一次東北冷渦天氣過程雙偏振雷達降水粒子相態(tài)識別

王 冠，鄭 石，侯 暢，張 晶，黃興友，于 淼

（1.中國氣象局沈陽大氣環(huán)境研究所，遼寧 沈陽110166；2.中國氣象局氣象干部培訓(xùn)學(xué)院遼寧分院，遼寧 沈陽 110166；3.遼寧省氣象裝備保障中心，遼寧 沈陽 110166；4.營口市氣象局，遼寧 營口 115000；5.南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，江蘇 南京 210044；6.鞍山市氣象局，遼寧 鞍山 114000）

東北冷渦是春夏季影響遼寧地區(qū)的重要天氣系統(tǒng)，定義為：在500 hPa 天氣圖上至少有一條閉合等高線，并有冷中心或明顯冷槽配合，能夠維持3 d 或以上的低壓環(huán)流系統(tǒng)。東北冷渦控制區(qū)域常出現(xiàn)強降水、冰雹、雷雨大風(fēng)、短時暴雨等強對流天氣[1-3]。由于東北冷渦誘發(fā)的中小尺度天氣系統(tǒng)具有水平范圍小、生命周期短、氣象要素水平變化大等特點，利用探測資料詳細了解中小尺度天氣系統(tǒng)發(fā)生發(fā)展的特點、提高東北冷渦強對流降水的預(yù)報質(zhì)量，是東北地區(qū)短臨氣象預(yù)報亟需解決的問題[4-5]。

雙偏振雷達在氣象預(yù)報、降水估計、東北冷渦氣象觀測等方面具有極大的應(yīng)用價值。相比于常規(guī)天氣雷達，雙偏振雷達能獲得水平反射率因子（ZH）、差分反射率因子（ZDR）、差分傳播相移率（KDP）和零滯后相關(guān)系數(shù)（ρHV）等偏振信息，利用上述偏振參量能夠反演降水粒子的種類、空間分布、物理形態(tài)等信息，從而反演東北冷渦系統(tǒng)天氣過程中降水粒子相態(tài)的三維精細結(jié)構(gòu)，為研究東北冷渦系統(tǒng)增強和演變機制提供理論依據(jù)[6-8]。雙偏振雷達偏振參量作為降水粒子分類的重要依據(jù)，獲得廣泛研究[9-12]。1965 年Zadeh[13]提出了模糊邏輯法概念，該方法能夠較好地對界限模糊的多元數(shù)據(jù)進行泛化處理，具備較好的識別歸類能力，形成了模糊邏輯算法識別降水粒子相態(tài)（Fuzzy logic Hydrometeor Classification，F(xiàn)HC）。1993 年Straka 等[12]得出不同降水粒子相態(tài)對應(yīng)的偏振參量閾值。2005 年，曹俊武等[14-15]將FHC 算法用于美國S 波段KOUN 雷達分析強風(fēng)暴單體和降雪數(shù)據(jù)，結(jié)果基本能反演降水粒子相態(tài)。2009 年P(guān)ark等[16]將FHC 算法進行改進，使其能夠區(qū)分對流云和層狀云降水類型，識別降水等級，并應(yīng)用于WSR-88D 網(wǎng)的雙偏振升級改造。近年來很多基于模糊邏輯算法的改進方法被提出，2014 年Mahale 等[16]對Park 提出的算法進行改進，用于識別三體散射特征，使FHC 算法在冰雹的識別上得到更好的應(yīng)用。2014 年郭鳳霞等[17]在FHC 算法基礎(chǔ)上，利用X 波段對每個識別參量賦予權(quán)重值并增加了溫度閾值。

目前國內(nèi)利用S 波段雙偏振雷達對東北冷渦天氣過程中降水粒子相態(tài)識別的研究較少，本文利用東北冷渦天氣過程中S 波段雙偏振雷達基數(shù)據(jù)資料，在原有的FHC 算法基礎(chǔ)上對判別規(guī)則進行調(diào)整和比較，結(jié)合東北冷渦天氣過程實例，對降水粒子相態(tài)識別結(jié)果進行分析討論，為研究東北冷渦演變機制提供更多理論依據(jù)。

1 資料選取

2019 年6 月7—9 日受東北冷渦影響，遼寧省出現(xiàn)雷雨天氣，全省共監(jiān)測到閃電5 853 次，9 日04—05 時錦州凌海市大有街道管理所小時降水量最大為80.4 mm，部分地區(qū)出現(xiàn)冰雹。9 日04 時左右營口青石嶺、博洛鋪出現(xiàn)小冰雹，持續(xù)6 min，造成農(nóng)作物受損。本文選取2019 年6 月9 日錦州和營口地區(qū)出現(xiàn)的強對流天氣過程作為觀測樣本。雷達資料采用營口S 波段雙偏振天氣雷達基數(shù)據(jù)，方位角分辨率為1°，距離庫分辨率為250 m，探測距離半徑為230 km。

本文根據(jù)S 波段雙偏振雷達基數(shù)據(jù)存儲格式，利用Matlab 讀取質(zhì)控后的雷達基數(shù)據(jù)，提取偏振信息，將每層體掃的徑向數(shù)據(jù)轉(zhuǎn)化為雷達回波拼圖。采用模糊邏輯算法分析了雙偏振雷達各個偏振參量對應(yīng)的隸屬函數(shù)概率分布情況，分配各個偏振參量在判別規(guī)則中的權(quán)重系數(shù)，對東北冷渦天氣過程中降水粒子相態(tài)進行識別。

2 方法介紹

2.1 雙偏振雷達測量參數(shù)特征

雙偏振雷達除了具有水平反射率因子ZH外，還有差分反射率因子ZDR、差分傳播相移率KDP、零滯后相關(guān)系數(shù)ρHV等偏振參量。利用這些偏振參量特性能夠反演降水粒子的種類、空間分布、物理形態(tài)等信息。

水平反射率因子ZH表示單位體積內(nèi)降水粒子直徑6 次方的總和，通常用對數(shù)形式表示反射率因子的大小。降水粒子越大、數(shù)量越多，ZH越大。

差分反射率因子ZDR表示水平偏振反射率因子與垂直偏振反射率因子之比，表征粒子在水平和垂直方向上偏振特性的差異。大雨滴在下落過程中呈扁平狀，ZDR通常為正，冰雹在下落過程中取向具有較大隨機性，ZDR在零值附近。

差分傳播相移率KDP表示粒子對偏振波傳播速度或相位的影響。KDP取值主要受液態(tài)降水的影響。取值越大，說明此處的降雨強度越大。

零滯后相關(guān)系數(shù)ρHV表示一個脈沖周期前后收到的回波水平偏振分量和垂直偏振分量的相關(guān)程度，取值0～1，粒子一致性越高越接近1。

2.2 模糊邏輯算法識別降水粒子相態(tài)

基于模糊邏輯算法識別降水粒子相態(tài)是將雙偏振雷達的偏振量作為輸入量，輸入數(shù)據(jù)經(jīng)過模糊化、規(guī)則推斷、集成和退模糊[18-22]，最終將輸入的多個特征參數(shù)轉(zhuǎn)化成單一的降水粒子類型。利用模糊邏輯算法識別粒子相態(tài)輸出10 種粒子類型，分別為：地物雜波（GC）、小雨（LR）、大雨（HR）、大雨滴（BD）、干雪（DS）、濕雪（WS）、冰晶（IC）、小冰雹（SH）、大冰雹（LH）、雨夾雹（RH）[14]。

算法實現(xiàn)首先需要通過隸屬函數(shù)對觀測得到的偏振參量進行模糊化。模糊化是將觀測參數(shù)的數(shù)值轉(zhuǎn)化成能夠判斷是否為某一種粒子可能性的過程，這種可能性稱之為模糊基。選取不對稱的T 函數(shù)作為隸屬函數(shù)，見公式（1）[14-15]，X1、X2、X3、X4分別為左起始點值、左區(qū)間點值、右區(qū)間點值、右結(jié)束點值。

圖1 給出了采用T 函數(shù)作為隸屬函數(shù)4 個雙偏振雷達觀測量ZH、ZDR、KDP和ρHV對應(yīng)的10 種降水粒子模糊基的對應(yīng)閾值結(jié)果，共40 個隸屬函數(shù)。

圖1 基于T 隸屬函數(shù)的雙偏振測量參數(shù)的各自模糊基設(shè)置

降水粒子相態(tài)分類以IF-THEN 規(guī)則進行判別，將不同偏振參量對應(yīng)得到的10 種降水粒子分類結(jié)果按照不同貢獻度進行強度計算[15]。降水粒子強度（Rj）可通過不同參量的貢獻強度相乘或相加得到，Pij表示第i 個偏振參量對應(yīng)的第j 類降水粒子相態(tài)的貢獻強度。貢獻度相加法計算降水強度中[14-15]，Ai表示每個偏振參量的權(quán)重系數(shù)，參考美國KOUN 雷達降水FHC 算法Ai配置[14]進行調(diào)整，將直接采集得到的ZH作為主要參考，ZDR權(quán)重相應(yīng)減少，由于零滯后相關(guān)系數(shù)ρHV<0.8 時不計算差分相移率KDP，ρHV、KDP為后期計算參量，因此權(quán)重占比較小，綜合考慮選取AZH=1，AZDR=0.7，AKDP=0.4，APHV=0.5。

經(jīng)過集成和退模糊，選擇Rj中最大值作為判別依據(jù)，最大Rj對應(yīng)的降水類型作為降水粒子相態(tài)識別的最終識別結(jié)果。

3 東北冷渦強對流天氣雷達回波特征分析與降水粒子相態(tài)識別

3.1 2019 年6 月7—9 日冷渦系統(tǒng)演變

6 月7 日08 時500 hPa 冷渦中心位于內(nèi)蒙古地區(qū)東部，冷渦東部吉林到遼寧一帶為高空弱脊控制。7 日20 時冷渦中心處于內(nèi)蒙古境內(nèi)，遼寧西部處于冷渦底前部，開始受其影響（圖2a）。8 日20 時冷渦中心向東南移動到內(nèi)蒙古和遼寧交界處，遼寧西北部處于冷渦內(nèi)部，遼寧東南部處于冷渦前部（圖2b）。9 日20 時冷渦繼續(xù)東移，遼寧西部處于冷渦后部，遼寧東部仍受冷渦內(nèi)部控制（圖2c）。10 日08 時冷渦迅速減弱東移，結(jié)束對遼寧地區(qū)的影響。

圖2 2019 年6 月7 日20 時（a）、8 日20 時（b）、9 日20 時（c）500 hPa 形勢

3.2 錦州地區(qū)降水粒子相態(tài)分析

9 日04—05 時受東北冷渦影響錦州市凌海地區(qū)出現(xiàn)暴雨，凌海大有街道管理所小時降水量最大為80.4 mm。圖3 為2019 年6 月9 日04：21 1.5°仰角雷達偏振參量回波圖，觀測區(qū)域距雷達徑向距離為93 km，方位角為287°，高度為3.19 km。

圖3 1.5°仰角反射率因子（a）、相關(guān)系數(shù)（b）、差分反射率（c）、差分相移率（d）（藍色五角星為觀測區(qū)域錦州凌海市大有街道管理所）

1.5°仰角雷達基本反射率圖中有明顯的強回波區(qū)，ZH最大強度達65 dBZ（圖3a），并存在三體散射，高值周邊區(qū)域ZH為50～60 dBZ，判斷該區(qū)域有較大粒子存在，推斷為冰雹。觀測區(qū)域南部ρHV<0.95（圖3b），表明粒子一致性較差，觀測區(qū)域北部區(qū)域ρHV＞0.98，表明降水粒子一致性高。在高值區(qū)對應(yīng)位置ZDR最大值為4 dB（圖3c），降水回波區(qū)域內(nèi)ZDR大量分布在0.8～1 dB，表明降水粒子下落過程中呈扁平狀。對應(yīng)區(qū)域KDP為0.5～3.1 °/km（圖3d），觀測區(qū)域出現(xiàn)較大范圍KDP≥1.7 °/km，說明觀測區(qū)存在較強的液態(tài)降水。綜合偏振參量信息，觀測區(qū)域強回波中心存在冰雹粒子，外面包裹水膜。觀測區(qū)域北部存在尺寸較大的液態(tài)降水。

圖4 為不同判斷規(guī)則得出的降水粒子相態(tài)分類結(jié)果，圖4a 為偏振要素貢獻度非均勻權(quán)重相加獲得的分類結(jié)果，圖4b 為偏振要素貢獻度相乘獲得的分類結(jié)果。兩種判別方法得到的粒子分類結(jié)果在觀測中心均有冰雹粒子出現(xiàn)并伴隨雨夾雹粒子。在觀測中心周圍，利用Pij相加判別規(guī)則得到的粒子分類結(jié)果為大雨粒子，觀測區(qū)域邊緣為濕雪粒子，利用Pij相乘判別規(guī)則得到的分類結(jié)果，在降水區(qū)北部有較多大雨粒子，邊緣存在冰晶和和小雨粒子。

圖4 1.5°仰角不同判斷規(guī)則降水粒子分類結(jié)果Pij 相加（a）、Pij 相乘（b）

圖5 的觀測仰角為0.5°，觀測區(qū)域距雷達徑向距離88 km，方位位于287°，高度為1.43 km。觀測位置存在明顯的強回波區(qū)域，強度為55～60 dBZ（圖5a），觀測區(qū)域中心存在冰雹粒子可能性較大，北部回波強度為45～55 dBZ，可能存在大雨。觀測區(qū)域中心為2～5 dB（圖5c），說明觀測區(qū)域可能存在大雨粒子。對應(yīng)觀測區(qū)域KDP值在0.5～3.1 °/km，強回波區(qū)KDP＞1.1 °/km，ρHV＞0.98，表明存在較多液態(tài)降水，并且具有較高的一致性。結(jié)合各類偏振信息表明0.5°仰角，降水粒子下落過程中呈扁平狀，存在較強的液態(tài)降水，而強回波區(qū)域外圍存在冰晶和水的混合物。

圖5 0.5°仰角反射率因子（a）、相關(guān)系數(shù)（b）、差分反射率（c）、差分相移率（d）

由0.5°仰角不同判斷規(guī)則降水粒子相態(tài)分類結(jié)果可知，強回波區(qū)域仍存在雨夾雹粒子，Pij相加規(guī)則分類結(jié)果顯示強回波區(qū)周圍有較多的大雨粒子，外圍區(qū)域有少量濕雪、干雪粒子。利用Pij相乘判斷規(guī)則顯示觀測區(qū)域周圍存在大雨粒子，外圍區(qū)域存在少量冰晶、小雨粒子。相比于1.5°仰角的粒子分類結(jié)果，0.5°仰角觀測結(jié)果中大雨滴的區(qū)域均增大、冰雹粒子數(shù)量減少，推斷在下落過程中冰雹逐漸融化。兩種判別規(guī)則得到的粒子相態(tài)識別結(jié)果基本一致，粒子相態(tài)識別結(jié)果與實際觀測情況基本吻合。

3.3 營口地區(qū)降水粒子相態(tài)分析

為進一步驗證降水粒子相態(tài)識別結(jié)果可靠性，對9 日04：00 營口青石嶺、博洛鋪地區(qū)出現(xiàn)的強對流天氣過程中的降水粒子相態(tài)進行分類。9 日03：48為風(fēng)暴活動最強時刻，圖6 為6 月9 日03：48 0.5°仰角的偏振參量回波。強回波值為50～65 dBZ（圖6a），最大值達66 dBZ，判斷存在冰雹粒子。ρHV值在強回波區(qū)北部＞0.98（圖6b），粒子一致性高，觀測區(qū)域南部ρHV<0.9 一致性較差。強回波區(qū)域南部差分相移率KDP為3.1～7 °/km，最大值達到7.3 °/km，存在較強液態(tài)降水。強回波外圍區(qū)域?qū)?yīng)差分相移率KDP為0.5～1.7°/km。強回波區(qū)域北部ZDR為0.5～3.1 dB（圖6d），粒子多呈扁平狀。綜合上述偏振參量信息，可大致判斷在0.5°觀測仰角中強回波中心存在大雨和冰雹粒子，下落過程中呈扁平狀，強回波區(qū)以北存在大量液態(tài)降水。

圖6 0.5°仰角反射率因子（a）、相關(guān)系數(shù)（b）、差分反射率（c）、差分相移率（d）（藍色五角星為觀測區(qū)域中心）

根據(jù)9 日03：48 對流風(fēng)暴剖面圖（剖面沿圖6a中黑線位置），可以看到2 個明顯的強回波中心分布于1～5 km，最強回波區(qū)域反射率＞65 dBZ（圖7a），對應(yīng)區(qū)域ZDR在0 值附近（圖7c），強回波區(qū)域粒子形狀不規(guī)則，推斷強回波區(qū)可能存在冰雹粒子。ρHV為0.96～0.99（圖7b）。差分反射率ZDR在高低空有較明顯的區(qū)別，高值主要分布在2 km 以下，2～5 km 對應(yīng)KDP較小（圖7d），液態(tài)降水主要集中在2 km 以下，推斷2 km 以下區(qū)域可能存在較強降水或存在外包水膜的冰雹粒子。

圖7 9 日03：48 對流風(fēng)暴剖面圖仰角反射率因子（a）、相關(guān)系數(shù)（b）、差分反射率（c）、差分相移率（d）

采用模糊邏輯算法對降水粒子相態(tài)分類（圖8），強回波觀測中心為雨夾雹和大冰雹粒子，周圍存在大量大雨粒子，外圍主要為大雨粒子。兩種判別規(guī)則得到的粒子相態(tài)分類結(jié)果在觀測中心外圍存在差別，Pij相加判斷規(guī)則顯示觀測區(qū)域外圍主要為大雨（圖8a），Pij相乘判斷顯示小雨粒子較多（圖8b）。兩種判別規(guī)則得到的粒子相態(tài)識別結(jié)果基本一致，符合實際地面觀測的降水分布特征，驗證了識別算法的合理性。

圖8 0.5°仰角不同判斷規(guī)則降水粒子分類結(jié)果Pij 相加（a）、Pij 相乘（b）

3.4 兩種降水粒子相態(tài)識別方法比較

FHC 算法中隸屬函數(shù)的分布為偏振參量判別降水粒子相態(tài)提供了可靠的依據(jù)。根據(jù)ZH的分布可以對降水粒子進行大致分類，ZH為55～65 dBZ 時，存在冰雹粒子的可能性最大。當(dāng)基本反射回波信息無法對降水粒子相態(tài)進行準(zhǔn)確判別時，ZDR、KDP和ρHV等偏振信息可對降水粒子的空間分布、物理形態(tài)和一致性補充反饋。根據(jù)2019 年6 月7—9 日東北冷渦的演變和地面觀測信息，兩次天氣過程的FHC識別結(jié)果具有合理性，Pij相加和Pij相乘兩種判別方法降水粒子相態(tài)識別結(jié)果在強回波處基本一致，在弱回波處判別結(jié)果存在一定差異。Pij相加判別規(guī)則中采用的非均勻權(quán)重能夠有效地對降水粒子的相態(tài)進行識別，兩次天氣過程中均獲得合理的粒子分類結(jié)果。

4 結(jié)論

通過仿真與實測資料得出以下結(jié)論：

（1）雙偏振雷達偏振參量可以對降水粒子類型粗略判斷，F(xiàn)HC 算法中隸屬函數(shù)的分布為偏振參量判別降水粒子相態(tài)提供了可靠的依據(jù)。當(dāng)基本反射回波信息無法對降水粒子相態(tài)進行準(zhǔn)確判別時，ZDR、KDP和ρHV等偏振信息可對降水粒子的空間分布、物理形態(tài)和一致性補充反饋，提高了利用天氣雷達降水粒子相態(tài)識別的穩(wěn)定性，對于日常的天氣預(yù)報工作具有較高的參考價值。

（2）降水粒子相態(tài)識別算法應(yīng)用在東北冷渦強對流天氣過程實例中的結(jié)果表明，雙偏振雷達的偏振參量可以對水凝物的種類、空間分布、物理形態(tài)進行大致判斷，但水凝物相態(tài)識別結(jié)果仍需細化。采用非均勻權(quán)重相加的判別規(guī)則能夠有效地對兩次天氣過程中的降水粒子相態(tài)進行識別。不同的判別規(guī)則得到的水凝物分類結(jié)果在弱回波區(qū)雖存在一定差異，但在大部分觀測區(qū)域的分類結(jié)果基本一致，符合天氣演變規(guī)律，能夠為氣象預(yù)報預(yù)警提供鑒別參考。

（3）本文只利用了一次東北冷渦造成的強對流數(shù)據(jù)進行權(quán)重系數(shù)配置和降水粒子相態(tài)識別。一套具有廣泛時間、空間適配性的偏振參量權(quán)重系數(shù)是獲得穩(wěn)定、準(zhǔn)確降水粒子相態(tài)識別結(jié)果的關(guān)鍵，該項工作仍需大量實例數(shù)據(jù)的仿真與驗證。