引言

强对流天气是指由中小尺度对流系统引发的冰雹、龙卷、雷暴大风和短时强降水等灾害性天气，具有局地性强、生命史短、破坏力大等特点，高时空分辨率的天气雷达是监测预警强对流天气的最佳手段(Huuskonen et al，2014；张小玲等，2018；Cho and Kurdzo, 2020)，基于单站雷达和组网雷达(全国和区域)进行监测预警是常用的两种方式。

基于单站雷达的监测预警主要由站点归属地的市(县)级单位通过新一代天气雷达业务软件ROSE开展，依托的产品包括ROSE系统生成的定量降水估测、中气旋识别、龙卷涡旋特征识别和冰雹识别等(文浩等，2017；杨春艳等，2023；陈卓等，2024)，这些产品的时间分辨率与体扫周期相同，生成时间则略滞后于体扫结束时间(赵瑞金和张进，2018)；在美国，单站雷达观测主要通过AWIPSⅡ(Advanced Weather Interactive Processing System Ⅱ)系统平台开展(Crum et al，1998；Calhoun et al，2014；Longmore et al，2015)，不仅可将全美国的单站观测数据提交至美国国家天气局预报员，该系统还搭建了与手机移动端的交互线路，可实时接收现场拍摄的照片、视频等。

全国雷达组网监测预警主要由国家级业务平台开展，通过天擎数据云平台下发业务数据，SWAN和天衡、天衍等国家级平台基本实现了全国气象观测(赵培涛，2020；韩丰等，2023)，但产品下发至基层台站有约15 min的延迟。MRMS(Multiple-Radar/Multiple-Sensor System)业务系统是美国开展相关工作的主要平台(Smith et al，2016；Qi and Zhang, 2017；Osborne et al，2023)，提供该国唯一的雷达拼图产品数据源。

单站雷达监测受限于扫描策略和客观指标等因素，无法及时跟踪强对流系统这类快变天气系统的发展状态，且普遍存在低层探测盲区(俞小鼎等，2005)，全国雷达组网监测则受限于庞杂的数据加工和下发流程，难以及时向基层台站提供快变天气系统的监测信息。由基层台站各自构建适应本地强对流天气的区域雷达组网监测网络，是缓解此类问题的重要途径。

区域雷达组网监测是指由区域内相邻天气雷达站点构建的局地监测网络，可基于本地条件灵活配置监测预警模式，以满足各地强对流天气的精细化业务需求(程元慧等，2020；庄潇然等，2023)。吴翀(2018)针对华南、南京和北京三个地区进行区域组网观测试验发现，S波段双极化雷达成员可提供稳定、精细的组网结果，X波段相控阵雷达成员可有效拓展近地面的低层探测区域；马雷鸣等(2023)开展了区域天气雷达布局建模仿真研发，实现了上海地区S波段和X波段天气雷达在强天气过程下的适应性协同观测；Misumi et al(2019)开展了东京区域极端对流天气观测试验，使用多普勒天气雷达、地面自动站和垂直探空仪等设备进行组网协同观测，发现精细化的雷达快扫组网体系能够更好应对大城市群中出现的极端性对流天气；Mahale et al(2014)则在美国WSR88D区域雷达组网体系中融合了X波段和C波段天气雷达，提高了组网扫描效率并有效填补了S波段雷达的低层观测盲区，能够捕捉更加精细的对流系统演变特征。

宁波地处我国中低纬度东部沿海，汛期强对流天气频发(陶局等，2021)，本文结合宁波周边7部S波段双极化天气雷达和数据流传输通信技术(蒋磊等，2014)，以宁波为研究对象研制了一种区域雷达组网的强对流天气监测预警方法(以下简称“方法”)，并通过43个历史强对流天气过程对其进行业务能力评估，以期为基层台站应对强对流天气提供一种有效的新策略。

1 资料与方法 1.1 资料

宁波及周边的S波段双极化天气雷达站点分布见图 1；数据获取方式模拟基层台站的数据流传输方法，通过数据流传输通信线路实时获取各站的单层PPI(plan position indicator)扫描数据。

1.2 方法与算法 1.2.1 方法简介

基于区域雷达组网的强对流天气监测预警方法，可分为数据流构造和算法产品加工两步：第一步为数据流构造，基于流传输通信技术，获取区域内各站实时扫描的零延迟单层PPI(图 2，以VCP21模式为例)，以1 min为间隔由服务器数据缓冲区同步接收，构造PPI算法数据集，根据观测数据集传来的数据反复更新算法数据集，即可形成分钟级数据流。第二步为算法产品加工，从分钟级数据流中获取本时段的PPI集合进入加工模块，加工模块又可分为基于单层PPI的算法和基于垂直关联PPI的算法。

对于基于单层PPI的算法，则在本分钟数据集中抽取所需PPI层数据进行加工，如定量估测降水算法一般使用无波束阻挡的最低层PPI，则直接选择该层PPI进行运算；若分钟数据集中存在由不同站点提供的多个所需层，则可选择输出包含多站的多层PPI产品，或对其进行格点化插值再输出；若分钟数据集中不存在该层PPI，则至多可向前回溯2 min，得到所需层再做处理，否则不输出本时次的产品。

对于基于垂直关联PPI的算法，可根据与站点位置的相关程度进行灵活配置。对于与站点位置相关性较低的算法，则可先分别处理各站各层PPI数据，再进行基于PPI上距离库位置信息的关联处理，如Johnson et al(1998)的风暴识别算法(storm cell identification and tracking，SCIT)，二维风暴段先由单站单层PPI提取，再根据其质心位置完成与其他各站PPI的匹配，直接构建基于多站的三维风暴单体识别结果；对于与站点位置强相关的算法，则可从数据流中向前回溯同一站点的必要PPI数据，加工完成后再做多站关联，如肖艳姣等(2012)的径向速度退模糊算法，需要参考低层零速度线位置对高层的PPI进行速度退模糊处理，即可从历史数据流进行回溯；上述所有算法的数据回溯时间最多为2 min，否则不输出本时次的产品。

对比单站产品加工方式，单部雷达大致有3种传统的产品加工方式，其流程见图 3，VCP21模式下6 min完成9层PPI的扫描，方式1为扫描同时获取所需的PPI进行同步加工，方式2为获取完整的各层PPI数据进行关联加工，方式3为基于一次体扫的基数据文件，再做解析加工。ROSE客户端的产品加工流程以上3种均包含，而SWAN客户端则主要采用方式3，相关产品的输出间隔在6 min或以上。

较单站加工方法，本方法将产品的更新频率由6 min提高至1 min，可实现对流系统的分钟级跟踪监测，且进入加工模块的PPI数据量也更多，但组网雷达数据至少为4个站。

1.2.2 单站风暴识别、冰雹预警和下击暴流预警算法

3种基于单站观测的强对流天气相关算法，适用于宁波Z9574单站雷达，算法如下：

(1) 风暴识别算法。采用Johnson et al(1998)的SCIT算法做风暴识别，以单站的一个体扫数据为计算对象，先从体扫内各层PPI上逐径向获取一维风暴段(图 4a)，以30 dBz为识别边界，再根据质心位置将相邻一维风暴段进行关联，得到每一个PPI上的二维风暴分量集合(图 4b)，最后根据各层PPI上二维风暴分量的质心位置做垂直关联，即可识别到一个完整的三维风暴单体(图 4c)，要求每个三维风暴单体至少包含两个垂直关联的二维风暴段，每个二维风暴段的面积也在10 km²以上；

(2) 冰雹预警算法。采用曹俊武和刘黎平(2006)的水平反射率因子法，从单站的一个体扫数据中提取关键信息，认为扫描范围内，0℃层以上出现45 dBz以上回波区，即存在冰雹，用式(1)表征这种属性，当Y_z>60时，就认为对流系统中存在冰雹区；0℃层高度由每日08:00或20:00(北京时，下同)的杭州探空数据提供。预警信号需由同一对流系统产生，且预警时效不超过3 h；

$Y_{\mathrm{z}}=Z_{\mathrm{H} 3}+10 \log H_{\max }$

(1)

式中：Z_H3为在0℃层高度且在3 km高度以上的最大回波强度，H_max为最大回波强度所在高度。

(3) 下击暴流预警算法。采用肖艳姣等(2021)的下击暴流预警算法，先基于单站的一个体扫数据完成风暴单体的捕获，再分别计算本体扫内各单体的属性参数(表 1)，通过对应的隶属函数F(x)[式(2)]，把表 1中的参数作为输入变量，使用模糊逻辑法建立下击暴流临近预报概率方程P[式(3)]，以指示临近时刻下击暴流发生的可能性，认定P的值超过50%即为出现了下击暴流预警信号。

$F(x)= \begin{cases}0 & x \leqslant T_{\mathrm{L}} \\ \frac{x-T_{\mathrm{L}}}{T_{\mathrm{U}}-T_{\mathrm{L}}} & T_{\mathrm{L}}<x<T_{\mathrm{U}} \\ 1 & x \geqslant T_{\mathrm{U}}\end{cases}$

(2)

$P=\frac{\sum\limits_{i=1}^n F\left(x_i\right) W\left(x_i\right)}{\sum\limits_{i=1}^n W\left(x_i\right)}$

(3)

式中：x表示参量，T_U和T_L分别为高、低临界值，W(x)为权重。

1.2.3 对单站风暴识别、冰雹预警和下击暴流预警算法的调整

对3种强对流天气单站算法进行调整，以适应方法中分钟级组网观测的运行体制，分别如下：

(1) 风暴识别算法。SCIT算法的计算对象变为分钟数据集内多站多层的PPI集合，先分别对单个PPI处理，得到本分钟内所有的二维风暴段，再根据二维风暴段质心位置做关联处理，即可筛选出多站重叠观测区内的三维风暴段，除数据源外与原算法流程相同(图 4)，识别产品的输出频次可提升至1 min；

(2) 冰雹预警算法。先通过SCIT算法获取分钟数据集内的三维风暴单体，再基于单体对应的PPI数据，使用曹俊武和刘黎平(2006)的水平反射率因子法提取基于单体的冰雹预警结果，标准与原算法相同，除产品输出频次提升至1 min外，SCIT算法也可过滤一部分杂波信号，提高输出结果的可靠性；

(3) 下击暴流预警算法。先通过SCIT算法获取分钟数据集内的三维风暴单体，基于单体对应的PPI数据计算其属性参数(表 1)，再通过式(3)计算下击暴流概率，相关标准与原算法相同。

1.3 方法可行性

设计理想扫描模型对本方法的可行性进行论证。以宁波市所在区域为主体向外扩展，设定28.8°~30.8°N、120.5°~122.5°E及20 km以下空域为模型观测区(图 1a和图 5网格区域)，模型假设在标准大气折射条件下，各站均采用VCP21体扫模式从正北方向同时起扫，逐PPI扫描结果见图 5。取上海站、嘉兴站、杭州站、绍兴站、舟山站、台州站(图 1蓝色圆点)，与宁波Z9574站共同构成本方法的主成员组Main_Group，湖州站、金华站、温州站、衢州站、丽水站作为备用成员(图 1绿色方块)，与其他7个站共同构成副成员组Sub_Group。

由图 5可见，单站1个PPI的扫描周期约32 s，1个体扫周期经过网格区域的PPI至少为11个，其中最低2个仰角采用双脉冲重复频率(PRF)扫描方式分别获取多普勒参数和非多普勒参数(图 5a，5b和5c, 5d)，其余每个仰角各有1个PPI。结合图 1b可见，Main_Group在1个体扫周期内扫描波束均能基本覆盖网格范围，即基于Main_Group可在宁波本地释用本方法。

基于理想扫描模型，对最大观测数据量进行定量分析。定义观测区的网格高度分辨率为1 km、水平分辨率为0.01°，设置Z9574、Main_Group和Sub_Group三个对照组，计算VCP21模式下每个高度平面上的分钟级观测数据占用率(同一高度平面上雷达观测到的格点数与总格点数的比值，简称占用率)，输出1~6 min的逐分钟观测结果和分钟累计观测结果(图 6)。

日常业务中雷达产品的构造多基于Z9574分钟累计对照组的第6 min数据，由于Z9574本身建站高度约有0.5 km，所以对1 km以下空域的占用率仅为3%，1~10 km高度的占用率均在10%以上，占用率在20%以上的是2~4 km高度；Main_Group逐分钟对照组1 km以下的占用率最大为14%，20 km以下最大值48%出现在第2 min的2 km高度层，非零占用率平均约为Z9574逐分钟对照组的2.66倍，即理想情况下，Main_Group的观测效果优于Z9574；Sub_Group逐分钟与Main_Group逐分钟、Sub_Group分钟累计与Main_Group分钟累计的20 km以下占用率之比分别约为1.17和1.32，即Sub_Group成员的观测也可填补一部分Main_Group的盲区。

Main_Group逐分钟对照组是本方法在本文的释用组，由于多雷达扫描体制在业务中并非由正北方向同步运行且在线雷达数量也会有动态变化，即实际运行情况与理想模型有一定差异，对此后文定义True_Group作为实际对照，True_Group最大成员范围与Main_Group一致。

1.4 方法评估 1.4.1 评估个例来源

本文选取43个历史强对流天气个例进行应用评估，数据来源于宁波市气象局历年强对流灾害记录，记录中包含强对流天气致灾的时间、大致区域、人员伤亡和财产损失等信息，记录汇总渠道包括地方保险公司上报的气象出险数据、宁波空中交通管理局等单位提供的共享数据、乡镇街道气象网格员上报的格点气象灾情数据和媒体渠道获取的现场灾情数据等，进入灾害记录的信息会经过预报员的二次审核，如冰雹记录中应有冰雹落地证明、下击暴流记录中应有附近自动站瞬时风力≥8级记录或现场风灾受灾情况证明。

1.4.2 评估标准

认定SCIT算法识别到的对流单体(以25 dBz为影响边界)，出现在受灾点半径20 km范围内，即为本次灾害的致灾单体。致灾单体应满足在途经受灾点前2 h内生命史连续，若在此期间出现了相关灾害的识别信号或预警信号，即认定为一次正确识别或正确预警。

1.4.3 评估参数

所用到的评估参数定义如下：(1)算法时间差：True_Group算法产品提前Z9574的时间量，单位为min；(2)识别成功率：算法产品能正确识别地面实际观测结果的次数与总个例数的比值；(3)识别提前量和预警提前量：算法产品之间或算法产品较地面实际观测结果的时间偏差，单位为min；(4)命中率：算法产品能正确预警的次数与总个例数的比值。

2 天气个例应用结果评估

宁波地处我国中低纬度亚热带季风区，北侧、东侧和南侧为东海环抱，以西主要为南北走向的山脉，汛期易受海陆锋、重力内波和下垫面条件等因素影响，局地对流过程频发，其中引发冰雹的对流过程多始于初春，年均频次约为10 d(仇娟娟，2012)，而引发下击暴流(包含微下击暴流和雷暴大风等)的对流过程多活跃在夏季，且在宁波地区更为常见(马淑萍等，2019；樊李苗和俞小鼎，2020)。以下挑选了3次天气过程对本方法的业务能力进行检验。

2.1 风暴识别算法个例评估——2024年7月3日极端短时强降水过程

2024年7月3日午后，宁波中南部出现局地强对流天气，对流系统在奉化与宁海交界处初生并向东传播发展(图 7)，13:00左右途经奉化区雷虎站，随后测得该站小时降水量为56.4 mm的极端短时强降水。

Z9574监测结果见图 7a~7c，12:17首次观测到孤立回波信号(图 7a红色箭头)；12:37首次识别到风暴单体，此后系统继续东移，途经雷虎站；13:27最后一次识别到单体信号，同时系统发展结束并开始消亡。

True_Group监测结果见图 7d~7f，12:22观测到回波信号(图 7d红色箭头)，12:29首次识别到风暴单体，较Z9574早8 min，随后系统东移途经雷虎站，最后一次识别到单体信号在13:31，此后系统逐步消亡。

本个例中True_Group的识别结果早于Z9574，与SCIT算法特性及方法组网特性相关。True_Group在12:29对台州站和宁波站两个站的PPI进行了垂直关联判定，相关结果满足SCIT的判定标准，而受限于低层观测盲区和对流初期伸展高度有限等因素，Z9574在12:37以前只有0.5°仰角对应的PPI识别到回波信号，无法进入SCIT的垂直关联判定流程，因此未得到识别结果。

2.2 冰雹预警算法个例评估——2022年6月24日冰雹过程

2022年6月24日午后，宁波西部四明山附近不断爆发多单体风暴，风暴系统向东传播发展，14:00—15:00途经宁波中部城区时出现强降雹过程(图 8)。

Z9574监测结果见图 9a~9c，13:37首次识别到致灾单体，13:47首次识别到单体的冰雹预警信号(图 9b红色圆圈)，此时系统水平尺度在20 km左右，为γ中尺度对流系统，随后系统东移发展增强，分裂出两个强回波单体，分裂后的单体逐步发展出60 dBz以上强回波核；14:49系统途经两个受灾点，并伴有降雹过程，此时单体继续维持冰雹预警信号。

True_Group监测结果见图 9d~9f，13:25首次观测到回波信号，13:35首次识别到致灾单体，并同时得到冰雹预警信号，较Z9574早12 min，较实况早74 min，此后系统继续东移发展，信号继续维持，14:49左右途经受灾点。

本个例中使用的冰雹预警算法仅需单层PPI进入运算，True_Group通过多站PPI完成SCIT判定后，13:35由杭州站1.5°仰角对应的PPI提供了冰雹预警信息；受限于单体与站点的距离较远和单站雷达的体扫周期较长等因素，Z9574在13:37才完成单体的捕获，此后的第3个体扫周期才在1.5°仰角对应的PPI获取到冰雹预警信号。

2.3 下击暴流预警算法个例评估——2022年7月17日下击暴流过程

2022年7月17日中午，宁波市奉化区翡翠湾码头出现下击暴流天气过程，致灾系统在四明山西侧初生，随后东移发展，12:50左右途经翡翠湾，导致湾内部分浮桥和平台损坏，系泊在平台上的“浙奉渔休60051”船缆绳断裂，漂离后被风刮翻，造成多人落水。

Z9574监测结果见图 10a~10c，11:02首次识别到单体信号，随后单体东移发展，12:09首次识别到下击暴流预警信号，此时单体位于受灾点东侧约20 km位置，信号陆续维持至12:52单体经过受灾点后。

True_Group监测结果见图 10d~10f，11:00首次识别到单体信号，单体向东传播，11:53首次识别到下击暴流预警信号，较Z9574早16 min，较实况提前57 min，此后信号也陆续维持至单体经过受灾点。

本个例中True_Group在11:53首次得到下击暴流预警信号，RCL为84.5×10^-1 s^-1, DV16和DV06均为23 m·s^-1，即多站PPI的计算结果显示当前单体发展具有较好动力条件，可能形成上冲云顶等致灾因素；Z9574在相邻时次的计算结果显示，RCL为47.4×10^-1 s^-1, DV16和DV06均为16 m· s^-1，即判定动力条件有限，因此未进行预警。

3 多过程应用结果评估

利用43个历史强对流天气过程对方法在宁波的应用情况做进一步评估，包含风暴识别过程14个、冰雹预警过程14个和下击暴流预警过程15个，评估结果如下。

3.1 风暴识别的多过程评估

选取14个对流初生过程检验风暴识别算法，评估结果见表 2，这14个过程中，Z9574和True_Group均能识别到初生的对流单体，即识别成功率均为100%。其中，编号1、9和11的过程，True_Group的识别时间较Z9574晚1 min，编号2、5和12的过程，True_Group的识别时间与Z9574相同，其余个例，True_Group的识别时间均超前于Z9574；True_Group在选中的14个过程中，平均识别时间较Z9574提前约4 min。

14个过程中，发展为β中尺度对流系统的有7次，其中True_Group识别时间滞后于Z9574的有2次，较Z9574的平均识别提前量约为2.6 min；发展为γ中尺度对流系统的有7次，其中True_Group识别时间滞后于Z9574的有1次，较Z9574的平均识别提前量约为5.4 min。

综上，True_Group能够正确识别宁波范围内初生的对流系统，识别时间较Z9574提前约4 min，其中对γ中尺度对流系统的识别能力更优，识别时间较Z9574提前约5.4 min。

3.2 冰雹预警的多过程评估

选取14个冰雹过程进行评估(表 3)，对于这14个过程，Z9574和True_Group均能提前获取到对流单体的冰雹信息，命中率均为100%，较实况的提前量分别约为67 min和79 min。其中，编号9、10的过程，True_Group的识别时间较Z9574晚1 min，其余均等于或超前Z9574；True_Group在选中的14个过程中，平均预警时间较Z9574提前约12.2 min。

14个过程中，致灾系统为α中尺度对流系统的有3次，True_Group预警时间均等于或超前Z9574，提前量约为9.3 min，较实况提前约92.6 min；致灾系统为β中尺度对流系统的有9次，True_Group预警时间滞后于Z9574的为1次，较Z9574的预警提前量约为15.8 min，较实况提前约74.7 min；致灾系统为γ中尺度对流系统的有2次，True_Group预警时间滞后于Z9574的为1次，较Z9574的预警时间提前量约为0.5 min，较实况提前约78.5 min。

综上，True_Group能够对宁波范围内的冰雹对流系统进行正确的预警，预警时间较实况提前约79.0 min，预警提前量较Z9574约为12.2 min，且对α中尺度对流系统的预警能力更优。

3.3 下击暴流预警的多过程评估

选取15个下击暴流(包含雷暴大风)过程进行评估(表 4)，这15个过程中，Z9574未能对编号15的过程进行响应，此外均命中，即Z9574的命中率为93.3%，命中个例较实况的预警提前量为31.5 min，而True_Group的命中率为100%，较实况的预警提前量为42.6 min。在Z9574命中的14个过程当中，除编号1、3的过程中True_Group的预警时间较Z9574分别晚3 min和8 min外，其余均提前于Z9574；True_Group在Z9574命中的14个过程中，预警时间较Z9574平均提前约13.3 min。

15个过程中，致灾系统为β中尺度对流系统的有10次，其中True_Group预警时间滞后于Z9574的有2次，较Z9574的预警前量约为14 min，较实况约为46 min；致灾系统为γ中尺度对流系统的有5次，True_Group预警时间均超前于Z9574，较Z9574的预警前量约为11.8 min，较实况约为35.8 min。

综上，True_Group对宁波范围内的下击暴流有较好的预警能力，预警时间较实况提前约42.6 min，较Z9574提前约13.3 min，且对γ中尺度对流系统的预警有较高的命中率，对β中尺度对流系统的预警有较多的提前量。

4 可推广性讨论

得益于周边丰富的观测资源和数据流传输通信技术，宁波不仅可在本地零延迟实时获取周边各站的PPI观测结果，并能提供充足的PPI数据进入产品加工模块，确保了本方法在宁波本地的应用效果。

本方法的适用标准可总结如下：以目标站点为中心(如宁波以Z9574站点位置为中心)，230 km最佳观测范围内至少存在其他3部天气雷达，能够构建起至少4个站点的区域组网。对现阶段我国263部业务考核雷达站点进行筛选，得到可适用本方法的站点情况，结果见图 11。其中，4个站是为保证每分钟都尽量有低仰角PPI进入加工模块，以提高加工算法的稳定性，文本True_Group的站点数量在2020年前均为4个站，配合2 min回溯策略，能基本满足业务实效；需要补充的是，由于我国建站时已考虑站点的分散程度、各站间距等情况，可不对其做量化要求。

组网方法覆盖的监测区见图 11红色阴影区域，与适用本方法的站点位置对应(图 11彩色叉号)，总面积约为44 000 km²，覆盖了上海、江苏和浙江等22个中东部省份全境、新疆西北部和东三省中部的部分地区，但未能覆盖我国西部大部分地区、北部内蒙古地区和东北部的部分省份。其中适用本方法4个站(图 11棕色叉号)组网标准的站点数量为190个站，占全国考核站的72.2%，对应6个站(图 11青色叉号)和8个站(图 11红色叉号)组网的站点数量分别为150个站和91个站，分别占全国考核站的57.0%和34.6%，其中适用6个站的区域基本覆盖我国中部到东部的大部分省份，8个站的区域则集中分布我国东部的长江三角洲地区、中部的湖北至广州一带及安徽到山东一带。

综上，根据现阶段我国的天气雷达观测条件，组网方法可在我国中东部的大部分地区开展释用，而在观测资源较为丰富的长江三角洲等地，则可基于更加稠密的雷达站点，设计更多可靠的分钟级监测预警算法，再实现与其他分钟级观测设备(X波段相控阵雷达、自动站等)的协同组网，以获得更好的业务实效，但本文的开发测试基于S波段天气雷达，对其他型号天气雷达的适用效果还需做进一步评估。

5 结论与讨论

研制了一种区域雷达组网的强对流天气监测预警方法，通过理想模型验证了其在宁波区域业务应用的可行性，再基于3种强对流监测预警算法和43个实际天气过程进行了定量评估，最后讨论了可推广性，结果表明：

(1) 宁波区域组网可通过周边多部天气雷达实现，实际应用时取相邻的7部雷达即可满足分钟级精细化监测的需求；理想模型显示，7部雷达组网的Main_Group逐分钟提供的观测数据量约为宁波Z9574单部雷达的2.66倍，并可为1 km以下的边界层区域提供更多的观测信息；

(2) 方法能够正确识别对流单体，14个过程的识别时间较Z9574提前约4.0 min，且对γ中尺度对流系统的识别能力更佳；

(3) 方法能够正确预警冰雹过程，14个过程的预警时间较实况平均提前约79.0 min，较Z9574提前约为12.2 min，且对α中尺度对流系统的预警效果更佳；

(4) 方法能够正确预警下击暴流过程，15个过程的预警时间较实况平均提前约42.6 min，较Z9574提前约13.3 min，且对其中γ中尺度对流系统的预警命中率为100%，对β中尺度对流系统的预警提前量可达46 min；

(5) 方法可适用于我国中东部、西部少部分和东北部少部分地区，覆盖面积约44 000 km²，且在长江三角洲地区、湖北至广州一带、安徽到山东一带有较好的应用潜力。

本方法为基于区域多雷达体制和流传输通信技术构造的一种逐分钟PPI数据集处理和加工策略，能够在现有雷达资源基础上，提高强对流天气监测预警能力，同时为与分钟级观测设备组网协同提供一种思路。然而在多过程测试中也发现了不足之处，如无法突破观测体制机制壁垒，即不能同步控制成员雷达站的运行状态，导致某些时次的关键PPI层缺失，同时也存单部雷达数据质量不佳和多部雷达间数据质量不匹配等问题(刘于新等，2024；鲁德金等，2024)，对监测预警结果影响较大，后续考虑通过基于PPI的人工智能外推算法和质量控制技术(黄旋旋等，2024)，扩充分钟数据集并做业务测试，再与其他主流业务产品做对比评估。