期刊检索:
  暴雨灾害   2018, Vol. 37 Issue (6): 549-557.  DOI: 10.3969/j.issn.1004-9045.2018.06.008

论文

DOI

10.3969/j.issn.1004-9045.2018.06.008

第一作者

史纬恒, 主要从事强对流天气、气象信息处理研究。E-mail:tfoterye@gmail.com

文章历史

收稿日期:2017-02-10
定稿日期:2017-11-06
聊城地区强对流天气预报模型的对流参数选取研究
史纬恒 1, 王磊 1, 韩飞 1, 于文杰 1, 刘有新 2    
1. 解放军71901部队80分队, 聊城 252000;
2. 中国人民解放军95920部队59分队, 衡水 253801
摘要:利用2011-2015年6-8月聊城机场逐日逐时常规地面观测资料和邢台站、章丘站逐日常规高空探测资料,计算得到39个对流参数。在对流参数与强对流天气样本相关系数的显著性检验基础上,根据对流参数在强对流天气样本和无强对流天气样本中值域分布特征,采用盒状图和技巧评分的方法选取了具有预报意义的章丘站12个对流参数和邢台站8个对流参数。通过对不同类型对流参数的指示作用进行分析,根据各对流参数在各月强对流天气样本中的阈值,确定了聊城地区强对流天气预报的判定指标。采用隶属函数转换法,建立聊城地区夏季强对流天气预报模型,经实况拟合检验,准确率达60%以上,效果较好。
关键词强对流天气    对流参数    预报模型    聊城    技巧评分    
Study on choosing convection parameters in strong convective weather forecast model of Liaocheng area
SHI Weiheng1, WANG Lei1, HAN Fei1, YU Wenjie1, LIU Youxin2    
1. No. 61741 Army of PLA, 80 Unit, Liaocheng 252000;
2. No. 95920 Army of PLA, 59 Unit, Hengshui 253801
Abstract: Thirty-nine convection parameters are calculated by using daily routine upper-air sounding data from the Xingtai and Zhangqiu aerological observation stations and hourly observation data from the Liaocheng Airport from June to August during 2011-2015. Based on the significance test of the correlation coefficient between convection parameters and strong convective weather samples, as well as the analysis of numerical distribution of convection parameters in the strong convective weather samples and the non-strong convective weather samples, 12 convection parameters at Zhangqiu station and 8 convection parameters at Xingtai station are finally selected by the methods of boxplot and skill scores. Through analyzing the indication to the strong convective weather events of different types of convection parameters, and according to the different thresholds of convection parameters in each month, different criteria for the strong convective weather are determined respectively. Thus, the strong convective weather forecast model for summer short-time heavy rains in Liaocheng is established by the membership function conversion method. The fitting test and forecasting test of the forecast model are verified with a good result in which the accuracy rate is over 60%.
Key words: strong convective weather    convection parameters    forecast model    Liaocheng    skill scores    
引言

雷暴大风、下击暴流、冰雹、龙卷和强雷雨(局地短时降水或持续性暴雨的一部分)等中小尺度强对流天气,往往会给工农业生产和人们日常生活造成重大损失[1]。聊城位于山东省西北部,地处黄河下游,属黄河冲积平原,而影响山东的强对流系统多自此地生成东移或由河北省移入,是山东省强对流天气高发区[2-3]。近年来,国内外许多学者利用对流参数对强对流天气进行潜势预报,这也成为了最主要的预报方法[4-6]。不同的对流参数从不同方面反映了天气形势,对不同季节、不同地区的强对流天气有指示意义,对判断对流发展均有一定帮助[1, 7, 8]。同时,中尺度模式的发展也为基于对流参数的强对流天气预报提供了有效途径[9-10]。仲晔[11]选取与雷暴相关性较好的对流参数,在充分考虑对流参数本身物理意义的基础上,使用二级逻辑回归方法建立预报方程,对苏南五市区的雷暴天气进行预报。邓猛[12]选取对山东地区指示意义较好的对流参数,对比使用Logistic回归模型和Bayes分类法建立预报模型,对山东地区的雷暴活动进行潜势预报研究。张羽等[13]使用动力参数和热力动力综合类参数作为强对流天气的短时预报指标,指出A指数、K指数和MK指数对东南沿海地区的强对流天气有较好的指示意义,当能量平衡高度较高时,强对流天气易于发生。

上述研究表明,利用对流参数在一定程度上可以对强对流天气进行预报,但因气候、地域的差异和研究侧重点不同,对流参数对强对流天气的指示意义也不尽相同。另外,目前的对流参数预报研究均是基于本站探空资料或再分析资料,而对无探空资料地区的实际预报意义有限。因此考察分析基于上下游探空站资料的对流参数与本地强对流天气之间的相关性显得很必要。本文分析了基于上下游探空站资料计算的对流参数对聊城地区夏季强对流天气预报的指示作用,建立了聊城地区强对流天气预报模型,以期为汛期聊城地区强对流天气的预报提供一定的参考依据。

1 数据选取及处理

所用资料的时间段为2011—2015年6—8月,资料具体为聊城机场的逐日逐时常规地面观测资料和距离聊城最近的上下游探空站邢台站(距离聊城机场143 km)和章丘站(距离聊城机场160 km)(图 1)的逐日08时(北京时,下同)和20时常规高空探测资料,以此为基础分别计算了两个探空站各39个对流参数。

图 1 选取的探空站(蓝色五角星)与聊城站(红色圆点)的位置分布 Fig. 1 Positions of the selected aerological observation stations (blue pentagram) and Liaocheng station (red point)

强对流天气样本定义为:若聊城机场当日09—20时或当日21时至次日08时,有至少一次强对流天气(包括闪电、雷暴、飑、龙卷(漏斗云)和冰雹等)记录,则将当日08时或20时记为一个强对流天气样本,否则为非强对流天气样本。剔除错误及缺测资料后,共得到762个样本,其中强对流天气样本105个,非强对流天气样本657个。

2 对流参数相关性分析

强对流天气难以预报的主要原因在于,强对流天气发生的时间和空间尺度较小而数值模式的水平、垂直分辨率不足[14]。因此,基于各类对流参数的诊断计算成为强对流天气监测分析和预报预警的主要手段之一。为了选取与强对流天气相关的对流参数,共对39个对流参数进行了计算、挑选和分析,旨在找到对聊城地区强对流天气有指示意义的判据。

首先对样本进行0—1化处理,令强对流天气样本的Y=1,非强对流天气样本的Y=0,Xi (i=1, 2, …, 39)为各对流参数的值。对两个探空站的XiY之间的相关系数进行逐一分析,并进行显著性检验,最后得到各16个通过α < 0.01水平双侧检验且相关系数r>0.1的对流参数(表 1)。分析可知,在两个探空站中,整层比湿积分IntQA指数与强对流天气的相关系数均达到0.24以上,对强对流天气有较好的指示意义,其中IntQ对两个探空站的相关系数均为最高。

表 1 通过检验的对流参数与强对流天气样本之间的相关系数 Table 1 Correlation coefficients between convection parameters passed the significance test and strong convective weather samples
3 对流参数的选取

在理想情况下,若对流参数对强对流天气有较好的指示意义,其在是否发生强对流天气的情况下应该是完全不同的,即对流参数在强对流天气样本与非强对流天气样本中的数值分布没有任何交集[15]。但在实际中,出现这种理想情况的概率较小,故只能认为在两种样本之间交集相对较小的对流参数对强对流天气具有较好的指示意义。盒状图可以直观反映发生强对流天气和未发生强对流天气时对流参数的分布情况[16]。假定各对流参数的样本呈正态分布,盒状图上、下边界和中线分别代表样本总数第25、75和50百分位的位置,上下边界分别由虚线延伸到样本的最大值和最小值,“+”表示异常值。盒状图除了可直观表示不同降水相态各对流参数样本差别,还可判断数据集的数据离散程度和偏向。图 23分别给出章丘站与邢台站各对流参数强对流天气样本与非强对流天气样本的盒状图,从中可见,各对流参数对强对流天气均有一定的指示意义。但仅凭盒状图进行分析选取对流参数过于主观,因此本文还采用技巧评分客观地比较各对流参数的指示意义。

图 2 2011—2015年章丘站各对流参数的盒状图(黑线框表示强对流天气样本,灰线框表示非强对流天气样本,下同) Fig. 2 Box plots of convection parameters at Zhangqiu station during 2011-2015 (Black box represents strong convective weather samples, and gray box represents non strong convective weather samples, the same hereafter)

图 3 2011—2015年邢台站各对流参数的盒状图 Fig. 3 Same as Fig. 2, but for Xingtai station

表 2给出5种预报技巧评分及其计算公式,包括探测概率(Probability of Detection,POD)、空报率(False Alarm Rate,FAR)、临界成功指数(Critical Success Index,CSI)、真实技巧评分(True Skill Statistic,TSS)和Heidke技巧评分(Heidke Skill Score,HSS)等[17]。这5种预报技巧评分各具特点,POD虽能衡量预报准确率,但若过分追求POD增大,则必然导致FAR增大;CSI虽能很好地衡量预报效果,但对于小概率事件,由于其未考虑未发生事件的预报结果,就不如TSSHSS客观。因此,本文对各种评分规则均进行了计算。本文筛选对流参数采取如下方法:第一步,逐个计算使对流参数TSS评分达到最大的阈值;第二步,计算在相应阈值下的其它技巧评分;第三步,选取TSS>0.25且POD≥0.5的对流参数[18];第四步,根据对流参数的物理意义进行筛选。表 3表 4分别为利用该方法计算的章丘、邢台站各对流参数的技巧评分,对16种对流参数按照类型分析其物理意义并进行筛选。

表 2 预报技巧评分及其计算公式 Table 2 Forecast skill scores and their calculation formula

表 3 章丘站各对流参数的技巧评分 Table 3 Skill scores for convection parameters at Zhangqiu station

表 4 邢台站各对流参数的技巧评分 Table 4 Skill scores for convection parameters at Xingtai station
3.1 热力稳定度参数

分析可知,两个探空站的IntQ指数、考虑低层温度露点及700 hPa湿度的MK指数和考虑500 hPa、700 hPa以及850 hPa温度露点差的A指数均对强降水的发生具有较明显的指示意义。对邢台站而言,仅仅体现850 hPa一层的水汽状况及中低层稳定度大小的TT指数、TTMod指数和体现大气不稳定能量的CAPECCTLFCT的指示意义不是很强,而章丘站效果较好。较低的CCTLFCT是强对流天气发生前0—6 h的显著特征[19]。同样的对流参数在两个站指示意义不同,其主要原因可能是因为邢台站处于聊城地区上游,聊城发生强对流天气时邢台地区的不稳定能量已完全释放,因此邢台站与稳定度有关的指数指示意义较差。

3.2 动力和热力动力综合类参数

尽管绝大多数的强对流天气均伴随低空急流[20],但由于所选的探空站距离聊城地区较远,因此ΔV0—3的指示意义并不显著。然而,表征850 hPa和500 hPa之间大气热力学和动力学状态参数的组合物理量SWEAT却能较好地反映强对流天气发生时的潜势,可作为强对流天气发生的判据之一。

3.3 水汽参数

水汽条件是强对流天气发生的内因,“下湿上干”的不稳定层结有利于强对流天气的发生[21]。因此水汽参数的TSS评分,特别是Q700RH700,相较于动力参数及热力动力综合类参数而言较好。可以认为,水汽参数与热力稳定度参数较动力及热力动力综合类参数而言,对强对流天气的发生具有更显著的指示意义。TDsurfRH850Q850在邢台站、章丘站的表现各有长短,可能是由于距离和地形的影响。

3.4 其他常用参数

此类参数是依据预报员的经验,在日常预报中使用的参数。本文最初选择了925和850 hPa平均风速、地面和500 hPa温差、850和500 hPa温差、850 hPa温度露点差以及地面和925 hPa露点平均值[22]这5个常用的参数进行了计算、分析。结果表明,地面和500 hPa温差、850 hPa和500 hPa温差以及925和850 hPa平均风速这3个参数与强对流天气的相关系数较小,仅约为0.08,指示意义不大。而850 hPa温度露点差以及地面和925 hPa露点平均值这2个参数,尽管相关系数均在0.1以上,但是TSS最大时POD均小于0.5,对强对流天气的指示意义较差。

综上,选取TSS >0.25且POD≥0.5,并对强对流天气有一定指示意义的对流参数进行重点分析。最终选取章丘站的12个对流参数(IntQAKMKTTTTModCAPESWEATQ700RH700RH850TDsurf)和邢台站的8个对流参数(IntQAKMKSWEATQ700RH700Q850)用于建立强对流天气预报模型。

4 夏季强对流天气预报模型 4.1 对流参数的月分布特征

各月各对流参数的阈值采用评分的方法确定,原则是阈值的大小使TSS评分达到最大且POD ≥ 0.5。表 56分别为章丘站、邢台站2011—2015年6—8月各对流参数的技巧评分和阈值,图 4为选取的章丘站相同时段热力稳定度和热力动力综合类参数盒状图。分析可知,6月章丘站的热力稳定度参数整体上对强对流天气的指示意义较好,而邢台站则较差。其原因在于初夏6月,中低层不稳定能量有限,章丘处于聊城下游,具有与聊城类似的强对流潜势,而邢台位于聊城上游,当聊城地区发生强对流时,邢台已经释放其累积的不稳定能量,因此其指示意义较差。7月及以后,鲁西北地区处于副热带高压边缘,中低层的温度及湿度均明显增大,大气常处于不稳定状态,且这种不稳定潜势是贯穿于整个夏季,因此章丘站7—8月的热力稳定度参数的指示意义不如6月。热力动力综合类参数除了章丘站7月的指示意义较差外,其余均较好。原因在于热力动力综合类参数中的动力因子均与中低层的垂直风切变相关,而6月中下旬至8月,随着夏季风不断地北推,鲁西北地区的中低层风速自南向北逐渐增大,使得垂直风切变的均值也相应增大,进而导致热力动力综合类参数的指示意义变差。图 5为2011—2015年6—8月章丘站水汽参数的盒状图,图 6为邢台站2011—2015年6—8月对流参数的盒状图。对比分析可知,水汽参数在8月指示意义较好,而在6—7月较差,特别是7月章丘站的指示意义最差。原因在于春夏交替,夏季风携带大量水汽向北推进,使得水汽参数的均值增大,从而区分效果不明显。

表 5 章丘站2011—2015年6—8月各对流参数的技巧评分和阈值 Table 5 Skill scores and thresholds for convection parameters at Zhangqiu station from June to August during 2011-2015

表 6 邢台站2011—2015年6—8月各对流参数的技巧评分和阈值 Table 6 Skill scores and thresholds for convection parameters at Xingtai station from June to August during 2011-2015

图 4 章丘站2011—2015年6—8月热力稳定度和热力动力综合类参数的盒状图 Fig. 4 Box plots of thermal stability and comprehensive parameters at Zhangqiu station from June to August during 2011-2015

图 5 章丘站2011—2015年6—8月水汽参数的盒状图 Fig. 5 Box plots of moisture parameters at Zhangqiu station from June to August during 2011-2015

图 6 邢台站2011—2015年6—8月对流参数的盒状图 Fig. 6 Box plots of convection parameters at Xingtai station from June to August during 2011-2015
4.2 强对流天气预报模型建立

综上分析可知,不同类型的对流参数在不同月份对强对流天气的指示意义并不相同,如章丘站热力稳定度参数在6月的指示意义要好于7月和8月,而水汽参数在8月的指示意义则要优于6月和7月。强对流天气发生需要丰富的水汽,而热力不稳定又是上升气流发展的驱动力;而热力动力综合类参数与垂直风切变有关,强垂直风切变下强的高空风将冰晶粒子带到云砧处容易造成冰晶蒸发从而降低降水效率[23],弱垂直风切变又很难使得风暴有组织的增长。因此,水汽参数与热力稳定度参数对强对流天气的发生具有更显著的指示意义。鉴于此,预报模型的建立需要考虑各月各类型对流参数指示意义及其对强对流天气的判定指标。

选取4.1节通过阈值确定条件的参数(6月15个,7月17个,8月19个),建立各参数的隶属函数。隶属函数动态范围取0~1,1表示强对流天气发生,0表示强对流天气不会发生,数值越大表示强对流天气发生的可能性就越大。随后对参数进行0—1化处理。根据隶属函数动态范围的定义,将对流参数值大于等于阈值的取为1,小于阈值的取为0,得到每个对流参数对应强对流天气发生可能性的大小。最后采取加权平均法,得到一个与强对流天气可能性大小相对应的足够量,作为预报强对流天气发生的指数S

$ S = \frac{{\sum {{w_i}{b_i}\left( x \right)} }}{{\sum {{w_i}} }} $ (1)

其中,bi(x)为对流参数的隶属函数,wi为权重。在本模型中,权重按照对流参数对应的TSS评分进行赋值。

5 强对流天气的预报检验 5.1 2011—2015年样本拟合率分析

利用2011—2015年6—8月强对流天气样本与非强对流天气样本,对建立的强对流天气预报模型进行回报拟合并获取指数S的阈值。图 7为2011—2015年6—8月强对流天气样本与非强对流天气样本的指数S的分布。从中可见,强对流天气样本S值的分布与非强对流天气样本的交集较小,区分度较高,对强对流天气具有一定的指示意义。表 7为预报模型对2011—2015年6—8月强对流天气样本的拟合情况,分析可知,8月的拟合效果最好,TSS评分达到0.489 7,其次为6月。模型对强对流天气的空报率较高和成功率偏低的主要原因是,强对流天气样本数偏少,导致其比例失衡。

图 7 2011—2015年6—8月强对流天气样本与非强对流天气样本的指数S的分布 Fig. 7 Box plots of index S with and without strong convective weather samples from June to August during 2011-2015

表 7 预报模型对2011—2015年6—8月强对流天气样本的拟合情况 Table 7 Fitting test of strong convective weather samples by strong convective weather forecast model from June to August during 2011-2015
5.2 2016年预报试验评估

使用该模型对2016年6—8月强对流天气进行预报试验评估,共146个样本,其中强对流天气样本25个,非强对流天气样本121个。表 8为预报模型对2016年6—8月强对流天气样本的预报情况,从中可见,共有72.6%的样本预报正确,各月的预报准确率均在60%以上。但由于样本较少,导致FAR偏高,故结果不具有普遍性,模型的优劣有待更多的样本来验证。

表 8 预报模型对2016年6—8月强对流天气样本的预报情况 Table 8 Forecasting test of strong convective weather samples by strong convective weather forecast model from June to August in 2016
6 结论与讨论

(1) 通过计算章丘站和邢台站各39个对流参数与聊城地区强对流天气的相关系数并进行显著性检验,得到两个站各16个通过α < 0.01水平双侧检验且相关系数r>0.1的对流参数:整层比湿积分、A指数、K指数、修正K指数、总指数、修正总指数、对流有效位能、对流凝结温度、自由对流高度温度、0—3 km垂直风矢量差、强天气威胁指数、700 hPa比湿、700 hPa相对湿度、850 hPa比湿、850 hPa相对湿度、地面露点。

(2) 水汽参数与热力稳定度参数对强对流天气较动力与热力动力综合类参数具有更好的指示意义。章丘站热力稳定度参数在6月的指示意义要好于7月和8月,而水汽参数在8月的指示意义要优于6月和7月。

(3) 通过分析章丘站和邢台站16个对流参数在强对流天气样本和非强对流天气样本中的值域分布特征和物理意义,选取章丘站12个对流参数和邢台站8个对流参数,综合利用盒状图和技巧评分方法,得到对流参数在各月中的阈值并将其作为判定指标,采用隶属函数转换法,建立了聊城地区夏季强对流天气预报模型。对2016年6—8月的强对流天气样本进行检验得出,各月的预报准确率均在60%以上,TSS评分最高达0.462 5,效果较好。

本文采用上下游探空站资料对聊城地区强对流天气进行预报,具有一定局限,且样本较少,导致空报率偏高,故结论的普遍性受到影响,模型的优劣有待更多的样本来验证。但研究结论对无探空资料地区的相关业务预报具有一定的参考价值,在此基础上,可结合数值预报产品及实时雷达资料等对夏季强对流天气进行预报。另外,文中并未对强对流天气分类(如冰雹、短时强降水、雷暴大风等)建立模型,在下一步工作中有必要在分类的基础上,研究强对流天气的环境特征,建立具有更高预报准确率的聊城地区夏季强对流天气预报模型。

参考文献
[1]
刘玉玲. 对流参数在强对流天气潜势预测中的作用[J]. 气象科技, 2003, 31(3): 147-151. DOI:10.3969/j.issn.1671-6345.2003.03.004
[2]
杨晓霞, 张爱华, 贺业坤. 山东省4-6月冰雹气候特征分析[J]. 山东气象, 1999, 19(3): 22-25.
[3]
常平.鲁西北地区强对流天气预报关键技术研究[D].兰州: 兰州大学, 2010 http://cdmd.cnki.com.cn/Article/CDMD-10730-2010130383.htm
[4]
严仕尧, 李昀英, 齐琳琳, 等. 华北产生雷暴大风的动力热力综合指标分析及应用[J]. 暴雨灾害, 2013, 32(1): 17-23.
[5]
史纬恒, 胡友彬, 林晓霞, 等. 2008-2012年东北三省强对流天气的统计分析[J]. 气象与减灾研究, 2014, 37(4): 33-41. DOI:10.3969/j.issn.1007-9033.2014.04.005
[6]
陈雷, 戴建华, 汪雅. 近10 a长三角地区雷暴天气统计分析[J]. 暴雨灾害, 2015, 34(1): 80-87. DOI:10.3969/j.issn.1004-9045.2015.01.011
[7]
李耀东, 刘健文, 高守亭. 动力和能量参数在强对流天气预报中的应用研究[J]. 气象学报, 2004, 62(4): 401-409.
[8]
沈澄, 孙燕, 魏晓奕, 等. 基于物理量参数的江苏短时强降水预报模型的研究[J]. 气象, 2016, 42(5): 557-566.
[9]
曾明剑, 王桂臣, 吴海英, 等. 基于中尺度数值模式的分类强对流天气预报方法研究[J]. 气象学报, 2015, 73(5): 868-882.
[10]
高守亭, 冉令坤, 李娜, 等. 集合动力因子暴雨预报方法研究[J]. 暴雨灾害, 2013, 32(4): 289-302. DOI:10.3969/j.issn.1004-9045.2013.04.001
[11]
仲晔.江苏苏南五市区雷暴预报方法的研究[D].南京: 南京信息工程大学, 2013 http://cdmd.cnki.com.cn/Article/CDMD-10300-1013340923.htm
[12]
邓猛.山东地区雷暴分布特征及潜势预报研究[D].南京: 南京信息工程大学, 2013 http://cdmd.cnki.com.cn/Article/CDMD-10300-1013340922.htm
[13]
张羽, 史纬恒, 尤伟.东南沿海地区雷暴天气的统计分析[C]//第29届中国气象学会年会, 沈阳, 2012
[14]
王颖, 刘一玮, 何群英, 等. 天津局地暴雨特征及落区预报分析[J]. 气象与环境学报, 2014, 30(6): 52-60.
[15]
史纬恒, 王磊, 韩飞, 等. 基于物理量参数的山东聊城地区冬季降水相态预报模型研究[J]. 干旱气象, 2017, 35(5): 822-829.
[16]
杨贵名, 宗志平, 马学款. "方框_端须图"及其应用实例[J]. 气象, 2015, 31(3): 53-55.
[17]
Giaiotti D, Stel F. A comparison between subjective and objective thunderstorm forecasts[J]. Atmos res, 2001, 56(1): 111-126.
[18]
史纬恒, 胡友彬, 郝志男.数据挖掘及其在气象中的应用[C]//第31届中国气象学会年会, 北京, 2014
[19]
孙明生, 杨力强, 尹青, 等. 北京"7.21"特大暴雨成因分析(Ⅱ):垂直运动、风垂直切变与地形影响[J]. 暴雨灾害, 2013, 32(3): 218-223. DOI:10.3969/j.issn.1004-9045.2013.03.004
[20]
陶诗言. 中国之暴雨[M]. 北京: 科学出版社, 1980.
[21]
黄晓龙, 高丽. 2014年3.19台州冰雹过程中尺度分析[J]. 气象, 2016, 42(6): 696-708.
[22]
樊李苗, 俞小鼎. 中国短时强对流天气的若干环境参数特征分析[J]. 高原气象, 2013, 32(1): 156-165.
[23]
俞小鼎. 2012年7月21日北京特大暴雨成因分析[J]. 气象, 2012, 38(11): 1313-1329.