下载文档原格式
第五章多普勒速度图基本识别在本章中你将学会：（1）识别径向速度特征的基本原则；（2）速度显示与垂直风廓线之间的关系；（3）如何用这些基本原则解释雷达速度产品。
在解释速度产品时，你必须牢记以下两点：（1）雷达显示的只是沿雷达径向的速度；（2）不正确地退模糊的速度和距离折叠会使速度产品的解释变得困难。
在学完本章后，你应该掌握下列知识：1.在均匀、不均匀、模糊（ambiguous）和复杂的气象条件下解释多普勒速度型。
包括如下几点：a.入流与出流（inbound and outbound flow）；b.与速度值对应的色彩；c.定常风向风速下的速度识别；d.风向风速随高度变化条件下的速度识别；e.速度最大值的识别；f.汇合（confluence ）与发散（diffluence）流型的识别；g.垂直不连续风场的识别；h.边界（boundary 这里指密度不连续面，如锋面等）的识别；i.辐合与辐散流型的识别；j.气旋式和反气旋式旋转流型的识别；k.上面两种流型的任何组合流型的识别。
2. 从均匀和不均匀的水平流型推断垂直风廓线。
3. 利用识别的速度流型估计相应的气象条件。
5．1 识别多普勒速度图的基本知识5．1．1 多普勒速度图象的PPI 显示方式新一代天气雷达是在一系列固定仰角上扫描360︒进行采样的，即在某一个仰角，雷达天线绕垂直轴Z 进行360︒扫描（即PPI 方式扫描），所采集到的是圆锥面上的资料（图5-1）。
在每个仰角上，以雷达为中心，沿着雷达波束向外，径向距离的增加同时也表示距地面的高度增大。
雷达所探测到的任一目标的空间位置(x,y,h) 可根据仰角φ、方位角θ、目标距雷达的倾斜距离r求得，其中测定目标高度h 的公式为：h = h0 + rsinφ+ r2 /（2R m′）式中h0 为雷达天线架设高度，r 为目标的斜距，R m′为等效地球半径。
在标准大气折射情况下，R m′为真实地球半径R 的4/3 倍，约8500 公里。
多普勒天气雷达回波识别和分析之降水回波1.层状云降水雷达回波特征——片状回波层状云是水平尺度远远大于垂直尺度云团，由这种云团所产生的降水称之为稳定性层状云降水。
降水区具有水平范围较大、持续时间较长、强度比拟均匀和持续时间较长等特点。
⑴回波强度特征：①在PPI上，层状云降水回波表现出范围比拟大、呈片状、边缘零散不规那么、强度不大但分布均匀、无明显的强中心等特点。
回波强度一般在20-30dBz，最强的为45dBz。
②在RHI上，层状云降水回波顶部比拟平整，没有明显的对流单体突起，底部及地，强度分布比拟均匀，因此色彩差异比拟小。
一个明显的特征是经常可以看到在其内部有一条与地面大致平行的相对强的回波带。
进一步的观测还发现这条亮带位于大气温度层结0度层以下几百米处。
由于使用早起的模拟天气雷达探测时，回波较强那么显示越亮，因此称之为零度层亮带。
回波高度一般在8公里以下，当然会随着纬度，季节的不同有所变化。
⑵回波径向速度特征：由于层状云降水范围较大，强度与气流相比照拟均匀，因此相应其径向速度分布范围也较大，径向速度等值线分布比拟稀疏，切向梯度不大。
在零径向速度型两侧常分布着范围不大的正、负径向速度中心，另外还常存在着流场辐合或辐散区。
⑶零度层亮带：如前所述，在PPI仰角较高或者RHI扫面时，总能在零度层以下几百米处看到一圈亮环或者亮带回波，亮带内的回波比上下两个层面都强。
由于亮带回波总是伴随层状云降水出现，因此是层状云降水的一个重要特征。
〔零度层亮带形成的原因：冰晶、雪花下落的过程中，通过零度层时，说明开始融化，一方面介电常数增大，另一方面出现碰并聚合作用，使粒子尺寸增大，散射能力增强，所以回波强度增大。
当冰晶雪花完全融化后，迅速变成球形雨滴，受雨滴破裂和降落速度的影响，回波强度减小。
这样就存在一个强回波带，说明层状云降水中存在明显的冰水转换区，也说明层状云降水中气流稳定，无明显的对流活动。
〕2.对流云降水雷达回波特征——块状回波对流云往往对应着阵雨、雷雨、冰雹、大风、暴雨等天气。
多普勒速度回波的识别和分析Ø径向速度的基本特征Ø晴空和大面积降水多普勒速度图像Ø对流风暴的多普勒速度图像FinePrint Software, LLC16 Napier LaneSan Francisco, CA 94133Tel: 415-989-2722Fax: 209-821-7869l尽管多普勒雷达只能测量到径向风分量，但径向风分量的空间分布也可显示重要气象过程的特点，通过对典型的多普勒速度场的特征图象识别来推断实际风场。
l从径向分量的标量场中判断出风场矢量，不仅需要依据数学和天气学的知识，还需要有很好的想象力。
l用这种方法可以判断出风场的基本趋势与大致分布，特别是零速线的走向就是一个很好的判识特征。
零径向速度的意义n该点的真实风速为零n 该点的真实风向与该点相对于雷达的径向垂直l 对于风向均匀或风速连续变化的情况，零速度点的风向是由临近的负速度区，垂直该点的径向吹向正速度区。
径向速度图中，正速度表示目标物运动是离开雷达的负速度表示目标物运动是朝向雷达的速度值接近0的线，叫零速度线l多普勒天气雷达通常采用体积扫描方式（多仰角PPI扫描），以雷达为中心，径向距离的增加代表了距地面高度的增加。
径向速度特征的分析原则l零速度线特征n根据投影关系，风向与零速线走向垂直；n零速线经过雷达中心点（原点）；n由零速线向两侧推断速度模糊。
l远离分量（+）和趋近分量（-）的分布特征n分析它们与原点、距离圈、径向的对称关系、面积大小l风向随高度分布特征n对于大面积降水，根据热成风原理，风随高度顺时针旋转--暖平流，反之，风随高度逆转--冷平流n对于局地的对流性降水，在不满足热成风原理时，注意分析风随高度的垂直切变结构（或垂直涡旋结构）晴空和大面积降水多普勒速度图像零径向速度所在处的方位角与风向互相垂直风向风速不随高度变化风速风向均不随高度变化风速随高度变化，风向不变风向不变，风速随高度增加风速随高度变化，风向不变风向不变，风速随高度先增后减风速不变，风向随高度顺转风速不变，风向随高度逆转风速不变，风向随高度先顺转后逆转风向随高度顺转，风速增加风向随高度顺转，风速增加（地面风速不为零）风向顺转，风速先增后减风向突变90゜，上下两层风速先增后减风向突变180゜，上下两层风速先增后减风向垂直方向不连续实测的多普勒速度图像大尺度连续风场的识别风向随高度不变，风速最大的高度不同风速相同，风向辐散风速相同，风向辐合锋面移向测站时锋面移过测站时非均匀水平风场锋面过境后继续向东南方向移动非均匀水平风场向测站移动的中小尺度锋面的实测多普勒速度图像实测的风向随高度变化的速度图中尺度气旋中小尺度气旋可用理想垂直轴对称气旋环流的蓝金（Rankine)模式来模拟，对流风暴的多普勒速度图像Rankine 模式的切向速度分布示意当回波在雷达站正北方向，气旋和反气旋的速度型典型中尺度气旋受环境南风影响的中尺度气旋典型中尺度气旋速度图像：纯旋转，右正左负，零速线与径线平行中尺度反气旋速度图像：纯旋转，左正右负，零速线与径线平行注意：台风尺度，速度模糊中小尺度辐合辐散轴对称辐散气流中小尺度辐合辐散附加南风环境风辐散气流的速度图像：外正内负，零速线与距圈平行辐合气流的速度图像：外负内正，零速线与距圈平行微下击暴流辐合型气旋辐合型气旋的速度图像：注意零速线走向，兼具辐合与旋转的零速线特征中尺度气旋成熟阶段的气流结构和相应的径向速度分布特征(由Oklahoma 的观测统计得出，雷达在正南）a 低层上升气流下面的辐合运动结合中气旋转动，形成辐合性气旋b 中下层为纯气旋运动c 中上层，风暴顶部的辐散运动与中下层纯气旋运动相结合，形成气旋性辐散d 中气旋顶以上的风暴顶部为纯辐散气流，注：有的风暴回波顶较低、或中气旋向上伸展很高、或距雷达很近而探测仰角不高时，此特征可能探测不到据统计：从a 到d 大约3-5km 高度a 低层-辐合旋转 b 中低层-纯旋转c 中高层-辐散旋转d 高层-纯辐散辐合辐散和中尺度气旋结合。
基于Python对多普勒天气雷达基数据的解析基于Python对多普勒天气雷达基数据的解析多普勒雷达是一种能够测量气象杂波中液体或固体颗粒运动速度的仪器。
它通过测量天体反射射线频移来计算出物体的速度，从而提供天气预报所需的有关降水、风速和风向等信息。
然而，多普勒雷达的数据在原始状态下十分复杂，需要进行解析和处理才能得到有用的信息。
本文将介绍如何使用Python编程语言对多普勒天气雷达的基数据进行解析和处理。
首先，我们需要了解多普勒天气雷达基数据的格式。
通常，它以雷达扫描的方式保存在文件中。
每个扫描包含一系列的反射率数据，每个数据点对应于空间中的一个点。
每个数据点都有其位置和反射率值。
此外，雷达还提供了速度和谱宽等信息，用于描述气象杂波颗粒的运动特性。
在Python中，我们可以使用一些开源的库来解析多普勒雷达基数据，如`Py-ART`和`wradlib`等。
这些库包含了丰富的函数和工具，使得解析和处理多普勒雷达数据变得更加容易和高效。
首先，我们需要导入相关的库和模块。
使用`import`语句导入`numpy`、`scipy`、`matplotlib`和`pyart`等库。
```pythonimport numpy as npimport matplotlib.pyplot as pltimport pyart```接下来，我们需要读取多普勒天气雷达的数据文件。
使用`pyart.io.read`函数读取文件，并将数据存储在一个`Radar`对象中。
```pythonfilename = '/path/to/radar_data.nc'radar = pyart.io.read(filename)```读取数据后，我们可以使用`pyart.visualization`模块中的函数绘制雷达数据的各种图像。
例如，我们可以使用`plot_ppi`函数绘制雷达的全距视图：```pythondisplay = pyart.graph.RadarDisplay(radar)fig = plt.figure(figsize=(8, 8))ax = fig.add_subplot(111)display.plot_ppi('reflectivity', 0, ax=ax)plt.show()```此外，我们还可以绘制其他类型的图像，如雷达的径向速度和谱宽等。
