雷暴大风、短时强降水、冰雹和龙卷等强对流天气预报始终是气象业务和科研部门关注的重点。随着气象现代化建设支持下多源资料应用和融合分析技术的进步，对其监测水平取得了质的飞跃，基于探测的强对流天气临近预警能力已有了很大提高(陈明轩等，2004；郑永光等，2010；俞小鼎等，2012)。但由于强对流天气往往具有突发性和局地性特征，生命史短，基于监测基础上的短时临近预警时效非常有限，因此，如何提高强对流天气预报的前瞻性，特别是分类强对流天气的短期预报能力，对增强防灾、减灾的针对性具有更加迫切的需求。

由于强对流天气通常由中小尺度天气系统产生，随着中尺度模式预报性能的提高，其高时空分辨率预报资料，一方面如同大多数数值模拟工作一样将其用于更细致的中尺度天气系统演变分析(徐珺等，2010；孙艳辉等，2012)，另一方面，大量物理意义明确的对流参数或物理量(李耀东等，2004；刘健文等，2005)可通过模式探空(Hart et al，1998，1999；李佳英等，2006；陈子通等，2006a，2006b)计算得到，为客观化的预报新技术研发提供了现实途径(陈敏等，2011)。既有的诸多研究表明，不同类别强对流天气因其发生、发展机理的不同(孙继松等，2012)，以及不同季节气候条件的差异，各类强对流天气对对流参数具有不同的敏感性(雷蕾等，2011；曾明剑等，2015)。鉴于此，不少研究针对不同强对流天气的特征对流参数进行了分析应用(郝莹等，2007；姚叶青等，2012；庞古乾等2012；吴芳芳等，2013)，樊李苗等(2013)、孙继松等(2014)对此进行了系统的总结和归纳，雷蕾等(2012)还基于BJ_RUC系统开展了强对流天气分类概率预报试验，取得了令人鼓舞的进展。本研究将就对流参数的遴选、各对流参数权重分配、分类强对流预报方法构建等进一步尝试。

将强对流天气分为普通雷暴、雷暴大风、短时强降水、雷暴大风伴短时强降水、冰雹和龙卷6类。其中，普通雷暴尽管学界通常不视其为“强对流”天气，但考虑到其仍有一定的致灾性，在此单独归为一类，短时强降水定义为雨强20 mm/h的降水过程，雷暴大风需同时出现雷暴和大风且无短时强降水，短时强降水也不含雷暴大风但可能含雷暴天气，冰雹或龙卷过程概不计入其他类型，而其本身的类型鉴别则不论其他天气出现与否。另外，由于在资料普查中发现夏季雷暴大风常与短时强降水同时出现，于是将其单独归为一类。按照上述归类方法，根据江苏地区2001—2009年2—9月的观测资料，获得全省73个基本站按站次统计的个例分布(表 1)。

由表 1可见，9年间江苏省共计发生各类强对流天气的站次数为：5537次雷暴、665次雷暴大风、204次冰雹、26次龙卷和2949次短时强降水及192次雷暴大风伴短时强降水。从天气类别来看，以普通雷暴站次数最多，短时强降水次之，龙卷最少。从时间分布来看，7月为除冰雹以外各类强对流天气的高发期，而冰雹则以6月为最。

随着研究的深入，目前已发展出上百种针对强对流天气分析预报的物理量(刘健文等，2005)。为遴选出强对流分类分月的对流参数特征值，首先利用与历史个例同期的2001—2009年2—9月日本气象厅(JMA)逐日4次0.25°×0.2°再分析资料计算了各时次各类热力、动力、水汽和能量等方面102类对流参数，建立了按JMA再分析资料格点分布的对流参数库。由于江苏省73个基本站分布相对均匀，平均间距约40 km，而JMA再分析资料网格间距不到30 km，于是根据“邻(临)近”原则(章国材，2011)，将历史强对流个例与各对流参数按站次进行了匹配，但考虑到再分析资料时间分辨率的不足以及避免一些随机性误差，选取站点周围4个格点对流参数的平均值与该站对流天气进行了匹配。表 2和表 3分别是江苏各站平均的各月雷暴和雷暴大风天气发生临近时刻部分对流参数特征值。

由于强对流天气对不同对流参数表现出不同的敏感性，如何取舍就涉及权重分配问题。由表 2和表 3可见，对流参数在不同类别强对流天气和不同月份同类强对流天气发生前确实表现出明显的差异性，这一方面反映出不同强对流天气产生机理机制的差异，另一方面反映出强对流天气的季节性差异，但无论哪种差异实际上都反映出大气结构、属性相对于气候平均态性质和强度的偏离。天气事件的发生，实际上是天气系统的生消及其强度变化产生了相对于气候平均态偏离后的产物，具有同样一组对流参数性质的大气，在不同季节或不同区域发生强对流天气类别和强度可能不同，也正是与当时当地气候平均态的差异性不同所致。因此，面对众多对流参数如何进行有效选取和赋予适当权重，一个重要的依据就是该对流参数在强对流天气发生时应表现出相对于气候平均态明显的差异性，而对于气候平均态则可简单地以月平均值来表示，表 4为江苏省2—9月部分对流参数月平均值。

如直接利用表 4中对流参数的月平均值代表气候值，一个非常凸出的问题将对后续预报方法的研制和预报效果造成困惑。以K指数为例，6月气候值为19.36℃，7月为29.94℃，按照自然月的划分这个结果应该是合理的，但当假设6月30日和7月1日都出现了某种强对流天气，并要表征这时K指数相对于气候平均态的差异性时，由于6和7月K指数气候平均态相差10.58℃而出现剧烈的跳动，这显然是不合理的。因此，为排除以自然月划分带来气候平均态的突变和过长时段平均会弱化气候平均态的问题，遂以当前日为中心，前后一定时长进行滑动平均得到逐日气候平均态。根据试验，以15 d为时间窗进行滑动计算，取得了较为满意的结果，但进一步研究历史个例在各月的分布，发现其在逐日时间轴上的分布很不均匀，为进一步凸显对流发生时刻各对流参数与气候平均态的差异性，以历次强对流天气发生临近时刻的对流参数值与以强对流天气发生当日为基准、15 d滑动计算的气候平均值的差值的平均值来表示。对某类(k)强对流天气的某月(m)某个对流参数(i)而言，其与气候平均态的差异性可表示为

点击浏览公式

实际业务中，一个对流参数是否具有良好的可用性，还需要该对流参数自身具有一定的稳定性。从随机抽取的江苏地区7月100个雷暴大风天气个例发生临近时刻的K指数和对流有效位能分布(图 1)可见，K指数大多维持在30—40℃，而对流有效位能在0—5000 J/kg剧烈波动，尽管对流有效位能的平均值达到了2658 J/kg，但显然将其作为指标来预报雷暴大风天气因太不稳定而不合适，且这种不合适多半表现为对雷暴大风天气的漏报。

图 1 江苏地区7月雷暴大风天气个例发生临近时刻的K指数和对流有效位能Fig. 1 K index and CAPE values near the time of thunderstorm-gale weather emergence in July in Jiangsu Province

图选项

某类(k)强对流天气在某月(m)的某个对流参数(i)的稳定性简单地可用其标准差来表示：

点击浏览公式

参照经济活动中的投资决策过程，最佳的投资方案应是效益和成本(风险)达到最佳平衡点，将前述差异性B_kmi称之为效益型特征，而其自身的稳定性S_kmi称之为成本型特征。于是采用模糊综合评价方法中的相对偏差模糊矩阵评价技术，可得到对各对流参数的权重分配w_kmi(曾明剑等，2015)。考虑实际应用中的便利性，按权重大小顺序排列并取前

20位用于业务预报。同时，进一步考虑到热力、动力、水汽等综合条件对强对流天气的触发和业务应用的习惯性，在上述分配权重的过程中，实际上还特别指定了K指数、沙氏指数、大气可降水量、925 hPa散度、0 ℃和-20 ℃层高度、对流有效位能以及0—1、0—3、0—6 km风切变为必选参数，若首次自动分配权重后能按序进入前20位，则不作处理，否则按这几个对流参数的权重从大到小从第20位向上顺序替换既选参数。表 5是经过上述步骤得到的江苏地区6月雷暴大风天气各对流参数的权重分配，以及对流参数特征值和气候平均值。

众多历史强对流个例所对应的各对流参数表现出特定频率分布特征，雷蕾等(2012)将其归纳为[y₁，c₀]和[c₀，y₂]两段分段函数进行概率分布处理，也就是连续概率计算思想，其中c₀为历史个例统计得到的平均值，即式(2)中的I_kmi。其实该分段函数可进一步细化分段，以充分体现对流参数的非线性变化特征。于是将I_kmij(j=1，2，3，...，p)顺序排列，然后考察其在间隔10%段位内出现的频率和各段间节点处对应的值，如图 2所示。

图 2 江苏省沙氏指数(a)和强天气威胁指数(b)在4—9月雷暴大风天气中的频率分布Fig. 2 Frequency distribution of SI (a) and SWEAT index (b) for thunderstorm-gale weather from April to September in Jiangsu Province

图选项

图 2中横坐标90%—10%表示江苏各月雷暴大风天气发生临近时刻对流参数出现的频率，以F_kmi表示(k为天气类型，这里代表雷暴大风，m代表月份，i某类对流参数)。如图 2a中p点处表示4月约75%的雷暴大风天气出现时，沙氏指数(SI)都在2℃以下，那么实际应用时应理解为:当预报SI =2℃，则雷暴大风出现的概率为1-75%，即25%。

由图 1、2看出，各类强对流天气的发生与否，相关对流参数并不存在按二元方法设定的所谓阈值。前面获得了对流指数在各类各月强对流天气中的权重分配和基于权重的遴选，并得到历史强对流发生邻近时刻各对流参数的频率分布，于是，假定有预报对流参数I，只要考察其值对应类似图 2上各分段频率上的所在位置，即进行概率匹配后，结合该指数在各类强对流天气于本月中的权重分配，即可构建出分类强对流概率预报算子

点击浏览公式

因江苏地域狭小，前述对流参数特征值、气候值、历史分布频率等都可采取统一的一套指标，而预报对流参数由江苏省业务运行的10 km分辨率、72 h预报时效的中尺度数值模式WRF3.1逐时输出的气象要素计算而得。其中，WRF3.1模式中心点位于(32°N，119°E)，垂直方向不等间距28个σ层，积分步长60 s，网格点数121×151，范围涵盖以江苏为主体的华东大部分地区。模式物理过程采用Lin微物理方案、Kain-Fritsch积云参数化、YSU边界层方案、Dudhia短波辐射和RRTM长波辐射方案，陆面过程为Noah的4层陆面模式。模式选取6 h间隔、1°×1°分辨率的NCEP/GFS(Global Forecast System)每天08和20时(北京时，下同)的分析和预报场作为初始条件和边界强迫，并以T639资料作为备份。同时，利用WRF-3DVAR模块，引入了2 h时间窗内的探空、地面、NOAA15/16卫星和江苏GPS/MET提供的大气可降水量资料对初始场进行了同化分析。

将基于WRF计算的逐时对流参数与统计得到的分类强对流条件下各对流参数的频率分布进行概率匹配，并结合该指数在各类强对流天气于本月中的权重分配后，利用式(3)，即可得到分类强对流概率及优势概率，具体业务流程如图 3。“对流参数计算模块”完成了多达102类对流参数的计算，“权重分配”则完成了2—9月6类强对流天气的对流参数权重分配和遴选，“频率分布”实现了各月各类强对流天气条件下对流参数的历史频率分布。经“权重分配”和“频率分布”模块后形成了两类数据表，那么中尺度模式计算的对流参数按照式(3)，利用这两个数据表就可做出分类强对流天气概率预报，并依优势概率即可确定强对流天气的具体类别。

图 3 分类强对流天气预报业务流程Fig. 3 Operation flow chart for the classified convection weather forecasting

图选项

一个好的客观预报产品，一是对预报要有明确指示意义，二是对预报员要有醒目的提示作用，这就需要分类概率达到一定的程度，也就是概率阈值，然后在此基础上以优势概率确定强对流天气的类型，并按照概率大小以某一色系的不同深浅来分级表示强对流天气发生的可能性。经回算大量历史个例和业务实测，分类强对流概率预报产品以35%为阈值，以5%为间隔，而优势概率则以50%为阈值确定是否给出确定性预报，在满足这一条件下，再以色彩深浅表征其程度。由于多种强对流天气经常同时产生，而在制作图形产品时，同一格点，只能标记一个颜色，在广泛征求意见后，将上述6类天气按其可能致灾程度进行了排序，当概率相当时，后一类覆盖前一类，在同一类天气里再按照其概率大小分为5级，这样就会有6×5共30个色标，考虑到图形美观，就取了各类色系的中间色做色标，所以在图上会看到同一色系不同深浅的状况(见下节试验部分图例)。

按照图 3所示业务流程建立的系统自2014年5月开展业务化测试，每天两次以全自动方式提供分类强对流概率和确定性分类客观预报产品，投入日常业务和南京青年奥林匹克运动会气象保障服务工作，取得良好效果。

2014年7月27日受副热带高压边缘切变系统影响，江苏淮河以南地区自北向南出现明显强降水(图 4a)，强降水主要在沿江苏南地区，过程最大雨量为99.2 mm(江阴)，苏南多个城市出现严重积涝。期间，普遍出现雷暴，部分地区还产生了雷暴大风(图 4b圆圈处)，极大风速为19 m/s(东山)。从华东雷达拼图(图 4c—f)演变可以看到，在苏皖两省中部逐渐发展出一条东北—西南向强回波带，在东移南下发展过程中逐渐逆时针旋转并在苏南—上海—浙北形成一条南北向飑线。

图 4 2014年7月27日江苏天气实况和苏皖地区雷达拼图 (a．2014年7月28日07时24 h雨量；b. 基本站重要天气报告，红色“R”代表雷暴，蓝色圆点代表有降水，褐色圆圈处出现雷暴大风； c. 7月27日10时的雷达回波； d. 14时的雷达回波； e. 16时的雷达回波； f. 18时的雷达回波)Fig. 4 Real weather in Jiangsu and the radar mosaic maps in the Jiangsu-Anhui area on 27 July 2014 (a. the 24 hours accumulative rainfall at 07:00 BT 28 July 2014， b. the significant weather report from the basic stations in Jiangsu, the red ‘R’ is thunderstorm, blue dot represents rain, brown circle indicates the area of thunderstorm-gale， c. the radar mosaic map at 10:00 BT, d. the radar mosaic map at 14:00 BT, e. the radar mosaic map at 16:00 BT, f. the radar mosaic map at 18:00 BT)

图选项

图 5a—d是分类强对流预报系统7月26日20时起报提供的部分时次分类强对流预报产品。27日08时(图 5a)，江苏中西部一条狭窄的东北—西南向强对流指示带表明该区域将出现短时强降水、雷暴并伴大风天气，与图 4a中10时的强回波基本对应，只是图 5a东端的雷暴大风天气并未出现。此后，强对流区域南压，普遍性的雷暴，部分地区短时强降水和雷暴大风天气的指示(图 5b—d)总体上与回波和实况天气现象出现的区域基本一致，预报时间上总体提前约2 h。

图 5 7月27日08时(a)、12时(b)、14时(c)和16时(d)的分类强对流预报产品 (图例自上而下是按可能的灾害影响程度由轻到重顺序排列，依次为普通雷暴、 短时强降水、雷暴大风、雷暴大风并伴短时强降水、冰雹和龙卷)Fig. 5 Classified convection forecast products at 08:00 (a), 12:00 (b), 14:00 (c), and 16:00 BT (d) 27 July (the legend are thunderstorm, short-time severe rain, thunderstorm-gale, thunderstorm-gale with severe rain, hail and tornado in turn, according to the probable effect degree)

图选项

2014年8月24日白天，受西风槽、低涡系统及其南部发展出的东北—西南向飑线的共同影响，江苏自北向南出现了一次强降水、雷暴和雷暴大风天气，其中强降水主要出现在沿淮和江苏省东南部地区，12 h基本站最大雨量111.8 mm(盐城，图 6a)，最大小时降水量47.4 mm，于14—15时出现在沿淮西端的洪泽站。雷暴天气午后主要出现在淮河以南地区，而雷暴大风则稍晚出现在沿江苏南地区(图 6b)。无论从雷达回波(图 6c—f)还是产生的天气现象来看，沿江苏南地区由于受飑线系统的影响，对流性更强，天气也更为剧烈。

图 6 2014年8月24日江苏天气实况和苏皖地区雷达拼图 (a. 2014年8月24日08—20时累积12 h雨量；b. 基本站重要天气报告，红色“R”代表雷暴，蓝色圆点代表有降水， 红色圆点代表05时后降水已超过25 mm，褐色圆圈处出现雷暴大风； c. 8月24日14时的雷达回波； d. 16时的雷达回波, e. 18时的雷达回波, f. 19时的雷达回波)Fig. 6 Real weather in Jiangsu and the radar mosaic maps in the Jiangsu-Anhui area on 24 August 2014 (a. the accumulative rain from 08:00 to 20:00 BT 24 August， b. the significant weather report from the basic stations in Jiangsu, the red ‘R’ is thunderstorm, blue dot represents rain, red dot means the rain exceeded 25 mm after 05:00, brown circle indicates the area of thunderstorm-gale， c. the radar mosaic map at 14:00 BT, d. the radar mosaic map at 16:00 BT, e. the radar mosaic map at 18:00 BT, f. the radar mosaic map at 19:00 BT)

图选项

图 7a—d是分类强对流预报系统8月23日20时起报提供的24日12时、14时、16时和17时客观分类强对流预报产品。从几个时次的预报来看，总体上北边以强降水为主，南边为雷暴，局部为雷暴大风，南北强对流性质差异非常明显，与实况基本一致，对南京青年奥林匹克运动会的赛事影响明显，组委会也据此对赛会赛事提前进行了调整。但对苏南地区的雷暴大风预报有所不足，大部分以强雷暴予以标示(深蓝色)。从预报时效上看，总体上有超过2 h的提前量。

图 7 8月24日12时(a)、14时(b)、16时(c)和17时(d)的分类强对流预报产品(图例同图5)Fig. 7 Classified convection forecast products at 12:00 (a), 14:00 (b), 16:00 (c), and 17:00 BT(d) 24 August (the legend is the same as shown in Fig. 5)

图选项

2014年9月28日受西风槽、低涡切变和地面倒槽的共同影响，午后在苏皖两省淮北地区雨带南侧的安徽境内逐渐发展出一条南北向的飑线，飑线形成后向东南方向发展东移。受其影响，江苏西部地区普降暴雨，局部大暴雨，日最大雨量125.1 mm(睢宁县)，小时最大雨量43.6 mm(图 8a)，同时伴有大范围强雷暴天气，部分地区出现雷暴大风(图 8b)，极大风速出现在浦口晓桥，达22.3 m/s，南京市区还观测到非本站冰雹。图 8c、d分别是苏皖地区9月28日15时和19时雷达1.5°仰角基本反射率拼图。

图 8 2014年9月28日江苏天气实况和苏皖地区雷达拼图 (a．2014年9月29日07时24 h雨量， b. 基本站重要天气报告(说明同图4)， c. 28日15时飑线初生时的回波拼图， d. 28日19时飑线影响南京城区的回波拼图)Fig. 8 Real weather in Jiangsu and the radar mosaic maps in the Jiangsu-Anhui area on 28 September 2014 (a．the 24 hours accumulative rainfall at 07:00 BT 29 September 2014， b. the significant weather report from the basic stations in Jiangsu, the symbols are the same as shown in Fig.4， c. the radar mosaic map with a newborn squall line at 15:00 BT 28 September, d. the radar mosaic map at 19:00 BT 28 September when the squall line affected Nanjing)

图选项

对于这次飑线过程，建立的分类强对流预报系统在27日20时起报的28日分类强对流预报部分产品如图 9。根据预报，强对流天气将自西向东影响江苏，但各类强对流天气在发生区域和时间上不一致。最初，江苏西部地区是以短时强降水(绿色)为主(图 9a)，尔后出现大范围雷暴天气(图 9b，蓝色)，并逐渐出现雷暴大风(图 9c、d，黄色)。而实况，在飑线产生前的28日上午，江苏淮北西部地区处于低涡东部，配合南侧低空急流，产生了较长时间的降水，其中睢宁站08—09时雨量达43.6 mm。午后，飑线在安徽中部形成并在东移发展过程中，江苏自西向东相继产生雷暴和雷暴大风天气。从天气现象发生的区域上看，预报总体正确，但南京地区冰雹和淮北两站的大风有遗漏，不过从风向判断，淮北两站的大风应是低涡对应的地面气旋东侧产生的系统性大风，而非飑线本身产生的对流性大风，南京地区的雷暴大风则显然是飑线所致。从各类强对流发生的时间上来看，除短时强降水持续时间偏长外，其他天气现象提前了2—3 h。

图 9 9月28日12时(a)、14时(b)、16时(c)、17时(d)的分类强对流预报产品 (图例同图5)Fig. 9 Classified convection forecast products at 12:00 (a), 14:00 (b), 16:00 (c) and 17:00 BT (d) 28 September (the legend is the same as shown in Fig.5)

图选项

从上述业务试验结果可见，分类预报尽管不是十分完美，但对可能出现的强对流天气性质有较为明确的提示，且从短期预报的角度看，落区和时间也具有较好的参考价值。在预报时效上，发现预报比天气实况大体存在不少于2 h的提前量，分析其原因，一是作为预报基础的中尺度数值模式本身可能存在误差，二是预报方法来自于对各类对流参数的综合判断，而对流参数所体现出的大气环境如有利于强对流天气发生，自然需要一个酝酿、爆发的过程，其超前于强对流天气的产生也是合理的，也更具有预报价值。根据曾明剑等(2015)的研究，发现强对流天气的产生从对流参数的酝酿过程来看大约需要5—6 h。因此，如飑线这样的带状系统在分类强对流预报产品中有时其带状结构并不明显，而更多地是指明飑线未来影响的一定区域范围。

随着中尺度数值模式的发展，其高时空分辨率的要素预报准确性不断提高，越来越受到预报业务的重视与应用，但模式本身并不直接提供诸如强对流等灾害性天气的预报，加强模式产品的灾害性天气释用技术研发就成为模式本地化应用的重要方向。基于中尺度数值预报产品，结合多种对流参数开展强对流天气的短期预报技术研发，并建立客观预报系统的思路，为提高强对流短期预报能力提供了有效途径。但面对众多的对流参数如何有效取舍，以反映不同类型强对流天气的性质、特征，并据此开展预报，是需要重点解决的问题。

本研究在大量历史个例的基础上，结合高分辨率的再分析资料，采用分类、分月的统计，实现了各类强对流天气与对流参数的有效匹配，为从对流参数的角度辨识各类强对流天气提供了良好的基础。相对偏差模糊矩阵评价技术的引入，实现了对众多对流参数的筛选和权重分配，建立起既体现各类强对流与气候平均态间明显差异性，又体现自身相对稳定性的特征对流参数序列。再结合对流参数在各类强对流发生前的历史频谱分布特征，构建了分类强对流天气概率预报函数，并以优势概率作为强对流分类判据，做出强对流分类预报。最后基于中尺度数值模式建立了业务化的客观预报系统，在思路和技术上对分类强对流短期预报进行了新的尝试。

因篇幅所限，仅给出3个业务预报个例，实际上该业务系统自2014年5月正式建立起来，至今一直稳定运行。由于目前强对流天气在短期预报上还没有统一的检验标准，也许精确到站点的检验目前的预报能力还有待提高，但从上面3个个例，以及2014年江苏地区日常预报和南京青年奥林匹克运动会气象保障应用过程来看，该预报方法和产品在短期预报范畴还是具有相当高的参考价值。

当然，目前对于对流参数的筛选和权重分配，全部是采用数学方法客观自动完成，所挑选出来的这些参数及权重的分配是否合理，还应该结合各类强对流的发生、发展机理进行综合评估。同时，由于受日本气象厅再分析资料时间分辨率的限制，强对流天气与对流参数的匹配也还不够精准。此外，尽管采用依据个例进行滑动处理得到气候平均值以尽量克服人为月季划分带来的影响，但分月的处理还是会造成对流参数统计性质在时间上的不连续性。上述问题，都有待在今后的工作中进一步研究解决。