聚類在風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析中的應(yīng)用①

趙玉娟, 王 彥, 李宗飛, 李曉波, 郭 陽, 李祥海, 閆文月

1(天津市氣象信息中心, 天津 300074)

2(天津市人工影響天氣辦公室, 天津 300074)

3(天津市氣象探測中心, 天津 300061)

風(fēng)廓線雷達(dá)是利用大氣湍流對電磁波的散射作用對大氣風(fēng)場進(jìn)行探測的設(shè)備, 可連續(xù)獲得測站上空較高時(shí)間、空間分辨率的垂直風(fēng)廓線資料, 研究其在不同天氣條件下的變化規(guī)律對于改善氣象預(yù)報(bào)服務(wù)質(zhì)量具有重要意義, 因此許多專家學(xué)者開展了風(fēng)廓線雷達(dá)數(shù)據(jù)特征的分析研究.

楊引明等[1]討論了風(fēng)廓線雷達(dá)的垂直速度和溫度資料在強(qiáng)對流天氣中的應(yīng)用. 鄭石等[2]運(yùn)用風(fēng)廓線雷達(dá)數(shù)據(jù)對南京浦口區(qū)短時(shí)暴雨過程進(jìn)行分析, 發(fā)現(xiàn)了風(fēng)廓線雷達(dá)產(chǎn)品的水平風(fēng)廓線、垂直氣流和折射率結(jié)構(gòu)常數(shù)等在降水過程不同階段的精細(xì)特征. 董保舉等[3]利用云南大理的一次暴雨過程, 研究了風(fēng)廓線雷達(dá)資料在降水前和降水期間的不同特征. 陳楠等[4]利用2005-2008年兩部風(fēng)廓線雷達(dá)風(fēng)場數(shù)據(jù)對南京地區(qū)低空急流的活動(dòng)特征進(jìn)行了統(tǒng)計(jì)分析. 史珺等[5]基于天津地區(qū)一次短時(shí)強(qiáng)降雨過程, 利用3部風(fēng)廓線雷達(dá)資料和降水實(shí)況資料, 對比分析了降水發(fā)生、維持和消亡期間風(fēng)廓線雷達(dá)資料的變化特征, 探討了風(fēng)廓線雷達(dá)對降水天氣的監(jiān)測能力. 王彥等[6]聯(lián)合應(yīng)用5部風(fēng)廓線雷達(dá)、多普勒天氣雷達(dá)組網(wǎng)觀測資料、海河流域自動(dòng)氣象站資料詳細(xì)分析了2012年7月21日海河流域強(qiáng)降水發(fā)生、發(fā)展過程中溫度場、風(fēng)場演變特征.周芯玉等[7]利用風(fēng)廓線雷達(dá)對廣東前汛期短時(shí)強(qiáng)降水類暴雨過程低空風(fēng)場特征進(jìn)行了研究. 王佳津等[8]分析了成都兩次暴雨期間風(fēng)廓線雷達(dá)觀測的低空風(fēng)場特征.

總體來看, 目前針對不同天氣條件下風(fēng)廓線雷達(dá)數(shù)據(jù)特征的研究多采用的是少量典型天氣個(gè)例和常規(guī)的統(tǒng)計(jì)分析, 利用挖掘技術(shù)的研究較少. 數(shù)據(jù)挖掘是從大量數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值信息的有效手段, 通信、電力、氣象等領(lǐng)域的諸多專家學(xué)者將數(shù)據(jù)挖掘技術(shù)引入實(shí)際應(yīng)用, 取得了不錯(cuò)的效果. 林勤等[9]將雙聚類算法引入電信高價(jià)值客戶細(xì)分, 實(shí)驗(yàn)結(jié)果表明, 可挖掘出更多高價(jià)值客戶群體. 周笑天等[10]、史靜等[11]基于關(guān)聯(lián)規(guī)則、聚類, 提出了氣象數(shù)據(jù)質(zhì)量控制的新方法. 劉偉東等[12]利用K均值聚類方法, 將北京地區(qū)2007-2010年123個(gè)自動(dòng)氣象站夏半年小時(shí)降水分為4個(gè)區(qū), 進(jìn)而分析得到了北京地區(qū)降水的精細(xì)化時(shí)空分布特征.熊亞軍等[13]開展了KNN數(shù)據(jù)挖掘算法在北京地區(qū)霾等級預(yù)報(bào)中的應(yīng)用研究. 杜良敏等[14]提出了基于聚類分區(qū)的中國夏季降水預(yù)測模型. 雷景生等[15]利用模糊C均值算法得到了不同區(qū)域用戶的用電特征. 茍浩峰等[16]基于聚類方法得到了蘭州地區(qū)自動(dòng)站降水的精細(xì)化特征. 李宗飛等[17]基于聚類開展了X波段雙偏振雷達(dá)相態(tài)識(shí)別的研究, 取得了良好的效果. 蘭榮亨等[18]以斗魚直播平臺(tái)為例, 聚焦于直播平臺(tái)上的高消費(fèi)群體,通過構(gòu)建觀眾特征, 采用聚類方法分析高消費(fèi)群體的行為. 任禹丞等[19]將聚類分析技術(shù)應(yīng)用在電力客戶用電問題分析領(lǐng)域, 挖掘出了隱藏的客戶用電問題關(guān)鍵信息, 為改進(jìn)電力客服質(zhì)量與潛在服務(wù)風(fēng)險(xiǎn)預(yù)測提供了數(shù)據(jù)支撐.

天津靜海邊界層風(fēng)廓線雷達(dá)站已積累了大量的觀測資料, 探索基于數(shù)據(jù)挖掘技術(shù)的風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析方法, 揭示風(fēng)廓線雷達(dá)數(shù)據(jù)更具普遍性的規(guī)律,為氣象預(yù)報(bào)預(yù)測、防災(zāi)減災(zāi)提供更多參考, 具有非常重要的意義.

本文主要研究了將聚類分析技術(shù)應(yīng)用在風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析領(lǐng)域, 通過數(shù)據(jù)預(yù)處理及改進(jìn)的聚類方法, 對風(fēng)廓線雷達(dá)觀測數(shù)據(jù)進(jìn)行分析. 文中基于聚類技術(shù), 以天津靜海風(fēng)廓線雷達(dá)觀測數(shù)據(jù)為基礎(chǔ), 提出了針對風(fēng)廓線雷達(dá)數(shù)據(jù)分析的改進(jìn)聚類算法, 并通過實(shí)驗(yàn)驗(yàn)證了該方法可快速準(zhǔn)確地實(shí)現(xiàn)風(fēng)廓線雷達(dá)數(shù)據(jù)的自動(dòng)聚類, 挖掘出風(fēng)廓線雷達(dá)數(shù)據(jù)中更具普遍性的規(guī)律, 從而為風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析提供了新思路, 為氣象預(yù)報(bào)服務(wù)提供了新參考依據(jù).

1 聚類模型設(shè)計(jì)

1.1 K-means算法原理及適用性分析

聚類包括基于劃分、基于層次、基于密度、基于網(wǎng)格等多種方法, 本文采用基于劃分的聚類方法中較為經(jīng)典的K-means算法. K-means算法把類的形心定義為類的均值, 對包含N個(gè)對象的數(shù)據(jù)集D的聚類處理流程如下:

Step 1. 從數(shù)據(jù)集中隨機(jī)選取K個(gè)樣本作為初始聚類中心C={c1, c2, …, ck}.

Step 2. 針對數(shù)據(jù)集中每個(gè)樣本xi, 計(jì)算它到K個(gè)聚類中心的距離并將其分到距離最小的聚類中心所對應(yīng)的類中.

Step 3. 針對每個(gè)類別ci, 重新計(jì)算它的聚類中心.

Step 4. 重復(fù)第2步和第3步直到聚類中心不再變化.

K-means方法適合處理數(shù)值型數(shù)據(jù)集, 可對大量數(shù)據(jù)根據(jù)屬性進(jìn)行高效分類. 風(fēng)廓線雷達(dá)數(shù)據(jù)的探測高度、垂直速度屬性均為數(shù)值型. 邊界層風(fēng)廓線雷達(dá)工作在L波段, 在無降水天氣條件下, 接收的信號(hào)主要是大氣湍流運(yùn)動(dòng)造成折射率分布不均勻而產(chǎn)生的散射;在降水天氣條件下, 接收的信號(hào)主要是雨滴在入射電磁波極化下作強(qiáng)迫的多極震蕩而產(chǎn)生的散射[20,21]. 不同天氣條件下, 風(fēng)廓線雷達(dá)探測能力差別很大. 風(fēng)廓線雷達(dá)的探測原理決定了其在不同天氣條件下的探測數(shù)據(jù)會(huì)存在較大差異, 已有個(gè)例研究也表明, 風(fēng)廓線雷達(dá)數(shù)據(jù)的探測高度、垂直速度在降水、晴天等天氣條件存在不同規(guī)律, 因此, 可將K-means方法應(yīng)用于風(fēng)廓線雷達(dá)數(shù)據(jù)探測高度、垂直速度屬性的聚類劃分.

1.2 基于K-means改進(jìn)的風(fēng)廓線雷達(dá)數(shù)據(jù)聚類算法

本文選用K-means算法對風(fēng)廓線雷達(dá)數(shù)據(jù)進(jìn)行聚類分析, 考慮到傳統(tǒng)K-means算法的初始聚類中心隨機(jī)生成, 容易陷入局部最優(yōu), 本文針對初始聚類中心的選擇進(jìn)行了改進(jìn), 采用K-means++算法初始化聚類中心, 具體步驟如下:

(1) 從輸入樣本中隨機(jī)選擇一個(gè)樣本作為初始聚類中心Ur.

(2) 首先計(jì)算每個(gè)樣本與當(dāng)前已有聚類中心間的最短距離(即與最近一個(gè)聚類中心的距離), 用D(x)表示; 接著計(jì)算每個(gè)樣本被選為下一個(gè)聚類中心的概率P, P的計(jì)算如式(1)所示. 最后, 按照輪盤法選擇出下一個(gè)聚類中心.

(3) 重復(fù)第2步直到選擇出K個(gè)聚類中心.

1.3 數(shù)據(jù)規(guī)范化方法

對于基于距離度量的聚類方法, 數(shù)據(jù)標(biāo)準(zhǔn)化可以賦予所有屬性相等的權(quán)重, 避免值域較大的屬性與較小值域的屬性相比權(quán)重過大, 保障聚類效果, 包括最小-最大規(guī)范化、Z-score規(guī)范化、按小數(shù)定標(biāo)規(guī)范化等方法, 本文選用Z-score規(guī)范化方法對聚類指標(biāo)進(jìn)行預(yù)處理, Z-score規(guī)范化方法公式如下.

首先計(jì)算均值絕對偏差和平均值:

其中, Mf為第f個(gè)屬性的平均值; Sf為第f個(gè)屬性的均值絕對偏差; Xif表示第i條記錄的第f個(gè)屬性.

然后計(jì)算標(biāo)準(zhǔn)化度量值, Zf為標(biāo)準(zhǔn)化后的第f個(gè)屬性值, 計(jì)算公式為:

1.4 聚類最優(yōu)K值選取方法

對于K-means算法, 聚類數(shù)K的選取非常重要. 為避免K值選取上的主觀性, 本研究運(yùn)用肘部法則和輪廓系數(shù)兩種方法確定最優(yōu)K值, 這兩項(xiàng)指標(biāo)綜合考慮了聚類結(jié)構(gòu)中不同類別樣本的離散性和同類別樣本的凝聚性.

肘部法則(elbow method)基于如下觀察: 增加類個(gè)數(shù)有助于降低每個(gè)類的類內(nèi)誤差平方和(sum of the squared errors, SSE), 這是因?yàn)橛懈嗟念惪梢圆东@更細(xì)的數(shù)據(jù)對象類, 類內(nèi)對象間更為相似. 然而, 如果形成太多的類, 則降低SSE的邊際效應(yīng)可能下降, 因?yàn)榘岩粋€(gè)凝聚的類分裂成兩個(gè)引起SSE的降幅較小. 繪制SSE關(guān)于聚類數(shù)K的曲線, 曲線的第一個(gè)(或最顯著的)拐點(diǎn)即手肘處對應(yīng)最佳聚類數(shù).

對于包含N個(gè)對象的數(shù)據(jù)集D, 假設(shè)D被劃分為K個(gè)類C1, C2, …, Ck. 對于每個(gè)對象o∈D, 其輪廓系數(shù)(sihouette coefficient) s(o)的定義如下:

其中, a(o)代表對象o與o所屬類的其他對象間的平均距離, b(o)代表o與除自身所在類外對象的最小平均距離. a(o)反映了o所屬類的緊湊性, b(o)反映了o與其他簇的分離程度.

由定義可知, 輪廓系數(shù)值在-1和1之間. 我們計(jì)算數(shù)據(jù)集中所有對象輪廓系數(shù)的平均值, 以評估聚類質(zhì)量. 輪廓系數(shù)值越接近1, 代表聚類效果越好.

2 風(fēng)廓線雷達(dá)數(shù)據(jù)聚類及結(jié)果分析

2.1 總體流程

本研究針對風(fēng)廓線雷達(dá)數(shù)據(jù)聚類分析的步驟主要包括: (1)構(gòu)建風(fēng)廓線雷達(dá)觀測信息數(shù)據(jù)庫: 基于風(fēng)廓線雷達(dá)觀測的小時(shí)數(shù)據(jù)文件, 解析提取其中不同高度的觀測數(shù)據(jù), 建立風(fēng)廓線雷達(dá)觀測信息數(shù)據(jù)庫. (2)數(shù)據(jù)預(yù)處理: 對存儲(chǔ)在風(fēng)廓線雷達(dá)觀測信息數(shù)據(jù)庫中的數(shù)據(jù), 首先剔除不合理數(shù)據(jù), 并按時(shí)次統(tǒng)計(jì)得到逐時(shí)最大探測高度、最大垂直速度; 其次將最大探測高度、最大垂直速度進(jìn)行規(guī)范化處理, 得到聚類指標(biāo). (3)聚類分析及特征提取: 利用改進(jìn)后的K-means算法, 對預(yù)處理后的風(fēng)廓線雷達(dá)數(shù)據(jù)進(jìn)行聚類, 根據(jù)聚類結(jié)果、自動(dòng)站觀測的降水及人工觀測的云量、天氣現(xiàn)象等數(shù)據(jù)歸納總結(jié)出不同天氣條件下風(fēng)廓線雷達(dá)數(shù)據(jù)特征.

2.2 數(shù)據(jù)來源及預(yù)處理

研究選取天津靜海的風(fēng)廓線雷達(dá)觀測數(shù)據(jù), 同時(shí)結(jié)合自動(dòng)站觀測的降水及人工觀測的天氣現(xiàn)象、云量數(shù)據(jù)標(biāo)記各時(shí)次天氣條件. 天津靜海風(fēng)廓線雷達(dá)為CFL-03B型邊界層風(fēng)廓線雷達(dá), 雷達(dá)基本技術(shù)性能如表1所示. 靜海自動(dòng)站與風(fēng)廓線雷達(dá)站距離在1 km以內(nèi), 自動(dòng)站降水量數(shù)據(jù)可代表風(fēng)廓線雷達(dá)上空降水情況, 風(fēng)廓線雷達(dá)及自動(dòng)站皆選用1 h頻次數(shù)據(jù). 天津地區(qū)降水主要發(fā)生在5-9月, 故研究時(shí)段選取2017-2019年5-9月. 由于靜海站相關(guān)時(shí)段無云量人工觀測, 因此云量數(shù)據(jù)選用距靜海站最近的西青站人工觀測數(shù)據(jù).

表1 風(fēng)廓線雷達(dá)基本性能參數(shù)

靜海風(fēng)廓線雷達(dá)小時(shí)觀測數(shù)據(jù)包括66個(gè)高度層,2017-2019年5-9月小時(shí)產(chǎn)品數(shù)據(jù)文件解析入庫后得到逐時(shí)、分高度層觀測數(shù)據(jù)共計(jì)697 008條. 通過剔除無效數(shù)據(jù), 對風(fēng)廓線雷達(dá)小時(shí)觀測數(shù)據(jù)按時(shí)次統(tǒng)計(jì)得到10 553條記錄. 本文所使用的垂直速度是風(fēng)廓線雷達(dá)探測到的垂直速度(定義垂直速度向下為正, 向上為負(fù)), 未經(jīng)訂正, 所以降水時(shí)代表了空氣的垂直運(yùn)動(dòng)和降水粒子下沉運(yùn)動(dòng)的總和, 探測高度指距離地面的高度.

按照GB/T 35663-2017中定義的天氣預(yù)報(bào)基本術(shù)語, 根據(jù)自動(dòng)站觀測的過去1 h降水量及人工觀測的天氣現(xiàn)象、云量, 將各時(shí)次劃分為晴、少云、多云、陰、降水形成(降水發(fā)生前1-6 h)、降水期間、降水結(jié)束(降水結(jié)束后1-3 h) 7種狀態(tài), 詳細(xì)劃分規(guī)則如下:

(1)若當(dāng)前時(shí)次自動(dòng)站觀測的過去1 h降水量≥0.1 mm或人工觀測的天氣現(xiàn)象記錄有降水, 標(biāo)記為降水期間; 否則, 轉(zhuǎn)(2).

(2)當(dāng)前時(shí)次未來1至6 h為降水階段, 標(biāo)記為降水形成階段. 否則, 轉(zhuǎn)(3).

(3)當(dāng)前時(shí)次前推1至3 h為降水階段, 標(biāo)記為降水結(jié)束階段. 否則, 轉(zhuǎn)(4).

(4)根據(jù)人工觀測的日均總云量標(biāo)記天氣條件. 日均總云量0-2成, 標(biāo)記為晴; 3-5成, 標(biāo)記為少云;6-8成, 標(biāo)記為多云; 9-10成標(biāo)記為陰.

2.3 最佳聚類數(shù)K值確定

輪廓系數(shù)值越大聚類效果越好, 肘部法則中理論上最佳 K 值在肘處取得. 聚類數(shù)K的范圍設(shè)定為[2, 9],輪廓系數(shù)及聚類誤差平方和(sum of the squared errors,SSE)隨聚類個(gè)數(shù)K的變化如圖1所示. 由圖1可知,聚類數(shù)K與誤差平方和的拐點(diǎn)出現(xiàn)在K=3處, 此時(shí)輪廓系數(shù)也較大, 綜合考慮輪廓系數(shù)、肘部法則, 確定聚類數(shù)K為3.

圖1 不同K值的SSE及輪廓系數(shù)變化

2.4 傳統(tǒng)K-means算法與改進(jìn)算法對比分析

分別利用原K-means算法和改進(jìn)后的K-means算法對風(fēng)廓線雷達(dá)數(shù)據(jù)進(jìn)行聚類, K值選取最佳聚類數(shù)3, 每種算法運(yùn)行10次, 選取平均值進(jìn)行對比, 對比指標(biāo)包括輪廓系數(shù)、迭代次數(shù)、運(yùn)行時(shí)間3方面, 對比結(jié)果如表2所示. 由對比結(jié)果可見, 改進(jìn)后的算法在迭代次數(shù)和運(yùn)行時(shí)間均明顯降低的情況下, 可獲得與原K-means算法同等聚類效果.

表2 K-means和改進(jìn)后的K-means算法聚類對比

2.5 基于聚類的風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析

應(yīng)用改進(jìn)后的K-means算法對10 553個(gè)時(shí)次風(fēng)廓線雷達(dá)數(shù)據(jù)進(jìn)行聚類, K值選取最佳聚類數(shù)3, 聚類結(jié)果如圖2所示, 計(jì)算每類各特征統(tǒng)計(jì)描述, 結(jié)果如表3所示. 根據(jù)表3可知, class0包含7 669個(gè)時(shí)次數(shù)據(jù), 占比72.7%. class1包含615個(gè)時(shí)次數(shù)據(jù), 占比僅5.8%.class2包含2 269個(gè)時(shí)次數(shù)據(jù), class0的最大探測高度、最大垂直速度均最低, 最大探測高度均值低于3 500 m, 最大值低于5 000 m, 最大垂直速度均值在0.5 m/s. class1的最大探測高度和最大垂直速度皆最高, 最大探測高度均值為6 718 m, 該類近70%的時(shí)次最大探測高度可達(dá)靜海風(fēng)廓線雷達(dá)的最大探測高度7 080 m, 最大垂直速度均值在5.5 m/s. class2的最大探測高度和最大垂直速度介于class0和class1之間, 最大探測高度遠(yuǎn)高于class0, 均值亦在6 000 m以上, 但達(dá)到7 080 m的僅占38%, 最大垂直速度均值略高于class0, 為1 m/s, 明顯低于class1.

表3 各類最大探測高度、最大垂直速度特征

圖2 聚為3類的風(fēng)廓線雷達(dá)數(shù)據(jù)分布

經(jīng)分析, class0主要為晴、少云天氣觀測數(shù)據(jù),class1主要為降水期間的觀測數(shù)據(jù). class2主要為多云、陰天及降水前1-6 h、降水后1-3 h的觀測數(shù)據(jù).

探測高度方面, 晴天、少云天氣的最大探測高度均值在3 562 m, 多云、陰天的最大探測高度均值為4 414 m, 降水前1-6 h、降水后1-3 h的最大探測高度均值為5 480 m, 降水期間的最大探測高度均值為6 548 m. 多云、陰天探測高度高于晴天及少云天氣, 降水前1-6 h、降水后1-3 h風(fēng)廓線雷達(dá)的探測高度較多云、陰天更高, 降水期間探測高度最高且多數(shù)可達(dá)靜海風(fēng)廓線雷達(dá)的最大探測高度. 風(fēng)廓線雷達(dá)主要以晴空大氣作為探測對象, 利用大氣湍流對電磁波的散射作用來探測大氣風(fēng)場等要素. 其探測高度除了和雷達(dá)技術(shù)指標(biāo)有關(guān)之外, 受天氣狀況的影響很大[22], 當(dāng)有天氣系統(tǒng)的時(shí)候, 大氣湍流活動(dòng)加強(qiáng), 高層的水汽含量增加, 雷達(dá)探測高度會(huì)增加[23], 聚類結(jié)果表明風(fēng)廓線雷達(dá)的最大探測高度對于大氣高層水汽含量增大有較好的指示作用.

垂直速度方面, 晴天、少云天氣的最大垂直速度均值為0.5 m/s, 多云、陰天的最大垂直速度均值為0.7 m/s,降水前1-6 h、降水后1-3 h的最大垂直速度均值為1.4 m/s, 降水期間數(shù)據(jù)最大垂直速度均值為5.5 m/s. 降水期間數(shù)據(jù)最大垂直速度大于等于4 m/s的占74%, 而其他天氣條件97%的時(shí)次最大垂直速度低于4 m/s. 楊引明等[1]分析發(fā)現(xiàn), 4 m/s的垂直速度反映了降水開始和結(jié)束(定義垂直速度向下為正, 向上為負(fù)), 本文研究結(jié)果與其研究結(jié)論基本一致.

總體來說, 風(fēng)廓線雷達(dá)的最大探測高度在天氣狀況由晴天、少云轉(zhuǎn)變?yōu)槎嘣啤㈥幪?、降水天氣時(shí), 會(huì)有明顯的上升. 但最大垂直速度僅在降水開始時(shí)急劇增大, 在降水開始前增長趨勢不明顯.

兩個(gè)典型天氣個(gè)例也印證了本文的挖掘結(jié)果. 圖3展示了2018年7月23日00時(shí)至2018年7月26日05時(shí)靜海站最大探測高度、最大垂直速度與小時(shí)雨量的時(shí)序變化對比. 23日屬于少云天氣, 24日00時(shí)至12時(shí), 靜海本站出現(xiàn)大暴雨, 累計(jì)降水量153.6 mm, 最大小時(shí)降水量27.1 mm.

圖3 2018年7月23日至24日靜海風(fēng)廓線雷達(dá)最大探測高度、最大垂直速度與小時(shí)雨量對比圖

由圖3可見, 降水前24 h到降水開始, 探測高度不斷上升. 降水前24-12 h最大探測高度均值在3.5 km左右, 降水前12-6 h最大探測高度均值升至 4.5 km, 之后探測高度有所下降, 23日22時(shí)后又開始升高, 到24日01時(shí)升至靜海風(fēng)廓線雷達(dá)最大探測高度7 km,3 h增幅達(dá)4.3 km, 強(qiáng)降水期間一直維持在最大探測高度. 說明隨著降水臨近, 大氣的湍流活動(dòng)明顯加強(qiáng)、大氣高層的水汽含量急劇增加. 降水結(jié)束后, 由于屬于多云天氣, 最大探測高度在4.8 km以上維持了一段時(shí)間,直到25日05時(shí)后, 才降低到3.5 km以下. 降水期間,最大垂直速度均在4 m/s以上, 降水結(jié)束后最大垂直速度迅速降低.

圖4展示了2018年8月18日00時(shí)至2018年8月20日12時(shí)靜海風(fēng)廓線雷達(dá)在陰天及地面降水前后最大探測高度、最大垂直速度的時(shí)序變化.

圖4 2018年8月18日至20日靜海風(fēng)廓線雷達(dá)最大探測高度、最大垂直速度與小時(shí)雨量對比圖

8月18日靜海為陰天并在15時(shí)至16時(shí)發(fā)生1.4 mm小雨級別降水, 最大探測高度基本處于5 km以上,18日12時(shí)降至4.5 km后又在降水前1 h的14時(shí)再次升至6.5 km, 2 h躍升2 km, 18日20時(shí)后逐漸下降. 探測高度從19日02時(shí)的3.7 km又開始升高, 到19日04時(shí)降水前1 h升至最大探測高度7 km, 19日05時(shí)至22時(shí)靜海再次發(fā)生17 mm中雨級別降水, 降水期間探測高度基本維持在7 km, 20日03時(shí)之后開始逐漸下降. 從探測高度曲線圖可以看出, 降水前6 h最大探測高度基本在5 km及以上, 即使有降低至4 km以下的時(shí)次, 也會(huì)在降水前1 h回升, 這可能是地面降水前高空先有水汽到達(dá)的緣故, 降水結(jié)束后, 探測高度沒有立即降低, 在降水結(jié)束3 h或更長時(shí)間后才逐漸降至4 km以下, 可能是高空還有一定潮濕空氣的緣故, 降水期間最大探測高度多在7 080 m. 對比最大垂直速度和小時(shí)降水量曲線圖可知, 降水期間最大垂直速度多在4 m/s以上, 降水強(qiáng)度大時(shí)垂直速度較大, 但最大垂直速度值不一定出現(xiàn)在降雨最強(qiáng)時(shí)次. 垂直速度在降水開始會(huì)迅速增大, 降水結(jié)束會(huì)快速下降.

3 總結(jié)與展望

針對風(fēng)廓線雷達(dá)觀測數(shù)據(jù)特點(diǎn), 本文利用改進(jìn)的K-means聚類算法建立了風(fēng)廓線雷達(dá)數(shù)據(jù)特征聚類分析模型, 對天津靜海邊界層風(fēng)廓線雷達(dá)2017-2019年(5-9月)的觀測資料進(jìn)行聚類, 挖掘出了風(fēng)廓線雷達(dá)的最大探測高度、最大垂直速度在晴、陰天、降水前1-6 h、降水期間、降水后1-3 h等天氣條件下的一些變化規(guī)律, 為氣象預(yù)報(bào)服務(wù)提供了更具普遍性的參考依據(jù), 為風(fēng)廓線雷達(dá)數(shù)據(jù)特征分析提供了新思路. 但本文僅對探測高度、垂直速度特征進(jìn)行了分析, 風(fēng)廓線雷達(dá)還有水平風(fēng)向、水平風(fēng)速、折射率結(jié)構(gòu)常數(shù)等觀測要素, 下一步有必要對風(fēng)廓線雷達(dá)其他觀測信息繼續(xù)開展挖掘分析, 以獲取更多的數(shù)據(jù)特征為氣象預(yù)報(bào)服務(wù)提供支撐.