解小寒 王勇 郭倩

（1 蘇州市氣象局，蘇州 215131；2 奧地利氣象局，Vienna 1190）

0 引言

隨著時(shí)代發(fā)展，公共安全、重大活動(dòng)保障和社會(huì)日常生活對(duì)短時(shí)臨近時(shí)段精細(xì)化天氣預(yù)報(bào)和災(zāi)害性天氣預(yù)警的要求越來(lái)越高，對(duì)于降水、溫度、風(fēng)場(chǎng)、濕度、云量等多要素的精細(xì)化預(yù)報(bào)和強(qiáng)對(duì)流天氣的短臨預(yù)警提出了更高的要求。

我國(guó)幅員遼闊、強(qiáng)對(duì)流天氣頻發(fā)，突如其來(lái)的強(qiáng)天氣經(jīng)常導(dǎo)致重大人員傷亡和巨大經(jīng)濟(jì)損失。例如：2016年6月23日14時(shí)30分左右，江蘇省鹽城市阜寧縣遭遇的強(qiáng)冰雹和龍卷雙重災(zāi)害，截至6月26日09時(shí)，共造成99人死亡，846人受傷。另外，我國(guó)地形復(fù)雜，局地強(qiáng)天氣在特定地形、地貌和地質(zhì)情況下，還可能引發(fā)中小河流洪水、泥石流和滑坡等次生災(zāi)害。例如：2016年5月28日16時(shí)，廣東江門臺(tái)山市鳳凰峽旅游區(qū)有游客在漂流過(guò)程中遇暴雨誘發(fā)山洪暴發(fā)被洪水沖走，隨后確認(rèn)事故造成8人死亡，10人受傷。

短臨預(yù)報(bào)系統(tǒng)的設(shè)計(jì)和發(fā)展正是為了滿足社會(huì)公眾對(duì)短臨精細(xì)化預(yù)報(bào)和強(qiáng)對(duì)流預(yù)警的需求。短臨預(yù)報(bào)方法的基本思路是實(shí)時(shí)融合各種常規(guī)和非常規(guī)觀測(cè)資料并結(jié)合數(shù)值模式預(yù)報(bào)，使用歐拉或者拉格朗日方法來(lái)模擬大氣過(guò)程的持續(xù)性。大多數(shù)短臨預(yù)報(bào)系統(tǒng)都聚焦于降水預(yù)報(bào)和對(duì)流天氣。在強(qiáng)對(duì)流預(yù)報(bào)方面，很多短臨系統(tǒng)主要利用風(fēng)場(chǎng)（邊界層輻合線理論）進(jìn)行深對(duì)流的發(fā)生、發(fā)展進(jìn)行預(yù)報(bào)，還有基于近地面溫度的分析和臨近預(yù)報(bào)來(lái)進(jìn)行對(duì)流發(fā)展預(yù)報(bào)。例如世界知名的GANDOLF系統(tǒng)（英國(guó)）[1]、ANC系統(tǒng)（美國(guó)NCAR）[2-4]都具有預(yù)報(bào)對(duì)流演變、新生能力。GANDOLF系統(tǒng)將對(duì)流單體分為不同的發(fā)展階段，基于風(fēng)暴演變概念模型來(lái)預(yù)測(cè)對(duì)流活動(dòng)的變化。ANC系統(tǒng)則基于已經(jīng)存在的風(fēng)暴、積云與（雷達(dá)觀測(cè)、數(shù)值模式預(yù)報(bào)的風(fēng)場(chǎng)）邊界層輻合線的相互作用，預(yù)報(bào)對(duì)流單體的生消演變。Wilson等通過(guò)比對(duì)檢驗(yàn)得到以下認(rèn)識(shí)：1）如果系統(tǒng)能更好識(shí)別邊界層輻合線并用于對(duì)流單體臨近預(yù)報(bào)，將優(yōu)于純粹外推預(yù)報(bào)；2）超過(guò)1 h的短臨對(duì)流預(yù)報(bào)，發(fā)現(xiàn)有利對(duì)流的邊界層特征比通過(guò)衛(wèi)星探測(cè)到積云活動(dòng)更有指示意義。鄭永光等[5]經(jīng)過(guò)調(diào)研分析國(guó)內(nèi)外主流短臨預(yù)報(bào)技術(shù)，認(rèn)為目前臨近預(yù)報(bào)技術(shù)的預(yù)報(bào)對(duì)象主要是對(duì)流風(fēng)暴、雷電和降水，針對(duì)分類強(qiáng)對(duì)流天氣的臨近預(yù)報(bào)技術(shù)還存在較多不足；冰雹、雷暴大風(fēng)、龍卷和短時(shí)強(qiáng)降水這些強(qiáng)對(duì)流天氣的臨近預(yù)報(bào)預(yù)警主要綜合對(duì)流風(fēng)暴和降水臨近預(yù)報(bào)、強(qiáng)對(duì)流天氣識(shí)別和實(shí)況觀測(cè)進(jìn)行。

INCA系統(tǒng)[6-7]是由奧地利國(guó)家氣象局發(fā)展的具有復(fù)雜地形適應(yīng)性的短臨集成分析預(yù)報(bào)系統(tǒng)，也是世界天氣研究計(jì)劃預(yù)報(bào)示范項(xiàng)目推薦的短臨業(yè)務(wù)系統(tǒng)，已經(jīng)在十幾個(gè)國(guó)家和地區(qū)得到廣泛應(yīng)用。INCA系統(tǒng)在多源資料融合分析、復(fù)雜地形對(duì)短臨天氣預(yù)報(bào)的影響，以及強(qiáng)對(duì)流預(yù)報(bào)等方面均有獨(dú)到之處，本文針對(duì)INCA系統(tǒng)的設(shè)計(jì)思路及分析預(yù)報(bào)檢驗(yàn)情況進(jìn)行了詳細(xì)介紹。

1 INCA系統(tǒng)

INCA是一個(gè)適應(yīng)復(fù)雜地形的，多要素短臨實(shí)時(shí)融合分析和預(yù)報(bào)系統(tǒng)（圖1）。基于考慮復(fù)雜地形對(duì)實(shí)況分析和短臨預(yù)報(bào)的影響，INCA構(gòu)建了地形坐標(biāo)系和地表、地形指數(shù)。INCA溫度、濕度和風(fēng)場(chǎng)的三維分析場(chǎng)以數(shù)值模式輸出為初始場(chǎng)，然后結(jié)合地面觀測(cè)實(shí)況對(duì)初始場(chǎng)進(jìn)行訂正。其他分析場(chǎng)則主要是通過(guò)融合遙感（雷達(dá)、衛(wèi)星等）資料和地面實(shí)況資料得到的。各物理量場(chǎng)之間保持互相協(xié)調(diào)。在短臨預(yù)報(bào)方面，INCA將實(shí)況分析與模式預(yù)報(bào)融合，并利用外推法和基于運(yùn)動(dòng)矢量誤差理論的短時(shí)預(yù)報(bào)方法，給出溫、濕、風(fēng)、降水等多要素的預(yù)報(bào)。在對(duì)流預(yù)報(bào)中，利用分析場(chǎng)衍生的CAPE、CIN、LCL等多種對(duì)流參數(shù)，發(fā)展了一個(gè)基于關(guān)鍵對(duì)流參數(shù)組合和衛(wèi)星產(chǎn)品的決策算法來(lái)實(shí)現(xiàn)對(duì)流預(yù)報(bào)。另外實(shí)現(xiàn)了基于雷達(dá)觀測(cè)和短臨預(yù)報(bào)來(lái)估算降水粒子載荷和負(fù)浮力進(jìn)而預(yù)報(bào)雷暴大風(fēng)。

圖1 INCA基本流程圖 Fig.1 The basic flow chart of INCA

1.1 INCA地形坐標(biāo)系和地形地表指數(shù)

INCA使用美國(guó)地質(zhì)調(diào)查局的30’’數(shù)字高程地形數(shù)據(jù)，通過(guò)雙線性插值到間隔1 km的網(wǎng)格點(diǎn)。在三維物理場(chǎng)，INCA構(gòu)建了一個(gè)Z坐標(biāo)系，這里Z是相對(duì)山谷底部地表（valley floor surface，VFS）的高度（圖2），VFS是一種空間上變化十分平緩的參照面，相比真實(shí)地形是平滑的，通過(guò)這樣將實(shí)際地形分為基礎(chǔ)地形和相對(duì)地形。具體方法是首先設(shè)定每個(gè)格點(diǎn)的最小海拔高度（在10 km半徑范圍內(nèi)比對(duì)），最后的格點(diǎn)場(chǎng)通過(guò)一個(gè)滑動(dòng)平均窗口來(lái)進(jìn)行平滑得到。這樣，如果是在平原地區(qū)，地表將和VFS保持一致。使用VFS作為參照面構(gòu)建坐標(biāo)系的主要目的在于方便將數(shù)值模式的三維物理量場(chǎng)在山谷地區(qū)向下插值到模式輸出未能覆蓋到的谷地低凹處，同時(shí)也為溫度和降水垂直廓線的參數(shù)化提供參考高度。垂直方向上層間距為200 m，共21層，這樣包括了地表到以上4000 m高度的大氣層。INCA還引入了一個(gè)無(wú)量綱的地表地形指數(shù)ISFC，該指數(shù)用來(lái)表征局地地形對(duì)地表形態(tài)特征的貢獻(xiàn)度，變化范圍為0～1，在平原或者山谷盆地底部，ISFC=1，在聳立突出的山峰和山脊這個(gè)指數(shù)就為0。該指數(shù)主要用于保證溫度和濕度分析場(chǎng)的實(shí)況偏差訂正限定在鄰近地形特征相似的那些格點(diǎn)位置上，在INCA短臨預(yù)報(bào)中也需要用到這個(gè)地形指數(shù)。

圖2 江蘇INCA使用的地表（以谷底為參照） Fig.2 Valley floor surface in the Jiangsu INCA domain

計(jì)算方法如下：對(duì)每個(gè)格點(diǎn)，以這個(gè)格點(diǎn)為中心取一個(gè)7×7格點(diǎn)的方框，計(jì)算范圍內(nèi)比中心點(diǎn)低的所有格點(diǎn)高度的平均值，然后跟這個(gè)格點(diǎn)本身的高度做比較。取這兩者之差來(lái)衡量這個(gè)格點(diǎn)相對(duì)于周圍的突出程度，這個(gè)指數(shù)被定義為一個(gè)高度差的分段線性函數(shù)，

式中，ZS代表山谷或盆地等地形冷池的標(biāo)準(zhǔn)深度（在不同地區(qū)需經(jīng)過(guò)交叉驗(yàn)證重新賦值）。

1.2 溫度、濕度和風(fēng)場(chǎng)分析

INCA溫度和濕度的分析處理類似。以溫度分析為例，首先將數(shù)值預(yù)報(bào)作為初始值，然后計(jì)算地面觀測(cè)和初始場(chǎng)的誤差，并在幾何物理空間使用反距離權(quán)重法進(jìn)行空間插值。將數(shù)值模式的溫度插值到三維INCA格點(diǎn)場(chǎng)的時(shí)候，在山地會(huì)遇到一個(gè)問(wèn)題：由于數(shù)值模式的分辨率較粗，模式預(yù)報(bào)輸出可能不能包含山谷底層大氣。因此，這里使用了一個(gè)經(jīng)過(guò)修正（考慮了逆溫等情況）的最不穩(wěn)定層結(jié)溫度梯度，將模式輸出的邊界低層部分向下延伸到低凹地表處。

INCA的風(fēng)場(chǎng)同樣以三維的數(shù)值預(yù)報(bào)場(chǎng)作為初始場(chǎng)。INCA在這部分引入了一個(gè)轉(zhuǎn)換因子將模式預(yù)報(bào)的低層風(fēng)轉(zhuǎn)化為10 m風(fēng)。該轉(zhuǎn)換因子為隨地形變化的經(jīng)驗(yàn)系數(shù)，同時(shí)也取決于使用的數(shù)值模式，以?shī)W地利的情況為例，在平原和峽谷這個(gè)值平均是0.75，在地勢(shì)突出的地方，可能增加到為0.9。另外存在的問(wèn)題是，經(jīng)過(guò)實(shí)況訂正后插值得到的風(fēng)場(chǎng)不滿足質(zhì)量守恒，但是數(shù)值模式直接輸出風(fēng)場(chǎng)又不適應(yīng)高分辨率的INCA地形場(chǎng)。因此這里使用了一種迭代松弛算法來(lái)保證質(zhì)量守恒。算法中考慮了地形起伏導(dǎo)致空氣柱的壓縮拉伸，及其對(duì)散度的影響。在松弛計(jì)算過(guò)程，實(shí)況站點(diǎn)附近的風(fēng)矢量保持為觀測(cè)值。 值得一提的是INCA邊界層輻合的計(jì)算也采用了類似的方法，算法中還充分考慮了山區(qū)地形導(dǎo)致的輻合。

1.3 降水分析

INCA降水分析主要依據(jù)地面站提供的定量觀測(cè)和雷達(dá)提供的降水空間分布結(jié)構(gòu)，同時(shí)考慮了地形的影響。INCA通過(guò)以下步驟來(lái)得到一個(gè)接近真實(shí)情況的降水分析場(chǎng)：1）站點(diǎn)插值，對(duì)不規(guī)則分布的站點(diǎn)數(shù)據(jù)用距離權(quán)重方法進(jìn)行插值；2）雷達(dá)數(shù)據(jù)的氣候訂正，已經(jīng)初步去除地物雜波的雷達(dá)數(shù)據(jù)由于距離衰減和地形阻擋等原因還存在誤差，這些誤差可以利用氣候統(tǒng)計(jì)訂正因子來(lái)得到一定程度的糾正；3）基于最新實(shí)況觀測(cè)再對(duì)雷達(dá)數(shù)據(jù)進(jìn)行校正，這部分主要是考慮雨量計(jì)的有限響應(yīng)時(shí)間導(dǎo)致的滯后誤差，降水受風(fēng)場(chǎng)影響降落到地面時(shí)位置發(fā)生漂移等會(huì)導(dǎo)致雷達(dá)定位發(fā)生一定偏移的情況。對(duì)每個(gè)站點(diǎn)根據(jù)最佳匹配格點(diǎn)計(jì)算空間位移矢量，利用這個(gè)矢量場(chǎng)將雷達(dá)估測(cè)降水場(chǎng)進(jìn)行適當(dāng)位移，從而更加符合降水實(shí)況分布。4）將站點(diǎn)插值降水場(chǎng)與雷達(dá)估測(cè)降水場(chǎng)進(jìn)行融合，一方面保證在站點(diǎn)位置上的降水量同站點(diǎn)實(shí)況保持一致，另一方面在雷達(dá)探測(cè)受局限的地區(qū)基本不考慮雷達(dá)估測(cè)降水場(chǎng)，而除此之外的區(qū)域，以雷達(dá)估測(cè)降水場(chǎng)為主。 5）地形訂正，這里考慮了地形起伏對(duì)降水分布的影響。6）最后將前面的合成降水分析場(chǎng)和地形導(dǎo)致的降水增量合并，合并中去除了一些會(huì)重復(fù)計(jì)算的情況，得到最終的降水分析場(chǎng)。

1.4 運(yùn)動(dòng)矢量外推方法及誤差過(guò)濾

INCA的短臨預(yù)報(bào)，主要是基于觀測(cè)事實(shí)的外推并融合數(shù)值模式的預(yù)報(bào)。在降水方面，使用了相關(guān)技術(shù)對(duì)實(shí)況場(chǎng)進(jìn)行連續(xù)分析，從而得到雨團(tuán)的運(yùn)動(dòng)矢量，并訂正誤差。相關(guān)分析窗口的尺度為100 km。通過(guò)對(duì)比數(shù)值模式的500或700 hPa的風(fēng)場(chǎng)從氣象角度過(guò)濾掉虛假相關(guān)（意味著不可信的過(guò)高的平移速度），過(guò)濾算法如下：

式中，VKORR是由相關(guān)分析計(jì)算得到的運(yùn)動(dòng)矢量，VALA是數(shù)值模式500或者700 hPa的風(fēng)速矢量（選取最接近VKORR的），Δ規(guī)定了數(shù)值模式風(fēng)速和運(yùn)動(dòng)矢量風(fēng)速之間允許的偏差。

1.5 對(duì)流預(yù)報(bào)

短臨預(yù)報(bào)的重點(diǎn)是對(duì)流預(yù)報(bào)。為了發(fā)展對(duì)流預(yù)報(bào)，必須考慮引入對(duì)流生消機(jī)制。眾所周知，對(duì)流形成和增強(qiáng)主要考慮層結(jié)不穩(wěn)定、水汽條件，以及觸發(fā)抬升機(jī)制這三個(gè)條件。這三個(gè)條件一般是相互獨(dú)立、各自發(fā)展的，只要這三個(gè)要素都能滿足并且達(dá)到足夠程度，就會(huì)有雷暴生成。而當(dāng)這些條件不再滿足，對(duì)流傾向于減弱。這也就是Doswell提出的基于構(gòu)成要素的預(yù)報(bào)方法，即“配料法”。它要求首先確定預(yù)報(bào)的基本構(gòu)成要素或者“配料”，這些構(gòu)成要素一般是相對(duì)獨(dú)立的基本氣象要素。確定合適的構(gòu)成要素后，還要給出相應(yīng)閾值，只有所構(gòu)成要素超過(guò)所給定的相應(yīng)閾值才能判定對(duì)應(yīng)的天氣事件會(huì)發(fā)生。要注意的是，這些閾值往往是隨著區(qū)域和季節(jié)變化的。

INCA使用配料法將預(yù)報(bào)員經(jīng)驗(yàn)轉(zhuǎn)化為對(duì)流算法。INCA每小時(shí)會(huì)生成10種對(duì)流參數(shù)的分析場(chǎng)（抬升凝結(jié)高度（LCL）、自由對(duì)流高度（LFC）、對(duì)流有效位能（CAPE）、對(duì)流抑制能量（CIN）、沙氏指數(shù)（SI）、抬升指數(shù)（LI）、對(duì)流觸發(fā)溫度差（DTTRIG）、相當(dāng)位溫、邊界層輻合（CON），以及邊界層濕度輻合（MOCON））。此外，INCA還結(jié)合了衛(wèi)星資料來(lái)進(jìn)行判別，包括可見(jiàn)光產(chǎn)品和云分類產(chǎn)品。

INCA經(jīng)過(guò)測(cè)試最后確定了一套最行之有效的方案（表1）。表1中VIS （可見(jiàn)光產(chǎn)品）用來(lái)識(shí)別還未出現(xiàn)降水但是已經(jīng)開(kāi)始出現(xiàn)對(duì)流積云的區(qū)域，只有在這些地區(qū)未來(lái)才可能發(fā)生對(duì)流。CT（云分類產(chǎn)品）用于來(lái)排除虛假的對(duì)流區(qū)域，因?yàn)橛行┣闆r可以明顯排除有對(duì)流云存在，例如衛(wèi)星觀測(cè)識(shí)別出來(lái)是陸面積雪、海冰積雪等情況。在對(duì)流增強(qiáng)判別條件里，降水量也必須超過(guò)設(shè)定閾值，避免有的情況是插值產(chǎn)生的微量降水被錯(cuò)誤判別為對(duì)流加強(qiáng)。另外值得一提的是，國(guó)外很多氣象學(xué)家都將水汽通量散度作為強(qiáng)對(duì)流天氣的觸發(fā)因子。如法國(guó)的Ducrocq等[8]認(rèn)為水汽通量輻合提供了低層抬升和被抬升空氣潮濕程度的度量，可以用水汽通量輻合代替垂直速度確認(rèn)低層抬升預(yù)報(bào)。美國(guó)Waldstreicher[9]認(rèn)為，濕度通量輻合有助于預(yù)報(bào)員識(shí)別強(qiáng)雷暴可能出現(xiàn)地區(qū)，有助于識(shí)別雷暴發(fā)展之前的低層強(qiáng)迫地區(qū)。因此INCA用水汽通量輻合MOCON作為對(duì)流生消的一個(gè)重要判別標(biāo)準(zhǔn)。

表1 INCA對(duì)流臨近預(yù)報(bào)算法的決策標(biāo)準(zhǔn) Table 1 Decision criteria of convective nowcast algorithm in the INCA

這樣INCA將每個(gè)格點(diǎn)先判斷分成可發(fā)生對(duì)流和不可能發(fā)生對(duì)流兩種情況。對(duì)于每個(gè)可能發(fā)生對(duì)流的格點(diǎn)，再進(jìn)行判別，是否滿足對(duì)流初生、增強(qiáng)或者減弱的條件。這里給出INCA短臨對(duì)流降水預(yù)報(bào)流程：1）降水分析場(chǎng)在一個(gè)時(shí)間步長(zhǎng)內(nèi)沿著計(jì)算出的運(yùn)動(dòng)矢量方向移動(dòng)。2）如果完全滿足表1中的對(duì)流生消條件，則新的格點(diǎn)使用模式設(shè)定的算法計(jì)算新的對(duì)流降水強(qiáng)度；不滿足對(duì)流生消的格點(diǎn)將不作改變。3）修改后的場(chǎng)在接下來(lái)的一個(gè)時(shí)間步長(zhǎng)沿著運(yùn)動(dòng)矢量方向移動(dòng)，對(duì)流降水強(qiáng)度在新的格點(diǎn)更新計(jì)算。4）在整個(gè)短臨預(yù)報(bào)時(shí)效內(nèi)重復(fù)這個(gè)過(guò)程。所有3種過(guò)程（對(duì)流初生、對(duì)流增強(qiáng)、對(duì)流減弱）的強(qiáng)度變化均采用一種隨時(shí)間的高斯變化來(lái)進(jìn)行模擬。

1.6 雷暴大風(fēng)預(yù)報(bào)

雷暴大風(fēng)預(yù)報(bào)是短臨強(qiáng)對(duì)流預(yù)報(bào)的一個(gè)重要方面，而絕大多數(shù)雷暴大風(fēng)是由雷暴內(nèi)的強(qiáng)烈下沉氣流所致。強(qiáng)烈下沉氣流的產(chǎn)生主要受到降水粒子負(fù)載、浮力和垂直擾動(dòng)氣壓梯度力等因素的影響[8]，其中前兩項(xiàng)的影響較大。降水粒子負(fù)載總是導(dǎo)致向下的加速度，往往是導(dǎo)致雷暴內(nèi)下沉氣流的觸發(fā)原因。浮力項(xiàng)可正可負(fù)，如果對(duì)流層中層或中上層存在明顯干層，則由降水負(fù)載發(fā)動(dòng)的下沉氣流由于雷暴周邊干空氣的夾卷進(jìn)入使得雨滴或冰雹迅速蒸發(fā)造成下沉氣流降溫，雷暴下沉氣流內(nèi)溫度明顯低于環(huán)境溫度而產(chǎn)生向下的負(fù)浮力將導(dǎo)致下沉氣流加速下降。INCA主要基于對(duì)雷暴大風(fēng)環(huán)境條件的診斷分析，發(fā)展了基于雷達(dá)探測(cè)資料和INCA短臨預(yù)報(bào)來(lái)計(jì)算降水粒子負(fù)載、負(fù)浮力這兩項(xiàng)所代表的潛能，進(jìn)而估算地面出流最大陣風(fēng)的算法。雖然這種算法不能完全準(zhǔn)確地模擬雷暴下沉氣流和地面出流大風(fēng)的整個(gè)物理動(dòng)力機(jī)制，也很難直接預(yù)報(bào)出龍卷，但在雷暴大風(fēng)預(yù)警防災(zāi)方面還是可以發(fā)揮積極作用。例如在6·23阜寧龍卷過(guò)程中，INCA系統(tǒng)14：06預(yù)報(bào)的在14：30鹽城地區(qū)的極大風(fēng)力和極大風(fēng)力中心落區(qū)雖然和實(shí)況（14：30左右阜寧縣新溝鎮(zhèn)等地出現(xiàn)12級(jí)大風(fēng)，而阜寧龍卷經(jīng)專家組判定等級(jí)為EF4級(jí)，風(fēng)力超過(guò)17級(jí)）有偏差（圖3），但提前二十多分鐘便預(yù)警阜寧地區(qū)將受到8～11級(jí)雷暴大風(fēng)的影響，另外在13：40就提前50 min預(yù)報(bào)阜寧地區(qū)將有7～9級(jí)雷雨大風(fēng)，因此在雷暴大風(fēng)預(yù)警防災(zāi)方面還是可以起到積極作用的。

圖3 2016年6月23日14：30蘇州INCA對(duì)流陣風(fēng)預(yù)報(bào)（起報(bào)時(shí)間14：06） Fig.3 The INCA forecast for Suzhou convective gusts at 14:30 BT on 23 June 2016 (Initial time was 14:06 BT 23 June 2016)

2 驗(yàn)證與檢驗(yàn)

2.1 分析場(chǎng)檢驗(yàn)

表2給出了INCA在江蘇2016年夏季和冬季溫度、風(fēng)場(chǎng)、降水這幾個(gè)要素的分析場(chǎng)交叉驗(yàn)證結(jié)果。以溫度為例，平均溫度偏差（Bias）接近于0，這不但是對(duì)所有站點(diǎn)的平均，對(duì)每個(gè)站點(diǎn)單獨(dú)檢驗(yàn)也是類似結(jié)果，多年平均的情況是這種偏差小于0.3 ℃ 。對(duì)于平均絕對(duì)誤差（MAE）和均方誤差（RMSE）來(lái)說(shuō)，冬季往往比夏季高，這可能是因?yàn)槎窘?jīng)常出現(xiàn)大氣層結(jié)穩(wěn)定或者逆溫的情況。

表2 江蘇INCA冬、夏季單月分析交叉驗(yàn)證結(jié)果 Table 2 Results of Jiangsu INCA analysis cross validation for a summer and a winter month

2.2 短臨預(yù)報(bào)檢驗(yàn)

相比數(shù)值模式預(yù)報(bào)，INCA在短臨時(shí)段的預(yù)報(bào)效果有明顯提升。這里給出了2017年江蘇夏季INCA系統(tǒng)檢驗(yàn)的結(jié)果：1）INCA 在0～2 h的晴雨預(yù)報(bào)準(zhǔn)確率平均為90.4%（圖4），同期數(shù)值模式24 h晴雨預(yù)報(bào)準(zhǔn)確率平均為75.7%。2）INCA在0～2 h的溫度預(yù)報(bào)準(zhǔn)確率 平均為91.9%（圖5），同期數(shù)值模式24 h的溫度預(yù)報(bào)準(zhǔn)確率平均約為82.8%。

圖4 江蘇2017年夏季INCA（0～2 h）短臨晴雨預(yù)報(bào)準(zhǔn)確率 Fig.4 The 0-2 hours accuracy rate of rainy and shine weather nowcasting by Jiangsu INCA for Summer 2017

圖5 江蘇2017年夏季INCA（0～2 h）溫度預(yù)報(bào)準(zhǔn)確率 Fig.5 The 0-2 hours accuracy rate of temperature nowcasting by Jiangsu INCA for Summer 2017

2.3 對(duì)流算法與純外推短臨降水預(yù)報(bào)對(duì)比檢驗(yàn)

選取了4種短臨降水預(yù)報(bào)方案來(lái)對(duì)比檢驗(yàn)不同地形條件下對(duì)流降水算法以及幾種數(shù)值模式性能，4種短臨降水方案分別為：純平移外推短臨降水預(yù)報(bào)（TRANS），以及分別使用奧地利的ALADIN、AROME、ALARO等3種區(qū)域數(shù)值模式預(yù)報(bào)作為背景初始場(chǎng)的對(duì)流算法短臨降水預(yù)報(bào)。試驗(yàn)區(qū)域選取東西地形差異明顯的奧地利地區(qū)，奧地利東部為地形復(fù)雜的阿爾卑斯山區(qū)，西部為平原地區(qū)。共選取了奧地利地區(qū)15個(gè)雷暴個(gè)例。每個(gè)雷暴日短臨降水預(yù)報(bào)的預(yù)報(bào)時(shí)效為6 h。根據(jù)地形特征將模式預(yù)報(bào)區(qū)域分為34塊小區(qū)域。在模式預(yù)報(bào)時(shí)效內(nèi)（6 h），計(jì)算各個(gè)區(qū)域的降水平均值，然后對(duì)4種短臨預(yù)報(bào)進(jìn)行比較。

圖6 顯示了4種短臨降水預(yù)報(bào)的均方根誤差對(duì)比結(jié)果。該均方根誤差是各個(gè)短臨預(yù)報(bào)在整個(gè)預(yù)報(bào)場(chǎng)的均方根誤差平均值?？偟膩?lái)看，采用AROME背景的對(duì)流算法短臨降水預(yù)報(bào)結(jié)果最差，這說(shuō)明AROME模式還有待改進(jìn)。 而另外兩種采用對(duì)流算法的短臨預(yù)報(bào)（ALADIN和ALARO背景場(chǎng)）表現(xiàn)比較接近，對(duì)流算法短臨預(yù)報(bào)（ALADIN背景場(chǎng)）基本都表現(xiàn)較好，而6 h短臨預(yù)報(bào)檢驗(yàn)對(duì)比結(jié)果基本與之類似。

圖6 4種短臨預(yù)報(bào)的均方根誤差（場(chǎng)平均）對(duì)比圖 Fig.6 RMSE of 4 precipitation nowcasts (a translational precipitation nowcasts, and 3 convective precipitation nowcasts with ALADIN background, AROME background and ALARO background respectively) for the whole forecast fields and all dates of the 15 investigated days

隨后排除AROME方案，從34片區(qū)域中選取了2塊區(qū)域，分布代表典型的阿爾卑斯地區(qū)（山區(qū)）和非阿爾卑斯地區(qū)（平原）來(lái)進(jìn)行對(duì)比檢驗(yàn)剩下的3個(gè)方案。檢驗(yàn)結(jié)果表明，無(wú)論山區(qū)或平原地區(qū)，對(duì)流算法均優(yōu)于平移算法的短臨降水預(yù)報(bào)，特別是在山區(qū)表現(xiàn)更好一些，原因可能是INCA考慮了地形的影響，能夠分析出山區(qū)地形導(dǎo)致的風(fēng)場(chǎng)輻合。

3 結(jié)論

做為一套技術(shù)成熟并廣泛應(yīng)用的短臨預(yù)報(bào)業(yè)務(wù)系統(tǒng)，INCA系統(tǒng)在實(shí)況分析技術(shù)、外推預(yù)報(bào)技術(shù)、融合數(shù)值預(yù)報(bào)技術(shù)以及對(duì)流概念模型預(yù)報(bào)技術(shù)等[1-18]方面均有其獨(dú)到之處。

INCA認(rèn)為要做好短臨預(yù)報(bào)，首先需要得到一個(gè)高分辨率高質(zhì)量的實(shí)況分析場(chǎng)，而且必須考慮復(fù)雜地形（山脈峽谷）起伏對(duì)短臨預(yù)報(bào)的影響。INCA因而構(gòu)建了高分辨系統(tǒng)地形，地表層指數(shù)和垂直坐標(biāo)系。通過(guò)綜合地面自動(dòng)站資料、遙感探測(cè)資料（雷達(dá)、衛(wèi)星）、數(shù)值預(yù)報(bào)模式預(yù)報(bào)和高分辨率地形資料，一方面保證分析中實(shí)況信息得以準(zhǔn)確保留，另外一方面利用遙感資料來(lái)提供基于實(shí)況插值的空間結(jié)構(gòu)，進(jìn)而實(shí)時(shí)提供高分辨率多要素互相協(xié)調(diào)的三維實(shí)況分析場(chǎng)。并且?guī)缀踉诟鱾€(gè)時(shí)刻都優(yōu)于采用平移算法的短臨預(yù)報(bào)(TRANS)。圖7給出了0～1 h對(duì)流算法短臨預(yù)報(bào)（ALADIN背景場(chǎng)）與平移算法短臨預(yù)報(bào)的相對(duì)均方根誤差分布。低于100（%）的數(shù)值表示對(duì)流算法短臨預(yù)報(bào)（ALADIN背景場(chǎng)）表現(xiàn)更佳，反之平移算法短臨預(yù)報(bào)表現(xiàn)更好。由圖7可見(jiàn)，0～1 h絕大多數(shù)地區(qū)而在短臨要素預(yù)報(bào)中INCA使用了外推方法融合數(shù)值模式預(yù)報(bào)，并引入了地形影響方案。經(jīng)過(guò)驗(yàn)證和檢驗(yàn)，INCA實(shí)況場(chǎng)分析質(zhì)量良好，短臨時(shí)段的預(yù)報(bào)對(duì)數(shù)值模式有明顯提升，例如能夠分析出山區(qū)地形導(dǎo)致的風(fēng)場(chǎng)輻合，進(jìn)而綜合其他判定依據(jù)預(yù)報(bào)出地面輻合導(dǎo)致的對(duì)流觸發(fā)和增強(qiáng)。總的來(lái)看，INCA系統(tǒng)設(shè)計(jì)適應(yīng)地形復(fù)雜的山區(qū)，在山洪地質(zhì)災(zāi)害隱患地區(qū)的短臨預(yù)警上具有一定優(yōu)勢(shì)。

圖7 0～1 h對(duì)流算法短臨預(yù)報(bào)（基于ALADIN背景場(chǎng)）與平移算法短臨預(yù)報(bào)的相對(duì)均方根誤差分布，數(shù)值低于100（%）的地區(qū)表明對(duì)流算法預(yù)報(bào)效果更好，反之則平移算法更好 Fig.7 Relative RMSE of the first hour convective precipitation nowcasts with ALADIN background compared to the translational precipitation nowcasts for all dates of the 15 investigated days. Those ＜ 100 (%) denote that the convective nowcasts were better than that by the translational method on average, and vice versa

在短臨對(duì)流預(yù)報(bào)方面，INCA首先基于精細(xì)化的溫度、濕度、風(fēng)場(chǎng)等實(shí)況分析場(chǎng)，提取生成了一系列的對(duì)流參數(shù)分析場(chǎng)。發(fā)現(xiàn)對(duì)于對(duì)流短臨預(yù)報(bào)來(lái)說(shuō)，最重要的幾項(xiàng)對(duì)流參數(shù)是CAPE、CIN、水汽輻合和對(duì)流溫度差等，同時(shí)還需要衛(wèi)星產(chǎn)品來(lái)輔助判別對(duì)流單體的生消。在此基礎(chǔ)上提出了一種基于高分辨的幾項(xiàng)關(guān)鍵對(duì)流診斷量分析來(lái)進(jìn)行短臨對(duì)流預(yù)報(bào)的方法（類似配料法）。通過(guò)短臨降水預(yù)報(bào)檢驗(yàn)，使用這種基于關(guān)鍵對(duì)流參數(shù)組合和衛(wèi)星產(chǎn)品的決策算法可以改進(jìn)純外推預(yù)報(bào)。此外INCA還基于對(duì)雷暴大風(fēng)環(huán)境條件的診斷分析，發(fā)展了基于雷達(dá)探測(cè)資料和INCA短臨預(yù)報(bào)來(lái)計(jì)算降水粒子負(fù)載、負(fù)浮力這兩項(xiàng)所代表的潛能進(jìn)而估算地面出流最大陣風(fēng)的算法。雖然這種算法不能完全準(zhǔn)確模擬雷暴下沉氣流和地面出流大風(fēng)的整個(gè)物理動(dòng)力機(jī)制，但經(jīng)過(guò)試用在雷暴大風(fēng)預(yù)警防災(zāi)方面可以發(fā)揮積極作用。

[1] Pierce C E, Collier C G, Hardaker P J, et al. GANDOLF: a system for generating automated nowcasts of convective precipitaion. Meteorological Applications, 2000, 8: 341-360.

[2] Wilson J W, Crook N A, Mueller, et al. Nowcasting thunderstorms：a status report. Bulletin of the American Meteorological Society, 1998, 79: 2079-2099.

[3] Cai H, Wilson J, Pinto J, et al. Developing NIWOT: a regional 1-6 hr short-term thunderstorm forecast system. The Fifth International Conference on Mesoscale Meteorology and Typhoon, Boulder, USA, Oct 31st-Nov 3rd, 2006.

[4] Dixon M, Wiener G. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting-A Radar-based Methodology. Journal of Atmospheric and Oceanic Technology, 1993, 10: 785-797.

[5] 鄭永光, 周康輝, 盛杰, 等. 強(qiáng)對(duì)流天氣監(jiān)測(cè)預(yù)報(bào)預(yù)警技術(shù)進(jìn)展. 應(yīng)用氣象學(xué)報(bào), 2015, 26(6): 641-657.

[6] Haiden T, Kann A, Wittmann C, et al. The Integrated Nowcasting through Comprehensive Analysis (INCA) system and its validation over the eastern Alpine Region. Weather and Forecasting, 2011, 26: 166-183.

[7] Steinheimer M, Haiden T. Improved nowcasting of precipitation based on convective analysis fields. Advances in Geosciences, 2007, 10: 125-131.

[8] Ducrocq V, Tzanos D, Senesi S. Diagnostic tools using a mesoscale NWP model for the early warning of convection. Meteorological Applications, 1998, 5: 329-349.

[9] Waldstreicher J S. Guide to utilizing moisture flux convergence as a predictor of convection. National Weather Digest, 1989, 14: 20-35.

[10] 俞小鼎, 周小剛, 王秀明. 雷暴與強(qiáng)對(duì)流臨近天氣預(yù)報(bào)技術(shù)進(jìn)展. 氣象學(xué)報(bào), 2012, 70(3): 311-337.

[11] Sun J, Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part Ⅰ: Model development and simulated data experiments. Journal of the Atmospheric Sciences, 1997, 54: 1642-1661.

[12] Sun J, Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part Ⅱ: Retrieval experiments of an observed Florida convective storm. Journal of the Atmospheric Sciences, 1998, 55: 835-852.

[13] Wolfson M M, Dupree W J, Rasmussen R, et al. Consolidated Storm Prediction for Aviation (CoSPA), AMS 13th Conference on Aviation, Range, and Aerospace Meteorology, New Orleans, LA, 2008.

[14] 陳明軒, 俞小鼎, 譚曉光, 等. 對(duì)流天氣臨近預(yù)報(bào)技術(shù)的發(fā)展與研究進(jìn)展. 應(yīng)用氣象學(xué)報(bào), 2004, 15(6): 754-766.

[15] 韓雷, 王洪慶, 譚曉光, 等. 基于雷達(dá)數(shù)據(jù)的風(fēng)暴體識(shí)別、追蹤及預(yù)警的研究進(jìn)展. 氣象, 2007, 33(1): 3-10.

[16] 曾小團(tuán), 梁巧倩, 農(nóng)孟松, 等. 交叉相關(guān)算法在強(qiáng)對(duì)流天氣臨近預(yù)報(bào)中的應(yīng)用. 氣象, 2010, 36(1): 31-40.

[17] 鄭永光, 張小玲, 周慶亮, 等. 強(qiáng)對(duì)流天氣短時(shí)臨近預(yù)報(bào)業(yè)務(wù)技術(shù)進(jìn)展與挑戰(zhàn). 氣象, 2010, 36(7): 33-42.

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