摘 要：為評估中尺度模式同化常規(guī)地面、探空和雷達徑向風(fēng)等不同觀測資料對四川暴雨預(yù)報性能的影響，以2020年6月14—18日四川一次暴雨過程為例，利用WRF（Weather Research And Forecasting）模式和GSI（Grid Point Statistical Interpo-lation）同化系統(tǒng)，對常規(guī)觀測資料和雷達資料分別和同時進行循環(huán)同化，開展數(shù)值模擬試驗，定性和定量地對比分析三組同化試驗的降水模擬效果。結(jié)果表明：WRF模式結(jié)合GSI同化系統(tǒng)對此次暴雨有較好的模擬。針對21 h累積降水模擬，同化常規(guī)觀測資料較好地改善了暴雨雨帶的走向和暴雨的落區(qū)；同化雷達資料對降水強度、暴雨范圍和小到中雨預(yù)報表現(xiàn)較好，小到中雨的ETS評分平均提升0.05；同時同化兩種資料對大雨的ETS、POD、FAR和BIAS評分都有改善。針對半日累積降水預(yù)報，同化雷達資料對降水趨勢的模擬表現(xiàn)最好，同化包括雷達資料的試驗對降水落區(qū)有較好的改善。針對3 h累積降水預(yù)報，同化試驗對降水演變均有改善，同化雷達資料表現(xiàn)最好。模式對夜間降水的模擬普遍優(yōu)于白天，同化試驗的改善時段也主要集中在夜間，同化常規(guī)資料表現(xiàn)顯著。綜合21 h、半日和3 h累積降水預(yù)報評分結(jié)果，同時同化多種資料的降水預(yù)報效果不絕對優(yōu)于僅同化一種資料的降水預(yù)報，但至少優(yōu)于一種資料同化的降水預(yù)報評分結(jié)果。

關(guān)鍵詞：資料同化；數(shù)值模擬；常規(guī)觀測資料；雷達資料；暴雨

中圖法分類號：P435 文獻標(biāo)志碼：A DOI： 10.12406/byzh.2022-120

Comparative analysis of simulation of a heavy rain in Sichuan Province with different data assimilation

WEN Ying 1， 2 ， FENG Caiyun 1， 4 ， YU Lian 3

（1. Chengdu University of Information Technology， Plateau Atmosphere and Environment Key Laboratory of Sichuan Province，Chengdu 610225; 2. Ocean University of China， Qingdao 266100; 3. Institute of Plateau Meteorology， CMA， Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province， Chengdu 610072;4. Key Laboratory for Cloud Physics of China Meteorological Administration， Beijing 100081）

Abstract： In order to evaluate the influence of the assimilation of different observational data such as conventional ground observations， ra?diosonde and radar radial wind on the meso-scale model of heavy rain forecast in Sichuan Province， a heavy rainstorm process in Sichuan from 14 to 18 June， 2020 is used as an example. Using Weather Research And Forecasting （WRF） model and Grid Point Statistical Interpola?tion （GSI） assimilation system， we assimilated the conventional and radar data respectively and simultaneously，and compared the results of three assimilation experiments qualitatively and quantitatively. The results show that the WRF model combined with the GSI assimilation sys?tem can simulate the rainstorm well. For the 21-h cumulative precipitation forecast， assimilating conventional observation data can better im?prove the trend of rain belt and the fall area of the rainstorm. The assimilated radar data showed better performance in precipitation intensity，rainstorm range and the light to moderate rain forecast， The average ETS score of the light to moderate rain was increased by 0.05. Assimila?tion of both the conventional observation and radar data improved ETS， POD， FAR and BIAS scores for heavy rain. For the12-h cumulative precipitation forecast， the simulation performance of the precipitation trend is the best with the assimilation of radar data， and the experiment involving the assimilation of radar data has better improvement on the precipitation area. For the 3-h cumulative precipitation forecast， the assimilation experiment improved the precipitation evolution， and the assimilation of radar data showed the best performance. The simulation of precipitation at night was generally better than that in the daytime， and the improvement period of assimilation experiment was mainly con?centrated in the nighttime， and the assimilation of conventional observation data showed significant performance improvement. Based on the scores of 21-h， 12-h and 3-h cumulative precipitation forecast， the precipitation forecast effect of assimilating multiple data is not absolute?ly better than those of assimilating only one data， but the assimilation of multiple data can achieve better scores than those of assimilating on?ly one data.

Key words： data assimilation; numerical simulation; conventional observations; radar data; rainstorm

引 言

在全球氣候變暖的大背景下，暴雨等災(zāi)害性降水天氣發(fā)生的頻率逐年增加（周昊，2012）。暴雨和暴雨引發(fā)的洪澇、滑坡、泥石流等次生自然災(zāi)害，對人們的生產(chǎn)生活以及當(dāng)?shù)氐陌l(fā)展造成了嚴重影響（樊運曉等，2000）。利用數(shù)值模式模擬分析暴雨是研究和預(yù)報暴雨的重要手段（羅雨等，2010；沈菲菲等，2020）。然而，大氣是一個高度非線性系統(tǒng)，數(shù)值模式的預(yù)報結(jié)果對初始場誤差十分敏感，并且在模式積分時，這種誤差將隨著時間累積，最終導(dǎo)致預(yù)報結(jié)果失真（李澤椿等，2014；廖文超等，2016）。

資料同化技術(shù)是利用某一時間窗內(nèi)（一般6—12 h）所有可利用的大氣相關(guān)信息，結(jié)合最優(yōu)統(tǒng)計方法，產(chǎn)生一個更接近實況的大氣狀態(tài)描述，為數(shù)值天氣預(yù)報模式提供初值（段華等，2015）。目前常用的同化系統(tǒng)主要包括WRF-DA、WRF-ETKF、GSI、MM5模式的三維和四維變分資料同化系統(tǒng)、GRAPES同化系統(tǒng)、SSI同化系統(tǒng)等。同化方法的使用有效地改善了暴雨的預(yù)報。

四川地處我國西南內(nèi)陸地區(qū)，西臨高聳的青藏高原和橫斷山脈，南接山巒重疊、丘陵起伏的云貴高原，北依秦嶺、大巴山脈，東連湘鄂西山地。由于四川地區(qū)復(fù)雜多樣的地形地貌和天氣系統(tǒng)，同時河流縱橫，使得暴雨預(yù)報極其困難。因暴雨造成的次生災(zāi)害，如滑坡、山洪、泥石流等，造成的損失每年數(shù)以億計，其中對長江流域的影響巨大（陳鵬等，2015；廖文超等，2016；王佳津等，2019）。針對四川暴雨的預(yù)報，前人采用了 WRF 3D-Var、WRF 4D-Var、GRAPES 3D-Var 和SSI 3D-Var等同化方法對其進行了研究（張利紅，2006；孟曉文等，2017；高篤鳴等，2018；程曉龍等，2019），發(fā)現(xiàn)資料同化對暴雨落區(qū)和量級的預(yù)報有區(qū)域性的改善，對西南渦的發(fā)生發(fā)展和活動路徑有更好的描述，但四川暴雨的預(yù)報準確率仍有待提高。

GSI同化系統(tǒng)是將全球和區(qū)域的變分同化技術(shù)集于一體的資料分析系統(tǒng)。該系統(tǒng)能夠同化常規(guī)資料和非常規(guī)資料，具有較好的數(shù)據(jù)分析和質(zhì)量控制能力（Parrish and Derber，1992；Hu and Xue，2007；Zhu and Gelaro，2008；Kleist et al.，2009；Zhao and Xue，2009）。同化性能的好壞直接受到背景誤差協(xié)方差的影響，其中背景誤差協(xié)方差與區(qū)域的天氣氣候特征密切相關(guān)（Fisher，2003；陳耀登等，2015；姚樂寶等，2020）。目前已有諸多學(xué)者利用GSI同化系統(tǒng)結(jié)合WRF模式對我國很多地區(qū)的暴雨進行了大量的預(yù)報模擬研究，得到了很多有價值的研究結(jié)果。王洪（2014）發(fā)現(xiàn)循環(huán)同化雷達資料對短時（00—06 h）和短期（00—24 h）降水預(yù)報都有改善，ETS值平均提高了0.15，且降水演變更接近實況。董海萍等（2017）發(fā)現(xiàn)同化雷達反射率和徑向速度后對雨帶位置進行了整體調(diào)整，且對強降水中心強度和位置也有所改善，其中整體同化兩類資料表現(xiàn)最好。張少婷等（2019）發(fā)現(xiàn)整體同化常規(guī)資料、雷達徑向速度、雷達反射率和衛(wèi)星資料對強降水的發(fā)生時間和強度預(yù)報有改進。以上研究表明 WRF 模式結(jié)合GSI同化系統(tǒng)同化不同資料后，可以不同程度地改進我國不同地區(qū)各量級降水的預(yù)報，但基于該系統(tǒng)針對我國西南復(fù)雜地形地區(qū)的降水預(yù)報卻鮮有研究。

為初步評估不同觀測資料同化對四川暴雨預(yù)報性能的影響，本文利用WRF模式和GSI同化系統(tǒng)，分別和同時循環(huán)同化常規(guī)觀測資料與雷達資料，對2020年6月14—18日四川一次暴雨過程進行數(shù)值模擬試驗，對比分析同化不同資料后降水模擬能力和同化效果的差異，檢驗GSI同化系統(tǒng)對西南復(fù)雜地形地區(qū)降水的預(yù)報能力，以期提高數(shù)值預(yù)報模式對該地區(qū)暴雨預(yù)報能力。

1 資料與方法

1.1 資料說明

本文所使用的資料包括常規(guī)氣象觀測資料、雷達資料和再分析資料。常規(guī)觀測資料為CIMISS （China Integrated Meteorological Information Service System）提供的地面觀測和探空資料中的溫度、氣壓、風(fēng)向、風(fēng)速、濕度以及逐時降水。雷達資料為氣象臺站多普勒雷達資料中的雷達徑向風(fēng)。再分析資料為NCAR（Na?tional Center for Atmospheric Research）的FNL（Final Re?analysis Data）再分析資料。

資料選取模式模擬區(qū)域范圍內(nèi)所有數(shù)據(jù)。圖1展示了四川省地面、探空和雷達觀測站點分布以及雷達觀測覆蓋范圍。地面觀測資料選用國家站逐時數(shù)據(jù)，四川省內(nèi)共有157個國家站，每天逐時觀測；探空資料選用業(yè)務(wù)觀測08時（北京時，下同）數(shù)據(jù)，四川省內(nèi)共有7個業(yè)務(wù)探空站，每天08時和20時兩次探空觀測；雷達資料也同樣選取08時數(shù)據(jù)，四川省內(nèi)共有11部多普勒雷達站，每5～6 min觀測一次；FNL數(shù)據(jù)空間分辨率為1°×1°，每6 h一次數(shù)據(jù)。資料選取時段為模式模擬時間范圍的數(shù)據(jù)，數(shù)據(jù)時段及來源見表1。

資料在同化前均進行了質(zhì)量控制。其中CIMISS提供的常規(guī)觀測資料已經(jīng)過質(zhì)控處理，數(shù)據(jù)質(zhì)量較為可靠。雷達資料為多普勒雷達數(shù)據(jù)，需要進行預(yù)處理。第一步，由于多普勒徑向速度資料都是在球坐標(biāo)中，所以首先將雷達資料從球坐標(biāo)插值到Cartesian坐標(biāo)（Mohr and Vaughan，1979；Miller et al.，1986），利用分段連續(xù)和雙線性方案，對多普勒徑向速度資料進行去折疊、退模糊等處理，并作觀測誤差估計；第二步，除去噪聲嚴重的資料、填補三維網(wǎng)格上的缺測資料，并用標(biāo)準偏差放大做進一步質(zhì)量控制（Mohr et al.，1986）；第三步，作濾波和稀疏化處理；第四步，將雷達資料的格式轉(zhuǎn)換到WRF-GSI讀取的格式（顧建峰，2006；Mahale et al.，2019）。

1.2 數(shù)值模式與同化試驗

1.2.1 數(shù)值模式與同化方法介紹

WRF中尺度模式是由美國氣象界多部門聯(lián)合研發(fā)的一種中尺度天氣預(yù)報模式（周昊，2012；張新忠，2015）。WRF模式在天氣預(yù)報和天氣研究試驗中表現(xiàn)出較好的模擬性能（章國材，2004），在中小尺度天氣模擬和預(yù)報中也有廣泛的應(yīng)用。

GSI同化系統(tǒng)，也叫格點統(tǒng)計插值分析系統(tǒng)，是由美國國家海洋與大氣局（National Oceanic and Atmo?spheric Administration， NOAA）和國家環(huán)境預(yù)報中心（National Centers for Environmental Prediction， NCEP）共同研發(fā)的下一代區(qū)域及全球數(shù)值預(yù)報分析系統(tǒng)。GSI分析系統(tǒng)已與WRF相聯(lián)接，可用于三維或四維變分同化，同時具備常規(guī)觀測資料和非常規(guī)觀測資料的接口（周昊，2012；王洪，2014；段華等，2015）。

1.2.2 同化方案設(shè)計

本次試驗基于WRF模式（V4.2.1）和GSI（V3.7）系統(tǒng)搭建的同化模擬系統(tǒng)。為探究同化雷達資料、地面和高空探測資料在暴雨預(yù)報中的效果和作用，共設(shè)計了四組試驗（表2）。其中一組為控制試驗用CTRL表示，不同化任何資料。另外三組為同化試驗，BC表示同化常規(guī)觀測資料（地面和探空資料的溫、壓、濕、風(fēng)）的試驗，BR表示同化雷達資料（徑向速度）的試驗，BCR表示同時同化兩類資料的試驗。

四組試驗的模式參數(shù)設(shè)置相同，如表3所示。試驗均采用雙層嵌套，水平網(wǎng)格精度分別為9 km和3 km，水平格點數(shù)分別為630×400和721×556個，垂直方向為51層，模式母網(wǎng)格區(qū)域中心經(jīng)緯度為（100°E，32°N）。模擬運行從2020年6月14日08時開始，止于6月18日08時（不包含熱啟動6 h），預(yù)報時長為96 h，時間步長分別為54 s和18 s。模式結(jié)果3 h輸出一次。同化試驗分別在2020年6月14—17日每日08時進行觀測資料的循環(huán)同化。每日08時的模擬結(jié)果被同化數(shù)據(jù)后的分析場所替代，作為后續(xù)模擬的初始場，分析時僅將08時數(shù)據(jù)作為初始場，而不作為模擬結(jié)果分析。兩層網(wǎng)格選取的參數(shù)化方案一致，具體為Thompson graupel 微物理方案、RRTMG 長波和短波輻射方案、Monin-Obukhov 近地面方案、Noah 陸面模式方案和YSU邊界層參數(shù)化方案。

1.3 模擬效果評估方法

本文選取國際上常用的 ETS （Equitable Threat Score）、POD （Probability of Detection）、FAR （False Alarm Ratio）和BIAS （Bias Score， Frequency Bias）評估指標(biāo)對同化及未同化觀測數(shù)據(jù)的模式降水預(yù)報效果進行客觀性檢驗。每種評估指標(biāo)的計算公式如下

公式（1）—（4）中E TS 、P OD 、F AR 、B IAS 分別為ETS、POD、FAR和BIAS的評分值，R=（（N a +N c ）（N a +N b ））/N t ，其中N t 是總觀測站數(shù)，N a 表示預(yù)報正確的站數(shù)、N b 表示空報的站數(shù)、N c 表示漏報的站數(shù)。ETS評分（也稱公平TS評分）越接近1，表示預(yù)報效果越好。POD表示預(yù)報出現(xiàn)降水與實際出現(xiàn)降水的比例，代表預(yù)報準確率（擊中率）。FAR表示預(yù)報出現(xiàn)降水與實際未出現(xiàn)降水的比例，代表空報率。BIAS評分表示出現(xiàn)某量級降水的頻率和觀測到該量級降水頻率的比例，小于1表示預(yù)報不足，大于1說明預(yù)報過強。

在進行降水預(yù)報評分前，首先將試驗的格點數(shù)據(jù)插值到常規(guī)觀測數(shù)據(jù)所對應(yīng)的站點上，然后根據(jù)二分類預(yù)報列聯(lián)表計算上述檢驗指標(biāo)（WMO，2009，2017），最后通過分析檢驗指標(biāo)對本次降水過程的預(yù)報效果進行評估。

2 暴雨個例概況

2020年6月14—18日，四川地區(qū)東部、北部和南部出現(xiàn)了一次強降水天氣過程，局部地區(qū)出現(xiàn)暴雨、大暴雨。此次降水影響范圍廣，持續(xù)時間長，局部地區(qū)降水量大。

圖2展示了此次降水過程中2020年6月16日20時500 hPa和850 hPa的高度場和風(fēng)場。從500 hPa形勢場可知，14日20時（圖略），西太平洋副熱帶高壓（以下簡稱副高）脊點位于105°E，27°N附近，四川受副高外圍西南氣流影響。至16日20時（圖2a），副高南撤東退影響減弱，同時高原低槽加強東移至青海和四川北部交界處，四川北部受槽前西南氣流影響，而南支槽分裂的小槽東移，移至四川盆地南部，影響了四川南部地區(qū)。此后，兩個低槽逐漸東移，副高繼續(xù)南撤，直至此次降水過程結(jié)束（圖略）。從850 hPa形勢場可知，至16日20時（圖2b），位于四川盆地的西南渦逐漸增強，且無明顯位移，低渦東南側(cè)伴有顯著的西南低空急流，四川大部分地區(qū)持續(xù)受該低渦影響。隨后，低渦減弱為切變線移動出四川，降水過程基本結(jié)束（圖略）。綜上，此次強降水過程前期主要受副高外圍西南氣流影響，后期是在東移的高原低槽和南支槽分裂的小槽，以及低層穩(wěn)定增強的西南渦的共同作用下形成的。

3 模擬結(jié)果分析

為討論同化不同資料對降水預(yù)報的改進，分別將控制試驗和同化試驗的21 h、半日（12 h或9 h）和3 h累積降水預(yù)報結(jié)果與觀測數(shù)據(jù)進行對比，同時利用ETS、POD、FAR和BIAS指標(biāo)對降水預(yù)報進行客觀性檢驗。

3.1 21小時累積降水

圖3為逐21 h累積降水觀測值和模擬值。由于模式在每日08時進行更新同化，因此累積降水量只能選取每日08時到次日05時，即2020年6月14日08時—15日05時、15日08時—16日05時、16日08時—17日05時和17日08時—18日05時。

14日08時—15日05時（圖3a），四川省內(nèi)未出現(xiàn)暴雨，降水強度較小，降水大值區(qū)出現(xiàn)在四川地區(qū)北部。四組試驗均較好地模擬出降水的落區(qū)（圖3e、i、m、q），其中試驗BC（圖3i）和試驗BCR（圖3q）表現(xiàn)較好，但四組試驗預(yù)報的降水大值區(qū)的位置較實況都相對偏東，且三組同化試驗預(yù)報的降水強度偏強，控制試驗對強度的預(yù)報表現(xiàn)更好。

15日08時—16日05時（圖3b），四川地區(qū)東北部兩個降水中心東移且顯著增強，其中東部降水呈一條東北—西南走向的暴雨雨帶，雨帶內(nèi)局部地區(qū)出現(xiàn)大暴雨。四組試驗均成功模擬出了此次暴雨過程（圖3f、j、n、r）。三組同化試驗均表現(xiàn)較好。同化常規(guī)觀測資料后（圖3j）較好地改善了暴雨雨帶的走向和暴雨的落區(qū)，同時還較好地改善了降水中心的位置，但不足之處是模擬的降水強度偏強，且暴雨的范圍與實況相比小了近一倍。同化雷達資料后（圖3n）較好地改善了暴雨的范圍和降水的強度，但暴雨雨帶的走向較實況相對偏東，因此對暴雨落區(qū)和降水中心位置的模擬有所偏差。同時同化兩類資料后（圖3r）模擬出了兩個降水中心，其中偏西的降水中心強度和落區(qū)與實況相符，與試驗CTRL和BR相比，對暴雨落區(qū)的模擬有所改善。

16日08時—17日05時實況（圖3c）顯示，暴雨范圍較前一時段擴大了約一倍，局地仍出現(xiàn)了大暴雨。四組試驗均成功預(yù)報出了此次暴雨過程（圖3g、k、o、s），但預(yù)報的降水強度均偏強，其中試驗BCR（圖3s）表現(xiàn)稍好。三組同化試驗不同程度改善了控制試驗虛報的四川西北部的暴雨，且對中、大雨的預(yù)報有所改善，其中試驗BR、BCR表現(xiàn)較好（圖3o、s）。

17日08時—18日05時（圖3d），四川北部降水減弱，南部降水增強，降水主要發(fā)生在云貴川交界地區(qū)，其中暴雨雨帶呈“L”型分布，且在四川南部存在大暴雨。四組試驗均成功預(yù)報出了此次暴雨過程，但都虛報了四川、重慶、陜西交界地區(qū)的暴雨（圖3h、l、p、t），四川南部出現(xiàn)暴雨，局地性較明顯，試驗BC、BCR（圖3l、t）對暴雨落區(qū)模擬更好，試驗BR對降水強度的模擬更好。

綜上所述，同化常規(guī)觀測資料較好地改善了暴雨雨帶的走向、暴雨的落區(qū)和降水中心的位置。這可能是因為常規(guī)觀測資料中大部分氣象要素對一段時間內(nèi)大氣特征的描述具有很好的代表性，如溫度、氣壓和濕度等，時效性相對較長，且地面站較多并覆蓋模擬區(qū)域，而探空站在強降水多發(fā)區(qū)分布較多，數(shù)據(jù)更具代表性（圖1），同化該資料后可以較好地獲取一定范圍內(nèi)天氣信息，更好地模擬出降水的落區(qū)；同化雷達資料后較好地改善了暴雨的范圍和降水強度，可能由于雖然考慮雷達臺站選擇、觀測成本等因素，雷達站點相對較少，且分布在強降水多發(fā)區(qū)，因此區(qū)域性較弱，但雷達資料包含了風(fēng)場的三維空間的信息較多，且分辨率較高，可以更好地模擬降水強度；同時同化兩類資料對降水強度和降水落區(qū)的模擬均至少優(yōu)于一組僅同化一類資料的試驗，說明在某些時刻同化多種資料可以獲得更加完善的數(shù)據(jù)，改善僅同化一類資料的局限性。

但是，三組同化試驗對暴雨預(yù)報的改善是不穩(wěn)定、不均勻的，表現(xiàn)出時好時壞的現(xiàn)象。首先模式對于暴雨預(yù)報本就存在較大困難，其次與同化數(shù)據(jù)的時刻是否有顯著的系統(tǒng)和降水有關(guān)。天氣雷達觀測在降水持續(xù)期間資料較為詳細和可靠，降水結(jié)束后，雷達資料的時效性很快弱化，因此雷達資料同化一般在0—6 h效果最好，超過6 h雷達資料同化預(yù)報效果將顯著弱化；常規(guī)資料的時效性相對長一些。然而實況降水有很強的局地性和突發(fā)性，模式雖然能模擬出降水整體形態(tài)，但積分計算穩(wěn)定需要一定時間，也會影響預(yù)報結(jié)果。但從地面站、探空站和雷達站分布和降水分布看（圖1、3），處于站點分布較為密集且降水較大的川東和川東北地區(qū)，同化探空、地面站以及雷達數(shù)據(jù)后，均提供了該區(qū)域較完善和高分辨率的大氣要素信息，可以更好地模擬大氣輻合抬升、高層輻散的動力過程，垂直方向上不穩(wěn)定的層結(jié)結(jié)構(gòu)以及充沛的水汽條件，因而能顯著改進預(yù)報結(jié)果。

21 h累積降水的評分，參考24 h降水等級劃分，針對[0.1，25）、[25，50）、[50，100）和[100，250）（單位：mm），即小到中雨、大雨、暴雨和大暴雨四個量級的降水進行評分，評分結(jié)果如圖4所示。

從圖 4a—d 的 ETS 評分可以看出，四個試驗的ETS評分均在0.4及以下。對于小到中雨，試驗BR的評分相比試驗 CTRL 均有穩(wěn)定的提升，提升值在0.03～0.08之間；試驗BCR的評分除第一日外，均有所提升，提升值在 0.03～0.08 之間，且評分略高于試驗BR或與之相當(dāng)；試驗BC僅在第三日的評分高于試驗CTRL約0.14，且高于其他兩組同化試驗。對于大雨，試驗BCR的評分除了第四日外，均高于試驗CTRL約0.03～0.2，且全部高于試驗BC和BR。試驗BC和BR僅前兩日評分高于試驗CTRL，且前兩日試驗BC高于試驗BR，后兩日試驗BR高于試驗BC。對于暴雨，試驗BC在第二、四日評分略高于試驗CTRL；試驗BCR僅第二日的評分高于試驗CTRL，試驗BR的評分均低于控制試驗。對于大暴雨，由于出現(xiàn)的站次較少，評分較低，僅試驗BCR在第二日，試驗CTRL和BR在第三日有評分。

從圖4e—h可以看出，POD結(jié)果與ETS評分較為相似。對于小到中雨，三組同化實驗表現(xiàn)均與試驗CTRL幾乎相當(dāng)。試驗BR和BCR的值略高于或與試驗CTRL相當(dāng)，試驗BC的值第三日高于試驗CTRL及其他同化實驗，其余均略低于試驗CTRL。對于大雨，三組同化試驗結(jié)果均在第四日顯著低于試驗CTRL，前三日試驗BR和BCR均高于試驗CTRL，試驗BCR更高，試驗BC的結(jié)果在第三日仍低于試驗CTRL。對于暴雨，僅后三日有結(jié)果，且第三日同化試驗結(jié)果均低于試驗CTRL，其余兩日試驗BCR和試驗BC結(jié)果高于或與試驗CTRL相當(dāng)，試驗BR第四日的結(jié)果高于試驗 CTRL。對于大暴雨，POD 評分與 ETS 評分一致。

從圖4i—l的FAR指標(biāo)反映的空報率可以看出，所有試驗的空報率均在0.3至1之間。對于小到中雨，試驗BR的空報率均低于試驗CTRL，試驗BCR在第二至四日均低于試驗CTRL，試驗BC在第二、三日低于試驗CTRL。對于大雨，第四日三組同化實驗的空報率均高于試驗 CTRL，試驗 BCR 前三日均低于試驗CTRL，試驗BC和BR均在前兩日低于試驗CTRL，第三日高于試驗CTRL。對于暴雨，第一日空報率均為1，第三、四日同化試驗空報率均高于試驗CTRL，僅試驗BC和BCR在第二日低于試驗CTRL。對于大暴雨，同化試驗的空報率均高于試驗CTRL。

從圖4m—p 的 BIAS 評分可以看出，對于小到中雨，三組同化試驗均比試驗CTRL更接近1，試驗BC和BCR相對BR表現(xiàn)更好，預(yù)報適中。對于大雨，前三日三組同化實驗均比試驗CTRL表現(xiàn)好，試驗BC和BCR相對BR表現(xiàn)更好。對于暴雨，同化試驗并不優(yōu)于試驗 CTRL 試驗。對于大暴雨，試驗 BC 的表現(xiàn)相對較好。

綜上，對小到中雨的預(yù)報，同化雷達資料有一定的改善，且改善效果較穩(wěn)定，ETS 值平均提升 0.05；同時同化兩類資料也表現(xiàn)出較好的改善，但效果不穩(wěn)定。對于大雨的預(yù)報，同時同化兩類資料較僅同化一類資料對大雨的預(yù)報有穩(wěn)定的改善。在暴雨和大暴雨的預(yù)報中，三組同化試驗表現(xiàn)均不穩(wěn)定，這是因為暴雨及大暴雨事件是極小概率事件，具有極強的局地性和突發(fā)性，對其的預(yù)報也具有相當(dāng)?shù)奶魬?zhàn)性。

3.2 半日累積降水

圖5展示了2020年6月14日—17日（97°—109°E，26°—34.5°N）范圍內(nèi)（圖3區(qū)域）觀測和模擬的每半日累積降水區(qū)域平均隨時間的變化特征。模式在每日08時進行更新同化，因此累積降水量選取的是每日08時至20時，每日20時至次日05時。從圖5可知，降水從14日持續(xù)到17日，過程中出現(xiàn)了兩次降水峰值。14日白天該區(qū)域已出現(xiàn)降水，隨后降水量呈先少量減小再逐步增大的趨勢，在16日08時—16日20時累積降水量到達第一個峰值，為6.1 mm，隨后有所下降，降水量在17日08時—17日20時又有所加強，累積降水量為6 mm，達到第二個峰值，隨后降水系統(tǒng)逐漸遠離，累積降水量減少。

從圖5可以看出，四組試驗?zāi)M的降水演變與實況大致相符，但均未模擬出第二個谷值，因此降水演變過程均只出現(xiàn)了一次峰值。這可能是因為實況降水通常有較強的局地性和突發(fā)性，但模式在進行長時間預(yù)報時（48—72 h），是連續(xù)積分計算的，如果期間沒有其他更新或更貼近實況的初始場資料加入，模式會采用上一時刻的預(yù)報結(jié)果作為下一時刻初始場，當(dāng)前一時刻有較大降水時，則很容易導(dǎo)致后一時刻降水過大。圖5也表明，四組同化試驗中，同化雷達資料模擬的降水演變更接近實況。同化雷達資料后，成功模擬出了第一個降水谷值和第二個降水峰值，其余三組試驗對第一個谷值的模擬較為滯后，對第二個峰值的模擬有所提前，這可能是因為雷達資料為雷達徑向風(fēng)，同化后風(fēng)場與實況更相符，而其又是模擬降水的重要因素，因此模擬的降水演變更符合實況。但值得注意的是，試驗BCR模擬的降水演變并不優(yōu)于試驗BR，說明并不是同化越多資料模擬效果就會越好，不同來源的數(shù)據(jù)同時同化會導(dǎo)致相同氣象要素的多次插值，并不一定會獲得最優(yōu)的初始場。

為更好了解資料同化對半日降水空間分布的影響，選取兩次半日降水進行分析。圖6展示了一次夜雨過程15日20時—16日05時的降水分布。圖7展示了區(qū)域降水平均最大峰值時段16日08時—16日20時的降水分布。

15日20時—16日05時，實況（圖6a）顯示在四川地區(qū)東北部、陜西南部存在東北—西南走向的連續(xù)暴雨雨帶，同時在四川地區(qū)北部、東南部存在局部暴雨?？刂圃囼灒▓D6b）模擬的四川東北部的暴雨雨帶較窄，且落區(qū)偏南，模擬的四川北部和東南部的暴雨落區(qū)偏北，且范圍較小。三組同化試驗相對控制試驗表現(xiàn)更好。具體來說，同化雷達資料后（圖6d）對降水，尤其是暴雨的強度和落區(qū)的模擬表現(xiàn)最好，試驗 BC、BCR（圖6c、e）較控制試驗對降水落區(qū)有一定的改善，但模擬的降水強度偏強，暴雨雨帶偏寬。

16日08時—16日20時，實況（圖7a）顯示強降水主要發(fā)生在四川東北部，陜西、甘肅和四川三省交界處，呈現(xiàn)出連續(xù)的暴雨雨帶?？刂圃囼灒▓D7b）模擬的強降水主要集中在陜西南部，且在四川地區(qū)中部存在虛假降水。三組同化試驗對強降水落區(qū)和虛假降水都有一定的改善。其中，試驗BR、BCR（圖7d、e）對暴雨落區(qū)的模擬表現(xiàn)較好，試驗BCR表現(xiàn)最好。試驗 BC（圖7c）對降水中心的強度和雨帶連續(xù)的形態(tài)模擬較好。

半日累積降水的評分針對[0.1，15）、[15，30）、[30，70）和[70，140）四個量級范圍（單位：mm）進行 ETS 降水評分。參考12 h降水等級劃分，以上四個降水的量級范圍分別對應(yīng)小到中雨、大雨、暴雨和大暴雨，評分結(jié)果如圖8所示。從圖8可以看出，控制試驗（CTRL）在夜間的ETS評分（圖8b、d、f、h）均普遍高于白天（圖8a、c、e、g），說明模式在夜間的表現(xiàn)普遍優(yōu)于白天，且同化試驗改善的時段也主要集中在夜間（圖8b、d、f）。其中同化雷達資料后，小到中雨的 ETS 評分穩(wěn)定在 0.12～0.23 范圍內(nèi)，且普遍較控制試驗有所改善（圖8a、c、d、e、f、g）。對于大雨，四組試驗表現(xiàn)時好時壞，但普遍表現(xiàn)為至少有一組同化試驗優(yōu)于控制試驗（圖8a、b、d、f、g）。對暴雨和大暴雨，三組同化試驗表現(xiàn)不理想。

3.3 3 h累積降水

圖9展示了從14日08時—18日05時，3 h累積降水在（97°—109°E，26°—34.5°N）范圍內(nèi)（圖3區(qū)域）區(qū)域降水平均的時間演變。四組試驗均能大致模擬出降水的演變趨勢，但其演變較實況都存在不同程度的滯后，其中三組同化試驗表現(xiàn)較為相似，一定程度改善了控制試驗的滯后。具體表現(xiàn)為，對14日23時的實況降水峰值，三組同化試驗將控制試驗滯后的6 h提前了3 h。對16日20時的實況降水峰值，同化試驗將控制試驗滯后的9 h提前了3 h。因此無論同化哪一類資料，對初始場的描述都更接近實況，降水的演變也因此得到改善。

四組試驗對降水強度的模擬普遍偏強，三組同化試驗表現(xiàn)更為顯著。其中同化雷達資料后表現(xiàn)較好，具體來說，在15日02時、16日02時、17日02時和18日02時，三組同化試驗均模擬出了降水峰值，其中同化雷達資料模擬出的降水強度與實況最為相近，可能是因為同化雷達資料后對三維風(fēng)場進行了調(diào)整，從而改善了降水強度的預(yù)報。

3 h 累積降水評分參考 3 h 降水等級劃分，分別對[0.1，10）和[10，+∞）（單位： mm），即小到中雨、大雨及以上降水進行ETS評分，評分結(jié)果如圖10所示。對小到中雨進行ETS評分，可以看到三組同化試驗對小到中雨預(yù)報有較穩(wěn)定的改善（圖10a），其中試驗BR表現(xiàn)最優(yōu)，ETS改變量普遍為正值（圖10c）。對大雨及以上降水，三組同化試驗也有一定的改善（圖10b），ETS改變量正值時段主要集中在夜間（圖10d）。

結(jié)合圖10a、b發(fā)現(xiàn)控制試驗對夜間降水的模擬優(yōu)于白天，三組同化試驗對大于10 mm量級的降水預(yù)報（圖10d）主要的改善時段也集中在夜間，特別是同化常規(guī)觀測資料后表現(xiàn)最明顯。由于大尺度環(huán)流與地形的相互作用，川渝盆地多夜雨（Yuan et al.，2019），與此次過程降水的日變化相符。模式對于量級極小和極大的降水在預(yù)報時均有較大的難度，但對位于中間值的降水預(yù)報相對較好，而這一量級的降水主要出現(xiàn)在夜間，因此對夜雨的預(yù)報相對較好，同化資料后也會隨之改善夜間的降水預(yù)報。大雨及以上的降水主要出現(xiàn)在夜間，因此同化后對夜間降水預(yù)報的改善相對較為顯著。

結(jié)合圖10c、d發(fā)現(xiàn)試驗BC、BCR的ETS改變值更大，試驗BR提升ETS的時段更長，改善更穩(wěn)定。這從一定程度上說明同化大范圍的觀測數(shù)據(jù)，尤其是地面觀測數(shù)據(jù)可以更好地改善降水的數(shù)值預(yù)報，而同化雷達的三維風(fēng)場數(shù)據(jù)，有利于對降水系統(tǒng)的演變過程的描述，從而穩(wěn)定地改善預(yù)報效果。此外，同時同化多種資料并不絕對優(yōu)于同化一種資料，但試驗BCR普遍表現(xiàn)出，在同化某一種資料表現(xiàn)不理想時，同化多種資料對其有改善的作用，即試驗BCR至少優(yōu)于其中一種同化試驗，這可能是因為多種資料相互訂正補充，信息局限性得到改善的結(jié)果。

4 結(jié)論與討論

利用中尺度 WRF 模式和 GSI 同化系統(tǒng)，通過分別和同時循環(huán)同化雷達資料和常規(guī)觀測資料，對2020年6月14—18日四川一次暴雨過程進行數(shù)值模擬，對比同化模擬結(jié)果對降水預(yù)報的影響，得出以下結(jié)論：

（1） 此次強降水過程前期主要受副高外圍西南氣流影響，后期是在東移的高原低槽和南支槽分裂的小槽，以及低層穩(wěn)定增強的西南渦的共同作用下形成的。

（2） WRF模式結(jié)合GSI同化系統(tǒng)較好地預(yù)報出了本次暴雨21 h降水的范圍和強度。同化常規(guī)觀測資料較好地改善了暴雨雨帶的走向和暴雨的落區(qū)；同化雷達資料對降水強度、暴雨的范圍和小到中雨改善最明顯，小到中雨ETS值平均提升0.05；同時同化兩種資料對小到中雨也有改善，但不穩(wěn)定，而其對大雨有較好且穩(wěn)定的改善，使大雨ETS值普遍提高，擊中率更高，空報率更低，預(yù)報強度更適宜；但三組同化試驗對暴雨及以上降水的改善是不穩(wěn)定、不均勻的。

（3） 四組試驗預(yù)報的半日降水趨勢、雨帶走向和降水強度大致與實況相符。同化雷達資料對降水趨勢的模擬表現(xiàn)最好，同化包括雷達資料的試驗對降水落區(qū)有較好的改善。預(yù)報評分表明，模式對夜間降水的模擬優(yōu)于白天，且同化試驗改善的時段也主要集中在夜間。同化雷達資料對小到中雨有較穩(wěn)定的表現(xiàn)。對于大雨，至少存在一組同化試驗優(yōu)于控制試驗。對暴雨和大暴雨，同化試驗表現(xiàn)不理想。

（4） 四組試驗預(yù)報的3 h降水演變大致與實況一致。三組同化試驗對降水演變均有一定程度的改善，同化雷達資料對降水強度的模擬表現(xiàn)較好。預(yù)報評分表明，模式對夜間降水的模擬普遍優(yōu)于白天，同化試驗改善效果較好的時段也主要集中在夜間，其中同化常規(guī)資料表現(xiàn)最為顯著。綜合21 h、半日和3 h降水，同時同化多種資料的試驗的表現(xiàn)并不絕對優(yōu)于所有僅同化一種資料的試驗，但其至少優(yōu)于其中一組。

GSI同化系統(tǒng)在西南復(fù)雜地形區(qū)域能有效地改進部分量級降水的預(yù)報能力。但同時也需要指出的是，本文僅對一次個例進行了每24 h一次的循環(huán)同化，并僅從四川范圍內(nèi)的預(yù)報結(jié)果進行了整體的分析討論，下一步將選擇更多暴雨個例和更高的時間和空間分辨率進行數(shù)據(jù)同化，增大數(shù)據(jù)輸出密度到逐小時，甚至逐半小時，分區(qū)分時段進行分析討論，進而研究更高頻率數(shù)據(jù)同化對四川不同地區(qū)短時強降水的預(yù)報改進。

感謝中國氣象局成都高原氣象研究所王磊研究員在雷達資料處理方面的指導(dǎo)！

參考文獻（References）：

陳鵬，劉德，周盈穎，等.2015.一次重慶特大暴雨過程的中尺度分析[J].高原氣象，34（1）：82-92. Chen P， Liu D， Zhou Y Y， et al. 2015. Mesoscale analysis of a heavy rainstorm in Chongqing [J]. Plateau Meteorology，34（1）：82-92 （in Chinese）. doi：10.7522/j.issn.1000-0534.2013.00162

陳耀登，趙幸，閔錦忠，等.2015.青藏高原和華東地區(qū)背景誤差協(xié)方差特征的對比研究[J].大氣科學(xué)學(xué)報，38（5）：650-657. Chen Y D， Zhao X，Min J Z， et al. 2015 Comparative study on background error covariance characteristics of Tibetan Plateau and East China [J]. Chinese Journal of Atmospheric Sciences，38（5）：650-657 （in Chinese）. doi：10.13878/j.cnki.dqkxxb.20141021002

程曉龍，李躍清，徐祥德，等.2019.汛期西南渦暴雨的數(shù)值模擬研究[J].高原氣象，38（2）：359-367. Cheng X L， Li Y Q， Xu X D， et al. 2019. Nu-merical simulation of Southwest Vortex rainstorm during flood sea-son [J]. Plateau Meteorology，38（2）：359-367 （in Chinese）. doi：10.7522/j.issn.1000-0534.2017.00078

董海萍，羅雨，湯翔.2017.雷達資料GSI分析系統(tǒng)對一次特大暴雨的試驗研究[J].氣象科技進展，7（1）：18-26，41. Dong H P， Luo Y， Tang X.2017. Experimental study on a heavy rainstorm with radar data GSI analysis system [J]. Advances in Meteorological Science and Technolo-gy，7（01）：18-26，41 （in Chinese）. doi：10.3969/j.issn.2095-1973.2017.01.003

段華，潘曉濱，臧增亮，等.2015.基于GSI同化系統(tǒng)的衛(wèi)星輻射率資料的同化試驗[J].干旱氣象，33（6）：895-901. Duan H， Pan X B， Zang Z L， et al.2015. Assimilation experiment of satellite emissivity data based on GSI assimilation system [J]. Journal of Arid Meteorology，33（6）：895-901 （in Chinese）. doi：10.11755/j. issn.1006-7639（2015）-06-089

樊運曉，羅云，陳慶壽.2000.承災(zāi)體脆弱性評價指標(biāo)中的量化方法探討[J].災(zāi)害學(xué)，15（2）：79-82. Fan Y X， Luo Y， Chen Q S. 2000. Discus-sion on quantitative methods of disaster bearing body vulnerability as-sessment index [J]. Journal of Catastrophology，15（2）：79-82 （in Chinese）.

高篤鳴，李躍清，程曉龍.2018.基于西南渦加密探空資料同化的一次奇異路徑耦合低渦大暴雨數(shù)值模擬研究[J].氣象學(xué)報，76（3）：343-360.Gao D M， Li Y Q， Cheng X L. 2018. Numerical simulation of a singular path coupled low vortex rainstorm based on Southwest Vortex encrypt-ed sounding data assimilation [J]. Acta Meteorologica Sinica，76（3）：343-360 （in Chinese）. doi：10.11676/qxxb2018.008

顧建峰. 2006. 多普勒雷達資料三維變分直接同化方法研究[D].南京：南京信息工程大學(xué). Gu J F. 2006. Research on 3D variational direct as-similation method of doppler radar data [D]. Nanjing： Nanjing Univer-sity of Information Science and Technology （in Chinese）

李澤椿，畢寶貴，金榮花，等.2014.近10年中國現(xiàn)代天氣預(yù)報的發(fā)展與應(yīng)用[J].氣象學(xué)報，72（6）：1069-1078. Li Z C， Bi B G， Jin R H， et al. 2014.Development and application of modern weather forecasting in China in recent 10 years [J]. Acta Meteorologica Sinica，72（6）：1069-1078 （in Chinese）. doi：10.11676/qxxb2014.090

廖文超，劉海文，朱玉祥，等.2016.2013年7.18四川暴雨分析[J].大氣科學(xué)學(xué)報，39（5）：702-711. Liao W C， Liu H W， Zhu Y X， et al. 2016. Analy-sis of heavy rain in Sichuan on July 18， 2013 [J]. Journal of Atmospher-ic Sciences，39（5）：702-711 （in Chinese）. doi：10.13878/j.cnki.dqkxxb.20150408002

羅雨，張立鳳，岑瑾.2010.初始場中尺度信息對暴雨預(yù)報的影響[J].熱帶氣象學(xué)報，26（1）：117-123. Luo Y， Zhang L F， Cen J. 2010. Impact of initial mesoscale information on rainstorm forecast [J]. Journal of Tropi-cal Meteorology，26（1）：117-123 （in Chinese）. doi：10.3969/j.issn.1004-4965.2010.01.018

沈菲菲，束艾青，許冬梅，等.2020.多普勒雷達資料同化對北京”7·21”大暴雨過程模擬的影響[J].沙漠與綠洲氣象，14（2）：50-60. Shen F F，Shu A Q， Xu D M， et al. 2020. Influence of doppler radar data assimilation on simulation of the heavy rain process on July 21 in Beijing[J]. Desert and Oasis Meteorology，14（2）：50-60 （in Chinese）. doi：10.12057/j.issn.1002-0799.2020.02.007

孟曉文，隆霄，周國兵，等.2017.同化常規(guī)資料對重慶地區(qū)一次大暴雨過程的數(shù)值模擬研究[J].暴雨災(zāi)害，36（4）：309-318. Meng X W， Long X，Zhou G B， et al. 2017. Numerical simulation of a heavy rain process in Chongqing using conventional data [J]. Torrential Rain and Disasters，36（4）：309-318（inChinese）.doi：10.3969/j.issn.1004-9045.2017.04.003

王洪. 2014. 雷達衛(wèi)星資料在高分辨率區(qū)域數(shù)值預(yù)報中的應(yīng)用研究[D].北京：中國氣象科學(xué)研究院. Wang H. 2014. Application of radar sat-ellite data in high resolution regional numerical prediction [D]. Beijing：Chinese Academy of Meteorological Sciences （in Chinese）.

王佳津，曹萍萍，龍柯吉，等.2019.基于物理量場異常度的四川暴雨集合預(yù)報釋用分析[J].高原山地氣象研究，39（3）：27-36. Wang J J， Cao P P， Long K J， et al. 2019. Analysis of rainfall ensemble forecast based on anomaly degree of physical quantity field in Sichuan [J]. Plateau and Mountain Meteorological Research，39（3）：27-36 （in Chinese）. doi：10.3969/j.issn.1674-2184.2019.03.005

姚樂寶，王東海，張宇，等.2020.GSI同化系統(tǒng)的背景誤差協(xié)方差特征及對預(yù)報的影響[J].熱帶氣象學(xué)報，36（3）：416-432. Yao L B， Wang D H，Zhang Y， et al. 2020. GSI assimilation system background error covari-ance characteristics and the impact on the prediction [J]. Journal of tropical weather，4（3）： 416-432 （in Chinese）. doi：10.16032/j.issn.1004-4965.2020.039

張利紅. 2006. ATOVS資料的變分同化及在暴雨預(yù)報中的應(yīng)用研究[D].南京：南京信息工程大學(xué). Zhang L H. 2006. Variational assimilation of ATOVS data and its application in rainstorm forecast [D]. Nanjing：Nanjing University of Information Science and Technology （in Chinese）.

張新忠，陳軍明，趙平. 2015. 多普勒天氣雷達資料同化對江淮暴雨模擬的影響[J].應(yīng)用氣象學(xué)報，26（5）：555-566. Zhang X Z， Chen J M，Zhao P. 2015. Influence of doppler weather radar data assimilation on rainstorm simulation over Jianghuai River [J]. Journal of Applied Meteo-rology，26（5）：555-566.（inChinese）.doi：10.11898/1001-7313.20150505

張少婷，王東海，于星，等.2019.雷達和衛(wèi)星資料同化在一次華南暴雨預(yù)報中的應(yīng)用[J].中山大學(xué)學(xué)報（自然科學(xué)版），58（5）：80-93. Zhang S T，Wang D H， Yu X， et al. 2019. Application of radar and satellite data assimilation to a rainstorm forecast in South China [J]. Journal of Sun Yat-sen University （Natural Science），58（5）：80-93 （in Chinese）. doi：10.13471/j.cnki.acta.snus.2019.05.011

章國材.2004.美國WRF模式的進展和應(yīng)用前景[J].氣象，30（12）：27-31.Zhang G C. 2004. Progress and application prospect of WRF model in the United States [J]. Meteorological Monthly，30（12）：27-31（in Chinese）.

周昊. 2012. GSI三維變分同化技術(shù)在降水預(yù)報中的應(yīng)用[D].南京：南京信息工程大學(xué). Zhou H. 2012. Application of GSI 3D Variational as-similation technology in precipitation forecast [D]. Nanjing： Nanjing University of Information Science and Technology （in Chinese）.

Fisher M. 2003. Background Error Covariance Modelling [C]. United King-dom： ECMWF.

Hu M， Xue M. 2007. Implementation and evaluation of cloud analysis with WSR-88D reflectivity data for GSI and WRF-ARW[J]. Geophysical Research Letters，34（7）：248-265. doi：10.1029/2006GL028847

Kleist D T， Parrish D F， Derber J C， et al. 2009. Introduction of the GSI into the NCEP global data assimilation system [J]. Weather and Forecasting，24（6）：1691-1705. doi：10.1175/2009WAF2222201.1

Mahale V N， Zhang G F， Xue M， et al. 2019. Variational retrieval of rain mi-crophysics and related parameters from polarimetric radar data with a parameterized operator [J]. Journal of Atmospheric and Oceanic Tech-nology，36（12）：2483-2500. doi：10.1175/JTECH-D-18-0212.1

Miller L J， Mohr C G， Weinheimer A J. 1986. The simple rectification to cartesian space of folded radial velocities from doppler radar sam-pling[J]. Journal of Atmospheric and Oceanic Technology，3（1）：162-174. doi： 10.1175/1520-0426（1986）003lt;0162：TSRTCSgt;2.0.CO;2

Mohr C G， Vaughan R L. 1979. An economical procedure for cartesian inter-polation and display of reflectivity data in three dimensional space [J].Journal of Applied Meteorology and Climatology，18： 661-670. doi：10.1175/1520-0450（1979）018lt;0661：AEPFCIgt;2.0.CO;2

Mohr C G， Miller L J， Vaughan R L， et al. 1986. The merger of mesoscale datasets into a common cartesian format for efficient and systematic analyses [J]. Journal of Atmospheric and Oceanic Technology，3（1）：143-161.doi：10.1175/1520-0426（1986）003lt;0143：TMOMDIgt;2.0.CO;2

Parrish D F， Derber J C. 1992. The national meteorological center global spectral statistical interpolation analysis system [J]. Weather and Fore-casting，120（8）：1747-763. doi：10.1175/1520-0493（1992）120lt;1747：TN MCSSgt;2.0.CO;2

WMO. 2009. Recommendations for the verification and intercomparison of QPFs and PQPFs from operational NWP Models，re-vision 2 （WMO TD No. 1485）[EB]. https：//www.wmo.int/pa-ges/prog/arep/wwrp/new/ docu-ments/WWRP2009_1.pdf， 2008.10.

WMO. 2017. Standardized verification of deterministic NWP products.89-94[EB]. https：//library.wmo. int/doc_num.php？ explnumid=4246，2015.05.12.

Yuan W H， Hu X L， Tian Q. 2019. Regional differences in rainfall frequen-cy and amount over southwestern China [J]. Atmospheric and Oceanic Science Letters，12（5）： 313-319. doi：10.1080/16742834.2019.1626194

Zhao K， Xue M. 2009. Assimilation of coastal doppler radar data with the ARPS 3DVAR and cloud analysis for the prediction of Hurricane Ike（2008）[J].GeophysicalResearchLetters，36（12）.doi：10.1029/2009GL038658 （2009）

Zhu Y， Gelaro R. 2008. Observation sensitivity calculations using the ad-joint of the gridpoint statistical interpolation （gsi） analysis system [J].Monthly Weather Review， 136（1）：335-351. doi： 10.1175/MWR3525.1

（責(zé)任編輯 張 文）