微波辐射计在对流天气预报中的应用

2021-03-16蔡奕萍袁志扬李婵珠黄锋

广东气象 2021年1期

蔡奕萍，袁志扬，李婵珠，黄锋

（东莞市气象局，广东东莞 523000）

对流天气属于中小尺度系统，具有水平尺度小、生命史短、影响范围窄、强度大的特点，其突发性强、破坏力大，是广东省主要灾害性天气之一，也是预报上的难点［1-2］。多年来气象工作者对对流天气的预报十分关注，并借助了风廓线雷达、双偏振雷达、雨滴谱仪等新型探测手段对其进行了深入研究［3-5］。微波辐射计也是近年来在业务上广泛应用的新型探测仪器之一，具有高时间分辨率、连续工作等优点［6］，可有效弥补探空资料在时间分辨率上的不足，能输出温度廓线、湿度廓线、大气稳定度、云低高度等有价值的气象资料，非常适合基层台站使用［7］。

目前国内外已有部分学者将微波辐射计资料应用于对流天气的预报中，取得了一定成果，黄晓莹等［8］指出，多个强对流参数的突然增大或减小均与降水的发生与减弱有对应关系，微波辐射计资料的应用对预报降水的发生与增强有指示作用；雷连发等［9］通过微波辐射计观测数据计算得到的强对流参数之间具有很好相关性，很好的反映了强对流天气的水汽、稳定度和云的发展变化过程，这对对流天气的预警预报具有指示作用。本研究在研究微波辐射计输出的物理量参数对不同天气过程的指示作用基础上，尝试进一步采用费舍判别分析方法，将不稳定指数参数及水汽参数作为预报因子来建立预报方程，提高预报准确率。

1 设备原理

微波辐射计能通过微波传感器收集目标的微波辐射、散射能量来识别目标物体及其特性的有用信息。大气对微波具有吸收和透明（即大气窗）的特性，由图1可见，在微波波段，水汽、氧气、云中液态水和降水是微波辐射最主要的吸收物质，在10～100 GHz微波频率范围内，水汽在22 GHz附近有一个强吸收带、氧气在60 GHz附近有一个强吸收带［10］。

图1 云、水汽和氧气的微波吸收系数［10］

本研究选用的RPG-HATPRO型42通道微波辐射计中，51～58 GHz之间的21个频率为氧气吸收带通道，22～32 GHz之间的21个频率为水汽吸收通道。通过测量大气中氧气和水汽的辐射强度，获得亮温，再通过利用神经网络拟合亮温和地面温湿压参数与大气参数反演剖面之间的非线性关系［11］，获得地面至10 km大气温度廓线、湿度廓线、液态水廓线、综合水汽总量和液态水路径等数据。

2 数据挑选及检验

2.1 数据及参数

选取2016—2018年每年4—9月份东莞板岭国家观测站日降雨资料及分钟雨量数据，以及微波辐射计输出的 K指数、SI指数、CAPE、LI值、综合水汽含量（IWV）、液态水路径（LWP）数据进行研究。

2.2 数据检验

以K指数为例进行分析验证。选取2016年4—9月的微波辐射计资料，计算得到每日08：00、20：00（北京时，下同）的 K指数的平均值，与再分析资料计算得到的K指数进行相关性检验。结果显示两组数据的相关系数为0.714，通过α=0.01的t检验，说明相关显著。

3 阈值计算

3.1 过程定义

影响广东省的对流天气包括短时强降水、雷雨大风、冰雹和龙卷［1］，但近几年发生在东莞地区的冰雹、龙卷次数太少，样本不具有代表性，故本研究只选取了短时强降水、雷雨大风进行研究。

短时强降水过程：当一次降水过程开始后3 h内出现滑动小时雨量≥20 mm，则认为是一次短时强降水天气过程，将降水发生的时刻记录为强降水天气过程出现的时间。

雷雨大风过程：业务上对雷雨大风的定义：出现风速≥17.2 m/s短时大风并伴有降水［12］，但考虑到东莞地区厂房、临时构筑物较多的实际情况，本地台站一般在出现6级阵风时会对外发布天气提醒，故本研究选取出现6级以上大风并伴有降水的过程作为雷雨大风过程，同时剔除由于台风天气、冷空气过程造成的大风。若降水发生在大风前，则把出现降水的时间认为是雷雨大风发生时间；若大风在降水前，则把大风出现的时刻认为是雷雨大风发生的时间，其中大风、降水出现的时间间隔不超过2 h。

一般天气：选取以短时强降水、雷雨大风出现时间前一天的相同时刻，若该时刻没有降水、同时该时刻前4 h也没有降水，则选取这个时刻为一般天气时间；若该时刻出现了降水或该时刻前4 h出现降水，则选择后一天或再往前一天的相同时间数据［13］。

通过逐一筛选，共挑选出3年间出现的短时强降水天气过程29例、雷雨大风天气过程48例、一般天气76例。

3.2 参数计算

选取2016—2018年4—9月的微波辐射计资料，分别作出雷雨大风、短时强降水、一般天气发生前1 h各参数的箱体图，结果如图2所示。

图2 2016—2018年 4—9月不同天气发生前1 h K（a）、LI（b）、SI（c）、CAPE（d）、IWV（e）、LWP（f）箱体图

箱体图中箱子的上下限分别是数据的上4分位数和下4分位数，包含了50%的数据，箱子的宽度在一定程度上反映了数据的波动程度，箱体越窄说明数据越集中。箱体的上下端线表示上边界和下边界，端线越短同样说明数据越集中。

从图2a可以看出，雷雨大风的K指数箱体较窄，短时强降水、一般天气过程的箱体较宽，说明发生雷雨大风时K指数更接近，短时强降水、一般天气过程的K指数较分散。雷雨大风、短时强降水的K指数主要分布在37～39℃，一般天气则分布在34～36℃，表明对流天气发生前一般有较大的K指数，因此，可以认为K＞37℃有利于雷雨大风、短时强降水发生。

一般而言，LI指数的值越低越有利于对流天气发生。图2b显示，雷雨大风的LI指数箱体较宽，中位数在-5℃左右，且主要分布在-6～-5℃；短时强降水和一般天气的LI范围较集中，且上、下4分位数及中位数接近，因此，单从LI指数无法有效地区分短时强降水和一般天气。

与LI指数类似，SI指数的值越低也越有利于对流天气发生。从图2c中看出，雷雨大风、短时强降水的SI指数更集中，中位数在-1～-2℃，而一般天气的SI指数中位数在0℃左右。可以认为SI＜-1℃有利于雷雨大风、短时强降水发生。

3种天气类型的CAPE箱体都非常宽，表明CAPE值分散，波动范围大。其中，雷雨大风、一般天气发生前的CAPE值接近，集中在800～1 700 J/kg，中位数也接近，但短时强降水的CAPE范围明显偏低，这可能与强降水发生前能量提前释放有关。因此单从CAPE值无法对3种天气类型进行区分。

IWV的分布如图2e所示，雷雨大风的IWV箱体最窄，短时强降水的最宽，但二者的中位数均在63 kg/m2左右，下4分位数在60 kg/m2左右；一般天气的IWV箱体明显低于对流天气过程，且主要分布在52～60 kg/m2之间。因此，可以认为IWV＞60 kg/m2有利于雷雨大风、短时强降水发生。

图2f表明，雷雨大风、短时强降水的LWP箱体类似，主要分布在300～650 g/m2，但雷雨大风的中位数明显低于短时强降水，说明短时强降水相较于雷雨大风而言对水汽条件要求更严格。一般天气的LWP主要集中在300～450 g/m2，中位数在400 g/m2左右。可以认为LWP＞400 g/m2有利于雷雨大风、短时强降水发生。

综上所述，给定参数触发雷雨大风、短时强降水的阈值条件：K＞37℃、SI＜-1℃、IWV＞60 kg/m2、LWP＞400 g/m2。LI、CAPE无法对 3种天气类型进行区分。

4 预报方程及验证

利用判别分析方法［14］，将不稳定指数 K、LI、SI、CAPE和水汽参数IWV、LWP作为预报因子，建立对流天气预报判别方程。

4.1 二级判别方程

先进行2级判别，从2016—2017年4—9月的观测数据中选取52个对流天气样本（包含了雷雨大风和短时强降水过程样本，但不区分对流天气类型）和52个一般天气样本，1级样本（对流天气）容量n1=52、2级样本（一般天气）容量n2=52。

利用SPSS软件计算得到对流天气2级判别方程为

其中，x1、x2、x3、x4、x5、x6分别为预报因子 LI、K、SI、CAPE、IWV、LWP的值，代入数据计算得到y1、y2的值。对于对流天气，当y1＞y2时，判断为准确预报对流天气，当y1＜y2时，判断为对流天气被错误预报为一般天气；对于一般天气，当y1＜y2时，判断为准确预报一般天气，当y1＞y2时，判断为一般天气被错误预报为对流天气。

对预报方程选取2018年4—9月的资料进行准确率验证。用预报探测率还是命中率（POD）、虚假报警率（FAR）、关键成功指数（CSI）来检验预报方程［14］，公式为

其中，x是对流天气被成功预报的次数；y是对流天气被错误预报为一般天气的次数；z是一般天气被错误预报为对流天气的次数。

如表1所示，判别方程能够很好地预测对流天气，命中率达76%，虚假报警率也较低，关键成功指数达51%。因此，若在实际工作中引入判别预报方程，可以作为预报对流天气的辅助工具。

表1 不同预报方程准确率检验

4.2 多级判别方程

由于对流天气样本中包含了雷雨大风和短时强降水，因此对样本进行多级判别分析，检验判别方程能否有效地预报出3种不同类型的天气。从2016—2017年4—9月的观测数据中选取21个短时强降水过程样本、31个雷雨大风过程样本和52个一般天气样本，1级样本（雷雨大风）容量n1=31，2级样本（短时强降水）容量n2=21，3级样本（一般天气）容量n3=51。

计算得到对流天气多级判别方程为

其中，x1、x2、x3、x4、x5、x6分别为预报因子 LI、K、SI、CAPE、IWV、LWP的值。当 y1＞y2且 y1＞y3时，判断为准确预报雷雨大风，当y2＞y1且y2＞y3时，判断为准确预报短时强降水，当y3＞y1且y3＞y2时，判断为准确预报一般天气。

同理，对预报方程准确率进行验证，结果见表1（此处的POD为雷雨大风和强降水分别预测正确的概率之和），由表1可见多级判别方程的准确率并不理想，对不同类型对流天气命中率仅为51%，关键成功指数也很低，仅为31.8%。

4.3 修正2级判别方程

本研究发现，在多级预报方程中，出现了将强降水过程误报为雷雨大风过程，或将雷雨大风过程误报为强降水过程的情况。若把这种不同对流类型之间的混报定义为准确预报对流天气，即将多级预报方程作为修正后的2级判别方程，发现其对流天气过程命中率显著提高（表1），达84.6%，不过与此同时虚假报警率也比2级预报方程提高了近10%。因此，可以把多级预报方程作为修正后的2级预报方程来使用，提高对流天气预报的测中概率。