中国气象学会主办。
文章信息
- 杨吉, 郑媛媛, 徐芬. 2020.
- YANG Ji, ZHENG Yuanyuan, XU Fen. 2020.
- 江淮地区一次冰雹过程的双线偏振雷达观测分析
- An analysis of a hail case over the Yangtze and Huai River Basin based on dual-polarization radar observations
- 气象学报, 78(4): 568-579.
- Acta Meteorologica Sinica, 78(4): 568-579.
- http://dx.doi.org/10.11676/qxxb2020.031
文章历史
-
2019-08-29 收稿
2020-01-27 改回
雹暴是产生冰雹的强对流系统,具有严重的致灾性,其造成的强冰雹威胁人民生命财产安全,影响农业、交通、建筑物和工业生产。因此,诸多学者从雹暴的空间分布、日变化、数值模拟、中尺度特征等方面进行了细致深入的研究(许焕斌等,1988,2001;何文英等,2006;俞小鼎,2014;李聪等,2017;范皓等,2019;赵文慧等,2019;曾智琳等,2019)。事实上,雹暴是一个快速发展的过程,一次降雹过程的持续时间一般为几分钟(赵文慧等,2019)。常规观测资料很难捕捉到雹暴过程的演变,而业务布设的多普勒天气雷达网具有高时、空分辨率的特点,雷达探测资料为冰雹研究提供了基础条件。王研峰等(2019)利用天气雷达探测资料研究了甘肃一次强雹暴的回波特征,发现这次过程的雷达探测资料上有明显的“V”型缺口、有界弱回波区和回波悬垂。徐芬等(2016)研究江苏一次强冰雹过程时发现,强对流系统移入雷达站上空时,螺旋度和风垂直切变逐渐增强,同时也发现三体散射等典型特征。雷达资料不仅被用来研究回波结构特征,还能依赖于回波结构特征的经验关系实现自动识别冰雹。具有代表性的方法是WSR-88D雷达的冰雹预警指数,主要是利用45 dBz反射率因子高度与0℃、−20℃高度层的差异建立冰雹发生概率函数(王莎等,2019)。吴林林等(2014)基于安徽的观测资料对该方法进行了本地化调整,获取更适合该地区的冰雹预警经验关系。此外,学者们发展了基于多个雷暴参数的模糊逻辑冰雹预警方法(张秉祥等,2014),以及人工智能冰雹识别及临近预报方法(张文海等,2019)。虽然基于多普勒雷达的冰雹预警方法具有一定的成功率,但因为多普勒雷达观测信息的限制,这些研究和预警方法只能依赖回波结构进行。很难开展更加深入的微物理特征研究,以及进一步提高冰雹预警成功率。
近年来,中国较多S波段多普勒雷达升级为双线偏振雷达。不仅提供反射率因子(ZH)、径向速度和谱宽,还提供差分反射率(ZDR)、比差分相位(KDP)和相关系数(ρhv)。这些变量可以用来分析雷暴中的水凝物粒子相态、浓度、大小和形状等信息,并进一步推测潜在的微物理过程。刘黎平等(1992)研究发现,由于取向较为固定的非球形冰雹区ZDR往往小于0,ZDR减小是降雹的前兆。Hubbert等(1998)利用CHILL雷达分析了一次强降雹过程,发现高退偏振比(LDR)(≥−18 dB),负ZDR(≤−0.5 dB)和低ρhv(≤0.93)能够比较容易地区分高尔夫球大小的冰雹时间段。曹俊武等(2006)利用美国KOUN双线偏振雷达探测资料建立模糊逻辑识别冰雹方法。Depue等(2007)评估了冰雹识别参量(HDR)对冰雹的识别能力,发现21 dB和31 dB能够合理识别大冰雹和破坏性冰雹,临界成功指数大约为0.77。苏德斌等(2011)根据不同降雨类型的观测资料建立ZH-ZDR分布特征,在此基础上定义本地化的HDR,并验证了其识别效果。马建立等(2012)讨论了冰雹识别参量HDR在X波段雷达中的应用,发现雨区衰减导致HDR识别冰雹不准确。Wu等(2018)利用广东地面观测降雹对比分析了美国业务相态分类算法(HCA,Hydrometeor Classification Algorithm)对冰雹的识别效果。尽管已有较多基于双偏振雷达的冰雹过程研究,但是对中国冰雹过程的S波段双线偏振雷达观测特征分析及相关微物理过程研究还比较少。
文中利用南京2019年升级的S波段双线偏振雷达探测资料分析了2019年3月20日的冰雹过程,主要分析冰雹和由冰雹引起的三体散射观测特征,讨论冰雹相关微物理过程,并就该次过程分析HCA方法识别江淮地区冰雹的能力。
2 资料和方法资料主要使用南京2019年升级的S波段业务双线偏振雷达2019年3月20日06—15时的观测资料,径向分辨率250 m,方位分辨率0.93°,采用双发双收的工作模式可得到包括ZH、ZDR、KDP和ρhv等观测变量。
数据质量是结果可靠的前提,文中对双线偏振雷达资料进行以下两点质量控制:(1)利用微雨法订正ZDR系统偏差,具体方法见胡志群等(2014),共选取28964个样本点,统计得到ZDR的系统偏差为−0.90 dB (图1),φDP经过去初相位,去折叠后利用最小二乘拟合重算KDP(Wang,et al,2009);(2)采用美国国家大气研究中心提供的REORDER软件将质量控制后的基数据插值到笛卡尔坐标系,插值后水平和垂直分辨率分别是1和0.5 km。采用Steiner等(1995)提出的对流分类方法,在3 km高度的格点数据上分出对流云降水和层云降水。
相态分类采用Park等(2009)提出的模糊逻辑方法,利用ZH、ZDR、KDP、ρhv、反射率因子标准差(SD(ZH))和差分相位标准差(SD(φDP))作为输入,输出雨和冰雹混合物(RH)、大雨(HR)、雨(RN)、大雨滴(BD)、霰(GR)、冰晶(CR)、湿雪(WS)、干雪(DS)、生物回波(BS)和地物(GC/AP)10种分类结果。相态分类法主要逻辑是为每一个相态类别的输入变量设计隶属梯形函数,输入变量通过该函数进行计算后得到不同相态类别的概率值,通过加权平均后得到的最大概率值类别即为该扫描体积的相态分类结果。
3 冰雹的双偏振雷达特征分析 3.1 环境背景2019年3月20日,南京地区出现雷雨天气,江宁、六合等19个县出现8级以上阵风,溧水区观测到1 cm直径的冰雹。20日08时地面和探空资料显示,江淮地区地面为暖低压,925、850 hPa有低涡发展,存在明显的西南低空急流,500 hPa有低槽东移,南京08时探空T850-500达到30℃,K指数38.7℃,0—6 km风垂直切变约为32 m/s,较强的位势不稳定层结和深厚的风垂直切变有利于强对流天气的发生和维持。干球温度0℃层(DBZ)高度约为3.8 km,湿球温度0℃层(WBZ)高度约为3.5 km(根据俞小鼎(2014)计算得到),−20℃高度约为6.6 km,有利于冰雹的发生(周小刚等,2015)。
3.2 观测和统计分析3月20日14时08分在南京溧水区观测到冰雹。根据该雹暴系统的发展过程,重点分析发展(图2a—d)、成熟(图2e—h)和降雹(图2i—l)3个阶段的特征。图2a—d为S波段双偏振雷达2019年3月20日11时36分的观测结果,由于该时刻系统发展高度较低且距离雷达站较远,展示其0.5°仰角的特征;图2e—h和图2i—l分别为13时33分和14时07分观测结果,为了展示冰雹区的观测特征和降雹时的变化,选择3.3°仰角的观测资料。发展阶段对流逐渐加强,反射率因子达到约55 dBz,对流区域整体ZDR偏小但边缘ZDR较大,最小ρhv<0.9,表明该区域为下落的冰相粒子与雨滴的混合物。13时33分为冰雹出现前30分钟,S波段双偏振雷达观测到明显冰雹特征和三体散射“长钉”(图2e—h)。S波段双偏振雷达在3.3°仰角上坐标(−5,−70)km,ZH>60 dBz,对应位置处ZDR约为0 dB,最强回波处ZH>65 dBz,ZDR<−0.5 dB,对应ρhv下降到0.9附近,这些特征与过去关于冰雹回波特征的理论研究(刘黎平等,1992)以及北美的观测比较接近(Hubbert,et al,1998)。S波段双偏振雷达在低层的观测(图略)表明ZH>55 dBz,最强回波处ZH>60 dBz。由于高层冰相粒子掉落融化形成大雨滴或者外包水膜的大粒子,ZDR整体增大,但强回波处ZDR仍然表现为小值区,最小低于−1 dB,ρhv约为0.9,指示该区域有冰雹存在。图2f中ZDR和图2g中KDP为明显的大值区域,对应该区域ρhv<0.7,部分区域ρhv<0.3,指示该区域为非气象回波。ZDR高值区南侧为ZDR负值区(图2f),表明该区域ZDR波动较大;KDP也表现出类似的特征,指示了波动幅度较大的φDP,这是典型的地物回波特征之一。结合反射率因子分析表明该区域受到三体散射影响。由于大粒子(冰雹)将电磁波散射到地面(Zrnić,1987;Wilson,et al,1988),而地面物体不规则的属性,造成了以上双线偏振雷达观测特征。14时07分为最接近观测到地面降雹时刻(图2i—l)的雷达体扫资料。与13时33分雹暴反射率因子垂直结构差异明显,3.3°仰角上反射率因子(图3i)明显降低,ZH下降到约50 dBz,25 dBz回波顶高约为8 km(图3i),低于13时33分的10 km。这与已有的研究结果基本一致,通常在雹暴的生命史过程中,最强反射率和最高顶高一般在冰雹发生前30—40分钟(王莎等,2019)。这主要是因为在雹暴发展期,强上升气流将大量过冷水带到高层,导致冻结和凇附过程,形成大量冰相粒子,造成高悬的强回波中心。此外,强上升气流也将粒子带到更高层,形成更高的回波顶高。这些过程在偏振变量上也有所反映,距离70 km附近,ZDR(图3f)随高度迅速减小,这是由于液相转换为冰相,介电常数减小以及冰相粒子更接近球形所致(Carey,et al,2000)。
图3a—d为11时36分沿最强回波中心的剖面,45 dBz回波中心从地面延伸到6 km高度,0℃层以上ZDR迅速减小到0 dB甚至−0.5 dB,表明有冻结和凇附过程,200 km附近低层ρhv减小、ZDR和KDP增大,表明冰相粒子在这里下落融化,形成大雨滴或者外包水膜的大粒子和强降雨。13时33分沿三体散射方向的剖面,反射率因子(图3e)表现出明显倾斜结构和强回波悬垂,最大回波中心位于70 km距离和5.8 km高度附近,对应的负ZDR和负KDP指示该区域存在冰雹。强回波处负KDP区域主要是冰雹的后向散射相位影响造成。距离55—70 km的低层部分区域已经出现较大ZH(>40 dBz)、ZDR(>2 dB)和KDP(>2°/km),表明该区域有强降水出现。接近冰雹下落时期,上升气流减弱,高层冰雹和霰粒子下落,高层反射率因子迅速下降,强回波中心(图3i)下降到2 km高度,低层ZDR(图3j)相对于13时33分增大,KDP>1°/km区域都位于0℃层高度以下,这些特征表明上升气流减弱,更多冰相粒子融化形成大雨滴或者外包水膜的大粒子和强降雨区。
为了进一步揭示雹暴在发展过程中的变化特征,利用3个阶段的归一化频率分布图(CFAD)展示双偏振雷达观测变量的三维分布统计特征(图4)。发展阶段50%等值线(图4a)小于40 dBz,ZDR 10%等值线随高度下降最大增加至1.8 dB,ρhv 10%等值线在2.5 km高度下降到0.88,指示少量冰相态粒子与降水混合物。成熟阶段反射率因子分布整体增大,反射率因子频率中心约为38—45 dBz,10%等值线在3.5 km高度附近超过60 dBz。0℃层以上ZDR相比发展期减小,而0℃层以下ZDR增大,10%等值线增大到约2.7 dB。这可能与高层开始形成冰雹有关,而从高层掉落到低层的冰相粒子也更大,形成融化或者半融化的椭球粒子,这也造成了最低层ρhv分布在0.9—1。降雹阶段的回波结构不同于发展阶段和成熟阶段,反射率频率中心位于3 km以下,频率中心回落到40 dBz以下。ZDR分布范围大于发展阶段而小于成熟阶段。
为了进一步展示雹暴的演变过程,给出雹暴从发展到成熟再到降雹的平均垂直廓线(图5)。从发展到成熟的过程,整层反射率因子廓线增大,到降雹阶段3 km高度以上反射率因子明显减小(图5a)。这可能是由于成熟阶段上升气流较强,将过冷水抬升到较高的高度,通过冻结和凇附过程在高空形成冰雹区,造成高空强反射率因子。降雹阶段上升气流减弱,冰雹下落导致高空反射率因子明显降低而低层则仍然较强。ZDR廓线随高度降低缓慢增大(图5b),反射率因子廓线在成熟阶段3 km以下高度减小明显大于降雹阶段,这可能是由于成熟阶段有较强的蒸发过程,而随着空气逐渐接近饱和,降雹阶段蒸发减弱。12时43分—13时05分,低层KDP较大,表明该阶段降水较强,而在该时段之前和之后的降雹阶段KDP都较小(图5c)。湿球0℃层以下,由于冰相粒子融化,以及冰水混合物的贡献,ρhv在2.5—3.5 km高度附近达到最小值(图5d)。成熟到降雹阶段ρhv在融化层以下的最小值逐渐增大,且所在高度逐渐增高,结合反射率因子廓线指示高空下落融化的冰相粒子整体尺寸减小。
3.3 相态分类相态分类对冰雹预警和认识相关微物理过程具有重要的意义。利用Park等(2009)提出的HCA方法对偏振雷达探测资料进行处理,获得相态分类产品。图6为11时36分、13时33分和14时07分0.5°仰角的PPI相态分类产品。HCA对每一个格点的10种相态类别均计算出相应的概率,最大概率的类别通常被分配为这个格点的分类结果。但是需要注意的是,通常一个扫描体积内并不止包含一个相态类别,HCA或是其他相态分类方法只是给出主导雷达信号的相态类别,为了更好地分析HCA分类结果,HCA分类的最大概率类别结果(简称第一分类产品)和第二大概率类别结果(简称第二分类产品)展示在图6中。
分类结果显示,HCA方法在11时36分识别结果主要为降雨,也包含一些霰粒子。HCA在13时33分和14时07分都识别到冰雹,且13时33分识别到冰雹区域面积更大。由于以下几点原因,并不能判断13时33分的识别结果为错误分类。(1)缺乏完整的冰雹观测记录;(2)HCA第一分类产品(图7a)为冰雹的区域,第二分类产品(图7b)为强降水,表明HCA方法认为低层主要是雨和冰雹混合物,与偏振变量的特征较为符合;(3)HCA识别到的冰雹仅表示该扫描体积内的雷达信号特征表现为冰雹,而不是地面观测到降雹。14时07分识别到第一分类产品的冰雹正好位于南京溧水区,且与地面观测冰雹时间非常接近,分类结果较为理想。此外,14时07分HCA产品强降水的部分区域第二分类产品也被识别为冰雹区域,由于强降水与融化的冰雹特征比较接近,这些区域也有可能产生冰雹。
为了对比分析相态分类产品在时、空上的分布特征,将双偏振观测变量插值到笛卡尔坐标,在此基础上通过HCA方法计算得到相态分类产品。然后根据Steiner等(1995)方法获得的对流分类,统计出发生对流区域冰雹体积(通过插值后三维格点的体积计算得到)随高度的变化(图7)。12时04分开始出现少量冰雹,到13时11分冰雹体积开始迅速增大。13时33—50分,冰雹体积达到最大,且达到高度最高。同时冰雹最大体积高度从4—5 km下降到2 km附近,这对应着前文提到的高反射率因子频率中心下降。14时后,冰雹体积在整个高度开始减小,但低层减少慢于高层,14时07分地面观测到降雹。14时23分冰雹特征接近消失,系统逐渐消亡。
4 三体散射特征分析为了更好地认识三体散射特征以及为三体散射自动识别奠定基础,文中对该次过程中出现的三体散射特征进行了相关特征分析和统计。根据以往的研究,三体散射在回波结构上表现为具有强回波特征的冰雹区后的“长钉”形状弱回波。主要是由于大粒子(冰雹)将电磁波散射到地面,再由地面散射到空中的粒子,最后回到雷达造成(Zrnić,1987;Wilson,et al,1988)。由于电磁波被散射到地面,三体散射一般具有部分地物的特征(Mahale,et al,2014)。图2e中3.3°仰角上,三体散射回波表现ZH<25 dBz的“长钉”形状回波,对应ZDR主要为负值,最小低于−0.5 dB,KDP表现出较大幅度波动的特征,对应主要区域ρhv低至0.7以下,而通常的气象回波ρhv高于0.8。除了反射率因子,其他变量都表现出地物的特征。这与Mahale等(2014)的研究结果总体比较一致。
文中选取三体散射回波样本点共计3758个。图8为其概率密度分布及累计概率密度分布,并对比分析了Mahale等(2014)中自动识别三体散射的成员函数。图8a中80%的ZH都分布在0—10 dBz,这主要是因为电磁波经过多次散射,导致信号较弱的原因,而Mahale等(2014)中甚至有较大部分ZH分布在−5—0 dBz。ZDR的差异比较明显,Mahale等(2014)中主要分布在−4—7 dB,且大部分大于0 dB,而图8b中主要分布在−4—2 dB,超过80%位于−4—0 dB,这可能与电磁波照射的地面特征有密切关系,但变化范围仍然在成员函数以内。ρhv的分布比较接近于成员函数和Mahale等(2014)的概率分布,但Mahale等(2014)中的雷达探测资料ρhv被限制为最低0.2083,导致了0.2附近的高概率分布。另外有14%的ρhv接近于1,可能是特定地物造成的高值。此外,虽然采样过程尽力避免混入气象回波,但是并不能保证完全排除气象回波。气象回波通常具有较低(<15)的SD(φDP)和较高的ρhv,从图8e中可见,小于SD(φDP)<15的样本占比约为12.5%,可以认为对数据影响比较有限。SD(ZH)分布与Mahale等(2014)非常接近。SD(φDP)分布则差异较大,Mahale等(2014)中成员函数最大SD(φDP)为90,而图8e中大量样本分布在100—200,分布范围大约是Mahale等(2014)中结果的2倍。需要特别说明的是,Mahale等(2014)中成员函数的转折点是由人为确定,成员函数与Mahale等(2014)统计的概率密度分布并不完全一致。
5 总结和讨论利用南京2019年3月20日双线偏振雷达一次降雹过程探测资料,分析了雹暴发展、成熟和降雹阶段的观测特征及相关微物理过程,分析了HCA方法相态分类结果,统计分析了三体散射概率密度分布特征,并与Mahale等(2014)的分布进行了对比。主要研究结论如下:
(1)雹暴在成熟阶段具有高悬的强回波中心和较高的顶高,这通常是由强上升气流抬升过冷水到0℃层高度以上,通过冻结和凇附过程,形成大量冰相粒子造成。强回波中心ZDR<−0.5 dB,ρhv约为0.9,指示了该区域有冰雹存在。HCA方法在空中识别到大量冰雹。低层蒸发过程明显。
(2)降雹阶段融化层以上的反射率因子明显降低,强回波中心下降到地面附近,低层ρhv廓线增加指示高空下落的冰相粒子整体尺寸减小。HCA方法在空中识别冰雹开始减少的时刻,地面观测到降雹。
(3)三体散射的ZH、ρhv和SD(ZH)概率密度分布与Mahale等(2014)比较接近;ZDR概率分布存在一定差异,文中ZDR分布<0 dB超过80%,而Mahale等(2014)中ZDR分布更多在>0 dB;SD(φDP)分布差异较大,文中的分布范围大约是Mahale等(2014)的2倍。
由于南京S波段双偏振雷达于2019年初才完成升级,冰雹观测资料比较有限,文中仅以一次个例过程进行了分析,结果是否具有普适性还需要更多的观测资料积累和进一步研究。将来期望可以利用更多的观测资料分析冰雹和三体散射特征,建立适用于江淮地区的冰雹和三体散射自动识别方法。
曹俊武, 刘黎平. 2006. 双线偏振多普勒天气雷达识别冰雹区方法研究. 气象, 32(6): 13-19. DOI:10.3969/j.issn.1000-0526.2006.06.002 |
范皓, 杨永胜, 段英等. 2019. 太行山东麓一次强对流冰雹云结构的观测分析. 气象学报, 77(5): 823-834. |
何文英, 陈洪滨. 2006. TRMM卫星对一次冰雹降水过程的观测分析研究. 气象学报, 64(3): 364-376. DOI:10.3321/j.issn:0577-6619.2006.03.011 |
胡志群, 刘黎平, 吴林林. 2014. C波段偏振雷达几种系统误差标定方法对比分析. 高原气象, 33(1): 221-231. DOI:10.7522/j.issn.1000-0534.2013.00134 |
李聪, 姜有山, 姜迪等. 2017. 一次冰雹天气过程的多源资料观测分析. 气象, 43(9): 1084-1094. DOI:10.7519/j.issn.1000-0526.2017.09.006 |
刘黎平, 徐宝祥, 王致君等. 1992. 用C波段双线偏振雷达研究冰雹云. 大气科学, 16(3): 370-376. DOI:10.3878/j.issn.1006-9895.1992.03.14 |
马建立, 苏德斌, 金永利等. 2012. X波段双线性偏振雷达电磁波衰减对冰雹识别的影响. 高原气象, 31(3): 825-835. |
苏德斌, 马建立, 张蔷等. 2011. X波段双线偏振雷达冰雹识别初步研究. 气象, 37(10): 1228-1232. DOI:10.7519/j.issn.1000-0526.2011.10.005 |
王莎, 沙勇, 宋金妹等. 2019. 冀东地区冰雹云多普勒雷达参数特征分析. 气象, 45(5): 713-722. |
王研峰, 黄武斌, 王聚杰等. 2019. 一次甘肃天水强冰雹的雷达回波特征及成因分析. 高原气象, 38(2): 368-376. |
吴林林, 刘黎平, 郑媛媛等. 2014. 基于SWAN的冰雹探测算法研究. 高原气象, 33(3): 823-831. DOI:10.7522/j.issn.1000-0534.2012.00037 |
徐芬, 郑媛媛, 肖卉等. 2016. 江苏沿江地区一次强冰雹天气的中尺度特征分析. 气象, 42(5): 567-577. DOI:10.7519/j.issn.1000-0526.2016.05.006 |
许焕斌, 王思微. 1988. 二维冰雹云数值模式. 气象学报, 46(2): 227-236. |
许焕斌, 段英. 2001. 冰雹形成机制的研究并论人工雹胚与自然雹胚的“利益竞争”防雹假说. 大气科学, 25(2): 277-288. DOI:10.3878/j.issn.1006-9895.2001.02.14 |
俞小鼎. 2014. 关于冰雹的融化层高度. 气象, 40(6): 649-654. DOI:10.7519/j.issn.1000-0526.2014.06.001 |
曾智琳, 谌芸, 朱克云等. 2019. 广东省大冰雹事件的层结特征与融化效应. 大气科学, 43(3): 598-617. |
张秉祥, 李国翠, 刘黎平等. 2014. 基于模糊逻辑的冰雹天气雷达识别算法. 应用气象学报, 25(4): 415-426. DOI:10.3969/j.issn.1001-7313.2014.04.004 |
张文海, 李磊. 2019. 人工智能在冰雹识别及临近预报中的初步应用. 气象学报, 77(2): 282-291. |
赵文慧, 姚展予, 贾烁等. 2019. 1961~2015年中国地区冰雹持续时间的时空分布特征及影响因子研究. 大气科学, 43(3): 539-551. |
周小刚, 费海燕, 王秀明等. 2015. 多普勒雷达探测冰雹的算法发展与业务应用讨论. 气象, 41(11): 1390-1397. DOI:10.7519/j.issn.1000-0526.2015.11.009 |
Carey L D, Rutledge S A. 2000. The relationship between precipitation and lightning in tropical island convection: A C-band polarimetric radar study. Mon Wea Rev, 128(8): 2687-2710. DOI:10.1175/1520-0493(2000)128<2687:TRBPAL>2.0.CO;2 |
Depue T K, Kennedy P C, Rutledge S A. 2007. Performance of the Hail Differential Reflectivity (HDR) polarimetric radar hail indicator
. J Appl Meteor Climatol, 46(8): 1290-1301. DOI:10.1175/JAM2529.1 |
Hubbert J, Bringi V N, Carey L D, et al. 1998. CSU-CHILL polarimetric radar measurements from a severe hail storm in eastern Colorado. J Appl Meteor, 37(8): 749-775. DOI:10.1175/1520-0450(1998)037<0749:CCPRMF>2.0.CO;2 |
Mahale V N, Zhang G F, Xue M. 2014. Fuzzy logic classification of S-band polarimetric radar echoes to identify three-body scattering and improve data quality. J Appl Meteor Climatol, 53(8): 2017-2033. DOI:10.1175/JAMC-D-13-0358.1 |
Park H S, Ryzhkov A V, Zrnić D S, et al. 2009. The hydrometeor classification algorithm for the polarimetric WSR-88D: Description and application to an MCS. Wea Forecasting, 24(3): 730-748. DOI:10.1175/2008WAF2222205.1 |
Steiner M, Houze R A Jr, Yuter S E. 1995. Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data. J Appl Meteor, 34(9): 1978-2007. DOI:10.1175/1520-0450(1995)034<1978:CCOTDS>2.0.CO;2 |
Wang Y T, Chandrasekar V. 2009. Algorithm for estimation of the specific differential phase. J Atmos Ocean Technol, 26(12): 2565-2578. DOI:10.1175/2009JTECHA1358.1 |
Wilson J W, Reum D. 1988. The flare echo: Reflectivity and velocity signature. J Atmos Ocean Technol, 5(2): 197-205. DOI:10.1175/1520-0426(1988)005<0197:TFERAV>2.0.CO;2 |
Wu C, Liu L P, Wei M, et al. 2018. Statistics-based optimization of the polarimetric radar hydrometeor classification algorithm and its application for a squall line in South China. Adv Atmos Sci, 35(3): 296-316. DOI:10.1007/s00376-017-6241-0 |
Zrnić D S. 1987. Three-body scattering produces precipitation signature of special diagnostic value. Radio Sci, 22(1): 76-86. DOI:10.1029/RS022i001p00076 |