中国气象学会主办。
文章信息
- 杨 吉, 刘黎平, 李国平, 王改利, 何会中. 2012.
- YANG Ji, LIU Liping, LI Guoping, WANG Gaili, HE Huizhong. 2012.
- 基于雷达回波拼图资料的风暴单体和中尺度对流系统识别、跟踪及预报技术
- A new techniques for strom cell and mesoscale convective systems identification, tracking and nowcasting based on the radar mosaic data
- 气象学报, 70(6): 1347-1355
- Acta Meteorologica Sinica, 70(6): 1347-1355.
- http://dx.doi.org/10.11676/qxxb2012.113
-
文章历史
- 收稿日期:2011-09-30
- 改回日期:2012-05-22
2. 中国气象科学研究院灾害天气国家重点实验室,北京,100081;
3. 江苏省气象科学研究所,南京,210008
2. State Key Lab of Severe Weather Chinese Academy of Meteorological Sciences, Beijing 100081,China;
3. Jiangsu Institute of Meteorological Sciences,Nanjing 210008,China
强对流天气是中国夏季频发的气象灾害。强对流天气灾害占到了气象灾害的六分之一还多。强对流天气一般是指雷雨大风、冰雹、龙卷、短时强降水等天气,该类天气具有突发性和局地性强、生命史短、灾害重等特点,是天气预报业务中的难点。由于强对流天气的空间尺度和时间尺度都较小,常规观测资料难以捕捉。所以,具有高时空分辨率特点的天气雷达,成为观测强对流天气的一个重要工具。中国在20世纪末、21世纪初进行了一项跨世纪的气象现代化工程——新一代天气雷达网建设,在中国大陆布置158部新一代天气雷达,为强对流天气的监测提供了良好条件。
基于单雷达的风暴识别、追踪和预报已得到很大的发展。Rinehart等(1978)首先发展了TREC(Tracking Radar Echoes by Correlation)技术用于雷达回波移动分析。利用求最优化相关系数的方法,可以建立追踪区域间的最佳拟合关系。刘黎平等(1991)提出了二维矩心算法进行回波跟踪,即以面积较大的回波块为研究对象,在等高平面位置显示(CAPPI)中计算回波的中心、面积、平均强度等特征量,然后按面积、强度分别匹配,并规定最大移速进行约束实现回波的跟踪、外推预报。Dixon等(1993)基于交叉相关法和图形算法进行雷暴识别跟踪分析预报(TITAN,Thunder storm Identification,Tracking,Analysis and Nowcasting)。TITAN基本上属于回波区域跟踪的范畴,TITAN算法只利用了一个阈值来判断风暴,所以,不能反映风暴体的内部结构。Johnson等(1998)提出了改进的基于风暴单体质心的追踪算法SCIT(Storm Cell Identification and Tracking Algorithm),并应用于WSR-88D的风暴系列算法中。胡胜等(2006)在WSR-88D Biuld 9.0(B9SI)的基础上设计了风暴对流发展信息(CSI)方法描述风暴对流发展的强弱。王改利等(2007)讨论了TREC方法中时间步长、网格大小及雨强阈值对跟踪结果的影响。并用3种资料雨强CAPPI、反射率CAPPI、组合反射率因子CR进行临近预报,它们都能反映暴雨,台风暴雨的移动方向;CR资料效果稍差于其他两者。韩雷等(2007)提出基于形态学的三维风暴自动识别方法,该方法主要针对风暴识别中的一个难点,虚假合并问题提出,首先使用第一级反射率阈值识别出风暴,然后对风暴进行腐蚀操作,消除虚假合并,再使用高一级反射率阈值进行识别,并在每一个阈值识别基础上进行腐蚀和膨胀操作,该方法在成功分离风暴单体的同时保留了风暴信息。王改利等(2010)在雷达拼图资料上用区域增长法实现三维风暴的识别,并对风暴进行追踪和预报。SCIT方法在风暴识别、跟踪和预警方面是比较成熟和可信的方法,SCIT 算法已被用于美国国家海洋大气局国家强风暴实验室(NOAA/NSSL)开发的预警决策保障系统(WDSS)和其他一些临近预报系统中,并且,中国大部分CINRAD-SA和部分其他型号雷达的算法软件中也使用SCIT算法。
一个生命史较长的风暴,经常能够移出单个雷达的探测范围,而更大尺度的天气系统,如飑线等中尺度对流系统,单部雷达探测范围不足以覆盖,在这样的情况下研究风暴是不利的。因此,为了更好地研究和预报中尺度灾害性天气,发挥多部雷达联合检测的作用,需要把多部雷达资料进行组网拼图。目前,区域雷达的组网工作已经展开,拼图资料包含观测区域更大。以往的SCIT算法是基于单雷达数据的,为了更好地检测、预警强对流天气,研究强对流发生、发展,开展基于雷达三维组网数据的强回波识别方法是一项重要的工作。
由于SCIT只适用于风暴单体的识别和跟踪,而很多暴雨、冰雹等灾害天气是由一定组织的中尺度对流系统造成的。中尺度对流系统的自动识别一般都是使用地球静止气象卫星的红外云图资料。段旭等(2004)依据卫星红外云图辐射亮温资料,对云南及周边地区中尺度对流系统进行了统计分析,获得了该地区β中尺度、α中尺度和中尺度复合体(MCC,Mesoscale Convective Complexes)的时空分布特征。郑永光等(2008)使用10 a卫星资料统计了中国及周边地区夏季中尺度对流系统空间分布及日变化特征。束宇等(2010)基于静止卫星的红外云图资料,提出一种中尺度对流系统的计算机自动识别方法,利用计算机图形学的知识找出中尺度对流系统的轮廓并计算它的特征参量。何会中等(2011)借用Davis等(2006a,2006b)开发的一个工具——MODE模块并依据降水场中的中尺度对流系统识别特有的要求对其进行相应的改进,然后用其来对降水场中的中尺度对流系统产生的降水进行识别并追踪,建立起2003—2009年暖季东亚大陆的中国及其周边地区的中尺度对流系统数据库。基于气象卫星资料可能将红外辐亮度很低的高层薄云误认为强对流天气系统,不能准确地反映中尺度对流系统的实际情况。另外,在中尺度对流系统发展到中后期云顶会在其下风向产生一个很大的红外亮温很低的云毡,因此,用红外亮温来对中尺度对流系统进行识别所得到的中尺度对流系统范围要大于实际的中尺度对流系统。而使用雷达拼图资料,可以有效地避免这一问题。中尺度对流系统具有快速变化的特征,雷达资料相对卫星资料具有更高的时间和空间分辨率,可以得到更准确和详细的中尺度对流系统发展过程资料。国际上已开展了基于雷达拼图资料的中尺度对流系统研究,Geerts(1998)使用雷达拼图资料识别中尺度对流系统,并对美国东南部的中尺度对流系统进行了普查。Punkka(2005)对Geerts的方法做了细微的修改,然后用雷达拼图资料对芬兰夏季的中尺度对流系统进行了普查。所以,有必要在中国开展基于雷达拼图资料的中尺度对流系统识别研究。
由于以上原因,文中提出了基于雷达拼图资料的SCIT算法;借用Davis等(2006a,2006b)开发的模式评估工具(MODE,Method for Object-based Diagnostic Evaluation)发展了基于雷达拼图资料的中尺度对流系统识别方法,并完成了中尺度对流系统的追踪,进而实现中尺度对流系统的预报。2 资 料
原始雷达资料由中国气象部门的新一代天气雷达网提供。使用中国气象科学研究院灾害天气国家重点实验室开发的多普勒天气雷达三维数字组网系统把原始雷达资料转化成雷达拼图资料。该系统首先将不同型号、不同波段雷达的体扫数据转换为统一格式,对统一格式的数据进行质量控制,再采用径向与方位上的最近邻居法和垂直线性内插法将单站雷达数据从极坐标系转换到经纬度和垂直高度坐标系,然后采用指数权重算法将各单站的格点数据拼到一个大范围的经纬度和垂直高度坐标系中。SCIT算法使用雷达拼图资料的水平分辨率为0.01°×0.01°,时间分辨率为6 min,垂直分辨率为1 km。中尺度对流系统识别 使用水平分辨率为0.01°×0.01°的组合反射率,时间分辨率为6 min。
选取的5次天气过程,分别具有不同的特点,意在考察SCIT在层云降水、中尺度对流系统、孤立单体和微型超级单体天气过程中的表现;考察中尺度对流系统识别法在识别线状、团状和非规则状中尺度对流系统时的表现。5次天气过程特点如下。
2008年7月14—15日,河北东北部、北京和天津地区出现一次大范围的层状云降水,回波水平范围大,影响时间较长,强度较为均匀,呈弥散状分布,一般为20—30 dBz,大片弱回波中夹杂部分强度较大(高于40 dBz)的回波:回波的水平尺度大于垂直尺度,高度一般为6 km,回波顶比较平坦,没有明显的风暴单体突起。降水范围大,降水中心不明显。使用了北京S、北京C、承德、秦皇岛和天津5部雷达的基数据进行组网。
2009年6月3—4日,一次罕见的强飑线天气过程袭击了中国的黄淮地区。本次过程风力强、生命史短、速度快、影响范围广、造成灾害严重。河南省多地出现雷电、短时大风、局地冰雹和短时强降水等强对流天气,过程中部分风暴距离较近,出现多次合并、分裂,风暴之间相互作用,过程复杂,形成了线状和不规则状的中尺度对流系统。对此次强对流天气过程影响范围大,组网雷达较多,使用了郑州、商丘、濮阳、三门峡、驻马店、徐州和合肥7部雷达的基数据进行组网。
2009年3月28—29日,强对流天气自西向东经过广东地区,广东省西部和珠江三角洲地区先后经历了大雾、雷暴、强降水、冰雹等多种灾害天气。过程中,出现了多个孤立强风暴、微型超级单体、线状中尺度对流系统和不规则状中尺度对流系统等。对此次强对流天气过程,使用了湛江、阳江、深圳、梅州和汕头5部雷达的基数据进行组网。
2010年3月3—4日,广东省北部出现了一次局地强对流过程,部分县市降中到大雨,并伴有雷雨大风等灾害。风暴单体较少,大多数风暴为孤立单体风暴,风暴间距较大,几乎没有合并、分裂发生。对此次强对流天气过程,使用了梅州、广州、韶关和赣州4部雷达的基数据进行组网。
2011年4月16—17日,广东大部分地区出现强对流天气,伴随着大到暴雨、大风、雷电天气,部分地区出现冰雹。多个强风暴单体、不规则状和团状中尺度对流系统沿西北向东南方向移动,影响广东省大部分地区。对此次强对流天气过程,使用了韶关、广州、深圳、阳江和河源5部雷达的基数据进行组网。 3 方 法
本研究工作提出了基于雷达三维格点数据的风暴单体与中尺度对流系统识别、追踪和预报算法。 3.1 风暴单体的识别、追踪、预报算法
参考在雷达基数据基础上进行风暴单体识别、跟踪和外推预报的美国SCIT算法,发展了应用于雷达三维格点拼图资料的风暴跟踪算法。该算法包括风暴单体识别、跟踪和外推预报3个功能。SCIT算法风暴识别首先根据回波强度、分段长度等阈值沿径向对回波进行分段,分别使用35、40、45、50、55、60 dBz回波强度阈值重复上述过程,分别存贮各反射率阈值下识别到的风暴段,随后,在方位上进行风暴的组合和识别,形成一个二维的风暴单体,最后通过组合位置相近的不同仰角上的回波,形成三维的风暴单体的范围。利用这一信息计算单体的质心位置等参数。风暴单体跟踪算法主要是根据前后两个时刻的回波单体的位置、面积等参数进行匹配,具有最小距离的匹配被认为是同一单体。单体位置的预报是根据单体运动向量直接外推得到的。
根据与SCIT使用数据的不同进行了如下修改:原算法的段与段之间方位角离开阈值缺省设定为1.5°,而在雷达拼图资料中没有方位角的概念,为此,在比较重叠距离时只比较相邻段,并且组成一个二维风暴分量的风暴段,数量阈值采用2个格点。在遇到几个单体距离非常近时,原SCIT算法在方位和仰角方向做风暴段时,有水平距离阈值,高度距离阈值和仰角阈值,而在改进算法中,因使用了雷达拼图资料(经纬度、海拔高度坐标),使用水平距离阈值和高度距离阈值就能很好地确定两个单体间的距离。其他阈值均采用原SCIT算法的缺省值。基于雷达拼图资料的追踪和预报算法与原算法一致,原理如上文。 3.2 中尺度对流系统的识别、追踪算法
这一算法的主要目的是把3.1节识别的位置比较近的风暴单体组成中尺度对流系统,以便对中尺度对流系统进行跟踪和预报。中尺度对流系统是由多个对流云组成,且尺度大于对流单体的、有组织的系统。可以是圆形或者线性,包括飑线、对流复合系统和大的强雷暴等。中尺度对流系统识别、跟踪和预报中一个重要的问题就是中尺度对流系统的时间和空间尺度。Geerts在雷达拼图资料上对中尺度对流系统的定义是一个连续的层云降水区域(反射率超过20 dBz)长轴至少100 km,生命期4 h以上,生命期内至少有2 h的最大反射率超过40 dBz。Punkka对中尺度对流系统的定义和Geerts的定义基本一致。在此采用了与Geerts利用雷达资料定义中尺度对流系统类似的定义,首先对对流云进行识别(回波强度35 dBz),再识别层云(回波强度15 dBz),把由层云连接的对流云组织成一个系统。这样的系统如果满足长轴至少100 km,且生命期在4 h以上,则认为是中尺度对流系统。这样既识别了中尺度对流系统,也能提取中尺度对流系统内部的相关信息,并实现对中尺度对流系统的跟踪和预报。
借用Davis等开发的模式评估工具MODE对雷达拼图资料中的中尺度对流系统进行识别。具体识别方法如下:
首先,由雷达拼图资料得到组合反射率因子。然后,进行一个卷积过程,使资料变得光滑,有利于识别成块的回波。卷积过程使用的卷积函数为


参数R和H不相互独立,其关系如下:

卷积过程中影响半径R是唯一可改变的参数。一旦R被选定,H由式(3)决定。本文中采用的是4个格距。
得到卷积场后,让场中每一点与第一阈值对比,不小于第一阈值在该点赋值1,小于则赋值0,识别出对流云,得到对流云场。再使用第二阈值识别出更大范围的层云,得到层云场。把落在同一个层云范围内的对流云归为一个系统,这样就形成了包括大范围层状云和多个风暴单体的中尺度对流系统。如果这样的系统满足长轴大于100 km,且生命期超过4 h,则被认为是中尺度对流系统。在识别出中尺度对流系统的同时,每个对流云和中尺度对流系统的物理特征相关参数被记录下来。中尺度对流系统一般为不规则多边形,形状复杂,本文首先勾勒出中尺度对流系统的多边形,然后再用椭圆去拟合这个多边形,用拟合得到的椭圆来代表中尺度对流系统。
再根据在连续两个时次所识别到的系统之间重心位置的距离、面积比和移动方向来实现中尺度对流系统的追踪,因为在两个连续时次中相同的系统应该具有相似的面积、移动方向和较小的重心位置距离。
当第1时刻的第i个系统与第2个时刻的第j个系统进行匹配时,首先计算重心距离价值函数:

如果dij小于一个阈值,则后一时刻的第j个系统保留下来作为前一时刻第i个系统一个可能的匹配。其次如果小于阈值的匹配有多个,则排除错误的匹配。根据面积比相似原理删去错误的匹配;其次他们重心位置距离是大概相近的,如果其中一个重心位置距离与其他几个重心位置距离的平均值的比值大于阈值,则删去这个匹配。
由上述得到中尺度对流系统跟踪结果如图 1所示,t1、t2代表前后两个时次。如图 1a所示,在匹配时两个时次所识别的系统中如果前后两个时次“系统a”、“系统b”都唯一对应,这时就认为这两次所识别到的系统为同一个系统。如图 1b所示,如果后一时刻的“系统e”对应了除上一时刻的“系统c”以外,还对应于上一时刻“系统d”或者多个系统,且“系统c、d”都唯一对应于“系统e”,此时认为系统发生了融合。如图 1c所示,如果出现在前一时刻的“系统f”除了对应下一时次的“系统g”外,还对应了“系统h”或者多个下一时次系统,但是“系统g、h”都唯一对应于上一时刻“系统f”,则被认为是系统发生了分裂。如图 1d所示,如果在前后两个时刻的系统出现交叉对应的情况时,那么他们交叉对应时的移动方向之差较平行对应时的移动方向之差大,而实况中尺度对流系统是不会出现交叉移动的,这时候就会选择移动方向之差较小的匹配作为正确的匹配。
![]() |
图 1 追踪示意图 Fig. 1 Schamatic map for the tracking |
对于中尺度对流系统的识别、跟踪和预报,主要做了以下工作。在雷达拼图资料中,根据“目标”识别法原理,用Microsoft Visual C++6.0编成程序,识别出雷达资料中的中尺度对流系统。把跟踪算法混合编程到Microsoft Visual C++6.0的识别算法中,实现跟踪后,用最小二乘法从目前的中尺度对流系统一直拟合到前10个体扫的位置得到运动向量,然后线性外推预报位置。初次探测到的中尺度对流系统采用被识别中尺度对流系统的平均移动,如果没有平均移动则由人工直接输入单体运动向量。由于该算法对中尺度对流系统识别的同时也识别对流云,所以,加入了对对流云的跟踪与预报,方法同上述的SCIT跟踪与预报算法。程序中的可调参数经过多次对中尺度对流系统识别试验后,对流云面积阈值为100 km2,对流云强度阈值为35 dBz,层云识别阈值为15 dBz。4 结果分析与讨论 4.1 风暴识别跟踪分析 4.1.1 算法在各种天气过程中的表现
图 2a是2008年7月15日00时10分(世界时,下同)河北省层云降水天气过程的识别图。图中显示为风暴单体组合反射率因子。从这次过程来看,回波结构多变,多次发生分裂,或者与周边的回波块合并后再次分裂,缺少明显的强回波中心。算法对缺少强中心的回波块识别效果较差,回波块不断地分裂和合并使得跟踪效果下降。算法在层云降水天气过程中表现较差。
![]() |
图 2 风暴单体识别结果(a. 2008年7月15日00时10分(河北),b. 2010年3月3日16时20分(广东),c. 2009年6月3日15时06分(河南),d. 2009年3月29日00时(广东),图中白色小圆圈连成的线为风暴单位的轨迹) Fig. 2 Storm cell indentification(a)in Hebei at 00:10 UTC 15 July 2008,(b)in Guangdong at 16:20 UTC 3 March 2010,(c)in Henan at 15:06 UTC 3 June 2009,and (d)in Guangdong at 00:00 UTC 29 March 2009(The line of white circles are the storm track) |
2010年3月3日,广东省北部出现了一次局地强对流过程,此次过程多为孤立单体风暴(图 2b),算法能够很好地识别出各个识别阈值下的风暴单体。在这次强天气过程中,发生了158个风暴单体,均被正确识别,没有发现误判现象。与实况图对比发现,识别的风暴单体位置、形状、强度与实况一致,识别效果较好。图 2b追踪时间较长的4个风暴单体分别被追踪了6 h 42 min、1 h 24 min、1 h和48 min。追踪过程中基本没有分裂、合并发生,所有风暴从初生到消亡都被正确追踪到。
在中尺度对流系统天气过程中,风暴单体发生分裂、合并的频率较高,部分风暴单体排列紧密,该算法能很好地识别出过程中各个识别阈值下的风暴单体,如图 2c中的风暴单体均被正确识别,此次过程中产生了1568个风暴单体,均被正确识别,没有误判现象。在不发生分裂、合并的情况下风暴单体一般都能被正确追踪到。在中尺度对流系统天气过程中,分裂和合并常有发生,以后应考虑加入分裂和合并情况。
在2009年3月28—29日广东省这次天气过程中,出现几个微型超级单体,如图 2d中左下角的风暴单体被正确追踪了47个时次,该风暴单体自发展起来后,被算法识别并跟踪一直到不满足风暴单体定义为止。说明该算法对微型超级单体的识别还是比较有效的,并且跟踪效果良好。4.1.2 风暴识别的定量分析
2011年4月16—17日,广东省大部分地区出现强对流天气,风暴主要出现在广州、韶关、深圳和河源4个雷达站附近,为了比较本方法和原SCIT方法识别风暴单体的效果,把这个时段4部雷达原始数据分别用多普勒天气雷达三维数字组网系统格点化。用原SCIT算法对4部雷达的原始数据进行处理,用基于雷达拼图数据的SCIT算法对格点化雷达数据进行处理,从而达到在单雷达区域内定量比较风暴识别的目的。原SCIT算法参数都采用缺省设置,采用30、35、40、45、50、55和60 dBz作为识别阈值,基于雷达拼图数据的SCIT算法参数设置见上文。从表 1中看,这两个算法在识别风暴数量上大体相当,相对偏差较小。由于雷达拼图数据由原始数据插值得到,两种数据本身就存在一定差异,对于同一个风暴,识别出的风暴面积和体积等参数有一定差异,会出现能否达到面积和体积阈值的问题。所以,相对偏差的存在是必然的。总体来讲基于雷达拼图数据的SCIT算法比较可信。
原SCIT | 拼图SCIT | 相对偏差 | |
广州 | 3101 | 2994 | 3.5% |
深圳 | 1276 | 1342 | 4.9% |
阳江 | 1603 | 1512 | 5.7% |
河源 | 2105 | 2174 | 3.2% |
平均 | 4.1% |
图 3是非规则状、线状和团状中尺度对流系统的识别结果。图 3a是河南省2009年6月3日14时24分的中尺度对流系统组合反射率识别图。图中识别出一个不规则中尺度对流系统,内部包含了 11个对流云。到16时(图 3b),不规则中尺度对流系统发展成了一个西北—东南向的近似线状的中尺度对流系统,内部包含了多个对流云,可以看出,算法有效地识别出了这个近似线状的中尺度对流系统。图 3c为一个团状的中尺度对流系统,算法有效地识别出了这个团状中尺度对流系统,可见该算法对各种形状的中尺度对流系统均能有效识别。对2009年6月3—4日发生在河南省的飑线、2009年3月28—29日发生在广东省的强对流天气过程和2011年4月16—17日发生在广东省的强对流天气过程资料进行处理,共发生了几百个中尺度对流系统,均被正确识别。与实况图对比发现,能够准确地识别出中尺度对流系统,且位置、形状、强度与实况吻合,没有误判现象,也没有遗漏任何中尺度对流系统。识别中尺度对流系统过程中,可以设置反射率阈值、面积阈值和百分比风暴强度来过滤掉面积较小的中尺度对流系统。白色线为历史轨迹,从图 3a、b可以看出,算法有效追踪到了该中尺度对流系统,即使在中尺度对流系统发生分裂和合并的情况下依然能够实现正确追踪,但轨迹却不是那么光滑,经分析发现是由以下两个原因造成:一是中尺度对流系统内部的多个对流云处于不同的生命阶段,单体的消亡和新生引起了风暴质心的“跃变”,中尺度对流系统的分裂和合并也是造成这个现象的原因之一;二是因为中尺度对流系统内部的各个强对流云运动方向并不一致,且之间相互影响,在这样的情况下,下一时刻中尺度对流系统的位置更加具有不确定性。
![]() |
图 3 中尺度对流系统识别结果(a. 2009年6月3日14时24分(河南),b. 2009年6月3日15时(河南),c. 2011年4月17日8时12分(广东)) Fig. 3 MCSs identification(a)in Henan at 14:24 UTC 3 June 2009,(b)in Henan at 15:00 UTC 3 June 2009,and (c)in Guangdong at 8:12 UTC 17 April 2011 |
对程序中对流云、层云识别阈值和卷积过程影响半径进行调试,试验后发现,中尺度对流系统识别结果范围主要由对流云识别阈值和层云识别阈值决定,而卷积过程影响半径对识别结果范围影响非常有限。对实验结果进行分析之后决定采用35 dBz作为对流云识别阈值,15 dBz作为层云识别阈值,能够较好地识别中尺度对流系统。 4.3 预报分析
图 4a中红色箭头代表算法对风暴单体做的60 min预报。图 4b中算法对风暴单体和中尺度对流系统都作出了预报,红色箭头所在位置代表预报60 min的风暴中心位置,白色椭圆表示现在时刻中尺度对流系统的位置,深灰色、红色、蓝色、紫色椭圆分别表示6、18、30和60 min的中尺度对流系统预报位置。可以看出,中尺度对流系统内部的各个风暴单体移动方向和速度是不一样的,中尺度对流系统的预报方向和风暴单体位置预报的方向大体是相同的。但是,在有新单体加入和旧单体消亡的时候,会影响中尺度对流系统的中心位置,同时也影响了对中尺度对流系统的位置预报,这种情况下一般误差较大。
![]() |
图 4 预报结果(a.风暴预报,b.中尺度对流系统预报) Fig. 4 Forecast results(a. storms,and b. MCSs) |
用7个识别阈值对4次强对流天气过程进行了处理,共识别出1593个单体和7603个误差样本。将SCIT的预报位置与其相应位置进行比较得到表 2。
预报时效(min) | 样本数量 | 平均预报误差(km) |
6 | 4906 | 3.81 |
18 | 3563 | 8.20 |
30 | 2707 | 11.33 |
42 | 2124 | 14.11 |
60 | 1579 | 18.46 |
用15 dBz的层云识别阈值和35 dBz的对流云识别阈值对3次强对流天气过程进行处理,共识别出264个中尺度对流系统和1205个误差样本。将算法预报位置与其相应位置进行比较得到表 3。
预报时效(min) | 样本数量 | 平均预报误差(km) |
6 | 816 | 10.56 |
18 | 687 | 20.86 |
30 | 595 | 30.27 |
42 | 527 | 39.48 |
60 | 457 | 50.98 |
中尺度对流系统预报方法的平均预报误差较SCIT大很多,原因在于中尺度对流系统比风暴单体尺度更大,中尺度对流系统一般包含了多个对流单体。而包含多个对流单体的中尺度对流系统,每个对流单体处于不同发展阶段且具有不同的移动方向和速度,对流单体的生消对中尺度对流系统的中心位置有很大影响,其预报难度加大了。5 结 论
在原基于雷达基数据的SCIT算法基础上,提出了基于新一代天气雷达回波强度三维拼图资料的SCIT算法及中尺度对流系统识别、跟踪和预报方法,并对多个强天气过程雷达拼图资料进行处理、分析,得到以下结论。
(1)基于区域雷达组网三维数字产品的SCIT算法能够实现风暴单体识别,SCIT算法识别的风暴单体为三维,对孤立单体、微型超级单体和中尺度对流天气过程识别效果较好,对层云天气过程识别效果较差。在单雷达区域内定量比较拼图SCIT和原SCIT算法的识别效果,它们大体相当。SCIT追踪方法比较合理,在无分裂、合并情况下基本能够实现正确追踪。
(2)中尺度对流系统识别方法能够实现对中尺度对流系统的识别,识别结果为二维,对线状中尺度对流系统、非规则状中尺度对流系统和团状中尺度对流系统的识别结果表明,算法在各种情况下均能实现较好的识别。中尺度对流系统追踪方法比较合理,在一般情况都能实现正确的跟踪。
(3)SCIT对风暴单体的位置预报误差较小。对中尺度对流系统的预报误差相对较大。
段旭, 张秀年, 许美玲. 2004. 云南及其周边地区中尺度对流系统时空分布特征. 气象学报, 62(2): 243-250 |
韩雷, 郑永光, 王洪庆等. 2007. 基于数学形态学的三维风暴体自动识别方法研究. 气象学报, 65(5): 805-814 |
何会中. 2011. 利用CMORPH资料研究中国暖季(5—8月)降水及中尺度对流系统时空分布特征[D]. 北京: 中国气象科学研究院 |
胡胜, 顾松山, 庄旭东等. 2006. 风暴的多普勒雷达自动识别. 气象学报, 64(6): 796-807 |
刘黎平, 徐宝祥, 王致君. 1991. 利用矩心跟踪法跟踪、警戒强对流天气方法初探. 高原气象, 10(3): 317-324 |
束宇, 潘益农. 2010. 红外云图上中尺度对流系统的自动识别. 南京大学学报 (自然科学版), 46(3): 337-348 |
王改利, 刘黎平, 阮征. 2007. 多普勒雷达资料在暴雨临近预报中的应用. 应用气象学报, 31(10): 12-15 |
王改利, 刘黎平, 阮征等. 2010. 基于雷达回波拼图资料的风暴识别、跟踪及临近预报技术. 高原气象, 29(6): 1546-1555 |
郑永光, 陈炯, 朱佩君. 2008. 中国及周边地区夏季中尺度对流系统分布及其日变化特征. 科学通报, 53(4): 471-481 |
Davis C, Brown B, Bullock R. 2006a. Object-based verification of precipitation forecasts. Part Ⅰ: Methodology and application to mesoscale rain areas. Mon Wea Rev, 134: 1772-1784 |
Davis C, Brown B, Bullock R. 2006b. Object-based verification of precipitation forecasts. Part Ⅱ: Methodology and application to convective rain systems. Mon Wea Rev, 134: 1785-1795 |
Dixon M, Wiener G. 1993. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting:A radar-based methodology. J Atmos Oceanic Technol, 10(6): 785-796 |
Geerts B. 1998. Mesoscale convective systems in the southeast united states during 1994-95: A survey. Wea Forecasting, 13: 860-869 |
Houze R A Jr. 1982. Cloud cluster and large-scale vertical motions in the tropics. J Meteor Soc Japan, 60(1): 396-409 |
Houze R A Jr. 1989. Observed structure of mesoscale convective systems and implications for large-scale heating. Quart J Roy Meteor Soc, 115(487): 425-461 |
Johnson J, Mackeen P A, Witt E M, et al. 1998. The storm cell identification and tracking algorithm: An enhanced WSR-88D algorithm. Wea Forecasting, 13(2): 263-276 |
Punkka A J, Bister M. 2005. Occurrence of summertime convective precipitation and mesoscale convective systems in finland during 2000—2001. Mon Wea Rev, 133(2): 362-373 |
Rinehart R, Garvey E. 1978. Three-dimensional storm motion detection by conventional weather radar. Nature, 273(5660): 287-289 |