利用2019年4-9月高时空分辨率的长沙机场阵列天气雷达资料开展三维变分(three-dimensional variational data assimilation,3DVAR)风场反演研究。为验证该算法的反演效果,选取外场试验中10次降水过程,在阵列天气雷达的三维精细探测区内...利用2019年4-9月高时空分辨率的长沙机场阵列天气雷达资料开展三维变分(three-dimensional variational data assimilation,3DVAR)风场反演研究。为验证该算法的反演效果,选取外场试验中10次降水过程,在阵列天气雷达的三维精细探测区内,采用阵列天气雷达合成风场和1部L波段边界层风廓线雷达产品作为参考值对阵列反演风场进行验证评估。结果表明:在稳定性降水条件下,阵列反演风场与阵列合成风场、风廓线雷达产品的结果较为一致;在对流性降水条件下,由于不均匀性会造成风廓线测风精度下降,风廓线雷达产品与阵列反演风场和阵列合成风场差异较大。阵列反演风场与阵列合成风场在稳定性、对流性降水条件下水平风速相对偏差分别低于19%,29%,水平风向差分别低于14.92°,26.35°,稳定性降水条件下阵列反演风场更优,误差在可接受范围内。两种算法得到的风场结构符合各类天气系统的基本特征,水平风场空间分布和风速、风向非常接近。展开更多
地物杂波是影响雷达产品准确性的重要因素。该文提出了一种改进的基于模糊逻辑的阵列天气雷达地物识别算法。在Kessinger模糊逻辑基础上,加入回波强度时间变化量(time variability of reflectivity factor,TVR)参数,利用收集到的雷达数...地物杂波是影响雷达产品准确性的重要因素。该文提出了一种改进的基于模糊逻辑的阵列天气雷达地物识别算法。在Kessinger模糊逻辑基础上,加入回波强度时间变化量(time variability of reflectivity factor,TVR)参数,利用收集到的雷达数据统计出各输入参数的概率分布,确定隶属函数;分析TVR参数对地物识别算法的贡献,并在不同天气情况下进行识别算法有效性验证。试验结果表明:加入TVR参数,长沙机场阵列天气雷达地物识别准确率最大可提高4%,降水识别误判率最多可降低2%。该文提出的地物杂波识别算法,无降水时,地物识别准确率达96%;有降水时,地物识别准确率达92%;降水回波误判为地物杂波的误判率约为10%,能较好地区分降水回波和地物杂波。展开更多
文摘利用2019年4-9月高时空分辨率的长沙机场阵列天气雷达资料开展三维变分(three-dimensional variational data assimilation,3DVAR)风场反演研究。为验证该算法的反演效果,选取外场试验中10次降水过程,在阵列天气雷达的三维精细探测区内,采用阵列天气雷达合成风场和1部L波段边界层风廓线雷达产品作为参考值对阵列反演风场进行验证评估。结果表明:在稳定性降水条件下,阵列反演风场与阵列合成风场、风廓线雷达产品的结果较为一致;在对流性降水条件下,由于不均匀性会造成风廓线测风精度下降,风廓线雷达产品与阵列反演风场和阵列合成风场差异较大。阵列反演风场与阵列合成风场在稳定性、对流性降水条件下水平风速相对偏差分别低于19%,29%,水平风向差分别低于14.92°,26.35°,稳定性降水条件下阵列反演风场更优,误差在可接受范围内。两种算法得到的风场结构符合各类天气系统的基本特征,水平风场空间分布和风速、风向非常接近。
文摘地物杂波是影响雷达产品准确性的重要因素。该文提出了一种改进的基于模糊逻辑的阵列天气雷达地物识别算法。在Kessinger模糊逻辑基础上,加入回波强度时间变化量(time variability of reflectivity factor,TVR)参数,利用收集到的雷达数据统计出各输入参数的概率分布,确定隶属函数;分析TVR参数对地物识别算法的贡献,并在不同天气情况下进行识别算法有效性验证。试验结果表明:加入TVR参数,长沙机场阵列天气雷达地物识别准确率最大可提高4%,降水识别误判率最多可降低2%。该文提出的地物杂波识别算法,无降水时,地物识别准确率达96%;有降水时,地物识别准确率达92%;降水回波误判为地物杂波的误判率约为10%,能较好地区分降水回波和地物杂波。
