中国气象学会主办。
文章信息
- 肖安, 许爱华. 2018.
- XIAO An, XU Aihua. 2018.
- 三小时负变压异常指数及对强对流天气的预报意义
- Three hours negative pressure anomaly index and its significance in severe convective weather forecast
- 气象学报, 76(1): 78-91.
- Acta Meteorologica Sinica, 76(1): 78-91.
- http://dx.doi.org/10.11676/qxxb2017.074
-
文章历史
- 2017-03-29 收稿
- 2017-07-27 改回
中国中东部地区受多种天气系统的影响,强对流天气频繁,一年四季皆可能发生,给人们生命、财产造成重大影响和威胁(王秀明等,2012;孙继松等, 2012a, 2015;汪小康等,2015;郑永光等,2016)。很多专家学者对强对流天气开展了多角度的研究,取得了很大进展,深刻地揭示了不同种类强对流天气的天气学特征,提高了对各种强对流天气预报的准确率(孙继松等,2012b;曾波等,2013;曾明剑等,2015)。随着各种观测资料和数值预报的迅速发展,越来越多的业务科研人员开始采用新观测资料和高分辨率数值模式对强对流天气开展研究(陈英英等,2013;方翀等,2014;李娜等,2015;陈明轩等,2016),但却忽视了常规观测资料在强对流天气预报中的应用。
理论上,地面负变压与辐合相关联。气象工作者(Charba, 1974; Droegemeier, et al, 1987)早年就认识到,在冷气团移向暖气团时如果没有水平方向运动,接近冷暖空气交界的锋面附近会产生垂直运动;这种垂直上升运动在一定条件下会触发深对流,表现为地面气压异常降低。这表明在部分强天气发生前,局地可能会因为空气上升运动,在地面出现低于气压变化均值的异常变压。朱乾根等(2007)进一步指出,地转风偏差D与3种过程有关,即位势高度(气压)的局地变化所造成的与风的局地变化相联系的地转偏差D1,等高线的辐合(辐散)和弯曲所造成与平流加速度相联系的地转偏差D2,与对流加速度相联系的地转偏差D3。在气压场中D1可写为
(1) |
式中,f为地转偏向力,ρ为空气密度,
强对流有发生突然、持续时间短、局地性强的特点(尹红萍,2010),能被地面观测站记录下来的强对流天气要少于实际发生的强对流天气数量。单部雷达覆盖面积较小,不便于分析整个中国中东部地区的强对流天气。因此,通过卫星云图识别强对流天气系统是一个较好的选择。Maddox(1980)利用黑体辐射亮温(TBB)低于-32和-52℃区域的云体大小和形状来识别中尺度对流复合体(MCC),Augustine等(1991)直接利用低于-52℃区域的大小和形状来识别MCC。Zheng等(2007)认为在初夏季节,TBB低于-32℃的区域内可以出现锋面云系,能产生较弱的对流;在仲夏季节,产生较强对流区域的TBB不会高于-52℃。根据以上研究成果,本研究也采用将TBB≤-52℃的区域作为较强对流出现区域,并分析其与Δp3的关系。
2 数据及方法Δp3数据来自中国国家气象中心下发的110°E以东中国中东部大陆地区8个观测时刻(02、05、08、11、14、17、20、23时;北京时,下同)常规地面观测资料。由于观测站在不同时刻的观测任务不同,观测站点数量并不一致,站点分布也有差异:08、14、20时的观测站点数量较多,站点间距约为10—30 km;其余时次的观测站点数量较少,站点间距为30—100 km。经质量控制后的有效站点分布如图 1所示。卫星资料采用中国国家卫星气象中心提供的FY-2G逐时TBB云图。
文中所用地面气压观测资料为1999年1月1日—2015年12月31日共6209 d。为了减少观测误差,对站点和气压数据进行质量控制。站点筛选方案为:在一个观测时刻内,单站至少要有1300 d(约3.5 a)的有效观测资料才被记为有效站点,否则将被剔除。站点数据质量控制方案为:将每个站点每个时刻所有Δp3数据进行排序,对正极大值和负极小值进行分析,当某一时刻本站与周围其他站点Δp3存在较大差异,且与前后两个时刻本站和周围站点的Δp3也存在较大差异(差异超过25%),再通过逐日逐时地对天气形势分析后,确认其可靠性和合理性。如果是虚假变压,则从Δp3数据中剔除;依此循环,直到剔除所有错误的虚假变压值。该方案一定程度上减少了错误异常变压值对后续分析造成的不利影响,经过质量控制后,数据可靠性明显提高。在分析过程中还发现,海南省、台湾省和沿海岛屿各站的Δp3受台风等东风低值系统影响较大,异常Δp3值较多,分布特征与大陆有较大差异,因此,重点分析中国中东部大陆部分的Δp3特征。
将某时刻Δp3异常与变压标准差的倍数作为该站该时刻的气压变化程度,简称PCR(Pressure Change Range)。单站t时刻的PCR计算式为
(2) |
式中,分子为某站t时刻Δp3t与1999—2015年变压均值
值得注意的是,当PCR为负值时,Δp3-
在计算不同区域Δp3频数月平均时间序列时,考虑到不同区域站点数量差异较大,采用Z-Score标准化方案(Han, et al, 2011)对各区域Δp3频数月均值进行标准化处理。经过标准化后,新数据序列是一个平均值为0,均方差为1的无量纲序列
(3) |
式中,Z为标准化后的新数据序列,x为原始数据序列,μ为原始数据序列的平均值,σ是原始数据序列的标准差。
3 3 h变压和PCR的气候特征 3.1 3 h变压气候特征为了分析Δp3异常,需要先分析Δp3气候分布特征。从图 2中可以看到,02、08、14、20时的Δp3均值大致呈准纬向分布;05、11、17、23时的Δp3大致呈准经向分布;11、14、17、20、23时的Δp3均值在28°—40°N基本以准经向分布为主。为了简化相对复杂的分布特征,在研究02、08、14、20时Δp3特征时,将38.5°N以北、120°E以东区域定义为东北区域;35°N以北、110°—120°E为华北区域;25°N—35°N为华东-华中区域;25°N以南区域为华南区域(图 1a)。在研究05、11、17、23时,将110°—115°E定义为西部区域,115°—120°E定义为中部区域,120°E以东定义为东部区域(图 1b)。这些区域划分与行政区划不同。
Δp3均值存在较明显的日变化特征。02时,中国中东部地区均为负变压(图 2a);其中东北、华北区域的变压较小,约为-0.4—0.0 hPa;华东-华中、华南地区的变压较大,约为-0.8—-0.4 hPa。08时均为正变压;其中,东北区域约为0.4—0.6 hPa,华北区域约为0.5—1.0 hPa,华东-华中、华南区域约为1.0—1.2 hPa;14时中国中东部地区再次全部转为负变压;其中,东北区域负变压约为-1.4—-0.8 hPa;华北区域负变压约为-2.0—-1.0 hPa;华东-华中区域负变压约为-2.4—-1.8 hPa;华南区域负变压约为-2.8—-2.4 hPa;14时是一天8个时次中负变压最明显的时刻。20时全部为正变压,且40°N以南地区的正变压为一天中正变压最明显的时刻;东北、华北区域的正变压比17时要弱,为0.6—1.2 hPa,华东-华中、华南区域正变压为0.9—1.6 hPa。05时,西、中部区域为负变压,为-0.4—0.0 hPa;东部区域为正变压,为-0.1—0.2 hPa。11时西部区域为正变压,为0.0—0.4 hPa;中部地区自西向东由正变压转为负变压,为-0.4—0.2 hPa;东部地区则全部为负变压,为-0.2—-0.8 hPa。17时西部区域负变压为-1.2—-0.8 hPa,中部区域为-0.8—-0.2 hPa,东部区域自西向东由负变压转为正变压,为-0.2—0.2 hPa。与20时类似,23时均为正变压,西部区域变压幅度最大,为1.0—1.4 hPa;中部地区为0.6—1.0 hPa;东部地区为0.0—0.6 hPa。
3.2 PCR气候特征Δp3均值的日变化差异和分布特征,即不利于记忆,也不利于分析。而Δp3标准差全部为正值,日变化较小,呈纬向分布(图 3),较适合作为评定变压异常的标准。较高纬度地区的变压标准差值较大,一般为1.0—1.2 hPa;较低纬度地区的变压标准差值较小,一般在1.0 hPa以下。
3.3 PCR月频数分布特征中国中东部地区处在东亚季风区中,不同地域不同月份的天气差异较大,气压变化也不一样。因此,在分析Δp3与强对流天气之间的关系前,有必要先对PCR的月频数气候特征进行分析。
为了消除4个区域站点数量不一致的影响,利用Z-Score标准化方案对东北、华北、华东-华中和华南区域PCR逐月站次序列进行标准化(图 4,负值表示PCR站次偏少,正值表示偏多)后发现,东北、华北、华东-华中区域PCR站次分布特征为两峰一谷型,PCR站次偏多的时间为1—4月和12月。其中,东北区域PCR出现站次最多的时间为3月,占全年的11.69%;最少的时间为8月,占全年总次数的3.99%。华北和华东-华中区域PCR出现站次最多的时间均为1月,分别占全年的13.00%和12.64%;最少的时间均为9月,分别占全年总次数的3.22%和3.25%。华南区域呈现出与其他区域不同的三峰两谷分布特征。其中,PCR站次偏多的时间为1—3、6—8月和12月,1月占全年的10.66%,7月占全年的10.45%,比其他区域的7月PCR月频数都要多;PCR站次偏少的时间在4—5和9—11月,其中,PCR出现站次最少的时间在10月,仅占全年的4.81%。以上分析表明,所有区域冬春季PCR出现站次均较多,这可能与该时段内冷空气活跃,同时冷空气变性速度快或东移速度快有关;华南区域6—8月PCR出现站次偏多,与华南区域在夏季受台风等东风低值系统影响较多相吻合(王毅等,2009;黄昌兴等,2014);其他区域夏秋季总体PCR出现站次均较少。
华东-华中区域位于东北、华北区域南部,华南区域北部,在冬春季节容易受到北方活跃冷空气南下影响,夏秋季节也较容易受台风等东风低值系统影响。但在图 4中只能分辨出PCR站次在冬春季节偏多,不易分辨出台风等东风低值系统在夏秋季节对华东-华中地区的影响,因此,需要对PCR站次分布比例做进一步的分析。
将PCR按照强度划分为(-2, -1]、(-3, -2]、(-4, -3]、(-5, -4]、(-6, -5]、(-7, -6]和≤-7共7个等级,分别记为1—7级。统计各等级PCR在每个月中出现的比例可以看到,东北区域(图 5a)冬春季节1—4级PCR出现比例较高,夏秋季节则相对要低。其中,1—4级PCR主要分布在1—3月和12月,最高为15.76%(3月)。5—7级PCR主要分布在4—5月和8月,这是因为东北气旋在春季出现最为频繁,低压强度也最大(张玉玲等,1985);8月则是受2012年15号台风布拉万(Bolaven)影响所致。华北区域与东北区域有类似的分布特征(图 5b):1—4级PCR主要分布在1—4月和12月,最高为17.80%(1月);5—7级主要分布在4和6月。华东-华中区域的(图 5c)1—4级PCR也主要分布在1—3月和12月,与东北、华北结果相似;5—7级PCR分布与华南区域(图 5d)相似,主要分布在7—9月,其中,8月7级PCR比例达36.83%,这是因为华东-华中区域与华南区域夏季均易受台风系统的影响。华南区域PCR月频数比例分布(图 5d)最明显的特征是5—7级PCR在7—9月的分布比例均超过20%,其中,9月7级PCR比例达到36.25%。以上分析均表明PCR分布在不同区域不同时间存在着较大的差异。
虽然中国中东部地区冬季和春季早期的PCR出现站次偏多,但此时强对流天气无论是数量还是强度均比不上春季后期和夏季。为了分析其中可能的原因,对2016年2月1日—3月31日共60 d出现PCR或TBB云顶亮温低于-52℃时对应的地面气压场(表 1)进行分型统计。其中,2月正值冬季,冷空气影响较为频繁;3月中国中东部地区陆续进入春季,暖空气开始活跃,华南、华东-华中区域强对流天气开始多发,一定程度上能够代表冬春季节不同地面气压系统与异常Δp3的关系。统计结果显示,东北气旋导致的气压降低是东北区域出现PCR的首要原因;在影响东北区域的12次东北气旋中,有6次对应云系TBB低于-52℃。冷空气的高压气团变性或迅速东移导致的气压降低,是华北、华东-华中、华南区域出现PCR的首要原因。但此时PCR对应云系TBB均高于-52℃,部分情况下甚至没有云系对应。因此,虽然较易出现PCR,但不易出现明显的强对流天气。地面倒槽中发展出的TBB≤-52℃的云系全部有PCR相对应。这是因为地面倒槽中存在冷暖空气的水平辐合,在锋面附近产生垂直运动,从而引发较强的强对流天气。因此地面倒槽中出现PCR,往往预示着将有或已经出现强对流天气。根据统计,PCR值越低,强对流天气可能越剧烈。
由于地面Δp3偏低与地面变压风辐合相关联,因此,当Δp3低于一个变压标准差时,较容易出现强对流天气。通过对2015—2016年中国几次高影响强对流过程前后的PCR进行分析,找到一些对强对流预报有价值的信息。
4.1 2016年4月13日东莞地区强对流2016年4月13日04—07时,受飑线袭击,珠江三角洲大部市县出现8—9级强对流大风,广州(23.2°N,113.3°E)、佛山(23.0°N,113.1°E)、东莞(23.0°N,113.7°E)局部出现11—14级大风,造成东莞市麻涌镇建筑坍塌,18人死亡。结合FY-2G TBB云图,从地面Δp3和PCR分布对这次强对流大风过程进行分析。
2016年4月12—13日,广东、广西两省、区均处在西南暖低压倒槽中。12日23时,广东西部和中部地区已经分别出现一个PCR中心,其中西部地区PCR中心是广宁县,中部地区PCR中心正是东莞市(图 6a);02时广西东部和广东中西部地区出现大量2—3级PCR,两个异常PCR中心分别位于广西梧州市(23.5°N,111.3°E)和广东清远市(23.7°N,113.1°E)。其中, 梧州市PCR为-4.1,清远市PCR为-4.0(图 6b)。05时,东莞北部的佛冈县(23.9°N,113.5°E)PCR降低至-4.8成为新的PCR中心,;五华县(23.9°N,115.8°E,图 6c点B)和惠来县(23.0°N,116.3°E,图 6c点C)PCR分别为-4.4和-4.2,分别为广东东北部和东南部PCR中心。TBB云图表明,在03时(缺02时卫星云图),对流云团到达广宁县以西地区,并随后移过该县;05时对流云团到达广东佛冈县地区;06时对流云团中心移动至东莞地区,并分裂为2个冷中心;07时,两个中心分别向五华县和惠来县移动,并在08时(图略)经过五华县和惠来县后减弱消散,其中,北部云团残余部由福建入海,南部云团由广东东部地区入海,天气过程结束。
在这次强对流大风天气过程中,逐渐增强的PCR预示着中尺度云团将要发展,逐渐减弱的PCR则预示着中尺度云团将要减弱。中尺度云团有向PCR中心移动的趋势,清远、广州市出现负PCR异常中心的时间比强对流天气出现时间早了3 h,佛冈县出现PCR异常中心的时间比当地出现强对流天气提前1 h,东莞地区附近出现PCR中心的时间比当地出现强对流大风的时间提前了近3 h。由此可见,PCR能够较好预示强对流发展与移动路径,且有1—3 h的提前量,可以作为强对流天气预报预警的重要依据。
4.2 2016年6月23日江苏北部龙卷大风天气2016年6月23日中午,江苏省北部的盐城市阜宁县(33.8°N,119.8°E)遭遇强冰雹和龙卷风双重灾害。在吴滩镇立新村,房屋受损严重,路边树木和电线杆倒塌。这次灾害共造成99人死亡,846人受伤,是一次罕见的伴随龙卷的强对流天气。
在这次强对流大风过程中,山东和江苏省北部地区也处在西南暖低压形成的地面倒槽中,较强冷空气经河套地区南下东移,进入地面倒槽后触发强天气。08时(图 7a)中尺度对流云团主体位于山西、河南和河北三省交界处。在中尺度对流云团下游的东南方向,出现了2个PCR中心:第1个中心位于安徽省五河县(33.1°N,117.9°E,图 7点B),Δp3为0.4 Pa,PCR为-1.9;第2个中心位于江苏省盐城市(33.4°N,120.2°E)和所属的建湖县(33.5°N,119.8°E)、阜宁县(图 7点A),Δp3为-0.3hPa,PCR为-1.7。此时以上2个变压中心均未受到中尺度云团的影响。09时(图 7b),中尺度对流云团主体前部新生出“枝”状对流云团,TBB由08时的16℃迅速下降到-58℃。该云团逐渐向阜宁、建湖、盐城一带缓慢移动。10—11时(图 7c、7d),该中尺度云团TBB冷中心进一步下降到-75℃并继续向东移动。14时(图 7e)对流云团移动至盐城、阜宁等地,对当地造成严重的大风、强降水等强天气灾害。17时(图 7f)对流云团东移入海,此对流云团造成的强对流天气结束。
在本次强天气过程中,阜宁、建湖、盐城一带在强对流大风天气出现前6 h的Δp3为-0.3 hPa,但PCR却有-1.7;安徽五河县虽然是正变压,但也是PCR中心之一,也证明PCR确实比Δp3更容易识别变压负异常中心。本次过程中PCR强度相对广东4月13日强对流要弱一些(这可能是不同地域PCR的季节差异造成),却仍能为强对流的发展和移动路径预测提供依据。
4.3 2015年6月1日湖北监利强对流大风天气2015年6月1日21时31分许,湖北出现强对流大风天气,一艘游轮在经过监利县水域时倾覆,造成442人遇难的重大事故。很多学者运用多种观测资料对这次罕见的天气过程进行了较全面的分析(Meng,et al,2016;汪小康等,2015;徐双柱等,2016),基本确定这是一次由下击暴流引发的强大风灾害(郑永光等,2016)。
1日14时—2日08时,长江中游的湖北、湖南等省处在西南暖低压形成的地面倒槽中。17时湖北省南部地区开始出现范围相对较小,强度相对较弱的中尺度对流云团,冷中心TBB为-60℃(图 8a)。湖南省北部和湖北省东部之间出现较大范围的PCR,其中,岳阳市(29.4°N,113.1°E)、监利县(29.8°N,112.9°E)和湘阴县(28.7°N,112.9°E)PCR分别为-1.5、-1.4和-1.4,与其他站点有较明显的差异。19时(图 8b),中尺度云团迅速发展,最冷中心TBB已经降至-75℃,云团向17时PCR最小区域缓慢移动。6月1日20时,中尺度云团中心东移至监利县附近(图 8c),冷中心TBB为-79℃,位置在湖北省南部地区。华容县(29.5°N,112.6°E)、南县(29.4°N,112.4°E)PCR为-1.9;洪湖县(29.8°N,113.5°E)PCR为-1.8;监利和赤壁(29.7°N,113.9°E)的PCR为-1.7。以上站点全部集中在长江中游南北两岸。21—22时(图 8d、8e),中尺度云团继续发展,以上区域TBB全部低于-75℃,沿江部分地区TBB低于-80℃,最低值为-83℃。23时(图 8f)该中尺度云团逐渐东移,对监利附近的影响也逐渐减弱,但从湖南省西部地区新发展的一个中尺度云系由西向东快速逼近,将在6月2日凌晨对沿线区域再次造成影响,这里不再赘述。
在本次强对流天气过程中,监利、岳阳一带均提前3—4 h出现PCR中心,监利、华容、南县、洪湖等地区在灾害发生前1—2 h内出现本次过程中的PCR中心。值得注意的是,当20时Δp3观测数据出来时,离发生事故的时间已不足2 h。如果能通过自动观测站获取逐小时分辨率的Δp3数据计算PCR,应该能提前更多时间判断出强对流天气将要影响的区域。
5 结论与讨论根据1999—2015年中国中东部地区8个时次的3 h变压均值、标准差的气候分布特征,定义了气压变化程度指数PCR,结合TBB卫星云图,对变压在强对流天气预报中的应用进行了定量分析,得到以下主要结论:
(1) 中国中东部地区的3 h变压均值有较明显的日变化特征。02、08、14、20时的变压呈纬向分布,北部变压幅度小,南部变压幅度大;05、11、17、23时的变压呈经向分布,西部变压幅度较大,东部变压幅度较小。3 h变压标准差的日变化特征较为一致,呈纬向分布:高纬度地区的3 h变压标准差较大,约为1—1.2 hPa;低纬度地区的3 h变压标准差较小,约为0.6—0.8 hPa。3 h变压标准差比单纯的变压更适合用来衡量变压的异常程度。
(2) 东北、华北、华东-华中区域PCR月平均次数偏多时间为1—3和11—12月,这与冬春季北方冷空气南下影响较为频繁有关;华南区域偏多时间为1—3、6—8和12月,其他时间的月平均次数偏少,这与夏秋季西太平洋台风影响南方地区较为频繁有关。所有区域最易出现1—4级PCR的季节是冬春季;最易出现5—7级PCR的时间有所差异:东北、华北区域是在春夏季,华东-华中、华南区域是在夏秋季。PCR级别越高,出现强对流天气的可能性越大。
(3) 东北区域出现负PCR的首要原因是东北气旋的影响,且可能与TBB≤-52℃的云系相对应;华北、华东-华中、华南区域出现负PCR的首要原因是冷高压变性或迅速东移导致的气压降低,地面气压场没有TBB≤-52℃的云系相对应;地面倒槽中出现的PCR全部有TBB≤-52℃的云系对应。
(4) 对2016年4月13日广东东莞地区的强对流大风天气、2016年6月23日江苏北部龙卷大风天气和2015年6月1日湖北监利强对流大风天气的分析表明,这3次重大强对流灾害性天气均发生在地面倒槽中;在强对流天气发生前3—6 h左右,地面气压场上就有较明显的PCR中心出现,强对流天气中尺度云团有向PCR中心移动的趋势。
以上分析是利用每天8次常规地面观测的3 h负变压分析得出的结论。受站点分布密度和观测时效的限制,目前只能看到PCR在组织化、移动发展的较大尺度强对流天气中有较好的应用,但无法分辨时间尺度小于3 h且空间尺度小于30—100 km的强对流天气,也较难捕捉局地突发的强对流天气,不利于PCR指数在更小天气、更短时间的强对流天气中的应用。如果能够利用经过质量控制后的乡镇级别自动站点气压观测数据计算PCR指数,就能将该指数在空间尺度上拓展到30 km以下甚至更精细的γ中尺度天气,时间尺度上也能精确到逐小时甚至更短时间间隔。从而增加对强对流天气的精细化预报能力。
常规3 h变压资料是利用相邻2个时次的气压相减得到的数据,仅能判断出这2个时次的气压变化情况,无法直接判断出Δp3变化的剧烈程度。而PCR指数是基于Δp3历史序列标准差计算的结果,能直接地判断出Δp3变化的剧烈程度,从而有效地提高强对流天气的预报能力。例如利用常规3 h变压数据较难解释为什么有些强对流天气个例在发生前地面不仅会出现负Δp3,也会出现数值较小的正Δp3;PCR指数的解释则简单明了,因为相对历史数据来说,这些变压的PCR指数全部为负。
除了对文中的3个高影响强天气过程进行分析外,PCR也在其他一些强对流天气过程中有较好的预报效果,不再一一赘述。即便如此,本研究的PCR指标仍稍显粗糙。例如PCR指数虽然没有明显日变化,却有较明显的月变化和季节变化特征,不同地区不同月份的PCR指数指标还未加以研究。本研究分析中的PCR指的是≤-1.0的值,那是否在某些地区某些月份中,也会出现大于-1.0的PCR与强对流对应呢?这些均有待进一步研究。
陈明轩, 肖现, 高峰, 等. 2016. 基于雷达四维变分分析系统的强对流高分辨率模拟个例分析和批量检验. 气象学报, 74(3): 421–441. Chen M X, Xiao X, Gao F, et al. 2016. A case study and batch verification on high resolution numerical simulations of severe convective events using an analysis system based on rapid-refresh 4-D variational radar data assimilation. Acta Meteor Sinica, 74(3): 421–441. DOI:10.11676/qxxb2016.031 (in Chinese) |
陈英英, 唐仁茂, 李德俊, 等. 2013. 利用雷达和卫星资料对一次强对流天气过程的云结构特征分析. 高原气象, 32(4): 1148–1156. Chen Y Y, Tang R M, Li D J, et al. 2013. Analysis on cloud structure of a severe convective storm using radar and satellite data. Plateau Meteor, 32(4): 1148–1156. DOI:10.7522/j.issn.1000-0534.2012.00108 (in Chinese) |
方翀, 郑永光, 林隐静, 等. 2014. 导致区域性雷暴大风天气的云型分类及统计特征分析. 气象, 40(8): 905–915. Fang C, Zheng Y G, Lin Y J, et al. 2014. Classification and characteristics of cloud patterns triggering regional thunderstorm high winds. Meteor Mon, 40(8): 905–915. (in Chinese) |
黄昌兴, 周国良, 郑磊, 等. 2014. 登陆我国台风的时空分布特征及其影响. 水文, 34(6): 81–85. Huang C X, Zhou G L, Zheng L, et al. 2014. Spatial and temporal distribution characteristics of landing typhoons in China and their influence. J China Hydrol, 34(6): 81–85. (in Chinese) |
李娜, 冉令坤, 孙建华, 等. 2015. 基于NCEP/GFS资料的中国东部地区雷暴预报研究. 气象学报, 73(3): 459–470. Li N, Ran L K, Sun J H, et al. 2015. Research of the thunderstorm forecast in East China based on the NCEP/GFS data. Acta Meteor Sinica, 73(3): 459–470. DOI:10.11676/qxxb2015.029 (in Chinese) |
孙继松, 何娜, 王国荣, 等. 2012a. "7.21"北京大暴雨系统的结构演变特征及成因初探. 暴雨灾害, 31(3): 218–225. Sun J S, He N, Wang G R, et al. 2012a. Preliminary analysis on synoptic configuration evolvement and mechanism of a torrential rain occurring in Beijing on 21 July 2012. Torr Rain Dis, 31(3): 218–225. (in Chinese) |
孙继松, 陶祖钰. 2012b. 强对流天气分析与预报中的若干基本问题. 气象, 38(2): 164–173. Sun J S, Tao Z Y. 2012b. Some essential issues connected with severe convective weather analysis and forecast. Meteor Mon, 38(2): 164–173. (in Chinese) |
孙继松, 雷蕾, 于波, 等. 2015. 近10年北京地区极端暴雨事件的基本特征. 气象学报, 73(4): 609–623. Sun J S, Lei L, Yu B, et al. 2015. The fundamental features of the extreme severe rain events in the recent 10 years in the Beijing area. Acta Meteor Sinica, 73(4): 609–623. DOI:10.11676/qxxb2015.044 (in Chinese) |
汪小康, 廖移山. 2015. 2015年6月1日江汉平原大暴雨过程诊断分析. 暴雨灾害, 34(2): 184–190. Wang X K, Liao Y S. 2015. The diagnostic analysis of heavy rainfall on 1 June, 2015 in Jianghan plain. Torr Rain Dis, 34(2): 184–190. (in Chinese) |
王秀明, 俞小鼎, 周小刚, 等. 2012. "6. 3"区域致灾雷暴大风形成及维持原因分析.高原气象, 31(2): 504–514. Wang X M, Yu X D, Zhou X G, et al. 2012. Study on the formation and evolution of "6. 3" damage wind. Plateau Meteor, 31(2): 504–514. (in Chinese) |
王毅, 石汉青, 黄思训. 2009. 西北太平洋热带气旋的时空分布特征分析. 自然灾害学报, 18(6): 166–174. Wang Y, Shi H Q, Huang S X. 2009. Spatiotemporal distribution of tropic cyclones in North-West Pacific Ocean. J Nat Dis, 18(6): 166–174. (in Chinese) |
许爱华, 孙继松, 许东蓓, 等. 2014. 中国中东部强对流天气的天气形势分类和基本要素配置特征. 气象, 40(4): 400–411. Xu A H, Sun J S, Xu D B, et al. 2014. Basic synoptic situation classification and element character of severe convection in China. Meteor Mon, 40(4): 400–411. DOI:10.7519/j.issn.1000-0526.2014.04.002 (in Chinese) |
徐双柱, 韦惠红. 2016. 关于强对流天气预报的几点思考. 暴雨灾害, 35(3): 197–202. Xu S Z, Wei H H. 2016. Some thoughts on the weather forecast of severe convective storms. Torr Rain Dis, 35(3): 197–202. (in Chinese) |
尹红萍, 曹晓岗. 2010. 盛夏上海地区副热带高压型强对流特点分析. 气象, 36(8): 19–25. Yin H P, Cao X G. 2010. Summary on subtropical high severe convection during midsummer in Shanghai area. Meteor Mon, 36(8): 19–25. DOI:10.7519/j.issn.1000-0526.2010.08.003 (in Chinese) |
曾波, 谌芸, 肖天贵. 2013. 我国中东部地区夏季MCS统计分析. 气象, 39(2): 180–185. Zeng B, Shen Y, Xiao T G. 2013. Statistical analysis of MCS in summer in central-eastern China. Meteor Mon, 39(2): 180–185. DOI:10.7519/j.issn.1000-0526.2013.02.006 (in Chinese) |
曾明剑, 王桂臣, 吴海英, 等. 2015. 基于中尺度数值模式的分类强对流天气预报方法研究. 气象学报, 73(5): 868–882. Zeng M J, Wang G C, Wu H Y, et al. 2015. Study of the forecasting method for the classified severe convection weather based on a meso-scale numerical model. Acta Meteor Sinica, 73(5): 868–882. (in Chinese) |
张玉玲, 仲雅琴. 1985. 东北低压大风天气的数值预报与模式诊断分析. 气象学报, 43(1): 97–105. Zhang Y L, Zhong Y Q. 1985. Numerical forecast and model diagnostic analysis of severe low gale weather in Northeast China. Acta Meteor Sinica, 43(1): 97–105. DOI:10.11676/qxxb1985.012 (in Chinese) |
郑永光, 田付友, 孟智勇, 等. 2016. "东方之星"客轮翻沉事件周边区域风灾现场调查与多尺度特征分析. 气象, 42(1): 1–13. Zheng Y G, Tian F Y, Meng Z Y, et al. 2016. Survey and multi-scale characteristics of wind damage caused by convective storms in the surrounding area of the capsizing accident of cruise ship "Dongfangzhixing". Meteor Mon, 42(1): 1–13. (in Chinese) |
朱乾根, 林锦瑞, 寿绍文, 等. 2007. 天气学原理和方法. 4版.北京: 气象出版社: 36-60. Zhu Q G, Lin J R, Shou S W, et al. 2007. Theory and Method of the Synoptic Meteorology. 4th ed. Beijing: China Meteorological Press: 36-60. |
Augustine J A, Howard K W. 1991. Mesoscale convective complexes over the United States during 1986 and 1987. Mon Wea Rev, 119(7): 1575–1589. DOI:10.1175/1520-0493(1991)119<1575:MCCOTU>2.0.CO;2 |
Charba J. 1974. Application of gravity current model to analysis of squall-line gust front. Mon Wea Rev, 102(2): 140–156. DOI:10.1175/1520-0493(1974)102<0140:AOGCMT>2.0.CO;2 |
Droegemeier K K, Wilhelmson R B. 1987. Numerical simulation of thunderstorm outflow dynamics. Part Ⅰ:Outflow sensitivity experiments and turbulence dynamics. J Atmos Sci, 44(8): 1180–1210. |
Han J W, Kamber M, Pei J. 2011. Data Mining:Concepts and Techniques. 3rd ed. Waltham:Morgan Kaufmann Publishers: 113–115. |
Maddox R A. 1980. Meoscale convective complexes. Bull Amer Meteor Soc, 61(11): 1374–1387. DOI:10.1175/1520-0477(1980)061<1374:MCC>2.0.CO;2 |
Meng Z Y, Yao D, Bai L Q, et al. 2016. Wind estimation around the shipwreck of Oriental Star based on field damage surveys and radar observations. Sci Bull, 61(4): 330–337. DOI:10.1007/s11434-016-1005-2 |
Zheng Y G, Chen J, Chen M X, et al. 2007. Statistic characteristics and weather significance of infrared TBB during May-August in Beijing and its vicinity. Chinese Sci Bull, 52(24): 3428–3435. DOI:10.1007/s11434-007-0438-z |