基于相對風暴徑向速度場的輻合區自動識別算法

竹 利 康 嵐

1)(高原與盆地暴雨旱澇災害四川省重點實驗室，成都 610072) 2)(四川省南充市氣象局，南充 637006) 3)(四川省氣象臺，成都 610071)

引 言

中層徑向輻合(mid-altitude radial convergence,MARC)為對流風暴中層(通常為3～9 km高度)的徑向輻合區，用以反映由風暴前側的強上升入流氣流和風暴后部入流急流(rear inflow jets，RIJ)之間的過渡區[1]。Lemon等[2]研究發現，在一個產生下擊暴流的超級單體中，下沉氣流與上升氣流的交界面附近存在一深厚輻合區，Lemon等[3]在另一個產生地面大風的超級單體中也發現類似深厚輻合區，并推斷與深層輻合相伴隨的氣流加速和負的浮力共同作用產生地面大風。國內學者們的研究也表明，在強對流大風天氣過程中常伴有中層徑向輻合特征[4-12]。當天氣雷達的多普勒徑向速度圖上存在明顯MARC特征時，預示地面將會產生災害性大風，MARC特征的參數信息(強度、高度等)對地面大風天氣臨近預警具有較好指示意義[13-14]。一般徑向輻合在對流層3～7 km高度上的2～6 km徑向距離范圍內出現25 m·s-1以上徑向速度差，認為MARC 特征顯著[15]。有研究表明[16-17]，顯著MARC特征對地面大風預警的提前時間為10～30 min。因此，強風暴中深厚輻合帶的探測和識別對地面大風預警起重要作用。

MARC強度在一定程度上表征颮線系統后部干冷空氣卷入雷暴體內的激烈程度，夾卷越激烈，越有利于冷池的發展，從而產生更強的地面大風[3]。因此，MARC與地面大風之間可能存在相關關系。利用MARC特征自動識別算法可對大量歷史個例的雷達資料進行批量計算，經過統計分析計算結果，揭示其中關系。利用高空間分辨率雷達資料，判別地面大風的強度，對未布局地面觀測站區域的對流性大風監測預警以及災害評估，提供參考依據。另外，強天氣系統雷達回波特征的自動識別，可提高災害天氣的短時臨近預報水平[18-20]。MARC特征自動識別及特征參數的計算對輔助業務人員分析天氣系統也起著積極作用，提前識別該特征有利于提升預警信號發布時間提前量。因此，MARC自動識別算法有較大實際業務應用價值。MARC特征在平均徑向速度圖中常表現為一對相鄰且面積相當的正速度區和負速度區，稱為典型“正-負速度區域對”徑向輻合特征[21]。王萍等[21]設計一種基于典型“正-負速度區域對”的MARC特征自動識別算法，該算法可識別出部分風暴的三維徑向輻合特征。但對于強風環境影響下形成的對流系統，其徑向輻合區有時表現為不對稱的“正-負速度區域對”，有時甚至僅表現為單一正或負速度區域，稱為非典型“正-負速度區域對”徑向輻合特征[22]。這種情況下，基于典型“正-負速度區域對”的MARC特征識別算法難以識別出徑向輻合區。因此，肖艷姣[22]提出另一種自動識別算法，該算法采用二維局地 LLSD(linear least squares)方法計算徑向速度的徑向散度切變，并使用類似SCIT(storm cell identification and tracking)算法的風暴單體徑向輻合區識別算法進行風暴單體三維徑向輻合區的自動識別。該算法可有效識別非典型“正-負速度區域對”徑向輻合特征，但在計算徑向輻合強度方面存在一定不足。由于散度切變是根據徑向速度與距離權重乘積建立關系，往往速度最大值所在位置與徑向輻合處有一定距離，若計算徑向輻合強度所取二維局地窗口的徑向長度小于正-負速度大值中心之間的距離，計算的徑向輻合強度較實際值偏小。

本文對2016年8月6日一次具有非典型“正-負速度區域對”徑向輻合特征的颮線過程開展研究，分析非典型“正-負速度區域對”徑向輻合特征形成的原因。根據分析結果，本文提出將對流風暴的整體徑向速度場減去風暴移動速度(朝向雷達為負，遠離雷達為正，下同)后，得到相對風暴的徑向速度場，在此基礎上搜索雷達某徑向上的“正-負速度區域對”，從而識別MARC特征。本文將該MARC特征識別算法稱為相對風暴中層徑向輻合特征(storm-relative mid-altitude radial convergence,SRMARC)識別算法。

1 假設條件及資料說明

本文在算法研究和設計過程中的假定和處理原則：①因天氣雷達掃描的仰角較低，忽略垂直氣流(或粒子落速)的影響，雷達測到的降水粒子徑向速度即為實際水平氣流的徑向速度；②忽略單體風暴的移向和移速，只考慮整體風暴的移向和移速，且風暴整層的移速相同；③模式輸出的風暴結構風場與實際風場一致；④以雷達的某徑向為處理單元，使得徑向輻合特征在風暴移向與風暴所在雷達徑向一致時最明顯，當風暴整體移向與風暴所在雷達徑向的夾角小于20°時，假定風暴移向與風暴所在雷達徑向一致；⑤為了獲取3～8 km高度范圍內完整的徑向速度數據，算法只處理徑向距離大于30 km且小于150 km范圍，且強度大于40 dBZ和徑向速度絕對值大于0.5 m·s-1(忽略弱對流系統)的距離庫。

本文所用資料包括四川盆地地區2009—2018年10次颮線大風天氣過程的常規觀測資料、雷達資料(四川省氣象探測數據中心提供)。另外，本文采用WRF4.0對2016年8月6日颮線個例進行模擬，模擬區域采用二重雙向嵌套，水平分辨率分別為16.0 km和3.2 km，垂直方向為33層。網格中心位于30.0°N，104.5°E。長波輻射采用RRTM方案，陸地選取Noah方案，邊界層選取YSU方案，短波輻射采用Dudhia方案，粗網格模擬區域采用Kain-Fritsch積云對流方案而非微物理方案，細網格模擬區域只采用 WDM6類微物理方案而非積云對流參數化方案。初始場為NCEP FNL分析資料。模擬初始時間為2016年8月6日14：00(北京時，下同)，積分24 h。

2 典型個例分析

中小尺度天氣系統的流場結構由自身運動和平移運動共同構成，基本徑向速度場主要是自身水平運動和平移運動綜合影響的結果。當系統的平移運動速度大于自身運動速度時，系統在基本徑向速度場上的切變(旋轉、輻合或輻散)特征可能被掩蓋[23]。由于MARC特征在對流層中高層表現較為顯著，一般出現在正、負徑向速度交匯區，且正速度區較負速度區距離雷達站更近。但在強風環境影響下形成的對流系統(如颮線)，其徑向輻合區常表現為單一正或負速度區域內徑向速度大小突變形成的徑向輻合特征。在冷渦后部較強偏北氣流影響下，2016年8月6日傍晚至7日凌晨四川盆地中部地區出現一次強颮線天氣過程。圖1a和圖1d分別為該颮線過程在6日23:34樂山雷達3.4°仰角上的反射率因子及其沿徑向(圖1a黑色直線)的反射率因子剖面圖。此時颮線以約40 km·h-1的速度沿徑向朝雷達方向快速移動，造成地面災害性大風。由徑向速度圖(圖1b)及其剖面圖(圖1e)可知，該風暴南段(圖1b中剖面線以南部分)2～5 km高度上均為一致的負速度區域(最大徑向速度絕對值約23.0 m·s-1，表明對流系統存在后部入流急流特征)，但負徑向速度從颮線后側至前側存在顯著的徑向速度輻合特征(負速度值突增)。該MARC即為非典型“正-負速度區域對”的MARC特征，利用王萍等[21]設計的MARC自動識別算法無法正確識別。

圖1 2016年8月6日23:34樂山雷達3.4°仰角反射率因子(a)、原始徑向速度(b)以及處理后的相對風暴徑向速度圖(c)及對應沿黑色直線的反射率因子剖面圖(d)、徑向速度剖面圖(e)和相對風暴徑向速度剖面圖(f)(剖面由雷達站沿徑向指向遠離雷達側)Fig.1 The reflectivity factor(a),raw radial velocity(b),processed relative storm radial velocity graph(c),corresponding reflectivity factor profile(d),radial velocity profile(e),and relative storm radial velocity profile(f) along the black lines based on Leshan Radar at 3.4° elevation angle at 2334 BT 6 Aug 2016(the profile is directed away from the radar side by the radar station in the radial direction)

續圖1

圖2a為模式模擬的此次過程的反射率因子和中層風場疊加圖。模擬回波的形狀、強度以及位置均與實況(圖略)較吻合，且同樣沿著中層環境風向移動。另外對流系統的中層后部入流急流特征(圖2b)以及地面大風特征(圖略)均可模擬再現，因此本文假設模式輸出的風暴結構風場與實際風場一致。圖2b為沿圖2a颮線移動方向(圖2a中紅色直線)的垂直剖面圖。其中風矢量場表示水平風場與垂直運動合成，其中水平風場為沿剖面線的u，v合成風減去颮線移速后的相對颮線水平風場。圖2b顯示，颮線前側近地層相對風暴的暖濕入流氣流受颮線后側下沉冷氣流強迫抬升后，在對流層中層與颮線后側入流急流引導的干冷氣流相遇形成風向相反的輻合流場，該輻合流場較真實反映風暴內部本身的氣流結構特征。后側干冷氣流入侵風暴體后將促使風暴中降水粒子強烈蒸發冷卻形成冷池，同時后側入流與前側入流匯合后，在風暴體后側下沉至地面從而引導中高層動量下傳，產生地面大風，這是MARC特征可預警雷暴大風的主要依據。假設颮線移向與雷達徑向方向一致時，該輻合流場在雷達徑向速度場上將表現為典型的“正-負速度區域對”。此時，利用基于搜索“正-負速度區域對”的自動識別算法可識別出MARC特征，該算法在相對風暴風場基礎上對徑向輻合特征進行識別，因此稱為SRMARC特征自動識別算法。

圖2 模擬的2016年8月7日01:00四川盆地颮線最大反射率因子(填色)以及中層環境風場(風羽，單位:m·s-1)(a),沿圖2a紅色直線的垂直剖面圖(其中陰影為反射率因子，箭頭為風矢量(風速矢量的垂直分量表示垂直速度的2.0倍)，等值線為相對濕度(單位:%))(b)Fig.2 Simulated maximum reflectance factor(the shaded) and mid-level environmental wind field(the barb,unit:m·s-1) of the squall line at 0100 BT 7 Aug 2016(a),vertical section along the red line in Fig.2a(where the shaded is the reflectivity factor,the arrow is the wind vector(the vertical component of the wind speed vector represents 2.0 times of vertical velocity),the contour is relative humidity(unit:%))(b)

U·p-V·p=U*-V·p。

(1)

由于在30～150 km徑向距離范圍內，風暴回波所在的最高仰角為6°左右，投影系數p約等于1。因此，相對風暴的徑向速度可由徑向速度直接減去風暴移速得到。在相對風暴的徑向速度場中，風暴前側低層的入流氣流與中層后部入流氣流的徑向方向相反，從而在雷達徑向圖像上易形成典型的“正-負速度區域對”MARC特征，此時可利用搜索正-負速度段的方法進行MARC特征自動識別。上述分析基于模擬的風暴單體，且在假設風暴移向與風暴所在雷達徑向一致情況下得到。圖1中該颮線實際移向與風暴主體所在雷達徑向方向(即剖面線)較一致，因此本文將采用類似思路對該實際風暴的回波徑向速度場進行處理，并構建算法。

颮線系統由多個雷暴單體緊密組織而成，若要區分和識別其中某個風暴單體并獲取其移動速度比較困難，獲取颮線系統整體移速相對容易，因此本文使用颮線整體移速替代雷暴單體移速。颮線移動速度主要受高空引導氣流和前向傳播共同影響[11]，颮線整體移速一般較單體更快，因此本文將風暴整層基本徑向速度減去颮線整體移速的一定比例值，得到更接近真實的相對風暴單體的徑向速度場。另外，大量颮線個例的雷達回波資料分析表明，當颮線處于成熟階段時，其中層后部常存在RIJ，促使颮線移動速度加快[24]。由于RIJ的速度在對流層中高層隨高度增加而減弱(圖1e)，當風暴整層基本徑向速度直接減去颮線整體平均移速后，在對流層中高層的相對風暴徑向速度圖上，颮線后側入流的徑向速度(絕對值)較小，范圍將減小，此時該區域很可能未被搜索到。由圖2b中還可見，風暴在6～9 km高度的相對風暴后部入流氣流的風速接近于零，導致搜索后側入流困難，不利于風暴中高層徑向輻合特征的自動識別。因此，為了盡量避免中高層的徑向輻合特征被漏識別，需利用颮線整體移速的一定比例值計算相對風暴徑向速度場?；谏鲜龇治?，本文利用原始徑向速度場減去颮線整體移速的三分之二(三分之二是基于多個個例分析后給定的經驗值，該參數可調整)得到相對風暴的徑向速度圖(圖1c)及其剖面圖(圖1f)。由圖1f可人工分析出風暴在2～8 km高度范圍內存在明顯的徑向輻合特征，該SRMARC特征為典型“正-負速度區域對”的中層徑向輻合特征，可利用搜索正-負速度段的方法識別徑向輻合特征。由于徑向輻合強度與正-負速度段的速度差有關，徑向輻合特征的正-負速度段同時減去風暴移動速度一定比例值后，對計算徑向輻合強度值基本無影響，但對輻合的厚度和高度有影響。

3 相對風暴中層徑向輻合特征自動識別算法

基于上述典型個例的討論，本文設計了相對風暴的徑向輻合特征自動識別算法。整個算法為4部分，按算法實現流程順序分為雷達基數據預處理、單徑向上正-負速度輻合對的識別、二維徑向輻合塊識別和三維徑向輻合體識別。

3.1 雷達基數據預處理

算法第1步是雷達基數據質量控制(利用模糊邏輯方法剔除雜波)，針對徑向輻合處有較多徑向速度奇異值(雙脈沖重復頻率技術造成的)的問題，本文采用肖艷姣等[25]提出的方法進行修正。為了將非典型“正-負速度區域對”變換成典型的“正-負速度區域對”，根據第2章所述，將分析風暴的整體徑向速度場減去颮線移動速度(颮線移速和移向通過相關軟件采集多個連續體掃中的方位和徑向距離計算所得)的三分之二，得到相對風暴的徑向速度場，在此基礎上搜索典型的“正-負速度區域對”進行SRMARC自動識別。

3.2 識別單徑向正-負速度輻合對

本文定義某徑向上滿足一定條件的正-負速度區域對(或正-負速度段對)為“單徑向正-負速度輻合對”(簡稱徑向輻合對)。圖3為徑向輻合對示意圖，正速度段位于雷達站與負速度段之間，其中徑向速度值為等距離抽取圖1c中剖面線所在徑向上有效范圍內的徑向速度整數值。

圖3 徑向輻合對示意圖(方格內數值為等距離抽取圖1c中剖面線所在徑向上有效范圍內的徑向速度整數值，單位：m·s-1，開始和結束的徑向距離分別為51 km和61 km)Fig.3 Schematic diagram of radial convergence pair(the values are the integral values of radial velocity(unit:m·s-1) in the radial direction of the section line in Fig.1c,and the radial distances at the beginning and the end are 51 km and 61 km，respectively)

算法第2步(算法流程見圖4)主要功能為徑向輻合對識別，該模塊是整個算法的核心。在上述限定區域內的逐個掃描層(scanning layer，Sli，i=1,2,…,7)，分別從360個方位角(azimuth，Azj，j=1,2,…,360)的徑向上搜索正-負速度段，然后對其進行配對并計算其輻合特征參數。首先從有效范圍內距離雷達最近的距離庫(rang bin，RBk,k=1,2，…，988)開始搜索，即第1個距離庫(RBk，k=1)，當徑向速度(radial velocity，V)絕對值大于等于0.5 m·s-1且高度在2.5～8 km范圍內時，將該值(包括仰角、方位、距離、高度等相關參數信息)放入臨時徑向速度段列表(temporary radial velocity list，TVL)中，接著判斷下一個距離庫的徑向速度值與TVL的第1個值是否同號。若同號，且該距離庫與之前剛放入TVL的距離庫值之間的徑向距離小于4 km(由于四川的SC型雷達徑向速度產品質量較差，有較多奇異值，為了減小奇異值的影響，增大該閾值，該閾值可根據實際情況調整)，同時TVL的徑向長度(段首值與段末值的徑向距離差)小于20 km (颮線對流系統的一般寬度，該閾值可調整)，則將該值放入TVL中；如果TVL的徑向長度大于20 km，且TVL中徑向速度數量大于6時(若小于6舍棄掉該TVL，即舍棄一些特小尺度的徑向輻合特征)，將TVL的信息賦值給徑向速度段，并給該徑向速度段配上段號(分為正和負速度段，均從1開始編號)，段號隨之增加1，清空TVL并裝入該RB的信息，此流程稱為“裝箱”。若異號，或該RB與之前剛放入TVL的距離庫值之間的徑向距離大于4 km時，均執行“裝箱”流程。當遍歷到該徑向上最后一個有效值(valid bin number，VBN)時，則將TVL的信息賦值給徑向速度段，并給該徑向速度段配上段號，最后清空TVL。此時，第1根徑向上速度段的搜索工作完成，接著將提取到的徑向正-負速度段進行配對。先從段號均為1的正-負徑向速度段開始對某徑向上所有的正-負速度段進行遍歷，選出滿足如下條件的正-負速度段對進行配對。

圖4 正-負速度輻合對識別算法流程圖Fig.4 Identification algorithm of positive-negative velocity convergence pair flowchart

首先，正速度段要位于負速度段與雷達站之間，即正速度段最后一個距離庫值的徑向距離要小于負速度段最開始一個值的徑向距離(圖3)。其次，正-負速度段中心值(即段內最大絕對值)距離(如圖3)需小于12 km[21]。當正-負速度段配對成功后，計算該速度段對的徑向輻合強度。正-負速度區域對徑向輻合強度的計算，一般采用正-負速度段中心值差的絕對值除以中心值之間的距離所得。但一個速度段上的徑向速度值(絕對值)在徑向上并非線性分布，中心值(也有可能是奇異值)的位置往往不在大值區域的幾何中間位置，這將導致計算徑向輻合強度的不確定性較大。因此，本文定義徑向輻合強度為正速度段與負速度段的平均值(絕對值)之和除以兩個速度段的平均值距離(從輻合處開始，在負速度段上遠離雷達方向最先小于負速度段平均值的距離庫徑向距離，減去正速度段上朝向雷達方向最先大于正速度段平均值的距離庫徑向距離，見圖3)。該計算結果與實際值相比有偏差，但可避免計算的強度值出現奇異值和大幅波動，同時也能表征徑向輻合的強弱。計算徑向輻合強度用于判斷地面大風的強度，若計算標準一致即可區分其強弱。圖3中正速度段的平均值約為2.7 m·s-1，負速度段的平均值約為-10 m·s-1，徑向輻合對的平均徑向距離約為4 km，因此該徑向輻合對的徑向輻合強度值約為3.1 s-1。若用正-負速度段中心值差的絕對值除以中心值距離(正-負速度段內最大絕對值所在徑向距離之差，見圖3)計算徑向輻合強度約為2.9 s-1，兩種算法所得結果相差較小。另外，統計分析多個類似樣本數據的兩種計算結果，兩者差值均在1 s-1以下，可見該強度計算方法可靠。

為了剔除輻合不明顯的速度對，本文設計當正-負速度段平均速度值的絕對值之和大于6 m·s-1且其徑向速度中心值的絕對值之和大于12 m·s-1時，才計算其徑向輻合強度等參數，否則，舍棄該徑向輻合對。當計算的徑向輻合強度大于等于1 s-1，再計算該正-負速度段對的方位、徑向距離、高度等參數，并將這些信息裝入徑向輻合實例列表。

3.3 識別二維徑向輻合塊和三維徑向輻合體

算法第3步將各掃描層內所有的徑向輻合對進行遍歷，找出滿足一定條件的徑向輻合對并拼連成二維徑向輻合塊。相當于對徑向輻合對求水平相關，以第1個徑向輻合對為基礎，按徑向方位角從小到大依次判斷兩個徑向輻合對的方位角是否小于等于3°，且徑向距離(某個輻合塊內所有距離庫值的徑向距離的平均值)之差是否小于等于6 km。若滿足該條件就將其裝入上一個徑向輻合塊里，若不滿足則將其裝入另一個徑向輻合塊，繼續判斷下個方位角的輻合對。當某掃描層內的徑向輻合對均遍歷完后，再判斷每個輻合塊里輻合對的數量，若數量大于等于3(小于3則舍棄，即舍棄掉小尺度的徑向輻合區)，計算輻合塊的平均徑向輻合強度，并判斷該輻合塊內所有輻合對的強度值是否小于平均值的3倍。若大于3倍則視為奇異值，將其丟棄，并重新計算輻合塊的平均徑向輻合強度，再重復上述流程直至所有輻合對強度值均小于3倍平均值。然后將輻合塊的平均徑向輻合強度、最大徑向輻合強度、方位、徑向距離、高度等信息，一并裝入輻合塊列表中。

算法第4步將每層的徑向輻合塊做垂直相關分析，求得三維風暴徑向輻合體。每個確定的三維風暴輻合體由一個或多個在相繼仰角上的二維徑向輻合塊構成。首先，將最低層的第1個徑向輻合塊放入臨時徑向輻合體中，然后遍歷剩下的所有徑向輻合塊，當某個徑向輻合塊與第1個輻合塊的層次不同、方位角差小于等于6°且徑向距離小于等于8 km 時，將其放入臨時徑向輻合體。若不滿足上述條件，將該輻合塊放入存儲剩余徑向輻合塊的列表里。遍歷完所有徑向輻合塊后，將臨時輻合體賦值到第1個徑向輻合體并編號，清空臨時輻合體，再計算該輻合體的平均徑向輻合強度、最大徑向輻合強度、徑向輻合厚度、徑向輻合中心高度等參數。當剩余徑向輻合列表中的徑向輻合塊個數大于等于1時，重復上述三維相關分析流程，直至臨時徑向輻合體中輻合塊個數為零，整個算法結束。

4 算法測試

4.1 個例分析

本文使用2013年8月18日(簡稱“8·18”)和2018年8月7日(簡稱“8·7”)發生在四川盆地的兩次颮線天氣個例的雷達體掃資料對該算法進行測試，并對算法在原始徑向速度場(raw radial velocity，RRV)和相對風暴徑向速度場(relative storm radial velocity，RSRV)上識別出的徑向輻合特征結果進行對比分析。

兩次過程均受東風波系統影響產生，造成大風、短時強降水等災害性天氣。圖5為這兩次過程的反射率因子和徑向速度圖，颮線回波主體均朝著雷達站方向移動?！?·18”過程的反射率因子圖呈現弓形(圖5a)，弓形回波主體南段在徑向速度圖上均表現為非典型“正-負速度區域對”徑向輻合特征(圖5b)?！?·7”過程的反射率因子圖呈現線狀(圖5c),回波主體兩側在徑向速度圖上均表現為非典型“正-負速度區域對”徑向輻合特征(圖5d)。接近兩次過程發生時的探空圖(圖略)均表明，從對流層低層至中高層風向較一致，有利于徑向速度圖上呈現非典型“正-負速度區域對”徑向輻合特征。圖5中實線是在RRV上利用搜索雷達某徑向上的“正-負速度區域對”方法識別出的徑向輻合塊，虛線是利用相同方法在RSRV上識別出的徑向輻合塊。

圖5a和圖5b分別為“8·18”過程由宜賓雷達觀測到的2.4°仰角上的反射率因子和(原始)徑向速度，其中標注的A,B,C代表該算法識別出的3個徑向輻合塊。其中輻合塊B(高度約4.9 km)，在RRV和RSRV(RRV加上颮線移速15 m·s-1的三分之二，即RRV加10 m·s-1)中均被識別。但RRV中算法只識別出B的北段，其呈現出典型“正-負速度區域對”的徑向輻合特征；RSRV中算法不僅識別出B的北段，還識別出其南段的非典型“正-負速度區域對”的徑向輻合特征。由于徑向輻合塊C的負速度段速度較小，該負速度段加10 m·s-1后，在RSRV上將無法搜索到負速度段，因此在RSRV中算法未識別出來。從圖5b上可看出，輻合塊C的徑向輻合強度較弱，由于弱徑向輻合特征識別意義不大，且這種情況只在個案中存在，非普遍現象，因此不影響該算法的整體效果。另外，算法在RSRV上識別出徑向輻合塊A，但在RRV上未能識別出。圖5c和圖5d分別為“8.7”過程由南充雷達觀測到的4.3°仰角上的反射率因子和(原始)徑向速度，圖中標注的E、F、G代表該算法在RRV上識別出的3個徑向輻合塊(實線)，它們在RRV和RSRV(RRV加上颮線移速9 m·s-1的三分之二，即RRV加6 m·s-1)中均被識別。但RRV中算法未識別出F和G之間的輻合塊以及E東側的輻合塊，其為非典型“正-負速度區域對”；RSRV中算法識別出整段徑向輻合塊，包括其兩側的非典型“正-負速度區域對”徑向輻合特征。上述分析表明，在RSRV上利用搜索“正-負速度區域對”方法識別徑向輻合特征的效果更好。

圖5 2013年8月18日00:49宜賓雷達2.4°仰角反射率因子(a)、原始徑向速度(b)以及 2018年8月7日20:15南充雷達4.3°仰角反射率因子(c)、原始徑向速度(d)(實線和虛線分別表示原始和相對風暴徑向速度場上識別出的徑向輻合塊，標注A，B，C，E，F，G分別代表算法識別出的徑向輻合塊)Fig.5 The reflectivity factor(a) and raw radial velocity(b) based on Yibin radar station at 2.4° elevation angle at 0049 BT 18 Aug 2013 and the reflectivity factor(c) and original radial velocity(d) based on Nanchong radar station at 4.3° elevation angle at 2015 BT 7 Aug 7 2018(the solid line and the dashed line respectively represent the radial convergent blocks identified in the RRV and RSRV, and the labels A,B,C,E,F and G represent the radial convergent blocks identified by the algorithm)

4.2 識別評分

為了更全面地檢驗算法對中層徑向輻合特征的識別能力，選取2009—2018年10次颮線雷暴大風天氣過程(表1)進行測試。由于只有當強對流系統的移動方向與系統所在雷達徑向方向之間夾角較小時，徑向速度圖上才會呈現較為明顯的中層徑向輻合特征，所以挑選的10次過程均滿足該條件。表1中一個樣本即為一個體掃，其中測試樣本量為經人工剖切分析后確認有明顯MARC特征的體掃個數；另外當算法自動識別出某個體掃的MARC與人工確認的較一致時(漏、空識別的MARC數量小于等于2)，該體掃即為算法成功識別的樣本。由表1可見，該算法能有效識別出的樣本數量達到47個，識別準確率達到82.4%。具有非典型“正-負速度區域對”的中層徑向輻合特征的測試樣本數量為25，算法程序能正確識別出21個，表明算法對非典型MARC特征有較高的識別水平。將算法程序搜索出的正-負速度段與對應的徑向速度圖進行人工對比分析發現，算法未能識別出的主要原因是由于徑向速度段的平均值較小，不能滿足算法程序設置的參數閾值，被舍棄。因此，還需要對更多個例進行測試，不斷優化算法各參數閾值，才能使識別算法達到最佳狀態。

表1 檢驗識別算法的颮線個例及識別結果Table 1 Examples of squall line to test the recognition algorithm and recognition result

5 算法應用

利用上述SRMARC特征自動識別算法，對第4章評分檢驗所選部分個例進行特征識別并計算其特征參數。特征參數包括平均徑向輻合強度(average radial convergence strength，ARCS)、最大徑向輻合強度(max radial convergence strength，MRCS)、徑向輻合體厚度(radial convergence thickness，RCT)、徑向輻合體中心高度(radial convergence height，RCH)。本文定義ARCS指輻合體各層徑向輻合塊平均強度值之和除以輻合體層數所得，單位為s-1；MRCS指輻合體內所有徑向輻合塊最大強度值中的最大值，單位為s-1；RCT指輻合體最高層徑向輻合塊高度減去最低層徑向輻合塊高度所得，單位為 km，當輻合體只有一層時，輻合塊高度設為1 km；RCH指輻合體內所有徑向輻合塊高度之和除以層數所得，單位為km。當識別的某個徑向輻合體前側10 km徑向距離范圍內有站點的極大風速記錄值為過程最大值時，且颮線影響該站點之前6 h內，站點周圍無對流系統影響，將該風速值與對應的輻合體特征參數作為一組樣本。本文利用SPSS軟件對采集的樣本數據(共71組樣本)進行統計分析，分析結果如圖6所示。由圖6可以看到，ARCS,MRCS,RCT與地面極大風速之間有較好的線性相關性，且均為正相關，其中ARCS與地面極大風速相關系數最大(r為0.79)，MRCS次之(r為0.67)，RCT相關性最差(r為0.5)，但均達到0.01顯著性水平。表明颮線內徑向輻合特征越明顯，對應地面大風越強。強大風(大于20 m·s-1)樣本中大部分樣本的ARCS超過3 s-1，MRCS超過4.5 s-1，RCT高于2.5 km。弱大風(小于20 m·s-1)樣本中大部分樣本的ARCS低于4 s-1，MRCS低于8 s-1，RCT低于3.5 km。因此，根據徑向輻合特征的這些參數值可大致判別地面大風的強度，為對流性大風的監測預警和災害評估提供參考依據。

圖6 地面極大風速與相對風暴徑向輻合特征參數散點分布及擬合曲線Fig.6 Scattered point distribution and fitting curve of the ground maximum wind speed and relative storm radial convergence characteristic parameters

對線性相關性較強的3種特征樣本進行線性擬合，擬合線性方程如圖6所示，由圖6可以看到，ARCS的擬合效果最好(決定系數R2為0.62)，MRCS次之(決定系數R2為0.45)，RCT最差(決定系數R2為0.25)。另外，徑向輻合體中心高度參數的二次曲線模型擬合在各種模型中效果最佳，決定系數R2為0.13，擬合優度較低。但從其散點分布看，徑向輻合體中心高度越高并不意味著地面大風越強，中心高度值在3.5～6.0 km高度，地面容易出現強大風(大于20 m·s-1)。這是由于颮線系統發展初期，回波質心較高，對流風暴內以上升氣流為主，下沉氣流較弱。

通過分析“8.18”過程雷達回波及地面大風強度演變發現，算法首次識別出SRMARC特征(ARCS超過1 s-1)的時間為2013年8月18日21:13，地面觀測極大風速首次達到17.1 m·s-1以上的時間為21:47，極大風速首次達到20.0 m·s-1以上的時間為22:12，通過算法識別的徑向輻合特征可以提前約30 min預警此次大風。算法首次識別出2016年8月6日盆地颮線過程SRMARC特征(ARCS超過1 s-1)的時間為22:21，地面首次出現大于17.1 m·s-1極大風速的時間為22:55，算法識別可以提前約35 min預警此次大風。其他多次颮線過程也均可提前20～30 min 預警地面大風，這與Schmocker等[16]以及吳翠紅等[17]的研究結論較一致。

6 結論與討論

研究表明：

1) 本文提出相對風暴中層徑向輻合特征自動識別算法。該算法首先搜索出單仰角相對風暴徑向速度圖上每個徑向上的正-負速度段，并按照規則對其進行配對，形成徑向輻合對，對不明顯的徑向輻合對進行消空處理。然后在二維錐面上對徑向輻合對做水平相關分析得到二維徑向輻合塊。最后當所有仰角遍歷完后，對二維輻合塊做垂直相關分析得到風暴的三維徑向輻合體，并計算出三維輻合體的強度、厚度、中心高度等重要特征參數。

2) 利用兩次具有非典型“正-負速度區域對”徑向輻合特征的颮線雷達資料對該算法進行測試，結果表明：在RSRV上通過搜索正-負速度段識別徑向輻合特征的效果較原始徑向速度場上更好。中小尺度天氣系統運動場主要通過旋轉運動和平移運動及上升運動構成?；緩较蛩俣葓鍪切D運動和平移運動綜合影響的結果，當平移運動速度大于旋轉運動速度時，系統在基本徑向速度場上的切變(旋轉、輻合或輻散)特征可能被掩蓋。這是利用相對風暴徑向速度識別系統中層輻合的優勢所在。利用該算法對10次雷暴大風強對流天氣過程的中層徑向輻合特征進行識別測試結果表明，該算法識別準確率達到82.4%，并且對非典型MARC特征有較高的識別水平。

3) 徑向輻合特征參數中ARCS，MRCS，RCT與地面極大風速之間有較好的線性相關性，且均為正相關，其中ARCS與地面極大風速相關系數最大，MRCS次之，RCT相關性最差，但均達到0.01顯著性水平。表明颮線的徑向輻合特征越明顯，對應地面大風越強。通過算法識別的徑向輻合特征可以提前約30 min預警此次大風。

由于本文的SRMARC特征自動識別算法是基于大量颮線型強對流天氣個例的雷達資料獲得，該算法是否適用于非颮線類型對流系統尚需分析和檢驗。值得一提的是文中所涉及的颮線移動方向和速度是通過其他軟件獲取，需將SCIT算法嵌入后才能全面實現自動化識別。另外，本文擬合的特征參數與大風風速之間的相關關系(方程)，是基于四川個例資料所建，應用于其他地區適用性有待探討。該算法還可以擴展至下擊暴流天氣系統的低仰角徑向速度輻散特征、冰雹天氣系統的高層徑向輻散特征以及短時強降水天氣系統的低層輻合特征的自動識別，具有一定應用前景。