对于数值天气预报(NWP)，观测资料中的风场信息对局地中小尺度系统的分析与预报有着十分关键的作用。在气象观测系统中，探空与地面等常规观测均含有风场信息，但在时空分布上仍存在不足。例如，探空观测水平分布较为稀疏，而地面观测则缺少垂直分布的风场信息。可见，从常规观测提取的风场信息很难捕捉到中小尺度天气系统。因此，如果仅使用常规观测资料进行同化，相应的分析场将难以刻画实际大气的中小尺度天气系统。

近年来，风廓线雷达观测技术取得了快速发展，并在大气探测中得到广泛应用(Beran et al，1998)。风廓线雷达利用湍流大气对雷达电磁波的散射作用，探测空气运动的多普勒效应信号，可以测量测站上空时间(数分钟)与空间分辨率(几十米间距)均较高的风的垂直廓线资料。风廓线雷达包括边界层风廓线雷达、对流层风廓线雷达、可移动风廓线雷达等系列产品，在气象、军事、航空、航天、环保等方面有广泛的用途。其中，边界层风廓线雷达在大气边界层空气质量、中小尺度天气预报、风垂直切变、湍流研究等方面发挥着很大的作用。在美国中部的风廓线雷达网中，6 min 间隔的资料可以显示出短波波动等天气系统连续详实的变化过程。可见，风廓线雷达观测在时空尺度上的巨大优势能弥补常规观测时空密度不足的缺陷。

当前，风廓线雷达已经在多个国家(如美国、日本等)进入业务化应用，将其通过资料同化应用于数值天气预报的工作也取得了不少的进展。Kuo等(1987)利用风廓线雷达观测资料进行了短期数值天气预报的可行性分析，并证实其正影响。在美国国家环境预报中心(NCEP)与欧洲中期天气预报中心(ECMWF)，风廓线雷达资料已经被应用到同化系统中。对于欧洲地区风场的短期(2—3 d)预报，同化风廓线雷达资料可提高其效果(Bouttier，2001)。在NCEP快速更新循环同化系统(RUC)中加入风廓线雷达资料后，风场的短时(3—6 h)预报有较为明显的改善(Benjamin et al，2004)。利用加拿大的全球与区域资料同化系统，St-James等(2005)讨论了风廓线雷达资料垂直稀疏化对预报效果的影响。统计分析与个例研究表明，风廓线雷达资料同化能提高中尺度天气系统的预报精度，尤其是强降水过程(Ishihara et al，2006)。在受复杂地形影响的地区，风廓线雷达资料同化能较好地提高边界层内的预报效果(Park et al，2010)。

近年来，中国不断推进风廓线雷达观测网的建设，相应的研究工作也取得一定的进展(顾映欣等，1991；吕达仁等，2003；王欣等，2005)。然而，针对中国风廓线雷达资料进行同化的研究尚少(张胜军等，2004；李妙英等，2013)。目前，风廓线雷达资料同化仍存在一些亟待解决的问题。一方面，风廓线雷达资料的观测质量与误差尚需进一步分析，从而剔除错误信息并确定观测误差。另一方面，虽然风廓线雷达资料的时间和垂直空间分辨率很高，包含了不同尺度的风场信息。但数值预报模式的时空分辨率有限，并不能将风廓线雷达资料所有尺度的风场信息都吸收进来；而且，小尺度高频风场信息的引入甚至有可能会破坏数值预报模式的预报性能。因此，如何从原始的风廓线雷达资料中提取和数值预报模式相匹配的观测信息是必须解决的重要问题。为了更好地利用广东省风廓线雷达观测资料开展相应的资料同化工作，本研究探讨了以上两个问题的解决方案。在此基础上，还针对典型天气个例，讨论风廓线雷达资料同化对数值分析与预报的影响，并进行了为期一个月的批量试验来检验风廓线雷达资料同化的效果。 2 观测资料质量控制 2.1 资料介绍

使用的风廓线雷达观测资料来自中国广东的13个观测站。按照站点观测的时间分辨率，这13个观测站可分为3类：一类是时间分辨率为10 min，即茂名；一类是时间分辨率为6 min，即深圳、萝岗和湛江；一类是时间分辨率为5 min，即潮州、从化、连州、罗定、南沙、南雄、新会、增城和珠海。按照站点观测的垂直空间分辨率，这13个观测站大致可分为4类：一类是空间分辨率为120 m，即萝岗和湛江；一类是空间分辨率为10 m，即茂名；一类是空间分辨率为60 m，即潮州、从化、连州、罗定、南雄、新会、增城和珠海；一类是垂直层不等间距(60—100 m)，即深圳和南沙。按照雷达种类，这13个观测站可分为2类：萝岗和湛江为对流层雷达，其余的观测站则是边界层雷达。 风廓线雷达观测在边界层中的数据获取率相对较高，而在边界层以上则数据获取率随高度迅速减小。此外，风廓线雷达观测在降水条件下获取率会增大，但数据质量有待评估与订正(徐金阁，2014)。 2.2 质量控制方法

针对观测资料进行质量检查是质量控制必须首先考虑的，为此，针对原始的观测资料首先进行了气候极值检查，剔除超出气象值范围的错误风场数据。此外，时空一致性检查也是观测资料的基本质量检查方法。因此，检查风廓线雷达观测的风场数据随时间演变及随高度变化的情况是十分重要的。由于大气中的小尺度微气团的存在，风廓线雷达测得的风场在风向、风速上会出现短周期的瞬时脉动变化。在天气学分析中，这种风场的高频脉动变化是无意义的，反而会严重影响观测资料的代表性。可见，如果将原始的包含高频脉动变化的风廓线雷达资料直接应用于资料同化系统，很可能对分析效果起负作用，造成较大的分析误差。因此，必须对风廓线雷达的原始测量数据进行质量控制(如滑动平均、算术平均等)，即提取一个时段内的平均信息，从而减小脉动影响，获得相对稳定的有代表性的测量数据。

采用变分方法进行资料同化必须满足一个重要假设，即所有误差(包括观测误差与背景误差等)都必须是高斯分布型的。因此，质量控制的另一个目的是使观测场与背景场的差值(即观测增量)近似满足高斯分布。为此，Qin等(2010)采用经验正交函数(EOF)分析方法对地面观测中的温度资料进行质量控制。相应的数值试验证明该方法能有效剔除温度观测中日—半日周期的波动，从而使观测增量近似满足高斯分布。事实上，EOF分析方法可针对物理量空间场的时间序列提取出某时段内对应不同解释方差的空间分布模态。其中，对应较大解释方差的模态是主要模态，代表了该时段内物理量演变的主要特征；而对应较小解释方差的模态则是次要模态，代表了该时段内物理量演变的噪音或者异常特征。可见，EOF分析方法理论上可用于剔除观测资料中的异常值和脉动噪音。因此，也将采用类似的方法对风廓线雷达资料进行质量控制。采用的质量控制包括两个步骤。首先，由分析时刻(T_a)向前及向后1 h(T_a-1—T_a+1)挑选观测数据来构成时间序列。考虑到风廓线雷达在边界层内数据获取率较高，只选取500—3000 m的垂直层次。在2 h内，若不同时次观测数据的垂直层数不同，则只挑选高度彼此相同的层次。针对2 h内的数据样本，若某时次观测数据在垂直方向存在缺测值，则该时次观测数据将从时间序列中剔除。接着，对时间序列进行经验正交函数分解(魏凤英，2007)，获得2 h内的风场垂直分布的主要模态。考虑到纬向风(U)与经向风(V)存在一定的相关，将U和V联合起来进行EOF分解，类似于扩展经验正交函数(EEOF)(Weare et al，1982; 魏凤英，2007)。设U和V联立的数据矩阵为

点击浏览公式

最后，利用EOF分解出来的主要模态重构2 h内的时间序列，即X=ET，从而获得分析时刻(T_a)的风场垂直分布。在重构时间序列时，针对累积解释方差设置了不同的截断阈值(即G≥90%与G≥99%，从而对原始观测资料进行不同程度的质量控制。设前m个特征向量满足G≥90%，且前m-1个特征向量不满足G≥90%，则重构时间序列时将只采用前m个模态的特征向量，相应的第i高度层第j时刻的纬向风与经向风为

点击浏览公式

根据2.2节中的质量控制方法，以2013年5月15日00时(世界时，下同)为分析时刻，利用潮州风廓线雷达观测站14日23时—15日01时的测量数据(图 1a、b)，重构了该时段内的风场(图 1c—f)。由图 1a、b可知，分析时刻边界层内(500—1200 m)存在较强的西—西北风，而该时段内其他时次则主要是较强的南—东南风。可见，该时段在分析时刻出现了较大的风场变化，包括风速与风向的突变。图 2为该时段风场经EOF分解获得的第1和第2模态的特征向量及相应的时间系数。其中，第1模态的解释方差为87%，而第2模态的解释方差仅为8%。由图 2c可知，第1模态代表了该时段内风场的平均特征。第1模态特征向量体现了这个平均特征(图 3)，即西风随高度先减小后增大，且较高层(1800—3000 m)风速最大(图 2a、3a)，而南风则随高度先增大后减小，且中间层(1200—2200 m)风速最大(图 2b、3b)。第2模态主要代表了分析时刻附近风场的特征(图 2d)，此时较低层(500—1200 m)存在很强的西风(图 2a)和北风(图 2b)，而这正是影响该观测站的局地小尺度系统。

图 1 2013年5月14日23时05分—15日00时55分潮州风廓线雷达观测的风场随高度与时间变化 (a、c、e．纬向风，b、d、f．经向风；a、b．原始观测场，c、d．累积解释方差截断阈值为90%的重构场，e、f．累积解释方差截断阈值为99%的重构场)Fig. 1 Wind fields observed by the wind profile radar in Chaozhou from 23: 05 UTC 14 May to 00: 55 UTC 1 5 May 2013 as a function of time and height (a，c，e. U-wind，b，d，f. V-wind; a，b. the original wind fields，c，d(e，f). the reconstructed wind fields truncated at 90%(99%)cumulative variances)

图选项

图 2 2013年5月14日23时05分—15日00时55分潮州风廓线雷达观测的风场经EOF分解得到的第1和第2模态特征向量 (a．纬向风，b．经向风；黑虚线表示0)与时间系数(c．第1模态，d．第2模态)Fig. 2 First two eigenvectors(a. U-wind，b. V-wind; black dashed line represents zero) and the time coefficients (c. the first mode，d. the second mode)of the EOF decomposition for the wind fields observed by the wind profile radar in Chaozhou from 23: 05 UTC 14 May to 00: 55 UTC 15 May 2013

图选项

当累积解释方差的截断阈值为90%时，重构的风场(以下简称“EOF90风场”)由第1模态和第2模态组成。EOF90风场随高度与时间的变化特征由第1模态和第2模态特征向量及其时间系数决定，因此，相应风场既能描述原始观测风场在该时段的平均特征，又能刻画局地小尺度系统在分析时刻附近的影响，即加强西风而减弱南风(图 1c、d)。与原始观测风场(图 1a、b)不同的是，EOF90风场不再包含一些时间与空间尺度都较小的信号(即噪音)，例如15日00时15分在较高层突然增强的西风(图 1c)以及00时20分在较低层突然减弱的南风(图 1d)。可见，EOF90风场不但能代表风场平均特征，还能保留局地小尺度系统的影响，并且能滤除时空尺度较小的噪音。当累积解释方差的截断阈值提高到99%时，除了第1和第2模态外，其他解释方差较小的模态信息也将被包含到重构的风场(以下简称“EOF99风场”)中。这些模态代表了风场瞬时脉动变化的信息，因此，此时EOF99风场包含了EOF90风场所没有的时空尺度较小的信息，并且非常接近原始观测风场(图 1e、f)。

图 3 2013年5月14日23时05分—15日00时55分潮州风廓线雷达观测的风场时间平均值(a．纬向风，b．经向风)Fig. 3 Time-averaged U-wind(a) and V-wind(b)observed by the wind profile radar in Chaozhou from 23: 05 UTC 14 May to 00: 55 UTC 15 May 2013

图选项

图 4a、b为原始观测场与重构场在分析时刻的垂直廓线。可见原始观测数据(图中“O风场”)在垂直方向上存在剧烈的变化，尤其是较低层的经向风(图 4b)。EOF99风场与原始观测场十分接近，但较低层经向风随高度变化的幅度有所减小。相比原始观测场，EOF90风场随高度变化较为平缓，尤其是较低层经向风，其随高度变化的幅度有较大减小(图 4b)。在随时间演变方面，EOF99风场比原始观测场平缓，尤其是该时段前期的纬向风(图 4c)；而EOF90风场则更为平缓，所有大振幅的高频变化都几乎被滤除了(图 4c、d)。值得注意的是，原始观测场在较低层有较强的西风，而经向风则在南风与北风之间来回变化。EOF90风场不仅保留了较低层的强西风(图 4a)，而且把经向风中的弱南风信号有效地提取了出来(图 4b)。可见，通过EOF分析方法重构的分析时刻的风场廓线不仅能较好地滤除大振幅的小尺度高频噪音，而且能较好地保留大尺度平均态与局地小尺度系统的共同影响。

图 4 重构场在2013年5月15日00时的垂直廓线(a、b)以及在1500 m的时间演变(c、d) (a、c．纬向风，b、d．经向风)Fig. 4 Vertical profile(a，b)at 00: 00 UTC 15 May 2013 and the time evolution(c，d) of the reconstructed wind fields for U-wind(a，c) and V-wind(b，d)

图选项

针对2013年5月广东省13个风廓线雷达观测站的测量数据(以下简称“O场”)，分别选择累积解释方差截断阈值为90%与99%重构了新的风场资料(以下分别称为“EOF90场”与“EOF99场”)。将这3个风场的垂直廓线与时间演变都分别进行傅里叶分解，计算相应的标准化谱分布(图 5)。对比O场与EOF90场垂直廓线的谱分布可以发现，后者在低波数(波数1)有更大的比重，而在高波数(波数3)则情况相反(图 5a)。随着波数的增加，O场与EOF90场的比重差异更加明显。分析这2个风场时间演变的谱分布也可以发现相同的特征(图 5b)。与O场相比，EOF99场也在时空大尺度上有较大比重，而在时空小尺度上则比重较小，但比重差异没有EOF90场的大。由此可见，采用EOF分析方法重构的风场相比原始观测提高(减小)了来自时空大(小)尺度的贡献，尤其是累积解释方差的截断阈值较小时。因此，EOF分析方法可用于滤除风廓线雷达资料小尺度高频脉动的质量控制过程。

图 5 2013年5月13部风廓线雷达观测数据纬向风的原始场与重构场的标准化谱分布(除以各个波长谱的总和) (a．风场垂直廓线谱分布，b．风场时间演变谱分布)Fig. 5 Normalized spectra(divided by the summation of the spectra for all the wave lengths) of the original U-wind fields and the reconstructed U-wind fields vertical profiles(a) and evolutions(b)from the 13 wind profile radars during May 2013

图选项

风廓线雷达资料具有较高的垂直分辨率，因此，相应的观测误差存在一定程度的垂直相关(Bouttier，2001; St-James et al，2005)。在资料同化中直接考虑观测误差的相关是比较困难的。在实际应用中，可以通过调整观测资料在分析过程中的权重来避免直接考虑观测误差的相关。常用的方法有两 种，一是对观测资料进行垂直方向的稀疏化(St-James et al，2005)，二是调大观测误差的方差(Bouttier，2001)。本研究采用第1种方法来消除观测误差垂直相关对资料同化的影响。具体地，在采用EOF分析方法重构的风场中，只选择那些与模式垂直层最接近的层次。经过这样的层次挑选后，进入资料同化系统的风廓线雷达资料的垂直分辨率基本与模式的垂直分辨率相同。 2.5 观测误差与观测增量

为了了解风廓线雷达观测数据原始场与重构场在可信度上的差异并确定其观测误差，将两者分别与第三方观测资料进行对比。已有的研究工作大多将风廓线雷达资料与探空资料进行对比来考察其可信度。但考虑到风廓线雷达的水平分辨率比探空的高，而ECMWF再分析资料是融合了探空资料的结果并且水平分辨率接近风廓线雷达，因此，将ECMWF再分析场作为第三方观测。图 6为O场及EOF90场分别与ECMWF再分析场的差值频率分布。可以发现，EOF90场与ECMWF再分析场的差值大部分集中在0附近，而绝对值大于4 m/s的差值较少。与此相反的是，O场与ECMWF再分析场的差值主要集中在-2—2 m/s，其在0附近的部分比EOF90场的明显少很多，而大于4 m/s的差值则明显多很多。O场(EOF90场)与ECMWF再分析场的差值的平均值与标准差，分别为0.13(0.076)m/s与2.34(2.11)m/s。可见EOF90场与ECMWF再分析场更为接近。对于风廓线雷达资料的观测误差，目前还没有被一致认可的估计方法。考虑到ECMWF再分析资料的精度较高，将其假设为大气真值。因此，将EOF90场与ECMWF再分析场的差值的标准差作为风廓线雷达资料观测误差标准差的初步估计，并将其应用到后述的资料同化个例试验中。

图 6 2013年5月13部风廓线雷达观测数据(原始场及重构场)与ECMWF再分析场差值的频率分布Fig. 6 Frequency distributions of the differences between the observations datasets based on the 13 wind profile radars mean (original and reconstructed wind fields) and the ECMWF reanalysis data during May 2013

图选项

接下来检查观测场与背景场的差值，即观测增量是否近似满足高斯分布及无偏假设。为此，将NCEP 6 h预报场作为背景场，分别计算其与风廓线雷达观测数据原始场与重构场的差值。相比O场(图 7a)，EOF90场对应的观测增量更加接近高斯分布(图 7b)。同时，也计算了观测增量的平均值。O场与EOF90场对应的观测增量的平均值分别为0.087与0.036 m/s。可见，EOF90场的观测增量更加接近0，更好满足无偏假设。

图 7 2013年5月13部风廓线雷达观测数据原始场(a)、重构场(b)与NCEP 6 h 预报场的差值的频率分布(粗实线为高斯拟合)Fig. 7 Frequency distributions of the differences between the observations datasets based on the 13 wind profile radars mean for the original wind fields(a) and the reconstructed wind fields(b) and the NCEP 6 h forecasts during May 2013(the solid curve is the Gaussian fitting)

图选项

上述讨论表明，经EOF分析方法重构的风场相比原始观测场能更好满足变分同化方法的理论假设。因此，将EOF90场作为风廓线雷达资料的代表放到三维变分(3D-Var)资料同化系统中，评估其对分析与预报的影响。 3.1 天气概况

2013年5月15—16日，受暖湿气流影响，广东省出现大雨到暴雨，局部特大暴雨的强降水过程。其中，特大暴雨主要出现在清远、韶关和河源。15日08时—16日08时，有11个气象站出现超过250 mm 的特大暴雨，而佛冈县水头镇记录到全省最大雨量333.2 mm。

对于此次强降水，维持在华南地区的低空西南急流起着非常重要的作用(图略)。一方面，低空急流将孟加拉湾与南海的暖湿空气输送到华南地区，增加该地区的水汽与不稳定能量；另一方面，低空急流左前方是动力辐合区，有利于空气抬升。 3.2 模式与试验设计

预报模式采用GRAPES-meso，该模式采用非静力半拉格朗日动力框架，使用高度地形追随坐标。模式区域为11°—38.4°N，96°—130.6°E，分辨率为0.09°×0.09°，水平格点数为385×305，垂直分为55层。时间积分方案为半隐式-半拉格朗日积分方案，微物理过程采用WSM6类方案，长波辐射过程采用RRTM 方案，短波辐射过程采用Dudhia方案，地表层物理方案采用莫宁-奥布霍夫方案，陆面过程采用SLAB热量扩散方案，边界层物理方案使用MRF方案，积云对流方案使用简化Arakawa-Schubert(SAS)方案。预报模式采用NCEP 的0.5°×0.5°分辨率预报场作为侧边界条件，采用GRAPES 3D-Var资料同化系统分析场作为初始场，以2013年5月15日00时作为起报时间并积分24 h。

近年来，GRAPES 3D-Var资料同化系统的开发取得了显著进展。目前，GRAPES 3D-Var资料同化系统能够同化多种不同类型的观测资料(Liang et al，2007; Huang et al，2008; Ding W Y et al，2006，2010，2011; Ding Y et al，2010; 高郁东等，2011；李昊睿等，2012)。本研究使用的GRAPES 3D-Var资料同化系统是一个逐3 h更新循环的同化系统。该系统在分析时刻(T_a)前6小时(T_a-6)进行3D-Var同化，并将其分析场进行3 h预报。此时同化所用的背景场来自NCEP 6 h预报场，而模式预报所用的侧边界条件则来自NCEP预报场的时间插值结果。将GRAPES模式3 h预报场作为下一时次资料同化的背景场，循环前面的同化-预报过程直到分析时刻，由此获得分析时刻的分析场。

为了了解风廓线雷达观测及其质量控制对资料同化的影响，设计了3个同化试验。第1个试验(简称“CTL试验”)在循环同化过程中只加入常规观测(探空、地面和船舶)资料，第2个试验(简称“WPRD1试验”)在CTL基础上再加入原始风廓线雷达观测数据，第3个试验(简称“WPRD2试验”)在CTL基础上再加入风廓线雷达观测数据的EOF90场。同化试验在5月14日18时冷启动，在14日18时、21时和15日00时同化风廓线雷达观测数据，而在14日18时和15日00时同化常规观测资料。 3.3 模式降水预报

在实况观测中，5月15日00—06时在广东北部(韶关与河源)出现较大降水中心(图 8a)。CTL试验预报的降水中心位于广东南部，位置比观测偏南，强度则比观测偏大很多(图 8d)。相比观测，WPRD1预报的降水中心位置偏南强度偏大(图 8g)。WPRD2试验预报的降水中心也位于广东北部，但位置略比观测偏北，范围也比观测的小，而强度则与观测的较为接近(图 8j)。在接下来的6 h，广东中部出现强降水中心(图 8b)。CTL试验对该时段降水落区的预报较为偏南偏西(图 8e)，而WPRD1则偏西偏北(图 8h)，只有WPRD2试验预报的位置与观测较为接近(图 8k)。在12—18时，广东中部的佛冈观测到163 mm的局地强降水中心(图 8c)。此时，CTL试验完全不能预报出该降水中心的位置及强度(图 8f)。与此相反，WPRD1与WPRD2试验对降水的落区与强度都能较好地预报出来，但前者位置偏西偏北(图 8i)，而后者则与观测更为接近(图 8l)。将1 h累积降水量的模式预报值与地面自动站观测值进行定量对比，分别计算降水量大于0与2 mm的TS评分(图略)。将前6小时的TS评分进行算术平均，可以发现，CTL、WPRD1和WPRD2大于0 mm降水的TS评分分别为0.29、0.24和0.30，而大于2 mm降水的TS评分分别为0.07、0.085和0.11。综合上面的讨论可以发现，WPRD2的强降水预报效果要优于WPRD1与CTL。

图 8 2013年5月15日实况观测(a—c，数字表示单站观测)及CTL(d—f)、 WPRD1(g—i)与WPRD2(j—l)模式预报的6 h累积降水(mm) (a，d，g，j. 00—06时，b，e，h，k. 06—12时，c，f，i，l. 12—18时)Fig. 8 6 h accumulated observed rainfall(a-c，number indicates the observation of stations) and predicted rainfall from the CTL(d-f)，WPRD1(g-i)，and WPRD2(j-l)(a，d，g，j. 00: 00-06:00 UTC; b，e，h，k. 06:00-12: 00 UTC; c，f，i，l. 12:00-18: 00 UTC 15 May 2013)

图选项

图 9为不同时刻CTL与WPRD2试验的背景场与分析增量。资料同化系统在5月14日18时冷启动，因此，不同试验在该时刻的背景场都是相同的(图 9a—d)。对于U风场，在广东中部，WPRD2是正的分析增量(图 9b)，而CTL则是负的(图 9a)。在广东西南部，CTL与WPRD2都是负的U风场分析增量，但后者增量量值较小。可见，该时刻风廓线雷达观测相比其他观测(即地面观测)具有更强的西风。对于V风场，在广东中北部，CTL与WPRD2的分析增量符号相反，即前者为正后者为负(图 9c、d)。可见，WPRD2分析场在该时刻该地区的南风比CTL的弱，这将有利于水汽在该地区的累积。此外，在雷州半岛以东200 km的海面上，WPRD2相比CTL具有更强的南风增量。因此，WPRD2分析场中低空急流从南海输送的水汽将更多。此外，在珠江口南侧海面上，WPRD2的U风场分析增量存在一个北负南正的偶极子，而V风场分析增量则是西负东正的偶极子。该分布型分析增量的出现主要是由珠海风廓线雷达观测调整出来的(图略)，而该形态的分析增量有利于该地区气旋性风场的加强。

图 9 2013年5月14日18时(a—d)以及15日00时(e—h)CTL(a、c、e、g)与WPRD2(b、d、f、h)试验 在850 hPa纬向风(a、b、e、f，)与经向风(c、d、g、h)的背景场(等值线，间隔为4 m/s， 实线为正值，虚线为负值；箭头为风矢量)与分析增量(阴影)Fig. 9 Background fields(contours in 4 m/s intervals with solid line for positive and the dashed for negative; arrows are wind vectors) and analysis increments(shaded) of U-wind(a，b，e，f) and V-wind(c，d，g，h)from the CTL(a，c，e，g) and WPRD2(b，d，f，h) on 850 hPa at 18:00 UTC 14 May(a-d) and 00:00 UTC 15 May(e-h)2013

图选项

随着循环同化的进行，不同试验在分析时刻，即15日00时的背景场是不相同的(图 9e—h)。对于背景场中广东北部的低空西南急流，WPRD2的强度大于CTL。对于U风场，在广东中北部，WPRD2背景场具有比CTL背景场强的西风；而在广东东北部，则是CTL背景场的西风较强(图 9e—f)。WPRD2在整个广东北部都有明显的正分析增量(图 9f)，这更加强了该地区西风急流的强度。而CTL则是东北部(中北部)是正(负)分析增量(图 9e)，这不利于该地区西风急流的加强。可见，在该时刻，WPRD2分析场在广东北部有更强的西风辐合。对于V风场，在广东南到西南部，WPRD2背景场的南风比CTL的强得多(图 9g—h)。对于V风场分析增量，在广东中部，CTL与WPRD2从南到北都存在一个正负偶极子对，但前者的偶极子对位置偏南且强度偏弱(图 9g)，而后者则偏北偏强(图 9h)。WPRD2的偶极子分析增量减弱了广东北部的南风急流。南正北负的偶极子分析增量叠加在背 景场南风上，这有利于广东中部南风辐合的加强。

因此，相比CTL，WPRD2分析场在该时刻的低空西南急流及相应的风场辐合的位置更北而强度更强。WPRD2在珠江口南侧海面上的气旋性风场分析增量的范围比6小时前的还大，而CTL在该区域则没有出现该分布型分析增量。可见，WPRD2分析场在该区域具有比CTL强的气旋性环流。

图 10为CTL与WPRD2试验初始场与13时预报场。15日00时，CTL的水汽大值区位于广东南部，比湿最大值达到18 g/kg(图 10a)。此时，WPRD2在广东南部沿海有一个比湿大值中心，最大值达到20 g/kg(图 10b)。与CTL相比，WPRD2初始场在沿海地区有更为充足的水汽，而这些充足的水汽主要是循环同化过程中南部沿海较大的南风输送累积而成的。此外，CTL低空西南急流则主要位于南部沿海地区且组织较散乱，而WPRD2低空西南急流主要位于广东北部且更组织化。因此，CTL在广东中部和南部有较大的风场辐合(图 10a)，而WPRD2较大的风场辐合则主要集中在广东北部(图 10b)。此外，WPRD2在珠江口南侧海面上存在一个直径约200 km的局地气旋性环流。该环流的存在，一方面有利于其东侧的南风不断往广 东东北部输送水汽，造成该地区水汽辐合加强；一方面通过与环境场的西南低空急流相互作用，从而导致珠三角以西风场辐合增强。正因为WPRD2初始场风场辐合带较为偏北，且南部有充足的水汽通过低空急流源源不断地输送到北部，加上局地环流造成的东北部强水汽辐合。所以，模式预报的前6小时强降水主要集中在北部到东北部。对于CTL前6小时强降水，由于初始场风场辐合带位置偏南，且南部有较为充足的水汽，因此，其预报的位置偏南且强度偏大。WPRD2预报的强降水中心偏北可能与其预报的低空急流偏北有关，这可能直接导致珠江口南侧海面上的局地气旋性环流偏北，从而使强风场辐合出现在珠三角以西地区(图 10b)，而这直接造成了前6小时珠三角西部的强降水中心(图 8j)。因此，该强降水中心是否虚报可能还需要一些海上降水观测来判断。

图 10 2013年5月15日00时(a、b)及13时(c、d)CTL(a、c)与WPRD2(b、d)试验 在850 hPa风场(箭头)、散度(阴影)与比湿(等值线，间隔为1 g/kg)Fig. 10 Wind fields(arrows)，divergence(shaded) and specific humidity(contours in 1 g/kg intervals) from the CTL(a，c) and WPRD2(b，d)on 850 hPa at 00：00 UTC 15 May(a，b) and 13：00 UTC 15 May(c，d)2013

图选项

随着模式积分的进行，WPRD2的低空急流逐渐往东南方向移动，沿海局地环流逐渐向西北方向移动，两者的相互作用不断加强。低空急流维持较大的强度，与来自海上的局地环流形成较强的风场切变，直接导致广东西部出现较强的风场辐合中心(图略)。该风场辐合中心不断东移，使得广东中部(佛冈附近)出现一个强度超过32×10^-5 s^-1的风场辐合中心(图 10d)。同时，该地区的水汽也较为充分。在这两个因素的共同作用下，WPRD2能预报出佛冈附近的强降水。CTL的低空急流比初始场时有所加强，但组织化程度仍然不高，以致于相应的风场辐合中心比较零散且强度较低(图 10c)。此时，CTL虽然在广东中部有较为充足的水汽，但因为低层动力辐合条件较弱而无法预报出较强降水。

WPRD1与WPRD2的分析增量形态较为接近，但强度上略有差异(图 11)。相比WPRD1，WPRD2在两广交界处有更大的西风(图 11a)与南风(图 11b)分析增量。可见WPRD2的14日18时分析场在广西境内有更强的西南低空急流。随后，广西境内的低空急流将东移至广东境内。因此，在15日00时，WPRD2在广东中北部的低空急流比WPRD1更强(图 12a)。14日18时，在珠江口南侧海面上，WPRD2与WPRD1分析增量差值场出现了U风北正南负与V风西正东负的偶极子分布。这主要是珠海风廓线雷达原始观测与其EOF90场的差异引起的。可见，相比WPRD1，WPRD2该时刻分析场在该区域具有更强的反气旋性环流，而这一特征一直维持到15日00时(图 12a)。因此，WPRD2在珠江口南侧海面上的局地气旋性环流比WPRD1弱(图 12a)。综上所述，风廓线雷达观测的EOF90场与原场之间的差异造成了WPRD2与WPRD1分析场在描述低空急流与沿海局地环流方面的差异。

图 11 2013年5月14日18时WPRD2与WPRD1在850 hPa风场分析增量的差值 (阴影；箭头为背景场风矢量；黑点表示广东境内风廓线雷达观测的位置；a．纬向风，b．经向风)Fig. 11 Differences(shaded)of the analysis increments for U-wind(a) and V-wind(b) at 850 hPa between WPRD2 and WPRD1(arrows are wind vectors in background fields，black points show the locations of the wind profile radars in Guangdong)

图选项

正因为WPRD2在15日00时具有比WPRD1更强的低空西南急流，其在广东中北部的低层风场辐合也更强(图 12a)，而这也是其前6小时预报能较好地描述广东北部降水落区与强度的原因。相比WPRD1，WPRD2沿海局地环流较弱，这直接导致其与低空急流的相互作用所形成的风场切变也较弱。相应地，WPRD2在珠三角西部的低层风场辐合也比WPRD1的弱(图 12a)。随着模式积分的进行，珠三角西部的风场辐合不断发展加强。因此，WPRD1在广东南部出现了更大的降水(图 8g)。WPRD2初始场中低空急流强度较快，东移速度也较快(图 12b)。因此，低空急流与沿海局地环流相互作用造成的低层辐合中心东移速度也比WPRD1的快，这使得预报后期佛冈附近有更强的风场辐合中心(图 12b)，从而更好地预报出佛冈的强降水(图 8k、l)。

图 12 WPRD2与WPRD1在850 hPa散度(阴影)和风矢量(箭头)的差值 (a. 5月15日00时，b. 15日13时)Fig. 12 Differences of the divergence(shaded) and wind vector(arrows)at 850 hPa between WPRD2 and WPRD1 at 00：00 UTC 15 May(a) and 13：00 UTC 15 May(b)2013

图选项

采用GRAPES多网格逐3 h循环同化系统进行批量试验。为了了解风廓线雷达资料同化对数值模式预报的影响，设计了2个试验。第1个试验(以下简称“CTL试验”)在循环同化过程中只加入常规观测(探空、地面和船舶)资料，第2个试验(以下简称“WPRD试验”)在CTL基础上再加入风廓线雷达观测数据的EOF90场。批量试验的时段为2013年5月1—31日。在该时段内，每天的18时冷启动，进行6 h的循环同化。其中，在18时、21时和次日00时同化风廓线雷达观测数据，而在18时和次日00时同化常规观测。从次日00时开始做12 h的模式预报，总共30个样本。 4.2 试验结果

本研究批量试验将1 h累积的模式预报降水与地面自动站观测降水进行对比，计算相应的TS评分。将每天12个时次降水预报对应的TS评分进行平均(图 13a—c)，可以发现，WPRD相比CTL对于轻量降水(大于0.1 mm)的预报有所改善。对于中等量级降水(大于2 mm)，WPRD相比CTL的改进更明显，尤其在试验的前几天。对于强降水(大于10 mm)，WPRD相比CTL也有明显改善，尤其在试验的后期。将不同预报时效的降水预报的TS评分进行一个月的平均(图 13b、d、f)，可以发现，WPRD相比CTL的改善主要集中在前8小时。

图 13 1 h累积降水TS评分(a、b、c)前12小时平均逐日变化与(d、e、f)一个月平均随预报时效变化 (a、d．大于0.1 mm降水，b、e．大于2 mm降水，c、f．大于10 mm降水)Fig. 13 Threat Score for the forecasts of the 1 h accumulated precipitation averaged over the previous 12 h forecasts as a function of day(a，b，c) and averaged over the experiment period as a function of valid time(d，e，f)(a，d. the precipitation threshold of 0.1 mm; b，e. the precipitation threshold of 2 mm，c，f. the precipitation threshold of 10 mm)

图选项

风廓线雷达观测资料因其较高的时间与垂直分辨率，已广泛应用于气象分析与预测中。为了考察中国广东风廓线雷达观测数据在资料同化中的应用效果，首先探讨了该资料的质量控制方法，接着基于 GRAPES 3D-Var资料同化系统，针对一个实际天气个例分析了该资料对模式分析与预报的影响。

采用EOF分析方法对风廓线雷达观测资料进行质量控制。首先，利用分析时刻向前及向后1小时内的观测数据构成时间序列，并对该时间序列进行EOF分解，获得该时段内的风场垂直分布的主要模态。接着，利用EOF分解获得的主要模态重构该时段内的时间序列，获得分析时刻的风场垂直分布。

针对2013年5月广东13部风廓线雷达的观测数据，采用EOF分析方法对其风场进行了重构，并比较了重构场与原始场的差异。相比原始观测，重构风场增大(减小)了来自时空大(小)尺度的贡献，能较好地滤除风廓线雷达资料小尺度高频脉动，而且能较好地保留大尺度平均状态与局地中小尺度系统的共同影响。

为了减小风廓线雷达观测因较高的垂直分辨率而产生的观测误差与垂直的相关，对质量控制后的重构风场进行了垂直稀疏化，使其垂直分辨率与模式的基本接近。

假设ECMWF再分析资料是大气真值的最佳估计，将其与风廓线雷达资料进行对比。可以发现，风廓线雷达观测数据经过质量控制后能更加接近ECMWF再分析资料。同时，将经质量控制后的重构场与ECMWF再分析场的差值的标准差作为风廓线雷达资料的观测误差标准差的初步估计。此外，通过计算风廓线雷达观测与NCEP 6 h预报场的差值的平均值与标准差，统计了风廓线雷达资料的观测增量在质量控制前后的特征差异。可以发现，经过质量控制的观测数据能更好地满足高斯分布与无偏假设，即更好地满足变分同化的理论假设。

将经过质量控制的风廓线观测数据应用于GRAPES 3D-Var逐3 h循环同化系统，针对华南前汛期的1次强降水过程进行分析与预报试验。试验结果表明，在循环同化过程中加入风廓线雷达资料可以改善模式初始场对低空西南急流与沿海局地环流的描述，使其更好地刻画大气中水汽与风场辐合的特征，从而更好地预报出强降水的位置与强度。利用2013年5月的风廓线雷达观测资料，进行了为期1个月的资料同化与数值模式预报的批量试验。试验表明，同化风廓线雷达资料后，数值模式能更好地预报短期降水。

本研究只通过个例研究与为期一个月的批量试验说明了风廓线雷达观测在资料同化中的作用，以及在数值模式强降水预报中的优势。为了更全面阐述风廓线雷达资料在数值天气预报中的作用，下一步工作将进行风廓线雷达观测的资料同化与模式预报的更长时间的批量试验。近年来，多尺度同化技术取得了不少进展。后续的工作将考虑采用多尺度同化技术来提取风廓线雷达资料中不同尺度的信息，从而更好地提高资料同化以及模式预报的效果。