美國國家強風暴實驗室定量降水估算系統簡介

王斌張健

（1 中國氣象局武漢暴雨研究所，武漢 430074；2 美國國家強風暴實驗室，美國）

美國國家強風暴實驗室定量降水估算系統簡介

王斌1張健2

（1 中國氣象局武漢暴雨研究所，武漢 430074；2 美國國家強風暴實驗室，美國）

介紹了美國國家強風暴實驗室（NSSL）研究開發的定量降水估算系統——全國拼圖和多途徑定量降水估算系統。對該系統的基本情況、各種產品模塊和涉及的算法技術等進行了詳細介紹，也簡單介紹了該系統的評估結果、應用效益和今后需要開展進一步研究的技術挑戰。

美國國家強風暴實驗室，定量降水估算，天氣雷達

1 引言

美國國家強風暴實驗室(National Severe Storms Laboratory,NSSL),是美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration, NOAA)直屬的七個實驗室之一。該實驗室位于美國中部的俄克拉荷馬州諾曼市(Norman City,Oklahoma State),主要致力于強烈天氣的預警和預報研究。NSSL在科學研究和技術開發上主要涉及3個研究方向,分別為氣象雷達研究和開發、災害天氣研究以及水文氣象研究,其中水文氣象研究主要包括定量降水估算技術開發和洪水、泥石流等預測預警技術開發。本文即對NSSL近幾年研究開發的定量降水估算(QPE)系統進行介紹。

2 全國拼圖和多途徑定量降水估算系統概況

作為NSSL進行定量降水估算實時運行和評估的綜合技術集成平臺,全國拼圖和多途徑定量降水估算系統(National Mosaic and Multi-sensor QPE system,簡稱NMQ系統)于2006年開始準業務運行[1]。NMQ系統以美國天氣局業務雷達CRAFT數據網絡為基礎[2],融合不同觀測網絡的數據,形成:(1)高分辨率的全國多途徑探測定量降水估算(QPE)產品,應用于突發性洪水、大范圍洪水的預警和水資源管理等；(2)高分辨率全國3D網格化雷達反射率產品,應用于資料同化、數值預報模式檢驗以及航空氣象產品開發等。該系統集成了美國140部WSR-88D雷達和加拿大31部C波段天氣雷達的基數據。此外,NMQ系統使用快速循環更新(RUC)模式分析場和水文氣象自動化數據系統(HADS)等產品用于QPE計算和評估。

NMQ系統是完全自動化和實時運行的。該系統生成高分辨率3D反射率拼圖格點數據(31個垂直層)和一系列強天氣和QPE產品,區域為美國大陸和加拿大南部,時間分辨率為2.5min,空間分辨率1km。目前,該系統還保存了3年的產品歸檔文件。系統產品提供給政府部門、大學、研究機構和私人單位,實時地用于各種氣象、航空和水文氣象需求。此外,NMQ系統有一個基于WEB網頁形式的評估工具箱,集成了許多業務化的QPE產品,如雷達、雨量計和衛星QPE等,與NMQ產品進行比較,還可以實時地與獨立雨量計數據進行比較。該WEB形式的評估系統也對美國天

氣局預報員和公眾開放使用。經多年發展,NMQ系統已成為一個獲得廣泛應用的雷達資料和QPE產品的服務和試驗平臺,在促進科研和業務的融合上發揮了良好的作用。

3 NMQ系統模塊構成及主要技術

NMQ系統由4個模塊構成,采用分布式計算設計(服務器節點數40),系統框架和運行流程如圖1所示[1]。該系統運行中使用了多個數據來源,包括美國天氣局雷達基數據(level-2),加拿大天氣雷達網資料,RUC模式小時分析產品,閃電資料,HADS,區域雨量計網等。四個模塊分別為單雷達處理、3D和2D雷達拼圖、新一代QPE[3]和誤差評估。

3.1 單雷達數據處理模塊

該模塊基于單部雷達數據進行相應的處理,以此作為后續模塊運行的基礎。主要的數據處理包括反射率數據質量控制(QC),垂直反射率廓線(VPR)生成,單雷達直角坐標網格轉換,以及單雷達混合掃描反射率(SHSR)生成。

3.1.1 反射率數據質量控制

單雷達數據的質量控制(QC)包括前處理、神經網絡算法和后處理,能夠基本去除非降水回波,如晴空回波、生物回波(鳥、蝙蝠和昆蟲)、太陽干擾、地面雜波、電子干擾和異常傳輸回波(AP)等。神經網絡QC方法基于反射率數據的3D空間特征[4-5],例如強度、梯度、紋理和雷達回波厚度等,經過人機交互的訓練優化過程,建立起降水回波和非降水回波的識別機制。為更好地發揮神經網絡的功能,雷達數據需要進行前處理和后處理,盡量減少觀測質量差的數據對QC的干擾,以及對QC后的數據進一步做出過濾和判斷,去除一些特定的難以簡單去除的非降水回波。在前處理中,首先去除那些雷達庫數據中受到明顯遮擋或太接近地物的數據(例如高于地面不到50m的庫數據)。基于雷達掃描模式和氣象環境數據,利用時間和空間圖像過濾器和啟發式判斷法[6],去除特定的非降水回波,如斑點、太陽干擾、晴空回波、生物回波等。例如,通過比較兩個連續的雷達體掃數據中大于某個強度的回波總面積,如果發現兩者的差值超出了設定的閾值(突然增大),那么就認為第二個體掃有誤,數據將被忽略。

NMQ系統針對不同類型雷達采用的質控方法也有差別,以保證有良好質量的反射率數據生成拼圖格點數據。例如,針對加拿大C波段雷達開發了一個統計式的雜波去除模塊,以移除低仰角回波的固定地物雜波[7]。

圖1 NMQ系統構成框架和運行流程圖

3.1.2 單雷達直角坐標網格轉換

經過質量控制后,雷達數據從初始的球坐標體系插值到直角坐標系統中,雷達站為坐標中心點,投影方式為等距圓柱地圖投影。對于WSR-88D雷達,直角坐標網格水平范圍從460(海岸雷達)～300km(內陸雷達)；水平分辨率為0.01°(大約1km×1km)；垂直方向31層,海拔高度從500m～18km。插值方法在方位—距離平面采用最近鄰居法,在仰角方向采用指數權重法[8-9]。坐標轉換時在雷達體掃的最低和最高仰角處,當網格點位置超過(低于或高于)波束寬度一半時,則不做外推插值。

3.1.3 垂直反射率廓線生成

垂直反射率廓線(VPR)由質控后的極坐標數據反演而來,在雷達較近的距離區間內,對一個環形區域的雷達體掃所有仰角數據進行各高度上的平均,獲得VPR[10]。VPR在判別暖性降水過程時很有作用,可以生成更準確的QPE產品[11]。不同降水方案類型的VPR如圖2所示[1]。對流降水的VPR顯示最大反射率位于抬升凝結高度(大約1.5km,由探空計算而來),表明大雨滴在云中出現碰并增長。該高度之下反射率隨高度降低而減少,表明雨滴在蒸發[1]。暖性降水VPR顯示反射率隨著高度降低而逐漸增加,表明云中有大量中等大小的雨滴在潮濕環境中持續增長[11]。圖2b顯示層狀降水VPR曲線的亮帶特征明顯。在冷季層狀降水中,雷達QPE經常表現出明顯的高估,這是因為即使最低仰角的雷達波束也常處于亮帶區域,獲得的是被高估的反射率值。當雷達波束在相對更遠距離位于亮帶區域高度以上,由于是云中冰粒子區,獲得的是被低估的反射率值,因此導致低估降水。在NMQ系統中,訂正由于回波亮帶造成的QPE誤差方法見文

獻[12],且實現了實時運行。

在冬季融化層回波亮帶高度較低,尤其在山地,容易被地形遮擋,導致WSR-88D雷達無法探測到亮帶底,使得VPR的計算有很大誤差。要獲得冬季層狀云降水(雪)正確的VPR,還需要配合使用其他探測手段對雷達VPR進行訂正。Wen等[13]、Qi等[14]嘗試使用TRMM衛星的PR雷達反演的VPR,將其轉換為S波段雷達VPR,并與地基雷達VPR相融合,獲得新的雷達VPR。經過大量個例檢驗表明該方法能有效地減少雷達QPE高估的現象。Qi等[15]還將這種方法應用到中尺度對流系統(MCS)的VPR訂正中,改善了雷達定量估算MCS大范圍降雨的誤差。

圖2 不同降水類型的VPR曲線圖（水平線代表環境氣溫，單位：℃）（a） 對流降水；（b）層狀降水；（c）暖性降水

3.1.4 單雷達混合掃描反射率

單部雷達反射率數據經過QC后,將能夠有效獲取的最低海拔高度上雷達反射率庫數據構成一個二維的混合掃描反射率場,即“Single radar Hybrid Scan Reflectivity(SHSR)”[16-17]。因為雷達波束高度隨距離增加而增大,而且波束遮擋程度和地形高度也隨空間而變化,因此SHSR場在不同地點的波束高度也不同。通常因為反射率的垂直變化,SHSR中某一個雷達庫的高度越高,則單雷達反演的QPE準確度就越低。

3.2 三維反射率拼圖和強天氣產品

多部雷達的獨立三維直角坐標網格反射率數據通過合并最終形成反射率三維拼圖,該產品覆蓋美國大陸和加拿大南部。拼圖區域為130°—60°W,北緯20°—55°N。網格為等距圓柱地圖投影,分辨率為0.01°×0.01°。東西方向的分辨率在南部邊界大約為1.045km,北部邊界大約為0.638km。南北方向的分辨率大約為1.112km。當某一個網格單元有多部雷達都能有效觀測時,則采用指數距離加權平均[8]。NMQ系統可以靈活地集成不同雷達網的數據。目前的實時數據除美國WSR-88D雷達外,還有31部加拿大雷達、2部TDWR雷達和1部電視臺雷達。目前正在研究如何將移動雷達觀測數據也納入NMQ系統中,例如CASA雷達網[18]。

NMQ系統還生成一系列強天氣產品,包括強烈冰雹概率(POSH)[19],最大期望冰雹尺寸(直徑) (MEHS)[19],18dBz回波頂(ETP),垂直積分液態水(VIL)[20],VIL密度(VILD)[21]等。所有產品都結合三維拼圖數據和RUC系統的三維溫度分析場數據進行計算。

3.3 新一代產品

NMQ系統的關鍵組成部分就是新一代QPE產品,簡稱Q2[3],它包括降水類型自動分類和多途徑QPE產品,時間跨度從瞬時雨強到72h累積雨量。多途徑QPE產品包括單純基于雷達QPE、經過雨量計訂正的雷達QPE、單純基于雨量計QPE、基于雨量計、地形和降雨氣候分布的QPE。

3.3.1 混合掃描反射率拼圖

基于單雷達SHSR,經過組合而成HSR拼圖。HSR拼圖由SHSR加權獲得,具體公式為:

其中,WL為水平權重函數,WH為垂直權重函數,i表示雷達標識號。水平權重函數中變量d表示格點與雷達之間的距離,垂直權重函數中變量h表示SHSR庫所在的海拔高度。L和H分別為水平和垂直方向的尺度因子。因為兩部雷達由于標定問題、波束采樣特征不同而造成在同一位置上的觀測會出現不同。NMQ系統使用的插值方法與最近鄰居法相比,能夠保證QPE場的

水平連續性,而后者在插值與兩部雷達同等距離的中間位置回波時會有反射率值不連續現象的出現。

3.3.2 降水類型的分類

雷達估算降水的準確性非常依賴于Z-R關系的正確與否。即使降水時間、地點都一樣,Z-R關系的不同也會導致QPE的誤差。目前WSR-88D雷達業務降雨估算算法中,使用的是單一Z-R關系,范圍為230km×230km[17]。在同一降水事件中,在單雷達觀測范圍內,多種降水類型的同時存在是經常出現的現象。如果只采用單一的Z-R關系,QPE的誤差就難以避免。因此若要較好地解決此類問題,就有必要采用自動化的降雨分類算法,采用組合式的Z-R關系來估算降水。NMQ系統的降水分類算法包括一系列的物理判斷依據,針對每個網格點,總共分為5種降水類型而進行識別,包括層狀降水,對流降水,暖性降水,降雹和降雪。算法流程如圖3所示[1]。

在相對溫暖和潮濕的環境中,降水強度很高,往往造成突發性洪水,這種降水類型即為暖性降水(或熱帶降水)。由于這種類型降水效率很高,常用的Z-R關系傾向于低估降雨量,所以需要針對這一降水類型,采用不同的Z-R關系,而使用的前提就是能夠正確識別。NMQ系統的暖性降水識別的做法是檢查每部雷達生成的小時平均VPR曲線,如果在凍結層高度以下的VPR斜率為負(即反射率隨高度降低而增大),即判斷為暖性降水[11]。如果回波強度大于設定閾值(缺省為30dBz),且地面氣溫大于10℃,雷達觀測范圍無降雪或降雹,則該處回波被標識為暖性降水。與該回波位置相鄰并且超過強度閾值的回波也都被標識為暖性降水。

對流降水的分類條件為(1)垂直方向上任何高度上只要出現回波強度大于50dBz；(2)―10℃所在高度上回波強度大于30dBz；(3)在最近的5min內,有一個或多個云對地閃電發生。上述條件有一項成立即可[10]。經過暖性和對流降水識別后,如果某一處回波既不是這兩類降水,也不是降雪或降雹,那么就是層狀降水。在分類識別時使用到的溫度廓線來自于RUC小時分析數據。

圖3 NMQ系統降水分類算法

3.3.3 單純基于雷達

經過降水分類后,單純基于雷達QPE相應分別采用4種Z-R關系。公式分別為:

式中,Z為反射率因子,單位為mm6·m-3,R為降雨率或雪水當量,單位為mm·h-1。為了避免雷達QPE不合理地過高估計降雨率,系統對降水估算設定了回波強度的截取值,超過截取值的回波強度人為將其減少到等于截取值。其中對流降水的截取值為53dBz；如果有降雹發生時,則截取值為49dBz。對于暖性降水,截取值為50dBz。降雨率每隔2.5min計算一次,1和3h累積雨量每隔5min計算1次,使用2.5min降水進行累積。1h累積雨量則用來直接計算6、12、24、48和72h累積雨量。

3.3.4 經過雨量計訂正的雷達

NMQ系統計算經過雨量計訂正的雷達QPE的方法為:第一步計算雷達QPE對應每一個雨量計所在點的誤差；第二步將誤差插值到雷達QPE整個區域,得出每個雷達回波像素點上的QPE誤差[25]。該方法的關鍵為插值權重系數的計算,NMQ系統采用的是距離反比權重計算方法[26],但為了避免由于雨量點的稀疏導致遠距離的雨量點權重較高這一現象,進行了一定的修正,即人為地將誤差分布調整為正態分布,減少遠距離雨量點的誤差在訂正時權重過高的現象。具體做法是在權重計算時引進了一個修正因子

其中D表示誤差計算的影響半徑,n為在某一個雷達回波像素點周圍影響半徑D范圍內的雨量點個數,di為雷達像素點與第i個雨量點之間的距離。如果α大于1,則表示在該范圍內有足夠的雨量點用于誤差的插值。如果α小于1,則每一個權重系數都要乘以α。權重計算時距離的指數和影響半徑的確定采用了交叉檢驗的最小二乘法進行計算[1]。在訂正雷達QPE時還對雨量計數據進行了質量控制,避免異常高或低的雨量計數據影響誤差分布的正確計算。

3.3.5產品在山地區域的訂正

在復雜地形里,雷達QPE的準確性受限于幾個因素,如波束遮擋和波束越頂[27]、垂直反射率廓線變化[28-29],以及地形增強降雨作用等[30]。這些因素對山地冬季層狀降水的影響更大,因為云頂高度較低,雷達波束的最低有效仰角容易受地形遮擋。為解決這一難題,NMQ系統采用了一種山地訂正方法用于計算該區域的QPE產品[31]。該方法基于實時雨量計觀測,以及當地降水氣候分布數據集[32]。該數據集是將山地上的降水、溫度、數字化高程模型和復雜氣候特征等多種因素集成在一起,經過分析后得到連續的、數字網格化的關于降水的月、年和過程的氣候分布。NMQ系統在訂正時,首先將山地降水月分布數據降尺度到小時雨量分布,然后計算每個雨量點上實時小時雨量與氣候分布降尺度后的小時雨量之比,再將這個比值插值到NMQ系統的QPE網格上,權重計算為距離平方反比法,最后將插值后的比值分布場乘以降尺度的山地降水氣候小時雨量分布場,即得到經過訂正的QPE產品。這種訂正方法在那些雨量點稀疏或降水局地性很強的區域,適用性還不高,因為實際降水與氣候分布之間的差異太大,導致訂正的誤差比較大。

為了解決這一問題,Zhang等[33]針對美國西部復雜地形區域業務雷達QPE誤差來源進行分析,并開發出一個新的雷達QPE方法。新雷達QPE方案包括去除非降水回波,構建無縫隙混合掃描反射率場,應用VPR訂正反射率,采用可調整的Z-R關系式計算降雨率等步驟。新的雷達QPE方法經過2005—2006年冬季6個月數據的檢驗,結果表明相比目前的業務雷達QPE,準確度提升明顯,誤差降低43%,均方根誤差降低30%,降水產品的空間連續性也更好。Cao等[34]統計了美國西部山區11年的由TRMM衛星降水雷達(PR)觀測反演的美國西部山區降水垂直結構特征,研究發現:在山地區域,降水類型是決定VPR特征最顯著的因素；VPR的形狀也影響到地面降雨強度；VPR特征存在季節依賴性,春季和秋季具有很相似的特征；VPR特征的空間變化顯示地形對垂直結構有作用。結果也說明VPR訂正方法有助于改善復雜地形上的降水估算。Qi等[35]開發了一個新算法,使用S波段降水廓線雷達(S-PROF),計算出兩套降雨垂直廓線作為參考標準,一個針對海岸山地區域,另一個針對錫拉山脈。使用降水廓線雷達VPR用來訂正WSR-88D雷達QPE,經測試表明對誤差改善明顯。

目前面臨的最大問題是在典型山地的迎風坡上,雷達QPE的誤差還是難以顯著降低,這是因為業務雷達無法觀測到局地降水增強現象,導致雷達QPE的低估。因此在這些區域增加探測設備的空間密度來提高QPE的準確度是解決上述問題的可能途徑之一。

3.4 NMQ系統評估和應用

NMQ系統一個非常有特色的模塊就是進行實時數據顯示和產品評估檢驗,即NMQ檢驗系統(QVS)。該系統可以實時顯示所有的產品(網址: http://nmq.ou.edu),包括圖形和地理信息(行政邊界、雷達站、距離圈、地形、氣象業務部門預警范圍等)。QVS中用來檢驗QPE產品的數據包括各種雨量計觀測網,如美國天氣局水文氣象自動數據系統HADS、社區輔助降水(雪、冰雹)觀測點、中尺度雨量站網Mesonet等。評估統計量包括QPE產品與獨立雨量計觀測數據之間的雨量比值、相關系數、均方根誤差等,這些量都是實時計算的。此外,一些美國天氣局下發的業務QPE產品也能在QVS中與NMQ系統的QPE產品進行相互比較,如Stage Ⅱ、Stage Ⅳ等[36]。通過多種QPE產品之間的對比,以及QPE產品與獨立雨量計觀測數據的檢驗,可以更好地了解QPE誤差的不確定性,以及不同類型的QPE產品的誤差表現差異,這為融合多種產品形成優化的多途徑QPE產品提供了一種便捷的技術手段。Chen等[37]對比統計了2009年12月—2010年11月期間Q2產品與美國天氣局業務雷達QPE產品Stage Ⅱ和Stage Ⅳ的差異。結果表明Q2的雷達QPE產品的日降水量與Stage Ⅱ的同類產品相比年平均偏差＞8%,但Stage Ⅱ的隨機誤差更高。日降水量的均方根誤差Stage Ⅱ為4.5mm,Q2為1.1mm,相關系數Stage Ⅱ為0.20,Q2為0.73。Q2的降水分類和可調整的Z-R關系算法有效地減少了一些地區的誤差,如美國阿帕拉契山脈東部地區。

QVS中還歸檔保存了近3年的NMQ系統的主要產品,以供用戶下載使用。目前NMQ系統的用戶包括政府部門、大學科研機構和私人單位,如3D雷達反射率拼圖產品在NCEP中用于RUC模式的數據同化,顯著提高了0～6h定量降水的預報準確率[38]。3D雷達反射率拼圖產品在航空結冰威脅預警中也得到使用[39]。

3.5 NMQ系統中的雙偏振雷達產品

自2010年以來,美國開展了WSR-88D雷達網的雙偏振功能全面升級。以NSSL為主的科研團隊開發出一系列的雙偏振雷達資料應用產品,并在2012年開始準業務運行。目前NMQ系統上也集成了一些雙偏振雷達產品實時運行。這些產品包括:(1)QC后的4個仰角的雙偏振基數據；(2)降水粒子分類[40],共分為8種,有小—中雨、暴雨、雨雹混合、大雨滴、濕雪、干雪、冰晶和霰；(3)雙偏振雷達QPE[41],包括雨強

和1h、24h累積雨量。這些產品在QVS系統經過充分評估后將被整合到新一代NMQ系統中。

4 結論

美國國家強風暴實驗室開發并運行的全國拼圖和多途徑定量降水估算系統經過多年發展,已實現高時空分辨率的雷達三維拼圖和定量降水估算產品實時運行,與常規的業務雷達QPE相比,也有明顯的改善,在科研和業務應用上取得了良好的效益。目前存在的待解決的問題主要包括反射率質量控制的進一步改進,如何完善業務雷達網無法覆蓋區域的拼圖方法,在山地地區如何實時訂正由于垂直反射率廓線變化導致的QPE誤差,如何結合雙偏振雷達技術,進一步完善降水分類方法和更好地選擇合適的Z-R關系等。這些問題的解決將成為NMQ系統未來研發計劃的重點目標。

[1]Zhang J, et al. National Mosaic and Multi-Sensor QPE (NMQ) System: Description, results, and future plans. Bull Amer Meteor Soc, 2011, 92: 1321-1338.

[2]Kelleher K E, et al. A supplement to project CRAFT: A Real-Time Delivery System for Nexrad Level Via The Internet. Bull Amer Meteor Soc, 2007, 88: s5-s9.

[3]Vasilo ff S V, et al. Improving QPE and very short term QPF: An initiative for a community-wide integrated approach. Bull Amer Meteor Soc, 2007, 88: 1899-1911.

[4]Lakshmanan V, Fritz A, Smith T, et al. An Automated technique to quality control radar re fl ectivity data. J Appl Meteor Climatol, 2007, 46: 288-305.

[5]Lakshmanan V, Zhang J, Howard K. A technique to censor biological echoes in radar re fl ectivity data. J Appl Meteor Climatol, 2010, 49: 453-462.

[6]Zhang J, Wang S, Clarke B. WSR-88D re fl ectivity quality control using horizontal and vertical reflectivity structure. 11thConf on Aviation, Range, and Aerospace Meteorology, Hyannis, MA. Amer Meteor Soc, 2004.

[7]Lakshmanan V, Zhang J, Hondl K, et al. A statistical approach to mitigating persistent clutter in radar re fl ectivity data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 652-662.

[8]Zhang J, Howard K, Gourley J J. Constructing three-dimensional multiple-radar re fl ectivity mosaics: Examples of convective storms and stratiform rain echoes. J Atmos Oceanic Technol, 2005, 22: 30-42.

[9]Lakshmanan V, Smith T, Hondl K, et al. A real-time, threedimensional, rapidly updating, heterogeneous radar merger technique for reflectivity, velocity, and derived products. Wea Forecasting, 2006, 21: 802-823.

[10]Zhang J, Langston C, Howard K. Brightband identi fi cation based on vertical profiles of reflectivity from the WSR-88D. J Atmos Oceanic Technol, 2008, 25: 1859-1872.

[11]Xu X Y, Howard K, Zhang J. An automated radar technique for the identi fi cation of tropical precipitation. J Hydrometeor, 2008, 9: 885-902.

[12]Zhang J, Qi Y C. A real-time algorithm for the correction of brightband e ff ects in radar-derived QPE. J Hydrometeor, 2010, 11: 1157-1171.

[13]Wen Y X, Cao Q, Kirstetter P E, et al. Incorporating NASA spaceborne radar data into NOAA national mosaic QPE system for improved precipitation measurement: A physically based VPR identi fi cation and enhancement method. J Hydrometeor, 2013, 14: 1293-1307.

[14]Qi Y C, Zhang J. Correction of radar QPE errors associated with low and partially observed brightband layers. J Hydrometeor, 2013, 14: 1933-1943.

[15]Qi Y C, Zhang J, Cao Q, et al. Correction of radar QPE errors for nonuniform VPRs in mesoscale convective systems using TRMM observations. J Hydrometeor, 2013, 14: 1672-1682.

[16] O’Bannon T. Using a‘terrain-based’hybrid scan to improve WSR-88D precipitation estimates. 28th Conf on Radar Meteorology, Austin, TX. Amer Meteor Soc, 1997.

[17]Fulton R A, Breidenbach J P, Seo D J, et al. The WSR-88D rainfall algorithm. Wea Forecasting, 1998, 13: 377-395.

[18]McLaughlin D J, et al. Distruibuted Collaborative Adaptive Sensing (DCAS) for improved detection, understanding and prediction of atmospheric hazards. Proc Ninth Symp on Integrated Observing and Assimilation Systems for the Atmosphere, Oceans, and Land Surface (IOAS-AOLS),San Diego, CA. Amer.Meteor Soc, 2005.

[19]Witt A, Eilts M D, Stumpf G J, et al. An enhanced hail detection algorithm for the WSR-88D. Wea Forecasting, 1998, 13: 286-303.

[20]Greene D R, Clark R A. Vertically integrated liquid water: A new analysis tool. Mon Wea Rev, 1972, 100: 548-552.

[21]Amburn S A, Wolf P L. VIL density as a hail indicator. Wea Forecasting, 1997, 12: 473-478.

[22]Marshall J S, Hitschfeld W, Gunn K L S. Advances in radar weather. Adv Geoph, 1955, 2: 1-56.

[23]Rosenfeld D, Wolff D B, Atlas D. General probability-matched relations between radar reflectivity and rain rate. J Appl Meteor, 1993, 32: 50-72.

[24]Radar Operations Center. Guidance on selectingZ-R relationships. 1999. http://www.roc.noaa.gov/ops/z2r_osf5.asp

[25]Ware E C. Corrections to radar-estimated precipitation using observed rain gauge data. New York: Cornell University, 2005.

[26]Simanton J R, Osborn H B. Reciprocal distance estimate of point rainfall. J Hydraul Div Amer Soc Civ Eng, 1980, 106: 1242-1246.

[27]Maddox R A, Zhang J, Gourley J J, et al. Weather radar coverage over the contiguous United States. Wea Forecasting, 2002, 17: 927-934.

[28]Joss J, Waldvogel A. Precipitation measurements and hydrology.In: Atlas D. Radar in meteorology. Amer Meteor Soc, 1990.

[29]Germann U, Joss J. Mesobeta profiles to extrapolate radar precipitation measurements above the alps to the ground level. J Appl Meteor, 2002, 41: 542-557.

[30]Kitchen M, Brown R, Davies A G. Real-time correction of weather radar data for the e ff ects of bright band, range and orographic growth in widespread precipitation. Q J R Meteorol Soc, 1994, 120: 1231-1254.

[31]Schaake J, Henkel A, Cong S. Application of PRISM climatologies for hydrologic modeling and forecasting in the western U.S. 18thConf on Hydrology, Seattle, WA, Amer Mereor Soc, 2004.

[32]Daly C, Neilson R P, Phillips D L. A statistical-topographic model for mapping climatological precipitation over mountainous terrain. J Appl Meteor, 1994, 33: 140-158.

[33]Zhang J, Qi Y C, Kingsmill D, et al. Radar-based quantitative precipitation estimation for the cool season in complex terrain: case studies from the NOAA hydrometeorology testbed. J Hydrometeor, 2012, 13: 1836-1854.

[34]Cao Q, Hong Y, Gourley J J, et al. Statistical and physical analysis of the vertical structure of precipitation in the mountainous west region of the united states using 11+ years of spaceborne observations from TRMM precipitation radar. J Appl Meteor Climatol, 2013, 52: 408-424.

[35]Qi Y C, Zhang J, Kaney B, et al. Improving WSR-88D Radar QPE for Orographic Precipitation Using Profiler Observations. J Hydrometeor, 2014, doi: http://dx.doi.org/10.1175/ JHM-D-13-0131.1

[36]Lin Y, Mitchell K E. The NCEP stage Ⅱ/Ⅳ hourly precipitation analyses: Development and applications. 19thConf on Hydrology, San Diego, CA. Amer Meteor Soc, 2005.

[37]Chen S, et al. Evaluation and uncertainty estimation of NOAA/ NSSL next-generation national mosaic quantitative precipitation estimation product (q2) over the continental united states. J Hydrometeor, 2013, 14: 1308-1322.

[38]Weygandt S S, Benjamin S G, Brown J M. Radar re fl ectivity-based initialization of precipitation systems using a diabatic digital fi lter. 33rdInt Radar Conf, Carins QLD, Australia. Amer Meteor Soc, 2007.

[39]Serke D, McDonough F, Politovich M K. Analysis of 3-D NEXRAD mosaic re fl ectivity data collocated with research aircraft and satellite data: Implications on in-flight icing. 13thConf on Aviation, Range and Aerospace Meteorology, New Orleans, LA. Amer Meteor Soc, 2008.

[40]Vivekanandan J, Ellis S M, Oye R, et al. Cloud microphysics retrieval using S-band dual-polarization radar measurements. Bull Amer Meteor Soc, 1999, 80: 381-388.

[41]Ryzhkov A V, Schuur T J, Burgess D W, et al. The joint polarization experiment: Polarimetric rainfall measurements and hydrometeor classi fi cation. Bull Amer Meteor Soc, 2005, 86: 809-824.

An Introduction to Quantitative Precipitation Estimation System in National Severe Storms Laboratory

Wang Bin1, Zhang Jian2
(1 Institute of Heavy Rain, China Meteorological Administration, Wuhan 430074 2 National Severe Storms Laboratory, USA)

The National Mosaic and Multi-sensor QPE (NMQ) system, developed and operated by the National Severe Storms Laboratory, is introduced in detail. This paper presents an overview of the NMQ system, and its main components. Some algorithms and techniques related to each module of the system are described. In addition, some evaluation results, applications and future technological challenges are mentioned simply.

NSSL, QPE, weather radar

10.3969/j.issn.2095-1973.2014.02.005

2013年9月30日；

2014年2月17日

王斌（1972—），Email: wangbin@whihr.com.cn

資助信息：公益性行業（氣象）科研專項（GYHY201006042；GYHY20130604）