雷暴大風與龍卷的預報預警和災害現場調查

鄭永光 田付友 周康輝 朱文劍

（國家氣象中心，中國氣象局，北京 100081）

0 引言

極端強對流大風事件由于其突發性和預報難度大易于導致重大經濟損失和人員傷亡，近年來其導致的災害尤其突出，如2015年6月1日21：30左右強下擊暴流導致的雷暴大風使“東方之星”客輪翻沉四百多人遇難[1-2]、2016年6月23日14：00—15：00江蘇省鹽城市阜寧縣EF4級（最大陣風風速的下限值為74 m/s）龍卷造成98人死亡和800多人受傷[3-4]、2016年4月13日凌晨強颮線導致的雷暴大風（現場調查估計地面大風為11級）使廣東東莞龍門吊傾倒致18人遇難、2016年6月4日下午強颮線雷暴大風使四川廣元白龍湖游船翻沉造成13人死亡和2人失蹤。2015年“東方之星”客輪翻沉事件是長江航運史上從未發生過的極端事件[1]。我國從未記錄到過EF5級龍卷，2016年阜寧EF4級龍卷事件是1950年以來我國第6個、江蘇省第2個EF4級龍卷[3, 5-6]。雖然雷暴大風和龍卷的形成機理[7-9]顯著不同，但這些事件都具有很強的突發性，都是發生概率極低的極端天氣事件。

Fujita和Wakimoto[10]總結了強對流風暴導致的3類災害性大風：龍卷大風、直線大風和下擊暴流大風。雷暴大風指的是由強對流風暴導致的非龍卷大風。龍卷大風通常是高度輻合的旋轉性風場，其路徑一般相對比較狹窄；非輻散性直線大風通常發生在前進式陣風鋒之后；而下擊暴流大風通常是具有明顯輻散特征直線或者曲線型大風。

對2015年“東方之星”客輪翻沉事件和2016年阜寧EF4級龍卷事件的風災現場調查都表明，強風災害具有顯著的小尺度時空分布特征[1, 3]。現場調查估計2015年“東方之星”客輪翻沉事件中地面最大風速達12級以上（＞32.6 m/s），而該次事件自動氣象站監測到的最大瞬時風速僅為16.4 m/s[1]；現場調查估計2016年阜寧EF4級龍卷其最大瞬時風速下限值為74m/s，遠大于自動氣象站監測到的最大瞬時風速34.6m/s（12級）[3]。因此，目前我國雖然已經布設完成了較為完備的氣象業務觀測體系，但仍然難以全面監測該類極端強對流天氣，因此對地面大風等災害天氣的現場調查工作依然必不可少。

雖然我國強對流天氣國家級預報業務和各級氣象臺短時臨近預報業務起步晚于美國等國家，但目前我國已經布設完成了覆蓋全國的新一代多普勒天氣雷達網、發射了多顆風云2號業務和風云4號試驗地球靜止氣象衛星、布設了較為完備的地面自動氣象觀測站網等，也將在“十三五”期間對93部SA和10部CA新一代天氣雷達進行雙偏振技術升級，并建設形成由282部雷達組成的全國風廓線雷達業務網[11]。同時開發建設了基于多源資料的分類強對流天氣實況監測系統、中尺度天氣分析規范和分析工具、分類客觀預報系統、災害性天氣短時臨近預報系統（SWAN）和強對流天氣綜合業務支撐平臺等，并實時發布分類強對流天氣預報和預警產品[12-17]。但雷暴大風和龍卷預報仍然是業務天氣預報的難點和重點之一，因此非常有必要綜合利用觀測和數值預報等多源資料，尤其新型觀測和高分辨率數值預報資料進一步加強和提高該類天氣事件的預報預警能力。本文將首先總結雷暴大風和龍卷機理及其短期預報技術，然后給出其監測和短時臨近預報預警技術，再對該類天氣事件的災害現場調查工作進行簡要總結，以期能夠對該類天氣的業務預報預警工作提供借鑒和參考。

1 雷暴大風與龍卷的機理和短期預報

雷暴大風與龍卷的短期預報是做好其短時臨近預警的重要基礎。絕大多數雷暴大風是由對流風暴內強烈下沉氣流（下擊暴流）所導致[18]，只有極少數雷暴大風是由對流風暴的強烈入流氣流導致。通常對流層中層或以上有明顯干層、對流層中下層大氣較大垂直減溫率的環境條件下易導致對流風暴的強下沉氣流，這種環境條件下計算的下沉對流有效位能（DCAPE）通常都較大，比如2015年導致“東方之星”翻沉的下擊暴流就具有明顯的對流層中層干層特征（溫度露點差最大達36℃）[9]；但是較高海拔地區的大氣低層存在干層時（T-logp圖上呈現倒V形的溫濕廓線分布）的對流風暴也能夠導致強下沉氣流[17]，甚至會產生干下擊暴流；在對流層大氣都較濕的情況下，強降水的拖曳和蒸發作用也會導致強下沉氣流（濕下擊暴流），加之動量交換作用，是強降水也時常伴隨大風的直接原因。由于產生大冰雹的環境條件要求有較大的對流有效位能、較強的中層垂直風切變和合適的濕球零度層高度，因此要求環境大氣有較大的溫度遞減率，這既有利于強上升氣流，也有利于強下沉氣流；并且云中冰相粒子在下落過程中融化、升華吸收大量環境大氣熱量會非常有利于加強下沉氣流[19-20]，這些因素都是大冰雹天氣通常伴隨大風天氣的重要原因。有研究認為850 hPa與700 hPa之間較大的垂直減溫率更有利于雷暴大風天氣[21]。根據這些環境條件，一些研究定義了不同的雷暴大風指數或者下擊暴流指數[22-27]。

從天氣形勢來看，我國的雷暴大風天氣易發生在春季和夏初大氣斜壓性較強、溫度直減率較大的天氣背景下，比如春季西風槽和冷鋒、春末夏初北方冷渦（尤其冷渦的西南象限）、水汽云圖上的暗區等背景下發展起來的強對流風暴，如2006年4月28日山東（西風槽和冷鋒影響）、2009年6月3日河南（冷渦影響）、2013年3月19日江南和華南（西風槽和冷鋒影響）、2015年6月1日“東方之星”客輪翻沉事件（冷渦影響）、2016年6月30日山東、2018年3月4日江西等雷暴大風個例等，這是因為在這些天氣形勢下對流層大氣中層通常會存在干層和垂直減溫率較大的緣故。

龍卷通常分為兩類，一類為中氣旋龍卷，另一類為非中氣旋龍卷[8, 28-29]。通常中氣旋龍卷強度較強[8, 30]，但僅約25%甚至更少的雷達探測到的中氣旋會生成龍卷[8, 31-32]。目前只有對中氣旋龍卷有可能進行有效預警[7-8, 28]。EF2級及以上中氣旋龍卷除了要求有利于超級單體風暴的環境條件一定的對流有效位能和強的0～6 km垂直風切變外，還包括低的抬升凝結高度和較大的低層（0～1 km）垂直風切變[7-8, 33-35]，比如，2016年阜寧EF4級龍卷事件就具備了所有以上這些有利于中氣旋龍卷的有利環境條件[9]。不過，熱帶氣旋中產生中氣旋龍卷環境大氣的CAPE值一般較小[8, 36-37]。非中氣旋龍卷通常由輻合線上的中小尺度渦旋和快速發展對流風暴中的強上升氣流共同作用形成[27]，通常輻合線具有較強的水平風切變和垂直渦度，而垂直風切變一般較弱[9, 28, 38]；與下擊暴流相聯系的弓形回波會生成小尺度的中渦旋（mesovortices）[39]也能夠發展為強度可達F4或者EF4級的龍卷[29]，因此，產生龍卷的颮線多為弓型回波或者波動型線狀回波（LEWP）[9, 28]。對流風暴的出流氣流對龍卷的生成至關重要，其觀測證據是龍卷發生發展在超級單體風暴的壁云（wall cloud）附近，而壁云的形成是超級單體的入流氣流和出流氣流混合作用的結果[40]。對流風暴的冷出流與環境之間形成的地表大氣溫度差需要有一個平衡點（sweet spot）才有利于龍卷生成[41]，這個溫度差通常小于4℃[8, 28, 42]。

從天氣形勢來看，我國龍卷易發生在暴雨或者臺風這樣的天氣背景下，比如2012年7月21日北京通州（暴雨背景）、2015年10月4日廣東佛山（彩虹臺風中）、2016年6月23日江蘇阜寧（暴雨背景）等龍卷個例，這是因為在這樣的天氣形勢下經常會存在低空急流（即低空垂直風切變較大）和較低的抬升凝結高度的緣故。

由于受該類天氣時空尺度較小、分布不連續的特點和可預報性的限制，目前的數值模式在短期預報時效內還不能直接做出雷暴大風和龍卷預報。因此，雷暴大風和龍卷的短期預報主要基于數值天氣預報資料，從其發生發展機理和所依賴的環境條件出發，根據不同的診斷物理量對該類天氣的指示意義來進行[7-8, 13, 15, 17]，也就是現在廣泛應用的“配料法”。

由于雷暴大風和龍卷的發生發展需要多個方面的物理條件，且較多研究給出的物理量統計結果表明不可能找到一個完全明確的單一物理量閾值來表征該類天氣發生發展的物理條件[43-44]，因此類似模糊邏輯和機器學習等這些能夠綜合應用代表不同物理條件的多個物理量的技術方法是當前強對流天氣預報技術研究的重要方面。應用模糊邏輯方法的雷暴大風或者龍卷預報技術一般基于探空資料或者數值模式預報資料，通過挑選對不同類型強對流天氣具有指示意義的物理量，根據歷史個例的統計結果分別來構建獨立隸屬函數，并賦予不同物理量不同的權重來給出最終的綜合預報結果。因此，其發生發展所需環境條件的氣候分布特征是制作分類強對流預報的必要基礎工作，目前已有一些研究工作[40-41]。基于集合數值預報的強對流短期（概率）預報技術是當前預報技術的重要發展方向。美國SPC已經建立了比較完整的基于多尺度數值集合預報的強對流分類預報產品體系，而NCEP的區域短期集合預報系統（Short Range Ensemble Forecast，SREF）和全球集合預報系統（GEFS，Global Ensemble Forecast System）分別為SPC 1～3 d和SPC3～8 d的對流天氣短期預報和中期展望提供數值預報依據[45-47]。

但目前不同等級的雷暴大風和極端雷暴大風天氣預報以及預報精細化方面還存在較大不足。而我國龍卷由于發生頻率遠低于美國[3, 6]，其短期預報難度則更大，我國現有業務中尚沒有龍卷的主客觀短期預報產品。因此，需要綜合利用多源觀測資料和高分辨率數值（集合）預報資料，在綜合統計不同強度和極端強度的多物理量分布特征的基礎上，應用模糊邏輯或者機器學習等方法進一步提升該類天氣的（概率）預報準確率和精細化水平。

2 雷暴大風與龍卷的監測和短時臨近預報預警

雷暴大風與龍卷的監測和臨近預警主要依賴新一代天氣雷達網。自動氣象站觀測風場能夠相當程度上監測雷暴大風，但如引言中所述，由于強風災害具有顯著的小尺度時空分布特征[1,3]，因此目前的自動氣象站網還幾乎無法監測到雷暴大風過程中的最大風速分布。龍卷監測就更為困難，除了依靠雷達資料外，更多依靠的是目擊者報告、互聯網資料、災害現場調查或者其他部門（如交通部門等）的視頻監控等。

中層徑向速度輻合（MARC）[7, 48]、強反射率因子核心下降[49]、后側入流槽口[50]和弓形回波[7]等是指示雷暴大風天氣的重要雷達觀測特征。當對流風暴周邊干空氣被夾卷進入風暴內部后，導致其下沉氣流內雨滴迅速蒸發使下沉氣流降溫而導致加強的向下加速度，這種對流層中層干空氣的夾卷進入對流風暴的過程在徑向速度圖上表現為MARC特征和反射率因子圖上的后側入流槽口。利用MARC預警雷暴大風的提前時間約為10～30 min。在有利于雷暴大風的環境條件下，中氣旋可以更有效地將環境干空氣夾卷進入下沉氣流內導致雨滴、冰物質蒸發或者升華大氣降溫形成向下加速度從而加強下沉氣流使得地面風速進一步增加[7]。當對流風暴距離雷達站較近（約70 km以內）時，若雷達觀測的0.5°仰角徑向速度場有超過20 m/s 左右以上的風速大值區需要關注地面雷暴大風的可能性①鄭媛媛, 2017. 雷暴大風和龍卷短臨預報預警. 2017年強對流天氣汛前預報技術準備會。，如2015年6月1日“東方之星”客輪翻沉事件過程中0.5°仰角徑向速度場有超過19 m/s的風速大值區。移動越快的對流風暴其產生雷暴大風的可能性和強度越大，據估計，12 m/s左右以上的移速有可能產生8級左右地面大風，19 m/s左右以上的移速可能產生10級左右地面大風①。如果天氣雷達上能夠觀測到明顯的陣風鋒，則可能表明對流風暴的冷池強度較大，其產生較大地面風速的可能性也較大。不僅地面自動氣象站的風場能夠監測地面大風，地面自動氣象站監測的強3 h變壓①或者強變溫也能夠監測對流風暴冷池的強度從而可輔助監測雷暴大風天氣。地球靜止氣象衛星對雷暴大風天氣也有一定的監測能力，如前所述的水汽圖像的暗區中發展的對流云、具有上沖云頂的對流云、呈現“胡蘿卜”或者尖錐狀的對流云系產生雷暴大風的可能性較大等。未來，利用風云4號衛星提供的垂直探測資料計算雷暴大風指數結合其他監測資料能夠更好地監測和臨近預警雷暴大風天氣[26]。

多普勒天氣雷達探測到的中氣旋是目前龍卷臨近預警主要依據[7, 17]，但如前所述，美國的統計表明僅約有25%甚至更少的雷達探測到的中氣旋會生成龍卷，但當中氣旋底距離地面高度小于1 km時，龍卷的發生概率則約為40%[7, 31]。目前美國業務發布龍卷警報的依據主要是：在有利于龍卷的環境條件下，探測到強中氣旋或中等以上強度中氣旋，并且其底高不超過1 km[7]。美國的移動X波段多普勒雷達（DOW）在龍卷研究中發揮了重要作用，其觀測到的最大龍卷風速達135 m/s。2016年6月23日江蘇阜寧龍卷發生時，江蘇省氣象臺根據這些依據指導阜寧縣氣象臺在14：39時發布的雷暴橙色預警信號中明確指出將有龍卷發生。美國基于中氣旋的龍卷警報平均提前時間約為10～20 min。但由于多普勒天氣雷達的中氣旋產品本身就存在很多誤識別，再加之大多數中氣旋并不會產生龍卷，因此基于中氣旋的龍卷預警存在很高的虛警率。多普勒天氣雷達有時能夠探測到的龍卷渦旋特征（TVS）是龍卷臨近預警的另一重要依據[7,17]，但對當時當地的龍卷已經幾乎沒有預警提前時間，不過可以對龍卷移動方向的下游地區具有提前臨近預警作用。由于部分產生龍卷的經典超級單體存在明顯的鉤狀回波，因此這也是龍卷預警的參考依據之一，比如2016年6月23日產生江蘇阜寧龍卷的經典超級單體就具有非常明顯的鉤狀回波特征[4, 9]。目前的地球靜止氣象衛星和自動氣象站網觀測資料還不可能在龍卷監測和臨近預警中發揮直接作用，但我國將在“重大自然災害監測預警與防范”重點專項支持下發展龍卷探測雷達，以期能夠提高龍卷等小尺度渦旋的探測能力。

雙偏振天氣雷達觀測資料能夠提高降水粒子形態的識別能力[51-52]和識別龍卷所破壞物體的碎片被卷入龍卷中所導致的雙偏振雷達觀測特征（TDS）[53]，能夠提高冰雹粒子的識別率和判斷冰雹在落地之前是否完全融化還是部分融化等[54]，從而有助于監測龍卷以及與冰雹天氣相伴隨的雷暴大風天氣，但這些雙偏振雷達必須具有較高的空間分辨能力才可能探測這些小尺度的天氣系統。此外，基于多普勒天氣雷達資料中的這些特征，中氣旋、雷暴大風等的自動識別算法也得到了發展和完善[55-56]。

由于臨近預報最長時效僅為1～2 h，因此雷暴大風與龍卷的短時預報更多依賴于快速更新或者集合的高時空分辨率數值模式系統預報。目前這些天氣的短時預報的主要依據是高分辨率數值預報資料的對流天氣環境條件分析和基于中小尺度機理的客觀預報產品，也就是依賴“對流可分辨”高分辨率（集合）數值預報產品后處理。目前，已有很多國家都在探索從對流風暴的中尺度結構和發展機理方面如何應用“對流可分辨”的高分辨率數值模式（集合）預報產品進行強對流分類預報[15, 57]，如美國Oklahoma大學的風暴分析與預報中心（CAPS）風暴尺度集合預報SSEF產品[52]、美國的強風暴預報中心（SPC）[15]和我國中央氣象臺強天氣預報中心發展了多模式集合的預報產品等。為了獲取尺度小、變化快的天氣系統在模式中的反映，Kain等[58]從模式預報的每個時間步的物理量場輸出逐小時時段內的每一個格點的物理量最大值，稱為逐時最大場。他們發現可能與雷暴大風和龍卷關系密切的物理量有：最大上升氣流、3～6 km高度之間的最大下沉氣流速度、表征對流強度的地面上空1 km高度的最大反射率因子、最大上升氣流螺旋度、最大地面10 m風速等[52]。但需要指出的是，雖然基于高分辨率數值（集合）預報的強對流天氣的短時預報技術取得了一定進展，但還有非常多的工作需要開展以提高其預報性能，比如模式框架本身性能的改進、不同微物理過程的改進、資料同化技術、不同類型強對流天氣的精細化預報等多個方面[15]。

3 雷暴大風與龍卷災害現場調查

如前所述，目前我國的氣象業務觀測體系仍然難以全面監測雷暴大風和龍卷等極端強對流天氣，尤其是極端大風風速，因此，現場天氣調查依然是分析和確認這些災害性大風天氣精細分布的最重要的直接手段，從而確定大風的具體發生時間和地點、災情、災害路徑長度和寬度、風向等，并可根據風速等級標準估計風速和判斷風災強度。現場調查的主要裝備包括智能手機、相機、GPS定位儀、無線網絡通信和無人機等，目前，無人機在現場調查中發揮了重要的無可替代作用。美國也有人提出使用雙偏振天氣雷達觀測到的TDS特征來估計龍卷災害分布[59]，但這需要這些雷達觀測具有較現有業務雷達高得多的空間分辨率。通過現場調查確定風災強度可以滿足人們和科研人員了解風災強度的需求，可以獲得風速與相關設施結構性能的關系，并可從氣候上評估龍卷和下擊暴流等導致的小尺度風災給人們和基礎設施所帶來的風險。但由于災害標識物（DI）的復雜性，通過災害程度來評估風速必然有較大不確定性，因此需要一定的等級來表征不同物體受災程度所指示的風速范圍，比如已廣泛應用的“藤田等級”（F等級）或者“改進的藤田等級”（EF等級）。

Fujita開創性地開展了風災調查工作[60]，并于1971年提出了F等級[61]，用來估計龍卷和臺風等導致的風災強度。F等級在1970年代初被美國天氣局采用作為估計龍卷強度的官方標準。到目前，F等級已得到了廣泛應用，但也存在一些問題，比如并沒有進行過校準，對F3－F5級風速存在明顯的高估、低等級風速存在低估，其DI種類較少、主要是結構良好的框架房屋等。因此，美國得克薩斯技術大學風科學和工程中心聯合多個部門專家對F等級進行了修訂，稱為EF等級[62]。EF等級主要調整了F等級每一級別所對應的風速上下限，并采用了28類DI，且每一類DI給出了多個災害等級（DoD）。EF等級的DI以各類不同建筑結構的房屋或建筑物為主，共有23類；樹木分為硬木和軟木兩類DI；其它DI還包括電線桿、電力線鐵塔、通訊鐵塔等。EF等級中去除了F等級中有關飛射物的DI，也未把瀝青路面被剝掉這一災害現象列為DI。2007年美國氣象局開始采用EF等級作為估計龍卷強度的等級標準，目前還有加拿大、法國等國采用了該等級標準，并根據當地DI情況對其進行了修正，而我國的龍卷強度等級標準正在制定中。還需指出的是，F等級的風速為地面10 m高度處最快1/4 mile（約400 m）平均風速，EF等級的風速為地面10 m高度處3 s平均陣風風速，二者有所不同[3]。

美國現已形成了較為規范完整的龍卷和下擊暴流所致風災的調查體系[63-65]。近年來，我國的風災調查體系也已逐步建立，如Meng等[66]詳細調查了2012年7月21日北京特大暴雨期間發生的一次龍卷所致災害情況，中國氣象局組織北京大學、南京大學等單位聯合調查了2015年6月1日“東方之星”客輪翻沉事件、2015年10月4日彩虹臺風中的佛山龍卷、2016年6月23日江蘇阜寧龍卷等重大強對流天氣災害情況[1-3, 67]。

有研究使用F等級和EF等級詳細估計了2015年6月1日“東方之星”客輪翻沉事件和2016年6月23日江蘇阜寧龍卷的現場災害情況[3]，本文僅以F1和EF1級災害評估為例說明二者的異同，此外，F1和EF1級風災在我國發生頻率相對較高，從而可為地方氣象部門的相關工作提供一定參考。F1和EF1級災害屬于中等程度破壞。一些樹被連根拔起或者折斷、屋頂的屋瓦被刮掉都屬于F1級災害（圖1）。軟木類樹木（松樹、楊樹、杉樹、柏樹等）折斷和硬木類（橡樹、楓樹、樺樹、白蠟樹）樹木被連根拔起屬于EF1級災害，如2015年6月1日湖北監利四臺村附近水渠兩側（圖1a）和順星村附近（圖未給出）楊樹折斷等。不少于20%屋頂屋瓦被刮掉屬于F1級和EF1級災害，如圖1b中為2016年6月23日阜寧龍卷所致；而在2015年6月1日長江監利段兩岸村莊中發現部分房屋的少量屋瓦（圖未給出）被吹掉，未超過20%，因此這些房屋災害等級可估計為F1級，但未達到EF1級[3]。

圖1 F1和EF1級災害[3]（a）2015年6月1日湖北監利四臺村附近水渠兩側折斷的楊樹；（b）無人機拍攝的2016年6月23日江蘇阜寧計橋村被刮掉屋瓦的房屋Fig. 1 F1 and EF1 damages[3](a) Snapped aspens occurred on 1 June 2015 at Sitai Village, Jianli County, Hubei Province; (b) Partially untiled roofs by storm occurred on 23 June 2016 at Jiqiao Village,Funing County, Jiangsu Province

4 結論

強雷暴大風與龍卷具有非常強的致災性，近年來我國該類災害事件引發廣泛關注。本文系統總結了雷暴大風與龍卷的監測和預報預警技術以及大風災害現場調查和估計方法。

1）雷暴大風天氣多與對流層大氣存在干層和較大垂直減溫率有關，EF2級及以上中氣旋龍卷通常要求有一定的對流有效位能、強的垂直風切變（0～6 km）、低的抬升凝結高度和較大的低層（0～1 km）垂直風切變。目前雷暴大風的短期預報主要基于數值預報和“配料法”，但我國現有業務中尚沒有龍卷的主客觀短期預報產品。

2）除了自動氣象站觀測的地面風場外，指示雷暴大風天氣的雷達觀測特征包括中層徑向速度輻合、雷達低仰角觀測到的大徑向速度區、強反射率因子核心下降、后側入流槽口和弓形回波等；對流風暴的快速移動也能夠指示雷暴大風天氣。目前我國龍卷臨近預警主要依據是中氣旋和TVS特征以及低層鉤狀回波特征等。目前的地球靜止氣象衛星和自動氣象站風場、變壓、變溫等觀測資料能夠輔助監測雷暴大風天氣，但還不可能直接監測龍卷。

3）雷暴大風與龍卷的短時預報主要依賴快速更新或者集合的高時空分辨率數值模式系統預報及其后處理，但還有非常多的工作需要開展以提高其預報性能。

4）現場天氣調查工作依然是分析和確認雷暴大風和龍卷大風精細分布的最重要的直接手段，但風速估計具有較大的不確定性。目前使用的最為廣泛的風速等級標準是F等級和EF等級，美國、加拿大、法國等國已采用了EF等級。我國的風災調查體系也已逐步建立，并正在發展自己的龍卷強度等級標準。

參考文獻

[1] 鄭永光, 田付友, 孟智勇, 等. “東方之星”客輪翻沉事件周邊區域風災現場調查與多尺度特征分析. 氣象, 2016, 42(1): 1-13.

[2] Meng Z, Yao D, Bai L, et al. Wind estimation around the shipwreck of Oriental Star based on field damage surveys and radar observations. Science Bulletin, 2016, 61(4): 330-337.

[3] 鄭永光, 朱文劍, 姚聃, 等. 風速等級標準與2016年6月23日阜寧龍卷強度估計. 氣象, 2016, 42(11): 1289-1303.

[4] 張小玲, 楊波, 朱文劍, 等. 2016年6月23日江蘇阜寧EF4級龍卷天氣分析. 氣象, 2016, 42(11): 1304-1314.

[5] Xue M, Zhao K, Wang M, et al. Recent significant tornadoes in China. Advances in Atmospheric Sciences, 2016, 33(11): 1209-1217.

[6] 范雯杰, 俞小鼎. 中國龍卷的時空分布特征. 氣象, 2015, 41(7): 793-805.

[7] 俞小鼎, 周小剛, 王秀明. 雷暴與強對流臨近天氣預報技術進展. 氣象學報, 2012, 70(3): 311-337.

[8] 鄭永光, 陶祖鈺, 俞小鼎. 強對流天氣預報的一些基本問題.氣象, 2017, 43(6): 641-652.

[9] 鄭永光, 朱文劍, 田付友. 2015年“東方之星”翻沉事件和2016年阜寧EF4級龍卷對流風暴環境條件、結構特征和機理. 氣象科技進展, 2018, 8(2): 44-54.

[10] Fujita T T, Wakimoto R M. Five scales of airflow associated with a series of downbursts on 16 July 1980. Monthly Weather Review, 1981, 109(7): 1438-1456.

[11] 高玉春. 氣象業務發展對新一代天氣雷達技術性能提升的要求. 氣象科技進展, 2017, 7(3): 16-21.

[12] 鄭永光, 張小玲, 周慶亮, 等. 強對流天氣短時臨近預報業務技術進展與挑戰. 氣象, 2010, 36(7): 33-42.

[13] 鄭永光,林隱靜,朱文劍, 等. 強對流天氣綜合監測業務系統建設. 氣象, 2013, 39(2): 234-240.

[14] 張濤, 藍渝, 毛冬艷, 等. 國家級中尺度天氣分析業務技術進展Ⅰ: 對流天氣環境場分析業務技術規范的改進與產品集成系統支撐技術. 氣象, 2013, 39(7): 894-900.

[15] 藍渝, 張濤, 鄭永光, 等. 國家級中尺度天氣分析業務技術進展Ⅱ: 對流天氣中尺度過程分析規范和支撐技術. 氣象, 2013, 39(7): 901-910.

[16] 鄭永光, 周康輝, 盛杰, 等. 強對流天氣監測預報預警技術進展. 應用氣象學報, 2015, 26(6): 641-657.

[17] 楊波, 鄭永光, 藍渝, 等. 國家級強對流天氣綜合業務支撐體系建設. 氣象, 2017, 43(7): 845-855.

[18] Johns R H, Doswell III C A. Severe local storms forecasting. Weather and Forecasting, 1992, 7(4): 588-612.

[19] Wakimoto R M, Kessinger C J, Kingsmill D E. Kinematic, thermodynamic, and visual structure of low-reflectivity microbursts. Monthly Weather Review, 1994, 122(1): 72-92.

[20] Wilson J W, Wakimoto R M. The discovery of the downburst: T. T. Fujita’s contribution. Bulletin of the American Meteorological Society, 2001, 82(1): 49-62.

[21] Ellrod G P. Environmental conditions associated with the Dallas microburst storm determined from satellite soundings. Weather and Forecasting, 1989, 4(4): 469-484.

[22] McCann D W. WINDEX: a new index for forecasting microburst potential. Weather and Forecasting, 1994, 9(4): 532-541.

[23] Atkins N T, Wakimoto R M. Wet microburst activity over the southeastern United States: implications for forecasting. Weather and Forecasting, 1991, 6(4): 470-482.

[24] Ellrod G P. Experimental microburst image products derived from GOES sounder data. Preprints, 16th Conferenceon Weather Analysis and Forecasting, Phoenix, AZ, American Meteorological Society, 1998, 16: 43–45.

[25] Pryor K L, Ellrod G P. Recent improvements to the GOES microburst products. Weather and Forecasting, 2004, 19: 582–594.

[26] Pryor K L, EllrodG P. WMSI: a new index for forecasting wetmicroburst severity. Electronic Journal of Operational Meteorology, 2004.

[27] Pryor K L. Progress and developments of downburst prediction applications of GOES. Weather and Forecasting, 2015, 30(5): 1182-1200.

[28] Wakimoto R M, Wilson J W. Non-supercell tornadoes. Monthly Weather Review, 1989, 117(6): 1113-1140.

[29] Markowski P, Richardson Y. Mesoscale Meteorology in Midlatitudes. Chichester: John Wiley and Sons Ltd, 2010: 245-260.

[30] Agee E, Jones E. Proposed conceptual taxonomy for proper identification and classification of tornado events. Weather and Forecasting, 2009, 24(2): 609-617.

[31] Davies-Jones R, Trapp R J, Bluestein H B. Tornadoes and tornadic storms. Severe Convective Storms. Meteor Monogr, American Meteorological Society, 2001, 28(50): 167-221.

[32] Trapp R J, Stumpf G J, Manross K L. A reassessment of the percentage of tornadicmesocyclones. Weather and Forecasting, 2005, 20(4): 680-687.

[33] Brooks H E, Lee J W, Craven J P. The spatial distribution of severe thunderstorm and tornado environments from global reanalysis data. Atmospheric Research, 2003, 67: 73-94.

[34] Craven J P, Brooks H E. Baseline climatology of sounding derived parameters associated with deep moist convection. National Weather Digest, 2004, 28(1):13-24.

[35] Grams J S, そompson R L, Snively D V, et al. A climatology and comparison of parameters for significant tornado events in the United States. Weather and Forecasting, 2012, 27(1): 106-123.

[36] McCaul E W. Buoyancy and shear characteristics of hurricanetornado environments. Monthly Weather Review, 1991, 119(8): 1954-1978.

[37] 鄭媛媛, 張備, 王嘯華,等. 臺風龍卷的環境背景和雷達回波結構分析. 氣象, 2015, 41(8): 942-952.

[38] Bluestein H B. Severe Convective Storms and Tornadoes: Observations and Dynamics. Heidelberg: Springer–Praxis, 2013: 307-360.

[39] Atkins N T, Bouchard C S, Przybylinski R W, et al. Damaging surface wind mechanisms within the 10 June 2003 Saint Louis bow echo during BAMEX. Monthly Weather Review, 2005, 133(8): 2275-2296.

[40] Doswell C A, Burgess D W. Tornadoes and tornadic storms: a review of conceptual models. The Tornado: Its Structure, Dynamics, Prediction, and Hazards. Washington DC:American Geophysical Union, 1993: 161-172.

[41] Schultz D M, Richardson Y P, Markowski P M, et al. Tornadoes in the Central United States and the “Clash of Air Masses”. Bulletin of the American Meteorological Society, 2014, 95(11): 1704-1712.

[42] Markowski P M, Straka J M, Rasmussen E N. Direct surface thermodynamic observations within the rear-flank downdrafts of nontornadic and tornadicsupercells. Monthly Weather Review, 2002, 130(7): 1692-1721.

[43] 樊李苗, 俞小鼎. 中國短時強對流天氣的若干環境參數特征分析. 高原氣象, 2013, 32(1): 156-165.

[44] Tian F, Zheng Y, Zhang T, et al. Statistical characteristics of environmental parameters for warm season short-duration heavy rainfall over central and eastern China. Journal of Meteorological Research, 2015, 29(3): 370-384.

[45] Bright D R, Weiss S J, Levit J J, et al. The evolution of multiscale ensemble guidance in the prediction of convective and severe convective storms at the Storm Prediction Center. Preprints, 24th Conference Severe Local Storms, Savannah GA, 2008.

[46] Guyer J L, Bright D R. Utility of SPC short-range ensemble forecast (SREF) guidance for forecasting the development of severe convection. Preprints, 24th Conference Severe Local Storms, Savannah GA, 2008.

[47] Du J, Dimego G, Toth Z, et al. NCEP short-range ensemble forecast (SREF) system upgrade in 2009. 19th Conference on NWP and 23rd Conference on WAF, 2009.

[48] Schmocker G K, Przybylinski R W, Lin Y J. Forecasting the initial onset of damaging downburst winds associated with a mesoscale convective system (MCS) using the mid-altitude radial convergence (MARC) signature. Preprints, 15th Conference on Weather Analysis and Forecasting, Norfolk, American Meteorological Society, 1996: 306-311.

[49] Roberts R D, Wilson J W. A proposed microburst nowcasting procedure using single-Doppler radar. Journal of Applied Meteorology, 1989, 28(4): 285-303.

[50] Przybylinski R W. The bow echo: observations, numerical simulations, and severe weather detection methods. Weather and Forecasting, 1995, 10(2): 203-218.

[51] Park H, Ryzhkov A V, Zrnic D S, et al. The hydrometeor classification algorithm for the polarimetric WSR-88D: description and application to an MCS. Weather and Forecasting, 2009, 24(3): 730-748.

[52] Al-Sakka H, Boumahmoud A A, Fradon B, et al. A new fuzzy logic hydrometeor classification scheme applied to the French X-, C-, and S-band polarimetric radars. Journal Applied Meteorology and Climatology, 2013, 52(10): 2328-2344.

[53] Ryzhkov A, SchuurT J, Burgess D W, et al. Polarimetric tornado detection. Journal of Applied Meteorology, 2005, 44(5): 557-570.

[54] Heinselman P L, Ryzhkov A V. Validation of polarimetric hail detection. Weather and Forecasting, 2006, 21(5): 839-850.

[55] Elizaga F, Conejo S, Martín F. Automatic identification of mesocyclones and significant wind structures in Doppler radar images. Atmospheric Research, 2007, 83(2): 405-414.

[56] 李國翠, 劉黎平, 張秉祥, 等. 基于雷達三維組網數據的對流性地面大風自動識別. 氣象學報, 2013, 71(6): 1160-171.

[57] 鄭永光, 薛明, 陶祖鈺. 美國NOAA試驗平臺和春季預報試驗概要. 氣象, 2015, 41(5): 568-582.

[58] Kain J S, Dembek S R, Weiss S J, et al. Extracting unique information from high-resolution forecast models: monitoring selected fields and phenomena every time step. Weather and Forecasting, 2010, 25(5): 1536-1542.

[59] Bodine D J, Kumjian M R, Palmer R D, et al. Tornado damage estimation using polarimetric radar. Weather and Forecasting, 2013, 28(1): 139-158.

[60] Fujita T T, Bradbury D L, van Thullenar C F. Palm sunday tornadoes of April 11, 1965. Monthly Weather Review, 1970, 98(1): 29-69.

[61] Fujita T T. Proposed characterization of tornadoes and hurricanes byarea and intensity. SMRP Research Paper, University of Chicago, 1971, 91: 42.

[62] McDonald J R, Mehta K C. A recommendation for an enhanced Fujita scale (EF-scale). Wind Science and Engineering Center, Texas Tech University, 2006.

[63] Bunting W F, and Smith B E. A guide for conducting convective windstorm surveys. US Department of Commerce, National Oceanic and Atmospheric Administration, National Weather Service, Scientific Services Region, 1993.

[64] Doswell C A. A guide to F-scale damage assessment. US Dept. of Commerce, NOAA/NWS, 2003.

[65] Edwards R, LaDue J G, Ferree J T, et al. Tornado intensity estimation: past, present, and future. Bulletin of the American Meteorological Society, 2013, 94(5): 641-653.

[66] Meng Z, Yao D. Damage survey, radar, and environment analyses on the first-ever documented tornado in Beijing during the heavy rainfall event of 21 July 2012. Weather and Forecasting, 2014, 29(3): 702-724.

[67] 朱文劍, 盛杰, 鄭永光, 等. 1522號“彩虹”臺風龍卷現場調查與中尺度特征分析. 暴雨災害, 2016, 35(5): 403-414.