魯?shù)陆?吳歡 袁野 吳林林 金祺

(1 安徽省氣象局 人工影響天氣辦公室，合肥 230031；2 中國氣象局 氣象干部培訓(xùn)學(xué)院安徽分院，合肥 230031)

引 言

新一代多普勒天氣雷達(dá)具有時(shí)空分辨率高和覆蓋范圍廣的優(yōu)點(diǎn)，是目前探測(cè)對(duì)流云降水過程的重要工具。中國氣象局于2008年研制了災(zāi)害天氣短時(shí)臨近預(yù)報(bào)系統(tǒng)(Severe Weather Automatic Nowcast System，SWAN)[1]。SWAN集合了多部多普勒天氣雷達(dá)數(shù)據(jù)，相對(duì)于單站雷達(dá)探測(cè)范圍更廣?？梢苑囱萆啥喾N雷達(dá)基本產(chǎn)品，包括雷達(dá)三維拼圖產(chǎn)品CAPPI、組合反射率因子(CR)、回波頂高(ET)、垂直累積液態(tài)含水量(VIL)等。

SWAN目前已廣泛應(yīng)用于短時(shí)強(qiáng)降水監(jiān)測(cè)預(yù)報(bào)業(yè)務(wù)中。張勇等[2]基于SWAN雷達(dá)拼圖產(chǎn)品，選取了組合反射率因子、回波頂高等參數(shù)，對(duì)暴雨過程中的對(duì)流云和層狀云降水進(jìn)行了分類，并在重慶的12次區(qū)域性暴雨天氣過程驗(yàn)證了分類結(jié)果。胡勝等[3]用SWAN 系統(tǒng)分析了2010 年 5 月 7 日廣州地區(qū)一次強(qiáng)對(duì)流天氣過程中反射率、回波頂高等雷達(dá)特征量的變化特征。楊吉等[4]用相關(guān)法和面積重疊法設(shè)計(jì)了一種算法，能夠用雷達(dá)拼圖資料跟蹤和預(yù)報(bào)中尺度對(duì)流系統(tǒng)。Crane[5]將多個(gè)二維空間的對(duì)流風(fēng)暴單體相互關(guān)聯(lián)，形成了早期的三維空間結(jié)構(gòu)對(duì)流風(fēng)暴。Johnson， et al[6]于1998年提出了風(fēng)暴單體追蹤識(shí)別算法(Storm Cell Identification and Tracking， SCIT)。SCIT算法通過多個(gè)反射率閾值來識(shí)別風(fēng)暴結(jié)構(gòu)體，可以較好地提取風(fēng)暴的質(zhì)心位置、最大反射率、單體VIL等空間結(jié)構(gòu)特征。王芬等[7]通過降低風(fēng)暴體反射率識(shí)別閾值等方式評(píng)估了SCIT算法對(duì)風(fēng)暴單體識(shí)別、跟蹤的效果。

SCIT算法能夠識(shí)別30 dBZ以上的風(fēng)暴體，包括了大部分對(duì)流云，在雷達(dá)探測(cè)業(yè)務(wù)中，容易達(dá)到這一閾值而被識(shí)別。因此，本文研究和改進(jìn)了SCIT算法在雷達(dá)拼圖資料中的運(yùn)算過程，用模糊邏輯法識(shí)別并剔除部分層狀云；改進(jìn)的算法保留了30 dBZ識(shí)別閾值作為對(duì)流云體邊界信息，將對(duì)流云中云體邊界、面積、厚度等空間特征量提取出來；結(jié)合地面雨量站和探空資料，分析江淮地區(qū)夏季對(duì)流云的雷達(dá)特征量變化情況，及其與降水量的關(guān)系。

1 SWAN雷達(dá)拼圖產(chǎn)品的云體識(shí)別

1.1 對(duì)流云體識(shí)別

SCIT算法主要包括一維風(fēng)暴單體段識(shí)別、二維風(fēng)暴識(shí)別、風(fēng)暴體的合成和風(fēng)暴單體的追蹤[8]。

本文所用的一維風(fēng)暴單體段識(shí)別過程與傳統(tǒng)SCIT算法不同，只使用一個(gè)閾值進(jìn)行搜索，既避免了低閾值的風(fēng)暴結(jié)構(gòu)信息被舍棄，又可保留云體完整的空間結(jié)構(gòu)信息。

所有的一維風(fēng)暴單體段識(shí)別出來之后，對(duì)每一層上相鄰緯度的兩個(gè)風(fēng)暴段進(jìn)行匹配，如果它們的重疊距離大于一定閾值，則歸于同一個(gè)二維分量序號(hào)內(nèi)，如果該二維風(fēng)暴的面積和包含的一維單體段的數(shù)目滿足一定閾值，則將二維風(fēng)暴保存。在計(jì)算二維風(fēng)暴特征信息時(shí)，保留二維風(fēng)暴的邊界點(diǎn)信息。

得到了所有的二維風(fēng)暴之后，對(duì)相鄰層的二維風(fēng)暴進(jìn)行質(zhì)心距離關(guān)聯(lián)檢驗(yàn)，首先判斷二維分量質(zhì)心的水平距離，以第一個(gè)二維分量的質(zhì)心為中心，依次按3個(gè)搜索半徑(分別為5.0、7.5、10.0 km)，對(duì)其余的二維分量進(jìn)行搜索，如果在搜索半徑內(nèi)，則認(rèn)為該兩個(gè)二維分量相關(guān)，將多層二維風(fēng)暴相關(guān)聯(lián)即可組成三維風(fēng)暴體。圖1為雷達(dá)拼圖中一個(gè)風(fēng)暴體的識(shí)別示意：3 km高度層顯示了3個(gè)風(fēng)暴單體段的識(shí)別，3、3.5和4 km各識(shí)別出一個(gè)二維風(fēng)暴(陰影部分)，3個(gè)二維風(fēng)暴組成一個(gè)風(fēng)暴單體。

圖1 雷達(dá)拼圖中SCIT算法的風(fēng)暴體識(shí)別示意Fig.1 Schematic diagram of storm body recognition based on SCITalgorithm in radar mosaic

SCIT算法需要至少兩個(gè)以上仰角的數(shù)據(jù)才會(huì)形成風(fēng)暴體。但是，由于SWAN拼圖數(shù)據(jù)是由單站或多站的雷達(dá)基數(shù)據(jù)插值而來。當(dāng)回波距離雷達(dá)站較遠(yuǎn)時(shí)，單個(gè)仰角的數(shù)據(jù)很容易被插值到多層CAPPI中，造成誤判[9]。因此，風(fēng)暴的高度必須跨越原始雷達(dá)體掃中的兩層高度[10]。

1.2 對(duì)流云和層狀云的區(qū)分

識(shí)別出風(fēng)暴體后，使用保留的30 dBZ閾值來識(shí)別對(duì)流云體，使用模糊邏輯法區(qū)分層狀云和對(duì)流云[11]，剔除其中的層狀云。用雷達(dá)產(chǎn)品中最大反射率因子、回波頂高、垂直反射率梯度和水平反射率梯度4個(gè)識(shí)別參數(shù)，建立梯形隸屬函數(shù)將識(shí)別參數(shù)模糊化，用得到的數(shù)據(jù)加權(quán)求和，得到層狀云和對(duì)流云降水的概率[12]。

1.2.1 識(shí)別參數(shù)：

(1)最大反射率因子Zmax：每個(gè)庫上對(duì)所有垂直高度層的反射率進(jìn)行比較，選擇最大的反射率值，即組合反射率。

(2)回波頂高ET：每個(gè)庫上回波強(qiáng)度大于18.5 dBZ的最大高度，使用了SWAN回波頂高產(chǎn)品。

(3)垂直反射率梯度GradVZ：反射率因子(最大反射率因子和回波頂處的反射率因子)隨高度的垂直變化。其求出的結(jié)果為負(fù)值，計(jì)算公式為：

GradVZij=(Zmaxij-ZET0)/Δh，

(1)

其中：Zmaxij、ZET0分別為格點(diǎn)(i,j)處的最大反射率因子和回波頂處的反射率因子；Δh為其高度差；GradVZ的單位為dB·km-1。

(4)組合反射率水平梯度GradHZ：組合反射率因子的水平變化特征，計(jì)算公式為：

(2)

其中：Z為組合反射率因子，其下標(biāo)為格點(diǎn)坐標(biāo)位置；n為間隔格點(diǎn)數(shù)；d為坐標(biāo)間隔距離。在本文中n=2，GradHZ的單位為dB·km-1，一般情況下，該值在強(qiáng)對(duì)流回波邊緣時(shí)比較大。

1.2.2 識(shí)別方法

采用模糊邏輯法實(shí)現(xiàn)層狀云和對(duì)流云的識(shí)別，用一個(gè)梯形函數(shù)的隸屬函數(shù)系對(duì)這4個(gè)參數(shù)進(jìn)行模糊化，函數(shù)的表達(dá)式如下：

(3)

其中：x為識(shí)別參數(shù)；x1、x2為參數(shù)門限值。對(duì)于Zmax，x1=20，x2=40；對(duì)于GradVZ，對(duì)其取絕對(duì)值，x1=2，x2=4；對(duì)于GradHZ，x1=1，x2=6。分別求出各個(gè)參數(shù)的概率值，并求他們的算術(shù)平均，得到對(duì)流云概率P。

1.2.3 識(shí)別結(jié)果

圖2為2013年7月22日02∶54(世界時(shí)，下同)和2014年7月23日22∶36的雷達(dá)組合反射率和對(duì)流云識(shí)別結(jié)果(圖2a、b分別為兩時(shí)次的組合反射率，圖2c、d分別為計(jì)算出的對(duì)流云概率P)。其中紫色圈C為蔡橋C波段雙偏振移動(dòng)雷達(dá)位置(32.355 27°N，117.640 83°E)，該雷達(dá)探測(cè)半徑為150 km，線段AB為當(dāng)前時(shí)次左右的蔡橋雷達(dá)高掃地面投影位置。2013年7月22日02∶54為一次梅雨鋒與西南渦共同影響下的午間對(duì)流過程。圖3a為蔡橋雷達(dá)2013年7月22日02∶57 觀測(cè)的297°(偏西北方向)的高掃反射率，可以看出較明顯的對(duì)流單體(遠(yuǎn)距離的回波因衰減有所減小)，這里使用P≥0.5作為對(duì)流云判定條件，可以較好地識(shí)別出對(duì)流云(圖2c)。2014年7月23日22∶36為臺(tái)風(fēng)“麥德姆”影響下的臺(tái)風(fēng)外圍云團(tuán)，結(jié)合圖3b蔡橋雷達(dá)2014年7月23日22∶36觀測(cè)的111.5°(偏東南方向)的高掃反射率，可以看出降水云為積層混合云，層狀云中分布著較多的積雨云團(tuán)。圖2d為該時(shí)次的對(duì)流云識(shí)別結(jié)果，使用P≥0.5判別出的對(duì)流云較為合理。所以取P值≥0.5時(shí)，識(shí)別的結(jié)果為對(duì)流云，否則為層狀云。

圖2 雷達(dá)拼圖組合反射率(CR)和對(duì)流云識(shí)別結(jié)果：(a、c)2013年7月22日02∶54；(b、d)2014年7月23日22∶36Fig.2 Composite reflectivity images of SWAN and the Identification results of convective cloud at:(a,c)0254 UTC on 22 July 2013;(b,d)2236 UTC on 23 July 2014

圖3 蔡橋雷達(dá)高掃反射率：(a)2013年7月22日02∶57，方位角297°；(b)2014年7月23日22∶36，方位角111.5°Fig.3 RHI base reflectivity of Caiqiao radar at: (a)0254 UTC on 22 July 2013,azimuth 297°;(b)2236 UTC on 23 July 2014,azimuth 111.5°

2 提取對(duì)流云雷達(dá)特征量

識(shí)別出對(duì)流云體后，使用質(zhì)心跟蹤法對(duì)云體進(jìn)行追蹤[10]。跟蹤結(jié)束后，結(jié)合地面自動(dòng)氣象觀測(cè)站降水量數(shù)據(jù)、探空資料、SWAN回波頂高、VIL產(chǎn)品，設(shè)計(jì)接口，計(jì)算出以下對(duì)流云特征量：

(1)對(duì)流云云體邊界：對(duì)流云包含的拼圖高度層上的二維對(duì)流云體邊界點(diǎn)空間坐標(biāo)，根據(jù)坐標(biāo)求取邊界內(nèi)雷達(dá)回波反射率、回波頂高、VIL等雷達(dá)特征量。

(2)對(duì)流云水平面積、體積、質(zhì)量：計(jì)算對(duì)流云云體質(zhì)量和體積的方法與單體VIL類似，即垂直高度上二維分量的質(zhì)量或體積離散求和。

(3)降水量：根據(jù)對(duì)流云邊界點(diǎn)信息和地面站點(diǎn)降水量觀測(cè)資料計(jì)算。

(4)對(duì)流云云體水平垂直尺度比(HVratio)：計(jì)算水平尺度時(shí)假設(shè)云體為正方形，計(jì)算云體水平垂直尺度比的公式為：

(4)

其中：Areamax為組成云體的二維風(fēng)暴(30 dBZ閾值)面積的最大值；ETmax為最大的回波頂高；EBmax為最小的回波底高。

(5) 冷層厚度：結(jié)合對(duì)流云云體回波頂高，根據(jù)探空資料的零度層高度計(jì)算。

3 江淮對(duì)流云特征分析

3.1 資料來源與處理方法

使用安徽省多普勒天氣雷達(dá)站的SWAN產(chǎn)品：雷達(dá)拼圖、組合反射率、回波頂高、VIL，拼圖使用的站點(diǎn)有合肥、蚌埠、阜陽、安慶和黃山，拼圖區(qū)域?yàn)?9°～36°N、114°～120°E。降水量資料來源于國家自動(dòng)氣象站和區(qū)域自動(dòng)氣象站2 000多個(gè)地面雨量站點(diǎn)。區(qū)域雨量與雷達(dá)回波具有較好的一致性[12]，雷達(dá)資料的體掃時(shí)間一般為6 min，為了保持降水量時(shí)間與雷達(dá)資料的同步，把地面逐分鐘降水量數(shù)據(jù)處理成6 min降水量資料。使用算法反演2013—2015年夏季IOP降水天氣期間(表1)的對(duì)流云。

表1 2013—2015年IOP時(shí)間Table 1 Timetable of important observation processes from 2013 to 2015

3.2 結(jié)果

3.2.1 不同生命史的對(duì)流云樣本數(shù)量

統(tǒng)計(jì)識(shí)別出的生命史在13 min以上(3個(gè)體掃及以上)的對(duì)流云，不同生命史的對(duì)流云樣本分布見圖4?？梢?，13～30 min生命史較短的對(duì)流云比較多，約占總樣本數(shù)的60%，生命史越長，對(duì)流云樣本數(shù)越少，0.5～1 h的對(duì)流云約占樣本總數(shù)的26%，1～1.5 h的對(duì)流云約占樣本總數(shù)的8.5%，生命史在1.5～2 h和2 h以上的對(duì)流云占總樣本數(shù)的比例相對(duì)較低，分別為3.0%、2.2%。

圖4 不同生命史的對(duì)流云樣本數(shù)量分布Fig.4 Distribution of convective cloud samplesin different life histories

3.2.2 不同生命史的對(duì)流云雷達(dá)回波特征

按照對(duì)流云的生命期分三類：生命史分別為13～30 min，30～60 min 和60 min以上，分析不同生命史對(duì)流云的雷達(dá)回波特征。圖5為各生命史對(duì)流云數(shù)量隨最大回波強(qiáng)度、單體VIL、回波頂高、冷層厚度、水平垂直尺度比的分布。

圖5 不同的生命史的對(duì)流云數(shù)目隨雷達(dá)特征量的分布：(a)最大回波強(qiáng)度；(b)單體VIL；(c)冷層厚度；(d)水平垂直尺度比Fig.5 Distribution of the number of convective clouds with different life histories with radar characteristics: (a) maximum echo intensity; (b) monomer VIL;(c) cold layer thickness;(d) horizontal and vertical scale ratio

生命史在13～30 min、30～60 min 和60 min以上的對(duì)流云最大回波強(qiáng)度平均值分別為42.8、44.6和46.4 dBZ，說明對(duì)流云生命史越長，其平均最大回波強(qiáng)度越大。能夠產(chǎn)生最大回波強(qiáng)度50 dBZ以上的對(duì)流云大多生命史較長，說明對(duì)流云生命史越長，其產(chǎn)生強(qiáng)回波的概率越大。各生命史的對(duì)流云體VIL平均值分別為3.9和5.7和8.2 kg·m-2，說明對(duì)流云VIL的均值大小和生命史的長短的變化一致：VIL值不到1 kg·m-2的對(duì)流云生命史很短，絕大部分在半小時(shí)以內(nèi)，超過50 kg·m-2持續(xù)時(shí)間比較長，絕大部分在1 h以上。各生命史的對(duì)流云冷層厚度平均值統(tǒng)計(jì)分別為5.4、5.9、6.8 km。對(duì)流云的冷層厚度大部分在5～8 km，極大值可超過14 km。各生命史的對(duì)流云水平垂直尺度比分別為2.9、2.9和3.0，分布特征差別不大。各子圖下方的盒圖可以看出樣本的總體分布情況，最大回波強(qiáng)度盒圖分布和VIL盒圖分布的中位數(shù)、上下四分位數(shù)在生命史較大時(shí)較大；冷層厚度的盒圖分布的中位數(shù)、上下四分位數(shù)在生命史60 min以上時(shí)較大；3個(gè)生命史階段的對(duì)流云水平垂直尺度比盒圖分布差異不大。

使用歸一法對(duì)所有數(shù)據(jù)進(jìn)行歸一處理，分析了13～18、19～24、25～30、31～60、60 min以上不同生命史的各雷達(dá)參數(shù)的演變特征，處理結(jié)果見圖6。

圖6 歸一化的不同生命史對(duì)流云雷達(dá)特征量的時(shí)間變化序列：(a)最大回波強(qiáng)度；(b)VIL；(c)冷層厚度；(d)面積；(e)體積Fig.6 Normalized time series of radar characteristics of convective clouds with different life histories: (a)maximum echo intensity; (b) VIL; (c)cold layer thickness; (d) area; (e) volume

各雷達(dá)特征量的最大值作為T0時(shí)刻，可以看出不同生命史對(duì)流云發(fā)展過程中最大回波強(qiáng)度、單體VIL、冷層厚度、面積、體積隨時(shí)間的演變趨勢(shì)。生命史在60 min以下的對(duì)流云，雷達(dá)特征量隨時(shí)間發(fā)展大都呈單波峰狀，但生命史在60 min以上對(duì)流云的最大回波強(qiáng)度、VIL、冷層厚度都有2～3個(gè)小波峰。各生命史對(duì)流云的冷層厚度在達(dá)到最大之前，均有突然增大的特征。

3.3 對(duì)流云各雷達(dá)特征量與降水量的關(guān)系

統(tǒng)計(jì)所有對(duì)流云雷達(dá)特征量與降水量之間的關(guān)系。降水量的樣本數(shù)分布情況如圖7所示：降水量的樣本主要分布在40 mm·h-1以下，隨著降水量的增大，樣本數(shù)逐漸減小。

圖7 對(duì)流云的降水量樣本分布Fig.7 Distribution of precipitation samples of convective clouds

對(duì)流云最大回波強(qiáng)度、單體VIL、云體質(zhì)量、水平垂直比、冷層厚度與降水量的關(guān)系見圖8，各個(gè)雷達(dá)特征量與降水量的相關(guān)系數(shù)為：0.437、0.416、0.123、-0.09和0.305。最大回波強(qiáng)度和VIL與降水量的相關(guān)性較好。

圖8 對(duì)流云雷達(dá)特征量與降水量關(guān)系：(a)最大回波強(qiáng)度；(b)單體VIL；(c)云體質(zhì)量；(d)水平垂直比；(e)冷層厚度Fig.8 Relationship between radar characteristics of convective clouds and precipitation: (a) maximum echo intensity;(b) monomer VIL;(c) cloud mass;(d) horizontal vertical ratio;(e) cold layer thickness

紅色點(diǎn)為各要素的降水量的平均值。最大降水量對(duì)應(yīng)的回波強(qiáng)度在55 dBZ左右，隨著回波強(qiáng)度的增大，平均降水量呈遞增關(guān)系，但回波強(qiáng)度超過57 dBZ左右時(shí)，平均降水量隨回波的增大呈現(xiàn)出了遞減的關(guān)系，說明少數(shù)大粒子產(chǎn)生較強(qiáng)回波。因其總的數(shù)濃度很小，所以降水量不大。VIL與降水量的關(guān)系： VIL在30 kg·m-2以下時(shí)，平均降水量隨VIL的增大而遞增，約在40 kg·m-2以后，隨著VIL的增大，降水量反而遞減。水平垂直比值越大，云體形狀趨于扁平。體積較大的層狀云體往往水平垂直比例較大，而小范圍的發(fā)展旺盛的局地對(duì)流云的水平垂直比例較小。平均降水量的最大值對(duì)應(yīng)的水平垂直比約在0.7～0.9之間，隨后降水量平均值隨水平垂直比增大有所減小，趨于平緩。對(duì)流云體的質(zhì)量與降水量的關(guān)系：云體質(zhì)量在103kg以下，平均降水量隨質(zhì)量增大而增大，極大值在103kg附近，隨后降水量隨云體質(zhì)量的變化趨于平緩。冷層厚度與平均降水量呈現(xiàn)一定的遞增關(guān)系，冷層厚度越大，降水量越大。

4 結(jié)論

本文通過解析和改寫SWAN雷達(dá)拼圖中SCIT算法區(qū)分對(duì)流云和層狀云，實(shí)現(xiàn)了對(duì)流云的識(shí)別和追蹤，并提取了對(duì)流云體的邊界、質(zhì)量、體積等雷達(dá)特征量。結(jié)合2013—2015年夏季江淮地區(qū)雷達(dá)、雨量、探空資料，對(duì)江淮地區(qū)對(duì)流云特征進(jìn)行了分析。主要結(jié)論如下:

(1)拼圖資料對(duì)單站雷達(dá)資料進(jìn)行了質(zhì)量控制，并插值到特定水平高度上。拼圖中對(duì)流云識(shí)別算法對(duì)孤立云塊、中小尺度對(duì)流天氣具有較好的識(shí)別效果，而對(duì)層狀云的識(shí)別效果較差，模糊邏輯法可以區(qū)分層狀云和對(duì)流云，并剔除層狀云。

(2)保留SCIT算法中識(shí)別單體時(shí)的30 dBZ閾值結(jié)構(gòu)信息，可以很好地保留對(duì)流云體的三維邊界特征，計(jì)算對(duì)流云空間結(jié)構(gòu)特征。使用追蹤算法進(jìn)行跟蹤，可以識(shí)別出對(duì)流云的特征量時(shí)間變化特征。當(dāng)遇到云體分裂合并現(xiàn)象時(shí)，使用單體質(zhì)心法追蹤云體可能會(huì)使追蹤序列斷裂，不能完全反映云體的演變過程，后續(xù)需要改進(jìn)。

(3)通過提取雷達(dá)特征量，分析不同生命史的江淮對(duì)流云雷達(dá)參數(shù)關(guān)系，分析了雷達(dá)特征量與降水的關(guān)系：江淮地區(qū)，絕大多數(shù)對(duì)流云在半個(gè)小時(shí)以內(nèi)，生命史較大的對(duì)流云，其平均回波強(qiáng)度、VIL、冷層厚度較大，最大回波強(qiáng)度和VIL與降水量的相關(guān)性較好。運(yùn)用SCIT算法在雷達(dá)拼圖中提取對(duì)流云的特征量方法應(yīng)用效果明顯。