2014, 25 (4): 415-426
2. 中国气象科学研究院灾害天气国家重点实验室，北京 100081;
3. 河南省电力公司电力科学研究院，郑州 450052;
4. 河北省邢台市气象局，邢台 054000;
5. 河北省衡水市气象局，衡水 053000
2. State Key Lab of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081;
3. Electric Power Research Institute, Henan Electric Power Company, Zhengzhou 450052;
4. Xingtai Meteorological Bureau of Hebei Province, Xingtai 054000;
5. Hengshui Meteorological Bureau of Hebei Province, Hengshui 053000
冰雹天气是我国主要的气象灾害之一，华北地区夏季尤为明显。冰雹云生消发展变化快，生命史短且突发性和破坏力强，预报难度大，常给工农业和人民生产生活安全造成极大危害。随着多普勒天气雷达布网的不断加密，多普勒天气雷达资料在强对流天气的监测分析和短临预警方面起到关键作用。国内外学者对冰雹天气方面做了大量研究[1-3]，在雷达研究方面，Winston等[4]研究表明，垂直积分液态水含量 (vertical integrated liquid，VIL) 对冰雹的存在有较好的指示作用；Amburn等[5]定义VIL密度为VIL与风暴顶高度之比，认为VIL密度超过4 g·m-3时，风暴几乎肯定会产生直径超过2 cm的大冰雹；Roy[6]分析了强对流天气和回波顶之间的关系，认为在冰雹、龙卷风和雷暴大风等强天气中，冰雹的回波顶最高；俞小鼎等[7]分析了多普勒天气雷达与强对流天气预警之间的关系，指出产生大冰雹的强对流风暴最显著特征是在反射率因子垂直剖面图上高悬的反射率因子高值区、-20℃等温线高度之上的超过45 dBZ的反射率因子核、风暴顶辐散和S波段雷达回波的三体散射。以上研究表明：冰雹云与各种雷达回波特征有密切关系，也与反射率因子核是否位于-20℃等温线高度以上等因子有关。需要查看分析大量资料，通过剖面图、同一幅画面显示4张回波图等方式才能判断出现大冰雹的可能性。刁秀广等[8]分析不同月份的VIL，VIL密度和0℃层以上VIL值对冰雹特别是大冰雹具有很好的指示意义；肖艳姣等[9-10]指出VIL密度是VIL与其对应的回波厚度之比，相比VIL，证明VIL密度更适合作为冰雹判别指标；孙莹等[11]利用VIL监测和预报冰雹天气，认为水平尺度大于10 km，VIL大于38 kg·m-2可作为冰雹出现指标；李金辉等[12]对冰雹云提前识别及预警进行了研究。段勇等[13]通过判断风暴顶顶高是否大于8 km、风暴最大有效反射率因子是否大于55 dBZ、底层风暴分量中心在其上任何风暴分量中心的北侧、风暴的倾斜方向在风暴的移动方向的右侧、中层风暴的最大反射率因子大于50 dBZ、中层悬挂距离大于4 km、最高的风暴分量位于中层悬挂之上等因子，加权分析冰雹出现的可能性；冯晋勤等[14]利用龙岩多普勒天气雷达和探空资料，选取风暴最强回波强度、VIL密度、最强回波高度与0℃层高度之差、风暴顶高 (-20℃层高度)、VIL密度与回波顶高和0℃层高度差乘积等因子，利用Fisher判别分析方法建立了冰雹天气预报方程，建立了冰雹和雷雨大风短临预警系统。上述研究工作是基于单部雷达的二次产品数据，雷达识别范围小，自动化程度低，大多依靠预报员主观定性识别得到，预报员工作量大。
基于以上原因，本文应用华北区域多普勒天气雷达基数据、地面降雹报告和探空资料，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[15-17]与三维格点风暴单体识别和跟踪SCIT (the Storm Cell Identification and Tracking) 算法[18]，确定了冰雹天气的雷达识别指标和不同季节的隶属函数，建立了冰雹天气综合识别算法，这些参数考虑了冰雹的最大反射率因子、风暴最大垂直积分液态水含量、回波顶高度、VIL密度、风暴质心高度与0℃和-20℃平均高度关系等属性。通过对2008—2012年华北区域冰雹天气识别效果检验，结果证明冰雹识别方法切实可行，可应用于日常的短时临近预警业务。
1 资料选取和研究方法选取2008—2012年的5—9月京津冀地区有资料的灾害性天气过程，共得到16次冰雹天气过程，累计103个冰雹样本。雷达资料采用北京、天津、石家庄、秦皇岛、沧州、张北和承德7部多普勒天气雷达基数据，水平分辨率为0.01°×0.01°，时间分辨率为6 min。其中，张北和承德的2部雷达为C波段，其余5部雷达为S波段。冰雹资料采用的是京津冀地区国家级自动气象站 (图 1) 冰雹灾害报告，包括冰雹出现时间、测站和最大冰雹最大直径等数据，另外还包括部分测站地面A文件以及互联网报告的冰雹灾情。0℃和-20℃高度采用的是常规探空测站的统计数据。
|
|
| 图 1. 华北区域冰雹测站分布 Fig 1. Distribution of hail stations in North China | |
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，确定每个体扫中所有风暴单体所在位置、底部和顶部高度、基于单体的VIL值、强中心高度及强度等具体的风暴结构参数值；采用Kessinger等[19-20]提出的模糊逻辑原理，从雷达回波拼图资料中提取冰雹识别指标，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，建立冰雹天气综合识别算法。
2 雷达识别指标根据多普勒天气雷达原理和众多学者现有理论研究结果，冰雹天气的主要雷达识别指标有以下几种：
① 风暴最大反射率因子 (RM，单位:dBZ)：风暴最大反射率因子是指一个体积扫描中风暴不同高度投影的反射率因子最大值。反映风暴内部下沉气流，与散射粒子的大小有关，粒子越大产生的下沉气流越强。Smith等[21]提出，云内最初冰雹增长为中数体积水汽凝结体的直径为0.4~0.5 cm。利用通用雷达气象方程和Marshall-Palmer雨滴谱指数分布关系式推导得出，冰雹云初期等效雷达反射率因子为44 dBZ，但习惯用45 dBZ阈值进行冰雹判别。
② 风暴最大垂直积分液态水含量 (MVIL，单位:kg·m-2)：MVIL大值区是判断冰雹潜势指标之一，不同月份MVIL冰雹阈值会有所不同，7—8月最高。当相邻体积扫描VIL激增15 kg·m-2以上且VIL值达到一定阈值时，出现冰雹的概率较大。
③ 回波顶 (TE，单位：km)：相比雷暴和短时大风等强对流天气，冰雹对应的回波顶为最高[6]。按照河北省本地的预报经验和指标，只有当风暴单体的回波顶超过一定阈值时，才可能伴有冰雹天气出现。
④ VIL密度 (DVIL，单位:g·m-3)：Amburn等[5]定义VIL与风暴顶高度之比为VIL密度。受雷达扫描仰角的限制，当风暴离雷达很近或很远时，VIL值分别存在过低估计和不可靠两种局限性。基于该原因，将VIL密度定义为VIL与其对应的回波厚度 (回波顶至回波底) 之比。大的反射率因子表明强上升气流，而冰雹生长区更低则使得冰雹落地之前的融化过程缩短，所以VIL密度可以很好地指示大冰雹。如果VIL密度大于3.2 g·m-3，产生冰雹的可能性开始增大，而当VIL密度超过4 g·m-3，则风暴几乎肯定会产生直径超过2 cm的大冰雹。
⑤ 风暴质心高度 (HM，单位:km)：判断冰雹简单有效方法是强回波高度相对于0℃和-20℃等温线高度的位置，当强回波扩展到0℃等温线高度 (H0℃) 之上时才能对降雹的潜势有所贡献；当强回波扩展到-20℃等温线高度 (H-20℃) 以上时，对降雹的潜势贡献最大。因此，判断风暴质心高度是否超过H0℃和H-20℃也是冰雹预警的重要指标。本文H0℃和H-20℃取邢台探空站的实际高度 (最近两层线性插值计算)，历年统计结果表明，冰雹日的0℃和-20℃高度平均值分别为4.2 km和7.3 km，不同月份强对流天气0℃和-20℃平均高度如表 1所示。
|
表 1 2008—2012年5—9月河北邢台探空站0℃层和-20℃层平均高度 Table 1 Average height of 0℃ and-20℃ at Xingtai Sounding Station from May to September during 2008-2012 |
除此之外，弱回波区或有界弱回波区、S波段雷达的三体散射、风暴顶的强辐散等回波特征也对冰雹有很好的预示作用，但这些特征自动识别程度较低，主要依靠预报员的主观定性判断，暂时不列入识别指标中。
3 冰雹综合识别算法 3.1 模糊逻辑隶属函数受季节变化影响，不同月份产生冰雹天气的各个识别指标值有所不同。初夏5月和入秋9月的回波强度、垂直积分液态水含量和回波顶高度等雷达参数阈值明显低于夏季6—8月，因此不同月份的识别指标阈值也会有所调整。根据河北省冰雹预警指标[22-23]，各雷达识别指标对应的阈值下限和上限如表 2所示。
|
|
表 2 5—9月雷达识别指标阈值 Table 2 Standard values of identified indices from May to September |
根据模糊逻辑原理，对以上选取的5个雷达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。每个雷达识别指标都对应有两个阈值，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下限和阈值上限之间时，对应的隶属函数按线性插值计算。与以上识别指标不同，当HM介于阈值下限和阈值上限之间时，对应的隶属函数为0.5；当HM高于阈值上限时，对应的隶属函数为1。
按以上算法计算得到RM, MVIL, TE, DVIL和HM 5个雷达识别指标对应的模糊逻辑隶属函数，见图 2(图 2中的HM阈值上限和阈值下限见表 1)。
|
|
| 图 2. 不同时段冰雹天气雷达识别指标对应的隶属函数 Fig 2. Membership functions of each identification index in different months for hail | |
3.2 综合识别判据
取权重系数为0.2，采用等权重系数法，建立RM, MVIL, TE, DVIL和HM 5个雷达识别指标的冰雹综合识别方程，计算结果为风暴单体产生冰雹天气的综合识别判据 (P)。当P＜0.4时, 出现冰雹的概率小；当0.4≤P＜0.5时，出现冰雹的概率大；当P≥0.5时，出现冰雹的概率很大或可能出现大冰雹。
4 识别效果 4.1 识别标准对于冰雹是由哪些风暴单体产生的，如何将冰雹测站与风暴单体进行空间和时间对应，如何计算冰雹的识别提前量等问题，考虑到有冰雹项目观测的测站空间分布比较稀疏，用于拼图的不同波段雷达扫描时间有差异，并考虑雷达硬件定标误差等各种因素，本文做如下定义：① 搜寻产生冰雹的风暴单体：实况监测到有冰雹报告时，在当前体扫或前两个体扫的时段内，选取0.3°×0.3°经纬度范围，搜寻综合识别判据最大、距离最近的风暴单体，与冰雹测站相匹配。② 考虑到冰雹测站稀疏，冰雹识别效果检验仅限于通过地面观测站的风暴单体或有观测报告的冰雹实测点。③ 计算冰雹提前量：当产生冰雹的风暴单体综合识别判据连续大于阈值时，选取最早时间作为冰雹识别的初始时间，冰雹识别提前量取冰雹识别初始时间与冰雹出现时间的差值。但以下几种因素会导致冰雹识别提前量出现误差：由于地面冰雹观测站稀疏，降雹报告时间往往晚于实际降雹时间；由于观测时间误差、风暴单体的编号、合并、风暴强度的变化、对流单体与对流系统差别等原因，风暴单体识别和跟踪算法的外推预报准确度会随着时间延长而下降。根据预报员经验和统计结果，本文界定冰雹识别提前量的最大值不超过1 h。
通过对比被识别的风暴单体和冰雹实况出现位置和时间，分析冰雹识别检验效果。根据灾害性天气评分原则[24]，采用命中率、虚警率和临界成功指数来计算识别评分。如果二者对应，则认为识别正确；如果识别到的风暴单体没有对应冰雹出现，则认为虚警；如果冰雹出现的站点附近没有识别到风暴单体，则认为漏报。冰雹观测属于人工观测天气现象，无人值守的加密自动气象站和夜间的县级台站没有云能天观测项目。因此冰雹观测报告比实际情况可能要少很多。鉴于此，冰雹识别效果检验仅限于通过地面观测站的风暴单体或有观测报告的冰雹实测点。为便于分析冰雹识别检验效果，本文将冰雹天气过程分为两类：第1类是零散性冰雹，一般取过程冰雹测站少于5站次的冰雹天气过程；第2类是区域性冰雹，影响范围为2个地 (市) 以上，过程冰雹测站不少于5站次的冰雹天气过程。
4.2 冰雹识别评分 4.2.1 区域性冰雹检验统计2008—2012年5—9月华北区域冰雹天气过程，共搜寻到区域性冰雹天气过程10次，累计出现冰雹92站次。表 3给出了每次区域性冰雹天气过程的出现时间 (北京时，下同)、冰雹站数、冰雹影响区域及冰雹识别评分信息。
|
|
表 3 华北区域性冰雹天气过程 Table 3 The regional hail weather processes in North China |
区域性冰雹天气过程中，共观测到冰雹92站次，影响区域包括北京、天津和河北省所有地 (市)。经过对每次冰雹天气过程的识别检验，共有68个测站可以被成功识别到，对应综合识别判据大于冰雹综合识别判据的阈值下限。按照灾害性天气评分标准，冰雹命中率最低为50.0%，出现在2008年5月11日；冰雹全部命中的有两次过程，即2009年8月27日和2008年5月3日。10次冰雹天气过程平均命中率为73.9%，虚警率为36.4%，临界成功指数为51.9%。
分析冰雹识别漏报的原因，统计每次过程中识别错误的冰雹测站。在所有漏报测站中，张家口共出现9站次，承德6站次，天津3站次，北京2站次，石家庄、廊坊、唐山和沧州各出现1站次。漏报的24站次中，张家口和承德漏报最多，占总数的62.5%。分析其主要原因，一是与雷达波段有关，张北和承德两部雷达属于C波段雷达，拼图得到的雷达回波强度较实况略弱，且张北和承德两地的本地识别指标阈值也较S波段雷达偏低；二是可能与0℃和-20℃层高度有一定关系，本文选用的是邢台探空0℃和-20℃层高度的统计平均值，在地域上没有细化。
4.2.2 零散性冰雹检验统计得到石家庄周边零散性冰雹天气过程6次，累计冰雹11站次。表 4给出了零散性冰雹测站出现时间、最大冰雹最大直径、风暴单体综合识别判据和对应的各个雷达识别指标。分析得出：冰雹出现时，回波最大反射率因子RM≥50 dBZ，计算得到的综合识别判据均高于0.4，普遍达到冰雹识别阈值标准。2011年7月26日石家庄冰雹直径达15 mm，对应的综合识别判据为0.88。说明石家庄附近的冰雹能够被完全识别，这与0℃和-20℃层高度取值有很大关系。
|
|
表 4 零散性冰雹和对应雷达识别指标 Table 4 The scattered hail and identified indices of thunderstorm |
分析冰雹风暴单体综合识别判据连续大于阈值下限的最早识别时间，相比冰雹出现时间偏早，均有一定提前量。识别提前量最多的是2008年5月17日，灵寿、正定和新河3个测站出现冰雹均是同一个风暴单体激发的，与风暴单体被识别的最早时间相比，灵寿和正定时间提前量分别为16 min和43 min，新河识别提前量可达1 h；2012年6月21日的涉县冰雹，被识别时间距离冰雹出现提前4 min，是识别提前量最短的一次。11个冰雹样本过程的平均提前量为30 min，对冰雹预警可以起到较好的参考作用。
以2008年5月17日为例，本次过程共监测到灵寿、正定和新河出现的3次冰雹，冰雹开始出现时间分别为12:04, 13:31和14:01。从风暴单体的识别和跟踪分析可知，这3个测站的冰雹均由同一个风暴单体在移动过程中发展触发的。风暴单体于5月17日11:42生成并被初次识别，此时对应综合识别判据值为0.4，已经达到冰雹综合识别判据阈值；之后逐渐向东南方向移动并发展，11:48—14:36综合识别判据普遍高于阈值上限值0.5，风暴单体的最大反射率因子始终高于45 dBZ，MVIL也多超过20 kg·m-2，产生冰雹可能性很大或可能产生大冰雹，3个测站的冰雹也出现在此段时间。从预警时间分析，冰雹预警提前量分别为3，8和23个体扫，对冰雹预警有很好的指示意义；14:42之后风暴单体减弱，综合识别判据也降至阈值之下。
4.3 空间分布检验在以上所有冰雹天气过程中，分析被识别到可能出现冰雹的风暴单体和实况有冰雹的测站的空间分布，以2008年6月23日为例 (图 3)。由图 3可以看出，综合识别判据高于0.4的风暴单体分布区域与冰雹出现位置和区域基本一致，每一个实况有冰雹的测站周边均对应有被识别的风暴单体，说明冰雹识别区域效果较好。
|
|
| 图 3. 2008年6月23日13:00—18:00识别风暴单体与实况有冰雹的测站分布 Fig 3. The identified thunderstorms and stations of hail from 1300 BT to 1800 BT on 23 June 2008 | |
在日常预警业务中，预报员习惯根据每个雷达参数对冰雹天气单独进行判定，然后定性综合判断冰雹出现的概率。为对比单要素识别和综合识别两种方法的异同，分析综合识别算法研究的必要性和可行性，绘制了RM，MVIL，TE，DVIL和HM单个雷达识别指标和综合识别算法识别得到的冰雹范围空间分布，并与实况有冰雹的测站相叠加。
相比较而言，RM, DVIL和HM超过阈值的风暴单体远多于实况有冰雹的测站，可能会导致大量空报现象；MVIL和TE超过阈值的单体相对较少，与冰雹测站基本吻合，但存在个别漏报现象，如2008年6月23日石家庄高邑和北京佛爷顶的冰雹没被识别到；综合识别算法计算得到的符合当月阈值的风暴单体空间分布与冰雹实况最为吻合，空报和漏报相对最少，识别准确率相对最优。10次冰雹天气过程的识别情况都大致相同，说明建立综合识别算法很有必要，识别效果明显优于单要素识别，而且综合识别自动化程度也明显提高，预报员工作量大大降低。
4.4 冰雹出现位置为分析冰雹出现位置与雷达回波的对应关系，将同时刻雷达CR (垂直最大回波强度显示) 产品、被识别风暴单体和实况有冰雹的测站叠加到同一张图上进行对比分析。以2008年6月23日16:00(图 4a) 为例，实况共观测到高邑、深泽和易县3个测站有冰雹出现，出现时间分别为23日15:57，15:58和16:04，对应最大冰雹的最大直径分别为15 mm，7 mm和9 mm。3个测站的冰雹都被成功识别，对应风暴单体的综合识别判据分别为0.40，0.88和0.42。从回波形态上看，高邑和深泽的冰雹对应着块状强单体回波，易县冰雹对应着带状回波。从位置对比分析，冰雹出现在风暴单体的周边区域，且二者距离很近。
|
|
| 图 4. 雷达CR产品、被识别风暴单体和实况有冰雹的测站 (a)2008年6月23日16:00，(b)2008年5月17日12:30，(c)2011年7月26日20:48 Fig 4. The radar CR, identified thunderstorm and stations of hail (a)1600 BT 23 June 2008, (b)1230 BT 17 May 2008, (c)2048 BT 26 July 2011 | |
通过对所有实况有冰雹的测站位置的分析得出：零散性冰雹回波多对应孤立块状单体回波。如2008年5月17日 (图 4b)，大面积层状云回波中包含着孤立块状对流，回波强度大多维持在20~40 dBZ之间, 孤立的块状单体回波强度能达到50 dBZ以上。同一个体扫时次能识别和追踪到的风暴单体个数少，达到综合识别判据阈值的风暴单体也少；区域性冰雹回波大多表现为带状回波或飑线回波。如2011年7月26日飑线状回波 (图 4c)，此类回波识别和跟踪到的风暴单体个数多，回波强度大多超过50 dBZ，识别到可能出现冰雹的个数也多。当然，孤立块状回波、带状回波或飑线回波这几种回波形态可以互相转化。不论哪种回波，也不论是零散性冰雹还是区域性冰雹天气过程，从雷达回波、被识别风暴单体和实况有冰雹的测站叠加配置对比分析看，实况有冰雹的测站出现的位置基本全位于强风暴单体的周边区域，二者相距很近，这一点是与雷暴大风有所区别的[24]。
4.5 冰雹大小与各种参数关系为分析冰雹大小与综合识别判据之间的关系，绘制所有103个冰雹测站的冰雹最大直径与RM, MVIL, TE, 综合识别判据P之间的散点图 (图 5)。可以看出，综合识别判据与冰雹出现概率、最大冰雹直径呈正相关。当RM，MVIL，TE和综合识别判据高于一定阈值时，才会伴有冰雹出现；识别判据越大对应冰雹出现的概率越大，对应冰雹最大直径也越大，最大直径超过30 mm冰雹对应风暴单体的识别判据值均在0.85以上。冰雹对应风暴单体识别判据介于0.4~0.5之间的占19.4%，高于0.5的占57.3%，亦即冰雹总体识别命中率为76.7%。
|
|
| 图 5. 冰雹最大直径与RM, MVIL, TE, P散点图 Fig 5. Scatter diagram between maximum diameter of hail and RM, MVIL, TE, P | |
4.6 与冰雹识别软件结果对比
多普勒天气雷达自带冰雹识别软件[25], 为说明模糊逻辑识别冰雹算法是否有优势，对以上两种方法的识别效果进行对比分析。以石家庄单部雷达识别石家庄地区的冰雹评分结果为例，对影响石家庄的3次强对流天气过程中的5个冰雹样本、17个测站的识别结果统计得出，雷达自带冰雹识别软件命中率、虚警率和临界成功指数分别为100%, 78.2%和21.8%，而模糊逻辑识别评分结果分别为100%, 44.4%和55.6%。
分析逐个雷达体扫冰雹识别效果，雷达自带软件识别冰雹风暴单体明显偏多，导致虚警率明显偏高。图 6和图 4分别显示了两种方法同时刻识别冰雹对比图。由图 6可以看出，2008年5月17日的孤立块状对流回波中，两种方法均成功识别到石家庄观测站的冰雹，不存在虚报和漏报情况；2008年6月23日和2011年7月26日被识别的冰雹个数则远大于实况有冰雹的测站个数，相比而言，雷达自带冰雹识别虚报明显偏多。
|
|
| 图 6. 雷达CR产品和被识别冰雹位置 (▲表示被识别冰雹) (a)2008年6月23日16:00, (b)2008年5月17日12:30, (c)2011年7月26日20:48 Fig 6. The radar CR and identified hail (▲ denotos identified hail) (a)1600 BT 23 June 2008, (b)1230 BT 17 May 2008, (c)2048 BT 26 July 2011 | |
由此可以看出，两种方法识别冰雹的命中率均较高。相比而言，多普勒天气雷达自带的冰雹识别软件虚警率偏高，而临界成功指数偏低。其原因可能有以下两点：一是雷达自带冰雹软件阈值虽然已经过本地化调整，但还没有细化到按季节或逐月分类；二是可能与风暴单体识别和跟踪算法中的风暴合并、分裂有一定关系。另外，本文发展的冰雹识别算法还有以下优势：首先多普勒天气雷达自带的冰雹识别软件主要是基于单部雷达数据，而本文所阐述的冰雹识别算法是基于雷达组网数据产品；另外，本文冰雹算法中对0℃和-20℃层高度进行了区分，将风暴质心高度与0℃和-20℃层高度的关系作为预报指标之一。
5 结论与讨论利用华北地区雷达回波拼图数据、常规探空和冰雹灾害报告等资料，基于风暴单体的识别和跟踪算法，对冰雹天气的主要雷达识别指标进行了统计分析，发展了基于模糊逻辑原理的冰雹综合识别算法。通过对华北地区2008—2012年冰雹天气过程识别检验，得到了以下结论：
1) 冰雹天气的5个主要雷达识别指标分别为RM, MVIL, TE, DVIL和HM。在确定每个识别指标阈值同时，给出对应的模糊逻辑隶属函数，采用等权重法发展了冰雹天气综合识别算法。
2) 华北区域性冰雹的识别命中率、虚警率和临界成功指数分别为73.9%, 36.4%和51.9%，石家庄地区零散冰雹能够全部被识别。雷达风暴单体综合识别判据越大，对应冰雹出现概率和冰雹最大直径也越大，最大直径超过30 mm冰雹对应综合识别判据均超过0.85。
3) 在空间分布上，被识别到可能出现冰雹的风暴单体区域和实况有冰雹的测站空间分布基本一致。综合识别算法较单要素识别准确率得到提高，识别范围得到改善，同时自动化程度也较高，适合日常业务应用。冰雹出现位置一般位于强风暴单体的周边区域。
4) 分析冰雹识别提前量，冰雹风暴单体综合识别判据连续大于阈值下限的最早识别时间普遍早于冰雹出现时间，冰雹样本平均识别提前量为30 min，对冰雹预警可以起到较好的参考作用。
5) 利用石家庄单站雷达识别石家庄地区的冰雹，雷达自带冰雹识别软件命中率、虚警率和临界成功指数分别为100%, 78.2%和21.8%；而模糊逻辑识别冰雹算法的评分结果分别为100%, 44.4%和55.6%，虚警率明显降低。
综上所述，基于模糊逻辑建立的冰雹综合识别算法自动化程度较高，可以减少预报员工作量，为冰雹天气的短时临近预警业务和系统开发提供支持。在冰雹识别检验评分中，考虑到冰雹观测时空分辨率均较低，冰雹识别检验空报率不能反映真实情况。本文给出了冰雹命中率、漏报率及冰雹识别范围等检验情况。随着资料不断加密，将进行相关方面的仔细分析。根据本地统计指标，张北和承德C波段雷达回波阈值较S波段低，不同区域的0℃和-20℃层高度也不同，需根据当地探空资料计算得到。另外，本文建立的冰雹识别方程主要是基于风暴单体识别和跟踪算法，与冰雹密切相关的弱回波区或有界弱回波区、S波段雷达的三体散射、风暴顶的强辐散等回波特征，还没有实现自动识别，这些也有待于后续研究工作中进一步补充和完善。
| [1] | 闵晶晶, 刘还珠, 曹晓钟, 等. 天津"6.25"大冰雹过程的中尺度特征及成因. 应用气象学报, 2011, 22, (5): 525–536. DOI:10.11898/1001-7313.20110502 |
| [2] | 郜彦娜, 何立富. 2011年7月12—20日华北冷涡阶段性特征. 应用气象学报, 2011, 24, (6): 704–713. |
| [3] | 刘晓璐, 刘建西, 张世林, 等. 基于探空资料因子组合分析方法的冰雹预报. 应用气象学报, 2014, 25, (2): 168–175. DOI:10.11898/1001-7313.20140206 |
| [4] | Winston H A, Ruthi L J. Evaluation of RADAP Ⅱ severe storm detection algorithms. Bull Amer Meteor Soc, 1986, 61, (2): 142–150. |
| [5] | Amburn S A, Wolf P L. VIL density as a hail indicator. Wea Forecasting, 1997, 12: 473–478. DOI:10.1175/1520-0434(1997)012<0473:VDAAHI>2.0.CO;2 |
| [6] | Roy P D. On the relationship of severe weather to radar tops. Mon Wea Rev, 1978, 106: 1332–1339. DOI:10.1175/1520-0493(1978)106<1332:OTROSW>2.0.CO;2 |
| [7] | 俞小鼎, 王迎春, 陈明轩, 等. 新一代天气雷达与强对流天气预警. 高原气象, 2005, 24, (3): 456–464. |
| [8] | 刁秀广, 朱君鉴, 黄秀韶, 等. VIL和VIL密度在冰雹云判据中的应用. 高原气象, 2008, 27, (5): 1131–1139. |
| [9] | 肖艳姣, 李中华, 张端禹, 等. "07.7"鄂东南强对流天气的多普勒雷达资料分析. 暴雨灾害, 2008, 27, (3): 213–218. |
| [10] | 肖艳姣, 马中元, 李中华. 改进的雷达回波顶高、垂直积分液态水含量及其密度算法. 暴雨灾害, 2009, 28, (3): 210–214. |
| [11] | 孙莹, 寿绍文, 沈新勇, 等. 灾害天气的识别和自动预警. 广西气象, 2006, 27, (4): 20–23. |
| [12] | 李金辉, 樊鹏. 冰雹云提前识别及预警的研究. 南京气象学院学报, 2007, 30, (1): 114–119. |
| [13] | 段勇, 贺敬安, 谈曙青. 冰雹云雷达回波自动识别系统. 成都信息工程学院学报, 2001, 16, (2): 110–116. |
| [14] | 冯晋勤, 黄爱玉, 张治洋. 基于新一代天气雷达产品闽西南强对流天气临近预报方法研究. 气象, 2012, 38, (2): 197–203. |
| [15] | 肖艳娇, 刘黎平. 新一代天气雷达组网资料的三维格点化及拼图方法研究. 气象学报, 2006, 64, (5): 647–656. DOI:10.11676/qxxb2006.063 |
| [16] | 王红艳, 刘黎平, 王改利, 等. 多普勒天气雷达三维数字组网系统开发及应用. 应用气象学报, 2009, 20, (2): 214–223. DOI:10.11898/1001-7313.20090211 |
| [17] | 王红艳, 刘黎平, 肖艳娇, 等. 新一代天气雷达三维数字组网软件系统设计与实现. 气象, 2009, 35, (6): 13–18. DOI:10.7519/j.issn.1000-0526.2009.06.002 |
| [18] | 杨吉, 刘黎平, 李国平, 等. 基于雷达回波拼图资料的风暴单体和中尺度对流系统识别?跟踪及预报技术. 气象学报, 2012, 70, (6): 1347–1355. DOI:10.11676/qxxb2012.113 |
| [19] | Kessinger C, Ellis S, Vanande l J, et al. The APC lutter Miti-gation Scheme for the WSR-88D 2003∥Preprints, 31st Con-ference on Radar Meteorology. Amer Meteor Soc, 2003: 526–529. |
| [20] | 江源, 刘黎平, 庄薇. 多普勒天气雷达地物回波特征及其识别方法改进. 应用气象学报, 2009, 20, (2): 203–212. DOI:10.11898/1001-7313.20090210 |
| [21] | Smith P L, Myers C G, Orville H D. Radar reflectivity factor calculations innumerical cloud models using bulk parameter-ization of precipitation. J Appl Meteor, 1975, 14, (9): 1156–1165. |
| [22] | 李云川, 王福侠, 裴宇杰, 等. 用CINRAD-SA雷达产品识别冰雹?大风和强降水. 气象, 2006, 32, (10): 64–69. DOI:10.7519/j.issn.1000-0526.2006.10.010 |
| [23] | 王福侠, 张守保, 裴宇杰, 等. 可能降雹多普勒雷达产品特征指标分析. 气象科技, 2008, 36, (2): 228–232. |
| [24] | 俞小鼎, 姚秀萍, 熊廷南, 等. 多普勒天气雷达原理与业务应用. 北京: 气象出版社, 2006. |
| [25] | 王瑾, 刘黎平. WSR-88D冰雹探测算法在贵州地区的评估检验. 应用气象学报, 2011, 22, (1): 96–106. DOI:10.11898/1001-7313.20110110 |