对流性天气是夏季影响我国的典型灾害性天气之一，由于系统发展移动快，生命史短，常造成突发性气象灾害和重大社会影响，对观测和预报都提出了非常高的要求。国内外研究表明，对流风暴局地新生和快速演变的决定因素在边界层内（陈明轩等，2017）。已有诸多研究关注边界层特征，杨引明和陶祖钰（2003）使用风廓线雷达探测边界层的热力垂直结构、水平风切、低空急流和垂直速度，研究了边界层在强对流中的指示意义。吴进等（2018）针对边界层要素演变特征，讨论了边界层在北京短时强降水天气中的作用。基于边界层垂直观测，一些研究也揭示了强对流爆发的中尺度系统触发机制。Du and Chen（2019）关注南海海岸的强降水，发现边界层急流与天气尺度低空急流配合形成的耦合机制是对流触发的关键因素。因此，对边界层动力条件和热力结构的精细观测，对强对流预报预警具有重要意义。

对边界层气象要素演变特征的揭示，常受制于现有的观测水平，不同的边界层观测手段存在不同的局限性。目前，边界层内的温度、湿度、气压、风速和风向等气象要素观测主要来源于常规探空观测以及风廓线雷达、微波辐射计等遥感观测（王欣等，2005）。常规探空可对大气廓线进行垂直观测（卞林根等，2002; 马舒庆等，2005; 郭启云等，2020; 原榕等，2021），然而在常规业务观测模式下，每天08时和20时两次的固定观测难以满足对流天气的高时间分辨率需求，并且探空站分布稀疏，例如在江苏省仅有南京、徐州和射阳3个站点，无法实现对局地对流性天气信息的捕捉; 遥感观测如多普勒天气雷达（张旭斌等，2015; 李昕等，2016）等具备时空范围广的连续观测优势，但存在低层观测盲区; 微波辐射计遥感观测存在反演误差（官莉和任心怡，2018; 赵美艳等，2022）。

与探空等传统观测手段相比，无人机（unmanned aerial vehicle，UAV）具有准垂直观测、升限稳定、可悬停的特点，可有效弥补探空网时空密度稀疏的不足。对比多普勒雷达、风廓线雷达、微波辐射计和卫星辐射（张晗昀等，2020; 陈耀登等，2021; 黄俊等，2022; 赵新宇等，2023）等遥感探测手段的接触式观测方式，UAV全接触式运载平台和便捷的小型传感器为边界层气象探测提供了安全、高效、准确的观测方式，具有数据质量可靠稳定的优势（Thomas et al.，2012），满足强对流天气精细化预报对边界层观测的特殊需要，适用于气象要素垂直非均匀分布的边界层研究（Cassano，2014; Shimura et al.，2018; Chen et al.，2020; Yang et al.，2023）。例如，在国际上，Mayer et al.（2012）利用固定翼无人机探测的温度、相对湿度和风场资料，评估了数值天气模式边界层参数化方案在对流性边界层和稳定边界层条件下的性能; Brandon et al.（2017）研制了一种用于探测湍流的固定翼无人机，为大气边界层提供了湍流统计测量。这些研究为无人机探测在灾害性天气方向上的应用奠定了基础。

“十三五”期间，江苏省气象部门完成了旋翼无人机探测平台建设。王宏斌等（2020）将旋翼无人机资料与L波段雷达探空资料进行比对，验证了无人机观测资料与探空资料具有较好一致性，并对夏季浓雾过程边界层结构特征进行了分析; 周文君等（2023）利用旋翼无人机探测资料，分析了2019年10月江苏东部沿海地区一次强浓雾过程的边界层特征。目前，国内无人机应用于气象领域尚处起步阶段，主要集中于污染物监测、边界层大雾监测等方面，而对于对流性天气过程的研究则较少。在灾害性天气研究的需求牵引下，本文重点关注对流触发和天气过程发生前的边界层特征，在对流频发的江苏盐城地区，选取滨海、阜宁、建湖、射阳和大丰5个站点进行连续观测，开展了夏季对流天气无人机观测试验。

本文使用2019年夏季试验期的无人机资料，研究不同类型对流降水过程发生前的边界层特征。在无人机资料可信度的验证上，相比采用代表性月份中的几日数据进行研究（王宏斌等，2020），我们选取了2019年7—10月长时间序列的数据样本。文中将江苏射阳站的无人机资料与同站L波段探空资料以及ERA5再分析数据集进行比对，并采用三角帽法进行误差定量计算。为了解不同类型对流天气发生前的边界层特征，本文选取非天气尺度强迫、主导天气系统位置稳定强迫以及主导天气系统移动变化的3类天气个例，利用无人机垂直观测资料研究边界层在不同类型降水中的作用，并对比降水触发点边界层条件的差异。

1 资料与方法

1.1 无人机观测

无人机观测资料源自江苏自主研发的旋翼无人机边界层气象综合探测系统。在该系统中，以旋翼无人机作为载台，搭载气象传感器，完成移动观测方式的温、压、湿、风气象要素廓线观测。本着优先高灵敏度，兼顾高准确度，通过结构设计消除或减小相互影响的总体原则，在无人机的气象观测传感器设计上，温、压、湿传感器设计沿用探空观测，风向风速传感器选用压力式，以观测水平空气运动。结构布局充分考虑旋翼扰流影响，将风传感器安装在顶部，温、湿传感器安装于空腔内，气压传感器安装在采集器内，基本不受流场扰动影响。通过内置的采集器，将传感器感应的外部环境物理量数据采集编码传回地面。图1展示了无人机观测设备和无人机夏季组网观测试验的地理位置分布。表1展示了无人机夏季组网观测试验的站点地理位置信息。

在提前申请飞行空域的基础上，于2019年7—10月在江苏省盐城市滨海站（58049）、阜宁站（58143）、建湖站（58146）、射阳站（58150）和大丰站（58158）开展夏季组网观测试验，每日07:30、10:30、13:30、16:30、19:30（若无特别说明，则均为北京时，下同）在5个测站5台无人机同时开始观测，从而获得同时次5站点的温度、湿度、气压、风向和风速廓线（部分时次因临时空域管制只有部分站点同时观测）。每次飞行通过无水平位移的上升下降，可获得两条由地面至大约1 500 m高度、垂直分辨率为2.5~3.0 m的边界层要素垂直廓线。

1.2 平均偏差和基于三角帽方法的观测误差估计

选取射阳站（58150）L波段雷达探空资料（UPAR）和ERA5再分析数据作为参考数据集，同射阳站UAV资料进行比对。3种资料简介如表2所示。

L波段雷达秒级探空资料探测体制采用卫星导航及数据处理模块，兼具高灵敏度和精确度，可实现探测要素1 Hz的采样频率，数据时间分辨率为0.01 s。根据中国气象局综合观测司下发的探空仪功能规格需求书可知，其测量性能为：温度允许误差为±0.2℃；相对湿度允许误差为±3%；气压允许误差为±1.3 hPa（1 060~500 hPa）；风速允许误差为±0.3 m/s；风向允许误差为±3°（风速＞3 m/s）。通过分析测量精度，得到该资料性能符合指标要求的结论（姚琪，2006）。射阳站L波段雷达探空与射阳站的无人机观测处于相同的观测位置（120°18′E，33°45′N），无人机为“直上直下”的垂直观测方式，而探空气球释放后在上升过程中随气流漂流，在极端天气下高层对会存在空间偏离。由于本文关注的是无人机边界层探测，所以受探空气球高层漂移的影响较小，且L波段雷达秒级探空资料是较可靠的参考资料。

ERA5是欧洲中期天气预报中心（ECMWF）的全球再分析产品，具有0.25°×0.25°的空间分辨率。吕润清和李响（2021）对ERA5地面、高空气象要素进行评估，发现新一代ERA5再分析资料在江苏区域的天气研究中具有较好的适用性。耿姗姗等（2023）和陈小婷等（2023）对ERA5风资料进行质量评估，发现风速产品与观测资料具有良好的相关性，相比自动气象站观测能够反映风场最基本的时间分布特征。李瑞辉等（2021）验证了ERA5在区域对流层研究的适用性；结果表明ERA5具有较高的精度，气压、气温、相对湿度等气象要素提取值可代替实测值，且不同的插值方案的气象要素提取结果精度相当。然而值得讨论的是，ERA5代表水平网格为数十千米的平均值，无人机观测数据代表当前观测位置的瞬时值，且L波段雷达秒级探空与无人机在探测时间上也存在差异。选取ERA5和UPAR为参考集进行比对，发现它们均存在代表性不同的局限性。受现有探测手段的制约，我们缺乏可靠的高精准度的观测资料。因此在误差对比分析前，我们进行了3种数据集空间和时间一致性的假设。

除直接比对评估外，本文采用三角帽方法，将UAV资料与UPAR和ERA5进行同时比对。同时，加大样本量，进行系统性长时间的评估，以降低代表性差异和随机误差的影响。我们将时间窗口设为1 h，选取2019年7—10月07:15和19:15的UPAR数据、00时（世界时）和12 时（世界时）的ERA5数据，同07:30和19:30的UAV数据进行比对。由于以上3套数据在垂直分辨率上存在差异（表2），所以需要将3套数据重采样到850~1 000 hPa，垂直分辨率为2 hPa，共有76层垂直层。而时空分辨率变化对数据精度影响较小（Jia et al.，2013），因此在提取重采样的数据值进行比对前，需要先用最邻近插值算法将ERA5数据插值到射阳无人机观测站点位置。为探索无人机探测精度与飞行高度的关系，计算了无人机探测温度、湿度、风速、风向要素的观测误差和平均偏差随高度的分布。

平均偏差（Bias）公式如下:

Gray and Allan（1974）首次提出三角帽（3CH）方法，用两种参考资料集来估计单个目标振荡器的随机噪音（Xu and Zou，2020）。该方法的推导原理如下。

存在A、B、C三个数据集，使用B、C估计A的方差。首先估计A相对于B的误差:

其中：${\sigma }_{（A-B）}^2$代表A与B之间的方差；${\sigma }_A^2$、${\sigma }_B^2$分别代表A、B自身方差；$c_{\mathrm{o}\mathrm{r}\mathrm{r}（A，B）}$代表A、B之间的相关项。${\sigma }_{（A-C）}^2$和${\sigma }_{（B-C）}^2$同理。假设估计中涉及的数据集彼此独立，忽略相关项，则可得以下等式：

故A的方差为：

将三角帽方法（3CH）应用于无人机资料的观测误差估计上，以证明无人机观测边界层特征研究的可信度。选取射阳站（58150）L波段雷达探空资料（UPAR）和ERA5再分析数据作为参考数据集。定义无人机数据的观测误差为:

其中:σ_UAV代表无人机资料观测误差; σ_{（UAV-ERA5）}代表以ERA5为参考值的无人机误差标准差; σ_{（UAV-UPAR）}代表以探空资料为参考值的无人机标准差; σ_{（UPAR-ERA5）}代表探空资料与ERA5之间的误差标准差。由于该方法基于一个重要假设:估计中涉及的数据集彼此独立（Anthes and Rieckh，2018; Xu and Zou，2020），所以用三角帽方法计算获得的标准差，具有一定的误差。其次，用三角帽方法计算获得的观测误差，同样会受到参考资料集的影响。若两个参考资料集偏差大，则观测误差小; 若两个参考资料集偏差小，则观测误差大。

利用式（1）、（7）分别计算UAV与UPAR和ERA5参考集的逐层平均偏差、UAV观测变量的逐层观测误差。

1.3 无人机观测数据精度验证结果

图2为射阳站无人机观测分别与L波段雷达探空、ERA5的温度、相对湿度、风向、风速逐层平均偏差，以及通过三角帽方法计算得到的逐层观测误差。在平均偏差统计和观测误差计算之前，采用离群值检验剔除了无人机观测与参考真值之间偏差大于3倍标准差的数据。

无人机探测温度的观测误差为0.44~0.59℃，其与ERA5数据的平均偏差为-0.16~0.14℃，与探空观测的平均偏差为-0.2~0.02℃。无人机探测相对湿度的观测误差为7.14%~10.71%，与ERA5的平均偏差为1.27%~7.14%，与探空观测的平均偏差为4.98%~9.46%。无人机探测风速的观测误差为1.24~1.62 m/s，与ERA5的平均偏差为0.56~1.32 m/s，与探空观测的平均偏差为0.40~1.34 m/s。无人机探测风向的观测误差为10.50°~23.96°，与ERA5的平均偏差为-2.19°~10.79°，与探空观测的平均偏差为-3.87°~4.98°。由于风向角度范围为0°~360°，存在由360°转0°等造成偏差值异常现象，所以在计算平均偏差和观测误差时，需要先对两两数据集间风向偏差大于180°的情况进行订正。以上结果表明，无人机的温度、风向与探空更为接近，相对湿度与ERA5更为接近，风速与探空和ERA5均有较好的匹配度。由于统计样本量大，能够保证无人机探测的各要素具有较高的准确度和可信度，各变量观测误差值在合理范围内，所以能够满足天气分析需求。

2 无人机边界层观测特征

为了解不同天气背景降水下无人机探测到的边界层特征及差异，本文选取非天气尺度系统强迫、副高系统位置稳定强迫以及副高系统移动变化3类个例进行分析（表3）。其中，非天气尺度系统强迫的个例为2019年8月21日的弱降水过程，存在主导系统的个例分别为2019年7月24日副高位置稳定的强对流过程和2019年8月1日副高位置变化的强对流过程。

2019年8月21日（个例1）建湖站和射阳站先后于14—16时和18—19时出现弱降水（图3a），其中，建湖站最大小时降水量为0.34 mm/h; 射阳站最大小时降水量达0.98 mm/h; 此次降水过程，青藏高压与副高对峙，西南涡和北部西风带夹击，江苏盐城地区在08—22时均位于鞍形场中，大尺度强迫弱（图4a、b）。

2019年7月24日（个例2）15—16时盐城5个测站均发生强对流，到19—22时结束，多个测站最大小时降水量超过12 mm/h，最大小时降水量达29.7 mm/h（图3b）。此次降水过程中，副高位置稳定，呈东北-西南走向，副高脊线大约位于34°N。5个测站于11—23时均位于副高北部边缘，700 hPa存在一支偏西的低空急流，850 hPa水汽条件充沛，均为降水的发生提供了有利条件（图4c、d）。

2019年8月1日（个例3）盐城4个测站先后发生降水（滨海站14—18时，建湖站17—18时，射阳站18—19时，阜宁站18时），多个测站最大小时降水量超过12 mm/h，最大小时降水量达38.9 mm/h（图3c）。此次天气过程中，12—18时，西风槽快速东移，副高快速东退，向东北方向移动（图4e、f）；18时，西风槽移至河南西部（112°E，32°N），副高脊线尾部退至119°E、30°N。除19时滨海站以外，整个过程5个测站于12—13时位于副高中部脊线处，14—19时位于副高脊线北部。当日08时射阳的T-lnp图显示，上述降水过程，除个例1湿层很薄、无不稳定能量积聚外，个例2、3均有大量不稳定能量积聚（图略）。

将逐小时降水量大于0和5 mm/h的时刻分别定义为弱降水和强对流降水的时刻，因此个例1建湖、射阳的降水时刻分别为14时和19时; 个例2大丰、建湖的降水时刻分别为15时和16时。个例3滨海、阜宁的降水时刻分别为14时和18时。

由于无人机传感器在上升阶段理论上受旋翼气流影响要小（王宏斌等，2020），所以选取上升段数据进行分析。接下来将重点分析不同个例降水触发前边界层条件并对比差异，以探讨边界层条件在不同类型降水中所起的作用。

2.1 边界层温度和层顶高度的变化特征

个例1中，边界层内存在逆温，且逆温层在降水过程中位置不断下降并变薄（图5a、b）。降水前，建湖和射阳的逆温层分别位于860~820 hPa和896~834 hPa（13:30—13:40）。随着降水的临近，射阳的逆温层变薄下降至904~868 hPa（16:30—16:40）。降水后，建湖和射阳的逆温层分别继续降至873~863 hPa（16:30—16:40）和936~932 hPa（19:30—19:40）。

相比之下，个例2在整个对流触发前，近地层温度未见明显变化，边界层具有高温的环境条件（图5c、d）。个例3的温度场出现了明显降温（图5e、f）:前期温度随高度均匀递减，滨海和阜宁24℃以上区域分别达874和876 hPa（10:30—10:40）; 中期有冷空气侵入，阜宁除太阳辐射导致的贴地层小幅度增温外，温度变化较小（13:30—13:40），这主要是平流输送冷空气和雨滴形成潜热加热共同作用而造成的; 后期冷空气继续向下渗透，滨海24℃以上区域降低至898 hPa（13:30—13:40），阜宁近地层温度降为26.8℃，24℃以上区域降至908 hPa，1 000~990 hPa发展为一弱逆温层（16:30—16:40）。

超绝热层的出现是个例2、3对流不稳定的共同特征，观测期内超绝热层为对流的发展提供了有利条件。个例2的超绝热层较个例3发展更厚，维持时间更长。在对流触发前的前期探测中，个例2超绝热层已生成，无人机分别于建湖的1 000~988 hPa和大丰的1 000~977 hPa探测到超绝热层，温度递减率分别为-1.03和-1.02℃/（100 m），整层气柱温度较高（07:30—07:40）; 中期，超绝热层不断发展增厚，建湖发展最高至915 hPa（12:00—12:10），大丰发展最高至894 hPa（13:30—13:40）; 后期超绝热层厚度不断减小，建湖超绝热层厚度减小至945 hPa。纵观整个对流触发过程，个例2中后期的超绝热强度与初期相近。个例3对流触发前，阜宁1 000~990 hPa和979~969 hPa探测到超绝热层，强度分别为-1.32和-1.00℃/（100 m）（10:30—10:40）; 中期阜宁的超绝热层发展增厚，位于1 000~915 hPa，强度为-1.02℃/（100 m）; 后期阜宁超绝热层消失，滨海有超绝热层生成于1 000~989 hPa，强度为-1.15℃/（100 m）（13:30—13:40）。

进一步采用位温梯度变化最大位置的高度诊断边界层高度（涂静等，2012; Zhang et al.，2014），排除接地逆温。首先根据无人机观测资料计算各层的位温θ_n，使用$\frac{{\theta }_n-{\theta }_{n+0.25}}{\mathrm{\Delta }p}（n=\mathrm{800，800.25}，\cdots ，1000\mathrm{h}\mathrm{P}\mathrm{a}$，$\mathrm{\Delta }p=0.25\mathrm{h}\mathrm{P}\mathrm{a}$，共801层）计算位温梯度。考虑到无人机数据存在观测误差且垂直分辨率较高，难免存在干扰信息，所以对位温梯度廓线进行滑动平均处理，其中滑动平均窗格设为80。

由边界层高度诊断可知，个例1在降水过程中，边界层高度不断下降（图6a、b）:降水前，建湖和射阳的边界层高度分别位于850 hPa和885 hPa（13:30—13:40）。随着降水的临近，射阳的边界层高度下降至888 hPa（16:30—16:40）。降水后，建湖和射阳的边界层高度继续降至868和899 hPa（19:30—19:40）。相比之下，个例2在对流触发前，边界层高度浮动式发展上升（图6c、d）:建湖和大丰分别由908和949 hPa（07:30—07:40）最高发展至815 hPa（12:00—12:10）和937 hPa（15:00—15:10）; 而个例3由于冷空气侵入，边界层高度急剧降低（图6e—g），前期边界层高度略有发展，滨海和阜宁分别由949、959 hPa（10:30—10:40）发展至838、892 hPa（13:30—13:40），中后期有冷空气不断侵入，边界层高度分别降低至980、986 hPa（16:30—16:40）。

2.2 边界层湿度的变化特征

个例1中，逆温层以下存在明显的干湿分层，且湿层在降水过程中位置不断下降（图7a、b）。降水前，建湖和射阳的湿层分别位于1 000~858 hPa和1 000~900 hPa（13:30—13:40）。随着降水的临近和结束，建湖和射阳的湿层厚度分别不断减小至878~868 hPa和936~932 hPa（19:30—19:40）。

相比之下，个例2在整个对流触发前近地层湿度场未见明显变化，边界层具有高湿的低层环境条件（图7c、d），随着降水出现时间的临近，整层气柱的湿度范围略有降低。个例3的湿层出现了明显的升高增强（图7e、f），前期滨海和阜宁相对湿度达85%以上的湿层分别位于1 000~960 hPa和1 000~960 hPa、930~885 hPa，其余区域的相对湿度值为63%~84%（10:30—10:40）。中后期有水汽向两地输送，探测范围上部湿度增加，其中滨海856~846 hPa、822~816 hPa的相对湿度增加至85%以上（13:30—13:40），阜宁901~800 hPa的相对湿度增至56%~95%（16:30—16:40）。

2.3 边界层风的变化特征

在个例1的弱降水过程中，两测站风速稳定，建湖和射阳风速均为4~5 m/s（图8a、b）。而在对流触发前，个例2、3均有风速切变出现。个例2前、中期的风速大值区反复出现、消失（图8c、d）。大丰分别于07:30—07:40（960 hPa附近）、12:00—12:10（930 hPa附近）出现了8 m/s以上的风速带; 建湖于10:30—10:40（900 hPa附近）出现7.6 m/s以上的风速带，后期风速趋于稳定少变。个例3前期，滨海和阜宁风廓线风速均为4~5 m/s。中后期，近地层有风速大值区不断发展增强（图8e、f）:滨海和阜宁分别在940~890 hPa、890~880 hPa出现6~7 m/s以上风速带（13:30—13:40），其中阜宁的风速大值带于16:30—16:40发展至8.00~10.58 m/s，18:00对流触发时，最大风速可达13.37 m/s。

无人机风场观测捕捉到了3个个例低层风场的不同特征。在降水发生前，个例1低层存在明显的风向切变（图8a、b），该高度与当日射阳站上午08:00的T-lnp图中的抬升凝结高度相近（图略）。弱降水前风向不稳定，13:30—13:40，两测站980 hPa以上呈现东北风，980 hPa以下建湖（西侧）为西北风，射阳（东侧）为东北风，结合两地地理位置可知，此次观测捕捉到了近地层的局地辐合环流。个例2的天气过程中副高位置稳定，对流触发前一直为稳定的西风（图8c、d）。个例3中对流触发前的前期风向较为稳定，由于主导系统副高快速东移，后期近地层出现与系统移动方向相同的风向转变（图8e、f）:阜宁在960 hPa以下由东风转为偏北风（16:30—16:40）。

2.4 3类降水触发前的边界层特征差异

弱强迫天气下的个例1，其无人机边界层观测特点为:一方面捕捉到了降水前的边界层逆温层，湿层均位于逆温层以下，且水汽接近饱和，边界层顶的位温梯度震荡剧烈，可能是较强的夹卷引起了边界层与自由大气进行水汽交换; 另一方面，在无人机组网观测的优势下，捕捉到了局地辐合环流信息。边界层的状态变化解释了降水的形成原因，边界层内局部局地辐合配合水汽条件造成了这次弱降水过程，其动力条件较弱（甘璐等，2021）。

而在两个天气尺度强迫个例中，个例2、3无人机边界层探测的特点为:一方面呈现出比个例1更高的风速风向切变; 另一方面，超绝热层反映出近地层大气的不稳定性（朱春玲等，2011），超绝热层的出现是其共同特征，为对流的发展提供了有利条件。

随降水出现时间的临近，个例3出现了降温、增湿的观测特征，说明边界层内存在平流输送（周明煜等，2002; 沈杭锋等，2016）。高温高湿的大气低层环境条件有利于对流的发生（赵强等，2022），冷空气的入侵对强对流有触发作用。相比于方桃妮等（2022）利用水平风随高度的变化来判断温度平流，无人机温度观测能够更加直观地呈现冷平流的入侵。在较短的观测期间，无人机获取了高时空分辨率的温湿风廓线，很好地捕捉了强对流发生前的边界层信息。此外，由于个例2主导系统位置稳定，无人机观测到边界层风向稳定少变; 而个例3主导系统位置随时间不断移动变化，副高向东北方向移动，因而近地层有东北风的风向转变（阜宁站观测捕捉）。综上所述，天气尺度强迫下的两次天气过程，无人机都观测到了对大尺度系统的响应的边界层状态变化。

3 结论和讨论

边界层内气象要素变化蕴含着对流发生和发展的关键信息。本文基于旋翼无人机探测，在江苏盐城地区指定地点进行了夏季对流发生前的组网观测试验，对旋翼无人机观测的温度、湿度、风速、风向要素开展了偏差和观测误差估计，并对3类对流性降水的边界层条件进行了分析，得到如下结论:

1）无人机观测温度与探空观测温度的平均偏差为-0.2~0.02℃，观测误差为0.44~0.59℃; 相对湿度与ERA5的平均偏差为1.27%~7.14%，观测误差为7.14%~10.71%; 风速与探空观测的平均偏差为0.40~1.34 m/s，观测误差为1.24~1.62 m/s; 风向与探空观测的平均偏差为-3.87°~4.98°，观测误差为10.50°~23.96°。各变量与探空观测和ERA5再分析资料都具有较好的一致性，数据准确度满足使用要求。

2）非天气尺度强迫的弱降水天气个例，降水前，边界层有逆温层与局地辐合环流信息，抬升凝结高度以下有剧烈风切变的指示性特征。天气尺度强迫个例，存在超绝热层和更高的风速风向切变。主导系统迅速移动个例，边界层内有降温增湿等明显的平流输送信息，近地层出现风向与主导系统移动方向一致的风速大值区；边界层高度的急剧下降是冷空气入侵的指示性特征。主导系统位置稳定个例，边界层内各要素场稳定少变。

3）非天气尺度强迫的降水个例，边界层内的状态变化解释了降水的成因; 相比之下，天气尺度强迫降水个例，边界层特征呈现出对大尺度强迫的响应。

本文对旋翼无人机观测的温度、湿度、风速、风向要素开展了偏差和观测误差估计。创新点在于选取了更长时间序列的无人机样本，并采用秒级探空观测和再分析数据两个参考值以及“三角帽”方法做误差评估; 统计不同飞行高度的观测误差，完成随飞行高度变化的误差和偏差研究。使用该观测资料研究不同类型降水的边界层条件，是新型资料在江苏局地强对流天气研究中的初步探索。该研究将为进一步深入开展数值模拟和资料同化、改进边界层热力结构建立基础。在之后的数值天气预报模式研究中，本文结果可为变分同化建立合适的观测误差及偏差订正模型。后续研究将进一步构建适用于数值模式资料同化的质量控制和稀疏化方法，探索该资料在数值预报中的应用潜力，以提高对局地对流性天气数值预报的能力。

参考文献