風廓線雷達資料的應用:質量評估

摘要 利用FNL全球再分析資料（Final Operational Global Analysis）、探空資料對2019年6—9月位于中國華北地區20個站點共5種型號（CFL-06、GLC-24、TWP8-L、CFL-03、CLC-11-D）的邊界層風廓線雷達資料進行了質量評估。結果表明：各型號雷達均具有較強的探測能力，但不同雷達在水平風資料數據獲取率以及有效探測高度上差異極大。不區分天氣狀況時，所有型號雷達均為V風質量優于U風質量。TWP8-L雷達U風測風質量相對最佳，CFL-03雷達緊隨其后，GLC-24雷達U風測風質量最差，V風質量則差異不大，U風數據使用前需進行偏差訂正以及質量控制。風廓線雷達觀測對于降水較為敏感，降水使各型號雷達數據獲取率在底層減小，中高層增加，增幅最大達到53％，但探測能力加強并不代表測風質量增加，統計結果表明降水是造成U風平均誤差以及均方根誤差較高的重要原因，其中，GLC-24、CLC-11-D雷達對降水最為敏感，降水狀態相較于非降水狀態均方根誤差增幅均達到了5.5 m／s以上，降水情況下的U風及V風資料需進行進一步質量控制才可使用。

關鍵詞風廓線雷達;水平風產品;質量特點;FNL

近年來，全球變暖已經成為很多科學家的共識（張文君和譚桂容，2012），在全球變化的背景下，全球氣象水文災害發生頻次顯著增加，嚴重影響了人們的生產生活，對人民的生命財產安全構成重大威脅（王毅等，2021）。在氣象業務體系中，只有做好氣象觀測工作，才能進一步去做好氣象預報預警工作，因此，中國氣象局《全國氣象發展“十四五”規劃》將發展精密氣象觀測定為當前的重要任務。基于此，國家目前大力布設地基遙感探測設備風廓線雷達以及地基微波輻射計，以期構建高時空分辨率的溫、濕、風三維觀測網。其中風廓線雷達是一種新型的測風雷達，能夠對大氣水平風的垂直分布進行探測，提供高時空分辨率的大氣水平風速、風向等風場信息，具有24 h連續探測、無人值守工作的優點，對強對流天氣監測行之有效，是對傳統探空資料的有益補充（Bluestein et al.，1995;何平，2006;Zhang et al.，2016）。如今，我國已有多部門可以自主研發多型號風廓線雷達，全國范圍內布設的風廓線雷達也以國內生產為主，目前風廓線雷達布設主要集中在長江三角洲、珠江三角洲和京津冀地區。

中國氣象局預計在“十四五”結束之際，在全國范圍內組建共計225部風廓線雷達的觀測網（張小雯等，2017），隨著風廓線雷達組網的初步組建，風廓線雷達在強對流天氣的監測及預警（費松等，2020）中開始發揮重要作用，其資料也被廣泛應用，如：高空風場信息監測（王志春和植石群，2014）、大氣湍流運動特征研究（Muschinski et al，1999;阮征等，2008）、邊界層高度研究（張哲等，2019）、各類天氣系統精細化結構研究（黃興友等，2015）等。此外，風廓線雷達資料在數值預報中的應用也受到了國內外的關注，世界主要的天氣預報中心如歐洲中期天氣預報中心以及美國國家環境預報中心都已在其業務運行系統中加入風廓線雷達資料（Bouttier，2001;Benjamin et al.，2004），經過長時間運行對比，證明其對各物理量預報有積極效果。國內針對風廓線雷達資料的同化應用也在近年開展，諸多學者針對降水預報中風廓線雷達資料的同化開展研究（張旭斌等，2015;王丹等，2019;Wang et al.，2020，2022），結果顯示同化質量較好的雷達資料可以使初始場得到一定改善，降水預報技巧得到了一定提升。

為了更好地應用風廓線雷達探測數據，充分認識和了解風廓線雷達探測數據的準確性是十分必要的，風廓線雷達資料的質量對于資料分析、同化應用等十分重要。楊馨蕊等（2010）探索了5種UFH風廓線雷達的降水數據判別方法，其中建立關于垂直徑向速度和信噪比以及明確垂直徑向速度和譜寬的判別函數方法表現最優;汪學淵等（2015）統計了2012年丘陵地區邊界層風廓線雷達的數據獲取率并分析了信噪比特征，確定了低模與高模的最佳銜接高度為600 m;王棟成等（2019）針對濟南站固定式風廓線雷達，研究了有降水以及無降水時段風向、風速的相關性差別，結果表明不同天氣狀態下兩者相關性較高，但未針對其他站點展開討論;費松等（2020）基于南京站2018年的風廓線雷達資料，利用噪聲電平設計了新的數據置信度算法，為業務人員在風廓線雷達資料的應用上提供了參考;朱立娟（2015）以風廓線雷達資料的業務同化應用為目的，基于GFS分析資料，分析了兩者之間的資料差異，并分開探討了LC、PA、PB型號雷達的質量區別，指出PA、PB型號雷達資料質量優于LC型號雷達;王葉紅等（2021）對福建12部L波段風廓線雷達經向風以及緯向風資料進行了誤差分析，發現，不同型號的雷達在探測高度、數據獲取率以及測風資料質量方面表現出不同的特點，其中CFL-06型號低對流層風廓線雷達在有效探測高度以及數據質量上均優于CFL-03型號邊界層風廓線雷達。

總體而言，我國對于區域組網風廓線雷達的質量特點研究還并不充分，尤其是對不同型號的風廓線雷達的質量差別，還缺乏系統的研究。目前，我國建設的風廓線雷達主要分為三種，分別為邊界層風廓線雷達（L波段）以及PA型號的對流型Ⅰ型雷達、PB型號的對流型Ⅱ型雷達（P波段）。其中，邊界層風廓線雷達占據主導地位，鑒于此，本文對不同型號邊界層風廓線雷達U風、V風資料進行詳細的質量評估，為選擇更優型號的雷達提供一定依據，并為后續質量控制方案的研究已經業務同化應用提供參考。

1 所用資料

1.1 風廓線雷達資料

本文對2019年6—9月數據完整的20部風廓線雷達（海淀、延慶、霞云嶺、南郊、上甸子、平谷、懷柔、靜海、寶坻、大廠、豐寧、張北、唐山、盧龍、保定、沈陽、濟南、東營、蓬萊、濰坊）進行水平風場質量分析，站點具體位置及海拔高度見圖1。20部雷達共計五種型號，均為L波段的邊界層風廓線雷達，時間分辨率為6 min。濟南、東營、蓬萊站為南京瑞恩特實業有限公司生產的CLC-11-D型邊界層風廓線雷達，靜海、寶坻、大廠站為北京無線電研究所生產的CFL-03系列邊界層風廓線雷達。其余14部風廓線雷達雖也為L波段雷達，但它們的探測功率相較傳統的邊界層風廓線雷達進行了加強，其中沈陽站為北京敏視達公司生產的TWP8-L系列風廓線雷達，濰坊站為南京恩瑞特實業有限公司生產的GLC-24系列風廓線雷達，剩余則為北京無線電研究所生產的CFL-06系列風廓線雷達。風廓線雷達有低模以及高模兩個探測模式，高模探測功率更大，低模可進一步分為低模1以及低模2模式，各型號雷達垂直分辨率信息見表1。

風廓線雷達資料分為瞬時資料ROBS、半小時平均資料HOBS、小時平均資料OOBS。有研究指出風廓線雷達實時資料包含大氣瞬時波動（朱立娟，2015），而數值模式需要具有一段時間代表性的數據，目前國內外針對風廓線雷達同化應用的研究也均針對小時平均資料開展，因而，本文分析的測風數據為通過廠家100％置信度檢驗的小時平均探測數據。

1.2 FNL再分析資料、探空資料、降水資料

分析資料為美國國家環境預報中心（NCEP）的0.25°×0.25°FNL全球再分析資料（Final Operational Global Analysis，以下簡稱FNL資料）。對FNL資料采用水平方向雙線性插值，垂直方向線性插值到風廓線雷達資料各個高度層上，在進行垂直插值時，首先將FNL資料的位勢高度轉換幾何高度，其后將垂直位置對應為風廓線雷達站點的海拔高度與探測高度之和。繪圖分析時，方便起見，所有高度均為各雷達站點的探測高度，而不是包含海拔高度的風場資料所在的實際高度。

探空資料為北京探空站L波段探空資料，時段與風廓線雷達資料時段一致。北京探空站每日進行3次探空觀測。其中07：15（北京時）與19：15（北京時）時為兩次常規觀測，13：15（北京時）一次加密觀測。為與FNL時間相匹配，上述三個時次的探空數據分別對應為00：00（世界時）、06：00（世界時）、12：00（世界時）時的數據。因秒探空數據垂直分辨率較高，因此，選取高度與風廓線雷達探測高度最近的高度數據進行匹配及對比，高度匹配誤差在5 m以內，如風廓線雷達探測高度上下5 m內無探空觀測數據，則這一高度層視為缺測。

自動站降水資料用來對風廓線雷達資料進行降水時段資料以及非降水時段資料的區分，本文中定義的降水時段為在對比時間前后3 h內，如自動站觀測資料顯示有降水，則認為此站點雷達資料受到降水影響。

2 資料評估方法

將風廓線雷達資料、FNL資料以及探空資料進行處理后，得到統一高度層上的資料，計算風廓線雷達資料與其他兩種資料的U風、V風分量的平均誤差，均方根誤差和相關系數，具體計算公式如下：

式中：Xwi為風廓線雷達觀測值;Xai為與風廓線雷達觀測對應的探空觀測、FNL再分析資料值;N為各類數據總量。

3 FNL資料可靠性驗證

探空觀測對應的為氣球在漂移過程沖所探測的數據，是在不同時間、不同地點進行的，其在垂直方向上升至10 km約為25 min，水平方向最大也會漂移至幾十公里外（吳蕾等，2014），即使為同址的探空觀測，與風廓線雷達的觀測時間及觀測位置在嚴格意義上仍存在一定差異，且探空站一天僅進行2～3次探測，而風廓線雷達資料具有逐6 min資料，因此，若直接使用探空觀測資料與風廓線雷達資料進行對比是不妥當的。

此外，空間上探空站的建設密度則更是遠遠低于風廓線雷達站，以本文所進行對比的20部風廓線雷達為例，其中僅有2站有同址探空觀測，若風廓線雷達資料與不同址的探空觀測資料進行對比，則不可避免受到地形、環境等因素的影響，也僅有探空站點與風廓線雷達站點距離不遠時的對比結果才可以采用，使得許多部雷達資料質量無法進行評估，無法反映風廓線雷達資料質量的具體情況。因而，為評估各型號風廓線雷達資料的結果更具代表性，本文借助FNL全球再分析資料，使用其格點資料，來減少因為時間、空間不匹配對資料質量評估的影響，提升風廓線雷達資料準確性。

首先需要明確FNL再分析資料與探空資料在進行風廓線雷達質量評估時有何差異，因而，將FNL插值資料與北京站探空資料分別與北京南郊站的風廓線雷達資料進行對比，為后面多型號資料的評估尋找依據。

圖2a、2b分別為U風、V風在雷達資料與分析資料對比（此后稱為FNL對比法）以及雷達資料與探空資料對比（此后稱為探空對比法）時的平均誤差以及相關系數垂直廓線分布。U風的平均偏差在2.5 km以上，兩種對比方法呈現一致的負偏差，偏差隨高度增加，FNL對比法的偏差一直大于探空對比法，在2.5 km以下，探空對比法除2 km左右為弱的正偏差外，其余部分仍為負偏差，而FNL對比法在0.27 km以上出現了正偏差大值區，正偏差最大值達到了2.01 m／s。兩種對比方式U風的相關系數在2 km以下及6 km以上相差較大，最大為0.4。V風的平均偏差在兩種對比方式中6.5 km以下幾乎均呈現負偏差，探空對比法的偏差更小，6.5km以上，探空對比法仍為負偏差，偏差隨高度迅速增加，FNL對比法在6.5～8.5 km為弱正偏差，此后變為負偏差，偏差隨高度迅速增加。V風在2 km以上相關系數相差不大，大值出現在0.27 km處，為0.32。

圖3a以及3b分別為U風、V風在FNL對比法以及探空對比法中均方根誤差隨高度的分布。U風均方根誤差高度廓線圖顯示4 km以下兩廓線差距較大，最大差距超過4 m／s，在4～6.5 km之間兩種對比方式吻合較好，兩廓線幾近平行，差距在2 m／s附近擺動，6.5 km以上差異加大，廓線之間距離增加。V風的均方根誤差廓線在絕大部分高度都近乎平行，即兩種對比方式的均方根誤差除大小差距外，走勢是比較一致的。

根據總的統計結果（表2）可以看出，兩種對比方法均呈現V風測風質量優于U風。U風FNL對比法較探空對比法平均誤差增加0.694 m／s，均方根誤差增加3.609 m／s，相關系數減少0.254，V風FNL對比法較探空對比法平均誤差增加0.58 m／s，均方根誤差增加3.211 m／s，相關系數減少0.165。可見FNL再分析資料V風相較U風更加貼近探空資料，這可能是由于我國處于西風帶中，東西向風較南北向風更大，在探測時更大的風速也帶來了更大的誤差。

總體看來，各誤差相關量在兩種對比法的高度廓線上整體呈現趨勢較為一致，2 km以下相較其他高度差異更大一些，因此，使用FNL再分析資料的風場資料對風廓線雷達資料進行評估是可行的，其結果可以一定程度上反映風廓線雷達資料的真實質量，只是誤差較探空資料對比所得出的更大，這是因為基于FNL再分析資料計算得到的誤差實際包含了觀測誤差與FNL再分析資料誤差。

4 不同型號風廓線雷達資料分析

4.1 水平風資料獲取率

風廓線雷達的數據獲取率可以反映其探測能力，計算方法為每部雷達在每一高度層上，所獲得的通過置信度檢驗的數據量與應獲得的全部數據量的比值（王葉紅等，2021）。五種型號雷達探測資料在2019年6—9月平均的獲取率垂直分布如圖4所示。可見，不同型號的雷達資料獲取率存在較大差異，但整體上獲取率在低層為大值區，獲取率普遍接近1，隨著高度增加，探測能力逐漸減弱，獲取率慢慢減小。

五種型號的風廓線雷達中，CFL-03、CLC-11-D雷達水平資料獲取率在3 km以下保持在0.8以上，3 km以后迅速降低，其中CFL-03最小減小至0.2左右，CLC-11-D最小以接近0，在低層，CFL-03的資料獲取率僅為0.84，1 km以后增長至0.95以上并維持一段距離，CLC-11-D則是在最底層資料獲取率最高，為0.97，此后隨高度增加降低。

CFL-06、GLC-24、TWP8-L雷達的資料獲取率在低層至某一個高度維持在0.95以上，此后隨高度迅速降低，但不同型號風廓線雷達維持的高度存在較大差別，CFL-06風廓線雷達，這一高度為4.59 km，GLC-24雷達，為3.51 km，TWP8-L，這一高度僅為1.95 km，遠小于其他兩種對流層風廓線雷達。

有研究指出，數據獲取率高于0.8的高度層所獲得的資料相對可信（何平等，2009），因此，稱數據獲取率在0.8以上的高度為有效探測高度。各型號雷達有效探測高度不盡相同，進行過探測功率加強的雷達有效探測高度均在4 km以上，其中CFL-06最高，為5.790 km，GLC-24最低，為4.23 km，而傳統邊界層風廓線雷達有效探測高度在3 km左右。

《風廓線雷達功能設計規范（L波段）》規定固定式風廓線雷達最大探測高度分別為不低于3 km（未進行功率加強的雷達）或不低于6 km（進行功率加強的雷達），所有型號雷達探測高度均已達到要求，其中未進行探測功率加強的傳統邊界層雷達有效探測高度已與規定的最大探測高度指標持平，進行功率加強的雷達有效探測高度也接近最大探測高度指標，表明各型號風廓線雷達均具有較強的探測能力。

4.2 基于FNL資料的水平風誤差特征

4.2.1 平均誤差

首先，我們將考察在不區分有效探測高度以及不考慮不同天氣狀態影響的情況下，不同型號風廓線雷達水平風資料的相對于FNL資料的誤差分布特征。

圖5a為U風平均偏差隨高度的分布，可知，不同型號雷達U風平均誤差具有較大差異，各型號雷達平均偏差隨高度的分布為倒“S”形態，即先隨高度增加變大，到達一定高度后隨高度增加減小，此后繼續隨高度增加而增大。也就是，具有兩個拐點，第一個拐點位于2.5 km附近，此高度之下，誤差在-2.5～0.5 m／s之間，拐點處，CFL-06雷達、CFL-03雷達、CLC-11-D雷達偏差為-2.5 m／s左右，偏差較大，TWP8-L雷達、GLC-24雷達僅為-1.5 m／s左右，偏差較小;第二個拐點位于7 km附近，為2.5～7 km，誤差逐漸減小，在-2.5 m／s以內擺動，CLC-11-D雷達、CFL-06雷達U風偏差較大，其余三部雷達偏差相對較小，相差1 m／s左右;7 km之上，各雷達誤差迅速增大，GLC-24、CLC-11-D偏差較大，尤其GLC-24在最高層誤差達到了-12.4 m／s。進行全部層次平均偏差的定量統計，U風平均誤差均為負值，位于-0.65 m／s與-2.6985 m／s之間，TWP8-L雷達U風偏差最小，GLC-24雷達偏差最大。

圖5b為各雷達V風平均偏差的垂直廓線分布特征。可見V風偏差具有與U風不同的特點，在5 km以下，TWP8-L雷達以正偏差為主，偏差主要位于2 km以下，最大偏差為1.3 m／s，其余雷達為負偏差，GLC-24、CLC-11-D誤差較小，其余兩部雷達誤差較大;5～7 km，TWP8-L雷達、CFL-03雷達為正偏差，偏差在1 m／s左右，其余雷達誤差較小，幾乎在±0.5 m／s之間擺動;7 km以上，與U風一樣，各雷達誤差迅速增大，GLC-24雷達在高層誤差超過-7 m／s。整體而言，TWP8-L雷達為0.583 m／s的正偏差，其余雷達為負偏差，CFL-03雷達偏差最小，僅為-0.126，GLC-24雷達最大，為-0.923，整體偏差明顯小于U風。

各型號風廓線雷達U風探測資料相對于FNL再分析資料存在明顯的系統性負偏差，在2.5 km附近以及9 km附近為-2 m／s以上的偏差大值區。因為資料同化是基于無偏假設條件下的，U風平均偏差的分布特征明顯不滿足這一條件，因而，在進行資料同化應用前需要進行偏差訂正，才能取得更好的預報效果。V風則相對質量較好，僅有GLC-24、CLC-11-D雷達在8 km以上出現了-2 m／s以上的偏差。

4.2.2 均方根誤差

均方根誤差可以反映誤差的離散度，對一組觀測中的特大或特小誤差反應非常敏感，對于不同型號雷達在不同高度上的水平測風質量有很好的指示作用。圖6給出了5種型號風廓線雷達相對于FNL再分析資料的均方根誤差隨高度的分布。U風均方根誤差隨高度的分布（圖6a）具體表現為如下特征：2.5 km以下，各雷達U風均方根誤差逐漸增加，均方根誤差位于3.22～6.20 m／s，各雷達間差異不大;高度在2.5～7.0 km，CFL-06雷達均方根誤差在6.5 m／s周圍擺動，其余雷達在這一區間離散值減少，位于4.9～6.32 m／s，GLC-24雷達均方根誤差最小;7 km以上，U風均方根誤差增加明顯，GLC-24雷達在11.91 km處均方根誤差已經達到12.86 m／s。

V風均方根誤差較U風更小。根據各雷達V風均方根誤差廓線（圖6b）可以看出，V風均方根誤差位于2.85～6.7 m／s，明顯優于U風。7 km以下，GLC-24雷達均方根誤差較小，CFL-03雷達誤差較大;7 km以上，GLC-24雷達仍保持較小的均方根誤差，TWP8-L、CFL-06、CLC-11-D雷達相差不大。

對所有層次平均誤差以及均方根誤差進行定量分析，可以發現各型號雷達U風測風質量存在極大差異，V風測風質量各型號雷達差異不大。TWP8-L雷達U風測風質量相對最佳，整層均方根誤差（平均誤差）為5.541 m／s（-0.65 m／s），CFL-03雷達次之，均方根誤差（平均誤差）為5.295 m／s（-1.168 m／s），CLC-11-D、CFL-06雷達再次之，均方根誤差（平均誤差）范圍為5.937～6.119 m／s（-2.112～-1.965 m／s），GLC-24雷達U風測風質量最差，整層均方根誤差（平均誤差）為6.574 m／s（-2.298 m／s）。各雷達V風測風均方根誤差范圍在3.723～3.934 m／s。因此，在未針對風廓線雷達探測的U風產品進行進一步質量控制前，除TWP8-L、CFL-03雷達之外的U風資料應謹慎使用。

4.2.3 相關系數

U風相關系數垂直廓線（圖7a）較為陡峭，相關性隨高度變化較大，主要表現為隨高度升高，2.5 km以下，TWP8-L雷達相關系數較高，約為0.5，CLC-11-D雷達較低，為0.35;2.5～7 km，CFL-03雷達相關系數較高，TWP8-L雷達相關系數較低;7 km以上，各雷達U風相關系數達到0.7以上，其中GLC-24雷達在高層相關系數達到了0.95。

各雷達V風相關系數位于0.667（CFL-03雷達）～0.778（GLC-24雷達）。V風相關性隨高度變化（圖7b）較為平緩，低層較小，此后緩慢升高，2.5 km以下，相關系數為0.45～0.78;2.5 km以上，各雷達V風相關系數整體較為穩定，僅有小的波動，所有雷達站相關系數均在0.66以上，其中TWP8-L雷達以及GLC-24雷達相關性較高，CFL-03雷達相關性較低。

需要注意的是，無論是U風還是V風，各型號雷達在邊界層與FNL再分析資料的相關系數明顯小于其他層次，這是由于邊界層風場變化極大，風場的不均勻性較其他層次更為顯著。因而考察不同型號風廓線雷達對于最底層風場的探測能力，發現最底層U風相關系數位于0.2（CFL-03雷達）～0.432（TWP8-L雷達），最底層V風相關系數位于0.47（CFL-03雷達）～0.682（TWP8-L雷達），因此，TWP8-L雷達底層測風能力最強，GLC-24雷達次之，其余三部雷達相對較弱，整體而言，進行過探測功率加強的雷達在底層的探測能力優于未進行加強的雷達。

各型號風廓線雷達相關系數與均方根誤差隨高度的變化呈現相反的特征分布，誤差離散度為隨高度升高，相關性則是低層最小，高層最大。各雷達測風質量最好的高度區間應為具有較高的相關度以及較小的均方根誤差的區間，考慮到U風、V風在探空對比法以及FNL對比法中均方根誤差以及相關系數出現的差異，設定相關系數大于0.5和均方根誤差小于6.5 m／s為U風資料相對可靠的層次，相關系數大于0.59和均方根誤差小于6.1 m／s為V風資料相對可靠的層次，則TWP8-L、GLC-24、CLC-11-D、CFL-03、CFL-06雷達U風以及V風同時滿足可信度條件的高度分別為1.11～7.95、2.79～7.83、2.98～7.3、1.56～6.96、1.59～5.55 km。TWP8-L雷達72.7％的層次均滿足條件，CLC-11-D雷達僅32.1％的層次均滿足條件，其余三部雷達滿足可信度的層次比例位于兩者之間。

4.3 降水對多型號風廓線雷達資料的影響分析

風廓線雷達利用大氣湍流對電磁波的散射作用進行大氣三維風場等物理量的探測，主要以晴空大氣作為探測對象，因此，除雷達硬件、氣候環境之外，天氣狀況對風廓線雷達的探測也有著很大的影響（何平，2006）。當有天氣過程發生的時候，大氣湍流活動加強，高層的水汽含量增加，雷達探測高度會增高（李晨光等，2003）。為進一步確定不同型號風廓線雷達測風質量受天氣系統的影響程度，我們將對降水條件下以及非降水條件下的風廓線雷達資料進行分類后再進行統計分析。

4.3.1 水平風資料獲取率

圖8為降水狀態以及無降水狀態下各型號風廓線雷達資料獲取率的差值垂直分布，可見：CFL-03（除200 m以下資料）、CFL-06、TWP8-L風廓線雷達均表現為在低層降水發生時的資料獲取率小于天氣晴好時，GLC-24、CLC-11-D雷達則為低層水平資料獲取率受天氣影響很小，所有雷達到某一高度后均表現為有降水時的資料獲取率則顯著大于無降水時。這個轉變在不同雷達上發生的高度層不同，差異顯著，CFL-06為4 110 m，CFL-03為2 760 m，CLC-11-D為1 900 m，GLC-24為3 270 m，TWP8-L為2 430 m，降水對資料獲取率的影響逐步增加，在某一高度達到極大值后開始減小，可見，降水對CFL-03雷達的影響較為顯著，資料獲取率最多增加0.53，而對CLC-11-D的影響相對較弱，資料獲取率最多增加0.31，其余型號雷達最大增加量則在兩者之間。

4.3.2 不同天氣狀態下的平均誤差特征

圖9給出了在有、無降水條件下風廓線雷達資料相對于分析資料平均誤差隨高度的分布。可以看出，U風平均偏差受降水影響嚴重（圖9a），無降水時，10 km以下各型號風廓線雷達偏差處在-0.7～0.7 m／s，此后，GLC-24雷達在高層出現了偏差大于3 m／s的大值區，其余雷達則依然位于-0.7～0.7 m／s，降水對于平均偏差的影響在4 km以下以及7 km以上更為顯著，據統計，降水使U風偏差最大增加了4.9 m／s。

V風平均偏差受降水的影響沒有U風顯著（圖9b），7 km以下，CFL-06、CFL-03、TWP8-L有“對稱”形態，即無降水時以正偏差為主，在降水時以負偏差為主，CLC-11-D、GLC-24則受降水影響不大，7 km以上，則出現了CFL-06、CLC-11-D、GLC-24降水時負偏差明顯增大的情況，TWP8-L、CFL-03則繼續維持“對稱”狀態。

總體而言，各型號風廓線雷達在無降水條件下，10 km以下U風數據以及V風數據均以達到業務應用標準，無須進行后續偏差訂正即可應用，與整體分析所不同的是，無降水條件下U風平均偏差小于V風，也就是由于天氣系統過境所造成的風場不均勻分布是造成U風系統性偏差的主要原因。

4.3.3 不同天氣狀態下的均方根誤差特征

進一步分析不同天氣狀態下誤差離散度的差異。圖10為各型號風廓線雷達測風資料與分析資料對比統計的均方根誤差差值（有降水-無降水）隨高度的分布，可以更加清晰明了地看到各雷達對于降水天氣的敏感性，可見：降水狀態下的均方根誤差遠大于非降水狀態，降水對于U風的影響較V風更為顯著。GLC-24雷達在低層由于降水，均方根誤差增加達到7.5 m／s，其余型號受影響雖略小，但也位于3～6.5 m／s，影響在4～7 km較小，其他高度較大;對于V風，TWP8-L雷達在2 km以及7 km處出現影響大值區，最大值為2 m／s，其他型號雷達則表現為低層受影響較小，到達某一高度后，影響迅速增大，其中GLC-24雷達在最高層受影響已達到4.9 m／s。

根據整層數據平均，GLC-24、CLC-11-D雷達U風對降水最為敏感，均方根誤差增幅達到了5.513、5.523 m／s，其余三部雷達U風對降水敏感性相對較低，均方根誤差增幅范圍為4.361～4.561 m／s。V風均方根誤差增幅為0.731（CFL-03雷達）～1.226 m／s（GLC-24雷達），測風質量受降水影響相對較小。因此，在對降水條件下的風廓線雷達數據進行進一步處理之前，各型號雷達站在降水天氣下的探測數據都不應隨意使用，以U風資料更甚。

4.4 晝夜對多型號風廓線雷達資料的影響分析

白天與夜間大氣湍流強度有明顯差異，夜間較弱，白天較強，湍流強度會影響風廓線雷達探測的信噪比，進而對雷達測風質量產生影響。為探究不同型號雷達在白天、夜間的質量差異，對非降水時段的雷達探測資料進行分類并統計誤差。

圖11為各型號風廓線雷達測風資料與分析資料對比統計的白天以及夜間的均方根誤差高度廓線，可見，對于U風以及V風，各型號雷達均為白天優于夜間。對于U風（圖11a），CFL-06、CFL-03、TWP8-L雷達白天、夜間質量差距更大，2～7 km的質量差距較其他高度更為明顯，在3 km高度附近，3型號雷達白天、夜間均方根誤差差距超過2.5 m／s，CLC-11-D、GLC-24雷達U風測風質量受白天、夜間影響較小，不同時間誤差特征較為一致。

V風測風質量在白天與夜間呈現出與U風不同的特點，由圖11b可知，各雷達在不同時間的誤差差異相對較小，其中CFL-06、CFL-03雷達2～4 km差距較大，最大相差2 m／s左右，TWP8-L雷達在1 km以下差距較大，最大相差1m／s左右，在其他高度上無明顯質量差異。

5 結論與討論

進行風廓線雷達在全國范圍內的布設，提高強對流監測預警能力是當前的重要任務，了解不同型號的風廓線雷達測風資料質量是做好后續質量控制以及同化應用的關鍵。因此，本文利用2019年6—9月逐6 h的FNL再分析資料，結合探空資料以及地面降水資料，分析了我國目前已布設的5種不同型號（CFL-06、CFL-03、CLC-11-D、GLC-24、TWP8-L）邊界層風廓線雷達U風產品以及V風產品的質量特征。結果表明：

1）為了保證分析資料的合理性，利用研究時段內北京南郊站風廓線雷達分別與北京站探空資料以及FNL再分析資料進行比較。探空對比法較FNL對比法在各分量上整體呈現較小的平均誤差、均方根誤差，以及較高的相關性;不同物理量誤差廓線在低層差別稍大，但整體走勢相對一致，表明FNL資料具有一定的代表性以及準確定，可作為觀測真值來評估風廓線雷達測風質量。

2）各型號雷達均具有較強的探測能力，但不同雷達在水平風資料數據獲取率以及有效探測高度上差異極大，其中CFL-06、GLC-24、TWP8-L雷達有效探測高度為4.23 km（GLC-24雷達）～5.79 km（CFL-06雷達），較CFL-03雷達的3.12 km以及CLC-11-D雷達的2.98 km有明顯提高。

3）在不考慮降水等因素的影響對各型號雷達資料進行整體評估，結果顯示所有型號雷達均為V風質量優于U風質量。對各型號雷達的均方根誤差特征以及平均特征進行綜合分析，各型號雷達U風質量差異極大，其中TWP8-L雷達U風測風質量相對最佳，CFL-03雷達緊隨其后，GLC-24雷達U風測風質量最差，整層均方根誤差（平均誤差）達到了6.574 m／s（-2.298 m／s）。V風質量各型號雷達相差較小，均方根誤差均在3.7 m／s左右，平均誤差在±1 m／s以內。因此除TWP8-L、CFL-03雷達之外的U風資料應進行偏差訂正以及質量控制后再使用。

4）TWP8-L雷達底層測風能力最強，GLC-24雷達次之，其余三部雷達相對較弱，整體而言，進行過探測功率加強的雷達在底層的探測能力優于未進行加強的雷達。以相關系數大于0.5和均方根誤差小于6.5 m／s為U風資料相對可靠的層次，相關系數大于0.59和均方根誤差小于6.1 m／s為V風資料相對可靠的層次進行統計，結果顯示TWP8-L雷達有72.7％的層次U風、V風同時滿足條件，為最高，CLC-11-D雷達僅32.1％的層次均滿足條件，為最低。

5）降水對于各型號雷達均有影響。在數據獲取率方面，降水使得低層獲取率減小或變化不大，隨高度增加數據獲取率迅速增加，5～8 km獲取率增幅達到最大，其中CFL-03雷達在5.2 km附近數據獲取率增加0.53。在測風質量方面，U風對于降水的敏感度高于V風，降水是造成U風平均誤差以及均方根誤差較高的重要原因，其中GLC-24、CLC-11-D雷達U風對降水最為敏感，均方根誤差增幅達到了5.513、5.523 m／s，V風質量受降水影響較小，均方根誤差增幅為0.731（CFL-03雷達）～1.226 m／s（GLC-24雷達），因此，如何針對降水期間的風廓線雷達數據展開質量控制，提高資料的利用率是未來值得繼續深入研究的。

不同型號的風廓線雷達測風產品質量差異極大，針對不同型號的雷達開展詳盡的水平風質量對比分析有利于后續的量控制方案研究以及業務同化應用研究，是最大化利用好風廓線雷達探測資料的重要前提。由于資料限制，本文僅針對邊界層風廓線雷達進行評估，且站點較少，后續將引入更多站點，進行更加具有普適性的質量分析。

參考文獻（References）

Benjamin S G，Dévényi D，Weygandt S S，et al.，2004.An hourly assimilation-forecast cycle：the RUC［J］.Mon Wea Rev，132（2）：495-518.doi：10.1175／1520-0493（2004）132lt;0495：ahactrgt;2.0.co;2.

Bluestein H B，Speheger D A，1995.The dynamics of an upper-level trough in the baroclinic westerlies：analysis based upon data from a wind profiler network［J］.Mon Wea Rev，123（8）：2369-2383.doi：10.1175／1520-0493（1995）123lt;2369：tdoaulgt;2.0.co;2.

Bouttier F，2001.The use of profiler data at ECMWF［J］.Metz，10（6）：497-510.doi：10.1127／0941-2948／2001／0010-0497.

費松，陽凌，王國強，等，2020.風廓線雷達產品數據置信度研究［J］.氣象科學，40（4）：527-533. Fei S，Yang L，Wang G Q，et al.，2020.Research on data credibility of wind profiler radar product［J］.J Meteor Sci，40（4）：527-533.（in Chinese）.

何平，2006.相控陣風廓線雷達［M］.北京：氣象出版社：96. He P，2006.Phased-array wind profile radar［M］.Beijing：China Meteorological Press：96.（in Chinese）.

何平，朱小燕，阮征，等，2009.風廓線雷達探測降水過程的初步研究［J］.應用氣象學報，20（4）：465-470. He P，Zhu X Y，Ruan Z，et al.，2009.Preliminary study on precipitation process detection using wind profiler radar［J］.J Appl Meteor Sci，20（4）：465-470.doi：10.3969／j.issn.1001-7313.2009.04.011.（in Chinese）.

黃興友，何雨芩，劉俊，2015.風廓線雷達資料反演雨滴譜和水汽通量的研究［J］.氣象科學，35（6）：751-759. Huang X Y，He Y Q，Liu J，2015.Retrieval and analysis of raindrop size distribution and water vapor flux based on wind profile radar data［J］.J Meteor Sci，35（6）：751-759.doi：10.3969／2014jms.0044.（in Chinese）.

李晨光，劉淑媛，陶祖鈺，2003.華南暴雨試驗期間香港風廓線雷達資料的評估［J］.熱帶氣象學報，19（3）：269-276. Li C G，Liu S Y，Tao Z Y，2003.Review of wind profiler data of Hongkong during IOP of HUAMEX and SCSMEX［J］.J Trop Meteor，19（3）：269-276.doi：10.3969／j.issn.1004-4965.2003.03.006.（in Chinese）.

Muschinski A，Sullivan P P，Wuertz D B，et al.，1999.First synthesis of wind-profiler signals on the basis of large-eddy simulation data［J］.Radio Sci，34（6）：1437-1459.doi：10.1029／1999RS900090.

阮征，何平，葛潤生，2008.風廓線雷達對大氣折射率結構常數的探測研究［J］.大氣科學，32（1）：133-140. Ruan Z，He P，Ge R S，2008.Determination of refractive index structure constant with wind profile radar data［J］.Chin J Atmos Sci，32（1）：133-140.doi：10.3969／j.issn.1001-7313.2002.03.008.（in Chinese）.

Wang C，Chen Y D，Chen M，et al.，2020.Data assimilation of a dense wind profiler network and its impact on convective forecasting［J］.Atmos Res，238：104880.doi：10.1016／j.atmosres.2020.104880.

Wang C，Chen M，Chen Y D，2022.Impact of combined assimilation of wind profiler and Doppler radar data on a convective-scale cycling forecasting system［J］.Mon Wea Rev，150（2）：431-450.

王丹，阮征，王改利，等，2019.風廓線雷達資料在GRAPES-Meso模式中的同化應用研究［J］.大氣科學，43（3）：634-654. Wang D，Ruan Z，Wang G L，et al.，2019.A study on assimilation of wind profiling radar data in GRAPES-meso model［J］.Chin J Atmos Sci，43（3）：634-654.doi：10.3878／j.issn.1006-9895.1810.18125.（in Chinese）.

王棟成，邱粲，董旭光，等，2019.濟南邊界層風廓線雷達與L波段雷達大風探空測風對比［J］.氣象，45（8）：416-422. Wang D C，Qiu C，Dong X G，et al.，2019.Comparing strong wind data observed by boundary layer wind profiling radar and L-band radar in Jinan［J］.Meteor Mon，45（8）：416-422.doi：10.7519／j.issn.1000-0526.2019.08.013.（in Chinese）.

汪學淵，汪波，文明章，等，2015.丘陵地區邊界層風廓線雷達數據統計特性分析［J］.氣象科學，35（3）：328-333. Wang X Y，Wang B，Wen M Z，et al.，2015.Statistical characteristics analysis on the boundary wind profile radar data in Fujian hilly areas［J］.J Meteor Sci，35（3）：328-333.doi：10.3969／2014jms.0011.（in Chinese）.

王葉紅，張偉，趙玉春，2021.面向資料同化的風廓線雷達風場特征分析及其質控方法［J］.大氣科學，45（1）：123-147. Wang Y H，Zhang W，Zhao Y C，2021.Analysis of wind characteristics of wind-profiler radars and their quality control methods for data assimilation［J］.Chin J Atmos Sci，45（1）：123-147.（in Chinese）.

王毅，張曉美，周寧芳，等，2021.1990—2019年全球氣象水文災害演變特征［J］.大氣科學學報，44（4）：496-506. Wang Y，Zhang X M，Zhou N F，et al.，2021.Evolution characteristics of global meteorological and hydrological disasters from 1990 to 2019［J］.Trans Atmos Sci，44（4）：496-506.（in Chinese）.

王志春，植石群，2014.登陸臺風啟德近地層強風特性觀測研究［J］.氣象科技，42（4）：678-681. Wang Z C，Zhi S Q，2014.Observational study of strong wind characteristics of typhoon kaitak with automotive wind profiler radar［J］.Meteor Sci Technol，42（4）：678-681.doi：10.3969／j.issn.1671-6345.2014.04.026.（in Chinese）.

吳蕾，陳洪濱，康雪，2014.風廓線雷達與L波段雷達探空測風對比分析［J］.氣象科技，42（2）：225-230. Wu L，Chen H B，Kang X，2014.Comparison between wind profiler and L band upper-air meteorological sounding system［J］.Meteor Sci Technol，42（2）：225-230.（in Chinese）.

楊馨蕊，馬舒慶，吳蕾，2010.UHF風廓線雷達降水數據判別方法的比較與評價［J］.大氣科學學報，33（5）：576-581. Yang X R，Ma S Q，Wu L，2010.Comparison and evaluation of analysis methods of UHF wind profiler data contaminated by precipitation［J］.Trans Atmos Sci，33（5）：576-581.（in Chinese）.

張文君，譚桂容，2012.全球變暖形勢下中國陸表水分的變化［J］.大氣科學學報，35（5）：550-563. Zhang W J，Tan G R，2012.Simulated changes of land surface water associated with global warming over China［J］.Trans Atmos Sci，35（5）：550-563.（in Chinese）.

Zhang X B，Luo Y L，Wan Q L，et al.，2016.Impact of assimilating wind profiling radar observations on convection-permitting quantitative precipitation forecasts during SCMREX［J］.Wea Forecasting，31（4）：1271-1292.doi：10.1175／waf-d-15-0156.1.

張小雯，鄭永光，吳蕾，等，2017.風廓線雷達資料在天氣業務中的應用現狀與展望［J］.氣象科技，45（2）：285-297. Zhang X W，Zheng Y G，Wu L，et al.，2017.Review on application of wind profiler radar in weather monitoring and forecasting［J］.Meteor Sci Tech，45（2）：285-297.（in Chinese）.

張旭斌，萬齊林，薛紀善，等，2015.風廓線雷達資料質量控制及其同化應用［J］.氣象學報，73（1）：159-176. Zhang X B，Wan Q L，Xue J S，et al.，2015.Quality control of wind profile radar data and its application to assimilation［J］.Acta Meteorol Sin，73（1）：159-176.（in Chinese）.

張哲，師宇，王詠薇，等，2019.基于風廓線雷達的對流邊界層高度的確定［J］.氣象科學，39（3）：359-367. Zhang Z，Shi Y，Wang Y W，et al.，2019.Determination of connective boundary layer height based on wind profile radar［J］.J Meteor Sci，39（3）：359-367.（in Chinese）.

朱立娟，2015.面向資料同化風廓線雷達水平風產品質量初步分析［J］.氣象，41（12）：1494-1502. Zhu L J，2015.Preliminary analysis on wind product of wind profiler for data assimilation［J］.Meteor Mon，41（12）：1494-1502.（in Chinese）.

·ARTICLE·

Application of wind profiler radar data：quality assessment

ZHAO Xinyu1，MIN Jinzhong1，ZHU Lijian1，ZHANG Chen2

1Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters／Key Laboratory of Meteorological Disaster， Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Inner Mongolia Tongliao Meteorological Service，Tongliao 028000，China

Abstract A wind profiler radar is a new type of Doppler wind radar designed to measure the horizontal wind vectors， and are able to provide wind profiles at various elevations with high temporal and spatial resolution. It plays an increasingly important role in China’s Meteorological business. However， the quality of wind profiler radar data varies widely considering the different types of radars deployed in China. To better utilize these data in numerical weather prediction （NWP）， this study assesses the data quality from five different types of wind profiler radars （i.e.， CFL-06， GLC-24， TWP8-L， CFL-03 and CLC-11-D） at 20 stations in North China from June to September 2019. Results show that each type of profiler has strong detection ability， but different profilers have great differences in data acquisition rate and effective detection height. Without considering the influence of precipitation， the data quality of V-wind is better than that of U-wind for all types of profilers. In all air conditions， the quality of u-wind data from TWP8-L profiler is relatively the best， followed by CFL-03 radar， the quality of U-wind data from GLC-24 radar is the worst. The differences in V-wind data is not noticeable， while bias correction and quality control are necessary for U-wind data. The data quality of wind profile radar is quite sensitive to precipitation， which reduces the data acquisition rates at low levels and increases the data acquisition rates at the middle and high levels， with the maximum increase of 53％. The statistical results indicate precipitation is responsible for the large mean errors and root mean square errors （RMSEs） of u wind data. GLC-24 and CLC-11-D profilers are the most sensitive to precipitation. The RMSEs are increased by 5.5 m／s in precipitation regions as compared to non-precipitation regions. The U-wind and V-wind data in precipitation regions requires further quality control procedure.

Keywords wind profile radar;horizontal wind products;quality characteristics;FNL

doi：10.13878／j.cnki.dqkxxb.20220503002

（責任編輯：張福穎）