构建有效的降水阈值模型对于提高强降水天气预报正确率、降低误报率具有重要意义。地基GNSS技术是获取水汽的一种重要方法，可对极端天气作出预报和预警^[1]。根据强降水期间的GNSS水汽变化可知，水汽时序变化与暴雨事件之间存在较好的对应关系^[2]。在短时天气预报中，GNSS水汽序列峰值超前于实际降水近60%^[3]；对短时降水进行预报时，利用天顶对流层总延迟ZTD方法能预测出80%以上的降水事件^[4]。降水事件大多出现在水汽上升至最大值以及水汽迅速下降的时段内，局地降水与水汽变化呈正相关^[5]。许多学者针对降水预测展开研究：Benevides等^[6]利用GNSS水汽数据对降水进行预测，其预测正确率约为75%、误报率约为60%~70%；我国首次研制并搭载于FY-4A卫星上的闪电成像仪(lightning mapping imager，LMI)可对闪电进行观测^[7]，闪电活动对强降水和短时降水过程具有重要指示意义。国内学者对FY-4A闪电资料的精度进行分析验证：徐国强等^[8]研究表明，加入FY-4A闪电成像仪资料后可以进一步提高1~12 h内降水预报的准确率；黄守友等^[9]研究表明，闪电资料能够较好地捕捉到强降水信号，有效降低漏报率并在短时间尺度内响应出与实况更为接近的降水预报。FY-4A气象卫星可为区域降水预测提供可靠的数据支撑。现有文献表明，若仅利用GNSS水汽及其变化量进行降水预测，可能会存在正确率较高但误报率也偏高的问题。

基于此，本文以河北省为例，综合GNSS水汽和闪电资料开展降水阈值模型研究。利用河北省兴隆测站的GNSS水汽、闪电资料，通过不同实验方案，依据临界成功指数、正确率、误报率指标获得最佳降水阈值模型，并验证该模型的有效性及其在河北省的适用性。

1 研究数据与研究方法 1.1 研究数据

本文使用的水汽(PWV)数据由河北省GNSS连续运行参考站网观测数据反演得到。FY-4A卫星闪电资料可在风云卫星遥感数据服务网(http://satellite.nsmc.org.cn/portalsite/default.aspxys)免费下载。下载数据的时间分辨率为1 min，空间分辨率为星下7.8 km。为将其与GNSS水汽资料进行联合预测，将闪电资料的时间分辨率由1 min转化为1 h。

1.2 研究方法

降水预报的效果评价可使用临界成功指数(CSI)、正确率(POD)、误报率(FAR)进行评价。3个评价指标的计算公式如下：

$ \mathrm{CSI}=\frac{n_{11}}{\left(n_{11}+n_{12}+n_{21}\right)} $

(1)

$ \mathrm{POD}=\frac{n_{11}}{\left(n_{11}+n_{21}\right)} $

(2)

$ \mathrm{FAR}=\frac{n_{12}}{\left(n_{11}+n_{12}\right)} $

(3)

式中，n₁₁表示预测降水发生、实际情况也发生降水；n₁₂表示预测降水发生但实际未发生降水；n₂₁表示预测未发生降水但实际发生降水。

2 GNSS水汽、闪电资料与降水的关系 2.1 GNSS水汽与降水的关系

为更好地分析GNSS水汽与降水的关系，选取2018-08兴隆站二者时间序列进行比较(图 1)，然后对几次降水发生过程进行快速傅里叶变换(FFT)(图 2)。

由图 1可知，降水过程发生前的08-16~08-17，水汽呈小范围波动，但08-17之后水汽值开始不断增加，08-18达到峰值，此时降水过程开始。随着降水的发生，水汽值不断减小，当水汽值减小到一定值后降水过程结束。

由图 2可知，由于PWV与降水时序的共同峰值为3 cpd，对应的公共周期为8 h，因此对水汽数据进行8 h数据分段处理。根据徐小静^[10]的研究结果可知，PWV变化与降水之间的关系体现在PWV极大值、PWV增加量、PWV增加率3个因子上。本文将PWV极大值替换为PWV最大值，同时加入闪电数据对降水进行预测，预测因子的定义如表 1所示。

2.2 闪电数据与降水的关系

为更好地分析闪电数据资料与降水的关系，首先将下载的原始闪电NC数据按h进行整理，然后使用Python对闪电数据进行处理，提取闪电时刻的发生位置。图 3为几次降水闪电发生时刻的位置图。

由图 3可知，08-07 22：00、08-11 19：00 SZXO站附近闪电频发。查询历史数据可知，08-07 22：00发生降雨，08-11 19：00发生本月最大暴雨。对该站点8~9月的FY-4A闪电资料与降水量进行统计发现，共有11次降雨，其中降水事件伴随的闪电次数为5，出现降水事件未发生闪电的次数为6，未出现降水事件但发生闪电的次数为0。由此可以看出，FY-4A闪电资料的降水预报准确度较高。

3 降水预测模型的构建 3.1 降水预测方法

本文将上述4个因素应用于降水预测。首先对PWV、闪电数据和降水数据进行预处理，采用滑动窗口方法求得窗口内数据PWV最大值、PWV最大值序列、PWV最大值之前最小值、PWV最大值之前最小值序列，窗口大小设置为8，窗口间隔设置为1；然后统计该时段内的降水事件和闪电次数，并与实际降水进行比较，求出正确率、误报率、CSI，选取CSI最大值的正确率和误报率作为预测结果。

3.2 降水阈值模型构建

对兴隆站2018-08 PWV最大值、PWV增加量、PWV增加率进行最佳阈值组合选取，后加入闪电数据。表 2为兴隆站最佳阈值组合方案的选取比较。

由表 2可知，选取PWV最大值+PWV增加量时，正确率为75.2%，误报率为23.8%，此时CSI值最大，预测效果最好。将闪电数据加入到阈值的选取中后，当选定阈值未超过设定阈值且该时刻有闪电发生时，将闪电发生后的2 h模型视作预测有降水发生，融合闪电数据后，CSI值为63.3%，相比于PWV最大值+PWV增加量模型的提升幅度为2.4个百分点；正确率为78.6%，提升幅度为3.4个百分点；误报率为23.5%，降低幅度为0.3个百分点。

4 降水预测模型验证

为进一步对该降水预测模型进行检验，选取河北省内不同站点进行降水预测模型验证，验证站点分别为迁安站(SZQA)、满城站(SZME)、石家庄站(SJHB)3个站点。表 3(单位%)为融合闪电要素阈值选取与未融合闪电要素阈值选取的比较结果。

由表 3可以看出，未加入闪电要素时，SZQA站、SZME站和SJHB站的正确率分别为78.9%、67.2%、63.3%，误报率分别为35.3%、41.8%、41.5%；融合闪电要素后正确率提升到83.3%、68.9%、65.2%，误报率下降至34.5%、40.4%、40.8%。由此说明，融合闪电数据能够更好地提升降水预报正确率，降低降水预报的误报率。

5 结语

本文利用闪电资料数据、GNSS PWV与实际降水之间的关系建立了融合PWV最大值、PWV增加量、PWV增加率和闪电数据的降水预测模型，该模型具备提前1~8 h的降水预测能力，正确率约为60%~80%，误报率约为20%~40%。主要结论如下：

1) 降水的发生往往使得PWV上升，大部分降水发生在PWV峰值附近，降水发生前后波动较大。闪电的发生对降水有着很好的预测作用，大部分情况下降雨发生时伴随闪电，且闪电出现频次越多降水量越大。

2) 相对于以前的降水预测模型，本文模型提高了正确率、降低了误报率。

由于FY-4A闪电资料收集过程中可能会出现少量闪电数据丢失的情况，对降水预测会产生一定的影响，因此后续研究可添加地面雷电资料以改善模型精度。