X波段天氣雷達組網協同觀測試驗結果分析

劉 楊,楊 玲,徐梓欣,李學華

(1.成都信息工程大學電子工程學院,四川成都 610225;2.中國氣象局大氣探測重點開放實驗室,四川成都 610225)

0 引言

在現代氣象觀測中,天氣雷達網如新一代多普勒天氣雷達CINRAD 能實時獲取降水天氣的雷達反射率、徑向速度等數據。這些信息在災害性天氣的分析與預警中是不可或缺的部分[1-4]。許多災害性天氣如冰雹、下擊暴流、大風等都屬于中小尺度強對流天氣,而美國的WSR-88D 和中國的CINRAD 遠距離探測中由于體掃模式的原因對中小尺度強對流天氣的探測有一定局限性[5]。2006年美國CASA 項目提出了一種多雷達協同自適應觀測模式,利用多部低成本的小功率短程X波段天氣雷達組網在俄克拉荷馬州開展了觀測實驗,目的是獲取重點區域的精細化掃描數據,從而彌補大雷達的探測盲區。實驗表明,此模式能提升天氣雷達對于中小尺度強對流天氣的識別能力[6-9]。2013年美國在德克薩斯州建立了8 部X波段天氣雷達組成的雷達網絡,獲取了探測范圍內的高時空分辨率數據,并利用組網探測數據實現三維風場反演與降水估計[10-12]。2013年,中國科學院大氣物理研究所與南京恩瑞特公司合作,在南京周邊利用4 部X波段天氣雷達建立了中國第一個X波段天氣雷達網絡,建立了一個自動判斷重點區域并對其重點觀測的掃描模式[13]。2016年,成都信息工程大學在兼顧對成都平原強對流天氣的探測能力和獲取高時空分辨率數據的需求下,利用雙流、龍泉和資陽的3 部X波段天氣雷達進行組網觀測,優化其協同掃描模式,制定了一種快速體掃(5 個仰角)+智能RHI 掃描的組網掃描策略,提出了基于神經網絡的強對流識別算法和基于無監督聚類算法的強回波識別方法[14-16],以獲取高時空分辨率、低時差、少盲區的觀測資料。為進一步驗證組網算法的有效性,對位于北京順義、懷柔、密云、通州、昌平、門頭溝和房山的7 部雙偏振雷達進行組網觀測實驗,由于北京對流風暴發展高度普遍較高,對應快速體掃仰角數量增加至9 個。

針對協同掃描策略中快速體掃、智能RHI 掃描和可以進行對時差較低的多部雷達進行風場反演的特點,本文以S 波段雷達資料做參考,通過短時強降水和冰雹個例分析,討論了協同掃描策略在天氣過程觀測中的具體作用。

1 雷達組網與相關算法介紹

1.1 雷達布局

成都雷達組網如圖1(a)所示,3 部雷達分別位于成都雙流(103°59.31′E,30°34.97′N),成都龍泉(104°18.10′E,30° 36.47′N),資陽雁江(104° 36.01′E,30°7.99′N)。3 部雷達的相對距離均在X 波段雷達有效探測范圍內,滿足共同掃描區域內探測數據的可靠性,3 部雷達共同掃描區域占總覆蓋區域的32%。

圖1 組網雷達布局圖及覆蓋區域

北京雷達組網圖如圖1(b)所示,7 部雷達分別位于順義(116°36.88′E,40°7.60′N),懷柔(116°38.99′E,40°43.54′N),密云(116°47.65′E,40°21.37′N),通州(116°45.08′E,39°51.19′N),昌 平(116°20.39′E,40°10.40′N),門頭溝(115°44.67′E,39°55.66′N),房山(116°11.00′E,39°40.61′N),其覆蓋區域如圖1(c)所示,綠色代表單部雷達掃描區域,紅色代表2 部以上雷達共同觀測區域,總覆蓋面積約為45194.65 km2,其中共同掃描區域約為29943 km2,共同掃描區域覆蓋范圍大于整個北京市,面積約占總覆蓋面積的66%。

1.2 掃描策略

組網雷達協同掃描策略包括快速體掃模式和智能RHI 掃描模式。參與組網的雷達平常執行VCP21 探測模式,當探測到強對流回波時,啟動協同掃描策略,即強回波范圍內的雷達同時切換到快速體掃模式,具體掃描參數見表1,該模式用以快速獲得氣象目標物的基本特征,對于中小尺度天氣系統,由于其主要探測區域為快速變化的中低層回波,針對觀測區域的差異性,快速體掃的仰角數在不同地區有一定調整。針對成都區域,由于地處四川盆地西部邊緣,屬亞熱帶季風氣候,短時降雨多,極少出現冰雪天氣,雷達探測到的大部分回波頂高都較低,回波變化迅速,同時降雨和較低高度的雷達回波強度有高相關性[14],因此采用5 個仰角,整個協同掃描周期可縮短至2 分鐘。

表1 組網雷達快速體掃模式參數

相對而言,北京位于華北平原北部,屬于暖溫帶半濕潤半干旱季風氣候,夏季高溫多雨,冬季寒冷干燥,較多產生極端天氣。由于天氣情況的不同,其對流發展高度較高,此時為獲得更高層的回波信息,快速體掃需采用9 個仰角,其中最高仰角為19.5°,對應最高掃描高度為21.2 km,此時協同掃描周期為3 分鐘。

智能RHI 掃描模式則是基于每一次的快速體掃結果,對強回波進行自動識別和雷達掃描優先級計算,選擇最合適的雷達自動對強回波中心執行RHI 掃描。快速體掃的時間會影響RHI 掃描的實時性和準確性。體掃時間越短,就能更快地根據體掃結果對強回波進行自動識別和雷達掃描優先級計算,從而更快地啟動RHI 掃描。這樣可以減少每個雷達掃描數據的時差,提高RHI 對強回波中心的定位精度,更好地反映強回波的垂直結構特征[15-17]。

1.3 風場反演算法

在組網雷達中,基于多部雷達的共同探測區域,可以反演更準確的三維風場。本文針對多部雷達的風場反演算法,采用Potivin 等[18]和North 等[19]改進的基于三維變分法,具體思路如下。

步驟1 將參與風場反演的每部雷達探測到的徑向風速利用反距離權重法從球坐標系變換到直角坐標系:

式中:Vr為直角坐標系下的一待插值點的徑向風速,αi和vri分別為該待插值點鄰域內每個點的權重與徑向風速值,n為鄰域內點數量,di為鄰域內每個點距離該待插值點的距離,p為距離衰減參數,通常設為2。通過該步驟可以獲得以每部雷達經緯度為中心的徑向速度格點數據。

步驟2 利用各雷達經緯度坐標對不同雷達的徑向速度格點數據進行位置配準,從而獲取同一地理位置在不同雷達徑向速度格點數據中的索引,便于后續的計算。

步驟3 構造代價函數。

設直角坐標系下某點的位置為(x,y,z),將該點的三維風矢量分解為東西、南北、垂直風分量,分別為u、v和w。代價函數J可由4 項約束因子構成:

J(u,v,w)=JO+JM+JP+JS

其中第一項觀測約束JO定義:

第二項質量連續性約束JM定義:

式中:ρ為空氣密度,ρ0為地面空氣密度,值為1 kg·m-3,大氣定標高度H0為10 km。

第三項大氣邊界條件JP定義:

通過約束將最底層垂直風速w置零。

第四項平滑約束JS定義:

式中,?2為拉普拉斯算子。

以上公式中對應的參數λO,λM,λP,λSu,λSv,λSw分別是各項約束因子的權重,其設置依據參考North等[19]提出的最優解和Li Y 等[20]在外場的實驗結果,分別設置為λO=1,λM=1500,λP=1,λSu=0.01,λSv=0.01,λSw=0.01。

步驟4 三維風分量u,v,w的初始值設置為0,通過迭代梯度下降算法使代價函數最小化,得到最優解u,v,w:

迭代公式中的學習率η均設置為0.0001。

2 實際觀測結果分析

針對成都和北京地區組網雷達觀測到的強對流天氣過程的差異性,選取成都的一次短時強降雨個例和北京的一次冰雹個例來驗證組網雷達的探測效果。分析方法參考了文獻[21],其中成都的短時強降雨個例是針對對流單體的生成過程來展示快速體掃模式的探測效果,由于該對流單體分布范圍較小,未獲取完整的反演風場資料,故只對其反射率資料進行分析;北京的冰雹個例則針對冰雹云在不同高度層存在較為明顯的動力特征去驗證反演風和智能RHI 探測的效果。

2.1 強對流單體快速演變個例

在成都組網雷達觀測中,2020年8月28日發生了一次強對流天氣過程。圖2 分別展示了對應時刻的S 波段雷達和X 波段組網雷達在探測同一天氣過程中的回波演變情況,其對應的掃描間隔分別為6 分鐘和2 分鐘。圖2(a)、(b)分別是S 波段雷達的16:50 和16:56時刻的組合反射率,可以看出兩個時刻的中心位置均存在多單體強回波,在北部有一對流單體從無到生成(黑圈處),由于該處回波生長速度快,間隔6分鐘的S 波段雷達掃描會丟失發展過程中的部分信息,這對天氣過程的分析或降雨預報都會造成不利的因素。圖2(c)～(f)為通過X 波段組網雷達的快速體掃模式觀測到的同一時段的回波,相對于S 波段雷達探測的結果,X 波段組網雷達測的回波在強度與結構上較為一致,且能觀測到位于較北部的單體從小到大,伴隨著面積與強度逐漸增長,最終形成強對流單體的整個發展過程,更高頻次的數據獲取能夠為中小尺度天氣的研究提供更多幫助。

圖2 2020年8月28日成都一次強對流天氣過程中S 波段與X 波段組網雷達分別觀測到的組合反射率圖

2.2 冰雹個例

在北京組網觀測中,2021年6月30日發生了一次典型超級單體冰雹降水天氣過程。此次過程強回波發展較高,需要穩定的動力結構維持。本文利用此個例分別對雷達組網的流場探測能力和垂直探測能力進行了分析,具體如下。

2.2.1 反演風驗證

圖3(a)、(b)分別為2021年6月30日19:24 X波段組網雷達的組合反射率拼圖及其與4 km高度反演風場的疊加圖。圖3(c)、(d)分別為S 波段雷達和門頭溝站單部X 波段雷達同一時刻探測的組合反射率,門頭溝站的雷達組合反射率由于電磁波衰減出現明顯V 型缺口。從圖3(b)可以看出,弱回波區域內的風向差異較小,大致為西風偏北。在強對流中心風向變化較大,呈現出氣流向強中心匯聚的輻合結構。將強對流區域即圖3(a)中的黑框范圍放大,并疊加3～8 km高度的反演風場,如圖4所示。其中3 km高度(圖4a)的強回波區域內呈現氣流沿逆時針旋轉匯聚的氣旋式輻合結構,在4～5 km高度(圖4b～c)氣流輻合范圍增大,6～7 km高度(圖4d～e)輻合范圍減小,整體風向朝著一致性發展,到了8 km高度(圖4f)風向一致性增強,但仍能看出氣流從中心散開的輻散結構。從天氣原理上分析,此次不同高度的風場特征是中低層高度氣流輻合壓迫氣流向上運動,到高層向四周散開形成輻散的過程,該結構標志著該過程存在上升氣流,這也是此次天氣過程中支撐冰雹在高空發展的動力來源。

圖3 2021年6月30日北京一次冰雹降水天氣過程中19:24 的雷達組合反射率

圖4 圖3(a)中黑框對應位置疊加不同高度的反演風場

圖5 是S 波段雷達在同一時刻觀測的徑向速度場,仰角為2.42°～14.59°,其中紅色表示出流,綠色表示入流。圖5 中紅框對應圖3(a)中黑框位置,黑線表示雷達中心到紅框中心的直線距離為52 km,并在括號內標注了各仰角下,該直線在紅框區域內對應的大致高度。圖5 主要以紅框作為分析對象,從圖5(b)可以看到內部出流與外部入流在徑向上的交接處形成的輻合區域(圖5b 中黑色箭頭交界處),其大小隨高度逐漸減小,到6.02°(圖5d)輻合區域減小且出現輻散,9.89°(圖5e)中輻合消失,與反演風中表現出的結構吻合。此外,隨著S 波段雷達仰角的抬高,仰角之間對應到紅框強回波位置的高度差也逐漸增大,如仰角6.02°～9.89°中,紅框內大致高度為5.48～9.15 km,其間約有3.67 km高度的探測盲區。從圖4 中風場隨高度變化能發現,6～8 km內風向的一致性增強,輻合逐漸消失而轉為輻散,但是通過單部S 波段雷達探測會丟失這部分信息。

圖5 2021年6月30日北京SA 雷達19:24 徑向速度(括號內為各圖對應紅框位置的大致高度)

由上所述,X 波段組網雷達的反演風表現出的流場結構不僅滿足天氣原理的合理性,而且與S 波段徑向速度結構的一致性較好。由于徑向速度只能表現出徑向上的速度變化,而反演風能夠直觀表現出氣旋式旋轉、輻合等細節信息,并且由于多部雷達的互補能夠填補仰角間的觀測盲區,從而可以獲得更完整的信息。

2.2.2 智能RHI 掃描結果

2021年6月30日19:24 在上一次體掃過程中通過強回波識別算法監測到強回波中心,再按照風暴移向與距離回波位置計算參與組網的雷達的優先級,并在這一時段調度最優的雷達(此時為昌平)自動對強回波中心進行RHI 掃描(圖6)。圖6(a)反射率圖中白框區對應強回波發展最高位置,與圖6(b)徑向速度圖中的輻合線位置相同。中低層輻合(圖6b 底部黃色箭頭)與高層輻散(圖6b 高層黃色箭頭)的動力結構相吻合,低層輻合結構為強回波持續在高空發展提供了上升氣流支撐,隨著高度的上升輻合逐漸消失轉為輻散代表著氣流上升至高空散開的過程。

圖6 昌平站雷達RHI 掃描結果(RHI 掃描位置參考圖3a 藍色粗線)

3 結論

為檢驗X 波段組網雷達在強對流天氣監測過程中的探測能力,本文利用成都與北京組網雷達的觀測數據,評價其對強對流天氣過程的精細結構和演變的探測能力。

(1)對比S 波段常規業務天氣雷達與X 波段組網雷達在同一時間地點的探測結果,可以看出兩者的回波結構及變化幾乎一致。而X 波段組網雷達相比于S波段常規業務天氣雷達,能夠彌補S 波段雷達在中小尺度對流天氣探測中的不足,為研究小尺度天氣的生消機理提供幫助。

(2)利用X 波段組網雷達觀測對流天氣過程時,可以通過多部雷達反演三維風場,在本次天氣過程中得到的流場結構與天氣學原理和S 波段雷達探測的徑向速度結構相吻合,并且能夠通過組網雷達還能彌補S 波段雷達在仰角間的盲區,獲得更豐富的探測數據。

(3)組網掃描策略中,對重點區域自動執行的RHI 掃描方式,能夠在不需要人為判斷的情況下準確的探測到強對流中心的垂直結構。RHI 的掃描結果相比于體掃數據的插值剖面有著更高的空間采樣率,能看到更加完整和準確的垂直信息。通過組網的方式可以在不丟失體掃數據前提下更好地觀察到強回波在垂直結構中的特征。

在今后的工作中,可以進一步對反演風的流場結構特征、RHI 探測的垂直結構特征中會影響對流發展的如輻合、輻散等特征進行分析,以提升對災害天氣的監測能力。