利用SCIT算法分析江淮地区对流云特征

鲁德金 吴欢 袁野 吴林林 金祺

(1 安徽省气象局 人工影响天气办公室，合肥 230031；2 中国气象局 气象干部培训学院安徽分院，合肥 230031)

引 言

新一代多普勒天气雷达具有时空分辨率高和覆盖范围广的优点，是目前探测对流云降水过程的重要工具。中国气象局于2008年研制了灾害天气短时临近预报系统(Severe Weather Automatic Nowcast System，SWAN)[1]。SWAN集合了多部多普勒天气雷达数据，相对于单站雷达探测范围更广。可以反演生成多种雷达基本产品，包括雷达三维拼图产品CAPPI、组合反射率因子(CR)、回波顶高(ET)、垂直累积液态含水量(VIL)等。

SWAN目前已广泛应用于短时强降水监测预报业务中。张勇等[2]基于SWAN雷达拼图产品，选取了组合反射率因子、回波顶高等参数，对暴雨过程中的对流云和层状云降水进行了分类，并在重庆的12次区域性暴雨天气过程验证了分类结果。胡胜等[3]用SWAN 系统分析了2010 年 5 月 7 日广州地区一次强对流天气过程中反射率、回波顶高等雷达特征量的变化特征。杨吉等[4]用相关法和面积重叠法设计了一种算法，能够用雷达拼图资料跟踪和预报中尺度对流系统。Crane[5]将多个二维空间的对流风暴单体相互关联，形成了早期的三维空间结构对流风暴。Johnson， et al[6]于1998年提出了风暴单体追踪识别算法(Storm Cell Identification and Tracking， SCIT)。SCIT算法通过多个反射率阈值来识别风暴结构体，可以较好地提取风暴的质心位置、最大反射率、单体VIL等空间结构特征。王芬等[7]通过降低风暴体反射率识别阈值等方式评估了SCIT算法对风暴单体识别、跟踪的效果。

SCIT算法能够识别30 dBZ以上的风暴体，包括了大部分对流云，在雷达探测业务中，容易达到这一阈值而被识别。因此，本文研究和改进了SCIT算法在雷达拼图资料中的运算过程，用模糊逻辑法识别并剔除部分层状云；改进的算法保留了30 dBZ识别阈值作为对流云体边界信息，将对流云中云体边界、面积、厚度等空间特征量提取出来；结合地面雨量站和探空资料，分析江淮地区夏季对流云的雷达特征量变化情况，及其与降水量的关系。

1 SWAN雷达拼图产品的云体识别

1.1 对流云体识别

SCIT算法主要包括一维风暴单体段识别、二维风暴识别、风暴体的合成和风暴单体的追踪[8]。

本文所用的一维风暴单体段识别过程与传统SCIT算法不同，只使用一个阈值进行搜索，既避免了低阈值的风暴结构信息被舍弃，又可保留云体完整的空间结构信息。

所有的一维风暴单体段识别出来之后，对每一层上相邻纬度的两个风暴段进行匹配，如果它们的重叠距离大于一定阈值，则归于同一个二维分量序号内，如果该二维风暴的面积和包含的一维单体段的数目满足一定阈值，则将二维风暴保存。在计算二维风暴特征信息时，保留二维风暴的边界点信息。

得到了所有的二维风暴之后，对相邻层的二维风暴进行质心距离关联检验，首先判断二维分量质心的水平距离，以第一个二维分量的质心为中心，依次按3个搜索半径(分别为5.0、7.5、10.0 km)，对其余的二维分量进行搜索，如果在搜索半径内，则认为该两个二维分量相关，将多层二维风暴相关联即可组成三维风暴体。图1为雷达拼图中一个风暴体的识别示意：3 km高度层显示了3个风暴单体段的识别，3、3.5和4 km各识别出一个二维风暴(阴影部分)，3个二维风暴组成一个风暴单体。

图1 雷达拼图中SCIT算法的风暴体识别示意Fig.1 Schematic diagram of storm body recognition based on SCITalgorithm in radar mosaic

SCIT算法需要至少两个以上仰角的数据才会形成风暴体。但是，由于SWAN拼图数据是由单站或多站的雷达基数据插值而来。当回波距离雷达站较远时，单个仰角的数据很容易被插值到多层CAPPI中，造成误判[9]。因此，风暴的高度必须跨越原始雷达体扫中的两层高度[10]。

1.2 对流云和层状云的区分

识别出风暴体后，使用保留的30 dBZ阈值来识别对流云体，使用模糊逻辑法区分层状云和对流云[11]，剔除其中的层状云。用雷达产品中最大反射率因子、回波顶高、垂直反射率梯度和水平反射率梯度4个识别参数，建立梯形隶属函数将识别参数模糊化，用得到的数据加权求和，得到层状云和对流云降水的概率[12]。

1.2.1 识别参数：

(1)最大反射率因子Zmax：每个库上对所有垂直高度层的反射率进行比较，选择最大的反射率值，即组合反射率。

(2)回波顶高ET：每个库上回波强度大于18.5 dBZ的最大高度，使用了SWAN回波顶高产品。

(3)垂直反射率梯度GradVZ：反射率因子(最大反射率因子和回波顶处的反射率因子)随高度的垂直变化。其求出的结果为负值，计算公式为：

GradVZij=(Zmaxij-ZET0)/Δh，

(1)

其中：Zmaxij、ZET0分别为格点(i,j)处的最大反射率因子和回波顶处的反射率因子；Δh为其高度差；GradVZ的单位为dB·km-1。

(4)组合反射率水平梯度GradHZ：组合反射率因子的水平变化特征，计算公式为：

(2)

其中：Z为组合反射率因子，其下标为格点坐标位置；n为间隔格点数；d为坐标间隔距离。在本文中n=2，GradHZ的单位为dB·km-1，一般情况下，该值在强对流回波边缘时比较大。

1.2.2 识别方法

采用模糊逻辑法实现层状云和对流云的识别，用一个梯形函数的隶属函数系对这4个参数进行模糊化，函数的表达式如下：

(3)

其中：x为识别参数；x1、x2为参数门限值。对于Zmax，x1=20，x2=40；对于GradVZ，对其取绝对值，x1=2，x2=4；对于GradHZ，x1=1，x2=6。分别求出各个参数的概率值，并求他们的算术平均，得到对流云概率P。

1.2.3 识别结果

图2为2013年7月22日02∶54(世界时，下同)和2014年7月23日22∶36的雷达组合反射率和对流云识别结果(图2a、b分别为两时次的组合反射率，图2c、d分别为计算出的对流云概率P)。其中紫色圈C为蔡桥C波段双偏振移动雷达位置(32.355 27°N，117.640 83°E)，该雷达探测半径为150 km，线段AB为当前时次左右的蔡桥雷达高扫地面投影位置。2013年7月22日02∶54为一次梅雨锋与西南涡共同影响下的午间对流过程。图3a为蔡桥雷达2013年7月22日02∶57 观测的297°(偏西北方向)的高扫反射率，可以看出较明显的对流单体(远距离的回波因衰减有所减小)，这里使用P≥0.5作为对流云判定条件，可以较好地识别出对流云(图2c)。2014年7月23日22∶36为台风“麦德姆”影响下的台风外围云团，结合图3b蔡桥雷达2014年7月23日22∶36观测的111.5°(偏东南方向)的高扫反射率，可以看出降水云为积层混合云，层状云中分布着较多的积雨云团。图2d为该时次的对流云识别结果，使用P≥0.5判别出的对流云较为合理。所以取P值≥0.5时，识别的结果为对流云，否则为层状云。

图2 雷达拼图组合反射率(CR)和对流云识别结果：(a、c)2013年7月22日02∶54；(b、d)2014年7月23日22∶36Fig.2 Composite reflectivity images of SWAN and the Identification results of convective cloud at:(a,c)0254 UTC on 22 July 2013;(b,d)2236 UTC on 23 July 2014

图3 蔡桥雷达高扫反射率：(a)2013年7月22日02∶57，方位角297°；(b)2014年7月23日22∶36，方位角111.5°Fig.3 RHI base reflectivity of Caiqiao radar at: (a)0254 UTC on 22 July 2013,azimuth 297°;(b)2236 UTC on 23 July 2014,azimuth 111.5°

2 提取对流云雷达特征量

识别出对流云体后，使用质心跟踪法对云体进行追踪[10]。跟踪结束后，结合地面自动气象观测站降水量数据、探空资料、SWAN回波顶高、VIL产品，设计接口，计算出以下对流云特征量：

(1)对流云云体边界：对流云包含的拼图高度层上的二维对流云体边界点空间坐标，根据坐标求取边界内雷达回波反射率、回波顶高、VIL等雷达特征量。

(2)对流云水平面积、体积、质量：计算对流云云体质量和体积的方法与单体VIL类似，即垂直高度上二维分量的质量或体积离散求和。

(3)降水量：根据对流云边界点信息和地面站点降水量观测资料计算。

(4)对流云云体水平垂直尺度比(HVratio)：计算水平尺度时假设云体为正方形，计算云体水平垂直尺度比的公式为：

(4)

其中：Areamax为组成云体的二维风暴(30 dBZ阈值)面积的最大值；ETmax为最大的回波顶高；EBmax为最小的回波底高。

(5) 冷层厚度：结合对流云云体回波顶高，根据探空资料的零度层高度计算。

3 江淮对流云特征分析

3.1 资料来源与处理方法

使用安徽省多普勒天气雷达站的SWAN产品：雷达拼图、组合反射率、回波顶高、VIL，拼图使用的站点有合肥、蚌埠、阜阳、安庆和黄山，拼图区域为29°～36°N、114°～120°E。降水量资料来源于国家自动气象站和区域自动气象站2 000多个地面雨量站点。区域雨量与雷达回波具有较好的一致性[12]，雷达资料的体扫时间一般为6 min，为了保持降水量时间与雷达资料的同步，把地面逐分钟降水量数据处理成6 min降水量资料。使用算法反演2013—2015年夏季IOP降水天气期间(表1)的对流云。

表1 2013—2015年IOP时间Table 1 Timetable of important observation processes from 2013 to 2015

3.2 结果

3.2.1 不同生命史的对流云样本数量

统计识别出的生命史在13 min以上(3个体扫及以上)的对流云，不同生命史的对流云样本分布见图4。可见，13～30 min生命史较短的对流云比较多，约占总样本数的60%，生命史越长，对流云样本数越少，0.5～1 h的对流云约占样本总数的26%，1～1.5 h的对流云约占样本总数的8.5%，生命史在1.5～2 h和2 h以上的对流云占总样本数的比例相对较低，分别为3.0%、2.2%。

图4 不同生命史的对流云样本数量分布Fig.4 Distribution of convective cloud samplesin different life histories

3.2.2 不同生命史的对流云雷达回波特征

按照对流云的生命期分三类：生命史分别为13～30 min，30～60 min 和60 min以上，分析不同生命史对流云的雷达回波特征。图5为各生命史对流云数量随最大回波强度、单体VIL、回波顶高、冷层厚度、水平垂直尺度比的分布。

图5 不同的生命史的对流云数目随雷达特征量的分布：(a)最大回波强度；(b)单体VIL；(c)冷层厚度；(d)水平垂直尺度比Fig.5 Distribution of the number of convective clouds with different life histories with radar characteristics: (a) maximum echo intensity; (b) monomer VIL;(c) cold layer thickness;(d) horizontal and vertical scale ratio

生命史在13～30 min、30～60 min 和60 min以上的对流云最大回波强度平均值分别为42.8、44.6和46.4 dBZ，说明对流云生命史越长，其平均最大回波强度越大。能够产生最大回波强度50 dBZ以上的对流云大多生命史较长，说明对流云生命史越长，其产生强回波的概率越大。各生命史的对流云体VIL平均值分别为3.9和5.7和8.2 kg·m-2，说明对流云VIL的均值大小和生命史的长短的变化一致：VIL值不到1 kg·m-2的对流云生命史很短，绝大部分在半小时以内，超过50 kg·m-2持续时间比较长，绝大部分在1 h以上。各生命史的对流云冷层厚度平均值统计分别为5.4、5.9、6.8 km。对流云的冷层厚度大部分在5～8 km，极大值可超过14 km。各生命史的对流云水平垂直尺度比分别为2.9、2.9和3.0，分布特征差别不大。各子图下方的盒图可以看出样本的总体分布情况，最大回波强度盒图分布和VIL盒图分布的中位数、上下四分位数在生命史较大时较大；冷层厚度的盒图分布的中位数、上下四分位数在生命史60 min以上时较大；3个生命史阶段的对流云水平垂直尺度比盒图分布差异不大。

使用归一法对所有数据进行归一处理，分析了13～18、19～24、25～30、31～60、60 min以上不同生命史的各雷达参数的演变特征，处理结果见图6。

图6 归一化的不同生命史对流云雷达特征量的时间变化序列：(a)最大回波强度；(b)VIL；(c)冷层厚度；(d)面积；(e)体积Fig.6 Normalized time series of radar characteristics of convective clouds with different life histories: (a)maximum echo intensity; (b) VIL; (c)cold layer thickness; (d) area; (e) volume

各雷达特征量的最大值作为T0时刻，可以看出不同生命史对流云发展过程中最大回波强度、单体VIL、冷层厚度、面积、体积随时间的演变趋势。生命史在60 min以下的对流云，雷达特征量随时间发展大都呈单波峰状，但生命史在60 min以上对流云的最大回波强度、VIL、冷层厚度都有2～3个小波峰。各生命史对流云的冷层厚度在达到最大之前，均有突然增大的特征。

3.3 对流云各雷达特征量与降水量的关系

统计所有对流云雷达特征量与降水量之间的关系。降水量的样本数分布情况如图7所示：降水量的样本主要分布在40 mm·h-1以下，随着降水量的增大，样本数逐渐减小。

图7 对流云的降水量样本分布Fig.7 Distribution of precipitation samples of convective clouds

对流云最大回波强度、单体VIL、云体质量、水平垂直比、冷层厚度与降水量的关系见图8，各个雷达特征量与降水量的相关系数为：0.437、0.416、0.123、-0.09和0.305。最大回波强度和VIL与降水量的相关性较好。

图8 对流云雷达特征量与降水量关系：(a)最大回波强度；(b)单体VIL；(c)云体质量；(d)水平垂直比；(e)冷层厚度Fig.8 Relationship between radar characteristics of convective clouds and precipitation: (a) maximum echo intensity;(b) monomer VIL;(c) cloud mass;(d) horizontal vertical ratio;(e) cold layer thickness

红色点为各要素的降水量的平均值。最大降水量对应的回波强度在55 dBZ左右，随着回波强度的增大，平均降水量呈递增关系，但回波强度超过57 dBZ左右时，平均降水量随回波的增大呈现出了递减的关系，说明少数大粒子产生较强回波。因其总的数浓度很小，所以降水量不大。VIL与降水量的关系： VIL在30 kg·m-2以下时，平均降水量随VIL的增大而递增，约在40 kg·m-2以后，随着VIL的增大，降水量反而递减。水平垂直比值越大，云体形状趋于扁平。体积较大的层状云体往往水平垂直比例较大，而小范围的发展旺盛的局地对流云的水平垂直比例较小。平均降水量的最大值对应的水平垂直比约在0.7～0.9之间，随后降水量平均值随水平垂直比增大有所减小，趋于平缓。对流云体的质量与降水量的关系：云体质量在103kg以下，平均降水量随质量增大而增大，极大值在103kg附近，随后降水量随云体质量的变化趋于平缓。冷层厚度与平均降水量呈现一定的递增关系，冷层厚度越大，降水量越大。

4 结论

本文通过解析和改写SWAN雷达拼图中SCIT算法区分对流云和层状云，实现了对流云的识别和追踪，并提取了对流云体的边界、质量、体积等雷达特征量。结合2013—2015年夏季江淮地区雷达、雨量、探空资料，对江淮地区对流云特征进行了分析。主要结论如下:

(1)拼图资料对单站雷达资料进行了质量控制，并插值到特定水平高度上。拼图中对流云识别算法对孤立云块、中小尺度对流天气具有较好的识别效果，而对层状云的识别效果较差，模糊逻辑法可以区分层状云和对流云，并剔除层状云。

(2)保留SCIT算法中识别单体时的30 dBZ阈值结构信息，可以很好地保留对流云体的三维边界特征，计算对流云空间结构特征。使用追踪算法进行跟踪，可以识别出对流云的特征量时间变化特征。当遇到云体分裂合并现象时，使用单体质心法追踪云体可能会使追踪序列断裂，不能完全反映云体的演变过程，后续需要改进。

(3)通过提取雷达特征量，分析不同生命史的江淮对流云雷达参数关系，分析了雷达特征量与降水的关系：江淮地区，绝大多数对流云在半个小时以内，生命史较大的对流云，其平均回波强度、VIL、冷层厚度较大，最大回波强度和VIL与降水量的相关性较好。运用SCIT算法在雷达拼图中提取对流云的特征量方法应用效果明显。