浙江多源資料高空風對比分析

楊 程，董美瑩，陳 鋒，余貞壽

（浙江省氣象科學研究所，浙江 杭州310008）

風廓線雷達起源于20世紀80年代，其原理是[1]通過向高空發射不同方向的電磁波束，接收并處理這些電磁波束因大氣垂直結構不均勻而返回的信息進行高空風場探測的一種遙感設備。早在20世紀90年代初期多個發達國家就開始建立覆蓋全面的風廓線雷達氣象觀測網，并投入業務運行[2-3]。多年的運行結果表明：風廓線雷達數據在滿足觀測精度要求的前提下，其時空分辨率遠遠超過其他高空風觀測系統，為天氣和氣候觀測預報系統的運行提供了強有力的資料保障[4-5]。我國在1989年由中國氣象科學研究院研制了第一代UIIF風廓線雷達探測儀，隨后的多年風廓線雷達的發展和架設取得了長足進展[6-7]。劉青松等[8]的研究表明同化風廓線雷達資料后降水預報產品有明顯改善。張崇莉等[9]利用風廓線雷達等多源資料討論了多資料在降雹天氣中的應用。在《風廓線雷達及應用業務發展規劃（2013—2020年）》中提出要進一步完善風廓線儀探測系統，風廓線儀作為一種先進的探測技術將在21世紀的高空探測領域發揮巨大作用，其對于改進天氣分析和預報、降低測風成本和提高時效性等均具有重要的意義。

對于風廓線雷達數據的驗證早期國外研究者曾利用飛機測風來進行分析，但該方法成本較高。近年來對于風廓線雷達的檢驗以探空資料為主[10，11]。萬蓉等[12]利用湖北地區的探空與風廓線雷達資料進行過對比分析，結果顯示兩類數據相關性較好，可用于常規業務工作。浙江省第一臺邊界層風廓線雷達儀器于2010年3月在慈溪市綜合氣象探測基地架設，到2015年浙江省安裝調試正常運行的風廓線雷達儀共6部。隨著后期浙江省風廓線雷達觀測網的建立，對省內已有風廓線雷達數據的評估工作顯得異常重要。這份評估工作一方面可以為后期風廓線雷達儀器的架設提供指導依據，另一方面為風廓線雷達數據的業務化提供質量保證。因此本文擬使用探空數據，從對風廓線雷達數據進行統計檢驗入手，首先對多年來風廓線雷達數據進行評估，隨后使用風廓線雷達數據，對近年來在浙江產生重大影響的多個臺風進行個例分析，討論風廓線雷達在臺風分析中的應用。

1 資料與方法

1.1 資料

邊界層風廓線雷達數據主要使用湖州站和義烏站1 h平均風場資料，用于檢驗的探空數據分別選取離兩者最近的杭州站和衢州站。統計檢驗的時間段為2010年8月—2013年10月共計39個月。其中湖州站在2011年8月—2012年3月風廓線雷達資料缺測，所以該站點的檢驗數據共計31個月。由于雷達資料站點與探空資料的站點相距較遠，為保證評估的有效性，研究中引入ECMWF再分析數據（簡稱：EC再分析數據）。該數據空間分辨率0.125°×0.125°，覆蓋全球，選取的時間段與探空數據一致。以往研究顯示風廓線雷達資料會受到降水因素的影響，因此在對風廓線數據進行評估時會選取評估時間段內多個包含降水的時間段。文中所用降水數據為浙江省1 h平均降水數據，時間的選取配合風廓線數據的評估時間段。

1.2 方法

由于風廓線數據和探空數據的觀測方法不同，使得兩者的時空分辨率差異較大（不論是時間還是空間分辨率，風廓線雷達數據都比探空數據精細）。要對兩者進行檢驗，首先需將兩者時空分辨率調整到一致狀態。以往的研究中由于兩類站點距離不是特別遠，會忽略空間上的差異[12],直接進行時間和空間的插值后進行比對。而本文選取的資料兩類站點之間的距離分別為71.4 km和121.1 km。忽略這種差異，勢必會對評估結果產生影響。為此本文引入了EC再分析數據解決這一問題。首先選取離兩個探空站點最近的EC再分析數據中的格點，評估每兩個點之間的相關性。在確認兩者相關性顯著的前提下，再選取離兩個風廓線雷達站點最近的EC再分析數據的格點,對風廓線數據進行評估。具體的站點位置精確經緯度見表1。簡而言之，文中的方法是以高分辨率的EC再分析數據為橋梁，以探空資料為觀測數據，先評估EC數據的有效性，再用EC再分析數據評估風廓線雷達數據。引入EC再分析數據后使得用于評估的站點間最遠距離不超過6 km。

兩類數據的對比，主要用以下統計變量計算。其中Voi為某站的探空風速；Vpi為該站與探空風速對比的雷達風速或EC風速。

平均相對誤差（mean relative error）：

平均絕對誤差（mean absolute error）：

平均絕對偏差（mean absolute deviation）：

均方根誤差（Root mean square error）：

相關系數（correlation coefficient）：

表1 不同資料站點的經緯度及距離

EC再分析數據的高度層為氣壓高度，與風廓線和探空數據的高度層都有所差異。為此文中將EC再分析數據插值到對應的站點數據高度再進行比對。首先將氣壓高度轉換成幾何高度。以h站點高度上風力值V站（h站點）為例，對應該高度的EC值為VEC（h站點）由公式（6）計算所得：

式（6）中h+和h-為離h站點最近的兩個高度。

2 評估結果分析

2.1 探空資料與EC再分析數據比對

表2給出了用探空數據對EC再分析數據進行評估的結果。兩類數據的相關性較好，相關系數都超過0.85，其中兩類數據風速的相關性略好于風向，達到0.9，這是因為觀測中風向的瞬時誤差本身要大于風速。兩類數據風向絕對誤差衢州站是14.3°，杭州站是16.5°；風速絕對誤差衢州站是1.62 m·s-1，杭州站是1.88 m·s-1。EC風力數據在衢州站與探空資料絕對誤差更小。從兩類數據平均絕對偏差可知，風向和風速的絕對偏差都為正值，說明相對于探空風向，EC的風向平均偏左；相對于探空風速，EC的風速平均偏小。這種誤差若體現在相對誤差上，則兩類資料的相對誤差都小于15% 。

表2 EC再分析數據與探空數據的評估結果

通過以上分析可見EC再分析數據總體是可信的。圖1給出了EC再分析數據與探空數據相關性隨高度演變廓線圖。圖中兩站點風速的相關性都好于風向。除衢州站的風向，其他的風力相關性最好的高度層都在3～4 km。次好的高度層為2～3 km和4～5 km。而在0～1 km相關性較差，造成這個現象有兩方面原因：一是EC再分析數據最低層為1000 hPa，在0～1 km插值時觀測較少造成誤差；另一方面由于近地面風受不同下墊面影響造成觀測誤差。高層4 km以上兩類數據風力相關性也開始變差，這是因為探空觀測隨著時間的推移離站點的位置會越來越遠造成誤差隨著高度變大。雖然低層和高層的相關性不如中層，但從圖1中可以發現，這種相關性的差異只是相對的。除了杭州站的風向，其它站風力在任一高度相關性都超過0.8。

綜上分析可知，EC再分析數據與探空風數據相關性較好，可用其對風廓線雷達數據進行評估。

2.2 風廓線雷達資料與EC再分析數據比對

圖1 EC再分析數據與探空數據相關性隨高度的變化特征

由于以往的眾多研究顯示風廓線雷達數據會受到降水的影響[11-12]，因此在對該數據進行評估時，作者將挑選研究時間段內有連續降水的天氣過程進行比對，將有降水和無降水的時次分開評估。具體的選擇需滿足以下條件：（1）連續6 h每小時降水量超過0.1 mm；（2）6 h總降水超過5 mm；（3）降水比率（有降水的時次與總時次的比值）超過20% 。若降水比率低于20% ，但某1 h降水量超過20 mm亦滿足選擇條件。這主要是為了將短時強降水、特大暴雨過程包含進去。根據上述條件，兩站分別選取了36個和41個降水過程。

通過對上述降水過程風廓線雷達數據的統計檢驗，表3給出了該數據的評估結果。從表3可知，當無降水時風廓線雷達與EC再分析數據表現出很好的相關性，風向的相關性約0.85，風速的相關性超過0.9。兩類數據的平均絕對偏差都為負值。由于研究以EC再分析數據作為觀測，所以偏差的計算是EC的值減去風廓線雷達的值。因此若平均絕對偏差為負值則說明風廓線雷達風向相對于EC偏右；風速相對于EC偏大。對比表2中EC再分析數據與探空的平均絕對偏差，可見當沒有降水時，風廓線雷達數據位于EC再分析數據和探空數據之間。

而當有降水時，兩類數據的相關系數明顯低于無降水的情況，約在0.7～0.8。兩類數據的平均絕對偏差雖也為負值，但比無降水時更接近EC再分析數據。而平均絕對誤差顯示有降水時的絕對誤差卻大于無降水的情況。出現這一現象是因為，計算偏差是為了體現兩類數據的整體大小趨勢，很有可能正負值互相抵消。這里絕對誤差更能體現兩類數據的誤差情況，從表3可以看出有降水時兩類數據風向的絕對誤差約為15°，風速的誤差為2.5 m·s-1。

由于相對誤差比絕對誤差更能說明兩類資料誤差的相對性，對于風廓線雷達數據和EC再分析數據誤差隨高度的變化見圖2。從圖2中可知不論是湖州站還是義烏站，兩類數據沒有降水時相對誤差在中層1～4 km都比較小，約為15% 。而在低層1～2 km和高層4 km以上相對誤差較大，這是由于EC的低層和風廓線雷達數據的高層邊界值的缺測造成。有降水時風力的相對誤差低于沒有降水的情況。風速的相對誤差略好于風向。湖州站相對誤差隨高度變化的特征不明顯。義烏站在1～3 km相對誤差最小。

表3 風廓線雷達數據評估結果

圖2 風廓線雷達數據平均相對誤差隨高度變化特征曲線

圖3和圖4更為直觀地反映風廓線雷達的評估結果。當沒有降水時風廓線雷達位于EC再分析數據和探空數據之間。有降水時，風廓線雷達不論風向還是風速，平均偏差都位于EC再分析數據與探空數據之間；但其與EC再分析數據的風速和風向絕對誤差都大于探空數據與EC再分析數據的絕對誤差。

圖3 風廓線雷達數據風向評估結果

圖4 風廓線雷達數據風速評估結果

3 臺風個例分析

浙江是受臺風影響最嚴重的省份之一。將以兩個雷達站點數據為主，輔以探空站點數據共同分析臺風個例中風力的演變特征。

3.1 1211號臺風“海葵”風力分析

2012年第12號臺風“海葵”于2012年8月3日08時在日本沖繩縣東偏南方向約1360 km的西北太平洋洋面上生成，8月7日13時發展成強臺風級別，8月8日3時登陸浙江象山縣，隨后向西北方向移動。從“海葵”移動路徑可知4個站點分別位于其移動方向的兩側，可以很好的觀察其移動過程中風力的演變特點。“海葵”登陸前后降水云系深厚，在浙北到浙中附近有一塊紅外黑體亮溫（Black Body Temperature,以下簡稱TBB）＜-60℃的強對流云系，造成了浙中到浙北區域內多地的強降水天氣。湖州站和義烏站的降水都是從7日18時開始，湖州站小時降水最大時間段在8日08時附近，最大降水量超過15 mm，義烏站降水強度略小于湖州站。將重點關注7日18時之后的風力演變特點。

圖5給出了7日18時—9日00時4站風力廓線時間演變圖。由圖5可知，風廓線雷達在整個降水過程中時間連續性較好，受降水污染情況較小。圖5a為義烏站風力廓線圖，義烏站的在7日19—20時有一波短時降水，對應于風力廓線圖上從高空到低層深厚的偏東北氣流。由于強對流云系造成的降水主要分布在8日02時—8日12時。這段時間圖5a顯示測站上空風向存在從偏東北向逆時針轉向偏西南氣流的過程。這是臺風從測站東側向西北方向移入的過程，移入后臺風位于測站北側符合臺風路徑特征。圖5c衢州站探空資料由于中低層資料缺失對于這段時間風向的轉變特征刻畫不明顯，未能清晰捕捉到風向的變化過程。圖5b為湖州站風力廓線圖，8日03—06時測站上空存在深厚的偏東風急流，說明此時臺風位于測站東側尚未過境，深厚的偏東氣流造成了02—06時間的降水。8日8日06—12時風向逐漸從偏東風轉為偏東南氣流，說明此時測站位于季風槽的頂部。風廓線雷達風向的轉變雖不如圖5d杭州站探空資料明顯，但也可以觀測到風向的變化。這種風向的轉變是典型的臺風從西南移入的過程，造成了06—12時的降水。同時在8日12時測站上空低層1 km處的風速約25 m·s-1,＞2.5 km處的風速10 m·s-1，弱的風速切變使得大氣斜壓性增大，有利于降水加強。

圖5 臺風“海葵”期間風力演變時序

通過對圖5的分析，臺風“海葵”造成的兩站降水過程，由風力演變特征顯示，當測站上空存在深厚且高低空一致的急流，風向開始轉向時較容易產生降水。風速的高低空差異造成的大氣斜壓性，有利于降水加強。

3.2 1323號臺風“菲特”風力分析

2013年第23號臺風“菲特”于2013年9月30日在菲律賓以東洋面生成，10月4日傍晚加強為強臺風，2013年10月7日凌晨1時登陸福建省福鼎市，造成至少5死4失蹤，經濟損失超過623億人民幣，是1949年以來10月份登陸中國大陸的最強臺風。“菲特”登陸后的路徑主要位于浙閩交界處，但其中心臺風云系造成了浙北地區極其嚴重的大暴雨。文中主要關注“菲特”影響的時間段為其登陸后的階段。義烏站降水主要在6日12時—7日02時，最大小時降水超過10 mm。湖州站降水時間段從6日14時開始，后期降水強度較大，最大小時降水量超過20 mm。

圖6給出了臺風“菲特”期間兩站風力的時序圖。與臺風“海葵”的風力廓線圖相似，風廓線雷達資料在關注時間段內受降水的污染較小，時空連續性都比較好。義烏站降水時段偏前，主要在6日12時—7日02時，降水強度最大值出現在6日18時附近，從圖6a可以看出，18時附近測站上空高層為一致的偏東北氣流，風速超過25 m·s-1,中低層則為偏東南氣流，風速在15 m·s-1左右，這種高低層風力切變造成了此次降水過程。從降水強度看，雖然義烏站離臺風本體更近，但降水明顯低于湖州站，因為義烏地區是東南北三面環山的丘陵地形，這種地形不利于降水的加強。6日23時小時降水超過20 mm，在風力演變上可以看到23時湖州站上空高層為偏東南氣流，中層為偏東氣流，低層為偏東北氣流，總體風向偏東，同時中高層風速大于中低層，存在風速上的差異，這種高低層風向一致風速略有偏差的配置，促使降水加強。該站小時降水超過10 mm的連續性降水從7日05時開始，圖6b上顯示06—12時中低層風向變化不明顯，都以偏東北氣流為主，風速略有加強,說明氣流在此處堆積，中高層方向則由偏東轉為偏東南方向，說明影響湖州地區的降水云系中低層移速慢，高層移速塊，降水云系呈現以測站上空向西北方向傾斜的趨勢。湖州西側為天目山山脈，中低層氣流受地形迎風坡影響有所滯留造成了連續性降水過程。衢州站（圖6c）和杭州站（圖6d）探空資料的高度廓線，也可分析出類似圖6a和圖6b的高低空風向的變化，但由于該資料時間間隔為12 h，對于更短時間內降水過程風力變化的表現不夠清晰。

圖6 臺風“菲特”期間風力演變時序

造成臺風“菲特”期間湖州站連續性降水主要由于臺風本體充沛的水汽條件受地形影響有所滯留造成。而義烏站的降水則是由于高低空風力的切變，使得大氣斜壓性增強造成。

4 結論與討論

以高分辨率EC再分析數據作為橋梁，首先使用杭州站和衢州站探空數據對EC再分析數據進行評估，發現兩類數據存在較好的相關性，可用EC再分析數據取代探空數據對湖州站和義烏站風廓線雷達數據進行評估。

（1）評估結果顯示當無降水時，風廓線雷達數據與EC再分析數據相關系數在0.85～0.9，進一步分析可知風廓線雷達的值位于EC再分析數據和探空數據之間。有降水時，風廓線雷達與EC再分析數據相關系數在0.7～0.8。

（2）無降水時風廓線雷達數據在中層2～4 km與EC再分析數據相對誤差較小，在低層和高層由于相關資料的缺測造成相對誤差較大。有降水時風廓線雷達數據與EC再分析數據相對誤差隨高度變化特征不明顯。

（3）通過對2012年第12號臺風“海葵”和2013年23號臺風“菲特”造成降水期間的兩站風力演變特征分析發現，風廓線雷達資料的時空完整性都比較好。相對探空數據來說可以觀察到風力演變過程中更加精細的風力結構。

（4）對臺風“海葵”的分析顯示當測站上空存在深厚且高低空一致的急流，風向開始轉向時較容易產生降水。造成臺風“菲特”期間兩站的降水則與地形作用關系密切。兩個個例分析都表明，當風力存在高低空差異時造成的大氣斜壓性，有利于降水加強。

上述結論表明以往研究中關于風廓線雷達數據受降水影響較大的現象在新型風廓線雷達儀有所改進，浙江省風廓線雷達數據可應用于日常常規天氣過程的分析。由于風廓線雷達本身變量的單一性以及目前省內架設風廓線雷達儀仍然較少等現狀，使得僅用風廓線資料進行分析顯得異常困難，這一方面需要不斷增加儀器鋪設，同時也需要將風廓線資料與其他數據融合才能體現其重要性，這些都需要在今后的研究工作中進一步深入探討。