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(qiáng)對流天氣具有空間尺度小、生命史短但造成災(zāi)害劇烈的特點。因此，強(qiáng)對流天氣預(yù)報是包括我國在內(nèi)的眾多國家天氣預(yù)報業(yè)務(wù)技術(shù)攻克的重點。由于時空尺度小，國內(nèi)外業(yè)務(wù)技術(shù)發(fā)展的重心都聚焦于對流監(jiān)測和短時臨近預(yù)警技術(shù)的發(fā)展。國外發(fā)達(dá)國家均在致力于發(fā)展能更好識別中小尺度對流天氣的雷達(dá)等遙感探測技術(shù)、臨近預(yù)警技術(shù)和對流可分辨的快速更新同化數(shù)值分析預(yù)報技術(shù)，并在此基礎(chǔ)上發(fā)展短時臨近無縫隙的強(qiáng)對流預(yù)警業(yè)務(wù)。

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

針對強(qiáng)對流天氣系統(tǒng)的0～6 h預(yù)報，各大氣象研究和業(yè)務(wù)中心主要基于雷達(dá)回波與衛(wèi)星圖像的簡單外推以及實踐經(jīng)驗，發(fā)展了各種類型的短時臨近預(yù)報（nowcasting）系統(tǒng)，業(yè)務(wù)應(yīng)用表明它們在0～1 h的預(yù)報中相當(dāng)有效。如美國國家大氣研究中心（NCAR）研發(fā)的Auto-Nowcaster、美國強(qiáng)風(fēng)暴實驗室（NSSL）研發(fā)的WDSS-II和英國的GANDOLF等[2-5]。

然而由于缺乏對強(qiáng)對流系統(tǒng)的發(fā)生、發(fā)展和消亡的物理機(jī)制描述，以外推為主的短時臨近預(yù)報系統(tǒng)預(yù)報能力隨預(yù)報時效增加迅速降低[1]，尤其是對強(qiáng)對流系統(tǒng)發(fā)展、演變的預(yù)報。俞小鼎等在對國內(nèi)外雷暴和強(qiáng)對流臨近天氣預(yù)報技術(shù)進(jìn)行全面回顧后指出，臨近預(yù)報系統(tǒng)應(yīng)該建立在風(fēng)暴尺度數(shù)值預(yù)報模式的集合預(yù)報基礎(chǔ)上，采用適當(dāng)?shù)某踔诞a(chǎn)生方法和模式不確定性處理方法，以及合適的數(shù)據(jù)同化技術(shù)[6]。這一觀點與陳葆德不謀而合，后者認(rèn)為，采用數(shù)值模式預(yù)報強(qiáng)對流系統(tǒng)，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(qiáng)對流系統(tǒng)活動的預(yù)報在原理上應(yīng)該遠(yuǎn)優(yōu)于簡單的外推方法；鑒于強(qiáng)對流系統(tǒng)水平尺度較小、生命史較短的特點，模式初始時刻對當(dāng)前對流系統(tǒng)的準(zhǔn)確把握是關(guān)鍵[7]。

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

由于傳統(tǒng)的外推預(yù)報技術(shù)與快速更新的數(shù)值模式預(yù)報技術(shù)在0～2和2 h以上各有優(yōu)勢，這兩種技術(shù)的融合技術(shù)（blending）成為短時臨近預(yù)報的重要發(fā)展方向，而據(jù)此建立無縫隙的強(qiáng)對流天氣預(yù)報業(yè)務(wù)體系也已經(jīng)成為發(fā)達(dá)國家提升強(qiáng)對流預(yù)警服務(wù)能力的業(yè)務(wù)建設(shè)方式。以美國為例，風(fēng)暴預(yù)報中心（SPC）已建立了時間尺度從幾個小時警戒到8天的強(qiáng)對流展望業(yè)務(wù)體系（www.spc.noaa.gov），并與地方氣象部門的臨近警告構(gòu)成了無縫隙的預(yù)報業(yè)務(wù)體系（圖1）。

圖1 美國強(qiáng)對流無縫隙預(yù)報體系（a）和預(yù)報產(chǎn)品示例（b1～b3） （b1、b2中陰影表示雷達(dá)回波，b3陰影表示預(yù)警區(qū)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(yù)報在省及以下地方業(yè)務(wù)單位已經(jīng)比較成熟，但國家級專業(yè)化強(qiáng)對流天氣預(yù)報業(yè)務(wù)始于2009年，且以短期預(yù)報為主，尚未建立起成熟的短時預(yù)報業(yè)務(wù)。本文將從無縫隙業(yè)務(wù)角度，介紹我國強(qiáng)對流天氣的實時監(jiān)測、臨近預(yù)警、短時和短期預(yù)報業(yè)務(wù)現(xiàn)狀及未來發(fā)展。

1 成熟的實時監(jiān)測和臨近預(yù)警及短期潛勢預(yù)報業(yè)務(wù)

在我國業(yè)務(wù)中，對流和強(qiáng)對流天氣主要包括雷暴、小時雨量20 mm以上的短時強(qiáng)降水、8級或者17 m·s-1以上的雷暴大風(fēng)、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(qiáng)對流均以此為標(biāo)準(zhǔn)。

1.1 監(jiān)測

隨著業(yè)務(wù)觀測體系的逐漸成熟，近年來我國的強(qiáng)對流監(jiān)測能力逐步提高。2009年以來，國家級強(qiáng)對流天氣預(yù)報業(yè)務(wù)單位強(qiáng)天氣預(yù)報中心利用雷達(dá)、衛(wèi)星、常規(guī)和非常規(guī)地面觀測站等多源觀測資料，通過發(fā)展自動站資料質(zhì)量控制技術(shù)、強(qiáng)對流信息提取和統(tǒng)計技術(shù)、直角坐標(biāo)交叉相關(guān)（CTREC）雷達(dá)回波追蹤技術(shù)、雷暴識別追蹤分析、深對流云識別技術(shù)、中尺度對流系統(tǒng)識別和追蹤技術(shù)以及閃電密度監(jiān)測技術(shù)等，建立起強(qiáng)對流天氣綜合監(jiān)測業(yè)務(wù)系統(tǒng)[8]。監(jiān)測對象包括：雷暴、雷暴大風(fēng)、冰雹、短時強(qiáng)降水以及對流云等。圖2為強(qiáng)天氣預(yù)報中心的強(qiáng)對流天氣實時監(jiān)測產(chǎn)品。該監(jiān)測產(chǎn)品已經(jīng)實現(xiàn)我國陸地和近海區(qū)域間隔1、3、6、12和24 h的雷暴、雷暴大風(fēng)、冰雹、短時強(qiáng)降水分級監(jiān)測。此外，利用閃電資料可監(jiān)測中國及周邊地區(qū)地閃總數(shù)及地閃密度。利用雷達(dá)資料還實時監(jiān)測雷達(dá)回波及垂直液態(tài)水等多參量，實現(xiàn)基于雷達(dá)特征量的冰雹指數(shù)、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(qiáng)對流天氣監(jiān)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(qū)既無地面測站也沒有雷達(dá)觀測，發(fā)展基于靜止氣象衛(wèi)星和閃電的強(qiáng)對流云團(tuán)識別、追蹤技術(shù)對于監(jiān)測雷達(dá)資料不能覆蓋的西部和中西部山區(qū)的中尺度對流系統(tǒng)（MCS）的發(fā)生發(fā)展非常重要。費增平等根據(jù)我國中尺度對流天氣的特點，在對MCS云團(tuán)重新定義的基礎(chǔ)上，發(fā)展了基于圖像和時間序列分析技術(shù)的MCS自動識別和追蹤技術(shù)[9]。在此基礎(chǔ)上，強(qiáng)天氣預(yù)報中心基于FY-2E衛(wèi)星的IR1通道亮溫、閃電資料對MCS進(jìn)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(guān)信息（圖3），為預(yù)報員在實時監(jiān)測時判斷強(qiáng)對流天氣的強(qiáng)度、類型，并進(jìn)行及時的預(yù)警，提供了重要信息[10]。

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

1.2 臨近預(yù)警

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

圖4 雷達(dá)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(yù)報，彩色標(biāo)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?。ㄊ校┑臍庀蟛块T聯(lián)合研發(fā)我國自主知識產(chǎn)權(quán)的災(zāi)害天氣短時臨近預(yù)報系統(tǒng) （Severe Weather Automatic Nowcast System，SWAN）。SWAN 系統(tǒng)在

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

圖5 SWAN系統(tǒng)客戶端界面（陰影為雷達(dá)資料反演液態(tài)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(yù)報

強(qiáng)對流短期潛勢預(yù)報是目前最為成熟的強(qiáng)對流天氣預(yù)報業(yè)務(wù)。強(qiáng)天氣預(yù)報中心在強(qiáng)對流多發(fā)的4—9月每天3次（北京時06、11和18時）發(fā)布未來24 h分類強(qiáng)對流（雷暴、冰雹、雷暴大風(fēng)和短時強(qiáng)降水）落區(qū)和概率預(yù)報，1次（18時）發(fā)布未來48和72 h的強(qiáng)對流落區(qū)預(yù)報。圖6為2017年9月21日06時發(fā)布的當(dāng)日08—12時強(qiáng)對流概率和落區(qū)預(yù)報。

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

圖6 2017年9月21日06時發(fā)布當(dāng)日08—20時全國強(qiáng)對流天氣概率和落區(qū)預(yù)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(qiáng)降水（b）客觀概率預(yù)報TS評分 （紅色實線表示當(dāng)年24 h時效內(nèi)的主觀預(yù)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(jiān)測預(yù)警業(yè)務(wù)發(fā)展

強(qiáng)對流的實時監(jiān)測業(yè)務(wù)、臨近預(yù)警和短期潛勢預(yù)報業(yè)務(wù)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(zāi)害天氣定量監(jiān)測能力有限；業(yè)務(wù)中雖然實現(xiàn)了基于多源觀測的強(qiáng)天氣（閃電、冰雹、大風(fēng)、短時強(qiáng)降水）實時監(jiān)測和對流系統(tǒng)的識別追蹤，但是對于龍卷、下?lián)舯┝鞯刃〕叨葹?zāi)害天氣利用現(xiàn)有的雷達(dá)、衛(wèi)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(shù)以基于單一數(shù)據(jù)源的線性外推為主，缺少對多源資料的綜合應(yīng)用，缺乏對物理機(jī)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(yè)務(wù)中尺度模式對β中尺度及以下的對流系統(tǒng)的預(yù)報能力有限，對流可分辨的快速更新數(shù)值分析預(yù)報系統(tǒng)對強(qiáng)對流天氣短時臨近預(yù)警業(yè)務(wù)的支持不足。鑒于此，發(fā)展高頻滾動更新的0～12 h無縫隙監(jiān)測預(yù)警業(yè)務(wù)，尤其重點發(fā)展可更好監(jiān)測初生對流和龍卷等小尺度強(qiáng)對流天氣的監(jiān)測技術(shù)、能更好挖掘多源觀測資料和數(shù)值預(yù)報資料中的強(qiáng)對流發(fā)生、發(fā)展有效信息的人工智能大數(shù)據(jù)應(yīng)用技術(shù)、對流可分辨數(shù)值模式及其應(yīng)用技術(shù)，通過在我國中小尺度災(zāi)害天氣影響嚴(yán)重地區(qū)開展龍卷等致災(zāi)性強(qiáng)對流天氣的短時臨近預(yù)警業(yè)務(wù)試驗，以期在未來數(shù)年對強(qiáng)對流天氣的監(jiān)測預(yù)警能力有大幅度的提升。

2.1 應(yīng)用新遙感探測資料的強(qiáng)對流監(jiān)測技術(shù)

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(dá)資料質(zhì)量更好，可以識別降水類型，可以為龍卷預(yù)警服務(wù)提供更精細(xì)的龍卷路徑圖像。此外，通過高分辨率X波段雷達(dá)觀測龍卷中的碎片產(chǎn)生的回波特征從而實現(xiàn)對強(qiáng)降水中伴隨的龍卷或夜間發(fā)生龍卷的識別。這對于識別我國與登陸臺風(fēng)或梅雨鋒暴雨相伴的龍卷具有啟發(fā)意義。

在我國，雙偏振雷達(dá)的應(yīng)用處于起步階段，廣東、北京、上海等發(fā)達(dá)省（市）開始布設(shè)雙偏振雷達(dá)。中國氣象局在新一代天氣雷達(dá)系統(tǒng)發(fā)展中將雙偏振雷達(dá)的布設(shè)和應(yīng)用作為重要建設(shè)內(nèi)容。國內(nèi)的相關(guān)研究表明，雙偏振雷達(dá)除可獲取降水系統(tǒng)的水平偏振方向上的回波強(qiáng)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(shù)差、相關(guān)系數(shù)和線性退極化比等參量。對這些參數(shù)進(jìn)行分析、反演，可以判斷降水粒子的形狀、尺寸大小、相態(tài)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(tǒng)產(chǎn)生的強(qiáng)降水、冰雹有更好的識別能力[30-35]。

2016年，日本、中國先后發(fā)射了新一代靜止氣象衛(wèi)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(qiáng)對流天氣監(jiān)測預(yù)警具有里程碑意義[36]。因此，在我國如何應(yīng)用好這類具備垂直探測能力的靜止氣象衛(wèi)星，發(fā)展相關(guān)的算法以更好地監(jiān)測強(qiáng)對流尤其對流的初生，并綜合雷達(dá)、自動站等觀測資料發(fā)展利用多源觀測資料的強(qiáng)對流自動報警技術(shù)和臨近外推預(yù)報技術(shù)，對于提升我國尤其中西部地區(qū)的強(qiáng)對流預(yù)警能力大有裨益。

2.2 對流可分辨數(shù)值模式的發(fā)展和應(yīng)用

如何利用好越來越豐富的觀測資料和對流可分辨數(shù)值分析預(yù)報系統(tǒng)，提升強(qiáng)對流天氣短時臨近預(yù)報能力是當(dāng)前國際發(fā)展的趨勢。主要表現(xiàn)為兩種策略：一種是致力于發(fā)展雷達(dá)等高頻觀測資料的同化技術(shù)，縮短數(shù)值模式的適應(yīng)調(diào)整（spin up）時間，發(fā)展具備快速更新同化能力的對流可分辨數(shù)值分析預(yù)報系統(tǒng)。另一類則是通過將臨近外推預(yù)報技術(shù)與高分辨率數(shù)值模式的預(yù)報結(jié)果的權(quán)重融合技術(shù)，發(fā)揮臨近外推預(yù)報與數(shù)值預(yù)報技術(shù)的各自優(yōu)勢，形成短時臨近無縫隙預(yù)報。前者的極致代表為美國強(qiáng)風(fēng)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(dá)資料實時得到高分辨率的風(fēng)場和反射率場，對NOAA災(zāi)害性天氣試驗基地春季試驗中強(qiáng)雷暴預(yù)警提供幫助[37-38]。最近幾年，他們在美國業(yè)務(wù)對流可分辨集合預(yù)報系統(tǒng)HRRRE的基礎(chǔ)上，通過逐15 min快速更新同化雷達(dá)資料，在災(zāi)害天氣頻發(fā)的特定區(qū)域內(nèi)擬對有可能產(chǎn)生龍卷、大冰雹和局地極端大風(fēng)的強(qiáng)雷暴系統(tǒng)，特別是超級單體的預(yù)警時效提前至60 min甚至更長[39]。該系統(tǒng)作為重要測試應(yīng)用系統(tǒng)之一，在2017年災(zāi)害天氣中試基地（HWT）的春季試驗中被測試應(yīng)用（http://www.nssl.noaa.gov/projects/wof/news-e/）。

快速更新同化系統(tǒng)的研發(fā)已進(jìn)行了20多年，其在美國已逐步成為強(qiáng)對流短時臨近預(yù)報的重要工具且在許多領(lǐng)域得到了應(yīng)用。許多中尺度天氣系統(tǒng)本質(zhì)上是不可進(jìn)行“確定性”預(yù)報的，因此發(fā)展基于集合預(yù)報的短時臨近概率預(yù)報是未來一個重要方向。對流可分辨的集合預(yù)報技術(shù)近幾年在美國已經(jīng)由研究逐步邁向業(yè)務(wù)應(yīng)用試驗。美國一些與大氣科學(xué)相關(guān)的研究機(jī)構(gòu)和高校均開始實時運行對流可分辨的集合預(yù)報系統(tǒng)。一些研究機(jī)構(gòu)甚至開始試驗快速更新同化的集合預(yù)報系統(tǒng)，如俄克拉荷馬大學(xué)（OU）的風(fēng)暴分析預(yù)報中心（CAPS）通過近幾年一直在發(fā)展空間分辨率為3 km、23個成員的WRF-ARW風(fēng)暴尺度集合預(yù)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(jīng)具備模擬中尺度對流系統(tǒng)的能力，但對強(qiáng)對流天氣（如冰雹、龍卷、雷暴大風(fēng)等）還缺少表達(dá)能力[40]。因此，基于對流可分辨數(shù)值模式，將能更精細(xì)表征中尺度對流系統(tǒng)發(fā)生發(fā)展特征的動力、云物理等物理量與環(huán)境特征參數(shù)，綜合發(fā)展龍卷、冰雹、雷暴大風(fēng)的預(yù)報成為對流可分辨數(shù)值模式的主要應(yīng)用方式[41-44]。圖8為在美國強(qiáng)風(fēng)暴實驗室（NSSL）對流可分辨集合預(yù)報系統(tǒng)（CPMs）的輸出結(jié)果上綜合考慮對龍卷有很好表征意義的動力參數(shù)UH和環(huán)境條件發(fā)展的龍卷概率預(yù)報[45]。

圖8 綜合上升氣流風(fēng)暴螺旋度UH ≥25 m2·s-2和環(huán)境物理因子的龍卷鄰域（σ=50 km）概率預(yù)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(nèi)也開始大力發(fā)展對流可分辨的數(shù)值模式技術(shù)。2009年上海建立了基于ADAS資料同化系統(tǒng)和區(qū)域中尺度數(shù)值模式WRF的快速更新同化預(yù)報系統(tǒng)（SMB-WARR，Shanghai Meteorological Bureau-WRF ADAS Rapid Refresh System），系統(tǒng)水平分辨率3 km，垂直分辨率51層，預(yù)報區(qū)域覆蓋華東，通過3年來的測試及優(yōu)化，該系統(tǒng)在短時臨近天氣預(yù)報中發(fā)揮了越來越重要的作用[7]。北京同化預(yù)報系統(tǒng)（BJ-RUC）亦采用WRF模式，3 km分辨率的預(yù)報區(qū)域主要覆蓋北京及其周邊地區(qū)，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(qū)的自動站和地基GPS PW可降水量觀測資料，預(yù)報時效為18 h。其業(yè)務(wù)運行結(jié)果表明，3 km分辨率無論是降水時段、落區(qū)和雨量均較9 km分辨率有更好的預(yù)報效果，尤其是大量級降水的預(yù)報，但系統(tǒng)對局地對流降水的預(yù)報能力仍然有限[46-47]。廣東省在GRAPES_Meso及三維變分同化基礎(chǔ)上發(fā)展了快速更新同化預(yù)報系統(tǒng)（GRAPES-CHAF），該系統(tǒng)采用逐小時循環(huán)同化和每3 h間隔的滾動預(yù)報，預(yù)報時效為24 h，初步具備開展短時臨近預(yù)報的能力[48]。中國氣象局?jǐn)?shù)值預(yù)報中心利用我國新一代數(shù)值預(yù)報系統(tǒng)GRAPES 模式及GRAPES-3Dvar建立了全國稠密資料快速更新同化分析預(yù)報系統(tǒng)（GRAPES-RAFS)，系統(tǒng)每3 h啟動一次預(yù)報，預(yù)報時效為24 h，具有一定短時臨近預(yù)報能力[49]。通過有效應(yīng)用FY-2衛(wèi)星資料、雷達(dá)組網(wǎng)拼圖資料等改進(jìn)優(yōu)化GRAPES_Meso中的云初始場方案，該系統(tǒng)對短時臨近時效的云預(yù)報以及強(qiáng)降水預(yù)報有了明顯改進(jìn)[50]。通過對模式動力框架、邊界層方案等優(yōu)化調(diào)整，該系統(tǒng)對強(qiáng)降水和地面2 m溫度的預(yù)報也有了明顯改善[51]。

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

縱觀近年來國內(nèi)外在對流可分辨數(shù)值模式技術(shù)，尤其是快速更新同化技術(shù)的發(fā)展，我國在未來幾年，如何更好利用中國氣象局?jǐn)?shù)值預(yù)報中心和東部發(fā)達(dá)地區(qū)區(qū)域中心發(fā)展的對流可分辨數(shù)值預(yù)報系統(tǒng)，借鑒美國風(fēng)暴預(yù)報中心的技術(shù)發(fā)展思路，發(fā)展基于對流可分辨數(shù)值模式的強(qiáng)對流天氣釋用技術(shù)，是提升強(qiáng)對流短時預(yù)報能力的關(guān)鍵。

2.3 人工智能技術(shù)在強(qiáng)對流天氣預(yù)報中的應(yīng)用

受限于觀測手段，目前我國業(yè)務(wù)觀測系統(tǒng)仍然無法對龍卷、下?lián)舯┝魃踔帘⑦M(jìn)行及時有效地監(jiān)測，這很大程度上影響了我國的中小尺度對流天氣的機(jī)理認(rèn)識的深入，也在很大程度上制約了依賴于物理機(jī)理認(rèn)識的對流可分辨的數(shù)值模式發(fā)展和強(qiáng)對流天氣預(yù)報技術(shù)發(fā)展。因此，將當(dāng)前國際先進(jìn)的大數(shù)據(jù)和機(jī)器學(xué)習(xí)方法應(yīng)用于強(qiáng)對流天氣的預(yù)報中，挖掘多源觀測資料和數(shù)值模式預(yù)報資料中尚未被認(rèn)識的強(qiáng)對流發(fā)生發(fā)展的有效信息，則有望超越現(xiàn)有強(qiáng)對流天氣預(yù)報方法。強(qiáng)對流天氣預(yù)報過程中所使用的時空數(shù)據(jù)具有空間和時間上的稠密特性，可以抽象為時空數(shù)據(jù)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(jīng)網(wǎng)絡(luò)（CNN）對高維空間數(shù)據(jù)建模，其中最具代表性的工作是Mathieu等提出的基于卷積神經(jīng)網(wǎng)絡(luò)的時空數(shù)據(jù)預(yù)測方法[56]。Benjamin等創(chuàng)建了動態(tài)卷積網(wǎng)絡(luò)（Dynamic Convolutional Layer），用以雷達(dá)回波外推的短時臨近預(yù)報，取得了比傳統(tǒng)方法更好的效果[57]。2015年香港天文臺和香港科技大學(xué)的研發(fā)團(tuán)隊將深度學(xué)習(xí)中的最主流的卷積神經(jīng)網(wǎng)絡(luò)和長短時間記憶網(wǎng)絡(luò)結(jié)合起來，提出了卷積-長短時間記憶網(wǎng)絡(luò)（ConvLSTM），是深度學(xué)習(xí)技術(shù)應(yīng)用于短時臨近定量降水預(yù)報問題的開創(chuàng)性工作[58]。該方法現(xiàn)已被香港天文臺應(yīng)用于雷達(dá)回波外推。王艦鋒等則將卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于衛(wèi)星云量計算[59]。

圖9 基于深度學(xué)習(xí)方法的2017年9月21日14—20時強(qiáng)對流概率預(yù)報 （a）雷暴大風(fēng)預(yù)報，（b）冰雹預(yù)報，（c）短時強(qiáng)降水預(yù)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(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用于強(qiáng)對流的分類預(yù)報，而且利用該方法研制的分類強(qiáng)對流概率預(yù)報產(chǎn)品已經(jīng)成為強(qiáng)對流天氣預(yù)報重要的業(yè)務(wù)參考產(chǎn)品（圖9）[60]。

國內(nèi)外研究新進(jìn)展表明，面向視頻、圖像序列等時空數(shù)據(jù)的深度學(xué)習(xí)技術(shù)已經(jīng)在暴雨、強(qiáng)對流的短期預(yù)報和臨近外推預(yù)警得到應(yīng)用。若將其應(yīng)用于充分挖掘雷達(dá)、衛(wèi)星、自動站等多源觀測資料和高分辨率數(shù)值模式預(yù)報資料的有效信息，很有可能給強(qiáng)對流天氣預(yù)報帶來新的突破。

2.4 龍卷預(yù)警試驗

龍卷是強(qiáng)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(fā)生頻率很低，在龍卷多發(fā)地區(qū)如江蘇、安徽等省，具有一定的龍卷監(jiān)測和預(yù)警能力，但尚未建立起龍卷的監(jiān)測預(yù)警業(yè)務(wù)，也迫切需要發(fā)展高度自動化的快速預(yù)警自動生成和發(fā)布平臺。近幾年，龍卷等小尺度對流天氣造成的災(zāi)害劇烈，社會影響非常大，如2015年長江監(jiān)利段東方之星游輪翻沉致400多人死亡事件、臺風(fēng)彩虹登陸廣東湛江期間廣東佛山等地的龍卷致數(shù)十人傷亡事件、2016年江蘇阜寧龍卷致數(shù)百人傷亡事件造成巨大的災(zāi)難和社會影響，公眾要求中國氣象局開展龍卷預(yù)警預(yù)測的呼聲前所未有的高漲?？紤]到龍卷造成的嚴(yán)重災(zāi)害和龍卷高發(fā)區(qū)主要位于長江三角洲以及廣東為主的華南地區(qū)[61-62]，2017年國家氣象中心聯(lián)合江蘇、安徽、廣東、湖北和浙江五省開展龍卷預(yù)警業(yè)務(wù)試驗，以通過核心關(guān)鍵技術(shù)發(fā)展、包括社會觀測在內(nèi)的多源觀測資料在業(yè)務(wù)中的有效應(yīng)用、龍卷監(jiān)測和臨近預(yù)警業(yè)務(wù)流程和平臺建設(shè)以及社會聯(lián)防預(yù)警服務(wù)流程建設(shè)，提升包括龍卷在內(nèi)的破壞性對流大風(fēng)等的預(yù)警能力。預(yù)警試驗中，國家級的試驗對象擴(kuò)展為龍卷等強(qiáng)致災(zāi)性強(qiáng)對流（EF2以上龍卷、20 mm以上冰雹、10級以上大風(fēng)、小時雨量超過50 mm或3 h雨量超過100 mm的局地極端強(qiáng)降水），并重點發(fā)展支持上述致災(zāi)性強(qiáng)對流天氣的監(jiān)測和短時臨近預(yù)警技術(shù)。圖10為利用業(yè)務(wù)試驗的對流可分辨3 km GRAPES_CR發(fā)展的對龍卷具有較好表征的上升螺旋度UH診斷產(chǎn)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(yīng)時間赤峰雷達(dá)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(jié)論

中國的強(qiáng)對流天氣在最近10年發(fā)展迅速，已經(jīng)建立起包括實時監(jiān)測、臨近預(yù)警和短期潛勢預(yù)報的強(qiáng)對流天氣預(yù)報業(yè)務(wù)，初步實現(xiàn)對雷暴、短時強(qiáng)降水、雷暴大風(fēng)和冰雹的監(jiān)測預(yù)警以及72 h內(nèi)的潛勢預(yù)報。

但是，強(qiáng)對流天氣造成的災(zāi)害仍然是當(dāng)前最為嚴(yán)重的一種氣象災(zāi)害，與強(qiáng)對流天氣預(yù)警服務(wù)相應(yīng)的實時監(jiān)測和短時臨近預(yù)警技術(shù)是當(dāng)前強(qiáng)對流天氣面臨的最大挑戰(zhàn)，尤其是對于特別極端性的強(qiáng)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(qiáng)度預(yù)報。我國現(xiàn)有的業(yè)務(wù)觀測系統(tǒng)和監(jiān)測技術(shù)對中小尺度尤其龍卷、下?lián)舯┝鞯刃〕叨葘α魈鞖獾亩勘O(jiān)測能力有限。我國的臨近預(yù)警主要依賴于基于雷達(dá)圖像的外推技術(shù)，對多源資料的綜合應(yīng)用、物理機(jī)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(shù)值分析預(yù)報系統(tǒng)尚處于起步階段。未來幾年，伴隨新一代雙偏振雷達(dá)和FY-4衛(wèi)星等新遙感探測資料投入業(yè)務(wù)應(yīng)用、快速更新數(shù)值分析預(yù)報技術(shù)的發(fā)展、能更好挖掘大數(shù)據(jù)有效信息的深度學(xué)習(xí)等人工智能技術(shù)在強(qiáng)對流天氣預(yù)報中的應(yīng)用，通過開展如龍卷預(yù)警試驗這樣的業(yè)務(wù)示范項目建設(shè)，逐步建立起實時監(jiān)測與短時臨近無縫隙銜接的監(jiān)測預(yù)警業(yè)務(wù)，我國的強(qiáng)對流天氣預(yù)報業(yè)務(wù)將有跨越式的發(fā)展，龍卷等強(qiáng)致災(zāi)性強(qiáng)對流天氣的監(jiān)測預(yù)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(qiáng)對流臨近天氣預(yù)報技術(shù)進(jìn)展. 氣象學(xué)報, 2012, 70(3): 311-337.

[7] 陳葆德, 王曉峰, 李泓. 快速更新同化預(yù)報的關(guān)鍵技術(shù)綜述. 氣象科技進(jìn)展，2013，3(20): 29-35.

[8] 鄭永光, 林隱靜, 朱文劍, 等. 強(qiáng)對流天氣綜合監(jiān)測業(yè)務(wù)系統(tǒng)建設(shè). 氣象, 2013, 39(2): 234-240.

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

[10] 周康輝, 鄭永光, 藍(lán)渝. 基于閃電數(shù)據(jù)的雷暴識別、追蹤與外推方法. 應(yīng)用氣象學(xué)報, 2016, 27(2): 173-181.

[11] 陳明軒, 王迎春, 俞小鼎. 交叉相關(guān)外推算法的改進(jìn)及其在對流臨近預(yù)報中的應(yīng)用.應(yīng)用氣象學(xué)報, 2007, 18(5): 691-701.

[12] 陳雷, 戴建華, 陶嵐. 一種改進(jìn)后的交叉相關(guān)法(COTREC)在降水臨近預(yù)報中的應(yīng)用.熱帶氣象學(xué)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(dá)回波運動場估測及在降水臨近預(yù)報中的應(yīng)用. 氣象學(xué)報, 2006, 64(5): 632-646.

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

[16] 王改利, 劉黎平, 阮征, 等. 基于雷達(dá)回波拼圖資料的風(fēng)暴識別、跟蹤及臨近預(yù)報技術(shù). 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(yù)報中的應(yīng)用. 氣象學(xué)報, 2015, 73(3): 471-480.

[18] 胡勝. 臨近預(yù)報系統(tǒng)(SWAN)產(chǎn)品特征及在2010 年5 月7 日廣州強(qiáng)對流過程中的應(yīng)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(yù)報系統(tǒng)及其在北京奧運期間的應(yīng)用. 應(yīng)用氣象學(xué)報, 2010, 21(4): 395-404.

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

[22] 胡勝, 羅兵, 黃曉梅, 等. 臨近預(yù)報系統(tǒng)(SWIFT)中風(fēng)暴產(chǎn)品的設(shè)計及應(yīng)用. 氣象, 2010, 36(1): 54-58．

[23] 萬玉發(fā), 王志斌, 張家國, 等. 長江中游臨近預(yù)報業(yè)務(wù)系統(tǒng)及其應(yīng)用. 應(yīng)用氣象學(xué)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(yù)報.大氣科學(xué), 2010, 34(4): 754-756.

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

[27] 張濤, 藍(lán)渝, 毛冬艷, 等. 國家級中尺度天氣分析業(yè)務(wù)技術(shù)進(jìn)展Ⅰ: 對流天氣環(huán)境場分析業(yè)務(wù)技術(shù)規(guī)范的改進(jìn)與產(chǎn)品集成系統(tǒng)支撐技術(shù). 氣象, 2013, 39(7): 894-900.

[28] 藍(lán)渝, 張濤, 鄭永光, 等. 國家級中尺度天氣分析業(yè)務(wù)技術(shù)進(jìn)展Ⅱ: 對流天氣中尺度過程分析規(guī)范和支撐技術(shù). 氣象, 2013, 39(7): 901-910.

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

[30] 張杰, 田密, 朱克云, 等. 雙偏振雷達(dá)基本產(chǎn)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(dá)和相控陣天氣雷達(dá)技術(shù)的發(fā)展和應(yīng)用. 氣象科技進(jìn)展, 2016, 6(3): 28-33.

[32] 劉黎平. 雙線偏振多普勒天氣雷達(dá)估測混合區(qū)降雨和降雹方法的理論研究. 大氣科學(xué), 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(dá)觀測研究. 南京大學(xué)碩士論文, 2016: 1-70.

[34] 郭曉坤, 郭喜樂. 清遠(yuǎn)雙偏振雷達(dá)偏振量產(chǎn)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(qiáng), 諶博洋, 等. 我國風(fēng)云四號氣象衛(wèi)星與日本Himawari-8/9 衛(wèi)星比較分析. 氣象科技進(jìn)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(yù)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(qū)高分辨率快速循環(huán)同化預(yù)報系統(tǒng)性能檢驗和評估. 暴雨災(zāi)害, 2009, 28(2): 119-125.

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

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

[49] 徐枝芳, 郝民, 朱立娟, 等. GRAPES-RAFS系統(tǒng)研發(fā). 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(yù)報中的應(yīng)用. 應(yīng)用氣象學(xué)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(shù)改進(jìn)和預(yù)報效果檢驗. 應(yīng)用氣象學(xué)報, 2017, 28(l): 25-37.

[52] 陳明軒, 王迎春, 肖現(xiàn), 等. 基于雷達(dá)資料四維變分同化和三維云模式對一次超級單體風(fēng)暴發(fā)展維持熱動力機(jī)制的模擬分析. 大氣科學(xué), 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(dá)四維變分分析系統(tǒng). 應(yīng)用氣象學(xué)報, 2016, 27(3): 257-272.

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

[55] 馮子晏. 北京: 短時臨近天氣預(yù)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(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計算. 南京信息工程大學(xué), 2016: 1-65.

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

[61] 魏文秀, 趙亞民. 中國龍卷風(fēng)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.