引言

探空是气象观测业务中测量各种气象要素廓线的基本手段之一，尽管传统的定点、定时氢气球探空观测具有较好的代表性和较高的可信度，但其有限的站点分布以及无法连续观测的特点使得探空的时空密度难以适应现代气象业务发展需求。地基微波辐射计(以下简称辐射计)作为一种被动地基遥感仪器，其结构相对简单，且能在无人看守的情况下对温度、水汽等要素的廓线进行连续气象观测，已成为常规探空的重要补充。其中，温、湿度是大气中的重要气象参数，并与人类的生产活动息息相关。温、湿度影响大气中的热力学过程，连续且高质量的大气温湿廓线对研究各种天气具有重要作用。因此，大气中温度与水汽的精细探测十分重要。探空数据是目前最接近真实大气状态的探测数据，探空气球测量的气象要素包括气压、高度、温度、相对湿度、风速和风向等，其垂直廓线可以从地面扩展到约30 km的高度。目前我国气象部门布设了120个高空气象观测站(以下简称探空站)，东部地区站点间距200~300 km，中部地区间距300~400 km，西部地区间距约400~500 km，每天可探测得到垂直廓线资料2~4次，其空间分辨率和时间分辨率均较低。此外，探空气球的高空漂移对温湿廓线高层观测精度影响较大(陈哲等，2010)。

近年来，辐射计被广泛应用到大气探测业务或相关研究中，它不仅能穿透云雾、雨雪，且不需要太阳的照射，具有全天候工作的能力，极大弥补了探空数据的不足。辐射计通过接收大气微波辐射探测大气温、湿度信息，可实现24 h无人值守、高时间分辨率的连续观测，可探测大气要素的短期变化，是对常规业务探空资料的重要补充，在数值天气预报、暴雨等灾害天气分析、短临预报预警等方面有重要的应用价值(鲍艳松等，2016)。如许皓琳等(2022)使用辐射计对昆明机场两次不同类型强雷暴过程中的温湿参量进行研究并指出，辐射计温湿廓线在中小尺度天气诊断分析以及气象要素连续变化的研究中有较好的应用；毛宇清等(2022)在常规高空探测资料的空白期利用辐射计的温度、液态水和水汽密度资料来分析降水相态转换期间温度层结和水汽的变化，展现了辐射计时间分辨率高和连续观测的优势；周涛等(2022)利用包含辐射计在内的多源资料对冀中平原地区一次暖区暴雨过程进行水汽特征分析，结果表明常规气象观测资料、拉格朗日混合单粒子轨道模型（HYSPLIT模式)和辐射计水汽特征一致，HYSPLIT模式和辐射计两种高时空分辨率资料可为暖区暴雨落区等精细化预报、预警提供一定参考；周永水等(2022)利用贵阳辐射计研究晴天时逆温与微波辐射计误差的相关性，区分季节比对了晴天条件下微波辐射计的误差及误差的标准差，其结果显示冬季误差大于其余季节。但其研究侧重晴天逆温，辐射计穿透云雨的优势并未展现。

综上所述，辐射计作为新型观测资料在气象探测研究中发挥了一定作用，但其仍存在一定误差，国内多位学者对不同型号辐射计的温湿探测性能进行了评估，但主要是与业务探空资料进行比对(张文刚等，2017)。杨莲梅等（2013）利用乌鲁木齐L波段探空数据对MP－3000A型地基微波辐射计温湿数据进行评估，评估得出微波辐射计与探空测量温度相关系数为0.99，相对湿度相关系数为0.74，这说明湿度资料的使用需要进一步订正和处理；而湿度垂直变化较复杂，且由于常规探空自身的不确定性，湿度对比中两者一致性较差，这说明辐射计湿度资料的使用需要进一步订正和处理；徐桂荣等(2019)对甘孜地区辐射计资料进行了统计分析，结果表明总体上辐射计反演参量与探空观测之间的相关性较好，非强降水对辐射计观测质量的影响较小，展现了辐射计在降雨天气下穿透云雨的优势；王志诚等(2017)比对了四台辐射计与L波段探空的误差，认为四台辐射计相对湿度误差在晴空条件下小于云雨条件下的，这是因为在云雨条件下微波吸收的不确定性导致相对湿度反演误差加大，并且他们明确指出，选用L波段探空资料作为参考标准，其自身的误差和气球偏移的误差无法避免，需要更多的综合比对和验证。

ERA5再分析数据利用数值天气预报和同化系统把各类观测数据进行融合和最优集成，形成长序列的格点数据集。相比探空观测，ERA5数据具有时空分辨率高的特点，可以弥补探空数据量不足的缺点，且数据获取方便，部分学者将ERA5温湿数据作为大气温湿度真实值并用于研究。雷连发(2022)在研究中对比分析了ERA5和车载辐射计的温湿度数据，发现两者的一致性较好；王群等(2021)利用ERA5再分析资料的高时空分辨率特征，建立了江苏及周边区域的加权平均温度模型，使用江苏及其周边区域的探空数据对ERA5的模型进行修正和精度验证，时间上利用逐小时的ERA5数据建模，相比于传统使用12 h分辨率的探空数据增强了模型的适用性。对无探空站点的辐射计资料而言，使用ERA5数据进行评估拓展了辐射计资料的研究和应用范围。

为了较全面地了解辐射计探测性能，改进其温湿廓线精度，本文以常规探空数据为参考，对辐射计在不同天气条件下的温湿数据进行分析评估，并使用线性订正方法对偏差进行订正。由于探空数据检验集样本量较少，为综合比对和验证，利用时间分辨率更高的、经探空数据修正后的ERA5数据对辐射计数据进一步订正，并进行多源对比检验，研究结果可为辐射计数据质量改进提供参考，并可拓展无探空站辐射计设备的应用。

1.   数据及方法

1.1   数据说明

本文使用的数据时段为2021年3—8月部分时间段共99 d，其中3—5月21 d，6—8月78 d。

辐射计数据来源于中国气象局气象探测中心，由布设在北京市大兴站(116.47°E，36.8069°N，海拔33 m) 的两台辐射计提供，型号分别为MWR-C和Airda-HTG4。LV2数据中温度和相对湿度数据时间分辨率为2 min，垂直方向0—10 km共83个高度层，垂直分辨率0.5 km以下为25 m，0.5—2 km为50 m，2—10 km为250 m。3—4月数据来自于MWR-C，5—8月数据来自于Airda-HTG4。

L波段探空数据和地面自动气象站数据与辐射计同期同址观测，均由中国气象局气象探测中心提供，地面自动气象站观测资料用于判断天气；ERA5数据为欧洲中心官方网站(https://cds.climate.copernicus.eu/)下载得到的等压层数据，所取空间范围为116°— 117°E、39°—40°N。

1.2   研究方法

本文在对辐射计进行评估时，首先使用探空数据对其进行误差计算和偏差订正，但由于探空数据时间分辨率较低，因此使用时间分辨率更高的ERA5数据作为真实值进一步对比评估。由于探空数据与ERA5数据在高层误差特征不同，使用ERA5数据前利用探空数据对其进行修正。具体流程如图 1所示。

图  1  辐射计温、湿度误差分析和订正流程图

Figure  1.  Flow chart of bias analysis and correction of temperature and humidity data with ground-based microwave radiometer (MWR, same here after)

下载: 全尺寸图片 幻灯片

1.2.1   时空匹配及天气分型方法

由于辐射计、探空数据和ERA5数据垂直分辨率不同，因此使用线性插值方法将探空数据和ERA5数据重采样至辐射计数据的83层探测高度。由于ERA5为格点数据，探空数据及辐射计为大兴站点同址观测数据，因此取距离大兴站最近的四个格点双线性插值得到与ERA5匹配的数据。

在对辐射计数据和ERA5数据进行时间匹配时，以ERA5数据的00—23时(世界时，下同)为基准，匹配前后10 min的辐射计数据并取平均，形成匹配数据对。地面自动气象站数据的作用有两个，第一个是作为地面数据与ERA5气压层数据形成0—10 km的廓线资料，具体方案如下：若自动气象站地面气压≥ 1 000 hPa，则将地面自动气象站温湿数据作为0 m高度处的温湿数据；若自动气象站地面气压 < 1 000 hPa，则将地面自动气象站温湿度数据作为33 m(大兴站海拔高度)高度处的温湿数据，并进行线性插值使得ERA5数据形成0—10 km完整的温湿廓线。第二个作用是根据降雨量、总云量等信息判定晴天、云天、雨天。若大兴站点地面自动气象站过去1 h降水量大于0.1 mm则判定为雨天，若大兴站点地面自动气象站过去1 h降水量为0 mm，且总云量 < 10%以及ERA5各高度层相对湿度小于85%(邹倩等，2022)，则判定为晴天；其他情况定为云天(含阴天及过去1 h降水量为0.0 mm的天气)。

1.2.2   质量控制方法

对辐射计温度和相对湿度分别进行分层质量控制，利用三倍误差标准差法(顾英杰，2021)对辐射计温湿廓线进行异常值剔除，以使用探空温度对辐射计温度数据进行质量控制为例，具体剔除方法如下。

分别记辐射计温度、探空温度为x、t

计算辐射计温度与探空温度的误差ε

对误差做标准化

其中，ε为误差的均值，s为误差的标准差。如果|e| > 3，则对应的辐射计温度数据x_i所在的整条廓线被作为异常值剔除。

辐射计与ERA5数据经过时空匹配和天气分型后，得到410个晴天样本、739个云天样本和125个雨天样本。经过质量控制后，晴天、云天、雨天温度分别保留406、730、125条廓线，相对湿度分别保留404、738、125条廓线。晴天、云天和雨天温度样本的剔除率分别为0.98%、1.22%和0%，相对湿度样本剔除率分别为1.46%、0.14%和0%。

辐射计与探空数据经过时空匹配和天气分型后，得到77个晴天样本、146个云天样本和21个雨天样本。经过质量控制保留的温湿廓线数量为晴天77条、云天143条和雨天21条。其中，只有云天剔除了3条廓线，样本剔除率为2.05%。

1.2.3   线性偏差订正法

本文线性偏差订正方法是指采用构建线性回归方程的方法对偏差进行订正，本文线性偏差订正方法应用在三个方面，包括探空数据对辐射计的订正、探空数据对ERA5数据的订正以及利用修正后ERA5数据对辐射计的订正。以探空数据对辐射计的订正为例，利用辐射计与探空数据之间的特征建立线性回归方程，选取80%样本确定拟合系数a和b，剩余20%样本进行独立样本检验。在选取样本的过程中，将所有样本划分为每5个样本为一组，前4个样本用作建模以确定系数，第5个样本作为独立样本进行检验。建模和检验过程如下(唐兆康，2021)。

其中，x为订正前的辐射计温湿廓线，y₀为经过探空温湿廓线，对83个高度层进行线性拟合得到83对系数a和b。

对检验集进行独立样本检验，将x (原始的辐射计温湿廓线)代入公式计算得到线性偏差订正后的辐射计温湿廓线y₁。

1.2.4   误差统计指标

本文对辐射计温、湿度进行检验时，将探空数据及订正后的ERA5数据作为真实值，采用平均误差(BIAS)、标准差(STD)、均方根误差(RMSE)三个指标检验辐射计温、湿度廓线精度。其中，高度层P的平均误差记为B_IAS(P)，高度P的标准差记为S_TD(P)，高度P的均方根误差记为R_MSE(P)，计算公式如下

公式中P表示某一高度，i为样本编号，x_i表示第i个样本同一高度辐射计的温度(或相对湿度)，t_i表示第i个样本同一高度真实值(探空数据或经探空数据修正后的ERA5数据)的温度(或相对湿度)，n为总样本数。辐射计数据共83层，各层平均误差BIAS(P)反应辐射计温湿度偏离实况温湿度的情况，正值代表辐射计温湿度高于实况，负值代表辐射计温湿度低于实况，误差标准差STD(P)、均方根误差RMSE(P)反应辐射计温湿度与实况温湿度之间的偏差，两种检验值越小，代表辐射计温湿度越接近实况。

2.   结果与分析

2.1   辐射计与探空的误差分析

分晴天、云天、雨天对辐射计温、湿度数据进行误差分析，不同天气条件的样本数用N表示，相关统计参数为相关系数(R)，均方根误差(RMSE)，平均误差(BIAS)，误差标准差(STD), 表示辐射计与探空0—10 km共83层所有散点之间的误差。1:1线表示辐射计与探空0—10 km共83层所有散点之间的误差为0的线(下同)。通过辐射计与探空温、湿度散点图(图 2)可见，概率密度较大的数值分布在1：1线上，密度较小的数值分布在1：1线两侧，可见晴天、云天条件下，辐射计与探空温度的一致性较好，雨天温度与探空温度之间误差较大，RMSE为5.473 K，且雨天探测温度明显高于探空温度，这与王志诚等(2017)得出的“降水发生时辐射计的温度观测会呈现明显偏高”的结论一致。

图  2  2021年3—8月大兴站晴天(a, b)、云天(c, d)、雨天(e, f) 条件下辐射计与探空的温度(a, c, e)和相对湿度(b, d, f)散点图(红线为拟合线, 黑线为1:1线)及相关统计参数(样本数N，相关系数R，均方根误差RMSE，平均误差BIAS，误差标准差STD) (色标表示数据的概率密度，色标越红表示概率密度越大，色标越蓝表示概率密度越小, 下同)

Figure  2.  Scatter plot of (a, c, e) temperature and (b, d, f) relative humidity between radiometer and radiosonde data on (a, b) sunny day, (c, d) cloud day and (c, d) rainy day in Daxing site from March to August 2021 (The red line represents the fitting line, while the black line represents 1:1 line) nd relevant statistical parameters (sample size (N), correlation coefficient (R), root mean square error (RMSE), mean error (BIAS), standard deviation (STD), a redder color scale indicates a greater probability density, and a bluer color scale indicates a smaller probability density, same here after)

下载: 全尺寸图片 幻灯片

晴天、云天、雨天不同天气条件下，辐射计相对湿度与探空相对湿度的相关系数分别为0.752、0.637和0.345，可见辐射计相对湿度数据精度晴天优于云天，云天优于雨天。散点图中辐射计晴天相对湿度(图 2b) 数值明显高于探空，这与刘建忠等(2012)得出的“无降水时总体来看辐射计反演出的湿度比探空偏高”结论一致。云天辐射计相对湿度(图 2d)比探空略小，BIAS为-2.422%。雨天条件下辐射计相对湿度(图 2f)整体小于探空，这与刘建忠等(2012) “有降水时，只有700 m、1 500 m高度上平均误差为正，其余为负”结论一致。可见辐射计与探空温湿度之间存在一定线性关系。因此本文基于探空观测使用线性偏差订正方法对辐射计温湿数据进行订正，以提高温湿廓线的精度。

2.2   基于探空的地基微波辐射计线性偏差订正

图 3用于检验的数据样本数，晴天为1 245个(散点)，云天为2 324个，雨天为332个。经过线性偏差订正，辐射计与探空数据在晴天、云天和雨天的温度相关系数分别提升0.001、0和0.016；RMSE分别减小0.172 K、0.397 K和3.207 K；STD分别减小0.183 K、0.392 K和1.976 K。这说明使用探空数据对辐射计进行线性偏差订正能有效提高温度廓线精度，且雨天订正效果最好，其次是云天，最后是晴天。

图  3  2021年3—8月大兴站晴天(a, b)、云天(c, d)、雨天(e, f)条件下辐射计与探空订正前(a, c, e)和订正后(b, d, f)温度散点图(红线为拟合线, 黑线为1:1线)

Figure  3.  Temperature scatter plot (a, c, e) before correction and (b, d, f) after correction between radiometer and radiosonde data on (a, b) sunny day, (c, d) cloud day and (c, d) rainy day in Daxing site from March to August 2021 (The red line represents the fitting line, while the black line represents 1:1 line)

下载: 全尺寸图片 幻灯片

根据辐射计相对湿度散点图(图 4)，利用探空数据对辐射计进行线性偏差订正后，地基辐射计与探空数据在晴天、云天和雨天的相对湿度相关系数依次提升0.022、0.018和0.26；RMSE依次减小1.431%、2.892%和16.776%；BIAS依次减小2.434%、2.008%和10.337%。晴、云天相对湿度订正效果相当，雨天订正效果最好，这说明线性偏差订正方法有效提高了辐射计相对湿度廓线的精度。

图  4  2021年3—8月大兴站晴天(a, b)、云天(c, d)、雨天(e, f)条件下辐射计与探空订正前(a, c, e)和订正后(b, d, f) 相对湿度散点图(红线为拟合线, 黑线为1:1线)

Figure  4.  Relative humidity scatter plot (a, c, e) before correction and (b, d, f) after correction between radiometer and radiosonde data on (a, b) sunny day, (c, d) cloud day and (c, d) rainy day, in Daxing site from March to August 2021 (The red line represents the fitting line, while the black line represents 1:1 line)

下载: 全尺寸图片 幻灯片

探空数据检验的样本量较少，尤其是雨天仅有4条廓线，332个散点，因此需使用更多样本进行验证和研究。由于探空时间分辨率较低，地基设备无法匹配到足量探空数据，因此考虑使用时间分辨率较高的ERA5数据对辐射计进行线性偏差订正研究。

2.3   基于ERA5的地基微波辐射计线性偏差订正

2.3.1   ERA5数据的适用性评估与订正

ERA5数据为处理后的再分析资料，探空数据由探空气球探测得到，由于探空气球在高空存在漂移，因此ERA5数据与探空数据在高空存在差异，使用ERA5数据时需要事先进行适用性评估和订正。与探空数据相比，ERA5数据的相对湿度误差明显大于温度误差(图 5)。这与孟宪贵等(2018)对ERA5再分析数据的评估结果中“再分析的2 m温度与实况资料的相关性明显优于2 m相对湿度”的结论一致。

图  5  2021年3—8月大兴站线性偏差订正前后ERA5数据与探空数据温度(a、b)、湿度(c、d)的平均误差BIAS(a、c)和均方根误差RMSE(b、d)垂直分布

Figure  5.  The vertical distribution of (a, c) mean error and (b, d) root mean square error of ERA5 (a, b) temperature and (c, d) relative humidity in Daxing site from March to August 2021

下载: 全尺寸图片 幻灯片

ERA5温度平均误差为1 K以内(图 5a)，相对湿度误差在4 km以下为5%以内(图 5c)，在4 km以上，ERA5相对湿度BIAS随着高度升高逐渐增大，到10 km附近达到15%。经过线性偏差订正，ERA5相对湿度在4 km以上精度提升效果较为明显，ERA5温度BIAS在10 km处减小0.5 K(图 5a)，ERA5相对湿度BIAS在10 km处减小接近10%(图 5c)，相对湿度RMSE在10 km处减小5%(图 5d)。整体来说，ERA5数据在4 km以下与探空数据特征相似，4 km以上ERA5数据的线性偏差订正效果较好，因此本文后续使用的4 km以上的ERA5数据为修正后的数据，修正后的ERA5数据与探空一致性更好。

2.3.2   线性偏差订正前后温湿度散点图分析

ERA5数据经过修正后，可用于辐射计温湿数据的订正。经过质量控制后，晴天、云天、雨天温度建模样本分别保留325、584、100条廓线，检验样本分别保留81、146、25条廓线。图 6为不同天气条件下线性偏差订正前后的辐射计温度的散点分布图(以订正后的ERA5温度作为参考值)。在独立样本检验中，辐射计与ERA5数据在晴天、云天和雨天的温度相关系数分别提升0.001、0.002和0.021，RMSE分别减小0.266 K、0.72 K和3.622 K，STD分别减小0.193 K、0.702 K和2.266 K。这说明使用ERA5温度数据对辐射计的温度进行线性偏差订正后其精度有比较明显的提升，且雨天订正效果最好，其次是云天，最后是晴天。

图  6  2021年3—8月大兴站晴天(a, b)、云天(c, d)、雨天(e, f)条件下辐射计与ERA5数据订正前(a, c, e)和订正后(b, d, f)温度散点图(红线为拟合线, 黑线为1:1线)及相关统计参数

Figure  6.  The scatter plots of temperature before correction (a, c, e) and after correction (b, d, f) between MWR and ERA5 data on (a, b) sunny day, (c, d) cloud day, and (c, d) rainy day at the Daxing site from March to August 2021 (The red lines represent the fitting lines, while the black lines represent 1:1 lines) and relevant statistical parameters

下载: 全尺寸图片 幻灯片

经过质量控制后，晴天、云天、雨天相对湿度建模样本分别保留324、591、100条廓线，检验样本分别保留80、147、25条廓线。经过线性偏差订正，辐射计晴天、云天和雨天相对湿度相关系数分别提升0.035、0.044和0.085 (图 6)；晴天、云天和雨天相对湿度RMSE分别减小2.198%、3.425%和5.864%；晴天条件下相对湿度BIAS减小3.085%，云天相对湿度BIAS减小2.47%，雨天相对湿度BIAS从0.062%增加到1.792%。结果表明线性偏差订正方法对辐射计的相对湿度数据精度有明显的提升效果。

2.3.3   线性偏差订正前后温湿度误差的垂直分布分析

为进一步检验订正效果，对晴天、云天、雨天条件下误差的垂直分布情况进行分析。图 8中晴天温度廓线各层均为81个样本，云天温度廓线各层均为146个样本，雨天温度廓线各层均为25个样本。晴天相对湿度廓线各层均为80个样本，云天相对湿度廓线各层均为147个样本，雨天相对湿度廓线各层均为25个样本。整体来看，线性偏差订正前，辐射计的温度廓线和相对湿度廓线精度为晴天>云天>雨天。辐射计温度及相对湿度均方根误差整体趋势为随高度递增，这是因为地基设备通道权重函数集中在地面，高层探测性能有限，但雨天相对湿度廓线在4 km处RMSE和STD存在峰值，可以推测此处有降雨发生。张文刚等(2013)开展了降水对微波辐射计探测性能影响的研究，本文结论“雨天地基微波辐射计相对湿度廓线探测精度较差”与其文中结论“降水对辐射计相对湿度廓线有较为明显的影响”基本一致。雨天精度明显较差的原因是雨天天线罩附着水层对微波信号的影响造成雨天探测失真。

图  7  2021年3—8月大兴站晴天(a, b)、云天(c, d)、雨天(e, f)条件下辐射计与ERA5数据订正前(a, c, e)和订正后(b, d, f)相对湿度散点图(红线为拟合线, 黑线为1:1线)及相关统计参数

Figure  7.  The scatter plots of relative humidity before correction (a, c, e) and after correction (b, d, f) between MWR and ERA5 data on (a, b) sunny day, (c, d) cloud day, and (c, d) rainy day at the Daxing site from March to August 2021 (The red lines represent the fitting lines, while the black lines represent 1:1 lines) and relevant statistical parameters

下载: 全尺寸图片 幻灯片

图  8  2021年3—8月大兴站不同天气条件下线性偏差订正前后辐射计与ERA5温度(a, b, c)和湿度(d, e, f)的平均误差BIAS(a, d)、均方根误差RMSE(b, e)、误差标准差STD(c, f))垂直分布

Figure  8.  Vertical distribution of (a, b, c) temperature and (d, e, f) humidity error ((a, d) mean error, (b, e) root mean square error, (c, f) standard deviation) of MWR before and after linear bias correction under different weather conditions in Daxing site from March to August 2021

下载: 全尺寸图片 幻灯片

经过线性偏差订正，各天气条件下辐射计与ERA5数据的温度和相对湿度BIAS都趋近于0 (图 8)。晴天温度RMSE在7 km以上改进更明显；云天温度RMSE在4 km以上订正效果较好；雨天温度廓线线性偏差订正效果整体较好，10 km处RMSE减小幅度接近5 K。误差标准差STD订正效果与RMSE类似，但减小幅度更小。晴天相对湿度RMSE在7 km以上减小5%；云天相对湿度RMSE在5 km以上订正效果较明显；雨天相对湿度在各高度层均有明显订正效果，在4 km附近RMSE减小超过25%。

三种天气条件下，线性偏差订正后辐射计温湿廓线精度有明显提升。雨天订正效果尤为明显，说明雨天数据误差主要来自于系统偏差。当然，由于雨天样本只有25条廓线，有待利用大样本检验订正效果。

2.4   辐射计、ERA5、探空数据对比

本文利用探空数据修正后的ERA5数据来检验和改进辐射计温湿廓线，为了探讨该方案的可行性，研究辐射计探测性能，进一步采用探空数据和ERA5数据两种真实值对经ERA5订正后的辐射计数据进行误差分析。辐射计误差垂直分布图(图 9、10)中各层数据量为晴天77条、云天143条和雨天21条。图中实线表示辐射计与探空数据的误差，虚线表示辐射计与ERA5数据的误差。晴天和云天条件下两种不同来源的误差廓线垂直分布特征相似，这进一步说明上述线性偏差订正方案的适用性。但雨天条件下在7 km以上误差特征有明显区别，辐射计经ERA5数据订正后，在7—10 km温度与探空数据更接近，相对湿度与ERA5数据更接近。辐射计与探空的温度RMSE比辐射计与ERA5的温度RMSE小约4 K，辐射计与ERA5的相对湿度RMSE比辐射计与探空的相对湿度RMSE小约20%。这一差异可能是因为雨天数据量较少造成。

图  9  2021年3—8月大兴站不同天气条件下辐射计与ERA5和探空温度的平均误差BIAS (a)、均方根误差RMSE (b)、误差标准差的STD (c)垂直分布

Figure  9.  Vertical distribution of temperature error ((a) mean error, (b) root mean square error, (c) standard deviation) between MWR and ERA5/radiosonde data under different weather conditions in Daxing site from March to August 2021

下载: 全尺寸图片 幻灯片

图  10  2021年3—8月大兴站不同天气条件下辐射计和ERA5与探空相对湿度的平均误差BIAS (a)、均方根误差RMSE (b)、误差标准差的STD (c)垂直分布

Figure  10.  Vertical distribution of relative humidity error ((a) mean error, (b) root mean square error, (c) standard deviation) between MWR and ERA5/radiosonde data under different weather conditions in Daxing site from March to August 2021

下载: 全尺寸图片 幻灯片

3.   结论与讨论

本文对辐射计在晴天、云天、雨天三种天气条件下的探测性能进行了分析，为提升辐射计温湿廓线精度，使用探空数据和订正后的ERA5数据，对其进行偏差订正，得到以下结论：

(1) 在晴天、云天天气条件下，辐射计温度与探空温度(即温度实测值)有较好的一致性，在雨天条件下辐射计温度高于实际温度。辐射计相对湿度晴天高于实际值，雨天条件下低于实际值。对辐射计温湿度

进行线性偏差订正后，晴天、云天和雨天三种不同天气条件下，温度RMSE依次减小0.172 K、0.397 K和3.207 K，相对湿度RMSE依次减小1.431%、2.892%和16.776%。可见，雨天条件下，辐射计温湿度线性偏差订正效果最好。

(2) ERA5相对湿度在4 km以上与探空相对湿度(即相对湿度实测值)有明显偏差，使用探空数据修正后的ERA5数据改进辐射计温湿廓线的方法有明显订正效果，且在雨天条件下改善幅度最大，雨天温度RMSE减小3.6 K，相对湿度RMSE减小5.9%。在垂直方向上，随着高度的升高，辐射计温湿数据订正效果更明显。

(3) 晴天和云天条件下，辐射计与探空数据和修正后ERA5数据两种检验源误差特征相似，雨天条件下在中高层(7—10 km)有明显差异。辐射计与探空的温度RMSE比辐射计与ERA5的温度RMSE小约4 K，辐射计与ERA5的相对湿度RMSE比辐射计与探空的相对湿度RMSE小约20%。

需要指出的是，本文仅选择了北京地区大兴站点半年辐射计数据，只能代表该站点地基微波辐射计探测情况。且雨天样本少于晴天和云天样本，由于样本量对线性偏差订正算法研究有一定影响，下一步将收集更多站点、更长时间的雨天样本数据，研究辐射计在温湿探测领域的应用。