2017, Vol. 41
2 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044
3 中国科学院大气物理研究所中国科学院云降水物理与强风暴重点实验室, 北京 100029
4 中国科学院大学, 北京 100049
2 Meteorological Disaster Forecasting and Evaluating Collaborative Innovation Center, Nanjing University of Information Science and Technology, Nanjing 210044
3 Key Laboratory of Cloud-Precipitation Physics and Severe Storms, Institute of Atmospheric Physics, Chinese Academy of Sciences(IAP/CAS), Beijing 100029
4 University of Chinese Academy of Sciences, Beijing 100049
雷暴天气往往是由局地对流系统如雷暴单体引起，常伴随闪电、短时强降水、冰雹大风等天气现象，给人类的生产生活带来诸多不便，也经常造成巨大的经济损失。在雷暴天气过程中，除了云宏观结构对其生命史等特征有明显影响外，云内水成物粒子的演变对降水和雷电的产生、发展和结束也有重要影响。因此，对雷暴云内水成物粒子的研究对指导人类生活出行各方面的临近预报有重要意义。但是一直以来该方面研究受探测技术限制较大，直到Seliga and Bringi（1976）提出双线偏振天气雷达后，这一方向逐渐成为研究热点。
双线偏振天气雷达能交替（或同时）发射和接收水平和垂直的偏振波，即采用单发双收（或双发双收）模式，相较普通雷达能探测到更多的参量。这些探测量对水成物等粒子的形状、尺寸、相态、数量、介电常数等特征的不同敏感性（Bringi et al., 1986），有助于设定阈值以实现对水成物粒子的识别（Straka and Zrnić, 1993）。目前已知可用于粒子识别的方法主要有5种，包括：早期的决策树、统计决策、最新的聚类分析、神经网络方法以及较为成熟的模糊逻辑算法。其中，模糊逻辑算法不拘泥于具体的量值，采用分级划分的原则，可解决粒子识别中阈值重叠的问题，这是优于决策树算法的。并且其相对于统计决策方法又具有简便和易于建立隶属函数两个优势。此外，雷达观测资料的不足也使基于自我训练实现对水成物粒子识别的神经网络和聚类分析方法无法使用（Liu and Chandrasekar, 2000; Wen et al., 2015）。可以说，模糊逻辑算法是目前可以采用的最优识别方法。
至今基于模糊逻辑算法对粒子识别的研究已经有不少成果。国外，Park et al.（2009）基于模糊逻辑算法对中尺度对流系统中水成物粒子的水平结构进行识别并且分析了其合理性。Snyder and Ryzhkov（2015）用其区分龙卷中碎片信号与水成物粒子，并进行龙卷路径预测。国内，曹俊武等（2005）基于模糊逻辑算法进行粒子识别后分别用雷暴天气过程和降雪过程进行结果验证，但该研究未加入环境温度；郭凤霞等（2014）在此基础上加入环境温度参数对雷暴云成熟时期水成物粒子的垂直结构进行识别；刘亚男等（2012）基于模糊逻辑算法对降水过程云内水成物粒子进行反演并用广东和河北各一次过程进行简单验证；王德旺等（2015）也采用不对称T型函数来反演云中粒子并指出模糊逻辑法反演出的粒子相态结果与探空实测数据具有较好的一致性。但这些研究主要是基于双线偏振天气雷达对雷暴云鼎盛时期水平或垂直分布进行识别，对雷暴单体整个发展过程中水成物粒子演变研究较少，并且尚缺乏比较细致的定量研究。此外，这些研究中对雷达资料的预处理大都采用较为简单的方法，对后续的粒子识别效果有影响。
因此本文针对上述问题，受程周杰等（2009）一次英国的层状云降水过程中水成物粒子垂直分布的演变情况的分析启发，利用714XDP-A型X波段双线偏振雷达参量，综合小波去噪和自适应约束算法进行资料预处理，基于模糊逻辑算法进行雷暴单体内十种水成物粒子的识别，包括：毛毛雨（Drizzle Rain，DR）、雨（Rain，RA）、干雪（Dry Snow，DS）、干冰晶（Dry Crystal，DC）、湿雪（Wet Snow，WS）、干霰（Dry Graupel，DG）、湿霰（Wet Graupel，WG）、小冰雹（Small Hail，SH）、大冰雹（Large Hail，LH）和雨夹雹（Rain and Hail，RH），并根据反演结果创新地对北京地区雷暴单体发展过程中内部水成物粒子的水平和垂直分布两个方面的演变特征进行较详细的分析，并据此建立雷暴单体演变微物理概念模型，以更直观地了解雷暴单体的结构及演变。
2 数据来源本文使用的雷达数据来自714XDP-A型车载X波段双线偏振天气雷达于2015年6月26日晚对北京西南一次雷暴过程的平面位置显示器（Plan Position Indicator，简称PPI）和距离高度显示器（Radar Height Indicator，简称RHI）观测结果。该雷达位于北京（40.18°N，116.68°E），海拔高度为26.1 m，最大探测范围150 km（图 1），采用双发双收模式，可探测8个偏振参量，包含：水平反射率因子（ZH）、垂直反射率因子（ZV）、差分多普勒速度（V）、速度谱宽（W）、差分反射率（ZDR）、差分传播相移率（KDP）、差分传播相移（φDP）和相关系数（ρhv），其主要参数如表 1所示。
|
图 1 雷达位置示意图（*：雷达位置） Figure 1 Schematic diagram of location of Radar (*) |
|
表 1 714XDP-A型X波段双线偏振天气雷达主要参数 Table 1 Main parameters of 714XDP-A X-band dual polarization radar |
本文综合前人研究，对X波段双线偏振天气雷达的探测量进行预处理和基于此进行粒子识别的方法及流程如图 2所示。
|
图 2 雷达资料处理流程图 Figure 2 Flowchart of radar data preprocessing |
由于X波段双线偏振天气雷达的探测量存在相位折叠和回波衰减等问题，在进行粒子识别前需要对数据进行质量控制，包括差分传播相移的退折叠、滤波和对回波强度进行衰减订正。
差分传播相移φDP是双线偏振天气雷达的重要偏振参量之一，常被用于X波段双线偏振天气雷达的衰减订正中，其质量好坏会对衰减订正的准确性产生较大影响。它是距离累计量，一般情况是随距离增加而增大。本文所使用的714XDP-A型雷达的φDP范围是0~360°，当φDP真实值高于360°时，会发生相位折叠，其探测值会重新从0开始递增。因此需要对φDP进行退折叠，效果如图 3a和b所示。
|
图 3 天气雷达数据质量控制效果图：（a）退折叠前；（b）退折叠后；（c）小波去噪；（d）衰减订正前；（e）衰减订正后 Figure 3 The effects of quality control of radar data: (a) Before phase shift back fold; (b) after phase shift back fold; (c) wavelet denoising; (d) before attenuation correction; (e) after attenuation correction |
此外，根据差分传播相移φDP的计算式，得出：
| ${\varphi _{DP}} = {\phi _{{\rm{DP}}}} + \delta ,$ | (1) |
其中，φDP是雷达探测的总差分相移，包含差分传播相移φDP和后向差分散射相移δ，其中φDP为信号，δ为噪声。当降水粒子满足瑞利散射时，δ值近似为0；而对于较强的雨区，由于存在米散射影响，δ的值则不可忽略，这就是δ效应。为了尽量减少δ效应对φDP信号测量的影响，本文采用最新提出的小波去噪（杜牧云等, 2012; Hu and Liu, 2014）对原始差分相移φDP进行滤波，结果如图 3c所示：滤波后虚线相较于滤波前实线更平滑，对噪声控制较好。
X波段雷达的波长仅为3 cm，相较于S、C波段雷达，云和降水粒子等对其能量的吸收和散射不可忽略，衰减影响严重。为了使该雷达观测值更靠近真实值，参考Park et al.（2005）的改进自适应约束算法对ZH进行衰减订正，其原理是：根据雨区（r1＜r＜r2，连续15个距离库以上的ZH大于等于20 dBZ）的衰减积分与该路径上的差分传播相移变化总量相一致的约束条件来求取衰减率AH[公式（2）]，再据此得到订正后的ZHcor(r) [公式（3）]：
| $\begin{array}{l} {A_{\rm{H}}}(r) = \frac{{{{[{Z_{\rm{H}}}(r)]}^b}}}{{I({r_1},{r_2}) + ({{10}^{0.1b\alpha \Delta {\varphi _{{\rm{DP}}}}}} - 1)I(r,{r_2})}} \times \\ \quad \quad \quad \quad \quad \quad \quad ({10^{0.1b\alpha \Delta {\varphi _{{\rm{DP}}}}}} - 1), \end{array}$ | (2) |
| ${Z_{{\rm{Hcor}}}}(r) = {Z_{\rm{H}}}(r) + 2\mathop \smallint \limits_0^r {A_{\rm{H}}}(s){\rm{d}}s,$ | (3) |
其中，
| $I({r_1},{r_2}) = 0.46b\mathop \smallint \limits_{{r_1}}^{{r_2}} {[{Z_{\rm{H}}}(s)]^b}{\rm{d}}s,$ | (4a) |
| $I(r{\rm{,}}{r_2}) = 0.46b\mathop \smallint \limits_r^{{r_2}} {[{Z_{\rm{H}}}(s)]^b}{\rm{d}}s,$ | (4b) |
| ${\varphi _{{\rm{DP}}}} = {\varphi _{{\rm{DP}}}}({r_2}) - {\varphi _{{\rm{DP}}}}({r_1}),$ | (4c) |
其中，r为观测点与雷达的距离，r1与r2为雨区径向上始末点。此外，一些散射模拟研究结果表明：b取值范围较窄，可以选取固定值，本文参考Park et al.（2005）和毕永恒（2012）的研究结果选取b值为0.8；α的取值范围较广，针对每条径向在0.130至0.350 dB (°)-1范围内求取最适的α值，使由该值确定的差分传播相移与实测值最接近。从图 3d和e可以看到订正后方框内的ZH大于45 dBZ的极大值区范围扩大，强度增强至50 dBZ；而ZH大于30 dBZ相对大值区也有所增强。
3.2 模糊逻辑算法模糊逻辑算法大体有以下四个步骤：模糊处理、规则推导、集成和退模糊处理。由于雷达参数、研究目的等存在差异，研究通常采用不同的隶属成员函数，基于雷达PPI或RHI探测量对水成物粒子进行分类识别。根据一些相关研究总结出的隶属成员函数主要有三种，分别是：（1）Liu and Chandrasekar（2000）率先提出的beta型函数；（2）Zrnić et al.（2001）继而提出的对称梯型函数；（3）Park et al.（2009）在Zrnić的基础上提出的不对称T型函数。由于对称型函数并不适用于所有的粒子类型，为了取得更符合实际的反演结果，本文采用不对称梯型函数[公式（5）]，最大集成法进行水成物粒子识别。
| $T\left( {x{\rm{, }}{X_1}{\rm{, }}{X_2}{\rm{, }}{X_3}{\rm{, }}{X_4}} \right) = \left\{ {\begin{array}{*{20}{c}} {0{\rm{, }}x ＜ {X_1}}\\ {\frac{{x - {X_1}}}{{{X_2} - {X_1}}},{\rm{ }}{X_1} \le x ＜ {X_2}}\\ {1{\rm{, }}{X_2} \le {\rm{ }}x ＜ {X_3}}\\ {\frac{{{X_4} - x}}{{{X_4} - {X_3}}},{\rm{ }}{X_3} \le x ＜ {X_4}}\\ {0{\rm{, }}x \ge {X_4}} \end{array}} \right.$ | (5) |
其中，X1、X2、X3、X4的值参考Straka and Zrnić（1993）、Park et al.（2009）和曹俊武等（2005）的研究成果，如表 2所示。此外，采用各参数非等权重的设置，根据不同参数的识别能力由大到小（曹俊武等, 2005; 郭凤霞等, 2014）将ZH、ZDR、KDP、ρHV的权重进行调整，分别设为0.4、0.3、0.2、0.1。
|
|
表 2 10种水成物粒子的隶属函数参数及温度阈值 Table 2 Thresholds of the polarimetric parameters and temperature for 10 types of hydrometeors |
此外为了提高识别的准确性，根据不同粒子存在所需的温度条件，引入常规探空资料的环境温度对其做一定限制：如毛毛雨不能在0℃层以上出现，雨夹雹等只能出现在－10℃层以下等。图 4为当日20:00（北京时，下同）环境温度廓线，可以看见5℃、0℃、－10℃、－15℃和－25℃层高度分别约为3.19 km、3.98 km、5.88 km、6.78 km和7.98 km。各种粒子具体的温度参数设置亦可见表 2。
|
图 4 2015年6月26日20:00环境温度廓线（方形实心点从右至左分别代表 5 ℃、0 ℃、－10 ℃、－15 ℃和－25 ℃层） Figure 4 Temperature profile at 2000 BT (Beijing Time) 26 June 2015 (squares symbols from right to left denote 5℃, 0℃, －10℃, －15℃, and －25℃) |
据资料显示2015年6月26日晚20:27至22:58，北京地区西南方向发生一次雷暴天气过程，其间有多个雷暴单体生成，本文主要对21:38至22:58的一个雷暴单体演变进行研究。
图 5a、b是由水平分辨率为1°×1°的FNL（final operational global analysis）再分析资料得到的2015年6月25日和26日20:00的500 hPa环流形势。图 5a中西伯利亚存在低涡，在可（55°N，90°E）处存在高空槽（张培昌等，2000）；而图 5b该槽东移至110°E并南压，带来冷空气南下，对京津冀地区影响更明显，且此时北京地区存在明显的横槽，其东侧为一明显低压中心。图 5c、d、e为风云2G卫星资料所作云图，显示19:00至21:00北京处于亮温低值区，其中20:00北京南部亮温在－50℃以下，表明极可能有对流系统在此出现。该系统的出现为北京地区带来一次雷暴天气过程。
|
图 5 2015年6月（a）25日、（b）26日20:00的500 hPa环流形势以及26日（c）19:00、（d）20:00和（e）21:00京津冀地区卫星云图。（a、b）中阴影表示温度场，单位：℃；黑色实线代表等高线，单位：dagpm；黑色方框代表研究区域。（c、d、e）中阴影表示亮温，单位：℃ Figure 5 (a, b) Circulations at 500 hPa at 2000 BT (a) 25 and (b) 26 June 2015(shadings indicate the temperature field, units: ℃; black solid isolines represent the geopotential height, units: dagpm; black box represents the research area); (c, d, e) satellite cloud images in Beijing-Tianjin-Hebei area at (c) 1900 BT, (d) 2000 BT, and (e) 2100 BT on 26 June 2015 [shadings indicate Black-Body Temperature (TBB), units: ℃] |
一般来说，ZH大于等于30 dBZ就可能产生较强的降水，而存在大于等于45 dBZ的强回波就可以表明存在多单体风暴、强雷暴等能产生强降水的中尺度对流天气系统（张培昌等，2000）。据此，将所研究雷暴单体回波强度剔除杂波（曹俊武和刘黎平, 2007；Park et al., 2009）后，把30 dBZ以上划分为4部分（30~35 dBZ、35~40 dBZ、40~45 dBZ和≥45 dBZ）并统计每部分库数占30 dBZ以上总库数百分比，由于某些时段存在缺测，使用了三次样条插值分析其时间演变规律，结果如图 6所示。
|
图 6 不同反射率因子值（单位：dBZ）百分比随时间变化 Figure 6 Temporal variations of percentages of various reflectivity factors (units: dBZ) |
由图 6可以看见，21:58至22:40，雷暴单体45 dBZ以上的库数占比明显比其他时间高，40~45 dBZ也基本如此；而30~35 dBZ和35~40 dBZ则低于另两段时间。据此，再结合雷达图像将雷暴单体发展过程分为3个阶段：发展阶段（21:58之前）、成熟阶段（21:58~22:40）和消散阶段（22:40以后）。
根据雷暴单体发展3阶段的反射率因子统计值（表 3），该雷暴单体发展阶段中成熟阶段45 dBZ以上（包含45 dBZ）的强回波占比高达6.3%；40~45 dBZ的次强回波占比为17.7%，均明显大于发展和消散阶段。从单体发展阶段到成熟阶段，40 dBZ以下占比明显下降，40 dBZ以上反射率因子占比显著上升，表明反射率因子往大值发展；而雷暴单体从成熟到消散，40 dBZ以上的值显著下降，反射率因子往小值变化。
|
|
表 3 雷暴单体发展、成熟、消散3阶段不同反射率因子值百分比统计 Table 3 Statistical analysis of the percentages of reflectivity factor in the development, mature, and dissipation stages of the thunderstorm cell |
在对雷暴天气的环流形势及其过程有了大致了解后，基于模糊逻辑算法对水成物粒子的反演结果进行水平和垂直方向空间分布特征的演变分析，以便更直观的了解本次过程中雷暴单体发展过程的各个阶段水成物粒子的分布及演变。为此，从其发展、成熟、消散3个阶段各取某些时刻的回波强度及其水成物粒子识别结果进行分析。
图 7展示了本次雷暴单体发展阶段（图 8为成熟阶段，图 9为消散阶段）的反射率因子大小及相应时刻水成物粒子的水平（图 7a、b、e、f）和垂直（图 7c、d、g、h）分布特征，左侧为反射率因子图（单位：dBZ），右侧为十种粒子的识别图。图 7a、b、e、f为PPI图，圆心为雷达中心，实线距离圈的间隔为40 km，虚线圈代表 0 ℃层。图 7c、d、g、h分别为图 7a、b、e、f沿点划线方位的RHI图，虚线代表 0℃层高度。
|
图 7 雷暴单体发展阶段雷达反射率因子（左列）及其对应时刻水成物粒子识别分布（右列）。（c、d、g、h）为RHI图，为对应（a、b、e、f）PPI图点划线方向的垂直剖面 Figure 7 Radar reflectivity factor (left column) and the corresponding hydrometeors (right column) distributions at the development stage of the thunderstorm cell. (c, d, g, h) The RHI (Radar Height Indicator) diagrams indicate the vertical cross sections along the dash-dotted lines in (a, b, e, f) those PPI diagrams; DR, RA, DS, DC, WS, DG, WG, SH, LH, RH are the abbreviations of Drizzle Rain, Rain, Dry Snow, Dry Crystal, Wet Snow, Dry Graupel, Wet Graupel, Small Hail, Large Hail, Rain and Hail |
雷暴单体发展阶段：图 7a显示21:41在距雷达中心0~60 km、135°~215°处有大范围强度20~35 dBZ的回波区，而在距雷达65~85 km、210°~240°间、中心高度约为3.7 km处，出现3个大于40 dBZ的强反射率因子回波区，即雷暴单体A、B、C，其中单体A最大回波强度可达40 dBZ以上且探测到的演变过程相对完整，而单体B和C最大回波强度为35~40 dBZ，因此将雷暴单体A作为研究对象（后文所提雷暴单体均为单体A）；图 7b为该区域对应的水成物粒子，在135°~215°、距雷达中心0~65 km的云区为毛毛雨围绕的雨滴区，而单体由湿雪包围雨滴，其中心回波强度大于40 dBZ处还夹杂极少量的霰粒子。图 7c、d为21:39沿图 7a、b 212°点划线方向的RHI图。图 7c显示0~60 km处为层状云，高度3.5~4 km处有30 dBZ以上的平展强回波带——零度层亮带，与环境温度的0℃层高度吻合，而60 km以外为雷暴单体，30 dBZ以上强回波区距雷达60~80 km，可达9 km高；图 7d显示对应的水成物粒子在0~50 km层状云0℃层以下主要为毛毛雨，0℃层左右存在一个冰相粒子和液态粒子共存、湿雪居多的过渡带，而50~60 km处下层的雨滴与图 7b中虚线经过50~60 km雨区吻合，距雷达60~80 km的雷暴单体中上层是干冰晶、湿雪和干雪等，0℃层以上有极微量的霰粒子，0℃层存在以湿雪为主的过渡带，其下部为雨滴和少量毛毛雨。此时，0℃层以下主要是液态粒子的碰并增长，图 10a径向速度图显示0℃层以下存在风场辐合上升，受上升气流作用液态粒子在0℃层以上通过Bergeron作用形成较大冰晶粒子，这些粒子少量下落，通过碰并和凇附作用（Reinking and Martner, 1999）在中层5 km处形成霰粒子，但由于此时0℃层以上过冷水很少，凇附作用不显著，霰粒子极少；此外中层的干雪、冰晶粒子下落至0℃层以下融化，形成湿雪粒子为主的融化层，直至全部转变为液态粒子——雨滴和毛毛雨。图 7e、f显示21:44反射率因子与水成物粒子分布与21:41基本一致，只是单体中心强回波区中心范围扩大对应该处雨滴范围的增加。图 7g、h显示单体30 dBZ以上强回波区外移在70~90 km间，高度可达9.5 km；而对应的0℃层附近及以上液态粒子——过冷水范围明显增大，干雪粒子减少。此时，相较前一个时刻，强回波区高度更高，表明该单体仍在发展，并且在0℃层以上就有较多雨滴表明上升气流较强，这些过冷水的存在为成熟阶段霰粒子的生成提供了有利的条件。
4.2.2 成熟阶段水成物粒子水平和垂直结构的时间演变特征雷暴单体成熟阶段：22:15，图 8a显示靠近雷达的层状云强度减弱范围缩小，而雷暴单体持续发展并向东南方向移动至208°左右距雷达80~100 km，其中心高度约为5 km，中心强度增大至45 dBZ以上；图 8b显示40 dBZ以上反射率因子对应的水成物粒子识别图中仍被雨滴环绕，中心大于45 dBZ处明显夹杂着大量的霰粒子。22:17，图 8c显示强回波区距雷达80~100 km处、最高可达10 km，高度3~6 km处有45 dBZ以上回波出现；图 8d显示对应上层仍为干冰晶和雪，中层5~8 km高度雨滴减少、霰粒子增多，与PPI图呈现一致。此时，图 10c显示单体下层后部的辐合区向上延伸，而前部存在辐散，下沉气流增强，冰晶等受下沉气流影响开始大量下落并发生聚并增长形成雪花，这些冰相粒子在5~8 km处碰并收集过冷水滴形成霰粒子，大量消耗0℃层以上液态粒子和冰晶。22:26，图 8e显示雷暴单体继续向东南方向移动，30 dBZ以上强回波区外移至85~105 km，中心强度仍大于45 dBZ，所在高度约为5.3 km；图 8f表明雷暴单体对应水成物粒子仍是雨滴中夹杂大量霰粒子。22:28，图 8g显示雷暴单体30 dBZ以上强回波区位于90~105 km、最高可达10 km，50 dBZ以上大值中心出现在3~6 km处；对应图 8h显示3~6 km有雹粒子存在，中层3~8 km霰粒子和干雪明显增多，雨滴高度则进一步下降至0℃层附近。此时，图 10d显示单体前部辐散区向下延伸，下沉气流增强，使上层的冰晶粒子不断通过碰并和凇附作用收集过冷水在中层生成霰粒子；此外过冷水滴在上升与下沉气流中碰并也促成霰粒子生成。22:35，图 8i显示回波大值区持续外移至90~110 km，中心强度仍为45 dBZ以上，中心高度约为5.5 km；图 8j显示此高度雷暴单体雨滴范围明显缩小，干雪和霰粒子占据多数。22:37，图 8k显示30 dBZ以上强回波区在90~115km处，最高仍维持在10 km，45 dBZ以上回波高度下降至2~7 km；图 8l对应中层霰粒子范围有所减少而干雪增多，雨滴集中在下部，0℃层附近仍有雨夹雹。此时，图 10e显示单体前部辐散明显，下沉气流继续增强，但是由于中层过冷水的大量消耗，霰粒子生成减少。
|
图 10 雷暴单体（a、b）发展、（c、d、e）成熟、（f、g）消散阶段径向速度垂直分布图 Figure 10 Vertical distributions of radial velocity in (a, b) development, (c, d, e) maturation, and (f, g) dissipation stages of thunderstorm cell |
整个成熟阶段，雷暴单体持续南移，回波大值区位于80~110 km范围内，中心值达到45 dBZ以上，局部50 dBZ以上。云顶出现冲锋突，呈现一个梭型，单体内的中上部3~8 km有大量霰粒子，对应中层液态粒子减少明显，推测为过冷水滴在冰晶粒子上冻结或碰并而形成霰粒子（王致君和楚荣忠，2002）。在22:28，3~6 km有雹粒子生成。5 km上下干雪开始生成并随时间推移增多，3 km以下存在大量雨滴，存在明显的分层，即中上部为固态大粒子，下部液态居多，表明仍是上升气流起主导作用。
4.2.3 消散阶段水成物粒子水平和垂直结构的时间演变特征雷暴单体消散阶段：22:48，图 9a、b显示雷暴单体继续向东南移东至方位角206°，距雷达100~110 km，中心高度约为5.7 km，雷暴中心回波强度减小为40 dBZ左右，对应时刻水成物粒子识别图中可以看出雷暴单体雨滴区基本消失，单体由雪和冰晶包围着霰粒子。22:47，图 8c、d显示30 dBZ以上强回波区距雷达95~115 km，高度降低至9 km处；中心仍大于45 dBZ，但大值区范围减小；对应中部存在霰粒子，但高度明显降低。此时，图 10f显示下层前部存在明显的辐散区，受下沉气流影响，顶部已经开始出现塌陷，由于过冷水的不足和下沉气流的影响7 km左右霰粒子减少明显。22:54，图 9e、f显示雷暴单体外移，强回波区范围减小，最大回波强度约为35 dBZ；对应区域只存在非常微量的霰粒子混合在大量的湿雪、干雪和冰晶里。22:56，图 9g、h显示强回波区范围明显缩小、高度减小至8.5 km，中心强度低于40 dBZ；图 10g显示下层辐合上升区完全消失，0℃层全为负速度区，此时几乎没有霰粒子生成，干雪、湿雪、雨滴等混杂在一起，下层雨区范围缩小。该段时间，下沉气流对雷暴单体宏观和微观特征影响明显，顶部塌陷，单体0℃层以上各粒子混合，由于0℃层以上缺少过冷水和冰晶，不再有霰粒子生成。
综上所述，整个雷暴单体发展至消散过程共持续1 h 20 min左右，单体向东南移动25 km左右。该过程中，单体垂直结构在成熟阶段出现冲锋突，在消散阶段塌陷及云内水成物分布状况体现了该过程中先是上升气流主导，到消散阶段则逐渐变为下沉气流起主要作用，与普通单体雷暴发展的3个阶段特点较为吻合（陆汉城和杨国祥, 2004）。而雷暴单体发展过程水成物粒子的水平方向演变呈现如下特征：发展阶段液态粒子最多；而成熟阶段则是固态粒子，主要特点是霰粒子明显增多；消散阶段雨区消亡。此外，霰粒子在ZH大于40 dBZ时就可能生成，但是综合其他几个偏振参量的观测，在成熟阶段仍是生成最多的，另两个阶段很少。并且霰粒子的生成往往伴随液态粒子减少，往往存在于单体中上部，这是由于霰粒子的形成要求云中有充足的液态水和相对低的温度（王致君和楚荣忠，2002）。
4.3 水成物粒子演变模型的建立图 11对各类粒子所占百分比在雷暴单体发展三个阶段的演变进行统计。对比图 11a和b，雨滴、冰晶、湿雪等总量较多，分别占30%、20%和30%，其中毛毛雨和雨滴在成熟时期明显比发展和消散时期低大约5%；而干霰、湿霰总量较少，成熟时期占比12%显著高于发展时期的2%和消散时期的1%，其变化趋势与反射率因子的强度变化对应较好。
|
图 11 雷暴单体发展、成熟和消散阶段水成物粒子占比 Figure 11 Percentages of hydrometeors in the development, maturation, and dissipation phases of the thunderstorm cell |
为了更好地反映各层粒子的演变规律，表 4对RHI探测下雷暴单体发展过程中各层主要水成物粒子的出现时间、位置及含量（不同高度各类粒子占单体内所有粒子百分比）进行了统计，并对各阶段主要的特征和微物理过程进行总结。
|
|
表 4 RHI探测下雷暴单体范围及水成物粒子各时段分布状态统计 Table 4 The range of monomorphic storms and the distribution of hydrometeors by RHI detection |
由表 4、5可见，雷暴单体从发展到消散的宏观表现主要是雷暴单体高度的演变——先升高后降低，成熟阶段可达12 km；由于是0℃层在3.98 km处，为典型的冷云。0℃层以下，21:39~22:37雨滴含量基本是逐步增加的，在发展阶段大约为每10 min增多1个百分点，成熟阶段为每10 min增多2个百分点，表明碰并增长加强；22:37时至22:56雨滴含量先是增速减缓至每10 min增多1个百分点，然后迅速变为每10 min减少3个百分点，碰并增长减弱明显；而毛毛雨基本呈现相反的变化。0℃层以上，21:39~21:56霰粒子含量不变，21:56~22:28霰粒子增长迅速，干霰增速最多达每10 min增多1个百分点，湿霰每10 min增多1个百分点，22:28~22:37霰粒子含量基本持平；22:37时至22:56霰粒子含量减少，从每10 min减少3个百分点到最后减少6个百分点，表明成熟阶段霰粒子含量增长速度较快，增多幅度较大。
|
|
表 5 RHI探测下雷暴单体主要特征及微物理过程 Table 5 The principal character and microphysical processes of monomorphic storms by RHI detection |
图 12给出了基于径向速度的垂直分量和表 4的统计结果建立雷暴单体发展（21:56）、成熟（22:28）和消散（22:56）阶段微物理模型，速度正（负）表示粒子上升（下沉）。
|
图 12 径向速度垂直分量（左列；方框内为雷暴单体）和基于水成物粒子识别结果的雷暴单体模型（右列，箭头代表粒子运动方向）：（a、b）发展阶段；（c、d）成熟阶段；（e、f）消散阶段 Figure 12 Vertical component of radial velocity (left column; thunderstorm cell is in the box) and the model of thunderstorm cell based on hydrometeors (right column; arrows indicates the moving directions of hydrometeors): (a, b) Development; (c, d) maturation; (e, f) dissipation |
发展阶段：0℃层以下几乎完全是－0.2 m s-1的负垂直速度区，此时毛毛雨占6%，雨滴占24%，0℃层以下暖云过程明显，主要是液态粒子碰并增长后下落。少量下层液态粒子可通过单体后部（相对单体前进方向，下同）3~7 km的0~0.8 m s-1正垂直速度区到达0℃层以上，单体后部大约有9%的雨滴和11%的冰晶而单体中前部－0.8~0 m s-1负速度区下落形成1%霰粒子。表明0℃层以上为冷云过程，单体后部中层初始冰晶等粒子上升，通过冰晶效应扩散凝华增长，在单体中前部负速度区下落发生聚并和极弱的凇附作用形成雪和少量的霰。
成熟阶段：相对21:56，雷暴单体后部正速度区向云底延伸，范围至1~7 km，0℃层下的液态粒子碰并增长更加显著，毛毛雨减少约4个百分点，雨滴增多约1个百分点，并且有1%的雨夹雹和1%的湿霰生成，粒子碰并增强，暖云过程更显著。雷暴单体后部正速度区向云底延伸，范围至1~7 km，使更多下层液态粒子在后部的正速度区跨越0℃层到达0℃层以上，此时雨滴减少6个百分点，冰晶减少5个百分点；干霰、湿霰共增加9个百分点，干雪、湿雪共增加2个百分点；表明过冷水（雨滴）、冰晶的消耗使单体中前部－0.8~－0.24 m s-1负速度区内冰晶的聚并作用和凇附作用增强，形成大量雪和霰，冷云过程明显增强。
消散阶段：相对22:28，0℃层毛毛雨含量增加3个百分点，雨滴减少1个百分点，粒子碰并减弱，暖云过程明显减弱。0℃层附近为负速度区，阻隔了下层液态粒子跨越0℃层，由于霰粒子大量减少约9个百分点，过冷水（雨滴）和冰晶消耗减少，增长4个百分点；冷云过程显著减弱。此外，消散阶段0℃层以上后部为－0.8~－0.24 m s-1的负速度区，前部为正速度区，与前两个阶段相反，不利于单体移动发展。
5 结论和讨论基于2015年6月26日的X波段双线偏振天气雷达数据，用小波去噪结合自适应约束算法进行雷达资料预处理，并使用模糊逻辑算法识别和分析北京一典型雷暴单体内水成物粒子演变状况，得到如下结论：
（1）雷暴单体经历发展、成熟和消散3个阶段，其中成熟阶段反射率因子大于45 dBZ的库数明显多于发展和消散阶段，其占比为3.6%，远大于发展阶段的0.6%和消散阶段的0.4%。此外，三个阶段单体高度分别可达11、12和10 km，霰粒子占各自阶段单体内所有粒子百分比分别为2%、12%和1%，呈现显著的先增后减趋势，与雷暴单体发展过程回波强度变化对应较好。
（2）各阶段主要微物理过程及演变特征是：发展阶段，单体0℃层以下由暖云过程主导，毛毛雨占5%，雨滴占24%；少量液态粒子上升至0℃层以上与冰晶反应生成1%干霰，冷云过程较弱。成熟阶段，相较发展阶段0℃层以下毛毛雨减少约2个百分点，雨滴增多约2个百分点，粒子碰并加强，暖云过程增强；较多液态粒子上升至0℃层以上，约有4%的雨滴与5%的冰晶通过凇附作用生成7%的霰，冷云过程增强。消散阶段，下层液态粒子难以上升至0℃层以上形成初始冰晶，使暖云及冷云过程都减弱，0℃层以下毛毛雨相较成熟阶段平均增多约1个百分点，粒子碰并减弱；0℃层以上冰晶消耗减少2个百分点，霰生成减少5个百分点。
（3）结合粒子垂直运动速度及水成物粒子分布建立雷暴单体内水成物粒子演变模型：发展阶段，单体0℃层以上后部为正垂直速度推动雷暴单体发展，少量液态粒子跨越至0℃层以上，冷云过程极弱。成熟阶段，单体后部正垂直速度区扩展至0℃层以下，使大量液态粒子上升至0℃层以上，6%的雨滴与5%的冰晶转化为2%的雪和9%的霰，冷云过程增强。消散阶段0℃层附近的负速度区阻碍液态粒子跨越0℃层使暖云及冷云过程都减弱，0℃层以下雨滴减少1个百分点，毛毛雨增多3个百分点，0℃层以上霰粒子减少9个百分点，雨滴与冰晶增加4个百分点。
针对雷暴单体发展过程，基于水成物粒子演变的定性和定量分析，建立了雷暴单体发展模型，对认识雷暴单体内部结构及微物理过程以及雷暴过程的预报预警有一定指示作用。但仍有一些问题需要进一步的讨论，如模糊逻辑算法的参数设置对识别结果的准确性的影响。此外，该模型仍较为简单，外部环境对单体发展的影响以及较高时间分辨率下单体内的微物理过程还有待研究。
毕永恒, 刘锦丽, 段树, 等. 2012. X波段双线偏振气象雷达反射率的衰减订正[J]. 大气科学, 36(3): 495-506. Bi Yongheng, Liu Jinli, Duan Shu, et al. 2012. Attenuation correction of reflectivity for X-band dual-polarization radar (in Chinese)[J]. Chinese Journal of Atmospheric Sciences , 36(3): 495-506. DOI:10.3878/j.issn.1006-9895.2011.11075
|
Bringi V, Rasmussen R, Vivekanandan B. 1986. Multiparameter radar measurements in Colorado convective storms. Part Ⅰ:Graupel melting studies [J]. J. Atmos. Sci., 43(22): 2545-2563. DOI:10.1175/1520-0469(1986)043<2545:MRMICC>2.0.CO;2
|
曹俊武, 刘黎平. 2007. 双线偏振雷达判别降水粒子类型技术及其检验[J]. 高原气象, 26(1): 116-127. Cao Junwu, Liu Liping. 2007. The sensitivity study for classification of precipitation particle types based on dual-linear polarimetric radar (in Chinese)[J]. Plateau Meteorology , 26(1): 116-127. DOI:10.3321/j.issn:1000-0534.2007.01.014
|
曹俊武, 刘黎平, 葛润生. 2005. 模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究[J]. 大气科学, 29(5): 827-836. Cao Junwu, Liu Liping, Ge Runsheng. 2005. A study of fuzzy logic method in classification of hydrometeors based on polarimetric radar measurement (in Chinese)[J]. Chinese Journal of Atmospheric Sciences , 29(5): 827-836. DOI:10.3878/j.issn.1006-9895.2005.05.15
|
程周杰, 刘宪勋, 朱亚平. 2009. 双偏振雷达对一次水凝物相态演变过程的分析[J]. 应用气象学报, 20(5): 594-601. Cheng Zhoujie, Liu Xianxun, Zhu Yaping. 2009. A process of hydrometeor phase change with dual-polarimetric radar (in Chinese)[J]. Journal of Applied Meteorological Science , 20(5): 594-601. DOI:10.3969/j.issn.1001-7313.2009.05.011
|
杜牧云, 刘黎平, 胡志群, 等. 2012. 双线偏振雷达差分传播相移的小波滤波初探[J]. 暴雨灾害, 31(3): 248-254. Du Muyun, Liu Liping, Hu Zhiqun, et al. 2012. Preliminary study on wavelet filtering of differential propagation phase shift for dual linear polarization radar (in Chinese)[J]. Torrential Rain and Disasters, 31(3): 248-254.
|
郭凤霞, 马学谦, 王涛, 等. 2014. 基于X波段双线偏振天气雷达的雷暴云粒子识别[J]. 气象学报, 72(6): 1231-1244. Guo Fengxia, Ma Xueqian, Wang Tao, et al. 2014. An approach to the hydrometeors classification for thunderclouds based on the X-band dual-polarization Doppler weather radar (in Chinese)[J]. Acta Meteor. Sinica , 72(6): 1231-1244. DOI:10.11676/qxxb2014.063
|
Hu Z Q, Liu L P. 2014. Applications of wavelet analysis in differential propagation phase shift data de-noising [J]. Adv. Atmos. Sci., 31(4): 825-835. DOI:10.1007/s00376-013-3095-y
|
Liu H P, Chandrasekar V. 2000. Classification of hydrometeors based on polarimetric radar measurements:Development of fuzzy logic and neuro-fuzzy systems, and in situ verification [J]. J. Atmos. Oceanic Technol., 17(2): 140-164. DOI:10.1175/1520-0426(2000)017<0140:COHBOP>2.0.CO;2
|
刘亚男, 肖辉, 姚振东, 等. 2012. X波段双极化雷达对云中水凝物粒子的相态识别[J]. 气候与环境研究, 17(6): 925-936. Liu Yanan, Xiao Hui, Yao Zhendong, et al. 2012. Analyses of hydrometeor identification based on X-band polarimetric radar (in Chinese)[J]. Climatic and Environmental Research , 17(6): 925-936. DOI:10.3878/j.issn.1006-9585.2012.06.30
|
陆汉城, 杨国祥. 2004. 中尺度天气原理和预报[M]. 第2版. 北京: 气象出版社: 101-102. Lu Hancheng, Yang Guoxiang. 2004. Principle and Forcasting of Mesoscale Weather (in Chinese)[M]. 2nd ed. Beijing: China Meteorological Press: 101-102.
|
Park S G, Bringi V N, Chandrasekar V, et al. 2005. Correction of radar reflectivity and differential reflectivity for rain attenuation at X band. Part Ⅰ:Theoretical and empirical basis [J]. J. Atmos. Oceanic Technol., 22(11): 1621-1632. DOI:10.1175/JTECH1803.1
|
Park H S, Ryzhkov A V, Zrnić D S, et al. 2009. The hydrometeor classification algorithm for the polarimetric WSR-88D:Description and application to an MCS [J]. Wea. Forecasting, 24(3): 730-748. DOI:10.1175/2008WAF2222205.1
|
Reinking R S, Martner B. 1999. Polarimatric short-wavelength radar technologies for assessing the evolution of clouds and precipitation following hygroscopic seeding [J]. J. Wea. Modifi., 31: 83-86.
|
Seliga T A, Bringi V N. 1976. Potential use of radar differential reflectivity measurements at orthogonal polarizations for measuring precipitation [J]. J. Appl. Meteor., 15(1): 69-76. DOI:10.1175/1520-0450(1976)015<0069:PUORDR>2.0.CO;2
|
Snyder J C, Ryzhkov A V. 2015. Automated detection of polarimetric tornadic debris signatures using a hydrometeor classification algorithm [J]. J. Appl. Meteor. Climatol., 54(9): 1861-1870. DOI:10.1175/JAMC-D-15-0138.1
|
Straka J M, Zrnić D S. 1993. An algorithm to deduce hydrometeor types and contents from multi-parameter radar data[C]//Preprints 26th International Conference on Radar Meteorology. Norman, OK:AMS, 513-515.
|
王德旺, 刘黎平, 宗蓉, 等. 2015. 基于模糊逻辑的大气云粒子相态反演和效果分析[J]. 气象, 41(2): 171-181. Wang Dewang, Liu Liping, Zong Rong, et al. 2015. Fuzzy logic method in retrieval atmospheric cloud particle phases and effect analysis (in Chinese)[J]. Meteorological Monthly , 41(2): 171-181. DOI:10.7519/j.issn.1000-0526.2015.02.005
|
王致君, 楚荣忠. 2002. 偏振雷达在人工影响天气工作中的应用潜力[J]. 高原气象, 21(6): 591-598. Wang Zhijun, Chu Rongzhong. 2002. Application potential of polarization radar in weather modification (in Chinese)[J]. Plateau Meteorology , 21(6): 591-598. DOI:10.3321/j.issn:1000-0534.2002.06.009
|
Wen G, Protat A, May P T, et al. 2015. A cluster-based method for hydrometeor classification using polarimetric variables. Part Ⅰ:Interpretation and analysis [J]. J. Atmos. Oceanic. Technol., 32(7): 1320-1340. DOI:10.1175/JTECH-D-13-00178.1
|
张培昌, 杜秉玉, 戴铁丕. 2000. 雷达气象学[M]. 北京: 气象出版社: 417-418. Zhang Peichang, Du Bingyu, Dai Tiepi. 2000. Radar Meteorology (in Chinese)[M]. Beijing: China Meteorological Press: 417-418.
|
Zrnić D S, Ryzhkov A, Straka J, et al. 2001. Testing a procedure for automatic classification of hydrometeor types [J]. J. Atmos. Oceanic Technol., 18(6): 892-913. DOI:10.1175/1520-0426(2001)018<0892:TAPFAC>2.0.CO;2
|