2. 中国气象科学研究院灾害天气国家重点实验室, 北京 100081;
3. 美国俄克拉荷马大学风暴分析与预测中心, 俄克拉荷马州 73072
2. State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081;
3. Center for Analysis and Prediction of Storms, University of Oklahoma, Oklahoma 73072, USA
经过数十年的发展[1-6],双线偏振多普勒雷达(简称双偏振雷达)已从单纯的科学研究走向业务应用。2013年美国已经将其业务多普勒天气雷达(Weather Surveillance Radar-1988 Doppler,简称WSR-88D)全部升级为双偏振雷达[7-8]。中国也计划在业务多普勒天气雷达上加装双偏振功能,目前广东省已完成了6部原有多普勒天气雷达的升级改造,并在珠海、深圳和连州新建了3部双偏振雷达[9]。过往经验[10-11]表明,雷达探测资料的质量控制对雷达的业务应用至关重要。实际探测过程中,非气象回波会使观测结果出现偏差,进而影响定量降水估计精度[12]、云微物理过程研究、资料同化应用等,因而一直是影响雷达探测资料质量的一个主要因素。非气象回波范围十分广泛,包括人造通讯设备和太阳耀斑带来的电磁干扰、雷达波束异常传播造成的地物杂波、昆虫和鸟类等生物回波[13],较高建筑物或山脉等造成的地物回波[14]及海洋回波[15]等。在使用双偏振雷达资料之前,有必要对资料进行严格的质量控制,去除非气象回波的影响。
在双偏振雷达资料获得广泛应用之前,人们主要利用非降水回波/降水回波的空间分布差异处理非气象回波[16]。Zhang等[17]依据WSR-88D体扫数据中反射率因子的水平、垂直结构来区分降水/非降水回波。Lakshmanan等[18]进一步使用神经网络方法将多种观测特征结合起来识别非降水回波。刘黎平等[19]和江源等[20]则基于模糊逻辑方法使用反射率因子、径向速度(radial velocity,简称Vr)、速度谱宽(spectrum width,简称SW)识别地物回波,建立了适合中国CINRAD/SA雷达的地物回波识别方法。这些技术能有效去除大量非气象回波,但对降水和地物混合区的识别仍存在困难。
双偏振雷达的业务应用为雷达资料质量控制提供了新的契机。双偏振雷达交替或同时发射水平/垂直偏振波,并接收两个偏振方向的回波,不仅可以观测到降水系统的回波强度(reflectivity,简称ZH),还可以探测到差分反射率(differential reflectivity,简称ZDR)、比差分相位(specific differential phase,简称KDP)、零滞后互相关系数(co-polar cross-correlation coefficient,简称ρHV)等[2]。从这些偏振量中可以获得粒子的尺度谱、二维形状、排列取向等信息。基于偏振量的优势,气象学者建立了一些偏振雷达资料质量控制算法[21-24]。Tang等[23]以ρHV为核心,结合ZH和环境温度数据构建了非气象/气象回波分离算法,并将其用于北美实时多雷达多传感器定量降水估计系统,获得了较高的Heidke技巧评分(0.83)。这些研究表明,合适的ρHV阈值可用于区分非气象/气象回波。
模糊逻辑[19, 25]和神经网络[18]具有综合处理多个变量的优势,因此,已被广泛用于常规天气雷达的质量控制。在双偏振雷达投入业务应用后,Lakshmanan等[26]利用神经网络将WSR-88D偏振雷达的ZH,Vr,SW,ρHV,ZDR和差分相位(differential phase on propagation,简称ΦDP)用于识别非气象回波,并在质量控制系统运行一段时间后,通过统计评估表明ZDR方差、ZH结构和ΦDP梯度对识别非气象回波贡献最显著[27]。但该质量控制方法较为复杂,且其效果十分受限于用来训练神经网络的数据集的质量。模糊逻辑用简单的规则(隶属函数)描述不同散射体,流程上更加简单,且具有处理重叠的或者“被噪声污染”的数据的能力,国内[22, 28]、国外[29-30]有大量研究采用模糊逻辑识别非气象回波。
以往研究多单独使用偏振量阈值检查或水凝物分类筛选去除非气象回波,但对广东省S波段双偏振雷达的个例测试结果表明:某一种质量控制方法并不能完全剔除非气象回波,需要综合不同质量控制算法的优势,才能达到完全去除非气象回波的目的。同时现有工作多集中于北美S波段WSR-88D偏振雷达,或是国内科研用途的移动X波段、C波段偏振雷达,且大多仅针对某一类型非气象回波进行处理。而对于特定双偏振雷达,如何获取高质量观测资料,提高其在该地区业务应用水平仍是十分棘手的问题。我国正在将大量的业务S波段多普勒天气雷达升级为双偏振雷达,做好S波段双偏振雷达资料质量控制以及其在东亚季风区的应用评估是目前亟需开展的工作之一。因此,本文综合国内外的偏振雷达资料质量控制方法,尤其是北美WSR-88D偏振雷达的质量控制经验,建立了一套面向S波段双偏振雷达的质量控制流程方案,并针对飑线、暴雨、台风等华南季风区强对流天气开展应用评估。除了重点关注非气象回波识别及移除外,还考虑了雷达的非标准阻塞订正、影响资料同化应用的径向高频脉动等问题,以期为今后我国S波段双偏振雷达质量控制以及在强对流天气监测预警、定量降水估测、资料同化中应用提供参考。
1 质量控制方法偏振雷达系统已对ZDR和ΦDP进行标定,因而不再考虑上述变量的偏差问题。另外除少数极端情况外,S波段雷达的衰减基本可以忽略不计。最终本文针对非标准波束遮挡、非气象回波和径向高频脉动建立质量控制流程(图 1)。先后包括非标准波束遮挡订正、水凝物分类筛选、ρHV、信噪比(signal-to-noise ratio,简称SNR)、KDP阈值检查、孤立杂波去除、中值滤波、径向平滑等。下面将以2017年5月8日10:00(世界时,下同)广州偏振雷达对一次华南飑线的观测为例,讨论上述质量控制流程。
1.1 非标准波束遮挡订正
广东多山地和丘陵,布设的偏振雷达低仰角可能全部或部分受地形遮挡,进而引起偏振观测量负偏差。由树木或其他人造物体(建筑物、通信塔等)带来的波束遮挡称为非标准波束遮挡(non-standard blockage,简称NSB)。波束遮挡会导致雷达PPI和其他相关产品中出现不连续。针对该问题,Tang等[31]提出通过累加一段时间(如10 h)的反射率因子,找到方位角方向的梯度不连续区,建立静态文件,并以此作为识别NSB的依据。在实际业务应用中可定期更新该静态文件。以广州偏振雷达为例,0.5°和1.5°仰角的累计反射率因子存在3条窄的锲形不连续区(图 2a黑色箭头,方位角290°~300°之间),因而可判定该区域存在NSB。需要说明的是该方法只能识别树木或人造物引起的波束遮挡,无法应用于波束超折射的情况。
当识别出NSB后,采用Tang等[31]的方法移除方位角宽度小于5°的NSB:
(1) |
式(1)中,AZ是AZ1,AZ2之间的方位角,ZAZ是订正后的偏振值。若NSB方位角宽度为5°~180°,则将相应偏振量设为缺省;若NSB方位角宽度大于180°,则舍弃该仰角资料。该方法简单有效,完全弥补了广州偏振雷达290°附近的波束遮挡(图 3a、图 3b,黑色虚线圆)带来的观测缝隙,使得偏振观测量在切向上变得连续一致(图 3c、图 3d,黑色虚线圆)。
1.2 水凝物分类筛选
水凝物分类是偏振雷达资料的主要应用领域之一[32],如Park等[30]基于模糊逻辑建立了一套水凝物分类算法,并在北美的WSR-88D偏振雷达系统中获得了业务应用。为识别并剔除非气象回波,本文引入了基于模糊逻辑的水凝物分类, 同时对该方法进行了一定的本地化处理:利用Wu等[33]针对华南飑线的水凝物分类研究结果更新相关隶属函数阈值;加入模式的温度信息。该算法将雷达回波划分为10类:地物杂波(GC/AP)、生物回波(BS)、干雪(DS)、湿雪(WS)、冰晶(CR)、霰(GR)、大滴(BD)、小雨(RA)、大雨(HR)和雨-雹混合物(RH)。大滴指粒子谱分布倾向于大粒子端的雨滴,而大雨则定义为只出现在ZH>40 dBZ的区域。具体计算流程:首先利用隶属函数计算ZH, ZDR, ρHV, ZH标准差(径向1 km)和ΦDP标准差(径向2 km)在各散射粒子类别内的概率值,然后将偏振量概率值加权求和,采用模式温度和经验值对各散射体的概率加以限定(如在零度层以上,将液相粒子类别(大滴、小雨和大雨)的概率值修订为0,冰相粒子类别(冰晶、干雪和湿雪)在完全融化层(即模式中雪粒子出现的最低高度)以下的概率值也为0),最后取概率和极大值对应的散射粒子类别为该点的散射粒子。
图 4给出了2017年5月8日10:00广州偏振雷达的水凝物识别结果。就整体而言,对流云、层云粒子组成较为合理,与ZH和ZDR等偏振量(图 3c和图 3d)分布一致。对流区(ZH>45 dBZ)呈线状分布,主要由大雨滴和少量冰雹粒子组成。层云范围广泛,在零度层(位于雷达西北方的清远探空站0℃高度约为4.2 km,与广州偏振雷达0.5°仰角的200 km探测距离相当)以下,主要由小雨组成;零度层附近分布着湿雪、霰等粒子;零度层以上则主要是冰晶和干雪;而地物和生物体则主要分布于雷达站点附近(图 3c、图 3d,红色圆圈)。依据水凝物识别结果,剔除地物杂波和生物回波对应的偏振量,抑制了部分非气象回波(图 3e、图 3f,红色圆圈)。需要指出的是文中采用的水凝物分类算法无法区分生物回波和晴空回波,该处剔除的生物回波可能含有部分晴空回波。
1.3 阈值检查
已有研究[7, 23, 28]表明:在大多数天气系统中,气象回波和非气象回波的ρHV差距十分明显。作为衡量信号与噪声比例的变量,SNR越大表明信号越强,噪声越可以忽略。因而可综合利用ρHV和SNR对偏振雷达观测进行阈值检查,剔除不可信的偏振资料。早期WSR-88D偏振雷达粗略地将气象回波的ρHV阈值取为0.9[34]。但冰雹区和融化层的ρHV值一般小于0.9[7];而鸟类回波、波束异常传播会导致ρHV大于0.9[23]。因此,该方法在上述两种情况中会出现误判。为避免将气象回波误判为非气象回波,初步将ρHV的阈值放宽降低至0.8(初步认为ρHV>0.8是气象回波)。同时分析多个个例发现,低信噪比常导致回波边缘时常出现ρHV>1的情况,因而该处也剔除了ρHV>1的偏振资料。一般SNR大于20 dB,C波段偏振雷达的偏振资料才稳定可靠[35]。但S波段偏振雷达波长较长,衰减更少,暂时将SNR阈值缩小到10 dB。许多情况(如固态降水、有缺陷的KDP算法等)会导致KDP出现负值,但负的KDP观测在数值模式应用中没有意义,因此,也剔除小于0.01°/km的KDP。总体而言,若ρHV或SNR满足阈值条件(ρHV>1.0或ρHV<0.8或SNR小于10 dB),则剔除对应库的ZH,ZDR和KDP。但KDP阈值检查只针对KDP观测。
以广州偏振雷达2017年5月8日10:00的体扫为例(表 1),阈值检查剔除了7.1%的ZH、3.3%的ZDR和22.4%的KDP。由于未通过阈值检查的资料主要位于回波边缘,其数量随仰角变化的幅度不大,回波范围却随着仰角升高而迅速减小,因而最终导致未通过阈值检查的偏振量占该仰角有效观测的比例逐渐加大。对比阈值检查前(图 3e、图 3f,红色圆圈)、后(图 3g、图 3h,红色圆圈)的结果可见,阈值检查能进一步减少靠近雷达站点的非气象回波。
1.4 杂波剔除
经过上述质量控制后,仍然还存在呈孤立点的噪声(图 3g、图 3h)。为此,参考常规多普勒天气雷达资料处理这类噪声的经验[36],依据式(1)进行简单的过滤:
(2) |
式(2)中,x表示某个距离库偏振量,以它为中心点,取3×3的扇形区域,区域内有效偏振量值为N个,Ntotal表示扇形区域内的资料总数;Px为区域有效偏振量占比。若Px小于某一阈值(缺省为2/3),则认为x点是孤立的,直接剔除其偏振观测量。剔除孤立杂波后,靠近雷达站点基本不再存在非气象回波(图 3i、图 3j)。同时该方法对呈射线分布的噪声同样能有效去除。如5月8日10:00清远偏振雷达0.5°PPI,杂波剔除过程去除了其东南象限的射线状噪声(图略)。
1.5 平滑1.2~1.4节所描述的质量控制步骤主要剔除了非气象回波,并未对气象回波的观测值做任何处理。因此,经过上述质量控制的偏振量在径向上变化(见图 5灰色实线)仍较为剧烈。目前主流业务中心的区域数值模式分辨率仍在1 km以上,而双偏振雷达的距离库分辨率为250 m。两者的不匹配不利于偏振雷达资料在数值模式中的应用[37]。因而有必要对偏振观测做滤波处理,以保证观测和模式分辨率相互匹配。本文先采用中值滤波过滤掉偏振量的高频脉动。对比不同中值滤波方法的结果表明,在临近3条径向上做滤波(图 5蓝色实线)会使偏振量失真;在1条径向上(图 5红色实线)做中值滤波既能保证偏振量变化的基本趋势,还能滤掉高频脉动。中值滤波后(图 5红色实线),偏振观测仍呈现矩形波特点,因此,用九点径向滑动平均(图 5黑色实线)使偏振量更加平滑。
图 3k(黑色实线圆)、图 3l分别给出了经过完整质量控制后的ZH和ZDR分布,水凝物分类、阈值检查和杂波剔除能有效识别并去除非气象回波;中值滤波和滑动平均两步平滑处理既能保持偏振观测主要特征不变,又使得径向数据更加平滑。
2 质量控制效果评估除在第1章中使用的飑线个例外,本文还针对台风、暴雨两类最频繁的灾害性天气系统进行定性评估。所选个例包括2017年“5.7”广州局地突发特大暴雨(图 6)和2017年第13号强台风天鸽(图 7)。整体而言,该质量控制系统能有效去除雷达站点附近的非气象回波,识别并剔除少量异常传播的波束。
2017年5月7日广州突发特大暴雨过程。5月6日18:00—7日08:00广州多个气象站累积降水量超过300 mm,其中6日22:00增城新塘镇1 h降水量高达184.7 mm(广东省有气象观测记录以来小时雨强第2位)。图 6给出了6日21:54广州偏振雷达0.5°仰角质量控制前后的偏振量分布。由图 6可以看到,质量控制系统不仅去除了大量的非气象回波(图 6a、图 6d黑色虚线),而且还识别并剔除了方位角60°附近的异常波束(图 6b、图 6e红色虚线圈)。这是由于异常传播波束一般不会连续超过多个方位角宽度,因而能在杂波剔除模块中被识别并剔除。质量控制后的回波更加清晰,且回波中心(方位角50°,距离站点40 km附近)更加突出。
2017年8月23日强台风天鸽(1713)登陆。8月23日00:54,阳江偏振雷达观测到强台风天鸽的西侧云系,此时台风中心位于阳江雷达以东约230 km (图 7)。偏振雷达资料质量控制系统同样也去除了阳江雷达站点附近的非气象回波。在被去掉的非气象回波中,雷达站点附近(图 7红色虚线圆)的KDP噪音最大,量级可达±10°/km以上(图 6c和图 7c)。此类回波若没有被剔除会严重削弱KDP的应用,如降低定量降水估计算法R(KDP)精度等。
另外,本文还在S波段偏振雷达资料质量控制系统中建立质量标示体系,即在不同质量控制步骤中赋予资料不同的数字标记。在飑线、暴雨和台风3类个例中,偏振雷达质量控制系统剔除了60%~70%有效观测(有效观测定义为ZH>-30 dBZ)。其中水凝物分类筛选剔除的资料最多,ρHV检查次之,SNR检查再次之,杂波剔除最少(图 8)。值得注意的是,资料剔除量与质量控制的先后顺序有关,由于先进行水凝物分类筛选,其剔除的有效观测因而相对最多。被质量控制系统剔除的多数资料都位于ZH<20 dBZ且ρHV<0.8的区间。但还有一部分被ρHV检查剔除的资料位于ρHV>1.0且ZH<30 dBZ的区间,质量标示PPI(图略)显示该部分资料主要位于主体气象回波边缘及雷达站点附近非气象回波中间。经过质量控制后,气象回波的ZH和ρHV分别为18~60 dBZ和0.8~1。
图 9给出了通过质量控制的ZDR与ZH频数统计分布。统计过程中考虑了偏振雷达低仰角(0.5°)的全部气象回波,并未区分层云和对流云。统计结果表明:多数气象回波的ZDR为-0.2~4 dB,ZDR与ZH的分布形态与其他研究结论类似[7, 22]。图 9给出的ZH仅分布于5~30 dBZ,这与较大的ZH(>30 dBZ)观测数量较少、统计频数位于5%以下有关。
3 小结
本文参考北美WSR-88D偏振雷达网和我国过去用于科研的C波段、X波段双偏振雷达的质量控制经验,建立了一套针对广东省S波段双偏振雷达的质量控制系统,并在2017年的飑线、暴雨、台风天气中开展应用评估,该质量控制系统重点解决了雷达波束非标准阻塞、非气象回波和径向高频脉动3个问题,结果表明:
1) 在依据累计反射率因子识别波束NSB后,使用线性内插订正阻塞宽度小于5°的区域。非标准阻塞订正能够弥补NSB带来的小范围观测缝隙,使偏振量在波束切向方向变得连续。
2) 水凝物分类筛选、阈值检查和杂波剔除被用于剔除非气象回波。其中水凝物分类筛选是基于模糊逻辑建立的,该质量控制步骤剔除了雷达站点附近的大部分地物及生物杂波,其剔除的观测数量占整个质量控制系统的资料剔除量最高,这与最先做水凝物分类筛选有密切关系。其后的ρHV, SNR和KDP阈值检查进一步剔除了非气象回波,保证了观测资料的稳定可靠。最后采用区域统计有效观测的方式剔除孤立的噪音,并且该过程还能有效识别并剔除少量由波束异常传播导致的射线状噪音。在2017年的“5.7”广州局地突发特大暴雨、“5.8”飑线和强台风天鸽(1713)3个强对流天气个例的应用结果表明:上述3步质量控制基本剔除了非气象回波,使得气象回波更加清晰突出。剔除的资料量占总体有效观测(ZH>-30 dBZ)的60%~70%。质量控制后,气象回波的ZH,ρHV和ZDR分别为18~60 dBZ,0.8~1和-0.2~4 dB。
3) 考虑到资料径向高频脉动问题及其对数值模式同化应用的影响,采用单一径向上的九点中值滤波过滤掉偏振量的高频脉动和九点径向平滑保证资料的平滑性,实现了在保证偏振量变化的基本趋势情况下滤掉高频脉动影响。
需要指出的是,本文仅利用2017年3个强对流天气个例评估了S波段偏振雷达质量控制系统的性能,还需要进行长时间的批量测试,方能保证该系统的稳定有效。另外,如何将多部双偏振雷达组网拼图、形成三维格点化偏振量产品将是未来数值模式充分利用双偏振雷达资料的另一个重要前提。
[1] |
Seliga T A, Bringi V N. Potential use of differential refleotivity measurements at orthogonal polarizations for measuring precipitation. J Appl Meteor, 1976, 15: 69-76. DOI:10.1175/1520-0450(1976)015<0069:PUORDR>2.0.CO;2 |
[2] |
Bringi V N, Chandrasekar V, 李忱, 等. 偏振多普勒天气雷达原理和应用. 北京: 气象出版社, 2010.
|
[3] |
梁海河, 徐宝祥, 刘黎平, 等. 偏振微波雷达探测大气研究进展及几个问题的考虑. 地球科学进展, 2005, 20(5): 541-548. DOI:10.3321/j.issn:1001-8166.2005.05.009 |
[4] |
Ryzhkov A V, Schuur T J, Burgess D W, et al. The joint polarization experiment:Polarimetric rainfall measurements and hydrometeor classification. Bull Amer Meteor Soc, 2005, 86(6): 809-824. DOI:10.1175/BAMS-86-6-809 |
[5] |
刘黎平, 葛润生. 中国气象科学研究院雷达气象研究50年. 应用气象学报, 2006, 17(6): 682-689. DOI:10.3969/j.issn.1001-7313.2006.06.006 |
[6] |
陈明轩, 俞小鼎, 谭晓光, 等. 对流天气临近预报技术的发展与研究进展. 应用气象学报, 2004, 15(6): 754-766. DOI:10.3969/j.issn.1001-7313.2004.06.015 |
[7] |
Kumjian M R. Principles and applications of dual-polarization weather radar.Part Ⅰ:Description of the polarimetric radar variables. J Oper Meteor, 2013, 1(19): 226-242. DOI:10.15191/nwajom.2013.0119 |
[8] |
Kumjian M R. Principles and applications of dual-polarization weather radar.Part Ⅱ:Warm and cold season applications. J Oper Meteor, 2013, 1(19): 243-264. |
[9] |
王洪, 吴乃庚, 万齐林, 等. 一次华南超级单体风暴的S波段偏振雷达观测分析. 气象学报, 2018, 76(1): 92-103. |
[10] |
刘黎平, 张沛源, 梁海河, 等. 双多普勒雷达风场反演误差和资料的质量控制. 应用气象学报, 2003, 14(1): 17-29. DOI:10.3969/j.issn.1001-7313.2003.01.003 |
[11] |
王红艳, 刘黎平, 王改利, 等. 多普勒天气雷达三维数字组网系统开发及应用. 应用气象学报, 2009, 20(2): 214-224. DOI:10.3969/j.issn.1001-7313.2009.02.011 |
[12] |
东高红, 刘黎平. 雷达与雨量计联合估测降水的相关性分析. 应用气象学报, 2012, 23(1): 30-39. DOI:10.3969/j.issn.1001-7313.2012.01.004 |
[13] |
Lakshmanan V, Zhang J. Censoring biological echoes in weather Radar images. IEEE, 2009, 5: 491-495. |
[14] |
Li Y, Zhang G, Doviak R J. Ground clutter detection using the statistical properties of signals received with a polarimetric Radar. IEEE Transactions on Signal Processing, 2014, 62(3): 597-606. DOI:10.1109/TSP.2013.2293118 |
[15] |
Carretero-Moya J, Gismero-Menoyo J, Blanco-del-Campo Á, et al. Statistical analysis of a high-resolution sea-clutter database. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(4): 2024-2037. |
[16] |
李丰, 刘黎平, 王红艳, 等. C波段多普勒天气雷达地物识别方法. 应用气象学报, 2014, 25(2): 158-167. DOI:10.3969/j.issn.1001-7313.2014.02.005 |
[17] |
Zhang J, Wang S, Clarke B. WSR-88D Reflectivity Quality Control Using Horizontal and Vertical Reflectivity Structure//11th Conf on Aviation, Range, and Aerospace Meteorology. Amer Meteor Soc, 2004.
|
[18] |
Lakshmanan V, Fritz A, Smith T, et al. An automated technique to quality control Radar reflectivity data. Journal of Applied Meteorology and Climatology, 2007, 46(3): 288-305. DOI:10.1175/JAM2460.1 |
[19] |
刘黎平, 吴林林, 杨引明. 基于模糊逻辑的分步式超折射地物回波识别方法的建立和效果分析. 气象学报, 2007, 65(2): 252-260. DOI:10.3321/j.issn:0577-6619.2007.02.011 |
[20] |
江源, 刘黎平, 庄薇. 多普勒天气雷达地物回波特征及其识别方法改进. 应用气象学报, 2009, 20(2): 203-213. DOI:10.3969/j.issn.1001-7313.2009.02.010 |
[21] |
Friedrich K, Hagen M, Einfalt T. A quality control concept for radar reflectivity, polarimetric parameters, and Doppler velocity. J Atmos Ocean Technol, 2006, 23(7): 865-887. DOI:10.1175/JTECH1920.1 |
[22] |
杜牧云, 刘黎平, 胡志群, 等. 双线偏振多普勒雷达资料质量分析. 气象学报, 2013, 71(1): 146-158. |
[23] |
Tang L, Zhang J, Langston C, et al. A physically based precipitation-nonprecipitation radar echo classifier using polarimetric and environmental data in a real-time national system. Wea Forecasting, 2014, 29(5): 1106-1118. DOI:10.1175/WAF-D-13-00072.1 |
[24] |
杜牧云, 刘黎平, 胡志群, 等. 双线偏振雷达差分传播相移的质量控制. 应用气象学报, 2012, 23(6): 710-720. DOI:10.3969/j.issn.1001-7313.2012.06.008 |
[25] |
Kessinger C, Ellis S, Andel J V. The Radar echo classifier: A fuzzy logic algorithm for the WSR-88D//Third Conf on Artificial Intelligence Applications to the Environmental Science. Amer Meteor Soc, 2003.
|
[26] |
Lakshmanan V, Karstens C, Krause J, et al. Quality control of weather radar data using polarimetric variables. J Atmos Ocean Technol, 2014, 31(6): 1234-1249. DOI:10.1175/JTECH-D-13-00073.1 |
[27] |
Lakshmanan V, Karstens C, Krause J, et al. Which polarimetric variables are important for weather/no-weather discrimination?. J Atmos Ocean Technol, 2015, 32(6): 1209-1223. DOI:10.1175/JTECH-D-13-00205.1 |
[28] |
肖艳姣, 王斌, 陈晓辉, 等. 移动X波段双线偏振多普勒天气雷达差分相位数据质量控制. 高原气象, 2012, 31(1): 223-230. |
[29] |
Krause J M. A simple algorithm to discriminate between meteorological and nonmeteorological radar echoes. J Atmos Ocean Technol, 2016, 33(9): 1875-1885. DOI:10.1175/JTECH-D-15-0239.1 |
[30] |
Park H, Ryzhkov A V, Zrnic' D S, et al. The hydrometeor classification algorithm for the polarimetric WSR-88D:Description and application to an MCS. Wea Forecasting, 2009, 24(3): 730-748. DOI:10.1175/2008WAF2222205.1 |
[31] |
Tang L, Zhang J, Qi Y, et al. Non-standard Blockage Mitigation for National Radar QPE Products//36th Conference on Radar Meteorology. Amer Meteor Soc, 2013: 354.
|
[32] |
Chandrasekar V, Keränen R, Lim S, et al. Recent advances in classification of observations from dual polarization weather radars. Atmos Res, 2011, 119: 97-111. |
[33] |
Wu C, Liu L, Wei M, et al. Statistics-based optimization of the polarimetric radar hydrometeor classification algorithm and its application for a squall line in South China. Adv Atmos Sci, 2018, 35(3): 296-316. DOI:10.1007/s00376-017-6241-0 |
[34] |
Ryzhkov A V, Giangrande S E, Schuur T J. Rainfall estimation with a polarimetric prototype of WSR-88D. J Appl Meteor, 2005, 44(4): 502-515. DOI:10.1175/JAM2213.1 |
[35] |
赵果, 王致君, 贾伟, 等. 双线偏振天气雷达有效探测范围研究. 高原气象, 2016, 35(1): 244-250. |
[36] |
宗蓉, 刘春云. 雷达反射率数据质量控制方法初探. 气象与环境学报, 2009, 25(2): 62-67. DOI:10.3969/j.issn.1673-503X.2009.02.012 |
[37] |
王洪, 万齐林, 尹金方, 等. 双线偏振雷达资料在数值模式中的应用:模拟器的构建. 气象学报, 2016, 74(2): 229-243. |