中國強對流天氣預報業務發展

張小玲 楊波 盛杰 田付友 周康輝 林隱靜 朱文劍 曹艷察

（國家氣象中心，中國氣象局，北京 100081）

0 引言

強對流天氣具有空間尺度小、生命史短但造成災害劇烈的特點。因此，強對流天氣預報是包括我國在內的眾多國家天氣預報業務技術攻克的重點。由于時空尺度小，國內外業務技術發展的重心都聚焦于對流監測和短時臨近預警技術的發展。國外發達國家均在致力于發展能更好識別中小尺度對流天氣的雷達等遙感探測技術、臨近預警技術和對流可分辨的快速更新同化數值分析預報技術，并在此基礎上發展短時臨近無縫隙的強對流預警業務。

世界氣象組織（WMO）2005年定義的臨近預報（或者稱為甚短時預報）為0～6 h的天氣預報。Wilson等將這一時效內的臨近預報技術概括為3類：在強度和尺度不變假設下的外推和基于過去強度和尺度變化趨勢的外推、考慮風暴生消過程的概念模型專家系統以及數值模式預報技術[1]。我國預報業務通常把0～2 h的天氣預報稱為臨近預報，因此本文仍然把0～2 h的預報稱為臨近預報，2～12 h稱為短時預報。

針對強對流天氣系統的0～6 h預報，各大氣象研究和業務中心主要基于雷達回波與衛星圖像的簡單外推以及實踐經驗，發展了各種類型的短時臨近預報（nowcasting）系統，業務應用表明它們在0～1 h的預報中相當有效。如美國國家大氣研究中心（NCAR）研發的Auto-Nowcaster、美國強風暴實驗室（NSSL）研發的WDSS-II和英國的GANDOLF等[2-5]。

然而由于缺乏對強對流系統的發生、發展和消亡的物理機制描述，以外推為主的短時臨近預報系統預報能力隨預報時效增加迅速降低[1]，尤其是對強對流系統發展、演變的預報。俞小鼎等在對國內外雷暴和強對流臨近天氣預報技術進行全面回顧后指出，臨近預報系統應該建立在風暴尺度數值預報模式的集合預報基礎上，采用適當的初值產生方法和模式不確定性處理方法，以及合適的數據同化技術[6]。這一觀點與陳葆德不謀而合，后者認為，采用數值模式預報強對流系統，雖然對動力與物理過程的描述存在著各種各樣的不足，但對強對流系統活動的預報在原理上應該遠優于簡單的外推方法；鑒于強對流系統水平尺度較小、生命史較短的特點，模式初始時刻對當前對流系統的準確把握是關鍵[7]。

美國1991年開始研究快速更新同化技術，1994年NCEP（National Centers of Environmental Prediction）實現快速更新同化預報系統（Rapid Update Cycle，RUC），為強對流天氣業務預報提供分析預報參考產品。2012年新一代的快速更新同化預報系統（Repaid Refresh，RR）取代原來的RUC系統（http://repaidrefresh.noaa.gov）。更高分辨率（3 km）的RR系統（High-Resolution Rapid Refresh，HRRR）于2011年4月開始在NOAA/ESRL/GSD測試。

由于傳統的外推預報技術與快速更新的數值模式預報技術在0～2和2 h以上各有優勢，這兩種技術的融合技術（blending）成為短時臨近預報的重要發展方向，而據此建立無縫隙的強對流天氣預報業務體系也已經成為發達國家提升強對流預警服務能力的業務建設方式。以美國為例，風暴預報中心（SPC）已建立了時間尺度從幾個小時警戒到8天的強對流展望業務體系（www.spc.noaa.gov），并與地方氣象部門的臨近警告構成了無縫隙的預報業務體系（圖1）。

圖1 美國強對流無縫隙預報體系（a）和預報產品示例（b1～b3） （b1、b2中陰影表示雷達回波，b3陰影表示預警區域） Fig.1 (a) The seamless forecasting operations on severe convective weather in the United States; (b1-b3) Samples of products: the shades denote radar echo in b1 and b2, and warning area in b3

我國的臨近預報在省及以下地方業務單位已經比較成熟，但國家級專業化強對流天氣預報業務始于2009年，且以短期預報為主，尚未建立起成熟的短時預報業務。本文將從無縫隙業務角度，介紹我國強對流天氣的實時監測、臨近預警、短時和短期預報業務現狀及未來發展。

1 成熟的實時監測和臨近預警及短期潛勢預報業務

在我國業務中，對流和強對流天氣主要包括雷暴、小時雨量20 mm以上的短時強降水、8級或者17 m·s-1以上的雷暴大風、直徑5 mm以上的冰雹或者任何級別的龍卷等。本文中所指中國的強對流均以此為標準。

1.1 監測

隨著業務觀測體系的逐漸成熟，近年來我國的強對流監測能力逐步提高。2009年以來，國家級強對流天氣預報業務單位強天氣預報中心利用雷達、衛星、常規和非常規地面觀測站等多源觀測資料，通過發展自動站資料質量控制技術、強對流信息提取和統計技術、直角坐標交叉相關（CTREC）雷達回波追蹤技術、雷暴識別追蹤分析、深對流云識別技術、中尺度對流系統識別和追蹤技術以及閃電密度監測技術等，建立起強對流天氣綜合監測業務系統[8]。監測對象包括：雷暴、雷暴大風、冰雹、短時強降水以及對流云等。圖2為強天氣預報中心的強對流天氣實時監測產品。該監測產品已經實現我國陸地和近海區域間隔1、3、6、12和24 h的雷暴、雷暴大風、冰雹、短時強降水分級監測。此外，利用閃電資料可監測中國及周邊地區地閃總數及地閃密度。利用雷達資料還實時監測雷達回波及垂直液態水等多參量，實現基于雷達特征量的冰雹指數、中氣旋和龍卷渦旋特征（TVS）等的識別和自動報警。

圖2 2017年4月20日20時至21日20時24 h強對流天氣監測 Fig.2 24 h monitoring of severe convective weather ending at 20 BT on 21 April 2017

由于中國地域廣闊，西部大量地區既無地面測站也沒有雷達觀測，發展基于靜止氣象衛星和閃電的強對流云團識別、追蹤技術對于監測雷達資料不能覆蓋的西部和中西部山區的中尺度對流系統（MCS）的發生發展非常重要。費增平等根據我國中尺度對流天氣的特點，在對MCS云團重新定義的基礎上，發展了基于圖像和時間序列分析技術的MCS自動識別和追蹤技術[9]。在此基礎上，強天氣預報中心基于FY-2E衛星的IR1通道亮溫、閃電資料對MCS進行了多閾值的自動識別、追蹤和外推，實時輸出MCS的位置、最低亮溫、平均亮溫、面積、橢圓率、移動方向及速度等相關信息（圖3），為預報員在實時監測時判斷強對流天氣的強度、類型，并進行及時的預警，提供了重要信息[10]。

圖3 基于衛星（a）、閃電（b）資料的中尺度對流系統識別 （a中綠線、紅線分別表示識別60和120 min預報的MCS； b中標值為識別的系統時間，陰影為雷達回波） Fig.3 Mesoscal convective system identification using the satellite (a) and lightning (b) data

1.2 臨近預警

中國的臨近預警業務主要由省、市、縣三級氣象臺站負責，尤其面向公眾的雷電、大風、冰雹、暴雨等強對流預警信號多由縣或地市級氣象部門發布。因此我國的強對流臨近預警技術主要依賴以雷達回波為主的外推預報技術。利用雷達回波圖像的直角坐標交叉相關（CTREC）技術在國內的強對流臨近外推中被廣泛應用[11-13]。以降水為例，降水具有高時空非連續性特征，利用雷達回波外推技術和自動站雨量訂正技術的臨近預報方案具有高精度的時空分辨率，準確性也較高，眾多學者在此領域做了大量的研究工作[14-16]。圖4是基于雷達回波外推技術TITAN和自動站雨量訂正技術融合的逐10 min定量降水預報。近幾年，對快速發展的強對流系統的追蹤效果更好的光流法也逐漸被使用[17]。

圖4 雷達外推與自動站雨量訂正融合方法起報的2017年7月3日00時60 min累積雨量（a），以及00—01時的1 h降水觀測（b）（等值線為定量降水預報，彩色標值為降水觀測值） Fig.4 (a) Forecast of 60-m accumulated precipitation by a fusion method of radar extrapolation started at 00 BT 3 July 2017; (b) Observation at automatic rain gauge (The contours in Fig.4a denote forecasting values, the lines and values in Fig.4b are forecasting and observation respectively)

2008 年國家氣象中心和廣東、湖北、安徽等十多個省（市）的氣象部門聯合研發我國自主知識產權的災害天氣短時臨近預報系統 （Severe Weather Automatic Nowcast System，SWAN）。SWAN 系統在

MICAPS 平臺基礎上，融合了數值模式產品和雷達、衛星、自動站等探測資料，提供了大量的臨近預報產品（圖5）。SWAN系統包括6大類產品和功能: 基于實況資料的探測和分析產品、外推預報產品、數值模式與雷達資料的融合預報產品、實時客觀檢驗產品、災害性天氣綜合自動報警，以及預報預警制作和發布功能[18]。各省在大力發展臨近預警技術的同時，也開發了多個對流風暴和降水短時臨近預報系統，比如香港的SWIRL和SWIRL-II、北京氣象局發展的BJ-ANC系統、中國氣象科學研究院的雷電臨近預警系統、廣東的GRAPES-SWIFT、湖北的MYNOS等[19-23]。

圖5 SWAN系統客戶端界面（陰影為雷達資料反演液態水含量） Fig.5 SWAN client interface (The shade denotes vertical integrated liquid inverted from radar data)

1.3 短期潛勢預報

強對流短期潛勢預報是目前最為成熟的強對流天氣預報業務。強天氣預報中心在強對流多發的4—9月每天3次（北京時06、11和18時）發布未來24 h分類強對流（雷暴、冰雹、雷暴大風和短時強降水）落區和概率預報，1次（18時）發布未來48和72 h的強對流落區預報。圖6為2017年9月21日06時發布的當日08—12時強對流概率和落區預報。

Doswell等根據深厚對流發生必須滿足對流不穩定、水汽和抬升條件，提出了強對流的“配料法”預報方法[24]。綜合上述對流條件和組織化發展條件的強對流潛勢預報方法也逐漸成為中國強對流天氣預報的主要方法，并據此發展了基于“配料法”的分類強對流客觀預報方法[25-29]。2016年5—8月雷暴和短時強降水的評估結果表明，與預報員的主觀預報相比，72 h時效內的“配料法”客觀預報概率在40%～60%的短時強降水預報具有較好的預報能力，雷暴預報也具有很好的參考意義（圖7）。該方法可提供7天內逐3 h的雷暴、短時強降水、冰雹和雷暴大風概率預報，其中雷暴、短時強降水預報能力最強。

圖6 2017年9月21日06時發布當日08—20時全國強對流天氣概率和落區預報 Fig.6 Forecast for 12 h (08-20 BT) severe convective weather probability and location, issued at 06 BT on 21 September 2017

圖7 2016年5—8月雷暴（a）和短時強降水（b）客觀概率預報TS評分 （紅色實線表示當年24 h時效內的主觀預報TS平均） Fig.7 TS scores of the objective probability forecasting for thunderstorm (a) and short-time heavy rainfall (b) in May to August 2016. The red horizontally solide lines denote annual averaged TS scores of subjective forecasting in 24 hours valid time

2 高頻滾動更新的0～12 h無縫隙監測預警業務發展

強對流的實時監測業務、臨近預警和短期潛勢預報業務在近幾年雖然趨于成熟，但尚存在如下三個瓶頸問題。一是中小尺度尤其小尺度災害天氣定量監測能力有限；業務中雖然實現了基于多源觀測的強天氣（閃電、冰雹、大風、短時強降水）實時監測和對流系統的識別追蹤，但是對于龍卷、下擊暴流等小尺度災害天氣利用現有的雷達、衛星等遙感探測手段或稠密地面觀測，尚難以捕捉。二是外推技術以基于單一數據源的線性外推為主，缺少對多源資料的綜合應用，缺乏對物理機理的考慮，外推有效時間很難逾越1 h，也無法解決對流初生問題。三是業務中尺度模式對β中尺度及以下的對流系統的預報能力有限，對流可分辨的快速更新數值分析預報系統對強對流天氣短時臨近預警業務的支持不足。鑒于此，發展高頻滾動更新的0～12 h無縫隙監測預警業務，尤其重點發展可更好監測初生對流和龍卷等小尺度強對流天氣的監測技術、能更好挖掘多源觀測資料和數值預報資料中的強對流發生、發展有效信息的人工智能大數據應用技術、對流可分辨數值模式及其應用技術，通過在我國中小尺度災害天氣影響嚴重地區開展龍卷等致災性強對流天氣的短時臨近預警業務試驗，以期在未來數年對強對流天氣的監測預警能力有大幅度的提升。

2.1 應用新遙感探測資料的強對流監測技術

2013年，美國完成了WSR-88D的雙偏振升級改造工作。新一代雙偏振雷達資料質量更好，可以識別降水類型，可以為龍卷預警服務提供更精細的龍卷路徑圖像。此外，通過高分辨率X波段雷達觀測龍卷中的碎片產生的回波特征從而實現對強降水中伴隨的龍卷或夜間發生龍卷的識別。這對于識別我國與登陸臺風或梅雨鋒暴雨相伴的龍卷具有啟發意義。

在我國，雙偏振雷達的應用處于起步階段，廣東、北京、上海等發達省（市）開始布設雙偏振雷達。中國氣象局在新一代天氣雷達系統發展中將雙偏振雷達的布設和應用作為重要建設內容。國內的相關研究表明，雙偏振雷達除可獲取降水系統的水平偏振方向上的回波強度、徑向速度、速度譜寬外，還可以探測到差分反射率因子、雙程差示傳播相移差、傳播常數差、相關系數和線性退極化比等參量。對這些參數進行分析、反演，可以判斷降水粒子的形狀、尺寸大小、相態分布、空間取向以及降水類型等更為具體的氣象信息，尤其對中尺度對流系統產生的強降水、冰雹有更好的識別能力[30-35]。

2016年，日本、中國先后發射了新一代靜止氣象衛星Himawari-8/9和FY-4，兩者都具備紅外高光譜垂直探測能力，后者還具備閃電成像觀測，對強對流天氣監測預警具有里程碑意義[36]。因此，在我國如何應用好這類具備垂直探測能力的靜止氣象衛星，發展相關的算法以更好地監測強對流尤其對流的初生，并綜合雷達、自動站等觀測資料發展利用多源觀測資料的強對流自動報警技術和臨近外推預報技術，對于提升我國尤其中西部地區的強對流預警能力大有裨益。

2.2 對流可分辨數值模式的發展和應用

如何利用好越來越豐富的觀測資料和對流可分辨數值分析預報系統，提升強對流天氣短時臨近預報能力是當前國際發展的趨勢。主要表現為兩種策略：一種是致力于發展雷達等高頻觀測資料的同化技術，縮短數值模式的適應調整（spin up）時間，發展具備快速更新同化能力的對流可分辨數值分析預報系統。另一類則是通過將臨近外推預報技術與高分辨率數值模式的預報結果的權重融合技術，發揮臨近外推預報與數值預報技術的各自優勢，形成短時臨近無縫隙預報。前者的極致代表為美國強風暴實驗室牽頭開展的“Warn-on-Forecast”項目。該項目從2010年開始，首先采用逐5 min快速更新同化雷達資料實時得到高分辨率的風場和反射率場，對NOAA災害性天氣試驗基地春季試驗中強雷暴預警提供幫助[37-38]。最近幾年，他們在美國業務對流可分辨集合預報系統HRRRE的基礎上，通過逐15 min快速更新同化雷達資料，在災害天氣頻發的特定區域內擬對有可能產生龍卷、大冰雹和局地極端大風的強雷暴系統，特別是超級單體的預警時效提前至60 min甚至更長[39]。該系統作為重要測試應用系統之一，在2017年災害天氣中試基地（HWT）的春季試驗中被測試應用（http://www.nssl.noaa.gov/projects/wof/news-e/）。

快速更新同化系統的研發已進行了20多年，其在美國已逐步成為強對流短時臨近預報的重要工具且在許多領域得到了應用。許多中尺度天氣系統本質上是不可進行“確定性”預報的，因此發展基于集合預報的短時臨近概率預報是未來一個重要方向。對流可分辨的集合預報技術近幾年在美國已經由研究逐步邁向業務應用試驗。美國一些與大氣科學相關的研究機構和高校均開始實時運行對流可分辨的集合預報系統。一些研究機構甚至開始試驗快速更新同化的集合預報系統，如俄克拉荷馬大學（OU）的風暴分析預報中心（CAPS）通過近幾年一直在發展空間分辨率為3 km、23個成員的WRF-ARW風暴尺度集合預報模式（SSEF），范圍涵蓋全美（http://forecast.caps.ou.edu/SpringProgram2017_Plan-CAPS.pdf）。

對流可分辨模式雖然已經具備模擬中尺度對流系統的能力，但對強對流天氣（如冰雹、龍卷、雷暴大風等）還缺少表達能力[40]。因此，基于對流可分辨數值模式，將能更精細表征中尺度對流系統發生發展特征的動力、云物理等物理量與環境特征參數，綜合發展龍卷、冰雹、雷暴大風的預報成為對流可分辨數值模式的主要應用方式[41-44]。圖8為在美國強風暴實驗室（NSSL）對流可分辨集合預報系統（CPMs）的輸出結果上綜合考慮對龍卷有很好表征意義的動力參數UH和環境條件發展的龍卷概率預報[45]。

圖8 綜合上升氣流風暴螺旋度UH ≥25 m2·s-2和環境物理因子的龍卷鄰域（σ=50 km）概率預報（綠色三角形表示龍卷位置） Fig.8 Probability forecasting for neighborhood (σ=50 km) tornado by synthetical consideration of updraft storm helicity (UH≥25 m2·s-2) and environmental physical factors (The green triangle denote location of tornado)

近幾年，國內也開始大力發展對流可分辨的數值模式技術。2009年上海建立了基于ADAS資料同化系統和區域中尺度數值模式WRF的快速更新同化預報系統（SMB-WARR，Shanghai Meteorological Bureau-WRF ADAS Rapid Refresh System），系統水平分辨率3 km，垂直分辨率51層，預報區域覆蓋華東，通過3年來的測試及優化，該系統在短時臨近天氣預報中發揮了越來越重要的作用[7]。北京同化預報系統（BJ-RUC）亦采用WRF模式，3 km分辨率的預報區域主要覆蓋北京及其周邊地區，垂直分辨率均為37層，每隔3 h同化一次探空、地面、船舶觀測資料以及北京地區的自動站和地基GPS PW可降水量觀測資料，預報時效為18 h。其業務運行結果表明，3 km分辨率無論是降水時段、落區和雨量均較9 km分辨率有更好的預報效果，尤其是大量級降水的預報，但系統對局地對流降水的預報能力仍然有限[46-47]。廣東省在GRAPES_Meso及三維變分同化基礎上發展了快速更新同化預報系統（GRAPES-CHAF），該系統采用逐小時循環同化和每3 h間隔的滾動預報，預報時效為24 h，初步具備開展短時臨近預報的能力[48]。中國氣象局數值預報中心利用我國新一代數值預報系統GRAPES 模式及GRAPES-3Dvar建立了全國稠密資料快速更新同化分析預報系統（GRAPES-RAFS)，系統每3 h啟動一次預報，預報時效為24 h，具有一定短時臨近預報能力[49]。通過有效應用FY-2衛星資料、雷達組網拼圖資料等改進優化GRAPES_Meso中的云初始場方案，該系統對短時臨近時效的云預報以及強降水預報有了明顯改進[50]。通過對模式動力框架、邊界層方案等優化調整，該系統對強降水和地面2 m溫度的預報也有了明顯改善[51]。

隨著快速更新同化的對流可分辨數值預報技術發展，基于數值模式的臨近預報技術迅速發展，并與外推預報等傳統短時臨近預報方法結合，如美國近年發展的CoSPA（Consolidated Storm Prediction for Aviation）。陳明軒等、劉蓮等將引進的VDRAS改進，初步形成了一個適合于實時運行的、快速更新的雷達四維變分分析系統，將高時空分辨率雷達組網觀測資料與對流尺度數值模式結合應用到京津冀地區強對流臨近預報[52-54]。2017年，北京在BJ-RUC和BJANC基礎上發展了RMAPS-IN（Rapid-Refresh Multiscale Analysis and Prediction System—Integration）系統，提供京津冀地區0～12 h的1 km空間分辨率、10 min快速更新循環的網格化分析和預報產品[55]。

縱觀近年來國內外在對流可分辨數值模式技術，尤其是快速更新同化技術的發展，我國在未來幾年，如何更好利用中國氣象局數值預報中心和東部發達地區區域中心發展的對流可分辨數值預報系統，借鑒美國風暴預報中心的技術發展思路，發展基于對流可分辨數值模式的強對流天氣釋用技術，是提升強對流短時預報能力的關鍵。

2.3 人工智能技術在強對流天氣預報中的應用

受限于觀測手段，目前我國業務觀測系統仍然無法對龍卷、下擊暴流甚至冰雹進行及時有效地監測，這很大程度上影響了我國的中小尺度對流天氣的機理認識的深入，也在很大程度上制約了依賴于物理機理認識的對流可分辨的數值模式發展和強對流天氣預報技術發展。因此，將當前國際先進的大數據和機器學習方法應用于強對流天氣的預報中，挖掘多源觀測資料和數值模式預報資料中尚未被認識的強對流發生發展的有效信息，則有望超越現有強對流天氣預報方法。強對流天氣預報過程中所使用的時空數據具有空間和時間上的稠密特性，可以抽象為時空數據的高維問題。針對這一問題，一種通用方法就是使用卷積神經網絡（CNN）對高維空間數據建模，其中最具代表性的工作是Mathieu等提出的基于卷積神經網絡的時空數據預測方法[56]。Benjamin等創建了動態卷積網絡（Dynamic Convolutional Layer），用以雷達回波外推的短時臨近預報，取得了比傳統方法更好的效果[57]。2015年香港天文臺和香港科技大學的研發團隊將深度學習中的最主流的卷積神經網絡和長短時間記憶網絡結合起來，提出了卷積-長短時間記憶網絡（ConvLSTM），是深度學習技術應用于短時臨近定量降水預報問題的開創性工作[58]。該方法現已被香港天文臺應用于雷達回波外推。王艦鋒等則將卷積神經網絡（CNN）用于衛星云量計算[59]。

圖9 基于深度學習方法的2017年9月21日14—20時強對流概率預報 （a）雷暴大風預報，（b）冰雹預報，（c）短時強降水預報，（d）實況觀測 Fig.9 Probability forecasting for 6 h (14-20 BT) severe convective weather on 21 September 2017 by Deep Learning method

Zhou等將卷積神經網絡（CNN）應用于強對流的分類預報，而且利用該方法研制的分類強對流概率預報產品已經成為強對流天氣預報重要的業務參考產品（圖9）[60]。

國內外研究新進展表明，面向視頻、圖像序列等時空數據的深度學習技術已經在暴雨、強對流的短期預報和臨近外推預警得到應用。若將其應用于充分挖掘雷達、衛星、自動站等多源觀測資料和高分辨率數值模式預報資料的有效信息，很有可能給強對流天氣預報帶來新的突破。

2.4 龍卷預警試驗

龍卷是強對流天氣中最為劇烈的一種天氣，破壞性極高。由于我國龍卷發生頻率很低，在龍卷多發地區如江蘇、安徽等省，具有一定的龍卷監測和預警能力，但尚未建立起龍卷的監測預警業務，也迫切需要發展高度自動化的快速預警自動生成和發布平臺。近幾年，龍卷等小尺度對流天氣造成的災害劇烈，社會影響非常大，如2015年長江監利段東方之星游輪翻沉致400多人死亡事件、臺風彩虹登陸廣東湛江期間廣東佛山等地的龍卷致數十人傷亡事件、2016年江蘇阜寧龍卷致數百人傷亡事件造成巨大的災難和社會影響，公眾要求中國氣象局開展龍卷預警預測的呼聲前所未有的高漲。考慮到龍卷造成的嚴重災害和龍卷高發區主要位于長江三角洲以及廣東為主的華南地區[61-62]，2017年國家氣象中心聯合江蘇、安徽、廣東、湖北和浙江五省開展龍卷預警業務試驗，以通過核心關鍵技術發展、包括社會觀測在內的多源觀測資料在業務中的有效應用、龍卷監測和臨近預警業務流程和平臺建設以及社會聯防預警服務流程建設，提升包括龍卷在內的破壞性對流大風等的預警能力。預警試驗中，國家級的試驗對象擴展為龍卷等強致災性強對流（EF2以上龍卷、20 mm以上冰雹、10級以上大風、小時雨量超過50 mm或3 h雨量超過100 mm的局地極端強降水），并重點發展支持上述致災性強對流天氣的監測和短時臨近預警技術。圖10為利用業務試驗的對流可分辨3 km GRAPES_CR發展的對龍卷具有較好表征的上升螺旋度UH診斷產品。

圖10 GRAPES_CR模式2017年8月11日08時起報的16時（北京時）上升螺旋度UH（a）和對應時間赤峰雷達回波（b） Fig.10 (a) The model GRAPES_CR forecasting for updraft storm helicity (UH) at 16 BT, the forecasting started at 08 BT on 11 August 2017; (b) the radar echo at Chifeng Radar Station at the same time

3 結論

中國的強對流天氣在最近10年發展迅速，已經建立起包括實時監測、臨近預警和短期潛勢預報的強對流天氣預報業務，初步實現對雷暴、短時強降水、雷暴大風和冰雹的監測預警以及72 h內的潛勢預報。

但是，強對流天氣造成的災害仍然是當前最為嚴重的一種氣象災害，與強對流天氣預警服務相應的實時監測和短時臨近預警技術是當前強對流天氣面臨的最大挑戰，尤其是對于特別極端性的強對流天氣（如2016年6月23日江蘇的龍卷、2017年5月7日的廣州極端暴雨等）強度預報。我國現有的業務觀測系統和監測技術對中小尺度尤其龍卷、下擊暴流等小尺度對流天氣的定量監測能力有限。我國的臨近預警主要依賴于基于雷達圖像的外推技術，對多源資料的綜合應用、物理機理的考慮尚顯不足，外推有效時間很難逾越1 h，也尚未解決對流初生問題。我國對流可分辨的快速更新數值分析預報系統尚處于起步階段。未來幾年，伴隨新一代雙偏振雷達和FY-4衛星等新遙感探測資料投入業務應用、快速更新數值分析預報技術的發展、能更好挖掘大數據有效信息的深度學習等人工智能技術在強對流天氣預報中的應用，通過開展如龍卷預警試驗這樣的業務示范項目建設，逐步建立起實時監測與短時臨近無縫隙銜接的監測預警業務，我國的強對流天氣預報業務將有跨越式的發展，龍卷等強致災性強對流天氣的監測預警能力也將有所提升。

[1] Wilson J W, Feng Y R, Chen M,et al. Nowcasting challenges during the Beijing Olympics:Successes,failures, and implications for future nowcasting systems. Weather and Forecasting, 2010, 25(6): 1691-1714.

[2] Muller C K, Saxen T, Roberts R, et al. NCAR auto-nowcast system. Weather and Forecasting, 2003, 18: 545-561.

[3] Lakshmanan V, Smith T. The warning decision support systemintegrated information. Weather and Forecasting, 2007, 22: 596-612.

[4] Lakshmanan V, Rabin R, Brunner De V. Multiscale storm identification and forecast. Journal Atmospheric Research, 2003, 68: 367-380.

[5] Stumpf G, Witt A, Mitchell E D, et al. The national severestorms laboratory mesocyclone detection algorithm for the WSR-88D. Weather and Forecasting, 1998, 13: 304-326.

[6] 俞小鼎, 周小剛, 王秀明. 雷暴與強對流臨近天氣預報技術進展. 氣象學報, 2012, 70(3): 311-337.

[7] 陳葆德, 王曉峰, 李泓. 快速更新同化預報的關鍵技術綜述. 氣象科技進展，2013，3(20): 29-35.

[8] 鄭永光, 林隱靜, 朱文劍, 等. 強對流天氣綜合監測業務系統建設. 氣象, 2013, 39(2): 234-240.

[9] 費增平, 王洪慶, 張焱, 等. 基于靜止衛星紅外云圖的MCS自動識別與追蹤. 應用氣象學報, 2011, 22(1): 115-122.

[10] 周康輝, 鄭永光, 藍渝. 基于閃電數據的雷暴識別、追蹤與外推方法. 應用氣象學報, 2016, 27(2): 173-181.

[11] 陳明軒, 王迎春, 俞小鼎. 交叉相關外推算法的改進及其在對流臨近預報中的應用.應用氣象學報, 2007, 18(5): 691-701.

[12] 陳雷, 戴建華, 陶嵐. 一種改進后的交叉相關法(COTREC)在降水臨近預報中的應用.熱帶氣象學報, 2009, 25(1): 117-122.

[13] Liang Q, Feng Y, Deng W, et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds. Advances in Atmospheric Sciences, 2010, 27(5): 1119-1130．

[14] 張亞萍, 程明虎, 夏文梅, 等. 天氣雷達回波運動場估測及在降水臨近預報中的應用. 氣象學報, 2006, 64(5): 632-646.

[15] 胡勝, 汪瑛, 陳榮, 等. "雨燕"中風暴算法在北京奧運天氣預報示范項目中的應用及改進. 高原氣象, 2009, 28(6): 1434-1442．

[16] 王改利, 劉黎平, 阮征, 等. 基于雷達回波拼圖資料的風暴識別、跟蹤及臨近預報技術. 高原氣象, 2010, 29(6): 1546-1555.

[17] 曹春燕, 陳元昭, 劉東華, 等. 光流法及其在臨近預報中的應用. 氣象學報, 2015, 73(3): 471-480.

[18] 胡勝. 臨近預報系統(SWAN)產品特征及在2010 年5 月7 日廣州強對流過程中的應用. 廣東氣象, 2011, 33(3): 11-15.

[19] Li P-W, Wong W-K, Cheung P, et al. An overview of nowcasting development,application,and services in the Hong Kong Observatory. Journal Meteorological Research, 2014, 28(5): 859-876.

[20] 陳明軒, 高峰, 孔榮, 等. 自動臨近預報系統及其在北京奧運期間的應用. 應用氣象學報, 2010, 21(4): 395-404.

[21] 呂偉濤, 張義軍, 孟青, 等. 雷電臨近預警方法和系統研發. 氣象, 2009, 35(5): 10-17.

[22] 胡勝, 羅兵, 黃曉梅, 等. 臨近預報系統(SWIFT)中風暴產品的設計及應用. 氣象, 2010, 36(1): 54-58．

[23] 萬玉發, 王志斌, 張家國, 等. 長江中游臨近預報業務系統及其應用. 應用氣象學報, 2013, 24(4): 504-512.

[24] Doswell C A III, Brooks H E ,Maddox R A. Flash flood forecasting: an ingredients-based methodology. Weather and Forecasting, 1996, 11: 560-581.

[25] 張小玲, 陶詩言, 孫建華. 基于"配料"的暴雨預報.大氣科學, 2010, 34(4): 754-756.

[26] 張小玲, 諶蕓, 張濤. 對流天氣預報中的環境場條件分析. 氣象學報, 2012, 70(4): 642-654.

[27] 張濤, 藍渝, 毛冬艷, 等. 國家級中尺度天氣分析業務技術進展Ⅰ: 對流天氣環境場分析業務技術規范的改進與產品集成系統支撐技術. 氣象, 2013, 39(7): 894-900.

[28] 藍渝, 張濤, 鄭永光, 等. 國家級中尺度天氣分析業務技術進展Ⅱ: 對流天氣中尺度過程分析規范和支撐技術. 氣象, 2013, 39(7): 901-910.

[29] 田付友, 鄭永光, 張濤, 等. 短時強降水診斷物理量敏感性的點對面檢驗. 應用氣象學報, 2015, 26(4): 385-396.

[30] 張杰, 田密, 朱克云, 等. 雙偏振雷達基本產品和回波分析. 高原山地氣象研究, 2010, 30(2): 36-41.

[31] 劉黎平, 胡志群, 吳翀. 雙線偏振雷達和相控陣天氣雷達技術的發展和應用. 氣象科技進展, 2016, 6(3): 28-33.

[32] 劉黎平. 雙線偏振多普勒天氣雷達估測混合區降雨和降雹方法的理論研究. 大氣科學, 2002, 26(6): 762-772.

[33] 楊忠林. 江淮梅雨期對流降水微物理特征的雙偏振雷達觀測研究. 南京大學碩士論文, 2016: 1-70.

[34] 郭曉坤, 郭喜樂. 清遠雙偏振雷達偏振量產品的初步釋用. 廣東氣象, 2016, 38(5): 45－48．

[35] Wu C, Liu L P, Wei M, et al. Statistics-based optimization of the polarimetric radar hydrometeor classification algorithm and its application for a squall line in South China. Advances in Atmospheric Sciencies, 2018, 35, doi:10.1007/s00376-017-6241-0(in press).

[36] 張鵬, 郭強, 諶博洋, 等. 我國風云四號氣象衛星與日本Himawari-8/9 衛星比較分析. 氣象科技進展, 2016, 6(1): 72-75.

[37] Calhoun K M, Smith T M, Kingfield D M, et al. Forecaster use and evaluation of realtime 3DVAR analyses during severe thunderstorm and tornado warning operations in the hazardous weather testbed. Weather and Forecasting, 2014, 29: 601-613.

[38] Gao J, Smith T M, Stensrud D J, et al. A real time weatheradaptive 3DVAR analysis system for severe weather detections and warnings with automatic storm positioning capability. Weather and Forecasting, 2013, 28: 727-745.

[39] Wheatley D M, Knopfmeier K H, Jones T A, et al. Stormscale data assimilation and ensemble forecasting with the NSSL Experimental Warn-on-Forecast System. Part I: Radar data experiments. Weather and Forecasting, 2015, 30: 1795-1817, doi:10.1175/WAF-D-15-0043.1.

[40] 鄭永光, 薛明, 陶祖鈺. 美國NOAA試驗平臺和春季預報試驗概要. 氣象, 2015, 41(5): 598-612.

[41] Clark A J, Weiss S J, Kain J S, et al. An overview of the 2010 hazardous weather testbed experimental forecast program spring experiment. Bullein of the American Meteorological Society, 2012, 93: 55-74.

[42] Clark A J, Gao J, Marsh P T, et al. Tornado path length forecasts from 2011 using a 3-dimensional object identification algorithm applied to ensemble updraft the vilicity. Weather Foreacasting, 2013, 28: 387-407.

[43] Clark A J, Conigo M C. Lessons learned from 10 years of evaluating convection-allowing models in the HWT. The 2014 Warn-on-Forecast and High-Imapct Weather Workshop, Norman OK. https://www.nssl.noaa.gov/projects/wof/documents/workshop2014/.2014.

[44] Jirak I. SPC ensemble applications: current status and future plans.6th NCEP Ensemble User Workshop, College Park, MD. 2014.

[45] Gallo B T, Clark A J, Dembex S R. Forecasting tornadoes using convection-Permitting ensembles. Weather and Forecasting, 2016, 31: 273-295.

[46] 范水勇, 陳敏, 仲躋芹, 等. 北京地區高分辨率快速循環同化預報系統性能檢驗和評估. 暴雨災害, 2009, 28(2): 119-125.

[47] 陳敏, 范水勇, 鄭柞芳, 等. 基于BJ-R U C系統的臨近探空及其對強對流發生潛勢預報的指示性能初探. 氣象學報, 2011, 69(1): 181-194.

[48] 陳子通, 黃燕燕, 萬齊林, 等. 快速更新循環同化預報系統的汛期試驗與分析. 熱帶氣象學報, 2010, 26(1): 49-54.

[49] 徐枝芳, 郝民, 朱立娟, 等. GRAPES-RAFS系統研發. 氣象, 2013, 39(4): 466-477.

[50] 朱立娟, 龔建東, 黃麗萍, 等. GRAPES三維云初始場形成及在短臨預報中的應用. 應用氣象學報, 2017, 28(1): 38-51.

[51] 黃麗萍, 陳德輝, 鄧蓮堂, 等. GRAPES_Meso V4.0主要技術改進和預報效果檢驗. 應用氣象學報, 2017, 28(l): 25-37.

[52] 陳明軒, 王迎春, 肖現, 等. 基于雷達資料四維變分同化和三維云模式對一次超級單體風暴發展維持熱動力機制的模擬分析. 大氣科學, 2012, 36(5): 929-944.

[53] 陳明軒, 高峰, 孫娟珍, 等. 基于VDRAS的快速更新雷達四維變分分析系統. 應用氣象學報, 2016, 27(3): 257-272.

[54] 劉蓮, 陳明軒, 王迎春. 基于雷達資料四維變分同化及云模式的中尺度對流系統數值臨近預報試驗. 氣象學報, 2016, 74(2): 213-228．

[55] 馮子晏. 北京: 短時臨近天氣預報添“利器”. 中國氣象報, 2016-07-07(3).

[56] Mathieu M, Couprie C, LeCun Y. Deep multi-scale video prediction beyond mean square error. In International Conference on Learning Representations (ICLR), 2016.

[57] Benjamin K, Lior W, Yehuda A. A dynamic convolutional layer for short rangeweather prediction. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, doi:10.1109/CVPR.2015.7299117.2015.

[58] Shi X, Chen Z, Wang H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. In Advances in Neural Information Processing Systems (NIPS), 2015.

[59] 王艦鋒. 基于卷積神經網絡的衛星云量計算. 南京信息工程大學, 2016: 1-65.

[60] Zhou K. Forecasting different types of convective weather: a deep learning approach. Weather and Forecasting, 2018, 待發表.

[61] 魏文秀, 趙亞民. 中國龍卷風的若干特征. 氣象, 1995, 21(5): 37-40.

[62] 范雯杰, 俞小鼎. 中國龍卷的時空分布特征. 氣象, 2015, 41(7): 793-805.