王斌張健

（1 中國氣象局武漢暴雨研究所，武漢 430074；2 美國國家強(qiáng)風(fēng)暴實驗室，美國）

美國國家強(qiáng)風(fēng)暴實驗室定量降水估算系統(tǒng)簡介

王斌1張健2

（1 中國氣象局武漢暴雨研究所，武漢 430074；2 美國國家強(qiáng)風(fēng)暴實驗室，美國）

介紹了美國國家強(qiáng)風(fēng)暴實驗室（NSSL）研究開發(fā)的定量降水估算系統(tǒng)——全國拼圖和多途徑定量降水估算系統(tǒng)。對該系統(tǒng)的基本情況、各種產(chǎn)品模塊和涉及的算法技術(shù)等進(jìn)行了詳細(xì)介紹，也簡單介紹了該系統(tǒng)的評估結(jié)果、應(yīng)用效益和今后需要開展進(jìn)一步研究的技術(shù)挑戰(zhàn)。

美國國家強(qiáng)風(fēng)暴實驗室，定量降水估算，天氣雷達(dá)

1 引言

美國國家強(qiáng)風(fēng)暴實驗室(National Severe Storms Laboratory,NSSL),是美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration, NOAA)直屬的七個實驗室之一。該實驗室位于美國中部的俄克拉荷馬州諾曼市(Norman City,Oklahoma State),主要致力于強(qiáng)烈天氣的預(yù)警和預(yù)報研究。NSSL在科學(xué)研究和技術(shù)開發(fā)上主要涉及3個研究方向,分別為氣象雷達(dá)研究和開發(fā)、災(zāi)害天氣研究以及水文氣象研究,其中水文氣象研究主要包括定量降水估算技術(shù)開發(fā)和洪水、泥石流等預(yù)測預(yù)警技術(shù)開發(fā)。本文即對NSSL近幾年研究開發(fā)的定量降水估算(QPE)系統(tǒng)進(jìn)行介紹。

2 全國拼圖和多途徑定量降水估算系統(tǒng)概況

作為NSSL進(jìn)行定量降水估算實時運(yùn)行和評估的綜合技術(shù)集成平臺,全國拼圖和多途徑定量降水估算系統(tǒng)(National Mosaic and Multi-sensor QPE system,簡稱NMQ系統(tǒng))于2006年開始準(zhǔn)業(yè)務(wù)運(yùn)行[1]。NMQ系統(tǒng)以美國天氣局業(yè)務(wù)雷達(dá)CRAFT數(shù)據(jù)網(wǎng)絡(luò)為基礎(chǔ)[2],融合不同觀測網(wǎng)絡(luò)的數(shù)據(jù),形成:(1)高分辨率的全國多途徑探測定量降水估算(QPE)產(chǎn)品,應(yīng)用于突發(fā)性洪水、大范圍洪水的預(yù)警和水資源管理等；(2)高分辨率全國3D網(wǎng)格化雷達(dá)反射率產(chǎn)品,應(yīng)用于資料同化、數(shù)值預(yù)報模式檢驗以及航空氣象產(chǎn)品開發(fā)等。該系統(tǒng)集成了美國140部WSR-88D雷達(dá)和加拿大31部C波段天氣雷達(dá)的基數(shù)據(jù)。此外,NMQ系統(tǒng)使用快速循環(huán)更新(RUC)模式分析場和水文氣象自動化數(shù)據(jù)系統(tǒng)(HADS)等產(chǎn)品用于QPE計算和評估。

NMQ系統(tǒng)是完全自動化和實時運(yùn)行的。該系統(tǒng)生成高分辨率3D反射率拼圖格點數(shù)據(jù)(31個垂直層)和一系列強(qiáng)天氣和QPE產(chǎn)品,區(qū)域為美國大陸和加拿大南部,時間分辨率為2.5min,空間分辨率1km。目前,該系統(tǒng)還保存了3年的產(chǎn)品歸檔文件。系統(tǒng)產(chǎn)品提供給政府部門、大學(xué)、研究機(jī)構(gòu)和私人單位,實時地用于各種氣象、航空和水文氣象需求。此外,NMQ系統(tǒng)有一個基于WEB網(wǎng)頁形式的評估工具箱,集成了許多業(yè)務(wù)化的QPE產(chǎn)品,如雷達(dá)、雨量計和衛(wèi)星QPE等,與NMQ產(chǎn)品進(jìn)行比較,還可以實時地與獨立雨量計數(shù)據(jù)進(jìn)行比較。該WEB形式的評估系統(tǒng)也對美國天

氣局預(yù)報員和公眾開放使用。經(jīng)多年發(fā)展,NMQ系統(tǒng)已成為一個獲得廣泛應(yīng)用的雷達(dá)資料和QPE產(chǎn)品的服務(wù)和試驗平臺,在促進(jìn)科研和業(yè)務(wù)的融合上發(fā)揮了良好的作用。

3 NMQ系統(tǒng)模塊構(gòu)成及主要技術(shù)

NMQ系統(tǒng)由4個模塊構(gòu)成,采用分布式計算設(shè)計(服務(wù)器節(jié)點數(shù)40),系統(tǒng)框架和運(yùn)行流程如圖1所示[1]。該系統(tǒng)運(yùn)行中使用了多個數(shù)據(jù)來源,包括美國天氣局雷達(dá)基數(shù)據(jù)(level-2),加拿大天氣雷達(dá)網(wǎng)資料,RUC模式小時分析產(chǎn)品,閃電資料,HADS,區(qū)域雨量計網(wǎng)等。四個模塊分別為單雷達(dá)處理、3D和2D雷達(dá)拼圖、新一代QPE[3]和誤差評估。

3.1 單雷達(dá)數(shù)據(jù)處理模塊

該模塊基于單部雷達(dá)數(shù)據(jù)進(jìn)行相應(yīng)的處理,以此作為后續(xù)模塊運(yùn)行的基礎(chǔ)。主要的數(shù)據(jù)處理包括反射率數(shù)據(jù)質(zhì)量控制(QC),垂直反射率廓線(VPR)生成,單雷達(dá)直角坐標(biāo)網(wǎng)格轉(zhuǎn)換,以及單雷達(dá)混合掃描反射率(SHSR)生成。

3.1.1 反射率數(shù)據(jù)質(zhì)量控制

單雷達(dá)數(shù)據(jù)的質(zhì)量控制(QC)包括前處理、神經(jīng)網(wǎng)絡(luò)算法和后處理,能夠基本去除非降水回波,如晴空回波、生物回波(鳥、蝙蝠和昆蟲)、太陽干擾、地面雜波、電子干擾和異常傳輸回波(AP)等。神經(jīng)網(wǎng)絡(luò)QC方法基于反射率數(shù)據(jù)的3D空間特征[4-5],例如強(qiáng)度、梯度、紋理和雷達(dá)回波厚度等,經(jīng)過人機(jī)交互的訓(xùn)練優(yōu)化過程,建立起降水回波和非降水回波的識別機(jī)制。為更好地發(fā)揮神經(jīng)網(wǎng)絡(luò)的功能,雷達(dá)數(shù)據(jù)需要進(jìn)行前處理和后處理,盡量減少觀測質(zhì)量差的數(shù)據(jù)對QC的干擾,以及對QC后的數(shù)據(jù)進(jìn)一步做出過濾和判斷,去除一些特定的難以簡單去除的非降水回波。在前處理中,首先去除那些雷達(dá)庫數(shù)據(jù)中受到明顯遮擋或太接近地物的數(shù)據(jù)(例如高于地面不到50m的庫數(shù)據(jù))?；诶走_(dá)掃描模式和氣象環(huán)境數(shù)據(jù),利用時間和空間圖像過濾器和啟發(fā)式判斷法[6],去除特定的非降水回波,如斑點、太陽干擾、晴空回波、生物回波等。例如,通過比較兩個連續(xù)的雷達(dá)體掃數(shù)據(jù)中大于某個強(qiáng)度的回波總面積,如果發(fā)現(xiàn)兩者的差值超出了設(shè)定的閾值(突然增大),那么就認(rèn)為第二個體掃有誤,數(shù)據(jù)將被忽略。

NMQ系統(tǒng)針對不同類型雷達(dá)采用的質(zhì)控方法也有差別,以保證有良好質(zhì)量的反射率數(shù)據(jù)生成拼圖格點數(shù)據(jù)。例如,針對加拿大C波段雷達(dá)開發(fā)了一個統(tǒng)計式的雜波去除模塊,以移除低仰角回波的固定地物雜波[7]。

圖1 NMQ系統(tǒng)構(gòu)成框架和運(yùn)行流程圖

3.1.2 單雷達(dá)直角坐標(biāo)網(wǎng)格轉(zhuǎn)換

經(jīng)過質(zhì)量控制后,雷達(dá)數(shù)據(jù)從初始的球坐標(biāo)體系插值到直角坐標(biāo)系統(tǒng)中,雷達(dá)站為坐標(biāo)中心點,投影方式為等距圓柱地圖投影。對于WSR-88D雷達(dá),直角坐標(biāo)網(wǎng)格水平范圍從460(海岸雷達(dá))～300km(內(nèi)陸雷達(dá))；水平分辨率為0.01°(大約1km×1km)；垂直方向31層,海拔高度從500m～18km。插值方法在方位—距離平面采用最近鄰居法,在仰角方向采用指數(shù)權(quán)重法[8-9]。坐標(biāo)轉(zhuǎn)換時在雷達(dá)體掃的最低和最高仰角處,當(dāng)網(wǎng)格點位置超過(低于或高于)波束寬度一半時,則不做外推插值。

3.1.3 垂直反射率廓線生成

垂直反射率廓線(VPR)由質(zhì)控后的極坐標(biāo)數(shù)據(jù)反演而來,在雷達(dá)較近的距離區(qū)間內(nèi),對一個環(huán)形區(qū)域的雷達(dá)體掃所有仰角數(shù)據(jù)進(jìn)行各高度上的平均,獲得VPR[10]。VPR在判別暖性降水過程時很有作用,可以生成更準(zhǔn)確的QPE產(chǎn)品[11]。不同降水方案類型的VPR如圖2所示[1]。對流降水的VPR顯示最大反射率位于抬升凝結(jié)高度(大約1.5km,由探空計算而來),表明大雨滴在云中出現(xiàn)碰并增長。該高度之下反射率隨高度降低而減少,表明雨滴在蒸發(fā)[1]。暖性降水VPR顯示反射率隨著高度降低而逐漸增加,表明云中有大量中等大小的雨滴在潮濕環(huán)境中持續(xù)增長[11]。圖2b顯示層狀降水VPR曲線的亮帶特征明顯。在冷季層狀降水中,雷達(dá)QPE經(jīng)常表現(xiàn)出明顯的高估,這是因為即使最低仰角的雷達(dá)波束也常處于亮帶區(qū)域,獲得的是被高估的反射率值。當(dāng)雷達(dá)波束在相對更遠(yuǎn)距離位于亮帶區(qū)域高度以上,由于是云中冰粒子區(qū),獲得的是被低估的反射率值,因此導(dǎo)致低估降水。在NMQ系統(tǒng)中,訂正由于回波亮帶造成的QPE誤差方法見文

獻(xiàn)[12],且實現(xiàn)了實時運(yùn)行。

在冬季融化層回波亮帶高度較低,尤其在山地,容易被地形遮擋,導(dǎo)致WSR-88D雷達(dá)無法探測到亮帶底,使得VPR的計算有很大誤差。要獲得冬季層狀云降水(雪)正確的VPR,還需要配合使用其他探測手段對雷達(dá)VPR進(jìn)行訂正。Wen等[13]、Qi等[14]嘗試使用TRMM衛(wèi)星的PR雷達(dá)反演的VPR,將其轉(zhuǎn)換為S波段雷達(dá)VPR,并與地基雷達(dá)VPR相融合,獲得新的雷達(dá)VPR。經(jīng)過大量個例檢驗表明該方法能有效地減少雷達(dá)QPE高估的現(xiàn)象。Qi等[15]還將這種方法應(yīng)用到中尺度對流系統(tǒng)(MCS)的VPR訂正中,改善了雷達(dá)定量估算MCS大范圍降雨的誤差。

圖2 不同降水類型的VPR曲線圖（水平線代表環(huán)境氣溫，單位：℃）（a） 對流降水；（b）層狀降水；（c）暖性降水

3.1.4 單雷達(dá)混合掃描反射率

單部雷達(dá)反射率數(shù)據(jù)經(jīng)過QC后,將能夠有效獲取的最低海拔高度上雷達(dá)反射率庫數(shù)據(jù)構(gòu)成一個二維的混合掃描反射率場,即“Single radar Hybrid Scan Reflectivity(SHSR)”[16-17]。因為雷達(dá)波束高度隨距離增加而增大,而且波束遮擋程度和地形高度也隨空間而變化,因此SHSR場在不同地點的波束高度也不同。通常因為反射率的垂直變化,SHSR中某一個雷達(dá)庫的高度越高,則單雷達(dá)反演的QPE準(zhǔn)確度就越低。

3.2 三維反射率拼圖和強(qiáng)天氣產(chǎn)品

多部雷達(dá)的獨立三維直角坐標(biāo)網(wǎng)格反射率數(shù)據(jù)通過合并最終形成反射率三維拼圖,該產(chǎn)品覆蓋美國大陸和加拿大南部。拼圖區(qū)域為130°—60°W,北緯20°—55°N。網(wǎng)格為等距圓柱地圖投影,分辨率為0.01°×0.01°。東西方向的分辨率在南部邊界大約為1.045km,北部邊界大約為0.638km。南北方向的分辨率大約為1.112km。當(dāng)某一個網(wǎng)格單元有多部雷達(dá)都能有效觀測時,則采用指數(shù)距離加權(quán)平均[8]。NMQ系統(tǒng)可以靈活地集成不同雷達(dá)網(wǎng)的數(shù)據(jù)。目前的實時數(shù)據(jù)除美國WSR-88D雷達(dá)外,還有31部加拿大雷達(dá)、2部TDWR雷達(dá)和1部電視臺雷達(dá)。目前正在研究如何將移動雷達(dá)觀測數(shù)據(jù)也納入NMQ系統(tǒng)中,例如CASA雷達(dá)網(wǎng)[18]。

NMQ系統(tǒng)還生成一系列強(qiáng)天氣產(chǎn)品,包括強(qiáng)烈冰雹概率(POSH)[19],最大期望冰雹尺寸(直徑) (MEHS)[19],18dBz回波頂(ETP),垂直積分液態(tài)水(VIL)[20],VIL密度(VILD)[21]等。所有產(chǎn)品都結(jié)合三維拼圖數(shù)據(jù)和RUC系統(tǒng)的三維溫度分析場數(shù)據(jù)進(jìn)行計算。

3.3 新一代產(chǎn)品

NMQ系統(tǒng)的關(guān)鍵組成部分就是新一代QPE產(chǎn)品,簡稱Q2[3],它包括降水類型自動分類和多途徑QPE產(chǎn)品,時間跨度從瞬時雨強(qiáng)到72h累積雨量。多途徑QPE產(chǎn)品包括單純基于雷達(dá)QPE、經(jīng)過雨量計訂正的雷達(dá)QPE、單純基于雨量計QPE、基于雨量計、地形和降雨氣候分布的QPE。

3.3.1 混合掃描反射率拼圖

基于單雷達(dá)SHSR,經(jīng)過組合而成HSR拼圖。HSR拼圖由SHSR加權(quán)獲得,具體公式為:

其中,WL為水平權(quán)重函數(shù),WH為垂直權(quán)重函數(shù),i表示雷達(dá)標(biāo)識號。水平權(quán)重函數(shù)中變量d表示格點與雷達(dá)之間的距離,垂直權(quán)重函數(shù)中變量h表示SHSR庫所在的海拔高度。L和H分別為水平和垂直方向的尺度因子。因為兩部雷達(dá)由于標(biāo)定問題、波束采樣特征不同而造成在同一位置上的觀測會出現(xiàn)不同。NMQ系統(tǒng)使用的插值方法與最近鄰居法相比,能夠保證QPE場的

水平連續(xù)性,而后者在插值與兩部雷達(dá)同等距離的中間位置回波時會有反射率值不連續(xù)現(xiàn)象的出現(xiàn)。

3.3.2 降水類型的分類

雷達(dá)估算降水的準(zhǔn)確性非常依賴于Z-R關(guān)系的正確與否。即使降水時間、地點都一樣,Z-R關(guān)系的不同也會導(dǎo)致QPE的誤差。目前WSR-88D雷達(dá)業(yè)務(wù)降雨估算算法中,使用的是單一Z-R關(guān)系,范圍為230km×230km[17]。在同一降水事件中,在單雷達(dá)觀測范圍內(nèi),多種降水類型的同時存在是經(jīng)常出現(xiàn)的現(xiàn)象。如果只采用單一的Z-R關(guān)系,QPE的誤差就難以避免。因此若要較好地解決此類問題,就有必要采用自動化的降雨分類算法,采用組合式的Z-R關(guān)系來估算降水。NMQ系統(tǒng)的降水分類算法包括一系列的物理判斷依據(jù),針對每個網(wǎng)格點,總共分為5種降水類型而進(jìn)行識別,包括層狀降水,對流降水,暖性降水,降雹和降雪。算法流程如圖3所示[1]。

在相對溫暖和潮濕的環(huán)境中,降水強(qiáng)度很高,往往造成突發(fā)性洪水,這種降水類型即為暖性降水(或熱帶降水)。由于這種類型降水效率很高,常用的Z-R關(guān)系傾向于低估降雨量,所以需要針對這一降水類型,采用不同的Z-R關(guān)系,而使用的前提就是能夠正確識別。NMQ系統(tǒng)的暖性降水識別的做法是檢查每部雷達(dá)生成的小時平均VPR曲線,如果在凍結(jié)層高度以下的VPR斜率為負(fù)(即反射率隨高度降低而增大),即判斷為暖性降水[11]。如果回波強(qiáng)度大于設(shè)定閾值(缺省為30dBz),且地面氣溫大于10℃,雷達(dá)觀測范圍無降雪或降雹,則該處回波被標(biāo)識為暖性降水。與該回波位置相鄰并且超過強(qiáng)度閾值的回波也都被標(biāo)識為暖性降水。

對流降水的分類條件為(1)垂直方向上任何高度上只要出現(xiàn)回波強(qiáng)度大于50dBz；(2)―10℃所在高度上回波強(qiáng)度大于30dBz；(3)在最近的5min內(nèi),有一個或多個云對地閃電發(fā)生。上述條件有一項成立即可[10]。經(jīng)過暖性和對流降水識別后,如果某一處回波既不是這兩類降水,也不是降雪或降雹,那么就是層狀降水。在分類識別時使用到的溫度廓線來自于RUC小時分析數(shù)據(jù)。

圖3 NMQ系統(tǒng)降水分類算法

3.3.3 單純基于雷達(dá)

經(jīng)過降水分類后,單純基于雷達(dá)QPE相應(yīng)分別采用4種Z-R關(guān)系。公式分別為:

式中,Z為反射率因子,單位為mm6·m-3,R為降雨率或雪水當(dāng)量,單位為mm·h-1。為了避免雷達(dá)QPE不合理地過高估計降雨率,系統(tǒng)對降水估算設(shè)定了回波強(qiáng)度的截取值,超過截取值的回波強(qiáng)度人為將其減少到等于截取值。其中對流降水的截取值為53dBz；如果有降雹發(fā)生時,則截取值為49dBz。對于暖性降水,截取值為50dBz。降雨率每隔2.5min計算一次,1和3h累積雨量每隔5min計算1次,使用2.5min降水進(jìn)行累積。1h累積雨量則用來直接計算6、12、24、48和72h累積雨量。

3.3.4 經(jīng)過雨量計訂正的雷達(dá)

NMQ系統(tǒng)計算經(jīng)過雨量計訂正的雷達(dá)QPE的方法為:第一步計算雷達(dá)QPE對應(yīng)每一個雨量計所在點的誤差；第二步將誤差插值到雷達(dá)QPE整個區(qū)域,得出每個雷達(dá)回波像素點上的QPE誤差[25]。該方法的關(guān)鍵為插值權(quán)重系數(shù)的計算,NMQ系統(tǒng)采用的是距離反比權(quán)重計算方法[26],但為了避免由于雨量點的稀疏導(dǎo)致遠(yuǎn)距離的雨量點權(quán)重較高這一現(xiàn)象,進(jìn)行了一定的修正,即人為地將誤差分布調(diào)整為正態(tài)分布,減少遠(yuǎn)距離雨量點的誤差在訂正時權(quán)重過高的現(xiàn)象。具體做法是在權(quán)重計算時引進(jìn)了一個修正因子

其中D表示誤差計算的影響半徑,n為在某一個雷達(dá)回波像素點周圍影響半徑D范圍內(nèi)的雨量點個數(shù),di為雷達(dá)像素點與第i個雨量點之間的距離。如果α大于1,則表示在該范圍內(nèi)有足夠的雨量點用于誤差的插值。如果α小于1,則每一個權(quán)重系數(shù)都要乘以α。權(quán)重計算時距離的指數(shù)和影響半徑的確定采用了交叉檢驗的最小二乘法進(jìn)行計算[1]。在訂正雷達(dá)QPE時還對雨量計數(shù)據(jù)進(jìn)行了質(zhì)量控制,避免異常高或低的雨量計數(shù)據(jù)影響誤差分布的正確計算。

3.3.5產(chǎn)品在山地區(qū)域的訂正

在復(fù)雜地形里,雷達(dá)QPE的準(zhǔn)確性受限于幾個因素,如波束遮擋和波束越頂[27]、垂直反射率廓線變化[28-29],以及地形增強(qiáng)降雨作用等[30]。這些因素對山地冬季層狀降水的影響更大,因為云頂高度較低,雷達(dá)波束的最低有效仰角容易受地形遮擋。為解決這一難題,NMQ系統(tǒng)采用了一種山地訂正方法用于計算該區(qū)域的QPE產(chǎn)品[31]。該方法基于實時雨量計觀測,以及當(dāng)?shù)亟邓畾夂蚍植紨?shù)據(jù)集[32]。該數(shù)據(jù)集是將山地上的降水、溫度、數(shù)字化高程模型和復(fù)雜氣候特征等多種因素集成在一起,經(jīng)過分析后得到連續(xù)的、數(shù)字網(wǎng)格化的關(guān)于降水的月、年和過程的氣候分布。NMQ系統(tǒng)在訂正時,首先將山地降水月分布數(shù)據(jù)降尺度到小時雨量分布,然后計算每個雨量點上實時小時雨量與氣候分布降尺度后的小時雨量之比,再將這個比值插值到NMQ系統(tǒng)的QPE網(wǎng)格上,權(quán)重計算為距離平方反比法,最后將插值后的比值分布場乘以降尺度的山地降水氣候小時雨量分布場,即得到經(jīng)過訂正的QPE產(chǎn)品。這種訂正方法在那些雨量點稀疏或降水局地性很強(qiáng)的區(qū)域,適用性還不高,因為實際降水與氣候分布之間的差異太大,導(dǎo)致訂正的誤差比較大。

為了解決這一問題,Zhang等[33]針對美國西部復(fù)雜地形區(qū)域業(yè)務(wù)雷達(dá)QPE誤差來源進(jìn)行分析,并開發(fā)出一個新的雷達(dá)QPE方法。新雷達(dá)QPE方案包括去除非降水回波,構(gòu)建無縫隙混合掃描反射率場,應(yīng)用VPR訂正反射率,采用可調(diào)整的Z-R關(guān)系式計算降雨率等步驟。新的雷達(dá)QPE方法經(jīng)過2005—2006年冬季6個月數(shù)據(jù)的檢驗,結(jié)果表明相比目前的業(yè)務(wù)雷達(dá)QPE,準(zhǔn)確度提升明顯,誤差降低43%,均方根誤差降低30%,降水產(chǎn)品的空間連續(xù)性也更好。Cao等[34]統(tǒng)計了美國西部山區(qū)11年的由TRMM衛(wèi)星降水雷達(dá)(PR)觀測反演的美國西部山區(qū)降水垂直結(jié)構(gòu)特征,研究發(fā)現(xiàn):在山地區(qū)域,降水類型是決定VPR特征最顯著的因素；VPR的形狀也影響到地面降雨強(qiáng)度；VPR特征存在季節(jié)依賴性,春季和秋季具有很相似的特征；VPR特征的空間變化顯示地形對垂直結(jié)構(gòu)有作用。結(jié)果也說明VPR訂正方法有助于改善復(fù)雜地形上的降水估算。Qi等[35]開發(fā)了一個新算法,使用S波段降水廓線雷達(dá)(S-PROF),計算出兩套降雨垂直廓線作為參考標(biāo)準(zhǔn),一個針對海岸山地區(qū)域,另一個針對錫拉山脈。使用降水廓線雷達(dá)VPR用來訂正WSR-88D雷達(dá)QPE,經(jīng)測試表明對誤差改善明顯。

目前面臨的最大問題是在典型山地的迎風(fēng)坡上,雷達(dá)QPE的誤差還是難以顯著降低,這是因為業(yè)務(wù)雷達(dá)無法觀測到局地降水增強(qiáng)現(xiàn)象,導(dǎo)致雷達(dá)QPE的低估。因此在這些區(qū)域增加探測設(shè)備的空間密度來提高QPE的準(zhǔn)確度是解決上述問題的可能途徑之一。

3.4 NMQ系統(tǒng)評估和應(yīng)用

NMQ系統(tǒng)一個非常有特色的模塊就是進(jìn)行實時數(shù)據(jù)顯示和產(chǎn)品評估檢驗,即NMQ檢驗系統(tǒng)(QVS)。該系統(tǒng)可以實時顯示所有的產(chǎn)品(網(wǎng)址: http://nmq.ou.edu),包括圖形和地理信息(行政邊界、雷達(dá)站、距離圈、地形、氣象業(yè)務(wù)部門預(yù)警范圍等)。QVS中用來檢驗QPE產(chǎn)品的數(shù)據(jù)包括各種雨量計觀測網(wǎng),如美國天氣局水文氣象自動數(shù)據(jù)系統(tǒng)HADS、社區(qū)輔助降水(雪、冰雹)觀測點、中尺度雨量站網(wǎng)Mesonet等。評估統(tǒng)計量包括QPE產(chǎn)品與獨立雨量計觀測數(shù)據(jù)之間的雨量比值、相關(guān)系數(shù)、均方根誤差等,這些量都是實時計算的。此外,一些美國天氣局下發(fā)的業(yè)務(wù)QPE產(chǎn)品也能在QVS中與NMQ系統(tǒng)的QPE產(chǎn)品進(jìn)行相互比較,如Stage Ⅱ、Stage Ⅳ等[36]。通過多種QPE產(chǎn)品之間的對比,以及QPE產(chǎn)品與獨立雨量計觀測數(shù)據(jù)的檢驗,可以更好地了解QPE誤差的不確定性,以及不同類型的QPE產(chǎn)品的誤差表現(xiàn)差異,這為融合多種產(chǎn)品形成優(yōu)化的多途徑QPE產(chǎn)品提供了一種便捷的技術(shù)手段。Chen等[37]對比統(tǒng)計了2009年12月—2010年11月期間Q2產(chǎn)品與美國天氣局業(yè)務(wù)雷達(dá)QPE產(chǎn)品Stage Ⅱ和Stage Ⅳ的差異。結(jié)果表明Q2的雷達(dá)QPE產(chǎn)品的日降水量與Stage Ⅱ的同類產(chǎn)品相比年平均偏差＞8%,但Stage Ⅱ的隨機(jī)誤差更高。日降水量的均方根誤差Stage Ⅱ為4.5mm,Q2為1.1mm,相關(guān)系數(shù)Stage Ⅱ為0.20,Q2為0.73。Q2的降水分類和可調(diào)整的Z-R關(guān)系算法有效地減少了一些地區(qū)的誤差,如美國阿帕拉契山脈東部地區(qū)。

QVS中還歸檔保存了近3年的NMQ系統(tǒng)的主要產(chǎn)品,以供用戶下載使用。目前NMQ系統(tǒng)的用戶包括政府部門、大學(xué)科研機(jī)構(gòu)和私人單位,如3D雷達(dá)反射率拼圖產(chǎn)品在NCEP中用于RUC模式的數(shù)據(jù)同化,顯著提高了0～6h定量降水的預(yù)報準(zhǔn)確率[38]。3D雷達(dá)反射率拼圖產(chǎn)品在航空結(jié)冰威脅預(yù)警中也得到使用[39]。

3.5 NMQ系統(tǒng)中的雙偏振雷達(dá)產(chǎn)品

自2010年以來,美國開展了WSR-88D雷達(dá)網(wǎng)的雙偏振功能全面升級。以NSSL為主的科研團(tuán)隊開發(fā)出一系列的雙偏振雷達(dá)資料應(yīng)用產(chǎn)品,并在2012年開始準(zhǔn)業(yè)務(wù)運(yùn)行。目前NMQ系統(tǒng)上也集成了一些雙偏振雷達(dá)產(chǎn)品實時運(yùn)行。這些產(chǎn)品包括:(1)QC后的4個仰角的雙偏振基數(shù)據(jù)；(2)降水粒子分類[40],共分為8種,有小—中雨、暴雨、雨雹混合、大雨滴、濕雪、干雪、冰晶和霰；(3)雙偏振雷達(dá)QPE[41],包括雨強(qiáng)

和1h、24h累積雨量。這些產(chǎn)品在QVS系統(tǒng)經(jīng)過充分評估后將被整合到新一代NMQ系統(tǒng)中。

4 結(jié)論

美國國家強(qiáng)風(fēng)暴實驗室開發(fā)并運(yùn)行的全國拼圖和多途徑定量降水估算系統(tǒng)經(jīng)過多年發(fā)展,已實現(xiàn)高時空分辨率的雷達(dá)三維拼圖和定量降水估算產(chǎn)品實時運(yùn)行,與常規(guī)的業(yè)務(wù)雷達(dá)QPE相比,也有明顯的改善,在科研和業(yè)務(wù)應(yīng)用上取得了良好的效益。目前存在的待解決的問題主要包括反射率質(zhì)量控制的進(jìn)一步改進(jìn),如何完善業(yè)務(wù)雷達(dá)網(wǎng)無法覆蓋區(qū)域的拼圖方法,在山地地區(qū)如何實時訂正由于垂直反射率廓線變化導(dǎo)致的QPE誤差,如何結(jié)合雙偏振雷達(dá)技術(shù),進(jìn)一步完善降水分類方法和更好地選擇合適的Z-R關(guān)系等。這些問題的解決將成為NMQ系統(tǒng)未來研發(fā)計劃的重點目標(biāo)。

[1]Zhang J, et al. National Mosaic and Multi-Sensor QPE (NMQ) System: Description, results, and future plans. Bull Amer Meteor Soc, 2011, 92: 1321-1338.

[2]Kelleher K E, et al. A supplement to project CRAFT: A Real-Time Delivery System for Nexrad Level Via The Internet. Bull Amer Meteor Soc, 2007, 88: s5-s9.

[3]Vasilo ff S V, et al. Improving QPE and very short term QPF: An initiative for a community-wide integrated approach. Bull Amer Meteor Soc, 2007, 88: 1899-1911.

[4]Lakshmanan V, Fritz A, Smith T, et al. An Automated technique to quality control radar re fl ectivity data. J Appl Meteor Climatol, 2007, 46: 288-305.

[5]Lakshmanan V, Zhang J, Howard K. A technique to censor biological echoes in radar re fl ectivity data. J Appl Meteor Climatol, 2010, 49: 453-462.

[6]Zhang J, Wang S, Clarke B. WSR-88D re fl ectivity quality control using horizontal and vertical reflectivity structure. 11thConf on Aviation, Range, and Aerospace Meteorology, Hyannis, MA. Amer Meteor Soc, 2004.

[7]Lakshmanan V, Zhang J, Hondl K, et al. A statistical approach to mitigating persistent clutter in radar re fl ectivity data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 652-662.

[8]Zhang J, Howard K, Gourley J J. Constructing three-dimensional multiple-radar re fl ectivity mosaics: Examples of convective storms and stratiform rain echoes. J Atmos Oceanic Technol, 2005, 22: 30-42.

[9]Lakshmanan V, Smith T, Hondl K, et al. A real-time, threedimensional, rapidly updating, heterogeneous radar merger technique for reflectivity, velocity, and derived products. Wea Forecasting, 2006, 21: 802-823.

[10]Zhang J, Langston C, Howard K. Brightband identi fi cation based on vertical profiles of reflectivity from the WSR-88D. J Atmos Oceanic Technol, 2008, 25: 1859-1872.

[11]Xu X Y, Howard K, Zhang J. An automated radar technique for the identi fi cation of tropical precipitation. J Hydrometeor, 2008, 9: 885-902.

[12]Zhang J, Qi Y C. A real-time algorithm for the correction of brightband e ff ects in radar-derived QPE. J Hydrometeor, 2010, 11: 1157-1171.

[13]Wen Y X, Cao Q, Kirstetter P E, et al. Incorporating NASA spaceborne radar data into NOAA national mosaic QPE system for improved precipitation measurement: A physically based VPR identi fi cation and enhancement method. J Hydrometeor, 2013, 14: 1293-1307.

[14]Qi Y C, Zhang J. Correction of radar QPE errors associated with low and partially observed brightband layers. J Hydrometeor, 2013, 14: 1933-1943.

[15]Qi Y C, Zhang J, Cao Q, et al. Correction of radar QPE errors for nonuniform VPRs in mesoscale convective systems using TRMM observations. J Hydrometeor, 2013, 14: 1672-1682.

[16] O’Bannon T. Using a‘terrain-based’hybrid scan to improve WSR-88D precipitation estimates. 28th Conf on Radar Meteorology, Austin, TX. Amer Meteor Soc, 1997.

[17]Fulton R A, Breidenbach J P, Seo D J, et al. The WSR-88D rainfall algorithm. Wea Forecasting, 1998, 13: 377-395.

[18]McLaughlin D J, et al. Distruibuted Collaborative Adaptive Sensing (DCAS) for improved detection, understanding and prediction of atmospheric hazards. Proc Ninth Symp on Integrated Observing and Assimilation Systems for the Atmosphere, Oceans, and Land Surface (IOAS-AOLS),San Diego, CA. Amer.Meteor Soc, 2005.

[19]Witt A, Eilts M D, Stumpf G J, et al. An enhanced hail detection algorithm for the WSR-88D. Wea Forecasting, 1998, 13: 286-303.

[20]Greene D R, Clark R A. Vertically integrated liquid water: A new analysis tool. Mon Wea Rev, 1972, 100: 548-552.

[21]Amburn S A, Wolf P L. VIL density as a hail indicator. Wea Forecasting, 1997, 12: 473-478.

[22]Marshall J S, Hitschfeld W, Gunn K L S. Advances in radar weather. Adv Geoph, 1955, 2: 1-56.

[23]Rosenfeld D, Wolff D B, Atlas D. General probability-matched relations between radar reflectivity and rain rate. J Appl Meteor, 1993, 32: 50-72.

[24]Radar Operations Center. Guidance on selectingZ-R relationships. 1999. http://www.roc.noaa.gov/ops/z2r_osf5.asp

[25]Ware E C. Corrections to radar-estimated precipitation using observed rain gauge data. New York: Cornell University, 2005.

[26]Simanton J R, Osborn H B. Reciprocal distance estimate of point rainfall. J Hydraul Div Amer Soc Civ Eng, 1980, 106: 1242-1246.

[27]Maddox R A, Zhang J, Gourley J J, et al. Weather radar coverage over the contiguous United States. Wea Forecasting, 2002, 17: 927-934.

[28]Joss J, Waldvogel A. Precipitation measurements and hydrology.In: Atlas D. Radar in meteorology. Amer Meteor Soc, 1990.

[29]Germann U, Joss J. Mesobeta profiles to extrapolate radar precipitation measurements above the alps to the ground level. J Appl Meteor, 2002, 41: 542-557.

[30]Kitchen M, Brown R, Davies A G. Real-time correction of weather radar data for the e ff ects of bright band, range and orographic growth in widespread precipitation. Q J R Meteorol Soc, 1994, 120: 1231-1254.

[31]Schaake J, Henkel A, Cong S. Application of PRISM climatologies for hydrologic modeling and forecasting in the western U.S. 18thConf on Hydrology, Seattle, WA, Amer Mereor Soc, 2004.

[32]Daly C, Neilson R P, Phillips D L. A statistical-topographic model for mapping climatological precipitation over mountainous terrain. J Appl Meteor, 1994, 33: 140-158.

[33]Zhang J, Qi Y C, Kingsmill D, et al. Radar-based quantitative precipitation estimation for the cool season in complex terrain: case studies from the NOAA hydrometeorology testbed. J Hydrometeor, 2012, 13: 1836-1854.

[34]Cao Q, Hong Y, Gourley J J, et al. Statistical and physical analysis of the vertical structure of precipitation in the mountainous west region of the united states using 11+ years of spaceborne observations from TRMM precipitation radar. J Appl Meteor Climatol, 2013, 52: 408-424.

[35]Qi Y C, Zhang J, Kaney B, et al. Improving WSR-88D Radar QPE for Orographic Precipitation Using Profiler Observations. J Hydrometeor, 2014, doi: http://dx.doi.org/10.1175/ JHM-D-13-0131.1

[36]Lin Y, Mitchell K E. The NCEP stage Ⅱ/Ⅳ hourly precipitation analyses: Development and applications. 19thConf on Hydrology, San Diego, CA. Amer Meteor Soc, 2005.

[37]Chen S, et al. Evaluation and uncertainty estimation of NOAA/ NSSL next-generation national mosaic quantitative precipitation estimation product (q2) over the continental united states. J Hydrometeor, 2013, 14: 1308-1322.

[38]Weygandt S S, Benjamin S G, Brown J M. Radar re fl ectivity-based initialization of precipitation systems using a diabatic digital fi lter. 33rdInt Radar Conf, Carins QLD, Australia. Amer Meteor Soc, 2007.

[39]Serke D, McDonough F, Politovich M K. Analysis of 3-D NEXRAD mosaic re fl ectivity data collocated with research aircraft and satellite data: Implications on in-flight icing. 13thConf on Aviation, Range and Aerospace Meteorology, New Orleans, LA. Amer Meteor Soc, 2008.

[40]Vivekanandan J, Ellis S M, Oye R, et al. Cloud microphysics retrieval using S-band dual-polarization radar measurements. Bull Amer Meteor Soc, 1999, 80: 381-388.

[41]Ryzhkov A V, Schuur T J, Burgess D W, et al. The joint polarization experiment: Polarimetric rainfall measurements and hydrometeor classi fi cation. Bull Amer Meteor Soc, 2005, 86: 809-824.

An Introduction to Quantitative Precipitation Estimation System in National Severe Storms Laboratory

Wang Bin1, Zhang Jian2
(1 Institute of Heavy Rain, China Meteorological Administration, Wuhan 430074 2 National Severe Storms Laboratory, USA)

The National Mosaic and Multi-sensor QPE (NMQ) system, developed and operated by the National Severe Storms Laboratory, is introduced in detail. This paper presents an overview of the NMQ system, and its main components. Some algorithms and techniques related to each module of the system are described. In addition, some evaluation results, applications and future technological challenges are mentioned simply.

NSSL, QPE, weather radar

10.3969/j.issn.2095-1973.2014.02.005

2013年9月30日；

2014年2月17日

王斌（1972—），Email: wangbin@whihr.com.cn

資助信息：公益性行業(yè)（氣象）科研專項（GYHY201006042；GYHY20130604）