2018, Vol. 37
2. 中国气象科学研究院灾害天气国家重点实验室, 北京 100081
直线型地面灾害性大风(对流性大风)是对流风暴最常见的天气现象, 它是由对流风暴中的下沉气流到达地面后向四周辐散产生的。真正能造成严重灾害的下沉气流往往是在一片不强下沉气流区中的一股或多股集中的强下沉气流, 即下击暴流(Fujita, 1978)。Wilson et al(1984)根据大量观测数据的统计分析, 认为导致微下击暴流的典型下沉气流的宽度约1 km, 从小于1 km高度开始水平辐散。Hielmfelt(1988)通过分析多普勒雷达及地面气象站网的观测资料, 把下击暴流按出流形态分为孤立的微下击暴流和下击暴流线, 孤立的微下击暴流从其中心往外向各个方向辐散, 而下击暴流线是由至少两个微下击暴流构成一条从线轴往外辐散的连续线, 线的长度至少是其宽度的2倍, 出流方向垂直于线轴方向, 在观测的下击暴流中, 约有1/8是线状的。在环境垂直风切变较弱的情况下, 能产生下击暴流的只有脉冲风暴; 在比较大的环境垂直风切变条件下, 能产生下击暴流的系统有多单体风暴、飑线、弓形回波和超级单体风暴(俞小鼎等, 2012)。预报下击暴流的初始爆发是强对流风暴预报中最具挑战性的内容之一。Fujita et al(1977)已认识到天气雷达探测下击暴流的作用。利用天气雷达探测预警对流性大风的传统方法是通过识别能产生下击暴流的风暴所对应的反射率因子特征来进行的, 这些特征包含弓形回波(Fujita, 1978, 1979)、后侧入流槽口、前侧入流槽口处的强反射率因子梯度、最大回波顶位于低层强反射率因子梯度区之上或之前(Przybylinski et al, 1983)、快速下降的反射率因子核(Roberts et al, 1989)、VIL随时间的快速变化等(李国翠等, 2014)。然而, 仅基于风暴反射率因子特征的灾害性大风预警的成功率非常有限。随着多普勒天气雷达的业务应用, 径向速度特征也被用于对流性大风预警中。Lemon et al(1993)注意到在一个产生了广泛灾害性天气(包括下击暴流)的强降水超级单体的上升和下沉气流的交界面附近存在一个深厚的辐合区(Deep Convergence Zone, DCZ)。Lemon et al(1996)在另一个产生了55 m·s-1的地面大风和15 cm尺寸冰雹的强降水超级单体中也发现了一个10 km厚、50 km长的DCZ。Przybylinski et al(1995)定义了一个预示地面大风的与弓形回波、飑线或超级单体相联系的径向速度特征—中层径向辐合(Mid-Altitude Radial Convergence, MARC), 它被定义为一个对流风暴中层(通常是3~9 km高度)的集中径向辐合区, 代表由前向后的强斜升气流和后侧入流急流之间的过渡区。Eilts et al(1996)通过85个下击暴流或微下击暴流的多普勒天气雷达资料的分析, 发现3个最重要的对流性大风预报因子, MARC特征就是其中之一。Smith et al(2004b)使用基于WSR-88D风暴单体的26个参量来预报下击暴流, 其中也含有多个径向辐合参量。Przybylinski et al(1995)和Schmocker et al(1996)的研究发现, 如果在3~7 km高度上的2~6 km径向距离内的最大速度差值达到25~50 m·s-1, 则认为MARC特征是显著的, 利用显著的MARC特征预报地面大风的提前时间在10~30 min之间。近些年, 较显著的MARC特征作为下击暴流的预警指标之一也被国内气象学者们广泛认识和应用(慕熙昱等, 2007; 姚叶青等, 2008; 肖艳姣等, 2008; 陈贵川等, 2011; 王秀明等, 2012; 徐琪等, 2015)。王萍等(2014)提出了一种从多普勒天气雷达单仰角径向速度图中的“正-负速度区域对”入手的MARC特征图像识别方法, 并使用多个个例验证了MARC特征与下击暴流存在较强的相关性。但是, 在受到强的环境风影响的情况下, 径向辐合区有时表现为极不对称的“正-负速度区域对”, 有时甚至不表现为“正-负速度区域对”。在这种情况下, 基于典型“正-负速度区域对”的MARC特征图像识别方法难以识别出径向辐合区。本文提出另一种基于多普勒天气雷达体扫资料的三维MARC特征自动识别算法, 该算法首先采用二维局地LLSD(Linear Least Squares)方法计算径向速度的径向散度切变(Smith et al, 2004a), 然后使用类似SCIT(Storm Cell Identification and Tracking)算法(Johnson et al, 1998)的风暴单体径向辐合区识别算法(Storm Cell Radial Convergence Zone Identification, SCRCZI)进行三维径向辐合区的识别, 最后使用基于反射率因子数据识别的风暴位置对与强风暴无关的三维径向辐合区进行消空处理, 被保留下来的三维径向辐合区就是被识别出来的三维MARC特征。该算法能较好地识别出与强风暴相关的较为显著的三维MARC特征, 包括表现为非典型“正-负速度区域对”的径向辐合区。
2 径向散度切变估算最常用来描述径向切变的参量为局地径向切变区内的最大正、负速度差值(峰值—峰值法), 这种方法在估计径向切变大小和定位径向切变中心时存在不确定性, 因为这种方法会受到噪声、最大正负速度特征不对称和雷达视角等因素的影响。Elmore et al(1994)提出使用二维局地LLSD方法来估算径向速度的径向散度切变和方位涡度切变。Smith et al(2004b)把该方法用于DDPDA(Damaging Downburst Prediction and Detection Algorithm)算法中探测低层出流和风暴单体内的中层气流辐合和旋转。
在极坐标下, 取一个(2N+1)(径向)×(2M+1)(切向)大小的二维局地窗口, 设窗口内, 各方位-斜距库的径向速度为ui, j (i=-N, …, 0, 1, …, N; j=-M, …, 0, 1, …, M)。以窗口中心为基准(i=0, j=0), 沿径向中心以远, i为正, 沿切向顺时针方向, j为正, 则Elmore et al(1994)推导出来的窗口中心的径向切变ur为:
| $ \begin{array}{l} {u_r} = \frac{{\sum\limits_j {\sum\limits_i {i{u_{i, j}}{w_{i, j}}} } }}{{\Delta r\sum\limits_j {\sum\limits_i {{i^2}{w_{i, j}}} } }}, \left({i = - N, \cdots, 0, 1, } \right. \cdots, N;\\ \;\;\;\;\;\;\;\;\left. {j = - M, \cdots, 0, 1, \cdots, M} \right) \end{array} $ | (1) |
式中: Δr为径向速度库的库长; wi, j为权重, 对于所有的i和j, 都应有wij > 0, wi, j=w-i, j, wi, j=wi, -j, 取
由于LLSD方法计算径向散度切变时使用的是极坐标径向速度数据, 其方位分辨率随着离开雷达的距离R而变化, 故所取局地窗口大小也随着R变化。设径向辐合核的大小是某个常数D(缺省2.5 km), 那么N, M的取值分别为:
| $ N = \left({{\mathop{\rm int}} } \right)\left[ {\left({\frac{D}{{\Delta r}} - 1} \right)/2} \right], $ | (2) |
| $ M = \left({{\mathop{\rm int}} } \right)\left[ {\left({\frac{D}{{R\Delta \varphi }} - 1} \right)/2} \right], $ | (3) |
式中: Δφ为雷达波束宽度, 单位:弧度; (int)表示四舍五入取整。如果M < 1, 则令M=1;如果M > 26, 则令M=26。图 1给出了2.5 km的径向辐合核对应的随距离变化的方位数(2M+1), 其中径向速度资料的方位分辨率为1°。
|
图 1 2.5 km的径向辐合核随距离变化的方位数 Figure 1 The number of azimuths used for a 2.5 km wide radial convergence kernel by range |
在计算径向散度切变之前对径向速度数据进行了质量控制, 其中包含速度退模糊(肖艳姣等, 2012)、双PRF模式引起的奇异值修正(肖艳姣等, 2016)和3×3格点的中值滤波。
2015年5月6日晚上, 河南省多地遭受狂风、暴雨和冰雹袭击, 经济损失巨大。图 2为6日20:51(北京时, 下同)由郑州雷达观测得到的2.4°仰角的反射率因子、径向速度及其径向散度切变场。从图 2可见, 有4块强回波, 其中有2个显著的弓形回波1和2, 最大回波强度都大于65 dBZ。在弓形回波1和2的后侧(弓的内侧)都有入流急流(大的负径向速度)存在, 弓形回波附近有强的径向辐合, 但没有表现为显著的“正-负速度区域对”特征, 如果仅通过搜索显著的“正-负速度区域对”特征来识别径向辐合区, 那么在这2处的径向辐合区就不易被识别。回波3的强度比回波1和2的要弱一些, 对应的速度图上有正-负速度区域对, 但速度值要小一些。在径向散度切变场中, 对应回波1, 2和3的后侧都有小于-30×10-4s-1的径向辐合区, 这说明了通过LLSD方法计算径向速度的径向散度切变时不会受到正-负速度区域不对称的影响。此外, 强回波4离雷达比较近, 在2.4°仰角上没有明显的径向辐合特征。
|
图 2 2015年5月6日20:51由郑州雷达得到的2.4°仰角的反射率因子(a)、径向速度(b)及其径向散度切变(c) Figure 2 Reflectivity (a), radial velocity (b) and radial divergence shear (c) fields with the elevation angle at 2.4° obtained using Zhengzhou radar data at 20:51 on 6 May 2015 |
SCRCZI算法与SCIT算法类似, 区别在于SCIT算法处理的是极坐标三维反射率因子数据, 而SCRCZI算法处理的是极坐标径向速度的三维径向散度切变数据。
SCRCZI算法和SCIT类似, 也分3个部分进行, 即一维的径向辐合段、二维的径向辐合分量和三维的风暴单体径向辐合区识别。
径向辐合段的识别是沿径向搜寻径向散度切变值小于预设的径向辐合阈值(缺省分7级, 分别是-80, -70, -60, -50, -40, -30和-20, 单位: ×10-4 s-1)的连续距离库。如图 3所示, 当沿径向从雷达处开始往外第一次搜索到小于径向辐合阈值的径向辐合库时, 那么其后面小于该阈值的连续径向辐合库被聚在一起, 直到大于该阈值的径向辐合库被搜索到, 如果随后库的径向辐合值与该阈值的差小于或等于径向辐合差阈值(缺省值为4, 单位: ×10-4 s-1), 且这样的连续径向辐合库的数量小于中断计数阈值(缺省值为2个), 那么该径向辐合段的搜索继续, 否则径向辐合段截止在第一个大于径向辐合阈值的距离库之前。如果径向辐合段的长度大于段长度阈值(缺省值为1.5 km), 那么该段就被保存, 否则被剔除。图 4显示了3个径向辐合段, 其中阴影区代表被保存的部分(中括号表示大于对应阈值的径向辐合值)。从图 4可看出, 对于那些大于阈值的径向辐合值只有同时满足径向辐合差阈值和中断计数阈值的才能被包含在被保存的径向辐合段中。
|
图 3 沿径向识别-70×10-4, -60×10-4, -50×10-4, -40×10-4, -30×10-4和-20×10-4 s-1阈值的径向辐合段 Figure 3 Identification of -70×10-4, -60×10-4, -50×10-4, -40×10-4, -30×10-4 and -20×10-4 s-1 thresholded radial convergence segments along the radial |
|
图 4 3个径向辐合段(单位: ×10-4 s-1) Figure 4 Three radial convergence segments.Unit: ×10-4 s-1 |
当一个仰角的最后一根径向被处理完后, 基于空间邻近原则, 径向辐合段被合并为二维的径向辐合分量。相邻段的合并需满足2个标准:一是2个段的方位差小于方位间隔阈值(缺省值为1.5°), 二是2个段在径向上的重叠距离要大于段重叠阈值(缺省值为0.45 km)。一个二维径向辐合分量包含的径向辐合段的数量必须大于段数阈值(缺省值为2), 其面积要大于分量面积阈值(缺省值为5 km2)。图 5是一个阈值为-20×10-4 s-1的径向辐合分量, 其中包含了8个径向辐合段。为了提取最强辐合区的信息, 如果低阈值(比如-40×10-4 s-1, 图 6深灰色阴影)的径向辐合分量的中心落在高阈值(比如-30×10-4 s-1, 图 6浅灰色阴影)径向辐合分量面积内, 那么高阈值的径向辐合分量被丢弃(图 6)。此外, 考虑到识别的是中层径向辐合特征, 那些质心高度小于1 km或大于9 km的径向辐合分量也被丢弃。
|
图 5 由阈值为-20×10-4 s-1的径向辐合段(满足方位和距离标准)合并成的二维径向辐合分量 Figure 5 -20×10-4 s-1 thresholded radial convergence component by combing all the -20×10-4 s-1 radial convergence segments, assuming that they meet the azimuthal and range criteria |
|
图 6 2个二维径向辐合分量 Figure 6 Two 2D radial convergence components |
当完成所有仰角的二维径向辐合分量识别后, 对径向辐合分量按质量(各库的径向辐合绝对值与对应库面积的乘积之和)大小排序, 之后进行垂直关联。每个被识别的三维径向辐合区至少包含连续仰角的2个径向辐合分量。垂直关联是从最低仰角开始的一个反复过程。首先垂直关联相邻仰角的分量中心距离小于2.5 km的径向辐合分量, 如果有多个分量可以关联, 那么只选择质量最大的那个分量进行关联。如果第一次垂直关联结束后还有未被垂直关联的径向辐合分量存在, 那么把搜索半径增加到5 km, 对未被垂直关联的所有径向辐合分量重复上面的步骤。如果第二次垂直关联结束后仍然有未被垂直关联的径向辐合分量存在, 那么把搜索半径增加到7.5 km后再次重复上面步骤进行第3次垂直关联。这个过程在所有相邻仰角执行后形成三维径向辐合区(图 7)。最后, 把三维径向辐合区按垂直积分径向辐合大小排序。
|
图 7 被垂直关联的二维径向辐合分量 Figure 7 Associated vertically 2D radial convergence components |
有时被识别出的三维径向辐合区与强风暴无关联, 而是因径向速度资料质量问题或其它原因导致的误判。为此, 算法使用基于反射率因子数据识别的强风暴位置对误判的三维径向辐合区进行消空处理, 当以一个三维径向辐合区的质心位置为中心的5 km半径范围内有强风暴存在时, 该三维径向辐合区才能被保存为MARC特征。为了尽可能地识别出强风暴中心, 在SCIT算法中, 7个反射率因子阈值分别设置为40, 42, 44, 46, 48, 50和52 dBZ, 其它的阈值也做了相应调整。对于每一个MARC特征, 算法计算并保存了多个参量, 其中包括位置(方位和斜距)、底高、顶高、厚度、最小值及其所在高度、垂直积分值等。此外, 被保存的三维MARC特征的最小值必须小于给定阈值(缺省值为-50×10-4 s-1)。
图 8为使用2015年5月6日20:51郑州雷达体扫资料识别的叠加在组合反射率因子上的MARC特征质心位置(用“+”和编号标识), 对应2.4°仰角的反射率因子、径向速度及其径向散度切变(见图 2)。从图 8可见, 算法共识别出6个三维MARC特征, 分别位于2个弓形回波的左半部分和雷达西边25 km处的一个强单体内, 其中编号为5的MARC特征在最高2个仰角被识别。结合图 8和图 2分析可知, 该算法能较好地识别出与强风暴相关的三维MARC特征, 包括表现为不对称“正-负速度区域对”的径向辐合区。表 1列出了这6个MARC特征的一些属性参数。
|
图 8 2015年5月6日20:51由郑州雷达观测得到的组合反射率因子和被识别的MARC特征位置 Figure 8 Composite reflectivity and the locations of the identified MARC signatures created using Zhengzhou radar volume scan data at 20:51 on 6 May 2015 |
|
表 1 基于2015年5月6日20:51郑州雷达体扫资料识别的三维MARC特征属性 Table 1 Attributes of the identified three-dimensional MARC signatures using Zhengzhou radar volume scan data at 20:51 on 6 May 2015 |
使用2007年7月27日晚上发生在咸宁的赤壁、嘉鱼、洪湖东北部分乡镇的一次下击暴流个例的武汉雷达体扫资料, 从雷达回波演变特征和识别的MARC特征入手, 分析了MARC特征自动识别算法的可靠性和此次下击暴流的可预报性。
3.1 雷达回波演变特征分析2007年7月27日, 受副热带高压西侧强烈的西南气流影响, 在鄂东南有多个强风暴生成并发展, 其中有一个强风暴自南向北影响了咸宁的赤壁、嘉鱼、洪湖东北部分乡镇, 造成了冰雹、大风等灾害性天气(肖艳姣等, 2008)。图 9为该风暴演变过程中由武汉雷达观测得到的组合反射率因子和2.4°仰角的径向速度, 图 10为该风暴沿径向的反射率因子和径向速度垂直剖面。从图 9(a)和图 10(a)可以看出, 20:08, 在雷达西南方向有2个相邻风暴A和B, 其中A处于发展阶段, 强回波高度位于风暴体的中上部, B处于其生命史的成熟减弱阶段, 强回波位于风暴体的中下部, 径向速度垂直剖面的底部出现了辐散特征[图 10(b)]。到了20:14, 风暴A和B合并成风暴C。之后风暴C迅速发展, 强回波高度向上伸展, 出现了大于60 dBZ的强回波核和弱回波区。20:32之后, 风暴C开始减弱, 核心高度快速下降。分析图 9(b)和图 10(b)可见, 在20 :08-20: 39, 都存在不同强度的中层径向辐合, 其中20:26中层径向辐合最显著。20:32-20:45是下击暴流发生时段, 在径向速度剖面图中, 底层有明显的径向辐散, 其中20:39辐散最强。从0.5°仰角的径向速度(图 11)可看出, 在20:32-20:45, 强风暴所在处出现了显著的沿径向分布的辐散式的“正-负速度区域对”, 到20:51, 辐散特征明显减弱。
|
图 9 2007年7月27日由武汉雷达观测得到的一个强风暴演变过程的组合反射率因子(a)和2.4°仰角的径向速度(b) 黑色圆圈表示强风暴区 Figure 9 Composite reflectivity (a) and radial velocity with the elevation angle at 2.4°(b) created using Wuhan radar volume scan data during a strong storm evolution process on 27 July 2007. The black circles are areas of strong storms |
|
图 10 2007年7月27日由武汉雷达观测得到的一个强风暴沿径向的反射率因子(a)和径向速度(b)垂直剖面 黑色圆圈表示强风暴核 Figure 10 Reflectivity (a) and radial velocity (b) vertical crosses along radial direction created using Wuhan radar volume scan data during a strong storm evolution process on 27 July 2007. The black circles are strong storm cores |
|
图 11 2007年7月27日武汉雷达观测的0.5°仰角的径向速度图 黑色圆圈表示辐散区 Figure 11 Radial velocitywith the elevation angle at 0.5° from the Wuhan radar on 27 July 2007. The black circles indicate divergence areas |
MARC特征自动识别算法从20:14开始一直到20:45都识别出了该风暴包含的较显著的MARC特征, 表 2列出了它们的属性参数。从表 2中可分析出, 该风暴包含的MARC特征平均高度位于3.9 km, 平均厚度为2.5 km, 最强辐合高度位于3.0~4.6 km之间, 平均最强辐合值为-58×10-4 s-1。从第一次识别出较显著的MARC特征到近地面首次出现辐散特征的时间间隔为18 min, 也就是说基于较显著的MARC特征的下击暴流预报时效为18 min。该算法识别出MARC特征的时间段与从雷达回波图上分析出较强MRAC特征的时间段是一致的。此外, 虽然从图 10(b)中也能分析出20:08时的中层径向辐合特征, 但是由于正负速度对之间的距离稍远, 自动识别算法未识别出该MARC特征, 但通过调低一些参数阈值, 该MARC特征也可以被识别出来。
|
|
表 2 基于2007年7月27日武汉雷达体扫资料识别的三维MARC特征属性 Table 2 Attributes of the identified three-dimensional MARC signatures using Wuhan radar volume scan data on 27 July 2007 |
基于多普勒天气雷达体扫资料的三维MARC特征自动识别算法, 首先采用二维局地LLSD方法计算径向速度的径向散度切变; 然后使用类似SCIT算法的SCRCZI算法进行三维MARC特征的自动识别, 其中可通过调整算法中的一些参数阈值来调整MARC特征的识别标准; 最后使用基于反射率因子数据识别的风暴位置对与强风暴无关的MARC特征进行消空处理。该算法能较好地识别出三维MARC特征, 包括表现为非典型“正-负速度区域对”的径向辐合区。
使用武汉雷达观测的强风暴个例体扫资料, 分析了一个产生下击暴流的强风暴反射率因子和径向速度回波演变特征, 并以此对MARC特征识别算法进行了检验, 结果表明:在最低仰角径向速度图上首次出现辐散特征之前的3个体扫和之后出现辐散特征的3个体扫里, 该算法都识别出了强风暴的较显著的三维MARC特征, 其平均高度为3.9 km, 平均厚度为2.5 km, 最强辐合高度位于3.0~4.6 km, 平均最强辐合量为-58×10-4 s-1, 预报时效为18 min。
当风暴后侧中层的入流急流方向与雷达径向夹角比较大时, 相比实际气流速度, 径向速度是比较小的, 由前向后的强斜升气流和后侧中层入流急流之间的过渡区在径向速度图上不会表现为显著的中层径向辐合。本算法只侧重中层径向辐合的识别, 无法识别未表现为显著中层径向辐合特征的中层气流辐合。由于MARC特征量的大小和风暴后侧入流急流方向与雷达径向的夹角有关, MARC特征量不可能作为预报下击暴流初始爆发的唯一因子, 下击暴流预警方法的建立还需要结合其它预警因子(例如反射率因子核的快速下降、较高的初始回波高度和较大的冰雹指数等)来综合判断。此外, 较显著MARC特征的出现是否一定预示着下击暴流即将爆发？这个问题需要在使用大量例子研究MARC特征的各属性参数大小与下击暴流爆发之间的关系之后才能回答。
Eilts M D, Johnson J T, Mitchell E D, et al, 1996. Damaging downburst prediction and detection algorithm for the WSR-88D[C]. Preprints, 18 th Conf on Severe Local Storms, San Francisco, Amer Meteor Soc, 541-545.
|
|
Elmore K M, Albo E D, Goodrich R K, et al, 1994. NASA/NCAR airborne and ground-based wind shear studies[M]. Final Report, contract no. NCC1-155, 343.
|
|
Fujita T T, Byers H R. 1977. Spearhead echo and downburst in the crash of an airliner[J]. Mon Wea Rev, 105: 129–146.
DOI:10.1175/1520-0493(1977)105<0129:SEADIT>2.0.CO;2 |
|
Fujita T T, 1978. Manual of downburst identification for project NIMROD. Satellite and Mesometeorology Research Paper No. 156[C]//Department of Geophysical Sciences, University of Chicago, 104.
|
|
Fujita T T, 1979. Objectives, operations and results of project NIMROD[C]//Preprints, 11th Conf on Severe Local Storms. Boston, CA, Amer Meteor Soc, 259-266.
|
|
Hjelmfelt M R. 1988. Structure and life cycle of microburst outflows observed in Colorado[J]. J Appl Meteor, 27: 900–927.
DOI:10.1175/1520-0450(1988)027<0900:SALCOM>2.0.CO;2 |
|
Johnson J T, MacKeen P L, Witt A, et al. 1998. The storm cell identification and tracking algorithm:an enhanced WSR-88d algorithm[J]. Wea Forecasting, 13: 263–276.
DOI:10.1175/1520-0434(1998)013<0263:TSCIAT>2.0.CO;2 |
|
Lemon L R, Burgess D W, 1993. Supercell associated deep convergence zone revealed by a WSR-88D[C]//Preprints, 26th Int Conf on Radar Meteorology, Norman, OK, Amer Meteor Soc, 206-208.
|
|
Lemon L R, Parker S, 1996. The Lahoma storm deep convergence zone: Its characteristics and role in storm dynamics and severity[C]//Preprints, 18th Conf on Severe Storms, San Francisco, CA, Amer Meteor Soc, 70-74.
|
|
Przybylinski R W, Gery W J, 1983. The reliability of the bow echo as an important severe weather signature[C]//Preprints, 13th Conf on Severe Local Storms. Tulsa, OK, Amer Meteor Soc, 270-273.
|
|
Przybylinski R W, Lin Y J, Schmocker G K, et al, 1995. The use of real-time WSR-88D, profiler, and conventional data sets in forecasting a northeastward moving derecho over eastern Missouri and central Illinois[C]//Preprints, 14th Conf on Weather Analysis and Forecasting. Dallas, Amer Meteor Soc, 335-342.
|
|
Roberts R D, Wilson J W. 1989. A proposed microburst nowcasting procedure using single-Doppler radar[J]. J Climate Appl Meteor, 28: 285–303.
DOI:10.1175/1520-0450(1989)028<0285:APMNPU>2.0.CO;2 |
|
Schmocker G K, Przybylinski R W, Lin Y J, 1996. Forecasting the initial onset of damaging downburst winds associated with a mesoscale convective system (MCS) using the mid-altitude radial convergence (MARC) signature[C]//Preprints, 15th Conf on Weather Analysis and Forecasting, Norfolk, VA, Amer Meteor Soc, 306-311.
|
|
Smith T M, Elmore K L, 2004a. The use of radial velocity derivatives to diagnose rotation and divergence[C]//Preprints, 11th Conf on Aviation, Range, and Aerospace, Hyannis, MA, Amer Meteor Soc, P5. 6.
|
|
Smith T M, Elmore K L, Dulin S A, 2004b. 2004b. A damaging downburst prediction and detection algorithm for the WSR-88D[J]. Wea Forecasting, 19: 240–250.
DOI:10.1175/1520-0434(2004)019<0240:ADDPAD>2.0.CO;2 |
|
Wilson J W, Roberts R D, Kessinger C, et al. 1984. Microburst wind structure and evaluation of Doppler radar for airport wind shear detection[J]. J Climate Appl Meteor, 23: 898–915.
DOI:10.1175/1520-0450(1984)023<0898:MWSAEO>2.0.CO;2 |
|
陈贵川, 谌芸, 乔林, 等. 2011. 重庆"5·6"强风暴天气过程成因分析[J]. 气象, 37(7): 871–879.
Chen G C, Chen Y, Qiao L, et al. 2011. The causation analysid of the 6 May 2010 severe windstorm weather process in Chongqing[J]. Meteor Mon, 37(7): 871–879.
DOI:10.7519/j.issn.1000-0526.2011.07.012 |
|
李国翠, 刘黎平, 连志鸾, 等. 2014. 利用雷达回波三维拼图资料识别雷暴大风统计研究[J]. 气象学报, 72(1): 168–181.
Li G C, Liu L P, Lian Z L, et al. 2014. Statistical study of the identification of thunderstorm gale based on the radar 3D mosaic data[J]. Acta Meteor Sinica, 72(1): 168–181.
DOI:10.11676/qxxb2014.003 |
|
慕熙昱, 党人庆, 陈秋萍, 等. 2007. 一次飑线过程的雷达回波分析与数值模拟[J]. 应用气象学报, 18(1): 42–49.
Mu X Y, Dang R Q, Chen Q P, et al. 2007. Radar data analysis and numerical simulation of a squall line[J]. J Appl Meteor Sci, 18(1): 42–49.
DOI:10.11898/1001-7313.20070108 |
|
肖艳姣, 李中华, 张端禹, 等. 2008. "07·7"鄂东南强对流天气的多普勒雷达资料分析[J]. 暴雨灾害, 27(2): 213–218.
Xiao Y J, Li Z H, Zhang D Y, et al. 2008. Analysis of "07·7" severe convective events with China new generation weather radar data[J]. Torrential Rain Disaster, 27(2): 213–218.
|
|
肖艳姣, 万玉发, 王珏, 等. 2012. 一种自动多普勒雷达速度退模糊算法研究[J]. 高原气象, 31(4): 1119–1128.
Xiao Y J, Wan Y F, Wang J, et al. 2012. Study of an automated Doppler radar velocity dealiasing algorithm[J]. Plateau Meteor, 31(4): 1119–1128.
|
|
肖艳姣, 万玉发, 王志斌. 2016. 业务多普勒天气雷达双PRF径向速度资料分析和质量控制[J]. 高原气象, 35(4): 1112–1122.
Xiao Y J, Wan Y F, Wang Z B, et al. 2016. Analysis and quality contral of dual PRF velocity data for operational Doppler weather radars[J]. Plateau Meteor, 35(4): 1112–1122.
DOI:10.7522/j.issn.1000-0534.2015.00039 |
|
徐琪, 幕熙昱, 刘韻蕊, 等. 2015. 南京空域一次高空致灾冰粒过程的可预报性分析[J]. 高原气象, 34(1): 258–268.
Xu Q, Mu X Y, Liu Y R, et al. 2015. Analysis of rredictability on a high-altitude hail/graupel disaster weather in Nanjing airspace[J]. Plateau Meteor, 34(1): 258–268.
DOI:10.7522/j.issn.1000-0534.2013.00105 |
|
姚叶青, 俞小鼎, 张义军, 等. 2008. 一次典型飑线过程多普勒天气雷达资料分析[J]. 高原气象, 27(2): 373–381.
Yao Y Q, Yu X D, Zhang Y J, et al. 2008. Analysis on a typical squall line case with Doppler weather radar data[J]. Plateau Meteor, 27(2): 373–381.
|
|
俞小鼎, 周小刚, 王秀明. 2012. 雷暴与强对流临近天气预报技术进展[J]. 气象学报, 70(3): 311–337.
Yu X D, Zhou X G, Wang X M. 2012. The advances in the nowcasting techniques on thunderstorms and severe convection[J]. Acta Meteor Sinica, 70(3): 311–337.
DOI:10.11676/qxxb2012.030 |
|
王萍, 牛智勇. 2014. 基于多普勒天气雷达数据的中层径向辐合自动识别及其与强对流天气的相关性研究[J]. 物理学报, 63(1): 424–436.
Wang P, Niu Z Y. 2014. Automatic recognition of mid-altitude radial convergence and study on the relationship between the convergence and strong convective weather based on Doppler weather radar data[J]. Acta Physica Sinica, 63(1): 424–436.
|
|
王秀明, 俞小鼎, 周小刚, 等. 2012. "6·3"区域致灾雷暴大风形成及维持原因分析[J]. 高原气象, 31(2): 504–514.
Wang X M, Yu X D, Zhou X G, et al. 2012. Study on the formation and evolution of '6·3' damage wind[J]. Plateau Meteor, 31(2): 504–514.
|
2. Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research, Institute of Heavy Rain, China Meteorological Administration, Wuhan 430205, Hubei, China