利用双偏振雷达、地面自动站、闪电定位仪、探空等资料对江苏2012—2022年262次雷暴大风过程的环境参数和2020—2022年41个导致雷暴大风的对流风暴演变特征进行分析。结果表明:(1)雷暴大风发生在大气层结不稳定背景下,850 h Pa和500 h P...利用双偏振雷达、地面自动站、闪电定位仪、探空等资料对江苏2012—2022年262次雷暴大风过程的环境参数和2020—2022年41个导致雷暴大风的对流风暴演变特征进行分析。结果表明:(1)雷暴大风发生在大气层结不稳定背景下,850 h Pa和500 h Pa温差中位数超过25°C,对流层中层存在干层;春季动力条件较好,0~6km垂直风切变中位数达到18.4 m·s^(-1),是夏季的2倍;夏季能量条件较好,CAPE平均值可达2 491.0 J·kg^(-1),而春季仅为977.5 J·kg^(-1)。(2)凝练和定量验证了基于双偏振特征量的雷暴大风风暴演变的概念模型:对流风暴的生命史分为3个阶段,初生阶段存在较强的Z_(DR)柱,Z和K_(DP)较弱且未及地;发展阶段K_(DP)柱显著增强,Z_(DR)柱稍有减弱;雷暴大风发生阶段Z、Z_(DR)和K_(DP)核心高度均明显降低。因此,较强的Z_(DR)柱,并伴随显著增强的K_(DP)柱是雷暴大风发生的前兆信号。(3)统计获得双偏振特征量预警指标:初生阶段和发展阶段多数分别发生在雷暴大风发生前60 min和前20 min;在0~2 km的高度上,3~4 d B的Z_(DR)大值区提前10~15 min到达雷暴大风站点。展开更多
为了评估不同聚类算法对雷暴系统的识别效果,进一步提高雷电临近预报能力,本文采用地闪定位数据和雷达反射率数据,利用基于密度的空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)、快速搜索和查找密度峰...为了评估不同聚类算法对雷暴系统的识别效果,进一步提高雷电临近预报能力,本文采用地闪定位数据和雷达反射率数据,利用基于密度的空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)、快速搜索和查找密度峰聚类(Clustering by Fast Search and Find of Density Peaks,CFSFDP)以及改进的快速搜索和查找密度峰聚类(Ex-tended Clustering by Fast Search and Find of Density Peaks,E_CFSFDP)三种聚类算法,对2018年9月21日19∶15—20∶57(北京时)发生在(114°—117°E、27°—30°N)区域的一次雷暴过程进行了聚类识别计算,探讨了三类聚类算法在雷暴系统识别中的差异。结果表明:(1)DBSCAN算法在地闪数据分布清晰且不同数据簇之间有显著距离间隔时,分类识别的准确率较高;当各个闪电数据簇的簇间距离或密度相差很大时,分类识别的准确率较低;(2)地闪数据“无密度峰值”分布时CFSFDP算法会分裂出错误类,每个闪电数据簇仅具备唯一的密度峰值点是CFSFDP算法识别准确的前提条件;(3)E_CFSFDP算法解决了CFSFDP算法的“无密度峰值”问题,受地闪数据分布影响较小,因此基于E_CFSFDP算法的雷暴系统识别准确率明显高于DBSCAN和CFSFDP算法。展开更多
文摘利用双偏振雷达、地面自动站、闪电定位仪、探空等资料对江苏2012—2022年262次雷暴大风过程的环境参数和2020—2022年41个导致雷暴大风的对流风暴演变特征进行分析。结果表明:(1)雷暴大风发生在大气层结不稳定背景下,850 h Pa和500 h Pa温差中位数超过25°C,对流层中层存在干层;春季动力条件较好,0~6km垂直风切变中位数达到18.4 m·s^(-1),是夏季的2倍;夏季能量条件较好,CAPE平均值可达2 491.0 J·kg^(-1),而春季仅为977.5 J·kg^(-1)。(2)凝练和定量验证了基于双偏振特征量的雷暴大风风暴演变的概念模型:对流风暴的生命史分为3个阶段,初生阶段存在较强的Z_(DR)柱,Z和K_(DP)较弱且未及地;发展阶段K_(DP)柱显著增强,Z_(DR)柱稍有减弱;雷暴大风发生阶段Z、Z_(DR)和K_(DP)核心高度均明显降低。因此,较强的Z_(DR)柱,并伴随显著增强的K_(DP)柱是雷暴大风发生的前兆信号。(3)统计获得双偏振特征量预警指标:初生阶段和发展阶段多数分别发生在雷暴大风发生前60 min和前20 min;在0~2 km的高度上,3~4 d B的Z_(DR)大值区提前10~15 min到达雷暴大风站点。
文摘为了评估不同聚类算法对雷暴系统的识别效果,进一步提高雷电临近预报能力,本文采用地闪定位数据和雷达反射率数据,利用基于密度的空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)、快速搜索和查找密度峰聚类(Clustering by Fast Search and Find of Density Peaks,CFSFDP)以及改进的快速搜索和查找密度峰聚类(Ex-tended Clustering by Fast Search and Find of Density Peaks,E_CFSFDP)三种聚类算法,对2018年9月21日19∶15—20∶57(北京时)发生在(114°—117°E、27°—30°N)区域的一次雷暴过程进行了聚类识别计算,探讨了三类聚类算法在雷暴系统识别中的差异。结果表明:(1)DBSCAN算法在地闪数据分布清晰且不同数据簇之间有显著距离间隔时,分类识别的准确率较高;当各个闪电数据簇的簇间距离或密度相差很大时,分类识别的准确率较低;(2)地闪数据“无密度峰值”分布时CFSFDP算法会分裂出错误类,每个闪电数据簇仅具备唯一的密度峰值点是CFSFDP算法识别准确的前提条件;(3)E_CFSFDP算法解决了CFSFDP算法的“无密度峰值”问题,受地闪数据分布影响较小,因此基于E_CFSFDP算法的雷暴系统识别准确率明显高于DBSCAN和CFSFDP算法。