基于FY2C數(shù)據(jù)的平均box方法預(yù)報(bào)對(duì)流初生

徐慧

（中國(guó)海洋大學(xué) 信息科學(xué)與工程學(xué)院，山東 青島 266100）

我國(guó)強(qiáng)對(duì)流天氣頻發(fā)，常常導(dǎo)致重大人員傷亡和財(cái)產(chǎn)損失。比如，2005年6月10日下午，黑龍江寧安市沙蘭鎮(zhèn)沙蘭河上游山區(qū)突降暴雨，導(dǎo)致包括103名學(xué)生、2名幼兒在內(nèi)共117人遇難；2009年6月3、5和14日華東連續(xù)出現(xiàn)強(qiáng)對(duì)流天氣，11月9日我們南方出現(xiàn)罕見(jiàn)強(qiáng)對(duì)流天氣。

據(jù)統(tǒng)計(jì)，2001-2007年強(qiáng)對(duì)流災(zāi)害所造成的直接經(jīng)濟(jì)損失每年均在110億元以上，占?xì)庀鬄?zāi)害全部損失的6%～15%；2009年強(qiáng)對(duì)流天氣則是我國(guó)第3大氣象災(zāi)害，僅次于干旱和暴雨洪澇。所以準(zhǔn)確預(yù)報(bào)CI（Convective Initiation）是近年來(lái)國(guó)內(nèi)外研究的熱點(diǎn)之一。

世界氣象組織（WMO）定義，短時(shí)預(yù)報(bào)（very short-range forecasting VSRF）是指0～12 h以內(nèi)的天氣預(yù)報(bào)。對(duì)流天氣臨近預(yù)報(bào)是指對(duì)未來(lái)0～2 h的對(duì)流天氣系統(tǒng)及其所伴隨的災(zāi)害性天氣的發(fā)生、發(fā)展、演變和消亡的預(yù)報(bào)，也可以稱當(dāng)時(shí)的天氣監(jiān)測(cè)和2 h以內(nèi)的簡(jiǎn)單外推預(yù)報(bào)為臨近預(yù)報(bào)。

文中借鑒了由威斯康星大學(xué)提出的一種在日間和夜晚都可以使用的CI預(yù)報(bào)算法。對(duì)京津地區(qū)進(jìn)行了試驗(yàn)，得出適用于京津地區(qū)強(qiáng)對(duì)流天氣的預(yù)警方法。這種算法使用了“box averaging”的概念來(lái)計(jì)算紅外通道的云頂冷卻速率和云頂云類型趨勢(shì)。 其中云頂云類型趨勢(shì)是由NOAA/NESDIS 的 ABI（Advanced Baseline Imager）云算法工作組提出的。

1 數(shù)據(jù)集

1.1 衛(wèi)星數(shù)據(jù)

本文所使用的衛(wèi)星數(shù)據(jù)是FY2C紅外云圖資料和可見(jiàn)光云圖資料，其中可見(jiàn)光云圖資料只在后面提到的云掩膜算法和云分類算法中使用。FY2C云圖的時(shí)間分辨率是30 min，空間分辨率是5 km，本文使用蘭伯特投影顯示預(yù)報(bào)結(jié)果。

1.2 云分類產(chǎn)品

云分類算法將每個(gè)風(fēng)云云圖像素分成以下幾類：晴空、液態(tài)水、過(guò)冷液態(tài)水、混合相位、不透明冰、透明冰和多層冰云 （冰云是最高的云層）。Pavolonis和 Heidinger（2004）[1]和Pavolonis et al.（2005）[2]詳細(xì)介紹了這些云類型的細(xì)節(jié)。Pavolonis 和 Heidinger（2004）和 Pavolonis et al.（2005）提出的只有日間云分類的方法已經(jīng)改進(jìn)為只使用紅外通道，日間和夜晚獨(dú)立在 Pavolonis（2010a）[3]中描述了理論，在 Pavolonis（2010b）[4]中講述了算法細(xì)節(jié)。云分類算法依賴于之前的云掩膜算法，云掩膜算法用來(lái)確定哪一個(gè)像素里面有云。Heidinger（2010）[5]給出了云掩膜算法。云分類算法只用到了紅外輻射，所以不依賴于太陽(yáng)天頂角。

1.3 雷達(dá)數(shù)據(jù)

文中所使用的雷達(dá)數(shù)據(jù)取自于天津塘沽雷達(dá)站的中國(guó)新一代天氣雷達(dá)（CINRAD）。雷達(dá)數(shù)據(jù)在本試驗(yàn)中的作用是對(duì)比和驗(yàn)證利用衛(wèi)星數(shù)據(jù)預(yù)警強(qiáng)對(duì)流發(fā)生的結(jié)果。

2 算法描述

2.1 背景和意義

UWCI算法是用來(lái)預(yù)報(bào)不被冰云砧層和中層的云層覆蓋的新發(fā)展起來(lái)的對(duì)流區(qū)域。UWCI算法的預(yù)報(bào)主要用來(lái)作為可操作預(yù)報(bào)器的決策支持工具，當(dāng)然也可作另外的用途，包括同化成區(qū)域數(shù)值天氣預(yù)報(bào)的模型或者其他基于模糊邏輯“專業(yè)的”天氣系統(tǒng)。該算法捕捉從云垂直生長(zhǎng)的第一個(gè)信號(hào)到云頂凍結(jié)成冰這個(gè)時(shí)間過(guò)程。當(dāng)云頂凍結(jié)成冰時(shí)風(fēng)暴已經(jīng)成熟。生長(zhǎng)的對(duì)流云充分凍結(jié)成冰時(shí)，算法就停止，因?yàn)樵撍惴ú挥脕?lái)預(yù)報(bào)成熟風(fēng)暴或者風(fēng)暴混合物的未來(lái)強(qiáng)度衰減過(guò)程。

2.2 算法細(xì)節(jié)

UWCI算法的基礎(chǔ)依賴于叫box averaging的方法。box averaging的意思是在一個(gè)以關(guān)鍵像素為中心的小box內(nèi)計(jì)算紅外窗的平均亮溫值及其時(shí)間差、云類特性。

該算法是基于每個(gè)像素為中心點(diǎn)的兩個(gè)box的方法，其中兩個(gè)box分別為7×7個(gè)像素和13×13個(gè)像素。每個(gè)像素的box內(nèi)的平均亮溫值是在小box內(nèi)計(jì)算的。box內(nèi)平均亮溫值的計(jì)算是在由以下云類的像素內(nèi)計(jì)算：水云、過(guò)冷水云、混合像素、卷云、重疊云和厚云。其中晴空像素應(yīng)該去除是因?yàn)槿舭缈障袼?，則box內(nèi)的平均亮溫值就不是云的平均亮溫值。只有云類像素才能被計(jì)算平均亮溫值，因?yàn)樵趦纱螔呙柚g，平均亮溫值之差反映了云的垂直生長(zhǎng)。由于地面溫度的微小變化和box內(nèi)含有可能的大塊的晴空像素，所以包含晴空像素會(huì)減少兩次掃描之間的差值。霧像素也應(yīng)該被去除，是因?yàn)殪F像素和正在垂直生長(zhǎng)的對(duì)流云沒(méi)有關(guān)系。

計(jì)算box內(nèi)平均量溫值時(shí)，小box內(nèi)必須含有至少5%的 云像素，否則，此像素視為值丟失。需要5%的云是為了確保至少有一個(gè)紅外像素對(duì)box內(nèi)平均亮溫值做過(guò)貢獻(xiàn)。前后時(shí)間序列的平均亮溫值之差就得到未過(guò)濾的云頂冷卻速率（CTC：Cloud-top Cooling Rate）。其中未過(guò)濾的云頂冷卻速率反映了兩個(gè)大氣運(yùn)動(dòng)現(xiàn)象：一是云的水平運(yùn)動(dòng)，二是云的垂直生長(zhǎng)。由于云的水平對(duì)流，30min之前的小box內(nèi)含有溫暖的低云，而當(dāng)前時(shí)刻可能含有冷的高云，當(dāng)計(jì)算前后時(shí)間序列之差時(shí)，就產(chǎn)生了錯(cuò)誤的云頂冷卻速率。而垂直云增長(zhǎng)，不會(huì)移出box的范圍區(qū)域，當(dāng)前后時(shí)間序列相減時(shí)，就表現(xiàn)出冷卻速率。所以云頂冷卻速率應(yīng)該是只包含云的垂直生長(zhǎng)信號(hào)。所以，該算法設(shè)計(jì)了一個(gè)CTC濾波器，濾除錯(cuò)誤的云頂冷卻速率。

CTC濾波器包含7個(gè)測(cè)試，詳細(xì)請(qǐng)見(jiàn)文獻(xiàn)[6]。如果一個(gè)像素不滿足7個(gè)測(cè)試的任何一個(gè)，則丟棄這個(gè)像素的云頂冷卻速率。圖1為該算法的流程圖。

未過(guò)濾的云頂冷卻速率經(jīng)過(guò)CTC濾波器后得到已過(guò)濾的CTC。以像素為中心點(diǎn)的小box內(nèi)至少有五個(gè)像素的過(guò)濾的CTC的值小于等于-4.0 K，并且30 min前的在小box內(nèi)的冰云像素要小于5%的區(qū)域就是預(yù)報(bào)CI的區(qū)域。

圖1 算法流程圖Fig.1 Algorithm flow chart

本文借鑒UWCI算法，通過(guò)對(duì)京津地區(qū)強(qiáng)對(duì)流天氣的大量試驗(yàn)，將部分閾值修改如下：將云頂冷卻速率濾波器的第三個(gè)測(cè)試的閾值修改為80%，預(yù)報(bào)CI的過(guò)濾CTC的值修改為-2 K。使用修改后的閾值，預(yù)報(bào)情況基本正確。

3 個(gè)例結(jié)果及其分析

2006年7月24日午后，在北京和天津的交界附近出現(xiàn)強(qiáng)對(duì)流天氣，F(xiàn)Y2C衛(wèi)星和天津塘沽雷達(dá)完整觀測(cè)到了該次天氣過(guò)程。圖2是CI預(yù)報(bào)前對(duì)衛(wèi)星圖像的處理，分別是云掩膜和云分類。本次云分類只分出了3類，分別為晴空、混合相云和冰凍云。原因可能為當(dāng)前的個(gè)例不夠具有典型代表性。圖3為該日13:33BTC的CI預(yù)警結(jié)果。圖2（a）中白色的區(qū)域?yàn)轭A(yù)警的30～45分鐘之后將出現(xiàn)的CI。通過(guò)使用相同區(qū)域、同一時(shí)間段的雷達(dá)回波數(shù)據(jù)作為驗(yàn)證，可以發(fā)現(xiàn)在13:28BTC時(shí)刻，圖3（b）中并未觀測(cè)到任何風(fēng)暴跡象（沒(méi)有出現(xiàn)反射率因子大于35 dBZ的回波）。在30分鐘后的圖3（c）中，明顯出現(xiàn)了一個(gè)小的風(fēng)暴生成（橢圓區(qū)域），這表明圖3（a）橢圓區(qū)域內(nèi)的CI預(yù)警是正確的。但是，對(duì)圖3（a）中矩形內(nèi)的區(qū)域，CI的預(yù)警結(jié)果是虛假預(yù)報(bào)。

4 結(jié) 論

本文使用了文獻(xiàn)[6]中提出的CI預(yù)警方法，對(duì)京津地區(qū)的強(qiáng)對(duì)流天氣進(jìn)行了試驗(yàn)，并根據(jù)試驗(yàn)的結(jié)果修改了部分指標(biāo)的閾值。試驗(yàn)表明，經(jīng)過(guò)閾值的適當(dāng)修改，文獻(xiàn)[6]中的方法也適用于京津地區(qū)的強(qiáng)對(duì)流形成的預(yù)警。

目前，該方法的虛警還較多，這可能與水汽條件不足，從而抑制了降水的生成有關(guān)。在未來(lái)研究工作中，需要針對(duì)具體情況進(jìn)行深入的研究，以減少虛警。

圖2 CI預(yù)報(bào)前的基礎(chǔ)圖像結(jié)果Fig.2 Basic image results before CI forecasted

圖3 2006年7月24日CI預(yù)警結(jié)果Fig.3 CI forecasted on 24 July 2006

[1]Pavolonis M J，Heidinger A K.Daytime cloud overlap detection from AVHRR and VIIRS[J].J.Appl.Meteor.，2004（43）:762-778.

[2]Pavolonis M J ，Heidinger A K，Uttal T.Daytime global cloud typingfrom AVHRR andVIIRS:Algorithm description，validation，and comparisons[J].J.Atmos.Oceanic Technol.，2005（44）:804-826.

[3]Pavolonis M J.Advances in extracting cloud composition information from spaceborne infrared radiances:A robust alternative to brightness temperatures.Part I:Theory.J.Appl.Meteor.Climatol.，2010（49）:1992-2012.

[4]Pavolonis M J.ABI cloud type/phase algorithm theoretical basis document[R].NOAA/NESDIS/Center for Satellite Applications and Research（STAR），2010.

[5]Heidinger A K.ABI cloud mask algorithm theoretical basis document [R]. NOAA/NESDIS/Center for Satellite Applications and Research，2010.

[6]Sieglaff J M，Cronce L M，F(xiàn)eltz W F，et al.Nowcasting convective storm initiation using satellite-based box-averaged cloud-top cooling and cloud-type trends[J].Journal of Applied Meteorology and Climatology，2011:110-126.