引言

随着雷达遥感技术的不断发展，高空风的探测不再局限于常规探空系统(radiosonde, RS)、风廓线雷达(wind profiling radar, WPR)和多普勒天气雷达利用脉冲多普勒技术均可以获取对流层高度范围内的风场信息，且具有更高的时间分辨率和更优的自动化水平(刘黎平和葛润生，2006；董丽萍等，2014；Adachi et al，2005)。我国从1998年开始建设新一代天气雷达(CINRAD)观测网(许小峰，2003)，目前已有近180部天气雷达投入业务运行，极大提高了灾害性天气的监测和预警能力(李柏等，2013；刁秀广等，2014；刘维成等，2015)，同时发展了多种风场反演技术，丰富了高空风的获取方式，其中基于VAD技术反演的VWP垂直风廓线可以提供降水期间雷达测站上空风随高度的变化(周海光和张沛源，2000；刘婷婷等，2014；郎需兴等，2001；肖艳姣等，2015)。近年来我国风廓线雷达建设发展迅速，目前已有70余部风廓线雷达投入业务运行，尤其在华北、华东、华南等地区已经初步形成了相对密集的风廓线雷达站网，可以获取高空风的连续变化。风廓线雷达网和天气雷达网的建设弥补了常规探空网空间布局的不足，综合利用所获取的风廓线数据可以提供高空风的快速演变信息，充分发挥地基雷达站网在天气监测预测中的作用。Benjamin et al(2004)利用三维变分同化技术将美国中部地区的风廓线雷达站网数据、天气雷达网VWP数据等融合进入了RUC模式，提高了风场预报的准确率；St-James and Laroche(2005)将美国NOAA风廓线雷达网(NOAA Profiler Network, NPN)数据融合进入加拿大气象中心数值分析系统改善了6 h预报结果；杨艳蓉等(2004)阐述了天气雷达数据的四维变分融合方法；李华宏等(2007)利用GRAPES-Meso模式的三维变分同化系统对VWP数据进行同化，改善了风场的初始场并且提高了6 h降水预报准确率。

风廓线雷达探测波长较长，在无降水、稳定性降水时可以获取可信度较高的水平风垂直廓线，但在强对流降水发生时，降水粒子落速空间分布的不均匀性造成测风数据存在较大离差。扫描天气雷达利用降水粒子为示踪物反演水平风廓线，由于波束仰角(0.5°~19.2°)远小于风廓线雷达的波束仰角(75°左右)，降水粒子落速空间分布不均匀对水平风探测的影响较小，但无降水发生时天气雷达探测能力弱，很难提供晴空水平风数据。融合天气雷达和风廓线雷达的垂直风廓线数据有利于丰富现有的高空风场信息，在对两类数据的融合处理时，需要考虑两种雷达系统测风原理及风数据取样空间的差异。

本文分析了风廓线雷达数据与天气雷达VWP产品的时空代表性差异，利用2015年7月北京南郊观象台(54511测站)探空测风数据分别与相同站点的两种雷达遥感测风数据进行比对，通过分析比对，确定了与VWP数据融合时风廓线雷达输出数据的最佳时间代表长度，对2014年5月广东一次降水过程，使用广东全省天气雷达站网与风廓线雷达站网质量控制处理数据进行了高空风场数据融合应用试验。

1 WPR与VWP数据分析 1.1 WPR与VWP产品探测原理差异

WPR与CINRAD均采用脉冲多普勒技术进行探测，WPR采用多个固定指向的垂直探测模式，获取测站上空风随高度的连续分布，天气雷达采用多仰角水平扫描方式对降水云进行三维结构探测。WPR主要采用波长较长的P波段、L波段，利用大气湍流对电磁波的散射获取风随高度分布的连续变化去获取大气风场信息；CINRAD探测散射目标物主要是降水粒子，主要使用探测波长相对较短的S波段、C波段，大气条件合适时，也能在边界层附近探测到晴空回波。两种雷达获取水平风场信息的探测方式和原理不同。

图 1给出WPR与业务天气雷达VWP数据采样原理图。WPR通过多个固定指向(正东、正南、正西、正北、垂直)波束扫描获取径向速度信息反演水平风垂直廓线，由径向速度合成为水平风U和V分量再输出风速和风向；天气雷达以多个固定仰角进行方位扫描，使用VAD技术对不同方向的径向速度反演水平风垂直廓线，水平风的计算以风向、风速的方式直接给出，不同的探测方式及反演计算方法使得两种风廓线数据具有不同的时空代表性。

WPR系统包含5个固定指向的波束，一个为指向天顶方向的垂直波束，倾斜波束与天顶方向夹角在14°~17°，一个探测周期内对5个波束依次进行采样，采用相干积累、FFT变换、谱平均等信号处理方法提高对弱信号的探测能力，每个波束采样停留时间相对较长，获取一组完整的5波束径向数据需要4~10 min。CINRAD在VCP21体扫模式下依次以9个固定仰角进行方位扫描，仰角取值分别为0.50，1.45，2.40，3.35，4.30，6.00，9.90，14.60，19.50，完成一次体扫需要6 min。WPR与VWP数据的时间代表性非常接近。

WPR水平风垂直廓线所代表的空间范围与探测高度有关：

$ {D_{{\rm{wpr}}}} = 2 \times h \times \tan 14.2^\circ = 0.506 \times h $

(1)

式中h为WPR探测高度，北京南郊观象台风廓线雷达(CFL-06型)探测高度范围为0.15~9 km，倾斜波束的水平距离范围为0.08~4.56 km，随高度增加而增大，在均匀风场假定条件下获取三维风随高度分布。

与WPR固定波束指向探测方式不同，CINRAD的VWP数据产品是多个仰角进行方位扫描探测降水云体(图 1)，由单个仰角、某距离单元方位扫描数据进行最优化正弦波拟合求出该距离单元对应高度上的水平风向、风速，多个仰角数据构成VWP风廓线数据产品。拟合时所使用的方位扫描数据不少于25个，拟合均方根误差(RMSE)不超过6 m·s^-1、对称性不超过7 m·s^-1。

天气雷达反演的垂直风廓线VWP产品是不同高度一定距离范围处水平风的平均拟合结果，实质是空间上的水平风平均状态，VWP数据所代表的空间范围最大直径D_VWP接近60 km。

我国WPR风输出产品与CINRAD的VWP产品时间分辨率接近，但两者空间代表性相差较大，当风局地性较强时，空间代表性差异直接影响雷达遥感测风数据的一致性，图 2给出2015年7月16日00时(UTC，下同)北京南郊观象台WPR风廓线与VWP数据比对结果，水平风U分量在1 km高度之下的一致性较低，2 km高度附近也存在较大偏差，超过5 m·s^-1，水平风V分量在7 km高度附近一致性同样较低，当WPR风廓线和VWP数据质量可靠时，这些偏差与WPR风廓线和VWP数据的代表性差异有关，7月16日00时北京南郊观象台附近低层风场局地变化较强，虽然WPR与VWP数据在时间代表性上接近，但是随高度分布呈倒锥形的WPR与呈锥形分布的VWP反演得到的风廓线数据空间代表性上相差较大。

1.2 WPR与VWP数据质量控制处理

从WPR与VWP各自的探测原理带来的测风误差对数据质量进行控制处理。WPR与VWP测风数据均由径向速度反演得到，各自水平风计算过程中存在一定的误差，当波束探测空间内满足风场水平局部均匀分布时，使用垂直波束上的径向速度代表倾斜波束中的垂直速度；而实际大气尤其是降水情况下此条件难以满足(Strauch et al, 1987; Wuertz et al, 1988; Goodrich et al, 2002; Schafer et al, 2007; Rao et al, 2008)。CINRAD在拟合速度方位显示曲线时存在着拟合RMSE等影响。WPR和VWP数据采样的时空代表性差异也影响彼此的一致性表达，在数据融合之前，有必要对WPR和VWP数据分别进行质量控制处理。

WPR与VWP风廓线数据融合首先要解决风廓线雷达数据在降水期间的可用性问题。降水期间风廓线雷达探测降水粒子运动，被气流化的降水粒子水平运动可以反映环境风的水平运动速度，垂直波束探测径向速度反映了降水粒子垂直运动，在五波束计算水平风时，垂直速度对水平风质量主要影响来自降水粒子垂直速度空间不均匀分布，并非是垂直速度大小的直接影响。

WPR数据质量控制处理使用中国气象科学研究院发展的基于风廓线雷达二级RAD谱参数质量控制算法(高祝宇等，2016)，风廓线雷达数据质量控制处理软件系统旨在剔除影响WPR数据质量的各种因子，特别是提升降水期间WPR数据的可使用性和并保证数据的可信度。质量控制软件内容包括：(1)WW算法(Lambert and Taylor, 1998)；(2)中值滤波；(3)空间均匀性检验；(4)时间一致性处理。其中WW算法和中值滤波处理对风廓线雷达数据的连续性进行检验，主要解决由于探测数据中的飞点干扰影响，空间均匀性检验对不满足均匀风场假定条件的数据给出标识，对较大的空间不均匀分布数据进行剔除，有效剔除降水粒子的空间不均匀分布和局地大气不均匀扰动对风廓线雷达数据可用性造成的影响。

多普勒天气雷达VAD技术反演风廓线时进行如下质量控制：(1)每个高度层数据量不得低于25个；(2)拟合RMSE不超过4 m·s^-1；(3)对称性不超过7 m·s^-1。考虑到层状云降水时返回信号速度谱宽小于2 m·s^-1、对流降水时返回信号速度谱宽一般在4 m·s^-1左右，强对流降水时返回信号速度谱宽超过4 m·s^-1，为减少VWP处理技术造成风向、风速的不确定性，在使用VWP产品数据时拟合RMSE阈值限制在4 m·s^-1。

我国业务风廓线雷达风产品时间分辨率与风的时间代表性相一致，包括6、30和60 min时间长度内的平均风。以下使用的WPR、VWP数据均为质量控制处理后数据，WPR质量控制利用原始径向数据采用滑动处理方式，与VWP产品6 min时间分辨率相匹配，输出时间代表性分别为6、30和60 min的风廓线产品。

1.3 WPR、VWP与探空风数据对比

图 2给出相同时刻VPR与VWP的比对结果，两者在部分高度出现较大误差，为分析遥感测风雷达系统各自的不确定影响，应用2015年6月9日至7月31日北京南郊观象台的L波段探空测风数据分别与相同地点的WPR和VWP数据进行对比。

比对期间的L波段探空1日观测3次，分别在00、06和12时(UTC，下同)，探空测风数据包含秒级数据和分钟级数据，秒级风廓线高度分辨率为4~6 m，分钟级风廓线高度分辨率为300 m左右，该站点WPR风廓线时间分辨率为4 min，低模式观测时高度分辨率为120 m，高模式观测时高度分辨率为240 m，探测高度范围为150 m至9 km。CINRAD业务VWP数据时间分辨率为6 min，高度分辨率为300 m，探测高度范围为300 m至15.2 km。

WPR、VWP与探空风的数据相关性分析需要考虑数据彼此之间的时空匹配，选取与探空时次最接近的WPR、VWP与探空测风数据进行对比，利用秒级探空测风数据分别选取与WPR、VWP输出高度最为接近的高度进行数据对比。图 3给出2015年6、7月WPR、VWP与154次探空测风数据时空相符的对比散点图及统计结果，其中图 3a、3b为WPR与探空测风数据对比结果，图 3c、3d为VWP与探空测风数据对比结果。WPR与探空测风数据U、V分量的平均偏差分别为-0.86和-0.28 m·s^-1，VWP与探空测风数据U、V分量平均偏差分别为-0.43和-0.1 m·s^-1，表明这两种雷达测风结果与常规探空风数据都具有很好的一致性。WPR、VWP与探空风数据的RMSE分别为2.3和2.7 m·s^-1，国内外相关研究也给出相近的结果(Weber and Wuertz, 1990；May, 1993；裴丽丝和邱崇践，2013)。

从WPR、VWP与探空风数据的对比分析统计结果来看，WPR和VWP数据具有一定的准确性，降水期间经过质量控制处理后的WPR数据可以与VWP进行融合处理，WPR与VWP数据的差异主要来自两种雷达测风空间代表性的不一致。

2 WPR与VWP数据匹配处理

CINRAD的VWP数据产品反映了距雷达站30 km斜距内、不同高度的水平风，而WPR数据产品反映了东、西、南、北15°倾角范围内不同高度上的平均风，在5 km高度上的倾斜波束与天顶方向水平距离小于1.5 km，WPR与VWP数据空间代表性的差异较大，导致风速数据存在较大离差。WPR与VWP的融合分析实际上是通过延长WPR数据的时间代表性，通过时空转换分析不同时间代表性的WPR与VWP数据离差大小，寻找两者最小离差确认WPR时间代表性，采用时间一致性处理方案计算平均风(高祝宇等，2016)。WPR数据采样空间、采样半径和探测周期内的采样过程均有所不同，实际上高、低空水平风的变化周期也存在差异，通过比较试验确定最佳的匹配时间以实现空间的一致性匹配，这是一种基于数据比对分析的融合方法。

使用北京南郊观象台2015年6、7月6、30和60 min一致性平均的WPR数据分别与VWP数据进行对比分析，并进行了各个距离高度数据比对以及全程高度的数据比对。

图 4给出不同时间分辨率的WPR与VWP数据U、V分量RMSE随高度变化分布。从图中可以看出，6 min的WPR与VWP数据RMSE随高度分布基本在3 m·s^-1附近，30和60 min平均的WPR与VWP数据RMSE随高度增加而增大，从随高度分布情况来看，60 min时间代表性的WPR与VWP数据RMSE整体上小于6和30 min的WPR数据，30与60 min时间代表性WPR数据随高度分布变化趋势较为接近。低空2 km以下，经过60 min一致性平均处理的RMSE小于2.5 m·s^-1，在4 km高度以上时间一致性平均的改进效果相对不明显，低空RMSE小于高空RMSE，一方面可能与低空风速小于高空风速有关，且低空受下垫面影响风速不如高空稳定，局地扰动强于高层；另一方面WPR数据低空采样空间小，与VWP空间采样差异最大，改变了时间长度处理后的WPR与VWP数据的空间代表性更为接近。

图 5给出北京南郊观象台2015年7月全程高度VWP数据与不同时间一致性平均WPR数据U、V分量的散点分布以及统计结果，图 5a与5b、图 5c与5d、图 5e与5f分别为6、30和60 min一致性平均的WPR与VWP数据的对比结果，从图 5中可以看出U、V分量60 min时间分辨率WPR与VWP数据的分布最为集中。图 5中的统计结果表明两种数据的偏差都在-0.1 m·s^-1左右，相关系数均达到0.85以上，随着时间代表性增大，RMSE依次减小，分别为3.2、2.8和2.6 m·s^-1，表明60 min时间代表性的WPR与VWP数据一致性最为接近，可以认为WPR与VWP雷达高空风数据融合时，WPR数据输出的最优时间长度为60 min。

3 融合数据应用

选择天气雷达与风廓线雷达站网布局密度较大的广东省进行数据融合试验，其中包括10部WPR与9部CINRAD，使用2014年5月一次降水天气过程的雷达资料进行了数据融合处理。

3.1 数据预处理

表 1给出参加试验的10部WPR参数，其中8部边界层WPR分别位于珠海、潮州、从化、连州、龙门、罗定、新会、增城，对流层Ⅱ型风廓线雷达位于湛江，对流层Ⅰ型风廓线雷达位于萝岗。9部CINRAD分别位于广州、河源、梅州、汕头、汕尾、韶关、深圳、阳江、湛江。在对10部WPR雷达数据、9部CINRAD雷达的VWP产品进行了质量控制处理后，将两种雷达风廓线数据的不同距离高度处理到相同海拔高度上，使得WPR与VWP数据具备协同处理基础。

3.2 融合个例

晴空时广东WPR站网至少有10测站的高空水平风数据，降水过程期间，WPR与VWP联合最多可以提供19个测站的水平风垂直廓线数据，将1 h滑动平均的WPR数据按照与VWP数据产品时间、库长相一致。融合后的WPR与VWP数据采用反距离权重插值方法形成时间分辨率为6 min、高度间隔300 m不同高度的中尺度水平风场，最高高度为5000 m。

2014年5月8—11日广东省有31个县(市)出现暴雨以上降雨，其中11个站点出现100 mm以上大暴雨，局部出现特大暴雨。图 6a~6d分别为5月8日07—10时3 km高度全省雷达回波强度拼图，降水系统从西北向东南方向移动影响广东。

图 7给出了2014年5月8日07时1、3和5 km高度WPR、VWP、WPR & VWP融合风场，黑色框内为融合WPR与VWP数据的广东区域高空中尺度风场，范围为21°~25°N、110°~117°E，输出的融合风场网格距为20 km、时间分辨率最高可达6 min。

整体来看，降水系统低层为偏南风、高层为西南风，风随高度顺转，有利于强降水的发生。对比图 7a与7c，1 km高度客观融合分析场中的中尺度风场信息比VWP客观分析场丰富，VWP客观分析场在强降水区附近为一致的南风，而融合风场中强降水区附近风场明显逆转，与中尺度强降水系统中心配合较好；3和5 km融合分析场与VWP分析场水平风的分布结构相近，可能是高空风场较为稳定；对比图 7g和7i，图 7g中VWP数据集中在东部，而图 7h中WPR站点的风场数据恰好弥补了图 7g中西部风场信息的不足，融合两种风场数据能够较为全面地反映整个广东省的风场信息。

图 8为2014年5月8日08、09和10时1.5 km高度VWP、WPR数据分析场及WPR & VWP数据融合分析场，填色为地面1 h降水量，图中地面自西向东移动过程中强降水区中心雨量不断增强，最大达到40 mm以上。从08、09和10时1.5 km高度层上的风场配置上来看，VWP数据分析场在强降水区附近以大范围偏南风为主，而WPR & VWP数据的融合分析场在强降水区存在明显弱的由西南风向东南风的气旋性偏转，且随强降水区的移动而移动，融合风场与强降水区的移动配合较好。

WPR & VWP数据的客观融合分析场能够丰富中尺度风场信息，尤其在中低空最为明显。

4 结论

本文使用2015年6和7月北京南郊观象台的探空测风数据对同一地点的风廓线雷达以及天气雷达VWP数据进行评估比对，提出了风廓线雷达与天气雷达垂直风廓线数据的融合处理方法，利用2014年5月广东省风廓线雷达站网数据以及天气雷达站网进行了客观场的融合试验，结论如下：

(1) 风廓线雷达、天气雷达、探空高空风数据具有较好的一致性，彼此的相关性均达到0.9以上，风廓线雷达与探空RMSE为2.3 m·s^-1，天气雷达VWP数据与探空RMSE为2.6 m·s^-1左右，风廓线雷达、天气雷达与探空测风具有良好的相关性。

(2) 对风廓线雷达数据进行质量控制处理后，降水期间风廓线雷达数据与质量控制后VWP数据方可进行高空风数据融合分析。

(3) 风廓线雷达与天气雷达VWP数据的协同处理需要考虑两者探测原理不同带来的数据时空代表性差异，6、30和60 min分辨率处理后的WPR数据与VWP数据的RMSE分别为3.2、2.8和2.6 m·s^-1，WPR与VWP融合处理的最优时间尺度可以选择为60 min。

(4) 使用广东风廓线雷达站网数据以及CINRAD站网VWP数据进行了高空风融合分析试验，融合算法处理后两种雷达系统水平风具有较好的时空一致性，融合分析后高空风场对中尺度系统的描述更为清晰，可以提升降水及强对流的短临预警能力。

(5) 风廓线雷达与天气雷达的融合分析是以天气雷达空间尺度代表性为基础的，没有充分利用风廓线雷达信息，风廓线雷达能够提供4~6 min分辨率的风廓线信息，可以单独使用风廓线雷达网站数据监测更小尺度的风场变化。