魯德金 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 氣象干部培訓學院安徽分院，合肥 230031)

引 言

新一代多普勒天氣雷達具有時空分辨率高和覆蓋范圍廣的優(yōu)點，是目前探測對流云降水過程的重要工具。中國氣象局于2008年研制了災害天氣短時臨近預報系統(tǒng)(Severe Weather Automatic Nowcast System，SWAN)[1]。SWAN集合了多部多普勒天氣雷達數據，相對于單站雷達探測范圍更廣。可以反演生成多種雷達基本產品，包括雷達三維拼圖產品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目前已廣泛應用于短時強降水監(jiān)測預報業(yè)務中。張勇等[2]基于SWAN雷達拼圖產品，選取了組合反射率因子、回波頂高等參數，對暴雨過程中的對流云和層狀云降水進行了分類，并在重慶的12次區(qū)域性暴雨天氣過程驗證了分類結果。胡勝等[3]用SWAN 系統(tǒng)分析了2010 年 5 月 7 日廣州地區(qū)一次強對流天氣過程中反射率、回波頂高等雷達特征量的變化特征。楊吉等[4]用相關法和面積重疊法設計了一種算法，能夠用雷達拼圖資料跟蹤和預報中尺度對流系統(tǒng)。Crane[5]將多個二維空間的對流風暴單體相互關聯，形成了早期的三維空間結構對流風暴。Johnson， et al[6]于1998年提出了風暴單體追蹤識別算法(Storm Cell Identification and Tracking， SCIT)。SCIT算法通過多個反射率閾值來識別風暴結構體，可以較好地提取風暴的質心位置、最大反射率、單體VIL等空間結構特征。王芬等[7]通過降低風暴體反射率識別閾值等方式評估了SCIT算法對風暴單體識別、跟蹤的效果。

SCIT算法能夠識別30 dBZ以上的風暴體，包括了大部分對流云，在雷達探測業(yè)務中，容易達到這一閾值而被識別。因此，本文研究和改進了SCIT算法在雷達拼圖資料中的運算過程，用模糊邏輯法識別并剔除部分層狀云；改進的算法保留了30 dBZ識別閾值作為對流云體邊界信息，將對流云中云體邊界、面積、厚度等空間特征量提取出來；結合地面雨量站和探空資料，分析江淮地區(qū)夏季對流云的雷達特征量變化情況，及其與降水量的關系。

1 SWAN雷達拼圖產品的云體識別

1.1 對流云體識別

SCIT算法主要包括一維風暴單體段識別、二維風暴識別、風暴體的合成和風暴單體的追蹤[8]。

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

所有的一維風暴單體段識別出來之后，對每一層上相鄰緯度的兩個風暴段進行匹配，如果它們的重疊距離大于一定閾值，則歸于同一個二維分量序號內，如果該二維風暴的面積和包含的一維單體段的數目滿足一定閾值，則將二維風暴保存。在計算二維風暴特征信息時，保留二維風暴的邊界點信息。

得到了所有的二維風暴之后，對相鄰層的二維風暴進行質心距離關聯檢驗，首先判斷二維分量質心的水平距離，以第一個二維分量的質心為中心，依次按3個搜索半徑(分別為5.0、7.5、10.0 km)，對其余的二維分量進行搜索，如果在搜索半徑內，則認為該兩個二維分量相關，將多層二維風暴相關聯即可組成三維風暴體。圖1為雷達拼圖中一個風暴體的識別示意：3 km高度層顯示了3個風暴單體段的識別，3、3.5和4 km各識別出一個二維風暴(陰影部分)，3個二維風暴組成一個風暴單體。

圖1 雷達拼圖中SCIT算法的風暴體識別示意Fig.1 Schematic diagram of storm body recognition based on SCITalgorithm in radar mosaic

SCIT算法需要至少兩個以上仰角的數據才會形成風暴體。但是，由于SWAN拼圖數據是由單站或多站的雷達基數據插值而來。當回波距離雷達站較遠時，單個仰角的數據很容易被插值到多層CAPPI中，造成誤判[9]。因此，風暴的高度必須跨越原始雷達體掃中的兩層高度[10]。

1.2 對流云和層狀云的區(qū)分

識別出風暴體后，使用保留的30 dBZ閾值來識別對流云體，使用模糊邏輯法區(qū)分層狀云和對流云[11]，剔除其中的層狀云。用雷達產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個識別參數，建立梯形隸屬函數將識別參數模糊化，用得到的數據加權求和，得到層狀云和對流云降水的概率[12]。

1.2.1 識別參數：

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

(2)回波頂高ET：每個庫上回波強度大于18.5 dBZ的最大高度，使用了SWAN回波頂高產品。

(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。其求出的結果為負值，計算公式為：

GradVZij=(Zmaxij-ZET0)/Δh，

(1)

其中：Zmaxij、ZET0分別為格點(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，計算公式為：

(2)

其中：Z為組合反射率因子，其下標為格點坐標位置；n為間隔格點數；d為坐標間隔距離。在本文中n=2，GradHZ的單位為dB·km-1，一般情況下，該值在強對流回波邊緣時比較大。

1.2.2 識別方法

采用模糊邏輯法實現層狀云和對流云的識別，用一個梯形函數的隸屬函數系對這4個參數進行模糊化，函數的表達式如下：

(3)

其中：x為識別參數；x1、x2為參數門限值。對于Zmax，x1=20，x2=40；對于GradVZ，對其取絕對值，x1=2，x2=4；對于GradHZ，x1=1，x2=6。分別求出各個參數的概率值，并求他們的算術平均，得到對流云概率P。

1.2.3 識別結果

圖2為2013年7月22日02∶54(世界時，下同)和2014年7月23日22∶36的雷達組合反射率和對流云識別結果(圖2a、b分別為兩時次的組合反射率，圖2c、d分別為計算出的對流云概率P)。其中紫色圈C為蔡橋C波段雙偏振移動雷達位置(32.355 27°N，117.640 83°E)，該雷達探測半徑為150 km，線段AB為當前時次左右的蔡橋雷達高掃地面投影位置。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流過程。圖3a為蔡橋雷達2013年7月22日02∶57 觀測的297°(偏西北方向)的高掃反射率，可以看出較明顯的對流單體(遠距離的回波因衰減有所減小)，這里使用P≥0.5作為對流云判定條件，可以較好地識別出對流云(圖2c)。2014年7月23日22∶36為臺風“麥德姆”影響下的臺風外圍云團，結合圖3b蔡橋雷達2014年7月23日22∶36觀測的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。圖2d為該時次的對流云識別結果，使用P≥0.5判別出的對流云較為合理。所以取P值≥0.5時，識別的結果為對流云，否則為層狀云。

圖2 雷達拼圖組合反射率(CR)和對流云識別結果：(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 提取對流云雷達特征量

識別出對流云體后，使用質心跟蹤法對云體進行追蹤[10]。跟蹤結束后，結合地面自動氣象觀測站降水量數據、探空資料、SWAN回波頂高、VIL產品，設計接口，計算出以下對流云特征量：

(1)對流云云體邊界：對流云包含的拼圖高度層上的二維對流云體邊界點空間坐標，根據坐標求取邊界內雷達回波反射率、回波頂高、VIL等雷達特征量。

(2)對流云水平面積、體積、質量：計算對流云云體質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量或體積離散求和。

(3)降水量：根據對流云邊界點信息和地面站點降水量觀測資料計算。

(4)對流云云體水平垂直尺度比(HVratio)：計算水平尺度時假設云體為正方形，計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：結合對流云云體回波頂高，根據探空資料的零度層高度計算。

3 江淮對流云特征分析

3.1 資料來源與處理方法

使用安徽省多普勒天氣雷達站的SWAN產品：雷達拼圖、組合反射率、回波頂高、VIL，拼圖使用的站點有合肥、蚌埠、阜陽、安慶和黃山，拼圖區(qū)域為29°～36°N、114°～120°E。降水量資料來源于國家自動氣象站和區(qū)域自動氣象站2 000多個地面雨量站點。區(qū)域雨量與雷達回波具有較好的一致性[12]，雷達資料的體掃時間一般為6 min，為了保持降水量時間與雷達資料的同步，把地面逐分鐘降水量數據處理成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)的對流云。

表1 2013—2015年IOP時間Table 1 Timetable of important observation processes from 2013 to 2015

3.2 結果

3.2.1 不同生命史的對流云樣本數量

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

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

3.2.2 不同生命史的對流云雷達回波特征

按照對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，分析不同生命史對流云的雷達回波特征。圖5為各生命史對流云數量隨最大回波強度、單體VIL、回波頂高、冷層厚度、水平垂直尺度比的分布。

圖5 不同的生命史的對流云數目隨雷達特征量的分布：(a)最大回波強度；(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以上的對流云最大回波強度平均值分別為42.8、44.6和46.4 dBZ，說明對流云生命史越長，其平均最大回波強度越大。能夠產生最大回波強度50 dBZ以上的對流云大多生命史較長，說明對流云生命史越長，其產生強回波的概率越大。各生命史的對流云體VIL平均值分別為3.9和5.7和8.2 kg·m-2，說明對流云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的對流云生命史很短，絕大部分在半小時以內，超過50 kg·m-2持續(xù)時間比較長，絕大部分在1 h以上。各生命史的對流云冷層厚度平均值統(tǒng)計分別為5.4、5.9、6.8 km。對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，最大回波強度盒圖分布和VIL盒圖分布的中位數、上下四分位數在生命史較大時較大；冷層厚度的盒圖分布的中位數、上下四分位數在生命史60 min以上時較大；3個生命史階段的對流云水平垂直尺度比盒圖分布差異不大。

使用歸一法對所有數據進行歸一處理，分析了13～18、19～24、25～30、31～60、60 min以上不同生命史的各雷達參數的演變特征，處理結果見圖6。

圖6 歸一化的不同生命史對流云雷達特征量的時間變化序列：(a)最大回波強度；(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

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

3.3 對流云各雷達特征量與降水量的關系

統(tǒng)計所有對流云雷達特征量與降水量之間的關系。降水量的樣本數分布情況如圖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，樣本數逐漸減小。

圖7 對流云的降水量樣本分布Fig.7 Distribution of precipitation samples of convective clouds

對流云最大回波強度、單體VIL、云體質量、水平垂直比、冷層厚度與降水量的關系見圖8，各個雷達特征量與降水量的相關系數為：0.437、0.416、0.123、-0.09和0.305。最大回波強度和VIL與降水量的相關性較好。

圖8 對流云雷達特征量與降水量關系：(a)最大回波強度；(b)單體VIL；(c)云體質量；(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

紅色點為各要素的降水量的平均值。最大降水量對應的回波強度在55 dBZ左右，隨著回波強度的增大，平均降水量呈遞增關系，但回波強度超過57 dBZ左右時，平均降水量隨回波的增大呈現出了遞減的關系，說明少數大粒子產生較強回波。因其總的數濃度很小，所以降水量不大。VIL與降水量的關系： VIL在30 kg·m-2以下時，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)展旺盛的局地對流云的水平垂直比例較小。平均降水量的最大值對應的水平垂直比約在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。對流云體的質量與降水量的關系：云體質量在103kg以下，平均降水量隨質量增大而增大，極大值在103kg附近，隨后降水量隨云體質量的變化趨于平緩。冷層厚度與平均降水量呈現一定的遞增關系，冷層厚度越大，降水量越大。

4 結論

本文通過解析和改寫SWAN雷達拼圖中SCIT算法區(qū)分對流云和層狀云，實現了對流云的識別和追蹤，并提取了對流云體的邊界、質量、體積等雷達特征量。結合2013—2015年夏季江淮地區(qū)雷達、雨量、探空資料，對江淮地區(qū)對流云特征進行了分析。主要結論如下:

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

(2)保留SCIT算法中識別單體時的30 dBZ閾值結構信息，可以很好地保留對流云體的三維邊界特征，計算對流云空間結構特征。使用追蹤算法進行跟蹤，可以識別出對流云的特征量時間變化特征。當遇到云體分裂合并現象時，使用單體質心法追蹤云體可能會使追蹤序列斷裂，不能完全反映云體的演變過程，后續(xù)需要改進。

(3)通過提取雷達特征量，分析不同生命史的江淮對流云雷達參數關系，分析了雷達特征量與降水的關系：江淮地區(qū)，絕大多數對流云在半個小時以內，生命史較大的對流云，其平均回波強度、VIL、冷層厚度較大，最大回波強度和VIL與降水量的相關性較好。運用SCIT算法在雷達拼圖中提取對流云的特征量方法應用效果明顯。