CN112946657B - 强对流天气中地面风场的识别方法 - Google Patents
强对流天气中地面风场的识别方法 Download PDFInfo
- Publication number
- CN112946657B CN112946657B CN202110147682.9A CN202110147682A CN112946657B CN 112946657 B CN112946657 B CN 112946657B CN 202110147682 A CN202110147682 A CN 202110147682A CN 112946657 B CN112946657 B CN 112946657B
- Authority
- CN
- China
- Prior art keywords
- wind field
- data
- wind
- weather
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000010219 correlation analysis Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 52
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 12
- 239000000178 monomer Substances 0.000 description 12
- 238000011161 development Methods 0.000 description 10
- 238000002310 reflectometry Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 101000691618 Homo sapiens Inactive phospholipase C-like protein 1 Proteins 0.000 description 1
- 102100026207 Inactive phospholipase C-like protein 1 Human genes 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000009646 cyclic growth Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 229920000848 poly(L-lactide-ε-caprolactone) Polymers 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种强对流天气中地面风场的识别方法，该识别方法通过将多普勒雷达反演的矢量风场、再分析资料的风场和地面自动气象观测站的风场，采用典型关联分析的方法融合得到强对流天气活动的格点风场信息后，进行识别。本发明以典型关联分析（Canonical Correlation Analysis）的方法融合不同时空分辨率、不同覆盖范围的地面自动气象站数据、多普勒天气雷达数据和再分析资料数据，得到强对流天气活动的格点风场数据，为灾害性天气的短时预报提供重要信息，增强气象数据的可利用性。
Description
技术领域
本发明涉及气象领域，具体涉及对相对流天气中地面风场的识别，以便准确跟踪预测灾害天气。
背景技术
对于中小尺度强对流天气系统的认识和研究，离不开气象观测系统的发展。但是在面向同一观测对象时，不同来源的气象观测数据往往时空不匹配、分辨率不统一，且各自有不同的代表观测尺度与特征观测误差。
在强对流天气系统的动力特征研究进程中，基于地面气象站资料外推Hamiltonand Archbold(1945)给出了早期地面风场分布，展现了中尺度系统里风暴尺度空气运动的特征。而水平和垂直尺度、及内部流场特征的认识，则来自于雷达探测技术的发展(哈罗德·布鲁克斯等，2019；Houze,2018)。随着多普勒雷达的应用，中尺度对流系统的径向速度特征得到进一步揭示。Donaldson(1970)首次用多普勒雷达观测到超级单体中的中气旋，其后的许多研究都证实了中气旋是超级单体风暴的流场特征，观测到中气旋，绝大多数情况出现强烈天气(夏文梅等，2007；徐芬等，2014；俞小鼎，2006)。但是雷达径向速度缺乏一定的直观性，因此在雷达径向速度数据的分析开发和应用方面开展了很多工作(常亚楠等，2019)。常见的是通过雷达径向速度反演技术，获得雷达探测范围的矢量风场(韩颂雨等，2017；罗昌荣等，2012)。通过三维风场的直观显示，寻找到中尺度对流系统流场的旋转特性，为灾害性天气的短时预报提供重要信息。多普勒雷达反演的风场，可以识别出了冰雹云内部“S”型水平流场特征(许焕斌，2012)。周海光(2018)利用双多普勒雷达反演技术，研究了龙卷超级单体的三维流场结构，指出地面风场为旋转辐合型。可见对于中尺度对流系统，内部的动力特征、气流结构展现了其发展演变的规律(刘莲等，2015；方桃妮等，2019)。
对强对流天气系统，有多种数据描述，包括地面自动气象站、雷达、卫星观测数据和数值模式结果。雷达探测数据有着较高的时空分辨率，但是风场反演技术存在一定的假设条件，会产生误差和过滤有用信息。地面自动观测站风场，更加接近真实的气流动向，受环境风场影响小，但是空间分辨率低。再分析资料的地面风场符合大气动力学数值模式结果，但丢失了瞬时风场信息(俞小鼎等，2020)。
准确的低层三维风场信息，可以很好的指示风暴中的辐合上升和气流旋转动向，对强对流天气过程的临近预报尤为重要。因此为了更好的研究其内部动力特征，通过数据融合对多种风场观测数据进行综合分析，优势互补得到客观真实、便于使用的风场要素估计值(周艳青等，2018；朱晓蕾等，2019)。
为了更好地利用多源气象观测数据来获得更加真实、准确的强对流天气系统的物理量场，在观测空间利用数据融合技术来综合多种来源的观测资料和多模式模拟数据是有效的手段(唐焕丽等，2020；潘旸等，2018；徐宾等，2018)。目前，国内外用于数据融合的算法比较多，包括权重分析方法、基于时空的插值方法、相关性分析方法、偏差订正的方法等。Kako et al.(2011)将卫星数据与再分析数据用最优插值法进行融合，制作出高精度的网格化风矢量数据集。Vestergaard et al.(2013)利用典型关联分析的方法将多通道卫星反演数据与雷达反射率融合，提高卫星云图的精度。许遐祯等(2016)采用Cressman插值方法将遥感风场资料和沿岸气象站风场资料融合，获得我国近海时空分辨率较高风场。杨璐等(2019)运用反距离权重方法对自动气象站风场与雷达同化系统获得的三维风场进行偏差订正，探讨了数据融合技术在强对流天气分析和诊断中的优势。总的来说，在观测空间对多源气象数据进行融合，因为数据类型的不同、研究对象的不同，需要寻找合适的数据融合算法(师春香等，2019)。
但是现有的数据融合技术，多针对两种数据来源对风场进行偏差订正或者融合，在时效性或准确性上多有不足。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，提供一种基于多源数据融合、具有一定时效性和准确性的强对流天气中地面风场的识别方法。
为了达到上述目的，本发明提供了一种强对流天气中地面风场的识别方法，该识别方法通过将多普勒雷达反演的矢量风场、再分析资料的风场和地面自动气象观测站的风场，采用典型关联分析技术融合得到强对流天气活动的格点风场信息后，进行识别。
本发明以典型关联分析(Canonical Correlation Analysis)的方法融合不同时空分辨率、不同覆盖范围的地面自动气象站数据、多普勒天气雷达数据和再分析数据，充分利用多普雷雷达风场数据的时效性和便捷性，并采用典型关联分析(CanonicalCorrelation Analysis,CCA)技术进行多数据融合，消除多普勒雷达反演风场产生的误差，得到本次强对流天气活动的格点风场数据，地面风场信息更加丰富准确。
进一步的，多普勒雷达反演的矢量风场采用单多普勒雷达风场或双多普勒雷达风场进行VAP反演获得。利用单多普勒雷达风场数据，满足矢量风场反演的要求。或当对流单体接近雷达站，且符合双雷达反演要求时，也可以利用双多普勒雷达风场进行反演。
进一步的，对多普勒雷达风场进行VAP反演前，先进行以下处理：
(1)对多普勒雷达第一层仰角径向风基数据按照方位角顺序排序，用反距离权重(IDW)插值的方法填补空值点(包括退模糊、去噪声和缺测产生)；对于较大范围空值的方位角数据(不包含研究区域)，则跳过不予处理；
(2)对径向风数据先切向后径向采用五点线性滤波平滑处理后，再进行VAP反演。
对多普勒径向风数据进行处理，以满足VAP反演的要求。
在部分实施例中，作为优选的，在进行典型关联分析前，对各风场数据先进行以下处理：通过多普勒雷达径向速度和回波特征选定关键研究区域，利用三次方程(基于三角形)内插方法将多普勒雷达反演风场插值为格点风场，并将地面自动气象观测站的风场和再分析资料的风场插值为相同空间和分辨率的格点风场；将格点化插值后的多普勒雷达反演风场和再分析资料风场作为一组多变量，将格点化插值后的地面自动气象观测站风场作为另一组多变量，采用典型关联分析技术进行数据融合。
进一步的，上述数据融合具体方法如下：
(1)将格点化插值后的多普勒雷达反演风场和再分析资料风场作为一组多变量，将格点化插值后的地面自动气象观测站风场作为另一组变量，采用典型关联分析技术，求两组变量线性组合的相关系数最大时的特征系数；
(2)对多普勒雷达反演风场和再分析资料风场利用求得的特征系数进行投影，以达到点对点的数据融合效果，最终依据所得融合风场进行识别。
进一步的，格点化插值的多普勒雷达反演风场的水平精度选择为0.05°(约5km)。
本发明相比现有技术具有以下优点：
本发明以典型关联分析(Canonical Correlation Analysis)的方法融合不同时空分辨率、不同覆盖范围的地面自动气象站数据、多普勒天气雷达数据和再分析资料数据，得到强对流天气活动的格点风场数据，为灾害性天气的短时预报提供重要信息，增强气象数据的可利用性。
同时，以此分析强对流天气活动的生命史及其结构特征，能够进一步认识强对流天气的生消演变过程及其物理规律。
附图说明
图1为局地均匀风假定条件下风矢量V与径向速度之间的关系；
图2为2019年7月6日14时天气形势；
图中，a-500hPa形势图，黑色实线为等位势线(单位：dagpm)，红色虚线为等温线(单位：℃)，棕色实线为槽线，紫色箭头为200hPa急流轴，红色双实线为850hPa切变线；b-射阳站探空曲线；
图3为2019年7月6日泰州雷达0.5°仰角14:00、16:05、18:04、20:04时(a，b，c，d)的反射率因子和反射率因子(单位：dBZ)的垂直剖面(e，f，g，h)；图中，黑色实线为剖面位置；
图4为2019年7月6日14时再分析资料(a)和自动气象站资料(b)的风场(矢量，单位：m·s-1)；图中，五角星标注了泰州雷达位置；
图5为2019年7月6日14时泰州雷达0.5°仰角的反射率因子(单位：dBZ)(a)和径向速度(单位：m·s-1)(b)，(c)径向速度反演的风场，(d)多源数据融合的风场(矢量，单位：m·s-1)；图中，黑色矩形框勾画了关键区域，棕色实线为气流辐合线，蓝色带箭头实线勾画了流场动向；
图6为2019年7月6日16时再分析资料(a)和自动气象站资料(b)的风场(矢量，单位：m·s-1)；图中，五角星标注了泰州雷达位置；
图7为2019年7月6日16时泰州雷达0.5°仰角的反射率因子(单位：dBZ)(a)和径向速度(单位：m·s-1)(b)，(c)径向速度反演的风场，(d)多源数据融合的风场(矢量，单位：m·s-1)；图中，黑色矩形框勾画了关键区域，棕色实线为气流辐合线，蓝色带箭头实线勾画了流场动向；
图8为2019年7月6日18时再分析资料(a)和自动气象站资料(b)的风场(矢量，单位：m·s-1)；图中，五角星标注了泰州雷达位置；
图9为2019年7月6日18时泰州雷达0.5°仰角的反射率因子(单位：dBZ)(a)和径向速度(单位：m·s-1)(b)，(c)径向速度反演的风场，(d)多源数据融合的风场(矢量，单位：m·s-1)；图中，黑色矩形框勾画了关键区域，棕色实线为气流辐合线，蓝色带箭头实线勾画了流场动向，红色三角形标注了降雹区域。
具体实施方式
下面结合附图及具体实施例对本发明进行详细说明。
一、本实施例中的资料来源：
本实施例中使用的数据有：江苏省自动气象站数据、ECMWF(ERA5-Land)气象再分析资料、多普勒天气雷达基数据。本次所用的雷达资料来自江苏泰州CINRAD/SA多普勒天气雷达，采用VCP21模式进行观测，9个仰角，体扫时间6分钟，空间分辨率为1km×1km。ECMWF(ERA5-Land)气象再分析资料时间分辨率为1小时，空间分辨率为0.1°×0.1°。文中涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1570号的中国地图制作，底图无修改。
数据在融合前进行了质量控制，对自动气象站的风场资料主要针对时间连续性和空间一致性进行检查(陈燕等，2019；徐亚钦等，2011)。雷达数据的质量控制主要包括径向速度退模糊、过滤噪声杂波,填补缺测值。对速度模糊的数值用空值替换，小范围空值的探测点用反距离权重方法(IDW)插值填补，大范围空值直接剔除，对径向风数据先切向后径向采用五点线性平滑进行滤波处理(杜牧云等，2019；陈超等，2018)。
二、本发明CCA多源数据融合的具体方法如下：
再分析数据和自动观测站数据的风场都是矢量风场，为了试验数据融合方法，需要将雷达观测的径向风反演为矢量风。虽然双多普勒雷达反演的矢量风场更加准确精细，但是该技术对两部雷达站与反演区域的位置有特定的要求。在强对流系统移动过程中，很多时刻不满足双雷达反演技术的前提条件。因此选用泰州站雷达进行单多普勒雷达风场反演，反演则使用常见的VAP方法。多普勒天气雷达探测为每隔6分钟一次体扫，对于体扫结束时间正好为整时的情况，则选择距离最近的两次体扫数据，进行平均处理，作为该时刻的雷达探测资料。
相比较多普勒天气雷达径向速度，通过反演方法获得的矢量风场更加直观。虽然在模式空间中同化多普勒雷达资料能获得三维动力场和热力场特征，但是在时效性和便捷性上，多普勒雷达资料直接反演并融合的技术还是具有较大优势。VAP方法反演的风场会产生量级误差，因此选择典型关联分析(CCA)的方法进行多源数据融合，可以消除反演手段产生的误差。
具体步骤为：
(1)选取同一时刻的多普勒雷达低层仰角径向风探测数据、自动站地面瞬时风场数据和再分析资料地面风场数据。
(2)对泰州站雷达第一层仰角径向风基数据按照方位角排序，用反距离权重(IDW)的方法填补空值点(包括退模糊、去噪声和缺测产生)。对于有较大范围空值的方位角数据(不包含研究区域)，则跳过不予处理。
(3)为满足VAP反演的假定条件，对径向风数据先切向后径向采用五点线性滤波平滑处理。利用VAP技术反演矢量风场。
(4)选定研究区域，利用三次方程(基于三角形)内插方法将放射状分布的雷达反演风场插值为格点风场。并将自动站风场和再分析资料风场插值为相同空间和分辨率的格点风场。插值的格点矢量风场水平精度选择为0.05°(约5km)。
(5)利用典型关联分析(CCA)的技术，将插值后的反演风场和再分析资料风场(作为一组多变量)与自动站风场(作为另一组变量)进行数据融合：求得两组多变量线性组合的相关系数最大时的特征系数，对反演风场和再分析资料风场利用特征系数进行投影，以达到点对点的数据融合效果。
2.1单多普勒雷达风场反演的VAP方法
VAP(velocity azimuth processing)方法是在假定同一距离圈上相邻方位角的风矢量相等的前提下，根据各个距离圈上的径向速度随方位角分布的廓线，求出水平风矢量的方向和大小(闵锦忠等，2005；陶祖钰，1992；白洁等，2000)。
由于反正切函数的主值范围为(-π/2，π/2)，因此在计算夹角α时候，需要进行订正计算：
a＝α当
这样计算的才是真实的夹角。
或
式中V为风矢量的大小，α为径向风Vr与风矢量的夹角，和/>是与Vr相邻的同一距离圈上的两个径向速度。θ为方位角，Δθ为/>和/>与Vr相邻的夹角，也是雷达采样的方位角间隔，它的值常为1°(见图1)。
当α接近0°或±90°这些特殊夹角时，反演计算会溢出，导致误差。因此在计算风速时选用公式(2)、(3)的变形公式：
只要知道每个距离圈上的多普勒速度Vr随方位角的分布，就可以按照上面的公式计算出各个方向角的风矢量。对于多普勒天气雷达给出的径向速度Vr，当低仰角时，Vr与水平径向速度非常接近。因此，由上面公式计算的风向、风速完全可以作为低仰角时的水平风的风向、风速。
2.2数据融合方法
典型关联分析(Canonical Correlation Analysis)是一种用来分析两组多变量之间相关性的统计方法(Vestergaard and Nielsen,2013；顾高升等，2018)。假设有两组变量：
X＝[x1，x2，...，xN]∈RN×p
Y＝[y1，y2，...，yN]∈RN×q
其中，N为样本数，p和q分别为样本的维数。CCA使两组变量的线性组合之间的相关系数ρ最大化。
(5)式中：∑11和∑22分别是样本X和Y的自协方差矩阵，∑12是样本X和Y的互协方差矩阵。典型相关分析也就是寻找一组投影方向a∈RP×1和b∈Rq×1，使得原始特征在投影后aTX和BTY的相关系数最大化。所以，公式(5)也是问题的目标优化函数(顾高升等，2018)。
为了求出最优解，我们另公式(5)中的分母为1，并作为约束条件。则问题变为多目标函数求解问题：
利用条件极值的求法，引入拉格朗日乘数，可得：
其中，λ和μ是拉格朗日乘数。分别对(6)式的a和b求偏导，并且令导数为0，可得到方程组：
根据(6)式，通过计算可以得到：
λ＝μ＝aT∑12b (9)
结合(9)式，方程组(8)可以写成矩阵形式：
令
那么上式可以写作：
B-1Aw＝λw (12)
求出(12)式中B-1A的最大特征值λmax后，那么就可以得到典型变量a、b和ρ的数值。
实施例1
本发明在强对流天气中地面风场的识别应用。
1、对流实况与天气形势
1.1、2019年7月6日江苏强对流天气概况
7月6日起，受500hPa高空冷涡影响，江苏省境内出现强对流天气。部分地区出现暴雨和大暴雨，局地出现11级雷雨大风。其中，泰州市高港地区在18：00左右(北京时，下同)、扬州市仪征在17：47左右、常州市东方盐湖城在19：23左右分别观测到冰雹。
1.2、天气形势分析
7月6日14时500hPa形势图上内蒙古北部存在冷涡(图2a)，冷涡结构深厚，从地面到500hPa以上的等压面图上都保持为闭合的低压系统(齐铎等，2020)。高空槽分两段，依次从内蒙古中北部延伸到河北南部，山东北部延伸到江苏省南部区域，槽后冷空气沿偏北气流南下,给江苏上空输送了大量的冷空气。江苏境内有记录的降雹地点(仪征和高港地区，图2a中用红色三角形标注)位于槽前，受槽前正涡度平流控制。在安徽和江苏南部区域850hPa有明显的低层切变线存在(图2a中红色双实线)，且位于200hPa高空西风急流出口区的左侧，有利于低层的系统中产生辐合上升运动。7月6日08时射阳站上空大气的抬升凝结高度(LCL)小于0.5km(图2b)，凝结气压(PLCL)为985.4hPa。经过计算，湿对流有效位能(CAPE)为1072.3J/kg，对流抑制有效位能(CIN)为114.9J/kg。通过地面观测数据修正抬升点，将08时射阳站的探空数据订正到14时，订正后的CAPE为2126J/kg。低层相对湿度大，较弱的抬升触发机制就可以使气层抬升，达到饱和以致突破对流抑制，抬升到自由对流高度(LFC)，而引发强对流天气。在0-3km高度上，风向由东南风逐渐转为西南风，随着高度上升，逐渐转为偏西风，在1km以下高度存在明显的垂直风切变。高空槽前的正涡度平流会引起高层辐散带来垂直上升运动，江苏一直受地面辐合性气旋与高空槽的控制，这种高低空配置非常容易激发出强对流天气。
2、雷达回波演变特征
2019年7月6日14时开始，雷达回波自江苏省西北部向东南方向移动，泰州站的多普勒雷达完整地监测到了这次降雹天气过程(图3)。14时泰州站西北方向有分散的对流单体向测站移动(图3a)，对应的垂直剖面(图3e)上，存在60dbz以上的强回波，并且强回波已经接地。虽然该区域此时没有冰雹观测记录，但是可能已经有冰雹出现。到16时泰州站雷达的西北方向已经有成型的，有组织的约400km的东北-西南向带状分布的强飑线系统(图3b)，向东南方向移动。移动过程中，飑线前沿为对流区，有旺盛发展的新对流单体生成，并进入飑线，使其进一步发展。雷达回波的垂直剖面(图3f)中可见弱回波区(WER)。18时，已经演变成了强弓形回波的飑线系统，可见明显的“钩状”回波以及后侧入流缺口(图3c)，用黑色箭头标出。垂直方向上(图3g)，强回波中心达到了60dBz以上，有界弱回波区(BWER)和悬挂回波(位于BWER上方)也更加明显，为雹云的典型雷达回波特征。在相邻的位置和时次，仪征和高港地区观测到了降雹现象。20时，飑线系统经过泰州多普勒雷达站后，已经开始减弱，组织结构开始溃散，分散成多个孤立的对流单体。强回波区域的面积也开始减小，由团状转变为线状，垂直方向上(图3h)强回波核消散。
3、不同时次多源数据融合试验
3.1、多源数据融合算法可行性探讨
时间分辨率1小时，空间分辨率0.1度的再分析资料地面风场虽然格点分布均匀，符合数值模式结果,但是过滤了某些站点的瞬时风速和风向，缺少小范围的精准风场信息。经过质量控制的自动气象站资料包含更准确的地面风场信息，更加接近真实的对流单体内部的气流动向，受环境风影响小。但是，自动气象站点稀疏，观测的数据时间和空间分辨率都较低,无法快速准确捕捉到高时空分辨率的强对流天气地面风场。单部雷达反演的矢量风场保留了雷达探测的高精度和丰富信息量的特点，但VAP风场反演方法存在一定的假设前提，会过滤一些真实的风向和风速，且存在量级误差。因此利用典型相关分析的方法,将地面自动站资料和再分析资料的地面风场信息融合到反演风场中，以达到多源数据之间优势互补、信息更加直观丰富的目的。
利用多源数据融合算法对本次个例的强对流系统从初始阶段到消亡阶段(14时到20时)每隔1小时进行了数据融合试验。通过雷达回波演变特征的分析(图3)，在4.2节选取强对流系统中雹云对流单体生命史中的关键阶段，结合雷达回波特征和风场结构，定性讨论了该算法的可行性。
试验结果表明：多普勒天气雷达只能测量径向速度分量，通过VAP反演获得的矢量风场在确定旋转特征时有一定的不确定性，且存在量级上的误差(闵锦忠等，2005)。通过多源数据融合算法，反演手段产生的误差得到消除；通过数据融合技术获得的风场信息不仅很好的与雷达探测的径向速度图像特征相对应，而且融合后的风场更加直观准确；气旋性气流和辐合线位置更加接近地面，减少了人为判定中气旋的误差。
3.2、多源数据融合结果分析
3.2.1、14时融合风场分析
再分析资料的地面风场显示(图4a)，14时整个江苏省自南向北由东南风转为偏南风，最大风速为8m/s。泰州多普勒雷达站附近大部分地区为东南风。地面自动气象站的瞬时风场显示(图4b)，江苏省大部分站点为东南风，最大风速5m/s。在泰州雷达站附近有的站点观测到的瞬时风向为东风和偏北风(受强对流系统影响)。
14时泰州雷达站西北方向已经有成型的多对流风暴，0.5°仰角的雷达反射率(图5a)显示强对流单体中心处最强回波达到60dBZ，强回波中心面积还较小。右后侧有入流缺口的存在，新生的对流单体不断并入，促进着对流风暴的发展。此时强对流系统还处于发展阶段，垂直剖面中还没有指示性的回波结构(图3e)。0.5°仰角的雷达径向速度图上，黑色矩形框范围内捕捉到了一对最大出流和入流中心(图5b)，在雷达反射率因子图中也勾画了相应的位置。沿同一雷达径向方向有两个最大径向速度中心，并且最大出流中心位于靠近雷达一侧，该区域有径向辐合流场的存在(俞小鼎，2006)。这种辐合流场通过VAP方法进行反演，得到的矢量风场直观地展现了低层的气流辐合带(图5c中棕色实线)和气旋性旋转气流。图5d中的矢量风场融合了多源数据信息后，气流相比直接反演的风场更加接近地面真实情况。在黑色矩形框处捕捉到了地面风场的气旋性旋转特征，为气旋式辐合流场。地面的气流辐合带位于带状对流风暴的前侧(移动方向)。气旋性旋转气流的曲率最大处(图5c中蓝色带箭头实线)则对应着雷达回波图中对流单体的入流缺口。距离气旋式辐合流场较近的西南方向，是较弱的反气旋式辐散流场，对应着低层雷达回波中的回波大值区域。地面气旋式辐合流场的西北方向有明显的“S”型流场。辐合上升运动作为大气三维涡旋运动的一个基本态，当辐合来的气流不能完全上升的时候，会伴随着水平旋转，水平方向产生非对称的旋转辐合流场，呈现“S”型流场特征(许焕斌，2012)。
融合风场直观快速的捕捉到了地面气旋式辐合流场的信息，包含了地面的中γ尺度气旋和辐合线。结合雷达径向速度图像，可以明确此刻的对流单体内低层已经有中气旋信号的存在，为灾害性天气的进一步跟踪提供依据。
3.2.2、16时融合风场分析
再分析资料的地面风场显示(图6a)，16时整个江苏省自南向北由东南风转为偏东风，最大风速为8m/s。泰州雷达站附近大部分地区为东南风。地面自动气象站的瞬时风场显示(图6b)江苏省大部分站点为东南风，少部分站点为偏南风，最大风速8m/s。在泰州雷达站附近，个别站点观测到的瞬时风向为东北风和西南风。
16时，强对流系统0.5°仰角最强回波达到60dBz，可见明显的钩状回波以及后侧的入流缺口(图7a黑色矩形框处)。在垂直剖面(图3f)中可见强回波核的存在，对应着低层的弱回波区(WER)，此时强对流系统处于强盛阶段。0.5°仰角的雷达径向速度图上(图7b)，黑色矩形框范围内有比较模糊的雷达中气旋径向速度信号。根据径向速度特征(最大入流和最大出流中心的位置)大致可以判断出，该勾画区域存在气旋式辐合和气旋式辐散的复合流场。通过VAP方法反演得到的矢量风场正确的显示出该区域低层的辐合带(图7c)和右上方紧挨着的辐散气流带。在左上方的蓝色箭头实线则勾画出了对应着弱回波区域的“S”型低层流场。
融合了地面自动站风场和再分析资料地面风场后(图7d)，气流的旋转特征得到恢复。黑色矩形框区域直观展示了地面气旋性辐合流场，包含的中γ尺度气旋位于钩状回波前端，气旋性曲率最大处对应着雷达回波图中对流系统后侧的入流缺口。中气旋是与强对流风暴中上升气流和后侧下沉气流紧密相联的小尺度涡旋。融合的矢量风场在地面气旋性辐合流场的右侧也捕捉到了弱反气旋(图7d中蓝色带箭头实线)和辐散流场，该涡旋偶对应着小区域的辐合上升和辐散下沉运动。气流辐合带(图7d中棕色实线)的位置信息也更加准确，对应着雷达回波图中(图7a)对流系统移动方向前沿，且与图7b中的径向速度信息对应。沿同一雷达径向方向有两个最大径向速度中心，最大出流中心位于靠近雷达一侧，则存在中尺度辐合流场(俞小鼎，2006)。在风场辐合线附近风力较大，辐合明显，起到了很好的抬升作用。
矩形框区域内的气旋式辐合流场，与径向速度图里的中气旋特征(包括核区直径，强度)对应，并且中γ尺度气旋与弱回波区位置吻合，更加明确了强对流系统低层中气旋的维持和发展。在多对流单体带移动方向的后方，地面融合风场也捕捉到了气旋式的辐合流场，在径向速度图上没有明确的显示，很可能是速度模糊造成的缺测。此处可能有新的中气旋生成发展，需要进一步警惕其演变带来对流单体的加强发展。
3.2.3、18时融合风场分析
再分析资料的地面风场显示(图8a)，18时江苏省南部多为东南风，北部有南北风向的辐合，最大风速为8m/s。泰州雷达站附近大部分地区为东南风和偏南风。地面自动气象站的瞬时风场显示(图8b)，江苏省大部分站点为东南风，少部分站点为偏南风，最大风速7m/s。在泰州雷达站附近，个别站点观测到的瞬时风向为东北风和西南风。
到18时，在0.5度仰角的反射率因子图中(图9)，已经演变成了强弓形回波的飑线系统，钩状回波明显，对应着显著的后侧入流缺口(图3c中箭头所指位置)。飑线处于强盛期，飑线的中心位于泰州雷达站西南方向约50km处。地面观测资料显示，在17时47分和18时左右，仪征和高港地区分别观测到冰雹(图9中红色三角形位置)，其中高港降雹区域对应着雷达回波图中飑线和东侧强对流单体之间，位于弱回波地带。垂直剖面中，有界弱回波区(BWER)、回波悬垂和回波墙结构更加显著(图3g),为雹云的典型雷达回波特征。此时的飑线系统中雹云云体结构完整，对流运动强烈。
反演的矢量风场和融合风场都显示飑线和东侧的对流单体低层有明显的流场辐合线，并且没有明显的气旋性旋转气流。可见，该区域气流以辐合为主，旋转较弱，地面辐合气流充足，辐合上升运动强。此时飑线系统接近雷达站，低层径向风数据也更接近地面。融合的风场与直接反演的风场相比，部分格点的风向得到了订正，包含的信息更加接近真实地面流场信息。低层的气流辐合线位于飑线的前方(移动方向)，飑线的三维流场整体呈现倾斜结构，地面气流辐合线引导着飑线移动。
相比较16时，旋转辐合流场(“S”型水平流场)上移到中层(图略)，为雹云的典型流场特征，雹云上层的辐散则会更加强烈(王建恒等，2020)。当地面风场气流的旋转性减弱，或者气旋性气流的尺度减小，以强辐合为主时，会产生足够强的上升气流。强上升气流提供了冰雹进一步循环增长需要的动力条件，使其在适合的增长区停留足够长时间。并且强上升气流使大冰雹越过主上升气流，从主上升气流侧面的高层吹落，形成回波墙(许焕斌，2012)。可以认为，当雹云对流运动旺盛降雹的时候，地面风场的旋转性会减弱甚至消失，辐合加强，整个流场呈现强辐合态势。这种地面风场流型的变化对雹云的发生发展有较好的指示作用(徐亚钦等，2011)。
而图9d中黑色矩形框附近，反演的风场经过地面风场的融合订正，存在气旋性辐合流场与“S”型流场。此流型对应着辐合上升气流，但“S”型流场的存在，表明该区域地面气流的辐合强度低于降雹区，此处的雷达回波结构也不够完整成熟，不易发展成雹云。
4、多源数据融合前和融合后的风场作对比分析：
(1)从图7可知，没有融合前的风场辐合线(切变线)的走向是西北-东南走向，融合后的风场辐合线(切变线)的走向是西南-东北走向，与相应的飑线系统的位置比较可知，融合后的风场辐合线(切变线)与实况相比较为一致，而没有融合的风场辐合线(切变线)则基本不一致。
(2)从图9可知，图9c和图9d左下角的风场切变线均存在，但是其位置不同。其中没有融合的风场切变线位置要比融合后的风场切变线相差30km，与实况相比较，融合后的风场切变线与实况比较一致。图9c的右上角显示没有融合前的风场是反气旋，没有形成风场的切变线，而融合后的风场呈现气旋式，并且形成了切变线。与实况相比，融合前的风场呈现反气旋和无切变，而融合后的风场呈现气旋式和切变线，表明融合后的风场与实况基本相符，而融合前的风场则与实况不符。
归纳上述结果可知，融合前和融合后，其风场的位置、切变线(带状)、气旋式环流(圆形)和反气旋式环流(圆形)有较大的不同。根据大气动力学可知(曾庆存，1979)当大气运动是中γ尺度时，中γ尺度系统是由风场来主导，并且风场呈现带状(切变线)和圆形系统。因此，如果风矢量图不能在分析场上，很好的确定相应的切变线和气旋(反气旋)式环流，就不能很好地捕捉到中γ尺度的系统，这对于中γ尺度的分析和短临预报，均是十分困难的。而融合后的风场资料，则能抓住风场的两个主要特征(切变线和气旋(反气旋)式环流)，故对中小尺度的分析和短临预报均有十分重要的意义。
5、结论与讨论
(1)通过典型关联分析的多源数据融合方法，消除了VAP技术反演风场产生的量级误差。融合后的风场信息更加丰富，不仅对应着雷达探测特征，而且填补了被过滤的风场信息，恢复了气流的旋转特征。通过融合风场识别，强对流发展初期地面有气旋性辐合流场，包含γ中尺度气旋和辐合线，附近伴有较弱的反气旋和辐散流场。地面气旋性气流整体对应着雷达回波中对流系统的入流缺口，与有界弱回波区匹配，地面辐合线位于强对流系统前沿(移动方向)。强对流系统强盛阶段(发生降雹现象)，地面气流转变为强辐合流场，旋转性减弱，辐合气流量充足，对流运动剧烈。
(2)融合前和融合后的风场相比，风场的位置、切变线(带状)、气旋式环流(圆形)和反气旋式环流(圆形)有较大的不同。融合后的风场资料，则能抓住风场的两个主要特征(切变线和气旋(反气旋)式环流)，进而捕捉到中γ尺度的系统。
中γ尺度系统往往与暴雨、冰雹、雷雨大风、龙卷、下击暴流、阵风锋等灾害性天气密切相关。大面积降水的产生、维持和消散也和中低层的辐合辐散结构配置有关。超级单体风暴一般都包含有一个持久深厚的中气旋，与强对流风暴中上升气流与后侧下沉气流紧密相关(俞小鼎，2006)。这种小尺度涡旋要满足一定的垂直伸展、核区直径(切变)、持续性判据。因此利用多源实测资料在观测空间进行数据融合，来直观快速的识别地面气流旋转特征与辐合辐散变化，为中气旋的识别提供支撑。
由于多普勒天气雷达探测存在仰角，因此同一层仰角的探测数据越远离雷达站，其垂直高度越高。捕捉该次强对流天气个例的多普勒天气雷达第一层仰角数据的垂直高度多在1km以下，融合后的风场并不是准确的位于地面10米高度。对较远的探测数据进行融合，能使其更加接近地面风场信息。而当对流系统移动过程中接近雷达站，且符合双雷达反演要求时，则可以利用双雷达反演技术探究三维流场结构。
Claims (3)
1.一种强对流天气中地面风场的识别方法，其特征在于，所述识别方法通过将多普勒雷达反演的矢量风场、再分析资料的风场和地面自动气象观测站的风场，采用典型关联分析技术融合得到强对流天气活动的格点风场信息后，进行识别；所述多普勒雷达反演的矢量风场采用单多普勒雷达风场或双多普勒雷达风场进行VAP反演获得；
对多普勒雷达风场进行VAP反演前，先进行以下处理：
（1）对多普勒雷达第一层仰角径向风基数据按照方位角顺序排序，用反距离权重插值的方法填补空值点；对于较大范围空值的方位角数据，则跳过不予处理；
（2）对径向风数据先切向后径向采用五点线性滤波平滑处理后，再进行VAP反演；
在进行典型关联分析前，对各风场数据先进行以下处理：通过多普勒雷达径向速度和回波特征选定关键研究区域，利用三次方程内插方法将多普勒雷达反演风场插值为格点风场，并将地面自动气象观测站的风场和再分析资料的风场插值为相同空间和分辨率的格点风场；将格点化插值后的多普勒雷达反演风场和再分析资料风场作为一组多变量，将格点化插值后的地面自动气象观测站风场作为另一组多变量，采用典型关联分析技术进行数据融合。
2.根据权利要求1所述的识别方法，其特征在于，所述数据融合具体方法如下：
（1）将格点化插值后的多普勒雷达反演风场和再分析资料风场作为一组多变量，将格点化插值后的地面自动气象观测站风场作为另一组变量，采用典型关联分析技术，求两组变量线性组合的相关系数最大时的特征系数；
（2）对多普勒雷达反演风场和再分析资料风场利用求得的特征系数进行投影，以达到点对点的数据融合效果，最终依据所得融合风场进行识别。
3.根据权利要求2所述的识别方法，其特征在于，所述格点化插值的多普勒雷达反演风场的水平精度选择为0.05°。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110147682.9A CN112946657B (zh) | 2021-02-03 | 2021-02-03 | 强对流天气中地面风场的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110147682.9A CN112946657B (zh) | 2021-02-03 | 2021-02-03 | 强对流天气中地面风场的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112946657A CN112946657A (zh) | 2021-06-11 |
| CN112946657B true CN112946657B (zh) | 2023-10-27 |
Family
ID=76242026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110147682.9A Active CN112946657B (zh) | 2021-02-03 | 2021-02-03 | 强对流天气中地面风场的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946657B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741449B (zh) * | 2021-08-30 | 2023-07-14 | 南京信息工程大学 | 一种面向海空协同观测任务的多智能体控制方法 |
| CN113514834B (zh) * | 2021-09-14 | 2022-03-08 | 航天宏图信息技术股份有限公司 | 一种风速风向反演方法、装置、设备及存储介质 |
| CN114488155B (zh) * | 2021-12-27 | 2023-06-27 | 国网山东省电力公司应急管理中心 | 一种基于多普勒天气雷达的对流单体演变趋势判别方法 |
| CN116091586B (zh) * | 2022-12-06 | 2023-08-01 | 中科三清科技有限公司 | 一种槽线识别方法、装置、存储介质及终端 |
| CN117807518B (zh) * | 2024-03-01 | 2024-05-03 | 南京信息工程大学 | 常规天气图上槽线或切变线的自动识别方法、系统及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034162A (zh) * | 2007-02-13 | 2007-09-12 | 中国科学院武汉物理与数学研究所 | 一种综合型多功能中高层大气探测激光雷达 |
| CN105975763A (zh) * | 2016-04-29 | 2016-09-28 | 国家卫星海洋应用中心 | 一种多源海面风场的融合方法和装置 |
| CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
| CN109100723A (zh) * | 2018-07-25 | 2018-12-28 | 南京信息工程大学 | 基于多普勒天气雷达数据的高空风反演方法 |
| CN111208517A (zh) * | 2020-01-15 | 2020-05-29 | 成都信息工程大学 | 基于多普勒天气雷达的短临外推预报流场构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080169975A1 (en) * | 2007-01-12 | 2008-07-17 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
-
2021
- 2021-02-03 CN CN202110147682.9A patent/CN112946657B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034162A (zh) * | 2007-02-13 | 2007-09-12 | 中国科学院武汉物理与数学研究所 | 一种综合型多功能中高层大气探测激光雷达 |
| CN105975763A (zh) * | 2016-04-29 | 2016-09-28 | 国家卫星海洋应用中心 | 一种多源海面风场的融合方法和装置 |
| CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
| CN109100723A (zh) * | 2018-07-25 | 2018-12-28 | 南京信息工程大学 | 基于多普勒天气雷达数据的高空风反演方法 |
| CN111208517A (zh) * | 2020-01-15 | 2020-05-29 | 成都信息工程大学 | 基于多普勒天气雷达的短临外推预报流场构建方法 |
Non-Patent Citations (9)
| Title |
|---|
| HY-2卫星风场资料LAPS系统融合及其应用研究;高雅;《中国优秀硕士学位论文全文数据库基础科学辑》(第第1期期);摘要、第1-5章 * |
| 中尺度分析系统LAPS应用雷达资料的个例研究;李红莉;崔春光;王志斌;王晓芳;谢有才;;高原气象(第06期);全文 * |
| 多普勒雷达估算降水和反演风在不同初值方案下对降水预报影响的数值研究;王叶红;赵玉春;崔春光;;气象学报(第04期);全文 * |
| 多源风场数据集成分析系统的设计;安志强;;电子技术与软件工程(第07期);全文 * |
| 安志强 ; .多源风场数据集成分析系统的设计.电子技术与软件工程.(第07期),全文. * |
| 扫描式测风激光雷达的风场反演;李丽;王灿召;谢亚峰;董光焰;;中国光学(第02期);全文 * |
| 曾向阳.智能水中目标识别."北京：国防工业出版社",2016,第74-77页. * |
| 李红莉 ; 崔春光 ; 王志斌 ; 王晓芳 ; 谢有才 ; .中尺度分析系统LAPS应用雷达资料的个例研究.高原气象.2009,(第06期),全文. * |
| 高时空分辨率三维风场在强对流天气临近预报中的融合应用研究;杨璐;陈敏;陈明轩;高峰;秦睿;宋林烨;程丛兰;;气象学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112946657A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112946657B (zh) | 强对流天气中地面风场的识别方法 | |
| Gryning et al. | Weibull wind-speed distribution parameters derived from a combination of wind-lidar and tall-mast measurements over land, coastal and marine sites | |
| CN112764129B (zh) | 一种雷暴短临预报方法、系统及终端 | |
| Vanderwende et al. | Observing and simulating the summertime low-level jet in central Iowa | |
| Liang et al. | A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds | |
| Uhlhorn et al. | Observational undersampling in tropical cyclones and implications for estimated intensity | |
| Bai et al. | Image processing of radar mosaics for the climatology of convection initiation in South China | |
| Suomi et al. | On the vertical structure of wind gusts | |
| Luo et al. | Gridded hourly precipitation analysis from high-density rain gauge network over the Yangtze–Huai Rivers basin during the 2007 mei-yu season and comparison with CMORPH | |
| Larsén et al. | Extreme winds from the NCEP/NCAR reanalysis data | |
| CN116401932B (zh) | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 | |
| He et al. | Reduced gust factor for extreme tropical cyclone winds over ocean | |
| Hirose et al. | Impact of long-term observation on the sampling characteristics of TRMM PR precipitation | |
| CN117113680A (zh) | 一种大范围雷暴大风事件的检验分析方法及装置 | |
| CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及系统 | |
| Cherukuru et al. | 2D VAR single Doppler lidar vector retrieval and its application in offshore wind energy | |
| Zhou et al. | Observational study of wind velocity and structures during supertyphoons and convective gales over land based on a 356-m-high meteorological gradient tower | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
| CN110782081B (zh) | 一种天地联合覆冰的预测预警系统及预测预警方法 | |
| CN117475297A (zh) | 一种高原低涡识别方法 | |
| Donkers et al. | Offshore wind atlas of the Dutch part of the North Sea | |
| Griffin et al. | In situ and radar observations of the low reflectivity ribbon in supercells during VORTEX2 | |
| Hande et al. | An evaluation of COSMIC radio occultation data in the lower atmosphere over the Southern Ocean | |
| CN113779770B (zh) | 一种气旋对北极海冰净影响的评估方法 | |
| Yavinchan et al. | Convective parameterization in a model for the prediction of heavy rain in southern Thailand |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |