田 野 姚 雯 尹佳莉 郄秀書 曹海維李 晉 袁善鋒 王東方

1)(北京市氣象探測中心， 北京 100089)2)(北京城市氣象研究院， 北京 100089)3)(中國氣象科學研究院災害天氣國家重點實驗室， 北京 100081)4)(中國科學院大氣物理研究所中層大氣和全球環(huán)境探測重點實驗室， 北京 100029)

引 言

夏季強對流系統(tǒng)中的降雹是一種小尺度天氣現(xiàn)象，通常持續(xù)時間較短。冰雹天氣系統(tǒng)會產生降雹、強降水、6級以上大風和閃電等災害性天氣，對農業(yè)生產造成嚴重損失，對人類生命財產造成嚴重危害。對冰雹落區(qū)和降雹時間的精細化預報是業(yè)務難點。北京市氣象局主要利用模式計算的冰雹潛勢產品進行冰雹預警，其預警效果尚待進一步提升。近年，大量觀測揭示強雹暴期間的閃電活動特征，如高比例云閃和低頻率地閃，與普通雷暴云中的閃電活動特征不同[1]，且在冰雹天氣發(fā)生前，總閃數(shù)量(云閃數(shù)與地閃數(shù)之和)急劇上升[2-6]。除通過冰雹識別算法利用天氣雷達進行冰雹云的識別和降雹概率的估算外[7-10]，閃電頻數(shù)的變化趨勢可成為冰雹天氣預警及決策的有利工具。

Kane[11]發(fā)現(xiàn)地閃頻數(shù)峰值出現(xiàn)后10～15 min，臺風和大冰雹才發(fā)生。Williams等[12]研究美國佛羅里達州強雷暴中的總閃活動特征，發(fā)現(xiàn)在災害性天氣，如強地表風、冰雹和臺風到達前1～15 min，雷暴云中總閃頻數(shù)快速增長，稱為閃電躍增，總閃頻數(shù)從20 min-1增加到超過100 min-1，強雷暴天氣總閃頻數(shù)一般超過60 min-1，甚至達到500 min-1。Metzger等[13]在災害性天氣和非災害性天氣中均發(fā)現(xiàn)閃電躍增現(xiàn)象，這與前人研究結果類似[12,14-15]，冰雹云中的閃電躍增表現(xiàn)為云閃頻數(shù)快速增加而地閃頻數(shù)降低或者不變。Wapler[16]分析德國600個雹暴數(shù)據(jù)，發(fā)現(xiàn)閃電躍增出現(xiàn)時刻比降雹現(xiàn)象發(fā)生提前0～45 min。

國內相關研究也發(fā)現(xiàn)類似現(xiàn)象。陳哲彰[17]分析20個冰雹大風實例，發(fā)現(xiàn)地閃開始時間與雷雨同步，比冰雹提前平均約25 min，出現(xiàn)在雹云前進方向的右側(下風方)10～50 km。周筠珺等[18]觀測發(fā)現(xiàn)地閃頻數(shù)驟然升高的時刻比降雹提前30 min。蔡曉云等[19]研究認為閃電定位數(shù)據(jù)比雷達數(shù)據(jù)在降雹、雷雨過程中至少存在1～3 h的提前量。馮桂力等[20]應用閃電定位系統(tǒng)、衛(wèi)星和雷達觀測數(shù)據(jù)分析一次大范圍冰雹強對流天氣過程后發(fā)現(xiàn)閃電躍增發(fā)生在冰雹前20～30 min。馮桂力等[21-22]和Liu等[23]分析山東地區(qū)冰雹云中閃電活動特征后指出，降雹前地閃頻數(shù)明顯躍增，且降雹過程中正地閃頻數(shù)較高。

目前用于計算閃電躍增現(xiàn)象的算法主要有兩種：一種是Gatlin算法[24],另一種是Schultz等[15,25]在Gatlin算法基礎上改進的σ算法。

Schultz等[15]選取美國田納西流域和華盛頓地區(qū)85例災害性天氣(冰雹和龍卷風)，統(tǒng)計檢驗閃電躍增算法的應用效果，認為2σ閃電躍增算法(要求當前閃電頻數(shù)變化率超過之前平均閃電頻數(shù)變化率兩倍標準差)命中率為87%，虛警率為33%。

Yao等[26]利用SAFIR(Systeme d’Alerte Fondre par Interferometrie Radioelecctrique)總閃數(shù)據(jù)和ADTD(ADvanced TOA and Direction system)地閃數(shù)據(jù)，結合京津冀地區(qū)14次孤立降雹雷暴云的觀測結果，通過2σ閃電躍增算法分析得到總閃和地閃出現(xiàn)躍增現(xiàn)象比觀測到冰雹現(xiàn)象分別提前32.2 min和25.4 min，認為雹暴中總閃和地閃的特征對比可作為降雹預報的有利手段?；?種不同閃電定位系統(tǒng)的總閃活動數(shù)據(jù)，Chronis等[27]將σ算法拓展到ασ算法(α=0.5～4)，發(fā)現(xiàn)包含更高閃電頻數(shù)和更高α值的閃電躍增的雹暴能夠產生尺寸更大生命周期更長的冰雹。Tian等[28]利用2σ算法分析2015—2017年北京地區(qū)閃電躍增現(xiàn)象對144例冰雹天氣的預警情況，發(fā)現(xiàn)2σ算法能夠有效預警81.8%的降雹個例，且平均預警提前時間為27.1 min。

上述研究表明，通過分析閃電躍增特征和冰雹活動關系可預警冰雹天氣。目前國內主要利用2σ算法對降雹個例進行預警研究，Gatlin算法應用報道鮮見，何種閃電躍增判別方法適合預警北京地區(qū)雹暴過程，2σ指標是否為北京地區(qū)利用閃電數(shù)據(jù)進行冰雹預報的合理指標尚需進一步研究，因此本文選取2015—2018年北京地區(qū)177次冰雹過程，對比分析σ算法和Gatlin算法及在多種條件配置下對北京冰雹天氣預警的效果，旨在現(xiàn)有冰雹業(yè)務預報的基礎上，增加閃電躍變特征作為提高冰雹預警能力的指標，得到利用閃電數(shù)據(jù)進行冰雹預報的最優(yōu)算法與配置，提升閃電數(shù)據(jù)在北京地區(qū)冰雹預報業(yè)務中的可用度，為冰雹預警提供支持。

1 數(shù)據(jù)和躍增算法

1.1 數(shù) 據(jù)

本文使用2015—2018年北京市冰雹天氣觀測記錄、S波段多普勒天氣雷達基數(shù)據(jù)和北京閃電定位網(Beijing Lightning Network,BLNET)閃電定位數(shù)據(jù)。冰雹天氣觀測記錄來自北京市氣象局，并已剔除冰雹直徑小于5 mm的記錄，當冰雹發(fā)生時無相應的雷達數(shù)據(jù)(故障維修)或者閃電定位數(shù)據(jù)(系統(tǒng)未運行)的記錄也剔除，最終得到北京地區(qū)177次冰雹天氣過程。

中國科學院大氣物理研究所建立的BLNET 2015年形成了16個測站的站網布局，包括大氣所站、大興站、房山站、古將站、懷柔站、密云站、南苑站、平谷站、上甸子站、三河站、石景山站、順義站、通州站、香河站、延慶站、真順站，其中香河站和三河站位于河北省境內，其余探測子站分布于北京各區(qū)氣象局或人工影響天氣炮點(如圖1所示)。BLNET覆蓋范圍東西向110 km，南北向120 km。平均基線長度約45 km，屬于短基線定位系統(tǒng)[29]，探測范圍可覆蓋北京及部分京津冀地區(qū)。BLNET是區(qū)域性的、研究和應用相結合的閃電定位系統(tǒng)，采用時差法(time of arrival, TOA)對北京地區(qū)的總閃活動(云閃與地閃之和)進行實時定位[30]，對總閃、云閃和地閃的探測效率分別是93.2%，97.4%和73.9%[31]。

BLNET輸出的二維閃電定位結果包括每個輻射源脈沖的發(fā)生時刻、經緯度、類型、極性和電流強度。采用如下標準將一次雷暴過程的所有輻射源定位結果聚類為閃電：首先提取BLNET定位結果中的地閃脈沖，將距首個地閃脈沖10 km范圍內且發(fā)生時間差不超過0.5 s的其他地閃脈沖歸為同一個地閃，再將上次聚類之后剩余輻射源脈沖中的第1個地閃脈沖作為聚類參考，以此往復。歸類后，基于每個地閃中首地閃脈沖的經緯度和時間信息，將云閃脈沖也利用10 km和0.5 s的時空判斷標準聚類為同一個地閃。在最后剩余未聚類的云閃脈沖中，隨機選取第1個脈沖作為參考標準，也以10 km和0.5 s的時空判斷標準將其聚類為云閃。所有脈沖聚類完成后，取每個閃電中第1個脈沖的經緯度和時間信息代表整個閃電過程的經緯度和時間信息。

S波段多普勒天氣雷達位于北京市氣象探測中心院內(圖1中南苑站位置)，其體掃周期為6 min，最大探測距離為460 km，庫長為1 km，掃描方式為11層體掃。本文采用S波段雷達的基數(shù)據(jù)進行分析。

圖1 北京閃電定位網(BLNET)站點分布Fig.1 Distribution map of BLNET stations

1.2 強對流單體識別方法

強對流單體識別是實現(xiàn)對流追蹤和研究單體內閃電頻數(shù)變化的基礎。本文采用雙閾值TITAN(thunderstorm identification tracking analysis and nowcasting)[32]風暴識別方法對強對流單體進行識別：①在識別風暴之前，將雷達體掃得到的極坐標數(shù)據(jù)轉化為笛卡爾坐標數(shù)據(jù)(網格分辨率為1 km×1 km)，并求取組合反射率因子。②設置第1個雷達反射率因子判斷閾值為35 dBZ，在東西方向的數(shù)據(jù)網格中找到組合反射率因子超過35 dBZ的格點，將相鄰格點組合成一個區(qū)域，在南北方向重復此操作。將有連接重合部分的相鄰區(qū)域組合成為更大的區(qū)域，并剔除掉網格內孤立格點，即識別出組合反射率因子超過35 dBZ的連續(xù)區(qū)域。③上述方法得到組合反射率因子大于等于35 dBZ的連續(xù)區(qū)域，若該連續(xù)區(qū)域包含最大反射率因子大于等于45 dBZ的格點則該連續(xù)區(qū)域識別為強對流單體，否則該連續(xù)區(qū)域不識別為強對流單體。本研究統(tǒng)計落在強對流單體網格內的云閃頻數(shù)和地閃頻數(shù)作為該單體內的總閃頻數(shù)。

1.3 σ算法

(1)

同樣地，t-2時刻的平均總閃頻數(shù):

(2)

(3)

總閃頻數(shù)變化率D可定量化分析閃電躍增的趨勢。式(4)判斷是否滿足躍增條件，

Dt>ασ(Dt-2,t-4,t-6,t-8,t-10)。

(4)

式(4)中，Dt表示當前時刻(t)的總閃頻數(shù)隨時間的變化率。σ(Dt-2,t-4,t-6,t-8,t-10)表示當前時刻前2 min 到12 min內總閃頻數(shù)隨時間變化率的標準差。由于涉及14 min內的總閃頻數(shù)，所以σ算法均在14 min時段內進行。Dt>ασ的t時刻即為一次閃電躍增事件的時刻。本文對比分析當α分別取1，2，3和4時的預警效果。

1.4 Gatlin算法

Gatlin算法中D的表達式為

(5)

式(5)中，f是總閃頻數(shù)，單位為min-1。式(5)右邊約等于f的時間導數(shù)，即總閃頻數(shù)的變化率D，單位為min-2。Δt可以取1 min或2 min。Gatlin等[34]證明采用2 min平均的總閃頻數(shù)的預警結果優(yōu)于1 min 平均，所以本文Gatlin算法也采用2 min計算總閃頻數(shù)，與σ算法一致。

閃電躍增的閾值可表示為

(6)

D(t-(N-1)Δt)],

(7)

(8)

式(7)和式(8)中，N為t時刻前總閃頻數(shù)變化率D的數(shù)量，Gatlin等[34]建議標準差和滑動平均的計算時間長度范圍為12～20 min，當Δt為2 min時，N為6～10。本文研究不同N條件下，Gatlin算法的冰雹預警效果。

Gatlin等[34]認為應考慮之前時刻的閃電躍增閾值對當前時刻閾值的影響，通過使用權重滑動平均實現(xiàn)。t時刻之前的t′時刻的權重因子表示為

(9)

因此，最終閃電躍增閾值為

D0(t-(N-1)Δt)wt-(N-1)Δt]。

(10)

由式(10)可見，越接近t時刻對最終的閾值貢獻越大。如當Δt=2，N取4時，在t-6，t-4，t-2和t時刻wt′分別為1/4，2/4，3/4和1。當t時刻的總閃頻數(shù)變化率超過t時刻的躍增閾值時，記為一次閃電躍增事件。

盡管兩種算法D計算方法相同，但兩種算法的閃電躍增閾值計算方法不同，Gatlin算法認為之前時刻的閃電躍增閾值對當前時刻的閃電躍增閾值有影響，并采用滑動權重平均體現(xiàn)影響程度，而σ算法則摒棄該思路，認為各時刻躍增閾值相互獨立。

占據(jù)屏幕空間有兩層含義：一是所有點和線圍成封閉圖形的面積，二是以手機方形屏幕兩側的邊作為軸，r作為軸建立平面直角坐標系，圖案構成的封閉圖形上的任意兩點X或Y坐標值差的最大值，兩者乘積即為該種圖形密碼“占據(jù)屏幕空間”。為方便描述，將第一種含義稱為封閉圖形面積，第二種稱為圖形占據(jù)屏幕面積。按照這兩種含義，分別計算了3*3式、八邊形式、正三角形式、等腰直角三角形式、弦圖式圖形密碼占據(jù)屏幕空間的大小。

為避免低閃電頻數(shù)擾動造成的誤預警，只有總閃頻數(shù)大于閃電頻數(shù)閾值時，σ算法和Gatlin算法才啟動。Schultz等[15,25,33]將閃電頻數(shù)閾值設為10 min-1。本文閃電頻數(shù)閾值采用Tian等[28]的結果，即當強對流單體中心位于城六區(qū)、昌平區(qū)、順義區(qū)、大興區(qū)和通州區(qū)時，閃電頻數(shù)閾值為10 min-1，在其余地區(qū)時，閃電頻數(shù)閾值則為4 min-1。

1.5 算法效果評估

本研究采用命中率(probability of detection, POD)，虛警率(false alarm rate, FAR)和臨界成功指數(shù)(critical success index, CSI)3個參量評估兩種躍增算法對預警北京地區(qū)冰雹天氣的效果。其中，1次冰雹個例發(fā)生前60 min內有閃電躍增事件為1次命中，60 min與Tian等[28]采用的時間保持一致，是經驗統(tǒng)計結果；1次冰雹個例發(fā)生前60 min內無閃電躍增事件為1次漏報；閃電躍增事件之后60 min 內無冰雹個例則為1次虛警。預警效果最佳時，命中率最高，虛警率最低且臨界成功指數(shù)最高。

2 躍增算法對比和個例分析

2.1 不同算法和不同配置對比

σ閃電躍增算法中，取σ，2σ，3σ和4σ不同閾值對比分析躍增算法對北京地區(qū)冰雹天氣的預警效果(圖2)。σ閾值下的躍增算法命中率在2015，2016，2017年和2018年分別大于、小于、等于和小于2σ閾值下的命中率，且均大于3σ和4σ閾值下的命中率。隨著躍增閾值增大，算法的虛警率逐漸遞減(2018年除外)。4年中，2σ閾值和3σ閾值的臨界成功指數(shù)相差不大，且均遠大于σ閾值的臨界成功指數(shù)。從4年平均結果看，σ閾值的虛警率最高，為64.43%，表現(xiàn)最差；2σ閾值和3σ閾值的平均臨界成功指數(shù)接近，分別為51.1%和50.9%。雖然3σ閾值的虛警率較低，為29.2%，但其平均命中率(64.4%)低于2σ閾值的平均命中率(80.2%)。另外，雖然4σ閾值的虛警率(21.9%)最低，但其命中率(46.3%)也最低。綜合考慮3個評估參量，預警算法應保證較高的預警命中率與合理的虛警率，2σ躍增算法的命中率較高且虛警率(41.6%)較合理，是4種閾值中表現(xiàn)最好的。

圖2 不同σ閾值的預警效果Fig.2 Comparison of early warning effects of different σ thresholds

圖3是Gatlin算法總閃頻數(shù)變化率的數(shù)量N分別取6，7，8，9和10的預警效果?？傮w上不同N值效果接近。N取6，7和8時的平均預警命中率相同，均為82.5%，N取9和10的平均預警命中率分別為80.2%和79.7%。對應N取6，7，8，9和10的平均虛警率分別為62.0%，62.6%，62.5%，63.8%和63.6%，其中N取6的平均虛警率最低，但遠大于2σ算法(41.6 %)。對應N取6，7，8，9和10的平均臨界成功指數(shù)分別為35.2%，34.7%，34.8%，33.3%和33.3%，N取6的臨界成功指數(shù)最高。綜合看，N取6時，Gatlin算法的預警表現(xiàn)最佳。由于Gatlin算法使用躍增判定的滑動閾值，雖然N取6的預警命中率(82.5%)略高于2σ算法(80.2%)，但是其虛警率(62.0%)明顯高于2σ算法(41.6%)。另外，Gatlin算法的臨界成功指數(shù)(35.2%)遠低于2σ算法(51.1%)，綜合177次冰雹過程的分析，2σ算法為適合北京地區(qū)預警冰雹天氣現(xiàn)象的閃電躍增算法。

圖3 Gatlin算法中總閃頻數(shù)變化率D數(shù)量N不同取值的預警效果Fig.3 Comparison of the early warning effects of Gatlin algorithm with different N of D

2.2 冰雹天氣個例分析

2.2.1 多單體對流系統(tǒng)個例

2017年8月8日北京延慶區(qū)內的一個多單體對流系統(tǒng)降雹前后個別時刻的雷達組合反射率因子見圖4。圖4中，18:00(北京時，下同)降雹強對流單體在北京邊界外，周圍分布多個強對流單體，降雹單體的超強對流區(qū)(大于60 dBZ)面積很小。降雹強對流單體逐漸向北京方向移動，18:36降雹單體的強對流區(qū)(大于45 dBZ)已到達北京邊界。19:00強對流區(qū)位于延慶區(qū)內，且其與產生降雹位置距離很近。雖然此時強對流單體的整體面積變化不大，但超強對流區(qū)(大于60 dBZ)的面積逐漸增大。觀測記錄顯示19:20—19:21延慶白草洼村出現(xiàn)玉米粒大小的冰雹。結合19：18的雷達圖可知，降雹位置在超強對流區(qū)的邊界，即處于反射率因子為50～55 dBZ的區(qū)域中。降雹后，該降雹單體面積增大并向東移動，由19:48雷達圖可以看到，降雹單體分裂為兩個單體，由于左側單體略小，右側單體較大，且右側單體內閃電數(shù)(6 min內發(fā)生17次)高于左側單體內的閃電數(shù)(0)(圖6)，因此，選擇右側單體為降雹單體的后續(xù)發(fā)展延伸。20:54延續(xù)的降雹單體已發(fā)展至北京中部地區(qū)，且其左側存在一個較大對流單體。最后二者融合為一個強大對流單體。

圖4 2017年8月8日北京多單體對流系統(tǒng)的雷達組合反射率因子演變(黑色六角形為降雹點)Fig.4 Radar composite reflectivity of a multi-cell convective system across Beijing on 8 Aug 2017(the black six-pointed star indicates the hailfall position)

圖5是這次過程雷暴強對流單體的識別結果，去掉組合反射率因子低于35 dBZ的部分，可更清晰地看到各個強對流單體的發(fā)展情況。18:00—19:18北京周邊地區(qū)存在多個分散的小對流單體，降雹單體(紅色圈)從北京西北界外逐漸移入延慶區(qū)。19:48 原降雹單體分裂為兩個小單體，且右邊單體略強略大。左邊小單體在20:12的雷達圖中消散不見(圖略)。截至20:54，右邊單體的面積逐漸增大，同時其左側的對流單體也逐漸增大。21:00降雹單體與其左側的對流單體融合成一個更大的單體，表明其生命期結束，閃電躍增算法停止計算。整體看，18:00—21:00北京及周邊地區(qū)多個小對流單體逐漸融合并發(fā)展成為3個較大的對流單體。

將前后3 min內BLNET定位得到的全閃數(shù)據(jù)疊加得到圖6。18:00降雹單體內(藍色圈)僅定位到2次正地閃，可能原因：一是雷暴單體較弱，產生的云閃也不夠強；二是由于單體距離BLNET略遠，只有較強的地閃才能被BLNET至少3個站點探測到并定位。隨后降雹單體內的閃電數(shù)逐漸增加，18:33—18:39共定位到12次閃電。18:57—19:03北京地區(qū)閃電數(shù)明顯增多，降雹單體內的總閃數(shù)量達到67次，包括53次云閃、7次負地閃和7次正地閃。產生降雹前后，北京界內雷電活動仍較強，降雹單體內閃電數(shù)降至51次。降雹單體分裂時，北京界內閃電活動依然較強。降雹單體與其左側的大對流單體融合前，北京界內的閃電活動再次明顯增強，降雹單體內閃電數(shù)增至161次，包括149次云閃和12次負地閃。

圖5 2017年8月8日北京多單體對流系統(tǒng)識別結果(紅色圈為產生降雹的單體，黑色六角形為降雹點)Fig.5 Identification results of strong convection cells on 8 Aug 2017(the red polygon marks the hail-producing convection cell,the black six-pointed star indicates the hailfall position)

圖6 疊加前后3 min內總閃定位的2017年8月8日北京強對流單體識別結果(紅色圓點代表云閃,紅色×表示負地閃,紅色+表示正地閃;黑色六角形為降雹點，19：48圖中插圖為分裂單體與總閃定位結果疊加的放大圖)Fig.6 Identified strong convection cells and the located total flashes in 3 min before and after the corresponding time(the red dot indicates the intracloud flash,the red × indicates the negative cloud-to-ground flash and the red + indicates the positive cloud-to-ground flash,the black six-pointed star indicates the hailfall position,the illustration is an enlarged view of superposition of the split cell and the total flashes in the figure of 1948 BT)

由圖7總閃頻數(shù)變化可以看到，18:45前降雹單體內的總閃頻數(shù)(黑色實線)一直維持在較低的水平，不超過4 min-1，而且其中的云地閃以負地閃(藍色柱體)為主。之后，總閃頻數(shù)迅速提升至6.5 min-1，對應兩種算法的D存在較大正值。隨后總閃頻數(shù)在10 min-1附近波動。19:08—19:18總閃頻數(shù)逐漸下降，對應D為負值。19:19總閃頻數(shù)突然增大至13 min-1，對應兩種算法的D再次出現(xiàn)較大正值。降雹單體分裂后的19:55，總閃頻數(shù)突然增大，D再一次出現(xiàn)局部峰值，且負地閃頻數(shù)在19:59達到整個降雹單體生命期的峰值3.5 min-1。在降雹單體與其左側大對流單體融合之前，總閃頻數(shù)猛增至25.5 min-1。降雹單體生命期內正地閃頻數(shù)(紅色柱體)始終較低，為1 min-1，甚至大部分時刻未能定位到正地閃。

圖7 多單體對流系統(tǒng)降雹單體內的閃電頻數(shù)變化和兩種算法總閃頻數(shù)變化率(柱狀)和閃電躍增閾值(曲線)Fig.7 The lightning flash rate of the hail-producing cell of the multi-cell system and total flash rates(the columns) and jump thresholds(the pink curves) derived by 2σ algorithm and Gatlin algorithm

圖7中，Gatlin算法使用權重滑動平均計算躍增閾值，其閾值曲線較2σ算法閾值曲線平滑。總閃頻數(shù)超過算法啟動閾值且D值超過躍增閾值的時刻就為閃電躍增的時刻(紅色柱狀)。降雹單體位于延慶區(qū)，總閃頻數(shù)啟動閾值為4 min-1。2σ算法得到的閃電躍增時刻分別為18:25，18:47，19:19，19:55 和20:45。在降雹時間段19:20—19:21前，存在3次有效躍增時刻，取最早躍增時刻可得預警時間為55 min；降雹之后有2次躍增時刻，均在北京界內，為2次虛警。Gatlin算法閾值曲線較平滑，整體較低，所以閃電躍增的次數(shù)明顯增多：降雹前后分別有6次和8次有效躍增，為8次虛警。其首個躍增時刻也為18:25，所以預警提前時間仍為55 min。對于本次個例，兩種算法都有效預警降雹事件，且預警提前時間一致，但Gatlin算法的虛警率較高，預警效果不如2σ算法。

2.2.2 颮線個例

2015年8月7日北京界內發(fā)生1次颮線過程，共產生6次降雹事件。7日16:30在朝陽區(qū)與昌平區(qū)交界處形成一個弱對流單體，直到17:06，該單體持續(xù)增強，位置基本不變。此時該單體中心距離第1次降雹點約14.6 km，其附近另有一個逐漸增強單體，二者于17:12合并為較大單體并迅速發(fā)展，17:42 在朝陽東湖地區(qū)產生第1次降雹，降雹點位于該單體邊界。第2次降雹18:00開始，持續(xù)6 min，昌平區(qū)香堂鎮(zhèn)測得黃豆粒大小冰雹，降雹點也位于強對流單體邊界。此時降雹單體較大較強，已初具颮線形狀。隨后該降雹單體繼續(xù)發(fā)展，幾乎覆蓋北京中部地區(qū)，18:48分裂成3個強對流單體，并在門頭溝東山村降下黃豆粒大小冰雹，此為第3次降雹。3個強對流單體于18:54再次合并成颮線并沿東南方向移動。朝陽區(qū)氣象站19:15—19:20觀測到直徑約1.5 cm的冰雹，朝陽垡頭街道19:16—19:17觀測到冰雹，且這兩次降雹均位于颮線移動方向前沿。隨著颮線向東南方向移動，幾乎覆蓋北京四分之一的面積，19:58—20:01在大興區(qū)黃村鎮(zhèn)降下黃豆粒大小冰雹。

圖8 2015年8月7日北京颮線過程的雷達組合反射率因子(黑色六角形為降雹點，數(shù)字代表降雹順序)Fig.8 Radar composite reflectivity of a squall line across Beijing on 7 Aug 2015(the black six-pointed star indicates the hailfall position,the number in each subgraph indicates the sequence of the hailfall events)

圖9是此次颮線過程強對流單體識別結果。由圖9可見，所有降雹點均位于強對流單體的前沿，這與文獻[9, 35]對降雹位置的統(tǒng)計結果一致。17:06—18：48多個單體在北京界內經過不斷融合，形成颮線雛形，19：18—19：54強對流單體已發(fā)展成颮線。由于颮線過程閃電頻數(shù)過多，因此未給出閃電疊加圖。

圖10表明，17:09開始降雹單體內總閃頻數(shù)逐漸增多，颮線形成時總閃頻數(shù)達到頂峰1113 min-1，之后總閃頻數(shù)逐漸下降，20:15總閃頻數(shù)為75.5 min-1。地閃頻數(shù)峰值較總閃頻數(shù)峰值出現(xiàn)晚，以負地閃為主。在雷暴消散期，正地閃占總地閃的比例達到峰值。

圖9 颮線過程強對流單體識別結果(黑色六角形為降雹點，數(shù)字代表降雹順序)Fig.9 Identification results of every strong convection cells during the squall line process(the black six-pointed star indicates the hailfall position,the number indicates the sequence of the hailfall events)

除第3次降雹位于門頭溝區(qū)，啟動閾值取4 min-1外，其余冰雹個例的啟動閾值均取10 min-1。由圖10可以看到，颮線中閃電頻數(shù)極高，遠超過算法的啟動閾值。2σ算法的有效閃電躍增時刻和降雹時間段如表1所示。前5次降雹過程前1 h均有閃電躍增現(xiàn)象，即5次命中，且降雹時刻前均有多次閃電躍增現(xiàn)象，同樣選擇最早的躍增時刻來計算預警的提前時間。第1，2，4，5次降雹前的閃電躍增時刻較早，因此提前時間均在50 min左右。第3次降雹與隨后的兩次降雹可共用一個閃電躍增時刻進行預警。值得注意的是，第6次降雹產生在閃電頻數(shù)減小的階段，2σ算法的最后一次閃電躍增時刻為18:52，而降雹持續(xù)時間為19:58—20:01，間隔時間超過60 min，為1次漏報。

圖10 颮線降雹單體內的閃電頻數(shù)變化和兩種算法總閃頻數(shù)變化率(柱狀)和閃電躍增閾值(曲線)Fig.10 The lightning flash rate of the haill-producing cell of the squall line system and total flash rates(the columns) and jump thresholds(the pink curves) derived by 2σ algorithm and Gatlin algorithm

續(xù)圖10

表1 2015年8月7日北京颮線過程的2σ算法閃電躍增信息Table 1 The lightning jump information of 2σ algorithm for a squall line process in Beijing on 7 Aug 2015

Gatlin算法(N=6)有效閃電躍增時刻和降雹時間段如表2所示。由圖10可以看到，閃電躍增時刻遠多于2σ算法(紅色柱體多)。與2σ算法的結果相比，第1次和第3次降雹的預警結果相同，新增的17:00閃電躍增使得第2次降雹的預警時間提前至60 min。由于第3次降雹后出現(xiàn)兩次閃電躍增，所以選擇新的躍增時刻計算第4次和第5次降雹提前時間。值得注意的是，與2σ算法的躍增閾值存在波峰不同，Gatlin算法第5次降雹之后躍增閾值曲線處于較低值，從而存在19:28和19:36兩個時刻的躍增現(xiàn)象，成功預警第6次降雹事件，整個過程無漏報。按60 min預報時效評估，2σ算法存在1次漏報，因此本個例 Gatlin算法(N=6)的預警命中率高，預報效果略優(yōu)于2σ算法。

表2 2015年8月7日北京界颮線過程的Gatlin算法閃電躍增信息Table 2 The lightning jump information of Gatlin algorithm for a squall line process in Beijing on 7 Aug 2015

3 結論與討論

針對2015—2018年北京地區(qū)177例降雹事件，本文對比分析取不同倍數(shù)閾值的σ算法和取不同總閃頻數(shù)變化率數(shù)量N的Gatlin算法的預警效果，得到以下結論：

1) 2σ算法和Gatlin算法(N=6)分別為各自算法的最優(yōu)配置。以1 h內的預警效果評估，2σ算法的命中率、虛警率和臨界成功指數(shù)分別為80.2%，41.6%和51.1%，Gatlin算法(N=6)分別為82.5%，62.0%和35.2%。雖然Gatlin算法的命中率略高于2σ算法，但其虛警率較高，導致臨界成功指數(shù)僅有35.2%，遠低于2σ算法的51.1%。

2) 兩種閃電躍增最優(yōu)算法配置在多單體雷暴過程和颮線過程的冰雹預警效果表明，Gatlin算法的命中率等于或略高于2σ算法，其虛警率高于2σ算法。

3) 綜合Gatlin算法和σ算法對冰雹預警結果，2σ閃電躍增算法更適于對北京冰雹天氣的預警。

盡管2σ的閃電躍增指標在實際應用中的1 h內降雹預報命中率達到80.2%，相較于當前業(yè)務化冰雹預警產品70%的命中率有較大提升，但仍存在41.6%的虛警率。另外也發(fā)現(xiàn)一些閃電躍增現(xiàn)象出現(xiàn)在雷暴最后一次產生降雹過程之后。Xu等[36]利用三維總閃數(shù)據(jù)和雷達回波數(shù)據(jù)分析北京和天津強冰雹過程，發(fā)現(xiàn)降雹前后均出現(xiàn)閃電躍增現(xiàn)象，且降雹后閃電峰值比降雹前頻數(shù)更大，且兩個個例動力和微物理過程差異很大：北京雹暴在降雹后垂直對流增強，從而降雹后閃電頻數(shù)再次出現(xiàn)躍增，主正電荷區(qū)從雷暴中部上升至雷暴云上部；天津雹暴是在降雹后下沉氣流減弱的情況下，小尺度帶電冰粒子在中低層聚集形成高密度電荷區(qū)，使閃電活動再次活躍起來，因此盡管雹暴中均觀測到閃電躍增現(xiàn)象，但降雹前后閃電躍增形成的成因不同。此外，在復雜地形條件下，受站網布局限制，閃電定位系統(tǒng)對閃電的探測效率未能均勻分布，從站網外到站網內存在梯度。當雷暴從探測效率較低地區(qū)移至探測效率較高地區(qū)時也會導致閃電躍增現(xiàn)象。

本文基于閃電躍變特征與冰雹活動的關系，在現(xiàn)有冰雹業(yè)務預報的基礎上，增加閃電躍增預警指標，獲取利用閃電資料進行冰雹預報的最優(yōu)算法，旨在將閃電躍變特征作為現(xiàn)有冰雹業(yè)務預警指標基礎上提高冰雹預警能力的補充，提升閃電資料在北京地區(qū)冰雹預報業(yè)務應用上的可用度。在閃電躍增算法方面，下一步結合本文分析結果，利用Gatlin算法(N=6)具有較高命中率和2σ算法具有較低虛警率的特點，將二者融合使用以提高算法在預警冰雹天氣的業(yè)務應用效果，并結合人工智能技術，通過機器學習建立閃電特征與冰雹預報的模型，提升預報效果；同時北京市氣象局將要完成11部X波段雙偏振天氣雷達的架設，未來可考慮利用該資料獲取雹暴過程中對流系統(tǒng)內部的動力和相態(tài)結構，研究閃電躍增的動力和微物理成因[37-38]。在更精確地識別、判斷雷暴單體活動基礎上，探索閃電數(shù)據(jù)預警冰雹活動方法，以期提高冰雹預報的準確率和精細化預報水平。

致 謝：在本文完成過程中，北京市氣象臺為本文提供了冰雹預警業(yè)務評估數(shù)據(jù)，特此致謝！