肖艳姣,主要从事雷达资料处理与应用技术研究.E-mail:
下击暴流是对流风暴最常发生的天气现象,预报其初始爆发是强对流风暴预报中最具挑战性的内容之一。提出一种综合使用雷达和探空观测资料的下击暴流临近预报算法。在对雷达基数据进行地物杂波抑制和径向速度退模糊以及对探空资料进行处理得到0℃、-20℃和最小相当位温高度的基础上,该算法首先进行风暴单体识别追踪和冰雹指数的计算;然后进行中层径向辐合特征和中气旋识别,并使之与识别的风暴单体相关联;最后提取诸多风暴单体的雷达特征量,经批量下击暴流和非下击暴流个例统计分析后挑选出下击暴流的雷达先兆因子9个作为模糊逻辑法的输入,建立下击暴流临近预报方程。使用2015年6月1日发生在湖北监利导致“东方之星”客轮倾覆的下击暴流个例对该算法进行了测试,结果表明从20:41—21:21共有8个体扫时次预报了引起沉船事件的那个风暴单体将会产生下击暴流,首次预报时间比客轮侧翻时间21:28早47 min。使用2019年6—8月发生在湖北省的所有雷暴大风个例对下击暴流临近预报算法进行了效果评估, 结果表明该算法预报下击暴流的击中率为86.4%,平均预报时效为39 min。按回波形态分类评估,则飑线类、线状对流类(飑线除外)和非线状对流类风暴的下击暴流临近预报击中率分别为93.2%、90.5%和75.6%。该算法模块已集成到中国气象局武汉暴雨研究所研发的分类强对流天气自动识别预警系统中,并于2019年开始投入业务运行。
Downburst is the most common weather phenomenon of convective storm, and forecasting its initial outbreak is one of the most challenging contents in severe convective storm forecasting. In this paper, a downburst nowcasting algorithm based on radar and radiosonde observation data was proposed. On the basis of ground clutter suppression and radial velocity dealiasing of radar base data and processing of sounding data to obtain 0℃, -20℃ and minimum equivalent potential temperature heights, the algorithm first identifies and tracks storm cells and calculates the hail indexes, then identifies the mid-level radial convergence characteristics and mesocyclone, making them associated with the identified storm cell. After that, many radar characteristics of storm cells are extracted. After statistical analysis of downburst and non-downburst cases, nine radar precursor factors of downburst were selected as the input of fuzzy logic method, and the nowcasting equation of downburst was established. The algorithm was tested with a downburst case which occurred in Jianli of Hubei Province on 1 June 2015, responsible for the "Oriental Star" cruise ship capsizing. The results show that the algorithm has predicted 8 times in 20:41-21:21 BT that the storm cell having caused the shipwreck will produce downburst. The first prediction time is 47 minutes earlier than that of the cruise ship capsizing at 21:28 BT. In addition, the effectiveness of the downburst nowcasting algorithm was evaluated by using all thunderstorm gales in Hubei Province from June to August 2019. The results show that the hit rate of downburst is 86.4%, and the average forecast time is 39 min. According to the echo pattern, the hit rates of downburst nowcasting for squall line, linear convection and non-linear convection are 93.2%, 90.5% and 75.6%, respectively. Actually, the algorithm module has been integrated into the automatic identification and warning system of classified severe convective weather developed by Wuhan Institute of Heavy Rain of CMA, and has been put into operation since 2019. The algorithm will be continuously optimized in the forecasting operation application in the future.
多普勒天气雷达是监测预报下击暴流的重要手段。下击暴流在多普勒天气雷达观测的低仰角径向速度中表现为小尺度径向辐散特征(雷达径向上的正负速度对)或大风核区(因外部环境因子影响和离散的小尺度下沉气流叠加引起的非对称性出流)(
基于对下击暴流雷达特征的一些认知,下击暴流识别和临近预报方法先后被研发。早在20世纪80年代末和90年代初,
我国新一代多普勒天气雷达网的建设始于1998年。
我国的一些气象工作者也在下击暴流的识别和临近预报技术方面开展了一些研发工作。基于低仰角径向速度中的小尺度径向辐散特征的下击暴流识别算法被研发(
本文提出一种综合使用雷达和探空观测资料的下击暴流临近预报算法。在对雷达基数据进行地物杂波抑制和径向速度退模糊以及对探空资料进行处理得到0℃、-20℃和最小相当位温高度的基础上,该算法首先进行风暴单体识别追踪和冰雹指数的计算;然后进行MARC特征和中气旋识别,并使之与识别的风暴单体相关联;最后提取诸多风暴单体的雷达特征量,经批量下击暴流和非下击暴流个例统计分析后挑选出9个下击暴流的雷达先兆因子作为模糊逻辑法的输入,建立下击暴流临近预报方程。
文中用于风暴单体雷达特征量统计分析的资料包含2010-2016年的CINRAD-SA/SB(China New Generation Weather Radar-S Band A/B Type) 型雷达观测的基数据(武汉、襄阳、荆州、宜昌、恩施、十堰和随州)、SWAN系统(Severe Weather Automatic Nowcast System)雷达拼图数据(27°~35°N、105°~117°E)、湖北省区域自动气象站观测的地面风数据和探空观测数据(安康、南阳、恩施、宜昌、武汉、长沙);用于2015年6月1日个例分析的雷达基数据来自岳阳雷达,探空资料来自当日20时的长沙站;用于评估检验的是2019年6-8月湖北省的雷暴大风过程个例资料(包括雷达基数据、区域自动气象站地面大风数据和探空数据)。
雷达基数据采用VCP21体扫模式(6 min扫描9个固定仰角,分别为0.5°、1.5°、2.4°、3.4°、4.3°、6.0°、9.9°、14.6°、19.5°)采样,雷达波束宽度约为1°,反射率因子数据库长为1 km,径向速度数据库长为250 m。对雷达基数据的预处理包含地物杂波抑制(
下击暴流样本的选取结合地面测风数据和雷达观测数据,范围限定在距离雷达10~150 km内,主要考虑两个因素: 一是近距离处雷达探测不到风暴的中上部信息; 二是新一代天气雷达的径向速度最大探测距离约为150 km; 虽然通过距离退折叠后,其探测范围可扩展到230 km,但150 km以外的有效速度信息很少。针对地面大风数据,首先剔除了 < 17.9 m·s-1的数据;然后用概率统计分析方法剔除因地形和设备异常等原因引起的大风站点,即剔除大风出现频次远大于站均频次的站点;最后结合SWAN系统的雷达拼图数据剔除冷空气大风和脱离风暴母体一定距离的阵风锋大风,具体方法为:对于出现了大风的站点,如果其周围40 km范围内有面积大于100 km2的40 dBz以上的回波和面积大于40 km2的50 dBz以上的回波,则认为该站是因雷暴引起的大风,否则被剔除。将保留的地面大风与大风发生前6 min最低仰角质心距离站点10 km范围内的风暴进行匹配,能与风暴单体匹配上的地面大风被确定为下击暴流大风。
对于探空观测数据,首先计算各高度的环境相当位温(
下击暴流临近预报算法流程图
Flow chart of downburst nowcasting algorithm
使用SCIT(storm cell identification and tracking)算法识别风暴单体(
使用冰雹探测算法(hail detection algorithm,HDA)(
其中,
式中:
对于识别出来的风暴单体,如果其VIL < 5 kg·m-2则被舍弃,余下的风暴单体根据VIL值从大到小排序,用字母A~Z加数字0~19(比如A0,B19)标记识别出来的风暴单体。
基于移动路径最短原则对相邻体扫时次的风暴单体进行匹配,其中使用最大反射率因子、风暴单体底高、移动速度和方向作为约束,即相邻体扫时次的同一风暴单体的最大反射率因子的变化不能超过12 dBz,移动速度不能超过120 km·h-1,移动方向与前一体扫时次所有风暴单体的平均移动方向的偏差不能大于60°,底高变化不能超过2 km。
使用二维局部线性最小二乘导数(LLSD)方法估计径向散度和方位涡度切变(
式中:
由于使用LLSD方法计算径向散度和方位涡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
式中:(int)表示四舍五入取整。如果
使用二维局部LLSD方法估计径向散度和方位涡度切变后再基于这两个参量去识别MARC特征和中气旋,相比直接使用相邻距离或方位库的速度差的识别方法,前者可以减轻径向速度的质量和小尺度自然脉动对识别的影响。
(1) 一维切变段识别
一维切变段的识别是沿径向方向搜寻方位涡度切变大于预设阈值(缺省分7级,分别是70、60、50、40、30、20、10,单位为10-4s-1)的连续库。当沿径向从雷达处开始往外第一次搜索到大于阈值的方位涡度切变库时,那么其后面大于该阈值的连续方位涡度切变库被聚在一起,直到小于该阈值的方位涡度切变库被搜索到;如果随后库的方位涡度切变值与该阈值的差≤方位涡度切变差阈值(缺省值为4,单位为10-4s-1),且满足条件的连续库的数量小于中断计数阈值(缺省值为2个),那么该切变段的搜索继续,否则切变段截止在第一个小于阈值的库之前。使用这样的搜索方法可以减轻速度的小尺度自然脉动对一维切变段搜索的影响。如果切变段的长度大于段长度阈值(缺省值为0.95 km),那么该段就被保存,否则被剔除。每个切变段的开始和结束的距离库、方位、最大和最小速度等参量被记录。
(2) 二维切变特征识别
当一个仰角的最后一根径向的一维切变段被搜索完后,基于空间邻近原则,一维切变段被合并为二维切变特征。相邻段的合并需满足两个标准: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)。一个二维切变特征包含的一维切变段数量必须大于段数阈值(缺省值为2),其面积要大于二维切变特征面积阈值(缺省值为3 km2)。在完成所有等级阈值的二维切变特征识别后,为了提取最强方位涡度切变区信息,需要舍弃包裹着高阈值二维切变特征的低阈值二维切变特征。如果高阈值的二维切变特征的中心落在低阈值二维切变特征面积内,那么低阈值的二维切变特征被舍弃,但是在被保留的最高等级阈值的二维切变特征中增加记录包裹它的最低等级阈值的二维切变特征的参量信息。对二维切变特征做尺寸大小、尺寸对称性和切变对称性检查,即使用椭圆拟合二维切变特征,计算其长、短轴半径
(3) 三维切变特征识别
把保留的二维切变特征按最大方位涡度切变大小排序,之后进行垂直关联。每个被识别的三维切变特征至少包含连续仰角的两个二维切变特征。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中心距离小于阈值(缺省值2.5 km)的二维切变特征,如果有多个二维切变特征可以关联,那么只选择垂直积分方位涡度切变最大的那个二维切变特征进行关联。如果第一次垂直关联结束后还有未被垂直关联的二维切变特征存在,那么把搜索半径增加到5 km,对未被垂直关联的所有二维切变特征重复上面的步骤。如果第二次垂直关联结束后仍然有未被垂直关联的二维切变特征存在,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三次垂直关联。
如果以三维切变特征为中心的20 km半径内没有风暴单体存在,那么该三维切变特征被删除。余下的三维切变特征被认定为中气旋,之后计算中气旋的一些特征参量,包含垂直积分最大方位涡度切变、6 km以下的最大方位涡度切变和旋转速度(最大正负速度绝对值之和的一半)等,把中气旋按垂直积分最大方位涡度大小排序。
用距离最近原则,把识别出来的MARC特征和中气旋与风暴单体相关联,然后提取风暴单体的一些雷达特征量。从风暴识别算法中可提取风暴单体质心位置、顶高、底高、VIL及其密度、最大反射率因子及其所在高度、最小相当位温高度附近及其以上高度的最大反射率因子、1 km高度以下的最大绝对径向速度和最大径向辐散等;从冰雹探测算法中可提取强冰雹指数SHI和概率POSH等;从风暴追踪算法中可提取风暴移动速度和方向、VIL的变化、风暴顶高和质心高度变化;从MARC特征识别算法中可提取MARC特征的质心位置、顶高和底高、垂直积分径向辐合值、最强径向辐合分量的强度等级、1~6 km高度的最大径向辐合值和径向方向上的最大最小速度差、最小相当位温高度附近的最大径向辐合值和径向方向上的最大最小速度差等;从中气旋识别算法中可提取中气旋的质心位置、顶高和底高、直径、最大旋转速度及其所在高度、最大方位切变及其所在高度、最低4个方位涡度切变分量的旋转速度和方位切变等。其中有一些特征参量用到了基于探空资料计算的0℃、-20℃和最小位温高度,探空资料来自最接近雷达体扫时间且距离风暴质心最近的探空观测。需要说明的是:与MARC特征和中气旋有关的一些雷达特征量本可以通过识别风暴单体后直接从对应的极坐标径向速度、三维径向散度切变和方位涡度切变数据中计算得到,但是考虑到风暴单体的识别是尽可能识别强风暴核,其对应的径向速度场中可能不包含完整的MARC特征或中气旋结构(MARC特征可能部分位于风暴后侧中层的入流槽口中,中气旋核区可能部分位于弱回波或有界弱回波区内),所以本文采取先识别MARC特征和中气旋后再提取相关雷达特征参量的方式。
使用2010-2016年湖北省所有新一代天气雷达观测的降水天气过程提取了下击暴流和非下击暴流风暴单体的18个雷达特征量(表略),并进行统计分析。对于下击暴流风暴单体,选取地面大风发生之前最多1小时的风暴单体雷达特征量;对于非下击暴流风暴单体,选取其整个生命史的雷达特征量。选取较长时间的雷达特征量的目的是为了延长下击暴流预报时效。结果表明,下击暴流和非下击暴流风暴的这18个特征量都有重叠隶属部分,筛选出重叠隶属部分相对较少的9个雷达特征量作为下击暴流预报因子(见
用于下击暴流临近预报的风暴单体雷达特征量隶属函数的高、低临界值和权重
The high and low critical values and weights of the membership function of P=\frac{\sum_{i=1}^{n} F\left(x_{i}\right) W\left(x_{i}\right)}{\sum_{i=1}^{n} W\left(x_{i}\right)}
编号 | 参量名称 | 单位 | 参量说明 | 低临界值 | 高临界值 | 权重 |
1 | ZMAXTOP | dBz·km | 最大反射率因子与顶高的乘积 | 400 | 750 | 0.55 |
2 | ZTH | dBz | 最小相当位温高度处的最大反射率因子 | 49 | 59 | 0.56 |
3 | VIL | kg·m-2 | 垂直累积液态水含量 | 20 | 50 | 0.50 |
4 | SHI | J·m-1·s-1 | 强冰雹指数 | 10 | 100 | 0.36 |
5 | RCL | 10-4 s-1 | MARC特征的最强径向辐合分量强度等级 | 10 | 40 | 0.58 |
6 | IMARC | 10-4 km·s-1 | MARC特征的垂直积分径向辐合值 | 300 | 900 | 0.41 |
7 | CMTH | 10-4 s-1 | MARC特征中最小相当位温高度的最大径向辐合值 | 40 | 90 | 0.53 |
8 | DV16 | m·s-1 | MARC特征中1~6 km高度径向上的最大最小速度差 | 15 | 25 | 0.59 |
9 | DV06 | m·s-1 | 中气旋0~6 km高度最大最小速度差 | 15 | 25 | 0.62 |
本文使用模糊逻辑法建立下击暴流临近预报方程,公式(11)给出了产生下击暴流的风暴单体的雷达特征量
把雷达特征量作为输入变量,使用模糊逻辑法建立下击暴流临近预报概率方程:
式中:
2015年6月1日21:28(北京时,下同)左右,“东方之星”客轮在长江航道湖北监利段开始侧翻,21:31倾覆,导致442人死亡。两个气象专家组进行了现场调查和多种探测资料综合分析,得出相似结论。
本文使用岳阳雷达观测的体扫资料分析了该下击暴流临近预报算法的预报效果,客轮开始侧翻的地点在岳阳雷达极坐标中的位置为(339.3°、49.1 km)。使用该算法从北京时19:31(体扫开始时间,下同)的体扫资料开始处理,从长沙20时的探空资料获取0℃、-20℃和最小相当位温的所在高度分别为5.2、8.7和6.4 km(长沙探空站与客轮侧翻点之间的距离为180 km)。算法从20:11-21:09连续11个体扫识别到标号为A17的风暴单体,其中20:52预报该单体将产生下击暴流;20:35-21:27连续10个体扫识别到标号为B5的风暴单体,其中20:40-21:21预报该单体将产生下击暴流;21:21-21:38连续4个体扫识别到标号为C1的风暴单体,其中21:21和21:27预报该单体将产生下击暴流。
2015年6月1日20:35-21:38基于岳阳雷达的下击暴流预报结果叠加0.5°仰角反射率因子
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
2015年6月1日导致“东方之星”客轮倾覆的风暴单体的(a~e)雷达特征量、(f)预报的下击暴流和强冰雹的概率的时间序列
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
从
2015年6月1日(a)21:21,(b)21:27,(c)21:32岳阳雷达观测的0.5°仰角径向速度
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
使用湖北省2019年6-8月的17个雷暴大风过程(
用于评估的雷暴大风天气个例
Thunderstorm and gale weather cases for assessment
序号 | 日期/年月日 | 时间/BT | 影响地区 | 回波形态 | 观测雷达站 |
1 | 20190605 | 12-20 | 十堰、宜昌、黄冈 | 飑线 | 十堰、宜昌、随州、荆州、武汉 |
2 | 20190620 | 19-20 | 天门 | 团状对流 | 荆州 |
3 | 20190628 | 13-21 | 荆门、潜江 | 线对流 | 荆州 |
4 | 20190723 | 13-21 | 宜昌、武汉 | 线对流 | 宜昌、武汉 |
5 | 20190729 | 17-20 | 南漳、鄂州 | 团状对流 | 武汉、襄阳 |
6 | 20190730 | 14-22 | 湖北中东部 | 线对流 | 荆州、武汉 |
7 | 20190731 | 17-20 | 赤壁、咸宁、武汉 | 团状对流 | 武汉 |
8 | 20190801 | 11-13 | 十堰 | 短带状对流 | 十堰 |
9 | 20190802 | 15-20 | 江汉平原、武汉、咸宁 | 分散强对流 | 荆州、武汉 |
10 | 20190803 | 13-18 | 鄂东 | 分散强对流 | 武汉、随州 |
11 | 20190807 | 15-18 | 武汉、黄冈、咸宁 | 分散强对流 | 武汉 |
12 | 20190808 | 15-20 | 黄石、阳新、咸宁 | 孤立单体 | 武汉 |
13 | 20190811 | 16-22 | 宜昌、巴东、十堰 | 分散强对流 | 十堰、宜昌 |
14 | 20190814 | 18-22 | 襄阳、宜昌 | 孤立单体 | 宜昌、襄阳 |
15 | 20190815 | 15-17 | 广水、潜江、孝感、宜昌、荆门 | 分散强对流 | 随州、武汉、宜昌 |
16 | 20190818 | 17-19 | 黄冈、咸宁 | 分散强对流 | 武汉 |
17 | 20190821 | 17-19 | 黄石 | 分散强对流 | 武汉 |
以各雷达为中心,统计10~150 km范围内的区域地自动气象站观测到的雷暴大风共有353站次(当相邻雷达间距小于300 km,且选取的个例落在其观测重叠区域时,会重复统计),其中识别出风暴单体并正确预报有下击暴流大风的有242站次,平均预报时效为39 min;识别出风暴单体但没有预报有下击暴流大风的有38站次(下击暴流发生概率位于35%~49%),其中回波面积很小的有6站次,在下击暴流发生后预报有下击暴流的有9站次;未识别出风暴单体由阵风锋(有窄带弱回波)产生的大风有40站次;未识别出风暴单体且几乎无回波的大风有33站次(距离雷达较远的阵风锋雷达探测不到)。去掉弱回波、无回波的情况,共有280站次的雷暴大风可认为是下击暴流大风,正确预报242站次,击中率为86.4%。按照回波形态分类评估,飑线类、线状对流类(飑线除外)和非线状对流类风暴的下击暴流预报击中率分别为93.2%、90.5%和75.6%。对于非线状对流类风暴,MARC或后侧入流急流特征没有飑线类和线状对流类的那么明显,这可能是其预报正确率较低的原因之一。
(1) 综合使用雷达反射率因子、径向速度和基于探空观测的0℃、-20℃和最小相当位温高度等资料,基于风暴单体识别追踪、冰雹指数计算、MARC特征识别和中气旋识别等算法,提取风暴单体的诸多雷达特征量,经统计分析挑选出下击暴流的雷达先兆因子9个作为模糊逻辑法的输入,建立了下击暴流临近预报方程。
(2) 使用2015年6月1日发生在监利导致“东方之星”客轮侧翻的下击暴流个例对本算法进行了测试,结果表明本算法从20:41-21:21共有8个体扫时次预报了引起沉船事件的那个风暴单体将会产生下击暴流,首次预报时间比客轮侧翻时间早47 min。21:27-21:32,0.5°仰角的径向速度中出现了辐散式的正负速度对,表明下击暴流大风的发生。
(3) 使用2019年6-8月发生在湖北省的雷暴大风个例对本文提出的下击暴流临近预报算法进行了效果评估,结果表明本算法对下击暴流临近预报的击中率为86.4%,平均预报时效为39 min;按回波形态分类评估,飑线类、线状对流类(飑线除外)和非线状对流类风暴的下击暴流临近预报击中率分别为93.2%、90.5%和75.6%。
在本算法中没有使用识别的风暴单体区域内的径向速度直接提取与MARC特征和中气旋有关的雷达特征量,而是单独识别了MARC特征和中气旋后,再把它们与风暴单体关联。这样做的原因是考虑到风暴单体的识别是尽可能识别强风暴核,其对应的径向速度场中可能不包含完整的MARC特征或中气旋结构,MARC特征可能部分位于风暴后侧中层的入流槽口中,中气旋核区可能部分位于弱回波或有界弱回波区内。本文没有评估虚警率,今后将继续研发1 km高度以下的辐散式速度对和大风核的自动识别算法,在此基础上,结合地面自动站观测进行下击暴流临近预报虚警率的批量评估。该算法模块已集成到中国气象局武汉暴雨研究所研发的分类强对流天气自动识别预警系统中(
毕旭, 罗慧, 刘勇, 2007. 陕西中部一次下击暴流的多普勒雷达回波特征[J]. 气象, 33(1): 70-73.
Bi X, Luo H, Liu Y, 2007. Doppler radar echo features of a downburst in central part of Shaanxi Province[J]. Meteor Mon, 33(1): 70-73(in Chinese).
程月星, 孙继松, 戴高菊, 等, 2018.2016年北京地区一次雷暴大风的观测研究[J]. 气象, 44(12): 1529-1541.
Cheng Y X, Sun J S, Dai G J, et al, 2018. Study on a thunderstorm event over Beijing in 2016[J]. Meteor Mon, 44(12): 1529-1541(in Chinese).
崔春光, 杜牧云, 肖艳姣, 等, 2021. 灾害性天气资料同化和临近预报系统相关技术研究[J]. 气象, 47(8): 901-918.
Cui C G, Du M Y, Xiao Y J, et al, 2021. Research on the technology of data assimilation and nowcasting system of severe weather[J]. Meteor Mon, 47(8): 901-918(in Chinese).
杜牧云, 肖艳姣, 吴涛, 2015. 多普勒天气雷达下击暴流图像识别[J]. 气象科技, 43(3): 368-372.
Du M Y, Xiao Y J, Wu T, 2015. Identification of downbursts based on WSR-88D Doppler weather radar images[J]. Meteor Sci Technol, 43(3): 368-372(in Chinese).
杜牧云, 余蓉, 吴涛, 等, 2017. 一种改进的多普勒天气雷达下击暴流识别算法[J]. 成都信息工程大学学报, 32(5): 487-491.
Du M Y, Yu R, Wu T, et al, 2017. An improved method of downburst recognition based on WSR-88D Doppler weather radar[J]. J Chengdu Univ Inf Technol, 32(5): 487-491(in Chinese).
郭英莲, 孙继松, 2019. 湖北三类组织形态强对流系统造成的地面强对流大风特征[J]. 大气科学, 43(3): 483-497.
Guo Y L, Sun J S, 2019. Characteristics of strong convective wind events caused by three types of convective systems in Hubei Province[J]. Chin J Atmos Sci, 43(3): 483-497(in Chinese).
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 Sin, 72(1): 168-181(in Chinese).
刘健文, 郭虎, 李耀东, 等, 2005. 天气分析预报物理量计算基础[M]. 北京: 气象出版社: 33-37.
Liu J W, Guo H, Li Y D, et al, 2005. Calculation Basis of Physical Quantity in Weather Analysis and Forecast[M]. Beijing: China Meteorological Press: 33-37(in Chinese).
龙柯吉, 康岚, 罗辉, 等, 2020. 四川盆地雷暴大风雷达回波特征统计分析[J]. 气象, 46(2): 212-222.
Long K J, Kang L, Luo H, et al, 2020. Statistical analysis of radar echo characteristics of thunderstorm gales in Sichuan Basin[J]. Meteor Mon, 46(2): 212-222(in Chinese).
罗辉, 张杰, 朱克云, 等, 2015. 下击暴流的雷达预警量化指标研究[J]. 气象学报, 73(5): 853-867.
Luo H, Zhang J, Zhu K Y, et al, 2015. Study of the radar quantitative index of forewarning downburst[J]. Acta Meteor Sin, 73(5): 853-867(in Chinese).
孟智勇, 姚聃, 白兰强, 等, 2016. 基于实地灾害调研和雷达观测对"东方之星"倾覆地点附近强风的估计[J]. 科学通报, 61(7): 797-798.
Meng Z Y, Yao D, Bai L Q, et al, 2016. Wind estimation around the shipwreck of Oriental Star based on field damage surveys and radar observations[J]. Sci Bull, 61(4): 330-337.
沈杭锋, 方桃妮, 蓝俊倩, 等, 2019. 一次强飑线过程极端大风的中尺度分析[J]. 气象学报, 77(5): 806-822.
Shen H F, Fang T N, Lan J Q, et al, 2019. Mesoscale analysis of the extremely damaging gale in a severe squall line[J]. Acta Meteor Sin, 77(5): 806-822(in Chinese).
孙京, 肖艳姣, 冷亮, 2019. 基于多普勒天气雷达体扫资料的下击暴流预警方法研究[J]. 自然灾害学报, 28(2): 118-126.
Sun J, Xiao Y J, Leng L, 2019. Damaging downbursts warning algorithm using the Doppler weather radar scanning data[J]. J Nat Dis, 28(2): 118-126(in Chinese).
陶岚, 戴建华, 2011. 下击暴流自动识别算法研究[J]. 高原气象, 30(3): 784-797.
Tao L, Dai J H, 2011. Research on automatic detection algorithm of downburst[J]. Plateau Meteor, 30(3): 784-797(in Chinese).
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): 019201.
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 Phys Sin, 63(1): 019201(in Chinese).
王兴, 闵锦忠, 张露萱, 等, 2019. 雷达数据外推与特征识别的下击暴流预警方法[J]. 气象科学, 39(3): 377-385.
Wang X, Min J Z, Zhang L X, et al, 2019. Method of downburst warning based on radar data extrapolation and feature recognition[J]. J Meteor Sci, 39(3): 377-385(in Chinese).
吴芳芳, 王慧, 韦莹莹, 等, 2009. 一次强雷暴阵风锋和下击暴流的多普勒雷达特征[J]. 气象, 35(1): 55-64.
Wu F F, Wang H, Wei Y Y, et al, 2009. Analysis of a strong gust front and downburst with Doppler weather radar data[J]. Meteor Mon, 35(1): 55-64(in Chinese).
吴涛, 万玉发, 沃伟锋, 等, 2013. SWAN系统中雷达反射率因子质量控制算法及其应用[J]. 气象科技, 41(5): 809-817.
Wu T, Wan Y F, Wo W F, et al, 2013. Design and application of radar reflectivity quality control algorithm in SWAN[J]. Meteor Sci Technol, 41(5): 809-817(in Chinese).
肖艳姣, 2018. 基于多普勒天气雷达体扫资料的MARC特征自动识别算法[J]. 高原气象, 37(1): 264-274.
Xiao Y J, 2018. An algorithm of recognizing automatically MARC signature using the Doppler weather radar volume scanning data[J]. Plateau Meteor, 37(1): 264-274(in Chinese).
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(in Chinese).
肖艳姣, 万玉发, 王志斌, 2016. 多普勒天气雷达双PRF径向速度资料质量控制[J]. 高原气象, 35(4): 1112-1122.
Xiao Y J, Wan Y F, Wang Z B, 2016. Quality control of dual PRF velocity data for Doppler weather radars[J]. Plateau Meteor, 35(4): 1112-1122(in Chinese).
杨璐, 陈明轩, 孟金平, 等, 2018. 北京地区雷暴大风不同生命期内的雷达统计特征及预警提前量分析[J]. 气象, 44(6): 802-813.
Yang L, Chen M X, Meng J P, et al, 2018. Radar statistical characteristics and warning lead analysis of thunderstorm gales in different life periods in Beijing[J]. Meteor Mon, 44(6): 802-813(in Chinese).
俞小鼎, 张爱民, 郑媛媛, 等, 2006. 一次系列下击暴流事件的多普勒天气雷达分析[J]. 应用气象学报, 17(4): 385-393.
Yu X D, Zhang A M, Zheng Y Y, et al, 2006. Doppler radar analysis on a series of downburst events[J]. J Appl Meteor Sci, 17(4): 385-393(in Chinese).
俞小鼎, 郑永光, 2020. 中国当代强对流天气研究与业务进展[J]. 气象学报, 78(3): 391-418.
Yu X D, Zheng Y G, 2020. Advances in severe convective weather research and operational service in China[J]. Acta Meteor Sin, 78(3): 391-418(in Chinese).
张钢, 潘运红, 柳畅, 2011. 下击暴流区域特征提取和识别算法[J]. 计算机工程与应用, 47(28): 185-187, 240.
Zhang G, Pan Y H, Liu C, 2011. Microburst region feature extraction and recognition algorithm[J]. Comput Eng Appl, 47(28): 185-187, 240(in Chinese).
郑永光, 田付友, 孟智勇, 等, 2016. "东方之星"客轮翻沉事件周边区域风灾现场调查与多尺度特征分析[J]. 气象, 42(1): 1-13.
Zheng Y G, Tian F Y, Meng Z Y, et al, 2016. Survey and multi-scale characteristics of wind damage caused by convective storms in the surrounding area of the capsizing accident of cruise ship "Dongfangzhixing"[J]. Meteor Mon, 42(1): 1-13(in Chinese).
周康辉, 郑永光, 王婷波, 等, 2017. 基于模糊逻辑的雷暴大风和非雷暴大风区分方法[J]. 气象, 43(7): 781-791.
Zhou K H, Zheng Y G, Wang T B, et al, 2017. Fuzzy logic algorithm of thunderstorm gale identification using multisource data[J]. Meteor Mon, 43(7): 781-791(in Chinese).
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, 1979. Objectives, operations, and results of project NIMROD[C]//Proceedings of 11th Conference on Severe Local Storms. Kansas: AMS: 259-266.
Fujita T T, 1985. The Downburst: microburst and macroburst: report of projects NIMROD and JAWS[R]. Chicago, IL: Dept of the Geophysical Sciences, University of Chicago: 122.
Han L, Fu S X, Zhao L F, et al, 2009.3D convective storm identification, tracking, and forecasting-An enhanced TITAN algorithm[J]. J Atmos Oceanic Technol, 26(4): 719-732.
Hjelmfelt M R, 1988. Structure and life cycle of microburst outflows observed in Colorado[J]. J Appl Meteor Climatol, 27(8): 900-927.
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(2): 263-276.
Merritt M W, 1987. Automated detection of microburst windshear for terminal Doppler weather radar[C]//Proceedings of SPIE 0846, Digital Image Processing and Visual Communications Technologies in Meteorology. San Diego, CA, United States: SPIE: 91-102.
Potts R, 1989. Microburst precursors observed with Doppler radar[C]//24th Conference on Radar Meteorology. Tallahassee, Florida: AMS: 158-162.
Roberts R D, Wilson J W, 1989. A proposed microburst nowcasting procedure using single-Doppler radar[J]. J Appl Meteor, 28(4): 285-303.
Smith T M, Elmore K L, Dulin S A, 2004. A damaging downburst prediction and detection algorithm for the WSR-88D[J]. Wea Forecasting, 19(2): 240-250.
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 Appl Meteor Climatol, 23(6): 898-915.
Wilson J W, Schreiber W E, 1986. Initiation of convective storms at radar-observed boundary-layer convergence lines[J]. Mon Wea Rev, 114(12): 2516-2536.
Witt A, Eilts M D, Stumpf G J, et al, 1998. An enhanced hail detection algorithm for the WSR-88D[J]. Wea Forecasting, 13(2): 286-303.
Wolfson M M, Delanoy R L, Forman B E, et al, 1994. Automated microburst wind-shear prediction[J]. Lincoln Lab J, 7(2): 399-426.