易志學(xué)，蘭世懷

(1.貴州省雷山縣氣象局， 貴州 雷山 557100；2.南京信息工程大學(xué)， 江蘇 南京 210044)

利用貴陽單站對(duì)流參數(shù)的強(qiáng)降水潛勢(shì)預(yù)報(bào)方法研究

易志學(xué)1，蘭世懷2

(1.貴州省雷山縣氣象局， 貴州 雷山 557100；2.南京信息工程大學(xué)， 江蘇 南京 210044)

該文利用2002—2011年10 a的常規(guī)觀測(cè)資料，篩選出貴陽單站24 h強(qiáng)降水、12 h強(qiáng)降水及6 h強(qiáng)降水個(gè)例。對(duì)大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)與強(qiáng)降水進(jìn)行相關(guān)性統(tǒng)計(jì)分析，確立了相關(guān)性較好的常用物理指標(biāo)(IQ、K、mK、SWEAT、Tg)。通過分析降水前后其物理指標(biāo)的變化特征，并利用成功指數(shù)建立指標(biāo)預(yù)警閾值。再利用逐步消空法和BP神經(jīng)網(wǎng)絡(luò)集成方法對(duì)指標(biāo)進(jìn)行集成，得到相應(yīng)的預(yù)報(bào)模型，從而建立了貴陽強(qiáng)對(duì)流天氣未來0～6 h，0～12 h的潛勢(shì)預(yù)報(bào)的預(yù)警預(yù)報(bào)指標(biāo)，對(duì)貴陽地區(qū)降雨預(yù)報(bào)具有一定的指示作用。分析表明，利用逐步消空法建立的預(yù)報(bào)模型要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)集成的模型。

強(qiáng)降水；對(duì)流參數(shù)；預(yù)警閾值；逐步消空法；BP神經(jīng)網(wǎng)絡(luò)；預(yù)報(bào)集成

1 引言

本文將利用貴陽站地面及高空常規(guī)觀測(cè)資料，分析各種對(duì)流參數(shù)及物理指標(biāo)與降水的相關(guān)性，尋找出相關(guān)性比較好的物理指標(biāo)，建立貴陽對(duì)流天氣的預(yù)警指標(biāo)，從而指導(dǎo)人工增雨作業(yè)。現(xiàn)階段我國(guó)強(qiáng)對(duì)流天氣業(yè)務(wù)專業(yè)化處于起步階段，無論預(yù)報(bào)時(shí)效、預(yù)報(bào)準(zhǔn)確率和技術(shù)支撐等與發(fā)達(dá)國(guó)家相比仍存在很大的差距，其中在技術(shù)研發(fā)方面，利用歷史資料提取敏感動(dòng)力熱力因子，經(jīng)過統(tǒng)計(jì)分析，總結(jié)出這些指數(shù)在各類強(qiáng)對(duì)流天氣中的分布區(qū)間，并確定強(qiáng)對(duì)流天氣類型的閾值，從而構(gòu)建具有明確意義并反映強(qiáng)對(duì)流特征的冰雹指數(shù)、大風(fēng)指數(shù)和超級(jí)綜合指數(shù)等對(duì)于目前我國(guó)的預(yù)報(bào)來說仍是一項(xiàng)巨大的挑戰(zhàn)[1]。

諶志剛等根據(jù)2007—2008年2 a 7—10月廣東后汛期強(qiáng)對(duì)流天氣出現(xiàn)時(shí)的雷達(dá)資料和對(duì)應(yīng)的GRAPES模式資料以及強(qiáng)對(duì)流天氣發(fā)生時(shí)各地的實(shí)況，進(jìn)行數(shù)據(jù)處理，通過多元逐步回歸方法建立后汛期強(qiáng)對(duì)流天氣潛勢(shì)預(yù)報(bào)方程，對(duì)廣東省后汛期的強(qiáng)對(duì)流天氣進(jìn)行0～1 h的臨近預(yù)報(bào)[2]。劉玉玲結(jié)合了強(qiáng)對(duì)流天氣發(fā)生發(fā)展的物理機(jī)制，結(jié)合具體個(gè)例分析了浮力能和風(fēng)切變等有關(guān)的對(duì)流參數(shù)在強(qiáng)對(duì)流天氣潛勢(shì)預(yù)報(bào)中的作用[3]。陳秋萍等利用2003—2007年中尺度模式MM5以及探空資料計(jì)算的物理量，選取對(duì)流天氣相關(guān)性好的熱力、動(dòng)力、能量參數(shù)作為預(yù)報(bào)因子，通過對(duì)這些參數(shù)的空間分布特征與強(qiáng)對(duì)流天氣落區(qū)進(jìn)行診斷統(tǒng)計(jì)分析，通過參數(shù)搭配，建立了強(qiáng)對(duì)流診斷預(yù)報(bào)方程，制作出了福建省0～12 h，0～6 h強(qiáng)對(duì)流天氣的潛勢(shì)預(yù)報(bào)和落區(qū)的預(yù)報(bào)[4]。許愛華等采用19 a 3—9月常規(guī)觀測(cè)資料，對(duì)南昌Δ T 850-500 ≥27 ℃這種強(qiáng)垂直溫度梯度與江西強(qiáng)對(duì)流天氣過程的關(guān)系進(jìn)行了相關(guān)分析，并將區(qū)域強(qiáng)對(duì)流天氣、局部強(qiáng)對(duì)流天氣、無強(qiáng)對(duì)流天氣3類情況下的中低層氣壓、溫度、濕度、風(fēng)場(chǎng)及穩(wěn)定度進(jìn)行分類合成分析，得出：當(dāng)南昌Δ T 850-500 ≥27 ℃時(shí)，且有天氣系統(tǒng)作為觸發(fā)條件時(shí)，江西強(qiáng)對(duì)流天氣發(fā)生的概率達(dá)85 %；中低層的低槽和切變等影響系統(tǒng)、江南華南暖濕氣流、河套地區(qū)的冷空氣都有利于江西強(qiáng)對(duì)流天氣出現(xiàn)[5]。他們的研究主要針對(duì)某個(gè)區(qū)域，且對(duì)于強(qiáng)對(duì)流天氣發(fā)生時(shí)的物理指標(biāo)和對(duì)流參數(shù)的分析中運(yùn)用的方法是診斷統(tǒng)計(jì)分析、逐步回歸等方法建立強(qiáng)對(duì)流天氣的潛勢(shì)預(yù)報(bào)模型，而本文的研究主要是針對(duì)單站的強(qiáng)降水的對(duì)流參數(shù)，運(yùn)用成功指數(shù)建立強(qiáng)降水發(fā)生的閾值，并逐步消空的方法和BP神經(jīng)網(wǎng)絡(luò)集成的方法將相關(guān)性好的參數(shù)就行集成。

2 資料

2.1 資料概況

本文所用的資料是2002—2011年10 a的常規(guī)觀測(cè)資料，取自南京信息工程學(xué)院大氣科學(xué)學(xué)院，是基于MICAPS的分析處理資料。

2.2 強(qiáng)對(duì)流天氣個(gè)例的標(biāo)準(zhǔn)

基于貴陽地區(qū)強(qiáng)降水概況，分別定義了不同時(shí)段的強(qiáng)降水標(biāo)準(zhǔn)來篩選強(qiáng)降水個(gè)例。其中24 h降水量分析中，定義08時(shí)的24 h累計(jì)降水量大于20 mm的個(gè)例為強(qiáng)降水；12 h降水量分析中，定義12 h累計(jì)降水量大于15 mm的個(gè)例為強(qiáng)降水；6 h降水分析中，定義6 h累計(jì)降水量大于10 mm的個(gè)例為強(qiáng)降水。根據(jù)定義的標(biāo)準(zhǔn)從10 a的常規(guī)觀測(cè)資料中篩選出不同時(shí)段的強(qiáng)降水個(gè)例來進(jìn)行探討分析。

2.3 個(gè)例及預(yù)報(bào)指標(biāo)選取

從10 a的常規(guī)觀測(cè)資料中，按照2.2的標(biāo)準(zhǔn)篩選出貴陽單站的強(qiáng)降水個(gè)例。其中，24 h降水量的強(qiáng)降水共有24個(gè)，12 h降水量的強(qiáng)降水共有41個(gè)，由于對(duì)流參數(shù)缺失的原因，實(shí)際挑選出36個(gè)。6 h降水量的強(qiáng)降水個(gè)例總共有54個(gè)，由于對(duì)流參數(shù)缺失的原因，實(shí)際篩選出45個(gè)。

選取了強(qiáng)降水發(fā)生前、發(fā)生時(shí)的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)作為分析對(duì)象。

3 主要研究方法及常用參數(shù)意義

3.1 相關(guān)性分析

相關(guān)系數(shù)是衡量?jī)蓚€(gè)變量線性關(guān)系密切程度的量，而相關(guān)性分析是驗(yàn)證兩個(gè)變量之間的線性關(guān)系，從相關(guān)系數(shù)r的大小可以判別出，兩個(gè)變量之間的線性關(guān)系的強(qiáng)弱。本文中的相關(guān)性分析主要是分析降水發(fā)生前，發(fā)生時(shí)的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)與降水的相關(guān)性，從而確立降水發(fā)生時(shí)具有較好指示意義的物理指標(biāo)。

3.2 成功指數(shù)

根據(jù)表1，有：

(1)

(2)

(3)

(4)

其中POD的含義為報(bào)對(duì)次數(shù)與事件出現(xiàn)總次數(shù)的比值。上面引入的量是衡量預(yù)報(bào)質(zhì)量、預(yù)報(bào)指標(biāo)或預(yù)報(bào)方法優(yōu)劣很有用的參數(shù)。尋找預(yù)報(bào)指標(biāo)，就是尋找使y和z變小、準(zhǔn)確率和CSI變大的條件[8]。本文利用這種方法來確立物理指標(biāo)的閾值。

表1 定義CSI、POD、FAR、m用表

3.3 逐步消空法

逐步消空法[8]是在3.2中的表達(dá)式的基礎(chǔ)上，使得y=0，z逐漸變小的方法，可以用探測(cè)概率POD與虛假報(bào)警率FAR表示：

POD=100.0%

(5)

100.0%>FAR=m>0

(6)

[(FAR)j-1-(FAR)j]>mj%>0

(7)

式(7)中(FAR)j表示第j個(gè)指標(biāo)的虛假報(bào)警率。其中，式(6)與式(7)表示“寧空”，式(5)表示“勿漏”；式(5-7)共同表示“寧空勿漏”；而式(5)與式(6)則是“逐步消空法”的數(shù)學(xué)表達(dá)。本文利用這種方法確立的物理指標(biāo)組合成一個(gè)指標(biāo)集，建立預(yù)報(bào)思路。

3.4 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)網(wǎng)絡(luò)[9]，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hide layer)和輸出層(output layer)3個(gè)層次。以建立的物理指標(biāo)參數(shù)序列作為BP神經(jīng)網(wǎng)絡(luò)集成預(yù)報(bào)模型的學(xué)習(xí)矩陣輸入，相應(yīng)的實(shí)況降水量作為學(xué)習(xí)矩陣的期望輸出。首先對(duì)學(xué)習(xí)矩陣的樣本進(jìn)行標(biāo)準(zhǔn)化處理：

(8)

pn為標(biāo)準(zhǔn)化后輸入的數(shù)據(jù)，p為原始數(shù)據(jù)，max(p)、min(p)分別為P序列中的最大值和最小值。隱節(jié)點(diǎn)取5，學(xué)習(xí)率為0.1，訓(xùn)練函數(shù)為tranrp —— 帶反彈的回傳(Rprop)。對(duì)樣本進(jìn)行訓(xùn)練后對(duì)給定的實(shí)驗(yàn)樣本進(jìn)行仿真。

3.5 指標(biāo)的種類及物理意義

3.5.1 指標(biāo)的種類 對(duì)流分為干對(duì)流和濕對(duì)流[10]，本文主要討論的是濕對(duì)流的情況。需滿足對(duì)流性天氣形成的3個(gè)基本條件[11]：水汽條件不穩(wěn)定(包括對(duì)流性不穩(wěn)定)層結(jié)、抬升條件。

這3個(gè)因子中，水汽和不穩(wěn)定層結(jié)可以看作是對(duì)流性天氣發(fā)生的內(nèi)因，而抬升作用則看作是外因，當(dāng)外因和內(nèi)因相互作用，即當(dāng)這3個(gè)條件都具備時(shí)對(duì)流性天氣將爆發(fā)。基于對(duì)流性天氣發(fā)生的3個(gè)基本條件，對(duì)流天氣發(fā)生的指標(biāo)可以分為大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類3類。

3.5.2 指標(biāo)的物理意義 IQ整層比濕積分，反映的是大氣層中總的水汽情況。Tg對(duì)流溫度，氣塊自對(duì)流凝結(jié)高度干絕熱下降到地面時(shí)所具有的溫度。如當(dāng)日最高溫度大于對(duì)流溫度， 則該日就有可能出現(xiàn)熱力對(duì)流云。熱力對(duì)流凝結(jié)高度一般即為熱力性對(duì)流云云底的高度。由此可見， 對(duì)流凝結(jié)高度和對(duì)流溫度對(duì)局地?zé)釋?duì)流有一定的預(yù)報(bào)能力。K指數(shù)K= (T850-T500) +Td850-(T700-Td700)(9)，反映大氣的層結(jié)穩(wěn)定情況，K指數(shù)越大，層結(jié)越不穩(wěn)定，但它不能明顯表示出整個(gè)大氣的層結(jié)不穩(wěn)定度。mK指數(shù)是考慮了地面溫度狀況后改進(jìn)的K指數(shù)，其值越大表示氣團(tuán)低層越暖濕，穩(wěn)定度越小，有利于對(duì)流發(fā)生。SWEAT強(qiáng)天氣威脅指數(shù)，I=12Td+20(T-49)+4fs+2f5+125(S+0.2)(10)，是根據(jù)日常預(yù)報(bào)經(jīng)驗(yàn)得出的一個(gè)預(yù)報(bào)指標(biāo)，其反應(yīng)的是不穩(wěn)定能量與風(fēng)速垂直切變以及風(fēng)向垂直切變對(duì)風(fēng)暴的綜合作用，當(dāng)SWEAT強(qiáng)天氣威脅指數(shù)值越高，發(fā)生強(qiáng)對(duì)流的可能性就越大。

4 預(yù)警指標(biāo)的篩選

4.1 24 h降水量與預(yù)報(bào)指標(biāo)的相關(guān)性分析

利用08時(shí)24 h降水個(gè)例序列，選取對(duì)應(yīng)降水前12 h、24 h的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)，建立對(duì)應(yīng)的序列，計(jì)算出各類物理指標(biāo)與降水時(shí)的相關(guān)系數(shù)。各類物理指標(biāo)與24 h累計(jì)降水量的相關(guān)系數(shù)如表2所示。

表2 24 h降水量的相關(guān)系數(shù)

根據(jù)表2可以看出，各類物理指標(biāo)與24 h降水量的相關(guān)系數(shù)都較小。其中大氣溫濕類參數(shù)中Tg對(duì)流溫度與24 h降水的降水前24 h的相關(guān)系數(shù)比前12 h的要大，而IQ整層比濕積分和TT總指數(shù)與24 h降水的降水前12 h的相關(guān)系數(shù)比前24 h的要好。在層結(jié)穩(wěn)定度類指標(biāo)中K指數(shù)、修正的K指數(shù)(mK)、ICC對(duì)流不穩(wěn)定指數(shù)、JI指數(shù)與24 h降水量的相關(guān)性較好，24 h降水量K指數(shù)與修正的K指數(shù)的前12 h相關(guān)性比前24 h的要好，而ICC指數(shù)與JI指數(shù)的剛好相反。在熱力與動(dòng)力綜合類物理指標(biāo)中SSI指數(shù)與24 h降水量的相關(guān)系數(shù)前12 h達(dá)到-0.46，前24 h達(dá)到-0.87，可以看做是負(fù)相關(guān)。與SWEAT的相關(guān)系數(shù)，前12 h的明顯比前24 h大。能量類參數(shù)，CAPE與24 h降水量的相關(guān)系數(shù)，前12 h的高于前24 h的。

根據(jù)以上分析，選取Tg對(duì)流溫度、IQ整層比濕積分、TT總指數(shù)、K指數(shù)、mK、 ICC、 JI、 SSI、 SWEAT、CAPE作為未來24 h強(qiáng)降水的預(yù)報(bào)因子。

4.2 12 h降水量與指標(biāo)的相關(guān)性分析

利用08時(shí)和20時(shí)的12 h水時(shí)段降水前、降水時(shí)的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)，建立對(duì)應(yīng)的序列，計(jì)算出各類指標(biāo)物理量與12 h水的相關(guān)系數(shù)，計(jì)算出的相關(guān)系數(shù)較好的物理參數(shù)如表3所示。

表3 12 h降水量的相關(guān)系數(shù)

根據(jù)表3中可看出大氣溫濕類參數(shù)Tg對(duì)流溫度，IQ整層比濕積分，TT總指數(shù)與降水前08時(shí)的相關(guān)系數(shù)比20時(shí)要好。在層結(jié)穩(wěn)定度類參數(shù)中JI與Teffer的相關(guān)系數(shù)與24 h的相比較，相關(guān)性較小，不穩(wěn)定，而K指數(shù)與mK指數(shù)相關(guān)性較好。熱力動(dòng)力綜合性類參數(shù)中SWEAT強(qiáng)天氣威脅指數(shù)相關(guān)性較好。能量類指數(shù)CAPE相關(guān)性與24小時(shí)降水量相比較，相關(guān)性很小。

根據(jù)以上分析，選區(qū)相關(guān)性較好的物理參數(shù)Tg對(duì)流參數(shù)、IQ整層比濕積分、K指數(shù)、mK指數(shù)、JI指數(shù)、SWEAT強(qiáng)天氣威脅指數(shù)、CAPE作為未來12 h降水的物理指標(biāo)。

4.3 6 h水量與指標(biāo)的相關(guān)性分析

利用6 h降水個(gè)例序列，選取降水時(shí)段最近的兩個(gè)時(shí)次和降水后的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標(biāo)，建立對(duì)的序列，計(jì)算出各類物理指標(biāo)與6 h計(jì)降水量的相關(guān)系數(shù)，如表4所示。

表4 6 h降水量的相關(guān)系數(shù)

根據(jù)表4中可以看出大氣溫濕類參數(shù)中降水前與TT總指數(shù)的相關(guān)系數(shù)較好而降水時(shí)和降水后的相關(guān)系數(shù)偏小，Tg對(duì)流溫度降水前和降水后較好，降水時(shí)偏小，IQ整層比濕積分的相關(guān)性在降水時(shí)達(dá)到最大，隨后隨著大氣層中水汽的減小而減小。層結(jié)穩(wěn)定度類參數(shù)K指數(shù)、mK指數(shù)的在降水前、降水時(shí)相關(guān)性較好，降水后層結(jié)穩(wěn)定度趨于穩(wěn)定，相關(guān)性偏小，ICC指數(shù)在降水時(shí)相關(guān)性較好。熱力動(dòng)力綜合類參數(shù)中SWEAT強(qiáng)天氣威脅指數(shù)在降水時(shí)相關(guān)性最好，相關(guān)系數(shù)達(dá)到0.31。能量類指標(biāo)在降水前和降水時(shí)相關(guān)性較好，降水后很小。

根據(jù)6 h水相關(guān)性分析，選取Tg對(duì)流溫度、IQ整層比濕積分、TT總指數(shù)、K指數(shù)、mK指數(shù)、ICC、JI、SWEAT強(qiáng)天氣威脅指數(shù)，作為0～6 h水的預(yù)報(bào)因子。

4.4 預(yù)警指標(biāo)的確定

通過以上對(duì)24 h水量和12 h水量分析以及6 h水量與各類物理指標(biāo)相關(guān)性的分析，不同時(shí)段的降水量與各類物理指標(biāo)的相關(guān)系數(shù)都較小，無法通過顯著性檢驗(yàn)，不再進(jìn)行顯著性檢驗(yàn)。根據(jù)不同時(shí)段選取的預(yù)報(bào)因子可以看出，Tg對(duì)流參數(shù)、TT總指數(shù)、IQ整層比濕積分、K、mK、ICC、JI、SWEAT強(qiáng)天氣威脅指數(shù)、CAPE等與降水的相關(guān)性較好，但是一些參數(shù)的相關(guān)性不穩(wěn)定，如TT總指數(shù)、CAPE等，最終選取Tg對(duì)流溫度、IQ整層比濕積分、K指數(shù)、mK、SWEAT強(qiáng)天氣威脅指數(shù)5個(gè)因子作為預(yù)報(bào)指標(biāo)。

5 預(yù)警指標(biāo)值的建立

5.1 預(yù)警指標(biāo)的分析及確定

根據(jù)成功指數(shù)的思想分別確立了08時(shí)和20時(shí)的所選出來的各個(gè)對(duì)流參數(shù)的閾值。

6 h降水預(yù)報(bào)因子08時(shí)閾值的確定，IQ整層比濕積分707.1為臨界值，在所選18個(gè)個(gè)例中，17個(gè)個(gè)例的值均大于所選臨界值。K指數(shù)選取12為臨界值，在所選18個(gè)個(gè)例中，16個(gè)個(gè)例的值均大于所選臨界值。SWEAT選取54.4為臨界值，所選18個(gè)個(gè)例中，16個(gè)個(gè)例的值均大于所選臨界值。Tg選取254.1為臨界值，所選18個(gè)個(gè)例的值均大于所選臨界值。類似的選出6 h降水20時(shí)，12 h降水08時(shí)、20時(shí)，24 h降水前12 h預(yù)警指標(biāo)的閾值如表5、表6、表7所示。根據(jù)以上分析得出，可以看出無論是24 h降水、12 h降水還是6 h降水前的預(yù)警指標(biāo)的閾值相差不大，綜合分析，最終確定預(yù)報(bào)因子的閾值，如表8所示。

表5 6 h降水量預(yù)報(bào)的閾值

表6 12 h降水量預(yù)報(bào)的閾值

表7 24 h降水量預(yù)報(bào)的閾值

表8 最終選取的因子的閾值

5.2 基于逐步消空法預(yù)報(bào)因子建立

建立強(qiáng)降水潛勢(shì)預(yù)報(bào)模型的幾點(diǎn)說明：①貴陽屬于季風(fēng)濕潤(rùn)型氣候，降水量較多，強(qiáng)度大。②貴陽的探空資料每日只有08時(shí)和20時(shí)兩個(gè)時(shí)次的觀測(cè)，資料的時(shí)間分辨率不高，而強(qiáng)降水具有時(shí)效短、強(qiáng)度大等特點(diǎn)。③在24 h強(qiáng)降水與預(yù)報(bào)指標(biāo)的相關(guān)性分析中，相關(guān)性較小。

在考慮以上幾點(diǎn)的基礎(chǔ)上，制作預(yù)報(bào)模型時(shí)只考慮0～6 h，0～12 h的預(yù)報(bào)時(shí)效，不考慮24 h的強(qiáng)降水預(yù)報(bào)。

基于表8建立預(yù)警指標(biāo)的閾值，運(yùn)用逐步消空的思想建立0～6 h，0～12 h強(qiáng)降水預(yù)警指標(biāo)集合。

①利用IQ整層比濕積分消空，IQ整層比濕積分，數(shù)值越大表示大氣層中的水汽條件。2011年4月的30 d里，利用08時(shí)和20時(shí)的探空資料進(jìn)行消空，滿足IQ>707的時(shí)次有30次，12 h強(qiáng)降水出現(xiàn)2次，強(qiáng)降水發(fā)生的概率為2/30=6%；6 h強(qiáng)降水出現(xiàn)1次，強(qiáng)降水發(fā)生的概率為1/30=3%。選擇IQ>707作為未來12 h的第1預(yù)警指標(biāo)，記作X1。

②利用K指數(shù)消空。2011年4月1-30日，根據(jù)08時(shí)和20時(shí)的探空資料得到K指數(shù)，選擇K>13作為未來12 h的第2預(yù)警指標(biāo)，記作X2。同時(shí)滿足X1和X2的強(qiáng)降水次數(shù)有14次，12 h強(qiáng)降水發(fā)生率為2/14=14%，6 h強(qiáng)降水發(fā)生率為1/14=7%。增加X2后12 h強(qiáng)降水發(fā)生率增加了約8%，6 h強(qiáng)降水增加了4%。

③利用mK指數(shù)消空，選擇K>15作為未來12 h的第3個(gè)預(yù)警指標(biāo)，記作X3。同時(shí)滿足X1、X2、X3的強(qiáng)降水次數(shù)有13次，強(qiáng)降水發(fā)生率為2/13=15%。增加X3后強(qiáng)降水發(fā)生率增加了約1%。

④利用SWEAT強(qiáng)天氣威脅指數(shù)消空，其數(shù)值越大表示發(fā)生強(qiáng)對(duì)流天氣的概率越大。選擇SWEAT>33作為未來12 h的第4預(yù)警指標(biāo)，記作X4。在2011年4月1-30日中，同時(shí)滿足X1、X2、X3、X4 4個(gè)條件的次數(shù)有13次，12 h強(qiáng)降水發(fā)生率為2/13=15%，6 h強(qiáng)降水發(fā)生率為1/13=7.6%。

⑤利用Tg對(duì)流溫度進(jìn)行消空，選擇Tg>254.1作為未來12 h的第5個(gè)預(yù)警指標(biāo)，記作X5。在2011年4月1-30日中，同時(shí)滿足X1、X2、X3、X4、X5 5個(gè)條件的次數(shù)有13次，強(qiáng)降水發(fā)生率為2/13=15%，6 h強(qiáng)降水發(fā)生率為1/13=7.6%。

由上述討論得出X1、X2、X3、X4、X5為貴陽地區(qū)未來0～6 h，0～12 h強(qiáng)降水預(yù)警指標(biāo)集。

預(yù)報(bào)流程：將逐步消空法得出的指標(biāo)集記作Xb，首先利用當(dāng)日MICAPS資料分析當(dāng)日的環(huán)流形勢(shì)是否對(duì)降水有利，如果有利，則滿足用下一個(gè)指標(biāo)IQ整層比濕積分進(jìn)行判別；不滿足則未來6 h、12 h內(nèi)無強(qiáng)降水發(fā)生，滿足則進(jìn)行下一個(gè)指標(biāo)K指數(shù)的判別；同樣如果不滿足則判別為未來6 h、12 h內(nèi)無強(qiáng)降水發(fā)生，滿足則繼續(xù)進(jìn)行下一個(gè)物理指標(biāo)的判別。以此類推，直到預(yù)報(bào)指標(biāo)集里面每個(gè)物理指標(biāo)都能滿足條件，才能預(yù)報(bào)未來6 h、12 h內(nèi)有強(qiáng)降水發(fā)生，如圖1所示。

圖1 逐步消空的預(yù)報(bào)模型

5.3 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)警指標(biāo)的建立

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)以上所選對(duì)流參數(shù)(IQ、K、mK、SWEAT、Tg)建立預(yù)報(bào)模型，經(jīng)過調(diào)試，當(dāng)隱節(jié)點(diǎn)數(shù)取5，學(xué)習(xí)率為0.1時(shí)，得到的預(yù)測(cè)網(wǎng)絡(luò)預(yù)報(bào)模型較好，網(wǎng)絡(luò)的初始權(quán)值是隨機(jī)設(shè)置的通過訓(xùn)練優(yōu)化，爭(zhēng)取達(dá)到最小的誤差。其中在擬合的過程中只要擬合或者試報(bào)的結(jié)果大于10 mm和15 mm，可以看作是未來0～6 h、0～12 h內(nèi)有強(qiáng)降水發(fā)生。根據(jù)5.2的預(yù)報(bào)模型的幾點(diǎn)說明，只對(duì)0～6 h，0～12 h的預(yù)報(bào)時(shí)效進(jìn)行預(yù)報(bào)集成，不做24 h的集成預(yù)報(bào)。

對(duì)6 h降水量的參數(shù)集成，擬合的均方誤差為7.23，擬合結(jié)果如表9所示，擬合圖為圖2所示。同時(shí)對(duì)12 h降水量的參數(shù)集成，擬合的均方誤差為25.59。擬合結(jié)果如表10所示，擬合圖如圖3所示。

表9 6 h降水量擬合結(jié)果

表10 12 h降水量擬合結(jié)果

圖2 6 h降水量模型擬合圖

圖3 12 h降水量模型擬合圖

5.4 預(yù)報(bào)檢驗(yàn)

5.4.1 逐步消空法預(yù)報(bào)模型試報(bào) 根據(jù)5.2建立的逐步消空法預(yù)報(bào)的模型，利用2011年4月1—30日的每日08時(shí)、20時(shí)的探空資料中物理指標(biāo)(IQ、K指數(shù)、mK指數(shù)、SWEAT、Tg)對(duì)未來12 h是否出現(xiàn)強(qiáng)降水進(jìn)行試報(bào)。實(shí)況總共是60次，大于15 mm的強(qiáng)降水2次，其余為弱的降水或是無降水。預(yù)報(bào)結(jié)果為試報(bào)60次，報(bào)有強(qiáng)降水9次，空?qǐng)?bào)9次，報(bào)錯(cuò)2次，總共報(bào)對(duì)49次，成功率CIS=(49/9+2+49)×100%=81%。對(duì)未來6 h強(qiáng)降水潛勢(shì)預(yù)報(bào)，實(shí)況總共是60次，大于10 mm的強(qiáng)降水1次，其余為弱的降水或是無降水。預(yù)報(bào)結(jié)果為試報(bào)60次，報(bào)有強(qiáng)降水9次，空?qǐng)?bào)8次，總共報(bào)對(duì)52次，成功率CIS=(52/9+51)×100%=86%。6 h預(yù)報(bào)對(duì)比分析圖略。

5.4.2 BP神經(jīng)網(wǎng)絡(luò)集成試報(bào) 根據(jù)5.3建立的BP神經(jīng)網(wǎng)絡(luò)6 h降水的參數(shù)集成和12 h參數(shù)的集成建立的網(wǎng)絡(luò)模型，利用2011年4月1—30日的每日08時(shí)、20時(shí)的探空資料中物理指標(biāo)(IQ、K指數(shù)、mK指數(shù)、SWEAT、Tg)進(jìn)行試報(bào)。

6 h降水參數(shù)集成網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果為：試報(bào)60次，報(bào)對(duì)34次(2次強(qiáng)降水、32次無強(qiáng)降水)，空?qǐng)?bào)26次，成功率CIS=(34/26+34)×100%=56%。試報(bào)結(jié)果如表11所示，網(wǎng)絡(luò)模型預(yù)測(cè)圖如圖4所示。12 h降水參數(shù)集成網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果預(yù)報(bào)的結(jié)果如表12所示，網(wǎng)絡(luò)預(yù)測(cè)模型如圖5所示，其中報(bào)對(duì)18次(2次強(qiáng)降水，16次無強(qiáng)降水)，空?qǐng)?bào)42次，成功率CIS=(18/18+42)×100%=30%。

5.4.3 預(yù)報(bào)結(jié)果小結(jié) 從以上兩個(gè)預(yù)報(bào)模型的預(yù)報(bào)結(jié)果可以看出，逐步消空法建立的模型的預(yù)報(bào)成功率要高于神經(jīng)網(wǎng)絡(luò)集成的模型。6 h降水的參數(shù)集成神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)的成功率要比12 h降水參數(shù)集成的要高。

表11 6 h降水預(yù)報(bào)結(jié)果

圖4 6 h降水量的模型預(yù)測(cè)圖

圖5 12 h降水量分析的模型預(yù)測(cè)圖

樣本觀測(cè)值預(yù)報(bào)值相對(duì)誤差樣本觀測(cè)值預(yù)報(bào)值相對(duì)誤差10005487-5487310002783-27832000966-966320001871-187130001903-19033316001896-2964000-32163216340001428-142855001361-861350001754-175460002633-2633360001779-177970001712-1712370001342-134280001713-1713380002029-202990001993-1993390001748-1748100002687-2687400003475-3475110004465-4465410004591-4591120005908-5908420002304-2304130001866-1866430002793-2793147001742-104244000-27642764150001986-198645000-79479416000-1577157746000-19341934170001998-1998470001620-1620180002588-2588480002495-249519000758-75849000-15221522200004691-4691500002077-2077210006861-6861510004416-4416220001810-1810520001540-1540230001797-179753000-390390240002935-2935540002640-2640250002804-2804550001026-1026260002917-291756000-26942694276002553-1953576002116-15162814002651-12515820002663-663290001661-1661590001740-1740300001254-125460000131-131

6 結(jié)論

本文通過對(duì)貴陽單站對(duì)流參數(shù)的相關(guān)性分析，建立強(qiáng)降水的預(yù)警指標(biāo)的閾值，強(qiáng)降水指標(biāo)的集成研究，得出以下結(jié)論：

①貴陽地區(qū)強(qiáng)降水的物理指標(biāo)：IQ整層比濕積分、K指數(shù)、修正的mK指數(shù)、SWEAT強(qiáng)天氣威脅指數(shù)、Tg對(duì)流溫度。制作出相應(yīng)的參數(shù)閾值，對(duì)貴陽地區(qū)強(qiáng)降水的潛勢(shì)預(yù)報(bào)有一定的指示意義。

②逐步消空法和BP神經(jīng)網(wǎng)絡(luò)對(duì)物理指標(biāo)建立預(yù)報(bào)模型，通過相同資料的預(yù)報(bào)分析，得到逐步消空法建立的預(yù)報(bào)模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型，6 h降水預(yù)報(bào)模型要優(yōu)于12 h降水的預(yù)報(bào)模型。

③由于常規(guī)觀測(cè)資料中，高空觀測(cè)的資料每日只有兩個(gè)時(shí)次，再加上貴陽的強(qiáng)降水量偏多等原因，強(qiáng)降水產(chǎn)生的各項(xiàng)物理指標(biāo)與強(qiáng)降水的相關(guān)性也較小，產(chǎn)生一定的空?qǐng)?bào)率，對(duì)于貴陽地區(qū)短時(shí)強(qiáng)降水的潛勢(shì)預(yù)報(bào)還需進(jìn)一步研究。

致謝：本論文在撰寫方面得到高級(jí)工程師梁平的大力指導(dǎo)!

[1] 何立富，等.國(guó)家級(jí)強(qiáng)對(duì)流潛勢(shì)預(yù)報(bào)業(yè)務(wù)進(jìn)展與檢驗(yàn)評(píng)估[J].氣象，2011，(7)：784.

[2] 諶志剛.廣東省后汛期強(qiáng)對(duì)流天氣潛勢(shì)預(yù)報(bào)方法研究[J].氣象，2011，(8)：942.

[3] 劉玉玲.對(duì)流參數(shù)在強(qiáng)對(duì)流天氣潛勢(shì)預(yù)測(cè)中的作用[J].氣象科技，2003，(6)：150-151.

[4] 陳秋萍，等.福建短時(shí)強(qiáng)天氣潛勢(shì)預(yù)報(bào)方法研究[J].氣象，2010，(2)：32.

[5] 許愛華，等.強(qiáng)垂直溫度梯度條件下強(qiáng)對(duì)流天氣分析與潛勢(shì)預(yù)報(bào)[J].氣象科技，2006，(8)：380.

[6] http：//xj.cnr.cn/xjmlxj/xjgs/200701/t20070105_5043691

33.html.

[7] 成鵬.烏魯木齊地區(qū)近50a降水特征分析[J].干旱地理，2010，(7)：580.

[8] 孔燕燕.尋找降雹預(yù)報(bào)指標(biāo)集的一種方法逐步消空法[J].氣象，2000,26(10):109-130.

[9] 金龍.神經(jīng)網(wǎng)絡(luò)氣象預(yù)報(bào)建模理論方法與應(yīng)用[J].北京：氣象出版社，2004：3，39-47.

[10] 陸漢城，等.中尺度天氣學(xué)原理和預(yù)報(bào)[M].北京：氣象出版社,2004,(2):41.

[11] 朱乾根，等.天氣學(xué)原理和方法[M].北京：氣象出版社,2007,(2):422-426.

Heavy rainfall potential forecast method with convective parameter of the single station in Guiyang

YI Zhixue1，LAN Shihuai2

(1.Guizhou Provincial Meteorological Bureau of Guizhou Leishan county,Leishan 557100；2.Nanjing University of Information science and Technology,Jiangsu 210044)

The heavy rainfall cases of 24 hours， the heavy rainfall cases of 12 hours， and the heavy rainfall cases of 6 hours， occurring in Urumqi a station， were selected from the conventional observation datum from 2002 to 2011. By statistics and analyzing the correlation of the atmospheric temperature and humidity， stratification stability， thermal and energy physical parameter and the heavy precipitation， the result show that the correlation with the physical parameters (IQ， K， mK， SWEAT， Tg) and heavy precipitation is better. Above analyzing characteristics of physical indexes before the precipitation breaking out， occurring and after rain， the threshold value of forecasting parameters having been confirming were set with the idea of opportunity index. By using the idea of stepwise decreasing far method and the BP neural network integration， this physical parameter heaving been selecting are integrated， so the forecasting models are formed. Thus obtaining the Urumqi early warning parameters of strong convective weather forecast of potential future 6 and 12 hours， it has a certain indication role on the forecasting of rainfall Urumqi area. Through the contrast analyzing， the forecasting model to establish with the stepwise decreasing far method is superior to the integration of the BP neural network model.

Heavy precipitation； Convective parameters； Pre-warning threshold； Stepwise decreasing far method； The BP neural network； Forecasting integration

2014-07-29

易志學(xué)(1984—)，男(苗族)，工程師，主要從事天氣預(yù)報(bào)工作。

貴州省青年科技基金黔氣科合QN[2011]13號(hào)。

1003-6598(2015)01-0001-08

P456

A