鉴于观测误差分布的高斯性（正态性）是部分数据同化及机器学习算法的基本原理，随着对流系统高分辨率预报和临近预报的发展，雷达反射率的误差结构日益受到重视。本研究利用山地和丘陵地区垂直最大反射率组合（CVMR）6 个月的观测减背景值（OmB），考察了雷达反射率的误差分布，并识别了非高斯误差分布的成因。借鉴全天空卫星辐射率同化中的对称误差模型，揭示了 CVMR 的误差结构随对称降雨率（即观测与模拟降雨率的平均值）的变化规律。与卫星辐射率不同，CVMR 的误差结构在轻雨区的斜率较中雨区更陡。因此，三段式拟合函数更适用于 CVMR。经对称降雨率归一化后的 OmB 概率密度函数，比经全样本归一化的更接近高斯分布。此外，本研究还探讨了利用第三方预测量构建对称误差模型的潜力。结果表明，更精确的降水观测可进一步改善 OmB 的高斯分布特性。根据 Jensen-Shannon 散度，降雨率的对数变换（一种线性预测量）相比其他预测量能产生最接近高斯分布的误差分布。

开展了观测系统模拟试验（OSSE），旨在评估该 CVMR 对称误差模型对提高反射率同化及短临预报精度的有效性。利用集合卡尔曼滤波（EnKF）对一次中尺度对流系统（MCS）个例进行了雷达反射率同化。研究发现，对称误差模型能够减小反射率的非高斯误差分布，从而在高斯性假设下实现反射率的成功同化。在同化循环及后续 2 小时预报中，采用反射率误差膨胀法获得的均方根误差（RMSE）优于采用恒定观测误差的方法。同时，将经验流依赖自适应观测误差膨胀（AOEI）方法与对称误差模型进行了对比。尽管两者 RMSE 差异较小，但对称误差模型的一致性比率显著更接近 1。因此，AOEI 方法更容易导致 EnKF 算法的滤波发散。相比之下，对称误差模型在模型误差通常占主导的强降水区域膨胀观测误差，该膨胀旨在解释观测与背景场之间的代表性误差。

未来，我们将基于中国所有雷达站点构建对称误差模型，并将其应用于业务数据同化系统。

非高斯误差分布,对称误差模型,雷达反射率同化,降雨率