X波段双偏振雷达相态识别与拼图的关键技术

吴 翀 刘黎平 仰美霖 马建立 李 娟

1)(中国气象科学研究院， 北京 100081)2)(北京城市气象研究院， 北京 100089)3)(南京信息工程大学， 南京 210044)

引 言

双偏振雷达作为天气雷达的重要新技术之一，已在全世界范围内大量推广应用[1-7]。得益于两个正交通道同时发射和接收水平和垂直极化方向的线偏振波，双偏振天气雷达除能测量常规的反射率因子(ZH)、径向速度(V)、速度谱宽(SW)外，还可获得差分反射率(ZDR)、零时滞相关系数(ρhv)、差分传播相移(ΦDP)、差分传播相移率(KDP)等双偏振参量[8]。上述新增观测量包含降水粒子的形状、融化状态、含水量等信息，极大丰富了天气雷达所能获取的信息量。经美国和中国的业务检验，S波段双偏振雷达在数据质量控制、水凝物相态识别、定量降水估测、龙卷临近预报中优势明显[9-15]。而X波段双偏振雷达的探测范围相对较小且容易受短波长衰减的影响，此前主要作为科研雷达用于外场试验[16-20]。随着X波段雷达性能的提升，其更快的扫描速度、更精细的空间分辨率等优点逐渐得到重视。在我国人口密集、经济发达的超大城市群内，X波段雷达可满足精细强对流监测和临近预报的业务需求，衰减、观测范围不足等问题可以通过多部雷达的数据融合弥补。目前，北京市、江苏省、广东省佛山市等地区先后参考美国大气协同自适应遥感工程(collaborative adaptive sensing of the atmosphere,CASA)[21]，在当地建成X波段双偏振雷达网并投入业务运行。但由于X波段雷达相对S波段雷达的固有限制，对于雷达网观测数据的处理及应用能力提出了更高要求，迫切需要开展针对X波段雷达网的关键技术研究。

水凝物相态识别算法是双偏振雷达在业务应用中的主要优势之一，通过模糊逻辑方法将各水凝物相态的特征与雷达观测量相联系，进而将双偏振参量所蕴含的信息以识别结果的形式直观展现。Park等[9]提出的HCA(hydrometeor classification algorithm)相态识别算法，在美国业务运行的WSR-88D双偏振雷达上展现出良好性能。徐舒扬等[22]将HCA算法应用于广东省的S波段业务雷达，发现识别效果存在一定的差异。分析指出该差异一方面来自国产雷达相对WSR-88D雷达略差的数据质量，另一方面不同地区的降水特征也存在差异，造成模糊逻辑方法中隶属函数的匹配性和区分度的降低，进而影响识别结果的可靠性。X波段双偏振雷达除存在上述问题外，还面临不同波段的水凝物后向散射特征差异、短波长的严重衰减等问题，直接将HCA算法应用于业务运行的X波段双偏振雷达会造成较严重的识别误差。此前国内X波段雷达的相态识别研究多使用单部雷达的外场试验结果分析对流云内复杂的微物理过程[16-20]，且针对衰减影响的识别方法优化研究报道较少。由此可见，根据X波段双偏振雷达的特点研究具有较高可靠性的水凝物相态识别方法，是目前国内X波段雷达业务应用中的当务之急。

单部X波段雷达观测范围较小且信息获取能力有限，相态识别后的极坐标数据必须通过拼图算法的融合才能有效应用。王红艳等[23]提出针对S波段业务雷达的三维拼图融合方法，在多部雷达的共同覆盖区内使用距离作为拼图的权重。S波段雷达的观测范围普遍在230 km以上，雷达1°波束宽度的横截面积随着距离的增加显著变大。某点距离雷达越远，增大的波束体积内回波结构将被平滑，充塞程度下降，数据也将变得更不可靠，这便是距离权重的科学依据。但X波段雷达的有效观测范围不超过75 km，衰减取代波束体积是影响数据质量的首要因素。国内关于X波段雷达的拼图研究以距离权重为主，着重分析多部雷达回波强度融合后低层盲区和高层静锥区的改善情况[24]，而针对X波段雷达ZH和相态识别结果融合方法的改进研究非常有限，如何将衰减程度不一的观测结果合理融合也是X波段雷达网业务应用的关键技术之一。

北京市气象局自2016年起开始建设北京X波段双偏振雷达网(BJ-Xnet)，用于北京市主城区的强对流天气精细化监测和预警。本文使用该雷达网2016年汛期的观测数据，研究适用于X波段双偏振雷达网的相态识别及数据融合的关键技术，针对国产X波段雷达的特点改进HCA算法的关键技术流程，提出基于X波段衰减程度的拼图方法。通过2016年汛期典型个例中BJ-Xnet与S波段业务雷达的观测对比，验证本文提出的X波段雷达水凝物相态识别和拼图方法的可靠性，并展示X波段雷达网高时空分辨率的产品在重点区域监测与临近预报中的优势。

1 数据与方法

1.1 北京X波段雷达网的站点概况及观测优势

BJ-Xnet的X波段双偏振雷达主要来自北京敏视达雷达公司，2016年以75 m水平分辨率、10层垂直分辨率、4 min时间分辨率提供包含ZH,V,ZDR,ρhv,KDP参量的三维体扫。图1给出站点分布，昌平站(BJXCP)、顺义站(BJXSY)、房山站(BJXFS)、通州站(BJXTZ)分别位于北京市的北部、东北部、东部及南部郊区，它们的共同观测范围覆盖位于39.7°～40.1°N,116.1°～116.6°E的北京市主城区。S波段雷达位于南郊的大兴区(BJSDX)，是BJ-Xnet建成前北京地区唯一的业务雷达。该雷达的参数与美国WSR-88D雷达类似，水平分辨率为1 km，6 min 完成1次VCP21体扫(垂直分辨率9层)，提供230 km 范围内的ZH和V参量。

由于不同类型降水的结构特征差异巨大，需要天气雷达在垂直方向提供尽可能密集的观测数据。机械扫描的抛物面雷达受天线转速和脉冲积累数的限制，在规定的数据更新时间内获取的体扫层数有限。采用VCP21模式的BJSDX雷达只能在6 min 内分别完成0.5°,1.5°,2.4°,3.3°,4.3°,6.0°,9.9°,14.6°,19.5°共9层的三维扫描。根据最低仰角和最高仰角在标准大气折射条件下的波束传播特征，得到北京地区雷达波束的最低覆盖高度(图1)。由图1可以看到，BJSDX在北京市主城区的最低监测高度约500 m，北部郊区仅能提供1500 m高度以上的降水信息。同时受最高仰角19.5°的雷达静锥区影响，在主城区的最高波束覆盖高度不足7000 m(图略)。可见仅依靠一部S波段业务雷达，不仅无法获取北京大部分地区的近地面降水信息，同时主城区的降水垂直结构观测也不准确，降低了北京地区雷达产品的可靠性。尽管BJ-Xnet的X波段雷达最低和最高的仰角保持不变，但通过多部雷达同时定时扫描可拓展监测能力。在主城区上空，X波段雷达相互覆盖静锥区，最高监测高度达到10000 m以上，且在北京大部分地区波束的最低高度达到250 m以下，为高时空分辨率的相态识别和拼图产品提供硬件支持。

图1 BJ-Xnet与BJSDX分布及波束最低覆盖高度对比(黑色虚线框表示北京市主城区) Fig.1 Site distribution and the minimum height of radar coverage of BJ-Xnet and BJSDX(the black dotted line indicates the scope of Beijing downtown)

1.2 针对X波段雷达网相态识别流程的改进

HCA水凝物相态识别方法为S波段的WSR-88D双偏振雷达设计，算法流程可分为质量控制模块、水凝物相态识别模块和数据格点化模块。雷达原始观测的极坐标数据首先输入数据质量控制模块，通过杂波去除、衰减订正提高双偏振观测量的可靠性。水凝物相态识别模块包括融化层识别、数据置信度计算和隶属函数计算3部分。其中，融化层识别算法MLDA(melting layer detection algorithm)[25]以当日L波段秒级探空数据获取的湿球温度0℃高度为背景场，用雷达观测到的融化物的空间特征实时计算不同方位角的融化层顶和底层位置。置信度系数表征干扰与气象回波相互混叠情况下误差对各偏振参量的负面作用，其计算时考虑衰减、偏振参量统计误差和弱信噪比的影响[26]。基于融化层识别和置信度计算所提供的信息，相态识别模块的核心是使用模糊逻辑方法展开识别。通过ZH,ZDR,ρhv,KDP参量的隶属函数加权运算将回波识别为地物(GC/AP)、晴空(BS)、干雪(DS)、湿雪(WS)、冰晶(CR)、霰(GR)、大滴(BD)、小到中雨(RA)、大雨(HR)、雨夹雹(RH)共10种水凝物。在观测量被干扰且难以彻底去除的情况下，置信度系数将动态下调相应模糊逻辑计算权重。一些冰相粒子的隶属函数参数与液相接近，融化层的识别信息用于对不同高度的水凝物分类进行校正，以避免误识别。为了便于发布和显示，数据格点化模块根据雷达经纬度信息和预设的格点分辨率将极坐标下的观测量和产品转换到等经纬度网格上，形成三维格点数据。

由于X波段雷达的电磁波波长、雷达性能均与S波段雷达存在显著差异，因此其相态识别流程需进一步优化，每个模块的改进要点如下：

①数据质量控制模块。在雷达原始数据的质量控制中，X波段雷达除受杂波干扰外，还受到严重衰减、标定误差和旋转关节的影响。采用文献[27-28]提出的联合S波段雷达的X波段双偏振雷达衰减订正方法和误差订正方法，详细内容参见上述文献。

②水凝物相态识别模块。X波段雷达的差异主要来自不同波长的散射特性和衰减订正误差。X波段雷达观测到的融化物经过雨区的强衰减，导致融化物的双偏振特征存在明显不确定性。直接使用基于空间特征的MLDA算法会引入识别误差，需要采用针对X波段雷达的融化层识别方法。原有置信度计算公式适用于衰减不严重的S波段雷达，而X波段雷达的衰减影响远大于其他影响，因此需要调整计算阈值。相态识别模块的另一个关键是隶属函数与相态观测特征的匹配。由于X波段雷达波长更短，其后向散射特征导致其ZH，ZDR，KDP的特征与S波段雷达不同，需重新修改隶属函数的参数。

③数据格点化模块。X波段雷达的观测范围较小，提供的三维网格数据是多部雷达合理融合后的结果。此前业务雷达的拼图算法主要考虑雷达波束体积随距离的变化，而X波段雷达的融合方法需把衰减程度作为数据融合的首要考虑因素。

2 适用于X波段雷达的水凝物相态识别方法

2.1 融化层识别算法

MLDA算法使用4°～10°仰角的ZH，ZDR和ρhv作为输入，通过沿径向搜索ρhv降低、ZH和ZDR升高的偏振参量特征确定融化物的距离库位置。将上述信息存储在一个高度分辨率为0.1 km、方位分辨率为1°的二维数组内。若融化物的总数超过一定阈值，则根据绝大多数融化物的高度分布逐方位搜索融化层的上下边界，融化物占比例为80%和20%的高度将被认定为融化层顶部和底部，该信息用于消除不属于该温度层的错误分类。经业务检验，MLDA算法在华南地区S波段双偏振雷达的应用中表现出良好稳定性[29]，图2a是该算法应用于BJXSY雷达后的效果。

2016年7月20日07:30 (北京时，下同)，位于BJXSY雷达以南的探空站测得湿球温度0℃的高度为4.56 km。与BJXSY雷达的识别结果对比发现，MLDA算法得到的融化层顶部与实测值较为接近，但在5～6 km高度出现较多虚假融化物，导致不同方位的波动较大。这是由于在衰减和较低接收机灵敏度的共同作用下，融化层顶以上的雪和冰晶的信噪比(SNR)很小，ρhv因噪声降低，该特征被误识别为融化物。MLDA算法对融化层底部(0～4 km)的识别可靠性较差。这是因为北京X波段雷达的部署高度较低，雷达波束主瓣和副瓣范围的地物干扰均使ρhv下降，形成虚假的融化物特征。此外，强降雨衰减时X波段雷达的有效探测距离也难以达到融化层，降低识别结果的可靠性。

图2 BJXSY雷达分别使用MLDA算法和QVP算法得到的融化层识别结果(a)2016年7月20日07:32 MLDA算法识别的融化物空间分布(散点)，(黑色实线表示算法识别的融化层顶和底层随方位的变化，黑色虚线表示探空的融化层顶高度)(b)2016年7月20日01:00—17:00 BJXSY雷达使用QVP算法得到的融化层识别结果Fig.2 Melting Layers identified by MLDA and QVP for BJXSY radar(a)distribution of melting particles identified by the MLDA at 0732 BT 20 Jul 2016(the scattered)(black solid lines represent the top and bottom of melting layers varying with azimuth, and black dotted line represents the height of melting layer obtained by upair sounding)，(b)melting layers identified by QVP from 0100 BT to 1700 BT on 20 Jul 2016

针对该问题，可采用更严格的阈值避免部分虚假识别结果，但这也可能滤除部分真实的融化物，导致X波段下MLDA算法的效果难以稳定。为此提出一种基于准垂直剖面技术(quasi-vertical profiles,QVP)[30]的识别方法，将识别流程大幅简化。QVP算法仍使用业务雷达的体扫数据，通过将高仰角(大于14°)的偏振参量沿方位角平均，得到不同高度下各偏振参量随时间变化的准垂直剖面图。改进的融化层识别算法使用ρhv的QVP结果及最近时刻的探空数据，沿探空0℃湿球温度的高度以下1.5 km 向上搜索到6 km高度，提取ρhv<0.96的最大间隔，对应融化层顶和底层的位置。图2b是2016年7月20日01:00—17:00 BJXSY雷达基于QVP算法的融化层识别结果。可以看到，一次降水过程中融化层的高度不断变化，变化可超过1 km。与07:30及12:30的探空相比，QVP方法的识别误差小于100 m，完全满足BJ-Xnet的相态识别需求。由于QVP算法是不同方位的累积结果，与MLDA算法相比，其不足是未考虑不同方位的融化层高度变化。由于X波段雷达的有效观测范围在75 km以内，上述变化的影响非常有限，且通过4 部雷达的数据融合也能消除该不利影响。

2.2 置信度计算阈值

置信度系数用于量化各类误差对模糊逻辑计算的影响。雷达观测的ZH,ZDR,ρhv,KDP置信度分别由不同参数的高斯函数F组合而成，Fatt代表衰减误差的影响，与ΦDP有关；Fsnr代表接收机噪声的影响，与SNR有关；Frhv代表偏振参量统计误差的影响，与ρhv有关。具体计算如下：

(1)

(2)

(3)

图3 BJXSY雷达置信度和灵敏度廓线 (a)Fatt,(b)灵敏度,(c)Fsnr,(d)FrhvFig.3 The profiles of Gauss functions and the minimum reflectivity of BJXSY radar (a)Fatt,(b)minimum reflectivity,(c)Fsnr,(d)Frhv

2.3 隶属函数参数的改进

模糊方法使用梯形隶属函数，x1,x2,x3,x4分别表示数值由低到高的梯形4个顶点，对应隶属函数值从0～1的3个变化区间。图4使用黑色实线和虚线分别标出默认隶属函数中x2,x3和x1,x4围成的区域，理论上某一相态的水凝物主要集中于实线围成的范围内，不能出现在虚线范围外。根据统计的各参量分布特征及其与默认参数的相对位置，可以对隶属函数参数进行合理调整。对于融化层以下的雨区和融化层以上的冰雪晶区，参量分布基本符合默认参数，与S波段雷达的观测结果差异很小，仅北京地区冰晶的KDP偏小。由于质量控制时衰减订正的系数是纯雨滴条件下的，当出现冰水相态混合时ZH，ZDR的订正效果受到影响，且融化层以上的回波缺乏有效的订正方法，这些均反映在湿雪、霰以及雨夹雹相态的统计结果中。其中，处于融化状态湿雪的ZH和ZDR均比默认值偏小，ρhv的分布更广，主要集中在0.88～0.96区间内。对于融化层以上的霰(图略)，受衰减影响ZDR明显比默认值偏低1 dB，需将ZDR隶属函数的区间整体下调。对于对流云中的雨夹雹相态，已经超过X波段的雷达的瑞利散射区间，同时受到衰减影响，导致ZDR的统计结果非常离散，分布于-2～2 dB之间，ρhv的极小值达到0.8甚至更低，KDP部分超过默认隶属函数的上界。对于X波段雷达在晴空时观测到的非气象回波，σ(ΦDP)最大达到150°左右，ρhv最小达到0.2，均超过默认参数区间，此外ZDR的分布也不相同。根据上述分析结果，表1给出改进后的隶属参数，并在图4中用红色实线和虚线标出。与默认参数相比，调整后的隶属函数更符合BJ-Xnet的实际观测，有助于提高相态识别结果的可靠性。

图4 BJXSY雷达2016年汛期观测数据统计得到的与不同降水相态对应的频次图(黑框和红框分别表示默认和改进后的隶属函数参数,实线和虚线分布表示值为1和0的隶属函数区间分界线)Fig.4 The frequency diagrams of ZH-ZDR,ZH-ρhv and of different hydrometeors from BJXSY radar in flood season of 2016(the black and red boxes represent the default and modified membership functions respectively,and the solid line and dotted lines represent the boundary of membership function with values of 1 and 0)

相态隶属函数单位默认隶属函数参数x1x2x3x4改进后隶属函数参数x1x2x3x4干雪P[ZDR] dB-0.300.30.6-0.3-0.10.40.6干雪P[ρhv]0.950.9811.010.950.9711.01冰晶P[ρhv]0.950.9811.010.950.9711.01冰晶P[K(l)DP] dB·km-1-501015-30-251020湿雪P[ZH] dBZ2530405020233745湿雪P[ZDR] dB0.512300.522.5湿雪P[ρhv]0.880.920.950.9850.860.880.960.985霰P[ZDR]dB-0.30.0f1f1+0.3-1.5-0.80.00.5雨夹雹P[ZDR] dB-0.30.0f1f1+0.5-1.5-1.0f1+0.3f1+0.8雨夹雹P[ρhv] dB0.850.901.001.010.800.901.001.01雨夹雹P[K(l)DP] dB·km-1-10-4g1g1+1-10-457晴空回波P[ZDR] dB021012-5-227晴空回波P[ρhv]0.30.50.80.830.20.30.750.83晴空回波P[σ(ZH)](°)124711.558晴空回波P[σ(ΦDP)](°)8104060815120150

3 适用于X波段雷达网的拼图融合方法

X波段雷达网的水凝物相态识别结果需要通过拼图方法进行融合。由于单部X波段雷达的观测范围较小、衰减较强，衰减是影响融合效果的关键因素。为此，在分析实际观测数据的基础上提出以衰减程度为权重的拼图融合方法，用于BJ-Xnet的反射率因子和相态识别结果的数据融合中。

2016年7月31日一个中尺度对流系统由西向东移动穿过北京市主城区，对流云集中在北京市主城区以东，西侧主要是对流云消亡后的层状云降水。降水类型的空间差异导致4部不同位置X波段雷达的观测结果截然不同，使用ZH的置信度系数QZH表征衰减的影响程度。BJXCP雷达位于该系统的中部，其西侧观测到回波结构完整的层状云区，对应的QZH大于0.95，可见识别结果受衰减的影响不大(图略)。东侧强对流云降水区的QZH迅速降低至0.5～0.7，对应的回波结构出现明显不连续，这是由于电磁波经过强降水的衰减后低于雷达接收机灵敏度导致回波结构缺失。南部BJXFS雷达的观测结果与BJXCP雷达类似，西侧层状云区的结构清晰，东侧对流云区存在部分不连续。BJXSY雷达位于东侧强对流区下方，受强衰减影响该雷达的有效观测半径缩短到10～20 km，站点东侧的降水回波结构几乎被完全衰减，对应的QZH低于0.5，数据的可靠性较差。位于降水东南侧的BJXTZ雷达距离强对流区非常近，观测结果受衰减影响很小。但受灵敏度限制，BJXTZ雷达在西侧层状云区的回波结构存在缺失。总体上，X波段雷达对于层状云和近处对流云的观测和识别结果较好，衰减会导致部分强对流云的回波结构缺失，此外强降水过顶时雷达站点的数据可靠性较差。

BJ-Xnet融合算法的关键是将4部雷达的观测结果合理组合，形成高质量的拼图数据，具体为需要在多部雷达共同覆盖的区域内选择QZH最大(即衰减最小)的相态识别结果作为该点的拼图识别结果，即置信度系数为权重(quality weight,QW)的拼图方法。图5是QW方法对2016年7月31日06:20 BJ-Xnet相态识别拼图以及置信度系数拼图结果，并与目前业务雷达使用距离权重(distance weight,DW)方法对比。传统DW方法未考虑X波段衰减，严格选取最近的数据用于拼图，在116°～116.4°E主要使用BJXCP雷达的结果，116.4°～116.8°E主要使用BJXSY雷达的结果，BJXTZ雷达仅在116.8°～117°E中作为BJXSY无数据区域的补充，BJXFS雷达则基本未使用。根据单部雷达的观测分析，BJXSY雷达数据质量最不理想，使用该雷达严重衰减的观测结果直接导致DW方法的拼图中出现大片置信度系数低于0.9的区域，特别是东侧强对流区的QZH普遍低于0.5。在DW方法对应的相态拼图中，该区域的识别结果以小到中雨分类为主，大雨和雨夹雹分类很少。但此时对流云的最大回波强度超过55 dBZ、回波顶高超过15 km，可见基于距离权重的相态拼图结果与当日的实况不符。使用基于QW的拼图方法，BJXSY雷达的低可靠性数据被BJXTZ和BJXFS两部雷达代替，相态拼图中识别出东侧大片的雨夹雹和大雨区，对应的置信度系数基本大于0.9，可见使用置信度权重的拼图方法比传统的距离权重方法更适合易受衰减影响的X波段雷达。

图5 2016年7月31日06:20 BJ-Xnet在2.5 km高度拼图试验的CAPPIFig.5 The CAPPI of mosaic test at 2.5 km height observed by BJ-Xnet at 0620 BT 31 Jul 2016

图6 2016年7月31日06：20 BJ-Xnet在2.5 km高度分别使用DW方法,PW方法和QW方法得到的ZH拼图结果Fig.6 Mosaic results of ZH by DW method,PW method and QW method for BJ-Xnet at 2.5 km height at 0620 BT 31 Jul 2016

4 北京X波段雷达网与S波段雷达观测对比

北京处于中纬度地区，夏季由深对流和混合对流云带来的冰雹、大风、强降水是汛期临近预报的重点和难点[34]。BJ-Xnet作为现有S波段业务雷达的补充，可提供高分辨率(水平分辨率150 m、垂直方向500 m)的ZH和水凝物相态识别产品的拼图，用于北京市主城区范围内气象灾害的监测和预警。根据2016年汛期BJ-Xnet的观测结果，以云降水的类型、空间尺度为依据选取典型个例，将7月27日一次伴随降雹的中尺度飑线、7月30日一次主城区生成的小尺度雷暴和7月20日一次特大暴雨过程中BJ-Xnet的产品与BJSDX雷达对比，分析本文提出的相态识别和组网拼图方法的效果。

4.1 一次伴随降雹的中尺度飑线个例

2016年7月27日在冷空气和暖湿气流的共同作用下，一条飑线由西北向东南移动并穿过北京市区，伴随6～9级短时大风和多处局地降雹。图7为本次过程BJSDX和BJ-Xnet在2.5 km高度的CAPPI，其中+号处为雷达站位置。根据S波段业务雷达的观测结果，飑线在19:00 由北京西北角切入，随后迅速向东南方向发展，1 h后位于飑线前沿的弓状回波基本移出主城区，并分裂为多个对流单体。由于当日BJXSY雷达正在检修，BJ-Xnet仅依靠3部X波段雷达完成北京市主城区的拼图。得益于合理的衰减订正及拼图算法，BJ-Xnet观测的飑线宏观结构与BJSDX雷达非常吻合，且水平分辨率更高、提供更丰富的细节。在飑线尚未进入北京市主城区的19:00，弓状回波的结构紧密，相态识别结果中出现连成片的雨夹雹分类。随着飑线穿过市区，BJ-Xnet观测到弓状回波中的对流单体逐渐分裂的过程。这在相态识别结果中清晰表现为雨夹雹和大雨分类组成的致密结构逐渐出现不连续，其间隙被小到中雨代替，这预示着有组织的对流单体的消亡。BJSDX雷达由于分辨率偏低、缺乏双偏振功能，在临近预报中难以及时识别。

图8是7月27日19:00，19:42，20:00 BJSDX和BJ-Xnet在沿飑线移动方向的垂直剖面图。BJSDX雷达受静锥区影响，在飑线进入北京市主城区后难以观测到完整结构。BJ-Xnet相互填补静锥区，且垂直分辨率更高，提供精细的飑线垂直结构。在相态识别结果的垂直剖面中，可清楚看到飑线经过市区后强度减弱的过程。19:00旺盛的对流使得回波顶高超过10 km，融化层以上出现大片的霰和雨夹雹分类。这是由于此时旺盛的上升气流足以支撑固态降水粒子在空中持续增长，而2 km高度以下以液态降雨为主，只有少量较大冰雹才能达到地面。在飑线经过市区的过程中强度逐渐减弱，霰的面积及对应高度均出现明显下降，不过此时底层仍以小到中雨和大雨分类为主，降雹仍未触地。20:00对流单体的顶高降低至8 km左右，霰对应的高度仅为5～6 km，此时出现从低层到5 km高度连通的降雹带。

根据北京地区国家站人工观测，本次飑线BJ-Xnet的冰雹识别结果得到地面的实际验证。18:00—18:20 BJSDX雷达观测到5～10 km高度出现超过60 dBZ的强回波，但BJ-Xnet识别的最低冰雹高度维持在1.6～1.7 km高度，各观测站也无降雹记录。18:40—19:00 BJ-Xnet观测到飑线东北侧单体的雨夹雹相态首次降低到1 km以下，表明该对流单体的降雹概率明显增大，对应的54410站同时观测到降雹。随着飑线进入北京市主城区，BJ-Xnet的相态识别产品发现东北侧的对流单体一直出现近地面的降雹特征，并在54398站的观测记录中得到证实。随着飑线移出市区并发生分裂，BJ-Xnet观测到0.5 km高度以下出现大片降雹区，该区域主要集中在北京市南部的房山区和大兴区，4个地面站几乎同时观测到冰雹。对于本次飑线过程，BJ-Xnet观测发现地面降雹的时刻并非对流单体发展最旺盛的时间，而是在上升气流减弱、无法维持冰雹增长后，相比S波段雷达获取到更精细的结果用于临近预报。

图7 2016年7月27日BJSDX与BJ-Xnet 2.5 km高度CAPPI对比 (黑色虚线框表示北京市主城区,黑色实线表示垂直剖面的选取位置)Fig.7 The comparison of CAPPI between BJSDX and BJ-Xnet at 2.5 km height on 27 Jul 2016 (the black dotted line indicates the scope of Beijing downtown,the black solid line indicates position of vertical sections)

图8 与图7相同, 但为BJSDX与BJ-Xnet的在相同时刻下的垂直结构对比 (剖面的选取位置在水平结构中以黑实线标出)Fig.8 The same as in Fig.7,but for comparison of vertical structures between BJSDX and BJ-Xnet (positions of vertical section are marked by black solid lines in the CAPPIs)

续图8

4.2 一次主城区生成的小尺度雷暴个例

2016年7月30日凌晨，在低层暖湿气流和高层弱冷空气的共同作用下，数个小尺度的雷暴单体在北京市主城区西南侧生成，自西向东移动过程中伴随着新生单体的激发、加强并最终在3 h内消亡。本次过程中雷暴云的生命史较短、空间尺度较小，降水的时空分布很不均匀，北京市西城区复兴门观测到了44.5 mm·h-1的短时强降水。图9分别给出BJSDX和BJ-Xnet在2.5 km高度CAPPI。在夜间湍流的影响下，BJSDX雷达周围观测到大片ZH<15 dBZ的晴空回波，使得初生对流的发现更加困难。而BJ-Xnet得益于双偏振参量的质量控制方法，较好实现了气象与非气象回波的区分。在小尺度雷暴云生成与发展的过程中，X波段雷达精细结构的优势体现非常明显。BJ-Xnet在图9中观测到雷暴西侧水平尺度小于500 m的新生雷暴单体，而BJSDX雷达受限于1 km的水平分辨率，对上述小尺度的新生对流无法监测预警。

图9 同图7, 但为2016年7月30日BJSDX与BJ-Xnet的观测对比Fig.9 The same as in Fig.7,but for comparison between BJSDX and BJ-Xnet on 30 Jul 2016

续图9

在垂直结构(图10)的对比中，BJ-Xnet能更加清晰反映雷暴单体的发展过程。在7月30日02:00 的雷暴初生阶段，对流云顶高就已达到约10 km。相态识别结果中出现的霰和雨夹雹区、单体边缘代表上升气流的大滴相态均表征旺盛的对流。随着03:16垂直结构中霰和雨夹雹的面积进一步扩大，雷暴云在主城区上空发展、成熟。此时冰雹在下落过程中未能达到地面，而是完全融化为下方的大雨，地面也仅观测到瞬时强降水和6级阵风，未收到降雹的重要天气报。此后，雷暴云逐渐进入消亡阶段，强回波中心逐渐从8 km高度以上下移，04:12已降至约2 km高度，相态识别结果中霰和雨夹雹基本消失，该雷暴单体在20 min 内彻底消散。由于BJSDX雷达离主城区过近，其最高仰角仅达到7 km 的高度，所得垂直结构在雷暴初生、发展和成熟阶段差异不明显，BJ-Xnet对小尺度雷暴的监测预警效果更佳。

4.3 一次大范围特大暴雨个例

2016年7月19—20日因黄淮气旋北上，北京全市出现一次特大暴雨过程，其中北京城区平均降雨274 mm，北京西部门头沟区东山村记录到极大值453.7 mm。图11为7月20日05:00主城区降水时段内BJ-Xnet与BJSDX的水平和垂直结构对比。在本次降水过程的各阶段，BJ-Xnet的相态识别结果随时间几乎无变化(图略)，融化层以下的雨区以小到中雨相态为主，融化层以上是干雪和冰晶，融化带内为湿雪，符合经典层状云的空间特征。部分区域出现弱对流，但其顶高很少超过6 km。与BJSDX的观测结果相比，BJ-Xnet在大范围稳定降水中的优势仍为水平分辨率高，雨带的结构特征精细，但X波段雷达在大范围降水中的衰减订正误差使得BJ-Xnet的回波结构部分偏弱，S波段业务雷达的回波结构具有衰减更小的优势。此外，雨区和融化区的强衰减还导致BJ-Xnet在本次过程中对冰雪晶区域的探测能力偏弱，6 km以上高度很难获取到层状云的观测信息。

图10 同图8,但为2016年7月30日BJSDX与BJ-Xnet的观测对比Fig.10 The same as Fig.8,but for comparison between BJSDX and BJ-Xnet on 30 Jul 2016

图11 同图7,但为2016年7月20日BJSDX与BJ-Xnet的观测对比Fig.11 The same as Fig.7,but for comparison between BJSDX and BJ-Xnet on 20 Jul 2016

5 结论和讨论

针对具有较高时空分辨率、易于布网的X波段双偏振雷达，本文对其相态识别产品的关键技术开展研究，分别建立适用于X波段雷达的水凝物相态识别方法和多雷达回波强度、识别结果的拼图融合方法,并通过北京X波段雷达网典型个例观测得以验证，与S波段业务雷达对比发现X波段雷达网在临近预报中具有优势，得到如下结论：

1) 经实际观测数据检验，S波段雷达的相态识别算法不适用于X波段雷达。其中，默认的融化层识别算法因X波段的衰减出现很大误差，采用QVP方法大幅提高融化层信息的准确性。在降水与干扰叠加的情况下，X波段雷达低质量数据的特征与S波段雷达不同，采用默认参数的置信度公式会错误估计数据质量，为此重新调整计算阈值。此外，X波段雷达部分水凝物相态的参量特征也存在差异，提出隶属函数参数改进方法重建适用于北京X波段雷达网的识别参数。

2) X波段雷达网中单部雷达观测范围很难覆盖整个降水系统，且衰减程度不一，在业务应用中需对多部雷达的观测结果合理融合。现有S波段雷达基于波束体积的拼图方法会引入部分低质量的X波段数据，进而导致回波结构的空间不连续。提出基于衰减程度的融合方法选取受衰减影响最小的相态识别结果作为雷达网的相态拼图结果，并将多部雷达的反射率因子以衰减为权重加权平均进行拼图，可有效降低X波段雷达拼图后的结构不均匀特征。

3) 通过2016年汛期北京地区3次典型降水个例的对比，X波段雷达网融合结果在保证北京主城区内数据可靠性的基础上提供精细的回波结构和水凝物相态分布，有效处理当地S波段业务雷达在近处探测能力降低的问题。通过地面观测站的初步验证，X波段雷达网识别的降雹区位置合理，为临近预报提供有效的实况监测信息。

BJ-Xnet的X波段雷达目前仅以相同的时间周期独立扫描，还未实现CASA提出的组网协同自适应观测。其原因是协同扫描下复杂度需大幅提升雷达硬件、控制软件和数据处理算法的性能和可靠性，很难达到业务需求，目前国内仅少量科研单位尝试开展X波段雷达的协同扫描试验。限于成本，近期X波段雷达网不可能完全替代现有的S波段业务雷达。但对于一些需要重点监测区域，建立扫描快、空间分辨率高的X波段雷达网有助于开展临近预报。