預(yù)報(bào)大尺度天氣形勢(shì)，而降水預(yù)報(bào)仍需依賴于預(yù)報(bào)員的經(jīng)驗(yàn)。雖然隨著數(shù)值模式的不斷改進(jìn)和模式分辨率的不斷提高，數(shù)值模式降水預(yù)報(bào)的參考價(jià)值也不斷提升，但對(duì)于對(duì)流降水的定時(shí)、定量、定點(diǎn)預(yù)報(bào)仍然差距很遠(yuǎn)。傳統(tǒng)的數(shù)值預(yù)報(bào)模式的初始條件分析場(chǎng)是基于大尺度觀測(cè)網(wǎng)得到的，中小尺度環(huán)流和其產(chǎn)生的降水的模擬必須經(jīng)過(guò)模式自身的“Spin-up”調(diào)整。如果這些中小尺度環(huán)流及降水能夠存在于模式初始條件中，它們的短期預(yù)報(bào)精度就有可能提高。所以能否成功的同化中小尺度觀測(cè)資料（如雷達(dá)資料），是未來(lái)對(duì)流尺度數(shù)值預(yù)報(bào)的關(guān)鍵。

雷達(dá)資料雖然具有高時(shí)空分辨率，能夠及時(shí)監(jiān)測(cè)雷暴的發(fā)生及位置，但將其定量的應(yīng)用于數(shù)值預(yù)報(bào)，卻存在很多的挑戰(zhàn)。第一，多普勒雷達(dá)觀測(cè)的徑向速度和反射率因子都不是模式常規(guī)量，不能直接用于模式初始化。因此，成功反演模式所需要的氣象場(chǎng)是同化雷達(dá)資料的一個(gè)很重要的目標(biāo)。第二，雷達(dá)資料的覆蓋區(qū)域有限。以S波段雷達(dá)為例，反射率因子一般只有230km的有效覆蓋半徑，徑向速度只有165km的有效覆蓋半徑。雖然目前世界上美國(guó)和中國(guó)兩個(gè)最大的天氣雷達(dá)網(wǎng)，都各有超過(guò)150部雷達(dá)，但卻均不能達(dá)到全面的覆蓋，尤其是徑向速度場(chǎng)。第三，雷達(dá)資料量大并且有很多質(zhì)量控制方面的難點(diǎn)，需要準(zhǔn)確、高效率的預(yù)處理和質(zhì)量控制專業(yè)軟件。第四，雷達(dá)觀測(cè)反映的是對(duì)流尺度現(xiàn)象，受對(duì)流尺度動(dòng)力規(guī)律支配，與其他類型天氣尺度的大氣觀測(cè)資料有很大的不同，在同化中怎樣同時(shí)保證不同尺度的匹配與平衡，是成功同化雷達(dá)資料的一個(gè)重要挑戰(zhàn)。

自Lilly的論文[1]發(fā)表開(kāi)始，國(guó)際上展開(kāi)了許多研究，致力于解決雷達(dá)資料同化各方面的挑戰(zhàn)，開(kāi)發(fā)雷達(dá)資料同化的技術(shù)和系統(tǒng)，并且已取得了非凡的成果[2-9]。中國(guó)自1998年開(kāi)始建立的全國(guó)范圍的雷達(dá)觀測(cè)網(wǎng)，也促進(jìn)了雷達(dá)資料同化及對(duì)流天氣短臨預(yù)報(bào)的研究和技術(shù)開(kāi)發(fā)[10-13]。本文對(duì)國(guó)際、國(guó)內(nèi)雷達(dá)資料同化的進(jìn)展做一個(gè)綜合性回顧，并對(duì)未來(lái)的發(fā)展所面臨的挑戰(zhàn)闡述我們的觀點(diǎn)。

1　雷達(dá)資料同化進(jìn)展的回顧

1.1 天氣雷達(dá)資料反演分析

雖然多普勒天氣雷達(dá)能夠觀測(cè)到高解析度的風(fēng)場(chǎng)，但此風(fēng)場(chǎng)只是徑向速度場(chǎng)，傳統(tǒng)方法是靠雙雷達(dá)才能得到水平風(fēng)場(chǎng)。但業(yè)務(wù)雷達(dá)網(wǎng)幾乎很少有雙雷達(dá)覆蓋，那么，僅靠單雷達(dá)是否能夠反演水平風(fēng)場(chǎng)？在嘗試?yán)走_(dá)資料同化的初期，很多的研究致力于開(kāi)發(fā)單雷達(dá)的風(fēng)場(chǎng)反演方法。這些方法從簡(jiǎn)單的反射率因子軌跡跟蹤[14]，到使用反射率守恒方程（只適用于晴空回波）的變分方法及移動(dòng)坐標(biāo)方法[15-17]，到更加復(fù)雜的四維變分同化方法（4DVar）[2,18]。這些研究都表明了從單雷達(dá)反演水平風(fēng)場(chǎng)的潛力和可行性。其中，4DVar同化方法[2]因使用一個(gè)邊界層模式做約束，可以同時(shí)反演動(dòng)力平衡的三維風(fēng)場(chǎng)及溫度場(chǎng)，為未來(lái)單雷達(dá)資料同化展示了可行的前景。Sun等[3,19]將此系統(tǒng)中的邊界層“干”模式擴(kuò)展成為一個(gè)“濕”云模式，以致同時(shí)成功獲得三維風(fēng)場(chǎng)、溫度場(chǎng)及微物理場(chǎng)的反演，并將該系統(tǒng)命名為VDRAS（Variational Doppler Radar Analysis System）。

VDRAS實(shí)際上是一個(gè)以三維數(shù)值云模式及其伴隨模式為主體的4DVar同化系統(tǒng)。它的主要特征是使用較小的同化窗（十幾分鐘）同化快速更新的雷達(dá)資料及地面自動(dòng)站資料以得到對(duì)流尺度的三維動(dòng)力和熱動(dòng)力結(jié)構(gòu)，而大尺度環(huán)境特征則由中尺度模式預(yù)報(bào)（比如WRF）提供。以云模式為約束的四維變分同化有能力自動(dòng)反演所有雷達(dá)未觀測(cè)的模式變量，產(chǎn)生快速更新的三維動(dòng)力和熱動(dòng)力結(jié)構(gòu)分析，包括三維風(fēng)、溫度、濕度、微物理變量等，并且能夠進(jìn)一步診斷得到與強(qiáng)對(duì)流天氣生消發(fā)展密切相關(guān)的變量場(chǎng)。在國(guó)際上，VDRAS系統(tǒng)不僅已經(jīng)廣泛應(yīng)用在雷達(dá)資料同化及對(duì)流天氣機(jī)理和預(yù)報(bào)的研究方面[2-3,19-27]，而且自2001年以來(lái)在多地應(yīng)用于實(shí)時(shí)業(yè)務(wù)當(dāng)中[28-30]，為強(qiáng)對(duì)流天氣臨近預(yù)報(bào)提供重要信息。

VDRAS系統(tǒng)自2005年引進(jìn)到北京地區(qū)后，經(jīng)過(guò)一系列的研究和測(cè)試，并且對(duì)VDRAS系統(tǒng)進(jìn)行了進(jìn)一步改進(jìn)[21-22,30-32]。2008年，同化北京和天津兩部新一代天氣雷達(dá)資料的VDRAS系統(tǒng)在北京奧運(yùn)會(huì)和世界氣象組織北京2008預(yù)報(bào)示范項(xiàng)目（B08FDP）期間的強(qiáng)天氣臨近預(yù)報(bào)中得到成功的實(shí)時(shí)示范應(yīng)用，作為強(qiáng)對(duì)流天氣臨近預(yù)報(bào)預(yù)警的輔助工具[32-33]。VDRAS系統(tǒng)每15min左右更新的三維風(fēng)場(chǎng)、溫度場(chǎng)和濕度場(chǎng)幫助預(yù)報(bào)員建立了北京地區(qū)局地突發(fā)強(qiáng)對(duì)流天氣的一些概念模型。圖1—3展示的是一個(gè)VDRAS分析的強(qiáng)對(duì)流個(gè)例。此個(gè)例發(fā)生在 2006年8月1日，是在B08FDP示范項(xiàng)目前的試驗(yàn)階段。圖1是此個(gè)例的對(duì)流演變過(guò)程，由北京雷達(dá)（BJRS）的反射率因子展現(xiàn)。北京時(shí)間15:15，在北京東北地區(qū)可以清楚看到兩條線狀對(duì)流（圖1a）。將近1h后，這兩條對(duì)流線合并為一條很強(qiáng)的對(duì)流帶（圖1c）。在此對(duì)流帶的南部有新的對(duì)流單體生成（圖1d），并在接近北京市區(qū)的西北方發(fā)展成為一條強(qiáng)對(duì)流帶（圖1e—f）。圖2所展示的是VDRAS系統(tǒng)分析（反演）的擾動(dòng)溫度場(chǎng)、輻合/輻散場(chǎng)和水平風(fēng)向量。VDRAS清楚地分析出了從15:15（北京時(shí)）到16:09（北京時(shí)）的強(qiáng)對(duì)流系統(tǒng)由兩個(gè)冷池合并為一個(gè)冷池的過(guò)程。圖2星號(hào)處為圖1d新生對(duì)流的地點(diǎn)，此新生對(duì)流產(chǎn)生在接近冷暖交接處的暖舌區(qū)。在此暖舌附近，由西北冷池的出流和暖區(qū)的東南風(fēng)造成了很強(qiáng)的低層輻合以及很大的溫度梯度，觸發(fā)出北京市區(qū)西南部的強(qiáng)對(duì)流帶（圖1e—f）。圖3所示為此對(duì)流帶的垂直速度場(chǎng)和1h后的35dBz以上雷達(dá)反射率因子所指示的風(fēng)暴位置（黑線條）。兩者很好地吻合，表明垂直速度場(chǎng)對(duì)風(fēng)暴的發(fā)生具有預(yù)警作用。

圖1　北京雷達(dá)反射率因子指示的發(fā)生在2006年8月1日的雷暴個(gè)例隨時(shí)間的演變（所標(biāo)時(shí)間為北京時(shí)，圖1a中給出北京各行政區(qū)的地圖［30］）Fig. 1 Evolution of the storm case occurred on 1 August 2006 according to the radar reflectivity from the Beijing S-band radar. The map of districts in Beijing is shown in Fig.1a［30］

最近，通過(guò)對(duì)VDRAS系統(tǒng)的進(jìn)一步改進(jìn)和優(yōu)化，已經(jīng)形成了一個(gè)完全適合于幫助北京地區(qū)預(yù)報(bào)員進(jìn)行局地突發(fā)強(qiáng)對(duì)流天氣臨近預(yù)報(bào)和預(yù)警業(yè)務(wù)的對(duì)流尺度三維特征快速更新分析系統(tǒng)。系統(tǒng)同時(shí)對(duì)京津冀區(qū)域7部新一代天氣雷達(dá)徑向速度和反射率因子資料進(jìn)行快速更新4DVar同化，并融合區(qū)域近1000個(gè)5min自動(dòng)站觀測(cè)、雷達(dá)VAD風(fēng)廓線及中尺度數(shù)值模式結(jié)果形成中尺度背景場(chǎng)，可快速分析得到12～18min間隔的低層大氣三維動(dòng)力、熱動(dòng)力和微物理場(chǎng)的精細(xì)結(jié)構(gòu)特征。并且，利用該系統(tǒng)，對(duì)京津冀地區(qū)不同類型對(duì)流風(fēng)暴的動(dòng)力和熱動(dòng)力特征進(jìn)行了成功的對(duì)流尺度數(shù)值模擬分析[34-40]。VDRAS系統(tǒng)已經(jīng)成為目前國(guó)際上多普勒天氣雷達(dá)資料反演分析方面的代表性工具。

圖2　VDRAS分析出的在離地面0.1875km的擾動(dòng)溫度場(chǎng)、水平輻合場(chǎng)（白色曲線）和水平風(fēng)矢量（時(shí)間分別為北京時(shí)2006年8月1日15：15（a）， 15：33（b）， 16：09（c）， 16：30（d）；輻合場(chǎng)的曲線從0.2m·s-1·km-1開(kāi)始，間距為0.5m·s-1·km-1；圖2d中的黑色星號(hào)是在圖1d中的新對(duì)流發(fā)生地點(diǎn)）［30］Fig. 2 Perturbation temperature， horizontal divergence （white contours starting from 0.2 ms-1with an interval of 0.5 ms-1），and horizontal wind vectors at the height of 0.1875km above surface from VDRAS， for 4 different times of 15：15 （a）， 15：33（b）， 16：09 （c） and 16：30 （d） （Beijing Time） respectively on 1 August. The black asterisk in （d） indicates the location of the new initiation in Fig. 1d［30］

總之，VDRAS從初期的一個(gè)單雷達(dá)反演系統(tǒng)，已經(jīng)逐漸擴(kuò)充成為一個(gè)以中尺度模式為背景，可以同時(shí)同化多部雷達(dá)和地面稠密觀測(cè)資料，并具有臨近預(yù)報(bào)能力的分析和預(yù)報(bào)系統(tǒng)。最近幾年來(lái)，在VDRAS的云模式中加入了考慮冰相的微物理過(guò)程，考慮復(fù)雜地形效應(yīng)的模擬方案也正在開(kāi)發(fā)之中。另一方面，正在進(jìn)行的研究是在VDRAS中加入閃電資料的同化。這些新的研究開(kāi)發(fā)有助于提高VDRAS在強(qiáng)對(duì)流天氣臨近預(yù)報(bào)方面的能力。

1.2以“熱啟動(dòng)”為目標(biāo)的反射率因子同化方法

雖然單雷達(dá)反演的成功為在業(yè)務(wù)中深入使用雷達(dá)資料奠定了基礎(chǔ)，但要將雷達(dá)資料成功應(yīng)用于業(yè)務(wù)數(shù)值預(yù)報(bào)模式中還存在很多實(shí)用上的難度。盡管同時(shí)同化雷達(dá)徑向速度和反射率因子是最有利于對(duì)流尺度初始化，但因雷達(dá)徑向速度質(zhì)量控制難度較大以及對(duì)同化方法的要求也較高，同化反射率因子通常是許多業(yè)務(wù)系統(tǒng)的首選。 另一方面，業(yè)務(wù)預(yù)報(bào)系統(tǒng)在降水預(yù)報(bào)上的一個(gè)首要問(wèn)題是不可避免的“Spin-up”，這使得數(shù)值預(yù)報(bào)前幾個(gè)小時(shí)的降水預(yù)報(bào)無(wú)使用價(jià)值。因雷達(dá)反射率因子能夠?qū)崟r(shí)觀測(cè)到對(duì)流降水的位置和強(qiáng)度，若將其同化在數(shù)值模式初始條件中，也就是所謂的“熱啟動(dòng)”，就有可能會(huì)解決“Spin-up”問(wèn)題。如果只是同化反射率因子（或從其推導(dǎo)出的雨水混合比），在無(wú)動(dòng)力場(chǎng)匹配的情況下，模式預(yù)報(bào)開(kāi)始后，初始場(chǎng)中的雨水會(huì)很快降到地面上。一個(gè)簡(jiǎn)單的動(dòng)力匹配方法就是從雨水混合比推導(dǎo)出氣—水或氣—雪轉(zhuǎn)換時(shí)所釋放的潛熱，再將該潛熱同化到模式中。

圖3　VDRAS分析出的在離地1.6875km高度上的垂直速度場(chǎng)；為了表示垂直速度的預(yù)警作用，1h后的35dBz反射率因子（黑線條）疊加在垂直速度場(chǎng)上（時(shí)間分別為北京時(shí)2006年8月1日16：27（a），16：45（b），17：03（c）和17：21（d））［30］Fig. 3 Vertical velocity from VDRAS at the height of 1.6875km above surface， for 4 different times of 16：27 （a）， 16：45（b）， 17：03 （c）， and 17：21 （d） （Beijing Time） respectively on 1 August 2006. The one-hour-later 35 dBz reflectivity （black contours） is overlaid to show that the role of the vertical velocity in predicting the storm［30］

雖然有多種以“熱啟動(dòng)”為目標(biāo)的同化反射率因子的方法，這里只介紹兩種方法。一種是基于觀測(cè)資料“張弛法（nudging）”的RTFDDA（Real Time Four Dimensional Data Assimilation）系統(tǒng)中的雷達(dá)反射率因子同化方法[41]。另一種是HRRR（High Resolution Rapid Refresh）系統(tǒng)中的DDFI（Diabatic Digital Filter Initialization）方法[5]。在RTFDDA的雷達(dá)反射率因子同化方法中，先將反射率因子轉(zhuǎn)換成雨水混合比，然后基于模式和觀測(cè)的雨水混合比之差推導(dǎo)潛熱，最后將該潛熱作為觀測(cè)以“nudging”的方法同化到模式中。圖4所示是基于RTFDDA初始化的天氣研究預(yù)報(bào)模式（RTFDDA-WRF）3km分辨率降水一個(gè)星期的預(yù)報(bào)評(píng)分，比較有和無(wú)雷達(dá)反射率因子同化的差別?？梢钥闯?，雷達(dá)反射率因子同化明顯地改進(jìn)了前幾小時(shí)的預(yù)報(bào)，但預(yù)報(bào)評(píng)分隨時(shí)間下降得很快，反映出單同化反射率因子雖然產(chǎn)生了“熱啟動(dòng)”，但其效果不能持續(xù)很久。HRRR采用的DDFI方法是在用GSI（Gridpoint Statistical Interpolation）進(jìn)行了大尺度資料同化之后，在預(yù)報(bào)之前的DFI（Digital FilterInitialization）過(guò)程中將有反射率因子推導(dǎo)出來(lái)的潛熱代替模式原本的對(duì)流熱能以達(dá)到熱啟動(dòng)的效果。

圖4　RTFDDA-WRF有（紅線）和無(wú)（藍(lán)線）雷達(dá)資料同化的評(píng)分對(duì)比；評(píng)分統(tǒng)計(jì)是基于一個(gè)星期28次預(yù)報(bào)結(jié)果Fig. 4 Comparison of fractions skill scores between two RTFDDA-WRF forecasts with （red curve） and without （blue curve） radar data assimilation respectively. The statistics are based upon 28 forecasts in that week

1.3同時(shí)同化徑向速度和反射率因子的方法

雷達(dá)徑向速度觀測(cè)含有重要的對(duì)流動(dòng)力特征（比如，與局地對(duì)流突發(fā)密切相關(guān)的低層輻合和上層輻散，與局地強(qiáng)下沉氣流和對(duì)流性大風(fēng)密切相關(guān)的中層輻合，與對(duì)流風(fēng)暴組織、演變、傳播及生命史密切相關(guān)的中低層切變，以及與對(duì)流風(fēng)暴相伴隨的出流和入流等）。那么，怎樣有效地同化雷達(dá)徑向速度觀測(cè)信息以改進(jìn)對(duì)流性降水的預(yù)報(bào)，是很重要的研究課題。雖然 Sun等[2]已經(jīng)展示了4DVar方法可以同化雷達(dá)徑向速度以及反射率因子，對(duì)數(shù)值模式的“強(qiáng)約束”能夠提供多變量之間的相關(guān)，可以獲得動(dòng)力平衡的氣象場(chǎng)，從而提供用于初始化數(shù)值模式。但4DVar同化系統(tǒng)的建立難度很大，特別是對(duì)于復(fù)雜的業(yè)務(wù)預(yù)報(bào)模式，所以直到最近，以中尺度預(yù)報(bào)模式為約束的雷達(dá)4DVar同化系統(tǒng)才得以實(shí)現(xiàn)。因?yàn)槿S變分（3DVar）仍然在業(yè)務(wù)上被廣泛應(yīng)用，怎樣將雷達(dá)資料同化加入業(yè)務(wù)同化模式有很實(shí)際的應(yīng)用價(jià)值。Gao等[4]和Xiao等[7]分別在ADAS（ARPS Data Analysis System）和WRFDA（WRF Data Assimilation）3DVar同化系統(tǒng)中加入了雷達(dá)徑向速度的同化。之后又分別加入了反射率因子的同化方案[42-43]。

雖然在3DVar同化系統(tǒng)中同時(shí)同化徑向速度和反射率因子比只同化反射率因子有一定的優(yōu)勢(shì)，但因?yàn)樵摲椒ㄔ讷@取對(duì)流尺度多變量之間相關(guān)性方面有其局限性，多位作者指出仍然有必要加入基于雷達(dá)反射率的云分析方案。 Hu等[44]發(fā)表的試驗(yàn)結(jié)果表明，以雷達(dá)、地面資料和衛(wèi)星資料結(jié)合的云分析對(duì)有效的啟動(dòng)對(duì)流起著重要作用。Wang等[45]發(fā)現(xiàn)在云內(nèi)反射率因子高于設(shè)定預(yù)值以上強(qiáng)迫空氣飽和并將其放在價(jià)函數(shù)中同化，可以減少?gòu)?qiáng)降水的“Spin-up”時(shí)間。在國(guó)內(nèi)，許多學(xué)者也開(kāi)展了基于云分析和3DVar的雷達(dá)資料同化技術(shù)研究和試驗(yàn)，目標(biāo)是提升暴雨和強(qiáng)對(duì)流等的數(shù)值預(yù)報(bào)能力，結(jié)果表明，同化我國(guó)的新一代天氣雷達(dá)資料在提升對(duì)流尺度數(shù)值預(yù)報(bào)水平方面具有廣闊的應(yīng)用前景[10,12-13,46-50]?；?DVar的雷達(dá)資料同化因其簡(jiǎn)單快速，已經(jīng)被廣泛應(yīng)用于業(yè)務(wù)。在基于WRF模式的華北區(qū)域高分辨率快速更新循環(huán)業(yè)務(wù)數(shù)值預(yù)報(bào)系統(tǒng)（BJ-RUC）中，通過(guò)很多的技術(shù)改進(jìn)和試驗(yàn)[51-52]，目前已經(jīng)成功實(shí)現(xiàn)了京津冀區(qū)域雷達(dá)資料（包括反射率因子和徑向速度）的逐3h更新的3DVar同化，改進(jìn)了對(duì)流性降水強(qiáng)度和落區(qū)的短時(shí)預(yù)報(bào)能力，特別是對(duì)前12h的降水預(yù)報(bào)精度有所提高（圖5）。

圖5　BJ-RUCv1.0 和BJ-RUCv2.0 的降水評(píng)分比較（BJ-RUCv2.0中加入了雷達(dá)資料同化；評(píng)分統(tǒng)計(jì)是基于2012年6月和7月的業(yè)務(wù)預(yù)報(bào)）Fig. 5 Comparison of CSI scores between BJ-RUCv1.0 and BJRUCv2.0. Only the BJ-RUCv2.0 has radar data assimilation. The statistics are based on operational forecasts in June and July， 2012

圖6　在WRF 4DVAR中使用不同的同化窗長(zhǎng)度（5min，15min，30min）時(shí)價(jià)函數(shù)隨迭代次數(shù)的變化（圖中所標(biāo)的數(shù)字代表外循環(huán)的次數(shù)）［9］Fig. 6 Changes of the cost function with respect to number of total iterations accumulated by the 6 outer loops，in three experiments with different 4DVAR lengths of assimilation window （5min， 15min， 30min）. The numbers in figure denote the number of total iterations accumulated by the 6 outer loops，［9］

因?yàn)殚_(kāi)發(fā)中尺度業(yè)務(wù)預(yù)報(bào)模式的4DVar同化具有相當(dāng)大的難度，近年來(lái)才得以真正實(shí)現(xiàn)具有業(yè)務(wù)應(yīng)用前景的中尺度模式4DVar同化技術(shù)。Wang等[9]描述了以WRF為約束的雷達(dá)4DVar同化系統(tǒng)，在此論文中，作者特別檢驗(yàn)了是否以切線性模式為約束可以應(yīng)用于雷達(dá)資料同化。使用切線性模式是業(yè)務(wù)模式變分同化系統(tǒng)中的通常選擇，原因是線性模式使得價(jià)函數(shù)更規(guī)則化，且易于簡(jiǎn)化（例如采用粗網(wǎng)格迭代優(yōu)化）。他們的結(jié)論是只要使用小于30min的同化窗，以線性模式可以達(dá)到很好的收斂效果（圖6）。Sun等[53]比較了4DVar和3DVar同化雷達(dá)資料的表現(xiàn)，他們發(fā)現(xiàn)4DVar同化比3DVar同化有明顯優(yōu)勢(shì)（圖7—8）。從圖7和8中也可以看到，在3DVar同化系統(tǒng)中加入從反射率因子遞推的濕度場(chǎng)[9]，對(duì)預(yù)報(bào)也有明顯改進(jìn)。

圖7　比較使用WRF 3DVAR（b，c） 和 WRF 4DVAR（d）的6h降水預(yù)報(bào)的區(qū)別；（c）使用了［45］的同化方案，即從雷達(dá)反射率因子推導(dǎo)的濕度同化方案；（a）為降水觀測(cè)Fig. 7 Comparison of 6h forecasts of hourly accumulated precipitation （mm） between schemes of using two 3DVAR schemes （b， c） and WRF 4DVAR scheme （d）. The upgraded 3DVAR in the sheme［45］is applied in （c）. The observed precipitation is shown in （a）

圖8　比較使用WRF 3DVAR（藍(lán)線對(duì)應(yīng)圖7b，紅線對(duì)應(yīng)圖7c）和 WRF 4DVAR （綠線）的6h降水預(yù)報(bào)評(píng)分（FSS評(píng)分，24km影響半徑）Fig. 8 Comparison of the 6h precipitation forecast skills using FSS between the two 3DVAR schemes （blue corresponds to Fig. 7b； red corresponds to Fig. 7c） and the 4DVAR （green） scheme

集合卡爾曼濾波方法（EnKF）也在雷達(dá)資料同化方面有廣泛的應(yīng)用。自Snyder 等[54]首先將此方法應(yīng)用于雷達(dá)資料同化以后，多位學(xué)者也相繼針對(duì)不同的問(wèn)題進(jìn)行了研究[6,8,55-60]。EnKF系統(tǒng)相對(duì)4DVar系統(tǒng)而言，開(kāi)發(fā)代碼的難度較小，因?yàn)椴恍枰殡S模式，所以特別有利于對(duì)復(fù)雜物理參數(shù)化的研究。Xue等[61]展示了以EnKF和二階微物理參數(shù)化過(guò)程同化雷達(dá)資料可以得到各種微物理量以及雨滴密度。Jung等[62]也使用二階微物理參數(shù)化過(guò)程展示了同化雷達(dá)資料可以成功反演雙偏振雷達(dá)參數(shù)。對(duì)使用EnKF同化雷達(dá)資料的國(guó)際最新研究進(jìn)展的更詳細(xì)回顧和討論，讀者可以參考Sun等[63]的描述。在國(guó)內(nèi)，徐小永等[64]利用EnKF在數(shù)值云模式中同化模擬多普勒雷達(dá)資料，考察了不同條件下EnKF同化方法的性能。蘭偉仁等[65-66]利用多普勒雷達(dá)資料進(jìn)行了一系列風(fēng)暴天氣尺度的EnKF同化試驗(yàn)，檢驗(yàn)了EnKF在風(fēng)暴天氣尺度資料同化方面的效果，并驗(yàn)證了各EnKF參數(shù)和模式誤差對(duì)同化效果的影響，表明了EnKF能有效應(yīng)用于風(fēng)暴尺度的資料同化。秦琰琰等[67]將EnKF同化技術(shù)應(yīng)用到對(duì)流尺度系統(tǒng)中，實(shí)施了基于WRF模式的同化單部多普勒雷達(dá)徑向速度和反射率因子的觀測(cè)系統(tǒng)模擬試驗(yàn)，驗(yàn)證了其在對(duì)流尺度數(shù)值模擬中應(yīng)用的可行性和有效性。

2　雷達(dá)資料同化的未來(lái)展望

雖然過(guò)去幾十年在將雷達(dá)資料同化加入數(shù)值模式中已取得顯著成果，但目前仍面臨各種困難和挑戰(zhàn)。這里僅列舉作者認(rèn)為比較重要的幾方面。

2.1雷達(dá)資料前處理和質(zhì)量控制

要使雷達(dá)資料同化在業(yè)務(wù)上得到廣泛應(yīng)用，一個(gè)自動(dòng)、可靠的前處理質(zhì)量控制系統(tǒng)是必需的。中國(guó)的雷達(dá)網(wǎng)有不同的型號(hào)和波段，前處理和質(zhì)量控制的難度更大。雖然雷達(dá)資料質(zhì)量控制并不是新的研究課題，但開(kāi)發(fā)適用于業(yè)務(wù)雷達(dá)資料同化的自動(dòng)前處理系統(tǒng)卻遠(yuǎn)遠(yuǎn)達(dá)不到要求。在華北區(qū)域高分辨率快速更新循環(huán)業(yè)務(wù)數(shù)值預(yù)報(bào)系統(tǒng)（BJ-RUC）中，為有效同化京津冀區(qū)域7部不同型號(hào)（4部SA和2部CB）的雷達(dá)觀測(cè)，采取了基于北京自動(dòng)臨近預(yù)報(bào)系統(tǒng)（BJANC）[33]和基于上述VDRAS系統(tǒng)[32]的兩步雷達(dá)資料預(yù)處理和質(zhì)量控制方案，包括超折射地物回波和地物雜波的自動(dòng)識(shí)別和剔除、徑向速度退模糊處理，以及雷達(dá)資料的插值、填充、平滑和閾值界定處理等[52]。除了雷達(dá)資料前處理和質(zhì)量控制的普通技術(shù)問(wèn)題外，觀測(cè)誤差的估計(jì)對(duì)于資料同化是不可缺少的。觀測(cè)誤差統(tǒng)計(jì)是氣象觀測(cè)資料同化最為重要的方面之一[68]。對(duì)于雷達(dá)資料，觀測(cè)誤差主要的來(lái)源包括雷達(dá)本身的硬件標(biāo)定誤差、多普勒頻移偏差、取樣誤差、觀測(cè)“漏洞”及距離折疊、速度模糊等。Sun等[69]給出了比較詳細(xì)的有關(guān)雷達(dá)資料同化方面的各種討論，讀者可以進(jìn)一步參考該文獻(xiàn)。近年來(lái)，國(guó)外學(xué)者針對(duì)雷達(dá)徑向速度和反射率因子資料同化的觀測(cè)誤差統(tǒng)計(jì)又開(kāi)展了大量的深入研究[70-73]，這為在業(yè)務(wù)模式中有效同化各種型號(hào)的雷達(dá)觀測(cè)資料起到了重要的促進(jìn)作用。

對(duì)于徑向風(fēng)同化而言，正確的處理速度模糊問(wèn)題是雷達(dá)質(zhì)量控制的關(guān)鍵之一。大致有兩種方法對(duì)雷達(dá)徑向速度場(chǎng)進(jìn)行退模糊處理。第一種方法是逐像素的順序退模糊法[74-77]，第二種是依據(jù)參考風(fēng)的全場(chǎng)退模糊法[78-82]。但是準(zhǔn)確的雷達(dá)徑向速度退模糊，仍然具有很大的挑戰(zhàn)，特別是對(duì)于C波段等波長(zhǎng)較短的雷達(dá)以及遇到臺(tái)風(fēng)等天氣現(xiàn)象時(shí)，退模糊變得更加困難。

雖然實(shí)時(shí)的雷達(dá)質(zhì)量控制軟件已經(jīng)被開(kāi)發(fā)及在部分地區(qū)使用，但一個(gè)綜合性的適合中國(guó)雷達(dá)網(wǎng)的實(shí)時(shí)雷達(dá)質(zhì)量控制系統(tǒng)將有利于加快雷達(dá)資料在數(shù)值預(yù)報(bào)中的使用。因?yàn)橹袊?guó)的雷達(dá)網(wǎng)規(guī)格不統(tǒng)一，雷達(dá)質(zhì)量控制系統(tǒng)必須考慮到不同雷達(dá)不同地區(qū)的需要。這樣一個(gè)系統(tǒng)的開(kāi)發(fā)雖然具有挑戰(zhàn)性，但其意義重大，是有效使用業(yè)務(wù)雷達(dá)改進(jìn)災(zāi)害性天氣預(yù)報(bào)不可缺少的一個(gè)步驟。

2.2分析場(chǎng)的多尺度動(dòng)力平衡

天氣尺度和對(duì)流尺度的動(dòng)力平衡有很大的不同，它們的空間尺度和時(shí)間尺度也有很大的差異，所以在雷達(dá)資料同化中往往會(huì)強(qiáng)調(diào)一種平衡而忽略了另一種。若強(qiáng)調(diào)分析場(chǎng)離雷達(dá)觀測(cè)很近，要小心周圍的環(huán)境場(chǎng)被扭曲。雷達(dá)資料代表的是對(duì)流尺度的環(huán)流特征，而常規(guī)觀測(cè)代表的是大尺度環(huán)流特征，兩者很難被同時(shí)優(yōu)化，因?yàn)樗鼈兊挠^測(cè)誤差特征不同。因此，可以采用多步優(yōu)化，或在價(jià)函數(shù)中增加約束條件。最近，Vendrasco等[83]嘗試在同化雷達(dá)資料時(shí)用大尺度分析場(chǎng)做約束，得到了令人鼓舞的結(jié)果。另外，混合氣候背景誤差和“流依賴”背景誤差也可以達(dá)到同樣的效果。

2.3改進(jìn)背景誤差

3DVar同化目前仍然是世界上區(qū)域業(yè)務(wù)數(shù)值預(yù)報(bào)中的主要分析和模式初始化系統(tǒng)，因?yàn)樵摲椒ㄓ?jì)算快速，分析結(jié)果穩(wěn)定。但它最大的缺點(diǎn)就是背景場(chǎng)誤差是基于氣候統(tǒng)計(jì)，無(wú)法反映誤差的“流依賴”。近年來(lái)，很多研究采用了集合與變分混合的同化方法，以改進(jìn)過(guò)于簡(jiǎn)單的變分背景誤差[84-87]。另一方面，混合同化方法與EnKF同化方法相比，具有更穩(wěn)定、更易收斂的優(yōu)點(diǎn)，但混合方法在雷達(dá)資料同化方面的應(yīng)用還需要大量開(kāi)發(fā)和研究工作。

2.4雙偏振雷達(dá)資料同化

近幾年來(lái)，很多業(yè)務(wù)雷達(dá)已經(jīng)更新為雙偏振觀測(cè)模式，但對(duì)于雙偏振觀測(cè)資料同化的研究還剛剛起步。雙偏振雷達(dá)觀測(cè)資料可以區(qū)分微物理變量的相態(tài)，對(duì)于更準(zhǔn)確地估計(jì)各微物理變量有所幫助。雙偏振雷達(dá)資料同化可以采用直接法或間接法。直接法要求復(fù)雜的觀測(cè)算子，可以將模式中的微物理變量與雷達(dá)的雙偏振觀測(cè)變量進(jìn)行直接轉(zhuǎn)換[60]。直接法的優(yōu)勢(shì)在于準(zhǔn)確的觀測(cè)算子，但缺點(diǎn)是此觀測(cè)算子的非線性化有可能給基于線性假定的變分法帶來(lái)計(jì)算誤差。間接法是先將雙偏振觀測(cè)變量轉(zhuǎn)為微物理變量再進(jìn)行同化[88]。對(duì)于雙偏振雷達(dá)資料同化，還需要更進(jìn)一步的研究，檢驗(yàn)雙偏振雷達(dá)資料同化對(duì)對(duì)流尺度的分析和預(yù)報(bào)的影響。

2.54DVar同化方法的業(yè)務(wù)應(yīng)用

無(wú)論是在大尺度的全球模式還是對(duì)流尺度的區(qū)域模式，4DVar同化方法的優(yōu)越性都已經(jīng)被大量的研究和應(yīng)用證明。但將4DVar同化系統(tǒng)應(yīng)用在高分辨率（小于3km）的業(yè)務(wù)模式中, 仍然受到計(jì)算資源的限制。于是，怎樣提高4DVar同化的計(jì)算速度，同時(shí)又保持它的精度，也是一個(gè)重要的研究課題。近年來(lái)所流行的四維集合變分方案（4DEnVar）就是簡(jiǎn)化4DVar同化的方法之一[89]。怎樣能夠?qū)?DVar同化方法應(yīng)用在對(duì)流尺度數(shù)值分析和預(yù)報(bào)中并與集合方法相結(jié)合，又具有業(yè)務(wù)實(shí)用能力，特別是針對(duì)雷達(dá)等高時(shí)空分辨率的觀測(cè)資料同化，是未來(lái)一個(gè)重要的研究方向。

2.6與其他資料的有效混合同化

雖然雷達(dá)觀測(cè)是對(duì)流尺度同化最重要的資料來(lái)源，但其他對(duì)流尺度觀測(cè)資料的作用也不可忽視。比如閃電觀測(cè)、高密度的衛(wèi)星觀測(cè)以及自動(dòng)站觀測(cè)等資料。目前大多數(shù)的研究著眼于單種資料對(duì)同化和對(duì)流預(yù)報(bào)的影響。怎樣能夠有效地將各種高分辨率（空間和時(shí)間）資料共同同化，以達(dá)到相互補(bǔ)充的作用，是未來(lái)對(duì)流尺度資料同化和對(duì)流尺度數(shù)值預(yù)報(bào)的一個(gè)重要的研究課題。隨著衛(wèi)星遙感資料的快速增加，特別是高解析度新一代衛(wèi)星資料的開(kāi)發(fā)，發(fā)展結(jié)合雷達(dá)和衛(wèi)星資料同化的新技術(shù)以補(bǔ)充雷達(dá)資料的不足（比如云觀測(cè)，衛(wèi)星反演水汽和閃電觀測(cè)等）已成為當(dāng)務(wù)之急。要有效的結(jié)合不同類型的觀測(cè)資料，首要的一步是對(duì)各種資料的代表性誤差特征有充分了解和估計(jì)。

3　結(jié)語(yǔ)

強(qiáng)對(duì)流是引起氣象災(zāi)害的主要天氣現(xiàn)象，包括洪水、強(qiáng)風(fēng)、冰雹及龍卷風(fēng)等。這些災(zāi)害對(duì)生命和經(jīng)濟(jì)都會(huì)帶來(lái)巨大威脅，特別是在中國(guó)人口密集的中大城市，所以提高強(qiáng)對(duì)流天氣的預(yù)報(bào)水平是當(dāng)務(wù)之急。強(qiáng)對(duì)流天氣的特點(diǎn)是非線性地快速發(fā)展和消亡，可預(yù)報(bào)時(shí)效短。6h之內(nèi)的短時(shí)臨近預(yù)報(bào)是強(qiáng)對(duì)流天氣預(yù)報(bào)的重點(diǎn)時(shí)段。目前，以雷達(dá)回波外推技術(shù)為核心的臨近預(yù)報(bào)系統(tǒng)的有效預(yù)報(bào)時(shí)效基本在1h左右，而且對(duì)預(yù)報(bào)對(duì)流的局地快速新生幾乎無(wú)能為力、而由于雷達(dá)資料同化技術(shù)的不斷發(fā)展，以及數(shù)值模式研究的不斷進(jìn)步，基于數(shù)值模式的對(duì)流尺度短時(shí)臨近預(yù)報(bào)為未來(lái)強(qiáng)對(duì)流天氣預(yù)報(bào)精度的提高和時(shí)效的延長(zhǎng)帶來(lái)了希望。但是，由于強(qiáng)對(duì)流天氣預(yù)報(bào)本身的難度，預(yù)報(bào)水平的提高取決于扎實(shí)的科研、各種資源的匹配和管理層面的重視。

［1］Lilly D K. Numerical prediction of thunderstorms-has its time come？ Quart J Roy Meteor Soc， 1990， 116： 779-798.

［2］Sun J， Flicker D W， Lilly D K. Recovery of three-dimensional wind and temperature fields from single-Doppler radar data. J Atmos Sci，1991， 48： 876-890.

［3］Sun J， Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint： Part I. model development and simulated data experi ments. J Atmos Sci，1997， 54： 1642-1661.

［4］Gao J D， Xue M， Brewster K， et al. A three-dimensional variational data analysis method with recursive filter for Doppler radars. J Atmos Ocean Technol， 2004， 21： 457-469.

［5］Weygandt S S， Benjamin S G， Smirnova T G， et al. Assimilation of radar reflectivity data using a diabatic digital filter within the rapid update cycle. Preprint， 2008， 12th Conf on IOAS-AOLS， Amer Meteor Soc.

［6］Zhang F， Snyder C， Sun J. Impacts of initial estimate and observations on the convective-scale data assimilation with an ensemble Kalman filter. Mon Wea Rev， 2004， 132： 1238-1253.

［7］Xiao Q， Kuo Y-H， Sun J， et al. Assimilation of Doppler radar observations with a regional 3D-Var system： Impact of Doppler velocities on forecasts of a heavy rainfall case. J Appl Meteor， 2005，44： 768-788.

［8］Tong M， Xue M. Simultaneous estimation of microphysical parameters and atmospheric state with radar data and ensemble square-root Kalman filter. Part II： Parameter estimation experiments. Mon Wea Rev， 2008， 136： 1649-1668.

［9］Wang H， Sun J， Zhang X， et al. Radar data assimilation with WRF-4DVAR： Part I. system development and preliminary testing. Mon Wea Rev， 2013， 141： 2224-2244.

［10］萬(wàn)齊林， 薛紀(jì)善， 莊世宇， 等. 多普勒雷達(dá)風(fēng)場(chǎng)信息變分同化的試驗(yàn)研究. 氣象學(xué)報(bào)， 2005， 63（2）： 129-145.

［11］張林， 倪允琪. 雷達(dá)徑向風(fēng)資料的四維變分同化試驗(yàn). 大氣科學(xué)，2006， 30（3）： 433-440.

［12］劉紅亞， 薛紀(jì)善， 顧建峰， 等. 三維變分同化雷達(dá)資料暴雨個(gè)例試驗(yàn). 氣象學(xué)報(bào)， 2010， 68（6）： 779-789.

［13］高郁東， 萬(wàn)齊林， 何金海. 三維變分同化雷達(dá)視風(fēng)速的改進(jìn)方案及其數(shù)值試驗(yàn). 氣象學(xué)報(bào)， 2011， 69（4）： 631-643.

［14］Tuttle J D， Foote G B. Determination of the boundary layer airflow from a single Doppler radar. J Atmos Oceanic Technol， 1990， 7：218-232.

［15］Laroche S， Zawadzki I. A variational analysis method for the retrieval of three-dimensional wind field from single-Doppler data. J Atmos Sci， 1995， 52： 2664-2682.

［16］Shapiro S， Ellis S， Shaw J. Single-Doppler velocity retrievals with Phoenix II data： clear air and microburst wind retrievals in the planetary boundary layer. J Atmos Sci， 1995， 52： 1265-1287.

［17］Liou Y C. Single radar recovery of cross-beam wind components using a modified moving frame of reference technique. J Atmos Oceanic Technol， 1999， 16： 1003-1016.

［18］Qiu C， Xu Q. A simple adjoint method of wind analysis for single-Doppler data. J Atmos Oceanic Technol， 1992， 9： 588-598.

［19］Sun J， Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint：Part II. Retrieval experiments of an observed Florida con vective storm， J Atmos Sci， 1998， 55： 835-852.

［20］Sun J， Crook N A. Wind and thermodynamic retrieval from single-Doppler measurements of a gust front observed during Phoenix-II. Mon Wea Rev， 1994， 122： 1075-1091.

［21］Sun J. Initialization and numerical forecasting of a supercell storm observed during STEPS. Mon Wea Rev， 2005， 133： 793-813.

［22］Sun J， Zhang Y. Analysis and prediction of a squall line observed during IHOP using multiple WSR-88D observations. Mon Wea Rev， 2008， 136： 2364-2388.

［23］Caya A， Sun J， Snyder C. A comparison between the 4D-Var and the ensemble Kalman filter techniques for radar data assimilation. Mon Wea Rev， 2005， 133： 3081-3094.

［24］Tai S L， Liou Y C， Sun J， et al. Precipitation forecasting using Doppler radar data， a cloud model with adjoint， and Weather Research and Forecasting model -real case studies during SoWMEX in Taiwan. Wea Forecasting， 2011， 26： 975-992.

［25］Chang S F， Sun J， Liou Y C， et al. The influence of erroneous background， beam-blocking and microphysical nonlinearity on the application of a four-dimensional variational Doppler radar data assimilation system for quantitative precipitation forecasts. Met Apps， 2013， 21： 444-458.

［26］Friedrich K， Kalina E， Aikins J， et al. Raindrop size distribution and rain characteristics during the 2013 Great Colorado Flood. J Hydrometeo， 2016， 17： 53-72.

［27］Gochis D， Schumacher R， Friedrich K， et al. The Great Colorado Flood of September 2013. Bull Amer Meteor Soc， 2015， 96：1461-1487.

［28］Sun J， Crook N A. Real-time low-level wind and temperature analysis using single WSR-88D data. Wea Forecasting， 2001， 16：117-132.

［29］Crook N A， Sun J. Assimilating radar， surface and profiler data for the Sydney 2000 forecast demonstration project. J Atmos Oceanic Technol， 2002， 19： 888-898.

［30］Sun J， Chen M， Wang Y. A frequent-updating analysis system based on radar， surface， and mesoscale model data for the Beijing 2008 forecast demonstration project. Wea Forecasting， 2010， 25：1715-1735.

［31］Chen M， Sun J， Wang Y. A Frequent-updating High-resolution Analysis System Based on Radar Data for the 2008 Summer Olympics. Preprint， 2007， The 33rd International Conference on Radar Meteorology， Cairns， Australia.

［32］陳明軒， 王迎春， 高峰， 等. 基于雷達(dá)資料4DVar的低層熱動(dòng)力反演系統(tǒng)及其在北京奧運(yùn)期間的初步應(yīng)用分析. 氣象學(xué)報(bào)， 2011，69（1）： 64-78.

［33］陳明軒， 高峰， 孔榮， 等. 自動(dòng)臨近預(yù)報(bào)系統(tǒng)及其在北京奧運(yùn)期間的應(yīng)用. 應(yīng)用氣象學(xué)報(bào)， 2010， 21（4）： 395-404.

［34］陳明軒， 王迎春. 低層垂直風(fēng)切變和冷池相互作用影響華北地區(qū)一次颮線過(guò)程發(fā)展維持的數(shù)值模擬. 氣象學(xué)報(bào)， 2012， 70（3）：371-386.

［35］陳明軒， 王迎春， 肖現(xiàn)， 等. 基于雷達(dá)資料四維變分同化和三維云模式對(duì)一次超級(jí)單體風(fēng)暴發(fā)展維持熱動(dòng)力機(jī)制的模擬分析. 大氣科學(xué)， 2012， 36（5）： 929-944.

［36］陳明軒， 王迎春， 肖現(xiàn)， 等. 北京“7.21”暴雨雨團(tuán)的發(fā)生和傳播機(jī)理. 氣象學(xué)報(bào)， 2013， 71（4）： 569-592.

［37］孫繼松， 何娜， 郭銳， 等. 多單體雷暴的形變與列車效應(yīng)傳播機(jī)制. 大氣科學(xué)， 2013， 37（1）： 137-148.

［38］肖現(xiàn)， 王迎春， 陳明軒， 等. 基于雷達(dá)資料四維變分同化技術(shù)對(duì)北京地區(qū)一次下山突發(fā)性增強(qiáng)風(fēng)暴熱動(dòng)力機(jī)制的模擬分析. 氣象學(xué)報(bào)， 2013， 71（5）： 797-816.

［39］肖現(xiàn)， 陳明軒， 高峰， 等. 弱天氣系統(tǒng)強(qiáng)迫下北京地區(qū)對(duì)流下山演變的熱動(dòng)力機(jī)制. 大氣科學(xué)， 2015， 39（1）： 100-124.

［40］劉蓮， 王迎春， 陳明軒. 京津冀一次颮線過(guò)程的精細(xì)時(shí)空演變特征分析. 氣象， 2015， 41（12）： 1433-1446.

［41］Liu Y， Warner T T， Bowers J F， et al. The operational mesogammascale analysis and forecast system of the U.S. Army Test and evaluation command. Part I： overview of the modeling system， the forecast products， and how the products are used. J Appl Meteor Climatology， 2008， 47： 1077-1092.

［42］Gao J， Stensrud D J. Assimilation of reflectivity data in a convective-scale， cycled 3DVar framework with hydrometeor classification. J Atmos Sci， 2011， 69： 1054-1065.

［43］Xiao Q， Kuo Y H， Sun J， et al. An approach of Doppler Reflectivity Data assimilation and its assessment with the inland QPF of Typhoon Rusa （2002） at Landfall. J Appl Meteor， 2007， 46： 14-22.

［44］Hu M， Xue M， Brewster K. 3DVAR and cloud analysis with WSR-88D level-II data for the prediction of Fort Worth tornadic thunderstorms. Part I： Cloud analysis and its impact. Mon Wea Rev， 2006， 134： 675-698.

［45］Wang H， Sun J， Fan S. Indirect assimilation of radar reflectivity with WRF 3D-Var and its impact on prediction of four summertime convective events. J Appl Meteor Climatol， 2013， 52：889-902.

［46］盛春巖， 薛德強(qiáng)， 雷霆， 等. 雷達(dá)資料同化與提高模式水平分辨率對(duì)短時(shí)預(yù)報(bào)影響的數(shù)值對(duì)比試驗(yàn). 氣象學(xué)報(bào)， 2006， 64（3）：293-307.

［47］楊毅， 邱崇踐， 龔建東， 等. 三維變分和物理初始化方法相結(jié)合同化多普勒雷達(dá)資料的試驗(yàn)研究. 氣象學(xué)報(bào)， 2008， 66（4）： 479-488.

［48］徐道生， 邵愛(ài)梅， 邱崇踐. SVD-En3DVar 方法同化多普勒雷達(dá)速度觀測(cè)資料Ⅰ. 模擬資料試驗(yàn). 大氣科學(xué)， 2011， 35（4）： 753-766.

［49］徐道生， 邵愛(ài)梅， 邱崇踐. SVD-En3DVar 方法同化多普勒雷達(dá)速度觀測(cè)資料Ⅱ. 實(shí)際資料試驗(yàn). 大氣科學(xué)， 2011， 35（5）： 818-832.

［50］李媛， 劉健文， 董佩明， 等. GRAPES-3Dvar雷達(dá)資料直接同化對(duì)江淮暴雨數(shù)值預(yù)報(bào)影響的分析研究. 氣象， 2011， 37（4）： 403-411.

［51］范水勇， 王洪利， 陳敏， 等. 雷達(dá)反射率資料的三維變分同化研究. 氣象學(xué)報(bào)， 2013， 71（3）： 527-537.

［52］陳敏， 陳明軒， 范水勇.雷達(dá)徑向風(fēng)觀測(cè)在華北區(qū)域數(shù)值預(yù)報(bào)系統(tǒng)中的實(shí)時(shí)三維變分同化應(yīng)用試驗(yàn). 氣象學(xué)報(bào)， 2014， 72（4）：658-677.

［53］Sun J， Wang H. Radar data assimilation with WRF-4D-Var： Part II. Comparison with WRF 3D-Var. Mon Wea Rev， 2013， 141：2245-2264.

［54］Snyder C， Zhang F. Assimilation of simulated radar observations with an ensemble Kalman filter. Mon Wea Rev， 2003， 131：1663-1677.

［55］Tong M. Ensemble Kalman filer assimilation of Doppler radar data for the initialization and prediction of convective storms. PhD thesis， 2006， School of Meteorology， University of Oklahoma.

［56］Dowell D， Zhang F， Wicker L J， et al. Wind and temperature retrievals in the 17 May 1981 Arcadia， Oklahoma supercell：Ensemble Kalman filter experiments. Mon Wea Rev， 2004， 132：1982-2005.

［57］Lei T， Xue M， Yu T. Multi-scale analysis and prediction of the 8 May 2003 Oklahoma City tornadic supercell storm assimilating radar and surface network data using EnKF. Extended abstract，2009， 13th Conf of IOAS-AOLS， AMS Meetings 2008， Paper 6.4.

［58］Aksoy A， Dowell D C， Snyder C. A multi-case comparative assessment of the ensemble Kalman filter for assimilation of radar observations. Part II： Short-range ensemble forecasts. Mon Wea Rev， 2010， 138： 1273-1292.

［59］Snook N， Xue M， Jung Y. Analysis of a tornadic meoscale convective vortex based on ensemble Kalman filter assimilation of CASA X-band and WSR-88D radar data. Mon Wea Rev， 2011，139： 3446-3468.

［60］Jung Y， Xue M， Zhang G. Simutaneous estimation of microphysical parameters and atmospheric state using simulated polarimetric radar data and ensemble Kalman filter in the presence of observation operator error. Mon Wea Rev， 2010， 138： 539-562.

［61］Xue M， Jung Y， Zhang G. State estimation of convective storms with a two-moment microphysics scheme and an ensemble Kalman filter： Experiments with simulated radar data. Q J Roy Meteor Soc，2010， 136： 685-700.

［62］Jung Y， Xue M， Tong M. Ensemble Kalman filter analyses of the 29-30 May 2004 Oklahoma tornadic thunderstorm using one- and two-moment bulk microphysics schemes， with verification againstpolarimetric data. Mon Wea Rev， 2012， 140： 1457-1475.

［63］Sun J， Xue M， Wilson J W， et al. Use of NWP for nowcasting convective precipitation： recent progress and challenges. Bull Amer Met Soc， 2014， 95： 409-426.

［64］許小永， 劉黎平， 鄭國(guó)光. 集合卡爾曼濾波同化多普勒雷達(dá)資料的數(shù)值試驗(yàn). 大氣科學(xué)， 2006， 30（4）： 712-728.

［65］蘭偉仁， 朱江， Xue Ming， 等. 風(fēng)暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達(dá)資料同化試驗(yàn)Ⅰ. 不考慮模式誤差的情形. 大氣科學(xué)， 2010， 34（3）： 640-652.

［66］蘭偉仁， 朱江， Xue Ming， 等. 風(fēng)暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達(dá)資料同化試驗(yàn)Ⅱ. 考慮模式誤差的情形. 大氣科學(xué)， 2010， 34（4）： 737-753.

［67］秦琰琰， 龔建東， 李澤椿. 集合卡爾曼濾波同化多普勒雷達(dá)資料的觀測(cè)系統(tǒng)模擬試驗(yàn). 氣象， 2012， 38（5）： 513-525.

［68］Tsuyuki T， Miyoshi T. Recent progress of data assimilation methods in meteorology. J Meteor Soc Japan， 2007， 85B： 331-361.

［69］Sun J. Convective-scale assimilation of radar data： progress and challenges. Q J R Meteorol Soc， 2005， 131： 3439-3463.

［70］Xu Q， Nai K， Wei L. An innovation method for estimating radarvelocity observation error and background wind error covariance. Q J R Meteor Soc， 2007， 133： 407-415.

［71］Rihan F A， Collier C G， Ballard S P， et al. Assimilation of Doppler radial winds into a 3D-Var system： Errors and impact of radial velocities on the variational analysis and model forecasts. Q J R Meteor Soc， 2008， 134： 1701-1716.

［72］Simonin D， Ballard S P， Li Z. Doppler radar radial wind assimilation using an hourly cycling 3D-Var with a 1.5 km resolution version of the Met Office Unified Model for nowcasting. Q J R Meteor Soc， 2014， 140： 2298-2314.

［73］Wattrelot E， Caumont O， Mahfouf J-F. Operational implementation of the 1D+3D-Var assimilation method of radar reflectivity data in the AROME model. Mon Wea Rev， 2014， 142：1852-1873.

［74］Ray P， Ziegler C. Dealiasing first-moment Doppler estimates. J Appl Meteor， 1977， 16： 563-564.

［75］Bargen D W， Brown R C. Interactive radar velocity unfolding. Preprints， 1980， 19th Conf on Radar Meteorology， Miami， FL，Amer Meteor Soc， 278-283.

［76］Bergen W R， Albers S C. Two- and three-dimensional dealiasing of Doppler radar velocities. J Atmos Oceanic Technol， 1988， 5：305-319.

［77］He G， Li G， Zou X， et al. A velocity dealiasing scheme for synthetic C-band data from China's new generation weather radar system （CINRAD）. J Atmos Oceanic Technol， 2012， 29：1263-1274.

［78］Eilts M D， Smith S D. Efficient dealiasing of Doppler velocities using local environment constraints. J Atmos Oceanic Technol，1990， 7： 118-128.

［79］Tabary P， Scialom G， Germann U. Real-time retrieval of the wind from aliased velocities measured by Doppler ra- dars. J Atmos Oceanic Technol， 2001， 18： 875-882.

［80］Gong J， Wang L， Xu Q. A three-step dealiasing method for Doppler velocity data quality control. J Atmos Oceanic Technol，2003， 20： 1738-1748.

［81］Gao J， Droegemeier K K， Gong J， et al. A method for retrieving mean horizontal wind profiles from single- Doppler radar observations contaminated by aliasing. Mon Wea Rev， 2004， 132：1399-1409.

［82］Lim E， Sun J. A velocity dealiasing technique using rapidly updated analysis from a four-dimensional variational Doppler radar data assimilation system， J Atmos Oceanic Technol， 2010， 27：1140-1152.

［83］Vendrasco E P， Sun J， Herdies D L， et al. Constraining a 3DVar radar data assimilation system with large-scale analysis to improve short-range precipitation forecasts. J Appl Meteor Climatology，2016， 55： 673-690.

［84］Hamill T M， Snyder C. A hybrid ensemble Kalman filter-3D variational analysis scheme. Mon Wea Rev， 2000， 128： 2905-2919.

［85］Wang X， Barker D M， Snyder C， et al. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part I： Observing system simulation experiment. Mon Wea Rev， 2008， 136：5116-5131.

［86］Wang X， Barker D M， Snyder C， et al. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part II： Real observation experiments. Mon Wea Rev， 2008， 136： 5132-5147.

［87］Zhang F， Zhang M， Poterjoy J. E3DVar： Coupleing an ensemble Kalman filter with three-dimensional variational data assimilation in a limited-area weather prediction model and comparison to E4DVAR. Mon Wea Rev， 2013， 141： 900-917.

［88］Li X， Mecikalski J. Impact of the dual-polarization Doppler radar data on two convective storms with a warm-rain radar forward operator. Mon Wea Rev， 2012， 140： 2147-2167.

［89］Liu C， Xiao Q， Wang B. An ensemble-based four-dimensional variational data assimilation scheme. Part I. Technical formulation and preliminary test. Mon Wea Rev， 2008， 136： 3363-3373.

Radar Data Assimilation Methods: Review and Future Perspective

Sun Juanzhen1,2, Chen Mingxuan2, Fan Shuiyong2
（1 National Center for Atmospheric Research， Boulder， CO 80307 2 Institute of Urban Meteorology， China Meteorological Administration， Beijing 100089）

Since the first operational Doppler radar network was established in the United States of America in the early 1990's，significant progress has been made on the research and application of radar data assimilation. China installed its operational Doppler radar network in the early 2000's， and has widely used for real-time detecting and warning the convective weather，precipitation and tropical cyclone. However, the attempt to assimilate Doppler radar data into numerical weather prediction (NWP) models for the improvement of model initial conditions is just begun. In this paper, we review the past effort and progress on assimilating radar data into NWP models， in order to promote the research and development in this important field.

radar data, data assimilation, convective weather, precipitation

10.3969/j.issn.2095-1973.2016.03.002

2015年8月5日；

2016 年4月11日

孫娟珍（1961—），Email: sunj@ucar.edu

資助信息： 公益性行業(yè)（氣象）科研專項(xiàng)（GYHY201506004；GYHY201306008）