2. 重庆市气象科学研究所, 重庆 401147;
3. 重庆市气象局, 重庆 401147;
4. 重庆市气象台, 重庆 401147;
5. 南京大学大气科学学院, 南京 210023
在众多大气因子中, 风场资料是分析天气演变最直观和最有价值的资料之一(王改利和刘黎平, 2005; 周长艳等, 2015; 周芯玉等, 2015)。根据风场的演变, 尤其是高空风, 可以了解中小尺度强对流天气发生发展的某些重要物理过程(张培昌等, 2001; 陈鹏等, 2015), 比如高空槽脊的位置; 高、低空急流的强度和深度; 冷暖平流的分布及其与强风暴直接相关的垂直风切变的演变等。
目前, 科研业务上高空风的观测主要依靠探空气球、风廓线雷达和多普勒雷达反演的垂直风廓线产品, 风廓线雷达由于其可以连续获取大气垂直分布的水平风廓线, 得到了气象工作者的青睐。为更好地使用风廓线雷达资料, 国外学者在20世纪70年代就开始对风廓线雷达进行了观测精度的分析, 总体上都认为风廓线雷达资料的观测精度能满足科研业务的需求。Strauch et al(1987)利用冬天风廓线雷达观测的资料分析了晴空大气条件下风廓线雷达探测的准确性, Wuertz et al(1988)利用相同的风廓线雷达在夏季观测的资料分析了风廓线雷达在降水条件下探测的准确性, 结果表明无论是晴空还是降水条件下, 风廓线雷达探测的准确性均能满足业务需求, 而且风廓线雷达与常规探空相比也具有较好的相关性(Weber and Wuterz, 1990; Basley and Farley, 1976; Farley and Basley, 1979; Fukao et al, 1982; Larson and Rotteger, 1983)。随着中国风廓线雷达技术的发展, 风廓线雷达资料的可用性也得到国内众多学者的重视。李晨光等(2003)利用1998年华南暴雨和南海季风科学实验期间的风廓线资料与探空资料进行了分析, 得出二者具有较好的相关性。王欣等(2005)对风廓线资料与同步探空资料进行对比, 得出风廓线资料具有较高的可信度。杨梅等(2006)利用南昌新一代多普勒天气雷达获取的20022005年的部分风廓线资料, 与同期探空风廓线进行相关分析, 发现两者相关性较好, 且随着高度的增加, 探空风向与雷达风向的相关度明显降低。孙旭映等(2008)分析了风廓线资料与气球测风资料存在差异的原因主要是气球探空资料在各高度层之间的整体连续性方面存在明显不足。董保举等(2009)利用高原地区的风廓线雷达资料与探空进行对比, 发现不同天气条件下低空的数据获取率差异不大, 高空阴雨天数据获取率和探测高度均优于晴天, 风速、风向具有较好的一致性。万蓉和周志敏等(2010, 2011)利用加密探空资料对咸宁市黑山观测站的风廓线数据进行了对比分析, 发现其无降水时风速的相关性优于风向的相关性, 而降水时风向的相关性优于风速, 二者的相关性与降水量关系不大。王天义等(2014)利用边界层风廓线雷达与多普勒天气雷达风矢产品进行了对比分析, 发现在有降水的天气条件下, 二者在300~2100 m高度内, 风向和风速具有较好的相关性, 而阴天低层的相关性比高层好。吴蕾等(2014)对北京南郊大气探测试验基地20062008年3年的观测资料与常规高空探测资料进行了对比, 发现二者测风结果有较好的一致性, 平均水平风的标准差在2.3 m·s-1左右。
综合上述, 风廓线雷达和探空资料具有较好的一致性, 但探空资料的时空分辨率极其有限, 而风廓线雷达接收到的信号通常随高度的增加而减小, 这从根本上影响了风廓线雷达的探测高度。而新一代多普勒天气雷达同样可以连续获取不同高度的风向和风速数据, 探测信号足够强的话, 最大探测高度可达15 km以上, 能较好的弥补风廓线雷达在探测高度上的不足, 但其受降水条件的影响明显, 在晴空和弱降水条件下, 难以得到完整的垂直风廓线。因此, 对比分析风廓线雷达和多普勒天气雷达两种高时空分辨率的风廓线资料, 搞清二者之间的相互订正关系, 对于加强风廓线数据在重庆强对流天气和数值模式中的应用具有重要的意义。本文在上述研究的基础上, 对重庆风廓线雷达和多普勒天气雷达获取的风廓线资料进行了研究, 主要分析二者在不同高度、不同时间和不同降水条件下的相关性以及相互订正的关系, 从而提高本地风廓线资料的应用能力。
2 资料与方法 2.1 资料所用资料为2013年1-9月重庆陈家坪106.49°E, 29.52°N, 海拔为440.4 m)新一代多普勒天气雷达(SA)VCP21模式下的垂直风廓线产品(48号)(下称多普勒雷达)和重庆沙坪坝(106.46°E, 29.58°N, 海拔为259.1 m)风廓线雷达探测到的风廓线资料(TWP8-L, 以下简称风廓线雷达), 其中多普勒雷达约6 min观测一次, 风廓线雷达为5 min一次, 图 1为两部雷达的地理位置分布, 两者之间的水平直线距离约为6.73 km。
由于多普勒雷达和风廓线雷达在观测时间和探测高度上存在一定差异, 为保证数据的可比性, 对时间和高度层需要进行近似处理, 使数据统一到相同的时间和高度层上。
(1) 时间近似:多普勒雷达的观测频次为近似6 min一次, 风廓线雷达的观测频次为整5 min一次, 取其最小公倍数, 处理后的资料时间间隔为30 min, 即逐小时0 min和30 min的数据(风廓线雷达为该时刻的瞬时观测数据, 多普勒雷达为该时刻最近的一次瞬时观测数据, 时间差不超过3 min)。此外, 由于部分风廓线雷达探测资料缺失, 4月只包含4月1-17日; 5月整月数据缺测; 7月只包含7月1-4日; 8月只包含8月6-31日; 9月只包含9月1-4日, 其余为整月数据。
(2) 高度近似:多普勒雷达的垂直层数为30层, 垂直范围为300~15200 m; 风廓线雷达的垂直层数为48层, 垂直探测范围为150~9630 m, 取二者观测层高度差在150 m以内的层次, 风廓线雷达直接取该层数据, 多普勒雷达与风廓线雷达观测高度差 < 50 m的多普勒雷达直接用该层数据代替, >50 m的多普勒雷达用相邻两层进行线性插值, 最后得到垂直层数为25层, 垂直范围为630~9150 m的观测数据。
对时间和高度层的近似处理后, 最终得到逐30 min, 垂直25层的标准化样本数据集(表 1), 总计22079个样本。本文通过相关分析和回归分析方法, 分别对不同高度、时间段和降水条件下多普勒雷达和风廓线雷达观测的风向和风速进行分析研究, 得出二者的相关性及其具体的相关关系。
(1) 相关分析
本文主要计算两种不同风廓线数据在相同高度、相同时间的风矢量相关性, 两者之间的线性相关系数定义为r。
$r = \frac{{\sum\limits_{i = 1}^n {\left({{x_i} - \bar x} \right)\left({{y_i} - \bar y} \right)} }}{{\sqrt {\sum\limits_{i = 1}^n {{{\left({{x_i} - \bar x} \right)}^2} \times } \sum\limits_{i = 1}^n {\left({{y_i} - \bar y} \right)} } }}, $ | (1) |
式中: x为多普勒雷达观测到的风矢量数据序列, y为风廓线雷达观测到的风矢量数据序列, n为样本数。
(2) 回归分析
用多普勒雷达观测的风矢量数据为自变量(Xi), 风廓线雷达观测的风矢量数据为因变量(Yi), 建立总体回归模型:
${Y_i} = {\beta _1} + {\beta _2}{X_i} + {\varepsilon _i}, $ | (2) |
式中: β1、β2分别表示模型的截距(常数项)和方程系数(回归系数), εi为观测的随机误差项。由最小二乘估计可得样本回归系数:
$\left\{ \begin{array}{l} {{\hat \beta }_2} = \frac{{\sum {\left({{X_i} - \bar X} \right)\left({{Y_i} - \bar Y} \right)} }}{{{{\sum {\left({{X_i} - \bar X} \right)} }^2}}}\\ {{\hat \beta }_1} = \bar Y - {{\hat \beta }_2}\bar X \end{array} \right., $ | (3) |
这样可得到样本回归函数
${\hat Y_i} = {\hat \beta _1} + {\hat \beta _2}{X_i}, $ | (4) |
式中:
${Y_i} = {\hat \beta _1} + {\hat \beta _2}{X_i} + {e_i}$ | (5) |
(3) 多普勒风向处理
考虑风向角度变化具有周期性, 本文在对二者风向相关性分析时进行了一定处理, 即:当二者风向相差绝对值大于180°时, 风向角度小者加上360°。
3 结果分析 3.1 二者总体相关性表 2是多普勒雷达和风廓线雷达观测的风向和风速相关性计算和回归分析的结果。由表 2可知, 风向的相关系数为0.90, 标准误差为40.91°, 平均残差为-6.94×10-13; 风速的相关系数为0.75, 标准误差为3.28 m·s-1, 平均残差为-3.04×10-13。风廓线雷达与多普勒雷达观测的风向和风速均有较强的相关关系; 标准误差相对变量均较小, 在风向风速的探测误差范围之内; 二者之间的平均残差均较小, 这说明回归方程可靠性比较大, 可以利用二者探测的风向和风速进行相互订正。
由计算可得风廓线雷达和多普勒雷达探测到的垂直风廓线的风向、风速的回归方程:
$D = 0.87d + 29.33, $ | (6) |
$F = 0.75f + 2.14, $ | (7) |
式中: D和d分别为风廓线雷达和多普勒雷达探测到的风向, F和f分别为风廓线雷达和多普勒雷达探测到的风速。其风向和风速的线性回归关系及残差分布如图 2所示, 从图 2可看出风廓线雷达和多普勒雷达探测的风向和风速均具有较好的线性关系。从残差分布来看, 残差主要集中在0附近, 且呈正态分布, 说明回归模型的可靠性较好。
表 3和图 3为风廓线雷达和多普勒雷达探测的25个高度层的水平风向相关性计算结果及图例。由表 3可知, 二者探测的风向在近地层(3 km以下)的相关系数相对较低, 平均值为0.88, 标准误差相对较大, 平均值为46.36°, 线性拟合方程的平均方程系数和平均截距分别为0.85和34.19。高空层(3 km以上)两者间的相关系数平均值为0.91, 标准误差的平均值为32.66°, 线性拟合方程的平均方程系数和平均截距分别为0.93和17.50, 二者之间几乎一致。由图 3也可看出, 近地层随着高度的增加, 高空风受重庆山地地形边界层扰动的影响逐渐较小, 风廓线雷达和多普勒雷达探测的风向相关性逐渐增加, 标准误差也逐渐降低, 而高空层主要受大尺度引导气流的影响, 风向基本一致, 相关系数较高且较稳定。此外线性拟合系数随高度逐渐增加、截距逐渐减小, 说明二者随高度增加更加趋于一致, 用多普勒雷达观测到的风向估测风廓线雷达观测到的风向更加准确。
表 4和图 4为风廓线雷达和多普勒雷达探测到25个高度层的水平风速相关性计算结果及图例。由表 4可知, 相对风向而言, 风速的相关系数要低一些, 近地层(3 km以下)二者探测到的风速相关系数的平均值为0.58, 标准误差平均值为2.93 m·s-1, 线性回归方程的平均方程系数和平均截距分别为0.73和2.26。高空层(3 km以上)两者间的相关系数平均值为0.76, 标准误差的平均值为3.15 m·s-1, 线性拟合方程的平均方程系数和平均截距分别为0.76和3.26。由图 4也可以初步看出, 随着高度的增加, 两者间的相关系数也呈增长趋势, 其标准误差误差变化不大, 即用多普勒雷达观测到的风速估计风廓线雷达风速大小的误差较稳定, 在2~4 m·s-1之间, 线性拟合系数和截距随高度的变化不大。
表 5为风廓线雷达和多普勒雷达探测到的2013年逐月(1-9月)平均风向的相关性计算结果。由表 5可知, 1月和2月(冬季)由于重庆降水偏少, 而多普勒雷达在业务上采用VCP21模式(降水模式), 能观测到大气降水粒子运动的天数较少, 其相关性指示意义不大。而3月和4月(春季), 重庆降水逐渐增加, 但降水回波多以层状云或混合云为主, 云顶高度不高, 环境风较弱, 因此垂直风廓线的探测高度不高, 近地层受山地复杂地形扰动和晴空下边界层湍流加强的影响较大, 加之降水较弱, 雷达接收的回波信号也较弱, 误差较大, 所以近地层的风向相对较为杂乱, 如图 8、9的a、b所示, 平均相关系数为0.86, 标准误差为39.44°, 线性拟合方程的平均方程系数和平均截距分别为0.87和31.37。6-9月(主汛期, 其中7月和9月风廓线雷达故障, 均只有4天观测, 不具代表性), 为重庆降水的主要时段, 相关系数均大于0.8, 平均相关系数达到0.89, 标准误差为41.67°, 线性拟合方程的平均方程系数和平均截距分别为0.87和29.08。
表 6为风廓线雷达和多普勒雷达探测到的2013年逐月(1-9月)平均风速的相关性计算结果。由表 6可知, 1月和2月(冬季)多普勒雷达的垂直风廓线多数为“ND”, 样本数较少, 其相关性指示意义不大。而3月和4月(春季), 风速变化较小, 平均相关系数高达0.8, 标准误差为3.66 m·s-1, 线性拟合方程的平均方程系数和平均截距分别为0.4和2.2, 两者具有较好的一致性。6-9月(主汛期, 其中7月和9月风廓线雷达故障, 均只有4天观测, 不具代表性), 平均相关系数达到0.7, 标准误差为2.96 m·s-1, 线性拟合方程的平均方程系数和平均截距分别为0.35和2.76。
晴天或弱降水天气条件下, 由于大气各层降水粒子较少, 多普勒雷达(业务使用的VCP21, 降水模式)探测到的平均径向速度无法满足风廓线的反演条件, 在风廓线产品上各层大多数为“ND”, 无法表征二者之间的相关关系。2013年沙坪坝同时有多普勒雷达探测和风廓线雷达探测的一般性降水(10~50 mm)日数共有10天, 共计4833个样本。由表 7可知, 风向和风速的相关系数分别达0.81和0.68, 标准误差为41.28°和3.42 m·s-1。图 5为风向、风速的回归分析结果, 其中图 5b和图 5d分别为风向和风速的残差分布, 横坐标为残差, 纵坐标为概率。由图 5可知, 二者风向和风速均具有较好的线性相关关系, 其残差以“0”为中心呈正态分布。
2013年沙坪坝强降水(≥50 mm)日数共3天(其中4月28日无雷达观测), 共计1801个样本。由表 8可知, 风向、风速的相关系数分别可达0.86和0.71, 标准误差为30.92°和2.97 m·s-1, 与一般性降水相比, 其相关性较高, 标准误差较低。图 6为风向、风速的回归分析结果, 从图 6可也可得出, 二者风向、风速均具有较好的线性相关关系, 其残差以“0”为中心呈正态分布, 与一般性降水相比, 残差较为集中, 其相关性较好。
图 7a、b分别为2013年重庆风廓线雷达和多普勒雷达19月平均的风向和风速随高度的变化曲线。由图 7a可知, 二者风向随高度的变化趋势具有较好的一致性, 低层由东南风转偏东风, 呈逆时针旋转, 有冷平流, 2 km左右的风向偏差最大; 中高层由偏东风逐渐转为偏西风, 呈顺时针旋转, 有暖平流, 在4000~-5000 m高度有逆风区存在。由图 8b可知, 二者风速的变化趋势也较为一致, 即随着高度的增加, 风速逐渐增大。
图 8为重庆风廓线雷达和多普勒雷达观测到的2013年逐月(3-9月)平均风向随高度的变化曲线。由图 8可知, 各月二者在不同高度上的平均风向均表现出了较好的一致性。3月、4月(图 7a、b)3 km以下风向变化较为杂乱, 很难形成有组织的强对流天气系统, 但4月中高层相对3月更有规律, 呈顺时针旋转, 有暖平流, 相对3月更易出现强对流天气。6月、7月和9月, 风向均较一致的随着高度增加呈顺时针旋转, 尤其是6月和9月, 底层变化较快, 风切变较大, 3 km以上均呈一致的偏西风, 对强对流天气的生成和维持较为有利。而8月底层风向呈逆时针旋转, 有冷平流, 3 km以上风向呈顺时针, 有暖平流, 这可能与重庆8月连晴高温天气有关。
图 9为重庆风廓线雷达和多普勒雷达观测到的2013年逐月(3-9月)平均风速随高度的变化曲线。整体上, 二者在不同高度上风速的变化趋势较为一致, 多普勒雷达的风速约为风廓线雷达风速的2倍左右。3月和4月风速随高度的增加逐渐增大, 最大风速差约为15~20 m·s-1。6-8月风速随高度的变化不大。9月风速随高度的增加也逐渐增大, 但增量不大。此外, 7 km高度层, 多普勒雷达观测到的风速均有一个明显的风速随高度增加而减小的区域。
对重庆2013年1-9月多普勒天气雷达(SA)和边界层风廓线雷达观测到的垂直风廓线数据, 经时间和高度层的归一化处理后采用相关和回归分析等方法, 探讨了两种风廓线数据在不同高度、不同时间和不同降水条件下的一致性, 主要结论如下:
(1) 多普勒雷达探测的风廓线资料与同期的风廓线雷达资料具有较好的一致性, 在垂直分布和时间变化上表现出较一致的变化趋势, 两者探测的风向和风速的相关系数分别为0.90和0.75。
(2) 在2003年1-9月期间风廓线雷达和多普勒雷达探测的风向相关性(标准误差)随高度增加而逐渐增加(降低), 两者间的一致性随高度不断增强。风廓线雷达探测风速和多普勒雷达探测风速间的相关性随高度增加而增加, 标准误差稳定在2~4 m·s-1之间。两种探测资料间的相关性和标准误差在不同月份从低层到高层表现出同样的变化趋势, 特别是在汛期(6-9月)风切变从底层到高空具有较好的一致性, 呈顺时针旋转。
(3) 两种探测资料间的一致性受降水明显, 相对于降水偏少的冬季(1月和2月), 在以小到中雨为主春季(3-4月)以及主汛期(6-9月), 多普勒天气雷达和风廓线雷达探测风廓线间的一致性得到明显增强, 特别是在主汛期两者间的一致性是较高的。
(4) 晴空或弱降水期间多普勒天气雷达和风廓线雷达探测风廓线间的一致性较差, 一般性降水和强降水期间两者的相关性均达0.8以上, 风向标准误差约为41°, 风速标准误差约为3.4 m·s-1, 强降水天气条件下风向相关性(标准误差)高于0.85(约为31°); 风速的相关性(标准误差)高于0.7(约为3 m·s-1), 相关性较好。
(5) 从风向、风速随高度的演变来看, 多普勒雷达和风廓线雷达各高度层平均风向随高度的变化一致性较好, 均存在中低层( < 4 km)、中高层(>5 km)风向随高度顺时针旋转, 在中层有一个风速的逆转区。风速随高度的演变趋势也较一致。
Balsley B B, Farley D T. 1976. Auroral zone winds detected near the tropopause with the Chatanika UHF Doppler radar[J]. Geophys Res Lett, 3(9): 525–528. DOI:10.1029/GL003i009p00525 | |
Farley D T, BalsleY B B, Swartz W E, et a1. 1979. Tropical winds measured by the Arecibo radar[J]. Appl Meteor, 18(2): 227–230. DOI:10.1175/1520-0450(1979)018<0227:TWMBTA>2.0.CO;2 | |
Fukao S Sato T, Yamasaki N, et a1. 1982. Winds measured by a UHF Doppler radar and rawinsondes:comparisons made on twenty-six days (August-September 1977) at Arecibo, PuertoRico[J]. Appl Meteor, 21(9): 1357–1363. DOI:10.1175/1520-0450(1982)021<1357:WMBAUD>2.0.CO;2 | |
Larsen, M F, Rotteger J. 1983. Can a VHF Doppler radar provide synoptic wind data? A comparison of 30 days of radar and radiosonde data[J]. Mon Wea Rev, 111(10): 2047–2057. DOI:10.1175/1520-0493(1983)111<2047:CAVDRP>2.0.CO;2 | |
Strauch R G, Weber B L, Frisch A S, et al. 1987. The precision and relative accuracy of profiler wind measurements[J]. Atmos Oceanic Technol, 4(4): 563–571. DOI:10.1175/1520-0426(1987)004<0563:TPARAO>2.0.CO;2 | |
Weber B, Wuertz D. 1990. Comparison of rawinsonde and wind profiler radar measurements[J]. Atmos Oceanic Technol, 7(1): 157–174. DOI:10.1175/1520-0426(1990)007<0157:CORAWP>2.0.CO;2 | |
Wuertz D B, Weber B L, Strauch R G, et a1. 1988. Effects of Precipitation on UHF wind profiler measurements[J]. Atmos Oceanic Techno1, 5(3): 450–465. DOI:10.1175/1520-0426(1988)005<0450:EOPOUW>2.0.CO;2 | |
董保举, 张哗, 徐安伦. 2009. 高原地区风廓线雷达资料评估[J]. 气象科技, 37(5): 560–583. Dong Baoju, Zhang Ye, Xu Anlun. 2009. Assessment of wind profiler radar data in Plateau area[J]. Meteor Sci Technol, 37(5): 560–583. | |
李晨光, 刘淑媛, 陶祖钰. 2003. 华南暴雨试验期间香港风廓线雷达资料的评估[J]. 热带气象学报, 19(3): 269–276. Li Chenguang, Lou Shuyuan, Tao Zhuyu. 2003. Review of wind profiler data of Hong Kong during IOP of HUAMEX and SCSMEX[J]. J Trop Meteor, 19(3): 269–276. | |
孙旭映, 韩辉, 段海霞, 等. 2008. 风廓线仪与气球测风资料的对比分析[J]. 干旱气象, 26(3): 48–52. Sun Xuying, Han Hui, Duan Haixia, et al. 2008. Comparative Analysis on Wind Data from Atmospheric Wind Profiler and Balloon Sounding[J]. J Arid Meteor, 26(3): 48–52. | |
万蓉, 周志敏, 崔春光, 等. 2011. 风廓线雷达资料与探空资料的对比分析[J]. 暴雨灾害, 30(2): 130–136. Wan Rong, Zhou Zhimin, Cui Chunguang, et al. 2011. Comparing wind profiler data with radiosonde data and analyzing[J]. Torrential Rain and Disasters, 30(2): 130–136. | |
王改利, 刘黎平. 2005. 多普勒雷达资料在暴雨临近预报中的应用[J]. 气象, 31(10): 12–15. DOI:10.7519/j.issn.1000-0526.2005.10.003Wang Gaili, Liu Liping. 2005. Application of Doppler radar observation to rainfall nowcasting[J]. Meteor Mon, 31(10): 12–15. DOI:10.7519/j.issn.1000-0526.2005.10.003 | |
王天义, 朱克云, 张杰, 等. 2014. 风廓线雷达与多普勒天气雷达风矢产品对比及相关分析[J]. 气象科学, 42(2): 231–239. Wang Tianyi, Zhu Keyun, Zhang Jie, et al. 2014. Comparative analysis of wind vector products of wind profiling radar and weather radar[J]. Meteor Sci Technol, 42(2): 231–239. | |
王欣, 卞林根, 彭浩, 等. 2005. 风廓线雷达系统探测试验与应用[J]. 应用气象学报, 16(5): 693–698. DOI:10.11898/1001-7313.20050517Wang Xin, Bian Lingen, Peng Hao, et al. 2005. The atmospheric wind profiler and radio acoustic sounding system with its applications[J]. J Appl Meteor Sci, 16(5): 693–698. DOI:10.11898/1001-7313.20050517 | |
吴蕾, 陈洪滨, 康雪. 2014. 风廓线雷达与L波段雷达探空测风对比分析[J]. 气象科技, 42(2): 225–230. Wu Lei, Chen Hongbin, Kang Xue. 2014. Comparison between wind profiler and L band upper-air meteorological sounding system[J]. Meteor Sci Technol, 42(2): 225–230. | |
杨梅, 李玉林, 单九生, 等. 2006. 新一代雷达风廓线与探空风廓线资料相关分析[J]. 气象, 32(6): 20–24. DOI:10.7519/j.issn.1000-0526.2006.06.003Yang Mei, Li Yulin, Shan Jiusheng, et al. 2006. Correlation analysis between new generation radar wind profile data and sounding data[J]. Meteor Mon, 32(6): 20–24. DOI:10.7519/j.issn.1000-0526.2006.06.003 | |
ZhangPeichang, DuBinyu, DaiTiepei. 2001. Radar Meteorological[M]. Beijing: China Meteorological Press. | |
陈鹏, 刘德, 周盈颖, 等. 2015. 一次重庆特大暴雨过程的中尺度分析[J]. 高原气象, 34(1): 82–92. DOI:10.7522/j.issn.1000-0534.2013.001621Chen Peng, Liu De, Zhou Yingying, et al. 2015. Analysis of heavy rain caused by shear line over Chongqing[J]. Plateau Meteor, 34(1): 82–92. DOI:10.7522/j.issn.1000-0534.2013.001621 | |
周长艳, 唐信英, 邓彪. 2015. 一次四川特大暴雨灾害降水特征及水汽来源分析[J]. 高原气象, 34(6): 1636–1647. DOI:10.7522/j.issn.1000-0534.2014.00121Zhou Changyan, Tang Xinying, Deng Biao. 2015. Precipitation characteristics and water vapor source analysis of record heavy rainfall process in Sichuan[J]. Plateau Meteor, 34(6): 1636–1647. DOI:10.7522/j.issn.1000-0534.2014.00121 | |
周志敏, 万蓉, 崔春光, 等. 2010. 风廓线雷达资料在一次冰雹过程分析的应用[J]. 暴雨灾害, 29(3): 251–256. Zhou Zhimin, Wan Rong, Cui Chunguang, et al. 2010. Application of wind profiler radar data in a hailfall process[J]. Torrential Rain and Disasters, 29(3): 251–256. | |
周芯玉, 廖菲, 孙广凤. 2015. 广州两次暴雨期间风廓线雷达观测的低空风场特征[J]. 高原气象, 34(2): 526–53. DOI:10.7522/j.issn.1000-0534.2013.00188Zhou Xinyu, Liao Fei, Sun Guangfeng. 2015. Study on the relationship between mesoscale wind field changes and rainstorm using wind profiler data[J]. Plateau Meteor, 34(2): 526–53. DOI:10.7522/j.issn.1000-0534.2013.00188 |
2. Chongqing Institute of Meteorology and Science, Chongqing 401147, China;
3. Chongqing Meteorological Administration, Chongqing 401147, China;
4. Chongqing Meteorological Observatory, Chongqing 401147, China;
5. School of Atmosphere Sciences, Nanjing university, Nanjing 210023, China