摘要利用興義新一代多普勒天氣雷達(dá)CINRAD/CD復(fù)合體掃基數(shù)據(jù)及氣象產(chǎn)品風(fēng)暴單體識(shí)別與跟蹤SCIT，對(duì)發(fā)生在黔西南地區(qū)的2007～2008年的冰雹天氣過程個(gè)例進(jìn)行驗(yàn)證、分析，分別從識(shí)別、跟蹤評(píng)估、位置預(yù)報(bào)3個(gè)方面進(jìn)行評(píng)估分析，并進(jìn)行了算法補(bǔ)嘗，提出了解決的辦法，在降低反射率因子識(shí)別的基礎(chǔ)上在時(shí)間關(guān)聯(lián)中增加一個(gè)方向性閾值，提取反射率因子水平結(jié)構(gòu)ZSIGN、反射率因子空間變化率ZH、垂直累積液態(tài)含水量VIL、冰雹概率SHI 4個(gè)最能描述對(duì)流風(fēng)暴特征的物理量，并對(duì)其分配權(quán)重，建立概率判別函數(shù)P，對(duì)2008年3月19日一次超級(jí)單體風(fēng)暴的發(fā)展演變過程中P變化進(jìn)行了分析，對(duì)2007～2008年的冰雹天氣過程重新進(jìn)行評(píng)估，與算法改進(jìn)前的評(píng)估效果進(jìn)行對(duì)比分析，結(jié)果表明，算法改進(jìn)后識(shí)別成功率有明顯上升，但對(duì)單體的跟蹤及位置預(yù)報(bào)效果不明顯。

關(guān)鍵詞冰雹云； 單體識(shí)別與跟蹤；算法評(píng)估；檢驗(yàn)改進(jìn)

中圖分類號(hào)S161；P412.25文獻(xiàn)標(biāo)識(shí)碼

A文章編號(hào)0517-6611（2015）07-199-04

Hail Cell Identification and Tracking Algorithm for Assessment and Improvement

TANG Hao-peng （Meteorological Office of Southwestern Guizhou， Xingyi， Guizhou 562400）

Abstract Using the Xingyi new generation of Doppler weather radar complex scan data and storm cell identification and tracking algorithm， the hail weather courses occurring in southwest Guizhou Province in 2007 and 2008 were assessed from the three aspects： identification， tracking， location prediction. The unfavorable situation for algorithm assessment is made analysis and compensation and proposed solution. On the basis of lower the reflectivity thresholds and adding the direction thresholds in the time association， the four physical alteration were calculated including the level reflectivity gradient， the vertical reflectivity gradient， vertically integrated liquid water content， and the strong hail index， which can best describe the storm cell， then distributed the coefficient respectively. The probability distinction function P was established. Using the probability distinction function P， the supercell on March 19th， 2008， was analyzed， then the hail weather courses in 2007 and 2008 were re-assessed， and the comparative results show that the improved algorithm enhances the identification effect to some extent， but the effect of tracking and location prediction werent obvious.

Key words Hail cloud； Cell identification and tracking； Algorithm evaluation； Inspection and improvement

20世紀(jì)以來，國內(nèi)外雷達(dá)氣象學(xué)者在雷達(dá)探測(cè)強(qiáng)對(duì)流天氣系統(tǒng)應(yīng)用上做了大量的工作，特別是在如何探測(cè)強(qiáng)對(duì)流天氣系統(tǒng)上做了大量的努力，深入地分析了風(fēng)暴發(fā)展、成熟、消亡及其移向移速的物理機(jī)制，提出了風(fēng)暴的一些識(shí)別方法。如Rinchart提出應(yīng)用模式來識(shí)別風(fēng)暴單體及利用相關(guān)技術(shù)分析法對(duì)整幅回波圖像進(jìn)行處理[1]；Austin等提出了三維矩心識(shí)別方法[2]，Rosefeld對(duì)這一方法進(jìn)行改進(jìn)，提出通過對(duì)風(fēng)暴形狀的幾何推理來處理分裂和合并[3]；Johnson等提出了利用7個(gè)反射率因子識(shí)別閾值來代替此前唯一的閾值及采取特征核抽取技術(shù)并對(duì)空間相距較近的多個(gè)風(fēng)暴單體進(jìn)行合并或刪除處理，該算法被WSR-88D的Build 9.0廣泛采用，稱為B9SI算法[4]。目前，我國的新一代天氣雷達(dá)大多使用WSR-88D的Build 9.0的風(fēng)暴算法，即風(fēng)暴單體識(shí)別與跟蹤算法，簡稱SCIT（Storm Cell Identification and Tracking）算法[5]。

隨著我國多普勒天氣雷達(dá)建設(shè)及業(yè)務(wù)組網(wǎng)的實(shí)施，用雷達(dá)來探測(cè)冰雹、暴雨等強(qiáng)對(duì)流天氣已經(jīng)成為一種比較重要的手段，準(zhǔn)確的風(fēng)暴識(shí)別和跟蹤是雷達(dá)及強(qiáng)天氣預(yù)警業(yè)務(wù)的基本組成部分。雷達(dá)終端系統(tǒng)提供了反射率因子、平均徑向速度、譜寬3種基本數(shù)據(jù)產(chǎn)品，基本數(shù)據(jù)產(chǎn)品經(jīng)過雷達(dá)產(chǎn)品生成器RPG（Radar Products Generator）處理后可生成39種產(chǎn)品[6]，其中58號(hào)產(chǎn)品為風(fēng)暴追蹤產(chǎn)品，采用的是風(fēng)暴單體識(shí)別與跟蹤算法，但由于此算法設(shè)計(jì)是針對(duì)S波段的，而氣候及地理環(huán)境復(fù)雜的黔西南地區(qū)的雷達(dá)是C波段。針對(duì) SCIT算法對(duì)CINRAD/CD雷達(dá)的應(yīng)用效果如何、如何進(jìn)行本地化問題，筆者在此利用興義新一代多普勒天氣雷達(dá)CINRAD/CD復(fù)合體掃基數(shù)據(jù)及氣象產(chǎn)品風(fēng)暴單體識(shí)別與跟蹤SCIT，對(duì)發(fā)生在黔西南地區(qū)的2007～2008年的冰雹天氣過程個(gè)例進(jìn)行驗(yàn)證、分析。

1資料與分析

SCIT算法用于識(shí)別風(fēng)暴單體并追蹤它的信息，其中包括移動(dòng)方向、移動(dòng)速度等。首先要在雷達(dá)徑向上找尋大的反射率因子區(qū)，而后在二維錐面上找尋大的反射率因子區(qū)，再給這些二維的分量尋求垂直相關(guān)。SCIT采用了多閾值識(shí)別、特征核抽取、2D單體識(shí)別和相近單體處理等多種新技術(shù)[7]。

筆者研究的區(qū)域是貴州省黔西南地區(qū)（以興義多普勒天氣雷達(dá)為圓心，半徑150 km），研究對(duì)象是發(fā)生在2007～2008年的冰雹天氣過程。由于雷達(dá)存在靜錐區(qū)，距離太近探測(cè)不到風(fēng)暴上層，會(huì)使探測(cè)效果降低，而受地球曲率和雷達(dá)自身探測(cè)能力的影響，超過150 km也會(huì)使探測(cè)效果降低[8]，因此在此主要研究距雷達(dá)站中心10～150 km范圍內(nèi)的對(duì)流單體。由于一次天氣過程中可能有多個(gè)不同類型的單體存在，故選取過程中產(chǎn)生冰雹或大于45 dBz的單體91個(gè)作為評(píng)估樣本。地面降雹時(shí)間、降雨量以鄉(xiāng)鎮(zhèn)雨量站記錄為準(zhǔn)。

2算法評(píng)估

選取2007～2008年發(fā)生的20次冰雹天氣過程作統(tǒng)計(jì)分析，SCIT算法共識(shí)別出風(fēng)暴單體257個(gè)，從中分離出91個(gè)對(duì)流旺盛的單體，首先選擇造成災(zāi)害性天氣的風(fēng)暴，其次選擇最大反射率因子超過45 dBz的風(fēng)暴。這91個(gè)對(duì)流單體中有75個(gè)最終實(shí)況驗(yàn)證為冰雹云，其余16個(gè)沒有降雹，用SCIT算法對(duì)這91個(gè)單體分別作識(shí)別、跟蹤、位置預(yù)報(bào)分析。

2.1單體識(shí)別的評(píng)估

為更好地量化評(píng)估效果，根據(jù)表1的列聯(lián)系數(shù)，這里引入命中率POD、誤警率FAR和臨界成功指數(shù)CSI，

其中POD=XX+Y、FAR=ZX+Z、CSI=XX+Y+Z。

表1中X代表冰雹事件發(fā)生，且SCIT算法探測(cè)到；Y代表冰雹事件發(fā)生，但SCIT算法沒有探測(cè)到；Z代表冰雹事件沒有發(fā)生，但SCIT卻探測(cè)到冰雹。命中率POD代表事件發(fā)生的總次數(shù)中SCIT探測(cè)到的次數(shù)所占的比率；誤警率FAR代表事件沒有發(fā)生的次數(shù)占SCIT探測(cè)總次數(shù)的比率；CSI代表POD和FAR的綜合效應(yīng)[7]。

表1列聯(lián)系數(shù)

是否發(fā)生冰雹探測(cè)到冰雹沒有探測(cè)到冰雹

發(fā)生冰雹XY

未發(fā)生冰雹Z-

75個(gè)冰雹云單體中，SCIT探測(cè)到的個(gè)數(shù)為72個(gè)，另外，3個(gè)冰雹云沒有探測(cè)到， 16個(gè)非冰雹云單體中SCIT錯(cuò)誤的探測(cè)到冰雹云10個(gè)，其余6個(gè)探測(cè)結(jié)果正確為“非冰雹云”。POD、FAR、CSI的具體評(píng)分結(jié)果分別為96.3%、11.4%、85.7%，可見SCIT算法對(duì)冰雹云識(shí)別較好，75個(gè)冰雹云中有72個(gè)被識(shí)別出來，約占96%，但存在漏報(bào)，有3個(gè)冰雹云未被識(shí)別出來；在非冰雹云的識(shí)別中，識(shí)別效果較差，16個(gè)非冰雹云單中僅有6個(gè)被正確識(shí)別，約為37.5%，相比而言誤差率較高，16個(gè)非冰雹云單體中有10個(gè)被誤報(bào)為冰雹云，誤報(bào)率為62.5%。對(duì)3個(gè)漏報(bào)的冰雹云進(jìn)行分析，發(fā)現(xiàn)這3個(gè)冰雹云強(qiáng)度并不強(qiáng)，在45 dBz左右，單體之間間隔較小，面積較小，風(fēng)場(chǎng)的輻合輻散及氣流的旋轉(zhuǎn)較強(qiáng)，且這3個(gè)漏報(bào)的冰雹云均是發(fā)生在8～9月；在誤報(bào)的這10個(gè)非冰雹云中，強(qiáng)度梯度較小，這10個(gè)非冰雹云強(qiáng)度較強(qiáng)，約為50 dBz，面積大，強(qiáng)中心面積相對(duì)小，且這誤報(bào)的10個(gè)非冰雹云均是發(fā)生在5～7月。

2.2單體跟蹤的評(píng)估

在單體跟蹤中最重要的是正確地進(jìn)行時(shí)間關(guān)聯(lián)，對(duì)在2個(gè)相繼體掃中識(shí)別的風(fēng)暴單體進(jìn)行時(shí)間相關(guān)處理以確定第一個(gè)被識(shí)別的風(fēng)暴單體的路徑。先是一個(gè)體掃接一個(gè)體掃地跟蹤所有被識(shí)別單體的生命周期，再是確定不正確的時(shí)間關(guān)聯(lián)的個(gè)數(shù)并記下它們的特性，最后計(jì)算該算法正確跟蹤的單體占所有被跟蹤單體的百分比[7]。其中時(shí)間關(guān)聯(lián)的數(shù)量是單體從存在到消亡的全部體掃個(gè)數(shù)。對(duì)這91個(gè)單體樣本進(jìn)行跟蹤評(píng)估，發(fā)現(xiàn)單體跟蹤評(píng)估（第1個(gè)正確時(shí)間關(guān)聯(lián)的百分比）較高，為92%，第2個(gè)正確時(shí)間關(guān)聯(lián)的百分比迅速下降，為80%，第3個(gè)正確時(shí)間關(guān)聯(lián)更低，僅為52%。

大多數(shù)時(shí)間關(guān)聯(lián)誤差發(fā)生在2個(gè)空間上挨得很近的單體上，特別是當(dāng)這些挨得很近的單體正處于增長或衰退階段時(shí)更容易產(chǎn)生誤差。從2008年5月1日一次冰雹過程中的一個(gè)超級(jí)單體風(fēng)暴的時(shí)間誤差的個(gè)例分析（圖1）可以看出，圖1a組合反射率因子的圖像上，風(fēng)暴跟蹤信息顯示一個(gè)新的單體D0正在生成，在圖1b中，風(fēng)暴跟蹤信息也顯示出了這個(gè)新的單體D0且錯(cuò)誤地將它與正在消散的V0相聯(lián)系。

圖12008年5月1日18：59（a）和17：05（b）風(fēng)暴跟蹤圖像個(gè)例（38號(hào)產(chǎn)品組合反射率因子上疊加58號(hào)產(chǎn)品風(fēng)暴跟蹤信息）

2.3單體位置預(yù)報(bào)的評(píng)估

用選取的這91個(gè)單體（每個(gè)單體的生命史至少為2個(gè)體掃）對(duì)SCIT算法的單體位置預(yù)報(bào)精度進(jìn)行分析，評(píng)估結(jié)果顯示，5 min的平均預(yù)報(bào)誤差最小，僅為2.2 km，15 min的平均預(yù)報(bào)誤差為5.8 km，而30 min的平均預(yù)報(bào)誤差較大，達(dá)9.6 km?？梢?，預(yù)報(bào)時(shí)效與平均預(yù)報(bào)誤差呈正相關(guān)，預(yù)報(bào)時(shí)效愈長，則平均預(yù)報(bào)誤差愈大。

3算法改進(jìn)與對(duì)比分析

3.1算法改進(jìn)理論分析

SCIT算法使用反射率因子、風(fēng)暴段的長度和風(fēng)暴單體分量等閾值，且它要求在距雷達(dá)一定距離閾值范圍內(nèi)至少相繼2個(gè)仰角的信息才能確定一個(gè)風(fēng)暴單體。一個(gè)風(fēng)暴段定義為一段連續(xù)的、沿著一個(gè)徑向的一系列距離庫。因此該算法不能識(shí)別以下3類單體：在徑向長度上或在面積上小的單體、最大反射率因子<30 dBz的單體、淺薄的不能通過幾個(gè)相繼仰角就消失的單體。如果風(fēng)暴單體緊挨在一起，SCIT算法可能會(huì)將單體合并且將若干個(gè)緊挨著的單體識(shí)別為一個(gè)單體[7]，對(duì)于識(shí)別出的風(fēng)暴不能給出其內(nèi)部對(duì)流情況，導(dǎo)致反射率因子強(qiáng)度較弱、但對(duì)流活躍的單體被遺漏，處理相近多單體時(shí)沒有優(yōu)勢(shì)[5]。在此在充分考慮了地理環(huán)境、氣候背景的前提下，針對(duì)識(shí)別效果不太理想的情況，提出解決的辦法，具體如下。

3.1.1降低識(shí)別閾值。將SCIT的7個(gè)反射率閾值降低一個(gè)等級(jí)（55、50、45、40、35、30、25 dBz）。

3.1.2在時(shí)間關(guān)聯(lián)中加上一個(gè)方向性閾值。當(dāng)新舊單體相距很近時(shí)，由于前進(jìn)方向上偏差很大，而新單體又在舊單體的距離閾值之內(nèi)，所以這時(shí)很容易產(chǎn)生偏差，這樣這2個(gè)單體間的時(shí)間關(guān)聯(lián)是明顯不對(duì)的。這種類型的錯(cuò)誤可以通過在時(shí)間關(guān)聯(lián)中加上一個(gè)方向性閾值來解決[7]。

3.1.3提取反射率因子水平梯度ZSIGN。ZSIGN提取了沿徑向上相鄰距離庫的反射率因子差的平均信息。若（Zi+1-Zi）>0，則ZSIGN=1；若（Zi+1-Zi）=0，則ZSIGN=0；若（Zi+1-Zi）<0，則ZSIGN=-1。

所以ZSIGN=Ni=1ZSIGNN。

通過統(tǒng)計(jì)設(shè)計(jì)出ZSIGN的隸屬函數(shù)，ZSIGN≥0.9的風(fēng)暴對(duì)流旺盛，因此將超過0.9的ZSIGN值對(duì)應(yīng)于最大匹配1，ZSIGN≤0.2的風(fēng)暴隸屬函數(shù)匹配為0，0.2

F（ZSIGN）=1ZSIGN>0.9

1.11ZSIGN0.5

2.0（ZSIGN-0.2）0.2

0ZSIGN≤0.2

3.1.4提取反射率因子垂直梯度因子ZH[5]。風(fēng)暴處于成熟階段時(shí)，其典型特征之一就是核區(qū)內(nèi)反射率因子垂直遞減率接近于0，因此反射率因子垂直梯度接近0時(shí)，表示此時(shí)的風(fēng)暴的對(duì)流性最強(qiáng)，相反，則表示風(fēng)暴的對(duì)流性很弱。由于風(fēng)暴在不同生命階段，其高度和強(qiáng)度是變化的，為此選擇在單體最大反射率因子上方4 km的厚度層內(nèi)進(jìn)行計(jì)算，若H2-H0≤4 km，ZH=-Z2-Z0H2-H0，否則，ZH=-Z1-Z0H1-H0。

當(dāng)風(fēng)暴處于成熟階段時(shí)，其隸屬函數(shù)對(duì)應(yīng)于最大程度的匹配1，當(dāng)遞減率遠(yuǎn)大于0時(shí)，則匹配隸屬函數(shù)為0。具體數(shù)學(xué)表達(dá)式如下：

F（ZH）=10≤ZH≤0.4

1-ZH-0.440.4

0ZH<0或ZH>5

3.1.5

垂直累積液態(tài)水含量[5]。在假設(shè)反射率因子是完全由液態(tài)水反射得到的前提下，垂直累積液態(tài)水表示將反射率因子數(shù)據(jù)轉(zhuǎn)換成等價(jià)的液態(tài)水值。該參數(shù)對(duì)于區(qū)分強(qiáng)雷暴有很好的利用價(jià)值，在此選取了風(fēng)暴單體內(nèi)的對(duì)流發(fā)展到成熟這一回波最強(qiáng)階段所對(duì)應(yīng)的垂直累積液態(tài)水含量QVIL。根據(jù)歷史資料統(tǒng)計(jì)可知，當(dāng)QVIL>35 g/m2產(chǎn)生冰雹的概率為100%，而當(dāng)QVIL為15～35 g/m2不確定是否產(chǎn)生冰雹，而當(dāng)QVIL<15時(shí)則一定不會(huì)產(chǎn)生冰雹。具體數(shù)學(xué)表達(dá)式如下：

F（QVIL）=1QVIL>35

QVIL15-115

0QVIL≤15

43卷7期

唐浩鵬冰雹云單體識(shí)別與跟蹤算法評(píng)估及檢驗(yàn)改進(jìn)

3.1.6強(qiáng)冰雹指數(shù)SHI。強(qiáng)冰雹主要指冰雹尺寸>20 mm的冰雹，為了確定強(qiáng)冰雹的存在，主要采用類似于垂直累積液態(tài)含水量VIL算法的處理方法。首先引入強(qiáng)冰雹指數(shù)SHI的概念：

SHI=0.1∫HTH0WTEdH，式中，WT為大氣溫度層結(jié)的權(quán)重函數(shù)，E為冰雹動(dòng)能，H0為溶化層高度，HT為風(fēng)暴單體頂高。由統(tǒng)計(jì)資料可知，當(dāng)ZSHI>200 J/（m·s）時(shí)產(chǎn)生冰雹的概率為100%，而當(dāng)ZSHI值為100～200 J/（m·s）時(shí)不確定是否產(chǎn)生冰雹，而當(dāng)ZSHI<100時(shí)則一定不會(huì)產(chǎn)生冰雹[8]。具體數(shù)學(xué)表達(dá)式如下：

F（ZSHI）=1ZSHI≥200

0.5100≤ZSHI<200

0ZSHI<100

在氣象預(yù)報(bào)中，一些預(yù)報(bào)量常分成若干級(jí)別或類別，可以利用不同因子的前期數(shù)據(jù)，尋找因子與預(yù)報(bào)量的關(guān)系，建立針對(duì)不同類型的預(yù)報(bào)時(shí)的方程式[9]：y=c1x1+c2x2+…+cpxp，此方程稱為判別方程，其中，y為新的變量，稱為判別函數(shù)，x1、x2、…、xp為前期因子，c1、c2、…、cp稱為判別系數(shù)，p為因子的數(shù)量。

在判別風(fēng)暴單體識(shí)別與跟蹤時(shí)由于涉及到多個(gè)因子，因此，在降低反射率因子閾值及增加一個(gè)方向閾值的基礎(chǔ)上，構(gòu)建反射率因子水平梯度ZSIGN、反射率因子垂直梯度因子ZH、垂直累積液態(tài)水含量、強(qiáng)冰雹指數(shù)SHI這4個(gè)因子為一個(gè)完備事件組，設(shè)它們概率和為1，建立判別概率函數(shù)P[10]：P=c1F（ZSIGN）+c2F（ZH）+c3F（VIL）+c4F（SHI）。

據(jù)統(tǒng)計(jì)資料可知這4個(gè)因子對(duì)風(fēng)暴發(fā)展均有重要影響，因此在分配權(quán)重時(shí)，這4個(gè)因子被賦予相同的權(quán)重，即在這個(gè)公式中，c1=c2=c3=c4=0.25。根據(jù)每一個(gè)物理因子所描述的對(duì)流特征，利用隸屬函數(shù)計(jì)算該因子與其所描述的對(duì)流性特征相匹配的概率P。

選取2008年3月19日一次降雹天氣過程（18：02～21：47），對(duì)此過程中的一個(gè)降雹超級(jí)單體風(fēng)暴演變過程用判別概率函數(shù)P進(jìn)行計(jì)算，從其降雹前、降雹中、降雹后P變化（圖2）可以看出，概率函數(shù)P在18：21～18：40和19：11～19：23內(nèi)有明顯的增長，這與雷達(dá)產(chǎn)品VIL、組合反射率因子、冰雹概率等產(chǎn)品分析出的2次增長過程相對(duì)應(yīng)，在19：23～19：36對(duì)流指數(shù)最大，達(dá)100%，與之相對(duì)應(yīng)的地面此時(shí)正在降冰雹；之后對(duì)流指數(shù)在維持較高一段時(shí)間后，開始減弱，雷達(dá)觀測(cè)數(shù)據(jù)顯示，對(duì)應(yīng)的回波高度、VIL明顯降低，速度場(chǎng)氣流趨于平穩(wěn)，下沉氣流逐漸占主導(dǎo)地位，但強(qiáng)度場(chǎng)變化不明顯，短期內(nèi)仍維持一個(gè)較高的數(shù)值。

3.2算法改進(jìn)前后評(píng)估結(jié)果對(duì)比分析

在SCIT算法的基礎(chǔ)上，增加上述提出的6個(gè)改進(jìn)因子對(duì)這91個(gè)單體重新進(jìn)行評(píng)估，評(píng)估結(jié)果與改進(jìn)前的效果進(jìn)行對(duì)比分析，結(jié)果顯示，改進(jìn)后的評(píng)估效果有所提高，其中，算法改進(jìn)后識(shí)別率評(píng)估效果較之其他兩項(xiàng)稍好，提高了9.3%，而單體跟蹤評(píng)估（第1個(gè)正確時(shí)間關(guān)聯(lián)的百分比）及15 min單體位置評(píng)估提高率分別為2%、0.1 km，效果較差[11]。單體的識(shí)別臨界成功指數(shù)雖然明顯提高，但也會(huì)產(chǎn)生一些空?qǐng)?bào)及漏報(bào)，91個(gè)單體中有85個(gè)被準(zhǔn)確識(shí)別，其中，75個(gè)冰雹云中有1個(gè)被漏報(bào)，這個(gè)漏報(bào)單體強(qiáng)中心面積小，強(qiáng)度梯度小，時(shí)間位于夏末秋初，速度場(chǎng)氣流環(huán)境結(jié)構(gòu)不太穩(wěn)定。16個(gè)非冰雹云中仍有5個(gè)被誤報(bào)為冰雹云，這5個(gè)單體的強(qiáng)中心強(qiáng)度均為50 dBz以上，強(qiáng)中心面積較大，但強(qiáng)度梯度小，回波整體面積大，速度場(chǎng)氣流環(huán)境場(chǎng)結(jié)構(gòu)較穩(wěn)定，時(shí)間均位于5～7月[12]。由于此次算法改進(jìn)中6項(xiàng)中只有一項(xiàng)考慮了單體的移動(dòng)，所以此次算法對(duì)單體的跟蹤及位置預(yù)報(bào)改進(jìn)效果較差。

圖22008年3月19日一個(gè)超級(jí)單體風(fēng)暴演變過程中的判別概率函數(shù)P變化

4小結(jié)

通過增加上述6個(gè)改進(jìn)后，對(duì)單體二次評(píng)估可知效果有所提高，但仍有誤差，特別是對(duì)單體的跟蹤及位置預(yù)報(bào)提高效果不明顯。其誤差原因是多種原因造成的，不僅在于算法本身，還與地理環(huán)境、天氣環(huán)流背景、雷達(dá)初始基數(shù)據(jù)的精確性等有關(guān)[13]。

適當(dāng)降低反射率因子閾值會(huì)導(dǎo)致虛報(bào)率的提高，究竟閾值多少是最合適的，是因地而異的，且因季節(jié)的不同也會(huì)導(dǎo)致閾值的不同，即使是同一部雷達(dá)在同一個(gè)地方探測(cè)，它的反射率因子閾值也會(huì)因季節(jié)、參數(shù)、地理、環(huán)流背景、中小尺度系統(tǒng)的不同而有所改變。究竟反射率閾值為多少才是最合適的，要依靠大量的統(tǒng)計(jì)數(shù)據(jù)來進(jìn)行分析總結(jié)。另外，在時(shí)間關(guān)聯(lián)中加上一個(gè)方向性閾值，可以提高風(fēng)暴跟蹤信息，

但增加方向性閾值只是其中一個(gè)方向，還有更多的方向需要深入探討，如譜寬資料、徑向速度等。判別概率函數(shù)P的建立在一定程度上給出了識(shí)別冰雹云的綜合指標(biāo)，但其匹配隸屬函數(shù)及其權(quán)重如何確定是一個(gè)復(fù)雜的問題，各個(gè)因子作出的貢獻(xiàn)如何界定，對(duì)于不同類型的單體又如何加以細(xì)分，這些都是以后進(jìn)一步研究的方向。

參考文獻(xiàn)

[1]

RINCHART R E.A pattern recognition technique for use with convention weather radar to detemine internal storm motion，rencent progress in radar meteorology[J].Atmospheric Tech，1981，13：119-134

[2] AUSTIN G L，BELLON.Very short-range forecast of precipitation by the objective extrapolation of radar and satelite data[M]//BRONING K.Nowcasting. Academic Press，1982：177-190.

[3] ROSEFELD D.Object method for analysis and tracking of convective cells as seen by radar[J] .J Atmos Oceanic Tech，1987，4：422-434.

[4] JOHNSON J T，MAC KEEN P L，WITT A，et al.The storm cell identification and tracking algorithm：an enhanced WSR-88D algorithm[J].Weather and Forecasting，1998，13：263-276.

[5] 胡勝，顧松山，莊旭東，等.風(fēng)暴的多普勒雷達(dá)自動(dòng)識(shí)別[J].氣象學(xué)報(bào)，2006，64（6）：797-808.

[6] 王芬，李腹廣，李赟.新一代多普勒天氣雷達(dá)CINRAD/CD產(chǎn)品數(shù)據(jù)缺報(bào)原因分析[J].氣象與環(huán)境科學(xué)，2010，33（4）：84-88.

[7] 俞小鼎，姚秀萍，熊廷南，等.多普勒天氣雷達(dá)原理與業(yè)務(wù)應(yīng)用[M].北京：氣象出版社，2005：187-197.

[8] 王芬，李腹廣.多普勒天氣雷達(dá)冰雹探測(cè)算法評(píng)估及檢驗(yàn)改進(jìn)[J]. 氣象科技，2009，37（3）：345-348.

[9] 黃嘉佑. 氣象統(tǒng)計(jì)分析與預(yù)報(bào)方法[M]. 北京：氣象出版社，2004.

[10] 袁蔭棠.概率論與數(shù)理統(tǒng)計(jì)[M].北京：中國人民大學(xué)出版社，2005.

[11] 王爽，呂環(huán)宇，郭志剛，等. 一次強(qiáng)降水超級(jí)單體風(fēng)暴過程分析氣象與環(huán)境學(xué)報(bào)[J].氣象與環(huán)境學(xué)報(bào)，2007， 23（2）：15-20.

[12] 張維全，李聞生，李洋. 新一代天氣雷達(dá)VIL產(chǎn)品修正方法初探[J].氣象與環(huán)境學(xué)報(bào)，2006，22（2）：11-17.

[13] 王錫軍.大連地區(qū)一次暴雨過程雷達(dá)回波分析[J].氣象與環(huán)境學(xué)報(bào)，2001，17（2）：12-13.