如何利用我国多普勒天气雷达网，开展暴雨和强风暴天气的监测预警技术研究并建立先进而实用的业务系统是十分迫切的课题。自20世纪80年代以来，国外在研究以天气雷达为骨干的临近预报系统方面给予很大投入，发展极为迅速。具有里程碑意义的是在2000年悉尼奥运会期间，世界天气研究计划预报示范项目展示了国际上9个临近预报系统^[1]，8年后又有8个临近预报系统参加到2008年北京奥运会的预报示范项目中^[2-3]，对临近预报技术发展起到了很大的推动作用。在世界众多临近预报系统中，先进而具代表性的有美国国家大气研究中心开发的Auto-Nowcaster^[4]，国家强风暴实验室开发的WDSS-II (Warning Decision Support System-Integrated Information) ^[5]，英国研究建立的对流性降水预报系统GANDOLF (Generating Advanced Nowcasts for Deployment in Operational Land-surface Flood forecasts)^[6]等。

Wilson等^[7]对强风暴临近预报技术作了全面的归纳和展望，对于了解临近预报技术的基本特点及研究、建立临近预报系统起到重要启示作用。临近预报技术可概括为3个部分：一是外推技术，包括在移动、尺度和强度不变假定下的外推以及基于过去在尺度和强度变化趋势下的外推；二是考虑风暴初生和消亡生命史过程的专家系统技术；三是利用雷达数据进行初始化的数值预报模式技术。俞小鼎等^[8]研究了雷暴与强对流临近天气预报技术进展，郑永光等^[9]总结了短时临近预报业务现状、技术进展以及面临的挑战，同样认为短时临近预报技术是外推预报技术、数值预报技术、概念模型预报技术以及这3种技术的结合应用。美国近年发展的统一航空风暴预报系统CoSPA (Consolidated Storm Prediction for Aviation)^[10]和澳大利亚的降水集合预报系统STEPS (Short-Term Ensemble Prediction System)^[11]等中，均体现了外推预报与数值预报的融合技术。

早在“七五”期间，湖北武汉就研究建立了具有卫星和雷达网综合处理功能的长江中游短时天气监测系统 (MYWMS, Weather Monitoring System in Middle Yangtze river)^[12]，“八五”期间又研制能实现大范围降水累积量的实时监测预报系统 (LARORAS, Large Area Rainfall Observation in Real-time Automatic System)^[13]。2003—2007年湖北省气象局和科技厅联合支持自主研制长江中游临近预报业务系统 (MYNOS, Nowcasting & warning Operational System in Middle Yangtze river)，其目的就是要充分利用多普勒天气雷达这一先进探测装备，直接针对和处理短时暴雨、冰雹、雷暴大风灾害天气临近预报的业务难题，建立短时临近预报业务的支撑平台。借鉴世界临近预报系统的先进经验，结合长江中游强对流天气特点和实际业务需求，确定MYNOS的技术策略和重点是建立一个信息集成显示平台，充分发挥天气雷达在临近预报系统中的基石作用，认真研究定量监测和自动识别技术，并重点与数值预报相结合。MYNOS历时5年研究，同时也经历了6年的业务应用，其重要成果已经进入全国灾害天气短时临近预报预警系统 (SWAN, Severe Weather Automatically Nowcast System) 中。

由于灾害性天气短时临近预报的特性，人们分析资料并作出预报的可用时间非常有限^[4]，因此MYNOS必须具有多种探测信息收集、处理及其产品的合成显示分析能力，形成基于GIS信息的综合分析显示工作站。王志斌等^[14]从系统需求、设计、实现3个方面进行了详细描述，本文介绍的重点则是MYNOS功能以及几种主要气象算法的基本原理和关键技术。

系统由3个部分组成：第1部分是前置处理系统，从多个服务器和数据库获取海量数据，并进行多个气象算法运算，生成各类产品；第2部分是产品服务器，存储和管理所有前置处理系统生成的产品，借助宽带通信，实现MYNOS产品共享；第3部分是工作站，提供给预报员各种监测预警产品的显示分析平台。

MYNOS共有5个功能层次 (图 1)。第1层为信息获取层，提供天气雷达、卫星遥感、闪电定位、地面探测等监测信息；第2层为监测产品层，主要包括雷达质量控制、雷达三维拼图以及数值预报产品参数提取等；第3层为定量测量降水层，包括雷达回波分类、卫星云分类、回波垂直廓线的生成与订正、雷达与雨量站联合降水估算、结合卫星的多手段联合降水估算等；第4层为预报产品层，包括强对流潜势预报、降水数值预报、对流云团自动识别、强对流天气分类识别跟踪、暴雨临近预报等；第5层为显示分析层，供短时预报员任意显示各种产品。

图 1

图 1. MYNOS功能结构示意图 Fig 1. Function structure chart of MYNOS

MYNOS前置处理系统是一个实时自动运行处理系统，采用多线程方法实现了海量数据高频度的实时通信和多种气象算法有效调度运行，按照指定周期调度不同功能子模块，生成各种产品供工作站显示。

MYNOS工作站是一个人机交互系统，是一个预报警报发布平台。它既具有单独显示分析各种探测信息以及监测预报产品的功能，也具有各种图形、图像叠加显示分析，图形、图像的无级缩放，图层管理、图像动画、图像对准等功能。采用高级语言从底层自主开发，通过设计特殊类型的图层，解决了如特定的强对流天气模型表达、图像数据在系统中的快速动画、特殊投影方式下图像的对准等问题。

MYNOS提出雷达和雨量计实时同步结合方法即RASIM (RAdar-raingauge Synchronously Integrated Method in real-time)^[15]，通过同步积分使雷达和雨量计采样为准同雨团样本，从而建立动态的转换关系，旨在削弱雷达设备的探测误差以及Z-R关系的转换误差这两个层面对雷达估算降水的影响。

RASIM方法主要基于一个事实和两个概念。一个事实是雨量计与其垂直上空雷达的小时累积量 (Z_OH, Q_G) 存在符合幂律的相关性，两个概念是准同雨团样本与小时等效反射率因子，这在文献^[15]中有较充分的论述。在1 h内，雨量计的降水累积量用Q_G表示，与其相对应的垂直上空某层的雷达反射率因子累积量用Z_OH (或Z_B) 表示，这样很容易得到单站积分型的Z_B-Q_G关系：

(1)

式 (1) 中，, b_f为固定指数^[16]，T=1 h，A_B为单站云雨转换系数。对式 (1) 在降水区域S进行面积分，并引入A_BS为适合区域的待定系数，将积分转换为离散求和，各离散雨量计小时测量为Q_Gi，对应各雨量站点的雷达小时测量为Z_Bi，则有

(2)

式 (2) 中，N为区域S内的雨量站数，A_BS是区域转换公共系数。这样很容易得到雷达逐个像元(x, y)小时累积降水量Q_R估算方程或A_BS区域型雷达降水估算方程：

(3)

式 (3) 是用一个公共系数A_BS来代替区域A_Bi中各点真实的A_Bi进行地面降水估算的，难免存在估算误差。对于某个站点而言，雷达估算降水量Q_Ri与雨量计实测降水量Q_Gi的差值为ΔQ_Ri，那么单站差估率μ_i可定义为^[17]

(4)

其物理意义为单站单位实测降水量所含有的错估量。式 (4) 表明, μ_i是该站转换系数A_Bi在为指数的幂值上相对于公共转换系数A_BS的相对离差，它揭示了μ_i产生的本质原因是A_Bi对于A_BS的偏离度。

整个区域降水估算误差可取两个判据来表达：第1个判据是区域降水差估率μ_S。定义为各单站降水差估量区域内总和与区域对应各站点实测降水量总量的比值。A_BS型的区域降水差估率μ_S在任何时次均为0，即在区域内所有高估总量必定与低估总量相等。第2个判据是区域降水绝对差估率μ_|S|。定义为各单站降水差估量绝对值区域内总和与区域对应各站点实测降水量总量的比值，表达如下^[18]

(5)

由式 (5) 可知，即使区域内μ_S为0，但若各单站存在误差，则μ_|S|≠0；各站转换系数A_Bi均等于区域公共系数A_BS情况除外。式 (5) 中，μ_|S|是各|μ_i|按Q_Gi分配的加权平均值。

构建一个能够反映降水实际的反射率因子场是雷达降水估算的首要条件，在MYNOS中研究和实现了非降水回波 (特别是地物和超折射回波) 的识别和抑制技术^[18]、降水回波分类技术^[19]、雷达回波垂直廓线VPR (Vertical Profile of Reflectivity) 生成和订正技术^[20]；结合雷达探测范围的地理信息形成尽量接近地面且受非降水干扰少的混合扫描反射率因子场^[21]。另外，Gabella等^[22]指出进行雨量计-雷达测量数据对质量控制的重要性，式 (4) 清楚显示了μ_i产生的原因是A_Bi对于A_BS的偏离度，由此建立一种可通过设定μ_i合理区间来判别雷达和雨量计错误数据对的质量控制新方法^[17]。

临近预报技术最早起源于雷达回波的外推技术，后来强调利用多种观测及其反演信息并结合数值预报研究建立风暴生命史模型，从而来指导和约束外推预报，如GANDOLF的OOM (Object-Oriented conceptual Model) 技术^[23]、Auto-Nowcaster系统采用多预报因子的模糊逻辑融合技术^[4]等。在风暴识别和追踪中，主要应用交叉相关与质心追踪技术或在此基础上的改进技术，如SCIT (Storm Cell Identification and Tracking)^[24]、TITAN (Thunderstorm Identification, Tracking, Analysis, and Nowcasting)^[25]技术。MYNOS以TITAN技术为基础，并研究建立了雷达参量 (包括反演量) 与数值模式输出参量相结合的分类识别强对流天气技术，生成相应识别、预报产品 (图 2)。

图 2

图 2. 2008年6月3日19：30 (北京时，下同) 黄冈地区强对流天气识别产品 (椭圆圈表示风暴水平投影面范围，如同时识别出冰雹和大风天气则只显示冰雹符号) Fig 2. Identification products of strong convective weather in Huanggang Region at 1930 BT 3 Jun 2008 (ellipse denotes the range of horizontal projection plane of wind storm, if both hail and gale are identified at the same time, only hail symbol is signed)

一是风暴体识别。在TITAN的基础上，MYNOS建立了基于雷达坐标系的风暴三维结构，先识别出笛卡尔坐标系中组成风暴面的径向段，并映射到雷达坐标系中的相应径向段，由所有径向段重构风暴三维结构。

二是风暴跟踪及预报。风暴跟踪 (匹配) 采用TITAN的匈牙利算法^[25]；风暴预报采用线性外推法，根据移动矢外推风暴未来位置以及体积变化趋势计算未来投影面的大小，预报时效为6, 30, 60 min。

基于风暴体结构提取回波特征量，并结合数值模式预报场作为识别因子分类识别强对流天气。冰雹识别采用WSR-88D中的SHI (Severe Hail Index) 算法^[26]，其中0 ℃和-20 ℃湿度层高度数据直接从数值预报场获取。识别短时强降水和雷暴大风天气采用模糊逻辑原理，使用隶属函数模糊化处理所有识别因子，并对模糊化值求权重平均得到短时强降水和雷暴大风指数：

(6)

式 (6) 中，I_HR和I_SW分别表示短时强降水指数和雷暴大风指数，f_i表示特征量的模糊值，w_i表示特征量对应的权重值，N表示特征量个数。如I_HR (或I_SW) 不小于阈值则认为风暴将产生相应的强对流天气；反之，不会产生相应的强对流天气。

郑佳锋等根据雷达回波特征设计了阵风锋自动识别算法^[27]，本文则利用强冰雹指数I_SH (单位：J/(m·s))、风暴移动速度V_CM(单位：km/h)、风暴单体重力势能E_CEP (单位：10³J)^[28]、低层水平风速V_h(单位：m/s)、回波顶高H_T (单位：km)、垂直液态水含量C_VIL (单位：kg/m²)、大气垂直相对湿度 (F₈₇, F₇₅, F₅₂分别表示850 hPa与700 hPa, 700 hPa与500 hPa, 500 hPa与200 hPa平均相对湿度，单位：%) 等多因子识别雷暴大风。对这些参量通过统计求取隶属函数分布并进行模糊和权重处理，形成雷暴大风识别因子。

降水量与降水强度和持续时间有关。短时强降水识别因子包括雨团平均降水强度R (单位：mm/h)、风暴顶高H_T (单位：km)、垂直液态水含量C_VIL (单位：kg/m²)、风暴移动速度V_CM (单位：km/h)、回波范围S (单位：km²) 及大气垂直相对湿度F₈₇，F₇₅，F₅₂ (单位：%)。其中R, H_T, C_VIL能反映降水强度；S，V_CM则反映降水持续时间，F的垂直分布能较好区别强降水与其他强天气类型。同样，对这些识别参量通过统计求取隶属函数分布并进行模糊和权重处理，形成短时强降水识别因子。

图 3给出一个降水外推临近预报的不分尺度与分尺度的对比，结果表明后者明显优于前者。与第3章所论述的强风暴天气回波不同，梅雨锋暴雨回波则是对流云和层状云混合性的范围相对较大的降水回波，在雷达回波形态上表现出多尺度特征。观测发现，不同尺度的回波生命史和移动均有很大差异，一般较大的β中尺度回波团或带有较长的生命史，而镶嵌其中的若干较小的风暴尺度 (或称γ中尺度) 的对流单体生命史短。因此，对单体回波比较有效的众多识别和外推的方法对多尺度特性的梅雨锋暴雨回波不适应，特别是预报时效较长的时候。Lakshmanan等^[29]提出用多尺度分割预报方法研究雷达、卫星图像的临近预报，很大程度上解决了有多尺度特性回波等目标的识别问题。

图 3

图 3. 2003年7月8日07:00武汉天气雷达1 h降水外推预报和小时降水实况 (a) 不分尺度外推预报，(b) 分尺度外推预报 Fig 3. 1-h precipitation extrapolated prediction of Wuhan radar and the observed hourly precipitation at 0700 BT 8 Jul 2003 (a) non-separated scaling extrapolated prediction, (b) multi-scale extrapolated prediction

MYNOS吸收这一先进技术思想，以梅雨锋等大范围降水为主要对象，研究建立了多尺度合成的短时暴雨临近预报技术。首先，根据暴雨回波的多尺度特征，研究暴雨回波的尺度滤波、分割、匹配等处理技术；然后，根据不同尺度回波生命史来约束其预报时效，得到分尺度下的降水预报场，实现暴雨回波多尺度的合成降水量临近预报^[30]。其主要步骤包括：①雷达反射率因子场滤波, ②相关法匹配求回波移动速度, ③γ尺度回波移动速度的处理, ④预报降水合成处理。

在短时临近预报业务中，以多普勒天气雷达观测的强对流天气特征为基础的预警技术，往往时效有限。考虑到中尺度对流系统发生发展与各种气象环境场条件关系密切，MYNOS利用中尺度数值预报模式，计算、输出若干与强风暴发生发展有密切关系的常规物理量和对流参数，研究基于模糊逻辑学技术融合多对流参数诊断强天气潜势的技术方法，开发雷暴、雷暴大风、冰雹、短时暴雨4类强天气落区的潜势预报产品^[31-32]。

MYNOS采用中尺度数值预报模式AREM原有计算各层涡度、散度、垂直速度等常规物理量的模块外，还专门设计了用于分析和诊断强对流风暴的对流参数计算模块，每天08:00和20:00两次生成逐小时常规物理量、对流参数，种类多达20种。MYNOS将物理量产品与雷达、卫星等观测图像进行叠加，使预报员可以捕获到更多的强天气发生、发展和消亡的信息。

影响雷暴、雷暴大风、冰雹和短时暴雨发生的因子很多，利用单一的某个物理量不可以进行有效诊断。MYNOS借鉴预报员主观综合预报思路，应用模糊逻辑学融合多对流参数技术来诊断强天气潜势。

表 1给出了影响4类强天气的物理量及其权重系数^[31-32]。关于雷暴的形成，一般着眼于3个基本条件：层结稳定度、水汽和抬升源，是否为强风暴类还与垂直切变有关。这里，对雷暴的形成选取了对流有效位能、K指数、对流抑制能量、850 hPa与700 hPa平均相对湿度F₈₇和850 hPa涡度ζ₈₅₀5个参数。雷暴大风发生的典型垂直湿度分布大多是低层湿、中高层干冷，除普通雷暴形成的基本条件外，将中、高层湿度条件也作为雷暴大风发生的因子重点加以考虑。冰雹的发生相当复杂，除了与热力、动力环境有关外，还与融化、风暴尺度气流结构和非静力压力对上升气流的影响及地形等多个方面有关^[33]。因此，除雷暴大风所用7个参数外，还考虑冰雹下落过程中的融化、0 ℃和-20 ℃温度层高度、地形因素的影响。暴雨大多发生在高能、高湿、有强烈水汽辐合的地区，根据暴雨发生的动力、热力、水汽等条件选择参与统计的参量。最后选取K指数、850 hPa假相当位温、300 hPa与850 hPa涡度差、各层平均相对湿度和850 hPa水汽通量散度代表暴雨发生的热力、动力及水汽条件，进行统计分析并建立预报方程^[32]。

表 1

表 1 预报对象、模式输出物理量及其权重 Table 1 Prediction objects, model output physical quantities and their weights 预报对象 模式输出物理量 权重系数 雷暴 对流有效位能 0.66 K指数 0.41 对流抑制能量 0.40 850 hPa涡度ζ850 0.31 850 hPa与700 hPa平均相对湿度F87 0.20 雷暴大风 对流有效位能 0.62 K指数 0.60 对流抑制能量 0.30 850 hPa涡度ζ850 0.40 850 hPa与700 hPa平均相对湿度F87 0.20 700 hPa与500 hPa平均相对湿度F75 0.40 500 hPa与200 hPa平均相对湿度F52 0.30 冰雹 对流有效位能 0.60 K指数 0.60 对流抑制能量 0.40 850 hPa涡度ζ850 0.30 850 hPa与700 hPa平均相对湿度F87 0.20 700 hPa与500 hPa平均相对湿度F75 0.20 500 hPa与200 hPa平均相对湿度F52 0.40 0℃温度层高度 0.60 -20℃温度层高度 0.38 海拔高度(非模式输出量) 0.20 短时暴雨 K指数 0.50 850 hPa与700 hPa平均相对湿度F87 0.60 700 hPa与500 hPa平均相对湿度F75 0.60 500 hPa与200 hPa平均相对湿度F52 0.50 850 hPa水汽通量散度 0.60 850 hPa假相当位温 0.50 300 hPa与850 hPa涡度差 0.50

表 1 预报对象、模式输出物理量及其权重 Table 1 Prediction objects, model output physical quantities and their weights

融合多因子技术较多，其中模糊逻辑方法不追求物理量的具体量值，根据宽松的分级原则，可以求得较为合适的结果，并具有扩充性和兼容性。美国临近预报系统Auto-Nowcaster采用的就是模糊逻辑技术^[3]。MYNOS采用了Auto-Nowcaster的技术思路，用模糊逻辑学方法融合若干参数建立诊断模型。

MYNOS建立了各物理量的隶属函数分布 (图略)，详见文献[31-32]。它们是在统计经验的基础上确定的。隶属函数动态范围取0~1或-1~1，正值越大表示强天气发生的可能性越大，0表示强天气发生的可能性为零，负数表示有抑制对流的作用。图 4是模糊逻辑算法简单流程示意图，做法是，通过隶属函数将对应的物理量转换到[0, 1]或[-1, 1]空间，得到单个参量对应的天气事件可能性大小；采用加权平均法，得到组合量对应天气事件的可能性大小，其中权重系数取试验过程的统计平均 (表 1)；给定阈值，确定天气的范围等。

图 4

图 4. 强对流天气分类潜势诊断模糊逻辑算法流程示意图 Fig 4. Fuzzy logic algorithm flowchart of strong convective weather classified potential diagnosis

MYNOS于2006年5月在武汉中心气象台开始进行业务试验，2007年汛期正式投入业务应用，先后推广到湖北、江西等省30余个地市级气象台以及相关工程安装运行。MYNOS在业务应用中体现两大特点：一是产品丰富，MYNOS具有实况监测、定量降水估算、定量降水临近预报、强天气分类识别跟踪、潜势预报等产品，最大限度实现了产品的时间无缝隙，为预报员开展临近预警提供参考。二是系统稳定，MYNOS经过6年的业务运行，体现了良好的稳定性。由于采用类似MICAPS框架设计，集成基础地理信息，用户可叠加显示多种产品，且动画显示速度快。因而，MYNOS对长江中游地区短时临近预报业务起到了技术支持作用。

本文给出定量降水估算与强对流天气识别临近预报的检验结果，而多尺度合成降水临近预报与基于数值模式的潜势预报产品的应用效果参见文献[30-32]。定量降水估算经过了多次检验评估，这里给出对武汉雷达8次和广州雷达4次降水过程的评估结果，在雷达探测120 km半径区域降水绝对差估率 (定义见式 (5)) 平均分别为22%和21%。选取鄂东地区6次短时暴雨过程 (时间略)，共含有234个强降水风暴 (1 h降水量≥20 mm)，经检验正确识别 (1 h临近预报)170个、虚警75个、漏报64个，表明大部分强降水风暴能被正确识别。

MYNOS多次成功对冰雹、大风风暴进行识别跟踪。2007年4月15日15：00河南信阳西部先后两个对流风暴初生，排列成西北—东南向并向东南移动，强度迅速增强，进入大悟时回波强度达60 dBZ，产生冰雹最大直径约4 cm，后进入红安产生直径约5 cm的冰雹。MYNOS较完整地监测到冰雹风暴移动路径，且识别冰雹区域与实况一致。2007年7月27日傍晚，湖北东部经历了一次大风天气过程，其中18:56黄石瞬间最大风速为21.7 m/s，20:12黄陂瞬间最大风速为20.5 m/s，MYNOS正确识别跟踪了多数大风风暴的移动路径。

研究表明：

1) MYNOS是一个长江中游强天气特点的区域级 (或省级) 灾害天气监测预报预警业务支撑平台，其重要成果已经进入灾害天气短时临近预报预警系统SWAN。

2) MYNOS体现了一系列基于多普勒天气雷达的研究成果：雷达质量控制与降水分类技术，Z垂直廓线生成及订正技术，雷达三维拼图技术，雷达-雨量计实时积分结合的降水估算技术，强对流天气分类识别跟踪技术，多尺度合成的降水量临近预报技术等。

近几年将重点探索基于多普勒天气雷达径向速度资料的天气学信息自动提取与客观应用技术，研究建立融合天气学特征和图像识别的强对流天气分类识别和临近预报技术。