基于相對風(fēng)暴徑向速度場的輻合區(qū)自動識別算法

竹 利 康 嵐

1)(高原與盆地暴雨旱澇災(zāi)害四川省重點實驗室，成都 610072) 2)(四川省南充市氣象局，南充 637006) 3)(四川省氣象臺，成都 610071)

引 言

中層徑向輻合(mid-altitude radial convergence,MARC)為對流風(fēng)暴中層(通常為3～9 km高度)的徑向輻合區(qū)，用以反映由風(fēng)暴前側(cè)的強(qiáng)上升入流氣流和風(fēng)暴后部入流急流(rear inflow jets，RIJ)之間的過渡區(qū)[1]。Lemon等[2]研究發(fā)現(xiàn)，在一個產(chǎn)生下?lián)舯┝鞯某墕误w中，下沉氣流與上升氣流的交界面附近存在一深厚輻合區(qū)，Lemon等[3]在另一個產(chǎn)生地面大風(fēng)的超級單體中也發(fā)現(xiàn)類似深厚輻合區(qū)，并推斷與深層輻合相伴隨的氣流加速和負(fù)的浮力共同作用產(chǎn)生地面大風(fēng)。國內(nèi)學(xué)者們的研究也表明，在強(qiáng)對流大風(fēng)天氣過程中常伴有中層徑向輻合特征[4-12]。當(dāng)天氣雷達(dá)的多普勒徑向速度圖上存在明顯MARC特征時，預(yù)示地面將會產(chǎn)生災(zāi)害性大風(fēng)，MARC特征的參數(shù)信息(強(qiáng)度、高度等)對地面大風(fēng)天氣臨近預(yù)警具有較好指示意義[13-14]。一般徑向輻合在對流層3～7 km高度上的2～6 km徑向距離范圍內(nèi)出現(xiàn)25 m·s-1以上徑向速度差，認(rèn)為MARC 特征顯著[15]。有研究表明[16-17]，顯著MARC特征對地面大風(fēng)預(yù)警的提前時間為10～30 min。因此，強(qiáng)風(fēng)暴中深厚輻合帶的探測和識別對地面大風(fēng)預(yù)警起重要作用。

MARC強(qiáng)度在一定程度上表征颮線系統(tǒng)后部干冷空氣卷入雷暴體內(nèi)的激烈程度，夾卷越激烈，越有利于冷池的發(fā)展，從而產(chǎn)生更強(qiáng)的地面大風(fēng)[3]。因此，MARC與地面大風(fēng)之間可能存在相關(guān)關(guān)系。利用MARC特征自動識別算法可對大量歷史個例的雷達(dá)資料進(jìn)行批量計算，經(jīng)過統(tǒng)計分析計算結(jié)果，揭示其中關(guān)系。利用高空間分辨率雷達(dá)資料，判別地面大風(fēng)的強(qiáng)度，對未布局地面觀測站區(qū)域的對流性大風(fēng)監(jiān)測預(yù)警以及災(zāi)害評估，提供參考依據(jù)。另外，強(qiáng)天氣系統(tǒng)雷達(dá)回波特征的自動識別，可提高災(zāi)害天氣的短時臨近預(yù)報水平[18-20]。MARC特征自動識別及特征參數(shù)的計算對輔助業(yè)務(wù)人員分析天氣系統(tǒng)也起著積極作用，提前識別該特征有利于提升預(yù)警信號發(fā)布時間提前量。因此，MARC自動識別算法有較大實際業(yè)務(wù)應(yīng)用價值。MARC特征在平均徑向速度圖中常表現(xiàn)為一對相鄰且面積相當(dāng)?shù)恼俣葏^(qū)和負(fù)速度區(qū)，稱為典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣鱗21]。王萍等[21]設(shè)計一種基于典型“正-負(fù)速度區(qū)域?qū)Α钡腗ARC特征自動識別算法，該算法可識別出部分風(fēng)暴的三維徑向輻合特征。但對于強(qiáng)風(fēng)環(huán)境影響下形成的對流系統(tǒng)，其徑向輻合區(qū)有時表現(xiàn)為不對稱的“正-負(fù)速度區(qū)域?qū)Α?，有時甚至僅表現(xiàn)為單一正或負(fù)速度區(qū)域，稱為非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣鱗22]。這種情況下，基于典型“正-負(fù)速度區(qū)域?qū)Α钡腗ARC特征識別算法難以識別出徑向輻合區(qū)。因此，肖艷姣[22]提出另一種自動識別算法，該算法采用二維局地 LLSD(linear least squares)方法計算徑向速度的徑向散度切變，并使用類似SCIT(storm cell identification and tracking)算法的風(fēng)暴單體徑向輻合區(qū)識別算法進(jìn)行風(fēng)暴單體三維徑向輻合區(qū)的自動識別。該算法可有效識別非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣?，但在計算徑向輻合?qiáng)度方面存在一定不足。由于散度切變是根據(jù)徑向速度與距離權(quán)重乘積建立關(guān)系，往往速度最大值所在位置與徑向輻合處有一定距離，若計算徑向輻合強(qiáng)度所取二維局地窗口的徑向長度小于正-負(fù)速度大值中心之間的距離，計算的徑向輻合強(qiáng)度較實際值偏小。

本文對2016年8月6日一次具有非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣鞯娘R線過程開展研究，分析非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣餍纬傻脑颉８鶕?jù)分析結(jié)果，本文提出將對流風(fēng)暴的整體徑向速度場減去風(fēng)暴移動速度(朝向雷達(dá)為負(fù)，遠(yuǎn)離雷達(dá)為正，下同)后，得到相對風(fēng)暴的徑向速度場，在此基礎(chǔ)上搜索雷達(dá)某徑向上的“正-負(fù)速度區(qū)域?qū)Α?，從而識別MARC特征。本文將該MARC特征識別算法稱為相對風(fēng)暴中層徑向輻合特征(storm-relative mid-altitude radial convergence,SRMARC)識別算法。

1 假設(shè)條件及資料說明

本文在算法研究和設(shè)計過程中的假定和處理原則：①因天氣雷達(dá)掃描的仰角較低，忽略垂直氣流(或粒子落速)的影響，雷達(dá)測到的降水粒子徑向速度即為實際水平氣流的徑向速度；②忽略單體風(fēng)暴的移向和移速，只考慮整體風(fēng)暴的移向和移速，且風(fēng)暴整層的移速相同；③模式輸出的風(fēng)暴結(jié)構(gòu)風(fēng)場與實際風(fēng)場一致；④以雷達(dá)的某徑向為處理單元，使得徑向輻合特征在風(fēng)暴移向與風(fēng)暴所在雷達(dá)徑向一致時最明顯，當(dāng)風(fēng)暴整體移向與風(fēng)暴所在雷達(dá)徑向的夾角小于20°時，假定風(fēng)暴移向與風(fēng)暴所在雷達(dá)徑向一致；⑤為了獲取3～8 km高度范圍內(nèi)完整的徑向速度數(shù)據(jù)，算法只處理徑向距離大于30 km且小于150 km范圍，且強(qiáng)度大于40 dBZ和徑向速度絕對值大于0.5 m·s-1(忽略弱對流系統(tǒng))的距離庫。

本文所用資料包括四川盆地地區(qū)2009—2018年10次颮線大風(fēng)天氣過程的常規(guī)觀測資料、雷達(dá)資料(四川省氣象探測數(shù)據(jù)中心提供)。另外，本文采用WRF4.0對2016年8月6日颮線個例進(jìn)行模擬，模擬區(qū)域采用二重雙向嵌套，水平分辨率分別為16.0 km和3.2 km，垂直方向為33層。網(wǎng)格中心位于30.0°N，104.5°E。長波輻射采用RRTM方案，陸地選取Noah方案，邊界層選取YSU方案，短波輻射采用Dudhia方案，粗網(wǎng)格模擬區(qū)域采用Kain-Fritsch積云對流方案而非微物理方案，細(xì)網(wǎng)格模擬區(qū)域只采用 WDM6類微物理方案而非積云對流參數(shù)化方案。初始場為NCEP FNL分析資料。模擬初始時間為2016年8月6日14：00(北京時，下同)，積分24 h。

2 典型個例分析

中小尺度天氣系統(tǒng)的流場結(jié)構(gòu)由自身運動和平移運動共同構(gòu)成，基本徑向速度場主要是自身水平運動和平移運動綜合影響的結(jié)果。當(dāng)系統(tǒng)的平移運動速度大于自身運動速度時，系統(tǒng)在基本徑向速度場上的切變(旋轉(zhuǎn)、輻合或輻散)特征可能被掩蓋[23]。由于MARC特征在對流層中高層表現(xiàn)較為顯著，一般出現(xiàn)在正、負(fù)徑向速度交匯區(qū)，且正速度區(qū)較負(fù)速度區(qū)距離雷達(dá)站更近。但在強(qiáng)風(fēng)環(huán)境影響下形成的對流系統(tǒng)(如颮線)，其徑向輻合區(qū)常表現(xiàn)為單一正或負(fù)速度區(qū)域內(nèi)徑向速度大小突變形成的徑向輻合特征。在冷渦后部較強(qiáng)偏北氣流影響下，2016年8月6日傍晚至7日凌晨四川盆地中部地區(qū)出現(xiàn)一次強(qiáng)颮線天氣過程。圖1a和圖1d分別為該颮線過程在6日23:34樂山雷達(dá)3.4°仰角上的反射率因子及其沿徑向(圖1a黑色直線)的反射率因子剖面圖。此時颮線以約40 km·h-1的速度沿徑向朝雷達(dá)方向快速移動，造成地面災(zāi)害性大風(fēng)。由徑向速度圖(圖1b)及其剖面圖(圖1e)可知，該風(fēng)暴南段(圖1b中剖面線以南部分)2～5 km高度上均為一致的負(fù)速度區(qū)域(最大徑向速度絕對值約23.0 m·s-1，表明對流系統(tǒng)存在后部入流急流特征)，但負(fù)徑向速度從颮線后側(cè)至前側(cè)存在顯著的徑向速度輻合特征(負(fù)速度值突增)。該MARC即為非典型“正-負(fù)速度區(qū)域?qū)Α钡腗ARC特征，利用王萍等[21]設(shè)計的MARC自動識別算法無法正確識別。

圖1 2016年8月6日23:34樂山雷達(dá)3.4°仰角反射率因子(a)、原始徑向速度(b)以及處理后的相對風(fēng)暴徑向速度圖(c)及對應(yīng)沿黑色直線的反射率因子剖面圖(d)、徑向速度剖面圖(e)和相對風(fēng)暴徑向速度剖面圖(f)(剖面由雷達(dá)站沿徑向指向遠(yuǎn)離雷達(dá)側(cè))Fig.1 The reflectivity factor(a),raw radial velocity(b),processed relative storm radial velocity graph(c),corresponding reflectivity factor profile(d),radial velocity profile(e),and relative storm radial velocity profile(f) along the black lines based on Leshan Radar at 3.4° elevation angle at 2334 BT 6 Aug 2016(the profile is directed away from the radar side by the radar station in the radial direction)

續(xù)圖1

圖2a為模式模擬的此次過程的反射率因子和中層風(fēng)場疊加圖。模擬回波的形狀、強(qiáng)度以及位置均與實況(圖略)較吻合，且同樣沿著中層環(huán)境風(fēng)向移動。另外對流系統(tǒng)的中層后部入流急流特征(圖2b)以及地面大風(fēng)特征(圖略)均可模擬再現(xiàn)，因此本文假設(shè)模式輸出的風(fēng)暴結(jié)構(gòu)風(fēng)場與實際風(fēng)場一致。圖2b為沿圖2a颮線移動方向(圖2a中紅色直線)的垂直剖面圖。其中風(fēng)矢量場表示水平風(fēng)場與垂直運動合成，其中水平風(fēng)場為沿剖面線的u，v合成風(fēng)減去颮線移速后的相對颮線水平風(fēng)場。圖2b顯示，颮線前側(cè)近地層相對風(fēng)暴的暖濕入流氣流受颮線后側(cè)下沉冷氣流強(qiáng)迫抬升后，在對流層中層與颮線后側(cè)入流急流引導(dǎo)的干冷氣流相遇形成風(fēng)向相反的輻合流場，該輻合流場較真實反映風(fēng)暴內(nèi)部本身的氣流結(jié)構(gòu)特征。后側(cè)干冷氣流入侵風(fēng)暴體后將促使風(fēng)暴中降水粒子強(qiáng)烈蒸發(fā)冷卻形成冷池，同時后側(cè)入流與前側(cè)入流匯合后，在風(fēng)暴體后側(cè)下沉至地面從而引導(dǎo)中高層動量下傳，產(chǎn)生地面大風(fēng)，這是MARC特征可預(yù)警雷暴大風(fēng)的主要依據(jù)。假設(shè)颮線移向與雷達(dá)徑向方向一致時，該輻合流場在雷達(dá)徑向速度場上將表現(xiàn)為典型的“正-負(fù)速度區(qū)域?qū)Α?。此時，利用基于搜索“正-負(fù)速度區(qū)域?qū)Α钡淖詣幼R別算法可識別出MARC特征，該算法在相對風(fēng)暴風(fēng)場基礎(chǔ)上對徑向輻合特征進(jìn)行識別，因此稱為SRMARC特征自動識別算法。

圖2 模擬的2016年8月7日01:00四川盆地颮線最大反射率因子(填色)以及中層環(huán)境風(fēng)場(風(fēng)羽，單位:m·s-1)(a),沿圖2a紅色直線的垂直剖面圖(其中陰影為反射率因子，箭頭為風(fēng)矢量(風(fēng)速矢量的垂直分量表示垂直速度的2.0倍)，等值線為相對濕度(單位:%))(b)Fig.2 Simulated maximum reflectance factor(the shaded) and mid-level environmental wind field(the barb,unit:m·s-1) of the squall line at 0100 BT 7 Aug 2016(a),vertical section along the red line in Fig.2a(where the shaded is the reflectivity factor,the arrow is the wind vector(the vertical component of the wind speed vector represents 2.0 times of vertical velocity),the contour is relative humidity(unit:%))(b)

U·p-V·p=U*-V·p。

(1)

由于在30～150 km徑向距離范圍內(nèi)，風(fēng)暴回波所在的最高仰角為6°左右，投影系數(shù)p約等于1。因此，相對風(fēng)暴的徑向速度可由徑向速度直接減去風(fēng)暴移速得到。在相對風(fēng)暴的徑向速度場中，風(fēng)暴前側(cè)低層的入流氣流與中層后部入流氣流的徑向方向相反，從而在雷達(dá)徑向圖像上易形成典型的“正-負(fù)速度區(qū)域?qū)Α盡ARC特征，此時可利用搜索正-負(fù)速度段的方法進(jìn)行MARC特征自動識別。上述分析基于模擬的風(fēng)暴單體，且在假設(shè)風(fēng)暴移向與風(fēng)暴所在雷達(dá)徑向一致情況下得到。圖1中該颮線實際移向與風(fēng)暴主體所在雷達(dá)徑向方向(即剖面線)較一致，因此本文將采用類似思路對該實際風(fēng)暴的回波徑向速度場進(jìn)行處理，并構(gòu)建算法。

颮線系統(tǒng)由多個雷暴單體緊密組織而成，若要區(qū)分和識別其中某個風(fēng)暴單體并獲取其移動速度比較困難，獲取颮線系統(tǒng)整體移速相對容易，因此本文使用颮線整體移速替代雷暴單體移速。颮線移動速度主要受高空引導(dǎo)氣流和前向傳播共同影響[11]，颮線整體移速一般較單體更快，因此本文將風(fēng)暴整層基本徑向速度減去颮線整體移速的一定比例值，得到更接近真實的相對風(fēng)暴單體的徑向速度場。另外，大量颮線個例的雷達(dá)回波資料分析表明，當(dāng)颮線處于成熟階段時，其中層后部常存在RIJ，促使颮線移動速度加快[24]。由于RIJ的速度在對流層中高層隨高度增加而減弱(圖1e)，當(dāng)風(fēng)暴整層基本徑向速度直接減去颮線整體平均移速后，在對流層中高層的相對風(fēng)暴徑向速度圖上，颮線后側(cè)入流的徑向速度(絕對值)較小，范圍將減小，此時該區(qū)域很可能未被搜索到。由圖2b中還可見，風(fēng)暴在6～9 km高度的相對風(fēng)暴后部入流氣流的風(fēng)速接近于零，導(dǎo)致搜索后側(cè)入流困難，不利于風(fēng)暴中高層徑向輻合特征的自動識別。因此，為了盡量避免中高層的徑向輻合特征被漏識別，需利用颮線整體移速的一定比例值計算相對風(fēng)暴徑向速度場?；谏鲜龇治?，本文利用原始徑向速度場減去颮線整體移速的三分之二(三分之二是基于多個個例分析后給定的經(jīng)驗值，該參數(shù)可調(diào)整)得到相對風(fēng)暴的徑向速度圖(圖1c)及其剖面圖(圖1f)。由圖1f可人工分析出風(fēng)暴在2～8 km高度范圍內(nèi)存在明顯的徑向輻合特征，該SRMARC特征為典型“正-負(fù)速度區(qū)域?qū)Α钡闹袑訌较蜉椇咸卣鳎衫盟阉髡?負(fù)速度段的方法識別徑向輻合特征。由于徑向輻合強(qiáng)度與正-負(fù)速度段的速度差有關(guān)，徑向輻合特征的正-負(fù)速度段同時減去風(fēng)暴移動速度一定比例值后，對計算徑向輻合強(qiáng)度值基本無影響，但對輻合的厚度和高度有影響。

3 相對風(fēng)暴中層徑向輻合特征自動識別算法

基于上述典型個例的討論，本文設(shè)計了相對風(fēng)暴的徑向輻合特征自動識別算法。整個算法為4部分，按算法實現(xiàn)流程順序分為雷達(dá)基數(shù)據(jù)預(yù)處理、單徑向上正-負(fù)速度輻合對的識別、二維徑向輻合塊識別和三維徑向輻合體識別。

3.1 雷達(dá)基數(shù)據(jù)預(yù)處理

算法第1步是雷達(dá)基數(shù)據(jù)質(zhì)量控制(利用模糊邏輯方法剔除雜波)，針對徑向輻合處有較多徑向速度奇異值(雙脈沖重復(fù)頻率技術(shù)造成的)的問題，本文采用肖艷姣等[25]提出的方法進(jìn)行修正。為了將非典型“正-負(fù)速度區(qū)域?qū)Α弊儞Q成典型的“正-負(fù)速度區(qū)域?qū)Α?，根?jù)第2章所述，將分析風(fēng)暴的整體徑向速度場減去颮線移動速度(颮線移速和移向通過相關(guān)軟件采集多個連續(xù)體掃中的方位和徑向距離計算所得)的三分之二，得到相對風(fēng)暴的徑向速度場，在此基礎(chǔ)上搜索典型的“正-負(fù)速度區(qū)域?qū)Α边M(jìn)行SRMARC自動識別。

3.2 識別單徑向正-負(fù)速度輻合對

本文定義某徑向上滿足一定條件的正-負(fù)速度區(qū)域?qū)?或正-負(fù)速度段對)為“單徑向正-負(fù)速度輻合對”(簡稱徑向輻合對)。圖3為徑向輻合對示意圖，正速度段位于雷達(dá)站與負(fù)速度段之間，其中徑向速度值為等距離抽取圖1c中剖面線所在徑向上有效范圍內(nèi)的徑向速度整數(shù)值。

圖3 徑向輻合對示意圖(方格內(nèi)數(shù)值為等距離抽取圖1c中剖面線所在徑向上有效范圍內(nèi)的徑向速度整數(shù)值，單位：m·s-1，開始和結(jié)束的徑向距離分別為51 km和61 km)Fig.3 Schematic diagram of radial convergence pair(the values are the integral values of radial velocity(unit:m·s-1) in the radial direction of the section line in Fig.1c,and the radial distances at the beginning and the end are 51 km and 61 km，respectively)

算法第2步(算法流程見圖4)主要功能為徑向輻合對識別，該模塊是整個算法的核心。在上述限定區(qū)域內(nèi)的逐個掃描層(scanning layer，Sli，i=1,2,…,7)，分別從360個方位角(azimuth，Azj，j=1,2,…,360)的徑向上搜索正-負(fù)速度段，然后對其進(jìn)行配對并計算其輻合特征參數(shù)。首先從有效范圍內(nèi)距離雷達(dá)最近的距離庫(rang bin，RBk,k=1,2，…，988)開始搜索，即第1個距離庫(RBk，k=1)，當(dāng)徑向速度(radial velocity，V)絕對值大于等于0.5 m·s-1且高度在2.5～8 km范圍內(nèi)時，將該值(包括仰角、方位、距離、高度等相關(guān)參數(shù)信息)放入臨時徑向速度段列表(temporary radial velocity list，TVL)中，接著判斷下一個距離庫的徑向速度值與TVL的第1個值是否同號。若同號，且該距離庫與之前剛放入TVL的距離庫值之間的徑向距離小于4 km(由于四川的SC型雷達(dá)徑向速度產(chǎn)品質(zhì)量較差，有較多奇異值，為了減小奇異值的影響，增大該閾值，該閾值可根據(jù)實際情況調(diào)整)，同時TVL的徑向長度(段首值與段末值的徑向距離差)小于20 km (颮線對流系統(tǒng)的一般寬度，該閾值可調(diào)整)，則將該值放入TVL中；如果TVL的徑向長度大于20 km，且TVL中徑向速度數(shù)量大于6時(若小于6舍棄掉該TVL，即舍棄一些特小尺度的徑向輻合特征)，將TVL的信息賦值給徑向速度段，并給該徑向速度段配上段號(分為正和負(fù)速度段，均從1開始編號)，段號隨之增加1，清空TVL并裝入該RB的信息，此流程稱為“裝箱”。若異號，或該RB與之前剛放入TVL的距離庫值之間的徑向距離大于4 km時，均執(zhí)行“裝箱”流程。當(dāng)遍歷到該徑向上最后一個有效值(valid bin number，VBN)時，則將TVL的信息賦值給徑向速度段，并給該徑向速度段配上段號，最后清空TVL。此時，第1根徑向上速度段的搜索工作完成，接著將提取到的徑向正-負(fù)速度段進(jìn)行配對。先從段號均為1的正-負(fù)徑向速度段開始對某徑向上所有的正-負(fù)速度段進(jìn)行遍歷，選出滿足如下條件的正-負(fù)速度段對進(jìn)行配對。

圖4 正-負(fù)速度輻合對識別算法流程圖Fig.4 Identification algorithm of positive-negative velocity convergence pair flowchart

首先，正速度段要位于負(fù)速度段與雷達(dá)站之間，即正速度段最后一個距離庫值的徑向距離要小于負(fù)速度段最開始一個值的徑向距離(圖3)。其次，正-負(fù)速度段中心值(即段內(nèi)最大絕對值)距離(如圖3)需小于12 km[21]。當(dāng)正-負(fù)速度段配對成功后，計算該速度段對的徑向輻合強(qiáng)度。正-負(fù)速度區(qū)域?qū)较蜉椇蠌?qiáng)度的計算，一般采用正-負(fù)速度段中心值差的絕對值除以中心值之間的距離所得。但一個速度段上的徑向速度值(絕對值)在徑向上并非線性分布，中心值(也有可能是奇異值)的位置往往不在大值區(qū)域的幾何中間位置，這將導(dǎo)致計算徑向輻合強(qiáng)度的不確定性較大。因此，本文定義徑向輻合強(qiáng)度為正速度段與負(fù)速度段的平均值(絕對值)之和除以兩個速度段的平均值距離(從輻合處開始，在負(fù)速度段上遠(yuǎn)離雷達(dá)方向最先小于負(fù)速度段平均值的距離庫徑向距離，減去正速度段上朝向雷達(dá)方向最先大于正速度段平均值的距離庫徑向距離，見圖3)。該計算結(jié)果與實際值相比有偏差，但可避免計算的強(qiáng)度值出現(xiàn)奇異值和大幅波動，同時也能表征徑向輻合的強(qiáng)弱。計算徑向輻合強(qiáng)度用于判斷地面大風(fēng)的強(qiáng)度，若計算標(biāo)準(zhǔn)一致即可區(qū)分其強(qiáng)弱。圖3中正速度段的平均值約為2.7 m·s-1，負(fù)速度段的平均值約為-10 m·s-1，徑向輻合對的平均徑向距離約為4 km，因此該徑向輻合對的徑向輻合強(qiáng)度值約為3.1 s-1。若用正-負(fù)速度段中心值差的絕對值除以中心值距離(正-負(fù)速度段內(nèi)最大絕對值所在徑向距離之差，見圖3)計算徑向輻合強(qiáng)度約為2.9 s-1，兩種算法所得結(jié)果相差較小。另外，統(tǒng)計分析多個類似樣本數(shù)據(jù)的兩種計算結(jié)果，兩者差值均在1 s-1以下，可見該強(qiáng)度計算方法可靠。

為了剔除輻合不明顯的速度對，本文設(shè)計當(dāng)正-負(fù)速度段平均速度值的絕對值之和大于6 m·s-1且其徑向速度中心值的絕對值之和大于12 m·s-1時，才計算其徑向輻合強(qiáng)度等參數(shù)，否則，舍棄該徑向輻合對。當(dāng)計算的徑向輻合強(qiáng)度大于等于1 s-1，再計算該正-負(fù)速度段對的方位、徑向距離、高度等參數(shù)，并將這些信息裝入徑向輻合實例列表。

3.3 識別二維徑向輻合塊和三維徑向輻合體

算法第3步將各掃描層內(nèi)所有的徑向輻合對進(jìn)行遍歷，找出滿足一定條件的徑向輻合對并拼連成二維徑向輻合塊。相當(dāng)于對徑向輻合對求水平相關(guān)，以第1個徑向輻合對為基礎(chǔ)，按徑向方位角從小到大依次判斷兩個徑向輻合對的方位角是否小于等于3°，且徑向距離(某個輻合塊內(nèi)所有距離庫值的徑向距離的平均值)之差是否小于等于6 km。若滿足該條件就將其裝入上一個徑向輻合塊里，若不滿足則將其裝入另一個徑向輻合塊，繼續(xù)判斷下個方位角的輻合對。當(dāng)某掃描層內(nèi)的徑向輻合對均遍歷完后，再判斷每個輻合塊里輻合對的數(shù)量，若數(shù)量大于等于3(小于3則舍棄，即舍棄掉小尺度的徑向輻合區(qū))，計算輻合塊的平均徑向輻合強(qiáng)度，并判斷該輻合塊內(nèi)所有輻合對的強(qiáng)度值是否小于平均值的3倍。若大于3倍則視為奇異值，將其丟棄，并重新計算輻合塊的平均徑向輻合強(qiáng)度，再重復(fù)上述流程直至所有輻合對強(qiáng)度值均小于3倍平均值。然后將輻合塊的平均徑向輻合強(qiáng)度、最大徑向輻合強(qiáng)度、方位、徑向距離、高度等信息，一并裝入輻合塊列表中。

算法第4步將每層的徑向輻合塊做垂直相關(guān)分析，求得三維風(fēng)暴徑向輻合體。每個確定的三維風(fēng)暴輻合體由一個或多個在相繼仰角上的二維徑向輻合塊構(gòu)成。首先，將最低層的第1個徑向輻合塊放入臨時徑向輻合體中，然后遍歷剩下的所有徑向輻合塊，當(dāng)某個徑向輻合塊與第1個輻合塊的層次不同、方位角差小于等于6°且徑向距離小于等于8 km 時，將其放入臨時徑向輻合體。若不滿足上述條件，將該輻合塊放入存儲剩余徑向輻合塊的列表里。遍歷完所有徑向輻合塊后，將臨時輻合體賦值到第1個徑向輻合體并編號，清空臨時輻合體，再計算該輻合體的平均徑向輻合強(qiáng)度、最大徑向輻合強(qiáng)度、徑向輻合厚度、徑向輻合中心高度等參數(shù)。當(dāng)剩余徑向輻合列表中的徑向輻合塊個數(shù)大于等于1時，重復(fù)上述三維相關(guān)分析流程，直至臨時徑向輻合體中輻合塊個數(shù)為零，整個算法結(jié)束。

4 算法測試

4.1 個例分析

本文使用2013年8月18日(簡稱“8·18”)和2018年8月7日(簡稱“8·7”)發(fā)生在四川盆地的兩次颮線天氣個例的雷達(dá)體掃資料對該算法進(jìn)行測試，并對算法在原始徑向速度場(raw radial velocity，RRV)和相對風(fēng)暴徑向速度場(relative storm radial velocity，RSRV)上識別出的徑向輻合特征結(jié)果進(jìn)行對比分析。

兩次過程均受東風(fēng)波系統(tǒng)影響產(chǎn)生，造成大風(fēng)、短時強(qiáng)降水等災(zāi)害性天氣。圖5為這兩次過程的反射率因子和徑向速度圖，颮線回波主體均朝著雷達(dá)站方向移動?！?·18”過程的反射率因子圖呈現(xiàn)弓形(圖5a)，弓形回波主體南段在徑向速度圖上均表現(xiàn)為非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣?圖5b)?！?·7”過程的反射率因子圖呈現(xiàn)線狀(圖5c),回波主體兩側(cè)在徑向速度圖上均表現(xiàn)為非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣?圖5d)。接近兩次過程發(fā)生時的探空圖(圖略)均表明，從對流層低層至中高層風(fēng)向較一致，有利于徑向速度圖上呈現(xiàn)非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣?。圖5中實線是在RRV上利用搜索雷達(dá)某徑向上的“正-負(fù)速度區(qū)域?qū)Α狈椒ㄗR別出的徑向輻合塊，虛線是利用相同方法在RSRV上識別出的徑向輻合塊。

圖5a和圖5b分別為“8·18”過程由宜賓雷達(dá)觀測到的2.4°仰角上的反射率因子和(原始)徑向速度，其中標(biāo)注的A,B,C代表該算法識別出的3個徑向輻合塊。其中輻合塊B(高度約4.9 km)，在RRV和RSRV(RRV加上颮線移速15 m·s-1的三分之二，即RRV加10 m·s-1)中均被識別。但RRV中算法只識別出B的北段，其呈現(xiàn)出典型“正-負(fù)速度區(qū)域?qū)Α钡膹较蜉椇咸卣?；RSRV中算法不僅識別出B的北段，還識別出其南段的非典型“正-負(fù)速度區(qū)域?qū)Α钡膹较蜉椇咸卣?。由于徑向輻合塊C的負(fù)速度段速度較小，該負(fù)速度段加10 m·s-1后，在RSRV上將無法搜索到負(fù)速度段，因此在RSRV中算法未識別出來。從圖5b上可看出，輻合塊C的徑向輻合強(qiáng)度較弱，由于弱徑向輻合特征識別意義不大，且這種情況只在個案中存在，非普遍現(xiàn)象，因此不影響該算法的整體效果。另外，算法在RSRV上識別出徑向輻合塊A，但在RRV上未能識別出。圖5c和圖5d分別為“8.7”過程由南充雷達(dá)觀測到的4.3°仰角上的反射率因子和(原始)徑向速度，圖中標(biāo)注的E、F、G代表該算法在RRV上識別出的3個徑向輻合塊(實線)，它們在RRV和RSRV(RRV加上颮線移速9 m·s-1的三分之二，即RRV加6 m·s-1)中均被識別。但RRV中算法未識別出F和G之間的輻合塊以及E東側(cè)的輻合塊，其為非典型“正-負(fù)速度區(qū)域?qū)Α保籖SRV中算法識別出整段徑向輻合塊，包括其兩側(cè)的非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣鳌Ｉ鲜龇治霰砻?，在RSRV上利用搜索“正-負(fù)速度區(qū)域?qū)Α狈椒ㄗR別徑向輻合特征的效果更好。

圖5 2013年8月18日00:49宜賓雷達(dá)2.4°仰角反射率因子(a)、原始徑向速度(b)以及 2018年8月7日20:15南充雷達(dá)4.3°仰角反射率因子(c)、原始徑向速度(d)(實線和虛線分別表示原始和相對風(fēng)暴徑向速度場上識別出的徑向輻合塊，標(biāo)注A，B，C，E，F(xiàn)，G分別代表算法識別出的徑向輻合塊)Fig.5 The reflectivity factor(a) and raw radial velocity(b) based on Yibin radar station at 2.4° elevation angle at 0049 BT 18 Aug 2013 and the reflectivity factor(c) and original radial velocity(d) based on Nanchong radar station at 4.3° elevation angle at 2015 BT 7 Aug 7 2018(the solid line and the dashed line respectively represent the radial convergent blocks identified in the RRV and RSRV, and the labels A,B,C,E,F and G represent the radial convergent blocks identified by the algorithm)

4.2 識別評分

為了更全面地檢驗算法對中層徑向輻合特征的識別能力，選取2009—2018年10次颮線雷暴大風(fēng)天氣過程(表1)進(jìn)行測試。由于只有當(dāng)強(qiáng)對流系統(tǒng)的移動方向與系統(tǒng)所在雷達(dá)徑向方向之間夾角較小時，徑向速度圖上才會呈現(xiàn)較為明顯的中層徑向輻合特征，所以挑選的10次過程均滿足該條件。表1中一個樣本即為一個體掃，其中測試樣本量為經(jīng)人工剖切分析后確認(rèn)有明顯MARC特征的體掃個數(shù)；另外當(dāng)算法自動識別出某個體掃的MARC與人工確認(rèn)的較一致時(漏、空識別的MARC數(shù)量小于等于2)，該體掃即為算法成功識別的樣本。由表1可見，該算法能有效識別出的樣本數(shù)量達(dá)到47個，識別準(zhǔn)確率達(dá)到82.4%。具有非典型“正-負(fù)速度區(qū)域?qū)Α钡闹袑訌较蜉椇咸卣鞯臏y試樣本數(shù)量為25，算法程序能正確識別出21個，表明算法對非典型MARC特征有較高的識別水平。將算法程序搜索出的正-負(fù)速度段與對應(yīng)的徑向速度圖進(jìn)行人工對比分析發(fā)現(xiàn)，算法未能識別出的主要原因是由于徑向速度段的平均值較小，不能滿足算法程序設(shè)置的參數(shù)閾值，被舍棄。因此，還需要對更多個例進(jìn)行測試，不斷優(yōu)化算法各參數(shù)閾值，才能使識別算法達(dá)到最佳狀態(tài)。

表1 檢驗識別算法的颮線個例及識別結(jié)果Table 1 Examples of squall line to test the recognition algorithm and recognition result

5 算法應(yīng)用

利用上述SRMARC特征自動識別算法，對第4章評分檢驗所選部分個例進(jìn)行特征識別并計算其特征參數(shù)。特征參數(shù)包括平均徑向輻合強(qiáng)度(average radial convergence strength，ARCS)、最大徑向輻合強(qiáng)度(max radial convergence strength，MRCS)、徑向輻合體厚度(radial convergence thickness，RCT)、徑向輻合體中心高度(radial convergence height，RCH)。本文定義ARCS指輻合體各層徑向輻合塊平均強(qiáng)度值之和除以輻合體層數(shù)所得，單位為s-1；MRCS指輻合體內(nèi)所有徑向輻合塊最大強(qiáng)度值中的最大值，單位為s-1；RCT指輻合體最高層徑向輻合塊高度減去最低層徑向輻合塊高度所得，單位為 km，當(dāng)輻合體只有一層時，輻合塊高度設(shè)為1 km；RCH指輻合體內(nèi)所有徑向輻合塊高度之和除以層數(shù)所得，單位為km。當(dāng)識別的某個徑向輻合體前側(cè)10 km徑向距離范圍內(nèi)有站點的極大風(fēng)速記錄值為過程最大值時，且颮線影響該站點之前6 h內(nèi)，站點周圍無對流系統(tǒng)影響，將該風(fēng)速值與對應(yīng)的輻合體特征參數(shù)作為一組樣本。本文利用SPSS軟件對采集的樣本數(shù)據(jù)(共71組樣本)進(jìn)行統(tǒng)計分析，分析結(jié)果如圖6所示。由圖6可以看到，ARCS,MRCS,RCT與地面極大風(fēng)速之間有較好的線性相關(guān)性，且均為正相關(guān)，其中ARCS與地面極大風(fēng)速相關(guān)系數(shù)最大(r為0.79)，MRCS次之(r為0.67)，RCT相關(guān)性最差(r為0.5)，但均達(dá)到0.01顯著性水平。表明颮線內(nèi)徑向輻合特征越明顯，對應(yīng)地面大風(fēng)越強(qiáng)。強(qiáng)大風(fēng)(大于20 m·s-1)樣本中大部分樣本的ARCS超過3 s-1，MRCS超過4.5 s-1，RCT高于2.5 km。弱大風(fēng)(小于20 m·s-1)樣本中大部分樣本的ARCS低于4 s-1，MRCS低于8 s-1，RCT低于3.5 km。因此，根據(jù)徑向輻合特征的這些參數(shù)值可大致判別地面大風(fēng)的強(qiáng)度，為對流性大風(fēng)的監(jiān)測預(yù)警和災(zāi)害評估提供參考依據(jù)。

圖6 地面極大風(fēng)速與相對風(fēng)暴徑向輻合特征參數(shù)散點分布及擬合曲線Fig.6 Scattered point distribution and fitting curve of the ground maximum wind speed and relative storm radial convergence characteristic parameters

對線性相關(guān)性較強(qiáng)的3種特征樣本進(jìn)行線性擬合，擬合線性方程如圖6所示，由圖6可以看到，ARCS的擬合效果最好(決定系數(shù)R2為0.62)，MRCS次之(決定系數(shù)R2為0.45)，RCT最差(決定系數(shù)R2為0.25)。另外，徑向輻合體中心高度參數(shù)的二次曲線模型擬合在各種模型中效果最佳，決定系數(shù)R2為0.13，擬合優(yōu)度較低。但從其散點分布看，徑向輻合體中心高度越高并不意味著地面大風(fēng)越強(qiáng)，中心高度值在3.5～6.0 km高度，地面容易出現(xiàn)強(qiáng)大風(fēng)(大于20 m·s-1)。這是由于颮線系統(tǒng)發(fā)展初期，回波質(zhì)心較高，對流風(fēng)暴內(nèi)以上升氣流為主，下沉氣流較弱。

通過分析“8.18”過程雷達(dá)回波及地面大風(fēng)強(qiáng)度演變發(fā)現(xiàn)，算法首次識別出SRMARC特征(ARCS超過1 s-1)的時間為2013年8月18日21:13，地面觀測極大風(fēng)速首次達(dá)到17.1 m·s-1以上的時間為21:47，極大風(fēng)速首次達(dá)到20.0 m·s-1以上的時間為22:12，通過算法識別的徑向輻合特征可以提前約30 min預(yù)警此次大風(fēng)。算法首次識別出2016年8月6日盆地颮線過程SRMARC特征(ARCS超過1 s-1)的時間為22:21，地面首次出現(xiàn)大于17.1 m·s-1極大風(fēng)速的時間為22:55，算法識別可以提前約35 min預(yù)警此次大風(fēng)。其他多次颮線過程也均可提前20～30 min 預(yù)警地面大風(fēng)，這與Schmocker等[16]以及吳翠紅等[17]的研究結(jié)論較一致。

6 結(jié)論與討論

研究表明：

1) 本文提出相對風(fēng)暴中層徑向輻合特征自動識別算法。該算法首先搜索出單仰角相對風(fēng)暴徑向速度圖上每個徑向上的正-負(fù)速度段，并按照規(guī)則對其進(jìn)行配對，形成徑向輻合對，對不明顯的徑向輻合對進(jìn)行消空處理。然后在二維錐面上對徑向輻合對做水平相關(guān)分析得到二維徑向輻合塊。最后當(dāng)所有仰角遍歷完后，對二維輻合塊做垂直相關(guān)分析得到風(fēng)暴的三維徑向輻合體，并計算出三維輻合體的強(qiáng)度、厚度、中心高度等重要特征參數(shù)。

2) 利用兩次具有非典型“正-負(fù)速度區(qū)域?qū)Α睆较蜉椇咸卣鞯娘R線雷達(dá)資料對該算法進(jìn)行測試，結(jié)果表明：在RSRV上通過搜索正-負(fù)速度段識別徑向輻合特征的效果較原始徑向速度場上更好。中小尺度天氣系統(tǒng)運動場主要通過旋轉(zhuǎn)運動和平移運動及上升運動構(gòu)成?；緩较蛩俣葓鍪切D(zhuǎn)運動和平移運動綜合影響的結(jié)果，當(dāng)平移運動速度大于旋轉(zhuǎn)運動速度時，系統(tǒng)在基本徑向速度場上的切變(旋轉(zhuǎn)、輻合或輻散)特征可能被掩蓋。這是利用相對風(fēng)暴徑向速度識別系統(tǒng)中層輻合的優(yōu)勢所在。利用該算法對10次雷暴大風(fēng)強(qiáng)對流天氣過程的中層徑向輻合特征進(jìn)行識別測試結(jié)果表明，該算法識別準(zhǔn)確率達(dá)到82.4%，并且對非典型MARC特征有較高的識別水平。

3) 徑向輻合特征參數(shù)中ARCS，MRCS，RCT與地面極大風(fēng)速之間有較好的線性相關(guān)性，且均為正相關(guān)，其中ARCS與地面極大風(fēng)速相關(guān)系數(shù)最大，MRCS次之，RCT相關(guān)性最差，但均達(dá)到0.01顯著性水平。表明颮線的徑向輻合特征越明顯，對應(yīng)地面大風(fēng)越強(qiáng)。通過算法識別的徑向輻合特征可以提前約30 min預(yù)警此次大風(fēng)。

由于本文的SRMARC特征自動識別算法是基于大量颮線型強(qiáng)對流天氣個例的雷達(dá)資料獲得，該算法是否適用于非颮線類型對流系統(tǒng)尚需分析和檢驗。值得一提的是文中所涉及的颮線移動方向和速度是通過其他軟件獲取，需將SCIT算法嵌入后才能全面實現(xiàn)自動化識別。另外，本文擬合的特征參數(shù)與大風(fēng)風(fēng)速之間的相關(guān)關(guān)系(方程)，是基于四川個例資料所建，應(yīng)用于其他地區(qū)適用性有待探討。該算法還可以擴(kuò)展至下?lián)舯┝魈鞖庀到y(tǒng)的低仰角徑向速度輻散特征、冰雹天氣系統(tǒng)的高層徑向輻散特征以及短時強(qiáng)降水天氣系統(tǒng)的低層輻合特征的自動識別，具有一定應(yīng)用前景。