GridRad-Severe HRRR-Inflow dataset

本研究使用GridRad-Severe和HRRR模型分析创建了一个独立的数据集，该数据集包含使用GR-S客观追踪的超级单体雷暴，以及适用于表示近风暴环境的高分辨率模型分析。数据集覆盖了从2016年8月23日12UTC到2023年12月31日2359UTC的时间段，旨在探究超级单体环境和风暴相对 helicity (SRH) 之间的关系，以解决先前研究中的差异问题。

This study developed an independent dataset using GridRad-Severe and HRRR model analyses. The dataset comprises objectively tracked supercell thunderstorms via GR-S, as well as high-resolution model analyses suitable for representing the near-storm environment. The dataset spans the period from 1200 UTC on 23 August 2016 to 2359 UTC on 31 December 2023, and aims to investigate the relationship between supercell environments and Storm Relative Helicity (SRH) to resolve discrepancies in prior research.

搜集汇总

数据集介绍

构建方式

GridRad-Severe HRRR-Inflow数据集的构建基于GridRad-Severe（GR-S）平台，该平台通过将强天气报告与公开的网格化雷达数据（GridRad）进行匹配，生成独立的超级单体雷暴数据集。数据集的事件日定义为高强度的强天气日，具体标准为龙卷风、冰雹或大风报告数量分别超过8、45或120次。通过Homeyer等人（2017）的追踪算法，识别出30-dBZ回波顶高度超过4公里AMSL的雷暴路径，并进一步应用雷达基的“中气旋上升气流”标准来筛选超级单体。每个GR-S事件记录基于回波顶位置的30分钟移动平均风暴运动，并结合高分辨率快速刷新模型（HRRR）的环境分析数据，生成近风暴环境的风暴相对变量。

特点

该数据集的特点在于其高分辨率的近风暴环境分析，尤其是对低至中层风暴相对风场的精确捕捉。与传统的模型分析相比，HRRR模型能够更好地反映风暴尺度的异质性和风暴引起的环境变化。数据集中的风暴相对风场、垂直风切变和风暴相对螺旋度（SRH）在1-3公里高度层内表现出显著差异，尤其是在显著龙卷风超级单体与非龙卷风超级单体之间。此外，数据集还提供了实际观测的风暴运动向量，而非基于Bunkers方法的估计值，这进一步增强了风暴相对变量的准确性。

使用方法

GridRad-Severe HRRR-Inflow数据集的使用方法包括通过HRRR模型提取近风暴环境的风暴相对风场、垂直风切变和风暴相对螺旋度等变量，并结合GR-S提供的实际风暴运动向量进行计算。数据集可用于比较不同深度的SRH在龙卷风预测中的技能，尤其是在1-3公里高度层内的风暴相对风场差异。通过分析这些变量，研究人员可以更好地理解超级单体雷暴的动力学特征，尤其是龙卷风生成的环境条件。此外，数据集还可用于验证和改进现有的龙卷风预测模型，尤其是在高分辨率模型分析中的应用。

背景与挑战

背景概述

GridRad-Severe HRRR-Inflow数据集是由北卡罗来纳州立大学、美国国家海洋和大气管理局（NOAA）国家强风暴实验室以及俄克拉荷马大学的研究团队共同创建的，旨在解决超级单体风暴环境中与龙卷风生成相关的核心问题。该数据集结合了GridRad-Severe雷达数据和HRRR（高分辨率快速刷新）模型分析，提供了高分辨率的近风暴环境数据。研究团队通过观测风暴运动和模型分析，揭示了非龙卷风性和龙卷风性超级单体在低至中层风暴相对流、垂直风切变和风暴相对螺旋度（SRH）方面的显著差异。该数据集的研究背景源于对龙卷风生成环境的深入理解，尤其是在风暴相对螺旋度的不同层次对龙卷风预报技能的影响。通过使用高分辨率模型和观测风暴运动，该数据集为解释以往基于模型的环境分析未能发现风暴相对风剖面显著差异的原因提供了新的视角。

当前挑战

GridRad-Severe HRRR-Inflow数据集在构建和应用过程中面临多重挑战。首先，该数据集旨在解决龙卷风预报中的核心问题，即如何通过风暴相对螺旋度（SRH）的不同层次来区分龙卷风性和非龙卷风性超级单体。然而，SRH的预报技能在不同层次之间存在争议，尤其是在浅层（如0-500米）和深层（如0-3千米）SRH的预报能力上。其次，数据集的构建过程中，研究人员需要处理观测数据与模型数据之间的不一致性，尤其是在风暴运动的估计上。传统的Bunkers风暴运动估计方法可能无法准确反映实际风暴运动，尤其是在龙卷风生成前的短暂右偏运动中。此外，高分辨率模型虽然能够更好地捕捉近风暴环境的细节，但其对低至中层风剖面的表示仍存在偏差，尤其是在行星边界层的参数化方面。这些挑战使得数据集的构建和应用需要更加精细的模型分析和观测数据结合，以确保其在实际预报中的可靠性。

常用场景

经典使用场景

GridRad-Severe HRRR-Inflow数据集主要用于研究超级单体雷暴的环境特征，特别是与龙卷风生成相关的低层至中层风场特征。该数据集通过结合高分辨率模型分析（HRRR）和观测到的风暴运动，提供了对超级单体雷暴环境的详细描述。经典使用场景包括分析风暴相对螺旋度（SRH）在不同层次（如0-500米和1-3公里）的分布，以及这些特征如何区分产生龙卷风和不产生龙卷风的超级单体。

实际应用

在实际应用中，GridRad-Severe HRRR-Inflow数据集被广泛用于改进龙卷风预警系统。通过分析风暴相对风场和垂直风切变，该数据集能够帮助气象学家更准确地识别可能产生龙卷风的超级单体雷暴。此外，该数据集还为数值天气预报模型提供了高质量的环境输入，提升了短期龙卷风预警的准确性。这些应用在气象预报和灾害管理中具有重要意义，尤其是在龙卷风高发地区。

衍生相关工作

该数据集衍生了许多相关研究，特别是在超级单体雷暴和龙卷风生成机制方面。例如，基于该数据集的研究进一步探讨了低层至中层风场对龙卷风生成的影响，提出了风暴相对螺旋度（SRH）在深层（1-3公里）的预测能力优于浅层的结论。此外，该数据集还被用于开发新的龙卷风预测指数，如STP500（基于0-500米SRH的显著龙卷风参数），这些指数在实际预报中表现出更高的预测技能。