1 引言
航空安全和效率是制约航空业发展和影响航空运输效益的重要因素。风切变、 湍流、 雷暴、 冰雹、 低能见度、 低云、 飞机积冰等天气现象是导致航班延误、 取消以及飞行事故的重要原因（Gerz et al， 2012； Gultepe et al， 2019）。根据国际民航组织统计（ICAO， 2019）， 2015 -2018年由湍流、 风切变或雷暴造成的飞行事故共77起， 占总飞行事故21%。2016 -2020年国内约30.7%的航空安全事件由风切变引起（Lin et al， 2021）。因此， 风切变受到国内外航空运营商、 空中交通管制部门和研究学者的持续关注。
风切变是指风矢量在空中两点之间单位距离上的变化。在航空气象学中， 风切变指飞机在进近着陆或起飞爬升期间遇到强烈而持续的顺风或逆风变化， 且风速变化达到7.7 m·s-1或以上。将发生在距地面500 m高度以下的风切变称为低空风切变， 常伴随下击暴流和锋面出现， 也可由低空急流、 低层逆温、 湍流等引起（Eloubaidy and Plate， 1972； ICAO， 2005； Chan and Lee， 2011； Ito et al， 2020）。遭遇风切变时， 若不及时修正飞机姿态， 飞机极易发生俯仰、 滚转、 偏航和空速突变等危害航空安全和航班正常运行的现象。航空器报告作为真值验证低空风切变的真实性， 在研究和业务运行中常将经航空器验证的低空风切变称为低空风切变事件。风切变同强对流天气具有尺度小、 瞬时性等特点（刘新伟等， 2021）， 使其准确探测并精准预报具有很大挑战性。
风切变的相关研究主要分为三个方向， 即风切变的探测与识别、 预报和预警以及其产生机理的研究。在探测方面， 可利用超声风速计组网构建的低层风切变告警系统（LLWAS）识别水平风切变（Kessler and Edwin， 1985； Stoll， 2012； ICAO， 2016）， 但识别高度有限。采用遥感技术， 如风廓线雷达、 多普勒天气雷达、 测风激光雷达等， 可获得空间风场信息， 克服识别高度的局限性。多普勒天气雷达在雷暴、 冰雹等强对流天气的监测和研究中广泛应用（刘新伟等， 2021； 张蔚然等， 2021）。测风激光雷达（以下简称激光雷达）因其覆盖范围广、 干燥条件下探测性能佳， 可识别危险系数更高的晴空湍流和非湿性低空风切变。激光雷达的探测距离性能受气溶胶粒子影响， 其探测范围约为10 km。降水、 大雾等高消光低能见度会进一步影响探测性能。Oude Nijhuis et al（2018）通过模拟和数据分析研究了不同大气透明度下天气雷达和激光雷达的探测性能： 在透明大气条件下（能见度超过10 km或低消光系数）， 激光雷达的探测范围超过10 km； 在中等消光（低能见度或小雨）时， 激光雷达最大探测范围减小至6 km； 在大雨条件下， 最大探测范围会显著降低至2 km。航空气象中更注重500 m以下、 约6 km范围内的低空风切变， 除少数复杂天气条件下， 激光雷达均可满足探测需求。因此安全、 测风性能佳的激光雷达被广泛应用于国内外机场。2002年， 利用测风激光雷达， 香港机场首次实现低空风切变告警业务化（Shun and Lau， 2002）。此后， 在北京首都机场（张洪玮， 2018a， 2018b； 刘晓英， 2020）、 兰州中川机场（Li et al， 2020a）、 昆明长水机场（范琪等， 2020）、 法国尼斯蓝色海岸机场（Boilley and Mahfouf， 2013）、 斯洛伐克的布拉迪斯拉发机场（Nechaj et al， 2019）、 日本成田机场（Ito et al， 2020）等多地广泛开展基于激光雷达的风切变研究。此外， 还可通过计算涡流耗散率开展低空湍流、 飞机尾流等研究（Chan， 2010； Wildmann et al， 2019）。
风切变的识别原理主要有四种： （1）基于风切变定义即单位距离风速廓线的变化进行识别， 常见算法有下滑道扫描识别法、 单/双斜坡检测法等（Shun and Chan， 2008； 蒋立辉等， 2016）； （2）基于空间散度的识别算法， 该算法最初用来识别阵风锋、 微下击暴流等产生风灾的天气现象， 后续被应用于风切变的识别中， 如超声风速计组网法、 F因子、 二维合成风切变算法、 区域散度算法（RDA）等（Kessler and Edwin， 1985； Wilson et al， 1984； 王楠等， 2007； Li et al， 2020a）； （3）基于图像处理的识别算法， 提取雷达扫描图中风的突变区， 识别并分类； （4）基于飞机惯性参数和空气动力学数据的告警算法， 如空客飞机基于飞行增稳计算机的反应式风切变告警系统， 当风切变导致飞机参数（姿态、 速度、 加速度、 航迹角等）超过一定阈值时， 系统触发告警（Bateman， 1991）。上述算法均可用于激光雷达， 相比较二维合成风切变算法， 其他算法更多地关注识别成功率和效率， 而对风切变三维结构特征和演变过程的刻画还很不足， 还需进一步研究。
模式模拟、 数值同化、 机器学习等方法被应用于风切变机理的研究、 风场结构的再现以及识别告警能力的提升。香港机场利用数值天气预报航空模式（AVM）成功捕捉由复杂地形激发的干扰气流（Chan and Hon， 2015）。Ito et al（2020）利用WRF-LES模拟真实飞行事故， 阐明引起风切变的风场结构和机理。Li et al（2020b）采用10~20 min激光雷达同化资料结合WRF模式， 模拟三维风场结构， 能更好地捕捉低空风切变。Huang et al（2021）通过机器学习的方法训练测风激光雷达数据， 改善风切变及湍流告警系统的性能。同化模拟方面的研究虽然取得很多进展， 但由于时效性和运算量限制， 仍难以提前检测并预报低空风切变的发生， 且模拟结果有待观测资料进一步验证。因此， 有必要对低空风切变事件进行持续的、 空间的特征分析， 以帮助了解研究区域低空风切变的特点及触发机制。
兰州中川国际机场（以下简称中川机场）北部处于乌鞘岭起伏山地背风坡， 西部是祁连山山脉， 西南方向为秦王川盆地， 东邻兰州新区。该区域为典型的山地型内陆机场， 净空条件好， 但受周围山脉和兰州新区建筑群影响， 易发生风切变， 其发生率排名全国第三、 西北地区第一（Lin et al， 2021）。该机场周围山脉分布导致山顶附近风速较大， 对跑道北端的风场影响较大； 建筑物可导致局部乱流扰动增加， 对跑道南端风场影响大（蒋立辉等， 2018）。国内类似的内陆机场还有青海曹家堡机场、 银川河东机场、 新疆地窝堡机场、 昆明长水机场等， 均属于山脉附近的盆地或似盆地地形， 易受局地热对流、 周围复杂地形和建筑群等因素影响。但不同于其他山地型内陆机场， 中川机场低空风切变事件多发生在夏季， 受地形和天气的综合影响导致其独特的季节特征。本文统计分析2009 - 2018年低空风切变事件， 并针对激光雷达观测期间的风切变个例开展深入研究， 为进一步了解该区域的风切变特征和触发机制、 提高低空风切变预报预警能力提供科学支撑。
2 识别算法
二维合成风切变算法的原型是由Harris et al（1985）基于天气雷达提出的， 被用于检测阵风锋、 微下击暴流、 冷锋等产生风切变的天气（王珊珊， 2007）， 并被诸多学者进一步优化广泛应用于激光雷达识别风切变（胡明宝等， 2000； 王楠等， 2007； 范琪等， 2020）。该算法首先根据“拟合窗口”M×N的尺寸， 确定计算每个二维合成风切变因子（CS ）的数据集大小m×n。然后， 根据数据集中m个径向数据和n个切向数据， 分别计算距离库（i， j）处的一维径向切变（CRs ）和切向切变（CAs ）， 进而得到二维合成风切变因子（CS ）。若CS 大于等于阈值， 则判定该区域存在风切变。具体算法如下：
一维径向切变CRs ：
式中： vj 为窗口中切向第j个距离库的径向速度； rj 为窗口中切向第j个距离库相对于激光雷达的距离。Δr为第1个和第m个距离库中心点的距离； LR 为距离库的单位长度（雷达径向分辨率）； ΔR为“拟合窗口”径向总长度， 即Δr+LR。a是“拟合窗口”内m个一维径向数据通过最小二乘法得到的斜率。
一维切向切变CAs ：
式中： vi 为窗口中第i个距离库的径向速度； θi 为窗口中第i个距离库相对于激光雷达的夹角。b是“拟合窗口”内n个一维切向数据通过最小二乘法得到的斜率； θR 为激光雷达的角度分辨率； Δθ为“拟合窗口”切向总夹角。
根据式（1） 和式（3） 计算得到二维合成风切变因子CS ：
“拟合窗口”中包含数据集的大小会影响识别效果。本文选用两种不同的“拟合窗口”方法： （1）固定窗口法， 结合激光雷达的性能参数、 低空风切变的空间尺度、 航空器尺寸， 选取固定窗口M×N=3×3（即径向为3×200 m， 切向为3×3°）作为“拟合窗口”进行识别； （2）自适应窗口法（闫文辉等， 2019）， 根据600 m、 1000 m、 1600 m、 2000 m尺度下低空风切变因子（S）， 确定该距离库“拟合窗口”（M×N）的大小， 即S最大值所对应的窗口大小即为该距离库的最优窗口。本文在窗口600~2000 m的尺度范围内， 选取二维合成风切变因子的阈值为CS ≥0.004 s-1。
3 观测数据及质量控制
本文利用2009-2018年交通管制部门收集的航空器报告和观测数据， 统计分析中川机场的低空风切变事件特征。航空器报告包括低空风切变、 湍流、 雷暴、 飞机积冰、 火山灰等危害航空安全的天气现象， 数据信息会受到航班量、 机型、 航空器驾驶员主观因素等方面的影响， 但也是目前唯一可验证的真值。为便于统计， 使用民航规定的跑道编号， 即跑道南端为R36， 跑道北端为R18。将机场标高（1947.2 m）作为距地面高度的基准面， 统一航空器报告中的高度信息。其他观测数据为跑道端的自动观测气象站数据和人工观测数据， 包括温度、 气压、 湿度、 地面风速、 地面风向、 云、 天气现象等要素。
激光雷达发射并接收气溶胶粒子散射的信号， 反演得到风向和风速数据， 因其时空分辨率高、 数据获取量高、 安全性能好等优点， 被广泛应用于风能研究。本文研究主要使用中川机场2016年5月至2017年11月激光雷达的遥感观测资料， 选取3°和6°仰角平扫模式（PPI）下以及垂直扫描模式（RHI）获得的径向风速数据。测风激光雷达windcube 400s-at型由法国LEOSPHERE公司生产， 同类型激光雷达还曾用于丹麦理工大学和法国巴黎戴高乐国际机场（Thobois et al， 2019）， 主要性能参数如表1 。激光雷达数据的质量控制分为两个部分： 第一部分对基数据进行填补和剔除， 参考梁海河等（2002）提出的“K-领域频数法”， 填补缺测点、 剔除噪声点， 参数阈值设置为： 噪声阈值K1 =3， 缺测填补阈值K2 =4； 第二部分为风切变识别算法的预处理， 采用中值滤波方法可进一步减少径向速度噪声， 同时有效地保留径向速度中的小尺度结构（闫文辉等， 2019； 王楠等， 2007）。
表 1 激光雷达主要性能参数Table 1 Lidar main parameters |
| 主要性能 | 参数 |
|---|---|
| 波长 | 1.54 μm |
| 扫描方式 | PPI、 RHI、 DBS、 FixedLOS、 Composite |
| 方位角范围 | 0°~360° |
| 俯仰角范围 | -10°~190° |
| 角度分辨率 | 0.1° |
| 最大探测距离 | 14000 m |
| 最小探测距离 | 400 m |
| 距离库长 | 200 m |
| 径向风速范围 | -30~30 m∙s-1 |
| 径向风速精度 | ＜0.5 m∙s-1 |
4 低空风切变事件统计分析
2009 -2018年， 兰州辖区内航班起降量持续增长， 由每年28424架次增加至110208架次， 年均增长率为17.5%。航班量的增加， 导致遭遇低空风切变的频次增多。十年期间， 共收到198份低空风切变事件报告， 共发生256次雷暴天气过程， 均呈增长趋势， 如图1 所示。低空风切变事件年均增长速率24.9%， 除2014年外， 其增长率均大于航班量的增长率（17.5%）。Lin et al（2021）也指出2016 - 2018年全国低空风切事件呈稳步增长。低空风切变事件的发生率还受到探测设备更换、 航空器驾驶员操作、 管制员指挥和预报员预报能力提升等诸多主观因素的影响。随着航班量的日益增加， 应该更加重视低空风切变带来的危害。
中川机场7 -10月受旅游业和暑运影响航班量迅速增加， 雷暴天气集中出现在6 -8月（65.8%）， 均呈单峰分布（图2 ）。不同于航班量和雷暴， 低空风切变事件年变化呈双峰分布， 4 -7月出现第一个峰值， 主要受春季湍流或初夏局地小尺度对流天气影响； 8 -10月出现第二个峰值， 主要由对流天气或低空急流引起。天气的逐月变化是导致低空风切变事件季节性变化的主要因素。然而， 低空风切变事件并没有随着雷暴天气和航班量的增加在7、 8、 9月达到峰值， 除春季湍流危险系数高、 难规避外， 主要受到人为因素影响。当发生强对流天气时， 为保障飞行安全， 机组和管制员会主动规避大规模的雷暴云团或强雷暴发生时段。这一人为原因也间接导致两峰峰值差异较大， 但这并不代表实际发生的风切变更少。
如图3 （a）， 根据航空器报告， 低空风切变事件主要发生在200 m以下（109次， 55.1%）， 其中100 m以下出现频次最多（66次， 33.3%）。国内大部分机场低空风切变事件主要出现在300 m以下， 相比较西北地区其他机场（Lin et al， 2021）， 中川机场大部分低空风切变事件发生的位置更低。若飞机遭遇200 m高度以下的低空风切变， 飞行员的预判时间和飞机的可操作性更低， 因此危险系数更大。
根据云况和天气现象等要素将低空风切变事件分四种类型： 强对流型、 弱对流型、 晴天型、 其他型。低空风切变事件发生时伴随雷暴现象， 则判定为强对流型； 若天空中出现积雨云或浓积云但无雷暴现象， 则为弱对流型； 若天空中低云云量少于等于2则为晴空型； 其余发生在多云或非对流型降水时的低空风切变事件则归类为其他型。依据上述分类， 2009 -2018年， 低空风切变事件中67.2%为对流型（133例）， 11.1%为晴空型（22例）。发生时间段如图3 （b）所示集中在午后至傍晚期间（155例， 78.3%）， 主要受对流天气影响。除04:00（北京时， 下同） - 08:00外， 晴空型低空风切变事件在其余各时段均有发生， 因其发生次数少且不伴随任何天气现象， 飞机几乎很难规避， 危险系数更高。发生位置低、 常伴随对流天气、 潜在风险大是中川机场低空风切变事件的显著特征。
5 低空风切变识别与讨论
利用基于固定窗口法和自适应窗口法的二维合成风切变算法， 对2016年5月至2017年11月观测期间收集的18例低空风切变事件进行识别分析， 验证算法有效性的同时确定最优窗口选择方法。然后， 根据识别结果统计该研究区域风切变的三维结构特征。
5.1 二维合成风切变算法识别
基于固定窗口和自适应窗口法识别18例低空风切变事件结果见表2 。两种方法均能成功识别其中15例低空风切变事件， 成功率83.3%。由于激光雷达观测信息不全导致事件12和事件5未能成功识别， 事件9由晴空湍流引起， 激光雷达信号弱， 后续可以尝试用低空湍流算法识别。两种方法识别效果如图4 所示， 红色圈为低空风切变事件发生的位置。两种方法均能在红色圈区域有效识别出风切变， 但自适应窗口法识别范围更大， 是由识别窗口包含数据集不同导致的。Li et al（2020a）利用RAD（regional divergence algorithm）算法对同时期低空风切变事件识别的成功率为94.4%（17例）， 但RAD算法更注重识别率， 本文在成功识别的基础上， 更关注风切变结构的重构和研究。
表2 观测期间二维合成风切变算法识别情况Table 2 Recognition of 2D synthetic wind shear algorithm during the trial operation |
| 序号 | 时间 | 出现位置 | 类型 | 固定窗口方法 | 自适应窗口方法 | 未识别原因 |
|---|---|---|---|---|---|---|
| 1 | 2016-05-28T15:11 | 36 | 弱对流型 | Y | Y | |
| 2 | 2016-06-02T15:18 | 36 | 强对流型 | Y | Y | |
| 3 | 2016-06-08T14:15 | 36 | 强对流型 | Y | Y | |
| 4 | 14:27 | 36 | 强对流型 | Y | Y | |
| 5 | 2016-06-10T17:58 | 36 | 强对流型 | N | N | 太远， 激光雷达信息不全 |
| 6 | 2016-06-12T14:41 | 18 | 强对流型 | Y | Y | |
| 7 | 14:46 | 36 | 强对流型 | Y | Y | |
| 8 | 2016-06-14T14:28 | 36 | 弱对流型 | Y | Y | |
| 9 | 2016-06-16T23:29 | 36 | 晴天型 | N | N | 晴天湍流， 激光雷达信号弱 |
| 10 | 2016-07-01T11:17 | 36 | 弱对流型 | Y | Y | |
| 11 | 2016-07-15T16:00 | 36 | 强对流型 | Y | Y | |
| 12 | 2016-09-03T13:10 | - | 弱对流型 | N | N | 起飞阶段， 激光雷达信息不全 |
| 13 | 2016-09-10T12:51 | 36 | 强对流型 | Y | Y | |
| 14 | 12:56 | 36 | 强对流型 | Y | Y | |
| 15 | 2016-09-20T16:17 | 36 | 弱对流型 | Y | Y | |
| 16 | 2016-10-15T19:28 | 36 | 弱对流型 | Y | Y | |
| 17 | 19:31 | 36 | 弱对流型 | Y | Y | |
| 18 | 20:50 | 36 | 弱对流型 | Y | Y |
N表示未能识别， Y表示成功识别 |
图4 2016年7月1日11:17平扫模式下（PPI）径向风速（a， 单位： m∙s-1）， 基于固定窗口方法（b）和自适应窗口方法（c）的二维合成风切变（单位： s-1）识别图红色圈表示航空器遭遇低空风切变的位置 Fig.4 PPI radial wind speed map （a， unit： m∙s-1） and the 2D synthetic wind shear （unit： s-1） identification map （b~c） based on fixed window method （b） and adaptive window method （c） at 11:17 on July 1， 2016.Red circle indicates the location where aircraft encounters low-level wind shear |
2016年5月至2017年11月受季节影响， 低空风切变事件中17例均由对流天气诱发， 对比对流天气下多普勒天气雷达观测与风切变识别结果。2016年6月27日15:40中川机场北侧出现大范围强对流回波（图6 ）， 由西北向东北方向移动。此时激光雷达的径向风速图如图5 （a）所示， 基于自适应窗口法的二维合成风切变算法也在中川机场北侧识别出大范围风切变区域。对比图5 （b）和图6 （a）发现， 风切变区域均出现在雷达回波内侧， 即更靠近机场的弱回波或是无回波区， 这一方面与激光雷达的探测机理有关， 另一方面说明对流诱发的风切变出现在云外上升气流和下沉气流辐合区域， 或者是下沉气流到达地面后形成的阵风锋区域。该区域常因没有伴随的天气现象和云而被忽视， 但其危险性极高， 由图5 （b）中的风切变因子可以看出， 强反射率因子区域对应着强风切变因子， 在中川机场东北方向达到最强（>0.012 s-1）。因此， 基于自适应窗口方法的二维合成风切变算法能很好地识别由对流诱导的风切变， 利用多普勒天气雷达的径向风速数据可弥补并进一步探究对流云团内部或激光雷达探测盲区处的风切变情况。下文将在兼顾算法识别有效性的同时， 选用自适应窗口法， 以典型事件为例， 对风切变的连续演变和三维结构进行深入研究。
图5 2016年6月27日15:40 平扫模式下（PPI）径向风速图（a， 单位： m∙s-1）和基于自适应窗口方法的二维合成风切变识别图（b， 单位： s-1）Fig.5 PPI radial wind speed map （a， unit： m∙s-1） and the 2D synthetic wind shear identification map （b， unit： s-1） based on adaptive window method at 15:40 on June 27， 2016 |
5.2 典型风切变个例分析
2016年7月1日11:17航空器报告机场南端（R36）出现低空风切变事件， 属于易诱发风切变的典型对流型天气， 中川机场67.2%的低空风切变事件皆由此类对流型天气诱发， 与双流机场相似均受到500 hPa高空槽影响（李典南和许东蓓， 2021）。同时， 该事件得到激光雷达在不同仰角和扫描模式下的全程连续监测。结合常规气象数据和欧洲中心再分析资料， 利用自适应窗口法的二维合成风切变算法， 对此次低空风切变事件及其演变过程进行详细分析。中川机场不同于其他内陆山地型机场， 其夏季出现低空风切变事件的频率大于春季。因此， 分析该个例， 有助于了解对流天气下低空风切变的演变过程。
5.2.1 天气过程背景分析
7月1日08:00， 200 hPa、 500 hPa形势场（图略）为典型的两槽一脊型， 弱高压位于贝加尔湖以北， 700 hPa形势场（图略）中川机场均位于槽后的西北气流和弱冷平流中。低层为明显暖平流［图4 （a）］， 气层不稳定， 易诱发对流天气， 是形成低空风切变的典型天气形势。11:05 -11:32低空风切变演变期间（图7 ）， 温度和气压基本保持不变， 受降水影响相对湿度较大， 跑道R36端风向和风速没有显著变化。仅凭地面气象要素分析很难发现低空风切变， 因此须借助测风激光雷达观测进一步分析判断。
图7 2016年7月1日08:00 -14:00气象要素温度（a， 单位： ℃）、 相对湿度（b， 单位： ％）、 气压（c， 单位： hPa）， 以及R18（d）、 R36（e）跑道两分钟平均风速（单位： m∙s-1）和风向［单位： （°）］ 随时间的演变灰色区间（11:05 -11:32）表示低空风切变演变区间； 黑色竖线为发生低空风切变的时刻 Fig.7 Evolution of meteorological elements temperature （a， unit： ℃）， relative humidity （b， unit： %）， air pressure （c， unit： hPa）， and two-minute average wind speed （unit： m∙s-1） and wind direction ［unit： （°） ］at runways R18 （d） and R36 （e） over time from 08:00 to 14:00 on July 1， 2016.The gray range （11:05 -11:32） represents the interval of low-level wind shear evolution.The black vertical line indicates the moment when low-level wind shear occurs |
5.2.2 采用二维合成风切变算法的识别分析
风切变在空间呈立体结构存在， 可发生在空中任意高度。基于二维合成风切变算法分析事件发生期间风切变的空间结构， 即对PPI扫描模式下3°、 6°仰角和RHI扫描模式的数据进行识别。通过对3°和6°仰角识别面积的对比， 判断其所处空间高度（图9 ）。例如， 本场北侧和东南侧风切变3°仰角识别面积（S3 ）大于6°仰角识别面积（S6 ）， 说明这两个风切变的空间分布较低。同理得出本场西侧、 西北侧风切变所处位置较高。不同于PPI， RHI扫描模式的垂直识别结果更为直观， 但后者受到方位角的限制只能用于识别某一方向上的风切变。图10 （b）是11:16时刻南北向的RHI扫描模式下的识别图， 发现距离本场激光雷达南侧300~500 m远， 距地面300~1800 m高度的范围内识别出风切变， 即过程二南侧风切变的垂直结构。发展至最强时， 其强度中心距激光雷达350 m远， 距地面1000 m高处， 中心强度Cs为0.019 s-1。
图9 2016年7月1日11:08 -11:25期间二维合成风切变识别结果空间分布（单位： s-1）Fig.9 Spatial distribution of 2D synthetic wind shear identification maps （unit： s-1） during 11:08 -11:25 on 1 July 2016 |
图10 2016年7月1日11:16方位角为360°~180°的距离高度显示产品（RHI）的径向风速图（a， 单位： m∙s-1）和二维合成风切变识别图（b， 单位： s-1）Fig.10 Radial wind speed map （a， unit： m∙s-1） and 2D synthetic wind shear identification map （b， unit： s-1） in Range Height Indicator （RHI） with azimuth angle of 360°~180° at 11:16 on 1 July 2016 |
除此之外， 图10 （b）左侧即本场北侧的高空1600~3000 m范围内出现带状的区域和强中心， 其强度大于0.012 s-1， 说明在高空存在强风切变区域。高空风切变区域可能与对流云有关， 可结合多普勒天气雷达或云雷达等仪器进一步研究。云的形成及其发展的研究中， 风切变也是重要影响因素之一， 但许多研究只是简单的通过高低层风速差来判断风切变强度， 这与实际大气存在较大的误差。因此， 通过对天气雷达和激光雷达的径向风速数据的识别， 可能构建云内外的风切变结构， 从而进一步研究风切变在云形成发展过程中的贡献。与此同时， 若存在足够多的仰角和垂直扫描数据， 通过不同剖面的识别结果， 可刻画出风切变的空间结构， 但这在实际探测中很难实现。
5.3 风切变的三维结构特征
利用上述分析方法， 对观测期间识别结果进行分析， 从而得到该研究区域风切变的三维结构特征， 包括空间分布、 识别尺度、 出现时间、 持续时间及其移动情况。由于RHI扫描模式获得的数据有限， 因此只通过对比不同仰角数据的识别面积来分析风切变在空间的分布情况， 其余分析均为3°仰角下的结构特征。
该区域风切变的空间结构出现在中等（S 3=S 6）和较低（S 3>S 6）高度占比81.1%， 其中较低高度的风切变占比62.2%。中、 低高度的风切变易造成500 m以下的低空风切变事件， 对航空安全影响大。如图11 所示， 风切变的出现时刻主要集中在12:00 - 17:00和21:00 -24:00， 考虑主要受到午后对流天气和夜间低空急流的影响； 水平尺度分布跨度大， 600 m至4500 m之间均有出现， 主要集中在1000~1500 m和2000~2600 m之间， 即该研究区域的风切变水平尺度主要集中在小尺度和中γ尺度。上述识别特征与2009 -2018年低空风切变事件的统计特征相同。
对于连续演变的风切变， 持续时间的精准判断也是影响航班运行效率的重要因素之一。对识别结果统计分析发现， 风切变持续时间多在25 min以内， 主要集中在8~12 min和15~20 min。该研究区域59.5%的风切变无明显地移动， 在出现区域发展并逐渐消散， 考虑主要受局地热对流和夜间低空急流影响； 其余移动型主要受背景风影响， 向偏东南方向移动， 其中向东南方向移动占比23%， 向东方向移动占比9%， 向南方向移动占比6%， 其余方向占2.5%（图略）。
6 结论
本文基于测风激光雷达（Windcube 400s-at型）、 航空器报告、 自动和人工观测数据， 对2009 -2018年间中川机场的低空风切变事件进行特征分析， 基于观测期间识别结果得出该区域风切变的三维结构、 演变过程等特征。
（1） 2009 -2018年低空风切变事件发生频次的增长率大于航班量的增长率； 其年变化呈双峰分布， 4 -7月主要受春季湍流或局地小尺度对流天气影响， 8 -10月主要受到对流天气或低空急流影响。在198例低空风切变事件中， 午后低层出现频率最高， 67.2%出现在午后200 m高度以下， 常伴随对流天气。激光雷达识别结果中， 对流天气诱导的风切变出现在对流云团周围的弱回波或无回波区域， 由云外上升气流和下沉气流辐合， 或者是下沉气流到达地面后形成的阵风锋导致， 雷达回波强度与风切变因子大小相对应。
（2） 利用固定窗口和自适应窗口法的二维合成风切变算法， 成功识别观测期间的15例（83.3%）低空风切变事件， 由于两种方法所含数据集不同导致识别范围不同， 自适应窗口法更适合分析风切变的连续演变。
（3） 通过不同仰角和扫描模式的数据连续检测风切变， 构建其三维结构。2016年7月1日11:17典型对流型低空风切变事件是由发展至成熟阶段的风切变引起， 该过程持续18 min， 并随背景风向东南方向移动， 出现在据激光雷达300~500 m处， 距地面300~1800 m高， 最大水平尺度可达2382 m， 中心位于350 m远1000 m高处， 中心强度为0.019 s-1。
（4） 中川机场区域风切变具有空间分布低、 水平尺度小、 持续时间短的特点， 主要集中在小尺度和γ中尺度， 持续时间在20 min之内。移动型风切变占40.5%， 方向主要受背景风影响。
本文结果有助于风切变发生发展及其消散机理的研究， 同时可指导低空风切变的连续监测和预警， 为机场业务预报预警服务提供参考。后续可根据航空器提供的低空风切变强度、 飞机响应等信息对二维风切变系数进行等级划分。