2025, Vol. 51 
2. 上海中心气象台，上海 200030
2. Shanghai Central Meteorological Observatory, Shanghai 200030
龙卷是与陆地或水面接触的剧烈旋转的空气柱。在全球，美国的龙卷发生频率最高，2008—2018年夏季，美国发生的强龙卷(增强型藤田级EF2+)占所有龙卷事件的11.7%，但造成了同期所有龙卷死亡人数的96%(Gibbs and Bowers, 2019)。虽然所有龙卷都可能存在潜在的危险，但绝大部分灾害损失由强龙卷事件造成。Bluestein(2013)研究表明龙卷主要在超级单体和线状对流风暴中生成。在所有龙卷事件样本中，准线性对流风暴产生EF1级龙卷居多，几乎所有的EF3级以上龙卷都是由超级单体产生的(Smith et al，2012)。Rotunno and Bluestein(2024)总结近十年龙卷研究进展也是围绕龙卷超级单体展开，其中在理论进展方面，主要是改进包含龙卷母环流的超级单体风暴的基于数值模拟的概念模型，运用这些精细的模拟分析结果为区分龙卷超级单体和非龙卷超级单体提供了新的见解；在观测进展方面，随着多普勒雷达技术的改进，现已能够进行快速扫描和双偏振观测，这为龙卷形成、龙卷结构以及龙卷在其母超级单体中的位置提供了更准确的认识。
不是所有的超级单体都会产生强龙卷，即使那些产生强龙卷的超级单体，也可能并非生命周期中一直具有强龙卷特征，因此国内外研究学者一直在致力于研究强龙卷超级单体和弱龙卷或者非龙卷超级单体的近风暴环境和雷达特征区别。与非龙卷超级单体相比，龙卷超级单体通常发生在低层相对风暴螺旋度(SRH)更高，抬升凝结高度更低的环境中(Coffer et al，2020；Zhou et al，2022)。Hua and Anderson-Frey(2023)统计近风暴环境表明，混合层对流有效位能(MLCAPE)和0~1 km SRH可以显著区分龙卷与非龙卷环境。但是在相似的环境中龙卷超级单体和非龙卷超级单体共存，风暴相互作用和风暴对于近风暴环境的改变发生在较小的时空尺度上(约2~20 km，小于10 min)，多普勒天气雷达的时空分辨率高，可以观察到这些更小尺度特征。Kingfield and LaDue(2015)发现龙卷旋转速度在18~ 25.7 m·s-1，自动中气旋探测算法在区分弱、强龙卷方面具有最高的技能评分；Gibbs and Bowers(2019)通过分析85个产生强龙卷的超级单体风暴指出，更强的旋转速度和更深的涡旋可以有效地预测超级单体强龙卷的形成，旋转速度超过25 m·s-1可以作为识别强龙卷的预警指标之一；Homeyer et al(2020)研究发现，与非龙卷超级单体相比，龙卷超级单体的低层中气旋与中层中气旋以及风暴强上升气流区更垂直对齐。20世纪90年代，随着双偏振观测技术的发展，运用双偏振参量为识别强龙卷提供了新思路。Ryzhkov et al(2005)研究发现，超级单体钩状回波处相关系数(CC)和差分反射率因子(ZDR)的显著下降，认为是龙卷抬升近地面的“碎屑”造成的，而这些特征在弱龙卷中不明显。在超级单体风暴前侧翼反射率因子梯度大值区域，距地2 km高度以下存在较高的ZDR值(≥3 dB)，被称为ZDR弧(Kumjian and Ryzhkov, 2008)。Thompson et al(2012)发现ZDR弧的大小与0.4~3.0 km的SRH存在强烈的正线性关系，可帮助区分龙卷超级单体和非龙卷超级单体。Dawson et al(2015)将ZDR弧大小作为超级单体中SRH的替代指标。Homeyer et al(2020)研究发现，低层至中层ZDR偶极子、低层ZDR和差分传播相移率(KDP)增强区分离矢量、CC低值以及风暴移向之间的结构配置有助于区分龙卷超级单体和非龙卷超级单体。国内的以往研究也给出了中国超级单体龙卷的环境参数特征、风暴结构和形成物理过程(王秀明等，2015；王秀明和俞小鼎，2019；俞小鼎等，2021；郑永光等，2021；Zhang et al，2023)。黄先香等(2024)研究广东近60年的龙卷，指出了强龙卷发生时通常伴随着低层中气旋(旋转速度＞20 m·s-1)和超过40 m· s-1的龙卷涡旋特征速度差。
近年来，随着国内双偏振雷达的推广应用，基于双偏振雷达产品分析超级单体致灾对流风暴精细结构的研究增多。潘佳文等(2021)统计分析了不同高度层的三体散射、ZDR柱等典型特征在大、小冰雹事件中的差异化特征；管理等(2022)通过自动识别双偏振雷达KDP足及ZDR弧的变化来指示极端大风的发生；皇甫江等(2022)利用深度学习开展双偏振定量降水估测；李芳和刁秀广(2023)对比雷暴大风(同时伴有强降水或冰雹)为主型和单纯强降水为主型的低层双偏振雷达回波特征发现，前者的反射率因子(ZH)和ZDR大于后者。不少学者基于双偏振观测资料对冰雹、龙卷和强降水风暴精细结构进行了个例分析(李芳等，2024；王福侠等，2024；张哲等，2022；夏凡等，2024；杨祖祥等，2024；黄旋旋等，2024)。强龙卷和非龙卷强风超级单体的单偏振回波结构有类似之处，区分难度大，目前尚缺少基于我国双偏振雷达的强龙卷和非龙卷强风超级单体雷达回波特征对比研究。本文基于S波段双偏振雷达探测资料，试图通过对比提取强龙卷和非龙卷超级单体风暴结构差异，提炼龙卷超级单体结构特征，为强龙卷超级单体预警提供支撑。
1 资料与方法 1.1 资料选取近五年发生的长生命史超级单体个例18个(表 1)，所选龙卷个例均为EF2级及以上的强龙卷，其中包括EF3级龙卷4个，EF2级龙卷5个；同时挑选同一天相似天气环流背景下未产生龙卷的超级单体9个，其中包括4个超过10级以上大风个例, 5个8级以上大风个例。超级单体选取标准如下：(1)仅限于发生在距雷达站点130 km以内，根据Smith et al(2015)研究表明，超过130 km范围则龙卷识别受到显著限制；(2)能被有双偏振功能的多普勒雷达探测到；(3)非台风龙卷；(4)超级单体符合右移特征；(5)超级单体中气旋持续时间≥1 h，属于长生命史超级单体。
|
表 1 超级单体个例 Table 1 The supercell cases |
双偏振观测量包含ZDR、KDP和CC，可用于分析超级单体风暴内部重要的微物理结构并且可以间接反映动力结构。ZDR提供了风暴水凝物平均粒子相态、形状、方向相关信息；KDP提供了关于给定雷达体积内液态含水量的信息，随着雨滴尺寸和浓度的增加而增加，与降雨率近似线性相关；CC衡量样本体积内粒子类型、形状、相态和方向的一致性和多样性。
根据统计，超级单体龙卷的探测命中率为85%，平均预警时间约为17 min(Brotzge et al，2013)，而基于雷达径向速度最多可提前20~30 min预测强龙卷(Gibbs and Bowers, 2019)。强龙卷发生前超过雷达4个体扫(24 min)的数据时，其可预测性显著下降(Gibbs, 2016)。因此选取强龙卷(非龙卷)前24 min和6 min的双偏振特征进行分析，比较强龙卷超级单体和非龙卷超级单体的雷达回波特征差异。
选取ERA5资料计算的龙卷和雷暴大风发生时刻前1 h近风暴环境特征参数(表 1)，可以看出龙卷和雷暴大风超级单体MLCAPE平均值分别为2252 J·kg-1和2454.2 J·kg-1，0~6 km垂直风切变(SH0~6)平均值分别为23.7 m·s-1和22.4 m· s-1；0~1 km相对风暴螺旋度(SRH0~1)平均值分别为151.1 m2·s-2和100.1 m2·s-2；0~3 km相对风暴螺旋度(SRH0~3)平均值分别为283.6 m2·s-2和189.6 m2·s-2；强龙卷参数(STP)平均值分别为2.8和1.6。前两者没有显著差异，后三者整体上龙卷超级单体的值更高一些。美国业务上以STP>1作为EF2级及以上强龙卷可能发生的预警阈值，本研究中89%龙卷样本和67%的非龙卷样本均超过此阈值。Zhang et al(2023)研究指出中国强龙卷的SRH0~1平均值约为103 m2·s-2，本研究中78%的龙卷样本和67%的非龙卷样本均超过该值，因此利用近风暴环境参数区分龙卷和非龙卷存在不确定性，需要结合其他信息(如双偏振雷达回波特征)进一步区分。
文中所用时间均为北京时。
1.2 方法 1.2.1 ZDR弧和KDP足的自动识别根据管理等(2022)的双偏振雷达ZDR弧和KDP足的自动识别算法，将双偏振雷达的ZH、ZDR、CC和KDP插值到直角坐标的网格上，水平和垂直分辨率均为250 m。首先进行单体识别；然后选取单体前侧侧翼区域反射率因子梯度沿线2 km高度以下，ZDR≥3 dB、面积大于1 km2，经过随机森林模型识别以及与强单体质心的距离≤30 km约束，识别出ZDR弧。若仅采用3 dB的ZDR阈值，实际上会存在有些ZDR值整体较低的超级单体无法识别出ZDR弧，降低阈值至2 dB可较好地判识这类超级单体的ZDR弧，因此本研究采用3 dB和2 dB来共同判识ZDR弧特征。参考van den Broeke (2020) ZDR弧的计算高度, 选取1 km等高平面(AGL)上ZDR弧面积、ZDR弧平均值和最大10个像素值的平均值进行计算。强单体中心或后侧伴有超过1.5 °·km-1的KDP大值区，若满足其面积大于2 km2且强KDP大值区与强单体的质心距离≤15 km的约束条件，则识别为KDP足。
1.2.2 KDP足-ZDR弧分离特征计算在1.2.1节中ZDR弧和KDP足自动识别的基础上，计算两者质心的距离、分离矢量和风暴移动方向的夹角。如果强单体周围识别出多个KDP足和ZDR弧，根据两者的面积，以反距离权重法计算得到多个KDP足和ZDR弧的“相对”质心位置，计算KDP足质心到ZDR弧质心的距离和标注分离矢量，进而计算分离矢量到风暴移动方向的夹角(图 1, 逆时针方向)，风暴移动方向来自于前两个时次的风暴质心位置计算结果。
|
图 1 低层KDP足和ZDR弧的质心分离矢量与风暴移动方向夹角示意图(Loeffler and Kumjian, 2018) Fig. 1 Schematic diagram of the angle between the centroids separation vector of the KDP foot and ZDR arc in low level and storm movement direction (cited from Loeffler and Kumjian, 2018) |
在1.2.1节的基础上识别ZDR柱和冰雹区域，ZDR柱的识别标准为湿球温度0℃层以上ZDR≥1 dB；冰雹区域的识别标准为ZH≥50 dBz，ZDR≤1 dB，CC＜1，运用此标准识别3~5 km高度上的冰雹分布区域。
1.2.4 中气旋旋转速度识别选取强龙卷(非龙卷强风)发生前24 min内的所有双偏振多普勒雷达资料，使用质量控制后的基本径向速度和中气旋产品，结合人工订正判识确定低层(0~2 km)和中层(2~7 km)中气旋的旋转速度Vrot，如式(1)所示(Gibbs and Bowers, 2019)，其中Vmax为最大正径向速度，Vmin为最大负径向速度。参考Andra(1997)定义的弱中气旋和中等中气旋阈值，选取旋转速度≥15 m·s-1开始计算，同时计算低层和中层中气旋最强旋转速度的直径和所在高度。
| $ V_{\mathrm{rot}}=\left(V_{\max }-V_{\min }\right) / 2 $ | (1) |
以ZDR≥3 dB为阈值, 9个龙卷超级单体个例中有8个存在ZDR弧，9个非龙卷超级单体个例中有7个存在ZDR弧。对于没有出现ZDR弧的个例，降低ZDR阈值为≥2 dB，龙卷个例均识别出ZDR弧，非龙卷个例有1个没有识别出。表 2显示有7个龙卷超级单体出现ZDR弧向钩状回波延伸的特征，2个延伸不显著；而非龙卷超级单体个例则结果相反，仅2个超级单体的ZDR弧向钩状回波延伸，其余7个均未出现此特征。ZDR弧度量的变化可能揭示超级单体龙卷生命周期发展，龙卷生成之前ZDR弧向钩状回波延伸显著，可能表明风暴的入流区具有增强的涡度(Dawson Ⅱ et al，2015；Kumjian and Ryzhkov, 2009)，亦可定性表征低层中气旋显著增强。下文分析表明，非龙卷超级单体雹区范围大，而冰雹降落通常会表现出明显的ZDR弧中断。
|
|
表 2 1 km等高平面上的ZDR弧特征 Table 2 The characteristics of ZDR arc at 1 km AGL |
2021年5月14日18:50—19:05，江苏苏州盛泽地区发生EF3级龙卷，龙卷影响时最大风力达到17级。图 2显示其低层1 km等高平面上ZDR弧(深蓝色区域)和ZDR柱(浅蓝色区域)在龙卷发生前的演变。从18:30(图 2a)到18:48(图 2d)，低层ZDR弧面积有所增大，同时ZDR弧向钩状回波头部处(图 2红框)延伸。
|
图 2 2021年5月14日苏州强龙卷超级单体1 km等高平面上ZDR弧和ZDR柱演变 注：红框代表钩状回波位置。 Fig. 2 Evolution of ZDR arc and ZDR column of the significant tornadic supercell at 1 km AGL in Suzhou on 14 May 2021 |
Healey et al(2023)通过对比同一天气背景下相邻的龙卷和非龙卷超级单体的双偏振雷达ZDR弧特征(ZDR≥3.25 dB)发现，龙卷和非龙卷发生前30 min的ZDR弧平均面积分别为17.5 km2和20.3 km2，明显小于van den Broeke(2021)研究的ZDR弧特征结果(ZDR≥3.5 dB)，后者分别为78.6 km2和40.0 km2，原因是后者挑选的超级单体风暴更大更明显。挑选表 2中ZDR弧面积更大(≥20 km2)的超级单体进行对比发现，龙卷和非龙卷发生前24 min的ZDR弧平均面积分别为116.4 km2和58.9 km2。龙卷超级单体个例的ZDR弧强度平均值和最大10个像素值的平均值分别是3.2 dB和3.9 dB，稍大于非龙卷个例相应的平均值(3.0 dB和3.7 dB)，并无显著差异，与van den Broeke(2020)统计结果类似。
以上分析表明基于ZDR弧面积区分龙卷和非龙卷超级单体存在明显的尺度依赖，对于显著更大的超级单体龙卷风暴，ZDR弧面积有一定的作用，但对于ZDR弧面积本身较小的超级单体来说，该方法作用有限。
2.2 特征二：中低层非龙卷超级单体比龙卷超级单体具有更持久的冰雹区域运用KDP-ZDR自动算法识别3.5 km等高平面上冰雹区域发现(图 3)，非龙卷超级单体冰雹区域面积平均值大于龙卷超级单体，同时随着强对流天气临近，非龙卷的冰雹区域平均面积明显增强(图 3中蓝线)，平均值从62.8 km2(发生前24 min)增至133.2 km2(发生前6 min)；而龙卷的冰雹区域平均面积则略有减小(图 3中橙线)，平均值从47.4 km2(发生前24 min)减小到35.4 km2(发生前6 min)。这与van den Broeke(2020)研究非龙卷超级单体的冰雹区域结果类似。即非龙卷超级单体比龙卷超级单体具有更持久的冰雹区域(Kumjian and Ryzhkov, 2008)。龙卷超级单体的上升气流可能会因低层中气旋产生的更强的向下垂直扰动气压梯度力而减弱，冰雹胚胎无法在上升气流中停留足够长时间，因此导致龙卷超级单体中的冰雹区域更小、持续时间更短。一般来说，冰雹区域越大，由融化和蒸发导致的负浮力越大，拖曳作用亦更为显著，或将导致过强的冷池和阵风锋，从而不利于龙卷形成。
|
图 3 非龙卷超级单体和龙卷超级单体冰雹区域平均面积时间演变 Fig. 3 Temporal evolution of average area of the hail zone in non-tornadic supercells and tornadic supercells |
此外，本研究同时发现，非龙卷超级单体中冰雹区域更倾向于向后侧下沉气流处伸展，而龙卷单体中冰雹区域出现在前侧下沉气流区域。2021年5月14日影响苏州盛泽地区的超级单体，初始触发生成于安徽郎溪西南侧，16:54左右已加强为超级单体移入太湖地区，17:50—18:00还未产生龙卷前，先引发了32 m·s-1的雷暴大风。17:24—17:42此超级单体3.5 km等高平面上冰雹区域(图 4黄色区域)不断增大，从75.11 km2增大到187.21 km2，此时风暴移动方向方位角为270°，冰雹区域更倾向于向风暴移动的后侧下沉区域伸展，逐渐靠近并进入ZDR柱(图 4蓝色区域)表征的上升气流区。范围大且向后侧下沉气流区延伸的冰雹区域理论上将产生范围更大的冷区和更强的后侧阵风锋，这将限制通常位于风暴右后侧的超级单体上升气流。
|
图 4 2021年5月14日非龙卷超级单体3.5 km等高平面上ZDR柱和冰雹区域演变 Fig. 4 Evolution of ZDR column and hail area of the non-tornadic supercell at 3.5 km AGL on 14 May 2021 |
18:18，上述超级单体与南侧移入对流单体合并加强，18:24重新形成钩状回波，18:50产生EF3级龙卷。分析期间3.5 km等高平面上冰雹区域(图 5黄色区域)分布发现，此超级单体冰雹落区范围相较图 4显著减小，同时逐渐集中于风暴运动前侧的下沉区域，与ZDR柱(图 5蓝色区域)表征的超级单体上升气流区完全分离，完全不同于之前产生雷暴大风时ZDR柱与冰雹区配置(图 4)。
|
图 5 2021年5月14日龙卷超级单体3.5 km等高平面上ZDR柱和冰雹区域演变 Fig. 5 Evolution of ZDR column and hail area of the tornadic supercell at 3.5 km AGL on 14 May 2021 |
低层KDP足和ZDR弧质心的分离距离是判别低层风垂直切变、风暴相对螺旋度和风暴入流的指标之一，有助于区分龙卷和非龙卷超级单体(Healey and van den Broeke，2023)。对1 km等高平面上KDP足和ZDR弧的质心之间分离距离进行分析发现(图 6)，龙卷发生前24 min、6 min其超级单体的分离距离平均值分别是8.3 km和9.3 km；而非龙卷超级单体分别是7.8 km和6.3 km。龙卷超级单体的分离距离平均值明显比非龙卷超级单体更大，且临近强对流天气发生时呈现增大趋势。值得注意的是，虽然大多数龙卷样本个例的分离距离较大，但其样本离散度较大，说明部分龙卷超级单体的分离距离相对较小，这部分个例来源于之前ZDR弧面积较小的个例，对于这部分个例的龙卷特征需要进一步研究。
|
图 6 1 km等高平面上KDP足质心和ZDR弧质心的分离距离箱线图 (a，c)龙卷发生前(a)24 min、(c)6 min，(b，d)非龙卷发生前(b)24 min、(d)6 min Fig. 6 Box plots of the separation distance between the centroids of KDP foot and ZDR arc at 1 km AGL (a) 24 min and (c) 6 min before the occurrence of tornadoes, (b) 24 min and (d) 6 min before the occurrence of non-tornadoes |
低层龙卷与非龙卷超级单体KDP足和ZDR弧的质心分离矢量与风暴运动的夹角相比，在前6 min其夹角平均值更大，分别是25.6°和13.6°，没有达到正交的角度，在前24 min低层龙卷超级单体夹角平均值(42.5°)小于非龙卷超级单体夹角(67.9°) (图略)。Healey and van den Broeke(2023)研究表明，KDP和ZDR质心分离矢量与风暴移向的分离角无法区分龙卷超级单体和非龙卷超级单体。或许是由于样本量较小，同时该结果与风暴移动方向的稳定性有关。从现有个例看，基于分离角区分龙卷超级单体和非龙卷超级单体尚存在不确定性。
2.4 特征四：强龙卷超级单体低层中气旋增强且中层中气旋核低分别对比9个龙卷和9个非龙卷超级单体的中层和低层中气旋特征发现，龙卷超级单体在强龙卷发生前的24 min和6 min都出现了低层中气旋，而非龙卷个例在大风发生前6 min仅有4个个例出现了低层中气旋，而前24 min无低层中气旋。强龙卷发生前24 min和6 min低层中气旋最大旋转速度、直径和最大旋转速度高度(中气旋核)的对比显示(图 7，图 8)，低层中气旋的旋转速度度平均值从20.5 m·s-1(龙卷发生前24 min)增加到26.3 m· s-1(龙卷发生前6 min)。中气旋的平均直径减小，最大旋转速度高度平均值降低至1.5 km。所选样本中龙卷发生前24 min低层中气旋的旋转速度平均值接近广东EF2级以上强龙卷发生时低层中气旋旋转速度平均值(20 m·s-1)(黄先香等，2024)。龙卷超级单体具有增强的低层中气旋，意味着正处于近地层环境风随高度顺时针旋转增强相关的顺流水平涡度环境下，有利于引发低层垂直扰动气压梯度力，能够产生足够强而持续性拉伸，进而有利于龙卷涡旋形成(Coffer and Parker, 2017；Fischer et al，2024)。
|
图 7 龙卷发生前24 min低层中气旋箱线图 (a)最大旋转速度，(b)直径，(c)最大旋转速度高度 Fig. 7 Box plots of the low-level mesocyclone 24 min before the occurrence of tornadoes (a) maximum rotational velocity, (b) diameter, (c) height of maximum rotational velocity |
|
图 8 龙卷发生前6 min低层中气旋箱线图 (a)最大旋转速度，(b)直径，(c)最大旋转速度高度 Fig. 8 Box plots of the low-level mesocyclone 6 min before the occurrence of tornadoes (a) maximum rotational velocity, (b) diameter, (c) height of maximum rotational velocity |
对比龙卷和非龙卷个例的中层中气旋特征发现(图 9)，龙卷超级单体的中层中气旋的最大旋转高度平均值在前24 min维持在4.2 km，而在非龙卷超级单体中前24 min最大旋转高度平均值维持在6.1 km；在临近时刻，最大旋转速度高度在两类风暴中均降低，分别为3.1 km和4.8 km，整体上两个时间段龙卷超级单体个例最大旋转速度高度平均值均低于非龙卷超级单体个例。图 10显示两类风暴中层中气旋的旋转速度对比，龙卷超级单体个例的最大旋转速度平均值整体上均大于非龙卷超级单体个例，但是差别不是很显著。
|
图 9 中层中气旋最大旋转速度高度箱线图 (a，c)龙卷发生前(a)24 min、(c)6 min，(b，d)非龙卷发生前(b)24 min、(d)6 min Fig. 9 Box plots of the height of maximum rotational velocity for the mid-level mesocyclone (a) 24 min and (c) 6 min before the occurrence of tornadoes, (b) 24 min and (d) 6 min before the occurrence of non-tornadoes |
|
图 10 中层中气旋最大旋转速度箱线图 (a，c)龙卷发生前(a)24 min、(c)6 min，(b，d)非龙卷发生前(b)24 min、(d)6 min Fig. 10 Box plots of the maximum rotational velocity for the mid-level mesocyclone (a) 24 min and (c) 6 min before the occurrence of tornadoes, (b) 24 min and (d) 6 min before the occurrence of non-tornadoes |
业务上通常将强中气旋(旋转速度约22 m·s-1)或低层中等强度中气旋(旋转速度约17 m·s-1)作为龙卷预警指标。相当一部分达到上述指标的中气旋并不产生龙卷，因而使得龙卷虚警率高。上述分析表明，可将低层强中气旋(旋转速度约20 m·s-1)进一步增强作为预警指标；此外，中层中气旋高度较低且下降、尺度减小，当出现低层中气旋时，需保持密切关注。但是，雷达观测站与径向风的夹角、低层雷达数据质量和分辨率都会影响低层中气旋速度特征识别。
3 结论与讨论基于S波段双偏振雷达，选取强龙卷超级单体和非龙卷超级单体进行对比研究，旨在解决业务中面临的从多个超级单体中判识龙卷超级单体的难题。结果表明：
强龙卷与非龙卷超级单体结构差异显著，临近时刻从风暴结构可判识可能产生龙卷的超级单体。强龙卷超级单体的ZDR弧向钩状回波处延伸，且中低层冰雹区域面积平均值小于非龙卷超级单体。非龙卷超级单体冰雹区域增大的同时向后侧下沉气流区延伸，而龙卷超级单体冰雹区域显著缩小集中于前侧下沉气流区。强龙卷超级单体低层KDP质心和ZDR质心之间的分离距离平均值比非龙卷超级单体大，分离矢量与风暴运动的夹角平均值在前6 min比非龙卷超级单体大。强龙卷超级单体存在低层中气旋且在龙卷发生前显著加强，此外，龙卷发生前24 min和6 min中层中气旋维持在较低的高度，平均值分别为4.2 km和3.1 km，显著低于非龙卷超级单体。
受强龙卷样本限制，文中分析的风暴样本数量较少，同时由于大部分雷达特征(如ZDR弧和KDP足)实际上仅在雷达60 km范围内观察效果最佳(Davis and Parker, 2012)，因此目前可用的强龙卷数量极为有限。对于ZDR弧特征的阈值选取，未来收集更多ZDR弧值较小(ZDR＜3 dB)的样本个例，对其形成的原理和特征结构做进一步深入研究；同时文中给出的龙卷超级单体和非龙卷超级单体的雷达特征量化差异有待基于更多样本的统计和数值模拟研究确认，为深入研究超级单体回波结构特征与龙卷形成机理之间的关系提供更多依据。目前得到的结论符合一般龙卷形成机制的认识，对客观识别龙卷有参考价值。
管理, 戴建华, 袁招洪, 等, 2022. 双偏振雷达KDP足及ZDR弧的自动识别及应用研究[J]. 气象学报, 80(4): 578-591. Guan L, Dai J H, Yuan Z H, et al, 2022. Research on dual-polarimetric radar KDP foot and ZDR arc recognition and application[J]. Acta Meteor Sin, 80(4): 578-591 (in Chinese).
|
皇甫江, 胡志群, 郑佳锋, 等, 2022. 利用深度学习开展偏振雷达定量降水估测研究[J]. 气象学报, 80(4): 565-577. Huangfu J, Hu Z Q, Zheng J F, et al, 2022. A study on polarization radar quantitative precipitation estimation using deep learning[J]. Acta Meteor Sin, 80(4): 565-577 (in Chinese).
|
黄先香, 炎利军, 白兰强, 等, 2024. 广东龙卷时空分布及其母体风暴雷达观测特征[J]. 气象, 50(7): 804-817. Huang X X, Yan L J, Bai L Q, et al, 2024. Spatio-temporal distribution of Guangdong tornadoes and characteristics of radar echoes of parent storms[J]. Meteor Mon, 50(7): 804-817 (in Chinese).
|
黄旋旋, 陈刚, 赵坤, 等, 2024. 基于双偏振雷达变量垂直廓线特征的短时强降水和雷暴大风短时临近预报方法[J]. 气象, 50(12): 1519-1530. Huang X X, Chen G, Zhao K, et al, 2024. Improved nowcasting of short-time heavy precipitation and thunderstorm gale based on vertical profile characteristics of dual-polarization radar[J]. Meteor Mon, 50(12): 1519-1530 (in Chinese).
|
李芳, 刁秀广, 2023. 不同类型强降水风暴低层双偏振参量对比分析[J]. 气象, 49(9): 1075-1084. Li F, Diao X G, 2023. Comparative analysis of low-level dual polarization parameters of different types of severe rainfall storm[J]. Meteor Mon, 49(9): 1075-1084 (in Chinese).
|
李芳, 刁秀广, 魏鸣, 2024. 一次强冰雹超级单体风暴双偏振参量特征分析[J]. 气象, 50(2): 195-209. Li F, Diao X G, Wei M, 2024. Characteristic analysis of dual-polarization parameters of a severe hail supercell storm[J]. Meteor Mon, 50(2): 195-209 (in Chinese).
|
潘佳文, 高丽, 魏鸣, 等, 2021. 基于S波段双偏振雷达观测的雹暴偏振特征分析[J]. 气象学报, 79(1): 168-180. Pan J W, Gao L, Wei M, et al, 2021. Analysis of the polarimetric characteristics of hail storm from S band dual polarization radar observation[J]. Acta Meteor Sin, 79(1): 168-180 (in Chinese).
|
王福侠, 薛学武, 杨吕玉慈, 等, 2024. 一次长生命史超级单体风暴双偏振参量结构及演变特征[J]. 气象, 50(10): 1216-1230. Wang F X, Xue X W, Yang L Y C, et al, 2024. Dual-polarization parameter structure and evolution characteristics of a long-life supercell storm[J]. Meteor Mon, 50(10): 1216-1230 (in Chinese).
|
王秀明, 俞小鼎, 2019. 热带一次致灾龙卷形成物理过程研究[J]. 气象学报, 77(3): 387-404. Wang X M, Yu X D, 2019. A study on the physical process involved in the genesis of a severe tropical tornado[J]. Acta Meteor Sin, 77(3): 387-404 (in Chinese).
|
王秀明, 俞小鼎, 周小刚, 2015. 中国东北龙卷研究: 环境特征分析[J]. 气象学报, 73(3): 425-441. Wang X M, Yu X D, Zhou X G, 2015. Study of Northeast China torandoes: the environmental characteristics[J]. Acta Meteor Sin, 73(3): 425-441 (in Chinese).
|
夏凡, 吴举秀, 申高航, 等, 2024. 泰山一次强雹暴微物理特征双偏振雷达和雨滴谱观测分析[J]. 气象, 50(9): 1129-1141. Xia F, Wu J X, Shen G H, et al, 2024. Observation analysis of dual-polarization radar and raindrop spectrum for microphysical characteristics of a hailstorm in Mount Taishan[J]. Meteor Mon, 50(9): 1129-1141 (in Chinese).
|
杨祖祥, 李萌萌, 王磊, 等, 2024. 2023年9月19日阜宁致灾强龙卷多源观测分析[J]. 气象, 50(12): 1467-1479. Yang Z X, Li M M, Wang L, et al, 2024. Analysis of multi-source observation of the disastrous tornado in Funing County on 19 September 2023[J]. Meteor Mon, 50(12): 1467-1479 (in Chinese).
|
俞小鼎, 赵娟, 范雯杰, 2021. 中国龙卷的时空分布与关键环境参数特征[J]. 热带气象学报, 37(5/6): 681-692. Yu X D, Zhao J, Fan W J, 2021. Tornadoes in China: spatiotemporal distribution and environmental characteristics[J]. J Trop Meteor, 37(5/6): 681-692 (in Chinese).
|
张哲, 戚友存, 李东欢, 等, 2022. 2021年郑州"7·20"极端暴雨雨滴谱特征及其对雷达定量降水估测的影响[J]. 大气科学, 46(4): 1002-1016. Zhang Z, Qi Y C, Li D H, et al, 2022. Raindrop size distribution characteristics of the extreme rainstorm event in Zhengzhou 20 July, 2021 and its impacts on radar quantitative precipitation estimation[J]. Chin J Atmos Sci, 46(4): 1002-1016 (in Chinese).
|
郑永光, 刘菲凡, 张恒进, 2021. 中国龙卷研究进展[J]. 气象, 47(11): 1319-1335. Zheng Y G, Liu F F, Zhang H J, 2021. Advances in tornado research in China[J]. Meteor Mon, 47(11): 1319-1335 (in Chinese).
|
Andra Jr D L, 1997. The origin and evolution of the WSR-88D mesocyclone recognition nomogram[C]//28th International Conference on Radar Meteorology. Austin: American Meteorological Society: 364-365.
|
Bluestein H B, 2013. Severe Convective Storms and Tornadoes: Observations and Dynamics[M].
Berlin: Springer: 167-398.
|
Brotzge J A, Nelson S E, Thompson R L, et al, 2013. Tornado probability of detection and lead time as a function of convective mode and environmental parameters[J]. Wea Forecasting, 28(5): 1261-1276. DOI:10.1175/WAF-D-12-00119.1
|
Coffer B E, Parker M D, 2017. Simulated supercells in nontornadic and tornadic VORTEX2 environments[J]. Mon Wea Rev, 145(1): 149-180. DOI:10.1175/MWR-D-16-0226.1
|
Coffer B E, Taszarek M, Parker M D, 2020. Near-ground wind profiles of tornadic and nontornadic environments in the United States and Europe from ERA5 reanalyses[J]. Wea Forecasting, 35(6): 2621-2638. DOI:10.1175/WAF-D-20-0153.1
|
Davis J M, Parker M D, 2012. Radar climatology of tornadoes occurring in high shear/low CAPE environments in the mid-Atlantic and Southeast[C]//26th Conference on Severe Local Storms. Nashville: American Meteorological Society.
|
Dawson D T Ⅱ, Mansell E R, Kumjian M R, 2015. Does wind shear cause hydrometeor size sorting?[J]. J Atmos Sci, 72(1): 340-348. DOI:10.1175/JAS-D-14-0084.1
|
Fischer J, Dahl J M L, Coffer B E, et al, 2024. Supercell tornadogenesis: recent progress in our state of understanding[J]. Bull Amer Meteor Soc, 105(7): E1084-E1097. DOI:10.1175/BAMS-D-23-0031.1
|
Gibbs J G, 2016. A skill assessment of techniques for real-time diagnosis and short-term prediction of tornado intensity using the WSR-88D[J]. J Operational Meteor, 4(13): 170-181. DOI:10.15191/nwajom.2016.0413
|
Gibbs J G, Bowers B R, 2019. Techniques and thresholds of significance for using WSR-88D velocity data to anticipate significant tornadoes[J]. J Operational Meteor, 7(9): 117-137.
|
Healey D J, van den Broeke M S, 2023. Comparing polarimetric signatures of proximate pretornadic and nontornadic supercells in similar environments[J]. Wea Forecasting, 38(10): 2011-2027. DOI:10.1175/WAF-D-23-0013.1
|
Homeyer C R, Sandmæl T N, Potvin C K, et al, 2020. Distinguishing characteristics of tornadic and nontornadic supercell storms from composite mean analyses of radar observations[J]. Mon Wea Rev, 148(12): 5015-5040. DOI:10.1175/MWR-D-20-0136.1
|
Hua Z X, Anderson-Frey A, 2023. How are tornadic supercell soundings significantly different from nearby baseline environments?[J]. Geophys Res Lett, 50(8): e2022GL102580. DOI:10.1029/2022GL102580
|
Kingfield D M, LaDue J G, 2015. The relationship between automated low-level velocity calculations from the WSR-88D and maximum tornado intensity determined from damage surveys[J]. Wea Forecasting, 30(5): 1125-1139. DOI:10.1175/WAF-D-14-00096.1
|
Kumjian M R, Ryzhkov A V, 2008. Polarimetric signatures in supercell thunderstorms[J]. J Appl Meteor Climatol, 47(7): 1940-1961. DOI:10.1175/2007JAMC1874.1
|
Kumjian M R, Ryzhkov A V, 2009. Storm-relative helicity revealed from polarimetric radar measurements[J]. J Atmos Sci, 66(3): 667-685. DOI:10.1175/2008JAS2815.1
|
Loeffler S D, Kumjian M R, 2018. Quantifying the separation of enhanced ZDR and KDP regions in nonsupercell tornadic storms[J]. Wea Forecasting, 33(5): 1143-1157. DOI:10.1175/WAF-D-18-0011.1
|
Rotunno R, Bluestein H B, 2024. Recent developments in tornado theory and observations[J]. Rep Prog Phys, 87(11): 114801. DOI:10.1088/1361-6633/ad7f6a
|
Ryzhkov A V, Schuur T J, Burgess D W, et al, 2005. Polarimetric tornado detection[J]. J Appl Meteor Climatol, 44(5): 557-570. DOI:10.1175/JAM2235.1
|
Smith B T, Thompson R L, Dean A R, et al, 2015. Diagnosing the conditional probability of tornado damage rating using environmental and radar attributes[J]. Wea Forecasting, 30(4): 914-932. DOI:10.1175/WAF-D-14-00122.1
|
Smith B T, Thompson R L, Grams J S, et al, 2012. Convective modes for significant severe thunderstorms in the contiguous United States.Part Ⅰ: storm classification and climatology[J]. Wea Forecasting, 27(5): 1114-1135. DOI:10.1175/WAF-D-11-00115.1
|
Thompson R L, Smith B T, Grams J S, et al, 2012. Convective modes for significant severe thunderstorms in the contiguous United States.Part Ⅱ: supercell and QLCS tornado environments[J]. Wea Forecasting, 27(5): 1136-1154. DOI:10.1175/WAF-D-11-00116.1
|
van den Broeke M S, 2020. A preliminary polarimetric radar comparison of pretornadic and nontornadic supercell storms[J]. Mon Wea Rev, 148(4): 1567-1584. DOI:10.1175/MWR-D-19-0296.1
|
van den Broeke M, 2021. Polarimetric radar characteristics of tornado genesis failure in supercell thunderstorms[J]. Atmosphere, 12(5): 581. DOI:10.3390/atmos12050581
|
Zhang C Y, Xue M, Zhu K F, et al, 2023. Climatology of significant tornadoes within China and comparison of tornado environments between the United States and China[J]. Mon Wea Rev, 151(2): 465-484. DOI:10.1175/MWR-D-22-0070.1
|
Zhou R L, Meng Z Y, Bai L Q, 2022. Differences in tornado activities and key tornadic environments between China and the United States[J]. Int J Climatol, 42(1): 367-384. DOI:10.1002/joc.7248
|