The role and characteristics of low-level jet during a persistent rainstorm in Guangxi
-
摘要:
2022年广西遭遇新中国成立以来最强“龙舟水”，其中6月17—22日的持续性暴雨过程累积雨量大、落区重叠，导致洪涝、山洪及滑坡等灾害。利用多源观测资料及欧洲中期天气预报中心ERA5再分析资料，分析了此次持续性暴雨过程中低空急流的影响及其特征，结果表明：(1)夜间低空急流明显增强，对流系统在急流核北侧发展，而日间随着低空急流减弱，对流系统也逐渐减弱，造成强降水主要集中于夜间。(2)夜间850 hPa低空急流左侧正涡度区与925 hPa边界层急流出口区在桂东北一带重合，配合桂北山脉地形阻挡形成深厚的低层辐合，有利于桂东北上升运动增强及对流系统不断发生发展。同时，大气低层对流不稳定迅速增大，为持续性暴雨提供了有利的不稳定层结环境。(3)低空急流的演变可用惯性振荡机制来解释。日间桂中至桂南地区地表被加热导致湍流摩擦逐渐增强，造成急流减速，具有次地转特征。夜间湍流摩擦作用减弱，急流加速并逐渐呈现出超地转特征。科氏力对非地转风的作用是造成急流动量增长的主要原因，而摩擦耗散、垂直输送等过程为急流动量汇。
Abstract:In 2022, Guangxi experienced the strongest Dragon Boat Precipitation since the founding of the People's Republic of China. The persistent rainstorm process from 17 June to 22 June 2022 had large accumulations and overlapping falling areas, leading to floods, torrential floods, landslides, and other disasters. The impacts of the low-level jet and its characteristics during this process were analyzed based on multi-source observation data and ERA5 reanalysis data. The results show that: (1) The low-level jet enhanced significantly during the night, and the convective system developed on the north side of the jet core. During the daytime, the low-level jet weakened and the convective system gradually disappeared, resulting in the heavy precipitation being mainly concentrated during the night. (2) During the night, the positive vorticity zone on the left of the 850 hPa low-level jet coincided with the exit zone of the 925 hPa boundary-level jet in the northeast of Guangxi, which combined with the mountain terrain barrier, and caused deep low-level convergence. The low-level convergence was conducive to the enhancement of the upward movement in northeast Guangxi and favored the continuous development of the convective system. At the same time, the convective instability in the lower atmosphere also increased rapidly, which provided a favorable unstable stratification environment for heavy precipitation. (3) The variation of the low-level jet can be well explained by the inertial oscillation mechanism. During the day, the surface heating in the central and southern regions of Guangxi led to the gradual enhancement of turbulent friction, resulting in jet deceleration with the characteristics of sub-geostrophic. During the night, the turbulent friction was weakened, and the jet accelerated, which gradually presented the characteristics of super-geostrophic. The Coriolis force acting on ageostrophic wind was the main contributor to the momentum of the jet, while friction dissipation and vertical transport were the momentum sinks.
-
Keywords:
- persistent rainstorm /
- low-level jet /
- inertial oscillation /
- ageostrophic wind
-
引言
雷暴常伴有短时强降水、破坏性大风和冰雹等灾害性天气，其每年造成的国民经济损失和人员伤亡较重，一直是党和政府关注的焦点之一[1-3]。因此，加强对雷暴天气的分析和研究，提高雷暴监测、预警和防御能力，对防灾减灾和工农业服务有重要意义。国内许多学者展开了雷暴及其预警方法的研究，俞小鼎等[4]系统阐述了雷暴的临近预报方法，指出以主观预报为主，结合客观算法，更有利于促进雷暴预报的进一步发展和提高。郝莹等[5]对比分析了指标叠加法和判别法制作的雷暴潜势预报结果，指出指标叠加法的预报效果较好，并验证了对流有效位能对雷暴发生有较好的指示作用。胡晓等[6]选取对流参数作为预报因子，在分析并确定阈值的基础上运用权重法建立了雷暴潜势预报模型，检验表明其对雷暴有较好的预报作用。王秀明等[7]澄清了雷暴发生三要素容易混淆的概念，阐明了雷暴预报中的几个基本问题。田琨等[8]基于贝叶斯分类法和Logistic回归分析法建立雷暴预报模型，模型预报结果表明Logistic回归分析法对雷暴具有一定的预报能力。上述研究对提高雷暴预报效果有很大帮助，但不足之处在于因子的选取和阈值的确定具有一定的主观性，整体而言识别率不高或识别率高的方法复杂、计算量大。
由于传统雷暴预报方法的主观性和信息不完整性，业务应用上常呈现预报准确率不高、预警时效短、有效防御措施低等弊端。作为自驱动的技术，投影寻踪聚类[9-10]方法在上世纪70年代被提出，现已在水文、气象上得到广泛应用并取得了较好效果。倪长健和崔鹏[11]综合利用动态聚类方法和投影寻踪思想，构造投影指标并建立了投影寻踪动态聚类新模型。模型具有计算过程中不需要人为给定参数和聚类结果客观、明确的优点, 同时又具有稳定性好、操作简便等特点[12-13]。本文从达州市2015年10月—2016年9月雷暴个例的层结条件、水汽条件出发构建指标体系，以850 hPa与500 hPa温差、大气可降水量、K指数、对流有效位能、对流抑制和抬升指数作为雷暴预警因子，构建雷暴预警投影寻踪动态聚类模型，以期为雷暴潜势预报提供一种新思路，进而为雷暴预警提供更加科学的参考依据。
1. 资料与方法
1.1 资料说明
使用的资料为2015年10月—2016年9月达州市闪电定位和探空观测资料，闪电定位资料时间间隔为1 h，探空观测资料时间间隔为12 h，个例探空资料统一选取08时(北京时，下同)。闪电现象是雷暴处于发展旺盛成熟状态的明确指标[14]，云中的放电强度和频次取决于雷暴云垂直伸展高度及强度。利用闪电定位资料来确定达州站(107.50°E，31.2°N)周围半径50 km范围内的雷暴活动[15]。若观测中无地闪记录则认为无雷暴发生[8]。随机选取时间段内的50个样本作为雷暴预警研究样本，其中发生雷暴的样本26个，未发生雷暴的样本24个。
1.2 投影寻踪动态聚类模型简介
为最大程度地挖掘数据信息和反映数据特征，从不同角度分析数据用以查找最优投影方向，这就是投影。将高维数据信息投影到低维空间，有利于常规方法处理分析和直观形象分析数据结果。设第i个样本第j个指标为xij0 (i = 1, …, n；j = 1, …, m样本容量用n表示，选取的指标数目用m表示)，可按照下述步骤构建投影动态聚类模型：
第一步，数据无量纲化，目的在于使各评价指标的量纲差异尽可能的消除，对于越大越优的指标，有
$$ {x_{ij}} = \frac{{x_{ij}^0-x_{j\min }^0}}{{x_{j\max }^0-x_{j\min }^0}} $$ (1) 若指标是越小越优，则有
$$ {x_{ij}} = \frac{{x_{j\max }^0-x_{ij}^0}}{{x_{j\max }^0-x_{j\min }^0}} $$ (2) 其中，xjmin0和xjmax0分别为第j个指标的样本最小值和最大值。
第二步，线性投影，即在线性空间实现高维数据的投影。设$\vec a$为m维投影方向向量，其分量为a1，a2，…，am，分别对应于m个指标的权重，并有$\sum\limits_{j = 1}^m {{a_j} = 1} $，则xij投影特征值zi可表示为
$$ {z_i} = \sum\limits_{j = 1}^m {{a_j}{x_{ij}}} \left( {i = 1, 2 \cdots, n} \right) $$ (3) 第三步，构建投影指标，这是把高维数据投影聚类到低维空间遵循的关键所在，也有利于寻找最优投影方向。全部样本的投影特征值序列所构成的集合表示为Ω={z1，z2，...，zn}，以动态聚类法为依托，将其聚为p (p ≤ n)类，即：
（1）随机选取p个点，并作为p个聚核，记为L0 =(A10，A20，...，AP0)；
（2）以L0把Ω中的点分为p类，记做Θ0 = (Θ10，Θ10，...，Θp0)。其中Θi0 ={z∈Ω|d(Ai0 - z) ≤ d(Aj0 - z)，∀j = 1，2，...，p，j≠i}，d(Ai0 - z)为点Ai0和集合Ω中任一点的绝对值距离。
（3）由Θ出发，对新的聚核L1，L1 =(A11，A21，...，AP1)加以计算。其中，$A_i^1 = \frac{1}{{{n_i}}}\sum\limits_{{z_i} \in \Theta _i^0}^p {{z_i}} $，类Θi0中有ni个点。
（4）重复以上步骤，由此得到一个分类结果序列${ \vee ^k} = \left( {{L^k}, {\Theta ^k}} \right), k = 1, 2, \cdots $。$D\left( {A_i^k, \Theta _i^k} \right) = \sum\limits_{{z_i} \in \Theta _i^k} {\left| {{z_i}-A_i^k} \right|} $，${U_k} = \sum\limits_{i = 1}^p {D\left( {A_i^k, \Theta _i^k} \right)} $，若$\frac{{\left| {{U_{k + 1}}-{U_k}} \right|}}{{{U_{k + 1}}}} \le \varepsilon $，则终止算法。其中，允许误差范围的充分小量用ε表示。这种算法理论证明是收敛的。
属于第h类的所有样本投影特征值构成的集合用Θh(h = 1，2，...，p)表示，定义所有两投影特征值间的绝对值距离为d(zi，zj)。$dd\left( a \right) = \sum\limits_{h = 1}^p {{D_h}\left( a \right)} $表示类内样本的临近程度，其中${D_h}\left( a \right) = \sum\limits_{{z_i}, {z_j} \in {\Theta _n}} {d\left( {{z_i}, {z_j}} \right)} $为类内聚集度，dd(a)越小，表示类内样本越高的聚集程度。另记投影分散度为$ss\left( a \right) = \sum\limits_{{z_i}, {z_j} \in \Omega } {d\left( {{z_i}, {z_j}} \right)} $，它表示所有样本序列投影特征值的离散程度，所有样本序列投影特征值随着ss(a)愈大，其离散程度则意味着越高。
以ss(a)和dd(a)的定义为依据，投影寻踪动态聚类模型的投影指标QQ(a)为
$$ QQ\left( a \right) = ss\left( a \right)-dd\left( a \right) $$ (4) 由此可见，投影指标的值随着投影分散的程度越大或者类内聚集的程度越小而越大。如果QQ(a)值取最大时，类间样本尽量散开和类内样本尽量集中的聚类要求就达到了。
第四步，模型求解，其关键在于寻找满足达到最大值时的QQ(a)对应的最优投影方向向量$\overrightarrow {{a^*}} $，所以，下面优化相关问题能够通过投影寻踪动态聚类模型加以描述
$$ \begin{array}{l} {\rm{Min}}\;\;\;\;QQ\left( {\vec a} \right)\\ s.t.\;\;\;\;\sum\limits_{j = 1}^m {{a_j} = 1} \end{array} $$ (5) 其中，s.t.表示受约束，本文应用免疫进化算法[16]求解上述优化问题。
2. 指标选取
基于雷暴发生的要素，探空资料850 hPa与500 hPa温差（ΔT850-500）、大气可降水量（PW）、K指数（KI）、对流有效位能（CAPE）、对流抑制（CIN）和抬升指数(LI)共6个因子对雷暴潜势有较好的指示意义, 其中CAPE经过虚温订正。ΔT850-500表示大气层结静力稳定度。PW是单位面积上整层大气中所有水汽全部凝结并降落到地面的降水量。K反映大气层结稳定情况, 其值越大表示大气层结越不稳定。CAPE为大气浮力对流有效位能的大小。CIN反映处于大气底部的气块若要能自由地参与对流至少要从其他途径获得的能量下限，雷暴的发生往往要求CIN有一个较为合适的值。LI指数表示气块先干绝热上升然后湿绝热线上升到500 hPa处的温度与该处实际大气温度的差值，差值的绝对值越大预示着出现对流天气的可能性越大。
3. 应用实例
雷暴是伴有雷击和闪电的局地对流天气，它产生于强烈的积雨云中，常伴有强烈阵雨或暴雨，有时伴有冰雹和龙卷风。雷暴预警的实质就是如何把各雷暴样本的多维分类指标综合成一维或二维指标，然后进行聚类分析，由于该问题涉及到层结条件、水汽条件等诸多不确定因素，而各单因素指标的结果往往是不相容的，现有方法对此类问题的处理在客观性、可操作性方面尚存在一定的局限。选取2015年10月— 2016年9月的50个样本作为研究实例，雷暴分类指标体系由ΔT850—500、PW、KI、CAPE、CIN和LI共6个指标组成，将其聚为2类，按投影寻踪动态聚类模型的算法流程，其中m=6，n=50，p=2，得到投影方向向量为$\overrightarrow {{a^*}} $=（0.125，0.046 7，0.208 3，0.295，0.141 7，0.183 3）。
表 1（见上页）给出川东北雷暴样本的预报因子及对应的特征值，根据投影特征值z*(i)的大小和雷暴样本的聚类结果分析可知，(1)其投影特征值在[0.506 8，1]范围，可判为有雷暴发生；若其特征值在[0，0.461 0]范围为第Ⅱ类，其值小于等于0.461 0，可判为无雷暴发生。(2)对模型预报结果进行定量评估[17]，命中率(POD)为92.31%，漏报率(MR)7.69%, 虚警率(FAR)23.40%，临界成功指数(CSI)为72.00%, 表明该模型对雷暴有一定的预报能力。(3) 6—9月是川东北雷暴的高发期，雷暴潜势较大，一般来说ΔT850-500越大、KI越大、CAPE越大、LI负值越小、一定的PW和CIN，雷暴发生的潜势越大。6个指标中CAPE所占比重最大，表明雷暴发生时对流有效位能的重要性；其次是KI和LI，它反映了大气层结稳定度和出现对流天气的可能性；然后是ΔT850—500和CIN，它反映了大气上下层温差和对流抑制；PW占比重最小，但反映了雷暴发生需要一定的水汽条件。
表 1 川东北雷暴样本的预报因子及对应的特征值Table 1. Predictors and corresponding projection values of thunderstorm samples in northeast Sichuan序号 ΔT850—500/℃ PW/mm KI/℃ CAPE/(J·kg-1) CIN/(J·kg-1) LI/℃ z*(i) 1 21 40 33 58 2 1.9 0.17 2 25 39 39 92 0 -0.6 0.45 3 21 34 28 24 21 2.3 0.07 4 22 31 31 267 0 2.9 0.12 5 25 31 36 383 10 -1.9 0.45 6 27 39 37 4 501 -1.8 0.76 7 25 40 38 2 259 0 0.8 0.64 8 29 38 36 1 646 0 -2.3 0.72 9 20 38 26 59 0 3.3 0.00 10 19 46 32 90 1 1.8 0.13 11 24 55 42 50 330 -0.6 0.71 12 29 34 29 1 803 0 -2.7 0.59 13 29 42 37 56 422 -0.1 0.70 14 24 38 30 1 315 0 0.4 0.34 15 27 43 36 710 0 -0.5 0.51 16 23 45 32 1 535 0 -3.3 0.54 17 25 50 37 1 959 0 -2.4 0.73 18 22 46 32 857 0 0.5 0.30 19 23 56 39 2 800 0 -2.7 0.85 20 22 60 39 3 367 0 -0.1 0.81 21 23 68 41 2 364 0 -1.6 0.83 22 27 49 33 1 632 0 -6.8 0.80 23 23 57 39 184 85 -2.5 0.58 24 24 59 38 219 191 0.7 0.52 25 26 55 40 3 089 0 -2.3 0.94 26 23 63 41 3 347 0 -0.3 0.88 27 20 66 37 0 4 -1.2 0.38 28 23 52 37 1 331 0 -0.8 0.55 29 18 46 31 890 0 -0.9 0.26 30 23 51 38 2 311 0 -1.1 0.70 31 24 55 39 479 176 -3.2 0.71 32 24 58 41 3 523 0 -3.2 1.00 33 25 54 36 2 900 0 -5.5 0.93 34 26 49 36 1 122 0 -2.1 0.61 35 24 55 37 449 130 -3.1 0.63 36 27 59 42 720 205 -3.0 0.88 37 24 57 42 169 165 -0.6 0.64 38 25 56 44 1 122 148 -2.2 0.86 39 24 52 40 160 48 -1.5 0.55 40 21 54 37 2 340 0 -2.0 0.69 41 26 52 40 926 121 -1.2 0.71 42 26 50 40 1 584 0 -1.3 0.73 43 22 61 40 1 605 1 -3.2 0.75 44 25 54 41 602 102 -4.6 0.80 45 21 60 39 24 128 -0.2 0.46 46 25 56 40 836 187 -1.6 0.74 47 23 51 34 62 153 -1.5 0.44 48 21 56 37 0 171 2.0 0.35 49 18 50 33 119 0 2.4 0.13 50 19 44 31 79 1 2.3 0.10 注：ΔT850—500、PW、KI、CAPE、CIN、LI和z*(i)分别表示850 hPa与500 hPa温差、大气可降水量、K指数、对流有效位能、对流抑制、抬升指数和特征值。 图 1给出雷暴样本投影特征值的散点图，从中可见，样本实测中有雷暴发生26个，没有雷暴发生24个，样本容量和选取较为合理。模型计算结果有无两类的分隔区间为(0.461 0，0.506 8), 靠近分隔区间范围的点相对较少，表明模型有较好的类内聚合性和类间分离性。当模型预报结果和实测在参考线同侧时，预报正确，否则为错误；当实测出现而模型未预报出，则为漏报，当实测未出现而模型预报出，则为空报。通过分析得出，模型虚警率相比同类预报结果偏高，命中率和漏报率优于同类模型结果，临界成功指数与同类模型预报结果相当。
![]()
图 1 雷暴样本投影特征值的散点图(+表示实测有雷暴发生，×表示实测无雷暴发生，▲表示模型结果有雷暴发生，△表示模型结果无雷暴发生)Figure 1. Scatter points of projection value of thunderstorm samples (+ Indicates that a thunderstorm occurred, × indicates that no thunderstorm occurred, ▲ indicates that a thunderstorm occurs in the model result, and Δ indicates that a thunderstorm does not occur in the model result)综上所述，投影寻踪聚类模型在川东北雷暴潜势预报的应用表明，该方法所得结果明确、客观，具有良好的类内聚合性和类间分离性，能合理地反映雷暴潜势的层结条件、水汽条件等特征，为雷暴预警提供相应的理论依据。
4. 结论与讨论
本文利用川东北闪电定位和高空观测资料，从层结条件、水汽条件出发选取850 hPa与500 hPa温差、大气可降水量、K指数、对流有效位能、对流抑制和抬升指数作为雷暴预警因子构建指标体系，使用投影寻踪聚类模型对雷暴进行预警，得出如下结论：
(1) 模型预报结果定量评估，命中率POD为92.31%，虚警率FAR为23.40%，临界成功指数CSI为72.00%，表明该模型对川东北雷暴潜势预报是有效、合理的。
(2) 与常规预警方法相比，该模型具有识别率高，计算简便，客观性强等特点，为雷暴预警提供一种新的客观方法。但由于雷暴预报的复杂性，上述模型有待进一步完善，如增加物理量预报因子，提高CSI评分。另外，模型虽然给出了有、无雷暴的特征值结果，然而在预报和实测中还存在雷暴强度和等级划分，鉴于此，可考虑进行雷暴强度的分级预报模型研究。
-
![]()
图 1 2022年6月17日08∶00—6月22日08∶00广西累积雨量(a, 单位: mm)的空间分布以及代表站逐小时雨量变化(b, 单位: mm)
Figure 1. (a) Spatial distribution of accumulated rainfall from 08∶00 BT on 17 June to 08∶00 BT on 22 June 2022 (unit: mm) and (b) hourly rainfall of representative stations (unit: mm)
![]()
图 2 2022年6月17日08∶00—22日08∶00平均的200 hPa散度(填色, 单位: 10-5s-1; 粗实线为200 hPa的1 250 dagpm等值线)和500 hPa高度场(等值线, 单位: dagpm)(a), 850 hPa高度场(等值线, 单位: dagpm)、风场(矢量, 单位: m·s-1)和925 hPa散度(填色, 单位: 10-5s-1)(b), 108°—112°E平均的850 hPa (c)、925 hPa (d)风速(填色, 单位: m·s-1)、风场(矢量, 单位: m·s-1)和TBB(等值线表示TBB小于等于32℃)的纬度-时间剖面
Figure 2. Distribution of (a) divergence (shaded, unit: 10-5 s-1, thick solid line indicate 1 250 dagpm at 200 hPa) at 200 hPa and geopotential height (contour, unit: dagpm) at 500 hPa, (b) geopotential height (contour, unit: dagpm) and wind (vector, unit: m·s-1) at 850 hPa, divergence (shaded, unit: 10-5 s-1) at 925 hPa averaged from 08∶00 BT on 17 June to 08∶00 BT on 22 June 2022, time-latitude cross sections of wind speed (shaded, unit: m·s-1), wind field (vector, unit: m·s-1) and TBB (contour indicates TBB ≤-32℃) at (c) 850 hPa and at (d) 925 hPa, averaged during 108°-112°E
![]()
图 3 2022年6月19日20∶00—20日08∶00平均的850 hPa垂直涡度(填色, 单位: 10-4 s-1), 风速(等值线表示大于等于8 m·s-1, 下同) 及环流分布(a), 925 hPa水平散度(填色, 单位: 10-5 s-1), 风速(等值线, ≥8 m·s-1)及环流分布(b), 20日03∶00沿图 3a中AB虚线上的水平散度(填色, 单位: 10-5 s-1)、风速(等值线, 单位: m·s-1)以及环流的垂直剖面(c)
Figure 3. Distribution of (a) vertical vorticity (shaded, unit: 10-4 s-1), wind (contour, ≥8 m·s-11) and circulation distribution at 850 hPa, (b) horizontal divergence (shaded, unit: 10-5 s-1), wind (contour indicates ≥8 m·s-1) and circulation at 925 hPa averaged from 20∶00 BT on 19 June to 08∶00 BT on 20 June 2022, (c) vertical cross sections of horizontal divergence (shaded, unit: 10-5 s-1), wind (contour, unit: m·s-1) and circulation along AB in Fig. 3a at 03∶00 BT on 20 June 2022
![]()
图 4 2022年6月20日03∶00的850 hPa风场(矢量, 单位: m·s-1), θse (等值线, 单位: K)及其平流(填色, 单位: 10-4K·s-1) (a), 经暴雨中心(110.07°E, 25.58°N, 图 4a中三角形)θse (等值线, 单位: K)及对流稳定度$-\frac{\partial \theta_{\mathrm{se}}}{\partial p} $(填色, 单位: K·hPa-1)的高度-时间剖面(b)
Figure 4. (a) Distribution of 850 hPa wind (vector, unit: m·s-1), θse (contour, unit: K) and its advection (shaded, unit: 10-4K·s-1) at 03∶00 BT on 20 June 2022, (b) time-height cross sections of θse(contour, unit: K) and $-\frac{\partial \theta_{\mathrm{se}}}{\partial p} $ (shaded, unit: K·hPa-1) along rainstorm center (110.07°E, 25.58°N, triangle in Fig. 4a)
![]()
图 5 2022年6月17日08∶00—6月22日08∶00低空急流区区域平均(108°—112°E，22°—25°N)的850 hPa风速演变(红色为超地转, 蓝色为次地转)
Figure 5. Evolution of low-level jet area-averaged(108°—112°E, 22°—25°N) wind (unit: m·s-1) at 850 hPa (red and blue shaded indicate upergeostrophic and subgeostrophic respectively) from 08∶00 BT on 17 June to 08∶00 BT on 22 June 2022
![]()
图 6 2022年6月17日08∶00—6月22日08∶00期间108°—112°E平均的850 hPa位势高度水平梯度(填色, 单位: 10-5 dagpm·m-1)和地转风场(风向杆, 实线为等风速线，单位: m·s-1)(a), 对流有效位能(等值线, ≥1 000 J·kg-1)和地表净短波辐射(填色, 单位: 106 J·m-2)(b), 地表 2 m温度(等值线, ≥298 K)和边界层高度(填色, 单位: m)(c)的纬度-时间剖面
Figure 6. Time-latitude cross sections of (a) horizontal gradient of geopotential height (shaded, unit: 10-5 dagpm·m-1) and geostrophic wind fields (barb, unit: m·s-1, solid line indicates isotach) at 850 hPa, (b) convective available potential energy (contour, ≥1 000 J·kg-1) and surface net shortwave radiation (shaded, unit: 106 J·m-2), (c) 2 meter surface temperature (contour, ≥298 K) and boundary layer height (shaded, unit: m) averaged along 108°—112°E from 08∶00 BT on 17 June to 08∶00 BT on 22 June 2022
![]()
图 7 2022年6月19日14∶00 (a), 19日22∶00 (b), 20日05∶00 (c)的850 hPa急流区非地转风场
(白色箭头为方框内风场平均方向)和全风速(填色, 单位: m·s-1)
Figure 7. Distribution of ageostrophic wind (The white arrow indicates the average direction of the wind field in the box) and full wind speed (shaded, unit: m·s-1) in the low-level jet region at 850 hPa at (a) 14∶00 BT on 19, (b) 22∶00 BT on 19, (c) 05∶00 BT on 20 June 2022
![]()
图 8 2022年6月17日08∶00—6月22日08∶00低空急流区区域平均的850 hPa水平动量方程的趋势项、平流项、科氏力项以及残差项演变
Figure 8. Evolution of low-level jet area-averaged tendency, advection, Coriolis force, and residual terms in horizontal momentum equation in the low-level jet region at the 850 hPa level from 08∶00 BT on 17 June to 08∶00 BT on 22 June 2022
-
董良淼, 翟丽萍, 覃月凤, 等. 2021. 2018年广西东南部一次暴雨过程分析[J]. 沙漠与绿洲气象, 15(3): 46-54. doi: 10.12057/j.issn.1002-0799.2021.03.006 Dong L M, Zhai L P, Qin Y F, et al. 2021. Comprehensive analysis of heavy rainfall in southeast of Guangxi on 10 May 2018[J]. Desert and Oasis Meteorology, 15(3): 46-54 (in Chinese). doi: 10.12057/j.issn.1002-0799.2021.03.006
黄雪松, 李妍君, 何洁琳, 等. 2023. 广西2022年"龙舟水" 期间极端暴雨特征及强度分析[J]. 气象研究与应用, 44(1): 76-80. doi: 10.19849/j.cnki.CN45-1356/P.2023.1.13 Huang X S, Li Y J, He J L, et al. 2023. Characteristics and intensity analysis of the extreme dragon-boat precipitation in Guangxi in 2022[J]. Journal of Meteorological Research and Application, 44(1): 76-80 (in Chinese). doi: 10.19849/j.cnki.CN45-1356/P.2023.1.13
何立富, 陈涛, 孔期. 2016. 华南暖区暴雨研究进展[J]. 应用气象学报, 27(5): 559-569. doi: 10.11898/1001-7313.20160505 He L F, Chen T, Kong Q. 2016. review of studies on prefrontal torrential rain in South China[J]. Journal of Applied Meteorological Science, 27(5): 559-569 (in Chinese). doi: 10.11898/1001-7313.20160505
李青春, 程丛兰, 全继萍, 等. 2022. 夏季两次不同强度暴雨过程的低空急流特征及其作用对比分析[J]. 气象, 48(11): 1384-1401. doi: 10.7519/j.issn.1000-0526.2022.042001 Li Q C, Cheng C L, Quan J P, et al. 2022. Comparison of characteristics and effects about low-level jet in two rainstorm processes with different intensities in summer[J]. Meteorological Monthly, 48(11): 1384-1401 (in Chinese). doi: 10.7519/j.issn.1000-0526.2022.042001
刘国忠, 覃月凤, 覃卫坚, 等. 2023. 2022年广西极端"龙舟水"暴雨过程环境场特征分析[J]. 气象研究与应用, 44(1): 7-13. doi: 10.19849/j.cnki.CN45-1356/P.2023.1.02 Liu G Z, Qin Y F, Qin W J, et al. 2023. Analysis of environmental field characteristics of an extreme dragon-boat precipitation process in Guangxi in 2022[J]. Journal of Meteorological Research and Application, 44(1): 7-13 (in Chinese). doi: 10.19849/j.cnki.CN45-1356/P.2023.1.02
王东阡, 张耀存. 2012. 中国东部西南低空急流日变化特征及其机制[J]. 地球物理学报, 55(8): 2498-2507. doi: 10.6038/j.issn.0001-5733.2012.08.002 Wang D Q, Zhang Y C. 2012. Diurnal variation of the south-westerly low-level jet over eastern China and its mechanism[J]. Chinese Journal of Geophysics, 55(8): 2498-2507 (in Chinese). doi: 10.6038/j.issn.0001-5733.2012.08.002
叶朗明, 苗峻峰. 2014. 华南一次典型回流暖区暴雨过程的中尺度分析[J]. 暴雨灾害, 33(1): 342-350. doi: 10.3969/j.issn.1004-9045.2014.04.006 Ye L M, Miao J F. 2014. Mesoscale analysis of a typical heavy rain event caused by returning flow in the warm sector in southern China[J]. Torrential Rain and Disasters, 33(4): 342-350(in Chinese). doi: 10.3969/j.issn.1004-9045.2014.04.006
曾智琳, 谌芸, 朱克云. 2019.2017年6月一次华南沿海强降水的对流性特征及热动力机制研究[J]. 大气科学, 43(6): 1295-1312. doi: 10.3878/j.issn.1006-9895.1901.18207 Zeng Z L, Chen Y, Zhu K Y. 2019. Convective characteristics and thermal dynamic mechanisms for coastal torrential rainfall over South China during June 2017[J]. Chinese Journal of Atmospheric Sciences, 43(6): 1295-1312 (in Chinese). doi: 10.3878/j.issn.1006-9895.1901.18207
赵强, 王楠, 李萍云, 等. 2017. 两次陕北暴雨过程热力动力机制诊断[J]. 应用气象学报, 28(3): 340-356. doi: 10.11898/1001-7313.20170308 Zhao Q, Wang N, Li P Y, et al. 2017. Diagnosis of thermal and dynamic mechanisms of two rainstorm processes in Northern Shaanxi[J]. Journal of Applied Meteorological Science, 28(3): 340-356 (in Chinese). doi: 10.11898/1001-7313.20170308
智协飞, 李佳, 张玲. 2022. 双低空急流影响下华南初夏降水日变化的时空分布特征[J]. 大气科学学报, 45(3): 444-455. doi: 10.13878/j.cnki.dqkxxb.20210119001 Zhi X F, Li J, Zhang L. 2022. Temporal and spatial distributions of diurnal cycle of early-summer precipitation in South China influenced by double low-level jets[J]. Transactions of Atmospheric Sciences, 45(3): 444-455 (in Chinese). doi: 10.13878/j.cnki.dqkxxb.20210119001
Blackadar A K. 1957. Boundary layer wind maxima and their significance for the growth of nocturnal inversions[J]. Bulletin of the American Meteorological Society, 38(5): 283-290. doi: 10.1175/1520-0477-38.5.283
Dong F, Zhi X F, Zhang L, et al. 2021. Diurnal variations of coastal boundary layer jets over the Northern South China Sea and their impacts on diurnal cycle of rainfall over Southern China during the early-summer rainy season[J]. Monthly Weather Review, 149(10): 3341-3363. doi: 10.1175/MWR-D-20-0292.1
Du Y, Chen G X. 2019. Heavy rainfall associated with double low-level jets over southern China. Part Ⅱ: Convection initiation[J]. Monthly Weather Review, 147(2): 543-565. doi: 10.1175/MWR-D-18-0102.1
Du Y, Zhang Q H, Chen Y L, et al. 2014. Numerical simulations of spatial distributions and diurnal variations of low-level jets in China during early summer[J]. Journal of Climate, 27(15): 5747-5767. doi: 10.1175/JCLI-D-13-00571.1
Hersbach H, Bell B, Berrisford P, et al. 2020. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 146(730): 1999-2049. doi: 10.1002/qj.3803
Holton J R. 1967. The diurnal boundary layer wind oscillation above sloping terrain[J]. Tellus, 19A: 200-205. doi: 10.1111/j.2153-3490.1967.tb01473.x
Kong H, Zhang Q H, Du Y. 2020. Characteristics of coastal low-level jets over Beibu Gulf, China, during the early warm season[J]. Journal of Geophysical Research Atmospheres, 125, e2019JD031918. doi: 10.1029/2019JD031918
Luo Y H, Du Y. 2022. The roles of low-level jets in "21·7" Henan extremely persistent heavy rainfall event[J]. Advances in Atmospheric Sciences, 40(3): 350-373. doi: 10.1007/s00376-022-2026-1
Pan H, Chen G X. 2019. Diurnal variations of precipitation over North China regulated by the mountain-plains solenoid and boundary-layer inertial oscillation[J]. Advances in Atmospheric Sciences, 36(8): 863-884. doi: 10.1007/s00376-019-8238-3
Zeng W X, Chen G X, Du Y, et al. 2019. Diurnal variations of low-level winds and rainfall response to large-scale circulations during a heavy rainfall event[J]. Monthly Weather Review, 147(11): 3981-4004. doi: 10.1175/MWR-D-19-0131.1
Zhang Y H, Xue M, Zhu K F, et al. 2019. What is the main cause of diurnal variation and nocturnal peak of summer precipitation in Sichuan Basin, China? The key role of boundary layer low level jet inertial oscillations[J]. Journal of Geophysical Research Atmospheres, 124(5): 2643-2664. doi: 10.1029/2018JD029834
-
期刊类型引用(4)
1. 成勤，王清龙，孟芳，李芳，彭福强，雷东洋. 宜昌市致洪中尺度极端降水成因分析. 人民长江. 2024(07): 88-97 . 
百度学术
2. 覃皓，范娇，农孟松，赖珍权，翟舒楠，刘乐，刘晓梅，庞芳，周亦靖，邱滋. 广西初春双对流强降水带过程诊断分析. 气象. 2024(08): 917-928 . 百度学术
3. 覃皓，朱丽云，王玮. 多源资料视角下的南宁“5·8”极端强降雨. 气象研究与应用. 2024(04): 9-14 . 百度学术
4. 郑佳雨，覃皓，农孟松，王盛繁. 基于多源探测资料的贵港一次极端暴雨过程分析. 气象研究与应用. 2024(04): 56-61 . 百度学术
其他类型引用(0)
下载:
计量
- 文章访问数: 326
- HTML全文浏览量: 65
- PDF下载量: 184
- 被引次数: 4
