陳文佳 張春桂 徐佳奧

(1.福建省霞浦縣氣象局，福建 寧德 355100;2.福建省氣象科學(xué)研究所，福建 福州 350001)

0 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，產(chǎn)業(yè)現(xiàn)代化進(jìn)程加快，目前基層常規(guī)所提供的逐12小時(shí)預(yù)報(bào)服務(wù)模式已經(jīng)無法滿足頻發(fā)的持續(xù)時(shí)間短、影響范圍小、強(qiáng)度強(qiáng)的中小尺度強(qiáng)天氣服務(wù)需求，公眾除了對(duì)預(yù)報(bào)的準(zhǔn)確率要求提到了一個(gè)新高度，對(duì)預(yù)報(bào)的提前量更是提出了更高要求。面對(duì)如此形勢(shì)，根據(jù)實(shí)際需求及預(yù)報(bào)精細(xì)化要求，將目前先進(jìn)的更高分辨率智能網(wǎng)格產(chǎn)品和更精細(xì)時(shí)次的預(yù)報(bào)產(chǎn)品結(jié)合多源數(shù)據(jù)反演的實(shí)況特點(diǎn)進(jìn)行本地化研究工作很有必要。

近年來，我國(guó)風(fēng)云衛(wèi)星資料被廣泛應(yīng)用于天氣預(yù)報(bào)、氣候監(jiān)測(cè)、自然災(zāi)害、環(huán)境監(jiān)測(cè)、科學(xué)研究以及產(chǎn)業(yè)發(fā)展等領(lǐng)域。在國(guó)家創(chuàng)新戰(zhàn)略發(fā)展藍(lán)圖下，衛(wèi)星系統(tǒng)的建設(shè)對(duì)于提高應(yīng)對(duì)災(zāi)害性天氣，構(gòu)建防災(zāi)減災(zāi)體系具有支撐作用[1]。而如何將獲取的衛(wèi)星資料融入日常預(yù)報(bào)服務(wù)業(yè)務(wù)中是一大難點(diǎn)，尤其是在基層對(duì)衛(wèi)星數(shù)據(jù)應(yīng)用能力較弱這一現(xiàn)實(shí)背景下。2018年8月，隨著風(fēng)云四號(hào)A星交付使用并建成配套地面接收系統(tǒng)，強(qiáng)對(duì)流天氣預(yù)報(bào)預(yù)警監(jiān)測(cè)方面有了新的突破。風(fēng)云二號(hào)和風(fēng)云四號(hào)同屬靜止類衛(wèi)星，均可滿足持續(xù)監(jiān)測(cè)的需求，本文選取風(fēng)云二號(hào)(分辨率為0.1°×0.1°)進(jìn)行初步研究。

相當(dāng)黑體亮度溫度(Black Body Temperature，TBB)是衛(wèi)星資料產(chǎn)品的一大類，與天氣系統(tǒng)的強(qiáng)度之間存在關(guān)聯(lián)性，通過對(duì)TBB的研究分析，可以為強(qiáng)對(duì)流天氣預(yù)報(bào)預(yù)警提供指示作用。目前，TBB的數(shù)值大小與對(duì)流發(fā)生發(fā)展情況之間的密切關(guān)系，也是廣大氣象工作者研究關(guān)注的熱點(diǎn)之一[2-3]。王華榮等[4]基于FY-2C衛(wèi)星的TBB資料，對(duì)四川地面降水進(jìn)行估算，發(fā)現(xiàn)1小時(shí)內(nèi)的最低紅外亮溫及其增量可以很好地估算1小時(shí)內(nèi)的降水量。盧乃錳等[5]研究發(fā)現(xiàn)，云頂亮溫越低的區(qū)域，對(duì)流發(fā)展越旺盛，該特征對(duì)精細(xì)化預(yù)警范圍有重要作用，確定了強(qiáng)降水中心等。王芬等[6]利用黔西南8個(gè)縣級(jí)氣象觀測(cè)站2006—2016年短時(shí)強(qiáng)降水個(gè)例及對(duì)應(yīng)衛(wèi)星TBB資料研究發(fā)現(xiàn)，在強(qiáng)降水發(fā)生過程中，前后亮溫存在明顯差異，亮溫呈明顯單谷特征，且先降后升，不同時(shí)段的TBB值對(duì)不同閾值的雨強(qiáng)響應(yīng)也有所區(qū)別。

本文采取的研究方法為經(jīng)驗(yàn)正交分解(Empircal orthogonal function，EOF)方法。EOF方法通過對(duì)不規(guī)則分布的場(chǎng)變量進(jìn)行時(shí)空分解，對(duì)得到的空間和時(shí)間模態(tài)特征量進(jìn)行相互正交。從一定程度上，空間模態(tài)(EOF)可以反映所研究要素場(chǎng)的物理空間分布特征，而時(shí)間系數(shù)(Principle Component Analysis，PCA)則反映某一模態(tài)空間場(chǎng)變量隨時(shí)間的權(quán)重變化。EOF分析方法早先多應(yīng)用于氣候類科研工作，而隨著觀測(cè)業(yè)務(wù)的現(xiàn)代化，觀測(cè)時(shí)次的密集程度以及獲取的數(shù)據(jù)信息，足以滿足EOF分析方法對(duì)數(shù)據(jù)數(shù)量的需求。

強(qiáng)降水時(shí)空演變特征分析屬于近年來熱門研究之一，我國(guó)學(xué)者對(duì)其也開展了諸多研究。龐秩舒等[7]在對(duì)我國(guó)夏季降水異常EOF模態(tài)研究中指出，該方法應(yīng)對(duì)夏季降水短期氣候預(yù)測(cè)應(yīng)用的潛在能力和條件。于杰等[8]則將EOF運(yùn)用于中小尺度系統(tǒng)位勢(shì)高度的研究中，發(fā)現(xiàn)當(dāng)EOF分界于某地發(fā)生三波鎖相時(shí)，配合該處低負(fù)高正的位勢(shì)特征，同時(shí)低層位勢(shì)急劇降低時(shí)，對(duì)暴雨落區(qū)具有強(qiáng)指示性。而國(guó)內(nèi)研究者較少使用衛(wèi)星數(shù)據(jù)進(jìn)行EOF分析來反映暖區(qū)暴雨過程中的時(shí)空分布特征，更多是通過對(duì)流場(chǎng)、物理量場(chǎng)等方面開展EOF分析。

本文選擇2021年5—6月閩東北6次暖區(qū)暴雨過程，對(duì)過程期間強(qiáng)降水發(fā)生時(shí)段的TBB數(shù)據(jù)時(shí)空變化進(jìn)行經(jīng)驗(yàn)正交分析，研究TBB與強(qiáng)降水過程中的相關(guān)關(guān)系，為今后預(yù)報(bào)服務(wù)中衛(wèi)星TBB資料引入基層短時(shí)強(qiáng)天氣預(yù)報(bào)預(yù)測(cè)業(yè)務(wù)工作提供參考依據(jù)。

1 資料和分析方法

本文采用的資料為閩東北218個(gè)區(qū)域自動(dòng)氣象站及11個(gè)國(guó)家基本氣象站、國(guó)家一般氣象站的逐小時(shí)觀測(cè)數(shù)據(jù)，數(shù)據(jù)類型為EFZ格式。亮溫?cái)?shù)據(jù)是提取自風(fēng)云衛(wèi)星的FY2G產(chǎn)品類目中的相當(dāng)黑體亮度溫度，產(chǎn)品名稱為9210格式1小時(shí)平均相當(dāng)黑體亮度溫度產(chǎn)品，該產(chǎn)品分辨率為0.1°×0.1°。研究時(shí)間選取2021年5—6月，研究對(duì)象選擇研究時(shí)間段內(nèi)對(duì)閩東北產(chǎn)生影響的6個(gè)暖區(qū)暴雨過程(見表1)。根據(jù)閩東北各縣(市)國(guó)家級(jí)站點(diǎn)逐時(shí)雨量變化實(shí)況確定主要強(qiáng)降水的開始時(shí)間，詳見表1。

表1 對(duì)閩東北有影響的6個(gè)暖區(qū)暴雨過程

本文研究中，考慮暖區(qū)暴雨引入的定義方式如下：

①當(dāng)福建省處于地面低壓倒槽南側(cè)區(qū)域或入海高壓后部偏南氣流控制下時(shí)，且高空為西南或偏南氣流，同時(shí)850hPa處于切變線南側(cè)時(shí)，考慮此時(shí)福建省境內(nèi)的暴雨為暖區(qū)暴雨[9]。

②當(dāng)鋒面或切變線位置偏北，而閩東北處于其南側(cè)暖區(qū)內(nèi)，那么此時(shí)的暴雨也可認(rèn)為是暖區(qū)暴雨[9]。

選取閩東北符合暖區(qū)暴雨的條件為(兩個(gè)條件滿足其一即可)：①24小時(shí)(20—20時(shí))雨量≥50mm的站點(diǎn)數(shù)≥5個(gè)站；②24小時(shí)(20—20時(shí))雨量≥50mm的站點(diǎn)數(shù)≥2個(gè)站，且其中有一個(gè)站雨量≥100mm。

研究方法為經(jīng)驗(yàn)正交分解(EOF)方法。該方法由Pearson[10]提出，并引入大氣科學(xué)研究領(lǐng)域。EOF分析方法能夠?qū)⒁粋€(gè)物理量場(chǎng)分解為多個(gè)模態(tài)的時(shí)空?qǐng)鲞M(jìn)行獨(dú)立模擬演變過程，更容易提取降水過程中背景場(chǎng)(第一、二模態(tài))和擾動(dòng)場(chǎng)(第三模態(tài))特征，為進(jìn)一步探索暖區(qū)暴雨特征提供方法支撐。本文選取的樣本(00時(shí)～00時(shí)UTC)為5月11—12日逐小時(shí)TBB數(shù)據(jù)48個(gè)，5月17—19日逐小時(shí)TBB數(shù)據(jù)72個(gè)，5月19—22日逐小時(shí)TBB數(shù)據(jù)96個(gè)，5月23—24日逐小時(shí)TBB數(shù)據(jù)48個(gè)，6月3—4日逐小時(shí)TBB數(shù)據(jù)48個(gè)，6月20—22日逐小時(shí)TBB數(shù)據(jù)72個(gè)。計(jì)算空間區(qū)域?yàn)?0°S～60°N，45°E～165°E。研究空間區(qū)域?yàn)?6°N～27.5°N，118.5°E～120.5°E(閩東北區(qū)域)。

本文對(duì)EOF分析結(jié)果采用Northet[11]提出的方法進(jìn)行顯著性檢驗(yàn)。假設(shè)第i個(gè)特征向量λi誤差在下式范圍內(nèi)(N為樣本總量)：

同時(shí)滿足相鄰兩個(gè)特征值差大于等于當(dāng)前特征值的誤差范圍ei時(shí)，則認(rèn)為其通過顯著性檢驗(yàn)，該模態(tài)所反映的場(chǎng)信息是可靠有效的。經(jīng)計(jì)算，上述中提及的6個(gè)過程進(jìn)行EOF/PCA分析的前三個(gè)模態(tài)均通過了顯著性檢驗(yàn)。

2 數(shù)據(jù)分析

2.1 TBB數(shù)據(jù)EOF/PCA第一模態(tài)分析

對(duì)2021年閩東北6個(gè)過程的TBB數(shù)據(jù)進(jìn)行EOF分析，第一模態(tài)對(duì)降水貢獻(xiàn)率最高，6個(gè)過程第一模態(tài)貢獻(xiàn)率達(dá)40%～60%(見圖1，各圖右上角為方差貢獻(xiàn)率)。降水發(fā)生前、中、后期降水云團(tuán)，有5個(gè)過程TBB值呈先升高后降低趨勢(shì)，僅1個(gè)呈先降低后升高趨勢(shì)。根據(jù)實(shí)況逐時(shí)降水演變情況，強(qiáng)降水發(fā)生時(shí)間基本出現(xiàn)在時(shí)間序列權(quán)重值由負(fù)變正(或由正變負(fù))過程為0的時(shí)刻前后1小時(shí)左右，如圖1紅色箭頭所示(少部分不匹配該特征)。第一模態(tài)總體反應(yīng)了降水的主要落區(qū)及降水開始的時(shí)間節(jié)點(diǎn)?；久總€(gè)過程第一模態(tài)都大體呈二～三波形，波長(zhǎng)可持續(xù)約為20～30小時(shí)。在后期預(yù)報(bào)服務(wù)中，通過對(duì)暴雨過程統(tǒng)計(jì)和積累，可總結(jié)統(tǒng)計(jì)結(jié)果，建立對(duì)應(yīng)波形模型，進(jìn)行降水起始點(diǎn)預(yù)報(bào)，暖區(qū)暴雨精細(xì)化預(yù)報(bào)提前量可以提升至12～24小時(shí)。

(a)5月11—12日 (b)5月17—19日

(e)6月3—4日 (f)6月20—22日

2.2 TBB數(shù)據(jù)EOF/PCA第二模態(tài)分析

分析TBB數(shù)據(jù)EOF/PCA第二模態(tài)的分布情況(見圖2)，可以將TBB數(shù)據(jù)時(shí)間演變第二模態(tài)序列分為單谷型、雙谷型、多谷型。其中三個(gè)過程為單谷型(5月11—12日，5月19—22日，6月20—22日)；1個(gè)過程為雙谷型(5月23—24日)；兩個(gè)過程為多谷型(5月17—19日，6月3—4日)。從該模態(tài)物理量場(chǎng)可以比較明確地看出TBB動(dòng)態(tài)走向，可以對(duì)應(yīng)時(shí)間序列同理分為三類，多谷型的東南正西北負(fù)的分布特征，雙谷的南負(fù)北正的分布特征，單谷型既存在北正南負(fù)，也存在北負(fù)南正。通過將時(shí)間序列權(quán)重與空間模態(tài)值相乘，可以動(dòng)態(tài)模擬亮溫低值區(qū)的移動(dòng)，與實(shí)況降水移動(dòng)趨勢(shì)一致，該模態(tài)反映了降水移動(dòng)強(qiáng)迫項(xiàng)，反映了云團(tuán)的大體走勢(shì)(圖2箭頭指示方向)，時(shí)間序列多個(gè)谷值(與空間模態(tài)正值區(qū)相乘為亮溫極低值區(qū))說明了降水對(duì)流特征，爆發(fā)式多次亮溫谷值，即對(duì)流發(fā)展較為旺盛，云頂高度較高，側(cè)面說明了對(duì)流強(qiáng)度。在今后的研究中，可通過對(duì)云頂發(fā)展高度和對(duì)流強(qiáng)度估算，通過多過程統(tǒng)計(jì)建立波形模型，預(yù)估降水量和強(qiáng)降水發(fā)生時(shí)段。

(a)5月11—12日 (b)5月17—19日

(c)5月19—22日 (d)5月23—24日

(e)6月3—4日 (f)6月20—22日

2.3 TBB數(shù)據(jù)EOF/PCA第三模態(tài)分析

第三模態(tài)中，僅對(duì)方差貢獻(xiàn)率超過10%的三個(gè)過程進(jìn)行分析(見圖3)，即5月17—19日、5月19—22日、5月23—24日，其余三個(gè)過程方差貢獻(xiàn)率小于10%，對(duì)場(chǎng)變量分析有效參考價(jià)值較低。根據(jù)于杰等[8]對(duì)中β尺度暴雨系統(tǒng)探索得出的結(jié)論，強(qiáng)降水EOF分析第三模態(tài)可以得到降水云團(tuán)中降水中心和降水極大值出現(xiàn)時(shí)間節(jié)點(diǎn)。通過對(duì)本文選取的過程分析，第三模態(tài)的大值中心與實(shí)況降水中心較為吻合(降水大值中心如圖3中紅色線圈所示)，發(fā)生時(shí)段也與該模態(tài)時(shí)間權(quán)重波谷值相對(duì)應(yīng)。根據(jù)實(shí)況數(shù)據(jù)，2021年5月17—19日過程中，小時(shí)降水量最大考慮是福安市松羅鄉(xiāng)(代表站F3311)，1小時(shí)降水量達(dá)47.7mm，出現(xiàn)在18日8—9時(shí)，與圖3(a)中第一個(gè)谷值出現(xiàn)時(shí)間較為接近;20—21日過程無特別強(qiáng)的小時(shí)降水，如圖3(b)所示，有多次弱谷值；23—24日過程，1小時(shí)最大雨量出現(xiàn)在屏南縣棠口鄉(xiāng)(代表站F3781)，24日07—08時(shí)小時(shí)雨量達(dá)44.9mm，與圖3(c)時(shí)間序列中的第一次谷值對(duì)應(yīng)。由此可知TBB數(shù)值EOF/PCA第三模態(tài)可以反映降水極值中心和出現(xiàn)時(shí)間。

(a)5月17—19日

(b)5月19—22日

(c)5月23—24日

3 結(jié)論與討論

本文利用EOF/PCA分析方法，對(duì)閩東北6個(gè)暖區(qū)暴雨過程中的TBB數(shù)據(jù)進(jìn)行了經(jīng)驗(yàn)正交分解，得到時(shí)空演變特征，總結(jié)為以下幾點(diǎn)：

①EOF/PCA第一模態(tài)的空間場(chǎng)分布主要反映了暖區(qū)暴雨過程中背景場(chǎng)特征，通過對(duì)該模態(tài)PC時(shí)間序列曲線分析得出TBB在強(qiáng)降水發(fā)生前后大部分過程呈先升高后降低的趨勢(shì)，少數(shù)出現(xiàn)先降低后升高趨勢(shì)。時(shí)間序列權(quán)重為0的時(shí)刻前后基本對(duì)應(yīng)降水發(fā)生時(shí)間，后期通過對(duì)暴雨個(gè)例收集總結(jié)和統(tǒng)計(jì)，建立各波形對(duì)應(yīng)模型，可將精細(xì)化預(yù)報(bào)時(shí)效提前至12～24小時(shí)。

②EOF/PCA第二模態(tài)時(shí)空?qǐng)鼋Y(jié)合，主要反映了降水動(dòng)態(tài)，反映了降水云團(tuán)的走向和爆發(fā)強(qiáng)度(波谷值)，對(duì)預(yù)報(bào)后續(xù)降水落區(qū)和降水強(qiáng)度具有重要的指示意義。

③EOF/PCA第三模態(tài)空間場(chǎng)大值中心主要反映了強(qiáng)降水極值中心，PC場(chǎng)序列曲線的第一個(gè)谷值對(duì)應(yīng)最強(qiáng)雨強(qiáng)發(fā)生時(shí)段，對(duì)進(jìn)行定量降水精細(xì)化預(yù)報(bào)提供了參考依據(jù)。

本研究還存在以下不足：首先，由于本次過程采用的衛(wèi)星數(shù)據(jù)分辨率還不夠高，不足以捕捉上述過程中小尺度系統(tǒng)亮溫變化特征。其次，研究的個(gè)例不夠多，需要進(jìn)一步探索，才能更好地提升對(duì)衛(wèi)星數(shù)據(jù)的應(yīng)用理解。根據(jù)本文研究結(jié)果，可以在今后的預(yù)報(bào)服務(wù)中引入衛(wèi)星數(shù)據(jù)模擬降水的預(yù)報(bào)模式，而不是單純地從監(jiān)測(cè)角度使用衛(wèi)星產(chǎn)品數(shù)據(jù)。