雷達資料同化方法：回顧與前瞻

孫娟珍陳明軒范水勇

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

雷達資料同化方法：回顧與前瞻

孫娟珍1，2陳明軒2范水勇2

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

自20年前第一個業務天氣雷達觀測網在美國建立以后，氣象界在多普勒天氣雷達資料同化方面的研究和應用已取得了顯著成果。中國在21世紀初也完成了一個覆蓋大多數地區的多普勒天氣雷達觀測網，在實時監測及預警對流天氣、降水及臺風等方面起到了重要作用。但是，中國在同化雷達資料以改進細網格數值模式的初始化精度方面的研究及應用仍然處在起步階段。對數值模式中同化雷達資料利用方法的研究和應用進行了簡短回顧，也對未來該領域研究的重點研究方向提出建議。

雷達資料，資料同化，對流天氣，降水

0　引言

雷達資料在對流天氣監測和基于外推的雷暴臨近預報方面的應用已經有數十年的歷史，但是直到近年來才嘗試應用于業務數值預報模式。將多普勒天氣雷達資料同化到數值模式中以改進雷暴預測的提議始于1990年，當時美國正在興建世界上第一個業務多普勒天氣雷達觀測網（NEXRAD）。此觀測網涵蓋整個美國大陸，提供對流天氣的實時觀測，為未來改進災害天氣的預報預警帶來了新希望。Lilly[1]發表了以“Numerical prediction of thunderstorms-has its time come?”（雷暴數值預報：現在是時候了嗎？）為題目的論文，從幾個方面闡述了未來數值預報的新方向“對流尺度數值預報”的可行性以及面臨的挑戰。除了雷達觀測網為此目標提供了必要條件，他還指出快速增長的計算機速度、云尺度數值模擬技術的進步，以及先進資料同化方法的開創都為對流尺度數值預報的實現和應用提供了可能性。

自20世紀50年代基于計算機的數值天氣預報誕生以來，數值天氣預報主要應用于預報大尺度天氣形勢，而降水預報仍需依賴于預報員的經驗。雖然隨著數值模式的不斷改進和模式分辨率的不斷提高，數值模式降水預報的參考價值也不斷提升，但對于對流降水的定時、定量、定點預報仍然差距很遠。傳統的數值預報模式的初始條件分析場是基于大尺度觀測網得到的，中小尺度環流和其產生的降水的模擬必須經過模式自身的“Spin-up”調整。如果這些中小尺度環流及降水能夠存在于模式初始條件中，它們的短期預報精度就有可能提高。所以能否成功的同化中小尺度觀測資料（如雷達資料），是未來對流尺度數值預報的關鍵。

雷達資料雖然具有高時空分辨率，能夠及時監測雷暴的發生及位置，但將其定量的應用于數值預報，卻存在很多的挑戰。第一，多普勒雷達觀測的徑向速度和反射率因子都不是模式常規量，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是同化雷達資料的一個很重要的目標。第二，雷達資料的覆蓋區域有限。以S波段雷達為例，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和中國兩個最大的天氣雷達網，都各有超過150部雷達，但卻均不能達到全面的覆蓋，尤其是徑向速度場。第三，雷達資料量大并且有很多質量控制方面的難點，需要準確、高效率的預處理和質量控制專業軟件。第四，雷達觀測反映的是對流尺度現象，受對流尺度動力規律支配，與其他類型天氣尺度的大氣觀測資料有很大的不同，在同化中怎樣同時保證不同尺度的匹配與平衡，是成功同化雷達資料的一個重要挑戰。

自Lilly的論文[1]發表開始，國際上展開了許多研究，致力于解決雷達資料同化各方面的挑戰，開發雷達資料同化的技術和系統，并且已取得了非凡的成果[2-9]。中國自1998年開始建立的全國范圍的雷達觀測網，也促進了雷達資料同化及對流天氣短臨預報的研究和技術開發[10-13]。本文對國際、國內雷達資料同化的進展做一個綜合性回顧，并對未來的發展所面臨的挑戰闡述我們的觀點。

1　雷達資料同化進展的回顧

1.1 天氣雷達資料反演分析

雖然多普勒天氣雷達能夠觀測到高解析度的風場，但此風場只是徑向速度場，傳統方法是靠雙雷達才能得到水平風場。但業務雷達網幾乎很少有雙雷達覆蓋，那么，僅靠單雷達是否能夠反演水平風場？在嘗試雷達資料同化的初期，很多的研究致力于開發單雷達的風場反演方法。這些方法從簡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）的變分方法及移動坐標方法[15-17]，到更加復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反演水平風場的潛力和可行性。其中，4DVar同化方法[2]因使用一個邊界層模式做約束，可以同時反演動力平衡的三維風場及溫度場，為未來單雷達資料同化展示了可行的前景。Sun等[3,19]將此系統中的邊界層“干”模式擴展成為一個“濕”云模式，以致同時成功獲得三維風場、溫度場及微物理場的反演，并將該系統命名為VDRAS（Variational Doppler Radar Analysis System）。

VDRAS實際上是一個以三維數值云模式及其伴隨模式為主體的4DVar同化系統。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資料及地面自動站資料以得到對流尺度的三維動力和熱動力結構，而大尺度環境特征則由中尺度模式預報（比如WRF）提供。以云模式為約束的四維變分同化有能力自動反演所有雷達未觀測的模式變量，產生快速更新的三維動力和熱動力結構分析，包括三維風、溫度、濕度、微物理變量等，并且能夠進一步診斷得到與強對流天氣生消發展密切相關的變量場。在國際上，VDRAS系統不僅已經廣泛應用在雷達資料同化及對流天氣機理和預報的研究方面[2-3,19-27]，而且自2001年以來在多地應用于實時業務當中[28-30]，為強對流天氣臨近預報提供重要信息。

VDRAS系統自2005年引進到北京地區后，經過一系列的研究和測試，并且對VDRAS系統進行了進一步改進[21-22,30-32]。2008年，同化北京和天津兩部新一代天氣雷達資料的VDRAS系統在北京奧運會和世界氣象組織北京2008預報示范項目（B08FDP）期間的強天氣臨近預報中得到成功的實時示范應用，作為強對流天氣臨近預報預警的輔助工具[32-33]。VDRAS系統每15min左右更新的三維風場、溫度場和濕度場幫助預報員建立了北京地區局地突發強對流天氣的一些概念模型。圖1—3展示的是一個VDRAS分析的強對流個例。此個例發生在 2006年8月1日，是在B08FDP示范項目前的試驗階段。圖1是此個例的對流演變過程，由北京雷達（BJRS）的反射率因子展現。北京時間15:15，在北京東北地區可以清楚看到兩條線狀對流（圖1a）。將近1h后，這兩條對流線合并為一條很強的對流帶（圖1c）。在此對流帶的南部有新的對流單體生成（圖1d），并在接近北京市區的西北方發展成為一條強對流帶（圖1e—f）。圖2所展示的是VDRAS系統分析（反演）的擾動溫度場、輻合/輻散場和水平風向量。VDRAS清楚地分析出了從15:15（北京時）到16:09（北京時）的強對流系統由兩個冷池合并為一個冷池的過程。圖2星號處為圖1d新生對流的地點，此新生對流產生在接近冷暖交接處的暖舌區。在此暖舌附近，由西北冷池的出流和暖區的東南風造成了很強的低層輻合以及很大的溫度梯度，觸發出北京市區西南部的強對流帶（圖1e—f）。圖3所示為此對流帶的垂直速度場和1h后的35dBz以上雷達反射率因子所指示的風暴位置（黑線條）。兩者很好地吻合，表明垂直速度場對風暴的發生具有預警作用。

圖1　北京雷達反射率因子指示的發生在2006年8月1日的雷暴個例隨時間的演變（所標時間為北京時，圖1a中給出北京各行政區的地圖［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，通過對VDRAS系統的進一步改進和優化，已經形成了一個完全適合于幫助北京地區預報員進行局地突發強對流天氣臨近預報和預警業務的對流尺度三維特征快速更新分析系統。系統同時對京津冀區域7部新一代天氣雷達徑向速度和反射率因子資料進行快速更新4DVar同化，并融合區域近1000個5min自動站觀測、雷達VAD風廓線及中尺度數值模式結果形成中尺度背景場，可快速分析得到12～18min間隔的低層大氣三維動力、熱動力和微物理場的精細結構特征。并且，利用該系統，對京津冀地區不同類型對流風暴的動力和熱動力特征進行了成功的對流尺度數值模擬分析[34-40]。VDRAS系統已經成為目前國際上多普勒天氣雷達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的擾動溫度場、水平輻合場（白色曲線）和水平風矢量（時間分別為北京時2006年8月1日15：15（a）， 15：33（b）， 16：09（c）， 16：30（d）；輻合場的曲線從0.2m·s-1·km-1開始，間距為0.5m·s-1·km-1；圖2d中的黑色星號是在圖1d中的新對流發生地點）［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從初期的一個單雷達反演系統，已經逐漸擴充成為一個以中尺度模式為背景，可以同時同化多部雷達和地面稠密觀測資料，并具有臨近預報能力的分析和預報系統。最近幾年來，在VDRAS的云模式中加入了考慮冰相的微物理過程，考慮復雜地形效應的模擬方案也正在開發之中。另一方面，正在進行的研究是在VDRAS中加入閃電資料的同化。這些新的研究開發有助于提高VDRAS在強對流天氣臨近預報方面的能力。

1.2以“熱啟動”為目標的反射率因子同化方法

雖然單雷達反演的成功為在業務中深入使用雷達資料奠定了基礎，但要將雷達資料成功應用于業務數值預報模式中還存在很多實用上的難度。盡管同時同化雷達徑向速度和反射率因子是最有利于對流尺度初始化，但因雷達徑向速度質量控制難度較大以及對同化方法的要求也較高，同化反射率因子通常是許多業務系統的首選。 另一方面，業務預報系統在降水預報上的一個首要問題是不可避免的“Spin-up”，這使得數值預報前幾個小時的降水預報無使用價值。因雷達反射率因子能夠實時觀測到對流降水的位置和強度，若將其同化在數值模式初始條件中，也就是所謂的“熱啟動”，就有可能會解決“Spin-up”問題。如果只是同化反射率因子（或從其推導出的雨水混合比），在無動力場匹配的情況下，模式預報開始后，初始場中的雨水會很快降到地面上。一個簡單的動力匹配方法就是從雨水混合比推導出氣—水或氣—雪轉換時所釋放的潛熱，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；為了表示垂直速度的預警作用，1h后的35dBz反射率因子（黑線條）疊加在垂直速度場上（時間分別為北京時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”為目標的同化反射率因子的方法，這里只介紹兩種方法。一種是基于觀測資料“張弛法（nudging）”的RTFDDA（Real Time Four Dimensional Data Assimilation）系統中的雷達反射率因子同化方法[41]。另一種是HRRR（High Resolution Rapid Refresh）系統中的DDFI（Diabatic Digital Filter Initialization）方法[5]。在RTFDDA的雷達反射率因子同化方法中，先將反射率因子轉換成雨水混合比，然后基于模式和觀測的雨水混合比之差推導潛熱，最后將該潛熱作為觀測以“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報模式（RTFDDA-WRF）3km分辨率降水一個星期的預報評分，比較有和無雷達反射率因子同化的差別。可以看出，雷達反射率因子同化明顯地改進了前幾小時的預報，但預報評分隨時間下降得很快，反映出單同化反射率因子雖然產生了“熱啟動”，但其效果不能持續很久。HRRR采用的DDFI方法是在用GSI（Gridpoint Statistical Interpolation）進行了大尺度資料同化之后，在預報之前的DFI（Digital FilterInitialization）過程中將有反射率因子推導出來的潛熱代替模式原本的對流熱能以達到熱啟動的效果。

圖4　RTFDDA-WRF有（紅線）和無（藍線）雷達資料同化的評分對比；評分統計是基于一個星期28次預報結果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同時同化徑向速度和反射率因子的方法

雷達徑向速度觀測含有重要的對流動力特征（比如，與局地對流突發密切相關的低層輻合和上層輻散，與局地強下沉氣流和對流性大風密切相關的中層輻合，與對流風暴組織、演變、傳播及生命史密切相關的中低層切變，以及與對流風暴相伴隨的出流和入流等）。那么，怎樣有效地同化雷達徑向速度觀測信息以改進對流性降水的預報，是很重要的研究課題。雖然 Sun等[2]已經展示了4DVar方法可以同化雷達徑向速度以及反射率因子，對數值模式的“強約束”能夠提供多變量之間的相關，可以獲得動力平衡的氣象場，從而提供用于初始化數值模式。但4DVar同化系統的建立難度很大，特別是對于復雜的業務預報模式，所以直到最近，以中尺度預報模式為約束的雷達4DVar同化系統才得以實現。因為三維變分（3DVar）仍然在業務上被廣泛應用，怎樣將雷達資料同化加入業務同化模式有很實際的應用價值。Gao等[4]和Xiao等[7]分別在ADAS（ARPS Data Analysis System）和WRFDA（WRF Data Assimilation）3DVar同化系統中加入了雷達徑向速度的同化。之后又分別加入了反射率因子的同化方案[42-43]。

雖然在3DVar同化系統中同時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勢，但因為該方法在獲取對流尺度多變量之間相關性方面有其局限性，多位作者指出仍然有必要加入基于雷達反射率的云分析方案。 Hu等[44]發表的試驗結果表明，以雷達、地面資料和衛星資料結合的云分析對有效的啟動對流起著重要作用。Wang等[45]發現在云內反射率因子高于設定預值以上強迫空氣飽和并將其放在價函數中同化，可以減少強降水的“Spin-up”時間。在國內，許多學者也開展了基于云分析和3DVar的雷達資料同化技術研究和試驗，目標是提升暴雨和強對流等的數值預報能力，結果表明，同化我國的新一代天氣雷達資料在提升對流尺度數值預報水平方面具有廣闊的應用前景[10,12-13,46-50]。基于3DVar的雷達資料同化因其簡單快速，已經被廣泛應用于業務。在基于WRF模式的華北區域高分辨率快速更新循環業務數值預報系統（BJ-RUC）中，通過很多的技術改進和試驗[51-52]，目前已經成功實現了京津冀區域雷達資料（包括反射率因子和徑向速度）的逐3h更新的3DVar同化，改進了對流性降水強度和落區的短時預報能力，特別是對前12h的降水預報精度有所提高（圖5）。

圖5　BJ-RUCv1.0 和BJ-RUCv2.0 的降水評分比較（BJ-RUCv2.0中加入了雷達資料同化；評分統計是基于2012年6月和7月的業務預報）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度（5min，15min，30min）時價函數隨迭代次數的變化（圖中所標的數字代表外循環的次數）［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］

因為開發中尺度業務預報模式的4DVar同化具有相當大的難度，近年來才得以真正實現具有業務應用前景的中尺度模式4DVar同化技術。Wang等[9]描述了以WRF為約束的雷達4DVar同化系統，在此論文中，作者特別檢驗了是否以切線性模式為約束可以應用于雷達資料同化。使用切線性模式是業務模式變分同化系統中的通常選擇，原因是線性模式使得價函數更規則化，且易于簡化（例如采用粗網格迭代優化）。他們的結論是只要使用小于30min的同化窗，以線性模式可以達到很好的收斂效果（圖6）。Sun等[53]比較了4DVar和3DVar同化雷達資料的表現，他們發現4DVar同化比3DVar同化有明顯優勢（圖7—8）。從圖7和8中也可以看到，在3DVar同化系統中加入從反射率因子遞推的濕度場[9]，對預報也有明顯改進。

圖7　比較使用WRF 3DVAR（b，c） 和 WRF 4DVAR（d）的6h降水預報的區別；（c）使用了［45］的同化方案，即從雷達反射率因子推導的濕度同化方案；（a）為降水觀測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（藍線對應圖7b，紅線對應圖7c）和 WRF 4DVAR （綠線）的6h降水預報評分（FSS評分，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）也在雷達資料同化方面有廣泛的應用。自Snyder 等[54]首先將此方法應用于雷達資料同化以后，多位學者也相繼針對不同的問題進行了研究[6,8,55-60]。EnKF系統相對4DVar系統而言，開發代碼的難度較小，因為不需要伴隨模式，所以特別有利于對復雜物理參數化的研究。Xue等[61]展示了以EnKF和二階微物理參數化過程同化雷達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化過程展示了同化雷達資料可以成功反演雙偏振雷達參數。對使用EnKF同化雷達資料的國際最新研究進展的更詳細回顧和討論，讀者可以參考Sun等[63]的描述。在國內，徐小永等[64]利用EnKF在數值云模式中同化模擬多普勒雷達資料，考察了不同條件下EnKF同化方法的性能。蘭偉仁等[65-66]利用多普勒雷達資料進行了一系列風暴天氣尺度的EnKF同化試驗，檢驗了EnKF在風暴天氣尺度資料同化方面的效果，并驗證了各EnKF參數和模式誤差對同化效果的影響，表明了EnKF能有效應用于風暴尺度的資料同化。秦琰琰等[67]將EnKF同化技術應用到對流尺度系統中，實施了基于WRF模式的同化單部多普勒雷達徑向速度和反射率因子的觀測系統模擬試驗，驗證了其在對流尺度數值模擬中應用的可行性和有效性。

2　雷達資料同化的未來展望

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

2.1雷達資料前處理和質量控制

要使雷達資料同化在業務上得到廣泛應用，一個自動、可靠的前處理質量控制系統是必需的。中國的雷達網有不同的型號和波段，前處理和質量控制的難度更大。雖然雷達資料質量控制并不是新的研究課題，但開發適用于業務雷達資料同化的自動前處理系統卻遠遠達不到要求。在華北區域高分辨率快速更新循環業務數值預報系統（BJ-RUC）中，為有效同化京津冀區域7部不同型號（4部SA和2部CB）的雷達觀測，采取了基于北京自動臨近預報系統（BJANC）[33]和基于上述VDRAS系統[32]的兩步雷達資料預處理和質量控制方案，包括超折射地物回波和地物雜波的自動識別和剔除、徑向速度退模糊處理，以及雷達資料的插值、填充、平滑和閾值界定處理等[52]。除了雷達資料前處理和質量控制的普通技術問題外，觀測誤差的估計對于資料同化是不可缺少的。觀測誤差統計是氣象觀測資料同化最為重要的方面之一[68]。對于雷達資料，觀測誤差主要的來源包括雷達本身的硬件標定誤差、多普勒頻移偏差、取樣誤差、觀測“漏洞”及距離折疊、速度模糊等。Sun等[69]給出了比較詳細的有關雷達資料同化方面的各種討論，讀者可以進一步參考該文獻。近年來，國外學者針對雷達徑向速度和反射率因子資料同化的觀測誤差統計又開展了大量的深入研究[70-73]，這為在業務模式中有效同化各種型號的雷達觀測資料起到了重要的促進作用。

對于徑向風同化而言，正確的處理速度模糊問題是雷達質量控制的關鍵之一。大致有兩種方法對雷達徑向速度場進行退模糊處理。第一種方法是逐像素的順序退模糊法[74-77]，第二種是依據參考風的全場退模糊法[78-82]。但是準確的雷達徑向速度退模糊，仍然具有很大的挑戰，特別是對于C波段等波長較短的雷達以及遇到臺風等天氣現象時，退模糊變得更加困難。

雖然實時的雷達質量控制軟件已經被開發及在部分地區使用，但一個綜合性的適合中國雷達網的實時雷達質量控制系統將有利于加快雷達資料在數值預報中的使用。因為中國的雷達網規格不統一，雷達質量控制系統必須考慮到不同雷達不同地區的需要。這樣一個系統的開發雖然具有挑戰性，但其意義重大，是有效使用業務雷達改進災害性天氣預報不可缺少的一個步驟。

2.2分析場的多尺度動力平衡

天氣尺度和對流尺度的動力平衡有很大的不同，它們的空間尺度和時間尺度也有很大的差異，所以在雷達資料同化中往往會強調一種平衡而忽略了另一種。若強調分析場離雷達觀測很近，要小心周圍的環境場被扭曲。雷達資料代表的是對流尺度的環流特征，而常規觀測代表的是大尺度環流特征，兩者很難被同時優化，因為它們的觀測誤差特征不同。因此，可以采用多步優化，或在價函數中增加約束條件。最近，Vendrasco等[83]嘗試在同化雷達資料時用大尺度分析場做約束，得到了令人鼓舞的結果。另外，混合氣候背景誤差和“流依賴”背景誤差也可以達到同樣的效果。

2.3改進背景誤差

3DVar同化目前仍然是世界上區域業務數值預報中的主要分析和模式初始化系統，因為該方法計算快速，分析結果穩定。但它最大的缺點就是背景場誤差是基于氣候統計，無法反映誤差的“流依賴”。近年來，很多研究采用了集合與變分混合的同化方法，以改進過于簡單的變分背景誤差[84-87]。另一方面，混合同化方法與EnKF同化方法相比，具有更穩定、更易收斂的優點，但混合方法在雷達資料同化方面的應用還需要大量開發和研究工作。

2.4雙偏振雷達資料同化

近幾年來，很多業務雷達已經更新為雙偏振觀測模式，但對于雙偏振觀測資料同化的研究還剛剛起步。雙偏振雷達觀測資料可以區分微物理變量的相態，對于更準確地估計各微物理變量有所幫助。雙偏振雷達資料同化可以采用直接法或間接法。直接法要求復雜的觀測算子，可以將模式中的微物理變量與雷達的雙偏振觀測變量進行直接轉換[60]。直接法的優勢在于準確的觀測算子，但缺點是此觀測算子的非線性化有可能給基于線性假定的變分法帶來計算誤差。間接法是先將雙偏振觀測變量轉為微物理變量再進行同化[88]。對于雙偏振雷達資料同化，還需要更進一步的研究，檢驗雙偏振雷達資料同化對對流尺度的分析和預報的影響。

2.54DVar同化方法的業務應用

無論是在大尺度的全球模式還是對流尺度的區域模式，4DVar同化方法的優越性都已經被大量的研究和應用證明。但將4DVar同化系統應用在高分辨率（小于3km）的業務模式中, 仍然受到計算資源的限制。于是，怎樣提高4DVar同化的計算速度，同時又保持它的精度，也是一個重要的研究課題。近年來所流行的四維集合變分方案（4DEnVar）就是簡化4DVar同化的方法之一[89]。怎樣能夠將4DVar同化方法應用在對流尺度數值分析和預報中并與集合方法相結合，又具有業務實用能力，特別是針對雷達等高時空分辨率的觀測資料同化，是未來一個重要的研究方向。

2.6與其他資料的有效混合同化

雖然雷達觀測是對流尺度同化最重要的資料來源，但其他對流尺度觀測資料的作用也不可忽視。比如閃電觀測、高密度的衛星觀測以及自動站觀測等資料。目前大多數的研究著眼于單種資料對同化和對流預報的影響。怎樣能夠有效地將各種高分辨率（空間和時間）資料共同同化，以達到相互補充的作用，是未來對流尺度資料同化和對流尺度數值預報的一個重要的研究課題。隨著衛星遙感資料的快速增加，特別是高解析度新一代衛星資料的開發，發展結合雷達和衛星資料同化的新技術以補充雷達資料的不足（比如云觀測，衛星反演水汽和閃電觀測等）已成為當務之急。要有效的結合不同類型的觀測資料，首要的一步是對各種資料的代表性誤差特征有充分了解和估計。

3　結語

強對流是引起氣象災害的主要天氣現象，包括洪水、強風、冰雹及龍卷風等。這些災害對生命和經濟都會帶來巨大威脅，特別是在中國人口密集的中大城市，所以提高強對流天氣的預報水平是當務之急。強對流天氣的特點是非線性地快速發展和消亡，可預報時效短。6h之內的短時臨近預報是強對流天氣預報的重點時段。目前，以雷達回波外推技術為核心的臨近預報系統的有效預報時效基本在1h左右，而且對預報對流的局地快速新生幾乎無能為力、而由于雷達資料同化技術的不斷發展，以及數值模式研究的不斷進步，基于數值模式的對流尺度短時臨近預報為未來強對流天氣預報精度的提高和時效的延長帶來了希望。但是，由于強對流天氣預報本身的難度，預報水平的提高取決于扎實的科研、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］萬齊林， 薛紀善， 莊世宇， 等. 多普勒雷達風場信息變分同化的試驗研究. 氣象學報， 2005， 63（2）： 129-145.

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

［12］劉紅亞， 薛紀善， 顧建峰， 等. 三維變分同化雷達資料暴雨個例試驗. 氣象學報， 2010， 68（6）： 779-789.

［13］高郁東， 萬齊林， 何金海. 三維變分同化雷達視風速的改進方案及其數值試驗. 氣象學報， 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. 基于雷達資料4DVar的低層熱動力反演系統及其在北京奧運期間的初步應用分析. 氣象學報， 2011，69（1）： 64-78.

［33］陳明軒， 高峰， 孔榮， 等. 自動臨近預報系統及其在北京奧運期間的應用. 應用氣象學報， 2010， 21（4）： 395-404.

［34］陳明軒， 王迎春. 低層垂直風切變和冷池相互作用影響華北地區一次颮線過程發展維持的數值模擬. 氣象學報， 2012， 70（3）：371-386.

［35］陳明軒， 王迎春， 肖現， 等. 基于雷達資料四維變分同化和三維云模式對一次超級單體風暴發展維持熱動力機制的模擬分析. 大氣科學， 2012， 36（5）： 929-944.

［36］陳明軒， 王迎春， 肖現， 等. 北京“7.21”暴雨雨團的發生和傳播機理. 氣象學報， 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傳播機制. 大氣科學， 2013， 37（1）： 137-148.

［38］肖現， 王迎春， 陳明軒， 等. 基于雷達資料四維變分同化技術對北京地區一次下山突發性增強風暴熱動力機制的模擬分析. 氣象學報， 2013， 71（5）： 797-816.

［39］肖現， 陳明軒， 高峰， 等. 弱天氣系統強迫下北京地區對流下山演變的熱動力機制. 大氣科學， 2015， 39（1）： 100-124.

［40］劉蓮， 王迎春， 陳明軒. 京津冀一次颮線過程的精細時空演變特征分析. 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， 雷霆， 等. 雷達資料同化與提高模式水平分辨率對短時預報影響的數值對比試驗. 氣象學報， 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合同化多普勒雷達資料的試驗研究. 氣象學報， 2008， 66（4）： 479-488.

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

［49］徐道生， 邵愛梅， 邱崇踐. SVD-En3DVar 方法同化多普勒雷達速度觀測資料Ⅱ. 實際資料試驗. 大氣科學， 2011， 35（5）： 818-832.

［50］李媛， 劉健文， 董佩明， 等. GRAPES-3Dvar雷達資料直接同化對江淮暴雨數值預報影響的分析研究. 氣象， 2011， 37（4）： 403-411.

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

［52］陳敏， 陳明軒， 范水勇.雷達徑向風觀測在華北區域數值預報系統中的實時三維變分同化應用試驗. 氣象學報， 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， 鄭國光. 集合卡爾曼濾波同化多普勒雷達資料的數值試驗. 大氣科學， 2006， 30（4）： 712-728.

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

［66］蘭偉仁， 朱江， Xue Ming， 等. 風暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達資料同化試驗Ⅱ. 考慮模式誤差的情形. 大氣科學， 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資料的觀測系統模擬試驗. 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（氣象）科研專項（GYHY201506004；GYHY201306008）