引言

20世纪50年代以来，国内外雷达气象学者在雷达探测强对流天气方面做了大量工作，利用天气雷达对风暴进行自动识别、跟踪和预报的研究已进行了半个世纪，发展了很多理论和方法，提出了一些风暴识别方法^[1-7]。20世纪70年代NSSL的科学家们开发了一系列算法，可以从雷达反射率因子数据中识别出风暴单体，并追踪和外推单体质心的运动^[1]。1982年Austin等提出了三维矩心识别方法，即把每一个风暴单体看作成一个具有三维连续结构的整体，计算相关物理量^[8]。Rosenfeld对这一方法进行改进，提出通过对风暴形状的几何推理来处理分裂和合并^[9]，这就是1996年以前在美国天气雷达业务(WSR-88D Build 7.0) 中广为应用的风暴系列算法。1997年Johnson提出了利用7个反射率因子识别阈值来代替此前唯一的阈值，同时采取特征核抽取技术，对空间相距较近的多个风暴单体进行合并或删除处理，且允许远距离上的二维风暴单体存在^[10]。该算法被WSR-88D的Build 9.0广泛采用，称为B9SI算法^[11]。目前，我国的新一代天气雷达大都使用WSR-88D的Build 9.0的风暴算法，即风暴单体识别与跟踪算法，简称SCIT (Storm Cell Identification and Tracking)算法, 但是由于SCIT算法设计是针对S波段的，而我国经济不发达的中西部的多普勒天气雷达是C波段，那么SCIT算法是否适应C波段雷达, 应用效果如何, 又如何根据本地环境气候进行本地化，这都是亟待解决的问题。

1 方法分析与资料选取

SCIT算法由四个子功能组成：风暴单体段、风暴单体质心、风暴单体跟踪和风暴位置预报。SCIT算法采用了以下几个技术：多反射率因子阈值识别技术、特征核抽取技术、对垂直重叠单体处理、远距离2D风暴单体的识别和相近多单体外理。风暴单体段识别反射率因子的径向排列，并输出这些段上的信息到风暴单体质心子功能中。风暴单体质心子功能将段组合成二维分量，并使这些分量垂直相关构成三维单体，再计算单体的属性。单体及它们的属性被输出到风暴单体跟踪及风暴位置预报子功能中。风暴单体跟踪子功能是通过将当前体积扫描发现的单体与前次体积扫描的单体作匹配来监视单体的移动。风暴位置预报子功能是依据风暴移动的历史来预报风暴将来的质心位置^[11]。用SCIT算法评估单体可以得到单体以下的几个属性：单体的所属风暴类型识别、单体的移动趋势、单体未来位置预报。

选取2007—2008年的40次天气过程作为评估对象，利用兴义多普勒天气雷达体扫数据资料及用WSR-88D提供的风暴单体识别与跟踪SCIT算法对个例天气进行评估。兴义新一代多普勒天气雷达是成都784厂生产的C波段雷达，雷达中心经纬度为25.088°N、104.895°E，天线海拔高度为1329.9 m。观测过程中，雷达参数设置为脉冲重复频率为900/600 Hz, 脉冲宽度为1，脉冲采样数为32，距离平均数设成无，多普勒处理设为FFT，库长设为250 km, 窗口类型为hamming，观测模式为VCP21，采用滤波器2进行滤波。强度、速度、谱宽3个基数据的噪声门限全部设成SQI & LOG (0.35/5.0 dB)。

本文研究的区域是贵州省黔西南地区(以兴义多普勒天气雷达为圆心，半径150 km)，由于雷达存在静锥区，距离太近探测不到风暴上层，会使探测效果降低，而受地球曲率和雷达自身探测能力的影响，超过150 km也会使探测效果降低，因此本文主要研究距雷达站中心30~150 km范围内的对流单体。

本文研究所选资料为发生在2007—2008年的40次冰雹及暴雨天气过程，体扫资料时间间隔为6分钟。由于一次天气过程中可能有多个不同类型的单体存在，故选取这40次天气过程中每次出现的最具代表性的产生冰雹或暴雨的一个单体分类统计出来作为研究的对象，共选取有单体40个。地面降雹时间、最大冰雹直径及降雨量以个乡镇雨量站记录为准。

2 算法评估

选取2007—2008年发生的40次天气过程作统计分析, 在不区分冰雹和暴雨的情况下，用SCIT算法对这40次过程中出现的最具代表性的40个单体分别作识别、跟踪、位置预报分析。

2.1 单体识别评估

将风暴分为如下类型^[11]：

(1) “超级单体风暴”：风暴水平尺度大，可达几十千米，维持时间长，常伴有强风局地冰雹、冰雹、下击暴流等强风暴；

(2) “MCS/Line”：MCS是中尺度对流系统，由对流单体、多单体风暴和超级单体风暴以各种形式组织而成，包括飑线和中尺度对流辐合体，水平尺度在20~200 km，包括台风、小低涡、飑线、暴雨团等。MCS/Line指的是其中单体的风暴构成一个团簇或呈线状排列，它是由一个演变着的单体系列组成的，即它包含着几个处在不同发展阶段的单体，灾害性天气(如冰雹、暴雨、大风等)发生在其中发展成熟的单体下方；

(3) “层状降水”：大块区域的小到中等的反射率因子，反射率因子一般不超过40 dBz，强度梯度不大。

表 1给出40次天气过程SCIT算法的正确识别率，从表 1可以看出, 小于40 dBz的单体的识别率只有28%，40 dBz以上的单体有66%的识别率，大于50 dBz的单体有98%的识别率，整体来讲超级单体风暴的识别率较高, 间隔较小的风暴群(线状、簇状)效果不如离散单体识别率高，从反射率因子的角度来说, 平均反射率因子越大, 相应风暴的识别率越高。

2.2 单体跟踪的评估

正确的进行时间关联是跟踪风暴演化的基础，对在两个相继体扫中识别的风暴单体进行时间相关处理以确定第一个被识别的风暴单体的路径。首先利用前一个体扫单体质心的位置确定目前体扫中该单体的初猜位置，然后计算在当前体扫中识别的每个单体与计算的当前每个单体初猜之间的距离，最后计算所有至少已经在相继两个体扫中被识别的目前单体的新的运动向量。单体跟踪算法的评估涉及到以下三个步骤：(1) 一个体扫接一个体扫地跟踪所有被识别单体的生命周期；(2) 确定不正确的时间关联的个数并记下它们的特性；(3) 计算该算法正确跟踪的单体占所有被跟踪单体的百分比^[11]。其中时间关联的数量是单体从存在到消亡的全部体扫个数。选取发生在2007年至2008年发生的40次天气过程中出现的最具代表性的40个单体作统计分析个例来进行评估，具体评估结果见表 2。

从表 2可以看出, 对于第一个SCIT算法时间关联的百分比, 超级单体的最高为92%，MCS/Line次之, 为89%，层状降水最低为81%。整体来讲超级单体风暴的识别率较高, 间隔较小的风暴群(线状、簇状)效果不如离散单体识别率高。

2.3 单体位置预报的评估

选取发生在2007—2008年的40次天气过程中出现的最具代表性的40个单体(每个单体的生命史至少为2个体扫)，针对各种类型的风暴，对SCIT算法的单体位置预报精度进行分析，具体评结果见表 3。

从表 3可以看出，5分钟的平均预报误差最小仅为2.4 km，而1小时的平均预报误差最大，达到26.3 km。预报时效与平均预报误差基本成正比，预报时效愈长，则平均预报误差愈大。

2.4 SCIT算法评估与季节关系分析

用WSR-88D提供的风暴单体识别与跟踪(SCIT)算法对发生在贵州省黔西南地区的2007—2008年的40个天气过程中出现的最具代表性的40个单体个例按月分成2—9月，并利用SCIT算法来分别进行评估、分析，结果见表 4。

从表 4可以看出，2—5月4个月的30 dBz以上单体识别率、单体跟踪评估、15分钟单体位置评估效果都比较好，5月份以后，SCIT算法评估效果逐渐下降，9月效果最差。

2.5 SCIT算法评估与距雷达距离关系分析

因为雷达波束高度随距离增加而增加，雷达有效照射体积随距离增加可能出现波束未充塞，因此，雷达探测效果随距离增加一般情况下是递减的，那么SCIT算法效果也势必受到距离影响。所以，根据黔西南地区气候特征及地理环境，把该区域分为北部(晴隆、普安、兴仁、贞丰)、南部(兴义、望谟、安龙、册亨)，从距离上考虑，以雷达中心为零点可划分3个距离段，分别为0~20 km、20~60 km、60~120 km^[12]，具体见图 1。

用WSR-88D提供的风暴单体识别与跟踪(SCIT)算法，选取发生在贵州省黔西南地区的2007—2008年的40个天气过程中出现的40个单体个例，把黔西南下属七县一市分别从30 dBz以上单体识别率、单体跟踪评估(第一个正确时间关联的平均百分比)、15分钟单体平均预报误差三个方面进行评估，具体评估效果见表 5。

从表 5可以看出，SCIT算法应用效果与距雷达中心距离有关，其中距离雷达最远的望谟应用效果最差，而后随着距雷达距离愈近，应用效果也愈好，但并不是距雷达距离愈近，算法应用效果就愈好，由于雷达扫描存在一个静锥区，即在兴义雷达站上空存在一个雷达探测盲区，导致探测效果降低，而SCIT应用效果也势必受到影响。

2.6 冰雹、暴雨评估对比分析

一般冰雹、暴雨的雷达回波特征不同，强度场、速度场、空间结构、天气气候背景也不尽相同，故SCIT算法评估这两种不同的天气过程时，效果也不一定相同。对2007—2008年40个天气过程中出现的40个单体，分为冰雹天气过程、暴雨天气过程，用SCIT算法分别进行评估，评估结果见表 6。

从表 6可以看出，无论是单体识别, 跟踪还是位置预报，SCIT算法对冰雹的应用效果都更好些，这主要是因为冰雹天气过程多为单体风暴或多单体风暴，属于离散单体，而暴雨天气过程移动不规则，多个风暴相距很近，反射率因水平梯度不明显，因此误差稍大。

3 改进

SCIT算法只考察反射率因子的强度和空间连续性，没有计算纹理结构和梯度，因此，对于识别出的风暴不能给出其内部对流情况，导致反射率因子强度较弱，但对流活跃的单体被遗漏, 处理相近多单体时没有优势^[13]。本文在充分考虑了地理环境、气候背景的前提下，针对识别效果不太理想的情况，提出解决的办法，具体如下：

(1) 降低识别阈值，将SCIT的7个反射率阈值降低一个等级(55、50、45、40、35、30、25 dBz)。

(2) 提取反射率因子垂直梯度因子。风暴处于成熟阶段时，其典型特征之一就是核区内反射率因子垂直递减率接近于零，因此反射率因子垂直梯度接近零时，表示此时的风暴的对流性最强，相反，则表示风暴的对流性很弱。

在SCIT算法的基础上，增加上述提出的两个改进因子对2007年至2008年发生的40次天气过程重新进行评估，评估结果与改进前的效果进行对比分析，结果见表 7。

从表 7可以看出，改进后的评估效果有所提高，其中，算法改进后30 dBz以上单体识别率评估效果较之其他两项稍好, 提高了12.5%，而单体跟踪评估及15分钟单体位置评估为5.4%及6.0%。

用改进后的算法对这40个天气个例按照月份重新评估，结果见表 8。

从表 8可以看出，改进后评估效果整体有所提高，其中，30 dBz以上单体识别率评估效果中6、7、8月的识别率比其他月份改进效果好, 这主要因为这3个月的回波多为层状回波或间隔较小的风暴群，单体的识别率提高的空间较大。5—8月的第一个正确时间关联的百分比改进效果比其他月份好。7月、8月的的15分钟单体平均预报误差改进效果比其他月份稍好，大于0.5 km。

用改进后的算法对这40个天气个例按照天气类型(冰雹、暴雨)重新评估，结果见表 9。

从表 9可以看出，算法改进后冰雹和暴雨的评估效果整体都有所提高，其中冰雹的单体识别率提高了6.5%，而暴雨提高17%，冰雹的单体跟踪评估提高了1%，而暴雨提高了9%，冰雹的15分钟单体平均预报误差减小了9.1%，而暴雨只减小了4.4%。整体而言，算法改进后暴雨单体识别率及单体跟踪评估提高较快，而15分钟单体平均预报误差提高不明显，冰雹的15分钟单体平均预报误差比暴雨的稍好^[14-15]。

4 小结

适当降低反射率因子阈值，再把反射率因子垂直梯度因子考虑进去，探测效果会有一些改善，但也不是阈值越低准确性越高，因为随着阈值的降低也会导致虚报率的提高。究竟反射率阈值为多少才是最合适的，是因地而异的。另外，如何更好地应用雷达资料来开发出本地识别参数也是一个值得研究的方向，本文提到的反射率因子垂直梯度只是其中一个方面，还有更多的要素需要深入探讨，比如：谱宽资料、径向速度、反射率因子水平梯度信息、垂直累积液态水含量等等。

另外，本文评估实验地区为贵州省黔西南州地区，评估对象为714型C波段雷达，具有独特性，由于各个地区的雷达型号、气候背景、地理环境不同，即使用同样的SCIT算法来评估，评估效果也不一定相同，甚至可能有较大出入。

风暴单体识别与跟踪(SCIT)算法是美国WSR-88D的经验公式，目前我国尚没有自己的算法。今后, 随着探测个例的增加及探测手段的不断提高, 要进一步研究、开发适合于本地的雷达识别参数，以便提高本地的雷达探测效果。