2026, Vol. 46
2. 中国气象局气象干部培训学院，北京 100081
2. China Meteorological Administration Training Center, Beijing 100081, China
雷暴大风是由对流风暴产生的直线型大风。根据费海燕等[1]和Yang等[2]的统计，中国的雷暴大风多集中在春季和夏季发生，尽管影响范围局地，但其破坏力极强，且具有突发性。美国的记录显示，强对流风暴可产生高达50~60 m ·s-1的极端大风[3]，中国亦曾在广西桂林记录到由超级单体引发的60.3 m ·s-1的瞬时大风[4]，给当地带来了严重的经济损失。因此，准确识别和预警雷暴大风对于防灾减灾具有重要意义。
研究表明，弓形回波[5-6]、中尺度对流系统[7]以及超级单体是最易产生雷暴大风的风暴，其中弓形回波和超级单体尤其容易引发极端大风事件[6, 8]。国内外学者从气候特征、产生机理、环境特征、风暴结构及预报预警等不同方面对雷暴大风进行了广泛研究[1, 6, 9-19]。在雷暴大风的预警中，雷达产品可以捕捉到与雷暴大风相关的结构特征[9, 11-12]，其中弓形回波、回波缺口、下降的反射率因子核、较高的反射率因子核、径向速度差超过25 m ·s-1的中层径向辐合(mid-altitude radial convergence，MARC)、中气旋、低仰角大风区、快速移动的阵风锋以及较快的风暴移速均被认为是雷暴大风的重要风暴结构和雷达特征[9, 12, 20]，也是中国业务上常用于预警雷暴大风的特征。随着双极化雷达逐步在中国业务化应用，雷达偏振参量在强对流天气预警中的作用日益凸显。雷暴大风方面，Wakimoto等[21]发现下降至地表的差分反射率因子洞(differential reflectivity hole，简记为“ZDR hole”)与下击暴流相关，后续研究[22]将垂直剖面上具有垂直深度的ZDR hole定义为差分反射率因子槽口(简记为“ZDR槽口”)。ZDR槽口是强回波区向下伸展的ZDR值接近0 dB的区域，反映了冰雹融化及湿雹蒸发增强下沉气流的过程，被认为是预警下击暴流的先兆信号[23-24]。
2024年3月下旬—4月，中国强对流天气活跃，频繁出现8~10级、局地12级的雷暴大风天气。例如，3月31日南昌出现极端强对流天气，最大风速达35.3 m ·s-1，为南昌有记录以来的第二大风速，造成7人死亡、9万余人受灾。已有研究揭示了许多雷暴大风的雷达特征结构，但这些特征结构在判识和预警中的可用性尚未得到确认。王秀明等[25]在回顾了下击暴流的研究进展后指出，现有的研究结果大多未给出风暴结构与地面阵风之间的定量关系，因而难以支撑分级下击暴流算法。王一童等[26]给出了产生25 m ·s-1以上雷暴大风的超级单体雷达回波量化特征，提出了用于预警致灾雷暴大风的雷达特征阈值[27]，然而其普适性及特征阈值在强雷暴大风事件和非强风事件中的区分度有待确认。本文通过普查筛选了2组地面瞬时风强度差异显著的孤立强风暴，对比给出风暴结构上的量化差异，找出强雷暴大风事件的关键雷达回波特征，对王一童等[27]给出的预警阈值进行验证与调整，从而给出适用于业务预警强雷暴大风的雷达先兆信号和先兆时间，旨在为强雷暴大风的预警提供参考依据。
1 资料与方法 1.1 个例筛选方法及资料说明中国业务上，瞬时风速达到8级的雷暴大风通常被划分为强对流天气，并需发布相应预警。为更清晰地刻画可能致灾的强雷暴大风雷达特征，本研究在既有业务标准的基础上进一步细化分组，以增强组别区分度：将地面测站记录到的9级以上阵风定义为强雷暴大风事件，5~7级阵风定义为非强风事件，并分别筛选20例构成强风组和非强风组。筛选时采用的数据包括2024年3月20日—4月30日全国雷达组合反射率因子拼图产品(时间分辨率为6 min)以及包括国家级气象观测站和区域气象观测站在内的1 h极大风数据(站点数为52 683)。应指出，由于孤立风暴引发的雷暴大风范围小，现有地面观测站点密度相较于雷暴大风尺度仍显不足，可能导致对极端风速的低估。例如，2024年3月31日江西南昌的极端大风事件中，事发附近测站记录的瞬时极大风速均不到25 m ·s-1，而实际灾损分析表明可达EF2级灾损强度[28]，因此强风组样本的统计结果可为业务中10级大风判识预警提供科学支撑。
具体筛选标准为：(1)孤立强风暴定义为雷达组合反射率因子不低于60 dBZ且呈现明显团状孤立结构的对流单体，筛选时仅根据回波强度和其孤立形态判定；(2)强雷暴大风事件定义为风暴记录到的极大风速不低于9级，非强风事件定义为风暴在其完整生命史中记录到的极大风速始终不超过7级；(3)仅选取具有偏振功能的S波段天气雷达探测范围内的大风事件，为确保数据质量，要求强风暴在移动过程中始终位于雷达150 km探测半径以内，从而确保低层雷达回波数据的完整性。筛选流程如下：首先，基于雷达组合反射率因子拼图产品，识别孤立强风暴；其次，结合1 h极大风数据，根据风暴生命史中产生的最大风力确定分组，并划定相应的雷达数据分析时段，将每个体扫记录为1个独立样本，因此对于每组事件，样本个数不低于20个。大风事件的分析时段参考文献[26]，自大风出现前2 h或回波强度首次达到55 dBZ的体扫开始，直至符合条件的大风出现的体扫为止，先兆时间定义为首次判识到清晰特征的体扫相较于大风出现时刻的提前量。
1.2 回波特征判识本研究中分析的特征包括反射率因子核、垂直累积液态含水量(vertically integrated liquid water content，简记为“VIL”)、中气旋、MARC、低仰角大风区、风暴移速以及ZDR槽口。其中反射率因子核以及VIL从北京敏视达公司开发的PUP(Principal User Processor)软件中的风暴参数产品中直接获得，中气旋、MARC、低仰角大风区以及风暴移速按照王一童等[26]的特征识别标准进行判识，具体为：(1)中气旋的标准为直径不大于10 km且入流与出流速度差不低于20 m ·s-1的正负速度对，且至少2个仰角识别到并能持续至少2个连续的体扫，若上下层结构连续，则直径范围可适当放宽；(2)超级单体根据Lee等[29]给出的中气旋强度、尺度和持续时间算法阈值进行判定；(3)MARC的标准为距地2~7 km且速度差不低于20 m ·s-1的径向速度辐合区，若上下层结构连续，高度范围可适当扩展；(4)低仰角大风区的标准为距地3 km以下径向速度不低于20 m ·s-1的区域；(5)风暴移速根据风暴单体识别和跟踪(Storm Cell Identification and Tracking，SCIT)算法的58号风暴跟踪信息(storm tracking information，STI)计算得出。
ZDR槽口的判识标准参考Ryzhkov等[23]，定义为垂直剖面上向下延伸至最低仰角的ZDR值接近0 dB的区域，该区域需同时满足以下条件：(1)相同位置雷达反射率因子强度不低于55 dBZ；(2)相态呈现混合态特征，即相关系数(correlation coefficient，CC)为0.90~0.97。具体判识流程如下：沿反射率因子核及低层强回波区域作多个垂直剖面，若剖面图中强回波对应位置存在ZDR值接近0 dB且CC为0.90~0.97的特征区域延伸至近地面，则判定为ZDR槽口(图 1白框所在范围)。
|
图 1 2024年4月14日08：59(北京时，下同)邵阳雷达观测的引发9级强风的ZDR槽口偏振雷达参量剖面图 Fig.1 Cross section of polarimetric radar parameters of the ZDR trough associated with the severe wind event (Force 9) observed by the Shaoyang radar at 08:59 BJT 14 April 2024 a中色阶—雷达反射率因子，单位为dBZ；b中色阶—ZDR，单位为dB；c中色阶—相关系数；d中色阶—KDP，单位为（°）·km-1；白色矩形框范围—ZDR槽口所在位置。 |
本研究筛选出的2组大风事件强度分布如下：强风组中9级风事件占比最高，达50%；其次为10级风事件，占比为30%。非强风组中，6级风事件占比最高，为45%；7级风事件次之，占比为35%；最低风力为5级，占比为20%。由于2组事件在筛选过程中的回波强度标准是统一的，可以肯定的是并非所有孤立强风暴都能产生9级以上强雷暴大风。
2 结果分析 2.1 强雷暴大风事件雷达特征图 2显示，在强风组与非强风组中，反射率因子核强度及其显著加强特征、VIL值、中气旋、MARC及其下降特征存在显著差异。具体而言，强风组中大风出现前反射率因子核达到70 dBZ的事件占比达70%，VIL值超过55 kg ·m-3的比例为75%，出现MARC和中气旋的比例分别为95%和85%，均显著高于非强风组(各项占比在0~45%)。强雷暴大风事件发生前普遍存在MARC下降以及反射率因子核加强等特征(占比不低于65%)。这些特征差异表明，对于回波强度不低于60 dBZ的孤立强风暴，雷达回波特征能够有效区分雷暴大风强度，其中中气旋占比和回波强度等特征表明强雷暴大风事件主要由超级单体引发，并且其占比情况与王一童等[26]给出的引发10级以上强雷暴大风的超级单体雷达特征类似。然而，仍有45%的非强风事件识别出了中气旋，且强度与强风组相近，下文将进一步对比二者中气旋特征的细节差异。
|
图 2 强风组和非强风组雷达特征占比 Fig.2 Proportion of radar characteristics in strong-wind and non-strong-wind groups |
反射率因子核下降常作为孤立单体产生雷暴大风的判识特征，但在强风暴中普遍存在，2组事件中的占比分别为95%和75%。尽管存在差异，但两者均处于较高水平，因而下降的反射率因子核难以作为区分大风强度和预警强雷暴大风的有效信号。相比之下，速度特征差异更显著，这在一定程度上表明，仅基于雷达反射率因子相关参量预警孤立强风暴引发的强雷暴大风很有局限性。
统计还表明，40%的强雷暴大风事件有ZDR槽口特征，且有一定的先兆性，平均提前地面极大风记录42 min出现，这说明冰雹或霰粒子相变过程(蒸发、融化等)引起的下沉气流增强确是部分强雷暴大风事件的形成机制。亦有15%的非强风事件识别到ZDR槽口，但每次事件仅在1个体扫识别到，时间提前量为24 min，与强雷暴大风事件差异明显。这表明，相对持续的ZDR槽口特征有可能作为冰雹融化类强雷暴大风的预警指标。以往个例研究[25, 30]表明引发强风的强风暴具有ZDR槽口特征，而本研究的多样本统计表明，ZDR槽口特征在强雷暴大风事件中整体占比并不高，这表明其形成的物理机制是多样的，并非都强烈依赖冰雹等固态粒子的相变过程，当然亦不排除ZDR槽口特征的识别受制于雷达探测精度的可能。因此，ZDR槽口特征在雷暴大风预警中的业务应用仍需要更多研究支撑。
2.2 强雷暴大风事件雷达反射率因子量化特征雷达反射率因子统计分析表明，虽然2组事件反射率因子核高度相近，但强度上，产生强雷暴大风的孤立强风暴具有更强的反射率因子核(图 3a、b)。强风组的反射率因子核均值为65 dBZ，主要分布在63~68 dBZ；非强风组的平均值为61 dBZ，主要分布在59~63 dBZ，显著低于强风组。为了确认上述对比结果在孤立超级单体中的适用性，保证2组超级单体事件数量一致，本研究增补了8次未产生强雷暴大风的超级单体事件进行对比分析。结果显示，非强风组超级单体的反射率因子核均值为63 dBZ，主要分布在59~65 dBZ范围，较一般单体的非强风事件高2 dBZ。王一童等[27]基于第25百分位值提出超过63 dBZ的反射率因子核可作为超级单体产生10级大风的雷达特征指标之一，但本研究发现该阈值在区分效果上存在不足，未产生强风的超级单体亦可达到该水平。若将阈值提高至65 dBZ，不论超级单体还是非超级单体，强雷暴大风事件的区分度均显著提升，因此65 dBZ可作为孤立强风暴产生强雷暴大风的判识阈值。
|
图 3 强风组和非强风组反射率因子相关特征及VIL强度对比 Fig.3 Comparison of reflectivity characteristics and VIL magnitude between strong-wind and non-strong-wind groups 小提琴宽度—概率密度相对大小；黑色矩形框—箱线图；矩形框上、下框线—第75和25百分位值；白色圆点—中位数；蓝色横线—平均值（下图同）。a—b中强风组与非强风组样本量分别为322、228；c—e中强风组与非强风组样本量分别为289、147；f中强风组与非强风组样本量分别为269、211 |
由高度特征(图 3c—e)来看，强风组事件的强回波顶高略高且底高更低，底高密度峰值在距地1.28 km处，显著低于非强风组的3.61 km，由此导致强风组事件的强回波(≥60 dBZ)厚度明显更大，平均厚度为4.72 km，主要分布在3.20~6.30 km范围；而非强风组的强回波平均厚度仅为2.71 km。这一结果表明，引发强雷暴大风的孤立强风暴普遍具有更厚的强回波层。
由VIL(图 3f)来看，强风组的VIL平均值为53 kg ·m-3，较非强风组高约10 kg ·m-3。同为超级单体风暴，强风组的VIL平均值比非强风组高7 kg ·m-3，说明不论风暴类型如何，引发强雷暴大风的孤立强风暴VIL值均偏大。此前王一童等[27]按照VIL数据分布的第25百分位值，将45 kg ·m-3的VIL阈值作为产生10级大风超级单体的判识指标，然而在本研究中，该阈值下强风组与非强风组占比分别为95%和65%，仍有超过一半的非强风事件满足这一阈值，区分效果有限，若将阈值提高到55 kg ·m-3，2组占比分别是75%和25%(图 2)，差异显著但可能会漏掉相当一部分强雷暴大风事件。总体来看，强风组的VIL值显著更大，因此VIL虽难以单独作为判识指标，但可作为辅助性参考。
2.3 强雷暴大风事件径向速度量化特征 2.3.1 中气旋强风组中有85%的事件识别出中气旋，而非强风组为45%。下面进一步对比不同强度雷暴大风事件中气旋的差异。从样本(体扫)数量上看，强风组中有203个样本，占超级单体事件总样本数的66%，1次强雷暴大风事件平均出现12个中气旋样本；而非强风组中仅有57个样本，占超级单体事件总样本数的45%，1次非强风事件平均出现6个中气旋样本。这表明具有持续性中气旋的超级单体大多产生强雷暴大风，而中气旋持续时间短的超级单体以及非超级单体难以产生强雷暴大风。
由于非强风组的超级单体事件少，为避免统计结果缺少代表性，将增补的8次未产生强雷暴大风的超级单体事件纳入统计，保证2组超级单体事件数量均为17次。对比(图 4a)表明，强风组中气旋核心强度(最大旋转速度)均值为17 m ·s-1，仅比非强风组高1.5 m ·s-1，2组中气旋的核心强度都集中在13~19 m ·s-1，差别不显著。已有研究[31]表明，中国超级单体的中气旋强度多在15~25 m ·s-1，据此说明2组中气旋样本的强度均为中等偏弱水平。核心高度上2组也相差不大，平均在5.1~5.4 km(图 4b)，因此中气旋的强度和高度对于不同强度雷暴大风的区分度不显著，不宜作为超级单体风暴的强雷暴大风判识指标。相比之下，中气旋的厚度差异更为明显。强风组的中气旋顶高更高，底高更低，平均厚度为3.5 km，而非强风组平均厚度为2.0 km(图 4c—e)。垂直气压梯度被认为是引发风暴中下沉气流的因素之一，在雷达回波上体现为中气旋高度下降[9]，本研究中强风组有71%的超级单体大风事件识别到中气旋核下降的特征，而超级单体非强风组事件的比例为53%(图 2)，两者差别并不显著且均过半，说明中气旋核心下降也是超级单体风暴中的常态特征。王一童等[27]建议不低于2.1 km/体扫的中气旋核心下降特征可以作为超级单体产生强雷暴大风的预警指标，本研究的强风组中有4个事件达标，先兆时间平均为28.8 min；非强风组中有2个事件达标，先兆时间平均为11.0 min。这说明中气旋核显著下降对于雷暴大风有先兆性，但占比过低，表明低层中气旋所引发的扰动垂直气压梯度力很可能只是强下沉气流形成的物理机制之一，且作用程度仍有待进一步研究确认，因此将其从预警指标中剔除。
|
图 4 强风组和非强风组中气旋相关特征对比 Fig.4 Comparison of mesocyclone characteristics between strong-wind and non-strong-wind groups 强风组样本量为203，非强风组样本量为154 |
综上，产生强雷暴大风的孤立强风暴绝大多数是超级单体风暴。与未产生强雷暴大风的孤立强风暴相比，强雷暴大风事件的中气旋持续时间更长且更连续、厚度更厚、强度略强，表明产生强雷暴大风的孤立强风暴具有持续性强上升气流，风暴组织性更高。
2.3.2 MARCMARC是判识雷暴大风的重要先兆信号[11, 32]。统计结果显示，强风组中有95%的事件识别出MARC，显著高于非强风组35%的占比(图 2)，表明产生强雷暴大风的孤立强风暴多伴随MARC。从样本数量来看，强风组共识别出157个MARC样本，占强风组样本总数的49%，平均1次事件出现8个样本；而非强风组中仅识别出30个样本，占非强风组样本总数的13%，平均1次事件出现4个样本。为验证上述差异在超级单体风暴产生的雷暴大风事件中是否成立，进一步对比超级单体风暴的强风组和非强风组。结果显示，非强风组超级单体事件中70%识别到MARC，但仅有46个样本，占其样本总数的21%，平均每次事件4个样本，与一般孤立风暴的非强风事件情况一致。这表明，强雷暴大风事件的MARC更为持续，而非强风事件的MARC出现频率低且持续时间短。强度上，强风组MARC的核心强度均值为30 m ·s-1，主要分布在26~32 m ·s-1，较非强风组高出4 m ·s-1左右，表明产生强雷暴大风的孤立强风暴具有更强的MARC特征；高度上，强风组MARC的核心高度平均为4.7 km，相比非强风组偏高0.4 km左右，差异有限；厚度上，强风组MARC更厚，均值为2.4 km，比非强风组厚0.5 km(图 5)。因此，不论孤立风暴类型如何，持续性的、强且深厚的MARC特征都可作为孤立强风暴产生强雷暴大风的重要判识指标。
|
图 5 强风组和非强风组MARC相关特征对比 Fig.5 Comparison of MARC characteristics between strong-wind and non-strong wind groups 强风组样本量为157，非强风组样本量为50 |
预警指标上，王一童等[27]建议将核心强度不低于29 m ·s-1且核心高度在3~5 km的MARC作为预警超级单体风暴产生强雷暴大风的指标，若将此标准应用至本研究中，强风组中有12次事件达标，先兆时间均值为28 min，非强风组中有4次事件达标，对比并不显著。若去掉核心高度的约束仅考虑核心强度，所有强雷暴大风事件均达标且先兆时间均值为39 min，平均1次事件出现4个达标的MARC样本；非强风组仅有5次事件达标，平均1次事件出现2个达标样本。可见，去除高度限制在某种意义上相当于综合低仰角大风区与MARC两个特征，或能更便捷地区分不同强度雷暴大风，也增加了时间提前量。
总体而言，产生强雷暴大风的孤立强风暴普遍具有更强、更深厚且连续的MARC，核心强度不低于29 m ·s-1的MARC可以作为判识孤立强风暴产生强雷暴大风的预警指标，有一定的先兆性，平均先兆时间为39 min。
2.3.3 低仰角大风区强风组中有50%的事件识别出低仰角大风区，平均每次强雷暴大风事件中出现6个样本，平均强度为27 m ·s-1(图 6)，而非强风组中仅10%的事件识别出该特征，平均每次事件出现3个样本，由于非强风组样本总量仅为6，所呈现的小提琴图不具代表性，因此图 6仅给出强风组的小提琴图。同时，强雷暴大风事件中的低仰角大风区相比非强风事件表现得更加清晰(图 7)。这表明，连续出现且清晰的低仰角大风区是孤立强风暴引发强雷暴大风的特征之一。王一童等[27]提出径向速度超过24 m ·s-1且高度低于1.5 km的低仰角大风区可作为超级单体风暴产生强雷暴大风的预警指标之一，在本研究强风组识别到低仰角大风区的10个事件中，有6个符合该标准，先兆时间为40 min。上述结果表明，此前提出的预警指标能够有效对强雷暴大风进行预警，尽管并非所有孤立强风暴产生的强雷暴大风事件中都能识别到连续的低仰角大风区，但一旦识别到，大多都能为强雷暴大风的发生提供预警信号。
|
图 6 强风组低仰角大风区强度分布 Fig.6 Intensity distribution of low-elevation high-wind zones in strong-wind group 样本量为59 |
|
图 7 非强风事件与强雷暴大风事件低仰角大风区对比 Fig.7 Comparison of low-elevation high-wind zones between non-strong-wind event and straight-line wind event 色阶—0.5°仰角径向速度，单位为m·s-1；白色矩形框范围—识别到的低仰角大风区。 |
图 8给出了强风组和非强风组风暴移速的分布。强风组的风暴移速均值为58 km ·h-1，非强风组的风暴移速均值为43 km ·h-1，强风组的移速比非强风组高15 km ·h-1，亦高于中国超级单体的移速均值(47.5 km ·h-1)[31]。这说明孤立强风暴的移速越快，产生地面强雷暴大风的可能性越大。
|
图 8 强风组和非强风组风暴移速对比 Fig.8 Comparison of storm motion speed between strong-wind and non-strong-wind groups 强风组和非强风组样本量均为20 |
本研究基于2024年3月20日—4月30日全国雷达组合反射率因子拼图及地面1 h极大风速数据，用普查的方式筛选出40次由孤立强风暴产生的雷暴大风事件，按照风力等级将其分为强风组(9~13级)和非强风组(5~7级)，从风暴结构和与大风相关的雷达先兆信号2个方面进行量化对比。此外，研究补充了8次未产生强雷暴大风的孤立超级单体事件，以增加超级单体类型间的差异对比，避免因风暴类型差异导致的偏差，从而提炼出具有普适性的判识指标。通过详细对比2组事件的雷达量化特征，验证并优化了已有大风预警指标，给出了孤立强风暴产生强雷暴大风特有的风暴结构特点和普适有效的雷达特征。主要结论如下。
(1) 产生强雷暴大风的孤立强风暴普遍具有更强的反射率因子核，强回波厚度更厚，VIL值也显著偏高。超过65 dBZ的反射率因子核能很好地区分不同强度雷暴大风事件，可作为孤立强风暴产生强雷暴大风的判识指标，而反射率因子核下降特征是孤立强风暴中的常态特征，不适合作为强雷暴大风的预警指标。
(2) 春季产生强雷暴大风的孤立强风暴绝大多数为超级单体，本研究中占比达85%，与非强风组相比，其中气旋连续性更好，厚度更厚，并伴随更强的反射率因子核和更高的VIL，说明产生强雷暴大风的孤立强风暴具有持续性的强上升气流，风暴组织性高。然而，不论超级单体是否产生强雷暴大风，中气旋强度及中气旋核心下降特征差异均不明显。
(3) 强风组中有95%的事件识别到MARC，其强度强、连续性较好且深厚；非强风组偶尔能识别到连续性较差的MARC。强度不低于29 m ·s-1的连续MARC特征是区分不同强度雷暴大风事件的有效预警指标，该特征多在大风出现前39 min识别到。
(4) 尽管只有50%的强雷暴大风事件能识别到低仰角大风区特征，但一旦识别到，大多能提前预警强雷暴大风。径向速度超过24 m ·s-1且高度低于1.5 km的连续且清晰的低仰角大风区，可作为孤立强风暴产生强雷暴大风的预警指标，多在大风出现前40 min识别到。
(5) 强风组40%的事件能够识别出ZDR槽口特征，其连续性和结构清晰度明显优于非强风组，表明冰雹等固态粒子相变过程引起的强下沉气流是部分孤立强风暴产生强雷暴大风的物理机制，但并非所有强雷暴大风事件都依赖这一物理过程。连续的ZDR槽口特征可作为孤立单体产生冰雹融化类强雷暴大风的先兆信号，时间提前量为42 min，但该结论需更多研究支撑。
(6) 具有较快风暴移速的孤立强风暴多产生强雷暴大风。强风组风暴移速平均为58 km ·h-1，高出非强风组15 km ·h-1。
本研究所选个例均为春季个例，其中强风组的雷达量化特征与王一童等[27]给出的不区分季节的超级单体致灾雷暴大风结果类似，表明强雷暴大风事件的雷达特征并无明显的季节性。但需要说明的是，由于孤立风暴产生的雷暴大风尺度小，监测难度大，很可能存在部分强雷暴大风未被监测到的情况，从而使得结果中出现非强风组部分个例具有强雷暴大风特征的情况。此外，由于超级单体雷暴大风可多次间歇性出现，本研究记录风暴的首次强风相关雷达特征与地面测站记录的雷暴大风有可能不是一一对应的，即可能出现第一次未被测站记录的雷暴大风的雷达特征被作为第二次雷暴大风的预警指标，这使得统计的雷达特征时间提前量偏大。
| [1] |
费海燕, 王秀明, 周小刚, 等. 中国强雷暴大风的气候特征和环境参数分析[J]. 气象, 2016, 42(12): 1513-1521. |
| [2] |
YANG X L, SUN J H, ZHENG Y G. A 5-yr climatology of severe convective wind events over China[J]. Wea Forecasting, 2017, 32(4): 1289-1299. DOI:10.1175/WAF-D-16-0101.1 |
| [3] |
DOSWELL C A Ⅲ. Extreme convective windstorms: current understanding and research[C]//Report of the Proceedings of the Spain-U.S. Workshop on Natural Hazards. Barcelona, Spain: National Science Foundation, 1994: 44-55.
|
| [4] |
翟丽萍, 农孟松, 梁维亮, 等. 造成临桂极端大风的超级风暴单体观测分析[J]. 暴雨灾害, 2019, 38(4): 346-353. |
| [5] |
WAKIMOTO R M. The West Bend, Wisconsin storm of 4 April 1981:a problem in operational meteorology[J]. J Climate Appl Meteor, 1983, 22(1): 181-189. DOI:10.1175/1520-0450(1983)022<0181:TWBWSO>2.0.CO;2 |
| [6] |
FUJITA T T. Tornadoes and downbursts in the context of generalized planetary scales[J]. J Atmos Sci, 1981, 38(8): 1511-1534. DOI:10.1175/1520-0469(1981)038<1511:TADITC>2.0.CO;2 |
| [7] |
FUJITA T T. The downburst: microburst and macroburst[J]. Chicago: SMPR of The University of Chicago, 1985. |
| [8] |
BROOKS H E, DOSWELL C A Ⅲ. Extreme winds in high-precipitation supercells[C]//Preprints, 17th Conf on Severe Local Storms. St Louis, MO: American Meteorological Society, 1993: 177.
|
| [9] |
ROBERTS R D, WILSON J W. A proposed microburst nowcasting procedure using single-Doppler radar[J]. J Appl Meteor, 1989, 28(4): 285-303. DOI:10.1175/1520-0450(1989)028<0285:APMNPU>2.0.CO;2 |
| [10] |
JOHNS R H, DOSWELL C A Ⅲ. Severe local storms forecasting[J]. Wea Forecasting, 1992, 7(4): 588-612. DOI:10.1175/1520-0434(1992)007<0588:SLSF>2.0.CO;2 |
| [11] |
SCHMOCKER G. Forecasting the initial onset of damaging downburst winds associated with a mesoscale convective system (MCS) using the mid-altitude radial convergence (MARC) signature[C]//Preprints, 15th Conf on Weather Analysis and Forecasting. Norfolk, VA: American Meteorological Society, 1996: 306-311.
|
| [12] |
EILTS M, JOHNSON J, MITCHELL E, et al. Damaging downburst prediction and detection algorithm for the WSR-88D[C]//Preprints, 18th Conf on Severe Local Storms. San Francisco, CA: American Meteorological Society, 1996: 545.
|
| [13] |
王秀明, 俞小鼎, 周小刚, 等. "6.3"区域致灾雷暴大风形成及维持原因分析[J]. 高原气象, 2012, 31(2): 504-514. |
| [14] |
马淑萍, 王秀明, 俞小鼎. 极端雷暴大风的环境参量特征[J]. 应用气象学报, 2019, 30(3): 292-301. |
| [15] |
刁秀广. 强冰雹和强降水超级单体风暴双偏振特征差异性[J]. 海洋气象学报, 2024, 44(3): 23-36. DOI:10.19513/j.cnki.hyqxxb.20220807001 |
| [16] |
李瑞萍, 王秀明, 李树文, 等. 一次冷涡背景下次天气尺度系统对强对流环境场的影响[J]. 海洋气象学报, 2024, 44(1): 76-87. DOI:10.19513/j.cnki.hyqxxb.20221030001 |
| [17] |
褚颖佳, 高帆, 张永婧, 等. 一次由线状风暴和阵风锋引发的致灾大风成因[J]. 海洋气象学报, 2023, 43(2): 53-63. DOI:10.19513/j.cnki.issn2096-3599.2023.02.005 |
| [18] |
胡鹏, 焦洋, 高帆. 鲁中地区一次超级单体风暴的雷达观测分析[J]. 海洋气象学报, 2019, 39(2): 134-142. DOI:10.19513/j.cnki.issn2096-3599.2019.02.014 |
| [19] |
侯淑梅, 唐巧玲, 史茜, 等. 2020年5月山东强对流天气特点及成因[J]. 海洋气象学报, 2023, 43(4): 47-61. DOI:10.19513/j.cnki.issn2096-3599.2023.04.006 |
| [20] |
俞小鼎, 王秀明, 李万莉, 等. 雷暴与强对流临近预报[M]. 北京: 气象出版社, 2020.
|
| [21] |
WAKIMOTO R M, BRINGI V N. Dual-polarization observations of microbursts associated with intense convection: the 20 July storm during the MIST Project[J]. Mon Wea Rev, 1988, 116(8): 1521-1539. DOI:10.1175/1520-0493(1988)116<1521:DPOOMA>2.0.CO;2 |
| [22] |
SCHARFENBERG K. Polarimetric radar signatures in microburst-producing thunderstorms[C]//31st Int Conf on Radar Meteorology. Seattle, WA: American Meteorological Society, 2003.
|
| [23] |
RYZHKOV A V, KUMJIAN M R, GANSON S M, et al. Polarimetric radar characteristics of melting hail. Part Ⅰ: theoretical simulations using spectral microphysical modeling[J]. J Appl Meteor Climatol, 2013, 52(12): 2849-2870. DOI:10.1175/JAMC-D-13-073.1 |
| [24] |
KUSTER C M, HEINSELMAN P L, SCHUUR T J. Rapid-update radar observations of downbursts occurring within an intense multicell thunderstorm on 14 June 2011[J]. Wea Forecasting, 2016, 31(3): 827-851. DOI:10.1175/WAF-D-15-0081.1 |
| [25] |
王秀明, 俞小鼎, 费海燕, 等. 下击暴流形成机理及监测预警研究进展[J]. 气象, 2023, 49(2): 129-145. |
| [26] |
王一童, 王秀明, 俞小鼎. 产生致灾大风的超级单体回波特征[J]. 应用气象学报, 2022, 33(2): 180-191. |
| [27] |
王一童, 王秀明, 俞小鼎. 两个超级单体导致的冀豫交界区极端下击暴流预警分析[J]. 暴雨灾害, 2022, 41(3): 254-265. |
| [28] |
李淑璠, 王秀明, 刘屹靖, 等. 江西南昌"3·31"极端大风成因分析[J]. 大气科学, 2025, 49(3): 609-628. |
| [29] |
LEE R R, WHITE A. Improvement of the WSR-88D mesocyclone algorithm[J]. Wea Forecasting, 1998, 13(2): 341-351. DOI:10.1175/1520-0434(1998)013<0341:IOTWMA>2.0.CO;2 |
| [30] |
陈宇, 杨磊, 王瀛, 等. 东北冷涡背景下弓形回波导致的雷暴大风成因分析[J]. 暴雨灾害, 2024, 43(6): 693-701. |
| [31] |
YU X, WANG X, ZHAO J. Investigation of supercells in China: environmental and storm characteristics[C]//26th Conf on Severe Local Storms. Nashville, TN: American Meteorological Society, 2012.
|
| [32] |
PRZYBYLINSKI R W. The bow echo: observations, numerical simulations, and severe weather detection methods[J]. Wea Forecasting, 1995, 10(2): 203-218. DOI:10.1175/1520-0434(1995)010<0203:TBEONS>2.0.CO;2 |