基于S波段新一代天氣雷達(dá)觀測(cè)的下?lián)舯┝髋R近預(yù)報(bào)方法*

肖艷姣 王 玨 王志斌 冷 亮 付志康

中國(guó)氣象局武漢暴雨研究所暴雨監(jiān)測(cè)預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430205

提 要： 下?lián)舯┝魇菍?duì)流風(fēng)暴最常發(fā)生的天氣現(xiàn)象，預(yù)報(bào)其初始爆發(fā)是強(qiáng)對(duì)流風(fēng)暴預(yù)報(bào)中最具挑戰(zhàn)性的內(nèi)容之一。提出一種綜合使用雷達(dá)和探空觀測(cè)資料的下?lián)舯┝髋R近預(yù)報(bào)算法。在對(duì)雷達(dá)基數(shù)據(jù)進(jìn)行地物雜波抑制和徑向速度退模糊以及對(duì)探空資料進(jìn)行處理得到0℃、-20℃和最小相當(dāng)位溫高度的基礎(chǔ)上，該算法首先進(jìn)行風(fēng)暴單體識(shí)別追蹤和冰雹指數(shù)的計(jì)算；然后進(jìn)行中層徑向輻合特征和中氣旋識(shí)別，并使之與識(shí)別的風(fēng)暴單體相關(guān)聯(lián)；最后提取諸多風(fēng)暴單體的雷達(dá)特征量，經(jīng)批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€(gè)例統(tǒng)計(jì)分析后挑選出下?lián)舯┝鞯睦走_(dá)先兆因子9個(gè)作為模糊邏輯法的輸入，建立下?lián)舯┝髋R近預(yù)報(bào)方程。使用2015年6月1日發(fā)生在湖北監(jiān)利導(dǎo)致“東方之星”客輪傾覆的下?lián)舯┝鱾€(gè)例對(duì)該算法進(jìn)行了測(cè)試，結(jié)果表明從20:41—21:21共有8個(gè)體掃時(shí)次預(yù)報(bào)了引起沉船事件的那個(gè)風(fēng)暴單體將會(huì)產(chǎn)生下?lián)舯┝?，首次預(yù)報(bào)時(shí)間比客輪側(cè)翻時(shí)間21:28 早47 min。使用2019年6—8月發(fā)生在湖北省的所有雷暴大風(fēng)個(gè)例對(duì)下?lián)舯┝髋R近預(yù)報(bào)算法進(jìn)行了效果評(píng)估,結(jié)果表明該算法預(yù)報(bào)下?lián)舯┝鞯膿糁新蕿?6.4%，平均預(yù)報(bào)時(shí)效為39 min。按回波形態(tài)分類(lèi)評(píng)估，則颮線類(lèi)、線狀對(duì)流類(lèi)(颮線除外)和非線狀對(duì)流類(lèi)風(fēng)暴的下?lián)舯┝髋R近預(yù)報(bào)擊中率分別為93.2%、90.5%和75.6%。該算法模塊已集成到中國(guó)氣象局武漢暴雨研究所研發(fā)的分類(lèi)強(qiáng)對(duì)流天氣自動(dòng)識(shí)別預(yù)警系統(tǒng)中，并于2019年開(kāi)始投入業(yè)務(wù)運(yùn)行。

引 言

Fujita(1979)根據(jù)國(guó)際上第一次針對(duì)下?lián)舯┝鏖_(kāi)展的外場(chǎng)觀測(cè)計(jì)劃(the Northern Illinois Meteorological Research on Downburst)觀測(cè)到的50個(gè)下?lián)舯┝鞯慕y(tǒng)計(jì)特征，正式定義了下?lián)舯┝鳎豪妆┨鞖庵性诘孛婊蚪孛娓浇a(chǎn)生風(fēng)速>17.9 m·s-1的災(zāi)害性輻散風(fēng)的強(qiáng)下沉氣流。Fujita(1985)按下?lián)舯┝鞯孛娉隽鞯臑?zāi)害范圍大小，把下?lián)舯┝鞣譃楹晗聯(lián)舯┝?>4 km)和微下?lián)舯┝?≤4 km)。Wilson et al(1984)基于多普勒雷達(dá)的觀測(cè)對(duì)微下?lián)舯┝鬟M(jìn)行了補(bǔ)充定義：穿過(guò)輻散中心的多普勒速度差≥10 m·s-1，初始的最大入流和出流中心(正負(fù)速度對(duì))之間的距離<4 km。Hjelmfelt(1988)把下?lián)舯┝靼闯隽餍螒B(tài)分為孤立的微下?lián)舯┝骱拖聯(lián)舯┝骶€。

多普勒天氣雷達(dá)是監(jiān)測(cè)預(yù)報(bào)下?lián)舯┝鞯闹匾侄?。下?lián)舯┝髟诙嗥绽仗鞖饫走_(dá)觀測(cè)的低仰角徑向速度中表現(xiàn)為小尺度徑向輻散特征(雷達(dá)徑向上的正負(fù)速度對(duì))或大風(fēng)核區(qū)(因外部環(huán)境因子影響和離散的小尺度下沉氣流疊加引起的非對(duì)稱(chēng)性出流)(Fujita，1979；Wilson and Schreiber，1986；Potts，1989)。弓狀回波也是一種在較大范圍內(nèi)產(chǎn)生較強(qiáng)下?lián)舯┝鞯幕夭ㄐ螒B(tài)(Fujita，1979)。Roberts and Wilson(1989)使用單個(gè)和多個(gè)多普勒天氣雷達(dá)研究了一些云內(nèi)下?lián)舯┝靼l(fā)生的先兆，他們確定了在下?lián)舯┝?初始地面出流)發(fā)生前2～6 min普遍出現(xiàn)的4個(gè)主要特征：①下降的反射率因子核；②云底附近或之上高度增加的徑向輻合；③沿風(fēng)暴邊緣腐蝕的反射率因子(反射率因子槽口)；④繞垂直軸的旋轉(zhuǎn)。

基于對(duì)下?lián)舯┝骼走_(dá)特征的一些認(rèn)知，下?lián)舯┝髯R(shí)別和臨近預(yù)報(bào)方法先后被研發(fā)。早在20世紀(jì)80年代末和90年代初，Merritt(1987)基于下?lián)舯┝髟诘脱鼋菑较蛩俣戎械男〕叨葟较蜉椛⑻卣?，研發(fā)了一些下?lián)舯┝鞯淖R(shí)別算法。由于這種特征只出現(xiàn)在距地面1 km以?xún)?nèi)的高度，雷達(dá)用最低掃描仰角(一般為0.5°)探測(cè)到這種特征的有效半徑也只有60 km左右，而且當(dāng)雷達(dá)探測(cè)到這種特征時(shí)，地面下?lián)舯┝鞔箫L(fēng)即將或正在發(fā)生，幾乎沒(méi)有預(yù)報(bào)時(shí)效。因此在認(rèn)知下?lián)舯┝骼走_(dá)先兆特征的基礎(chǔ)上，一些下?lián)舯┝髋R近預(yù)報(bào)算法被提出。最初的算法僅基于下?lián)舯┝髟诶走_(dá)反射率因子及其反演產(chǎn)品中的先兆特征(例如風(fēng)暴質(zhì)心高度和垂直液態(tài)水含量VIL的快速下降)而設(shè)計(jì)(Roberts and Wilson，1989；Wolfson et al，1994)，預(yù)報(bào)成功率非常有限。Smith et al(2004)綜合使用雷達(dá)反射率因子和徑向速度等數(shù)據(jù)得到風(fēng)暴單體的26個(gè)雷達(dá)特征量來(lái)預(yù)報(bào)下?lián)舯┝?，該算?Damaging Downburst Prediction and Detection Algorithm)在美國(guó)的WSR-88D系統(tǒng)中運(yùn)行。

我國(guó)新一代多普勒天氣雷達(dá)網(wǎng)的建設(shè)始于1998年。俞小鼎等(2006)首次利用我國(guó)新一代多普勒天氣雷達(dá)資料對(duì)2003年6月6日發(fā)生在安徽的一次系列下?lián)舯┝鬟^(guò)程進(jìn)行了詳細(xì)分析。在這之后，有許多氣象學(xué)者基于多普勒天氣雷達(dá)觀測(cè)到的下?lián)舯┝髻Y料進(jìn)行了個(gè)例分析，例如：畢旭等，2007；吳芳芳等，2009；程月星等，2018；郭英蓮和孫繼松，2019；沈杭鋒等，2019；龍柯吉等，2020；俞小鼎和鄭永光，2020。楊璐等(2018)分析了北京地區(qū)雷暴大風(fēng)不同生命期內(nèi)的雷達(dá)統(tǒng)計(jì)特征及預(yù)警提前量。

我國(guó)的一些氣象工作者也在下?lián)舯┝鞯淖R(shí)別和臨近預(yù)報(bào)技術(shù)方面開(kāi)展了一些研發(fā)工作。基于低仰角徑向速度中的小尺度徑向輻散特征的下?lián)舯┝髯R(shí)別算法被研發(fā)(張鋼等，2011；陶嵐和戴建華，2011；杜牧云等，2015;2017)。李國(guó)翠等(2014)利用雷達(dá)反射率因子三維拼圖數(shù)據(jù)開(kāi)展了雷暴大風(fēng)識(shí)別技術(shù)研究。羅輝等(2015)依據(jù)反射率因子核的快速下降和中層徑向輻合特征，設(shè)計(jì)了下?lián)舯┝鞒隽鲝?qiáng)度公式。王興等(2019)基于風(fēng)暴核頂高的快速下降和中層徑向輻合特征來(lái)實(shí)現(xiàn)下?lián)舯┝鞯闹悄茴A(yù)報(bào)。王萍和牛智勇(2014)和肖艷姣(2018)使用不同的方法研發(fā)了中層徑向輻合(mid-altitude radial covergence,MARC)特征自動(dòng)識(shí)別算法。周康輝等(2017)在地面氣象觀測(cè)站大風(fēng)記錄的基礎(chǔ)上，結(jié)合多源數(shù)據(jù)，利用模糊邏輯算法，實(shí)現(xiàn)雷暴大風(fēng)與非雷暴大風(fēng)的有效識(shí)別，可對(duì)雷暴大風(fēng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。孫京等(2019)通過(guò)云模型和支持向量機(jī)等方法從諸多風(fēng)暴單體的雷達(dá)特征量中篩選出9個(gè)下?lián)舯┝黝A(yù)報(bào)因子，利用Bayes和BP神經(jīng)網(wǎng)絡(luò)兩種方法建立了下?lián)舯┝髋R近預(yù)報(bào)模型。

本文提出一種綜合使用雷達(dá)和探空觀測(cè)資料的下?lián)舯┝髋R近預(yù)報(bào)算法。在對(duì)雷達(dá)基數(shù)據(jù)進(jìn)行地物雜波抑制和徑向速度退模糊以及對(duì)探空資料進(jìn)行處理得到0℃、-20℃和最小相當(dāng)位溫高度的基礎(chǔ)上，該算法首先進(jìn)行風(fēng)暴單體識(shí)別追蹤和冰雹指數(shù)的計(jì)算；然后進(jìn)行MARC特征和中氣旋識(shí)別，并使之與識(shí)別的風(fēng)暴單體相關(guān)聯(lián)；最后提取諸多風(fēng)暴單體的雷達(dá)特征量，經(jīng)批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€(gè)例統(tǒng)計(jì)分析后挑選出9個(gè)下?lián)舯┝鞯睦走_(dá)先兆因子作為模糊邏輯法的輸入，建立下?lián)舯┝髋R近預(yù)報(bào)方程。

1 資料和預(yù)處理

文中用于風(fēng)暴單體雷達(dá)特征量統(tǒng)計(jì)分析的資料包含2010—2016年的CINRAD-SA/SB(China New Generation Weather Radar-S Band A/B Type)型雷達(dá)觀測(cè)的基數(shù)據(jù)(武漢、襄陽(yáng)、荊州、宜昌、恩施、十堰和隨州)、SWAN系統(tǒng)(Severe Weather Automatic Nowcast System)雷達(dá)拼圖數(shù)據(jù)(27°～35°N、105°～117°E)、湖北省區(qū)域自動(dòng)氣象站觀測(cè)的地面風(fēng)數(shù)據(jù)和探空觀測(cè)數(shù)據(jù)(安康、南陽(yáng)、恩施、宜昌、武漢、長(zhǎng)沙)；用于2015年6月1日個(gè)例分析的雷達(dá)基數(shù)據(jù)來(lái)自岳陽(yáng)雷達(dá)，探空資料來(lái)自當(dāng)日20時(shí)的長(zhǎng)沙站；用于評(píng)估檢驗(yàn)的是2019年6—8月湖北省的雷暴大風(fēng)過(guò)程個(gè)例資料(包括雷達(dá)基數(shù)據(jù)、區(qū)域自動(dòng)氣象站地面大風(fēng)數(shù)據(jù)和探空數(shù)據(jù))。

雷達(dá)基數(shù)據(jù)采用VCP21體掃模式(6 min掃描9個(gè)固定仰角，分別為0.5°、1.5°、2.4°、3.4°、4.3°、6.0°、9.9°、14.6°、19.5°)采樣，雷達(dá)波束寬度約為1°，反射率因子數(shù)據(jù)庫(kù)長(zhǎng)為1 km，徑向速度數(shù)據(jù)庫(kù)長(zhǎng)為250 m。對(duì)雷達(dá)基數(shù)據(jù)的預(yù)處理包含地物雜波抑制(吳濤等，2013)和徑向速度退模糊(肖艷姣等，2012；2016)處理。

下?lián)舯┝鳂颖镜倪x取結(jié)合地面測(cè)風(fēng)數(shù)據(jù)和雷達(dá)觀測(cè)數(shù)據(jù)，范圍限定在距離雷達(dá)10～150 km內(nèi)，主要考慮兩個(gè)因素:一是近距離處雷達(dá)探測(cè)不到風(fēng)暴的中上部信息;二是新一代天氣雷達(dá)的徑向速度最大探測(cè)距離約為150 km;雖然通過(guò)距離退折疊后，其探測(cè)范圍可擴(kuò)展到230 km，但150 km以外的有效速度信息很少。針對(duì)地面大風(fēng)數(shù)據(jù)，首先剔除了<17.9 m·s-1的數(shù)據(jù)；然后用概率統(tǒng)計(jì)分析方法剔除因地形和設(shè)備異常等原因引起的大風(fēng)站點(diǎn)，即剔除大風(fēng)出現(xiàn)頻次遠(yuǎn)大于站均頻次的站點(diǎn)；最后結(jié)合SWAN系統(tǒng)的雷達(dá)拼圖數(shù)據(jù)剔除冷空氣大風(fēng)和脫離風(fēng)暴母體一定距離的陣風(fēng)鋒大風(fēng)，具體方法為：對(duì)于出現(xiàn)了大風(fēng)的站點(diǎn)，如果其周?chē)?0 km范圍內(nèi)有面積大于100 km2的40 dBz以上的回波和面積大于40 km2的50 dBz以上的回波，則認(rèn)為該站是因雷暴引起的大風(fēng)，否則被剔除。將保留的地面大風(fēng)與大風(fēng)發(fā)生前6 min最低仰角質(zhì)心距離站點(diǎn)10 km范圍內(nèi)的風(fēng)暴進(jìn)行匹配，能與風(fēng)暴單體匹配上的地面大風(fēng)被確定為下?lián)舯┝鞔箫L(fēng)。

對(duì)于探空觀測(cè)數(shù)據(jù)，首先計(jì)算各高度的環(huán)境相當(dāng)位溫(劉健文等，2005)，找到最小相當(dāng)位溫所在高度，其次使用線性插值處理獲取0℃、-20℃的高度。

2 下?lián)舯┝髋R近預(yù)報(bào)方法

圖1給出了下?lián)舯┝髋R近預(yù)報(bào)算法流程圖，其中下?lián)舯┝髋R近預(yù)報(bào)方程是在使用批量下?lián)舯┝骱头窍聯(lián)舯┝鱾€(gè)例對(duì)提取的雷達(dá)特征量進(jìn)行統(tǒng)計(jì)分析后使用模糊邏輯法建立的，下面對(duì)幾個(gè)主要模塊分別進(jìn)行介紹。

圖1 下?lián)舯┝髋R近預(yù)報(bào)算法流程圖Fig.1 Flow chart of downburst nowcasting algorithm

2.1 風(fēng)暴單體識(shí)別、追蹤和冰雹指數(shù)計(jì)算

使用SCIT(storm cell identification and tracking)算法識(shí)別風(fēng)暴單體(Johnson et al，1998)，但對(duì)其中的反射率因子閾值進(jìn)行了調(diào)整，只使用了6個(gè)反射率因子閾值，分別為60、55、50、45、40、35 dBz，其目的是為了提高強(qiáng)風(fēng)暴單體的識(shí)別率。

使用冰雹探測(cè)算法(hail detection algorithm，HDA)(Witt et al，1998)計(jì)算強(qiáng)冰雹指數(shù)(SHI)和強(qiáng)冰雹概率(POSH)，公式如下：

(1)

(2)

其中，

E=5×10-6×100.084ZW(Z)

(3)

(4)

WT=57.5H0-121

(5)

(6)

式中：ZL=40 dBz，ZU=50 dBz，H0和Hm20分別為0℃和-20℃高度，Z為雷達(dá)反射率因子，單位為dBz。

E為冰雹動(dòng)能通量，單位為J·m-2·s-1。WT(H)為基于溫度的權(quán)重函數(shù)，W(Z)為用于定義降雨和冰雹反射率因子轉(zhuǎn)換區(qū)的權(quán)重函數(shù)，WT為與零度層高度有關(guān)的冰雹警報(bào)閾值，單位為J·m-1·s-1。

對(duì)于識(shí)別出來(lái)的風(fēng)暴單體，如果其VIL<5 kg·m-2則被舍棄，余下的風(fēng)暴單體根據(jù)VIL值從大到小排序，用字母A～Z加數(shù)字0～19(比如A0，B19)標(biāo)記識(shí)別出來(lái)的風(fēng)暴單體。

基于移動(dòng)路徑最短原則對(duì)相鄰體掃時(shí)次的風(fēng)暴單體進(jìn)行匹配，其中使用最大反射率因子、風(fēng)暴單體底高、移動(dòng)速度和方向作為約束，即相鄰體掃時(shí)次的同一風(fēng)暴單體的最大反射率因子的變化不能超過(guò)12 dBz，移動(dòng)速度不能超過(guò)120 km·h-1，移動(dòng)方向與前一體掃時(shí)次所有風(fēng)暴單體的平均移動(dòng)方向的偏差不能大于60°，底高變化不能超過(guò)2 km。Han et al(2009)討論了移動(dòng)速度動(dòng)態(tài)閾值Smax選擇方法，根據(jù)風(fēng)暴回波面積大小設(shè)置了三組閾值，當(dāng)面積<300 km2時(shí)，Smax=100 km·h-1；當(dāng)300≤面積<500 km2時(shí)，Smax=150 km·h-1；當(dāng)面積≥500 km2時(shí)，Smax=200 km·h-1。由于本文是識(shí)別風(fēng)暴核，面積不是特別大，故設(shè)置Smax=120 km·h-1。在匹配過(guò)程中，對(duì)風(fēng)暴合并和分裂進(jìn)行了處理。如果當(dāng)前時(shí)次的一個(gè)風(fēng)暴單體同時(shí)匹配上前一時(shí)次的兩個(gè)風(fēng)暴單體，即出現(xiàn)風(fēng)暴合并，那么把最大反射率因子變化小的前一時(shí)次的風(fēng)暴單體的標(biāo)號(hào)賦給當(dāng)前時(shí)次的合并單體，前一時(shí)次的另一個(gè)單體就被認(rèn)為消散了；如果當(dāng)前時(shí)次的兩個(gè)風(fēng)暴單體同時(shí)匹配上前一時(shí)次的同一個(gè)單體，即出現(xiàn)了風(fēng)暴分裂，則把前一時(shí)次的風(fēng)暴單體序號(hào)賦給當(dāng)前時(shí)次最大反射率因子變化小的風(fēng)暴單體，另一個(gè)單體當(dāng)成新生單體，賦予新的標(biāo)號(hào)。

2.2 徑向散度和方位渦度切變估計(jì)

使用二維局部線性最小二乘導(dǎo)數(shù)(LLSD)方法估計(jì)徑向散度和方位渦度切變(Elmore et al，1994)。在極坐標(biāo)下，取一個(gè)(2N+1)×(2M+1)大小的二維局地窗口，設(shè)窗口內(nèi)各方位-斜距庫(kù)的徑向速度為ui，j(i=-N，…，0，1,…,N；j=-M，…，0，1,…,M)。以窗口中心為基準(zhǔn)(i=0，j=0)，沿徑向中心以遠(yuǎn)，i為正，沿切向順時(shí)針?lè)较颍琷為正，則窗口中心的徑向散度切變ur和方位渦度切變ua分別為：

(i=-N，…，0，1,…,N；j=-M，…,0，1,…,M)

(7)

(i=-N，…,0，1,…,N；j=-M，…,0，1,…,M)

(8)

式中：Si，j=(r+jΔr)·i·Δφ，r為局地二維窗口中心離雷達(dá)的斜距(單位：km)，Δr為徑向速度數(shù)據(jù)庫(kù)庫(kù)長(zhǎng)(單位：km)，Δφ為波束寬度(單位：弧度)。wi，j為權(quán)重，對(duì)于所有的i和j，都應(yīng)有wij>0，wi，j=w-i，j，wi，j=wi，-j，本文取wi，j=1。如果速度場(chǎng)中有徑向輻合，則ur<0，ur越小，徑向輻合切變?cè)酱?；如果速度?chǎng)中有氣旋性旋轉(zhuǎn)，則ua>0，ua越大，正方位渦度切變?cè)酱蟆?/p>

由于使用LLSD方法計(jì)算徑向散度和方位渦度切變時(shí)使用的是極坐標(biāo)徑向速度數(shù)據(jù)，其方位分辨率隨著離開(kāi)雷達(dá)的距離r而變化，故所取局地窗口大小也隨著r變化。設(shè)徑向輻合核和中氣旋核的大小是某個(gè)常數(shù)D(缺省1.25 km)，那么N，M的取值分別為：

(9)

(10)

式中：(int)表示四舍五入取整。如果M<1，則令M=1；如果M>13，則令M=13。

使用二維局部LLSD方法估計(jì)徑向散度和方位渦度切變后再基于這兩個(gè)參量去識(shí)別MARC特征和中氣旋，相比直接使用相鄰距離或方位庫(kù)的速度差的識(shí)別方法，前者可以減輕徑向速度的質(zhì)量和小尺度自然脈動(dòng)對(duì)識(shí)別的影響。

2.3 MARC特征和中氣旋識(shí)別

肖艷姣(2018)給出了基于極坐標(biāo)三維徑向散度切變數(shù)據(jù)的MARC特征自動(dòng)識(shí)別算法(storm cell radial convergence zone identification，SCRCZI)。本文使用的中氣旋識(shí)別算法與SCRCZI算法類(lèi)似，區(qū)別在于中氣旋識(shí)別是基于極坐標(biāo)三維方位渦度切變數(shù)據(jù)，識(shí)別也分為三個(gè)部分，即一維正方位渦度切變段、二維正方位渦度切變特征和三維正方位渦度切變特征(以下簡(jiǎn)稱(chēng)為一維切變段、二維切變特征和三維切變特征)的識(shí)別，步驟如下：

(1)一維切變段識(shí)別

一維切變段的識(shí)別是沿徑向方向搜尋方位渦度切變大于預(yù)設(shè)閾值(缺省分7級(jí)，分別是70、60、50、40、30、20、10，單位為10-4s-1)的連續(xù)庫(kù)。當(dāng)沿徑向從雷達(dá)處開(kāi)始往外第一次搜索到大于閾值的方位渦度切變庫(kù)時(shí)，那么其后面大于該閾值的連續(xù)方位渦度切變庫(kù)被聚在一起，直到小于該閾值的方位渦度切變庫(kù)被搜索到；如果隨后庫(kù)的方位渦度切變值與該閾值的差≤方位渦度切變差閾值(缺省值為4，單位為10-4s-1)，且滿(mǎn)足條件的連續(xù)庫(kù)的數(shù)量小于中斷計(jì)數(shù)閾值(缺省值為2個(gè))，那么該切變段的搜索繼續(xù)，否則切變段截止在第一個(gè)小于閾值的庫(kù)之前。使用這樣的搜索方法可以減輕速度的小尺度自然脈動(dòng)對(duì)一維切變段搜索的影響。如果切變段的長(zhǎng)度大于段長(zhǎng)度閾值(缺省值為0.95 km)，那么該段就被保存，否則被剔除。每個(gè)切變段的開(kāi)始和結(jié)束的距離庫(kù)、方位、最大和最小速度等參量被記錄。

(2)二維切變特征識(shí)別

當(dāng)一個(gè)仰角的最后一根徑向的一維切變段被搜索完后，基于空間鄰近原則，一維切變段被合并為二維切變特征。相鄰段的合并需滿(mǎn)足兩個(gè)標(biāo)準(zhǔn)：一是2個(gè)段的方位差小于方位間隔閾值(缺省值為1.5°)，二是2個(gè)段在徑向上的重疊距離要大于段重疊閾值(缺省值為0.45 km)。一個(gè)二維切變特征包含的一維切變段數(shù)量必須大于段數(shù)閾值(缺省值為2)，其面積要大于二維切變特征面積閾值(缺省值為3 km2)。在完成所有等級(jí)閾值的二維切變特征識(shí)別后，為了提取最強(qiáng)方位渦度切變區(qū)信息，需要舍棄包裹著高閾值二維切變特征的低閾值二維切變特征。如果高閾值的二維切變特征的中心落在低閾值二維切變特征面積內(nèi)，那么低閾值的二維切變特征被舍棄，但是在被保留的最高等級(jí)閾值的二維切變特征中增加記錄包裹它的最低等級(jí)閾值的二維切變特征的參量信息。對(duì)二維切變特征做尺寸大小、尺寸對(duì)稱(chēng)性和切變對(duì)稱(chēng)性檢查，即使用橢圓擬合二維切變特征，計(jì)算其長(zhǎng)、短軸半徑a和b以及最大、最小速度庫(kù)的連線與連線中點(diǎn)所在雷達(dá)徑向的小夾角α。當(dāng)a≤15 km、a/b≤4、45°≤α≤135°時(shí)，該二維切變特征被保留，否則被舍棄。計(jì)算并保存二維切變特征的一些參量，其中包含中心位置(斜距、方位和仰角)、開(kāi)始和結(jié)束的方位和斜距、最大方位渦度切變、最大最小速度及其所在的方位和斜距及對(duì)應(yīng)的差分方位切變等。

(3)三維切變特征識(shí)別

把保留的二維切變特征按最大方位渦度切變大小排序，之后進(jìn)行垂直關(guān)聯(lián)。每個(gè)被識(shí)別的三維切變特征至少包含連續(xù)仰角的兩個(gè)二維切變特征。垂直關(guān)聯(lián)是從最低仰角開(kāi)始的一個(gè)反復(fù)過(guò)程。首先垂直關(guān)聯(lián)相鄰仰角的中心距離小于閾值(缺省值2.5 km)的二維切變特征，如果有多個(gè)二維切變特征可以關(guān)聯(lián)，那么只選擇垂直積分方位渦度切變最大的那個(gè)二維切變特征進(jìn)行關(guān)聯(lián)。如果第一次垂直關(guān)聯(lián)結(jié)束后還有未被垂直關(guān)聯(lián)的二維切變特征存在，那么把搜索半徑增加到5 km，對(duì)未被垂直關(guān)聯(lián)的所有二維切變特征重復(fù)上面的步驟。如果第二次垂直關(guān)聯(lián)結(jié)束后仍然有未被垂直關(guān)聯(lián)的二維切變特征存在，那么把搜索半徑增加到7.5 km后再次重復(fù)上面步驟進(jìn)行第三次垂直關(guān)聯(lián)。

如果以三維切變特征為中心的20 km半徑內(nèi)沒(méi)有風(fēng)暴單體存在，那么該三維切變特征被刪除。余下的三維切變特征被認(rèn)定為中氣旋，之后計(jì)算中氣旋的一些特征參量，包含垂直積分最大方位渦度切變、6 km以下的最大方位渦度切變和旋轉(zhuǎn)速度(最大正負(fù)速度絕對(duì)值之和的一半)等，把中氣旋按垂直積分最大方位渦度大小排序。

2.4 風(fēng)暴單體雷達(dá)特征參量提取

用距離最近原則，把識(shí)別出來(lái)的MARC特征和中氣旋與風(fēng)暴單體相關(guān)聯(lián)，然后提取風(fēng)暴單體的一些雷達(dá)特征量。從風(fēng)暴識(shí)別算法中可提取風(fēng)暴單體質(zhì)心位置、頂高、底高、VIL及其密度、最大反射率因子及其所在高度、最小相當(dāng)位溫高度附近及其以上高度的最大反射率因子、1 km高度以下的最大絕對(duì)徑向速度和最大徑向輻散等；從冰雹探測(cè)算法中可提取強(qiáng)冰雹指數(shù)SHI和概率POSH等；從風(fēng)暴追蹤算法中可提取風(fēng)暴移動(dòng)速度和方向、VIL的變化、風(fēng)暴頂高和質(zhì)心高度變化；從MARC特征識(shí)別算法中可提取MARC特征的質(zhì)心位置、頂高和底高、垂直積分徑向輻合值、最強(qiáng)徑向輻合分量的強(qiáng)度等級(jí)、1～6 km高度的最大徑向輻合值和徑向方向上的最大最小速度差、最小相當(dāng)位溫高度附近的最大徑向輻合值和徑向方向上的最大最小速度差等；從中氣旋識(shí)別算法中可提取中氣旋的質(zhì)心位置、頂高和底高、直徑、最大旋轉(zhuǎn)速度及其所在高度、最大方位切變及其所在高度、最低4個(gè)方位渦度切變分量的旋轉(zhuǎn)速度和方位切變等。其中有一些特征參量用到了基于探空資料計(jì)算的0℃、-20℃和最小位溫高度，探空資料來(lái)自最接近雷達(dá)體掃時(shí)間且距離風(fēng)暴質(zhì)心最近的探空觀測(cè)。需要說(shuō)明的是：與MARC特征和中氣旋有關(guān)的一些雷達(dá)特征量本可以通過(guò)識(shí)別風(fēng)暴單體后直接從對(duì)應(yīng)的極坐標(biāo)徑向速度、三維徑向散度切變和方位渦度切變數(shù)據(jù)中計(jì)算得到，但是考慮到風(fēng)暴單體的識(shí)別是盡可能識(shí)別強(qiáng)風(fēng)暴核，其對(duì)應(yīng)的徑向速度場(chǎng)中可能不包含完整的MARC特征或中氣旋結(jié)構(gòu)(MARC特征可能部分位于風(fēng)暴后側(cè)中層的入流槽口中，中氣旋核區(qū)可能部分位于弱回波或有界弱回波區(qū)內(nèi))，所以本文采取先識(shí)別MARC特征和中氣旋后再提取相關(guān)雷達(dá)特征參量的方式。

使用2010—2016年湖北省所有新一代天氣雷達(dá)觀測(cè)的降水天氣過(guò)程提取了下?lián)舯┝骱头窍聯(lián)舯┝黠L(fēng)暴單體的18個(gè)雷達(dá)特征量(表略)，并進(jìn)行統(tǒng)計(jì)分析。對(duì)于下?lián)舯┝黠L(fēng)暴單體，選取地面大風(fēng)發(fā)生之前最多1小時(shí)的風(fēng)暴單體雷達(dá)特征量；對(duì)于非下?lián)舯┝黠L(fēng)暴單體，選取其整個(gè)生命史的雷達(dá)特征量。選取較長(zhǎng)時(shí)間的雷達(dá)特征量的目的是為了延長(zhǎng)下?lián)舯┝黝A(yù)報(bào)時(shí)效。結(jié)果表明，下?lián)舯┝骱头窍聯(lián)舯┝黠L(fēng)暴的這18個(gè)特征量都有重疊隸屬部分，篩選出重疊隸屬部分相對(duì)較少的9個(gè)雷達(dá)特征量作為下?lián)舯┝黝A(yù)報(bào)因子(見(jiàn)表1)。此外，分析了產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴單體核心高度、頂高和VIL的時(shí)間變率，發(fā)現(xiàn)這三個(gè)量的快速下降通常發(fā)生在地面大風(fēng)發(fā)生之前的一個(gè)體掃，使用這幾個(gè)量預(yù)報(bào)下?lián)舯┝鞑](méi)有多少預(yù)報(bào)時(shí)效，所以沒(méi)有被作為候選預(yù)報(bào)因子。

2.5 下?lián)舯┝髋R近預(yù)報(bào)方程建立

本文使用模糊邏輯法建立下?lián)舯┝髋R近預(yù)報(bào)方程，公式(11)給出了產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴單體的雷達(dá)特征量x的隸屬函數(shù)F(x)，其中TU和TL分別為高、低臨界值。

(11)

把雷達(dá)特征量作為輸入變量，使用模糊邏輯法建立下?lián)舯┝髋R近預(yù)報(bào)概率方程：

(12)

式中：P為下?lián)舯┝靼l(fā)生的概率，F(xiàn)(xi)和W(xi)分別為雷達(dá)特征量xi的隸屬函數(shù)和權(quán)重，n為輸入變量個(gè)數(shù)。當(dāng)某風(fēng)暴單體的P值大于預(yù)設(shè)閾值(缺省值為50)時(shí)就認(rèn)為該風(fēng)暴單體將在其余下的生命期內(nèi)產(chǎn)生下?lián)舯┝鳌?/p>

表1給出了用于下?lián)舯┝髋R近預(yù)報(bào)的風(fēng)暴單體的各雷達(dá)特征量隸屬函數(shù)的高、低臨界值和權(quán)重，其中隸屬函數(shù)的高、低臨界值是使用2010—2016年發(fā)生在湖北省的下?lián)舯┝鱾€(gè)例和非下?lián)舯┝鱾€(gè)例統(tǒng)計(jì)分析各雷達(dá)特征量的概率分布情況而得到的，權(quán)重是根據(jù)使用單個(gè)雷達(dá)特征量預(yù)報(bào)下?lián)舯┝鞯膿糁新实玫降摹?/p>

表1 用于下?lián)舯┝髋R近預(yù)報(bào)的風(fēng)暴單體雷達(dá)特征量隸屬函數(shù)的高、低臨界值和權(quán)重Table 1 The high and low critical values and weights of the membership function of the storm cell radar signature for downburst nowcasting

3 個(gè)例分析

2015年6月1日21:28(北京時(shí)，下同)左右，“東方之星”客輪在長(zhǎng)江航道湖北監(jiān)利段開(kāi)始側(cè)翻，21:31傾覆，導(dǎo)致442人死亡。兩個(gè)氣象專(zhuān)家組進(jìn)行了現(xiàn)場(chǎng)調(diào)查和多種探測(cè)資料綜合分析，得出相似結(jié)論。孟智勇等(2016)研究表明，客輪在傾覆時(shí)處于一條颮線弓形回波頂點(diǎn)處，根據(jù)樹(shù)木折斷情況估計(jì)遭遇了至少31 m·s-1的強(qiáng)風(fēng)，該強(qiáng)風(fēng)可能是由微下?lián)舯┝骼锏闹本€大風(fēng)或其中的小尺度渦旋(非龍卷)造成。鄭永光等(2016)研究表明，客輪傾覆江段和周邊區(qū)域發(fā)生了顯著微下?lián)舯┝鲗?dǎo)致的強(qiáng)烈大風(fēng)災(zāi)害，估計(jì)最強(qiáng)風(fēng)力超過(guò)12級(jí)，并具有空間分布不連續(xù)、多尺度和強(qiáng)災(zāi)害時(shí)空尺度小等特征。事發(fā)周邊區(qū)域北部的四臺(tái)村養(yǎng)豬場(chǎng)附近樹(shù)林中同時(shí)發(fā)生了多條相鄰的微下?lián)舯┝鳁l跡，呈現(xiàn)出輻散和輻合交替分布的特征。由于微下?lián)舯┝鞒叨确浅Ｐ?，現(xiàn)有地面自動(dòng)氣象觀測(cè)站網(wǎng)沒(méi)有捕捉到這次微下?lián)舯┝鞔箫L(fēng)過(guò)程。

本文使用岳陽(yáng)雷達(dá)觀測(cè)的體掃資料分析了該下?lián)舯┝髋R近預(yù)報(bào)算法的預(yù)報(bào)效果，客輪開(kāi)始側(cè)翻的地點(diǎn)在岳陽(yáng)雷達(dá)極坐標(biāo)中的位置為(339.3°、49.1 km)。使用該算法從北京時(shí)19:31(體掃開(kāi)始時(shí)間，下同)的體掃資料開(kāi)始處理，從長(zhǎng)沙20時(shí)的探空資料獲取0℃、-20℃和最小相當(dāng)位溫的所在高度分別為5.2、8.7和6.4 km(長(zhǎng)沙探空站與客輪側(cè)翻點(diǎn)之間的距離為180 km)。算法從20:11—21:09連續(xù)11個(gè)體掃識(shí)別到標(biāo)號(hào)為A17的風(fēng)暴單體，其中20:52預(yù)報(bào)該單體將產(chǎn)生下?lián)舯┝鳎?0:35—21:27連續(xù)10個(gè)體掃識(shí)別到標(biāo)號(hào)為B5的風(fēng)暴單體，其中20:40—21:21預(yù)報(bào)該單體將產(chǎn)生下?lián)舯┝鳎?1:21—21:38連續(xù)4個(gè)體掃識(shí)別到標(biāo)號(hào)為C1的風(fēng)暴單體，其中21:21和21:27預(yù)報(bào)該單體將產(chǎn)生下?lián)舯┝?。圖2給出了20:35—21:38時(shí)間段的下?lián)舯┝髋R近預(yù)報(bào)結(jié)果。在21:21，算法首次識(shí)別到單體C1，此時(shí)預(yù)報(bào)B5和C1都將產(chǎn)生下?lián)舯┝?，?1:27算法沒(méi)有再預(yù)報(bào)B5將產(chǎn)生下?lián)舯┝?下?lián)舯┝鞲怕蕿?1%)，只預(yù)報(bào)C1將產(chǎn)生下?lián)舯┝鳎髥误wB5消散，2個(gè)體掃后單體C1消散。在21:21，單體B5和C1距離很近，它們的極坐標(biāo)質(zhì)心位置分別為(337.3°、56.6 km)和(346.5°、59.9 km)，單體B5正好位于弓形回波的頂點(diǎn)處，離客輪傾覆地點(diǎn)更近，且移動(dòng)方向正朝向客輪傾覆地點(diǎn)。Wilson et al(1984)認(rèn)為典型的導(dǎo)致微下?lián)舯┝鞯南鲁翚饬鲝?qiáng)度達(dá)到峰值后的0～10 min內(nèi)會(huì)影響到地面，考慮到一個(gè)體掃周期為6 min，我們認(rèn)為是單體B5產(chǎn)生的微下?lián)舯┝鲗?dǎo)致了“東方之星”客輪的側(cè)翻。圖3對(duì)單體B5的雷達(dá)特征量隨時(shí)間的變化進(jìn)行了分析。

圖2 2015年6月1日20:35—21:38基于岳陽(yáng)雷達(dá)的下?lián)舯┝黝A(yù)報(bào)結(jié)果疊加0.5°仰角反射率因子(圖中字母是預(yù)報(bào)會(huì)產(chǎn)生下?lián)舯┝鞯娘L(fēng)暴,白色風(fēng)桿不表示風(fēng)向和風(fēng)速，只表示該風(fēng)暴單體將會(huì)產(chǎn)生下?lián)舯┝?，風(fēng)桿的南端點(diǎn)是MARC質(zhì)心位置;黃色圓圈是識(shí)別的中等強(qiáng)度中氣旋，圖2i中的空心三角形所在處為客輪傾覆地點(diǎn))Fig.2 Downburst forecast results superimposed on the 0.5° elevation reflectivity factor map at 20:35-21:38 BT 1 June 2015 based on Yueyang Radar(Letters represent the storm predicted to produce downburst; white wind pole does not indicate the wind direction and speed, but the storm cell to produce downburst; the southern end of wind pole is the position of MARC centroid, yellow circle is the identified moderate intensity mesocyclone, and hollow triangle in Fig.2i is the capsizing point of the passenger ship)

從圖3a和3b可看出，該單體的最大反射率因子(ZMAX)、最小相當(dāng)位溫高度附近的最大反射率因子(ZTH)、頂高(HT)、底高(HB)、質(zhì)心高度(HC)、垂直積分液態(tài)水含量(VIL)和強(qiáng)冰雹指數(shù)(SHI)都有一個(gè)先增加達(dá)到最大值后逐漸減小的趨勢(shì)，且在最后一個(gè)體掃，HT和VIL快速下降。從圖3c可看出，MARC特征的垂直積分徑向輻合量IMARC和最小相當(dāng)位溫高度附近的徑向輻合量CMTH都有一個(gè)先增加后減小的趨勢(shì)，但是它們達(dá)到峰值的時(shí)間要落后于基于反射率因子得到的一些雷達(dá)特征量。從圖3d可看出，在單體B5生命周期的大部分時(shí)間里，中氣旋的旋轉(zhuǎn)速度都只維持弱中氣旋，只有最后3個(gè)體掃才達(dá)到中等強(qiáng)度中氣旋；1～6 km 高度徑向上的最大、最小速度差幾乎都大于20 m·s-1，最大徑向輻合等級(jí)RCL都≥40×10-4s-1，表明存在顯著的中層徑向輻合特征。從圖3e可看出，只有在單體B5生命周期后半段的5個(gè)體掃時(shí)間，風(fēng)暴底位于1 km以下；在21:21，風(fēng)暴底的最大絕對(duì)徑向速度MRV01達(dá)到最大(22.5 m·s-1)，徑向輻散值MDIV也達(dá)到最大(104×10-4s-1)，且出現(xiàn)一個(gè)陡升現(xiàn)象。從圖3f可看出，從20:41—21:21，單體B5產(chǎn)生強(qiáng)冰雹的概率都不大于16%，產(chǎn)生下?lián)舯┝鞯母怕识即笥?0%，最早預(yù)報(bào)單體B5將產(chǎn)生下?lián)舯┝鞯臅r(shí)間比“東方之星”客輪傾覆時(shí)間提前了47 min。

圖3 2015年6月1日導(dǎo)致“東方之星”客輪傾覆的風(fēng)暴單體的(a～e)雷達(dá)特征量、(f)預(yù)報(bào)的下?lián)舯┝骱蛷?qiáng)冰雹的概率的時(shí)間序列(a)HT、HB、HC、ZMAX和ZTH,(b)VIL和SHI,(c) IMARC和CMTH,(d)DV16、DV06和RCL,(e) MRV01和MDIV01Fig.3 Time series of radar characteristics, (a-e) predicted downburst and (f) severe hail probability of the storm cell triggering the capsizing of “Oriental Star” Passenger Ship on 1 June 2015(a) HT, HB, HC, ZMAX, and ZTH, (b) VIL and SHI, (c) IMARC and CMTH, (d) DV16, DV06 and RCL, (e) MRV01 and MDIV01

圖4給出了21:21—21:32時(shí)段3個(gè)體掃時(shí)次的0.5°仰角的徑向速度，從圖中可看出，在21:21，弓形回波頂點(diǎn)后側(cè)有一塊負(fù)速度大風(fēng)核區(qū)，但是不存在輻散式的正負(fù)速度對(duì)；到21:27，弓形回波頂點(diǎn)后側(cè)出現(xiàn)3塊相鄰的正負(fù)速度對(duì)，不過(guò)正速度大小和面積都不大(見(jiàn)圖中虛線橢圓區(qū))；到了21:32，弓形回波頂點(diǎn)后側(cè)的3個(gè)輻散式的正負(fù)速度對(duì)非常清晰，表明發(fā)生了相鄰的3個(gè)下?lián)舯┝鳌?/p>

圖4 2015年6月1日(a)21:21，(b)21：27，(c)21:32岳陽(yáng)雷達(dá)觀測(cè)的0.5°仰角徑向速度(圖中紅色橢圓為徑向輻散區(qū))Fig.4 Radial velocity at 0.5° elevation observed by Yueyang Radar at (a) 21:21 BT， (b) 21：27 BT， (c) 21:32 BT 1 June 2015(The red ellipses are the radial divergence areas)

4 預(yù)報(bào)效果評(píng)估

使用湖北省2019年6—8月的17個(gè)雷暴大風(fēng)過(guò)程(表2)對(duì)下?lián)舯┝黝A(yù)報(bào)擊中率進(jìn)行了評(píng)估，評(píng)估范圍為距離雷達(dá)10～150 km。由于本算法是在識(shí)別風(fēng)暴單體的基礎(chǔ)上進(jìn)行下?lián)舯┝髋R近預(yù)報(bào)，在挑選個(gè)例時(shí)，未考慮冷空氣疊加雷暴大風(fēng)的個(gè)例；評(píng)估時(shí)，盡量不考慮陣風(fēng)鋒(對(duì)應(yīng)弱回波或無(wú)回波)引起的大風(fēng)。評(píng)估方法為：在區(qū)域自動(dòng)氣象站出現(xiàn)大風(fēng)之前1小時(shí)內(nèi)和站點(diǎn)周?chē)?0 km范圍內(nèi)(以統(tǒng)計(jì)風(fēng)暴平均移速40 km·h-1為依據(jù))，如果有風(fēng)暴單體被識(shí)別且其最大反射率因子≥35 dBz，那么當(dāng)下?lián)舯┝鞲怕省?0%時(shí)，則判斷該站點(diǎn)預(yù)報(bào)下?lián)舯┝髡_，否則為漏報(bào)；如果沒(méi)有風(fēng)暴單體被識(shí)別或者有風(fēng)暴單體被識(shí)別但是其最大反射率因子<35 dBz時(shí)，則認(rèn)為該站點(diǎn)大風(fēng)為非下?lián)舯┝鞔箫L(fēng)，不參加評(píng)估。這種評(píng)估方法不能完全排除脫離風(fēng)暴母體40 km 內(nèi)的出流大風(fēng)的影響，但是考慮到這種出流也是從母體脫離的，如果預(yù)報(bào)了下?lián)舯┝饕菜阏_。

表2 用于評(píng)估的雷暴大風(fēng)天氣個(gè)例Table 2 Thunderstorm and gale weather cases for assessment

以各雷達(dá)為中心，統(tǒng)計(jì)10～150 km范圍內(nèi)的區(qū)域地自動(dòng)氣象站觀測(cè)到的雷暴大風(fēng)共有353站次(當(dāng)相鄰雷達(dá)間距小于300 km，且選取的個(gè)例落在其觀測(cè)重疊區(qū)域時(shí)，會(huì)重復(fù)統(tǒng)計(jì))，其中識(shí)別出風(fēng)暴單體并正確預(yù)報(bào)有下?lián)舯┝鞔箫L(fēng)的有242站次，平均預(yù)報(bào)時(shí)效為39 min；識(shí)別出風(fēng)暴單體但沒(méi)有預(yù)報(bào)有下?lián)舯┝鞔箫L(fēng)的有38站次(下?lián)舯┝靼l(fā)生概率位于35%～49%)，其中回波面積很小的有6站次，在下?lián)舯┝靼l(fā)生后預(yù)報(bào)有下?lián)舯┝鞯挠?站次；未識(shí)別出風(fēng)暴單體由陣風(fēng)鋒(有窄帶弱回波)產(chǎn)生的大風(fēng)有40站次；未識(shí)別出風(fēng)暴單體且?guī)缀鯚o(wú)回波的大風(fēng)有33站次(距離雷達(dá)較遠(yuǎn)的陣風(fēng)鋒雷達(dá)探測(cè)不到)。去掉弱回波、無(wú)回波的情況，共有280站次的雷暴大風(fēng)可認(rèn)為是下?lián)舯┝鞔箫L(fēng)，正確預(yù)報(bào)242站次，擊中率為86.4%。按照回波形態(tài)分類(lèi)評(píng)估，颮線類(lèi)、線狀對(duì)流類(lèi)(颮線除外)和非線狀對(duì)流類(lèi)風(fēng)暴的下?lián)舯┝黝A(yù)報(bào)擊中率分別為93.2%、90.5%和75.6%。對(duì)于非線狀對(duì)流類(lèi)風(fēng)暴，MARC或后側(cè)入流急流特征沒(méi)有颮線類(lèi)和線狀對(duì)流類(lèi)的那么明顯，這可能是其預(yù)報(bào)正確率較低的原因之一。

5 結(jié)論與討論

(1)綜合使用雷達(dá)反射率因子、徑向速度和基于探空觀測(cè)的0℃、-20℃和最小相當(dāng)位溫高度等資料，基于風(fēng)暴單體識(shí)別追蹤、冰雹指數(shù)計(jì)算、MARC特征識(shí)別和中氣旋識(shí)別等算法，提取風(fēng)暴單體的諸多雷達(dá)特征量，經(jīng)統(tǒng)計(jì)分析挑選出下?lián)舯┝鞯睦走_(dá)先兆因子9個(gè)作為模糊邏輯法的輸入，建立了下?lián)舯┝髋R近預(yù)報(bào)方程。

(2)使用2015年6月1日發(fā)生在監(jiān)利導(dǎo)致“東方之星”客輪側(cè)翻的下?lián)舯┝鱾€(gè)例對(duì)本算法進(jìn)行了測(cè)試，結(jié)果表明本算法從20:41—21:21共有8個(gè)體掃時(shí)次預(yù)報(bào)了引起沉船事件的那個(gè)風(fēng)暴單體將會(huì)產(chǎn)生下?lián)舯┝?，首次預(yù)報(bào)時(shí)間比客輪側(cè)翻時(shí)間早47 min。21:27—21:32，0.5°仰角的徑向速度中出現(xiàn)了輻散式的正負(fù)速度對(duì)，表明下?lián)舯┝鞔箫L(fēng)的發(fā)生。

(3)使用2019年6—8月發(fā)生在湖北省的雷暴大風(fēng)個(gè)例對(duì)本文提出的下?lián)舯┝髋R近預(yù)報(bào)算法進(jìn)行了效果評(píng)估，結(jié)果表明本算法對(duì)下?lián)舯┝髋R近預(yù)報(bào)的擊中率為86.4%，平均預(yù)報(bào)時(shí)效為39 min；按回波形態(tài)分類(lèi)評(píng)估，颮線類(lèi)、線狀對(duì)流類(lèi)(颮線除外)和非線狀對(duì)流類(lèi)風(fēng)暴的下?lián)舯┝髋R近預(yù)報(bào)擊中率分別為93.2%、90.5%和75.6%。

在本算法中沒(méi)有使用識(shí)別的風(fēng)暴單體區(qū)域內(nèi)的徑向速度直接提取與MARC特征和中氣旋有關(guān)的雷達(dá)特征量，而是單獨(dú)識(shí)別了MARC特征和中氣旋后，再把它們與風(fēng)暴單體關(guān)聯(lián)。這樣做的原因是考慮到風(fēng)暴單體的識(shí)別是盡可能識(shí)別強(qiáng)風(fēng)暴核，其對(duì)應(yīng)的徑向速度場(chǎng)中可能不包含完整的MARC特征或中氣旋結(jié)構(gòu)，MARC特征可能部分位于風(fēng)暴后側(cè)中層的入流槽口中，中氣旋核區(qū)可能部分位于弱回波或有界弱回波區(qū)內(nèi)。本文沒(méi)有評(píng)估虛警率，今后將繼續(xù)研發(fā)1 km高度以下的輻散式速度對(duì)和大風(fēng)核的自動(dòng)識(shí)別算法，在此基礎(chǔ)上，結(jié)合地面自動(dòng)站觀測(cè)進(jìn)行下?lián)舯┝髋R近預(yù)報(bào)虛警率的批量評(píng)估。該算法模塊已集成到中國(guó)氣象局武漢暴雨研究所研發(fā)的分類(lèi)強(qiáng)對(duì)流天氣自動(dòng)識(shí)別預(yù)警系統(tǒng)中(崔春光等，2021)，并于2019年開(kāi)始投入業(yè)務(wù)運(yùn)行，今后將在業(yè)務(wù)應(yīng)用中不斷地優(yōu)化算法，特別是需要使用更多的產(chǎn)生下?lián)舯┝鞯墓铝误w風(fēng)暴來(lái)統(tǒng)計(jì)各雷達(dá)特征量，修改下?lián)舯┝髋R近預(yù)報(bào)方程，因?yàn)閷?duì)于線狀對(duì)流和團(tuán)狀對(duì)流來(lái)說(shuō)，很難把地面發(fā)生的大風(fēng)與風(fēng)暴單體進(jìn)行準(zhǔn)確匹配。對(duì)于已出現(xiàn)的下?lián)舯┝鞔箫L(fēng)，將加入1 km以下的大風(fēng)核區(qū)的識(shí)別和0.5°仰角的徑向速度出現(xiàn)的輻散式的正負(fù)速度對(duì)或強(qiáng)輻散區(qū)的識(shí)別。對(duì)于提取的諸多雷達(dá)特征量，今后也將使用機(jī)器學(xué)習(xí)方法進(jìn)行下?lián)舯┝鞯呐R近預(yù)報(bào)技術(shù)研究。