黄静 陈耀登 陈海琴 王黎娟

南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 南京210044

1 引言

由于全球变暖，我国的极端天气产生越发频繁（李红梅等, 2008; 周天军等, 2019），尤其是我国夏季东部经常有暴雨的发生，对人民的日常生活造成了极大的损失，而由于造成暴雨的物理机制复杂（冉令坤等, 2014），因此暴雨的准确预报一直是业务预报的难点（王宁和平凡, 2019; 赵思雄和孙建华, 2019; 薛一迪和崔晓鹏, 2020）。雷达观测具有高时空分辨率，包含丰富的中小尺度风场信息和微物理信息（赵坤等, 2007; 高守亭等, 2018；Wang and Liu, 2019），同化雷达资料是改进降水预报尤其是暴雨预报的重要手段（Hu et al., 2006; Dowell et al., 2011; 陈敏等, 2014; 孙娟珍等, 2016; Carlin et al., 2016; Gustafsson et al., 2018; Liu et al., 2019; Sun et al., 2020）。

雷达观测中包含了径向风和反射率因子这两种观测，与雷达径向风资料相比，由于模式变量与雷达反射率因子观测之间复杂的转换关系和高度的非线性（Sun and Crook, 1997; Gao and Stensrud,2012），因此雷达反射率因子的同化具有更大难度。目前雷达反射率因子同化主要有直接同化与间接同化两种形式。然而在变分同化方法中，直接同化需要对高度非线性的反射率因子观测算子进行线性化，从而引入了非线性误差，尤其是背景太干时（即雨水非常小时），由于代价函数梯度太大难以收敛，从而会产生不合理的分析（Wang et al., 2013）。为避免观测算子线性化带来的问题，目前研究和业务中多采用间接同化方式来同化雷达反射率因子反演得到的相关模式变量（范水勇等, 2013; Wang et al.,2013; Chang et al., 2016; Liu et al., 2019; Lai et al.,2019; 张诚忠等, 2019; Chen et al., 2020）。

反射率因子间接同化的关键在于如何反演得到合理的模式变量。目前常用的反演方法一般通过反射率因子和温度阈值来反演水凝物变量，各水凝物粒子的占比多为经验给定的常数，如WRFDA 同化系统中，首先用背景场的温度来区分水凝物类型，大于5°C 为雨水，小于-5°C 为雪和雹，-5°C～5°C 之间三者均存在，水凝物为三者的线性组合（Gao and Stensrud, 2012）；也有一些研究根据温度廓线来确定雪和霰的权重（Zrnić et al., 2001;Wang et al., 2018）。这些反演水凝物的方案往往是经验性的，水凝物在分类过程中的反射率阈值的经验设定缺乏合理的标准（Wang et al., 2018; Chen et al., 2020）。

为避免传统方案雷达反射率因子间接同化中水凝物反演的经验性问题，Chen et al.（2020, 2021）提出了一种实时天气背景依赖的雷达反射率因子的间接同化方案，该方法根据背景场中水凝物粒子占总反射率的配比来实时更新确定反演时的水凝物比例，观测系统模拟试验表明该方案得到的水凝物结构更符合实际天气情况且能够改进预报效果。为进一步检验天气背景依赖的雷达反射率因子的间接同化方案在不同类型的暴雨天气过程中的实际应用效果，本文选取了我国夏季东部的4 次暴雨个例（2次强对流，2 次锋面），分别采用传统温度判定方案和实时天气背景依赖方案，进行了循环同化及预报试验，以及结果的检验评估和实际个例机理表现特征分析。

2 方法

2.1 反射率因子观测算子

反射率因子的观测算子将模式变量转换为观测变量。等效反射率因子Ze为大气中各粒子后向散射的和（Tong and Xue, 2005）：

其中，Z(qx)水凝物粒子（r 为雨水，s 为雪，g 为霰）对应的反射率因子（单位：mm6m-3）。各水凝物与等效反射率因子的Z-q关系为

其中， ρ为空气密度，qx为水凝物粒子x的混合比，ax为各水凝物的介电系数、密度和截距参数决定的固定系数。其中雨水ar的系数为 3.63×109（Smith et al., 1975）；对于雪as和霰ag来说，该系数与温度有关：当环境温度大于 0°C 时，湿雪的系数为4.26×1011，湿霰的系数为9.08×109，而对于温度低于 0°C 时，干雪的系数则为 9.80×108，干霰的系 数 为 1.09×109（ Gunn and Marshall, 1958;Gilmore et al., 2004）。

2.2 反射率间接同化

2.2.1 温度判定反演方案（简称ZT 方案）

水凝物反演是反射率因子（Ze）根据观测算子逆向求得多种水凝物的含量，其中一个重要的环节就是确定各水凝物在总反射率中所占的比值Cx，目前WRFDA（Weather Research and Forecasting Data Assimilation）采用的温度判定水凝物反演方案如下：

其中，Tb为背景场温度，霰的系数ag没有区分干、湿，ag= 4.33×1010，雪的系数as区分了干、湿，湿雪的系数为 4.26×1011，干雪的系数为1.09×109，以上系数均不随Tb变化。很明显，这种方案雪和霰的比例是固定的，具有一定经验性。

2.2.2 背景依赖反演方案（简称BG 方案）

为了针对研究区域及天气形势，进行随天气形势实时变化的水凝物混合比反演，本文采用了背景依赖的反演方案（Chen et al., 2020, 2021），使用模式实时预报场作为背景场，根据背景场计算模拟的反射率及各水凝物粒子对应反射率占总模拟反射率的配比来实时确定反演时各水凝物的比重：

首先，针对不同阈值的反射率区间，计算背景场各高度层 (zi) 各水凝物反射率因子的平均值：

最后，将式（8）代入式（5）分别计算反演的各水凝物混合比。

3 个例与试验介绍

3.1 个例介绍

本研究选取了4 次暴雨天气过程，分别是2 次强对流暴雨个例以及2 次锋面暴雨个例（具体时间及过程见表1）进行循环同化预报试验，以探讨ZT 方案和BG 方案在同化雷达反射率因子时的差异以及对预报的影响。由6 h 累积降水分布（图1）可知，4 个个例的最大累积降水均达到了50 mm 以上。Case 1 为一次移速较快的强对流过程，对流系统从江苏北部向东南移动，并伴随局地暴雨；Case 2 为大尺度环境的背景场下在江淮以南发生的锋面降水过程，其在安徽、福建等多地出现了暴雨；Case 3 为准静止锋环境下发生的锋面降水过程，对流单体分别在江苏南部和北部新生发展，降水具有较强的组织性；Case 4 为局地孤立对流单体新生并发展的过程，多个对流单体随着对流发展逐渐合并为一个较大的对流群，暴雨分布较为零碎。

图1 4 次暴雨过程的6 h 累积降水量（单位：mm）：（a） 2019 年7 月6 日06～12 时（协调世界时，下同）；（b）2019 年7 月12 日18～00 时；（c）2018 年7 月5 日00～06 时；（d）2018 年7 月26 日09～15 时Fig. 1 6-h accumulative precipitation (units: mm) of four heavy rainfall processes (a) 0600-1200 UTC on July 6, 2019; (b) 1800-0000 UTC on July 12, 2019; (c) 0000-0600 UTC on July 5, 2018; (d) 0900-1500 UTC on July 26, 2018

表1 研究选取的四次暴雨过程Table 1 Four heavy rainfall cases selected in the study

3.2 试验设置

本文采用WRF-ARW 模式（Advanced Research version of the Weather Research and Forecasting Model ）V4.1.2 及其变分同化系统WRFDA V4.1.2进行试验。初边界条件来自于ERA5 资料，水平分辨率为0.25°×0.25°。研究区域（图2）采用双层嵌套，外层（d01）分辨率15 km，内层（d02）分辨率5 km，垂直层数为42 层，模式层顶气压为50 hPa。试验选用Thompson 微物理参数化方案（Thompson et al., 2008）、Kain-Fritsch 积云对流参数化方案（Kain, 2004）、 Goddard 短波辐射方案（Chou and Suarez, 1999）、RRTM 长波辐射方案（Mlawer et al., 1997）以及 YSU 边界层方案（Hong et al., 2006）。

图2 研究区域及同化观测站点分布。全部同化观测站点分布（左），雷达观测站点分布（右）Fig. 2 Research area and distribution of assimilation observation stations. Distribution of all assimilation observation stations (left), distribution of radar observation stations (right)

为了对比两种反演方案得到的水凝物观测的差异及其对预报产生的影响，针对4 个个例，分别设置了两组平行试验Exp-ZT 和Exp-BG，两组试验的差别在于反射率因子的反演方案（具体见表2）。所有个例先进行6 h 的spin-up，在随后的循环同化预报中，由前一次的循环预报场为下一次循环提供背景场，逐15 min 同化雷达观测（d01、d02 区域均同化），逐3 h 同化常规观测（仅d01 区域同化），每隔一小时进行一次3 小时预报，具体流程见图3。本研究同化的观测为地面站点观测（synop）、探空观测（sound、pilot）、地面探空（sonde_sfc）、船舶观测（ship）、风廓线（profiler）、常规航空观测（metar）、静止卫星云导风观测（geoamv）、浮标观测（buoy）、飞机报（airep）及获取的部分业务雷达资料（图2）。

表2 试验设计Table 2 Experimental design

图3 循环同化预报流程。GTS 代表常规观测，Radar 代表雷达观测，包括雷达径向风和由雷达反射率反演的水凝物。GTS 同化间隔为3 小时，Radar 同化间隔为15 分钟，每隔1 小时进行一次3小时预报Fig. 3 Cycling assimilation and forecast process. GTS represents conventional observations, and Radar stands for radar observations,which include radial velocity and hydrometeors retrieved from radar reflectivity. The GTS assimilation interval is 3 h, and the radar assimilation interval is 15 min, with a 3 h forecast carried out every hour

4 试验结果分析

4.1 多个例预报结果整体评估

对4 个暴雨个例进行了逐小时的FSS（Fraction Skill Scores）降水预报评分（图4），评估使用的观测为中国自动站与CMORPH 融合的逐小时降水量网格数据集，评分区域为主要降水区，评分半径为15 km。对于强对流暴雨而言（Case1 和Case 4），Exp-BG 的FSS 评分在各个量级上较Exp-ZT均有一定程度的提高，提高效果在第一个小时内最明显，且在第三个小时对于大量级（15 mm）的评分效果也能够有一定改善。而对于锋面暴雨（Case 2和Case 3），两组试验的表现类似，预报评分相近。

图4 4 个个例两组试验的逐小时平均FSS 降水评分：（a，d，g，j）0～1 h 预报；（b，e，h，k）1～2 h 预报；（c，f，i，l）2～3 h 预报Fig. 4 Averaged FSS (Fraction Skill Scores) of the hourly-accumulated precipitation forecasts for two experiments of four cases: (a, d, g, j) 0-1 h; (b,e, h, k) 1-2 h; (c, f, i, l) 2-3 h

为了进一步评估背景依赖反演方案对于预报场各个要素的改进效果，将两组试验的3 h 预报场与再分析资料进行了均方根误差（RMSE）评估（图5）。由图可知，对于强对流暴雨个例（Caes 1 和Case 4），Exp-BG 的RMSE 相较于Exp-ZT 普遍更小，且改进最明显的变量为温度（T）。这表明采用BG 方案之后，水凝物配比的改变能够较大程度影响温度的预报，这是由于水凝物粒子之间的相态转换涉及能量的变化，而水凝物含量的不同会导致不同的温度变化，因此Exp-BG 预报的温度能够更接近实况。由于本研究没有引入相对湿度（RH）控制变量与其他控制变量的相关，因此在同化环节，ZT 方案和BG 方案反演水凝物的不同并不会造成两组试验RH 分析场产生差异；在预报环节，由于水凝物的影响范围较为局地，水汽影响的相对范围较广，因此在天气过程的演变预报中，水凝物对RH 的影响较小，水汽对RH 的影响占主导作用，而由于两种方案的水汽分析及预报均差异较小，因此两种方案的预报场RH 的均方根误差没有显著差异。对于锋面暴雨个例（Case 2 和Case 3），两组试验的四种常规变量的RMSE 均较为接近，说明两种方案区别不大。

图5 4 个个例两组试验3 h 预报场的平均RMSE，评估变量分别为风速U、V（单位：m s-1），温度T（单位：°C）以及相对湿度（RH）。黑色线代表Exp-ZT 试验，红色线代表Exp-BG 试验，阴影为95%置信区间Fig. 5 Averaged root mean square error (RMSE) of 3-h forecast field for the two experiments of four cases. The evaluation variables are wind speed U, V (units: m s-1), temperature T (units: °C), and relative humidity (RH). The black line represents Exp-ZT, the red line represents the Exp-BG, and the shadow represents the 95% confidence interval

4.2 个例诊断

由上节可知，BG 方案相较于ZT 方案对强对流暴雨个例改进效果更为明显，而锋面暴雨区别不大，为进一步探究原因，本节对强对流暴雨个例（以Case 1 为例）和锋面暴雨个例（以Case 2 为例）进行详细分析。

4.2.1 降水预报

图6 强对流暴雨个例（Case 1）两组试验前3 h的逐小时累积降水预报与观测的对比。可以看出，在第一小时（图6a-c），对于119°E 附近江苏中北部的降水，试验Exp-ZT 预报的雨带呈现为多个中心，而试验Exp-BG 模拟出的雨带在该处更为连续，暴雨覆盖的面积更大，与观测更为相似。在第二小时，两组试验模拟的雨带较观测均有所北偏，但试验Exp-BG 削弱了试验Exp-ZT 在江苏北部的过报。在第三小时，雨带向东南方向移动，两组试验均模拟出了该雨带，均断裂为两段，试验Exp-BG 明显削弱了试验Exp-ZT 在江苏北部的过报。

图6 强对流暴雨个例（Case 1）的观测（左）与试验Exp-ZT（中）和Exp-BG（右）模拟的3 h 逐小时累积降水量（阴影，单位：mm）对比（起报时间为2019 年7 月6 日08 时）：（a，b，c）0～1 h；（d，e，f）1～2 h；（g，h，j）2～3 hFig. 6 Hourly precipitation (units: mm) of the observation (left), the Exp-ZT (middle), and the Exp-BG (right) for the convective rainfall case (Case 1) (forecast from 0800 UTC on July 6), 2019: (a, b, c) 0-1 h; (d, e, f) 1-2 h; (g, h, j) 2-3 h

图7 为锋面暴雨个例（Case 2）两组试验前3 h的逐小时累积降水预报与观测的对比。可以看出，试验Exp-ZT 与Exp-BG 暴雨预报差异较小，两组试验均模拟出了主雨带，对于江西省的雨带均存在过报。

图7 锋面暴雨个例（Case 2）的观测（左）与试验Exp-ZT（中）和Exp-BG（右）模拟的3 h 逐小时累积降水量（阴影，单位：mm）对比（起报时间为2019 年7 月12 日20 时）：（a，b，c）0～1 h；（d，e，f）1～2 h；（g，h，j）2～3 hFig. 7 Hourly precipitation (units: mm) of the observation (left), the Exp-ZT (middle), and the Exp-BG (right) for the frontal process (Case 2)(forecast at 2000 UTC on July 12, 2019): (a, b, c) 0-1 h; (d, e, f) 1-2 h; (g, h, j) 2-3 h

4.2.2 水凝物反演场

为了解释背景依赖方案对于两种不同的暴雨天气类型表现不同的原因，首先对两组试验反演的水凝物垂直结构进行了对比（图8）。可以看出，ZT 方案由于反演过程中Qsnow和Qgraup比值固定，因此反演得到Qsnow和Qgraup的结构相似（图8a、c）。试验Exp-BG 由于反演过程中结合了实时天气背景场的信息，反演出了位于0°C 层以上的水凝物大值区，Qsnow和Qgraup的大值区均位于400 hPa附近，并且Qgraup超过了3.5 g kg-1（图8b、d），反演出的水凝物更好地呈现出了对流系统的特征。对于锋面降水过程（图8b、d）试验Exp-ZT 与Exp-BG 反演出的水凝物均较弱，二者霰的分布层次略有所区别，但结构相似、量级差异小。综上，两组试验中水凝物反演场的差异对于强对流暴雨个例表现更为明显。这是由于强对流暴雨为对流尺度降水，具有水平尺度小、垂直尺度大的特点，产生的降水多为积云降水，降水不仅与位于对流层以下的暖云有关，也与对流层以上的冷云有关，因此三种水凝物均能够对降水产生较大影响。由于两组试验在强对流暴雨个例中反演的Qsnow与Qgraup在结构和量级均存在较大差异，导致了两组试验模拟的降水存在明显区别。而锋面对流发展的垂直高度低，降水主要由位于对流层以下的暖云产生，因此Qrain在降水过程中起主导作用，Qsnow和Qgraup在降水中的贡献较小，由于两组试验在锋面暴雨个例中反演的Qrain差异小，因此降水结果差异较小。

图8 2019 年7 月（a，b）6 日08 时沿 33°N～34°N 和（c，d）12 日20 时沿 30°N～31°N 平均水凝物混合比最大值反演场垂直剖面：（a，c）Exp-ZT 试验；（b，d）Exp-BG 试验。绿色等值线：Qrain（单位：g kg-1，等值线分别为0.1，0.5，1.0，2.0）；蓝色线等值线：Qsnow（单位：g kg-1，等值线分别为0.01，1.0，2.5，3.5）；阴影：Qgraup，黑色虚线：0°C 等温线Fig. 8 Vertical cross sections of the maximum retrieved hydrometeor mixing ratio (units: g kg-1) averaged along 33°N-34°N at (a, b) 0800 UTC on July 6, 2019 and along 30°N-31°N at (c, d) 0000 UTC on July 12, 2019: (a, c) Exp-ZT; (b, d) Exp-BG. The contour values of Qrain (green lines) are 0.1, 0.5, 1.0 and 2.0. The contour values of Qsnow (blue lines) are 0.01, 1.0, 2.5, and 3.5. The shade is Qgraup, and the dotted black line represents the 0°C line

4.2.3 水凝物分析场

反演场的差异随着循环同化的进行会逐渐增大，图9 展示的水凝物的分析增量能够体现这种差异。由于两种方案对于Qrain反演的结果相似，因此本文仅对Qsnow和Qgraup进行分析，所选剖面与图8一致。对于强对流暴雨个例（图9a-d），试验Exp-ZT 和Exp-BG 的水凝物增量差异较大，对于Qsnow和Qgraup而言，试验Exp-ZT 在剖面位置几乎均为较强的负增量，而试验Exp-BG 在对流内部的负增量明显减小，并且在119°E 附近出现了较强的正增量，这有利于更准确地预报出暴雨发生的位置。这是由于两种反演方案在相同的观测下分配给三种水凝物的比例不同，BG 方案能够体现实时背景场的信息，同化后的分析场包含了更多有效的对流信息。对于锋面暴雨个例，水凝物的增量水平分布范围相较强对流暴雨个例更广，垂直分布尺度更小，两组试验的水凝物增量差异较小。

图9 2019 年7 月6 日08 时（上）和12 日20 时（下）水凝物（Qsnow、Qgraup）混合比分析增量（阴影，单位：g kg-1）：（a，c，e，g）Exp-ZT 试验；（b，d，f，h）Exp-BG 试验Fig. 9 Hydrometeor analysis increment mixing ratio (shaded, units: g kg-1) at 0800 UTC on July 6, 2019 (top) and at 2000 UTC on July 12, 2019(bottom): (a, c, e, g) Exp-ZT; (b, d, f, h) Exp-BG

4.2.4 物理量诊断

为探究两组试验在预报过程中的热力条件差异，选取了相当位温的剖面进行分析（图10），分别选取截面AB和CD作剖面（见图6、7 黑线处）。对于强对流暴雨个例（图10a、b），试验Exp-ZT在119°E 附近位于700～400 hPa 处出现一低值中心，不稳定带断裂，而 Exp-BG 在该处表现为一条细长的高能舌，Exp-BG 在主降水区不稳定能量更连续，为暴雨的产生提供了有利的热力触发机制。对于锋面暴雨个例（图10c、d），两组试验的相当位温分布十分相似，说明两组试验的分析场贮存的不稳定能量差异不大，暴雨的触发条件相近。

图10 2019 年7 月（a，b）6 日09 时（08 时起报）沿着AB（见图6）和（c，d）12 日23 时（20 时起报）沿着CD（见图7）的相当位温预报场垂直剖面（阴影，单位：K）：（a，c）试验Exp-ZT；（b，d）试验Exp-BGFig. 10 Vertical cross sections of equivalent potential temperature forecast field (shaded, units: K) along AB (in Fig.6) (a, b) at 0900 UTC (forecast from 0800 UTC) on July 6, 2019 and along CD (in Fig.7) (c, d) at 2300 UTC (forecast from 2000 UTC) on July 12, 2019: (a, c) Exp-ZT; (b, d) Exp-BG

为了进一步探究两组试验在预报过程中的水汽及动力条件差异，图11、图12 分析了两个例两组试验风场、相对湿度及散度预报场的垂直剖面。对于强对流暴雨个例（图11a、b），试验Exp-ZT 的湿区在119°E 上方出现明显断裂，且为低层辐散高层辐合的结构，不利于对流的发生发展，而试验Exp-BG 在该处湿区分布连续，从低层一直延伸至300 hPa，相对湿度均达到了95%，且存在低层辐合高层辐散的对流结构，伴随着更强劲的上升气流，释放不稳定能量，为暴雨提供了有利的动力抬升机制，这也是其在0～1 h 降水更连续的原因之一；对于锋面个例，两组试验的预报结果接近，发生对流的可能性相近。

图11 2019 年7 月（a，b）6 日09 时（08 时起报）沿着AB 和（c，d）12 日23 时（20 时起报）沿着CD 的相对湿度（阴影）及风场的预报场（矢量，单位：m s-1）：（a，c）试验Exp-ZT；（b，d）试验Exp-BGFig. 11 Relative humidity (shaded) and wind (vector, units: m s-1) forecast fields along AB (a, b) at 0900 UTC (forecast from 0800 UTC) on July 6,2019 and along CD (c, d) at 2300 UTC (forecast from 2000 UTC) on July 12, 2019: (a, c) Exp-ZT; (b, d) Exp-BG

图12 2019 年7 月（a，b）6 日09 时（08 时起报）沿着AB 和（c，d）12 日23 时（20 时起报）沿着CD 的散度（填色，单位：10-4s-1）及风场的预报场（矢量，单位：m s-1）：（a，c）试验Exp-ZT；（b，d） 试验Exp-BGFig. 12 Divergence (shaded, units: 10-4s-1) and wind (vector, units: m s-1) forecast fields along AB (a, b) at 0900 UTC (forecast from 0800 UTC) on July 6, 2019 and along CD (c, d) at 2300 UTC (forecast from 2000 UTC) on July 12, 2019: (a, c) Exp-ZT; (b, d) Exp-BG

产生以上现象的原因是，强对流暴雨属于深对流天气系统，以对流云降水为主，液相和冰相水凝物均能够影响该过程。与温度判定的Exp-ZT 试验相比，由于Exp-BG 采用了实时背景依赖的反演方案，得到了更符合实时背景场形势的水凝物特征，与其他模式变量之间配合更加协调，从而进一步传递到相对湿度、风场等物理量，因此能够改善暴雨预报。而锋面暴雨由浅对流过程占主导，以层云降水为主，水凝物以低层的雨水为主导，冰相水凝物对于该过程的影响较小，因此两种方案的暴雨预报较为接近。

5 结语

为提高暴雨预报水平，进一步认识雷达反射率因子同化在暴雨天气的作用特征，改进雷达反射率因子在暴雨天气中的同化应用效果，进行了2 个强对流暴雨个例和2 个锋面暴雨个例循环同化及预报试验，对比了传统温度判定雷达反射率间接同化方案与背景依赖方案的差异，并讨论了二者的具体机理特征。主要结论如下：

（1）4 个暴雨个例的降水预报及评估结果表明，对于强对流暴雨过程，实时天气背景依赖方案（Exp-BG）的表现均优于传统温度判定方案（Exp-ZT），能够提高降水预报水平，且试验Exp-BG 能够提高常规变量，尤其是温度的预报准确度。而对于锋面暴雨过程，Exp-BG 与 Exp-ZT 表现相当。这是由于水凝物粒子之间的相态转换直接涉及能量的变化，而BG 方案由于得到了与天气背景更为接近的水凝物分析，带来了更合理的温度预报，进而带来了更合理的风场预报。

（2）强对流暴雨个例和锋面暴雨个例的水凝物反演场及分析增量表明，采用基于背景依赖的反演方案能够结合实时背景的水凝物信息，反演出的水凝物含量在垂直分布上具有更明显的对流特征；试验Exp-ZT 与Exp-BG 雪和霰的分析增量在量级上存在差异，这种差异对于强对流暴雨表现更为明显，而对于锋面暴雨表现不明显。

（3）强对流暴雨个例及锋面暴雨个例的物理量诊断结果表明，对于强对流暴雨，试验Exp-BG较Exp-ZT 能够改善暴雨过程中的热力、水汽及动力条件，而对于锋面暴雨，两组试验的热、动力条件差异较小。其原因为：强对流暴雨属于深对流，雨水、雪和霰均对降雨有较大贡献，水凝物与其他模式变量之间更加协调；而锋面暴雨由浅对流占主导，暖雨对降雨贡献较大，雪和霰的贡献较小。

目前的研究结论仅针对4 次暴雨个例，包括2次强对流和2 次锋面过程，得到的结论不一定具有代表性，今后将对更多个例进行试验和业务化批量试验来进一步验证本文的结论。相对传统温度判定反演算法中采用经验性的固定参数反演方法，本文算法能够依据模式实时背景场获得相对更为合理的各水凝物的比重，从而减小水凝物反演误差。不过需要指出，本文背景依赖反演方案中背景场（模式实时预报场）信息的准确性将直接影响水凝物反演的准确性，因此结合双偏振雷达相态分类结果的相关雷达反射率因子的同化研究也正在开展。此外，本研究仅采用了常用的三维变分方案，之后可以将该方案应用于其他同化方法，如集合—变分混合同化方法等。更合理的背景误差协方差也可以进一步提高暴雨预报水平，因此将背景依赖方案与更合理的背景误差协方差相结合，也是未来的一个研究内容。

致谢 本论文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。