龙卷是大气中最强烈的涡旋现象,它是从雷雨云底伸向地面或水面的一种范围很小而风力极大的强风涡旋,是最难被探测和预报的气象灾害之一。美国是龙卷风灾害最多的国家,也是现代龙卷探测技术最先进和开展相关科学研究最系统、最全面、最深入的国家(李峰等,2020)。基于新一代天气雷达观测的强中气旋或扩展到距离地面1 km以内的中等强度的中气旋和龙卷涡旋特征(Tornado Vortex Signature, TVS)被认识到是发布龙卷风警报的重要依据(Burgess et al., 1993)。基于雷达观测基数据,中气旋识别算法(Desrochers et al., 1992;Lee et al., 1998;Stumpf et al., 1998)和TVS识别算法(Crum et al., 1993;Mitchell et al., 1998)被研发,超级单体龙卷的预警能力得到明显提升(Crum et al., 1998;Witt et al., 1998)。由于TVS的尺度非常小,用于识别TVS的雷达基数据分辨率越精细越好。为了测试提高雷达基数据分辨率的可行性,美国国家强风暴实验室的试验雷达WSR-88D(KOUN)在2003年春季收集了强雷暴日的0.5°×0.25 km精细分辨率数据,然后,使用重新组合算法(Curtis et al., 2003)生成当前分辨率(反射率因子1.0°× 1 km,径向速度1.0°×0.25 km) 数据,并将强风暴中的2种分辨率的径向速度和反射率因子特征进行比较,结果发现在雷达探测范围内,精细分辨率数据都能更好地描述强风暴特征,由精细分辨率中气旋和TVS特征得到的平均旋转速度的85% 强于由当前分辨率特征得到的(Brown et al., 2005)。
对龙卷的识别预警来说,天气雷达径向速度数据质量是至关重要的。由于多普勒天气雷达探测的最大距离和最大不模糊速度分别与雷达的脉冲重复频率(Pulse Repetition Frequency, PRF)成反比和正比,业务多普勒天气雷达在确保较大探测距离的情况下,径向速度就容易出现模糊。为此,交替(参差)多脉冲重复周期(Pulse Repetition Time, PRT)技术(Sirmans et al., 1976;Torres et al., 2004;Tabary et al., 2006)或批处理模式双PRF技术(Dazhang et al., 1984)被使用来扩展不模糊速度间隔。参差多PRT技术中的非均匀采样限制了传统杂波滤波算法中的频谱处理(Banjanin et al., 1991),它的最大应用潜力是在那些不受地物杂波影响的区域。目前,我国双偏振雷达精细化探测技术在中间4个扫描仰角就采用了参差PRT技术。参差PRT或双PRF技术假设不同PRF下的多个或两个估计值对应相同的速度(步志超等,2016),但在实际中,不同的因素可能会违反该假设(如存在高方位切变),从而导致径向速度图中的退模糊错误或奇异值特征(Jorgensen et al., 2000;May,2001)。通过对奇异值特征的统计分析,一些奇异值修正算法被提出(例如,Joe et al., 2003;Holleman et al., 2003;肖艳姣等,2016;Altube et al., 2017)。
自1998年开始引进美国WSR-88D雷达探测技术进行我国新一代天气雷达布网建设以来,我国的强对流天气监测预警能力得到了显著的提升(俞小鼎等,2020)。针对龙卷风天气,一些学者利用雷达系统中的中气旋产品对产生龙卷的中气旋结构特征进行了统计分析或个例分析(郑媛媛等,2003;昊芳芳等,2012;朱文剑等,2016;李兆惠等,2017;王易等,2018;晋亮亮等,2021;许薇等,2021),普遍认为低质心、强切变中气旋有利于产生龙卷。黄先香等(2020)建立了珠江三角洲台风龙卷预警技术流程,并开展了两次龙卷预警试验。植江玲等(2020)对下击暴流和龙卷天气个例进行了观测对比分析。然而,随着社会发展及其对强对流灾害天气预报时效性和精细化程度的要求不断提高,现有时空分辨率的多普勒天气雷达已不能充分满足演变迅速的龙卷和下击暴流等小尺度天气系统的快速识别和预警预报,研发具有双偏振功能的高时空分辨率的精细化雷达探测技术是提高龙卷和下击暴流等强对流灾害天气识别预警能力的重要手段。近几年,我国在对新一代天气雷达进行双偏振升级改造,升级后的雷达观测的反射率因子空间分辨率从原有的1°×1 km提高到1°×250 m,径向速度的分辨率还是1°×250 m。与此同时,我国也在进行精细化探测技术的探索,即通过改进天气雷达脉冲重复频率、信号处理方法及扫描方式等以获得时空分辨率更高的雷达观测资料(汪章维等,2020)。
目前国内杭州和深圳竹子林新一代双偏振天气雷达采用了精细化探测技术,能同时获取当前分辨率(1°×250 m)和精细分辨率(0.5°×125 m或0.5°×62.5 m)的雷达观测数据,其中第3~6个扫描仰角使用了参差PRT技术。自从使用精细化探测技术以来,这2部雷达各自观测到一次龙卷天气过程。本文以这2个龙卷过程为例,分析了径向速度数据质量,对比分析了两种分辨率下的龙卷风暴回波特征、8个雷达特征量以及TVS识别结果,以探讨精细化探测技术对龙卷风暴识别能力的影响。
1 资料汪章维等(2020)对新一代双偏振天气雷达精细化探测技术进行了详细描述,主要体现在3个方面:(1)通过改造发射机内的脉冲形成器,增加两路脉冲宽度分别为0.83 μs和0.415 μs的窄脉冲信号,把径向距离分辨率从当前的250 m分别提高到125 m和62.5 m(2)利用径向重组技术和数据加窗处理代替传统的对波束宽度范围内的采样点进行平均权重处理的谱矩估计方式,在现有业务雷达硬件体系下将雷达数据的方位分辨率由当前的1.0 °提高至0.5 °;(3) 通过加快天线方位转速把雷达体扫周期由6 min减少至4 min。
2021年5月14日18:50—19:05 (北京时,下同)江苏省苏州市吴江区盛泽镇发生了EF3级龙卷(以下简称“5.14”龙卷),中心最大风力17级,龙卷灾害路径长2 km左右,宽80~100 m,杭州雷达(站号:Z9571,经纬度位置:120.3374°E,30.2734°N)采用精细化探测技术观测到这次龙卷天气过程,获得分辨率分别为1.0°×250 m和0.5°×125 m (17:44之前)或0.5°×62.5 m (17:44之后)的2类雷达基数据。2021年6月1日13:20左右澳门友谊桥附近水域发生了水龙卷(以下简称“6.1”龙卷),深圳竹子林雷达(站号:Z9099,经纬度位置:114.0053°E,22.5444°N)和深圳雷达(站号:Z9755,经纬度位置:113.8461°E,22.6456°N)都观测到这次龙卷天气过程,其中Z9099雷达采用精细化探测技术获得分辨率为0.5°×125 m的雷达基数据,Z9755雷达基数据的分辨率为1.0°×250 m。3部雷达都采用0.5、1.5、2.4、3.3、4.3、6.0、10.0、14.0、19.5°共9个固定仰角进行体扫,但是在第3~6个仰角,Z9755雷达使用交替扫描批处理方式,而Z9571和Z9099雷达采用参差PRT技术扩展最大不模糊速度间隔。
2 径向速度数据质量分析和控制由于真实雷达探测回波中的水凝物速度及其空间分布的未知性影响了参差PRT技术解速度模糊算法的准确性和可靠性,导致了径向速度资料中经常出现较大正负速度交替跳变的奇异值。图 1a和图 1b分别给出了2021年5月14日18∶51杭州雷达观测的3.3°仰角的龙卷气旋的当前分辨率和精细分辨率的原始径向速度,从图中可看出蓝色椭圆区内都是一些速度奇异值,相比当前分辨率数据,精细分辨率数据中的奇异值更多。表 1列出了图 1a和图 1b中的部分径向速度值,其中灰色阴影区表示图 1a中当前分辨率的数据,矩形框中的原始径向速度与其周围库的速度值的差值非常大,为奇异值。从表 1可看出,除了当前分辨率数据中的奇异值外,在精细分辨率增量数据中也存在一些奇异值,这些奇异值是非常零散的。
使用肖艳姣等(2016)的速度质控算法对径向速度进行处理,包括孤立噪声过滤、基于连续性原则的速度退模糊和奇异值修正这3个步骤。奇异值修正的具体做法是:选取以当前库为中心的M (方位)× N (径向)个库的窗口(缺省值3×5),该窗口内的有回波速度库的个数必须大于设定阈值(缺省值9),否则把窗口逐步扩大直到达到设定的阈值要求。选取窗口内所有回波速度的中值作为参考速度,通过公式VT = VO ± 2nVmaxh和VT = VO ± 2nVmaxl (n取值0,1,2),计算10个可能的真实速度值VT,取其中与参考速度差值最小的那个VT值作为该库速度的替代值,公式中的VO为观测的径向速度值,Vmaxh和Vmaxl分别为高、低PRF对应的最大不模糊速度。
图 1c、d分别为图 1a、b经过质控后的径向速度,可见其中的速度奇异值都被修正,速度图像变得更加连续和合理。表 1矩形框中的“/”后面记录了径向速度奇异值的修正值,从中可看出修正值与其周围库的速度值的连续性非常好。
有些速度奇异值会成片出现,在这种情况下,如果采用3×5大小的窗口进行奇异值修正,那么窗口内的中值可能也是奇异值,而以其作为参考值进行奇异值修正后的速度值可能仍然是奇异值。调大窗口大小阈值可以一定程度改善奇异值修正效果,但也难以很好地修正所有奇异值。图 2给出了2021年5月14日18∶51杭州雷达观测的3.3°仰角的精细分辨率的超级单体反射率因子和对应的径向速度。从图 2a可以清楚地看到超级单体内的有界弱回波区,从图 2b可以看出雷达观测的原始径向速度中有很多速度奇异值,特别是在反射率因子低值区。从图 2c可以看出,使用3×5大小的窗口进行奇异值修正后,大部分奇异值被修正,大椭圆区内的正负速度对结构更加清晰,但是仍然有一些奇异值残留,特别是在回波的边缘。使用5×5大小的窗口进行奇异值修正后,虽然有更多的奇异值被修正,但2个椭圆区内的一些可能正常的速度值也被当成奇异值处理了,从而导致速度结构发生了变化,例如大椭圆区内的正负速度对的位置往东北方向略有偏移,而且变得不明显了(图 2d)。由此可见,对于使用参差PRT技术获得的径向速度,不管是否对其进行质控,其可靠性都存在问题,这会影响后续中气旋和TVS识别的可靠性。
我国新一代天气雷达在双偏振升级前后反射率因子的空间分辨率分别为1°× 1 km和1°×250 m,精细化探测的空间分辨率最高可达到0.5°×62.5 m。图 3给出了18∶46杭州雷达观测的龙卷超级单体的1.5°和2.4°仰角的这3种分辨率的反射率因子。从图中可看出,数据分辨率越高,龙卷超级单体的精细结构越清晰。1.5°仰角上,0.5°×62.5 m和1.0°×250 m分辨率的反射率因子图上都可见典型的超级单体钩状回波,前者比后者的更为精细,而1.0°×1 km分辨率的反射率因子图上的钩状回波结构不清晰。2.4°仰角上,0.5°× 62.5 m和1.0°×250 m分辨率的反射率因子图上都可见有界弱回波区,前者比后者的更为精细,而1°×1 km分辨率的反射率因子图上无明显的有界弱回波区。龙卷超级单体的南端有一条弧线形状的侧翼线回波(低层阵风锋所在位置),伸展到4.3°仰角高度(图略),精细分辨率的反射率因子图上,侧翼线上的强单体结构更清晰。
图 4给出了5月14日18∶51杭州雷达观测盛泽龙卷和6月1日13∶18深圳雷达、13∶20深圳竹子林雷达观测澳门友谊桥附近水龙卷的0.5°仰角的径向速度。从图 4a1和4a2中可看出辐合式中气旋内有尺度更小的龙卷涡旋存在,且精细分辨率的最大方位速度差大于当前分辨率的。从图 4b1、b2中都可看到中气旋结构,且精细分辨率的最大方位速度差大于当前分辨率的。
本文进行了风暴单体、中气旋和TVS的识别,下面对各个算法进行简介。
风暴单体识别使用风暴单体识别追踪(Storm Cell Identification and Tracking, SCIT)算法(Johnson et al., 1998),但对其中的反射率因子阈值进行了调整,只使用了6个反射率因子阈值,分别为60、55、50、45、40、35 dBz,其目的是为了提高强风暴单体的识别率。识别风暴单体后,使用冰雹探测算法(Hail Detection Algorithm, HDA) (Witt et al., 1998) 计算强冰雹指数(Strong Hail Index, SHI)。此外,计算了风暴单体的顶高(Echo Top, ET)、底高(Echo Bottom, EB)、垂直积分液态水含量(Vertical Integral Liquid water, VIL)、最大反射率因子Zmax等参量。
中气旋识别算法步骤如下:(1) 基于质控后的径向速度,采用二维局部线性最小平方差分(Linear Least Squares Derivative,LLSD)方法估计局部涡旋的方位涡度切变(公式1-3)。(2) 使用类似风暴单体径向辐合区识别(Storm Cell Radial Convergence Zone Identification:SCRCZI)(肖艳姣,2018)算法识别正方位涡度切变区(以简称为三维切变特征),其中使用了6个切变阈值,分别为70、60、50、40、30、20(单位10-4 S-1)。在垂直关联二维切变特征之前,对其做了尺寸大小、尺寸和切变对称性检查,即使用椭圆拟合二维切变特征,计算其长、短轴半径a和b以及最大、最小速度库的连线与连线中点所在雷达径向的小夹角α,当同时满足条件a≤15 km、a/b≤4、45 °≤α≤135 °时,该二维切变特征被保留,否则被舍弃。一个三维切变特征至少包含连续2个仰角的二维切变特征,至少持续2个体扫。(3) 消空处理,如果以三维切变特征为中心的20 km半径内没有风暴单体存在,那么该特征被删除,余下的特征被认定为中气旋。(4) 使用距离最近原则关联中气旋和风暴,计算中气旋内0—6 km高度最低和最高阈值二维切变特征的最大最小速度差及其方位间隔数、最大相邻方位速度差及对应的差分方位切变(公式4)、最大方位涡度切变等参量
$ ARD=\frac{\sum\limits_{j}{\sum\limits_{i}{{{S}_{i,j}}}}{{u}_{i,j}}{{w}_{i,j}}}{{{\sum\limits_{j}{\sum\limits_{i}{{{S}_{i,j}}}}}^{2}}{{w}_{i,j}}}(i=-N,\cdots 0,1\cdots N;j=-M,\cdots 0,1\cdots M) $ | (1) |
$ N=(int)\left[ \left( \frac{D}{\Delta r}-1 \right)/2 \right] $ | (2) |
$ M=(int))\left[ \left( \frac{D}{R\Delta \varphi }-1 \right)/2 \right] $ | (3) |
其中,Si, j = (r + j∆r) × i × ∆φ,r为局地二维窗口中心离雷达的斜距(单位:km),∆r为径向速度数据库库长(单位km),∆φ为波束宽度(单位:弧度)。wi, j为权重,本文取wi, j = 1。D为龙卷最大可能尺寸,本文取D=1.25 km。(int)表示四舍五入取整,如果M < 1,则令M = 1;如果M > 13,则令M = 13
$ AShear=\left( {{V}_{\max }}-{{V}_{\min }} \right)/d $ | (4) |
其中Vmax、Vmin 和d分别为中气旋二维切变特征的最大、最小速度及其间距。
TVS识别算法基于识别的三维切变特征进行,针对0—6 km高度的二维切变特征设置3个判断条件:(1) 最大最小速度差≥速度差阈值且其方位间隔数≤方位间隔数阈值;(2) 最大相邻方位速度差≥速度差阈值;(3) 最大方位涡度切变≥方位涡度切变阈值,其中方位速度差和方位涡度切变阈值都是经批量龙卷中气旋个例统计得到的距离函数动态阈值(肖艳姣等,2021),方位间隔数阈值是以1.25 km几何尺寸计算的随距离变化的动态阈值。当二维切变特征满足条件1和3或者条件2和3时就判定为TVS二维切变特征。当有2个及以上连续仰角的TVS二维切变特征存在时则被判定为潜在TVS;当只有1个TVS二维切变特征存在时,则继续判断其所在仰角以及相邻仰角二维切变特征的强度,当该TVS二维切变特征位于最低仰角时,则需其上相邻仰角二维切变特征满足弱中气旋标准,那么就被判定为潜在TVS。当潜在TVS底高≤ 1 km或底部位于最低仰角时,则判定为TVS,标记为1,否则判定为高架TVS,标记为2。
4.2 超级单体雷达特征参量比较基于2021年5月14日的杭州雷达基数据进行风暴、中气旋和TVS的识别。
4.2.1 超级单体及其伴随的中气旋识别路径比较从16∶31—19∶32,风暴识别算法持续识别到标号为A1的超级单体风暴,该风暴于18∶50—19∶05产生了苏州盛泽龙卷,长度约为2 km。图 5给出基于当前分辨率(1.0°×250 m)和精细分辨率(17∶44之前为0.5°× 125 m,之后为0.5°×62.5 m)雷达基数据的A1超级单体风暴及其伴随的中气旋路径以及盛泽龙卷的致灾路径,从图中可看出基于2种分辨率基数据识别的A1风暴路径比较一致,质心位置平均相差0.85 km。识别的A1风暴的中气旋中心位置比A1风暴的质心位置偏南,两种分辨率下的A1风暴与其中气旋的平均间距分别为4.74 km和4.78 km。两种分辨率下的A1风暴的中气旋中心位置路径也比较一致,平均相差1.52 km。相比A1风暴质心位置来说,两种分辨率下A1风暴的中气旋中心位置的一致性要差一些,精细分辨率的中气旋位置波动更大。从图中可看出龙卷致灾路径与18∶51(雷达体扫开始时间)基于精细分辨率雷达基数据识别的A1风暴的中气旋位置非常接近,这也说明基于精细分辨率雷达基数据识别的中气旋对龙卷定位更加准确,其原因是记录的中气旋中心位置是最高方位切变阈值的中气旋中心位置。
参与比较的风暴单体雷达特征量包含:(1) 最大反射率因子Zmax;(2) 强冰雹指数SHI;(3)顶高ET;(4) 底高EB;(5) 垂直积分液态水含量VIL;(6) 中气旋内0—6 km高度所有最低阈值二维切变特征中的最大、最小速度之差MminDV06 (其一半即为旋转速度)及其对应的差分方位切变MminAShear,最高阈值的二维切变特征中的最大、最小速度之差MmaxDV06及其对应的差分方位切变MmaxAShear,所有二维切变特征中的最大相邻方位速度差NADV06及其对应的差分方位切变NAAShear和所在仰角ElvNo;(7) 中气旋内所有二维切变特征中的最大方位涡度切变MAXARD。
图 6给出了2021年5月14日16∶31—19∶32基于杭州雷达两种分辨率基数据识别的产生盛泽龙卷的A1超级单体风暴的几个雷达特征量和识别的TVS类型的时间序列图,从图中可看出两种分辨率下的各雷达特征量的变化趋势都是一致的。精细分辨率下的Zmax、SHI、VIL和MAXARD几乎都大于等于当前分辨率下的;两种分辨率下的ET和EB几乎一致;精细分辨率下的大部分NADV06大于等于当前分辨率下的,但是也有极少部分是反过来的,而且在17时之前,基于当前分辨率数据有4个体扫时次没有识别到中气旋,而基于精细分辨率数据却都识别到了。从图 6a和6b还可看出超级单体的脉动,Zmax时间序列中有5个峰值,对应5个SHI峰值,最大的Zmax达到75.5 dBz,对应着最大的SHI和最高的ET;ET时间序列中有2个高值时间段,与VIL高值时间段一致。
图 7给出了2021年5月14日16∶31—19∶32基于杭州雷达不同分辨率基数据识别的A1风暴中气旋的DV06和AShear散点图,从图中可看出精细分辨率下的DV06和AShear大部分大于等于当前分辨率下的,精细分辨率下的MminDV06、MmaxDV06和NADV06大于等于当前分辨率下的占比分别为89.4%、82.1%、79.5%,对于MminAShear、MmaxAShear和NAAShear来说,精细分辨率下的大于等于当前分辨率下的占比分别为84.6%、87.2%、100%。
从图 6d可看出,基于杭州雷达当前分辨率和精细分辨率基数据识别到高架TVS的时次分别有8次和15次,其中2次当前分辨率下的没有与精细分辨率下的时间重合;识别到TVS的时次分别为3次(17∶06、18∶41、18∶51)和5次(16∶57、17∶06、18∶41、18∶51、19∶01),其中后面3个时次与盛泽龙卷发生时间对应;基于精细分辨率数据识别的5个TVS中有4个的NADV06位于最低仰角(图 6c),其中3个与盛泽龙卷对应。
在17∶06,基于两种分辨率数据都识别到TVS,但是没有相关龙卷视频和灾情报道,本文分析了该时次当前分辨率的A1超级单体风暴的雷达反射率因子和径向速度(图 8)。从图 8a1、a2可看出,A1风暴低层出现了弱回波区,但其钩状回波还不是很清晰。从图 8b1和8b2可看出,A1风暴内出现了2个小尺度涡旋结构,其中位于A1超级单体弱回波区的那个小尺度涡旋在最低2个仰角的最大相邻方位差的所在位置比较一致,且速度差分别达到35.5 m·s-1和37.5 m·s-1,满足了此距离处(102.8 km)的相邻方位速度差的TVS标准,算法识别到TVS是合理的。对于北边的那个小涡旋,由于最低2个仰角的最大相邻方位速度差的所在位置相距稍远,所以没有识别到TVS。在最低仰角,超级单体弱回波区处只有一个负速度大值(-34.0 m·s-1),其周围相邻的最大负速度仅-14 m·s-1,此外其南边回波边缘也出现了速度分别为-30.5 m·s-1和14 m·s-1的相邻方位大的正负速度,而且大的负速度值也只有一个,由此可见这2个大的负速度值是否真实可靠值得怀疑。在超级单体后部的北面,最低仰角出现了-9 m·s-1和33 m·s-1的相邻方位大的正负速度,其中大的正速度的真实可靠性也值得怀疑,因为其周围都是负速度。如果最低仰角的那几个速度极大值不真实的话,那么该时次识别到TVS就是因径向速度数据的非模糊质量问题而导致的错误识别。
6月1日13∶20左右发生在澳门友谊桥附近水域的水龙卷持续时间短,基于深圳雷达分别于13∶18和13∶24识别到强中气旋和中等强度中气旋,其中13∶18最强的方位切变位于2.4°仰角,最大相邻方位速度差及其对应的差分方位切变分别为45 m·s-1和411.3·10-4 s-1,次大的相邻方位速度差仅27 m·s-1,位于0.5°仰角,经查看径向速度图(图略)不排除2.4°仰角的大的相邻方位速度差是由双PRF模式径向速度奇异值所导致。而基于深圳竹子林精细化探测雷达分别于13∶20和13∶24识别到TVS和中等强度中气旋,其中13∶20最强的方位切变位于0.5°仰角,最大相邻方位速度差及其对应的差分方位切变分别为37 m·s-1和620.4 ×10-4 s-1。
5 结论与讨论为了测试提高雷达基数据分辨率的可行性,杭州和深圳竹子林双偏振天气雷达使用了精细化探测技术,分别采集到了一个超级单体龙卷和一个水龙卷天气过程的雷达基数据。本文以第一个龙卷天气过程为主例,分析了径向速度数据质量,对比分析了两种分辨率下的龙卷风暴回波特征和8个雷达特征量以及TVS识别结果,得到如下结论:
(1) 径向速度(特别是参差PRT模式径向速度)中存在一些非速度模糊奇异值,当奇异值成片出现时,不管是否对奇异值进行质控,都会影响中气旋和TVS的正确识别;
(2) 精细分辨率雷达回波能更好地描述龙卷风暴特征,包括钩状回波、有界弱回波区和TVS等;
(3) 精细分辨率龙卷超级单体的中气旋中心位置与龙卷灾害路径更加一致,Zmax、VIL、SHI和中气旋旋转速度、方位切变等雷达特征量大多大于当前分辨率的,TVS识别次数也多于当前分辨率的。
综上所述,在不考虑径向速度质量的情况下,与当前分辨率探测相比,精细分辨率探测更有利于龙卷风暴的识别。但是需要注意的是:由于基于不同分辨率数据识别风暴的大多数雷达特征量存在比较大的差异,基于这些量进行分类强对流天气识别时,其阈值大小的设置需要使用不同分辨率的批量个例数据进行统计。
致谢:感谢北京敏视达雷达有限公司孙召平高级工程师为本研究提供两个龙卷天气过程的雷达基数据。
步志超, 李柏, 邵楠, 等. 2016. CINRAD/SA天气雷达双PRF技术I/Q信号仿真及算法对比验证[J]. 北京理工大学学报, 36(12): 1289-1293. |
晋亮亮, 葛海燕. 2021. 2017年内蒙古赤峰"8.11"龙卷环境场及雷达特征分析[J]. 沙漠与绿洲气象, 15(1): 62-68. |
黄先香, 伍志方, 炎利军, 等. 2020. 珠江三角洲台风龙卷预警技术与2018年两次龙卷预警试验[J]. 气象科技, 48(1): 88-96. |
李峰, 李柏, 唐晓文, 等. 2020. 近20年美国龙卷探测研究进展对我国龙卷风研究的启示[J]. 气象, 46(2): 245-256. |
李兆慧, 王东海, 麦雪湖, 等. 2017. 2015年10月4日佛山龙卷过程的观测分析[J]. 气象学报, 75(2): 288-313. |
昊芳芳, 俞小鼎, 张志刚, 等. 2012. 对流风暴内中气旋特征与强烈天气[J]. 气象, 38(11): 1330-1338. |
王易, 郑媛媛, 孙康远, 等. 2018. 南京雷达中气旋产品特征值统计分析[J]. 气象学报, 76(2): 266-278. |
汪章维, 陈昊, 袁圣, 等. 2020. 新一代双偏振天气雷达(CINRAD/SAD)精细化探测技术[J]. 气象科技, 48(3): 331-336. |
肖艳姣, 万玉发, 王志斌. 2016. 业务多普勒天气雷达双PRF径向速度资料分析和质量控制[J]. 高原气象, 35(4): 1112-1122. |
肖艳姣, 王珏, 王志斌, 等. 2021. 基于S波段新一代天气雷达观测的下击暴流临近预报方法[J]. 气象, 47(8): 919-931. |
许薇, 梁宏升, 陈欢欢. 2012. 2011年6月16日汕头龙卷天气过程分析[J]. 暴雨灾害, 31(2): 176-181. DOI:10.3969/j.issn.1004-9045.2012.02.012 |
俞小鼎, 郑永光. 2020. 中国当代强对流天气研究与业务进展[J]. 气象学报, 78(3): 391-418. |
郑媛媛, 俞小鼎, 方翀, 等. 2004. 2003年7月8日安徽系列龙卷的新一代天气雷达分析[J]. 气象, 30(1): 38-40. |
植江玲, 蔡康龙, 黄先香, 等. 2020. 两类不同风灾个例的灾情调查与观测对比分析[J]. 暴雨灾害, 39(4): 418-426. DOI:10.3969/j.issn.1004-9045.2020.04.012 |
朱文剑, 盛杰, 郑永光, 等. 2016. 1522号"彩虹"台风龙卷现场调查与中尺度特征分析[J]. 暴雨灾害, 35(5): 403-414. DOI:10.3969/j.issn.1004-9045.2016.05.002 |
Altube P, Bech J, ArgemíO, et al. 2017. Correction of dual-PRF Doppler velocity outliers in the presence of aliasing[J]. J Atmos Oceanic Tech-nol, 34: 1529-1543. DOI:10.1175/JTECH-D-16-0065.1 |
Banjanin Z B, Zrnic' D S. 1991. Clutter rejection for Doppler weather ra-dars which use staggered pulses[J]. IEEE Trans Geosci Remote Sens, 29(4): 610-620. DOI:10.1109/36.135823 |
Brown R A, Flickinger B A, Forren E, et al. 2005. Improved detection of se-vere storms using experimental fine-resolution WSR-88D measure-ments[J]. Wea Forecasting, 20(1): 3-14. DOI:10.1175/WAF-832.1 |
Burgess D W, Donaldson Jr R J, Desrochers P R. 1993. Tornado detection and warning by radar [M]. Geophys Monogr. The Tornado: Its Structure, Dynamics, Prediction, and Hazards, 203-221
|
Crum T D, Alberty R L. 1993. The WSR-88D and the WSR-88D operation-al support facility[J]. Bull Amer Meteor Soc, 74(9): 1669-1687. DOI:10.1175/1520-0477(1993)074<1669:TWATWO>2.0.CO;2 |
Crum T D, Saflle R E, Wilson J W. 1998. An update on the NEXRAD pro-gram and future WSR-88D support to operations[J]. Wea Forecasting, 13(2): 253-262. DOI:10.1175/1520-0434(1998)013<0253:AUOTNP>2.0.CO;2 |
Curtis C D, Torres S M, Forren E. 2003. High-resolution WSR-88D base da-ta on the KOUN research radar [C]//Preprints, 31st Conf. on Radar Mete-orology. Seattle WA: Amer Meteor Soc, 964-966
|
Dazhang T, Geotis S G, Passarelli R E. 1984. Evaluation of an alternat-ing-PRF method for extending the range of unambiguous Doppler ve-locity [C]//Preprints, 22th Conf. on Radar Meteorology. Zurich Switzer-land: Amer Meteor Soc, 523-527
|
Desrochers P R, Donaldson Jr R J. 1992. Automatic tornado prediction with an improved mesocyclone detection algorithm[J]. Wea Forecasting, 7: 373-388. DOI:10.1175/1520-0434(1992)007<0373:ATPWAI>2.0.CO;2 |
Holleman I, Beekhuis J. 2003. Analysis and correction of dual-PRF ve-locity data[J]. J Atmos Ocean Technol, 20(4): 443-453. DOI:10.1175/1520-0426(2003)20<443:AACODP>2.0.CO;2 |
Joe P, May P T. 2003. Correction of dual PRF errors for operational weather radars[J]. J Atmos Oceanic Technol, 20: 429-442. DOI:10.1175/1520-0426(2003)20<429:CODPVE>2.0.CO;2 |
Jorgensen D P, Shepherd T R, Goldstein A S. 2000. A dual-pulse repetition frequency scheme for mitigating velocity ambiguities of the NOAA P-3 airborne Doppler radar[J]. J Atmos Oceanic Technol, 17: 585-594. DOI:10.1175/1520-0426(2000)017<0585:ADPRFS>2.0.CO;2 |
Lee R R, White A. 1998. Improvement of the WSR-88D mesocyclone algo-rithm[J]. Wea Forecasting, 13(2): 341-351. DOI:10.1175/1520-0434(1998)013<0341:IOTWMA>2.0.CO;2 |
May P T. 2001. Mesocyclone and microburst signature distortion with du-al PRT radars[J]. J Atmos Ocean Technol, 18(7): 1229-1233. |
Mitchell E D, Vasiloff S V, Stumpf G J, et al. 1998. The national severe storms laboratory tornado detection algorithm[J]. Wea Forecasting, 13: 352-367. DOI:10.1175/1520-0434(1998)013<0352:TNSSLT>2.0.CO;2 |
Sirmans D, Zrnic D, Bumgarner B. 1976. Extension of maximum unambig-uous Doppler velocity by use of two sampling rates[C]//Preprints, 17th Conf. on Radar Meteorology, Seattle WA: Amer Meteor Soc, 23-28
|
Stumpf G J, Witt A, Mitchell E D, et al. 1998. The national severe storms laboratory mesocyclone detection algorithm for the WSR-88D[J]. Wea Forecasting, 13(2): 304-326. |
Tabary P, Guibert F, Perier L, et al. 2006. An operational triple-PRT Doppler scheme for the French radar network[J]. J Atmos Oceanic Technol, 23: 1645-1656. DOI:10.1175/JTECH1923.1 |
Torres S M, Dubel Y F, Zrnic'D S. 2004. Design, implementation, and dem-onstration of a staggered PRT algorithm for the WSR-88D[J]. J Atmos Oceanic Technol, 21: 1389-1399. |
Witt A, Eillts M D, Sturmpf G J, et al. 1998. Evaluating the performance of WSR-88D severe storm detection algorithms[J]. Wea Forecasting, 13(2): 513-518. DOI:10.1175/1520-0434(1998)013<0513:ETPOWS>2.0.CO;2 |