张富龙 陈长胜 李 楠 张 健

（1.松原市气象局，吉林松原 138000；2.吉林省气象科学研究所，吉林长春 130062；3.长白山气象与气候变化吉林省重点实验室，吉林长春 130062；4.长白山气象局，吉林安图 133613；5.吉林省突发事件预警信息发布中心，吉林长春 130062）

1 引言

暴雨是吉林省较为常见的灾害性天气之一，常常对工农业生产、交通、建筑设施等造成严重影响。经统计，吉林省暴雨出现日数6—8月占90.1%，9—11月占7.1%，3—5月仅占2.8%[1]。目前研究暴雨预报的方法有很多，1996年Doswell等[2]提出了一种新的致洪暴雨预报思路，指出对于强降水预报，可以从降水持续时间和降水率2个因子考虑，基于构成要素的预报这种方法被称为“配料法”。

“配料法”是一种新预报思路，它将对预报有利的因子集合起来综合分析。近年来我国许多学者应用“配料法”进行暴雨研究，杨雪艳等[3]利用54a中国东北地区200个气象站的逐日降水资料和NCEP/NCAR再分析资料研究了东北冷涡暴雨的气候特征，诊断分析可表征冷涡暴雨过程中水汽条件、动力条件、热力不稳定条件的比湿、水汽通量散度、垂直速度、K指数等物理量参数，研究了东北冷涡暴雨发生时各物理量参数需要达到的指标，并构建了东北冷涡暴雨的“配料法”预报模型。欧坚莲等[4]利用“配料法”的思路，对概念模型和其物理特征进行配料，选取了环境场、水汽、抬升和不稳定为主要配料，通过对暴雨配料指标的组合判断得出有、无预报，建立了各类型持续性暴雨的短期预报工具。韩沁哲等[5]利用“配料法”，以数值预报产品为基础，结合常规和非常规气象资料，对历史暴雨进行诊断分析，研究了湖南常见暴雨类型的“配料法”。张小玲等[6]综合环境场动力、热力条件配置和物理“配料”分析了暴雨的“配料法”主观预报方法，利用了数值模式产品追踪有利于暴雨发生的“配料”演变，构建了“配料法”暴雨客观预报方法。

吉林省的暴雨大多数都是在大尺度环流背景下，稳定性降水和对流性降水共同作用下产生的。为了提高暴雨预报能力，本文利用“配料法”，结合学者们的研究，基于EC数据，通过稳定性降水和对流性降水两方面研究吉林省暴雨预报方法，并构建暴雨预报模型，定点预报暴雨的有和无。

2 数据说明与分析方法

2.1 数据说明

所用资料包括吉林省地面常规观测24h降水数据；Micaps的EC各物理量数据以及其24h降水数据。通过研究确定EC物理量选取日常预报员天气分析时常用的产品，最后定为15个物理量产品，即水汽条件产品：比湿Q、相对湿度RH、温度T、露点温度TD、大气可降水量PW；动力条件产品：垂直速度W（500hPa、700hPa和850hPa共3个层次）、散度DIV、涡度VOR；热力条件产品：假相当位温THSE、对流有效位能CAPE、LI指数、K指数；模式降水预报产品RAIN。后面分析描述时各个物理量用大写字母表示，其中CAPE和RAIN24两个物理量数据为0.125°×0.125°格点数据，其他13个物理量数据为0.25°×0.25°格点数据。

2.2 分析方法

收集整理2015—2017年吉林省54个自动站24h暴雨个例，通过统计20—20时24h降水数据，吉林省共出现191站次暴雨。收集整理2015—2017年Micaps的EC模式产品数据，经过整理发现暴雨发生时EC模式产品有10d（30站次）出现资料缺失，出现资料缺失的暴雨个例不做研究，这样研究个例共161站次。

EC模式产品数据15个物理量除模式降水外，其他数据取3 h时间间隔的模式产品数据，时段为24h，即每个物理量取20时后的8个数据文件。吉林省常规自动站为54个，本文所研究的就是定点制作这54个自动站暴雨预报，所以需要把资料处理到54个站点上，以便对比研究。具体各物理量数据处理方法如下：

比湿Q、相对湿度RH和大气可降水量PW：这3个物理量读取850hPa各站点上的8个数据文件，记录各站点上8个数据文件数据的平均值和最大值。

温度T和露点温度TD：读取850hPa各站点数据做差（T-TD），之后取各站点上8个数据文件数据差的平均值和最大值。

垂直速度W：W数据共选取3层（500hPa、700hPa和850hPa），通过读取每层各站点上8个数据文件格点数据的负值（指示上升运动），记录8个数据文件的每层负值文件的个数、负值数据的平均值和最大值，最后取负值个数的最大值为上升运动持续时间，3层负值平均值和最大值为上升速度的强度。

散度DIV和涡度VOR：读取850hPa各站点上的8个数据文件的负值（指示辐合区和气旋性运动），记录各站点上8个数据文件数据负值的次数、负值的平均值和最大值。

假相当位温THSE、LI指数、K指数和对流有效位能CAPE：读取850hPa各站点上的8个数据文件的格点数据，记录各站点上8个数据文件数据的平均值和最大值。而CAPE数据读取各站点的8个数据文件后，用后面一个时次文件上的站点数值减去前面一个时次的文件上的站点数值，如果数值小于0，记为能量释放，最后取8个数据能量释放值的最大值。

模式降水预报RAIN：读取模式的未来24h各站点上的预报降水量值。

3 吉林省暴雨时间与空间分布特征

3.1 暴雨时间分布特征

通过统计分析191站次暴雨个例发现，吉林省暴雨出现时段在每年的5—9月，集中时段为7—8月，其中7—8月暴雨为151站次，占总数的79.1%（图1）；单站最大暴雨降水量为203.9mm，出现在永吉站。

图1 2015—2017年吉林省暴雨各月发生频数

3.2 暴雨空间分布特征

通过统计分析2015—2017年暴雨个例发现，吉林省各站点暴雨主要在2～5次。其中，镇赉站和榆树站没有发生暴雨；白城西部、长春北部＜2次；吉林市的永吉站、吉林站和北大壶站＞5次；尤其是长白站暴雨达到了13次（图2a）。平均暴雨降水量在松原与四平交界一带和延边东部地区量级＞80mm，其他地区在50～80mm（图2b）。

4 EC模式产品与暴雨关系

4.1 水汽条件产品与暴雨关系

通过统计161站次暴雨与Q、RH、T-TD和PW之间关系发现，发生暴雨时对Q的要求比较高，在7—8月发生暴雨时Q的最大值都＞8.7g/kg，平均值都＞7.5g/kg；5月和9月Q的最大值＞6.8g/kg，平均值＞5.6g/kg。RH最大值都＞85.7%，RH表征空气饱和程度，只要出现降水或空气湿度较大时其值都是较大的，通过统计发现其对暴雨预报指示意义不大。850hPa的T-TD对暴雨指示意义并不好，其平均值从0.007～9.4℃都有，对暴雨预报参考价值较小。发生暴雨时PW最大值都＞38mm，平均值都＞30.3mm，发生暴雨时PW需要较大（图3）。

图3 PW和Q与暴雨的关系

4.2 动力条件产品与暴雨关系研究

通过分析161站次VOR、DIV和W与暴雨发生关系发现，发生暴雨时模式DIV最大值96.9%都为负值（辐合区），值在-3/s～-960/s，集中区域为-20/s～-400/s；平均值也是96.9%都为负值，值在-3/s～-293/s，集中区域为-10/s～-200/s（图4）。模式VOR与暴雨发生对应关系并不明显，发生的161站次暴雨中其最大值74.8%为负值（气旋性运动），值在0～-56×10-5/s，平均值在0～-40×10-5/s。通过分析161站次W（500hPa、700hPa、850hPa平均值）与暴雨发生关系发现，发生暴雨时W值为负（上升运动），持续时间基本在6h以上，占统计次数的96.9%；W最大值也都为负值，范围在-10～-740Pa/s；平均值范围为-10～-390Pa/s，主要区域为-20～-200Pa/s。

图4 DIV与暴雨关系

4.3 热力条件产品与暴雨关系

通过分析161站次THSE、CAPE、LI指数和K指数与暴雨发生关系发现，发生暴雨时K指数在6—8月最大值为25～42℃，平均值为20～40℃；CAPE在发生暴雨时都有能量释放，释放值在1～2 000J/kg，主要集中在20～1 400J/kg；LI指数负值最大值在-15～0℃，集中区域在-3～0℃，平均值在-10～0℃，集中区域在-2.3～0℃；THSE最大值都大于314K，平均值都＞310K（图5）。

图5 LI指数和K指数与暴雨关系

5 预报方法建立

5.1 预报因子筛选

通过统计分析EC模式15个要素发现（表1），RH、K指数、LI指数、VOR、THSE对暴雨预报指示意义不好，没有突出指示性。RH只要发生降水或雾类天气，空气湿度较大时其值都是接近100%的；在6—8月THSE、K指数值一般都是比较大的，需要天气系统配合时才可以进一步分析其对降水的影响；LI指数指示对流性不稳定，统计分析发现发生暴雨时LI指数波动区间并不稳定；VOR指示气旋的旋转程度，并不是单纯的指示暴雨天气，VOR值并不总是很大的。研究发现，Q、PW对于暴雨预报指示意义较好，发生暴雨时Q和PW值都要求比较大。比湿在5月和9月最大值要＞6.8g/kg，6—8月最大值都＞8.7g/kg；大气可降水量PW发生暴雨时最大值都＞38mm。W表征空气上升运动，发生暴雨时必须有动力条件，而且W值要大一些，所以把W纳入预报因子，将W为负值的文件个数×3h记为降水时间。T-TD水汽指示通过Q表示。DIV辐合情况通过W表示。CAPE通过用后一个时次数据减去前一个时次数据，之后取24h内的最大值，用来表征能量释放的情况，通过统计发生暴雨时都会有能量的释放，值不必太大，当值比较大，同时水汽条件特别好，这时考虑会出现短时强降水。最后模型建立取4个因子Q、PW、W和CAPE，再利用EC模式24h站点降水量进行对比订正。

表1 发生暴雨时对应的EC物理量值

5.2 建立预报方程

稳定性降水预报方程：

式中，SP为预报站稳定性降水指数；Wk为850hPa的24h内W为负值的次数；Q1为平均比湿值；PW1为平均整层大气可降水量；W为500hPa、700hPa和850hPa平均垂直速度。

对流性降水预报方程：

式中，CP为预报站对流性降水指数；CAPE为后一个时次数据减去上一个时次数据的差值，对流性降水时一般为负值；Q2、PW2均取其最大值。

5.2.1 预报时间段为5月20日至9月15日时，控制因子设定为Q2＞9g·kg-1；Q1＞8.6g·kg-1；PW2＞48mm；PW1＞44.9mm。预报站点满足控制因子后开始计算。

将EC模式降水产品纳入阈值因子，预报的方法定义为FY方法，预报有暴雨时FY=1；无暴雨时FY=0。FY预报方法如下：

ECrain＞52，如果SP＞2 000，CP＞10，则FY=1，否则FY=0；45＜ECrain≤52，如果SP＞1800，CP＞50，则FY=1，否则FY=0；30＜ECrain≤45，如果SP＞1 900，CP＞350，则FY=1，否则FY=0；19＜ECrain≤30，如果SP＞2 200，CP＞1 100，则FY=1，否则FY=0；10＜ECrain≤19，如果SP＞2 500，CP＞1 500，则FY=1，否则FY=0。

不将EC模式降水产品纳入阈值因子，预报的方法定义为FF方法，预报有暴雨FF=1；无暴雨FF=0。FF预报方法如下：

5.2.2 预报时间段为4月20日—5月19日和9月16—30日时，控制因子设定为Q2＞6.5g·kg-1；Q1＞5.4g·kg-1；PW2＞33mm；PW1＞29mm。预报站点满足控制因子后开始计算。

将EC模式降水产品纳入阈值因子，预报的方法定义为FY方法，预报有暴雨时FY=1；无暴雨时FY=0。FY预报方法如下：

ECrain＞45，如果SP＞1600则FY=1，否则FY=0；30＜ECrain≤45，如果SP＞1 800，则FY=1，否则FY=0；19＜ECrain≤30，如果SP＞2 300，CP＞1 100，则FY=1，否则FY=0；10＜ECrain≤19，如果SP＞2 800，CP＞1 500，则FY=1，否则FY=0。

不将EC模式降水产品纳入阈值因子，预报的方法定义为FF方法，预报有暴雨FF=1；无暴雨FF=0。FF预报方法如下：

SP＋CP＞1 600，则FF=1；否则FF=0。

6 预报方法检验分析

利用该模型对2015—2017年5—10月进行了暴雨预报，其中模式数据缺失的不纳入计算（表2）。3a共出现161站次暴雨，有EC阈值的预报方法（用FY表示）预报了184站次，正确63站次；没有阈值（用FF表示）的预报了1 186站次，正确102站次；EC模式（用EC表示）本身预报了110站次，正确40站次。

表2 2015—2017年算法预报

通过计算FY、FF、EC预报结果的准确率、空报率和漏报率发现（表3），FY方法TS评分为22.34%，EC模式预报TS评分为17.32%，FY方法比EC模式预报TS评分高5.02%；FY方法漏报率为60.87%，EC模式预报漏报率为75.16%，FY方法漏报率比EC模式预报低14.29%，所以FY方法在暴雨漏报上明显要好于EC模式预报；FY方法空报率为65.76%，EC模式预报空报率为63.64%，FY方法空报略多；综合分析FY方法要好于EC模式预报。FF方法预报TS评分为8.19%，明显小于EC模式预报，但FF方法漏报率为36.65%，明显低于EC模式的75.16%。所以FF方法TS评分偏低，FY方法漏报率偏高，这样通过预报员结合FY方法和FF方法的预报结果，配合预报员主观分析，进行合理订正，对于暴雨的预报准确率会明显提高，大大好于EC模式预报。

表3 FY、FF、EC预报方法的预报检验 %

7 结语

（1）2015—2017年吉林省暴雨年出现时段为5—9月，集中时段为7—8月，7—8月降水站次占总数的79.1%，吉林省各站点暴雨次数以2～5次为主，白城西部、长春北部＜2次，东部暴雨次数多，尤其是长白山天池站三年内暴雨达到了13次。

（2）通过研究发现比湿、整层大气可降水量、垂直速度、对流有效位能对暴雨预报指示意义较好。对于吉林省夏季发生暴雨比湿要≥8.7g·kg-1，而且持续时间要维持较长；整层大气可降水量＞38mm。

（3）该预报方法结果要好于EC模式降水，尤其是当EC模式预报站点降水量＞40mm，如果FY方法也对本站做出暴雨预报，该站出现暴雨概率特别高。

（4）该预报方法完全基于EC数值预报产品进行研究，当EC数值预报偏差过大，预报能力较弱，使用时注意模式与实况对比检验，同时与其他模式进行对比分析。