2021, Vol. 37
2. 成都信息工程大学电子工程学院, 四川 成都 610225;
3. 复旦大学大气与海洋科学系/大气科学研究院, 上海 200438;
4. 复旦大学海洋气象灾害联合实验室, 上海 200438
2. College of Electronic Engineering, Chengdu University of Information Technology, Chengdu 610225, China;
3. Department of Atmospheric and Oceanic Sciences/Institute of Atmospheric Sciences, Fudan University, Shanghai 200438, China;
4. Joint Laboratory of Marine Meteorological Disasters, Fudan University, Shanghai 200438, China
雷暴是伴随着闪电发生的一种常见的对流活动，而地理位置、气候和天气条件的不同可能会导致雷暴产生不同的灾害天气，例如大风、暴雨、冰雹等[1]。研究发现，美国休斯顿地区的雷暴频次与冰雹具有很强的相关性[2]，东非地区的雷暴活动促进了大西洋飓风的生成[3]，而我国高闪电频次雷暴与春季极端降水相关性非常大[4]。因此，了解雷暴分布和变化特征有利于增强人们对雷暴活动的认识，从而有效地防御其所带来的危害。区域性雷暴分布及其气候特征的研究对于强对流天气预报和全球雷暴气候特征的揭示也具有重要意义。
对于全球和区域性雷暴气候特征，前人已开展一定研究。Price等[5]认为全球雷暴大部分发生在南北纬30°，且主要集中在美洲、非洲和东南亚的热带大陆地区。Mezuman等[6]发现全球约50%的雷暴发生在海洋，而海洋雷暴主要发生在凌晨和上午。Changnon等[7]利用雷暴日资料分析了1896—1995年美国雷暴时空分布特征，发现美国西部大部分地区雷暴数量呈上升趋势，东部大部分地区则呈下降趋势。Pinto等[8]利用1951—2011年巴西东南部三个城市的雷暴日资料分析发现，圣保罗和坎皮纳斯雷暴活动显著增加，而里约热内卢雷暴活动无明显变化趋势。Manohar等[9]发现印度季风期开始和结束时（6月和9月）的雷暴活动比季风中期（7月和8月）更强。在我国雷暴气候研究方面，张敏锋等[10]利用30年雷暴日资料发现我国东南和华南为雷暴高值区，西北地区为雷暴低值区。杨波等[11]进一步发现我国华南、江南地区春季雷暴活动高发区主要在广西东部至广东西部。孔锋等[12]利用1961—2016年雷暴日资料，研究了我国七大地理区域（东北、北方、西北东部、西北西部、西藏、西南和东南）雷暴日数的时空分布特征，发现我国雷暴日数整体呈减少趋势。Xu等[13]发现南海雷暴的闪电频次明显高于太平洋深海区域。王婷波等[14]利用国家闪电监测网数据发现我国中东部地区雷暴具有局地性强和快速生消的特点。郑永光等[15]发现夏季川西高原及云南北部、云南和贵州交界处和广西北部、浙江、福建和江西是我国的雷暴活跃区，且6—7月较8月雷暴活动更为活跃。
近年来，随着闪电定位网的建立和完善，全球（陆地和海洋）闪电监测成为可能。尽管如此，由于不同雷暴过程产生闪电数量的差异[16]，闪电时空分布特征并不能反映雷暴活动特征的全貌。国内外学者尝试建立了基于闪电观测数据识别雷暴的方法。Tuomi等[17]开发了利用时空阈值区分闪电簇进而识别并追踪雷暴的算法，分析了芬兰雷暴活动的特点。Betz等[18]基于LINET(lightning detection network）闪电定位网的探测数据，利用闪电密度判别雷暴的跟踪算法，对地中海雷暴进行识别、追踪和预测。Mezuman等[6]基于全球闪电定位网（WWLLN）的观测数据，利用时间和空间密度矩阵设置阈值区来聚类雷暴簇。Wang等[19]利用地闪资料，基于空间聚合算法将闪电聚类为雷暴。周康辉等[20]利用密度极大值快速搜索聚类算法将地闪数据聚类为雷暴。姜苏等[21]将TITAN(Thunderstorm Identification, Tracking, Analysis, and Nowcasting）算法应用到地闪定位资料中进行雷暴识别。闫文辉等[22]利用地基多普勒天气雷达反射率因子数据和改进的DBSCAN聚类算法识别雷暴单体的三维结构。以上研究及其算法的建立说明利用闪电定位数据识别雷暴具有可能性。尽管如此，目前国内外大部分研究是针对闪电或者雷暴日的分析，而分析雷暴活动气候特征及其雷暴属性变化的研究较少。特别是，目前的闪电定位资料多来自于陆地站网的组网观测，对海上的闪电和雷暴观测有很大的局限性。
本研究利用2010—2018年WWLLN全球闪电定位数据，采用了基于闪电聚类雷暴空间聚类算法（DBSCAN），建立了西北太平洋地区雷暴数据集，研究了该区域雷暴活动的空间分布、季节分布和日变化等气候特征，同时选取四个关注区域（西太平洋、印度洋、南海和我国内陆南方区域）进行了雷暴特征和海陆差异的对比分析。本文基于闪电资料的雷暴研究能够给出雷暴数量、雷暴闪电聚集区面积、雷暴延展尺度等多种信息，并根据雷暴中包含的闪电数反映雷暴活动的强弱，丰富了对该区域雷暴活动的气候特征和规律性的认识。
2 研究数据 2.1 研究区域本文研究区域范围为70°E~180°，15°S~60°N，包含亚洲东部、西北太平洋和印度洋北部（图 1）。为了分析不同海域以及海、陆的雷暴气候特征差异，选取了四个重点关注区域（图 1中方框区域），分别命名为：西太平洋（PO, 130~150°E, 0°~20°N）、南海（SCS, 110~117°E, 7~18°N）、印度洋（IO, 82~95°E, 0°~10°N）和我国内陆南方区域（INL, 110~116°E, 23~30°N）。
|
图 1 研究范围及四个重点关注区域（西太平洋PO，南海SCS，印度洋IO和我国内陆南方区域INL) |
本研究使用的闪电数据来源于全球闪电定位网（WWLLN）。WWLLN通过探测8~18 k Hz甚低频（VLF）闪电电磁辐射信号来组网定位闪电发生的时间和位置[23]。研究表明，WWLLN闪电定位精度平均为10 km，探测效率约为11%[24-26]。通过与洛斯阿拉莫斯阵列（LASA）比较，发现WWLLN定位的闪电均位于雷暴活跃区内[27]。目前WWLLN全球站点数目已达到80多个[28]。随着观测站点数的逐年增加，站网探测效率也不断增加。Zhang等[29]和Wang等[30]利用TRMM LIS/OTD高分辨率气候数据计算了西北太平洋区域WWLLN的相对探测效率，结果显示2005—2016年相对探测效率从4.3%上升到19.1%。尽管站网探测效率在这十几年中变化较大，但对于整个研究区域，WWLLN在2010年后的探测效率较为稳定，年变化差异较小[29-30]，因此本文选用2010—2018年WWLLN数据。利用上述闪电数据，基于DBSCAN算法将闪电聚类为雷暴。聚类后雷暴数量年变化比闪电数量年变化的稳定性提高，一定程度上降低了WWLLN探测效率年变化带来的影响。
2.3 雷达数据本研究使用的雷达数据来自江苏南通S波段新一代多普勒天气雷达（CINRAD）。利用2012年7月3—4日一次雷暴天气过程的组合反射率数据，来检验DBSCAN对闪电的聚类效果。
3 基于DBSCAN的闪电聚类 3.1 DBSCAN闪电聚类算法DBSCAN是基于密度的空间聚类算法，根据点与点之间的距离和形成集群所需的最小点数（min Pts），对满足距离阈值（ε）的所有点进行聚类[31]。集群中的点分为核心点和非核心点。若在某一点的距离阈值ε内至少存在min Pts-1个点，则该点为集群的核心点。一个集群中核心点距离阈值ε范围内的所有点都属于这个集群。
DBSCAN算法应用于WWLLN闪电聚类雷暴，是一种符合物理实际的闪电数据聚类算法。聚类后的集群核心点位置能够表示雷暴的强闪电活动区中心，而非核心点则位于雷暴的边缘。闪电数据除具有经度和纬度的空间位置信息外，还具有时间信息。因此基于WWLLN的DBSACN闪电聚类在考虑距离阈值（ε）和最小点数（min Pts）的基础上，还需要第三个参量——时间间隔（εtime）。Hutchins等[32]已经成功运用DBSCAN算法对全球范围内的WWLLN闪电进行聚类，并通过设置不同阈值，分析聚类雷暴数量和雷暴面积的变化，发现相对其它参数阈值的设置，ε=12 km和min Pts=2这种阈值组合下的聚类效果最好。本文基于此方法开展工作，因此基于WWLLN闪电的DBSCAN聚类雷暴公式为，
| $ \begin{array}{*{20}{c}} {{F^2} = {{\left( {D/\varepsilon } \right)}^2} + {{\left( {T/{\varepsilon _{{\rm{time}}}}} \right)}^2}, }&{P \ge {\rm{minPts}}} \end{array} $ | (1) |
式中D为任意两个闪电之间的距离（km), T为任意两个闪电之间的时间差（h), P为构成雷暴的闪电数，ε为距离阈值，εtime为时间阈值，min Pts为聚类的闪电个数阈值。F代表是否能够聚类成功，当F < 1时表示闪电能够聚类为一个雷暴。本研究中，三个参量的阈值选取分别为ε=12 km、εtime=1 h和min Pts=2。本研究的阈值选取与Hutchins等[32]相一致，聚类的雷暴与雷达高反射率区重叠率最高。
此外在聚类过程中，当闪电活动较为密集且闪电数目较少时，会聚类出一些面积极小的雷暴。根据聚类后的统计结果，由3个闪电聚类形成的雷暴平均面积为13 km2。因此选取该值为面积阈值，对面积 < 13 km2的雷暴进行剔除。基于以上的参数阈值选取和数据质量控制，对2010—2018年研究区域的WWLLN闪电数据进行雷暴聚类，聚类后的雷暴特征参量见表 1。
|
表 1 雷暴特征参量 |
为检验DBSCAN算法的聚类效果，对聚类后雷暴日的数量级和空间分布进行分析。整个西北太平洋高雷暴日数区域主要分布在热带岛屿、中南半岛和南海南部，这些区域属于全球三大闪电烟囱区之一[33-34]。我国南、北雷暴日分布有明显差异，南方地区年平均雷暴日超过40 d/y，北方地区雷暴日数则低于20 d/y，聚类结果给出的我国年平均雷暴日的空间分布和数量级，均与前人研究结果一致[35-36]。在此基础上以一次雷暴过程为例，将聚类后的雷暴与天气雷达观测进行对比，以进一步检验聚类方法的可信度。2012年7月3—4日江苏南通发生一次由西向东移动的多单体风暴过程，产生了强烈闪电活动。图 2（见下页）给出了基于WWLLN闪电的DBSCAN聚类雷暴（黑色多边形）与雷达回波的叠加。在7月3日15:02（当地时间，下同）（图 2a），聚类的雷暴活动中心位于121°E, 32.6°N，与雷达观测的强风暴中心一致。雷暴主体的西侧还有多个高反射率回波区，表示多个雷暴单体正处于发展阶段，聚类结果也进行了较好的显示。在19:02风暴活动加强，有多个强风暴单体生成且较为分散，聚类结果与雷达回波反映的强风暴单体空间分布基本一致（图 2b）。在23:02（图 2c），雷达观测到单体已经合并形成一个较大的强回波区，聚类的雷暴中心位置与雷达强回波区的中心位置一致。在次日05:02雷达回波显示风暴过程开始消散，但还有两个较强的单体存在，聚类的两个雷暴与雷达回波反映的两个单体一一对应（图 2d）。
|
图 2 2012年7月3日江苏南通一次雷暴过程基于WWLLN闪电的DBSCAN雷暴聚类结果（黑色多边形）与雷达回波的叠加 雷达观测时间(当地时间):a.15:02;b.19:02;c.23:02;d.次日05:02。黑色‘+'代表聚类雷暴闪电，红色‘.’代表非聚类雷暴闪电，将发生在雷达观测时间前后半小时内的闪电聚类为雷暴。 |
在2010—2018年间，利用WWLLN闪电数据基于DBSCAN总共聚类了12 717 566次雷暴，海洋雷暴占62%，陆地雷暴占38%。整个研究区域内，平均每天WWLLN观测到3 869次雷暴发生，Hutchins等[32]统计平均每天亚洲闪电烟囱区域的雷暴数量约有5 000左右，二者数量级相当。雷暴的平均面积（即雷暴闪电聚集区面积）为557.91km2，雷暴平均延展尺度为31.99 km，雷暴平均WWLLN闪电频次为33 str/（h·thu）。
图 3给出了不同区域雷暴特征参量的概率统计分布图，雷暴特征参量均符合对数正态分布的特点，即大部分样本分布在数值较小的区域，而小概率覆盖在较宽的雷暴参量大值区，与Miller等[37]得出的结果一致。雷暴面积的峰值区间位于 < 100 km2，位于该区间的雷暴约占总雷暴数量一半（图 3a）。雷暴延展尺度的峰值区间位于8~24 km（图 3b），单个雷暴的闪电频次峰值位于3~8 str/h（图 3c）。对于四个关注区域，西太平洋（PO）相对其它区域，其面积和延展尺度较小的雷暴所占比例较高，其它区域雷暴空间尺度分布没有较大的差异（图 3a和图 3b）。PO区域的低闪电频次（3~16 str/h）雷暴数量比例最大，其次是IO和INL, SCS最小（图 3c）。当雷暴产生的闪电频次较大（为16~80 str/h）时，四个区域的闪电频次分布比例无明显差异。
|
图 3 雷暴特征参量概率分布 a.雷暴面积；b.雷暴延展尺度；c.雷暴闪电频次。 |
图 4a给出了雷暴密度的空间分布，研究区域中雷暴密度最高值大于20 thu/(100 km2·y)，最低值小于0.1 thu/(100 km2·y)。从整体看，雷暴数密度随着纬度的分布逐渐减小。雷暴活动密集区（> 10 thu/(100 km2·y)）主要分布在10°S~10°N的低纬度热带岛屿（即海洋性大陆），其次是10~25°N的中南半岛和中国南部沿海区域，南海西南部也有部分区域雷暴密度较高（5~10 thu/(100 km2·y)）。特别注意到，喜马拉雅山南麓的东端（90°E, 25°N）存在一个明显的雷暴高值中心，这是由于印度洋暖湿气流与地形的相互作用，使得该地区雷暴增强。基于闪电聚类识别出的雷暴高值区与吴学珂等[38]和阳向荣等[39]给出的中尺度对流系统在此区域的强密集中心相吻合。雷暴密度低值区（< 1 thu/(100 km2·y)）主要分布在深海海域、高纬度地区和中国西北部。我国雷暴高发区主要分布在广东省和海南省，由于地形作用而产生的雷暴增强，导致该地区也是我国极端降水的主要落区[4]。我国雷暴低值区主要分布在新疆南部、青海和甘肃北部。
|
图 4 雷暴特征参量的空间分布 a.雷暴数密度（thu/(100 km2·y)); b.雷暴平均面积（km2/thu）。 |
雷暴平均面积的空间分布如图 4b所示。面积较大（> 900 km2/thu）的雷暴主要分布在澳大利亚北部、我国东部和南部近海区域以及日本东侧海域，表明这些区域雷暴过程易产生活跃的闪电活动。而赤道附近（10°S~10°N）的深海海域、我国西部和高纬度大陆地区，其雷暴平均面积较小（< 400 km2/thu）。海洋雷暴中，距离海岸线越近的海域雷暴其平均面积越高。沿台湾岛到日本岛区域也有较大面积的雷暴发生，这与黑潮暖流有关[40]。
4.3 雷暴季节分布特征图 5给出了研究区域雷暴数空间分布的季节变化，这里采用北半球季节划分，将全年分为冬季（12—2月）、春季（3—5月）、夏季（6—8月）和秋季（9—11月）。冬季（图 5a）整个亚洲大陆雷暴活动为一年中最弱，仅喜马拉雅山南麓的西侧有少量雷暴活动发生，雷暴活动主要集中在低纬度热带岛屿。但值得一提的是，日本东部近海海域的雷暴活动在冬季达到最强，这可能与黑潮有关，冬季冷空气与黑潮暖流接触促进闪电发生[41]。春季（图 5b）对应着亚洲季风区的季风前期，热带岛屿地区的雷暴活动为全年最活跃。雷暴活动中心在春季开始向北发展，大陆20°N以南地区雷暴频繁发生，特别是受南海影响的菲律宾和中南半岛、受孟加拉湾影响的印度东部和喜马拉雅山南麓东侧。李进梁等[40]也指出，亚洲季风区的低纬度地区强雷暴更容易发生在春季，强中心位于喜马拉雅山南麓东端和中南半岛，本文与其结论一致。夏季（图 5c）雷暴活动继续北移，20~30°N中低纬度大陆地区雷暴活动大大加强，我国东南沿海区域雷暴数明显增多。这是由于夏季为季风期，在西南季风的作用下来自西太平洋的暖湿季风气流与冷空气或地形相作用，在该地区出现较强的雷暴活动[41]。南海和菲律宾东侧海域的雷暴数量达到全年最多。印度北部和孟加拉湾的雷暴也达到全年最多，这是由于印度洋暖湿季风气流在高原迎风面受迫抬升，进而出现较强雷暴活动[42]。相反地，由于西南季风将印度洋的暖湿空气向北往东亚输送[40]，低纬度热带岛屿（印度尼西亚、马来西亚）的夏季雷暴活动则相对春季明显减弱。此外注意到在夏季，从台湾岛到日本岛的洋面沿东北方向出现一个带状雷暴活跃区域，该区域雷暴数从春季开始增多，夏季达到最强，明显高于邻近海域。马明等[43]指出是由于黑潮的影响，黑潮暖流高温高盐的特征能够促进流经海域的雷暴发展。秋季（图 5d）雷暴活动开始南移，大陆20°N以北的地区雷暴活跃程度急剧下降，而赤道附近低纬度热带岛屿的雷暴活动又开始增强，这主要是太阳直射点由北回归线向南回归线移动，导致低纬度地区地表温度升高引起大气层结不稳定[40]。
|
图 5 年平均雷暴数（thu/(100 km2·y)）的季节变化 a.冬季（12—2月）；b.春季（3—5月）；c.夏季（6—8月）；d.秋季（9—11月）。 |
图 6给出了西太平洋（PO）、南海（SCS）、印度洋（IO）和我国内陆南方区域（INL）四个区域，雷暴数、雷暴平均面积、雷暴平均WWLLN闪电频次的月分布。可以发现，四个区域的雷暴参量月分布具有明显的差异。除西太平洋外，其它三个区域的雷暴数月变化波动较大（图 6a）。南海雷暴从5月开始迅速增多，6月达到峰值，7—9月仍持续较高雷暴数，10月雷暴开始减弱。我国内陆南方区域（INL）的雷暴活动月变化与南海相似，随着地表温度的升高和大气不稳定性的增加，雷暴4月开始增多，5—8月雷暴发生频繁，8月达到峰值，10月后迅速减弱，10月—次年2月雷暴数量达到谷值。印度洋北部区域的雷暴活动则呈现不同的月变化特点，2—5月为雷暴活跃期，雷暴数量占比达到全年最大，6—9月雷暴活动最弱。
|
图 6 四个区域雷暴特征参量的月变化 a.平均雷暴数(thu/(106 km2)); b.雷暴平均面积（km2); c.雷暴平均闪电频次(str/(h·thu))。 |
从雷暴平均面积（图 6b）来看，西太平洋和印度洋的全年雷暴面积月变化小于南海和陆地区域。南海的雷暴平均面积在12月达到最大值（765 km2），并且夏季（6—8月）雷暴维持在较大面积（> 610 km2）。陆地雷暴平均面积受季节影响变化较大，3月达到峰值（880 km2），随后逐渐下降，12月达到最小值。在雷暴平均闪电频次（图 6c）方面，陆地区域具有与其他三个区域不同的特点。西太平洋、印度洋和南海区域的雷暴平均闪电频次月变化与该地区的雷暴平均面积月变化趋势一致，而陆地区域不同。INL雷暴数3月开始显著增多，雷暴平均面积3月达到最大值，但雷暴平均闪电频次5月才达到峰值。夏季（6—8月）我国内陆南方区域雷暴数达到峰值，但雷暴面积和平均雷暴闪电频次均有所减小。说明在我国内陆南方区域初春雷暴较多，但闪电活动并不活跃；而高闪电频次的雷暴在春末夏初开始迅速增多。Xu等[4]利用LIS资料研究同样发现我国内陆南方区域，雷暴数峰值出现在6—8月，而高闪电频次的雷暴数则在4—5月达到峰值。研究指出，从春季（3—5月）到夏季（6—8月），虽然我国内陆南方区域的对流不稳定有效位能（CAPE）增加，但由于夏季盛行的中高层西风带的减弱，使得雷暴垂直风切变减弱以及暖云厚度增加。较弱的风切变导致了风暴尺度的减小，而暖云厚度的增加促进了暖雨过程、抑制了冰相过程和冰粒子体积的减少，因此造成了夏季雷暴平均闪电频次的降低。
4.4 雷暴日变化特征图 7给出了四个研究区域雷暴数的逐时日变化。陆地雷暴（INL）活动呈现典型的单峰型日变化特征，09—10时雷暴数量开始迅速上升，14—15时达到峰值（71 thu/（107km2））且雷暴大部分发生在午后及傍晚，夜间和清晨（22—08时）陆地雷暴最不活跃，并于07—09时出现一个较小的谷值。与陆地雷暴强烈的日变化不同，海洋雷暴（PO和IO）的日变化较为平缓，这与海洋闪电频次的日变化特征相一致[41]。尽管日变化幅度小，但可以看出海洋雷暴在凌晨00—03时有个较弱的峰值，在傍晚18—20时出现弱的谷值。海洋与陆地雷暴峰值时刻出现显著的差异，主要是因为陆地雷暴数日变化的最大值出现在下午与白天地面升温有关，而海洋雷暴数日变化的最大值与夜间增强的中尺度对流系统有关[44]。南海（SCS）雷暴活动与西太平洋和印度洋不同，具有其独特的日变化特征：具有一个较为明显的日峰值，峰值时刻出现在上午10—12时；而谷值出现时刻与PO和IO一致，均在20时左右。SCS与PO雷暴日变化差异大，是因为SCS四周环顾岛屿，海岸线效应对SCS的雷暴日变化有一定的影响[45]。
|
图 7 四个关注区域雷暴数（thu/(107km2))的逐时日变化 |
图 8给出了研究区域雷暴日变化峰值和谷值出现时间的空间分布。从整体看，大部分陆地区域的雷暴峰值出现在下午（12—18时）。尽管如此也注意到，高原南麓、天山南麓、四川东部地区的雷暴峰值发生在凌晨（图 8a）。这些地区主要是山谷或盆地，白天受到多云天气的影响，地面升温较慢，大气层稳定，不利于对流形成；而夜间云顶辐射冷却快，而地面降温慢，因此易形成夜间和凌晨的雷暴[40]。20°N以南深海区域的雷暴峰值主要发生在00—06时，中纬度海洋区域的雷暴峰值时段既有凌晨又有午后和傍晚，而南海区域由于受到陆地的作用，其雷暴峰值发生在中午和午后（10—14时）。对于雷暴的不活跃时间，海洋雷暴谷值主要发生在夜间（18—24时），而陆地雷暴谷值则出现在00—12时（图 8b）。
|
图 8 a.雷暴峰值出现时间的空间分布（LT); b.雷暴谷值出现时间的空间分布（LT); c.雷暴数峰值与谷值比率的空间分布。 |
利用日变化中雷暴数的最大值除以最小值，得到雷暴数的峰谷值比例，它能够表明该地区雷暴数的日变化剧烈程度(图 8c)。海洋雷暴的峰谷值比率较低（< 8），表明海洋上的雷暴活动在一天中没有强烈的变化。陆地雷暴的峰谷值比率较高，高值区位于热带岛屿、印度半岛、中南半岛和我国青藏高原地区，峰谷比率超过50（图 8c），说明这些区域的雷暴活动日变化最为剧烈。受海陆风的影响，热带岛屿、印度半岛和中南半岛地区的对流活动中午开始发展，下午达到最强，晚上慢慢减弱[46]；而青藏高原地区是由于对流云白天发展，而晚上减弱，导致雷暴活动日变化剧烈[47]。
5 结论和讨论利用2010—2018年WWLLN全球闪电定位资料，采用DBSCAN闪电密度空间雷暴聚类方法，详细研究了西北太平洋地区（70°E~180°，15°S~60°N）雷暴活动的统计特征、空间分布、季节变化和日变化等气候特征，得出如下结论。
(1）整个研究区域内，WWLLN平均每天观测到3 869次雷暴发生，雷暴平均面积为557.91km2，平均延展尺度为31.99 km，平均闪电频次为33 str/（h·thu），海洋雷暴占62%，陆地雷暴占38%。雷暴特征参量（雷暴面积、雷暴延展尺度、雷暴闪电频次）均符合对数正态分布的特点。基于WWLLN聚类的雷暴面积的峰值区间位于0~100 km2，雷暴延展尺度的峰值区间位于8~24km，单个雷暴的闪电频次峰值位于3~8 str/（h·thu）。西太平洋相对于南海、我国内陆南方区域和印度洋区域，其面积、延展尺度和闪电频次较小的雷暴所占比例较高。
(2）雷暴活动随着纬度的增高逐渐减弱。雷暴活跃区主要分布在低纬度热带岛屿，其次是中南半岛、南海西南部和中国南部沿海区域。雷暴密度低值区主要分布在深海海域、高纬度地区和中国西北部。平均面积较大的雷暴区与高雷暴密度区的空间分布存在一定差异。海洋雷暴中，距离海岸线越近的海域雷暴其平均面积越高。沿台湾岛到日本岛区域也存在与黑潮暖流有关的大面积雷暴。
(3）西北太平洋地区雷暴活动具有显著的季节变化。在冬季，整个大陆和深海区域几乎没有雷暴产生，但日本东部近海海域的雷暴活动达到全年最强。雷暴活动在春季开始向北发展。在夏季，中低纬度大陆地区雷暴活动明显加强，我国东南沿海区域雷暴数显著增多，特别是由于黑潮的影响，从台湾岛到日本岛的洋面沿东北方向出现一个带状雷暴活跃区域。相反地，低纬度热带岛屿的夏季雷暴活动则相对春季明显减弱。秋季雷暴活动开始南缩，大陆20°N以北的地区雷暴活跃程度急剧下降。
(4）受季风的影响，南海雷暴从5月开始迅速增多，6月达到峰值，10月开始减弱。西太平洋和印度洋雷暴特征参量的月变化小于南海。我国内陆南方区域雷暴数3月开始显著增多，雷暴平均面积3月达到最大值，但雷暴平均闪电频次5月才达到峰值。夏季（6—8月）我国内陆南方区域雷暴数达到峰值，但雷暴面积和平均雷暴闪电频次均有所减小。垂直风切变减弱以及暖云厚度增加，造成了我国内陆南方区域夏季雷暴平均闪电频次的降低。
(5）陆地雷暴活动呈现典型的单峰型日变化特征，雷暴大部分发生在午后及傍晚（14—15时达到峰值），但也发现高原南麓、天山南麓、四川东部地区的雷暴峰值发生在凌晨，可能与地形有关（山谷或盆地）。海洋雷暴日变化则较为平缓，深海区域的弱雷暴峰值发生在00—06时。南海雷暴活动与西太平洋和印度洋不同，具有其独特的日变化特征：较为明显的日峰值（10―12时）和谷值（20时左右）。热带岛屿、印度半岛、中南半岛和我国青藏高原地区的雷暴活动日变化最为剧烈，雷暴数日变化的峰谷比值最高。
| [1] |
HAYWARD L, WHITWORTH M, PEPIN N, et al. A comprehensive review of datasets and methodologies employed to produce thunderstorm climatologies[J]. Nat Hazard Earth Sys, 2020, 20(9): 2 463-2 482. DOI:10.5194/nhess-20-2463-2020 |
| [2] |
GAUTHIER M L, PETERSEN W A, CAREY L D, et al. Relationship between cloud-to-ground lightning and precipitationice mass: A radar study over Houston[J]. Geophys Res Lett, 2006, 33(20): L20803. DOI:10.1029/2006GL027244 |
| [3] |
PRICE C, YAIR Y, ASFUR M. East African lightning as a precursor of Atlantic hurricane activity[J]. Geophys Res Lett, 2007, 34(9): 139-158. |
| [4] |
XU W. Thunderstorm climatologies and their relationships to total and extreme precipitation in China[J]. J Geophys Res, 2020, 125(19): 1-19. |
| [5] |
PRICE C. NATO Science Series Ⅱ: Mathematics, physics and chemistry[M]. Dordrecht, Netherlands: Springer, 2006: 85-99.
|
| [6] |
MEZUMAN K, PRICE C, GALANTI E. On the spatial and temporal distribution of global thunderstorm cells[J]. Environ Res Lett, 2014, 9(12): 1-9. |
| [7] |
CHANGNON S A, CHANGNON D. Long-term fluctuations in thunderstorm activity in the United States[J]. Clim Change, 2001, 50(4): 489-503. DOI:10.1023/A:1010651512934 |
| [8] |
PINTO O, PINTO I R C A, FERRO M A S. A study of the long-term variability of thunderstorm days in southeast Brazil[J]. J Geophys Res Atmos, 2013, 118(11): 5 231-5 246. DOI:10.1002/jgrd.50282 |
| [9] |
MANOHAR G K, KANDALGAONKAR S S, TINMAKER M I R. Thunderstorm activity over India and the Indian southwest monsoon[J]. J Geophys Res, 1999, 104(D4): 4 169-4 188. DOI:10.1029/98JD02592 |
| [10] |
我国雷暴天气的气候特征[J]. 热带气象学报, 1998, 14(2): 156-162. |
| [11] |
我国华南江南春季雷暴气候特征分析[J]. 热带气象学报, 2019, 35(4): 470-479. |
| [12] |
近56年来中国雷暴日数的时空分异特征[J]. 灾害学, 2018, 33(3): 87-95. DOI:10.3969/j.issn.1000-811X.2018.03.017 |
| [13] |
XU W, RUTLEDGE S A. Convective variability associated with the boreal summer intraseasonal oscillation in the South China Sea region[J]. J Climate, 2018, 31(18): 7 363-7 383. DOI:10.1175/JCLI-D-18-0091.1 |
| [14] |
我国中东部雷暴活动特征分析[J]. 气象, 2020, 46(2): 189-199. |
| [15] |
我国副热带地区夏季深对流活动气候分布特征[J]. 北京大学学报(自然科学版), 2010, 46(5): 793-804. |
| [16] |
卫星观测到的全球闪电活动及其地域差异[J]. 地球物理学报, 2003, 46(6): 743-750. DOI:10.3321/j.issn:0001-5733.2003.06.004 |
| [17] |
TUOMI T J, LARJAVAARA M. Identification and analysis of flash cells in thunderstorms[J]. Quart J Roy Meteor Soc, 2005, 131(607): 1191-1 214. DOI:10.1256/qj.04.64 |
| [18] |
BETZ H D, SCHMIDT K, OETTINGER W P, et al. Cell-tracking with lightning data from LINET[J]. Adv Geophys, 2008, 17(18): 55-61. |
| [19] |
WANG C, ZHENG D, ZHANG Y, et al. Relationship between lightning activity and vertical airflow characteristics in thunderstorms[J]. Atmos Res, 2017, 191: 12-19. DOI:10.1016/j.atmosres.2017.03.003 |
| [20] |
基于闪电数据的雷暴识别、追踪与外推方法[J]. 应用气象学报, 2016, 27(2): 173-181. |
| [21] |
基于地闪定位资料的雷暴识别[J]. 科学技术与工程, 2015, 15(3): 236-239. DOI:10.3969/j.issn.1671-1815.2015.03.047 |
| [22] |
基于改进DBSCAN聚类算法的雷暴单体三维结构识别技术介绍[J]. 热带气象学报, 2020, 36(4): 542-551. |
| [23] |
HUTCHINS M L, HOLZWORTH R H, RODGER C J, et al. Far-Field power of lightning strokes as measured by the World Wide Lightning Location Network[J]. J Atmos Ocean Tech, 2012, 29(8): 1 102-1 110. DOI:10.1175/JTECH-D-11-00174.1 |
| [24] |
RODGER C J, BRUNDELL J B, HOLZWORTH R H, et al. Growing detection efficiency of the World Wide Lightning Location Network[J]. Aip Conf Proc, 2009, 1118: 15-20. |
| [25] |
ABARCA S F, CORBOSIERO K L, GALARNEAU T J. An evaluation of the Worldwide Lightning Location Network(WWLLN)using the National Lightning Detection Network(NLDN)as ground truth[J]. J Geophys Res, 2010, 115(D18): 1-11. |
| [26] |
RUDLOSKY S D, SHEA D T. Evaluating WWLLN performance relative to TRMM/LIS[J]. Geophys Res Lett, 2013, 40(10): 2 344-2 348. DOI:10.1002/grl.50428 |
| [27] |
JACOBSON A R, HOLZWORTH R, HARLIN J, et al. Performance assessment of the World Wide Lightning Location Network(WWLLN), using the Los Alamos Sferic Array(LASA)as ground truth[J]. J Atmos Ocean Tech, 2006, 23(8): 1 082-1 092. DOI:10.1175/JTECH1902.1 |
| [28] |
PERMYAKOV M, KLESHCHEVA T, POTALOVA E, et al. Characteristics of typhoon eyewalls according to World Wide Lightning Location Network data[J]. J Geophys Res, 2019, 147: 4 027-4 043. |
| [29] |
ZHANG W, ZHANG Y, ZHENG D, et al. Relationship between lightning activity and tropical cyclone intensity over the northwest Pacific[J]. J Geophys Res, 2015, 120(9): 4 072-4 089. DOI:10.1002/2014JD022334 |
| [30] |
WANG F, QIE X, WANG D, et al. Lightning activity in tropical cyclones and its relationship to dynamic and thermodynamic parameters over the northwest Pacific[J]. Atmos Res, 2018, 213: 86-96. DOI:10.1016/j.atmosres.2018.05.027 |
| [31] |
KRIEGEL H P, KRÖGER P, SANDER J, et al. Density-based clustering[J]. Wires Data Min Knowl, 2011, 1(3): 231-240. DOI:10.1002/widm.30 |
| [32] |
HUTCHINS M L, HOLZWORTH R H, BRUNDELL J B. Diurnal variation of the global electric circuit from clustered thunderstorms[J]. J Geophys Res, 2014, 119(1): 620-629. DOI:10.1002/2013JA019593 |
| [33] |
基于卫星观测资料的全球闪电活动特征研究[J]. 气候与环境研究, 2013, 18(5): 639-650. |
| [34] |
CHRISTIAN H J, BLAKESLEE R J, BOCCIPPIO D J, et al. Global frequency and distribution of lightning as observed from space by the Optical Transient Detector[J]. J Geophys Res, 2002, 108(D1): Acl 4-1-Acl 4-15. DOI:10.1029/2002JD002347 |
| [35] |
我国雷暴的气候特点[J]. 地理学报, 1978, 33(1): 42-48. DOI:10.3321/j.issn:0375-5444.1978.01.004 |
| [36] |
1961—2013年中国雷暴气候特征及东亚夏季风影响研究[J]. 暴雨灾害, 2016, 35(5): 471-481. DOI:10.3969/j.issn.1004-9045.2016.05.009 |
| [37] |
MILLER P, ELLIS A W, KEIGHTON S. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode[J]. Weather Forecast, 2015, 30(1): 38-56. DOI:10.1175/WAF-D-14-00024.1 |
| [38] |
亚洲季风区深对流系统的区域分布和日变化特征[J]. 中国科学: 地球科学, 2013, 43(4): 556-569. |
| [39] |
亚洲季风区不同形态中尺度对流系统的特征分析[J]. 气象科学, 2017, 37(4): 436-449. |
| [40] |
基于TRMM卫星多传感器资料揭示的亚洲季风区雷暴时空分布特征[J]. 地球物理学报, 2019, 62(11): 4 098-4 109. |
| [41] |
ZHANG W, ZHANG Y, ZHENG D, et al. Lightning climatology over the northwest Pacific region: An 11-year study using data from the World Wide Lightning Location Network[J]. Atmos Res, 2018, 210: 41-57. DOI:10.1016/j.atmosres.2018.04.013 |
| [42] |
TYAGI A. Thunderstorm climatology over Indian region[J]. Mausam, 2007, 58(2): 189-212. |
| [43] |
卫星观测的中国及周边地区闪电密度的气候分布[J]. 中国科学(D辑: 地球科学), 2004(4): 298-306. |
| [44] |
NESBITT S W, ZIPSER E J. The diurnal cycle of rainfall and convective intensity according to three years of TRMM measurements[J]. J Climate, 2003, 16(10): 1 456-1 475. DOI:10.1175/1520-0442(2003)016<1456:TDCORA>2.0.CO;2 |
| [45] |
YANG G Y, SLINGO J. The diurnal cycle in the tropics[J]. Mon Wea Rev, 2001, 129(4): 784-801. DOI:10.1175/1520-0493(2001)129<0784:TDCITT>2.0.CO;2 |
| [46] |
BASU B K. Diurnal variation in precipitation over India during the summer monsoon season: observed and model predicted[J]. Mon Wea Rev, 2007, 135(6): 2 155-2 167. DOI:10.1175/MWR3355.1 |
| [47] |
卫星观测到的青藏高原雷电活动特征[J]. 高原气象, 2003, 22(3): 288-294. DOI:10.3321/j.issn:1000-0534.2003.03.013 |