1 引 言

大风是中国主要的灾害性天气之一。雷暴大风突发性强且破坏力大，但防御时间短，常对工农业生产、交通运输和人民生活造成极大危害。相关雷暴大风方面的雷达研究已有很多。Johns等(1987)指出，弓形回波是产生地面非龙卷风害的典型回波结构；Darrah(1978)分析了强对流天气和回波顶的关系，认为冰雹比龙卷风的回波顶高，而雷暴大风回波顶高相对最低；俞小鼎等(2012)指出雷暴大风临近预报主要基于雷达回波特征，中层径向辐合和弓形回波有很好的指示作用；东高红等(2007)和刁秀广等(2009)指出垂直积分液态水含量是地面灾害性大风的预报指标；王凤娇等(2006)探讨了低层辐合带与飑线雷雨大风的关系；王珏等(2009)指出雷暴大风的主要速度特征是大风核、弓状回波后大风区或尾入流急流；廖玉芳等(2006)和周金莲等(2011)分别针对雷达回波特征和短时临近预报预警业务TITAN产品建立了雷暴大风的预报预警数学模型。上述研究针对的主要对象是单部多普勒雷达的二次产品，雷达指标读取主要依靠预报员主观定性识别，自动化程度低。另外，雷达径向速度产品具有探测范围小、距离折叠和速度模糊等局限性；而且用于预警雷暴大风的中层径向辐合特征多是通过剖面图识别的，自动识别难度大。迄今为止还没有查询到利用雷达拼图数据定量、自动识别雷暴大风的系统或方法。

李国翠等(2013)依据众多学者现有理论研究结果，初步发展了基于雷达组网数据的雷暴大风识别算法。并对产生雷暴大风的典型个例进行了效果检验，认为利用雷达回波识别对流性地面大风算法是可行的，值得进一步研究。但在投入日常预报、预警业务之前，还有许多问题需要验证和解决。如：如何选择和调整最优的雷达识别指标、加权系数和识别判据阈值等？雷暴大风识别算法的可信度有多高？是否适用于不同季节和不同类型的所有雷暴大风？雷暴大风出现的位置与雷达回波和识别风暴单体的关系？等等。要解决这些问题，大量的个例统计分析和识别效果检验显得尤为重要。

基于以上原因，本研究应用新一代多普勒天气雷达基数据和地面加密自动站风场资料，利用中国气象科学研究院灾害天气国家重点实验室开发的三维组网拼图软件(肖艳姣等，2006；王红艳等，2009)和风暴单体识别和跟踪(SCIT)算法(杨吉等，2012)，首先将雷达基数据转化为雷达回波拼图资料，进而对雷达三维组网拼图数据进行风暴单体自动识别和跟踪。确定了雷暴大风识别方程中的雷达识别指标、不同季节的隶属函数和对应的权重系数，对每次过程的识别效果进行了分类检验和统计分析，通过对雷达回波、大风实况和识别风暴单体位置的对比分析，得出了雷暴大风的易发区域。 2 资料选取和方法

京津冀地区雷暴大风多出现在每年的5—9月，且2008年之前有风向和风速观测的自动站很少。因此，样本资料时间选取2008—2012年的5—9月，影响区域为京津冀地区，样本选取日大风超过10个测站的所有区域性雷暴大风天气过程。雷达资料采用北京、天津、石家庄、秦皇岛、沧州、张北、承德和河南濮阳等8部多普勒新一代天气雷达(图 1)基数据，水平分辨率为0.01°×0.01°，时间分辨率为6 min；地面风资料采用京津冀地区加密自动站风场资料(时间分辨率为5 min)、大风灾害报告(瞬时极大风速≥17 m/s的测站风速和出现时间)以及部分测站地面月报表。其中加密自动站包括国家级测站和区域级测站，近几年多要素加密自动站一直在加密布网中，因此每年的测站个数会有所不同。另外，北京和天津的地面风资料不全。

图 1 雷达组网站点分布 Fig. 1 Location of the networking radar stations in the Beijing-Tianjin-Hebei region

图选项

为统一标准，此处将风场资料划分为以下3个级别：(1)第一类为大风测站：风力等级超过7级的测站，包括瞬时极大风速≥17 m/s(大风灾害报告)或瞬时风速≥13.9 m/s资料的综合；(2)第二类为强风测站，风力等级5—6级的测站，即瞬时风速8—13.9 m/s，达不到灾害性大风标准但风速较大的测站；(3)所有风测站，主要目的是为了说明加密自动站的测站密度等分布情况。由于不同过程的测站分布不同，故将所有风测站叠加在底图上显示，而前两类测站的风向和风速用风矢表示。

利用中国气象科学研究院灾害天气国家重点实验室开发的三维组网拼图软件，将雷达基数据转化为雷达回波拼图资料。利用三维格点风暴单体识别和跟踪算法SCIT，对风暴单体的各个参数进行识别和跟踪，确定每个体积扫描中所有风暴单体所在位置、底部和顶部高度、基于单体的垂直积分液态水含量(VIL)、强中心高度及强度等具体的风暴结构参数。采用模糊逻辑原理(Kessinger，et al，2003；江源等，2009；刘黎平等，2007)，从雷达回波拼图资料中提取雷暴大风识别指标，确定每个识别指标对应的0—1取值范围的模糊逻辑隶属函数和权重系数，建立雷暴大风自动识别方法。 3 雷暴大风识别方法 3.1 识别判据

根据前期研究成果，影响雷暴大风的雷达参数主要有以下几种：(1)风暴最大反射率因子(MCR)：指一个体积扫描中风暴不同高度投影反射率因子的最大值。其值越大，代表的粒子越大，产生的下沉气流也越强，是产生对流性地面大风的重要因子；(2)风暴最大垂直积分液态水含量(MVIL)：定义为雷达能够探测到的大气单位面积柱体积内的可降水质量之和。其值越大产生对流性地面大风的概率也就越大；(3)垂直积分液态水含量随时间变率(DVIL)：是指相邻两个体积扫描之间的垂直积分液态水含量变化，其随时间变率(增大或减小)越大时，产生对流性地面大风的概率也就越大；(4)风暴体移动速度(SPEED)：雷暴在成熟和减弱阶段因地面冷外流的影响风暴传播加快，使风暴移动加速，快速移动的回波对雷暴大风的产生非常有利；(5)回波顶高(ET)：雷暴大风一般对应的回波顶较高，且初始回波出现在中高层的回波有利于产生雷暴大风；(6)垂直积分液态水含量密度(VILD)：定义为垂直积分液态水含量与风暴高度(回波顶与回波底间高度的差值)之比(肖艳娇等，2006)，单位g/m³。统计发现，其与雷暴大风成正相关关系；(7)风暴最大反射率因子下降高度(DCRH)：指同一风暴单体强中心当前体积扫描的反射率因子高度与前一体积扫描反射率因子高度的差值。如果两个体积扫描周期内该下降高度超过一定阈值时，产生对流性大风的可能性会增大。除此之外，雷达速度图上的中层径向辐合(MARC)和大风速核、强度图上的弓形回波和阵风锋等特征也是雷暴大风的重要预警指标和回波形态。由于这些指标还不能实现自动识别，因此没列入。

统计结果发现，风暴最大反射率因子、最大垂直积分液态水含量、回波顶高、风暴体移动速度和垂直积分液态水含量密度与雷暴大风成正相关关系。垂直积分液态水含量随时间变率的突升或突降能很好地预示地面大风，因此在识别指标中选取其绝对值表示；风暴最大反射率因子下降高度的突降也可预警雷暴大风，但统计得到的此类样本太少，不能真实反映对大风的贡献，因此本研究中暂时没对此指标进行提取。最终只选取前6个参数作为雷暴大风的雷达识别指标。 3.2 隶属函数

受强对流过程天气背景的影响，不同季节产生雷暴大风的各个雷达参数阈值也会有所不同。春秋季节干冷，雷暴大风要求的风暴最大反射率因子、最大垂直积分液态水含量和回波顶高的阈值较低；夏季湿热，这3个因子阈值较高。因此将此3个因子划分为夏季和春秋季节两类，并分别给出了每个识别指标的隶属函数取值；而风暴体移动速度、垂直积分液态水含量随时间变率和垂直积分液态水含量密度由于季节变化不明显，没做具体细分。根据历史统计对不同季节的6个识别指标分别赋予下限和上限两个阈值，当识别指标低于阈值下限时，对应的隶属函数为0；当识别指标高于阈值上限时，对应的隶属函数为1；当识别指标介于阈值上、下限之间时，对应的隶属函数按线性插值计算。根据模糊逻辑原理，对选取的以上6个识别指标进行模糊化处理，计算得到识别指标介于0—1取值范围的模糊逻辑隶属函数。如此计算就可得到各识别指标对应的模糊逻辑隶属函数(图 2)。

图 2 不同季节雷暴大风的6个识别指标对应的隶属函数 (a、b、c. 夏季(6—8月)风暴最大反射率因子、最大垂直积分液态水含量和回波顶高，d、e、f. 风暴体移动速度、 垂直积分液态水含量随时间变率和垂直积分液态水含量密度，g、h、i. 春末和秋初(5月和9月) 风暴最大反射率因子、最大垂直积分液态水含量和回波顶高) Fig. 2 Membership functions of each identification index in the different seasons for the thunderstorm gale (a，b，c. MCR，MVIL and ET in summer(June to August)，d，e，f. SPEED，DVIL and VILD， g，h，i. MCR，MVIL and ET in late spring and early autumn(May and September)，respectively)

图选项

3.3 综合识别方程

根据各识别指标对雷暴大风贡献的大小，采用不等权重法建立了具有模糊逻辑的雷暴大风综合识别方程。其中风暴最大反射率因子、最大垂直积分液态水含量、回波顶高、风暴体移动速度、垂直积分液态水含量随时间变率和垂直积分液态水含量密度对应隶属函数的权重系数分别为0.2、0.2、0.2、0.2、0.1和0.1，雷暴大风的综合识别判据(P)为

点击浏览公式

根据识别判据的大小，将雷暴大风出现的可能性分为3级：

(1)当识别判据P＜0.4时，出现雷暴大风的概率小；

(2)当识别判据0.4≤P＜0.5时，出现雷暴大风的概率大；

(3)当识别判据P≥0.5时，出现雷暴大风的概率很大。

为提高自动化程度和便于业务应用，每种类型和不同季节对应的大风识别判据阈值是相同的。根据上述思路和综合识别判据方程，在雷达每个体积扫描时次的雷达拼图中，每个被识别和跟踪到的雷暴单体都会对应一个综合识别判据，并由此可推断该单体可能产生雷暴大风概率的级别。 4 识别效果检验 4.1 识别标准

哪个风暴单体可能产生雷暴大风？对应雷暴大风的概率有多大？识别检验时，大风测站和风暴单体如何进行空间和时间上的对应？为分析解决这些问题，首先需要确定风暴单体与对应风速估算问题。定义以下标准：(1)当识别判据小于判据阈值下限0.4时，取0.15°×0.15°经纬度范围，在此矩形范围内的所有测站中，搜寻最近测站的风速作为风暴单体对应的风速；(2)分析空报情况：当识别判据大于判据阈值上限0.4时，选取0.3°×0.3°经纬度范围，搜寻在此矩形范围内的瞬时风速最大的测站风速代替风暴单体的风速，时间可扩大到相邻的后2个体积扫描；(3)分析漏报情况：即当实况测站风速超过灾害性大风标准时，搜寻匹配对应的风暴单体。在当前体积扫描或前两个体积扫描的时段内，以0.3°×0.3°作为经纬度范围，搜寻识别判据最大的风暴单体与大风测站对应。 4.2 数据及分类

统计京津冀地区2008—2012年5—9月雷暴大风天气过程，选取日大风出现站数大于10站的所有区域性雷暴大风天气过程。统计得到20次雷暴大风过程(表 1)，累计大风测站样本361站次。

产生雷暴大风的雷达回波有多种类型。为全面分析雷暴大风识别方法的效果和可行性，对以上20次雷暴大风天气过程进行分类检验。首先按照反射率因子产品的回波形态，将雷达回波分为块状、带状和片状3种类型。其中块状回波为对流单体回波，多表现为孤立风暴单体块；带状回波属于对流性降水回波，回波的典型特点是长度远大于宽度，传播方向与回波带垂直，一般与飑线和弓形回波对应；片状回波多与大面积层状云降水回波相联，表现为层状云回波或积云层状云混合降水回波。通过对所有大风天气过程的回波分类，共得到块状回波2例，带状回波8例，片状回波10例。下面分别对每种类型回波的大风过程进行分类识别检验。 4.3 带状回波检验 4.3.1 典型个例

2011年6月7日，除保定、沧州以外的河北省其他9个地(市)均出现雷暴大风天气过程。采用北京、天津、石家庄、张北、承德、秦皇岛和河南濮阳等7部多普勒天气雷达进行拼图，对2011年6月7日15—22时(北京时，下同)的雷达回波拼图数据进行风暴识别和跟踪。利用大风识别判据方程，定量计算所有71个体积扫描内被识别到的风暴单体的雷暴大风识别判据。

为分析雷暴大风出现位置与雷达回波的对应关系，绘制相邻最近时刻雷达回波、实况大风以及识别对流单体三者的叠加图(图 3)。图中所有风测站以小黑点表示，强风测站和大风测站用由风向杆和风羽组成的风矢表示；识别到的风暴单体分P＜0.4、0.4≤P＜0.5和P≥0.5三种级别。

图 3 2011年6月7日18时(a)、18时30分(b)、19时(c)的雷达回波、 被识别风暴单体和大风测站 (● ：风测站，● ：强风测站，● ：大风测站; △ ：P＜0.4风暴单体，△ ：0.4≤P＜0.5风暴单体，△ ：P≥0.5风暴单体) Fig. 3 Radar echoes，real thunderstorm gale and identified thunderstorm cells at 18:00 BT(a)，18:30 BT(b)，19:00 BT(c)7 June 2011 (● ： all wind station，● ： strong wind station，● ： gale station; △ ： P＜0.4 thunderstorm，△ ： 0.4≤P＜0.5 thunderstorm，△ ： P≥0.5 thunderstorm)

图选项

从雷达回波演变分析，影响此次大风天气过程的雷达回波范围大，跨北京、天津和整个河北省范围，只是在保定中部一带有断档；回波长度远大于宽度，属于东北—西南走向的带状回波；回波自西北向东南移动。通过分析每个体积扫描带状回波与地 面实况大风位置对比看出，地面大风多出现在强风暴单体的附近或带状回波的前沿一带，地面大风风向大多为西北风，与风暴单体移向相同。以18时30分为例(图 3b)，此次体积扫描识别到可能出现雷暴大风的风暴单体5个，其中2个单体分别对应邢台巨鹿24 m/s的西北风和承德宽城20 m/s的偏西风，识别判据分别为0.64和0.50，对应出现大风的概率很大；2个单体与廊坊的大厂、邢台的任县和南和3个强风测站对应；1个单体没有观测到大风，其余出现强风的测站也多有弱风暴单体对应。此次过程命中率为80%，空报率20%，无漏报。从大风测站和雷达回波的位置对应分析，两个大风测站均位于带状回波的前沿一带。

为检验雷暴大风识别范围和识别位置的对应情况，分别绘制了雷暴大风与雷达识别判据的空间分布和散点图(图 4)。根据判据阈值识别到的可能出现地面大风的风暴单体区域主要有两个：一个位于北京和河北省北部，即张家口、承德、秦皇岛一带；另一个位于河北省中南部，即保定南部、石家庄、衡水、邢台和邯郸一带；与实况大风空间分布区域基本一致。从雷达识别判据与瞬时风速对应的散点图可以看出，瞬时风速与识别判据呈正相关，二者的相关系数为0.42。瞬时风速大于10 m/s的大风测站对应的风暴单体的识别判据值较高，识别判据超过0.3的风暴单体多对应着较大的风速。

图 4 2011年6月7日15—22时雷暴大风识别判据的空间分布(a)及其与瞬时风速的散点图(b) (●：大风测站; △ ：0.4≤P＜0.5风暴单体; △：P≥0.5风暴单体) Fig. 4 Comparison between the gale station and the identified thunderstorm cell from 15:00 to 22:00 BT 7 June 2011 (a. spatial distribution，b. scatter diagram between the identified criterion and the instantaneous wind speed； ●： gale station，△ ： 0.4≤P＜0.5 thunderstorm cell，△： P≥0.5 thunderstorm cell)

图选项

空间分布图上大风测站与识别风暴单体无对应的以及散点图左上角区域可以反映漏报情况，散点图右下角的区域代表空报情况。可以看出，此次过程的漏报率相对较低，空报率高。分析漏报的原因主要有以下几点：(1)风暴单体对应风速的估算有一定误差：某测站当连续几个体积扫描瞬时风速连续超过大风标准时，存在重复计数情况；(2)识别范围的选取：由于不同类型回波产生雷暴大风的区域和远近有一定差别，程序判断识别到的对流单体存在误判情况；(3)与大风多发区域有一定关系。在空间分布图上位于邢台和邯郸两地区东部一带的大风没有对应风暴单体出现。经分析同时刻的对应关系看出，此区域大风出现在飑线带状回波的前沿一定距离，而且带状回波上被识别风暴单体的识别判据值大多低于大风阈值下限，因此没能被正确识别出来。究其原因：一方面是因为距离雷达中心远，观测到的回波强度偏弱；另外也与沙土地特殊地理环境导致的大风多发有关。空报的主要原因与加密自动站时空分布密度有关，一方面是测站空间分布稀疏，出现大风的位置可能没有测站分布；另一方面就是测站的时间分辨率不足，瞬时极大风速不能被捕捉到。此外，空报原因还与识别算法所选用的指标以及隶属函数本身有关。所选指标在统计意义上与大风均有一定的相关性，但对于不同类型的某个个例，不一定对应很好。比如：部分识别判据高的风暴单体对应的灾害天气以短时强降雨或冰雹为主，对应的风速不一定能达到灾害大风标准。

为减少程序估算误差，分析识别漏报原因，对本次过程的43次大风测站逐个进行识别判据和对应的识别指标(表略)分析，识别判据超过阈值的有28个测站，即大风命中率为65.1%，漏报率为34.9%。分析识别指标对大风的贡献率和回波特点，有4个测站回波强度低于识别指标的阈值下限，大风出现 时未能识别到风暴单体，其余测站的风暴最大反射率因子35—60 dBz；除唐山和丰润外，其他大风测站的风暴最大垂直积分液态水含量普遍低于30 kg/m²，垂直积分液态水含量密度超过阈值下限的也仅有4站，说明垂直积分液态水含量值较小，对大风识别几乎没有贡献；除7个测站无观测外，79.1%风暴移速超过40 km/h；81.4%测站的回波顶高超过8 km，说明此次飑线大风天气过程的典型特点是回波移速快，回波顶高，但对应的垂直积分液态水含量值普遍偏小。 4.3.2 总体识别

表 2中列出的8次雷暴大风天气过程属于带状回波类。此类回波长宽比大，回波分布范围和大风影响区域广。利用回波识别方程，定量计算所有体积扫描内被识别到的风暴单体的大风识别判据，8次过程的识别成功率均在45%以上，其中共188个测站监测到大风灾害，其中129个符合识别判据阈值标准，命中率为68.6%，漏报率为31.4%。

此类回波识别检验出的大风范围与实况风场基本吻合，同时刻识别到风暴单体位置与实况大风基本对应，风向多沿风暴单体移动路径；从地面大风站点分布与雷达回波特征对比看出，此类灾害性地面大风影响范围广，大风多出现在带状回波的前沿。 4.4 块状回波检验 4.4.1 典型个例

2009年8 月27 日16—20时，河北省中南部的石家庄、邢台和衡水等地区先后遭遇突来强对流天气影响。16个县级观测站风力超过8级，其中石家庄的晋州和辛集、衡水的枣强瞬时最大风力达10级(25 m/s以上)，石家庄辛集和邢台宁晋等7县(市)还伴有冰雹。由于出现大风的测站均处于石家庄多普勒雷达探测范围，故仅选取石家庄单部雷达基数据进行拼图分析和雷暴大风识别。基于此类回波呈孤立块状单体分布的特点，故重点从风暴单体跟踪、大风位置、移动路径以及雷暴大风的识别检验4个方面分析。

在所有被识别的风暴单体中，出现雷暴大风概率很大(识别判据P≥0.5)的风暴单体共跟踪到5个。雷暴单体的起止时间、生命期、最大识别判据和对应出现的大风测站如表 3所示。通过对以上5个风暴单体分析得出：①在被识别的风暴单体中，“风暴1”生命期最短，维持时间不足0.5 h，实况没监测到大风测站对应，但此风暴单体生命期内所有的识别判据均超过0.5且对应的回波强度也较强。根据预报经验产生地面大风的可能性很大，分析其原因可能与该风暴单体位于行唐北部山区，无实时风场观测有关系；②“风暴2”共持续25个体积扫描，生命期超过2.5 h。17时—18时24分大风识别判据持续高于0.8，主要影响地区为石家庄中部和邢台东部，实况9县(市)监测到灾害性地面大风；③“风暴3”位于保定南部到衡水西部一带，17时—17时54分大风判据超过0.5。按照识别阈值分析，此时段出现地面大风的概率会很大，实况没有站点监测到大风出现。分析此时段回波变化看出，风暴单体回波的最大反射率因子普遍在58 dBz以上，且风暴已发展为超级单体风暴，远超过河北省大风的阈值标准，应该与此区域内无监测站对应有关；④在被识别的风暴单体中，“风暴4”持续时间是最长的，生命期长达3.3 h。从16时48分至20时共持续33个体积扫描，对应的识别判据最高达0.88，石家庄东部和衡水西部8个县(市)出现的灾害性地面大风都是由其引起的；⑤“风暴5”是18时30分开始位于石家庄西部山区原地新生发展的回波块，对应的最大判据值为0.54且仅维持1个体积扫描时间，对应的风暴单体强度相对最弱，无灾害性大风出现。从风暴单体的移动路径(图 5a)可以看出，这5个风暴单体的移动路径均为西北—东南走向且移速较快，与灾害性地面大风出现的走向和区域基本一致。

图 5 2009年8月27日风暴单体 (a.移动路径，b.17时42分雷达回波、被识别风暴单体和大风测站; ● ：风测站，● ：强风测站，● ：大风测站; △：P≥0.5风暴单体) Fig. 5 Identified thunderstorm cells during 27 August 2009 (a. moving path，b. radar echo，gale station and identified thunderstorm at 17:42 BT; ● ： all wind station，● ： strong wind station，● ： gale station; △： P≥0.5 thunderstorm)

图选项

分析相邻最近时刻雷暴回波、被识别风暴单体和大风实况测站的位置对比可以看出，灾害性地面大风多出现在风暴单体附近且移动路径一致，风向多为风暴单体移动方向，以西北风或东北风为主，但有时有不确定性。以17时42分为例(图 5b)，此次体积扫描共识别到3个雷暴大风出现概率很大的风暴单体，其中位于石家庄东南部的2个单体分别对 应辛集25 m/s的西北风和赵县16 m/s的东北大风，且大风出现在风暴单体的移动路径附近。

以“风暴2”单体为例，分析风暴单体各识别指标随时间的变化趋势(图 6)可以看出，实况大风出现的大部分时段内，风暴最大反射率因子、最大垂直积分液态水含量、回波顶高、风暴体移动速度和垂直积分液态水含量密度5个识别指标维持高值，与大风成明显的正相关。其中风暴最大反射率因子始终位于50 dBz以上，但最大垂直积分液态水含量起伏变化大，垂直积分液态水含量随时间变率的变化不连续，但其变化的异常点(突升或突降)能代表大风出现。

图 6 2009年8月27日16时24分—18时48分“风暴2”单体识别指标的变化 (a.风暴最大反射率因子、最大垂直积分液态水含量、回波顶高和风暴体移动速度， b.垂直积分液态水含量随时间的变率和垂直积分液态水含量密度) Fig. 6 Temporal variations of the gale criterion of “Thunderstorm 2” from 16:24 to 18:48 BT 27 August 2009 (a. MCR，MVIL，ET and SPEED，b. DVIL and VILD)

图选项

分析雷暴大风与雷达识别判据的空间分布和散点图(图 7)可以看出，根据阈值识别的大风区域与实况吻合，雷达识别判据与瞬时风速成正相关。瞬时风速超过10 m/s的测站对应的识别判据普遍超过0.4，识别判据超过0.4的风暴单体也多数对应着大的风速，识别效果很好。少数空报测站主要原因是加密自动站的布网稀疏限制。

图 7 2009年8月27日16—20时雷暴大风识别 (a.大风识别检验，b.识别判据与瞬时风速散点图；●：实况大风测站，△ ：0.4≤P＜0.5风暴单体，△：P≥0.5风暴单体) Fig. 7 Comparison between the gale station and the identified thunderstorm cell from 16:00 to 20:00 BT 27 August 2009 (a. gale station and identification thunderstorm，b. scatter diagram between the identified criterion and instantaneous wind speed; ●： gale station，△ ： 0.4≤P＜0.5 thunderstorm cell，△： P≥0.5 thunderstorm cell)

图选项

此次强对流天气过程中，实况监测到19个测站伴有灾害性短时大风出现，其中18个大风测站对应有被识别出的风暴单体，且计算到的大风判据均在0.5以上。这些大风都是由“风暴2”和“风暴4”块状单体移动引起的，且大多数超过超级单体风暴标准。除此之外，井陉测站的16时41分的大风没被算法识别出来。从16时36分反射率因子强度图(图略)可以看出，该大风是由“风暴2”(识别指标0.60)前方的近东—西走向的阵风锋触发的。综上所述，所有出现灾害性地面大风的测站中，除井陉测站未被识别出外，其余大风均被正确识别，大风识别的命中率为94.7%，且识别判据均超过0.5。

4.4.2 总体识别

2009年7月23日夜间出现在京广铁路邢台段沿线的大风也属于此类，过程中7个测站的雷暴大风均被正确识别出来。在两次过程中共监测到26个大风灾害报，对应单体风暴的6个识别判据值普遍较高，其中25个符合识别判据阈值标准，命中率达96.2%。

此类灾害性大风天气过程是由强块状单体风暴引发的，风暴单体具有回波强度大、垂直积分液态水含量及其密度值高、移动快等特点。识别到的风暴单体路径呈直线分布，灾害性地面大风多出现在风暴单体移动路径附近；风向大多沿风暴单体移动方向，但有不确定性。此类大风的识别判据值高，对应的识别正确率高。 4.5 片状回波检验 4.5.1 典型个例

2012年5月25日下午河北省中部的石家庄、保定、衡水和沧州一带出现雷暴短时大风天气。采用北京、天津、石家庄、张家口、承德、唐山和沧州7部雷达进行拼图，对13—19时的雷达回波拼图数据进行风暴识别和跟踪。利用回波识别判据方程，定量计算所有体积扫描被识别到的风暴单体的大风识别判据。

此次雷暴大风天气过程中，雷达回波以层状云降水回波为主，中间镶嵌着小块状的积云回波。从大风实测和被识别的空间分布和识别判据与瞬时风速的散点图(图 8)分析，此次过程被识别的大部分风暴单体识别判据在0.4以下，对应的瞬时风速在10 m/s以下。出现大风概率大的风暴单体位于石家庄、衡水到沧州三个地区的北部一带，其余区域的识别判据值偏小。散点图左上角区域表示测站风速大但对应识别判据小的情况，此范围内的大风属于漏报。除了与4.3.3节中所述的站点有一定对应关系外，与识别指标本身也有很大关系，表 4列出了此次过程大风测站的出现时间、极大风速以及对应的风暴单体判据和识别指标，共有14个测站监测到灾害大风报。

图 8 2012年5月25日15—22时雷暴大风识别 (a.大风识别检验，b.识别判据与瞬时风速散点图； ●：大风测站，△ ：0.4≤P＜0.5风暴单体，△：P≥0.5风暴单体) Fig. 8 Comparison between the gale station and the identified thunderstorm cell from 15:00 to 22:00 BT 25 May 2012 (a. gale station and identified thunderstorm，b. scatter diagram between the identified criterion and the instantaneous wind speed; ●：gale station，△ ： 0.4≤P＜0.5 thunderstorm cell，△： P≥0.5 thunderstorm cell)

图选项

可以看出，所有测站的瞬时极大风速为17—21 m/s。当宣化、安新和坝县3个测站出现大风时，对应的回波强度弱，最大反射率因子值低于风暴单体最低阈值，没有风暴单体被识别出来；涞源、易县、赵县和海兴4站对应的回波强度为35—50 dBz，垂直积分液态水含量和回波顶高分别低于10 kg/m²和6 km，最大垂直积分液态水含量、垂直积分液态水含量随时间的变率、回波顶高和垂直积分液态水含量密度普遍低于阈值下限。虽然有风暴单体被识别出，但对应计算得到的隶属函数对综合识别没有贡献，致使综合识别判据值均小于0.4，出现大风的可能性被划分在“出现大风概率小”级别。其余7个测站得到的综合识别判据大于0.4，出现大风的概率大或很大，属于正确识别的测站。亦即大风命中率为50%。

4.5.2 总体识别

此类回波多表现为层积混合云降水回波，有时以层状云为主，有时以积状云为主。此类回波分布范围广，但回波强度相比前两类要弱，大风影响区域分散。由于瞬时极大风速小，影响时间短，造成的危害相对也轻。表 5给出的10次天气过程属于此种类型。从雷达回波识别数据看，实况监测到大风的148个测站中，被成功识别的占45.3%。

为分析此类回波的大风识别效果及其对应原因，对所有148个测站的识别判据和相应的各个识别指标进行分析。发现81个没被正确识别的大风测站中，有34个测站回波强度低于风暴单体最低阈值标准，根本就没能被识别出；剩余47个测站对应被识别的风暴单体的识别判据值低于0.4，对应的识别指标中，最大垂直积分液态水含量普遍低于阈值下限，而回波顶高、垂直积分液态水含量随时间的变率、风暴体移动速度和垂直积分液态水含量密度低于阈值的分别占42.6%、55.3%、51.1%和80.8%。说明垂直积分液态水含量值偏低是没被识别的主要因素。另外，在一些个例中，阵风锋与主体回波的叠加导致的大风也容易被漏报，如2010年7月31日、2011年5月26日和2011年8月9日。

从回波的结构分析，此类回波中包含有以层云为主的混合云回波，该类回波强度较弱，大风识别准确率偏低，如2008年5月3日、2010年7月31日、2011年5月30日、2012年5月25日；另一类是以积云为主的混合云回波，如2010年6月6日、2012年7月26日；还有就是积云回波发展在层云的前沿或后面，如2011年8月9日、2012年9月27日和2010年6月17日。后两类回波识别准确率略高。

此类回波多表现为层积混合云降水回波，回波强度相比前两类要弱，造成的大风瞬时极大风速小。此类回波的识别命中率为45.3%，其余出现漏报的大风测站中，42%测站回波强度弱，没被识别出风暴单体；其余被识别出风暴单体的测站中，最大垂直积分液态水含量普遍低于阈值下限，回波顶高和风暴体移动速度有将近一半低于阈值上限。说明垂直积分液态水含量低和回波强度弱是识别出现漏报的主要因素。 5 总结与讨论

应用雷达回波三维组网拼图数据、加密自动站和地面灾害大风资料，对2008—2012年京津冀地区20次区域性雷暴大风天气过程进行相关统计分析。在确定雷暴大风识别指标和综合识别方程的基础上，对每次过程进行了识别效果检验和分析。

(1)确定了雷暴大风的6个雷达识别指标：风暴最大反射率因子、风暴最大垂直积分液态水含量、垂直积分液态水含量随时间的变率、风暴体移动速度、回波顶高和垂直积分液态水含量密度。在统计分析基础上，给出了不同季节各识别指标对应的隶属函数。根据对雷暴大风贡献的大小，采用不等权重法建立了具有模糊逻辑的雷暴大风综合识别方法。

(2)为了对不同类型的雷暴大风天气过程进行全面的识别效果检验，将回波类型分为块状回波、带状回波和片状回波3种类型。块状回波类大风是由孤立的强单体风暴引发的，风暴单体具有回波强、回波顶高、垂直积分液态水含量大和移动快速等特点；带状回波的长度远大于宽度，主要包含飑线和弓状回波；片状回波多指大面积层云回波中镶嵌着强回波单体块的混合回波。

(3)通过对3类大风过程的识别检验分析，结果表明：3类回波类型识别到的可能出现大风区域与实测大风范围基本吻合，块状、带状和片状3种类型的雷暴大风命中率分别为96.2%、68.6%和45.3%，漏报率分别为3.8%、31.4%和54.7%。块状回波雷暴大风多出现在风暴单体附近且二者移动路径一致；带状回波大风影响范围广且多位于带状回波的前沿一带；片状回波对应出现的雷暴大风多位于风暴单体的周边区域。由于垂直积分液态水含量偏低和回波强度弱，片状雷暴大风识别漏报相对较多；空报原因与测站分布稀疏和识别算法本身有关。以上结论证明雷暴大风综合识别方法是合理可靠、切实可行的，可以为雷暴大风的短时临近预警业务和系统开发提供支持。

另外，本研究所述的雷暴大风识别是建立在雷暴单体识别和跟踪的基础上，因此在没有识别和跟踪到风暴单体的区域产生的大风是没法识别出的。径向速度场中与雷暴大风密切相关的中层径向辐合和大风速核等特征以及反射率因子中的弓形回波和阵风锋等回波形态，也还没有实现自动化识别，这些还有待于后续研究工作中进一步补充和完善。