南充地區(qū)一次短臨融合預(yù)報(bào)對比分析

劉慧君　高青云　張瀟予

摘要? ? 將雷達(dá)資料為基礎(chǔ)的外推預(yù)報(bào)與中尺度數(shù)值模式預(yù)報(bào)結(jié)合起來的融合預(yù)報(bào)是短臨預(yù)報(bào)中一個新的研究方向。本文采用最為高效實(shí)用的加權(quán)平均法開展一次融合預(yù)報(bào)對比分析。結(jié)果表明，融合預(yù)報(bào)較單一的外推或模式預(yù)報(bào)有更好的預(yù)報(bào)效果;在融合前段外推預(yù)報(bào)所占比重更大，原因是外推預(yù)報(bào)對于降水系統(tǒng)的位置變化有較好的預(yù)報(bào)能力，而在融合后段模式預(yù)報(bào)對于系統(tǒng)的生消演變以及位置變化有更好的預(yù)報(bào)能力，因而模式預(yù)報(bào)所占比重更大。

關(guān)鍵詞? ? 短臨預(yù)報(bào);加權(quán)平均法;融合預(yù)報(bào)

中圖分類號? ? P456.1? ? ? ? 文獻(xiàn)標(biāo)識碼? ? A

文章編號? ?1007-5739（2019）24-0166-04? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

在當(dāng)前防災(zāi)減災(zāi)體系中，對于容易帶來極大災(zāi)害的短時強(qiáng)降水的預(yù)報(bào)極為重要。據(jù)相關(guān)研究，南充市的地質(zhì)災(zāi)害70%以上是由包括短時強(qiáng)降水在內(nèi)的強(qiáng)降雨引起[1]，因而深入研究南充本地的短臨預(yù)報(bào)技術(shù)有著迫切的現(xiàn)實(shí)意義。在目前的短臨預(yù)報(bào)業(yè)務(wù)中，主要有以下3種技術(shù)路線：運(yùn)用實(shí)時雷達(dá)資料的外推預(yù)報(bào)，中尺度數(shù)值模式預(yù)報(bào)以及在觀測資料分析基礎(chǔ)上的概念模型預(yù)報(bào)[2]。其中，外推預(yù)報(bào)是比較成熟的技術(shù)，已廣泛應(yīng)用于業(yè)務(wù)實(shí)踐中，但未考慮風(fēng)暴的生消演變，預(yù)報(bào)可用時效較短，一般為1 h，最長不超過3 h[3]。而中尺度模式預(yù)報(bào)系統(tǒng)的特點(diǎn)是在3～6 h內(nèi)預(yù)報(bào)準(zhǔn)確率較高，而0～3 h的預(yù)報(bào)準(zhǔn)確率偏低。結(jié)合了雷達(dá)回波外推和中尺度數(shù)值預(yù)報(bào)的融合臨近預(yù)報(bào)系統(tǒng)彌補(bǔ)了以上2種預(yù)報(bào)系統(tǒng)的不足，充分利用了兩者的優(yōu)點(diǎn)，從而能提高預(yù)報(bào)準(zhǔn)確率[4]。對于雷達(dá)外推預(yù)報(bào)和中尺度數(shù)值預(yù)報(bào)，將兩者相融合的技術(shù)主要有3類：第一類為加權(quán)平均法，該方法分時效確定外推預(yù)報(bào)和數(shù)值模式預(yù)報(bào)在融合系統(tǒng)中的權(quán)重系數(shù)，在融合過程中，外推預(yù)報(bào)占融合系統(tǒng)的權(quán)重隨時效減小，而數(shù)值預(yù)報(bào)所占權(quán)重則隨時效增加。該類方法的代表系統(tǒng)有Golding[5]研發(fā)的Nimrod，Pierce等研發(fā)的Gandolf以及美國NCAR 開發(fā)的NIWOT;第二類為趨勢調(diào)整法，該方法主要根據(jù)模式預(yù)報(bào)結(jié)果在落區(qū)、強(qiáng)度上的變化趨勢來修正外推預(yù)報(bào)[6];第三類為AMOR方法，該方法首先計(jì)算當(dāng)前時刻模式預(yù)報(bào)在落區(qū)或強(qiáng)度上的誤差，然后估計(jì)誤差在時間上的變化趨勢，并在此基礎(chǔ)上對未來時段的模式預(yù)報(bào)進(jìn)行修正[7]。在實(shí)際業(yè)務(wù)運(yùn)行中，決定采用何種融合技術(shù)還需要考慮算法的難易程度等因素[8]，而加權(quán)平均法具有計(jì)算難度低的優(yōu)點(diǎn)。

融合要素中的的外推預(yù)報(bào)目前一般有3種方法，即線性外推法、交叉相關(guān)追蹤算法以及回波特征追蹤算法。一是線性外推法，即假定某個時間段內(nèi)風(fēng)暴的移動速度和方向不變，由前一時次的風(fēng)暴平均移動來預(yù)報(bào)下一時次風(fēng)暴的位置，對于組織穩(wěn)定的強(qiáng)風(fēng)暴在較短時間內(nèi)的預(yù)報(bào)效果較好，但對于其他類型的風(fēng)暴位置預(yù)報(bào)可用性較差，因而目前在業(yè)務(wù)上使用較少。二是交叉相關(guān)追蹤法，即在不同追蹤區(qū)域之間建立最佳擬合關(guān)系，該擬合通過求取最優(yōu)化相關(guān)系數(shù)得到[9-10]。三是回波特征追蹤法，也叫單體質(zhì)心法，在時間連續(xù)的2幅雷達(dá)掃描圖上對比分析，從而得到風(fēng)暴的移動路徑，該方法包含了風(fēng)暴單體移動和演變特征[11]。其中的風(fēng)暴單體識別和追蹤算法（SCIT） 應(yīng)用較為廣泛，對孤立風(fēng)暴、風(fēng)暴族和線狀排列風(fēng)暴都有較好的識別性[12]。

目前，在地市一級的預(yù)報(bào)業(yè)務(wù)中，更多地依賴于單一的短臨預(yù)報(bào)系統(tǒng)，各地都缺乏穩(wěn)定成熟的融合預(yù)報(bào)系統(tǒng)。因此，開展本地短臨預(yù)報(bào)融合試驗(yàn)可以更好地分析評估各種短臨預(yù)報(bào)系統(tǒng)的優(yōu)缺點(diǎn)，并在此基礎(chǔ)上嘗試建立穩(wěn)定可行的融合預(yù)報(bào)方案。綜合比較了幾種融合技術(shù)方案，本文選取較為簡單易行的加權(quán)平均法開展本地融合試驗(yàn)，同時融合要素中的外推預(yù)報(bào)，采用應(yīng)用較為廣泛的回波特征追蹤法，該方法可以直接應(yīng)用本地天氣雷達(dá)生成的產(chǎn)品STI。

1? ? 融合要素及資料預(yù)處理

1.1? ? 雷達(dá)外推預(yù)報(bào)

SCIT算法首先需要對單體識別和定位，然后是單體跟蹤以及位置預(yù)報(bào)。在選擇風(fēng)暴單體時，應(yīng)滿足下列4個條件才能被算法所識別：①區(qū)域中最大反射率因子>30 dBZ;②在至少一個仰角掃描其反射率因子超過30 dBZ的二維區(qū)域 >5 km2;③估計(jì)的該區(qū)域三維質(zhì)心與另一個區(qū)域的質(zhì)心至少相隔5 km;④該區(qū)域與其他區(qū)域由一個局地極小的反射率因子相隔，該反射率因子至少要比區(qū)域內(nèi)最大反射率因子值小10 dBZ[13]。在我國最新一代天氣雷達(dá)中已經(jīng)開始使用SCIT算法生成產(chǎn)品STI。本文利用STI產(chǎn)品提供的一段時間內(nèi)回波的移動變化軌跡，然后根據(jù)風(fēng)暴的歷史移動記錄來預(yù)報(bào)其未來位置變化。得到位置預(yù)報(bào)后，讀取南充本地多普勒天氣雷達(dá)的實(shí)時回波強(qiáng)度值，再由經(jīng)驗(yàn)的Z-R關(guān)系公式（雷達(dá)回波強(qiáng)度與雨強(qiáng)對應(yīng)關(guān)系）求得降水率，并結(jié)合雷達(dá)產(chǎn)品中的降水估測值進(jìn)行訂正，得到1 h的雨量預(yù)報(bào)[14]。

1.2? ? 數(shù)值模式產(chǎn)品

所使用的數(shù)值模式是成都高原所研發(fā)的西南區(qū)域數(shù)值模式預(yù)報(bào)系統(tǒng)（SWC-WARMS）。該系統(tǒng)是基于ADAS v5.3.3同化系統(tǒng)和STIWRF v3.5.1模式系統(tǒng)而構(gòu)建成的中尺度模式系統(tǒng)，背景場是分辨率為0.5°的GFS預(yù)報(bào)，系統(tǒng)同化了西南區(qū)域內(nèi)的常規(guī)觀測資料以及部分高分辨率觀測資料，水平空間分辨率9 km，預(yù)報(bào)時效72 h，每天運(yùn)行4次，時間輸出頻率為1 h。

1.3? ? 自動站雨量

研究區(qū)域?yàn)槟铣浼捌渲苓叄|經(jīng)105°～107°、北緯30°～32°），文中所用時間為北京時，降雨單位為mm。數(shù)據(jù)來源為研究范圍內(nèi)自動站的小時雨量，并使用Cressman插值算法將其插值為9 km×9 km的格點(diǎn)產(chǎn)品，與數(shù)值模式產(chǎn)品的分辨率保持一致。Cressman插值算法的原理是：在將區(qū)域內(nèi)的離散點(diǎn)內(nèi)插到規(guī)則格點(diǎn)的過程中，逐步連續(xù)訂正，從而最大程度減小誤差，同時也對數(shù)據(jù)進(jìn)行平滑處理。

1.4? ? 融合技術(shù)

加權(quán)平均法主要流程：首先評估某時段內(nèi)的外推預(yù)報(bào)產(chǎn)品和數(shù)值預(yù)報(bào)產(chǎn)品的預(yù)報(bào)效果，即運(yùn)用實(shí)況對2種預(yù)報(bào)產(chǎn)品進(jìn)行技巧評分，然后根據(jù)評分結(jié)果確定融合權(quán)重系數(shù)。權(quán)重系數(shù)確定的原則為技巧評分高的權(quán)重也高，反之亦然。進(jìn)行技巧評分可通過開展TS評分、求取均方根誤差（RMSE）等方法實(shí)現(xiàn)，其他評分參數(shù)還包括HSS、POD、FAR等。在統(tǒng)計(jì)基礎(chǔ)上，融合權(quán)重系數(shù)隨時間的變化可以滿足某個經(jīng)驗(yàn)公式，比較有代表性的，如香港的RAPIDS暴雨預(yù)報(bào)系統(tǒng)，數(shù)值模式系統(tǒng)的權(quán)重系數(shù)可以通過該方程求得[15]。

融合系統(tǒng)計(jì)算方式見公式（1）：

公式（1）中Rr為雷達(dá)外推預(yù)報(bào)值，Rm為數(shù)值模式預(yù)報(bào)值。

在RAPIDS系統(tǒng)中，數(shù)值模式權(quán)重系數(shù)的確定參考的經(jīng)驗(yàn)公式，見公式（2）：

公式（2）中，W（t）為數(shù)值模式預(yù)報(bào)產(chǎn)品的權(quán)重系數(shù)，t表示預(yù)報(bào)時長，α及β分別是Rm在t=0及t=6的權(quán)重，γ是中間部分W（t）的斜率。在融合預(yù)報(bào)中，前面時段主要依靠外推預(yù)報(bào)，后面時段則基本依靠數(shù)值模式預(yù)報(bào)，為了使得模式權(quán)重系數(shù)在t+2時和t+4時的變化更為平滑，γ值被設(shè)定為1。

融合方案具體的流程：①對外推及模式預(yù)報(bào)結(jié)果進(jìn)行評估，用迭代法求取數(shù)值模式的最優(yōu)權(quán)重，在此過程中首先考慮HSS，再兼顧POD和RMSE的大小，從而得到α和β;②求取全時段的權(quán)重系數(shù)W（t）;③用歸一的權(quán)重線性集成得到融合結(jié)果。

2? ? 結(jié)果與分析

2.1? ? 不同方法預(yù)報(bào)結(jié)果比較

開展融合試驗(yàn)選取的個例為2017年7月5—6日南充市一次區(qū)域性大暴雨天氣過程，此次降雨最大過程降水量出現(xiàn)在嘉陵區(qū)木老鄉(xiāng)唐家嘴村為259.6 mm（5日20：00至7日8：00），其中高坪城區(qū)24 h雨量突破了歷史極值，全市監(jiān)測站中>250 mm的有2個，>200 mm的有15個，>100 mm的80個，>50 mm的有174個。圖1是2017年7月5—6日的雨量實(shí)況。

選取強(qiáng)降雨較為明顯的時段，即7月6日0：00—2：00開展融合試驗(yàn)。圖2（a）是2017年7月6日0：00—1：00的降雨實(shí)況圖，圖2（b）是6日0：00雷達(dá)外推到1：00的預(yù)報(bào)，圖2（c）是西南區(qū)域數(shù)值模式6日0：00—1：00的雨量預(yù)報(bào)，圖2（d）是采取融合后的雨量預(yù)報(bào)。從圖2可以看出，1 h的外推預(yù)報(bào)與實(shí)況在降雨區(qū)域的位置上較為接近，但降雨量級有所偏差，外推預(yù)報(bào)與實(shí)況相比在>10 mm、>25 mm的降水區(qū)域上面積偏小，且>40 mm的分散小范圍強(qiáng)降水中心未預(yù)報(bào)出來。造成差異的主要原因可能是外推計(jì)算忽略了新的降水系統(tǒng)生成等，這與實(shí)際對流性降水過程存在的降雨局地性強(qiáng)，強(qiáng)降雨范圍較為分散等特點(diǎn)不相符。西南區(qū)域數(shù)值模式與實(shí)況在降雨區(qū)域上相差較大，相對實(shí)況，數(shù)值模式產(chǎn)品對于>10 mm、>25 mm的降水區(qū)域在面積上較為接近，但位置上更偏東、偏北。造成偏差的主要原因可能為數(shù)值模式更多地考慮了降水系統(tǒng)的移動，而相對忽略了對流性降水系統(tǒng)在本地的穩(wěn)定維持。采用外推和數(shù)值模式融合后的產(chǎn)品比上述單獨(dú)任意一種預(yù)報(bào)系統(tǒng)更為接近實(shí)況。融合產(chǎn)品修正了單獨(dú)外推預(yù)報(bào)降雨量級偏小的問題，同時也修正了單獨(dú)模式預(yù)報(bào)在降雨區(qū)域位置上的偏差。需要說明的是，此時段融合產(chǎn)品中外推預(yù)報(bào)的權(quán)重較大，而數(shù)值模式的權(quán)重較小，融合產(chǎn)品主要依靠外推預(yù)報(bào)。

6日1：00—2：00這一時段內(nèi)的融合效果對比：圖3（a）是2017年7月6日1：00—2：00的降雨實(shí)況圖，圖3（b）是6日1：00雷達(dá)外推到2：00的預(yù)報(bào)，圖3（c）是西南區(qū)域數(shù)值模式6日1：00—2：00的雨量預(yù)報(bào)，圖3（d）是采取融合后的雨量預(yù)報(bào)。從圖3可看出，外推預(yù)報(bào)中>25 mm的強(qiáng)降水區(qū)域相較實(shí)況位置偏西、偏北，而且面積也偏小。這是因?yàn)橥馔祁A(yù)報(bào)主要依靠STI產(chǎn)品中的風(fēng)暴追蹤路徑來預(yù)測風(fēng)暴單體的移動軌跡，忽略了環(huán)境場中中低層氣流的變化對風(fēng)暴單體移動的影響，同時外推對于風(fēng)暴單體的生消變化也缺乏預(yù)報(bào)能力。模式預(yù)報(bào)結(jié)果相較于外推在強(qiáng)降水區(qū)域的位置和面積上均更接近實(shí)況，這是因?yàn)槟Ｊ筋A(yù)報(bào)不但考慮了環(huán)境場對風(fēng)暴的生消以及強(qiáng)度的影響，還融入了中低層氣流對于風(fēng)暴移動路徑的影響，因而具有更好的預(yù)測趨勢性。因此，疊加在外推回波場上的模式預(yù)報(bào)要優(yōu)于任意單一預(yù)測系統(tǒng)。

2.2? ? 預(yù)報(bào)檢驗(yàn)及評估

通過預(yù)報(bào)技巧評分來對融合過程中的各種預(yù)報(bào)系統(tǒng)進(jìn)行進(jìn)一步檢驗(yàn)和評估。表1是參與融合預(yù)報(bào)的外推系統(tǒng)、模式系統(tǒng)以及融合系統(tǒng)本身的各種預(yù)報(bào)技巧評分。從表1中可看出，1 h以內(nèi)外推TS評分（CSI）為0.381，修正的TS評分（ETS）為0.410，HSS評分為0.584;而模式預(yù)報(bào)CSI為0.396，ETS為0.425，HSS評分為0.621，在上述3項(xiàng)指標(biāo)上兩者的評分較為接近。模式預(yù)報(bào)的命中率（POD）為89.8%，高于外推預(yù)報(bào)的63.4%;而外推預(yù)報(bào)的虛警率（FAR）為36.5%，低于模式預(yù)報(bào)的48.4%，這2項(xiàng)技巧上兩者各有千秋。從均方根誤差（RMSE）來看，外推為8.5，小于模式的10.0，外推的誤差更小。綜合來看，1 h內(nèi)外推預(yù)報(bào)在預(yù)報(bào)技巧上要優(yōu)于模式預(yù)報(bào)。而1 h融合產(chǎn)品的預(yù)報(bào)結(jié)果，均方根誤差（RMSE）為6.2，較之單一預(yù)報(bào)系統(tǒng)（外推或模式預(yù)報(bào)）都更小，TS評分（CSI）和修正的TS評分（ETS）明顯提高，而HSS也是最大。因此，從預(yù)報(bào)技巧來看，1 h融合預(yù)報(bào)優(yōu)于單一的外推系統(tǒng)或模式預(yù)報(bào)，但更依賴于外推預(yù)報(bào)，此時段外推預(yù)報(bào)在融合過程中所占權(quán)重較大。

2 h后模式預(yù)報(bào)的CSI為0.385，ETS為0.389，HSS為0.521;而外推預(yù)報(bào)的CSI為0.304，ETS為0.287，HSS為0.412，從以上3個評估指標(biāo)來看，模式預(yù)報(bào)的得分均高于外推預(yù)報(bào)。模式預(yù)報(bào)的POD為41.6%，高于外推預(yù)報(bào)的34.2%，模式預(yù)報(bào)的命中率更高。在FAR方面，模式預(yù)報(bào)為35.2%，外推預(yù)報(bào)為43.4%，模式預(yù)報(bào)的虛警率更低。均方根誤差（RMSE）模式預(yù)報(bào)為6.8，遠(yuǎn)小于外推預(yù)報(bào)的8.6。TS評分（CSI）、修正的TS評分（ETS）以及HSS均是模式預(yù)報(bào)得分好于外推預(yù)報(bào)。特別需要說明的是，從各個評估指標(biāo)來看，2 h融合預(yù)報(bào)結(jié)果各項(xiàng)參數(shù)得分都和模式預(yù)報(bào)的得分非常接近，且都優(yōu)于外推系統(tǒng)，此時段在融合過程中數(shù)值模式所占權(quán)重更大，融合結(jié)果基本依賴于模式預(yù)報(bào)。

3? ? 結(jié)論與討論

（1）短時臨近預(yù)報(bào)業(yè)務(wù)中，依靠單一的外推預(yù)報(bào)或數(shù)值模式預(yù)報(bào)都有其局限性，而結(jié)合了2種預(yù)報(bào)系統(tǒng)的融合預(yù)報(bào)系統(tǒng)能充分利用兩者的優(yōu)點(diǎn)，進(jìn)一步提升預(yù)報(bào)效果。

（2）在試驗(yàn)個例中，融合過程的前段（1 h內(nèi)）融合系統(tǒng)主要依靠外推預(yù)報(bào)。此時段模式預(yù)報(bào)在融合系統(tǒng)中所占比重相對較小，而中后段（2 h后）融合系統(tǒng)更多地依賴模式預(yù)報(bào)，此時段相比外推預(yù)報(bào)，模式預(yù)報(bào)在融合系統(tǒng)中所占比重更大，并隨著時間的推移所占比重也逐漸增大。

（3）融合前段（1 h內(nèi)）外推預(yù)報(bào)所占比重更大的原因是：造成對流性降水的中小尺度天氣系統(tǒng)一般生命周期至少在1 h以上，該時段內(nèi)基于雷達(dá)回波的外推預(yù)報(bào)對于降水系統(tǒng)的位置變化有較好的預(yù)報(bào)效果，而數(shù)值模式對于降水系統(tǒng)的位置預(yù)報(bào)能力則較差。融合后段（2 h后）數(shù)值模式所占比重更大的原因是外推對于風(fēng)暴生消變化的預(yù)報(bào)不足，而數(shù)值模式考慮了環(huán)境潛勢對風(fēng)暴的影響，對于系統(tǒng)生消演變及位置變化，其具有更好的預(yù)報(bào)能力;同時隨著時間的推進(jìn)，外推基本上喪失了預(yù)測風(fēng)暴演變的能力，到融合后期，融合系統(tǒng)基本就全部依靠數(shù)值模式系統(tǒng)。

（4）由于不同類型的短時強(qiáng)降水過程在融合結(jié)果上存在一定差異，而本次融合試驗(yàn)選取的個例為普通單體風(fēng)暴，降水系統(tǒng)相對單一，且降水系統(tǒng)在1 h內(nèi)相對穩(wěn)定;對于實(shí)際降水過程，還存在多單體風(fēng)暴、線風(fēng)暴、超級單體風(fēng)暴等多種情況，需要深入研究，找出融合過程中的各自對應(yīng)規(guī)律，并進(jìn)一步確定各種類型的降水在融合過程中的共同點(diǎn)。

4? ? 參考文獻(xiàn)

[1] 付世軍，李曉容，文敏，等.南充市地質(zhì)災(zāi)害分型及致災(zāi)雨量閾值研究[J].防災(zāi)科技學(xué)院學(xué)報(bào)，2018，20（3）：74-80.

[2] 俞小鼎，譚曉光.對流天氣臨近預(yù)報(bào)技術(shù)的發(fā)展與研究進(jìn)展[J].應(yīng)用氣象學(xué)報(bào)，2004（15）：754-766.

[3] 俞小鼎，周小剛，王秀明.雷暴與強(qiáng)對流臨近天氣預(yù)報(bào)技術(shù)進(jìn)展[J].氣象學(xué)報(bào)，2012，70（3）：311-377.

[4] 王秀明，俞小鼎，劉黎平，等.融合臨近預(yù)報(bào)技術(shù)探討[J].氣象科學(xué)，2015，35（3）：298-304.

[5] GOLDING B W.Nimrod：A syetem for generating automated very short range forecasts[J].Metoer Appl，1998，5（1）：1-6.

[6] WILSON J W，F(xiàn)ENG Y，CHENG M，et al.Nowcasting challenges during the Beijing Olympics：Successes，failure，and implications for future nowcasting systems[J].Wea Forecasting，2010，25：1691-714.

[7] 程叢蘭，陳明軒，王建捷，等.基于雷達(dá)外推臨近預(yù)報(bào)和中尺度數(shù)值預(yù)報(bào)融合技術(shù)的短時定量降水預(yù)報(bào)試驗(yàn)[J].氣象學(xué)報(bào)，2013，71（3）：397-415.

[8] 陳明軒，高峰，孔榮，等.自動臨近預(yù)報(bào)系統(tǒng)及其在北京奧運(yùn)期間的應(yīng)用[J].應(yīng)用氣象學(xué)報(bào)，2010，21（4）：395-404.

[9] RINEHART R E，GARVEY E T.Three-dimensional storm motion detect-ion by conventional weather radar[J].Nature，1978，273：287-289.

[10] AUSTIN G L，BELLON A.The use of digital weather radar records for short-term precipitation forecasting[J].Quart J Roy Meteorol Soc，1974， 100：534-552.

[11] BROWNING K A，COLLIER C G，LARKE P R，et al.On the forecasting of frontal rain using a weather radar network[J].Mon Wea Rev，1982，110：534-552.

[12] JOHNSON J T，MACKEEN P L，WITT A，et al.The storm cellidentifica-tion and tracking algorithm：an enhanced WSR288D algorithm[J].Weather and Forecasting，1998，13：263-276.

[13] 俞小鼎，姚秀萍，熊廷南，等.多普勒天氣雷達(dá)原理與業(yè)務(wù)應(yīng)用[M].北京：氣象出版社，2001.

[14] 楊丹丹，申雙和，邵玲玲，等.雷達(dá)資料和數(shù)值模式產(chǎn)品融合技術(shù)研究[J].氣象，2010，36（8）：54-60.

[15] 黃偉健，黎守德.“急流”（RAPIDS）暴雨預(yù)報(bào)系統(tǒng)：“小渦旋”與數(shù)值天氣預(yù)報(bào)模式的融合[C]//澳門：第20屆粵港澳氣象科技研討會，2006.htttp：//210.0.235.16/publica/reprint/R619.pdf.