基于云依赖背景场误差协方差的雷达资料同化及对降雨预报影响研究*

陈娴雅 陈耀登 孟德明

1.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

2.南京大学大气科学学院，中尺度灾害性天气教育部重点实验室，南京，210023

1 引言

强对流天气（如短时强降水）常给民众的生命、财产安全带来严重危害。但因其具有空间尺度小、生命期短、突发性强、发展演变迅速和破坏力大的特点，对其预报一直是天气预报业务中的重点和难点（陈明轩等，2016；朱立娟等，2017；闵锦忠等，2020）。随着卫星和雷达等遥感技术的迅速发展，各类非常规资料迅速增多，其中多普勒天气雷达探测资料具有较高的时、空分辨率，为强对流预报提供了大量对流尺度的云雨观测信息（Shao，et al，2004；江源等，2009；Li，et al，2012；Liu，et al，2012；Xu，et al，2012；Wang，et al，2013；Zhao，et al，2019）。因此，如何有效地同化雷达资料，改善模式初始场，从而提高强对流天气的预报水平，受到业务和研究人员的广泛关注（Sun，et al，2016；潘玉洁等，2012；Liu，et al，2018）。

雷达探测资料的同化应用已有数十年的历史，也取得了一系列有价值的成果。研究结果（Snyder，et al，2003；许小永等，2006；Xiao，et al，2007；杨毅等，2008；Aksoy，et al，2009；Sun，et al，2012；Xu，et al，2012；范水勇等，2013；Lin，et al，2021）表明，同化雷达资料可以较好地捕捉对流天气系统的特征并改进短期预报效果。此外，雷达观测具有高时、空分辨率的特点，同化雷达资料可以在分析场中引入诸多中小尺度信息，在一定程度上缓解区域高分辨率数值模式冷启动的起转（spin-up）问题（Gao，et al，2012）。

基于三维变分框架的雷达资料同化方法因运行速度快、同化效果好已经被广泛应用于天气预报业务中（孙娟珍等，2016）。在变分框架下，合理构建背景场误差协方差是做好资料同化的关键工作和重点研究问题（庄照荣等，2019；龚建东等，2020；Chen，et al，2021）。虽然变分方案技术相对成熟且计算效率高，但其背景场误差协方差高度模型化，无法随着天气形势的演变而改变（陈耀登等，2016；Lee，et al，2020）。集合卡尔曼滤波同化系统中背景场误差协方差不用直接表达，且具有依天气形势而变的流依赖特征（刘成思等，2005；Pereira，et al，2006)，但存在有限集合样本较难合理估计背景场误差、矩阵不满秩，以及分析场中变量难以平衡等问题。

云和降水系统伴有复杂的物理过程，云雨区和晴空区背景场误差协方差特征差异较大，很多研究（Montmerle，et al，2010；Michel，et al，2011；Ménétrier，et al，2011）表明云雨区域具有更大的误差和更强的变量相关性。基于云雨和晴空区域背景场误差协方差的差异，为了在云区引入更合理的背景场误差协方差，Meng 等（2021）在变分框架下发展了基于卫星云观测产品的云雨和晴空自适应分区同化方案。但该同化方案仅在模式预报准确（即观测有云）的情况下能够起到调整作用，对模式水凝物虚报（背景场有云，实况无云）的情况没有考虑。此外，由于在背景场误差协方差中引入了观测信息可能会产生背景场和观测的相关。

鉴于传统变分同化方法背景场误差协方差的各向同性和均质问题，以及集合同化方法中有限集合矩阵不满秩和分析场难以平衡问题。为在变分同化框架中引入各向异性和更符合实况天气特征的背景场误差协方差，文中提出了“云依赖”背景场误差协方差同化方案。为避免背景场误差协方差中引入观测产生观测与背景场的相关，本方案利用模式背景场中水凝物实况分布信息，计算反映实时云分布特征的云指数，构建“云依赖”背景场误差协方差，并应用于雷达等多元观测资料同化研究中。通过单点观测理想试验和批量循环同化及预报试验，探究云依赖背景场误差协方差同化雷达资料对强对流降水过程的影响，以提高降水预报准确率。

2 基于云依赖背景场误差协方差同化方案

2.1 同化方法

以中尺度数值预报模式三维变分数据同化模块（WRFDA 3DVar）为平台，通过最小化目标函数得到分析最优解，目标函数如下

式中，x是分析场，H是观测算子，xb是背景场，y是观测场向量，R是观测误差协方差矩阵，B是静态背景场误差协方差矩阵。

2.2 云依赖背景场误差协方差的构建

（1）背景场云量（CWP）

将背景场中的云水混合比（Qc）和云冰混合比（Qi）做整层积分，计算得到背景场云量分布

式中，p是不同模式层高度气压，pt是模式层顶，pb是模式层底，g是重力加速度。为避免模式个别格点背景场水凝物虚报极值拉低整体云区云指数，保证不同循环同化时次中对云量的判断有统一标准，通过对不同天气过程测试，设定CWP 阈值为1 kg/m2，并将超过这一阈值格点的CWP 均设为1 kg/m2。

（2）计算云指数（CI）

为实时动态表示模式空间各格点的云量分布情况，用每个网格点CWP 与整个模拟区域最大CWP 的比值作为云指数（CI）

CI 可以依据CWP 进行归一化，该指数实时动态变化（CI ∈ [0,1]），表征各格点云量分布情况。当CI=0 时，表示该处为晴空；当CI＞0 时，该格点划分为云区，其值越接近1，云量越多。此外，文中还对CI 进行平滑，以缓解调整背景场误差协方差带来的模式不平衡问题。

利用背景场水凝物信息计算得到的CWP（图1a）、CI（图1b）与亮温低于260 K 区域的云分布（图1c）特征相似。表明CI 可以合理反映背景场云量的分布情况。

图1 2016 年7 月1 日00 时（世界时，下同）云分布（a.背景场云量，单位：kg/m2；b.云指数；c.TBB 亮温，单位：K，来自FY-2G；b 中A、B、C 分别为单点试验选取的晴空、多云及少云区域观测点）Fig.1 Distribution of cloud amount at 00：00 UTC 1 July 2016（a.background field cloud amount，unit：kg/m2；b.cloud index；c.TBB，unit：K，from FY-2G；in figure b A，B and C are the selected observation points of clear sky area，cloudy area and less cloudy area in the single observation experiment）

（3）云依赖背景场误差协方差

参照Meng 等（2021）提出的自适应调整云区背景场误差协方差方法，对CI 划分的云区和晴空区分别表示其背景场误差协方差

式中，晴空区域的背景场误差协方差（Bclear）与云区背景场误差协方差（Bcloud）均为NMC 方法（Parrish，et al，1992），利用WRF 模式同一时刻不同预报时效（文中选取12 和24 h）的样本统计得到，文中样本覆盖的时段为2017年7月。不同时效背景场样本均满足水凝物整层累积的格点记作Bcloud统计样本，反之记为Bclear统计样本。Ii为各控制变量的基础放大系数，由Bcloud和Bclear各控制变量特征值及垂直标准差比值确定（i为纬向风（U）、经向风（V）、温度（T）、相对湿度（RH）、地面气压（ps）以及5 个水凝物控制变量（Qc、Qi、雪（Qs）、雨（Qr）和霰（Qg）））。

通过式（4）的调整，在背景场判定的晴空区域各格点使用Bclear，在有云区域，由于云区的背景场误差大于晴空区（Meng，et al，2021），所以其在同化过程中的背景场权重都小于晴空区。保证了由晴空区向云区过渡时CI 的变化是连续且平滑的，在云量最大的区域达到Ii。

云区依据CI 实时动态调整的Bcloud与晴空区统计得到的Bclear共同构建了各格点依据背景场云量实时动态调整的背景场误差协方差（称为云依赖背景场误差协方差）。

3 基于云依赖背景场误差协方差的单点观测同化理想试验

单点观测理想试验的增量可用来反映背景场误差协方差的结构特征，展示背景场误差协方差如何在空间上传播观测信息。本节将利用单点试验来验证云依赖背景场误差协方差同化方案的可行性，并探究背景场误差协方差随云量和时间变化的效果。在模式的第20 层同化温度单点观测，新息增量为1 K，单点位置选取如图1b 所示，A、B、C 分别代表晴空区、多云区和少云区。共设计2 组试验，Exp_AVE 试验采用静态背景场误差协方差，Exp_CLD 试验采用云依赖背景场误差协方差。

3.1 随云量变化的单点观测理想试验

图2 为温度增量。Exp_AVE 试验因使用各向同性的背景场误差协方差，温度增量分布即使在云量不同的情况下也无任何差异；而Exp_CLD 试验引入了云依赖背景场误差协方差，每个格点的背景场误差随云指数变化而变化，不同云量情况下分析增量的大小和结构均不相同。对于晴空区，云指数为0，背景场误差协方差无调整，所以两组试验增量相同（图2a1和b1）。云区温度增量与云指数分布相对应（图2b2和c2），“云依赖”的效果明显。其中云量较多的B 点（图2b2）相较于云量较少的C 点（图2c2）的分析增量更大，说明云量大的区域背景场误差更大，分析场更接近观测。各点的增量垂直分布情况也可以得到类似结论（图略）。

图2 温度增量分布（a.Exp_AVE，b.Exp_CLD，下标数字1、2、3 分别表示晴空、多云、少云；等值线范围0.04—0.32℃，间隔0.02℃；色阶为云指数）Fig.2 Increments of temperature（a.Exp_AVE，b.Exp_CLD，1，2，3 indicate clear sky area，cloudy area and less cloudy area，respectively；contour range：0.04—0.32℃，interval：0.02°C；shaded are cloud indices）

3.2 随时间变化的单点观测理想试验

为探究云依赖背景场误差协方差同一点在不同时刻的表现，选取云量较多的B 点，在不同时刻背景场中同化相同单点观测对比温度增量（图3）。可以看到，不同时刻，随着云系演变云指数发生变化。Exp_AVE 试验，尽管云指数分布不同，但由于静态的背景场误差协方差未考虑云区和晴空区差异，各时刻的分析增量无任何变化（图3a—c）。Exp_CLD 试验由于各格点引入实时动态变化的云依赖背景场误差协方差，不同时刻的温度增量随着云系的演变而变化，呈现出较好的云依赖性（图3d—f）。

图3 2017 年6 月30 日21 时（a、d）、7 月1 日00 时（b、e）和03 时（c、f）多云区域同化温度的温度增量分布（a—c.Exp_AVE 试验，d—f.Exp_CLD 试验；等值线范围0.04—0.32℃，间隔：0.02℃；色阶，云指数）Fig.3 Distributions of temperature increments at a single point of assimilation temperature at point B at 21：00 UTC 30 June 2017（a，d），00：00 UTC（b，e）and 03：00 UTC（c，f）1 July 2017（a—c.Exp_AVE experiment，d—f.Exp_CLD experiment；contour range：0.04—0.32℃，interval：0.02°C；shaded are cloud indices）

4 批量循环同化及预报试验

为评估云依赖背景场误差协方差对同化及预报的影响，对2019 年7 月4 日至14 日梅雨期进行了连续11 d 循环同化预报试验（共包含88 次循环）。

4.1 试验设置

试验区域采用双层双向嵌套（图4），外层区域的分辨率为15 km，格点数为481×361；内层分辨率为5 km，格点数为505×505；垂直层数为42 层，模式顶层气压为50 hPa。采用WRF4.2 模式，模式的初值和边界条件由NCEP/NCAR 的逐6 h 空间分辨率为0.25°×0.25°的FNL 分析场提供。微物理过程采用WSM6 方案，边界层采用YSU 方案，长波辐射为RRTM 方案，短波辐射为Dudhia 方案，积云参数化采用Kain-Fritsch 方案，内层区域关闭积云参数化方案。共设置2 组对照试验，一组为Exp_AVE，即在各个同化时刻都使用固定静态的背景场误差协方差。另一组为Exp_CLD，即在各个同化时刻都使用云依赖背景场误差协方差。

图4 研究区域及同化资料分布情况（a.常规观测，b.雷达站点）Fig.4 Model domains and the distribution of assimilated observations（a.conventional observations，b.radar sites）

批量循环同化试验流程如图5 所示：每日18 时经过6 h 的冷启动，逐3 h 循环同化常规和雷达观测资料，并在每次同化后进行12 h 确定性预报。基于WRFDA 系统同化常规资料的时间窗为±1 h。外层区域的常规控制变量选用流函数、非平衡势函数、非平衡温度、非平衡地面气压以及相对湿度（Chen，et al，2013）。内层区域背景场误差协方差常规控制变量包含纬向风、经向风、地面气压、温度和相对湿度（Sun，et al，2016）。内层区域同化来自78 个站点的雷达径向速度和反射率因子，反射率因子采用间接同化方案（Gao，et al，2012），仅同化回波强度在15 dBz 以上的反射率因子（Wang，et al，2013），同化时间窗为±3 min。

图5 循环同化试验流程Fig.5 Schematic diagram showing the assimilation and forecast cycles

4.2 降水评分

以国家气象信息中心CMORPH 降水融合的逐时降水量网格数据集（沈艳等，2013）为观测，对主要降水区域（24°—36°N，108°—122°E）各组方案采用公正技巧评分（ETS）和偏差评分（BIAS）进行评估。ETS 用于衡量预报降水被正确预报程度，有效地消除随机降水对评分的影响。ETS 从−1/3 到1 不等，分数越高，预报技能越好。BIAS 评分用于衡量某一量级的预报偏差，其值越接近1，预报效果越好。图6 为2 组试验不同时效88 次循环平均累计降水预报的ETS 评分和BIAS 评分以及Exp_CLD试验相比于Exp_AVE 试验的降水评分改进比。可以看出，Exp_CLD 试验不同时效各个阈值在ETS评分上都有不同程度的改进，对于较大量级降水改进普遍较大，尤其是在6 h 累计降水改进比中，最大阈值（≥25 mm）的降水评分改进比达5.1%。BIAS评分也在绝大多数降水阈值下显示Exp_CLD 试验具有一定的降水预报优势。尽管循环同化雷达资料在较大量级有一定的降水空报，但云依赖背景场误差协方差的使用一定程度上缓解了空报情况，6 h 累计降水最大阈值（≥25 mm）的改进比达19%。表明使用云依赖背景场误差协方差可以有效提高降水的预报能力，尤其是针对较大量级降水，改善效果更明显。

图6 降水ETS（a、d、g）、BIAS（b、e、h）评分及两组试验各阈值对应的降水评分改进比率（c、f、i）（区域为（24°—36°N，108°—122°E），a—c.0—3 h，d—f.0—6 h，g—i.0—12 h）Fig.6 ETS（a，d，g），BIAS（b，e，h）scores and average improvements in the percentage（c，f，i）of the EXP_CLD experiment compared to the EXP_AVE experiment for different standard thresholds（the scoring area is the main precipitation area（24°—36°N，108°—122°E）；a—c.0—3 h，d—f.0—6 h，g—i.0—12 h）

5 强对流个例诊断

为进一步探究使用云依赖背景场误差协方差对预报场各物理量场的影响，选取一次典型强对流个例（2019 年6 月5—6 日）进行诊断分析。该个例在2019 年6 月5 日00 时经过6 h 的冷启动，逐3 h循环同化常规观测资料、雷达径向速度和反射率因子，并在每次同化后进行6 h 确定性预报直至15 时（共经历了4 次循环），其他设置同批量试验。

5.1 天气过程

该过程降水主要落区位于200 hPa 高空急流入口区右侧的辐散区（图7a），低层850 hPa 有一西南涡，并伴有明显的切变线（图7b），高、低空相互配合形成了高空辐散低空辐合的形势场，在降水区域产生了较强的上升运动，为此次中尺度对流系统的发生、发展提供了有利的动力条件。随着高空槽东移，冷空气不断入侵，低层偏南气流源源不断地输送暖湿空气，上干冷下暖湿，造成层结不稳定（图7c）。总的来说，充足的水汽和强上升运动使得对流系统不断新生、发展（图7d），造成了此次持续时间较长的强对流事件。

图7 2019 年6 月5 日12 时（a）500 hPa 位势高度（黑线，单位：dagpm；红线为槽线）、风场（风羽，单位：m/s）、200 hPa 高空急流（色阶，单位：m/s），（b）850 hPa 位势高度（实线，单位：dagpm）、风场（风羽，单位：m/s）、比湿（色阶，单位：g/kg）及2019 年6 月5 日15 时（c）武汉站T-lnp 图、（d）雷达反射率因子（单位：dBz）Fig.7 Synoptic pattern at 12：00 UTC 5 June 2019：（a）geopotential height（black contours，unit：dagpm，the red line is trough line）and wind field（wind barbs，unit：m/s）at 500 hPa，upper level jet at 200 hPa（shaded areas，unit：m/s）；（b）850 hPa geopotential height（black contours，unit：dagpm），wind field（unit：m/s）and specific humidity（shaded，unit：g/kg），and（c）T-lnp plot at Wuhan station and（d）radar reflectivity（unit：dBz）at 15：00 UTC 5 June 2019

5.2 降水预报

图8 为此次降水过程的6 h 累计降水结果。与观测相比，Exp_AVE 试验，安徽北部85 mm 以上的降水存在明显虚报，在使用云依赖背景场误差协方差后，虚报情况有所改善。除大量级降水外，淮安和武汉的降水虚报也有不同程度改善。尽管此次过程两组试验模拟的雨带均整体略向北偏移，但Exp_CLD 试验仍能有效缓解降水虚报的问题。此外，Exp_CLD 试验成功模拟出东北—西南走向的两条雨带，对雨带结构的预报也更为准确。Exp_AVE与Exp_CLD 两组试验与观测相比，均出现了一定程度的虚报，这可能是间接同化雷达反射率时反演水汽方案存在湿度过高估计造成的（Lin，et al，2021）。

图8 2019 年 6 月 5 日15 时 6 h累计降水分布（a.观测，b.Exp_AVE，c.Exp_CLD；单位：mm；AB为降水减少虚报的主要区域）Fig.8 Distributions of 6 h cumulative precipitation（a.observation，b.Exp_AVE，c.Exp_CLD；unit：mm）beginning at 15:00 UTC 5 June 2019

5.3 物理量场诊断

本节从动力、水汽、热力和水凝物场的角度，探究使用云依赖背景场误差协方差对预报场的影响。17—18 时为图8 降水发生的主要时段，沿着降水减少虚报的主要区域（图8 线AB）做剖面。

5.3.1 动力场

从两组试验风场和散度的垂直剖面（图9）可以看出，17 时，在Exp_AVE 试验中，33°N 附近（黑框区域）低层辐合高层辐散并伴有强垂直上升运动，从低层一直延伸至150 hPa。而在对应区域，Exp_CLD 试验的上升运动相比于Exp_AVE 试验明显减弱，与图8 的降水虚报减小吻合（图9a、b）。18 时Exp_CLD 试验33.7°N 附近的上升运动也较Exp_AVE 试验明显减弱（图9c、d）。强上升运动是降水发生和维持的必要条件，垂直运动的减弱是Exp_CLD 试验能够有效减少降水虚报的主要原因之一。此外，在降水发生的主要时段Exp_CLD 试验研究区域动力条件减弱也是该方案能够预报出两条东北—西南走向雨带、准确显示雨带结构的主要原因。

图9 2019 年6 月5 日15 时Exp_AVE（a、c）和Exp_CLD（b、d）试验散度（色阶，单位：10−5s−1）和风场（风矢，单位：m/s）沿图8 线 AB 的垂直剖面（a、b.2 h 预报场，c、d.3 h 预报场）Fig.9 Cross sections of divergence（shaded，unit：10−5s−1）and wind field（vector，unit：m/s）forecasts along the black line AB（Fig.8）for Exp_AVE experiment（a，c）and Exp_CLD experiment（b，d）at 15：00 UTC 5 June 2019（a，b.2 h forecast field；c，d.3 h forecast field）

5.3.2 水汽场

水汽是诊断降水发生、发展的重要物理量。从两组试验水汽通量和相对湿度的垂直剖面（图10）可以看出，两组试验在研究区域（黑框）的相对湿度和水汽通量差异较大。17 时，在33°N 附近，Exp_AVE 试验的相对湿度大值区在垂直方向上深厚连续，从低层一直延续到250 hPa，相对湿度超过98%，近地面至300 hPa 存在一条明显的水汽输送通道，在偏南气流的引导下，暖湿空气聚集。旺盛的水汽条件使得降水产生了较明显的虚报。而Exp_CLD 试验对应区域的相对湿度和水汽输送明显减弱，在33°N 附近出现大范围相对湿度低于90%的区域（图10a、b）。18 时，研究区域Exp_CLD试验的水汽条件相较于Exp_AVE 试验有所减弱（图10c、d），这也是 Exp_CLD 试验能够减少此次降水过程虚报的主要原因之一。

图10 2019 年6 月5 日15 时Exp_AVE（a、c）和Exp_CLD（b、d）试验相对湿度（色阶，单位：%）和水汽通量（箭矢，单位：g/（cm·hPa·s））沿图8 线AB 的垂直剖面（a、b.2 h 预报场，c、d.3 h 预报场）Fig.10 Cross sections of relative humidity（shaded，unit：10−5s−1）and water vapor flux（vectors，unit：g/（cm·hPa·s））forecast along the black line AB（Fig.8）for Exp_AVE experiment（a、c）and Exp_CLD experiment（b、d）at 15：00 UTC 5 June 2019（a，b.2 h forecast field；c，d.3 h forecasts field）

5.3.3 热力和水凝物场

水凝物在模式积分过程中能起到调整风、水汽、温度等物理量场的作用，并最终影响到降水预报的准确度（何静等，2019）。雷达回波强度能反映大气中水凝物的空间分布。相当位温同时考虑了温度和湿度条件，可以较好地描述对流不稳定特征（黄昕等，2021）。图11 是两组试验雷达组合反射率因子和相当位温的垂直剖面。17 时，Exp_AVE试验研究区域（黑框）强上升运动致使大气中水汽凝结，水凝物明显增加，回波迅速生成，强回波可以延伸至150 hPa。水汽凝结释放潜热，使得相当位温随着高度升高而降低，为对流不稳定区域，并且在33.1°N 附近存在相当位温高能舌向上伸展，不稳定层结深厚，导致了较明显的降水虚报。而在Exp_CLD 试验中对应区域的回波明显减弱，相当位温线较稀疏（图11a、b），与Exp_AVE 试验相比一定程度缓解了降水虚报情况。18 时，与 Exp_AVE试验低层存在相当位温锋区同时伴有深厚的强回波区相比，Exp_CLD 试验研究区域的雷达回波减弱，相当位温线也较平直（图11c、d）。综上所述，使用云依赖背景场误差协方差方案，可以在云区依据云量实时动态调整背景场误差协方差，赋予各格点不同的背景场权重，使得分析场增量具有云依赖性，更符合实际大气特征的分析场进一步将影响传递到动力、水汽、热力、水凝物等物理量场，这些对降水发展维持至关重要的物理量场的改善使得此次强对流暴雨过程能够有效减少虚报、更准确显示雨带结构。

图11 2019 年6 月5 日15 时Exp_AVE（a、c）和Exp_CLD（b、d）试验的雷达反射率（色阶，单位：dBz）和相当位温（蓝实线，单位：K）沿图8 线AB 的垂直剖面（a、b.2 h 预报场，c、d.3 h 预报场）Fig.11 Cross sections of radar reflectivity（shaded，unit：dBz）and equivalent potential temperature（blue solid lines，unit：K）forecast along the black line AB（Fig.8）for Exp_AVE experiment（a，c）and Exp_CLD experiment（b，d）at 15：00 UTC 5 June 2019（a，b.2 h forecast field；c，d.3 h forecast field）

6 结论与讨论

为在同化中引入更合理的背景场误差协方差，提高现有数值气象业务中最常用的三维变分同化框架下雷达资料同化的效果，文中通过利用背景场信息实时计算获得随天气背景依赖的云指数，并构建了随着云指数实时动态变化的“云依赖”背景场误差协方差，提出了基于云依赖背景场误差协方差的同化方案。进行了一系列单点观测理想试验、梅雨期连续11 d 的批量循环同化及预报试验和强对流个例诊断分析，主要结论如下：

（1）单点观测理想试验结果表明：基于云依赖背景场误差协方差同化方案，通过引入CI 能够依据不同时刻不同位置背景场云中水凝物分布特征，实时动态给出具有一定天气系统依赖性的背景场误差。单点观测分析增量能够随着云系的演变而变化，呈现出明显的云依赖性。

（2）梅雨期连续11 d 的批量循环同化与预报结果表明：通过引入更合理的背景场误差协方差，提高了不同预报时效各降水阈值的ETS 评分，降低了降水预报偏差，特别是对于较大量级降水（7 mm/（3 h）、25 mm/（6 h）、30 mm/（12 h））改善较为明显。

（3）强对流暴雨个例诊断分析结果表明：引入云依赖背景场误差协方差可以在分析过程中更合理地将雷达资料的中小尺度信息传递到各物理量场，较好地修正了静态背景场误差协方差方案同化雷达资料出现的热/动力条件预报过强、水汽和水凝物场预报过盛的情况，从而抑制了降水虚报，同时提升了雨带结构的预报准确性。

需要指出的是，文中提出的云依赖背景场误差协方差是利用背景场信息分区并应用于循环同化预报的初次尝试，未来这种利用背景场信息分区同化的思想还可以拓展到其他物理量场（如雨、风场）。目前，本研究采用的云指数是二维的，将来可以考虑利用背景场水凝物信息计算反映云垂直结构的三维云指数；文中中尺度模式的初值和边界条件来自于全球预报场，好的全球模式确定性预报可以为中尺度模式提供更好的初值和边界条件，因此采用更好的全球模式预报场进行驱动可以使得背景场信息计算出的CI 更接近实际云分布情况；文中仅选取梅雨期进行11 d 连续循环同化试验，未来将基于业务模式开展更长时间的评估分析，以此进一步研究云依赖背景场误差协方差对模式带来的影响。