2023, Vol. 49 
2. 山东省济宁市气象局，济宁 272000；
3. 山东省气象台，济南 250031
2. Jining Meteorological Office of Shandong, Jining 272000;
3. Shandong Meteorological Observatory, Jinan 250031
暴雨特别是短时强降水是一种影响严重的灾害性天气，也是目前气象科学重点研究解决的难题之一(Chen et al，2013；肖靖宇等，2022；赵渊明和漆梁波，2021)。连降暴雨或大暴雨常导致山洪爆发、水库垮坝、江河横溢、交通和电讯中断，给国民经济和人民生命财产带来严重危害。短时强降水天气时间尺度和空间尺度相对较小，且具有局地性特征，突发性强、致灾严重、预报难度大(侯淑梅等，2020)。短时间内的强降水天气大多由中小尺度对流系统产生，其系统的形成和发展机理是天气预报业务及气象学者关注的重点与难点(王孝慈等，2022；吴照宪等，2022)。
对于短时强降水的估测与外推，天气雷达是主要技术手段。单偏振天气雷达只能获取一个与降水强度相关的参数——反射率因子Z，对流性雨强估测最简单易行的方法是将对流性降水分为大陆强对流型和热带海洋型两种类型，分别采用不同的Z-R关系(俞小鼎，2013)。但Z-R关系受雨滴谱影响较大，当雨滴谱随地域或降水类型发生变化时，使用单一的Z-R关系进行降水估测误差较大(陈静等，2015)。相比之下，双偏振雷达参量(差分反射率因子ZDR、比差分相移KDP、相关系数CC、退偏振因子LDR等)对水凝物粒子的类型、形状、尺寸以及下落姿态都有不同的敏感度，这些特点有助于设定阈值以实现对水凝物粒子的分类，使得双偏振多普勒天气雷达探测系统具有水凝物相态识别的能力，同时，基于多偏振参数的降水估测算法明显提高了定量降水估测精度(Hall et al，1980；Gorgucci et al，2000；Giangrande and Ryzhkov, 2008；Zrnić and Ryzhkov，1996；陈超等，2019)。液态雨滴的ZDR随着直径增大而增大，ZDR大小主要取决于粒子的大小和形态；KDP对雨滴浓度较为敏感，雨滴浓度越高KDP越大，KDP可很好地反映雷达取样体积内的液态含水量；CC与粒子种类和形状有关，种类和形状的多样会导致CC降级，而纯雨的CC较大，一般大于0.98(Warning Decision Training Branch，2013；汪舵等，2017)。
随着双偏振天气雷达技术的发展与应用，国内外学者开展了一系列基于双偏振参量的风暴结构与微物理特征研究(刘黎平等，1996；Kumjian and Ryzhkov, 2008；Kumjian，2013；Romine et al，2008；冯晋勤等，2018；刁秀广等，2020; 2021; 2022；李昭春等，2021)。刘黎平等(2002)运用三个偏振量反演降水强度和液态含水量，研究指出ZDR和KDP受滴谱变化影响较小。荀爱萍等(2019)利用厦门双偏振雷达资料，统计分析不同降水强度下的偏振参量特征，当降水类型为小/中雨时，平均ZH、ZDR、KDP分别为36 dBz、1.0 dB和0.28°·km-1；当降水类型为大雨时，平均ZH、ZDR、KDP分别为44 dBz、1.4 dB和0.63°·km-1；当降水类型为暴雨时，平均ZH、ZDR、KDP分别为49 dBz、1.7 dB和1.32°·km-1。潘佳文等(2020)对一次强降水超级单体风暴个例分析表明，反射率因子梯度大值区附近存在一个浅薄的差分反射率因子大值区(ZDR弧)，ZDR柱位于有界弱回波区的上方、主上升气流的东南侧，KDP柱位于主上升气流的西北侧，主要由大量混合相态水凝物造成，其位置与地面雨强中心存在较好的对应关系。申高航等(2021)利用雨滴谱及双偏振雷达资料对一次强降水过程不同时段进行了分析，发现KDP可以揭示丰富的过冷却水位置，ZDR可以反映降水粒子主要的相态及形状变化。何清芳等(2022)对同时发生在两个地区的冰雹云和短时强降水风暴进行偏振对比分析，降雹和短时强降水风暴均发现了KDP柱，但两者高度不同，短时强降水风暴的KDP柱发展高度低于降雹天气过程。目前对于强降水双偏振特征研究仅限于一些个例分析，不同类型强对流双偏振参量的差异性对比分析较少。
本文以山东SA双偏振多普勒天气雷达(济南、青岛和济宁)资料为基础，结合地面自动气象站1~2 mm、2~3 mm和3 mm以上三种分钟降水量级，对两类强对流风暴低层双偏振参量特征进行分析与对比，为进一步提高定量降水估测精度和短时强降水预警技术水平提供客观依据。
1 资料及方法 1.1 资料选取标准根据环境背景特征将强降水风暴分为雷暴大风为主型(简称“混合型”)和单纯强降水为主型(简称“降水为主型”)两类。“混合型”风暴以雷暴大风(瞬时风速≥17.2 m·s-1)天气为主，局部伴有短时强降水和(或)冰雹，主要受西风带系统影响，关键环境条件是空气湿度小，存在明显的干层(700~400 hPa温度露点差ΔTd700-400≥15℃)，850~500 hPa温差(ΔT850-500)较大(≥28℃)；“降水为主型”风暴以短时强降水天气为主，个别站点出现雷暴大风或冰雹，主要受副热带高压边缘西南气流或暖式切变影响，大气中水汽丰富，关键环境条件是空气湿度大，不存在明显的干层(ΔTd700-400＜15℃)，ΔT850-500较小(＜28℃)，环境0℃层高度较高。
“混合型”满足ΔT850-500≥28℃和ΔTd≥15℃，共有11次过程，选取分钟降水量连续2分钟≥2 mm且小时雨量超过30 mm的强降水风暴。“降水为主型”满足ΔT850-500＜28℃和ΔTd700-400＜15℃，共17次过程，选取分钟降水量连续2分钟≥2 mm且小时雨量超过40 mm的强降水风暴。基于单站双偏振雷达探测数据，强降水按分钟降水量分为1~2 mm、2~3 mm和3 mm以上三个等级，分别统计风暴低层(0.5~1 km)对应的双偏振参数，包括ZH、ZDR、CC和KDP。“混合型”风暴有56个样本(23个地面站)，“降水为主型”风暴有95个样本(37个地面站)。
1.2 统计分析方法利用济南、青岛和济宁双偏振雷达单站观测资料，统计强降水站点上空、风暴低层(0.5~1 km)12个距离库双偏振参量。距离库选取以地面雨量站点为参考，根据风暴移动方向，选取站点后侧3个径向(站点及左右各1°径向)，各径向4个距离库(库长为250 m)。低层双偏振参量与地面降水实际情况差别较小，因此选择1 km高度作为上限；距离雷达较近的区域在0.5 km高度以下会出现明显的杂波干扰，0.5 km高度以下不做分析。
使用雷达低仰角扫描产品(极坐标)，30~70 km基本用0.5°仰角数据(高度在0.5~1.0 km)，30 km之内、0.5~1.0 km高度使用CC值较大的仰角产品数据(多为1.5°仰角)，同时雷达站周围近处低仰角杂波干扰区域、遮挡区域和明显的波束非均匀填充区域不进行偏振量统计。杂波干扰区域主要包括近处固定地物及风力发电机组干扰。济南雷达0.5°仰角在115°~160°方位有遮挡现象，主要是济南南部山区及泰山山脉遮挡，泰山主峰遮挡较明显；青岛雷达0.5°仰角在53°~62°方位有明显遮挡(崂山遮挡)，西侧245°~263°方位0.5°和1.5°仰角有明显遮挡；济宁雷达无遮挡。有些对流回波会出现明显的波束非均匀填充现象，在CC产品上表现为明显的后侧径向上CC小值区。
双偏振参量与分钟降水量对应关系要综合考虑，既考虑下降到地面时间，又要考虑单体移动方向及移动速度。大小不同的雨滴降落速度存在差异，1~4 mm的雨滴(降水量主要贡献者)下落速度基本在4~8 m·s-1。远处为0.5°仰角数据，1 km高度下降到地面时间在2~4 min；近处多为1.5°仰角数据，时间要延迟1 min左右，0.5 km高度下降到地面时间为1~2 min，延迟后为2~3 min。综合考虑，选取雷达体扫时间后延2~4 min地面站的分钟降水量进行对应分析。
依据雷达识别出的单体移动速度，计算2 min风暴移动的距离，大致估测12个距离库距离地面雨量站点的长度。图 1是一次“混合型”强对流过程资料选取示例，观测时间是00:36。风暴移动速度较快，基本沿南偏东方向移动(蓝色箭头)，参考站点禹城站周围径向速度较大，综合考虑，选取距离站点约1 km后侧北偏西区域12个距离库数据(图 1中蓝色方框区域)，对应降水量是2 min(00:38—00:40)的平均降水量。对于其他过程不同方向移动的风暴，仍然选取站点后侧12个距离库数据，数据区方位根据单体移动方向进行调整(图 1中棕色和绿色虚线方框及箭头线)。对于移动缓慢的风暴，距离站点的距离相对要较近，而对于移动较快的风暴，距离站点的距离相对要较远。
|
图 1 一次“混合型”强对流过程的(a)水平极化反射率因子ZH，(b)平均径向速度V，(c)相关系数CC，(d)差分反射率因子ZDR和(e)差分相移率KDP 注：方框区为读取数据区，箭头代表风暴移动方向。 Fig. 1 (a) The horizontal polarization ZH, (b) average radial velocity V, (c) correlation coefficient CC, (d) differential reflectivity ZDR and (e) specific differential phase KDP of a "mixed type" convective storm process |
利用双偏振参量统计数据，做出不同等级降水量对应的双偏振参量箱型图，分析1/4、3/4分位特征值、中值、平均值等，并对双偏振参量进行对比分析。
2 强降水风暴低层双偏振参量特征 2.1 不同类型强降水环境参数“混合型”强降水天气过程包括：2019年4月24日、5月10日、6月8日、8月16日强降水，2020年5月17日、6月1日、6月25日强降水，2021年5月26日、6月30日、7月9日、7月31日强降水。
“降水为主型”强降水天气过程包括：2019年6月20日、7月6日、7月27日、8月10日强降水，2020年7月22日、8月1—2日、8月3—4日、8月6日、8月13日、8月26日、8月30日强降水，2021年6月14日、6月29日、7月5日、7月7日、7月11日、7月13—14日强降水。
“混合型”与“降水为主型”强降水关键环境参数平均值见表 1。表中可以看出，“混合型”强降水天气K指数、整层比湿积分IQ、对流有效位能CAPE* (订正后的CAPE)明显小于“降水为主型”，ΔT850-500、垂直风切变SHR及干层强度(ΔTd700-400)明显大于“降水为主型”，湿球0℃层高度WBZ和0℃层高度ZH明显低于“降水为主型”。“混合型”强降水天气湿度小，有干层存在，利于雷暴大风的出现，垂直风切变大，利于飑线、多单体风暴簇、相对孤立的超级单体等组织性强的风暴发展与维持；WBZ低，利于地面出现冰雹天气，同时出现融化的冰相粒子和大的液态粒子的概率较高。
|
表 1 “混合型”与“降水为主型”强降水关键环境参数平均值 Table 1 Average value of key ambient parameters of "mixed type" and "precipitation dominated type" convections |
符合选取标准的“混合型”强降水风暴低层双偏振参量(ZH、ZDR、KDP和CC)箱型图见图 2a。
|
图 2 (a)“混合型”和(b)“降水为主型”强降水双偏振参量箱型图
注： 对应1~2 mm·min-1， 对应2~3 mm·min-1， 对应3 mm·min-1, ×为平均值，─为中值。 Fig. 2 Dual polarization parameter box diagram of (a) "mixed type" and (b) "precipitation dominated type" convections
|
由1~2 mm·min-1降水对应的双偏振参量可以看出，ZH、ZDR、KDP和CC的平均值分别为52.2 dBz、2.6 dB、2.1°·km-1和0.970(数据共有378组)。ZH主要集中在49.5~54.5 dBz，中值为51.5 dBz，最大为64.0 dBz；ZDR主要集中在1.9~3.2 dB，多数小于3.2 dB，中值为2.5 dB；KDP主要集中在1.6~2.5°·km-1，多数在1.6°·km-1以上，中值为2.0°·km-1；CC主要集中0.965~0.985，多数大于0.965，中值为0.975。
由2~3 mm·min-1降水对应的双偏振参量可以看出，ZH、ZDR、KDP和CC的平均值分别是52.6 dBz、2.2 dB、2.8°·km-1和0.967(数据共有202组)。ZH主要集中在50.5~54.0 dBz，中值为52.0 dBz，最大为67.0 dBz；ZDR主要集中在1.7~2.7 dB，多数小于2.7 dB，中值为2.1 dB；KDP主要集中在2.4~ 3.5°·km-1，多数在2.4°·km-1以上，中值为2.8°·km-1；CC主要集中0.960~0.980，多数大于0.960，中值为0.975。
由3 mm·min-1以上降水对应的双偏振参量可以看出，ZH、ZDR、KDP和CC的平均值分别是54.0 dBz、2.2 dB、3.7°·km-1和0.968(数据共有49组)。ZH主要集中在50.6~57.0 dBz，中值为53.7 dBz，最大为60.0 dBz；ZDR主要集中在1.9~2.5 dB，多数小于2.5 dB，中值为2.1 dB；KDP主要集中在3.4~4.3°·km-1，多数在3.4°·km-1以上，中值为3.7°·km-1；CC主要集中0.960~0.980，多数大于0.960，中值为0.965。
“混合型”强降水随着分钟降水量增大，ZH和KDP也随之增大，ZDR和CC略有减小。1~2 mm·min-1降水，ZDR大，表明液态粒子直径大，KDP小，表明液态粒子浓度小，即浓度偏小、直径偏大的液态粒子降水强度偏弱。3 mm·min-1以上降水，KDP明显较大，液态粒子浓度高，高浓度液态粒子可导致ZH增大；ZDR偏小，表明液态粒子直径略有偏小，高浓度直径偏小的液态粒子降水强度最大。
对于“混合型”强降水(分钟降水量1 mm以上，对应降水强度>60 mm·h-1)，风暴低层CC多数在0.960以上，ZH主要集中在50~57 dBz，ZDR主要集中在1.7~3.2 dB，KDP主要集中在1.6~4.3°·km-1。
“混合型”存在较多0.960以下的CC值，表明有明显冰相粒子干扰。1~2 mm·min-1和2~3 mm·min-1的降水风暴低层对应的ZH有60 dBz以上数值，ZDR有负值，CC有小于0.900的数据值，表明存在明显较大的相对较干的冰粒子干扰。
2.3 “降水为主型”强降水符合选取标准的“降水为主型”强降水风暴低层双偏振参量(ZH、ZDR、KDP和CC)箱型图见图 2b。
1~2 mm·min-1降水对应的双偏振参量显示，ZH、ZDR、KDP和CC的平均值分别是49.6 dBz、1.7 dB、1.8°·km-1和0.980(数据共有522组)。ZH主要集中在48.0~51.0 dBz，中值为49.7 dBz，最大为61.0 dBz；ZDR主要集中在1.4~2.2 dB，多数小于2.2 dB，中值为1.7 dB；KDP主要集中在1.5~2.1°·km-1，多数在1.5°·km-1以上，中值为1.7°·km-1；CC主要集中0.975~0.985，多数大于0.975，中值为0.980。
2~3 mm·min-1降水对应的双偏振参量显示，ZH、ZDR、KDP和CC的平均值分别是51.2 dBz、1.8 dB、2.9°·km-1和0.977(数据共有401组)。ZH主要集中在50.5~52.5 dBz，中值为51.5 dBz，最大为57.0 dBz；ZDR主要集中在1.5~2.1 dB，多数小于2.1 dB，中值为1.8 dB；KDP主要集中在2.5~3.3°·km-1，多数在2.5°·km-1以上，中值为2.9°·km-1；CC主要集中0.970~0.985，多数大于0.970，中值为0.980。
3 mm·min-1以上降水对应的双偏振参量显示，ZH、ZDR、KDP和CC的平均值分别是51.4 dBz、1.6 dB、3.6°·km-1和0.978(数据共有147组)。ZH主要集中在49.5~53.5 dBz，中值为52.0 dBz，最大为57.0 dBz；ZDR主要集中在1.2~2.0 dB，多数小于2.0 dB，中值为1.6 dB；KDP主要集中在3.2~3.9°·km-1，多数在3.2°·km-1以上，中值为3.6°·km-1；CC主要集中在0.975~0.985，多数大于0.975，中值为0.980。
“降水为主型”强降水随着分钟降水量增大，ZH和KDP也随之增大，KDP增大更加明显，ZDR和CC变化不明显。对于“降水为主型”强降水，不同分钟降水量级ZDR变化不明显，表明液态粒子直径基本相当或一致；KDP明显增强，表明液态粒子浓度明显增强，从而导致回波强度有所增大，降水强度明显加强。
对于“降水为主型”强降水(分钟降水量1 mm以上，对应降水强度>60 mm·h-1)，风暴低层CC多数在0.97以上，ZH、ZDR、KDP分别主要集中在48~54 dBz、1.2~2.2 dB、1.5~3.8°·km-1，0.960以下的CC值较少，表明冰相粒子干扰较少。
2.4 两类强降水风暴低层双偏振特征对比表 2是滤除明显冰雹干扰后的不同分钟降水量级“混合型”与“降水为主型”风暴低层双偏振参量对比。两种类型强降水风暴低层双偏振特征对比时，排除冰雹干扰才更为合理，因此，将ZH≥60 dBz的距离库数据全部滤除后重新统计出ZH、ZDR、KDP和CC区间值(25%~75%)和平均值(详见表 2)。
|
|
表 2 “混合型”与“降水为主型”强降水双偏振参量对比 Table 2 Comparison of dual polarization parameters between "mixed type" and "precipitation dominated type" severe rainfalls |
可以看出，相同分钟降水量级，“混合型”强降水ZH和ZDR平均值均大于“降水为主型”，而CC平均值小于“降水为主型”，1~2 mm·min-1和3 mm·min-1以上降水的“混合型”强降水KDP平均值均稍大于“降水为主型”，而2~3 mm·min-1降水的“混合型”强降水KDP平均值稍小于“降水为主型”。
1~2 mm·min-1降水，“混合型”强降水与“降水为主型”强降水ZH、ZDR、KDP和CC平均值的差值分别为2.2 dBz、0.9 dB、0.3°·km-1和-0.009。2~3 mm·min-1降水，“混合型”强降水与“降水为主型”强降水ZH、ZDR、KDP和CC平均值的差值分别为0.7 dBz、0.5 dB、-0.1°·km-1和-0.007。3 mm·min-1以上降水，“混合型”强降水与“降水为主型”强降水ZH、ZDR、KDP和CC平均值的差值分别为2.3 dBz、0.5 dB、0.2°·km-1和-0.010。
造成两种不同类型强降水风暴低层双偏振参量特征差异与天气环境因素密切相关。对于“混合型”强降水，干层强度较强(平均ΔTd为22.3℃)，700~ 400 hPa存在明显的干层，干空气的夹卷及蒸发作用可加强对流风暴下沉气流强度，粒子下降速度较快，同时湿球0℃层高度较低，下降中的固态粒子在湿球0℃层高度以下历时较短，在低层融化后形成偏大的液态粒子，同时还会有部分偏小的固态粒子不会完全融化，ZH对粒子大小较为敏感，ZDR对液态粒子或融化的冰相粒子大小较为敏感。依据Rasmussen and Heymsfield(1987a；1987b)、Dolan et al(2013)研究成果，相对湿度为100%时，初始尺寸10 mm的冰雹下落2 km后基本融化成大雨滴，15 mm的冰雹经过融化后直径约8 mm左右(反射率因子约为54 dBz)，“混合型”强降水天气湿球0℃层高度在3 km左右，下降2 km高度后基本处在1 km高度，因此，“混合型”强降水风暴低层出现大雨滴和小于10 mm的冰相粒子概率较高，从而导致大的ZH、ZDR(甚至5 dB以上的ZDR高值)和偏小的CC，融化的冰相粒子也可导致KDP增大甚至出现奇异值。“降水为主型”强降水天气具有深厚的湿层和较高的湿球0℃层高度，干层强度较弱(平均ΔTd为7.5℃)，干空气夹卷与蒸发效应不明显，粒子下降速度相对偏小，粒子在0℃层高度或湿球0℃层高度之下历时较长，小的冰相粒子融化较为明显，在低层基本表现为纯的液态粒子，粒子直径相对偏小，其结果就是ZH和ZDR偏小，CC偏大。
1~2 mm·min-1和3 mm·min-1以上降水，“混合型”强降水的KDP平均值均稍大于“降水为主型”强，KDP区间值上限明显偏大，结合CC区间值下限偏小，表明“混合型”强降水风暴低层KDP不仅存在较高浓度的液态粒子，而且有融化的冰雹粒子干扰(KDP不仅对液态粒子浓度较为敏感，融化的冰相粒子也可导致KDP增大)，“降水为主型”强降水风暴低层基本表现为较高浓度的液态粒子。2~3 mm·min-1降水，“混合型”强降水KDP平均值稍小于“降水为主型”强对流，区间值基本相当，无论是“混合型”强降水还是“降水为主型”强降水基本表现为较高浓度的液态粒子。
3 结论本文利用山东S波段双偏振雷达探测资料，对2019—2021年5—8月两类强降水风暴低层不同分钟降水量级偏振参量特征进行了分析，讨论了六种不同情况下强降水风暴低层偏振特征差异的环境因素和云微物理特征，得出如下结论：
(1) 随着分钟降水量级增大，两种类型强降水风暴低层ZH和KDP都随之增大；“降水为主型”风暴ZDR和CC变化不明显，“混合型”风暴ZDR和CC减小。说明随着降水量级增大，两种类型风暴低层液态粒子浓度增大。“混合型”风暴低层尺寸更大的冰雹干扰增多，导致ZDR和CC减小。“降水为主型”风暴低层ZDR无明显变化，表明液态粒子大小随着降水强度增大无明显变化。
(2) 对于2 mm·min-1以上高强度降水，“混合型”强降水风暴低层ZH、ZDR、KDP分别集中在50.5~ 57.0 dBz、1.7~2.7 dB、2.4~4.3°·km-1，CC在0.960以上，液态粒子浓度较高，回波强度较强；“降水为主型”强降水风暴低层ZH、ZDR、KDP分别集中在49.5~53.5 dBz、1.2~2.1 dB、2.5~3.9°·km-1，CC在0.970以上。说明这种情况下多数“混合型”对流风暴含有大量5~10 mm左右的小冰雹，湿球0℃层高度较低，较小冰雹在低层融化为大雨滴，明显增加了相应的ZDR值，也导致回波强度ZH高于“降水为主型”。
(3) 对比两类强降水风暴低层相同分钟降水量级偏振特征，“混合型”强降水的ZH和ZDR大于“降水为主型”，而CC小于“降水为主型”。主要因为“混合型”强降水内部不仅存在较多5~10 mm较小冰雹，还存在一些大的冰雹粒子，在低层融化为大雨滴或小的冰相粒子，导致ZH和ZDR较大而CC较小。“降水为主型”强降水中只有少量直径5~10 mm的较小冰雹，湿球0℃层高度较高，融化后在低层形成尺寸较小的雨滴。
(4) 无论是“混合型”强降水还是“降水为主型”强降水，风暴低层最典型特征是有大的KDP，相同分钟降水量级情况下平均值差别不明显，因此将KDP应用于强降水估测具有明显优势。在无明显冰雹干扰(ZH＜60 dBz)的情况下，1~2 mm·min-1、2~3 mm·min-1、3 mm·min-1以上降水KDP分别在1.4~2.6°·km-1、2.2~3.3°·km-1、3.3~4.4°·km-1。
陈超, 胡志群, 胡胜, 等, 2019. CINRAD-SA双偏振雷达资料在降水估测中的应用初探[J][J]. 气象, 45(1): 113-125. Chen C, Hu Z Q, Hu S, et al, 2019. Preliminary application of CINRAD-SA dual polarization radar data in rainfall estimation[J]. Meteor Mon, 45(1): 113-125 (in Chinese).
|
陈静, 钤伟妙, 韩军彩, 等, 2015. 基于动态Z-I关系雷达回波定量估测降水方法研究[J]. 气象, 41(3): 296-303. Chen J, Qian W M, Han J C, et al, 2015. An approach for radar quantitative precipitation estimate based on Z-I relations varying with time and space[J]. Meteor Mon, 41(3): 296-303 (in Chinese).
|
刁秀广, 李芳, 万夫敬, 2022. 两次强冰雹超级单体风暴双偏振特征对比[J]. 应用气象学报, 33(4): 414-428. Diao X G, Li F, Wan F J, 2022. Comparative analysis on dual polarization features of two severe hail supercells[J]. J Appl Meteor Sci, 33(4): 414-428 (in Chinese).
|
刁秀广, 杨传凤, 张骞, 等, 2021. 二次长寿命超级单体风暴参数与ZDR柱演变特征分析[J]. 高原气象, 40(3): 580-589. Diao X G, Yang C F, Zhang Q, et al, 2021. Analysis on the evolution characteristics of storm parameters and ZDR column for two long life supercells[J]. Plateau Meteor, 40(3): 580-589 (in Chinese).
|
刁秀广, 张磊, 孟宪贵, 等, 2020. 两次强降水风暴双偏振参量特征分析[J]. 海洋气象学报, 40(3): 27-36. Diao X G, Zhang L, Meng X G, et al, 2020. Analysis on characteristics of dual-polarization parameters of two heavy precipitation storms[J]. J Mar Meteor, 40(3): 27-36 (in Chinese).
|
冯晋勤, 张深寿, 吴陈锋, 等, 2018. 双偏振雷达产品在福建强对流天气过程中的应用分析[J]. 气象, 44(12): 1565-1574. Feng J Q, Zhang S S, Wu C F, et al, 2018. Application of dual polarization weather radar products to severe convective weather in Fujian[J]. Meteor Mon, 44(12): 1565-1574 (in Chinese).
|
何清芳, 林文, 张深寿, 等, 2022. 闽西南地区一次春季降雹过程的双偏振参量及降水粒子谱特征[J]. 气象, 48(7): 856-867. He Q F, Lin W, Zhang S S, et al, 2022. Dual polarization parameters and precipitation particle spectrum characteristics of a spring hail event in southwestern Fujian[J]. Meteor Mon, 48(7): 856-867 (in Chinese).
|
侯淑梅, 孙敬文, 孙鹏程, 等, 2020. 基于加密自动气象观测站和国家气象观测站的山东省极端短时强降水时空分布特征的对比分析[J]. 气象, 46(2): 200-211. Hou S M, Sun J W, Sun P C, et al, 2020. Comparative analysis of spatio-temporal distribution characteristics of extreme short-time severe precipitation in Shandong based on the dense observations from automatic weather stations and national stations[J]. Meteor Mon, 46(2): 200-211 (in Chinese).
|
李昭春, 朱君鉴, 张持岸, 等, 2021. 海南屯昌儋州台风雨带龙卷双偏振雷达探测分析[J]. 气象, 47(9): 1086-1098. Li Z C, Zhu J J, Zhang C A, et al, 2021. Analysis of dual polarization radar detection of tornado typhoon rainband in Danzhou and Tunchang in Hainan Province[J]. Meteor Mon, 47(9): 1086-1098 (in Chinese).
|
刘黎平, 葛润生, 张沛源, 2002. 双线偏振多普勒天气雷达遥测降水强度和液态含水量的方法和精度研究[J]. 大气科学, 26(5): 709-720. Liu L P, Ge R S, Zhang P Y, 2002. A study of method and accuracy of rainfall rate and liquid water content measurements by dual linear polarization Doppler radar[J]. Chin J Atmos Sci, 26(5): 709-720 (in Chinese).
|
刘黎平, 钱永甫, 王致君, 等, 1996. 双线偏振雷达测雨效果的对比分析[J]. 大气科学, 20(5): 615-619. Liu L P, Qian Y F, Wang Z J, et al, 1996. Comparitive study on dual linear polarization radar measuring rainfall rate[J]. Sci Atmos Sin, 20(5): 615-619 (in Chinese).
|
潘佳文, 蒋璐璐, 魏鸣, 等, 2020. 一次强降水超级单体的双偏振雷达观测分析[J]. 气象学报, 78(1): 86-100. Pan J W, Jiang L L, Wei M, et al, 2020. Analysis of a high precipitation supercell based on dual polarization radar observations[J]. Acta Meteor Sin, 78(1): 86-100 (in Chinese).
|
申高航, 高安春, 李君, 2021. 雨滴谱及双偏振雷达等资料在一次强降水过程中的应用[J]. 气象, 47(6): 737-745. Shen G H, Gao A C, Li J, 2021. Application of raindrop spectrum and dual polarization radar data to a heavy rain process[J]. Meteor Mon, 47(6): 737-745 (in Chinese).
|
汪舵, 刘黎平, 吴翀, 2017. 基于相态识别的S波段双线偏振雷达最优化定量降水估测方法研究[J]. 气象, 43(9): 1041-1051. Wang D, Liu L P, Wu C, 2017. An optimization rainfall algorithm of S-band dual-polarization radar based on hydrometeor identification[J]. Meteor Mon, 43(9): 1041-1051 (in Chinese).
|
王孝慈, 李双君, 孟英杰, 2022. 武汉地区4次低质心类短时强降水对流风暴特征分析[J]. 气象, 48(5): 633-646. Wang X C, Li S J, Meng Y J, 2022. Characteristics of four low-echo-centroid convective storms of short-time heavy rainfall in Wuhan[J]. Meteor Mon, 48(5): 633-646 (in Chinese).
|
吴照宪, 罗亚丽, 刘希, 等, 2022. 2011—2018年安徽暖季短时强降水及其环流背景统计特征[J]. 气象, 48(8): 963-978. Wu Z X, Luo Y L, Liu X, et al, 2022. Statistical characteristics of the hourly heavy rainfall events over Anhui Province during the 2011-2018 warm seasons and the associated synoptic circulation patterns[J]. Meteor Mon, 48(8): 963-978 (in Chinese).
|
肖靖宇, 杨玲, 俞小鼎, 等, 2022. 佛山相控阵阵列雷达探测2020年9月4日短时强降水天气过程的分析[J]. 气象, 48(7): 826-839. Xiao J Y, Yang L, Yu X D, et al, 2022. Analysis of short-time severe rainfall on 4 September 2020 detected by phased array radar in Foshan[J]. Meteor Mon, 48(7): 826-839 (in Chinese).
|
荀爱萍, 张伟, 黄惠镕, 等, 2019. 厦门市S波段双偏振雷达测雨效果分析[J]. 气象与环境科学, 42(4): 103-110. Xun A P, Zhang W, Huang H R, et al, 2019. Analysis of rainfall measuring errors of S-band dual polarization weather radar in Xiamen[J]. Meteor Environ Sci, 42(4): 103-110 (in Chinese).
|
俞小鼎, 2013. 短时强降水临近预报的思路与方法[J]. 暴雨灾害, 32(3): 202-209. Yu X D, 2013. Nowcasting thinking and method of flash heavy rain[J]. Torr Rain Dis, 32(3): 202-209 (in Chinese).
|
赵渊明, 漆梁波, 2021. 短时强降水概率预报的多模式集成技术研究[J]. 气象, 47(5): 529-538. Zhao Y M, Qi L B, 2021. Multi-model integration technology for probabilistic forecasting of short-time severe rainfall[J]. Meteor Mon, 47(5): 529-538 (in Chinese).
|
Chen J, Zheng Y G, Zhang X L, et al, 2013. Distribution and diurnal variation of warm-season short-duration heavy rainfall in relation to the MCSs in China[J]. Acta Meteor Sin, 27(6): 868-888.
|
Dolan B, Rutledge S A, Lim S, et al, 2013. A robust C-band hydrometeor identification algorithm and application to a long-term polarimetric radar dataset[J]. J Appl Meteor Climatol, 52(9): 2162-2186.
|
Giangrande S E, Ryzhkov A V, 2008. Estimation of rainfall based on the results of polarimetric echo classification[J]. J Appl Meteor Climatol, 47(9): 2445-2462.
|
Gorgucci E, Scarchilli G, Chandrasekar V, 2000. Practical aspects of radar rainfall estimation using specific differential propagation phase[J]. J Appl Meteor Climatol, 39(6): 945-955.
|
Hall M P M, Cherry S M, Goddard J W F, et al, 1980. Rain drop sizes and rainfall rate measured by dual-polarization radar[J]. Nature, 285(5762): 195-198.
|
Kumjian M R, 2013. Principles and applications of dual-polarization weather radar.Part Ⅱ: warm- and cold-season applications[J]. J Operat Meteor, 1(20): 243-264.
|
Kumjian M R, Ryzhkov A V, 2008. Polarimetric signatures in supercell thunderstorms[J]. J Appl Meteor Climatol, 47(7): 1940-1961.
|
Rasmussen R M, Heymsfield A J, 1987a. Melting and shedding of graupel and hail.Part Ⅰ: model physics[J]. J Atmos Sci, 44(19): 2754-2763.
|
Rasmussen R M, Heymsfield A J, 1987b. .Melting and shedding of graupel and hail.Part Ⅱ: sensitivity study[J]. J Atmos Sci, 44(19): 2764-2782.
|
Romine G S, Burgess D W, Wilhelmson R B, 2008. A dual-polarization-radar-based assessment of the 8 May 2003 Oklahoma City area tornadic supercell[J]. Mon Wea Rev, 136(8): 2849-2870.
|
Warning Decision Training Branch, 2013. Dual-polarization radar operations course[EB/OL]. NOAA: 180-189. https://training.weather.gov/wdtd/courses/dualpol/documents/DualPolOpsStu-dentGuide.pdf.
|
Zrnić D S, Ryzhkov A, 1996. Advantages of rain measurements using specific differential phase[J]. J Atmos Oceanic Technol, 13(2): 454-464.
|