基于雷达拼图CR产品四要素识别冰雹云的方法

摘要 为了提高简便、快捷、自动识别冰雹云的能力，利用雷达拼图组合反射率因子（Combined Reflectivity，CR）数据，在冰雹回波超级单体四要素特征分析的基础上，提出了简约快捷的自动识别冰雹云的方法。结果表明：聚类算法（Clustering Algorithm）、散点轮廓算法（Scatter Contour Algorithm）能够较好地识别出冰雹云回波中心强度和强回波面积;强回波梯度算法（Strong Echo Gradient Algorithm）、云砧回波算法（Cloud Anvil Echo Algorithm）计算快捷。雷达拼图CR、强回波面积（Strong Echo Area，SEA）、强回波梯度（Strong Echo Gradient，SEG）和云砧回波（Cloud Anvil Echo，CAE）四要素被用来确定回波与冰雹云的关系。江西冰雹大多数发生在超级单体（Supercell）中，当CR≥60 dBZ、SEA≥100 km2、SEG≤8 km、CAE比值在1∶2～1∶3时，就可能发生冰雹;有些微型超级单体（Micro Supercell）在合适的天气背景和环境条件下，即使SEA=18 km2也会发生冰雹。自动识别冰雹云的方法在2022、2023年各3次冰雹过程中得到实践验证，其识别出的冰雹云区域与冰雹实况区域吻合，但也存在10％～20％的空报率。本研究结果为简便、快捷、自动识别冰雹天气提供了有效依据。

关键词冰雹云;聚类算法;散点轮廓算法;强回波梯度;云砧回波

2023-08-01收稿，2024-03-29接受

北极阁基金（BJG202208）;国家重点研发计划课题（2022YFC3003904）;中国科学院战略性先导科技专项（A类-XDA19040202）;国家自然科学基金项目（41975001）;江西省气象局重点科研项目（JX2022Z04）;2022年江西省气象局面上项目（JX2022M03）;景德镇市科技计划项目（2022SF003）

引用格式：马中元，王金鑫，张林才，等，2024.基于雷达拼图CR产品四要素识别冰雹云的方法［J］.大气科学学报，47（5）：826-840.

Ma Z Y，Wang J X，Zhang L C，et al.，2024.A method for identifying hail clouds based on four elements of radar mosaic CR products［J］.Trans Atmos Sci，47（5）：826-840.doi：10.13878／j.cnki.dqkxxb.20230801001.（in Chinese）.

冰雹天气是一种短时强对流天气，冰雹发生时常伴随狂风、雷电、强降水、急剧降温等天气现象，不仅对农业、电力、交通等造成巨大的损失，还对人民生命财产造成极大的威胁。冰雹发生过程历时较短且具有不确定性和局地性等特点。因此，简便、快捷、自动识别冰雹云的算法研究及便于普及的监测预警产品平台的搭建，一直是雷达气象重点研究课题。

1981年Forsyth等提出了WSR-88D冰雹云探测方法，由于WSD-88D算法是半经验统计算法，所以在不同的气候和地形影响下算法会出现误差（王瑾和刘黎平，2011）。随着雷达探测技术的发展，新一代天气雷达CINRAD／SA可以获得大量数据，对冰雹天气的监测和分析起到了重要作用。目前国内冰雹识别方法研究较多，如：利用雷达回波强度和平均零度层高度等特点进行识别（李金辉和樊鹏，2007）;根据强冰雹发生的特征指标，将垂直积分液态水含量（Vertical Integral Liquid water content，VIL）、回波顶辐散、三体散射长钉（吴剑坤和俞小鼎，2009）、负温区回波厚度、强回波梯度（李德俊等，2011）、回波组合反射率（段鹤等，2014）等作为冰雹预警指标。上述方法对冰雹云的识别都有重要影响，但距离实现冰雹云自动识别和识别产品自动处理的要求还有一定差距。

随着科技发展，人工智能、机器学习和图像识别等方法被不断运用于冰雹云的识别。路志英等（2015）基于图像处理方法，对雷达反射率因子剖面图进行了研究。张文海和李磊（2019）应用贝叶斯分类法、机器学习和人工智能方法来识别冰雹云。李冰村等（2022）根据支持向量机、决策树和朴素贝叶斯方法对冰雹进行分类识别及预报，而刘新伟等（2021）则根据随机森林模型对冰雹进行分类识别及预报。张秉祥等（2014）将模糊逻辑算法应用于冰雹天气的识别，其识别命中率、虚警率和临界成功指数分别为73.9％、36.4％和51.9％。李博勇等（2021）利用贝叶斯方法改进了华南地区冰雹的识别效果，并比较了WSR-88D冰雹识别算法和贝叶斯方法对冰雹识别的效果;结果表明，这两种方法都能较准确地识别出冰雹云，其中贝叶斯方法识别范围较大。尽管这些方法已在冰雹云识别中得到应用，但这些研究基于不同的天气雷达数据，其选取的特征量存在较大差异。这些方法识别范围较大、识别准确率较低、算法效率较低，遇到小范围的冰雹区域时，其识别效果并不理想。冰雹回波的传统识别方法是从回波强度、强回波面积、强回波梯度等方面进行分析。在雷达产品终端（PUP）上，还可以进行回波顶高度、强回波顶高、特殊特征（悬挂、回波墙、勾指状、三体等）、垂直积分液态水含量VIL、中气旋、中涡旋、速度对、中层辐合区等分析。双偏振雷达还可以根据反射率因子差分反射率（Differential Reflectance，ZDR）、差分传播相移（Propagation Differential Phase shift，PDP）、相关系数（co-polar cross-Correlation Coefficient，CC）等产品进行分析。但这些分析存在一定的门槛：一是需要雷达产品终端条件支持（硬件）;二是对分析人员的雷达资料分析能力的要求较高（门槛），同样资料、不同人员的分析结果往往不同。这两点限制了广大基层台站（市、县两级）预报人员的使用以及方法的普及。如何仅使用普及的雷达拼图组合反射率因子（Combined Reflectivity factor，CR）产品，就能实现对冰雹云的自动识别？这是本文研究的目的和意义。

本文拟在对以往江西冰雹雷达产品终端（PUP）回波特征和雷达拼图组合反射率因子CR回波特征的认知基础上，根据聚类算法和散点轮廓算法生成回波候选区域，并根据不同候选区域的回波特征与冰雹云之间的内在联系，建立自动识别方法，形成自动化的冰雹云识别产品平台（10 min滚动更新），从而实现为广大基层台站（市、县两级）预报人员提供监测预警冰雹天气的分析依据。

1 资料和概况

1.1 资料

雷达资料来源于江西雷达拼图产品（江西雷达拼图有24部S波段多普勒雷达，其中江西8部、湖南5部、湖北1部、安徽2部、浙江2部、福建3部和广东3部;2012年完成开发并上网共享）。雷达拼图组合反射率因子（CR，单位：dBZ）是雷达反射率因子数据（9层）在垂直方向上的累计最大值。雷达拼图数据文件经纬度网格点范围为110.2°～121.2°E、22°～33°N，空间分辨率为1 km×1 km，时间分辨率为10 min（简称为1100格式数据）;24部雷达极坐标数据转换为经纬度网格点数据;全文使用北京时间（BST）。

冰雹实况信息来源于江西基本国家气象站记录，相关业务微信群照片、视频（需经过雷达回波强度订正确认），冰雹发生地气象信息员、爱好者的信息反馈，以及冰雹灾后气象部门组织的调查报告等。其中最快最有效的途径是微信群信息。

基于雷达拼图CR产品四要素识别冰雹云的方法可简写成“CR-识别”法，它根据雷达拼图经纬度网格点CR产品数据，对冰雹云的结构和特征通过四要素进行量化处理和分析，进而识别出有可能出现冰雹的指示图和表格数据文件。“CR-识别”法的优点是算法能有效快速地识别出冰雹云，10 min雷达拼图间隔，每次计算（视回波多少）仅需1～2 min，满足雷达拼图出图的时间要求。其不足之处是：存在一定比例的空报率（10％～20％）;对于少数CR回波强度小于60 dBZ出现小冰粒的回波单体，可能存在漏报现象。

1.2 概况

江西冰雹95％以上发生在超级单体回波结构中，只有不到5％的冰雹发生在江西春季（3—4月）有利的环境条件下，即发生在55 dBZ强回波单体（非超级单体）中，且都是1 cm以下小冰粒（应冬梅等，2007;陈鲍发和马中元，2019;黄中根等，2022;段和平等，2023）。江西超级单体分为经典超级单体（简称超级单体）和微型超级单体两种，超级单体出现冰雹的机会最大，微型超级单体只是在3—4月产生1 cm以下较小冰雹。微型超级单体与强回波单体（55 dBZ）的回波强度差不多，具有60 dBZ时称为微型超级单体，小于60 dBZ时称为强回波单体。在合适季节（江西3—4月）、合适天气条件下，小部分强回波单体也会产生小冰雹。超级单体与微型超级单体的主要区别是：回波强度不同，前者60 dBZ回波强度中存有65 dBZ或70 dBZ“回波核”，而后者没有“回波核”;60 dBZ强回波面积的大小不同，前者≥100 km2，后者≤100 km2。

江西冰雹还会发生在多单体风暴（在同一个卷云罩下的多个超级单体群）或飑线回波带上的超级单体中，只要单体回波达到超级单体四要素阈值，都可以被快速识别出来。识别程序每10 min连续滚动运行，通过比较前后回波的演变趋势，如两个时次强回波面积的增加率，从而提前预测冰雹回波的形成。

江西3—4月春季冰雹和7—8月副高冰雹的天气形势不同，识别冰雹的阈值不同，如春季面积18 km2的微型超级单体强回波也能产生小冰雹（2022年3月14日安义县老观测站冰雹），因此按季节确定不同阈值是提高识别冰雹云识别率的一个有效途径。

利用CR雷达拼图对江西冰雹进行识别其实有5个要素：回波强度和回波核、强回波面积（水平面积）、强回波垂直厚度（垂直面积）、强回波梯度、云砧前伸弱回波。但由于江西雷达拼图上暂时没有实现等高面显示，所以强回波垂直面积无法被计算。2024年将利用“天衍”雷达拼图提供的垂直剖面信息，开展强回波垂直面积识别实践。根据雷达拼图CR四要素原则，识别冰雹的准确率可达80％以上，因存在近20％的空报，所以若增加强回波垂直厚度（垂直面积）综合识别，则可有效减少空报。垂直积分液态水含量VIL大值区也是识别冰雹的一个指标，江西冰雹大多数处在45～60 kg／m2量级，加入VIL判别，能有效识别冰雹云和减少空报。

2 研究方法

按照雷达拼图上超级单体识别四要素来区别，超级单体和微型超级单体四要素基本相同，都要达到超级单体的基本阈值，即：CR图上具有60 dBZ的回波强度、60 dBZ强回波面积、强回波梯度（30～60 dBZ之间的距离）、具有云砧形成的“前伸”弱回波。超级单体和微型超级单体主要区别在于前2项：1）超级单体60 dBZ中还有65、70 dBZ的“回波核”，微型超级单体没有回波核;2）超级单体强回波面积≥100 km2，甚至达到700 km2，降雹时间较长，冰雹直径在2 cm以上，微型超级单体强回波面积≤100 km2，观测到最小18 km2出现小冰雹（冰雹直径<1 cm）的个例，降雹时间不足10 min。

本方法仅使用雷达拼图组合反射率因子CR产品，从雷达拼图1 100 km×1 100 km经纬度网格数据着手，研究产生冰雹时的回波特征。根据回波四个显著特征，选取≥60 dBZ的强回波区域，通过聚类算法得到强回波中心强度（dBZ）和强回波面积（SEA），通过散点轮廓算法得到强回波梯度（SEG），通过高空风寻找特征点来确定云砧“前伸”弱回波（CAE）比值，最后根据不同天气背景、环境条件和季节等制定阈值，确定是否识别为冰雹。

尽管数据单一，但雷达拼图CR产品四要素揭示了冰雹回波的基本特性，识别冰雹回波的准确率较高。我们对2022—2023年江西6次冰雹过程中20个冰雹回波个例的冰雹识别率达到100％，即出现冰雹的回波全部被识别出来，但也看到空报率为10％～20％，即部分识别为冰雹的却没有出现。空报率高是四要素识别方法的局限性。事后分析总结并寻找空报原因，我们发现有2个方面需要考虑：考虑不同天气背景、环境条件和不同季节等因素，可以减少部分空报;要考虑雷达拼图上冰雹的强回波垂直厚度（强回波垂直面积）。冰雹识别空报都表现为强回波厚度不够，虽然回波强度达到标准，但伸展高度不够，强回波垂直面积达不到要求。因此，2024年准备加入“天衍”雷达拼图等高显示产品数据，以增加强回波垂直面积的识别判断，达到降低冰雹回波空报率的目的。

冰雹回波的识别方法很多，如单部雷达PUP产品、双偏振雷达产品等。但这些产品PUP终端的门槛高，不是广大基层台站（县级）都能拥有的（江西93个台站只有11个市级台站拥有）。加上雷达PUP产品分析方法、基础知识、技术经验等方面要求高，也不是广大基层台站在短时间内能掌握的。短临预报讲究的是快，能否有一种简便、快捷、明确的冰雹识别产品成为当务之急，广大基层台站预报员非常迫切需要这类产品。因此，我们才有了在雷达拼图CR产品上识别冰雹的想法。冰雹识别平台每10 min更新一次，手机、电脑随时随地都可以浏览，没有门槛，一目了然，满足了广大基层台站预报员的需求。

2.1 强回波值

雷达反射率因子Z为单位体积内所有小球粒子直径的6次方之和，如式（1）所示，单位为mm6/m3。

Z=∑Ni=1D6i。 （1）

由于粒子直径的变化对雷达反射率因子Z的影响非常敏感，可利用式（2）将雷达反射率因子Z转化为ZdB，ZdB的变化与粒子直径的变化幅度趋于一致。

ZdB=10lgZ1 mm6/m3。（2）

雷达反射率因子Z为单位体积内所有小球粒子直径的6次方之和：1）假设单位体积（m3）内3 mm的小球有一个，1 mm的小球一共729个，根据公式Z=∑Ni=1D6i，Z=（3 mm）6／m3+729×（1 mm）6／m3，得：Z=1 458 mm6／m3;2）将Z=1 458 mm6／m3代入公式2），ZdB=31.6 dBZ。

通过式（1）、（2）可得到单位体积内单个粒子直径与ZdB的对应关系（表1）。由表可见，雷达回波强度的大小与降水粒子的直径关系密切。当雷达反射率因子达到55 dBZ时，降水粒子直径为8.25 mm;当雷达反射率因子达到60 dBZ时，降水粒子直径为10 mm。一般冰雹粒子的直径≥6 mm，因此，当回波强度≥50 dBZ时就有可能出现冰雹。

雷暴大风与短时强降水的多普勒雷达产品对比分析结果表明：雷雨大风与短时强降水过程雷达反射率因子达到45～55 dBZ（应冬梅等，2007;夏文梅等，2021）。江西冰雹雷达拼图回波特征是：回波中心强度达60 dBZ，超级单体回波往往发展为65～70 dBZ（陈鲍发和马中元，2019;陈鲍发等，2022;段和平等，2023;刘懿枢等，2023），一些大冰雹超级单体回波强度超过70 dBZ，≥60 dBZ的强回波面积≥300 km2（黄中根等，2022）。因此，上述研究结果表明，江西冰雹CR需要达到60 dBZ。根据雷达反射率与降水粒子的关系以及实际观察结果，将雷达反射率因子≥60 dBZ的回波认定为强回波。

降水粒子的直径和粒子数浓度之间存在一定的关系，对回波强度有着显著的影响。一般来说，降水粒子的直径越小，粒子数浓度就越高;粒子直径越大且数浓度越高，则回波越强。降水粒子直径和粒子数浓度之间的关系可以通过测量和监测降水中的颗粒物来研究。粒子谱分布是指在特定环境下粒子的直径或体积在不同尺寸范围内的分布情况。在体积粒子谱中，粒子的直径和浓度分布关系到回波的强度分布。雨滴和冰雹数浓度相差甚大，在降雹过程中，冰雹分钟数浓度最大为5 m-3，雨滴分钟数浓度最大为1 423 m-3（岳治国和梁谷，2018）。

2.2 强回波面积

强回波区域的面积大小对冰雹生成非常关键，因为在识别开始前强回波个数是未知的，但强回波都是密集聚在一起，所以强回波面积的识别可利用密度聚类DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法。密度聚类将簇定义为密度相连的样本的最大集合，能够将密度足够高的区域划分为簇，不需要给定簇数量，并可在有噪声的空间数据集中发现任意形状的簇。样本分布的紧密程度是一组邻域参数ε和MinPts来描述的，要求聚类空间一定区域内所包含对象（点或其他空间）的数目不小于某一给定阈值（冯少荣和肖文俊，2008）。

给定数据集D=｛x1，x2，…，xm｝，ε-邻域（Eps）对于xj∈D，其ε-邻域包含样本集D中与xj的距离不大于ε的样本。式（3）中，Nε（xj）为子样本集的个数，dist（xi，xj）为xi、xj之间的欧氏距离。

Nε（xj）=｛xi∈D|dist（xi，xj）≤ε｝。 （3）

DBSCAN算法速度快，能够发现任意形状的空间聚类，对处理的数据不需要提前划分聚类个数。但是该算法调试参数比较复杂，主要需要对距离阈值Eps，邻域样本数阈值MinPts进行联合调参，不同的参数组合对最后的聚类效果有较大影响。若Eps设置得非常小，则意味着没有点是核心样本，可能会导致所有点被标记为噪声;若Eps设置得非常大，则可能会导致所有的点形成单个簇。虽然不需要显示设置簇的个数，但是设置Eps可以隐式地控制簇的个数。

通过对雷达拼图经纬度1100格点数据进行预处理，选取雷达回波强度≥60 dBZ的范围，并记录≥60 dBZ回波出现的位置和回波强度值，通过DBSCAN算法，可以在≥60 dBZ的回波中提取回波连续且回波面积≥10 km2的回波区域。在实际情况中回波区域通常是不连续的，但若是距离非常近的情况，则可将距离相近的回波看作一个整体，将距离小于3 km的回波归为同一个簇，因此对Eps参数的设定以3 km为标准。因为当≥60 dBZ的回波面积超过10 km2时极有可能出现冰雹，所以对阈值Minpts参数的设定以10 km2为标准。由图1可见，图1a中紫色区域为回波≥60 dBZ的范围，图1b中绿色点则是自动选取出来的回波区域。

强回波面积由选定回波区域中点的总数确定，回波强度则是选取回波区域中CR最大值，因为回波强度的大小和强回波面积对冰雹过程的影响很大，有些强冰雹发生时，回波强度会超过65 dBZ甚至70 dBZ，所以还需分别记录选定回波区域中回波强度≥65 dBZ和回波强度≥70 dBZ的强回波面积。通过记录不同的回波强度面积大小，可以对冰雹过程的强弱进行区分。

强回波中心的确定需要考虑回波每个位置强度的不同，回波最强的位置不一定是几何中心，所以回波中心不能简单地设定为几何中心。因此在选定好的回波区域中，计算此区域回波强度的均值，选取此区域中回波强度大于均值的回波区域，在这些大于均值的区域中选取一个点，此点到所有均值的点距离最短，可以确定此点为回波中心。在回波区域中还会遇到多个强度很大的区域，而这些区域的距离又较远，这里对每个不同回波强度区域进行单独计算，并确定其多个强回波中心。

2.3 强回波梯度

强回波梯度是指强回波区域内强度变化的大小，以60 dBZ边缘线至30 dBZ边缘线的距离为值，这个距离越短，强回波梯度就越大。强回波梯度的大小和方向可反映回波系统的强度和演变趋势。

强回波梯度的计算方法通常采用数值微分，通过计算相邻两个回波强度的差值，再除以它们之间距离的算术平均值来估计强回波梯度。本方法定义强回波梯度为60 dBZ回波区域边界点到回波强度30 dBZ边界之间最短的距离，因此需要知道强回波区域的外围轮廓。用离散点提取外围轮廓时，利用凸包算法对平面中的N个点，找出一个由其中某些点作为顶点组成的凸多边形，而这个凸多边形恰好能围住所有的N个点，凸包虽然和轮廓近似相似，但是凸包算法中凸形曲线总是凸出来的，在凹进去的地方检测时并不精确，会遇到凸形缺陷。而散点轮廓算法利用一个半径为r的圆在点集外围滚动，当r的选取适当时，此圆就不能滚动到散点的内部，此圆经过的点就是选取的外围轮廓点，可以有效避免凸包中凸性缺陷，对散点边界进行精确提取（刘杰，2013）。

利用散点轮廓算法确定回波边界，散点轮廓算法中的参数主要是选取圆的半径，半径大小对轮廓的精细度非常重要，半径太大时选取的轮廓外围太大，而半径太小时，有些区域无法选择出来，因此半径的选取尤为重要。因为此前DBSACN算法中选取的MinPts参数为3 km，当圆半径设置为1 km时，直径是2 km，比较接近MinPts参数。经过验证知道，参数选取为1 km时，选取的外围轮廓效果较好。图2中白色点是通过散点轮廓算法得到的回波边界。

由于江西地区3—5月的强回波梯度通常会出现在强回波区域的东南和西南方向，所以选取回波边界上东南方向和西南方向的点，图2中绿色点即为选取点。提取选取点周围回波强度小于30 dBZ的回波区域，再计算选取点到小于30 dBZ点之间的距离，选取其中最短的距离，并将此距离确定为回波梯度。图2中A点是60 dBZ轮廓上的点，B点是60 dBZ到30 dBZ轮廓上的点，A点到B点的距离为强回波梯度。

2.4 云砧回波

云砧回波是以强回波中心点为起点沿着100 hPa和200 hPa高空风的平均方向，寻找此方向上强回波中心（≥60 dBZ）到回波强度小于30 dBZ点的距离，与回波强度30 dBZ到小于10 dBZ的距离之间的比值，这个比值设定为云砧回波。

通常情况下沿着高空风的方向寻找时，回波强度是依次减小的，实际情况中会遇到一些回波强度突然变大或突然变小的异常情况，遇到这种情况时，可以对风向上的回波强度进行数据平滑处理，在算法的设计上使用滑动平均方法。根据式（4），滑动平均法把回波强度前后一共2n+1个值做平均，得到当前位置的回波强度，xi为当前位置的回强度，分别选取前后两个位置点的回波强度做平均，这里选取n为1，求出当前的回波强度Z。

Z=∑ni=1（xi-1+xi+1）+xi2n+1。 （4）

高空风方向并不完全是云砧回波的方向，可设置一个误差范围，即在高空风上下30°的范围内去选取最长的云砧。沿着高空风的方向如果出现另外一个强回波区域，此强回波区域已完全遮挡了云砧的方向且回波区域非常大，则在此情况下设定此时遇到回波遮挡，可以通过图3中A点到B点距离与B点到C点距离的比值为云砧回波的大小。

3 “CR-识别”法的应用

我们将“CR-识别”法应用于江西2022年3次冰雹过程（20个例）和2023年3次冰雹过程（9个例）。结果表明，该方法对这6次冰雹过程都识别出了冰雹，效果较好，且具有一定的提前量，冰雹识别率达到100％，但也有10％～20％的空报率。雷达拼图CR产品由于使用简单、快捷、方便（手机、电脑都可以浏览），所以对于广大基层台站（县级）预报员来说更具有参考和推广意义。对于10％～20％的空报率，后期在考虑不同天气背景、环境条件、季节等因素，并融入垂直积分液态水含量VIL产品和强回波垂直面积要素，可望提高识别准确率。造成10％～20％空报率的原因是，虽然四要素都达到标准，但垂直积分液态水含量VIL和强回波垂直面积没有达到阈值，后期增加这两个要素，可以大大减少空报率。这是“CR-识别”法改进的方向。

下面给出6次冰雹过程的识别效果图及识别数据表（需要说明的是，一次冰雹过程可有多次降雹个例）。

3.1 2022年3月14日江西及周边冰雹

2022年3月14日，江西及其周边出现较大范围的冰雹天气，冰雹基本上产生于超级单体回波。有些是较孤立的经典超级单体，而有些则是微型超级单体，这两种超级单体的区别简单说就是强弱差别。一些超级单体分布在雷暴回波带上或雷暴回波群中，孤立存在的经典超级单体表现更强（图4）。图4是16个超级单体产生冰雹的瞬间，可见超级单体回波强度CR都≥60 dBZ，最强达到70 dBZ（浙江上甘乡冰雹），60 dBZ强回波面积都≥25 km2，受天气系统、环境条件和季节影响，3月超级单体极易产生冰雹。

由2022年3月14日16次冰雹的识别信息汇总表（表2）可以看到：冰雹发生时回波≥60 dBZ的强回波面积基本超过25 km2，只有13：40安义老观测站观测到冰雹发生时的强回波面积为18 km2，回波强度值为61 dBZ，说明18 km2也能产生冰雹，但冰雹较小、影响范围小、时间短，属于回波带上微型超级单体结构。

由表2可见，在16次冰雹过程中，13次冰雹出现了≥65 dBZ的强回波核，其中上甘乡≥65 dBZ的强回波面积超过51 km2，并出现5 km2的70 dBZ回波核。其余3次冰雹没有出现≥65 dBZ的强回波区域。

是否出现≥65 dBZ的强回波区域，是区分经典超级单体与微型超级单体的判断条件之一。当≥60 dBZ的强回波面积超过40 km2时，随之≥65 dBZ的强回波面积增多。因此，60 dBZ强回波面积越大越有利于更强回波的发展，从而更有利于冰雹的形成与发展。根据回波识别图的时间与冰雹出现时间的比对，经典超级单体回波基本上能提前10～50 min识别出冰雹，但微型超级单体生命史很短，提前量为0 min，也就是说无法提前发现。当然这也与雷达提扫时间延迟有关。

3.2 2022年7月29日婺源冰雹

2022年7月29日17：00（图5a），婺源出现多个对流单体回波发展，强度只有55 dBZ，并出现回波合并趋势。同时，德兴附近识别出超级单体冰雹（但没有冰雹记录），回波强度为60 dBZ，强回波面积为51 km2。17：10（图5b），婺源识别出现冰雹，回波强度为64 dBZ，强回波面积为21 km2，强回波梯度为3.61 km，移动十分缓慢，城区出现大风灾害（婺源县城景观桥被吹倒），属于微型超级单体回波结构，婺源城内出现短时间≤2 cm的小冰雹。17：20（图5c），婺源冰雹减弱为55 dBZ，德兴冰雹也明显减弱。这次过程说明，微型超级单体的生命史很短，只维持10 min左右。婺源冰雹识别信息汇总表如表3所示。

3.3 2022年8月7日石城冰雹

2022年8月7日16：00（图6a），石城北部识别出60 dBZ强回波，强回波面积为49 km2，冰雹正在生成中。16：10（图6b），回波强度增至66 dBZ，强回波面积达91 km2，强回波梯度为5.1 km，属于典型超级单体回波结构，石城北部木兰乡和小松镇出现冰雹;冰雹一直持续到16：20（图6c）至16：30（图6d），回波强度分别达到67和66 dBZ。16：40（图6e）和16：50（图6f），石城冰雹停止，回波逐渐减弱。石城冰雹识别信息汇总表如表4所示。

3.4 2023年3月22日宁都、石城冰雹

2023年3月22日，江西南部出现一次较强经典超级单体风暴，冰雹维持时间较长，其中石城出现≥5 cm的大冰雹。14：00（图7a），中尺度辐合线在赣南万安、兴国、宁都、广昌一带，沿辐合线形成一条由多个对流单体组成的不连续回波带，带上强回波单体中心强度为55 dBZ。14：30（图7b），回波带上强单体不断发展，中心强度达到60 dBZ。15：00（图7c），回波带上3个超级单体发展形成，中心强度都达到60 dBZ，其中最西端兴国超级单体强回波面积达到55 km2，是最强的一个，这时，由3个超级单体组成的中尺度对流回波群已经形成，共一个卷云罩;此时，兴国部分乡镇出现冰雹。15：30（图7d），中尺度对流回波群发展壮大，兴国超级单体强回波面积达到150 km2，回波强度最大达66 dBZ，出现65 dBZ回波核，强回波梯度为5.39 km，宁都开始出现冰雹。16：00（图7e），宁都超级单体发展最旺盛，回波强度达到68 dBZ，强回波面积为250 km2，65 dBZ强回波面积为99 km2，强回波梯度为4.12 km，造成宁都、石城出现大冰雹。16：30（图7f），超级单体影响石城县城，回波强度为67 dBZ，强回波面积为85 km2，有65 dBZ回波核，强回波梯度为5.1 km;与前10 min相比，中尺度对流回波群有所减弱，慢慢移出江西进入福建。宁都、石城冰雹识别信息汇总表如表5所示。

3.5 2023年4月13日峡江、永丰冰雹

2023年4月13日，江西中部出现一次超级单体冰雹过程，冰雹维持时间较长（约2 h）。15：00（图8a），新余至峡江间有小块对流回波发展，强度为35 dBZ。15：30（图8b），峡江西部快速生成强回波单体，中心强度达到60 dBZ，但面积较小（≤10 km2），因此没有被识别出来。16：00（图8c），回波单体迅速发展成超级单体，强回波面积为67 km2，中心强度达到66 dBZ，出现了65 dBZ回波核，强回波梯度为2.24 km，峡江西部乡镇出现冰雹。16：30（图8d），超级单体移到峡江县城，强度为66 dBZ，回波面积为99 km2，存在65 dBZ强回波面积27 km2的回波核，强回波梯度为1.41 km，峡江县城出现冰雹。17：00（图8e），超级单体东移，回波强度为65 dBZ，强回波面积为64 km2，强回波梯度为1 km，有65 dBZ回波核，峡江、永丰部分乡镇出现冰雹。17：30（图8f），永丰超级单体回波强度为67 dBZ，回波面积为113 km2，强回波梯度为5 km，存在65 dBZ、52 km2回波核，永丰出现冰雹。18：00（图8g），永丰超级单体继续向东移动，回波强度为64 dBZ，回波面积为91 km2，强回波梯度为2.83 km，永丰东部乡镇仍有冰雹。18：30（图8h）和19：00（图8i），超级单体开始减弱，地面降雹停止。这次冰雹过程出现了中尺度对流回波群特征（图8f）：在同一个卷云罩下由3个超级单体组成的中尺度对流回波群。峡江永丰冰雹识别信息汇总表如表6所示。

3.6 2023年11月9日上高冰雹

2023年11月9日，江西上高县城出现一次小冰雹事件，产生冰雹的超级单体维持时间不长，冰雹直径≤2 cm。从天气形势来看，中高纬两槽一脊，东北冷涡位于黑龙江北部，低涡后部有冷空气从西北向东南输送。副高位于华南呈东北-西南走向，受青藏高原绕流影响形成南支槽，有多个短波系统东移影响长江中下游地区。07：30（图9a），识别出湖南东部2处冰雹云的强回波朝东-东北方向移动。强回波单体中心强度为60 dBZ，但强回波面积≤29 km2。08：00（图9b），接近萍乡的强回波单体不断发展，中心强度达到60 dBZ，移入江西境内，湖南东北另一处强回波减弱。08：30（图9c），强回波有所减弱，60 dBZ强回波基本消失。09：00（图9d），回波重新发展，其中上高西侧由两块对流小回波合并发展成超级单体，60 dBZ强回波中有65 dBZ“回波核”，60 dBZ强回波面积为188 km2，上高县城开始出现小冰雹，冰雹直径为1～2 cm。同时，万载西部回波也在发展壮大，强回波中心强度为55 dBZ。09：10（图9e），上高超级单体的强回波面积减小为111 km2，上高城区冰雹维持。万载强回波发展成微型超级单体，中心强度为60 dBZ，强回波面积为28 km2，地面没有出现冰雹信息。09：20（图9f），上高超级单体明显减弱，中心强度虽然有60 dBZ，但强回波面积只有11 km2，冰雹停止。同时，万载微型超级单体在发展，中心强度为60 dBZ，强回波面积为66 km2。09：30（图9g），上高回波减弱为50 dBZ，万载微型超级单体发展成超级单体，中心强度为60 dBZ，强回波面积为114 km2。虽然有65 dBZ“回波核”，但65 dBZ强回波面积很小（只有1 km2）;虽然60 dBZ强回波面积达到114 km2，但强回波垂直面积较小（60 dBZ回波到达高度较低），万载县城无冰雹信息反馈。10：00（图9h），上高、万载强回波东移减弱。由上高冰雹识别信息汇总表（表7）可见，09：00，≥60 dBZ的强回波面积为188 km2，≥65 dBZ的强回波面积为30 km2，强回波中心强度为68 dBZ，强回波梯度为1.14 km。

综上所述，在2022—2023年江西出现的6次冰雹过程中，冰雹识别率达到100％，也就是说所有冰雹回波都能被识别出来，但有10％～20％的冰雹回波识别出现空报，其原因在于雷达拼图四要素识别冰雹方法存在局限。识别出来的冰雹回波，都有可能伴随短时强降水、雷暴大风天气，但以冰雹为主。

从回波强度等条件来看，冰雹要求最高（四要素都具备），雷暴大风次之，短时强降水最低。例如：江西能产生≥30mm／h短时强降水的回波强度不要求达到60 dBZ，≥45 dBZ即可，45 dBZ回波面积越大，越有利于短时强降水的形成。江西雷暴大风可以发生在冰雹回波中，也可以发生在比冰雹回波弱的较强回波中（55 dBZ）。因此，冰雹的回波强度都比短时强降水、雷暴大风的回波更强。

雷达拼图四要素识别冰雹方法的四要素包含了许多信息，如：强回波梯度的距离，包含了回波墙的紧密程度。当然，误判肯定有，主要是“空报率”较高，初步统计空报率在10％～20％之间。如果增加雷达拼图垂直积分液态水含量VIL和强回波垂直面积参加计算，那么空报率将大大降低。

4 结论与讨论

1）在冰雹识别方法研究中，采用聚类算法和散点轮廓算法可以确定回波强度（回波核）、强回波面积、强回波梯度和云砧回波比值4个关键识别特征;通过这些回波特征值，设定不同天气背景和环境条件下的冰雹阈值，来判断是否出现冰雹和预估冰雹直径的大小。

2）聚类算法和散点轮廓算法计算效率非常高，对一些小范围（≤10 km2）的冰雹也可以准确地识别出来。在江西早春季节（3—4月）冰雹过程中，该方法可以提前预判出冰雹可能发生的前兆，提高预警时效;可以对冰雹进行识别追踪，提高监测预警能力。

3）“CR-识别”法的应用实践表明：产生冰雹的回波都是超级单体或微型超级单体，回波强度CR≥60 dBZ，60 dBZ强回波面积≥100 km2（但早春≥18 km2就有可能出现冰雹），强回波梯度≤8 km，云砧“前伸”回波比值为1∶2～1∶3。

雷达拼图CR上识别冰雹云四参数的确定，一是根据多年分析冰雹特征的经验值，二是根据2013—2023年冰雹历史个例。强回波垂直面积受到雷达拼图没有CAPPI数据的限制，“CR-识别”法还没有应用它，2024年将使用“天衍”雷达拼图中回波垂直结构分析进行尝试。

本文四要素冰雹回波识别提供两种产品，一是识别图像产品，二是识别数据表格，且每10 min滚动更新。后续研究工作将融合垂直积分液态水含量VIL和CAPPI数据，在垂直强回波面积上进行深入探讨和实践，以进一步完善冰雹云识别方法。

参考文献（References）

陈鲍发，马中元，2019.江西局地冰雹WebGIS雷达拼图回波特征分析［J］.气象与环境科学，42（2）：104-114. Chen B F，Ma Z Y，2019.Echo characteristic analysis of WebGIS radar mosaic on hailstone in Jiangxi［J］.Meteor Environ Sci，42（2）：104-114.doi：10.16765／j.cnki.1673-7148.2019.02.015.（in Chinese）.

陈鲍发，马中元，王立志，等，2022.江西昌江流域特大暴雨短时强降水回波特征分析［J］.气象，48（11）：1418-1427. Chen B F，Ma Z Y，Wang L Z，et al.，2022.Echo characteristics of short-term heavy rainfall due to severe rainstorm in Changjiang River Basin，Jiangxi Province［J］.Meteor Mon，48（11）：1418-1427.doi：10.7519／j.issn.1000-0526.2022.041002.（in Chinese）.

段鹤，严华生，马学文，等，2014.滇南冰雹的预报预警方法研究［J］.气象，40（2）：174-185. Duan H，Yan H S，Ma X W，et al.，2014.Study of the method for hail forecasting and warning in southern Yunnan［J］.Meteor Mon，40（2）：174-185.doi：10.7519／j.issn.1000-0526.2014.02.005.（in Chinese）.

段和平，马中元，陈鲍发，等，2023.江西两次强降雹过程的雷达回波特征对比分析［J］.沙漠与绿洲气象，17（2）：137-145. Duan H P，Ma Z Y，Chen B F，et al.，2023.Comparative analysis of radar echo characteristics of two severe hails in Jiangxi Province［J］.Desert Oasis Meteor，17（2）：137-145.doi：10.12057／j.issn.1002-0799.2023.02.018.（in Chinese）.

冯少荣，肖文俊，2008.DBSCAN聚类算法的研究与改进［J］.中国矿业大学学报，37（1）：105-111. Feng S R，Xiao W J，2008.An improved DBSCAN clustering algorithm［J］.J China Univ Min Technol，37（1）：105-111.doi：10.3321／j.issn：1000-1964.2008.01.021.（in Chinese）.

黄中根，马中元，谌芸，等，2022.江西两次超级单体风暴雷达回波特征分析［J］.气象与环境科学，45（5）：39-48. Huang Z G，Ma Z Y，Chen Y，et al.，2022.Analysis of radar echo characteristics of two supercell storms in Jiangxi Province［J］.Meteor Environ Sci，45（5）：39-48.doi：10.16765／j.cnki.1673-7148.2022.05.006.（in Chinese）.

李冰村，唐晓文，何建新，等，2022.基于机器学习的冰雹天气识别研究［J］.气象科学，42（5）：581-590. Li B C，Tang X W，He J X，et al.，2022.Hail identification based on machine learning methods［J］.J Meteor Sci，42（5）：581-590.doi：10.12306／2021jms.0106.（in Chinese）.

李博勇，胡志群，郑佳锋，等，2021.利用贝叶斯方法改进华南地区冰雹识别效果［J］.热带气象学报，37（1）：112-125. Li B Y，Hu Z Q，Zheng J F，et al.，2021.Using Bayesian metho8b333720381c92dcd447ba9b4ba9363ef307b11ed383e98ebb3ceb66ae6d6b2fd to improve hail identification in South China［J］.J Trop Meteor，37（1）：112-125.doi：10.16032／j.issn.1004-4965.2021.011.（in Chinese）.

李德俊，唐仁茂，熊守权，等，2011.强冰雹和短时强降水天气雷达特征及临近预警［J］.气象，37（4）：474-480. Li D J，Tang R M，Xiong S Q，et al.，2011.Radar features and nowcasting of severe hail and short-time heavy rainfall［J］.Meteor Mon，37（4）：474-480.（in Chinese）.

李金辉，樊鹏，2007.冰雹云提前识别及预警的研究［J］.南京气象学院学报，30（1）：114-119. Li J H，Fan P，2007.Investigation on early identification and warning of hail clouds［J］.J Nanjing Inst Meteor，30（1）：114-119.doi：10.13878／j.cnki.dqkxxb.2007.01.016.（in Chinese）.

刘杰，2013.点云边界点提取算法及其在散点式几何图案矢量化方法中的应用［D］.无锡：江南大学. Liu J，2013.Algorithm for extracting boundary points from point clouds and its application in vectorization of scattered geometric patterns［D］.Wuxi：Jiangnan University.（in Chinese）.

刘新伟，蒋盈沙，黄武斌，等，2021.基于雷达产品和随机森林算法的冰雹天气分类识别及预报［J］.高原气象，40（4）：898-908. Liu X W，Jiang Y S，Huang W B，et al.，2021.Classified identification and nowcast of hail weather based on radar products and random forest algorithm［J］.Plateau Meteor，40（4）：898-908.doi：10.7522／j.issn.1000-0534.2020.00063.（in Chinese）.

刘懿枢，马中元，魏鸣，等，2023.一次副热带高压控制下的龙卷雷达回波特征分析［J］.沙漠与绿洲气象，17（3）：35-43. Liu Y S，Ma Z Y，Wei M，et al.，2023.Echo characteristics of tornado radar under the control of a subtropical high［J］.Desert Oasis Meteor，17（3）：35-43.（in Chinese）.

路志英，朱俊秀，田硕，等，2015.雷达回波反射率垂直剖面图的冰雹识别方法［J］.天津大学学报（自然科学与工程技术版），48（8）：742-749. Lu Z Y，Zhu J X，Tian S，et al.，2015.Hail recognition using radar echo reflectivity cross section［J］.J Tianjin Univ Sci Technol，48（8）：742-749.（in Chinese）.

王瑾，刘黎平，2011.WSR-88D冰雹探测算法在贵州地区的评估检验［J］.应用气象学报，22（1）：96-106. Wang J，Liu L P，2011.The evaluation of WSR-88D hail detection algorithm over Guizhou region［J］.J Appl Meteor Sci，22（1）：96-106.doi：10.3969／j.issn.1001-7313.2011.01.010.（in Chinese）.

吴剑坤，俞小鼎，2009.强冰雹天气的多普勒天气雷达探测与预警技术综述［J］.干旱气象，27（3）：197-206. Wu J K，Yu X D，2009.Review of detection and warning methods for sever hail events by Doppler weather radars［J］.J Arid Meteor，27（3）：197-206.doi：10.3969／j.issn.1006-7639.2009.03.001.（in Chinese）.

夏文梅，马中元，慕瑞琪，等，2021.江西副高边缘雷暴大风雷达拼图回波特征分析［J］.大气科学学报，44（5）：717-726. Xia W M，Ma Z Y，Mu R Q，et al.，2021.Analysis of characteristics of mesoscale thunderstorm gale echo on the edge of subtropical high［J］.Trans Atmos Sci，44（5）：717-726.doi：10.13878／j.cnki.dqkxxb.20201024001.（in Chinese）.

应冬梅，许爱华，黄祖辉，2007.江西冰雹、大风与短时强降水的多普勒雷达产品的对比分析［J］.气象，33（3）：48-53，130-131. Ying D M，Xu A H，Huang Z H，2007.A comparative analysis of Doppler radar products in hail，gale and short-time heavy rainfall in Jiangxi［J］.Meteor Mon，33（3）：48-53，130-131.doi：10.3969／j.issn.1000-0526.2007.03.007.（in Chinese）.

岳治国，梁谷，2018.陕西渭北一次降雹过程的粒子谱特征分析［J］.高原气象，37（6）：1716-1724. Yue Z G，Liang G，2018.Characteristics of precipitation particles in a hailstorm process in Weibei area of Shaanxi Province［J］.Plateau Meteor，37（6）：1716-1724.doi：10.7522／j.issn.1000-0534.2018.00023.（in Chinese）.

张秉祥，李国翠，刘黎平，等，2014.基于模糊逻辑的冰雹天气雷达识别算法［J］.应用气象学报，25（4）：415-426. Zhang B X，Li G C，Liu L P，et al.，2014.Identification method of hail weather based on fuzzy-logical principle［J］.J Appl Meteor Sci，25（4）：415-426.doi：10.11898／1001-7313.20140404.（in Chinese）.

张文海，李磊，2019.人工智能在冰雹识别及临近预报中的初步应用［J］.气象学报，77（2）：282-291. Zhang W H，Li L，2019.A preliminary application of artificial intelligence on the detection and nowcasting of hail weather［J］.Acta Meteor Sinica，77（2）：282-291.（in Chinese）.

·ARTICLE·

A method for identifying hail clouds based on four elements of radar mosaic CR products

MA Zhongyuan1，2，WANG Jinxin3，4，ZHANG Lincai3，MU Ruiqi2，5，CHEN Baofa6，ZHENG Yuanyuan7，WANG Lizhi8，DUAN Heping9，HUANG Zhikai4，DONG Ling10，ZHANG Qijie3

1Jiangxi Institute of Meteorological Sciences，Nanchang 330096，China;

2Key Laboratory of Transportation Meteorology of China Meteorological Administration，Nanjing 210041，China;

3Nanchang Yunyiran Technology Co.，Ltd.，Nanchang 330000，China;

4School of Information Engineering，Nanchang University of Engineering，Nanchang 330099，China;

5Jiangsu Meteorological Observatory，Nanjing 210041，China;

6Jingdezhen Meteorological Bureau，Jingdezhen 333000，China;

7Nanjing Meteorological Science and Technology Innovation Research Institute，Nanjing 210041，China;

8Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China;

9Jiangxi Climate Center，Nanchang 330096，China;

10Fuzhou Meteorological Bureau，Fuzhou 334400，China

Abstract Radar is the most effective tool for detecting hail.In the 1960s and 1970s，the widespread use of rain measurement radar （e.g.，Danka 41 in the UK and domestic radars such as 711，713，etc.） enabled the identification of hail clouds through radar echo features like hook-shaped，finger-shaped，and V-shaped notches.The introduction of Doppler weather radar in the late 1980s and early 1990s provided more accurate data，including radial velocity，for effective hail cloud identification.However，four factors affect the accuracy of hail cloud recognition： 1）single radar limitations such as detection range，distance attenuation，blind spots，and Earth’s curvature;2）the requirement for forecasters to possess high echo analysis skills;3）the variability of classic hail cloud characteristics with orientation，elevation，and distance;4）the limited number of PUP terminals for single radar use，insufficient for county-level forecasters.Radar mosaics can effectively compensate for some of these limitations，especially through web-based radar mosaic CR （Combined Reflectivity） products，which are accessible via computers，tablets，and mobile phones for simple and convenient operation.

The radar mosaic CR product gathers data from multiple radars simultaneously （within ± 3 min）.The blind spot of one radar is covered by another，and the inter-radar distance of 100—150 km is optimal for detection，minimizing issues related to angle blind spots，Earth’s curvature，and distance attenuation.The four key elements for identifying hail clouds on the CR product chart are： 1）echo intensity of 60 dBZ and strong echo core≥65 dBZ，2）strong echo in horizontal and vertical areas，3）strong echo gradient of 30—60 dBZ，and 4）weak echo length formed by cloud anvils.For example，in Jiangxi，hail echo intensity is typically≥60 dBZ，with larger hail having strong echo nuclei above 65 dBZ.A strong echo area of 60 dBZ should be ≥100 km2，although smaller hail may represent a smaller area.The vertical thickness of the strong echo （≥6 km） is also significant，though Jiangxi radar mosaics lack CAPPI products for this measurement.The strong echo gradient indicates hail echo walls，with a steep gradient suggesting a shorter distance.The weak echo formed by cloud anvils reflect the high-altitude winds “pumping” effect.Using the radar mosaic CR product，identifying hail clouds based on these four elements is nearly 100％ successful，with a false report rate below 20％，primarily due to seasonal variability in element thresholds.Adding the vertical area of the strong echo can reduce the false alarm rate.

Automated identification of hail-inducing echoes based on these four elements involves specific algorithms： 1）echo intensity identification through comparison of adjacent points;2）strong echo area identification using clustering and scatter contour algorithms;3）strong echo gradient determination by comparing the distance between 30 dBZ and 60 dBZ;4）cloud anvil echo calculation by measuring the 10 dBZ distance from the 30 dBZ edge along the high-altitude wind direction.Results indicate that hail may occur when the radar mosaic CR is ≥60 dBZ，and the Strong Echo Area （SEA） is ≥100 km2，the Strong Echo Gradient （SEG） is ≤8 km，and the Cloud Anvil Echo （CAE） ratio is between 1∶2 and 1∶3.Most hail in Jiangxi occurs in supercells，though some micro supercells with SEA=18 km2 may also produce hail under suitable conditions.

A method for identifying hail clouds based on these four elements was verified through six hail processes in Jiangxi from 2022 to 2023.The identified hail cloud areas matched actual hail areas，with a false alarm rate of 10％—20％.Future efforts should focus on reducing false alarm rates by incorporating strong echo vertical area and vertical integrated liquid water content elements.This research provides practical experience for simple，fast，and automatic identification of hail weather.

Keywords hail clouds;clustering algorithm; scatter contour algorithm;strong echo gradient;cloud anvil echo

doi：10.13878／j.cnki.dqkxxb.20230801001

（责任编辑：倪东鸿）