2. 河南省气象台, 郑州 450003
2. Henan Meteorological Observatory, Zhengzhou 45003
夏季强对流造成的雷暴大风具有突发性、局地性、强度大、持续时间短和破坏力强等特点,如2015年6月1日下击暴流导致“东方之星”客轮翻沉使442人遇难(郑永光等,2016)、2016年6月23日江苏盐城龙卷导致99人死亡(郑永光等,2016;Meng,2016)、2016年9月24日飑线导致内蒙古直接经济损失2 805万元(张桂莲等,2019)等。近年来,河南省区域雷暴大风天气频发,如2013年7月31日夜里至8月1日白天河南连续两次出现雷暴大风天气,范围广,强度强,造成农作物大量倒伏(部分农田绝收)、房屋受损或倒塌等,造成严重经济损失(吕晓娜,2017);2010年7月19日(王红燕等,2013)、2014年7月29日、2015年6月10日、2015年7月30日、2016年6月13日河南多次出现区域雷暴大风天气。因此,建立河南省雷暴大风潜势客观预报方法,对雷暴大风的预报预警和防灾减灾有着特殊的意义。目前,国内有部分学者对雷暴大风客观预报方法进行了尝试,多数由高空环流背景与产生雷暴大风的环境条件入手,对雷暴大风个例进行统计分析。周后福等(2016)分析了物理量A指数、K指数、位势不稳定指标I、能量平衡高度和位势不稳定能量对强对流天气的预报指示意义,表明A指数、K指数对强对流天气的预报具有一定效果;总温度较高、饱和总温度较高、位势不稳定能量较高时,能量平衡高度较高,强对流天气出现的可能性增大。朱凯全等(2008)、廖晓农等(2009)基于雷暴大风爆发时500 hPa环流背景,结合对流层低层环境大气的温度直减率、大风指数进行雷雨大风预报,结果表明当对流层中层存在干层时,该方法预报效果较好,但对暖湿背景下雷暴大风的预报一般。钟利华等(2011)分析广西25个雷暴大风个例后,对稳定度指数和物理量K指数、沙氏指数、700与1 000 hPa假相当位温、1 000 hPa水汽通量散度、500 hPa垂直速度、925 hPa涡度等统计得出,广西出现雷暴大风的区域不稳定度更大,且低层水汽辐合和气旋性辐合偏强。在此基础上,郝莹等(2011)、严仕尧等(2013)添加对流有效位能、大气可降水量、大风指数、垂直螺旋度、垂直能量螺旋度等多个动力、热力指标,利用NCEP再分析模式资料统计了雷暴大风发生时的指标阈值,并设计了指标叠套技术制作雷暴大风的潜势预报,经过验证该方法分别对安徽省及华北的雷暴大风具有一定的预报效果。
河南省雷暴大风的指标、概念模型及预报技术等方面已取得部分成果。采用河南省1995—2004年气象观测资料,计算多个大气动力和热力学参数,并从中筛选出预报能力强、指示性好的参数作为强对流天气预报因子,建立了河南省区域强对流天气预报系统(赵培娟等,2010),其中包括雷暴大风预报。之后,普查了2001—2010年5—9月的河南省强对流天气个例,将河南省强对流天气流型分为4种,并分别提出相应的概念模型及环境物理量指标(张一平等,2013)。近几年,随着强对流天气监测手段的多样化,新的观测资料应运而生,预报方法和技术有了新的进展,数值预报产品的预报准确率有了突破性的发展(周之栩,2010)。因此,本文在前人研究基础上,利用高分辨率数值模式资料,建立河南省雷暴大风潜势预报方法,以期为雷暴大风短临预报预警业务提供有效的参考依据。
1 资料及其处理本文采用实况资料为河南省国家站、区域站雷暴和风速观测资料;模式资料采用NCEP的1°×1°再分析格点资料。
统计2007—2015年逐年5—9月河南省自动站与区域站的雷暴和瞬时风速超过17.0 m·s-1的大风资料,将其归为08—20时(白天)、20—08时(夜间)两个时段,在时段内站点若有雷暴和大风均出现即认为一个雷暴大风实况。其中,2010、2012和2014年5—9月逐年雷暴大风发生日数低于20 d,相对于每年5—9月共153 d而言,样本量太少,因此,本文实际计算年份为2007、2008、2009、2011、2013、2015共6 a。同时,以上所选6 a中,9月份共3 d出现雷暴大风,发生日数太少,与数值模式资料对比时,难以找到其预报规律,故未统计9月份资料。实际采用资料时段为2007、2008、2009、2011、2013、2015年5—8月份。
考虑到实况观测资料与模式格点资料的匹配及目前预报产品格点化的趋势,将雷暴大风站点观测资料进行格点化处理。河南省及周边1°×1°的格点进行编号,如图 1所示。每个格点周围经度与纬度±0.5°范围内的所有站点中,如若有一个站点出现雷暴大风,则认为该格点有雷暴大风出现,记为“1”;没有站点出现,则在该格点记为“0”。全省共有23个格点。
采用1°×1°的NCEP再分析格点资料,计算每个格点所选时段相应的物理量。共选取与雷暴大风相关的物理量25个,包括表征不稳定层结指数7个,为对流有效位能(CAPE)、对流抑制指数(CIN)、对流稳定度指数(CI)、KI、沙氏指数(SI)、简化沙氏指数(SSI)、850与500 hPa温差;表征不稳定能量指数5个,为地面2 m气温(T2m)、850 hPa气温(T850)、850 hPa假相当位温、1 000、925及850 hPa平均假相当位温、总温度指数(TT);表征水汽含量指数4个,为整层可降水量(PWAT)、地面2 m比湿(Q2m)、850 hPa比湿(Q850)、地面2 m露点气温(Td2m);表征动力条件指数6个,为抬升指数(LI)、0—3 km垂直风切变(SHR3)、0—6 km垂直风切变(SHR6)、700 hPa垂直速度、850 hPa垂直速度、平均垂直速度;综合指数2个,为强天气威胁指数(SWEAT)、大风指数(WINDEX);此外,海平面气压(SLP)能反映地面辐合强度和垂直上升运动,也选为物理量以供参考。
将每个格点的实况与NCEP计算的物理量进行匹配。由于不同物理量间的数量级差别较大,如CAPE数量级为0~103,而沙氏指数数量级为100,为便于比较,首先将每个物理量进行标准化处理。
利用标准化处理过的物理量,计算雷暴大风“出现”与“未出现”时物理量平均值的差值。差值越大,意味着能更好的将雷暴大风区分开来。同时,结合雷暴大风出现的环境场条件,选择预报因子。
对选好的预报因子,计算每个预报因子标准化后平均值差值所占的百分率,作为预报方程的系数,即预报因子所占的权重。由于不同物理量间的数量级差别较大,没有采用因子本身的数值参与计算。统计因子在不同阈值区间内雷暴大风出现的概率,将其做为预报方程中因子实际参与计算的值。构建雷暴大风潜势预报方程,得出未来24 h雷暴大风的概率预报。
由于白天与夜间雷暴大风发生的环境场条件有所不同,因此,实况统计、因子确定、计算系数、阈值统计等均分为08—20时(白天)、20—08时(夜间)两个时段分别进行。以下选08—20时段预报方法详细介绍。
08—20时段预报方程的建立,实况为08—20时段,由于该时段雷暴大风多集中在中午至下午,因此,与实况相对应的物理量采用的时次为当天14时。
每个格点共738个样本,3、8、15、20号四个格点发生雷暴大风的次数均低于5次,样本量太少,因此以下统计和计算中将其去掉,实际参与计算格点号为1、2、4、5、6、7、9、10、11、12、13、14、16、17、18、19、21、22、23共19个。
标准化处理过的物理量,计算雷暴大风“出现”与“未出现”时物理量平均值的差值。差值越大,则越能更好地将雷暴大风区分开来。将每个格点物理量按照差值由大到小排序,计算每个物理量每个名次出现的百分率,将累计百分率列于图 2。
图 2a可见,第一名出现百分率最大的为TT和CAPE,即其在19个格点中出现第一名(即差值最大)的概率最大,最能用以区分雷暴大风是否出现。图 2b中,出现第一名与第二名概率最大的较图 2a新增添物理量SI。图 2e表明前5名累计百分率最大的物理量取前7个为SI、TT、CAPE、LI、KI、Tcha85、windex。
由于抬升指数(LI)与SI物理意义接近,均反映大气的不稳定与抬升状况,而SI排序更为靠前,其出现第二名所占百分率为31.58%,因此,将LI去掉。同时考虑到雷暴大风的发生需要环境场具有较大的垂直风切变,尤其是0—6 km,故最终建立预报方程时选取的预报因子包括反映大气不稳定性及其能量的CAPE、SI、TT,反映低层水汽及温湿特性的KI、WIND- EX,反映不稳定性及中层冷空气的Tcha85,反映动力条件的0—6 km风垂直切变,共7个物理量。
3 结果分析 3.1 雷暴大风分区雷暴大风发生的环境条件不仅在白天与夜晚存在差异,地理地域上亦有所不同。将所选格点雷暴大风出现时,山区与其它地区差异较大的物理量绘制为箱线图(图 3),以此来判断不同地区物理量的数据分布状况、离散程度和偏向。图中矩形框是箱线图的主体,上、中、下三条线分别表示变量值的第75、50、25百分位数,变量50%的观测值落在这一区域中。上截止线是变量值本体最大值;下截止线是其最小值。本体值是指除奇异值和极值以外的变量值。“+”代表异常值。
图中山区对应格点为9、10、11、16、17、18、21。由CAPE箱线图可见,山区(尤其格点号9、10、11、16、17、21)发生雷暴大风时,CAPE较其它地区偏小,25和50分位数均偏小,表明山区一带出现雷暴大风所需要的不稳定能量较小。KI、Tcha85、windex(图略)箱线图中可见,出现雷暴大风时三者数据的离散程度均较其它地区大。KI和WINDEX的25和50分位数较其它地区小;Tcha85较其它地区更大。山区SI较其它地区数值偏大,中位数亦偏大,接近于0。
综上分析可见,山区出现雷暴大风所需要的不稳定能量较其它地区小,SI较其它地方大,KI和大风指数较其它地区小,即相对其它地区,山区在较弱的不稳定与低层暖湿特性环境场下即可能出现雷暴大风,但需要850 hPa与500 hPa温差较其它地区大。
根据以上分析,将所选格点分为山区和其它地区两个区域,其中西部、西南部山区对应格点为9、10、11、16、17、18、21共7个格点,其它地区对应格点号1、2、4、5、6、7、12、13、14、19、22、23共12个格点。以下方程系数的确定至方程的建立,均对以上两个区域分别进行。
3.2 预报方程确立标准化后的预报因子,计算每个因子雷暴大风“出现”与“未出现”时,平均值的差值在25个物理量中所占的百分率,即预报因子所占的权重作为方程系数,见表 1。
由表 1可见,无论山区或其它地区,权重最大的物理量均为总温度TT,其中山区相对更大,其次为CAPE,而0—6 km垂直风切变相对最小。可见,白天雷暴大风的出现,需要有较大的低层暖湿和上层冷干的不稳定环境条件及较大的不稳定能量,在有利的环境背景场下,较弱的动力条件即可触发雷暴大风的发生。
统计所选预报因子在不同阈值区间内雷暴大风发生的概率,将概率值作为预报因子所对应的数值。08—20时段山区和其它地区两个区域分别进行统计,其中山区结果见表 2,后者表略。
由表 2可见,所选因子概率值大部分符合雷暴大风发生的环境场条件,即CAPE、TT、KI、Tcha85、大风指数和0—6 km垂直风切变越大,SI越小,雷暴大风发生的概率越大。以上概率是由物理量在阈值范围内的样本数和在此区间内出现雷暴大风的样本数两项决定的。
采用上述所选的物理量权重系数和区间概率值,建立雷暴大风预报方程(赵培娟等,2010),如下
$ y=a_{1} x_{1}+a_{2} x_{2}+a_{3} x_{3}+a_{4} x_{4}+a_{5} x_{5}+a_{6} x_{6}+a_{7} x_{7} $ | (1) |
式中x表不同物理量区间雷暴大风出现的概率值,其中x1为CAPE、x2为TT、x3为SI、x4为KI、x5为850与500 hPa温差、x6为大风指数(windex)、x7为0— 6 km垂直风切变(SHR6),单位为%。a为每个物理量对应的权重系数。y为预报方程结果。
由于雷暴大风为非连续、低概率事件,样本量少,因此方程系数的确定没有采用多元回归解方程法,而是采用权重与概率相结合的方法。
3.3 预报结果利用建立的雷暴大风预报方程,将所选6 a逐年5—8月份数据进行迭代回放。
将雷暴大风“出现”与“未出现”时的方程结果分布状况绘为箱线图,见图 4。可见,发生雷暴大风的25分位数线与未发生的75分位数线接近,均位于210~ 220之间。方程的预报值能较好的判别出雷暴大风是否发生。
将计算结果分区间统计出现雷暴大风的次数及所占百分率,见图 5。可见,雷暴大风在180~480出现次数较多,其中360~420出现最多,为35次。随着预报值的增大,所占百分率(折线图)呈增大的趋势。可见,预报值越大,出现雷暴大风的概率越大,但由于达到该预报值的样本数很少,因此,实际出现雷暴大风的次数并不多。
方程预报结果区间为0~720,若直接显示结果,概念比较模糊,给使用带来不便。因此,结合箱线图中分位数的分布及图 5中雷暴大风发生次数及概率的分布,将预报结果与最终显示结果建立对应关系,结果见表 3。
对应关系建立规则为:08—20时段,山区实际出现雷暴大风格点数占总格点数的比率为3.48%,图 5中该比率对应区间及以下的(预报值180以下),定义为“10%”,即出现雷暴大风的概率非常小;雷暴大风箱线图中,50~75分位数结合发生次数较多的区间,定义300~420为“60%”,即出现雷暴大风的概率较大;180~300定义为“30%”,即出现雷暴大风的概率较小;超过420(75分位数),定义为“80%”,即出现雷暴大风的概率非常大。
用上述同样的方法,对08—20时段其它地区雷暴大风进行反演迭代,并建立了08—20时段(白天)雷暴大风山区与其它地区的预报方程,并将二者的计算结果融合,其中,未参与统计的格点,采用其它地区的预报方程,最终生成河南全省08—20时雷暴大风概率预报潜势结果。
3.4 消空处理以上方法中未涉及消空处理。在最初计算08— 20时段山区雷暴大风预报方程时,尝试先消空处理,以下为主要方法和结果。
统计所选物理量在不同阈值区间内雷暴大风发生的次数及出现百分率,其中TT和KI物理量分布见图 6,图中阈值区间均间隔1。
由图可见,当TT和KI较小时,阈值区间内雷暴大风仅出现1—2次或无发生,概率亦很低。将雷暴大风开始连续出现时所对应的物理量值作为消空阈值,则TT为37 ℃,KI为17 ℃。用相同的方法,定义其它物理量的阈值,见表 4。
消空阈值确定后,将物理量进行消空,并计算消空后不同阈值区间内雷暴大风发生的概率,并与消空前概率进行对比,见图 7。
由图可见,KI(图 7b)在阈值区间内的概率增大最为明显,约4%,主要集中28~38 ℃,当KI较小时,概率增大不明显。其它3个物理量阈值在消空前后变化均很小。
采用消空后的预报因子样本,对所选时段进行反演计算,雷暴大风“出现”与“未出现”的结果绘为箱线图 8。可见,无论雷暴大风是否出现,消空后预报方程结果25、50、75百分位数值均增大,且“未出现”时增大更为明显,其75分位数数值超过“出现”时25分位数数值,如此则不能将“出现”与“未出现”较好的区别开来。因此,预报方程建立过程中未对样本进行消空处理。
采用与建立08—20时(白天)雷暴大风预报方程相似的技术思路与方法,建立20—08时(夜间)的雷暴大风客观预报方程。实况为20—08时,与实况对应的物理量采用时次为当天20时。统计所选6年5—8月份20—08时1—23号格点的雷暴大风实况,其中1、3、8、15、16、19、20、23共八个格点,每个格点共738个样本中发生雷暴大风的次数低于5次,样本量太少,因此计算和统计中该八个格点去掉,实际参与计算的格点号为2、4、5、6、7、9、10、11、12、13、14、17、18、21、22共15个格点。用与08—20时段相似的技术方案,计算得出20—08时段的雷暴大风预报方程。将建立的08—20时预报方程和20—08时预报方程融合,成为完整的河南省雷暴大风客观预报方法。
3.5 预报效果检验评估检验区域范围为河南省及周边1°×1°共23个格点。检验时段为2016年6—8月。雷暴大风预报效果评估检验采用3个指标,即为命中率(POD)、空报率(FAR)、临界成功指数(CSI)。式中POD能衡量预报准确率,但如果过分追求POD增大,则会导致FAR增大,CSI能较好的衡量预报效果。检验时,对各种评分规则均进行计算,其计算方法见表 5(梁维亮等,2015)。
建立方程时,为全省23个格点分别建立,每个格点的样本为918个。检验分08—20时段和20—08时段分别进行。由于08—20时段,全省共713个格点时次,发生雷暴大风仅2个,8月与其相似;20—08时段,5月和8月均无雷暴大风发生,因此,以下主要对2016年6月和7月NCEP再分析资料计算结果进行检验,其每月全省格点时次分别为690和713个。
检验结果见图 9。其中80为预报概率为“80%”的结果,60为预报“60%”和“80%”共同的检验结果。
结果表明,6月预报概率为“60%”和“80%”的命中率共为58%,预报“80%”的POD为38%;7月两组数据分别为93%和80%;7月较6月预报效果更好。同时,预报概率为“60%”和“80%”的FAR较“80%”偏高。预报为“80%”的成功临界指数较“60%”的更高。可见,NCEP再分析资料预报“60%以上”的命中率相对较高,可参考。预报效果7月较6月更好。预报“80%”比“60%”的预报临界指数更高。
对2016年6—7月20—08时段NCEP再分析资料计算结果进行检验,见图 10。
可见,夜间6月预报概率“60%”和“80%”的命中率共为67%,预报“80%”的POD为55%;7月两组数据分别接近100%和91%;7月较6月预报效果更好。预报概率“60%”的FAR较“80%”高。预报“80%”的CSI更高。
综上分析,该方法预报概率“60%”和“80%”的命中率较好,有较好的参考意义;同时,相应空报率亦较高。预报效果7月较6月好。预报概率“80%”比“60%以上”的预报临界成功指数更高。
选取2016年6月5日夜间、6月21日白天两次具体雷暴大风过程,将NCEP再分析资料计算结果与实况进行空间上的对比检验。
2016年6月5日,河南省出现大范围的雷暴大风、短时强降水、冰雹等强对流天气,其中,受飑线影响,雷暴大风主要出现在5日夜间豫西南地区(图 11a);预报结果见图 11b。可见,豫西南预报概率为“60%”和“80%”的区域内出现了雷暴大风,但其对信阳一带有空报。该方法对本次过程雷暴大风有较好的指示意义。
2016年6月21日白天,河南省出现大范围的雷暴、雷暴大风、短时强降水等强对流天气,其中雷暴大风主要出现在下午13—19时,瞬时大风极大值出现在孟津,达20 m·s-1,实况见图 12a。
可见,模式预报概率“60%”和“80%”对雷暴大风有较好的预报,但仍有一定的空报区域。
4 结论与讨论本文采用权重和概率统计相结合的方法,确定与雷暴大风结合紧密的物理量,统计雷暴大风在不同阈值范围内出现的概率,建立雷暴大风概率潜势预报方程。主要得出如下结论:
(1) 雷暴大风出现在白天与夜间的环境条件和物理量阈值均有所不同,所选物理量参数有所差异。无论白天或夜间,雷暴大风出现在山区与其它地区的物理量阈值亦不同。
(2) 所选每个预报因子的概率统计结果与雷暴大风发生的环境条件基本相符,即CAPE越大,SI为负值且越小,KI越大,850与500 hPa温差越大,大风指数越大,雷暴大风出现的概率越大;该概率由因子达到阈值范围内的样本数和在此区间内出现雷暴大风的样本数两者共同决定的。
(3) 对08—20和20—08两个时段雷暴大风预报的检验表明,该方法命中率均较好,尤其2016年7月最高,预报概率为“60%以上”的命中率接近93%,可预报出雷暴大风出现的概率潜势和可能发生的区域。同时,其空报率较高。预报概率为“80%”的预报临界指数更高。
雷暴大风具有突发性强、局地性强、持续时间短等特点,因此,本文基于全球细网格模式资料建立的客观方法仅提供雷暴大风的潜势预报,空报率偏高。同时,由于该方法08—20时段统计采用的物理量实况为14时,因此对于早上已出现雷暴大风,中午不稳定能量已释放的过程,预报效果欠佳,今后将对以上问题继续进行改进。
郝莹, 鲁俊. 2011. 雷暴大风、冰雹天气的预报方法研究[J]. 中国农学通报, 27(26): 299-304. |
梁维亮, 屈梅芳, 翟丽萍. 2015. 基于对流参数南宁地区雷暴天气潜势预报方法研究[J]. 气象与环境学报, 31(4): 107-112. |
廖晓农, 于波, 卢丽华. 2009. 北京雷暴大风气候特征及短时临近预报方法[J]. 气象, 35(9): 18-28. |
吕晓娜. 2017. 河南一次强对流天气潜势、触发与演变分析[J]. 高原气象, 36(1): 195-206. |
王红燕, 王东平, 牛淑贞, 等. 2013. 河南长葛南席一次龙卷成因分析及雷达预警初探[J]. 暴雨灾害, 32(3): 256-262. |
严仕尧, 李昀英, 齐琳琳, 等. 2013. 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, 32(1): 17-23. |
张桂莲, 赵艳丽, 黄晓璐, 等. 2019. "9.24"内蒙古东南部致灾飑线过程成因分析[J]. 暴雨灾害, 38(1): 41-47. |
张一平, 吴蓁, 苏爱芳, 等. 2013. 基于流型识别和物理量要素分析河南强对流天气特征[J]. 高原气象, 32(5): 1492-150. |
赵培娟, 吴蓁, 郑世林, 等. 2010. 河南省强对流天气诊断分析预报系统[J]. 气象, 36(2): 33-38. |
郑永光, 田付友, 孟智勇, 等. 2016. "东方之星"客轮翻沉事件周边区域风灾现场调查与多尺度特征分析[J]. 气象, 42(1): 1-13. |
郑永光, 朱文剑, 姚聃, 等. 2016. 风速等级标准与2016年6月23日阜宁龙卷强度估计[J]. 气象, 42(11): 1289-1303. |
钟利华, 曾鹏, 李勇, 等. 2011. 广西雷暴大风环流特征和物理量诊断分析[J]. 气象, 37(1): 59-65. |
周后福, 邱明燕, 张爱民, 等. 2016. 基于稳定度和能量指标作强对流天气的短时预报指标分析[J]. 高原气象, 25(4): 716-722. |
周之栩. 2010. 短期温度降水的多模式集成预报[J]. 科技通报, 26(6): 832-836. |
朱凯全, 王天奎. 2008. WINDEX指数在桃仙机场雷暴大风预报中的应用[J]. 气象水文海洋仪器, (2): 61-63. |
Meng Z, Yao D, Bai L, et al. 2016. Wind estimation around the shipwreck of Oriental Star based on field damage surveys and radar observations[J]. Science Bulletin, 61(4): 330-337. |