文摘

多普勒速度dealiasing技术基于alias-robust VAD和变分(AR-Var)分析发达国家严重的风暴实验室的雷达数据质量控制和同化进一步改进的两步过程:参考检查在第一步和第二步的连续性检验。在第一步中,修改alias-robust变分分析自适应和使用的alias-robust速度方位显示(VAD)分析所有扫描模式(而不是仅仅wsr - 88 d体积覆盖模式31的奈奎斯特速率 减少低于12米−1和TDWR Mod80 减少低于15米−1),所以更多的原始数据可以通过严格的阈值条件参考检查所使用的第一步。这提高了dealiased数据覆盖不假dealiasing更好地满足所需的高数据质量标准雷达数据同化。在第二步中,新的程序设计和添加到连续性检查增加dealiased数据覆盖storm-scale地区受到强烈的中气旋及其生成的龙卷风的威胁。改善dealiasing的表演技术与现有技术以获得的结果对龙卷风的风暴扫描操作KTLX雷达在俄克拉何马州。

1。介绍

雷达数据质量控制是至关重要的雷达数据同化和dealiasing是一个重要的,但往往非常困难的雷达数据质量控制的一部分。目前,当地环境dealiasing算法(Eilts和史密斯[1])是用于wsr - 88 d雷达(NEXRAD网络)处理雷达多普勒速度数据进行实时的数据。当这个算法最初是发达国家严重的风暴实验室(NSSL)的主要目标是视觉和某些定量应用程序,如自动化中气旋检测(Stumpf et al。2和史密斯和爱尔摩3]),相当容忍坏或质量差的数据保留尽可能多的原始数据覆盖。因此,处理过的数据通常不满足所需要的高质量的标准数据同化的国家环境预报中心(NCEP)。这个问题是很常见的对于大多数早期开发dealiasing技术,特别是那些没有包含数据同化的设计主要是为应用程序包括目前开发和测试技术(如二维dealiasing京和维纳(4)广泛应用在NWS雷达操作中心(伯吉斯和床5)和威特et al。6])。努力满足雷达数据同化的需要,持续的努力已经在NSSL与其他研究机构合作开发健壮的dealiasing技术(锣et al。7),高et al。8张),和王9许,et al。10,徐和奈11])。特别是,徐的dealiasing技术等。10)被广泛测试的实时观测操作wsr - 88 d雷达在各种天气条件下。从这些测试,这项技术被发现能够纠正别名错误没有假dealiasing在大多数情况下,但它有时未能正确或国旗严重别名径向速度在强烈剪切和经常在严重倾斜的逆温层的冬季暴风雪的袭击操作wsr - 88 d扫描的雷达使用体积覆盖模式31 (VCP31) 12米的年代−1,在那里 表示奈奎斯特速率。偶尔的失败是由于缺乏所需的精度(在 7 / 4的真正价值在每一个观测点)参考alias-robust产生的径向速度场的速度方位显示(AR-VAD)分析(徐et al。12])。为了解决这个问题(主要是通过减少引起的 ),一个alias-robust变分(AR-Var)分析开发(徐和奈13])和使用的AR-VAD分析参考检查升级VAD-based dealiasing(徐et al。10])的自适应VCP31成AR-Var-based dealiasing(徐和奈(11])。作为数据同化的dealiasing以上技术开发应用程序摘要(刘et al。14]),必须使用各种严格的阈值条件,确保dealiased假dealiasing的数据是完全免费的。这些严格的条件往往抛弃很多数据不能通过阈值即使dealiasing, dealiased数据甚至更少的报道往往低于原始数据,特别是在孤立的数据区域远离雷达或局部地区的强大而复杂的风如周围的中气旋。因此有必要进一步改善这些dealiasing技术提高dealiased数据覆盖但仍然是完全免费的假dealiasing,尤其是在storm-scale地区受到强烈的中气旋及其生成的龙卷风的威胁。上述现有dealiasing数据同化技术进行了综述2。改进了现有的dealiasing技术提出了部分3。结论遵循节4。

2。回顾VAD-Based和AR-Var-Based Dealiasing数据同化技术

徐的VAD-based dealiasing技术(et al。10])开发NSSL风雷达数据质量控制是NCEP雷达数据同化测试和应用程序(刘et al。14])。这个dealiasing执行两个步骤:(i)的参考检查参考AR-VAD产生的径向速度场分析(徐et al。12)检测和正确的别名all-flagged原始数据中的错误和(2)连续性检查一个增强使用可用的种子(即数据。,dealiased or deflagged data that have passed the reference check and thus have been accepted as good data) in a properly enlarged block area near each remaining flagged data point being checked. The technique has been tested with raw radial velocities scanned from operational WSR-88D radars under various weather conditions. In most cases, the algorithm can correct aliased velocities without false dealiasing. However, like the classic VAD analysis, the AR-VAD analysis is inherently limited by its uniform-wind assumption, so the resultant reference radial velocities often do not have the desired flexibility and variability to allow most raw data to pass the stringent threshold conditions, especially when the Nyquist velocity 降低,因此,阈值范围进一步缩小。因为这个原因,VAD-based dealiasing偶尔无法检测并纠正严重别名速度在强烈剪切和倾斜反演层观察到严重的冬季暴风雪的袭击操作wsr - 88 d雷达使用VCP31 12米的年代−1。为了解决这个问题,AR-Var分析(徐et al。15])是提炼成一个两步分析(徐和奈13])和用于检查AR-VAD分析的参考。在精制AR-Var分析的第一步,修改原AR-VAD分析符合原始别名的径向速度观测 90°附近的两个配对零径向速度点(约180°除外)在选定的范围圈。这一修改类似sectorized uniform-wind技术应用与两个180°部门。两个分析径向速度字段被组合成一个单一的径向速度场不严格制约和监督uniform-wind假设。在第二步中,合并后的径向速度场作为第一个猜精制AR-Var分析。这升级AR-VAD-based dealiasing到AR-Var-based dealiasing(徐和奈(11)自适应的冬季暴风雪的扫描的wsr - 88 d雷达使用VCP31(0.5°, 1.5°, 2.5°, 3.5°,和4.5°倾斜)以及风暴由联邦航空局扫描终端多普勒天气雷达(TDWR)雷达使用Mod80 ( 15米年代−1在0.5°,1.0°,2.5°,5.1°,7.7°,11.3°,15.3°,20.7°,28.2°倾斜)。

的AR-Var-based dealiasing已成功测试了扫描的操作与许多的冬季暴风雪wsr - 88 d雷达使用VCP31 12米的年代−1和许多风暴由联邦航空局俄机场TDWR扫描雷达用Mod80 15米年代−1。这种dealiasing技术的有效性是在图所示的例子1(除了在图的例子2徐和奈11])。如图1(一)(或图1 (b)),原始径向速度严重别名以外的大部分地区25(或10)公里辐射范围,和别名速度甚至折叠两次的西南部和东北部地区150或60公里外的雷达径向范围1.5°(或4.5°)倾斜。如图所示的dealiased径向速度场图1 (c)(或图1 (d)),风场是由一个强大的向东北流的垂直水平以下 0.7公里(也就是说,在辐射范围内的 25(15)公里1.5°(或4.5°)急剧倾斜),然后转向强势西南流 0.8公里。这个急剧变化的风向是一个典型的特性通常观察到在冬天的冰雪风暴,和这个功能被两步AR-Var分析由AR-VAD但不是检索分析由于减少了 ( 11.51年代−1)和增加差异VAD-analyzed均匀风和真正的风,特别是在垂直剪切层不完全平坦。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图1
KTLX原始速度图像扫描的雷达 11.51年代−1(一)1.5°倾斜00:10:38 UTC和(b) 4.5°倾斜于00:15:28 UTC冰暴1月27日,2009年。Dealiased速度图像(c) 1.5°, (d) 4.5°倾斜的AR-Var-based dealiasing。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图2
(一)原始径向速度扫描由KTLX雷达用VCP12形象 26.1年代−14.0°倾斜的俄克拉何马州龙卷风的风暴系统22:12:23 UTC时间5月24日,2011年。(b) Dealiased径向速度(种子数据)而产生的图像仅检查改进的参考。(c) Dealiased径向速度图像(紫色)的特殊数据点绘制第一单向发展过程产生的连续性检查后检查改进的参考。(d)最后dealiased径向速度图像产生的新的扩展AR-Var-based方法。(e)在面板(c),但第一个猜是精制AR-Var RAP-predicted风场的分析。(f)在面板(d),但第一个猜是精制AR-Var RAP-predicted风场的分析。白色的字母“A”面板(A)标志着主要aliased-velocity地区。白色的字母B1和B2在面板(c)标志着两个标记(黑色)半岛地区。白色字母B2面板(d)标志着仍标记半岛地区。大(或小)黄色的圆圈标志着成熟或新兴旋风的中气旋在面板(a)和(f),和一个放大插入帧显示成熟的龙卷风的中气旋在面板(f)。绿色的轮廓在每个面板的底部显示了俄克拉何马州和德克萨斯州州之间的界限。 The color scale for the radial velocity is plotted on the top of each panel.

的AR-Var-based dealiasing纳入了雷达数据质量控制计划(刘et al。14)美国国家环境预报中心(NCEP)的操作测试。摘要雷达数据同化应用程序,方法是需要绝对自由的假dealiasing。这不可避免地牺牲数据覆盖某些但不同程度AR-Var-based dealiasing和AR-VAD-based dealiasing。牺牲(标记)数据覆盖率通常是轻微和边际AR-Var-based dealiasing应用自适应自生的冬季暴风雪的速度扫描使用VCP31通常从暴风雪而连续和完整的覆盖在每个倾斜,所以做dealiased数据(如图1)。但是,对于VAD-based dealiasing还用于其他VCPs,参考检查主要的第一步必须是有限的在截止径向范围内(0.5°倾斜30公里和80公里的所有其他更高的倾斜;参见 徐et al。10)为了避免假dealiasing,所以孤立的数据区域(40盖茨和5束或更多)的种子产生的数据区域参考检查仍将标记为他们无法达成的连续性检查的第二步VAD-based dealiasing(见部分 徐et al。10])。这种限制可以成为春季或夏季对流风暴的严重时的原始速度扫描使用VCP11风暴,VCP211, VCP12或VCP121 ( 20米年代−1在14从0.5°倾斜到19.5°)分布在大型稀疏偏远地区远离雷达。减少这种限制,进一步改进的参考检查第一步和第二步的连续性检验。这些新的改进部分中描述3。

3所示。新的改进和结果

增加种子的覆盖率数据产生的参考检查的AR-Var-based dealiasing扩展和使用的VAD-based dealiasing所有其余VCPs(除了VCP31 wsr - 88 d和Mod80 TDWR)和两个新的适应性( 18米年代−1只):(i)初始假想背景径向速度场(用于启动下降算法的第二步精制AR-Var分析)是直接取自AR-VAD分析没有修改精炼AR-Var分析的第一步,因为修改AR-VAD分析是必要的 18米年代−1但它需要足够的原始数据覆盖在每个选定的范围圈部分将对此进行说明2。(2)截止径向范围限制(见部分 徐et al。10参考检查])被移除,因为精制AR-Var分析不是严格制约和监督uniform-wind假设,从而可以适应数据比AR-VAD分析径向范围(增加分析准确性的例证在图1和图2 Xu和奈13])。上述两个适应性可以提高种子数据覆盖,但改进的种子数据覆盖率仍然是限制常常有限的径向距离的初始假想背景AR-VAD产生的径向速度场分析。这是在图所示的例子2 (b),产生的种子数据从原始数据图2(一个)与上述两个适应的参考检查仍局限在径向36公里范围内,因为AR-VAD分析未能产生初始假想背景AR-Var分析径向速度场 36公里( 2.6公里4.0°倾斜)。第三列的表中列出1,这些种子数据覆盖28.04%的原始数据,这比种子数据,超龄(26.36%)产生的参考检查AR-VAD-based dealiasing(没有显示)。然而,连续性检验后执行(单向向前离开雷达)在第二个主要步骤中,新的扩展AR-Var-based dealiasing可以覆盖大部分原始数据连接区域没有任何虚假dealiasing如图2 (c),这覆盖(76.07%列5表中列出1)高于(74.56%)的AR-VAD-based dealiasing。我们可以看到在图2 (c),仍有标记(黑色或紫色)数据孔(特别是在两个龙卷风的中气旋的大大小小的黄色圈图2(一个))和大量的标记数据在两个半岛区域(B1和B2的白色字母图2 (b)),130公里以外的径向距离。

表1
数量的原始数据(第2列),种子数据(第3列)、单向特殊数据(列4),单向dealiased数据(列5),最后dealiased数据(列6)和错误dealiased数据列(7)产生的三种方法(第1列)在图2。比例对原始数据的总数也在下面列出的数量在每个类型的数据在同一个盒子。“种子数据”dealiased数据产生的参考检查。“单向特殊数据”是特殊的数据被第一单向前进过程的流程图(见图3 (b)在连续性检查。“单向dealiased”数据dealiased第一单向发展过程产生的数据连续性检查。所有“dealiased”数据包括de-flagged nonaliased数据。

恢复标记数据孔(尤其是在龙卷风的中气旋),原来的单向过程(未来远离雷达)的连续性检查(见部分 徐et al。10)升级成一个双向的过程(每个倾斜向前和向后两次)。此外,block-to-point连续性检查部分 徐et al。10)和三向连续性检查部分 徐et al。10修改和扩充新的步骤如下所述。

(我)的阈值修改block-to-point连续性检查收紧 / 2 / 3(6)的徐et al。10),和标记数据未能通过收紧阈值条件是标记为特殊数据点(在后续的步骤中使用和治疗)。尼奎斯特折叠数字校正和相关检查(7)的徐et al。10)不但是推迟执行下面描述的新的第五步。这可以避免可能的错误dealiasing附近的中气旋。

(2)如果至少40种子数据无法找到40 11°框,因此,修改后的block-to-point连续性检查(我)不执行,那么三向连续性检查修改和执行 (8)-(10)的徐et al。10)所取代 在哪里 是原始的径向速度观测, Int [( )/ (2 )是奈奎斯特折叠估计数量 从 ,Int(())代表最近的整数() 是由种子数据(例如, (8), (9),或 (10)的徐et al。10])。上述步骤的流程图(i) -(2)如图3(一个)。

(一)
(一)
(b)
(b)
图3
(一)流程图修改block-to-point连续性检查和修改三向连续性检查步骤(1)- (2)。(b)流程图向前第一单向过程步骤(i) (v)的连续性检查。

(3)添加到一个新的第三步再核对每个种子数据。复查过程前进(远离雷达)每个梁在整个倾斜(顺时针)。种子数据检查将降低到一个特殊的数据是否都满足以下两个条件。(a)有一个或多个特殊数据点在10盖茨(同时从种子基准梁)的方向相反的搜索方向。(b)有一个或多个特殊数据点在15盖茨搜索方向或有超过5标记数据点在15盖茨和20多标记数据点在40盖茨搜索方向。这第三步确保每个接受种子数据不是由特殊数据以及当前双边梁(特殊基准的位置),而不是它毗邻太多的标记数据的搜索方向。

(iv)添加到一个新的第四步执行line-to-point连续性检查在每个特殊的基准点。程序每个梁向前穿过整个倾斜(顺时针)。特殊检查基准或其修正 将升级到种子数据如果都满足以下两个条件。(一) 在± / 2种子的平均价值的数据(如果有的话)可以从当前梁的三个数据点和它的两个相邻的两个相邻的光束沿着圆圈范围(当前范围圈特殊基准所在地)。(b) 在± / 2种子的平均价值的数据(如果有的话)可以从当前范围的三个数据点圆和其两个相邻范围圈的两个相邻梁(当前梁)。在这里, 计算(1), 估计为 从 , 是特殊的检查基准, 是由种子的平均价值数据。

(v)添加到一个新的第五步执行点对点的连续性检查在每个特殊的基准点。重复这个过程相同的方式在上面的步骤(iv)。特殊的检查基准或其修正 将升级到一个种子数据如果都满足以下两个条件。(一) 在± / 2的最近的种子基准面盖茨±5范围内沿着相同的光束从特殊的基准点。(b) 在± / 2最近的种子内的基准 2束从特殊的基准点位置在同一范围内循环。在这里, 计算(1), 估计为 从 , 是特殊的检查基准, 是由种子数据。上述步骤(iv) - (v)重复执行整个倾斜了三遍。这就完成了第一单向过程,如图所示的流程图如图3 (b)。

(vi)在上述第一单向过程,重新启动过程的五个步骤(i) - (vi)执行反向(向雷达)的一种方式。之后,上面的双向forward-backward过程以同样的方式重复如上所述除了line-to-point连续性检查和点对点的连续性检查(iv) - (v)目前仅适用于那些满足四个cyclonic-rotation条件的特殊数据(附录中列出)11 41个窗口(梁和41范围盖茨11日)集中在特殊的基准点检查。

上述修改的有效性(i) - (vi)以结果图2 (d),先前确定的数据漏洞第一单向前进过程特殊数据点(紫色在图的绘制2 (c))都是恢复在成熟的龙卷风的中气旋和先前标记数据第一个半岛地区(B1的白色字母图2 (c))也发现,尽管标记数据和特殊的数据在第二半岛区域(B2在图的白色字母2 (d))和径向距离130公里外的标记数据还没有恢复。最后dealiased数据(包括deflagged nonaliased数据)覆盖83.66%的原始数据列6表中列出1。这个新扩展所需的CPU时间AR-Var-based dealiasing 99年代进行处理的整个体积的径向速度数据图2的2.5倍(40)所需的AR-VAD-based dealiasing但仍对实时应用程序的足够快。CPU时间的增加是由于AR-Var分析可以但没有在当前的代码,因此并行应用顺序为每个选定的范围圈倾斜。增加的部分可以减少CPU时间大约10(甚至102)*如果AR-Var分析并行不同倾斜(或所有选定范围圈)。

除了上述改进,模型预测风场可以插入到每个选中范围圈,用作精制AR-Var分析第一个猜的孤立的数据区域远离雷达如果预测领域能够适应数据紧密,让大部分的数据通过阈值(14)的徐和奈13精制AR-Var分析)。这种方法最近被开发和测试与风场预测小时NCEP操作快速刷新(RAP)模型。初步结果非常令人鼓舞。这种方法的有效性,称为模型+ AR-Var-based dealiasing,数据以改进的结果2 (e)和2 (f)。在这种情况下,种子数据覆盖率从28.04%上升到86.33%(见第3列的表1),特殊数据覆盖率从8.75%降低到5.44%(见专栏4表1),dealiased数据覆盖率从76.07%上升到94.00%(见表列51)后第一个单向过程,最后dealiased数据覆盖率从83.66%上升到99.17%(见专栏6表1)。这个模型所需的CPU时间+ AR-Var-based dealiasing 271年代进行处理的整个体积的径向速度数据图2的6.8倍(40)所需的AR-VAD-based dealiasing边际为实时应用程序。再次,增加的部分可以减少CPU时间大约10(甚至102)*如果AR-Var分析中使用这个模型+ AR-Var-based dealiasing并行所有不同倾斜(或所有选定范围圈)。

改进dealiasing技术提出了不断运行实时数据从五个操作wsr - 88 d雷达(KTLX, KSRX, KINX、KVNX KFDR)和一个TDWR雷达(TOKC)。他们改进的性能监控和验证在不同的天气条件下,特别是在严重的风暴。他们的实时搜索结果如图的例子4和5最近两次龙卷风的风暴KTLX雷达扫描。图中的例子4是产生强烈的龙卷风的风暴中气旋(黄色标记的圆图4 (d))和一个EF4龙卷风跟踪从诺曼•肖尼,俄克拉荷马州,在晚上(当地时间下午6点和7点之间pm) 5月19日,2013年。图中的例子5是产生强烈的龙卷风的风暴中气旋(黄色标记的圆图5 (d))和一场EF5级龙卷风袭击的城市纽卡斯尔和摩尔,俄克拉荷马州,在下午(下午当地时间下午2:45 - 35)5月20日,2013年。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图4
原始径向速度扫描由KTLX雷达用VCP12形象 26.1年代−1肖尼0.9°倾斜,俄克拉何马州龙卷风的风暴在00:23:41 UTC时间5月20日,2013(7:23:41点,当地时间5月19日,2013)。(b) Dealiased第一单向发展过程产生的径向速度图像连续性检查。(c)最后dealiased径向速度图像产生的新的扩展AR-Var-based方法。(d)在面板(d),但第一个猜是精制AR-Var RAP-predicted风场的分析。白色的字母“A”面板(A)标志着主要aliased-velocity地区。黄色圆板(a)和(d)环绕中气旋及其生产EF4龙卷风袭击肖尼,俄克拉荷马州,在晚上(大约当地时间6点45分)5月19日,2013年。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图5
如图4但对于摩尔来说,俄克拉何马州的龙卷风的风暴KTLX雷达用VCP12扫描 26.1年代−1在0.5°倾斜20:17:15 UTC时间5月20日,2013(2013年5月20日当地时间下午03:17:15)。黄色圆板(a)和(d)环绕中气旋及其摩尔EF5及龙卷风袭击,俄克拉荷马州,在下午(当地时间下午3点左右)5月20日,2013年。

4所示。结论

本文进一步改进了雷达速度dealiasing在最近出版的VAD-based dealiasing(徐et al。10])和AR-Var-based dealiasing(徐和奈(11])。dealiasing技术的提高不断运行的实时数据从六个操作雷达(KTLX、KSRX KINX, KVNX, KFDR,和TOKC)。根据实时结果到目前为止监控(如采样数据2,4- - - - - -6),技术非常有效的改善没有假dealiasing dealiased数据覆盖。通过使用预测的改进操作说唱的风场模型的第一个猜精制AR-Var分析(徐和奈(13])产生一个径向速度参考字段在径向范围广泛的参考检查特别令人鼓舞的第一步。然而,根据我们的额外的测试(不是本文所示),直接使用RAP-predicted风场的参考检查没有精制有时也会引起假dealiasing AR-Var分析。特别是,直接使用RAP-predicted风场在参考检查可以工作得很好(没有假dealiasing)几乎所有原始径向速度数据收集的222卷的KTLX雷达三种情况考虑在这篇文章中,但它会导致虚假dealiasing倾斜10日在两卷23:14:34 UTC时间5月19日,2013年。虽然错误dealiasing率极低(0.9%销量和0.32%的倾斜)这三个病例由于严格的阈值条件用于参考检查(见(4)-(5)的徐et al。10]),假dealiasing区(不到40种子数据点或70最后dealiased数据点的10倾斜)是在中气旋(没有显示)。因此,精制AR-Var分析仍然是必要的参考检查是免费的假dealiasing模型预测风场时使用。当前精制AR-Var分析使用严格的阈值过滤径向速度数据(见徐(14)和奈13]),至少需要20有效径向速度数据在每个选定的范围圈,所以它往往拒绝分散数据在小偏远地区远离雷达。这是一个小小的限制参考检查改善的第一步。可以减少这种限制通过执行AR-Var分析不是在整个范围圈但每个孤立和自适应本地数据区。改进的连续性检查在第二步中也有一个限制在其dealiased数据覆盖。特别是,它并不总是覆盖所有数据点在每个小旋风的中气旋的关键区域。这个限制是清楚的看到当原始和dealiased径向速度图像数据5(一个)和5 (c)扩大在中气旋的数据吗6(一)和6 (b),分别。继续研究正在努力减少上述局限性。

(一)
(一)
(b)
(b)
图6
放大显示的中气旋(a)的原始径向速度图形象5(一个)和(b) dealiased径向速度图形象5 (c)。黄色的圆圈环绕在每个面板中气旋。白色的字母B1和B2在面板(b)标志着两个标记(黑色)地区立即在5公里范围之外,而5公里内的径向速度径向范围在0.5°倾斜不习惯,因此标记(黑色),以避免可能的地面杂物污染。

附录

Cyclonic-Rotation条件

(一) 和 ,在那里 (或 )是最大(或最小)径向速度在所有种子11中的数据 41个窗口, (或 )的方位角度 (或 )数据点。(b) ,在那里 (或 )是这些种子的平均价值更大(或更小)的数据 ( 11)/ 2 41个窗口。(c) ,在那里 (或 )是这些种子的平均方位角度更大(或更小)的数据 在11 41个窗口。(d) 和 ,在那里 (或 )是种子的数量更大(或更小)的数据 在左侧窗口中, (或 )是种子的数量更大(或更小)的数据 在正确的窗口,和11所示 41窗口分为两个部分,左边窗口和右边窗口,由辐射线 ( )/ 2。

如果满足上述四个cyclonic-rotation条件特殊检查基准点,然后11 41窗口集中在特殊的基准点可能很有可能覆盖中气旋的漩涡中心。在这种情况下,作为副产品,漩涡中心的位置可以被估计 对当前雷达局部坐标系倾斜,最大切向速度和半径的涡流可以估计 ,在那里 和 (或 )的辐射范围 (或 )数据点。

确认

作者感谢大卫Stensrud博士和匿名评论者的评论和建议,改善结果的表示。这项研究得到了NCEP-NSSL雷达数据质量控制项目和ONR授予N000141010778俄克拉荷马大学(OU)。提供的资金也DOC / NOAA /桨在NOAA-OU NA17RJ1227合作协议。