李磊

（民航東北地區(qū)空中交通管理局，遼寧 沈陽 110000）

1 引言

雷雨是夏季影響東北地區(qū)航空飛行安全的最重要的天氣。2020-10-21，桃仙機場3架航班遭遇或疑似遭遇雷擊。雷暴能產(chǎn)生各種危及飛行安全的天氣現(xiàn)象，包括強烈的顛簸、積冰、風切變、瞬時大風、下?lián)舯┝鞯龋瑫r雷擊也嚴重影響航空器安全運行。雷暴變化過程復雜，影響因素較多，時間尺度較短，瞬時破壞力大，因此，加強對雷雨的預(yù)報，對保障夏季航空飛行安全有重要意義。

2 2 020年暑期雷雨實況統(tǒng)計

以2020年6—9月為例統(tǒng)計暑期雷雨天氣，桃仙機場日雷暴時長和日降水量分布如圖1所示。資料來源于民航東北地區(qū)空中交通管理局空管中心氣象中心觀測室觀測資料。

圖1 2020年6—9月桃仙機場日雷暴時長和日降水量分布圖

2.1 雷暴日數(shù)

2020年暑期共出現(xiàn)21個雷暴日，其中6月共4 d，7月共5 d，8月共7 d，9月共5 d。略低于桃仙機場同期歷年平均的21.9 d。

2.2 日雷暴時長

跨日的連續(xù)雷暴主要影響時段為前一日，后一日持續(xù)時間較短，影響較小時，雷暴時長歸于前日計算。

暑期共出現(xiàn)日雷暴時長1 h以內(nèi)共6 d，1～2 h共5 d，2～3 h共5 d，3～4 h、4～5 h、8～9 h各1 d。日雷暴時長最長的為2020-08-18的8 h19 min。

2.3 雷暴起始方位

2020-08-03—08-18的長時間連續(xù)降水期間出現(xiàn)多段雷暴，間隔時間較長，每次雷暴持續(xù)時間較長，記為多次雷暴，其他日記為單次雷暴，統(tǒng)計每次雷暴起始時的出現(xiàn)方位，以八方位角計算。其中起始方位為西北、西、西南、南的雷暴各4次，北、東南各1次，起始于機場天頂?shù)睦妆┕?次。起始于西北、西、西南、南的雷暴累計頻率為73%，符合東北地區(qū)夏季副熱帶高壓北抬，西南氣流引導空中槽脊系統(tǒng)影響東北地區(qū)天氣的環(huán)流形勢。另外，天頂雷暴的頻率為18%，這種雷暴通常在機場附近發(fā)展，到機場上空開始鳴雷，前期維持時間較短，在雷達探測圖像上不明顯或處于雷達高仰角盲區(qū)內(nèi)，對提前定位追蹤和移動發(fā)展趨勢預(yù)報有較大難度，對航空器起降影響較大。

2.4 雷暴起始時間

以雷暴起始小時統(tǒng)計起始時間分布。其中起始于00：00—5：00時的次數(shù)為3次，6：00—11：00為2次，12：00—17：00為10次，18：00—23：00為7次。起始于午后到前半夜的雷暴占77%，表明雷暴形成與氣溫的日變化密切相關(guān)，近地面的氣溫升高，使層結(jié)不穩(wěn)定，加強對流天氣的發(fā)生。

2.5 暑期降水情況

桃仙機場6月出現(xiàn)降水日共11 d，7月共9 d，8月共17 d，9月共17 d，暑期累計降水日54 d，高于歷年同期平均降水日51.1 d。累計降水量488.6 mm，高于歷年同期降水量449.5 mm。日降水量50 mm以上的共3 d，25～49 mm共2 d，10～25 mm共7 d，1～10 mm共20 d，1 mm以下共22 d。最強的單日降水為08-24的77.1 mm和08-13的75.1 mm。

2.6 日雷暴時長和降水量的對比

由圖1中日雷暴時長和日降水量的對比可見，雷暴峰值和降水峰值相互錯開。對于8次超過2 h的雷暴日，無一對應(yīng)強降水日。5次大雨以上量級降水日，其中2次未出現(xiàn)雷暴，另3次雷暴時間都在2 h以下。強雷暴和強降水共存的概率較小。

3 雷雨指數(shù)分析

為了探究天氣形勢場和雷雨發(fā)生的關(guān)系，提高雷雨預(yù)報的質(zhì)量，期望通過對雷雨相關(guān)氣象要素和常用雷暴指數(shù)（下簡稱為“雷雨指數(shù)”）與雷暴樣本進行參數(shù)分析，獲得數(shù)值分布規(guī)律。

3.1 數(shù)據(jù)選取和處理

資料選取FNL時間分辨率為6 h，空間分辨率為1°經(jīng)緯度的再分析資料進行數(shù)據(jù)分析，6—9月共488個時間節(jié)點，依時間分辨率將2020年暑期各雷雨案例按時間分布分配到各時間節(jié)點上，獲得26個雷雨樣本。以北緯41°，東經(jīng)123°格點要素值表征桃仙機場天氣要素，部分要素用北側(cè)或東側(cè)

1 °格點進行差分運算。

3.2 數(shù)據(jù)分析方法

目前設(shè)計出分析雷雨指數(shù)與天氣要素擬合的兩種方法：①按時間排序指數(shù)數(shù)值，分析數(shù)值曲線波峰和雷雨樣本的關(guān)聯(lián)性（時序圖）。理想狀態(tài)是每一個雷雨樣本能對應(yīng)出一個曲線波峰，說明該參數(shù)的發(fā)展變化和雷暴出現(xiàn)正相關(guān)。優(yōu)勢在于波峰峰頂時間不需要和天氣實況準確對應(yīng)，可以排除一部分時間精度和空間不足造成的誤差，不受低樣本數(shù)量制約。劣勢是曲線演化出波動函數(shù)對結(jié)果有更好的解釋，但波動函數(shù)演化難度較高，同時精度的不足會使曲線波動劇烈，增大誤差，并進一步增加難度。②將指數(shù)數(shù)值按大小排列，分析天氣樣本對應(yīng)的指數(shù)分布情況（分布圖）。理想狀態(tài)是全部樣本對應(yīng)的雷雨指數(shù)緊密并充分排列在固定的數(shù)值區(qū)間，優(yōu)勢是操作過程簡易，圖像分布清晰，易于量化對比。劣勢是由于天氣樣本和指數(shù)一一對應(yīng)，如果指數(shù)出現(xiàn)較大的誤差或不能與天氣時間緊密聯(lián)系，樣本分布會急劇變化，對結(jié)果造成較大誤差，同時需要高樣本數(shù)來支撐分析結(jié)論。

量化分析采取第②種方法，時序圖僅作為參考，因為時序圖分析比較依賴曲線化，如果不能演化出波動函數(shù)，用人工識別時序圖主觀性高，且部分波峰位置不易被識別，如果時間序列過長，識別圖像和驗證數(shù)據(jù)的工作量較大，不益于準確統(tǒng)計結(jié)果。

3.3 雷雨指數(shù)數(shù)據(jù)選取

從動力、熱力、水汽和不穩(wěn)定能量方面選取雷雨指數(shù)。包括850 hPa風速，850 hPa垂直速度，850 hPa散度，500 hPa和850 hPa風速差，500 hPa和850 hPa溫度差，K指數(shù)，850 hPa溫度平流，850 hPa和500 hPa假相當位溫差值，850 hPa濕度，850 hPa+700 hPa+500 hPa溫度露點差總和，850 hPa水汽通量，水汽通量散度，對流有效位能CAPE，對流抑制能量CIN，抬升指數(shù)。

3.4 部分雷雨指數(shù)簡析

選擇部分代表性圖表進行簡要分析。K指數(shù)時序圖和分布圖如圖2所示。圖中豎線區(qū)代表雷暴樣本，僅用于定位數(shù)值。

在圖2中，K指數(shù)時序圖上88%樣本對應(yīng)曲線波峰位置，分布圖上81%樣本位于30℃以上大值區(qū)，且K指數(shù)數(shù)值越大，分布越緊密，K指數(shù)相性較好。

圖2 K指數(shù)時序圖和分布圖（單位：℃）

500 hPa和850 hPa風矢量差速度值時序圖和分布圖如圖3所示。在圖3中，500 hPa和850 hPa風矢量差速度值時序圖上僅27%樣本對應(yīng)波峰位置，分布圖上樣本分布比較分散，且偏低值一側(cè)，未體現(xiàn)出中低層水平風的垂直切變項對雷雨的貢獻，雷雨樣本相性較差。

圖3 500 hPa和850 hPa風矢量差速度值時序圖和分布圖（單位：m/s）

850 hPa濕度時序圖和分布圖如圖4所示。在圖4中，850 hPa濕度時序圖上69%樣本對應(yīng)波峰，分布圖上85%樣本位于70%濕度以上一側(cè)，說明雷雨發(fā)生需要一定的水汽水平，但密集區(qū)出現(xiàn)在75%～90%附近，90%以上未出現(xiàn)較多樣本，表示水汽指標為雷雨提供了一定的閾值，但未對高強度雷雨做出進一步貢獻。

圖4 850 hPa濕度時序圖和分布圖（單位：%）

對流抑制能量CIN時序圖和分布圖如圖5所示。在圖5中，CIN時序圖上54%樣本能對應(yīng)波峰，但通常稍落后于波峰，分布圖上CIN在-150 J以上能量大值取有樣本空窗，但低能量區(qū)比例較大，樣本排列分散，說明CIN在高能區(qū)起到抑制作用，雷雨前期通常有弱的能量抑制，維持時間較短，導致分布圖不適用。

圖5 對流抑制能量CIN時序圖和分布圖（單位：J）

3.5 指數(shù)分析的簡易量化處理和分析結(jié)果

為了對比分析各指數(shù)對雷雨的貢獻程度，將各指數(shù)數(shù)據(jù)處理結(jié)果進行量化。要素依大小橫排后，對雷雨貢獻較小的一側(cè)，30%雷雨樣本占橫坐標比例（A）和70%橫坐標以上的樣本比例的平均值（B），對各要素進行對比，數(shù)值越大表示越適用。

各指數(shù)最終量化處理結(jié)果如表1所示，其中第二、三列是兩種比例值，第四列是兩者平均值，代表最終結(jié)果，結(jié)果僅顯示2位小數(shù)。

表1 雷雨指數(shù)分布量化處理結(jié)果

結(jié)果顯示，對流有效位能、K指數(shù)、抬升指數(shù)匹配良好，貢獻值在0.73～0.75，水汽和熱力項貢獻值在0.5～0.7左右，動力項貢獻0.4～0.6，CIN指數(shù)特性使量化數(shù)值墊底。

4 結(jié)論和不足

本次分析獲得以下結(jié)論：①CAPE、K指數(shù)、抬升指數(shù)是預(yù)報雷雨的較好相性參數(shù)；②夏季水汽條件通常足夠提供雷雨所需要的水汽，高值水汽對雷暴貢獻較?。虎巯噍^于動力條件，熱力條件對暑期雷暴的觸發(fā)貢獻更明顯；④雷雨前期通常有弱的能量抑制，但維持時間較短，導致CIN分布圖相性差，高的對流抑制能量不適于產(chǎn)生雷雨，可結(jié)合其他參數(shù)預(yù)報暴雨。

同時這種分析設(shè)計還有以下明顯不足：①空間尺度和時間尺度的不足容易導致較大的誤差。選擇的格點與實際位置偏差值在70 km左右，偏差明顯，足以影響中尺度天氣表現(xiàn)。而且將6 h雷暴歸于一點，幾倍于平均雷暴周期，造成的誤差較大。②各雷雨指數(shù)對雷雨貢獻的算法偏薄弱，可引入回歸方程以提高結(jié)論的有效性。③樣本量偏少，代表性差。④沒有計算雷暴強度，單純計算雷暴時段，無法區(qū)分密集的高強度雷暴和獨立的弱雷暴間的區(qū)別。⑤各指數(shù)和物理量單獨分析，無法體現(xiàn)不同參數(shù)間的關(guān)聯(lián)性。⑥參數(shù)化分析氣象數(shù)據(jù)可以提高數(shù)據(jù)的擬合度，時序圖比分布圖有更好的上升空間。⑦可優(yōu)化物理量配置，探索相性更好的指數(shù)參數(shù)。