国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于S波段新一代天氣雷達(dá)觀測的下?lián)舯┝髋R近預(yù)報方法*

2021-09-16 04:06肖艷姣王志斌付志康
氣象 2021年8期
關(guān)鍵詞:單體徑向大風(fēng)

肖艷姣 王 玨 王志斌 冷 亮 付志康

中國氣象局武漢暴雨研究所暴雨監(jiān)測預(yù)警湖北省重點實驗室,武漢 430205

提 要: 下?lián)舯┝魇菍α黠L(fēng)暴最常發(fā)生的天氣現(xiàn)象,預(yù)報其初始爆發(fā)是強(qiáng)對流風(fēng)暴預(yù)報中最具挑戰(zhàn)性的內(nèi)容之一。提出一種綜合使用雷達(dá)和探空觀測資料的下?lián)舯┝髋R近預(yù)報算法。在對雷達(dá)基數(shù)據(jù)進(jìn)行地物雜波抑制和徑向速度退模糊以及對探空資料進(jìn)行處理得到0℃、-20℃和最小相當(dāng)位溫高度的基礎(chǔ)上,該算法首先進(jìn)行風(fēng)暴單體識別追蹤和冰雹指數(shù)的計算;然后進(jìn)行中層徑向輻合特征和中氣旋識別,并使之與識別的風(fēng)暴單體相關(guān)聯(lián);最后提取諸多風(fēng)暴單體的雷達(dá)特征量,經(jīng)批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€例統(tǒng)計分析后挑選出下?lián)舯┝鞯睦走_(dá)先兆因子9個作為模糊邏輯法的輸入,建立下?lián)舯┝髋R近預(yù)報方程。使用2015年6月1日發(fā)生在湖北監(jiān)利導(dǎo)致“東方之星”客輪傾覆的下?lián)舯┝鱾€例對該算法進(jìn)行了測試,結(jié)果表明從20:41—21:21共有8個體掃時次預(yù)報了引起沉船事件的那個風(fēng)暴單體將會產(chǎn)生下?lián)舯┝?,首次預(yù)報時間比客輪側(cè)翻時間21:28 早47 min。使用2019年6—8月發(fā)生在湖北省的所有雷暴大風(fēng)個例對下?lián)舯┝髋R近預(yù)報算法進(jìn)行了效果評估,結(jié)果表明該算法預(yù)報下?lián)舯┝鞯膿糁新蕿?6.4%,平均預(yù)報時效為39 min。按回波形態(tài)分類評估,則颮線類、線狀對流類(颮線除外)和非線狀對流類風(fēng)暴的下?lián)舯┝髋R近預(yù)報擊中率分別為93.2%、90.5%和75.6%。該算法模塊已集成到中國氣象局武漢暴雨研究所研發(fā)的分類強(qiáng)對流天氣自動識別預(yù)警系統(tǒng)中,并于2019年開始投入業(yè)務(wù)運行。

引 言

Fujita(1979)根據(jù)國際上第一次針對下?lián)舯┝鏖_展的外場觀測計劃(the Northern Illinois Meteorological Research on Downburst)觀測到的50個下?lián)舯┝鞯慕y(tǒng)計特征,正式定義了下?lián)舯┝鳎豪妆┨鞖庵性诘孛婊蚪孛娓浇a(chǎn)生風(fēng)速>17.9 m·s-1的災(zāi)害性輻散風(fēng)的強(qiáng)下沉氣流。Fujita(1985)按下?lián)舯┝鞯孛娉隽鞯臑?zāi)害范圍大小,把下?lián)舯┝鞣譃楹晗聯(lián)舯┝?>4 km)和微下?lián)舯┝?≤4 km)。Wilson et al(1984)基于多普勒雷達(dá)的觀測對微下?lián)舯┝鬟M(jìn)行了補充定義:穿過輻散中心的多普勒速度差≥10 m·s-1,初始的最大入流和出流中心(正負(fù)速度對)之間的距離<4 km。Hjelmfelt(1988)把下?lián)舯┝靼闯隽餍螒B(tài)分為孤立的微下?lián)舯┝骱拖聯(lián)舯┝骶€。

多普勒天氣雷達(dá)是監(jiān)測預(yù)報下?lián)舯┝鞯闹匾侄?。下?lián)舯┝髟诙嗥绽仗鞖饫走_(dá)觀測的低仰角徑向速度中表現(xiàn)為小尺度徑向輻散特征(雷達(dá)徑向上的正負(fù)速度對)或大風(fēng)核區(qū)(因外部環(huán)境因子影響和離散的小尺度下沉氣流疊加引起的非對稱性出流)(Fujita,1979;Wilson and Schreiber,1986;Potts,1989)。弓狀回波也是一種在較大范圍內(nèi)產(chǎn)生較強(qiáng)下?lián)舯┝鞯幕夭ㄐ螒B(tài)(Fujita,1979)。Roberts and Wilson(1989)使用單個和多個多普勒天氣雷達(dá)研究了一些云內(nèi)下?lián)舯┝靼l(fā)生的先兆,他們確定了在下?lián)舯┝?初始地面出流)發(fā)生前2~6 min普遍出現(xiàn)的4個主要特征:①下降的反射率因子核;②云底附近或之上高度增加的徑向輻合;③沿風(fēng)暴邊緣腐蝕的反射率因子(反射率因子槽口);④繞垂直軸的旋轉(zhuǎn)。

基于對下?lián)舯┝骼走_(dá)特征的一些認(rèn)知,下?lián)舯┝髯R別和臨近預(yù)報方法先后被研發(fā)。早在20世紀(jì)80年代末和90年代初,Merritt(1987)基于下?lián)舯┝髟诘脱鼋菑较蛩俣戎械男〕叨葟较蜉椛⑻卣鳎邪l(fā)了一些下?lián)舯┝鞯淖R別算法。由于這種特征只出現(xiàn)在距地面1 km以內(nèi)的高度,雷達(dá)用最低掃描仰角(一般為0.5°)探測到這種特征的有效半徑也只有60 km左右,而且當(dāng)雷達(dá)探測到這種特征時,地面下?lián)舯┝鞔箫L(fēng)即將或正在發(fā)生,幾乎沒有預(yù)報時效。因此在認(rèn)知下?lián)舯┝骼走_(dá)先兆特征的基礎(chǔ)上,一些下?lián)舯┝髋R近預(yù)報算法被提出。最初的算法僅基于下?lián)舯┝髟诶走_(dá)反射率因子及其反演產(chǎn)品中的先兆特征(例如風(fēng)暴質(zhì)心高度和垂直液態(tài)水含量VIL的快速下降)而設(shè)計(Roberts and Wilson,1989;Wolfson et al,1994),預(yù)報成功率非常有限。Smith et al(2004)綜合使用雷達(dá)反射率因子和徑向速度等數(shù)據(jù)得到風(fēng)暴單體的26個雷達(dá)特征量來預(yù)報下?lián)舯┝?,該算?Damaging Downburst Prediction and Detection Algorithm)在美國的WSR-88D系統(tǒng)中運行。

我國新一代多普勒天氣雷達(dá)網(wǎng)的建設(shè)始于1998年。俞小鼎等(2006)首次利用我國新一代多普勒天氣雷達(dá)資料對2003年6月6日發(fā)生在安徽的一次系列下?lián)舯┝鬟^程進(jìn)行了詳細(xì)分析。在這之后,有許多氣象學(xué)者基于多普勒天氣雷達(dá)觀測到的下?lián)舯┝髻Y料進(jìn)行了個例分析,例如:畢旭等,2007;吳芳芳等,2009;程月星等,2018;郭英蓮和孫繼松,2019;沈杭鋒等,2019;龍柯吉等,2020;俞小鼎和鄭永光,2020。楊璐等(2018)分析了北京地區(qū)雷暴大風(fēng)不同生命期內(nèi)的雷達(dá)統(tǒng)計特征及預(yù)警提前量。

我國的一些氣象工作者也在下?lián)舯┝鞯淖R別和臨近預(yù)報技術(shù)方面開展了一些研發(fā)工作?;诘脱鼋菑较蛩俣戎械男〕叨葟较蜉椛⑻卣鞯南?lián)舯┝髯R別算法被研發(fā)(張鋼等,2011;陶嵐和戴建華,2011;杜牧云等,2015;2017)。李國翠等(2014)利用雷達(dá)反射率因子三維拼圖數(shù)據(jù)開展了雷暴大風(fēng)識別技術(shù)研究。羅輝等(2015)依據(jù)反射率因子核的快速下降和中層徑向輻合特征,設(shè)計了下?lián)舯┝鞒隽鲝?qiáng)度公式。王興等(2019)基于風(fēng)暴核頂高的快速下降和中層徑向輻合特征來實現(xiàn)下?lián)舯┝鞯闹悄茴A(yù)報。王萍和牛智勇(2014)和肖艷姣(2018)使用不同的方法研發(fā)了中層徑向輻合(mid-altitude radial covergence,MARC)特征自動識別算法。周康輝等(2017)在地面氣象觀測站大風(fēng)記錄的基礎(chǔ)上,結(jié)合多源數(shù)據(jù),利用模糊邏輯算法,實現(xiàn)雷暴大風(fēng)與非雷暴大風(fēng)的有效識別,可對雷暴大風(fēng)進(jìn)行實時監(jiān)測。孫京等(2019)通過云模型和支持向量機(jī)等方法從諸多風(fēng)暴單體的雷達(dá)特征量中篩選出9個下?lián)舯┝黝A(yù)報因子,利用Bayes和BP神經(jīng)網(wǎng)絡(luò)兩種方法建立了下?lián)舯┝髋R近預(yù)報模型。

本文提出一種綜合使用雷達(dá)和探空觀測資料的下?lián)舯┝髋R近預(yù)報算法。在對雷達(dá)基數(shù)據(jù)進(jìn)行地物雜波抑制和徑向速度退模糊以及對探空資料進(jìn)行處理得到0℃、-20℃和最小相當(dāng)位溫高度的基礎(chǔ)上,該算法首先進(jìn)行風(fēng)暴單體識別追蹤和冰雹指數(shù)的計算;然后進(jìn)行MARC特征和中氣旋識別,并使之與識別的風(fēng)暴單體相關(guān)聯(lián);最后提取諸多風(fēng)暴單體的雷達(dá)特征量,經(jīng)批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€例統(tǒng)計分析后挑選出9個下?lián)舯┝鞯睦走_(dá)先兆因子作為模糊邏輯法的輸入,建立下?lián)舯┝髋R近預(yù)報方程。

1 資料和預(yù)處理

文中用于風(fēng)暴單體雷達(dá)特征量統(tǒng)計分析的資料包含2010—2016年的CINRAD-SA/SB(China New Generation Weather Radar-S Band A/B Type)型雷達(dá)觀測的基數(shù)據(jù)(武漢、襄陽、荊州、宜昌、恩施、十堰和隨州)、SWAN系統(tǒng)(Severe Weather Automatic Nowcast System)雷達(dá)拼圖數(shù)據(jù)(27°~35°N、105°~117°E)、湖北省區(qū)域自動氣象站觀測的地面風(fēng)數(shù)據(jù)和探空觀測數(shù)據(jù)(安康、南陽、恩施、宜昌、武漢、長沙);用于2015年6月1日個例分析的雷達(dá)基數(shù)據(jù)來自岳陽雷達(dá),探空資料來自當(dāng)日20時的長沙站;用于評估檢驗的是2019年6—8月湖北省的雷暴大風(fēng)過程個例資料(包括雷達(dá)基數(shù)據(jù)、區(qū)域自動氣象站地面大風(fēng)數(shù)據(jù)和探空數(shù)據(jù))。

雷達(dá)基數(shù)據(jù)采用VCP21體掃模式(6 min掃描9個固定仰角,分別為0.5°、1.5°、2.4°、3.4°、4.3°、6.0°、9.9°、14.6°、19.5°)采樣,雷達(dá)波束寬度約為1°,反射率因子數(shù)據(jù)庫長為1 km,徑向速度數(shù)據(jù)庫長為250 m。對雷達(dá)基數(shù)據(jù)的預(yù)處理包含地物雜波抑制(吳濤等,2013)和徑向速度退模糊(肖艷姣等,2012;2016)處理。

下?lián)舯┝鳂颖镜倪x取結(jié)合地面測風(fēng)數(shù)據(jù)和雷達(dá)觀測數(shù)據(jù),范圍限定在距離雷達(dá)10~150 km內(nèi),主要考慮兩個因素:一是近距離處雷達(dá)探測不到風(fēng)暴的中上部信息;二是新一代天氣雷達(dá)的徑向速度最大探測距離約為150 km;雖然通過距離退折疊后,其探測范圍可擴(kuò)展到230 km,但150 km以外的有效速度信息很少。針對地面大風(fēng)數(shù)據(jù),首先剔除了<17.9 m·s-1的數(shù)據(jù);然后用概率統(tǒng)計分析方法剔除因地形和設(shè)備異常等原因引起的大風(fēng)站點,即剔除大風(fēng)出現(xiàn)頻次遠(yuǎn)大于站均頻次的站點;最后結(jié)合SWAN系統(tǒng)的雷達(dá)拼圖數(shù)據(jù)剔除冷空氣大風(fēng)和脫離風(fēng)暴母體一定距離的陣風(fēng)鋒大風(fēng),具體方法為:對于出現(xiàn)了大風(fēng)的站點,如果其周圍40 km范圍內(nèi)有面積大于100 km2的40 dBz以上的回波和面積大于40 km2的50 dBz以上的回波,則認(rèn)為該站是因雷暴引起的大風(fēng),否則被剔除。將保留的地面大風(fēng)與大風(fēng)發(fā)生前6 min最低仰角質(zhì)心距離站點10 km范圍內(nèi)的風(fēng)暴進(jìn)行匹配,能與風(fēng)暴單體匹配上的地面大風(fēng)被確定為下?lián)舯┝鞔箫L(fēng)。

對于探空觀測數(shù)據(jù),首先計算各高度的環(huán)境相當(dāng)位溫(劉健文等,2005),找到最小相當(dāng)位溫所在高度,其次使用線性插值處理獲取0℃、-20℃的高度。

2 下?lián)舯┝髋R近預(yù)報方法

圖1給出了下?lián)舯┝髋R近預(yù)報算法流程圖,其中下?lián)舯┝髋R近預(yù)報方程是在使用批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€例對提取的雷達(dá)特征量進(jìn)行統(tǒng)計分析后使用模糊邏輯法建立的,下面對幾個主要模塊分別進(jìn)行介紹。

圖1 下?lián)舯┝髋R近預(yù)報算法流程圖Fig.1 Flow chart of downburst nowcasting algorithm

2.1 風(fēng)暴單體識別、追蹤和冰雹指數(shù)計算

使用SCIT(storm cell identification and tracking)算法識別風(fēng)暴單體(Johnson et al,1998),但對其中的反射率因子閾值進(jìn)行了調(diào)整,只使用了6個反射率因子閾值,分別為60、55、50、45、40、35 dBz,其目的是為了提高強(qiáng)風(fēng)暴單體的識別率。

使用冰雹探測算法(hail detection algorithm,HDA)(Witt et al,1998)計算強(qiáng)冰雹指數(shù)(SHI)和強(qiáng)冰雹概率(POSH),公式如下:

(1)

(2)

其中,

E=5×10-6×100.084ZW(Z)

(3)

(4)

WT=57.5H0-121

(5)

(6)

式中:ZL=40 dBz,ZU=50 dBz,H0和Hm20分別為0℃和-20℃高度,Z為雷達(dá)反射率因子,單位為dBz。

E為冰雹動能通量,單位為J·m-2·s-1。WT(H)為基于溫度的權(quán)重函數(shù),W(Z)為用于定義降雨和冰雹反射率因子轉(zhuǎn)換區(qū)的權(quán)重函數(shù),WT為與零度層高度有關(guān)的冰雹警報閾值,單位為J·m-1·s-1。

對于識別出來的風(fēng)暴單體,如果其VIL<5 kg·m-2則被舍棄,余下的風(fēng)暴單體根據(jù)VIL值從大到小排序,用字母A~Z加數(shù)字0~19(比如A0,B19)標(biāo)記識別出來的風(fēng)暴單體。

基于移動路徑最短原則對相鄰體掃時次的風(fēng)暴單體進(jìn)行匹配,其中使用最大反射率因子、風(fēng)暴單體底高、移動速度和方向作為約束,即相鄰體掃時次的同一風(fēng)暴單體的最大反射率因子的變化不能超過12 dBz,移動速度不能超過120 km·h-1,移動方向與前一體掃時次所有風(fēng)暴單體的平均移動方向的偏差不能大于60°,底高變化不能超過2 km。Han et al(2009)討論了移動速度動態(tài)閾值Smax選擇方法,根據(jù)風(fēng)暴回波面積大小設(shè)置了三組閾值,當(dāng)面積<300 km2時,Smax=100 km·h-1;當(dāng)300≤面積<500 km2時,Smax=150 km·h-1;當(dāng)面積≥500 km2時,Smax=200 km·h-1。由于本文是識別風(fēng)暴核,面積不是特別大,故設(shè)置Smax=120 km·h-1。在匹配過程中,對風(fēng)暴合并和分裂進(jìn)行了處理。如果當(dāng)前時次的一個風(fēng)暴單體同時匹配上前一時次的兩個風(fēng)暴單體,即出現(xiàn)風(fēng)暴合并,那么把最大反射率因子變化小的前一時次的風(fēng)暴單體的標(biāo)號賦給當(dāng)前時次的合并單體,前一時次的另一個單體就被認(rèn)為消散了;如果當(dāng)前時次的兩個風(fēng)暴單體同時匹配上前一時次的同一個單體,即出現(xiàn)了風(fēng)暴分裂,則把前一時次的風(fēng)暴單體序號賦給當(dāng)前時次最大反射率因子變化小的風(fēng)暴單體,另一個單體當(dāng)成新生單體,賦予新的標(biāo)號。

2.2 徑向散度和方位渦度切變估計

使用二維局部線性最小二乘導(dǎo)數(shù)(LLSD)方法估計徑向散度和方位渦度切變(Elmore et al,1994)。在極坐標(biāo)下,取一個(2N+1)×(2M+1)大小的二維局地窗口,設(shè)窗口內(nèi)各方位-斜距庫的徑向速度為ui,j(i=-N,…,0,1,…,N;j=-M,…,0,1,…,M)。以窗口中心為基準(zhǔn)(i=0,j=0),沿徑向中心以遠(yuǎn),i為正,沿切向順時針方向,j為正,則窗口中心的徑向散度切變ur和方位渦度切變ua分別為:

(i=-N,…,0,1,…,N;j=-M,…,0,1,…,M)

(7)

(i=-N,…,0,1,…,N;j=-M,…,0,1,…,M)

(8)

式中:Si,j=(r+jΔr)·i·Δφ,r為局地二維窗口中心離雷達(dá)的斜距(單位:km),Δr為徑向速度數(shù)據(jù)庫庫長(單位:km),Δφ為波束寬度(單位:弧度)。wi,j為權(quán)重,對于所有的i和j,都應(yīng)有wij>0,wi,j=w-i,j,wi,j=wi,-j,本文取wi,j=1。如果速度場中有徑向輻合,則ur<0,ur越小,徑向輻合切變越大;如果速度場中有氣旋性旋轉(zhuǎn),則ua>0,ua越大,正方位渦度切變越大。

由于使用LLSD方法計算徑向散度和方位渦度切變時使用的是極坐標(biāo)徑向速度數(shù)據(jù),其方位分辨率隨著離開雷達(dá)的距離r而變化,故所取局地窗口大小也隨著r變化。設(shè)徑向輻合核和中氣旋核的大小是某個常數(shù)D(缺省1.25 km),那么N,M的取值分別為:

(9)

(10)

式中:(int)表示四舍五入取整。如果M<1,則令M=1;如果M>13,則令M=13。

使用二維局部LLSD方法估計徑向散度和方位渦度切變后再基于這兩個參量去識別MARC特征和中氣旋,相比直接使用相鄰距離或方位庫的速度差的識別方法,前者可以減輕徑向速度的質(zhì)量和小尺度自然脈動對識別的影響。

2.3 MARC特征和中氣旋識別

肖艷姣(2018)給出了基于極坐標(biāo)三維徑向散度切變數(shù)據(jù)的MARC特征自動識別算法(storm cell radial convergence zone identification,SCRCZI)。本文使用的中氣旋識別算法與SCRCZI算法類似,區(qū)別在于中氣旋識別是基于極坐標(biāo)三維方位渦度切變數(shù)據(jù),識別也分為三個部分,即一維正方位渦度切變段、二維正方位渦度切變特征和三維正方位渦度切變特征(以下簡稱為一維切變段、二維切變特征和三維切變特征)的識別,步驟如下:

(1)一維切變段識別

一維切變段的識別是沿徑向方向搜尋方位渦度切變大于預(yù)設(shè)閾值(缺省分7級,分別是70、60、50、40、30、20、10,單位為10-4s-1)的連續(xù)庫。當(dāng)沿徑向從雷達(dá)處開始往外第一次搜索到大于閾值的方位渦度切變庫時,那么其后面大于該閾值的連續(xù)方位渦度切變庫被聚在一起,直到小于該閾值的方位渦度切變庫被搜索到;如果隨后庫的方位渦度切變值與該閾值的差≤方位渦度切變差閾值(缺省值為4,單位為10-4s-1),且滿足條件的連續(xù)庫的數(shù)量小于中斷計數(shù)閾值(缺省值為2個),那么該切變段的搜索繼續(xù),否則切變段截止在第一個小于閾值的庫之前。使用這樣的搜索方法可以減輕速度的小尺度自然脈動對一維切變段搜索的影響。如果切變段的長度大于段長度閾值(缺省值為0.95 km),那么該段就被保存,否則被剔除。每個切變段的開始和結(jié)束的距離庫、方位、最大和最小速度等參量被記錄。

(2)二維切變特征識別

當(dāng)一個仰角的最后一根徑向的一維切變段被搜索完后,基于空間鄰近原則,一維切變段被合并為二維切變特征。相鄰段的合并需滿足兩個標(biāo)準(zhǔn):一是2個段的方位差小于方位間隔閾值(缺省值為1.5°),二是2個段在徑向上的重疊距離要大于段重疊閾值(缺省值為0.45 km)。一個二維切變特征包含的一維切變段數(shù)量必須大于段數(shù)閾值(缺省值為2),其面積要大于二維切變特征面積閾值(缺省值為3 km2)。在完成所有等級閾值的二維切變特征識別后,為了提取最強(qiáng)方位渦度切變區(qū)信息,需要舍棄包裹著高閾值二維切變特征的低閾值二維切變特征。如果高閾值的二維切變特征的中心落在低閾值二維切變特征面積內(nèi),那么低閾值的二維切變特征被舍棄,但是在被保留的最高等級閾值的二維切變特征中增加記錄包裹它的最低等級閾值的二維切變特征的參量信息。對二維切變特征做尺寸大小、尺寸對稱性和切變對稱性檢查,即使用橢圓擬合二維切變特征,計算其長、短軸半徑a和b以及最大、最小速度庫的連線與連線中點所在雷達(dá)徑向的小夾角α。當(dāng)a≤15 km、a/b≤4、45°≤α≤135°時,該二維切變特征被保留,否則被舍棄。計算并保存二維切變特征的一些參量,其中包含中心位置(斜距、方位和仰角)、開始和結(jié)束的方位和斜距、最大方位渦度切變、最大最小速度及其所在的方位和斜距及對應(yīng)的差分方位切變等。

(3)三維切變特征識別

把保留的二維切變特征按最大方位渦度切變大小排序,之后進(jìn)行垂直關(guān)聯(lián)。每個被識別的三維切變特征至少包含連續(xù)仰角的兩個二維切變特征。垂直關(guān)聯(lián)是從最低仰角開始的一個反復(fù)過程。首先垂直關(guān)聯(lián)相鄰仰角的中心距離小于閾值(缺省值2.5 km)的二維切變特征,如果有多個二維切變特征可以關(guān)聯(lián),那么只選擇垂直積分方位渦度切變最大的那個二維切變特征進(jìn)行關(guān)聯(lián)。如果第一次垂直關(guān)聯(lián)結(jié)束后還有未被垂直關(guān)聯(lián)的二維切變特征存在,那么把搜索半徑增加到5 km,對未被垂直關(guān)聯(lián)的所有二維切變特征重復(fù)上面的步驟。如果第二次垂直關(guān)聯(lián)結(jié)束后仍然有未被垂直關(guān)聯(lián)的二維切變特征存在,那么把搜索半徑增加到7.5 km后再次重復(fù)上面步驟進(jìn)行第三次垂直關(guān)聯(lián)。

如果以三維切變特征為中心的20 km半徑內(nèi)沒有風(fēng)暴單體存在,那么該三維切變特征被刪除。余下的三維切變特征被認(rèn)定為中氣旋,之后計算中氣旋的一些特征參量,包含垂直積分最大方位渦度切變、6 km以下的最大方位渦度切變和旋轉(zhuǎn)速度(最大正負(fù)速度絕對值之和的一半)等,把中氣旋按垂直積分最大方位渦度大小排序。

2.4 風(fēng)暴單體雷達(dá)特征參量提取

用距離最近原則,把識別出來的MARC特征和中氣旋與風(fēng)暴單體相關(guān)聯(lián),然后提取風(fēng)暴單體的一些雷達(dá)特征量。從風(fēng)暴識別算法中可提取風(fēng)暴單體質(zhì)心位置、頂高、底高、VIL及其密度、最大反射率因子及其所在高度、最小相當(dāng)位溫高度附近及其以上高度的最大反射率因子、1 km高度以下的最大絕對徑向速度和最大徑向輻散等;從冰雹探測算法中可提取強(qiáng)冰雹指數(shù)SHI和概率POSH等;從風(fēng)暴追蹤算法中可提取風(fēng)暴移動速度和方向、VIL的變化、風(fēng)暴頂高和質(zhì)心高度變化;從MARC特征識別算法中可提取MARC特征的質(zhì)心位置、頂高和底高、垂直積分徑向輻合值、最強(qiáng)徑向輻合分量的強(qiáng)度等級、1~6 km高度的最大徑向輻合值和徑向方向上的最大最小速度差、最小相當(dāng)位溫高度附近的最大徑向輻合值和徑向方向上的最大最小速度差等;從中氣旋識別算法中可提取中氣旋的質(zhì)心位置、頂高和底高、直徑、最大旋轉(zhuǎn)速度及其所在高度、最大方位切變及其所在高度、最低4個方位渦度切變分量的旋轉(zhuǎn)速度和方位切變等。其中有一些特征參量用到了基于探空資料計算的0℃、-20℃和最小位溫高度,探空資料來自最接近雷達(dá)體掃時間且距離風(fēng)暴質(zhì)心最近的探空觀測。需要說明的是:與MARC特征和中氣旋有關(guān)的一些雷達(dá)特征量本可以通過識別風(fēng)暴單體后直接從對應(yīng)的極坐標(biāo)徑向速度、三維徑向散度切變和方位渦度切變數(shù)據(jù)中計算得到,但是考慮到風(fēng)暴單體的識別是盡可能識別強(qiáng)風(fēng)暴核,其對應(yīng)的徑向速度場中可能不包含完整的MARC特征或中氣旋結(jié)構(gòu)(MARC特征可能部分位于風(fēng)暴后側(cè)中層的入流槽口中,中氣旋核區(qū)可能部分位于弱回波或有界弱回波區(qū)內(nèi)),所以本文采取先識別MARC特征和中氣旋后再提取相關(guān)雷達(dá)特征參量的方式。

使用2010—2016年湖北省所有新一代天氣雷達(dá)觀測的降水天氣過程提取了下?lián)舯┝骱头窍聯(lián)舯┝黠L(fēng)暴單體的18個雷達(dá)特征量(表略),并進(jìn)行統(tǒng)計分析。對于下?lián)舯┝黠L(fēng)暴單體,選取地面大風(fēng)發(fā)生之前最多1小時的風(fēng)暴單體雷達(dá)特征量;對于非下?lián)舯┝黠L(fēng)暴單體,選取其整個生命史的雷達(dá)特征量。選取較長時間的雷達(dá)特征量的目的是為了延長下?lián)舯┝黝A(yù)報時效。結(jié)果表明,下?lián)舯┝骱头窍聯(lián)舯┝黠L(fēng)暴的這18個特征量都有重疊隸屬部分,篩選出重疊隸屬部分相對較少的9個雷達(dá)特征量作為下?lián)舯┝黝A(yù)報因子(見表1)。此外,分析了產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴單體核心高度、頂高和VIL的時間變率,發(fā)現(xiàn)這三個量的快速下降通常發(fā)生在地面大風(fēng)發(fā)生之前的一個體掃,使用這幾個量預(yù)報下?lián)舯┝鞑]有多少預(yù)報時效,所以沒有被作為候選預(yù)報因子。

2.5 下?lián)舯┝髋R近預(yù)報方程建立

本文使用模糊邏輯法建立下?lián)舯┝髋R近預(yù)報方程,公式(11)給出了產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴單體的雷達(dá)特征量x的隸屬函數(shù)F(x),其中TU和TL分別為高、低臨界值。

(11)

把雷達(dá)特征量作為輸入變量,使用模糊邏輯法建立下?lián)舯┝髋R近預(yù)報概率方程:

(12)

式中:P為下?lián)舯┝靼l(fā)生的概率,F(xiàn)(xi)和W(xi)分別為雷達(dá)特征量xi的隸屬函數(shù)和權(quán)重,n為輸入變量個數(shù)。當(dāng)某風(fēng)暴單體的P值大于預(yù)設(shè)閾值(缺省值為50)時就認(rèn)為該風(fēng)暴單體將在其余下的生命期內(nèi)產(chǎn)生下?lián)舯┝鳌?/p>

表1給出了用于下?lián)舯┝髋R近預(yù)報的風(fēng)暴單體的各雷達(dá)特征量隸屬函數(shù)的高、低臨界值和權(quán)重,其中隸屬函數(shù)的高、低臨界值是使用2010—2016年發(fā)生在湖北省的下?lián)舯┝鱾€例和非下?lián)舯┝鱾€例統(tǒng)計分析各雷達(dá)特征量的概率分布情況而得到的,權(quán)重是根據(jù)使用單個雷達(dá)特征量預(yù)報下?lián)舯┝鞯膿糁新实玫降摹?/p>

表1 用于下?lián)舯┝髋R近預(yù)報的風(fēng)暴單體雷達(dá)特征量隸屬函數(shù)的高、低臨界值和權(quán)重Table 1 The high and low critical values and weights of the membership function of the storm cell radar signature for downburst nowcasting

3 個例分析

2015年6月1日21:28(北京時,下同)左右,“東方之星”客輪在長江航道湖北監(jiān)利段開始側(cè)翻,21:31傾覆,導(dǎo)致442人死亡。兩個氣象專家組進(jìn)行了現(xiàn)場調(diào)查和多種探測資料綜合分析,得出相似結(jié)論。孟智勇等(2016)研究表明,客輪在傾覆時處于一條颮線弓形回波頂點處,根據(jù)樹木折斷情況估計遭遇了至少31 m·s-1的強(qiáng)風(fēng),該強(qiáng)風(fēng)可能是由微下?lián)舯┝骼锏闹本€大風(fēng)或其中的小尺度渦旋(非龍卷)造成。鄭永光等(2016)研究表明,客輪傾覆江段和周邊區(qū)域發(fā)生了顯著微下?lián)舯┝鲗?dǎo)致的強(qiáng)烈大風(fēng)災(zāi)害,估計最強(qiáng)風(fēng)力超過12級,并具有空間分布不連續(xù)、多尺度和強(qiáng)災(zāi)害時空尺度小等特征。事發(fā)周邊區(qū)域北部的四臺村養(yǎng)豬場附近樹林中同時發(fā)生了多條相鄰的微下?lián)舯┝鳁l跡,呈現(xiàn)出輻散和輻合交替分布的特征。由于微下?lián)舯┝鞒叨确浅P?,現(xiàn)有地面自動氣象觀測站網(wǎng)沒有捕捉到這次微下?lián)舯┝鞔箫L(fēng)過程。

本文使用岳陽雷達(dá)觀測的體掃資料分析了該下?lián)舯┝髋R近預(yù)報算法的預(yù)報效果,客輪開始側(cè)翻的地點在岳陽雷達(dá)極坐標(biāo)中的位置為(339.3°、49.1 km)。使用該算法從北京時19:31(體掃開始時間,下同)的體掃資料開始處理,從長沙20時的探空資料獲取0℃、-20℃和最小相當(dāng)位溫的所在高度分別為5.2、8.7和6.4 km(長沙探空站與客輪側(cè)翻點之間的距離為180 km)。算法從20:11—21:09連續(xù)11個體掃識別到標(biāo)號為A17的風(fēng)暴單體,其中20:52預(yù)報該單體將產(chǎn)生下?lián)舯┝鳎?0:35—21:27連續(xù)10個體掃識別到標(biāo)號為B5的風(fēng)暴單體,其中20:40—21:21預(yù)報該單體將產(chǎn)生下?lián)舯┝鳎?1:21—21:38連續(xù)4個體掃識別到標(biāo)號為C1的風(fēng)暴單體,其中21:21和21:27預(yù)報該單體將產(chǎn)生下?lián)舯┝?。圖2給出了20:35—21:38時間段的下?lián)舯┝髋R近預(yù)報結(jié)果。在21:21,算法首次識別到單體C1,此時預(yù)報B5和C1都將產(chǎn)生下?lián)舯┝?,?1:27算法沒有再預(yù)報B5將產(chǎn)生下?lián)舯┝?下?lián)舯┝鞲怕蕿?1%),只預(yù)報C1將產(chǎn)生下?lián)舯┝?,之后單體B5消散,2個體掃后單體C1消散。在21:21,單體B5和C1距離很近,它們的極坐標(biāo)質(zhì)心位置分別為(337.3°、56.6 km)和(346.5°、59.9 km),單體B5正好位于弓形回波的頂點處,離客輪傾覆地點更近,且移動方向正朝向客輪傾覆地點。Wilson et al(1984)認(rèn)為典型的導(dǎo)致微下?lián)舯┝鞯南鲁翚饬鲝?qiáng)度達(dá)到峰值后的0~10 min內(nèi)會影響到地面,考慮到一個體掃周期為6 min,我們認(rèn)為是單體B5產(chǎn)生的微下?lián)舯┝鲗?dǎo)致了“東方之星”客輪的側(cè)翻。圖3對單體B5的雷達(dá)特征量隨時間的變化進(jìn)行了分析。

圖2 2015年6月1日20:35—21:38基于岳陽雷達(dá)的下?lián)舯┝黝A(yù)報結(jié)果疊加0.5°仰角反射率因子(圖中字母是預(yù)報會產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴,白色風(fēng)桿不表示風(fēng)向和風(fēng)速,只表示該風(fēng)暴單體將會產(chǎn)生下?lián)舯┝?,風(fēng)桿的南端點是MARC質(zhì)心位置;黃色圓圈是識別的中等強(qiáng)度中氣旋,圖2i中的空心三角形所在處為客輪傾覆地點)Fig.2 Downburst forecast results superimposed on the 0.5° elevation reflectivity factor map at 20:35-21:38 BT 1 June 2015 based on Yueyang Radar(Letters represent the storm predicted to produce downburst; white wind pole does not indicate the wind direction and speed, but the storm cell to produce downburst; the southern end of wind pole is the position of MARC centroid, yellow circle is the identified moderate intensity mesocyclone, and hollow triangle in Fig.2i is the capsizing point of the passenger ship)

從圖3a和3b可看出,該單體的最大反射率因子(ZMAX)、最小相當(dāng)位溫高度附近的最大反射率因子(ZTH)、頂高(HT)、底高(HB)、質(zhì)心高度(HC)、垂直積分液態(tài)水含量(VIL)和強(qiáng)冰雹指數(shù)(SHI)都有一個先增加達(dá)到最大值后逐漸減小的趨勢,且在最后一個體掃,HT和VIL快速下降。從圖3c可看出,MARC特征的垂直積分徑向輻合量IMARC和最小相當(dāng)位溫高度附近的徑向輻合量CMTH都有一個先增加后減小的趨勢,但是它們達(dá)到峰值的時間要落后于基于反射率因子得到的一些雷達(dá)特征量。從圖3d可看出,在單體B5生命周期的大部分時間里,中氣旋的旋轉(zhuǎn)速度都只維持弱中氣旋,只有最后3個體掃才達(dá)到中等強(qiáng)度中氣旋;1~6 km 高度徑向上的最大、最小速度差幾乎都大于20 m·s-1,最大徑向輻合等級RCL都≥40×10-4s-1,表明存在顯著的中層徑向輻合特征。從圖3e可看出,只有在單體B5生命周期后半段的5個體掃時間,風(fēng)暴底位于1 km以下;在21:21,風(fēng)暴底的最大絕對徑向速度MRV01達(dá)到最大(22.5 m·s-1),徑向輻散值MDIV也達(dá)到最大(104×10-4s-1),且出現(xiàn)一個陡升現(xiàn)象。從圖3f可看出,從20:41—21:21,單體B5產(chǎn)生強(qiáng)冰雹的概率都不大于16%,產(chǎn)生下?lián)舯┝鞯母怕识即笥?0%,最早預(yù)報單體B5將產(chǎn)生下?lián)舯┝鞯臅r間比“東方之星”客輪傾覆時間提前了47 min。

圖3 2015年6月1日導(dǎo)致“東方之星”客輪傾覆的風(fēng)暴單體的(a~e)雷達(dá)特征量、(f)預(yù)報的下?lián)舯┝骱蛷?qiáng)冰雹的概率的時間序列(a)HT、HB、HC、ZMAX和ZTH,(b)VIL和SHI,(c) IMARC和CMTH,(d)DV16、DV06和RCL,(e) MRV01和MDIV01Fig.3 Time series of radar characteristics, (a-e) predicted downburst and (f) severe hail probability of the storm cell triggering the capsizing of “Oriental Star” Passenger Ship on 1 June 2015(a) HT, HB, HC, ZMAX, and ZTH, (b) VIL and SHI, (c) IMARC and CMTH, (d) DV16, DV06 and RCL, (e) MRV01 and MDIV01

圖4給出了21:21—21:32時段3個體掃時次的0.5°仰角的徑向速度,從圖中可看出,在21:21,弓形回波頂點后側(cè)有一塊負(fù)速度大風(fēng)核區(qū),但是不存在輻散式的正負(fù)速度對;到21:27,弓形回波頂點后側(cè)出現(xiàn)3塊相鄰的正負(fù)速度對,不過正速度大小和面積都不大(見圖中虛線橢圓區(qū));到了21:32,弓形回波頂點后側(cè)的3個輻散式的正負(fù)速度對非常清晰,表明發(fā)生了相鄰的3個下?lián)舯┝鳌?/p>

圖4 2015年6月1日(a)21:21,(b)21:27,(c)21:32岳陽雷達(dá)觀測的0.5°仰角徑向速度(圖中紅色橢圓為徑向輻散區(qū))Fig.4 Radial velocity at 0.5° elevation observed by Yueyang Radar at (a) 21:21 BT, (b) 21:27 BT, (c) 21:32 BT 1 June 2015(The red ellipses are the radial divergence areas)

4 預(yù)報效果評估

使用湖北省2019年6—8月的17個雷暴大風(fēng)過程(表2)對下?lián)舯┝黝A(yù)報擊中率進(jìn)行了評估,評估范圍為距離雷達(dá)10~150 km。由于本算法是在識別風(fēng)暴單體的基礎(chǔ)上進(jìn)行下?lián)舯┝髋R近預(yù)報,在挑選個例時,未考慮冷空氣疊加雷暴大風(fēng)的個例;評估時,盡量不考慮陣風(fēng)鋒(對應(yīng)弱回波或無回波)引起的大風(fēng)。評估方法為:在區(qū)域自動氣象站出現(xiàn)大風(fēng)之前1小時內(nèi)和站點周圍40 km范圍內(nèi)(以統(tǒng)計風(fēng)暴平均移速40 km·h-1為依據(jù)),如果有風(fēng)暴單體被識別且其最大反射率因子≥35 dBz,那么當(dāng)下?lián)舯┝鞲怕省?0%時,則判斷該站點預(yù)報下?lián)舯┝髡_,否則為漏報;如果沒有風(fēng)暴單體被識別或者有風(fēng)暴單體被識別但是其最大反射率因子<35 dBz時,則認(rèn)為該站點大風(fēng)為非下?lián)舯┝鞔箫L(fēng),不參加評估。這種評估方法不能完全排除脫離風(fēng)暴母體40 km 內(nèi)的出流大風(fēng)的影響,但是考慮到這種出流也是從母體脫離的,如果預(yù)報了下?lián)舯┝饕菜阏_。

表2 用于評估的雷暴大風(fēng)天氣個例Table 2 Thunderstorm and gale weather cases for assessment

以各雷達(dá)為中心,統(tǒng)計10~150 km范圍內(nèi)的區(qū)域地自動氣象站觀測到的雷暴大風(fēng)共有353站次(當(dāng)相鄰雷達(dá)間距小于300 km,且選取的個例落在其觀測重疊區(qū)域時,會重復(fù)統(tǒng)計),其中識別出風(fēng)暴單體并正確預(yù)報有下?lián)舯┝鞔箫L(fēng)的有242站次,平均預(yù)報時效為39 min;識別出風(fēng)暴單體但沒有預(yù)報有下?lián)舯┝鞔箫L(fēng)的有38站次(下?lián)舯┝靼l(fā)生概率位于35%~49%),其中回波面積很小的有6站次,在下?lián)舯┝靼l(fā)生后預(yù)報有下?lián)舯┝鞯挠?站次;未識別出風(fēng)暴單體由陣風(fēng)鋒(有窄帶弱回波)產(chǎn)生的大風(fēng)有40站次;未識別出風(fēng)暴單體且?guī)缀鯚o回波的大風(fēng)有33站次(距離雷達(dá)較遠(yuǎn)的陣風(fēng)鋒雷達(dá)探測不到)。去掉弱回波、無回波的情況,共有280站次的雷暴大風(fēng)可認(rèn)為是下?lián)舯┝鞔箫L(fēng),正確預(yù)報242站次,擊中率為86.4%。按照回波形態(tài)分類評估,颮線類、線狀對流類(颮線除外)和非線狀對流類風(fēng)暴的下?lián)舯┝黝A(yù)報擊中率分別為93.2%、90.5%和75.6%。對于非線狀對流類風(fēng)暴,MARC或后側(cè)入流急流特征沒有颮線類和線狀對流類的那么明顯,這可能是其預(yù)報正確率較低的原因之一。

5 結(jié)論與討論

(1)綜合使用雷達(dá)反射率因子、徑向速度和基于探空觀測的0℃、-20℃和最小相當(dāng)位溫高度等資料,基于風(fēng)暴單體識別追蹤、冰雹指數(shù)計算、MARC特征識別和中氣旋識別等算法,提取風(fēng)暴單體的諸多雷達(dá)特征量,經(jīng)統(tǒng)計分析挑選出下?lián)舯┝鞯睦走_(dá)先兆因子9個作為模糊邏輯法的輸入,建立了下?lián)舯┝髋R近預(yù)報方程。

(2)使用2015年6月1日發(fā)生在監(jiān)利導(dǎo)致“東方之星”客輪側(cè)翻的下?lián)舯┝鱾€例對本算法進(jìn)行了測試,結(jié)果表明本算法從20:41—21:21共有8個體掃時次預(yù)報了引起沉船事件的那個風(fēng)暴單體將會產(chǎn)生下?lián)舯┝?,首次預(yù)報時間比客輪側(cè)翻時間早47 min。21:27—21:32,0.5°仰角的徑向速度中出現(xiàn)了輻散式的正負(fù)速度對,表明下?lián)舯┝鞔箫L(fēng)的發(fā)生。

(3)使用2019年6—8月發(fā)生在湖北省的雷暴大風(fēng)個例對本文提出的下?lián)舯┝髋R近預(yù)報算法進(jìn)行了效果評估,結(jié)果表明本算法對下?lián)舯┝髋R近預(yù)報的擊中率為86.4%,平均預(yù)報時效為39 min;按回波形態(tài)分類評估,颮線類、線狀對流類(颮線除外)和非線狀對流類風(fēng)暴的下?lián)舯┝髋R近預(yù)報擊中率分別為93.2%、90.5%和75.6%。

在本算法中沒有使用識別的風(fēng)暴單體區(qū)域內(nèi)的徑向速度直接提取與MARC特征和中氣旋有關(guān)的雷達(dá)特征量,而是單獨識別了MARC特征和中氣旋后,再把它們與風(fēng)暴單體關(guān)聯(lián)。這樣做的原因是考慮到風(fēng)暴單體的識別是盡可能識別強(qiáng)風(fēng)暴核,其對應(yīng)的徑向速度場中可能不包含完整的MARC特征或中氣旋結(jié)構(gòu),MARC特征可能部分位于風(fēng)暴后側(cè)中層的入流槽口中,中氣旋核區(qū)可能部分位于弱回波或有界弱回波區(qū)內(nèi)。本文沒有評估虛警率,今后將繼續(xù)研發(fā)1 km高度以下的輻散式速度對和大風(fēng)核的自動識別算法,在此基礎(chǔ)上,結(jié)合地面自動站觀測進(jìn)行下?lián)舯┝髋R近預(yù)報虛警率的批量評估。該算法模塊已集成到中國氣象局武漢暴雨研究所研發(fā)的分類強(qiáng)對流天氣自動識別預(yù)警系統(tǒng)中(崔春光等,2021),并于2019年開始投入業(yè)務(wù)運行,今后將在業(yè)務(wù)應(yīng)用中不斷地優(yōu)化算法,特別是需要使用更多的產(chǎn)生下?lián)舯┝鞯墓铝误w風(fēng)暴來統(tǒng)計各雷達(dá)特征量,修改下?lián)舯┝髋R近預(yù)報方程,因為對于線狀對流和團(tuán)狀對流來說,很難把地面發(fā)生的大風(fēng)與風(fēng)暴單體進(jìn)行準(zhǔn)確匹配。對于已出現(xiàn)的下?lián)舯┝鞔箫L(fēng),將加入1 km以下的大風(fēng)核區(qū)的識別和0.5°仰角的徑向速度出現(xiàn)的輻散式的正負(fù)速度對或強(qiáng)輻散區(qū)的識別。對于提取的諸多雷達(dá)特征量,今后也將使用機(jī)器學(xué)習(xí)方法進(jìn)行下?lián)舯┝鞯呐R近預(yù)報技術(shù)研究。

猜你喜歡
單體徑向大風(fēng)
鋰離子電容器自放電檢測方法研究
大風(fēng)之夜(組詩)
基于閃電定位和雷達(dá)資料的邵陽地區(qū)雷電預(yù)報預(yù)警研究
淺探徑向連接體的圓周運動
雙級徑向旋流器對燃燒性能的影響
西嶺金礦——中國最大單體金礦
看不見的大風(fēng)(外一首)
美國 風(fēng)暴
新型非接觸式徑向C4D傳感器優(yōu)化設(shè)計
一種可承受徑向和軸向載荷的超聲懸浮軸承
平定县| 东安县| 陆良县| 湖北省| 唐山市| 石渠县| 泗水县| 高密市| 黑龙江省| 塔城市| 孟州市| 安平县| 福州市| 柘城县| 南丰县| 武陟县| 巨野县| 栖霞市| 东乡县| 汝南县| 会昌县| 辉县市| 将乐县| 江都市| 诏安县| 鄂托克前旗| 莱西市| 舞钢市| 邢台市| 钟祥市| 应用必备| 乐山市| 武夷山市| 沧源| 新蔡县| 宁夏| 贵溪市| 岫岩| 山西省| 汽车| 麟游县|