強對流天氣資料同化和臨近預報技術(shù)研究*

崔春光 杜牧云 肖艷姣 賴安偉 李紅莉 王志斌 王 玨 孫玉婷 王俊超 冷 亮 王 斌 張 文 彭菊香 馬鶴翟 康兆萍

中國氣象局武漢暴雨研究所暴雨監(jiān)測預警湖北省重點實驗室，武漢 430205

提 要： 強對流天氣的精準預報依然具有極大難度和挑戰(zhàn)性。為了提高強天氣監(jiān)測預報服務能力，“災害性天氣資料同化與臨近預報系統(tǒng)開發(fā)”研究共開展了以下工作：研發(fā)了新的中氣旋和龍卷渦旋特征識別算法，并在十幾個龍卷風實例中成功地識別出龍卷渦旋特征；從多普勒天氣雷達體掃數(shù)據(jù)中提取了諸多參數(shù)(超過20個)，開展分類強對流天氣(下?lián)舯┝鳌埦怼⒈⒑投虝r強降水)自動識別預警技術(shù)研究。快速更新循環(huán)預報系統(tǒng)可以有效地提高模式初值的質(zhì)量，非常適合于短時天氣預報應用。為進一步提高強雷暴預報的精度，提出了一種新的基于雷達反演水汽的“偽水汽”同化方法，以更好地初始化對流尺度的數(shù)值天氣模式。旨在克服目前中尺度數(shù)值模式在對流尺度定量降水短時預報方面的不足，彌補基于“外推”的臨近預報技術(shù)在2 h以上定量降水預報能力快速下降的缺陷而研發(fā)的融合技術(shù)具有提高短時臨近降水預報能力的潛力。

引 言

在我國，強對流天氣(短時強降水、雷雨大風、冰雹、龍卷)常導致重大人員傷亡和財產(chǎn)損失，受到社會的廣泛關(guān)注。例如：2015年6月1日，“東方之星”客輪突遇颮線伴有的下?lián)舯┝饕u擊后翻沉，共計造成442人遇難；2016年6月23日，江蘇省鹽城市阜寧、射陽等地突發(fā)龍卷風、冰雹等強對流災害，因災死亡99人，受傷近850人；2018年7月18日，甘肅臨夏遭遇多年未遇短時強降水天氣，隨即引發(fā)洪水、泥石流等自然災害，共造成13人死亡，3人失蹤。

強對流天氣具有突發(fā)性和局地性強、尺度小、生命史短、災害嚴重等特點，因此一直是天氣預報業(yè)務中的重點和難點。國家防災減災、重大社會活動和精細化天氣預報的大眾化需求都對此類災害性天氣的臨近預報提出了更高的客觀要求。國外眾多國家均建立了自己的短時臨近預報系統(tǒng)，其中包括：美國MDL(Meteorological Development Lab)的SCAN預報系統(tǒng)(Smith et al，1998)；NSSL(National Severe Storms Laboratory)開發(fā)的WDSS(Eilts et al，1996)和WDSS II系統(tǒng)(Lakshmanan et al，2007)；NCAR(National Center for Atmospheric Research)發(fā)展的ANC臨近預報系統(tǒng)(Wilson et al，1998)以及與數(shù)值預報相融合的NIWOT系統(tǒng)(Cai et al，2006)；FAA(Federal Airline Administration)聯(lián)合多家單位建立的航空風暴預報系統(tǒng)CoSPA(Wolfson et al，2008)；英國的NIMROD(Golding，1998)和GANDOLF(Pierce et al，2000)預報系統(tǒng)；加拿大的MAPLE和CARDS預報系統(tǒng)(Fox et al，2004)；澳大利亞的STEPS系統(tǒng)(Bowler et al,2006)；法國的SIGOONS系統(tǒng)(Brovelli et al，2005)；日本的VSRF系統(tǒng)；奧地利的INCA系統(tǒng)(Haiden et al，2011)等。國內(nèi)方面，香港天文臺最早開始建設SWIRLS(“小渦旋”)系統(tǒng)(Li et al，2000)進行短時臨近預報；廣東省氣象局建立的GRAPES-SWIFT系統(tǒng)(胡勝等，2010)；湖北省氣象局的MYNOS臨近預報系統(tǒng)(萬玉發(fā)等，2013)；上海市氣象局的NoCAWS系統(tǒng)；北京的BJ-ANC系統(tǒng)(陳明軒等，2010)等；中國氣象局從2007年開始組織建設SWAN強天氣臨近預報業(yè)務系統(tǒng)，目前已發(fā)展到SWAN2.0以上版本(韓豐和沃偉峰，2018)，前期版本也已完成全國推廣(鄭永光等，2010)。上述國內(nèi)的臨近預報系統(tǒng)在實際氣象服務保障中發(fā)揮了重要的作用，取得了不錯的服務效果。

我國強對流天氣短時臨近預報業(yè)務開始較晚，盡管已經(jīng)取得了巨大進展，但與國外先進水平相比還存在一定差距(鄭永光等，2010)。作為一種中小尺度天氣，強對流天氣系統(tǒng)很難被常規(guī)氣象觀測網(wǎng)捕捉到。我國氣象觀測系統(tǒng)尤其在進入21世紀取得了長足發(fā)展，建立了地基、空基和天基相結(jié)合，門類比較齊全，布局基本合理的綜合氣象觀測系統(tǒng)(行鴻彥等，2017)。 加上全國200多個站點的新一代雷達數(shù)據(jù)(高玉春，2017)，大幅增加了實況觀測對于氣象要素的精細空間分布刻畫能力。近些年，得益于大氣探測能力的大幅提升，多源資料融合分析系統(tǒng)快速發(fā)展(崔春光等，2011；彭菊香等，2011；韓帥等，2018；師春香等，2019)，融合了常規(guī)、雷達、衛(wèi)星、閃電、GNSS/MET水汽、飛機、船舶等多源實況觀測資料，能實時提供包括地面常規(guī)要素、三維云量、天氣現(xiàn)象、洋面風、海表溫度等多種網(wǎng)格實況分析產(chǎn)品，為網(wǎng)格預報模型建立、實況信息更新和預報產(chǎn)品檢驗提供了基礎條件。2009年，國家氣象中心強天氣預報中心利用常規(guī)地面觀測資料、重要天氣報告(WS報)、自動站資料、地閃定位資料、雷達反射率因子資料(包括全國拼圖和單站雷達基數(shù)據(jù)資料)、靜止衛(wèi)星紅外和水汽通道資料等，實現(xiàn)了對我國及其周邊地區(qū)不同類別強對流天氣的不同時段、不同強度的實時監(jiān)測(鄭永光等，2010；2011；2013；何立富等，2011)。國家級強對流天氣綜合業(yè)務支撐平臺的建設則對加強我國強對流預報技術(shù)研發(fā)與成果應用起到了重要的支持作用(楊波等，2017)。當前，無縫隙精細化網(wǎng)格氣象預報已經(jīng)逐漸成為國際主流趨勢，并被視為未來幾十年科學界指導方針的重要指標。我國的無縫隙精細化網(wǎng)格預報業(yè)務技術(shù)自2014年開始發(fā)展并也取得了長足的進展(金榮花等，2019)。

就目前而言，我國現(xiàn)有的天氣預報業(yè)務對中小尺度強對流天氣的預報手段還相對匱乏，與發(fā)達國家仍存在一定差距。當前預報業(yè)務部門對于強對流天氣的預報能力還有很大不足， 因此如何提高強對流天氣的分析技術(shù)水平和預報能力，仍是當前現(xiàn)代天氣預報業(yè)務所面臨的重要挑戰(zhàn)之一。國內(nèi)中小尺度資料同化技術(shù)研究起步較晚，還未能將各種資料進行有效的綜合應用；而且受模式本身物理過程方案以及分辨率的局限，對強對流天氣過程的描述能力也有限。因此，借鑒和吸收國外最新成果，建立自動、客觀、實用的無時間縫隙強對流災害性天氣臨近預報系統(tǒng)，進而提高監(jiān)測預報服務能力顯得十分必要。目前，國內(nèi)分類強對流天氣監(jiān)測預警多以基于雷達觀測的主觀概念模型預報技術(shù)為主，有限時間內(nèi)主觀判斷難度大，迫切需要研發(fā)自動且客觀的分類強對流天氣預警技術(shù)，并克服資料質(zhì)量問題的影響。到目前，國家臨近預報業(yè)務，主要通過外推預報風暴位置、雷達回波強度和雷達定量降水。由于沒有考慮其演變和生消，隨著外推時間的延長(超過1 h)，預報效果快速下降。稠密、多源觀測資料(雷達、衛(wèi)星、自動站等)的融合分析，以及高分辨率的快速更新循環(huán)同化數(shù)值天氣預報是解決強對流天氣臨近預報的重要手段(潘旸等，2018；楊璐等，2019；張涵斌等，2020)。通過混合 Blending 技術(shù)將外推預報和高分辨率的數(shù)值天氣預報相結(jié)合是目前提高臨近預報能力的可行方法(程叢蘭等，2019)。

為此，中國氣象局武漢暴雨研究所建立了分類強對流天氣預警系統(tǒng)，提供0～3 h雷達外推預報產(chǎn)品；提高了多源稠密觀測資料在LAPS(Local Analysis and Prediction System)系統(tǒng)(Albers et al，1996；李紅莉等，2009)中的融合同化效果，為模式提供最優(yōu)初值，建立高分辨率的快速更新循環(huán)同化數(shù)值天氣預報系統(tǒng)，提供每15 min更新一次的1～3 km分辨率的中尺度分析場和0～12 h的臨近預報產(chǎn)品；形成了強對流天氣0～12 h客觀預報支撐技術(shù)體系。

1 項目介紹

“災害性天氣資料同化與臨近預報系統(tǒng)開發(fā)”(項目編號：2016YFE0109400)是2016年中國氣象局武漢暴雨研究所獲批的科技部國家重點研發(fā)計劃的政府間國際科技創(chuàng)新合作重點專項。項目研究內(nèi)容包括與美國海洋和大氣管理局(NOAA)的地球系統(tǒng)研究實驗室(ESRL)和強風暴實驗室(NSSL)合作，開展分類強對流天氣識別預警技術(shù)、我國多源稠密觀測資料數(shù)據(jù)融合技術(shù)、外推預報和高分辨率數(shù)值天氣預報混合技術(shù)這三個方面的研究，具體研究內(nèi)容詳見圖1。

圖1 主要研究內(nèi)容框圖Fig.1 Overview of main contents of the research program

目前，依托該項目完成了改進的雷達徑向速度質(zhì)量控制、分類強對流天氣識別預警、多源觀測資料融合和快速更新循環(huán)同化預報以及定量降水外推預報和數(shù)值預報的混合等技術(shù)研究。重點開展了改進的變分同化技術(shù)和多源稠密觀測資料融合技術(shù)研發(fā)，包括構(gòu)建新的觀測算子，實現(xiàn)了雙偏振雷達資料的變分同化，有效提高了模式初值的準確度及其預報效果；在基于雷達觀測識別深對流云的基礎上，根據(jù)模式背景場的信息構(gòu)造“偽水汽”觀測同化，改善對流尺度系統(tǒng)的水汽條件，減弱模式spin-up問題；針對梅雨鋒降水，改進溫度調(diào)整方案，提高對梅雨鋒上對流系統(tǒng)的模擬能力；研究了基于稠密觀測資料融合分析的LAPS各要素平衡關(guān)系和模式熱啟動技術(shù)，改進了模式0～6 h降水臨近預報效果；研究了LAPS和WRF模式(Weather Research and Fore- casting Model)的耦合技術(shù)?；谏鲜鲅芯砍晒?，建立了災害性天氣0～12 h臨近預報系統(tǒng)，包括分類強對流天氣識別預警、多源觀測資料融合同化和快速更新循環(huán)預報等3個子系統(tǒng)。

2 研究成果簡介

2.1 分類強對流天氣識別預警技術(shù)

2.1.1 改進雷達定量降水估計技術(shù)和定量降水外推預報方法

武漢暴雨研究所研發(fā)的雷達定量降水估測(QPE)算法已在SWAN系統(tǒng)中業(yè)務運行多年(呂曉娜等，2013；王紅燕等，2015)。本項目主要通過針對層狀云降水對混合反射率因子進行VPR(reflectivity vertical profile)訂正，得到近地面的反射率因子用于Z-R關(guān)系擬合和降水率的計算來改進雷達定量降水估計。其中，使用2005—2007年11次降水過程的武漢雷達體掃數(shù)據(jù)，采用現(xiàn)有層狀云和對流云降水回波自動分離技術(shù)分離出層狀云降水回波，采用近距離垂直分層(垂直分辨率為0.25 km)平均方法建立每個體掃下層狀云降水回波的平均視在VPR。通過統(tǒng)計分析后發(fā)現(xiàn)，最大反射率因子(Zmax)所在高度hp之上1 km(hp+1)和之下0.75 km(hp-0.75)是反射率因子垂直梯度大值區(qū)，而且這兩個區(qū)間的反射率因子垂直梯度的大小與Zmax呈線性關(guān)系(圖2a)。由此建立了層狀云降水的動態(tài)氣候VPR模型(圖2b)，其中，α和β為反射率因子變化斜率，hp則由雷達觀測識別出來。使用兩次層狀云降水個例進行初步效果評估，結(jié)果表明：經(jīng)VPR訂正后層狀降水雷達QPE的平均相對誤差率從28%下降到23%。

圖2 層狀云降水的VPR訂正(a)最大反射率因子擬合結(jié)果，(b)層狀云降水動態(tài)氣候VPR模型Fig.2 The VPR correction for stratiform precipitation(a) fitting result of maximum reflectivity, (b) dynamic climate VPR model of stratiform precipitation

SWAN系統(tǒng)最早使用COTREC(continuity of tracking radar echo by correlation)方法(Li et al，1995)進行定量降水外推預報，該方法對變化平緩的層狀云降水系統(tǒng)能夠取得較準確的運動矢量場，從而得到有效的外推預報。但對于變化較快的強對流降水系統(tǒng)，COTREC方法得到的運動矢量場的質(zhì)量降低，跟蹤失敗的情況顯著增加。光流是空間運動物體在觀測面上投影像素運動的瞬時速度。光流法就是利用圖像序列中像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各像素運動位置的研究方法。本項目提出一種改進的光流法(王志斌等，2017)進行強對流回波的外推預報，以此來改進定量降水的外推預報效果。首先，對比分析全局最優(yōu)約束的HS(Horn and Schunck，1981)光流方法和局部最優(yōu)約束的LK(Lucas and Kanade，1981)光流方法后發(fā)現(xiàn)，HS方法很難滿足全局最優(yōu)條件，而LK方法雖然容易滿足局部最優(yōu)條件，但難以使全場的圖像數(shù)據(jù)完全滿足最優(yōu)條件。改進的光流法將上述兩種方法通過一個能量函數(shù)有機結(jié)合起來，并加入高階平滑項。求解方程得到流場結(jié)構(gòu)后，再運用九點滑動平均得到運動矢量場，最后采用Semi-Lagrange方法進行外推預報。初步評估結(jié)果表明，基于改進光流法的外推預報效果優(yōu)于HS和LK方法。其中，30 min外推的擊中率(POD)比HS和LK方法分別高12%和9%；成功指數(shù)(CSI)也比HS和LK方法分別高7%和5%；虛警率(FAR)則均比HS和LK方法低5%左右。

為了滿足業(yè)務運行需求，利用共享內(nèi)存方式并行處理，并基于Fork/Join框架進行編程，通過將整個計算任務分割成若干子任務，再匯總每個子任務計算結(jié)果的方式顯著縮短了運行時間，其加速比可達5.05(王志斌等，2019)。目前，改進的雷達定量降水估計和定量降水外推預報算法已投入業(yè)務運行，可提供每6 min滾動更新的0～3 h 的逐小時定量降水格點預報產(chǎn)品和強降水(>20 mm·h-1)格點預報，格點分辨率為0.01°×0.01°。

2.1.2 分類強對流天氣關(guān)鍵參量自動提取及其統(tǒng)計特征研究

雷達徑向速度模糊問題是阻礙其廣度和深度應用的重要原因，下?lián)舯┝骱妄埦淼淖R別預警更是離不開徑向速度資料的使用，因此，對徑向速度進行有效的退模糊處理是資料應用的關(guān)鍵。

武漢暴雨研究所自主研發(fā)了一套全自動速度退模糊算法(肖艷姣等，2012)，并在我國新一代天氣雷達建設業(yè)務軟件系統(tǒng)(ROSE)中業(yè)務運行。但在本項目研究過程中發(fā)現(xiàn)，存在劇烈方位切變的情況下，該算法難以有效區(qū)分速度模糊和風切變，從而導致了不適當?shù)乃俣韧四：捌鋽U展(圖3b)，影響了對中氣旋和龍卷渦旋特征的準確識別。為此，針對顯著速度模糊和強風切變等情況調(diào)整了原算法中初始參考徑向的搜索方法，改變多輪退模糊過程中多參量動態(tài)變化的閾值變化順序，并改進了第二輪退模糊過程中的參考速度搜索方法，從而實現(xiàn)了改進的速度退模糊算法(圖3c)，批量個例檢驗結(jié)果顯示，對存在劇烈切變的速度模糊區(qū)的退模糊效果有顯著提高。

以改進的速度退模糊算法為基礎，進一步開發(fā)了風暴識別追蹤、冰雹指數(shù)、中層徑向輻合特征和中氣旋識別，下?lián)舯┝黝A報和識別(肖艷姣等，2021)等算法，綜合上述算法，完成了風暴單體20多個特征參量(詳見表1)的自動提取。基于大量下?lián)舯┝?、龍卷和冰雹歷史個例，統(tǒng)計分析了產(chǎn)生這三種災害天氣的風暴單體的雷達特征量，為建立分類強天氣識別預警方法奠定基礎。

圖3 2016年6月23日14:25(北京時，下同)鹽城雷達1.4°仰角的徑向速度(a)未退模糊，(b)原速度退模糊算法，(c)改進的速度退模糊算法Fig.3 The PPI of radial velocity for Yancheng Radar site at elevation 1.4° at 14:25 BT 23 June 2016(a) raw data, (b) original de-aliasing algorithm, (c) advanced de-aliasing algorithm

表1 風暴單體的部分屬性特征參量Table 1 Characteristic parameters of the partial features of thunderstorm cell

2.1.3 建立分類強對流天氣預警方法

以下?lián)舯┝鳛槔煤笔〉睦走_體掃數(shù)據(jù)和地面大風測站資料，對2010—2016年湖北省下?lián)舯┝鞔箫L天氣過程的雷達特征參量進行統(tǒng)計分析。將大風發(fā)生前6 min距離站點10 km范圍內(nèi)的風暴均作為統(tǒng)計樣本?？紤]到研究目的在于尋找地面下?lián)舯┝鞔箫L發(fā)生的雷達先兆因子，故把匹配到地面大風的風暴單體前1 h的雷達特征參量都進行統(tǒng)計。為了有效地分析徑向速度因子的影響，選取的單體位于雷達站10～150 km范圍內(nèi)風暴單體的雷達特征參量。通過對產(chǎn)生下?lián)舯┝骱头窍聯(lián)舯┝鞯娘L暴單體的雷達特征量進行對比分析，選出9個分布特征差異較大的風暴單體雷達特征量，統(tǒng)計產(chǎn)生下?lián)舯┝鞯母骼走_特征量的隸屬函數(shù)(式1)和權(quán)重，使用模糊邏輯法建立了下?lián)舯┝黝A警方程。

對流性大風單體的雷達特征量x的隸屬函數(shù)F(x)見式(1)：

(1)

式中：TL和TU分別為下限、上限臨界值。

以雷達特征量作為輸入變量，基于模糊邏輯的下?lián)舯┝黝A警概率方程為：

(2)

式中：P為下?lián)舯┝靼l(fā)生的概率，F(xiàn)(xi)和W(xi)分別為雷達特征量xi的隸屬函數(shù)和權(quán)重。當P大于預設閾值(缺省值為50)時認為將有下?lián)舯┝靼l(fā)生。此外，當1 km以下有顯著的徑向輻散特征(徑向輻散值大于40×10-4s-1)或有大風核(徑向速度大于25 m·s-1)存在時也會觸發(fā)下?lián)舯┝鞔箫L預警。圖4 給基于單站雷達觀測的分類強對流天氣識別產(chǎn)品。有關(guān)該算法更詳細的描述見肖艷姣等(2021)。

圖4 基于單站雷達觀測的分類強對流天氣識別產(chǎn)品(風桿表示下?lián)舯┝鞔箫L，黃色圓圈表示中等強度中氣旋，藍色三角形表示冰雹)Fig.4 The classified severe convective weather products based on single-station radar data(wind shaft: downburst， yellow circle: moderate mesocyclone， blue triangles: hail)

與下?lián)舯┝黝愃疲卷椖客瑯咏o出了中氣旋產(chǎn)生龍卷的3個判斷標準，以此實現(xiàn)了超級單體龍卷的識別；綜合使用最大反射率因子、垂直積分液態(tài)水含量及其密度與冰雹概率等4個特征參量建立了冰雹識別方法。建立的分類強對流天氣識別預警系統(tǒng)可提供逐6 min的分類強對流天氣識別產(chǎn)品，包括：風暴單體的位置，移動方向和速度，下?lián)舯┝?、龍卷和冰雹的發(fā)生概率及其位置等。利用2019年的下?lián)舯┝?、龍卷和冰雹個例對該系統(tǒng)開展批量測試評估，結(jié)果表明其性能穩(wěn)定，識別效果良好。

2.2 我國多源稠密觀測數(shù)據(jù)融合技術(shù)

2.2.1 稠密觀測資料質(zhì)量分析、控制及檢驗評估

多源稠密觀測資料是采用不同手段，從不同角度，具有不同特征的大氣觀測。為了充分利用這些資料開展數(shù)據(jù)融合分析，開展多源資料的特征分析和質(zhì)量控制研究至關(guān)重要。為此，項目組主要開展了GPS/MET、微波輻射計、風廓線雷達等觀測資料的質(zhì)量控制及檢驗評估。針對多源觀測資料各自特點，采取相應的對比方法進行質(zhì)量控制，以滿足LAPS系統(tǒng)數(shù)據(jù)融合的精度要求。

依托建立的GPS/MET(Global Positioning System Meteorology)自動解算與反演系統(tǒng)，在GPS/PWV解算過程中，利用本地化模型的大氣加權(quán)平均溫度Tm=0.776 5Ts+53.775 4替代常數(shù)Tm=0.15，并基于數(shù)據(jù)統(tǒng)計分析結(jié)果，剔除0～160 mm范圍外的GPS/PWV數(shù)據(jù)。以探空RS/PWV為參考的GPS/PWV評估結(jié)果表明，使用本地化模型的大氣加權(quán)平均溫度提高了GPS/PWV反演數(shù)據(jù)的精度(付志康等，2017)。

在微波輻射計資料質(zhì)量分析及評估方面:(1)將無線電探空資料代入輻射傳輸模式(MWCLD)，模擬“晴空無云”條件下各通道亮溫，與武漢MP-3000A型地基微波輻射計的亮溫觀測值對比后發(fā)現(xiàn)，兩者的相關(guān)系數(shù)很高，偏差很小。(2)對同址GPS無線電探空和微波輻射計觀測的氣象要素進行了對比分析，發(fā)現(xiàn)二者的溫度和水汽密度廓線具有很好的正相關(guān)，相對濕度廓線的正相關(guān)系數(shù)受天氣影響明顯；二者的觀測結(jié)果具有系統(tǒng)偏差，在無降水時較小，有降水時較大。有降水時，微波輻射計反演的亮溫偏高，可降水量明顯偏大。(3)對比分析了武漢站高時、空分辨率(3 h、30 m)的探空資料和地基微波輻射計資料，結(jié)果表明：降水對兩種設備的溫度廓線和水汽密度廓線的相關(guān)性無明顯影響，但對相對濕度廓線的相關(guān)性有較為明顯的影響，其相關(guān)性在有降水時好于無降水時；整體上，微波輻射計的廓線誤差在降水時大于無降水時，其溫度、相對濕度和水汽密度廓線的平均偏差均值分別在1.0～2.5℃，6%～15%和0.08～1.75 g·m-3，對應的均方差均值分別在1.3～1.6℃，14%～17%和1.28～1.85 g·m-3。另外，將不同高度上微波輻射計和探空的資料進行點對點對比發(fā)現(xiàn)，降水會嚴重破壞兩種資料的正相關(guān)性，導致大部分高度上的廓線呈負相關(guān)，同時也明顯增加溫度和水汽密度的平均偏差和均方差。

對于風廓線雷達觀測，采用多高斯擬合方法對其觀測的原始數(shù)據(jù)功率譜中經(jīng)常出現(xiàn)的多譜峰情況進行判斷，選取合理的譜峰作為大氣湍流回波計算風速，避免了降水粒子等因素對速度的影響，從而得到更為合理的大氣風場。

2.2.2 LAPS融合同化技術(shù)改進和云分析技術(shù)研究

在LAPS系統(tǒng)中研發(fā)了變分法訂正的雷達反射率因子數(shù)據(jù)(Li and Xu，2017)、FY-2E衛(wèi)星輻射數(shù)據(jù)(李紅莉等，2016)、FY-4A溫濕度廓線產(chǎn)品、反演的三維GPS層析水汽密度數(shù)據(jù)的同化技術(shù)，并建立了能同化雷達、風云衛(wèi)星、GPS水汽、風廓線雷達、探空、地面等多源稠密觀測資料的華中區(qū)域3 km 逐小時資料融合分析系統(tǒng)(李紅莉和王志斌，2017)。該系統(tǒng)融合了115部雷達基數(shù)據(jù)，可提供接近實況并滿足業(yè)務需求的高時空分辨率分析產(chǎn)品。

評估表明，LAPS云分析產(chǎn)品較接近實況。由圖5可知，2016年6月28日09時，1 h實況降水雨區(qū)位于長江中游，且存在數(shù)個降水中心，分別位于安徽東南部—浙江北部、鄂皖贛交界大別山地區(qū)、浙江南部、湖南北部洞庭湖西側(cè)、湘黔渝交界區(qū)域(圖5a)，LAPS較好地分析出這5個降水中心對應的云頂高度超過10 km的云團(圖5c)，與葵花8衛(wèi)星觀測的穩(wěn)定云帶中的云團位置及云頂高度(圖5b)較為一致。由于LAPS云分析方案是基于背景場的濕度診斷初估云量，再結(jié)合雷達、衛(wèi)星等觀測修訂云分析(李紅莉等，2016)，與衛(wèi)星對云區(qū)的觀測反演有所不同，故雖然兩者對強降水云區(qū)的分析較為接近，但在弱降水云區(qū)仍存在較大差異。

圖5 2016年6月28日09時實況降水(a)以及葵花8衛(wèi)星(b)和LAPS(c)的云頂高Fig.5 The observed precipitation (a) and the cloud tops by Himawari-8 Satellite (b) and LAPS (c) at 09:00 BT 28 June 2016

2.3 外推預報和高分辨率數(shù)值天氣預報混合技術(shù)

2.3.1 快速更新循環(huán)同化預報

針對3D-Var方法直接同化雷達反射率時無法改善對流系統(tǒng)中的水汽問題，在雷達反射率觀測識別深對流云的基礎上，進一步調(diào)整模式的相對濕度場，將對流降水柱內(nèi)抬升凝結(jié)高度至回波頂高之間的水汽置為飽和(即相對濕度為100%)，并降低層狀云降水和虛假對流區(qū)的相對濕度，然后根據(jù)模式背景場信息構(gòu)造“偽水汽”觀測并開展同化(具體算法詳見賴安偉等，2021)，從而改善對流尺度系統(tǒng)的水汽條件，減弱模式spin-up問題(Lai et al，2019)。ADAS云分析技術(shù)中云內(nèi)溫度調(diào)整對對流發(fā)展有促進作用(Hu et al，2006)，為此，利用對流云濕絕熱溫度調(diào)整方案調(diào)整后的云內(nèi)溫度作為“偽云內(nèi)溫度”觀測，對2016年6月23日江蘇省阜寧龍卷個例開展了“偽水汽”和“偽云內(nèi)溫度”同化試驗，結(jié)果表明該方法提高了對梅雨鋒上強對流系統(tǒng)的模擬能力(圖6)。

圖6 2016年6月23日兩組同化試驗結(jié)果對比(a，d，g，j)觀測實況，(b，e，h，k)只同化雷達數(shù)據(jù)，(c，f，i，l)同化雷達、“偽水汽”和“偽云內(nèi)溫度”Fig.6 The comparison of two assimilation experiments on 23 June 2016(a, d, g, j) observations， (b, e, h, k) only radar data assimilated， (c, f, i, l) radar, pseudo water vapor and temperature in cloud assimilated

針對梅雨鋒上環(huán)境水汽條件充沛，“偽水汽”方案調(diào)整水汽幅度較弱，對流系統(tǒng)模擬發(fā)展緩慢，維持時間較短等問題，融合了云分析系統(tǒng)中的層狀云凝結(jié)潛熱和對流云濕絕熱溫度調(diào)整方案，將融合兩種溫度方案后獲得的調(diào)整溫度作為“觀測值”，并與雷達徑向風和反射率因子一起同化，改善了梅雨鋒的0～3 h降水預報(Lai et al，2020)。

研發(fā)了LAPS系統(tǒng)和WRF模式的耦合技術(shù)，利用暴雨天氣過程開展了數(shù)值模擬試驗，檢驗了觀測資料同化對暴雨預報的影響。開展了基于融合稠密觀測資料的LAPS云分析的模式熱啟動技術(shù)和LAPS各要素平衡關(guān)系等研究，評估了平衡前后模式初值對預報的影響，結(jié)果表明，可緩解模式spin-up問題，提高模式0～6 h的強對流預報效果。以上述研究為支撐，完成了基于實時稠密觀測資料(雷達、衛(wèi)星、GPS水汽、探空、地面等)融合的逐時更新循環(huán)同化預報系統(tǒng)的建設。相較于目前華中區(qū)域?qū)崟r運行的快速更新循環(huán)同化預報系統(tǒng)(HRRR)，逐時更新循環(huán)同化預報系統(tǒng)(EXPRUC)的0～6 h降水預報評分更高(圖7)。

圖7 HRRR(a,c,e,g)和EXPRUC(b,d,f,h)模式系統(tǒng)0～6 h(a，b)1 mm，(c，d)5 mm，(e，f)10 mm和(g，h)20 mm不同量級降水預報的TS評分Fig.7 The TS scores of 0-6 h precipitation forecast of HRRR (a, c, e, g) and EXPRUC (b, d, f, h) models at different levels: (a, b) 1 mm， (c, d) 5 mm， (e, f) 10 mm， (g, h) 20 mm

2.3.2 模式降水預報校正方法研究

借鑒RAPIDS(real-time acceleration platform for integrated data science)的技術(shù)思路，開展了數(shù)值降水預報落區(qū)和強度校正方法研究。

對于數(shù)值預報降水位相采用兩步校正法。即：第一步，先用快速傅里葉變換FFT法，保證雨帶整體位移偏差得到修正；第二步，用多尺度光流變分法，使雨帶的走向和小范圍降水區(qū)得到合理調(diào)整，使得快速更新循環(huán)預報的降水落區(qū)和實況更加吻合。

強度訂正則是通過調(diào)整模式降水預報使其逐步向定量估測降水場逼近來完成的。統(tǒng)計可知模式預報降水和雷達估測降水均滿足韋布爾分布，且兩個降水場的概率密度分布函數(shù)相同。通過多樣本運算求解可得到韋布爾分布的參數(shù)α和β。值得注意的是，對于不同的降水個例以及降水過程的不同時次，韋布爾分布參數(shù)都有所不同，每次強度調(diào)整的具體情況也不盡相同，以此來保證每次的調(diào)整都合理有效。

2.3.3 雷達外推預報和數(shù)值天氣預報混合技術(shù)研究

混合方法的實質(zhì)是“取長補短”，混合前期取臨近預報的“長”補數(shù)值預報的“短”，混合后期則是取數(shù)值預報的“長”補臨近預報的“短”，以求在0～6 h內(nèi)取得較好的預報效果(見下式)，其中，混合權(quán)重的分配是問題的關(guān)鍵。

R_blending(t)=W(t)×R_model+

[1-W(t)]×R_radar (1≤t≤6)

(3)

本項目采用正切動態(tài)權(quán)重融合法，正切曲線的兩個端點根據(jù)降水的天氣類型和預報員的天氣變化經(jīng)驗給定，結(jié)合不同降水系統(tǒng)的空間尺度，在不同情況下取不同的權(quán)重(楊丹丹等，2010)：

(1≤t≤6)

(4)

式中:α和β分別是t=1(當前時次)和t=6(未來6 h)的數(shù)值模式權(quán)重，α和β的取值根據(jù)預報員的天氣變化經(jīng)驗、雷達氣候?qū)W、對流系統(tǒng)的強弱等確定，γ代表在融合時段中間部分W的斜率，通過調(diào)節(jié)γ值來確定權(quán)重曲線的變化快慢，γ和α值根據(jù)降水系統(tǒng)類型和降水過程快慢等確定。在業(yè)務應用前，需要開展大量歷史個例試驗，通過統(tǒng)計分析與對比檢驗得到適合于本地應用的參數(shù)設置；或者通過大量個例的檢驗結(jié)果建立本地化參數(shù)庫，針對不同天氣系統(tǒng)配置不同的參數(shù)。

考慮到局地的強對流系統(tǒng)，1 h內(nèi)外推預報的效果較好，因此，混合前1 h內(nèi)的融合權(quán)重保持不變，即混合前1 h內(nèi)數(shù)值預報權(quán)重保持α值不變；外推預報隨時間延長預報效果急劇下降，6 h后已不具備參考價值，因此，第6小時數(shù)值預報權(quán)重β取1。根據(jù)天氣系統(tǒng)類型和雷達資料的譜空間相關(guān)性等進一步確定γ和α值。當前已實現(xiàn)了基于雷達的定量降水外推預報和校正后的數(shù)值模式定量降水預報的混合技術(shù)，可提供湖北省0～6 h定量降水預報的混合服務產(chǎn)品。經(jīng)檢驗，強回波1 h(2 h)臨近預報結(jié)果和雷達監(jiān)測實況之間的總體相關(guān)性達到50%(30%)左右，而對于大范圍強降水可達70%(60%)左右。

基于上述研究內(nèi)容及其成果，完成了強對流天氣0～12 h臨近預報系統(tǒng)的建設，并配套建設了預報產(chǎn)品網(wǎng)頁顯示平臺，方便預報員實時查閱各類預報產(chǎn)品(表2)。該系統(tǒng)已于2019年投入業(yè)務試運行。

表2 0～12 h臨近預報系統(tǒng)產(chǎn)品列表Table 2 Product list of the 0-12 h nowcasting system

3 應用檢驗

3.1 個例介紹

2020年5月4—5日，受高空低槽東移影響，重慶、湖北、湖南、江西一帶自西向東發(fā)生大范圍的冰雹、大風天氣，491個區(qū)域自動站出現(xiàn)8級以上大風，極大風速的最大值超過30 m·s-1，27個鄉(xiāng)鎮(zhèn)出現(xiàn)冰雹，最大冰雹直徑超過5 cm。圖8為5月4日09時至5日08時的逐小時冰雹大風分布(同一站點多次出現(xiàn)大風的僅保留風速最大的時次，極大風速相同時則保留最早的時次)。

3.2 效果檢驗分析

3.2.1 分類強對流天氣識別預警子系統(tǒng)

結(jié)合分類強對流天氣識別預警子系統(tǒng)的冰雹識別產(chǎn)品，以強冰雹概率(POSH)≥50%作為大冰雹的識別標準，對此次強對流天氣過程的冰雹識別情況進行了評估。冰雹落區(qū)來源于中國氣象局災情報告和網(wǎng)絡報道，其中，為了盡可能保證冰雹落區(qū)的客觀真實性，僅選取災情描述中明確有冰雹發(fā)生或伴有冰雹天氣的記錄，落雹地點精確到鄉(xiāng)鎮(zhèn)。由于大部分冰雹災情沒有具體的發(fā)生時間，故選取災情發(fā)生時段內(nèi)與受災點距離最近的對流單體的識別情況開展檢驗。檢驗結(jié)果如圖8中所示，約81.5%的鄉(xiāng)鎮(zhèn)點識別出了冰雹天氣，識別成功率較高。

圖8 2020年5月4日09時至5日08時冰雹、大風的時空分布Fig.8 Spatial and temporal distribution of hail and gale from 09:00 BT 4 to 08:00 BT 5 May 2020

與冰雹檢驗相似，以大風預警指數(shù)≥50%為檢驗標準，利用區(qū)域自動站的小時極大風數(shù)據(jù)開展大風識別預警檢驗。其中，當颮線系統(tǒng)上任意單體達到大風標準，颮線影響范圍內(nèi)的大風站點均被認為預警正確；且剔除了受陣風鋒影響或大風站點附近沒有明顯對流回波的站點。預警時效為初次大風預警與站點出現(xiàn)大風實況的時間差。表3給出了區(qū)域內(nèi)10部天氣雷達的大風預警產(chǎn)品檢驗結(jié)果，可以看出95%的站點在大風發(fā)生前，臨近預報系統(tǒng)均成功發(fā)布預警，預警時效為4～63 min不等。其中，從大風預警時刻較實況的提前量(預警時效)來看，颮線系統(tǒng)影響的站點相對較長，而分散性對流單體或發(fā)展較快的對流系統(tǒng)對應站點相對較短。

表3 10部雷達大風識別預警檢驗結(jié)果Table 3 Test results of gale identification and warning of ten radars

綜上所述，基于華中區(qū)域業(yè)務天氣雷達監(jiān)測網(wǎng)和地面加密觀測網(wǎng)，災害性天氣0～12 h臨近預報系統(tǒng)在此次強對流過程中成功識別出了大部分冰雹，并多次提前預警了地面大風，取得了不錯的服務效果。

3.2.2 快速更新循環(huán)預報子系統(tǒng)

搭建的小時更新的快速更新循環(huán)預報子系統(tǒng)對此次強對流天氣過程進行了較好的預報指示。圖9為預報系統(tǒng)2020年5月5日00時起報未來3 h內(nèi)的上升螺旋度預報路徑。從圖中不難看出，高分辨率快速更新循環(huán)預報系統(tǒng)通過高頻同化實時資料能較好地描述此次強對流天氣過程，多個實況大風站點正好對應水平風場的大風區(qū)(>17 m·s-1),而冰雹的落區(qū)也位于對冰雹生成具有較好指示意義的上升螺旋度的大值區(qū)內(nèi)。

圖9 2020年5月5日00時預報未來3 h內(nèi)的2～5 km上升螺旋度預報路徑(藍色三角：大風站點，綠色矩形：冰雹落區(qū)，彩色陰影：2～5 km上升螺旋度預報路徑)Fig.9 The forecast of 2-5 km rising helicity path within 3 h starting from 00:00 BT 5 May 2020(blue triangle: strong wind site， green rectangle: hail area， colored: 2-5 km rising helicity path forecast)

如圖10所示，從不同降水預報結(jié)果的對比中可以看到，數(shù)值模式(圖10b)對此次降水過程的整體預報效果較好，成功地預報出位于鄂東北和鄂東南的兩塊主降水區(qū)，降水量級也與實況(圖10a)接近；但湖南東北部的降水預報明顯弱于實況，而在江漢平原地區(qū)也存在一定的空報和漏報。基于雷達外推的降水估計結(jié)果(圖10c)有效改善了江漢平原地區(qū)的漏報，但是量級仍偏低，除此之外，湖南東北部的降水明顯增強，向?qū)崨r靠近；而鄂東北和鄂東南這兩個主要降水區(qū)的降水強度與實況也更加吻合?；旌项A報結(jié)果(圖10d)則有效結(jié)合了上述兩者的預報結(jié)果，除了改善模式空報和漏報等問題，對于雷達外推的部分高估問題也有所抑制，總體預報效果最優(yōu)。預報檢驗結(jié)果(表略)也驗證了該結(jié)論，即：混合預報的TS評分、ETS評分和POD都要高于模式預報和雷達外推結(jié)果。

圖10 2020年5月5日02時起報1 h降水量結(jié)果對比(a)實況，(b)模式預報，(c)雷達QPF，(d)混合預報Fig.10 Comparison of 1 h precipitation forecast results starting from 02:00 BT 5 May 2020(a) observation, (b) NWP forecast, (c) radar QPF, (d) blending forecast

3.2.3 多源資料融合分析子系統(tǒng)

圖11為多源資料融合分析子系統(tǒng)在此次颮線過程發(fā)生前的大氣環(huán)境場分析結(jié)果，從圖中不難看出，湖南、江西等地的Δθse(500-850)(850～500 hPa的假相當位溫差)普遍小于-12℃，對流有效位能(CAPE)則超過2 000 J·kg-1，這說明大氣具有較強的對流不穩(wěn)定性。盡管最大CAPE值與Bryan and Morrison(2012)給出的中緯度颮線典型CAPE值(4 200 J·kg-1)相比偏小，但仍超過了國內(nèi)研究得到的颮線CAPE值，例如：潘玉潔等(2008)研究的颮線CAPE值為1 601 J·kg-1，Meng and Zhang(2012)給出的我國2007—2009年間伴隨熱帶氣旋的颮線平均CAPE值(1 548 J·kg-1)。本次颮線的形成很可能還與較強的垂直風切變密切相關(guān)。已有研究表明, 在中尺度對流云團組織成颮線的過程中垂直風切變經(jīng)常起著重要作用(楊曉霞等，2007；Yamasaki，2009)。在18時，湖南境內(nèi)出現(xiàn)1 000～500 hPa垂直風切變大于4×10-3s-1的大值中心，大于孫虎林等(2011)研究的黃淮區(qū)域颮線的平均垂直風切變(1.41×10-3s-1)，而與陳云輝等(2019)得到的江西強颮線的研究結(jié)果(24 m·s-1)相接近。這種強垂直切變能夠增強中層干冷空氣的吸入，加強風暴中的下沉氣流和低層冷空氣外流。

圖11 2020年5月4日18時融合分析子系統(tǒng)分析的環(huán)境場大氣對流參數(shù)(填色：CAPE，單位：J·kg-1；等值線：1 000～500 hPa垂直風切變，>4×10-3 s-1；點區(qū)：Δθse(500-850)≤-12℃的區(qū)域)Fig.11 Ambient atmospheric convection parameters analyzed by the fusion analysis subsystem at 18:00 BT 4 May 2020(colored: CAPE, unit: J·kg-1; contour： 1 000-500 hPa vertical wind shear， >4 ×10-3 s-1; dotted: the region with Δθse(500-850)≤-12℃)

由雷達反射率因子逐小時演變(圖略)和地面瞬時大風的站點數(shù)統(tǒng)計(圖8)可以判斷，5日01時颮線已發(fā)展成熟，強回波呈明顯的弓形(如圖12中等值線所示)。在南北向的對流強回波帶(簡稱“C區(qū)”)后方存在層云次強回波區(qū)(簡稱“S區(qū)”),在S區(qū)和C區(qū)之間有弱回波過渡帶(簡稱“T區(qū)”)。由700 hPa 和600 hPa的水平風場、散度場和垂直速度場(圖12)可以看出,C區(qū)和T區(qū)存在明顯的輻合上升運動(散度<-20×10-5s-1, 上升速度>0.6 m·s-1)；S區(qū)則以輻散下沉運動為主(散度>20×10-5s-1,下沉速度<-0.4 m·s-1)。盡管強回波區(qū)與輻合區(qū)和強上升區(qū)并不完全一致，但仍可以看出，強回波區(qū)北段存在明顯的輻合上升運動(上升速度約為1.6 m·s-1)，而強回波南段的上升運動并不明顯，這可能與成熟階段大雨滴向下的拖曳作用有關(guān)(Houze，2014)。對流區(qū)存在下沉氣流在以往的外場試驗中也被證實，如：Tridon et al(2019)利用ARM(atmospheric radiation measurement)試驗中風廓線雷達的探測數(shù)據(jù)揭示了颮線過境時對流區(qū)上升、下沉氣流共存的現(xiàn)象。上述結(jié)構(gòu)特征與孫虎林等(2011)的研究對比發(fā)現(xiàn)，颮線中低層散度和垂直速度的垂直分布特征較為一致，均顯示S區(qū)的整個中低層為下沉運動，低層存在明顯輻散；而C區(qū)為上升運動區(qū)；主要的不同在于：T區(qū)在本次颮線過程中為上升氣流控制，這一差異值得后期進一步探討。

圖12 2020年5月5日01時(a)700 hPa的水平風(箭頭)、雷達反射率(等值線，≥30 dBz)及散度(填色，單位：10-5 s-1)；(b)同圖12a，但為600 hPa，填色為垂直速度(單位：m·s-1)(雷達數(shù)據(jù)已在LAPS融合模塊中由極坐標格式轉(zhuǎn)換為p坐標系下的三維網(wǎng)格數(shù)據(jù))Fig.12 (a) Composite of horizontal wind (arrow), divergence (colored, unit: 10-5 s-1) and radar reflectivity (contour, ≥30 dBz) at 01:00 BT 5 May 2020; (b) same as Fig.12a, except for 600 hPa and vertical velocity (colored, unit: m·s-1) (The radar data are three-dimensional Cartesian gridded data in constant pressure coordinates processed by the fusion module of LAPS)

4 結(jié)論與討論

中國氣象局武漢暴雨研究所重點圍繞災害性天氣的資料同化與臨近預報開展了分類強對流天氣識別預警技術(shù)，多源稠密觀測資料數(shù)據(jù)融合技術(shù)以及外推預報和高分辨率數(shù)值天氣預報混合技術(shù)這三個方面的研究，并從中實現(xiàn)了雷達徑向速度質(zhì)量控制算法改進、雷達QPE的VPR訂正、對流尺度模式的“偽水汽”同化、LAPS與WRF的耦合等一系列的技術(shù)方法，取得了較豐富的研究成果，并以此為基礎搭建了強對流天氣0～12 h臨近預報系統(tǒng)。該系統(tǒng)已于2019年投入業(yè)務試運行，取得了積極的效果反饋。

雖然取得了一定的研究成果，但強對流天氣的精準預報預警仍有待開展多方面的研究和探索：

(1)利用更長歷時的災害性天氣資料開展統(tǒng)計分析和特征提取以改進相關(guān)的識別預警算法，提高實際應用效果；探索運用新的技術(shù)手段(如：大數(shù)據(jù)、人工智能等)開展相關(guān)研究，尋求更大的技術(shù)突破。

(2)深入開展新型探測資料(如雙偏振雷達、相控陣雷達等)同化技術(shù)的研究，發(fā)揮資料探測優(yōu)勢以改進高分辨率數(shù)值模式的模擬和預報效果。

(3)組織開展更加全面有效的強對流天氣觀測試驗，深入理解其發(fā)生發(fā)展的機制機理，從而改進模式的微物理參數(shù)化方案，增強模式對此類天氣系統(tǒng)的模擬與預報能力。