雷暴云的集合預報技術及其應用

王佳，智協飛，陳鈺文，商兆堂，白卡娃

(1．南京信息工程大學氣象災害省部共建教育部重點實驗室，江蘇南京210044; 2．江蘇省人工影響天氣辦公室，江蘇南京210008;3．江蘇省氣象局，江蘇南京210008)

雷暴云的集合預報技術及其應用

王佳1，2，智協飛1，陳鈺文2，商兆堂3，白卡娃2

(1．南京信息工程大學氣象災害省部共建教育部重點實驗室，江蘇南京210044; 2．江蘇省人工影響天氣辦公室，江蘇南京210008;3．江蘇省氣象局，江蘇南京210008)

以中尺度非靜力WRF模式的格點預報結果作為云模式的初值集合，經云模式的多初值雷暴預報及預報結果的集合分析，建立了雷暴云的集合預報方法。將該方法應用于南京周邊地區未來一天雷暴天氣的特征預報，并利用南京夏季9個雷暴天氣的多普勒雷達資料(SCIT，storm cell identification and tracking)進行預報效果的檢驗。結果表明，雷暴云的集合預報對研究區域內未來一天雷暴強度、分布預報效果較好，尤其對強雷暴的分布有較強的預警預測能力。此外，雷暴持續時間概率密度分布的集合預報產品，在雷暴影響范圍概率預報上的應用，提高了雷達對雷暴的預警監測能力。

雷暴;積云尺度;集合預報;概率密度分布;效果檢驗

Abstract:A thunderstorm ensemble forecasting approach is performed by the ensemble analysis of the cloud model’s forecast results according to the initial condition aggregation provided by the grid forecast results of the mesoscale non-hydrostatic WRF model．The approach is applied to forecast the characteristics of thunderstorm around Nanjing one day in advance and is verified by the Doppler radar data of the thunderstorms in summer in Nanjing．Results show that the intensity and distribution of thunderstorms over the research area is reasonably predicted one day in advance．It is particularly good to forecast the distribution of the strong thunderstorms by using the ensemble forecasting technique．Moreover，the application of the PDF(probability density function)of thunderstorms’duration into the probability forecasting of the influenced area of thunderstorms improves the radar’s warning and monitoring capacity of local thunderstorms．

Key words:thunderstorm;convective scale;ensemble forecasting;probability density function;verification

0 引言

雷暴是一種伴有雷電、大風、暴雨，甚至冰雹、龍卷等災害性天氣的中小尺度天氣過程，由于尺度小、變化快、局地特征明顯，一直是天氣預報業務的重點和難點。為此，國內外許多學者針對雷暴預報方法開展了許多研究。研究認為，雷暴是在特定的環境場條件下產生的(郝瑩等，2007)，因此業務上最常用的方法是天氣學分型，結合探空資料計算環境場能量、動力、熱力不穩定參數，判斷環境條件是否有利于雷暴生成與發展(何立富等，2011)，該方法時空分辨率低、主觀性強，經常會誤導預報員(Stensrud et al．，1997)。隨著雷達、衛星監測系統建設趨于完善，基于雷達、衛星資料的雷暴識別跟蹤和外推預報技術，也逐步應用于雷暴的臨近預報，其缺陷是預報實效短，準確率低(Wilson et al．，1998)。近年來，數值天氣預報及其同化技術的迅速發展，使得中尺度數值模式對雷暴的預報能力加強，然而由于模式本身spin-up問題存在，導致中尺度模式至今不能取代臨近預報的外推法(Donner，1988)。云尺度數值模式采用“熱啟動”(陳寶君和宋娟，2006)，有效解決了spin-up問題，且較高的時空分辨率、詳細的微物理過程，使得模式對雷暴結構模擬的可信度顯著提高，云模式也已成為探索雷暴預報的有效工具。美國NCAR利用一個云尺度數值模式，通過邊界層輻合線特征與雷暴以及云特征信息的相互結合，進行雷暴的臨近預報(Mueller et al．，2003)。ND(Kopp and Orville，1994)、ST-91(Brooks et al．，1993)、ST-95(Wicker et al．，1997)等一系列雷暴預報試驗結果表明，利用云模式進行雷暴預報的關鍵是如何獲得準確的初始狀態。初始狀態的不確定性(Toth et al．，2001)，可能使數值預報結果在較短的預報時段內遠離真實大氣(Toth，1991)。針對這種不確定性，Leith(1974)提出了集合預報理論，他認為天氣預報問題不是確定性預報，而應該是在大氣相空間中合適的概率密度函數(PDF，probability density function)隨時間的演變，即由定量預報向概率預報轉變，并給出確定性預報的可信度指標，最終提高預報準確率。本文根據集合預報理論，采用新的初值集合法，建立了雷暴云的集合預報方法，即利用中尺度WRF模式的輸出結果構建初始狀態集合，從這個初始狀態集合出發，通過IAP(Institute of Atmospheric Physics)三維對流云模式，得到相應的、包含多個預報結果的集合，再通過預報結果集合的分析，預報未來一天雷暴的天氣特征。文中將該方法應用于南京周邊地區夏季雷暴強度和分布預報，并利用實時多普勒雷達資料對預報效果進行初步檢驗。

1 集合預報方法

與傳統的初值集合預報方法不同，本文不是在基本狀態下疊加擾動來構建初值集合，而是利用中尺度WRF模式不同時刻輸出的格點資料，建立初值集合，利用時空不連續的初值，進行雷暴云的集合預報。

詳細的預報方法、流程，見圖1。首先，確定預報區域、時效及內容。以南京為中心、100 km為半徑建立預報區(圖1，虛線所示)，重點針對區域內未來24 h的雷暴天氣強度和分布特征進行預報。其次，建立初值集合。初值來源于中尺度WRF模式的格點預報結果，考慮夏季南京周邊地區雷暴多發生在午后至夜間，主要提取WRF模式14、17、20、23時(北京時，下同，初始預報時刻02時)各12個格點預報結果(圖1，實點)，作為初始條件，共48個初始條件組成了集合預報的集合成員。接著，進行多初值的雷暴預報。分別利用初值集合中48個時空不連續的初始條件，采用IAP三維對流云模式，得出48個預報結果的集合。最后，對預報結果集合分析。48個預報結果代表了整個研究區域內雷暴特征，且權重相同，經概率統計分析，預報南京周邊區域未來24 h的雷暴強度、分布特征。

其中，中尺度WRF模式水平區域取71×71，格距為40 km的網格點，垂直方向分為31層，模式頂氣壓為50 hPa。初始場及邊界條件由NCEP每6 h一次1°×1°的再分析資料4點雙線性插值得到。積分時間從每天02時開始，積分24 h，時間步長為60 s，每3 h輸出一次結果。模式采用MRF(model range forecast)邊界層方案，Kain-Fritsch積云對流參數化方案，WSM-6(WRF single-moment 6-class scheme)微物理過程方案，RRTM(rapid radiative transfer model)長波輻射和Dudhia短波輻射方案，模式中心與南京多普勒雷達中心一致。

云模式采用IAP三維時變完全彈性非靜力分檔云模式(郭學良等，2001;李艷偉等，2006)，該模式將水成物分為云水、雨水、云冰、雪團以及霰/雹五個大檔，并根據Berry(1968)提出的指數分檔方法將霰和冰雹分為21檔，37種詳細的微物理過程適用于雷暴云尺度特征的研究。云模式的區域范圍選為70 km×70 km×18.5 km，垂直分辨率為0.5 km，水平分辨率為2 km，總積分時間為90 min，積分步長為10 s。初始擾動采用對流濕熱泡擾動方式，擾動溫度統一取為2.5℃，擾動中心為3 km高度上的水平區域中心，擾動水平半徑為14 km，垂直半徑為3 km。

圖1 雷暴云的集合預報方法示意(圖中第二圈內為研究區域，每圈半徑50 km，實點與空點距離為40 km，虛線將研究區域分為21個小區域。星號表示某天監測到已持續36 min的雷暴，該雷暴沿紅線到達紅星號的概率為50%以上，沿黃線到達黃星號的概率為25%～50%，沿綠線到達綠星號的概率為25%以下)Fig．1The schematic diagram of the thunderstorm ensemble forecasting(The research area is divided into 21 small areas by the dashed lines and is situated within the second circle．The distance between every two adjacent circles (black and white dots)is 50(40)km．The asterisk represents a thunderstorm lasting for 36 minutes detected on a given day，which could reach the red asterisk along the red line at a probability of 50%，the yellow asterisk along the yellow line at a probability of 25%—50%，the green asterisk along the green line at a probability of under 25%)

云模式的初始場(溫度、濕度和風場)是由WRF模式的預報結果給出的，且云模式主要是通過在初始場上疊加濕熱泡擾動來啟動對流的發展，因此WRF模式溫濕場、風場的預報是否準確直接影響云模式對雷暴云的預報效果。將WRF模式各層24 h預報的位溫、相對濕度、風場，與同時刻的NCEP再分析資料，進行平均誤差分析(圖2)及K-S分布檢驗(Blum and Rosenblatt，1972;圖3)。結果發現，溫濕度場最大預報誤差位于700 hPa，誤差分別達0.6 K、－6%，且700 hPa附近中層大氣溫濕度場的分布預報差異明顯;濕度場除中層大氣外，低、高層分布預報均出現了顯著偏差，預報效果最差;盡管風場的分布預報效果較好，但低層偏西南風，導致低層偏濕。綜上，WRF模式對溫濕場的預報存在誤差，如果利用WRF模式及云模式，對雷暴個體進行單一確定性預報，效果可能不會理想。然而，本文主要是針對一定區域范圍內未來一天的雷暴強度、分布特征進行概率預報，而不是預報特定點上的雷暴個體，因此初始場上的誤差，不能否定雷暴云的集合預報方法，最大限度的從集合預報結果中提取有效信息，預報區域內未來一天的雷暴特征是可行的。

圖2WRF模式各層θ(a;單位:K)、RH(b;單位:%)、u(c;單位:m/s)、v(d;單位:m/s)24 h預報誤差(虛線表示預報誤差為0)Fig．2The 24 h forecast error of the(a)θ(K)，(b)RH(%)，(c)u(m/s)，and(d)v(m/s)at every layer from the WRF model(The dashed line indicates that the error is 0)

圖3WRF模式各層θ(a)、RH(b)、u(c)、v(d)24 h預報K-S分布檢驗(橫坐標表示顯著性水平，虛線表示0.05的顯著性水平)Fig．3The 24 h forecast K-S distribution test of the(a)θ，(b)RH，(c)u，and(d)v at each layer from the WRF model (The abscissa represents the significance level;the dashed line denotes the significance at 95%confidence level)

2 集合預報的效果檢驗

目前多普勒雷達對雷暴信息的跟蹤(SCIT，storm cell identification and tracking)準確率達90%以上(俞小鼎等，2006)，因此集合預報效果檢驗采用2005—2007年南京夏季7、8月9 d多普勒雷達的雷暴信息跟蹤資料，其中效果檢驗分為雷暴強度和分布檢驗。為了捕捉南京周邊地區100 km范圍內的雷暴總體特征，對雷暴統計標準確定如下:1)雷暴持續時間大于18 min;2)雷暴最大回波強度大于40 dBZ。根據以上標準對實時雷達資料進行統計，9 d內共有468個雷暴。

2.1 雷暴強度的預報及檢驗

雷暴強度用雷暴的持續時間表示，雷暴持續時間的確定由超過某一最大垂直速度臨界標準的時間長度計算，且為了與實況雷暴統計標準一致，當雷暴持續時間超過18 min才記為一次雷暴。對每天觀測和預報的所有雷暴持續時間進行統計，并將其轉化為非參數概率密度函數，以該函數的分布情況表示區域內雷暴強度的總體特征，并利用高斯核密度估計方法(Silverman，1986)平滑該函數，平滑的時間間隔取6 min，與南京多普勒雷達監測的時間間隔相同。由于云模式積分時間長度為90 min，因此概率密度函數的自變量范圍取(0，90)。當觀測的雷暴持續時間大于90 min，統一記為90 min。最后，通過計算實況和預報的雷暴持續時間概率密度函數的歐幾里德距離(L2范數)，對集合預報的雷暴強度預報效果進行檢驗，歐幾里德距離越小說明預報與實況越接近。

由于雷暴持續時間的確定是以某一最大垂直速度為臨界標準，因此首先需要確定最大垂直速度臨界值。圖4給出了在不同最大垂直速度臨界值下，預報和實況的雷暴持續時間概率密度函數歐幾里德距離(L2范數)，橫坐標為最大垂直速度臨界值，縱坐標為L2范數。由圖可知，最大垂直速度以7.5 m/s為臨界值時，預報與實況的歐幾里德距離最小，預報效果最佳。

圖4 不同最大垂直速度臨界值下預報和實況的雷暴持續時間概率密度函數歐幾里德距離Fig．4The Euclidean distance between the forecasted and observed PDFs of the thunderstorm's duration as a function of the threshold for the maximum updraft

根據圖4的結論，以最大垂直速度7.5 m/s為臨界標準，9 d模式共預報出了408個雷暴，與實況468個雷暴接近。進一步分析實況和以7.5 m/s為臨界值預報的雷暴持續時間概率密度分布(圖5)發現，分布都呈雙峰型，預報的峰型比實況明顯;實況雷暴持續時間概率密度極值分別為30、72 min，生命期達30 min的雷暴數最多，而預報的概率密度極值分別為36、72 min;由于預報的36 min的雷暴數最多，比實況極大值偏長6 min，使得整個預報的概率密度分布位相落后于實況。此外，生命期達48～60 min雷暴概率預報與實況基本一致，30～42 min、66～78 min雷暴概率預報偏高。由于實況統計中把大于90 min雷暴統一歸為90 min，使得84 min以上的超強雷暴預報較實況明顯偏低，但若以66 min為界，以大于66 min的概率代表當天強雷暴發生的概率，則預報的強雷暴平均概率與實況基本一致。

圖5 9 d南京周邊地區100 km范圍內預報未來1 d內雷暴持續時間概率密度分布(虛線)與實況(實線) (豎線代表兩概率密度分布的歐幾里德距離)Fig．5The 9 days'forecasted(dashed)and observed(solid)PDFs of the thunderstorm's duration of one day in advance within 100 km around Nanjing(The ordinate represents the Euclidean distance between the two PDFs)

綜上所述，9 d中雷暴持續時間的概率密度分布與實況基本一致，9 d預報中有5 d預報結果與實況非常接近(圖6)。總體來說，積云尺度集合預報對南京100 km范圍內中等以上強度雷暴的預報效果較好。

2.2 雷暴分布預報及檢驗

區域內未來一天雷暴分布的預報方法見圖1。以WRF模式預報格點為中心，將南京周邊地區100 km范圍均勻的分為21個小區域，如果集合預報成員中有一個報出某一小區域會發生雷暴，就代表未來一天該小區域會出現雷暴天氣。

對預報與觀測結果的一致性進行分類，A表示預報與實況結果均有雷暴，B表示預報有雷暴但實況無雷暴，C表示預報無雷暴但實況有雷暴，D表示預報與實況結果均無雷暴。按照以上的分類結果，通過計算探測準確率IPOD(probability of detection，POD)、探測失誤率IPOFD(probability of False detection，POFD)、誤報率IFAR(false alarm rate，FAR)、關鍵成功指數ICSI(critical success index，CSI)及真實技術評分ITSS(true skill statistic，TSS)各種參數，定量分析預報準確性。各指數計算公式如下

雷暴分布預報的檢驗，主要參考ROC(relative operating characteristics)曲線圖(圖7)。首先根據上述2×2列聯表分析法，以30、36、42、48、54、60、66、72 min為臨界值，計算對持續時間大于各臨界值的雷暴分布預報的POD和POFD指數;其次，以POD指數為Y坐標、POFD指數為X坐標，將指數的計算結果繪制在該坐標系內(圖7，圓點);最后，用直線連接各點，畫出ROC曲線，并計算曲線下方的面積(圖7，斜線區)，最大面積為1，表示預報技巧最佳，如果曲線與虛線重合，面積為0.5，說明集合預報方法對區域內雷暴位置的預報技巧為0。實際的ROC曲線高于虛線，曲線下方的面積約為0.65，說明該集合預報方法對南京周邊地區雷暴分布預報是有技巧的，尤其對大于42、48、66 min的雷暴分布預報效果較好。

2.3 強雷暴預報效果對比分析

雷暴預報更多地關注局地強雷暴發生的概率及分布情況，因此集合預報方法對強雷暴發生概率及分布預報準確率高低直接決定該預報方法的優劣。

圖6 南京周邊地區100 km范圍內預報未來1 d內雷暴持續時間概率密度分布(虛線)與實況(實線)a．2007年8月2日;b．2006年8月26日;c．2006年8月7日;d．2006年8月6日; e．2005年8月17日Fig．6The forecasted(dashed)and observed(solid)PDFs of the thunderstorm's duration of one day in advance within 100 km around Nanjinga．August 2，2007;b．August 26，2006;c．August 7，2006;d．August 6，2006;e．August 17，2005

以2006年8月7日為例，圖6c虛線為集合方法預報當天南京周邊100 km范圍內雷暴持續時間概率密度分布，與實況(圖6c實線)相似，預報顯示該地區產生強雷暴(本文取持續時間66 min以上的雷暴)的可能性較大，實況也證明該地區的確出現了強雷暴。圖8紅色符號，代表當天的強雷暴分布實況，“紅R”表示強雷暴區，實況顯示中部、東部出現了強雷暴天氣;圖8綠色符號，代表集合預報當天的強雷暴分布，“綠+”表示強雷暴區，預報結果也顯示南京周邊地區100 km內中部、東北部有強雷暴天氣，預報的探測準確率(POD)達100%，誤報率(FAR)僅有37.5%，關鍵成功指數(CSI)及真實技術評分(TSS)較高，分別為62.5%、57.1%，強雷暴分布的集合預報與實況接近。

然而，利用WRF模式進行單一確定性的預報，并計算K指數，如圖8等值線，為K指數減去40后的預報結果。由圖可知，南京周邊地區100 km范圍內K指數均小于40，發生強對流天氣的可能性小(周后福等，2006)，且西部的不穩定性高于東部，西部更易產生強雷暴天氣，這與實況不符。

綜上，集合預報效果要明顯好于WRF模式的單一確定性預報。

其次，一個場景內，需要各式各樣，年代和狀況各有不同的建筑，這對于保證區域的地價水平有重要作用。區域內需要有大型企業對產業起到引領作用，因此需要高端商業區域；同時區域也需要考慮小型企業、個人工作室的需求，因此需要相對老舊的房屋場所。同樣多樣化的房屋可以保證地租水平的穩定，減少居民必要支出，釋放消費潛力。在許多對文化創意產業的研究中都發現，地租水平是影響文化創意產業發展的重要因素，差異化的地租，對建立多樣化人群的社交網絡有重要影響。

3 集合預報產品應用

經效果檢驗，積云尺度集合預報對區域內未來一天雷暴持續時間的概率密度分布預報效果較好。因此，可以利用該概率密度分布結合雷達的實時監測，預報區域內某一雷暴的影響范圍，從而提高雷達對雷暴的預警監測能力。

以2007年8月2日為例，預報流程如下:首先，利用雷暴云的集合預報方法，預報某天南京周邊地區雷暴持續時間概率密度分布(圖6a)。其次，根據上述預報結果，結合雷達已監測到的某個雷暴生命期t1，采用Bayesian公式和條件概率，重新計算該雷暴持續時間達t2(大于t1)的概率密度分布，表示在雷暴持續時間已達t1的事實下，未來該雷暴繼續維持t2的概率密度分布(圖9)。接著，根據新的概率密度分布，確定雷暴持續時間達t2的概率曲線(圖10)。最后，結合雷達監測到的雷暴移向D、移速V，確定該雷暴沿D向到達前方V×(t2－t1)處的概率，就是雷暴持續時間達t2的概率;并按概率分級，進行影響區區劃(圖1星號及有色軌線)。

圖7集合預報雷暴分布預報效果ROC圖(圓圈從右上向左下分別表示預報持續時間達30、36、42、48、54、60、66、72 min以上的雷暴POD和POFD值，斜線區面積約為0.65)Fig．7The ROC diagram of the thunderstorm distribution from the ensemble forecast(The dots are the POD and POFD of the distribution forecast of thunderstorms which last for at least 30，36，42，48，54，60，66，72 minutes from the upper right to lower left．The slash area is about 0.65)

圖6a虛線，為集合預報的當天南京周邊地區雷暴持續時間概率密度分布;圖9陰影表示雷達已監測到某一雷暴持續時間達36 min。根據Bayesian公式及條件概率，重新計算該雷暴持續時間大于36 min的概率密度分布，如圖9陰影右側曲線，其中圖9橫線及斜線區域分別代表未來雷暴持續時間達37～42、43～48 min的概率。再利用調整后的概率密度分布，計算該雷暴生命期大于36 min的概率曲線(圖10)，并將概率曲線分為大于0.5、0.5～0.25、小于0.25三部分，曲線上各點表示未來該雷暴生命期繼續達某一時間的概率。最后，結合雷達監測到的雷暴移向移速，預測該雷暴的影響區域。影響區域依據圖10的概率分級，相應的分為紅、黃、綠三個影響區(圖1)，紅區表示雷暴影響概率大于50%的一級警戒區，需發雷暴警報;黃區表示雷暴影響的概率在25%～50%的二級警戒區，需密切關注雷暴的發展趨勢，判斷雷暴對該地區的影響可能性;而綠區受雷暴影響的概率相對較小。

圖82006 年8月7日集合方法、WRF模式預報未來一天研究區域內強雷暴分布與實況對比圖(紅色、綠色符號分別代表集合預報結果、實況，“紅R”及“綠+”為強雷暴區，等值線為WRF模式預報的K指數減去40后的等值線)Fig．8The ensemble forecast，the WRF model forecast and the observed distribution of a strong thunderstorm in the research area(The red and green symbols represent the ensemble forecast and the observation respectively．The“red R”and“green+”are the strong thunderstorm area;the contour lines indicate the K index-40 from the WRF model forecast)

圖92007 年8月2日生命期達36 min的雷暴調整后持續時間概率密度分布(陰影區為首次預報36 min內的概率密度分布;陰影區右側為調整后的概率密度分布;橫線及斜線區域分別代表未來該雷暴達36～42、43～48 min的概率)Fig．9The PDF of the adjusted thunderstorm's duration of 36 minutes on August 2，2007(The shaded area represents the forecast PDF distribution within 36 minutes，while the right side of the shaded area represents the rescaled PDF．The horizontal and slash lines denote the probability of the thunderstorm with durations of 36—42 and 43—48 minutes，respectively)

圖10 根據圖9預報未來該雷暴生命期的概率(兩條虛線分別代表概率達50%、25%的分界線)Fig．10The probability of the forecasted thunderstorm's duration according to Fig．9(The two dashed lines denote 50%and 25%thresholds，respectively)

4 小結

本文將中尺度非靜力WRF模式與一個三維對流云模式相結合，建立了積云尺度集合預報方法，該方法對雷暴預報有重要的指導意義，將其應用于南京周邊地區雷暴天氣的特征預報，得到下列幾點結論。

1)夏季南京周邊地區WRF模式24 h預報的位溫、濕度、風場(云模式初始條件)的誤差分析及KS分布檢驗表明，WRF模式預報的云模式初始場存在誤差，其中中層大氣(700 hPa附近)的溫濕場誤差最大，而低層偏西南風，使得低層偏濕，導致濕度場的預報最差。誤差的存在，說明采用中尺度WRF模式，針對某個雷暴進行單一確定性預報，可能不會理想，因此需采用雷暴云的集合預報方法，針對一定區域內未來一天的雷暴特征進行概率預報，并最大限度從集合預報結果中提取雷暴的特征。

2)雷暴云的集合預報技術對夏季南京周邊地區100 km范圍內未來一天雷暴強度的預報效果較好，以最大垂直速度7.5 m/s為臨界值，對集合預報結果統計分析，有效地預報出了雷暴數量、持續時間的概率密度、分布區域，預報結果與實況接近。尤其對局地強雷暴發生及分布預報效果明顯優于WRF模式單一確定性預報。

3)集合預報產品的應用，特別是將雷暴持續時間概率密度分布的預報，與雷達實測相結合，采用Bayesian公式和條件概率，建立了某個雷暴生命期的概率預報，并根據雷暴的移向、移速，進行雷暴影響區區劃，提高了雷達對雷暴的預警監測能力。

4)本文僅針對出現雷暴天氣的個例，開展了預報效果檢驗，對非雷暴個例的預報效果尚未檢驗，在全面業務推廣該技術前，還需增加對非雷暴個例的預報效果檢驗。此外，云模式的啟動、WRF模式的參數化方案等均采用統一標準，因此云模式啟動的擾動大小、范圍及WRF模式的不同參數化方案，對集合預報結果的影響還需進一步研究。

陳寶君，宋娟．2006．人工增雨降溫機理的數值模擬研究:對流云個例試驗［J］．氣象科學，26(1):47-52．

郝瑩，姚葉青，陳焱，等．2007．基于對流參數的雷暴潛勢預報研究［J］．氣象，33(1):51-56．

何立富，周慶亮，諶云，等．2011．國際級強對流潛勢預報業務進展與檢驗評估［J］．氣象，37(7):777-784．

李艷偉，鄭國光，杜秉玉，等．2006．青海省秋季一次對流云人工增雨的數值模擬［J］．南京氣象學院學報，29(3):328-335．

俞小鼎，姚秀萍，熊延南，等．2006．多普勒天氣雷達原理與業務應用［M］．北京:氣象出版社．

周后福，邱明燕，張愛明，等．2006．基于穩定度和能量指標作強對流天氣的短時預報指標分析［J］．高原氣象，24(4):716-722．

Berry E X．1968．Modification of the warm rain process［C］．New York:Proc．of 1st National Conference on Weather Modifi．

Blum J R，Rosenblatt J I．1972．Probability and statistics［M］．Philadelphia:Saunders．

Brooks H E，Doswell C A，Wicker L J．1993．Stormtipe:A forecasting experiment using a three-dimensional cloud model［J］．Wea Forecasting，8(3):352-362．

Donner L J．1988．An initialization for cumulus convection in numerical weather prediction models［J］．Mon Wea Rev，116(5):377-385．

Kopp F J，Orville H D．1994．The use of a two-dimensional，time-dependent cloud model to predict convective and stratiform clouds and precipitation［J］．Wea Forecasting，9(1):62-77．

Leith C E．1974．Theoretical skill of Monte Carlo forecasts［J］．Mon Wea Rev，102(6):409-418．

Mueller C，Saxen T，Roberts R，et al．2003．NCAR auto-nowcast system［J］．Wea Forecasting，18(4):545-561．

Silverman B W．1986．Density estimation for statistics and data analysis［M］．London:Chapman and Hall．

Stensrud D J，Cortinas J V Jr，Brooks H E．1997．Discriminating between tornadic and non-tornadic thunderstorms using mesoscale model output［J］．Wea Forecasting，12(3):613-632．

Toth Z．1991．Estimation of atmospheric predictability by circulation analogs［J］．Mon Wea Rev，119(1):65-72．

Toth Z，Zhu Y J，Marchok T．2001．The use of ensemble to identify forecasts with small and large uncertainty［J］．Wea Forecasting，16 (8):463-477．

Wicker L J，Kay M P，Foster M P．1997．Stormtipe-95:Results from a convective storm forecast experiment［J］．Wea Forecasting，12 (3):388-398．

Wilson J W，Crook N A，Mueller C K．1998．Nowcasting thunderstorms:A status report［J］．Bull Amer Meteor Soc，79(10): 2079-2099．

(責任編輯:劉菲)

The ensemble forecasting technique of the thunderstorm and its application

WANG Jia1，2，ZHI Xie-fei1，CHEN Yu-wen2，SHANG Zhao-tang3，BAI Ka-wa2
(1．Key Laboratory of Meteorological Disaster of Ministry of Education，NUIST，Nanjing 210044，China; 2．Jiangsu Provincial Weather Modification Office，Nanjing 210008，China; 3．Jiangsu Provincial Meteorological Bureau，Nanjing 210008，China)

P456.7

A

1674-7097(2012)04-0458-08

王佳，智協飛，陳鈺文，等．2012．雷暴云的集合預報技術及其應用［J］．大氣科學學報，35(4):458-465．

Wang Jia，Zhi Xie-fei，Chen Yu-wen，et al．2012．The ensemble forecasting technique of the thunderstorm and its application［J］．Trans Atmos Sci，35(4): 458-465．(in Chinese)

2011-06-17;改回日期:2011-10-08

江蘇省氣象局開放基金(KM201107;K201009);國家重大科學研究973計劃項目(2012CB955200);江蘇高校優勢學科建設工程資助項目(PAPD)

王佳(1983—)，男，江蘇南京人，博士生，研究方向為集合預報技術，nanjingwangjia2008@yahoo．com．cn．