基于不穩定參數統計的雷暴潛勢預報方法研究*

胡　曉　蔣飛燕　徐　璐　徐迪峰　朱純陽　孫甦勝

(1.鎮海區氣象局，浙江 寧波 315202；2.寧波市氣象臺，浙江 寧波 315012)

?

基于不穩定參數統計的雷暴潛勢預報方法研究*

胡曉1蔣飛燕1徐璐1徐迪峰2朱純陽1孫甦勝1

(1.鎮海區氣象局，浙江 寧波 315202；2.寧波市氣象臺，浙江 寧波 315012)

為提高鎮海地區雷暴預報準確率，利用2009—2013年6—8月杭州、臺州、衢州及上海站的探空資料選取有利雷暴發生的對流參數，如K指數、SI指數、LI指數等18個與雷暴發生、發展相關的物理量，通過分析發現杭州站與鎮海地區雷暴發生的相關性最高，選取該站6個與雷暴發生相關性較好的參數，分析確立其閾值，運用多參數加權的權重法建立雷暴潛勢預報模型。利用該模型在2014年6—8月進行雷暴預報檢驗，結果總準確率為78.7%，空報率為16.9%，漏報率為4.4%。同時將中尺度數值預報模式WRF同雷暴潛勢預報相結合，通過計算各網格點上的雷暴潛勢，制作雷暴落區預報，結果對于雷暴落區及強度的預報有較大的參考作用。

對流參數；權重法；雷暴潛勢預報；WRF模式

0　引　言

雷暴天氣是中國夏半年經常出現的天氣現象,隨著社會經濟建設的快速發展，由雷暴災害帶來的損失也越來越大。特別是浙江鎮海地區，化工業發達，防范雷暴安全工作對石油化工企業尤為重要。由于對流性天氣具有范圍小、發展快等特點，利用傳統天氣學方法精確預報雷暴的落區、強度、時間有一定難度。因此，依托現有的綜合探測網，開展雷暴探測資料的應用，加強雷暴預警、預報及服務技術，已成為當前氣象預報服務工作的一大重點。

目前對于雷暴的預警大多是建立在潛勢預報的基礎上，然后才是短時臨近的監測、跟蹤和發布短時臨近警報[1]。而對于雷暴潛勢預報的方法也比較多，如：利用多元線性回歸法[2-3]和權重法[4-5]建立雷暴潛勢預報模型；利用判別分析法和指標疊套法對雷暴特別是冰雹天氣的預報[6-8]；還有利用天氣分型法[9-10]、決策樹法[11]、消空法[12]對雷暴預報展開分析，上述這些方法也取得了不錯的預報效果。

隨著數值預報技術的發展，數值預報產品成為天氣預報中不可缺少的基本資料，因此國內外學者也將中尺度模式與雷暴預報相結合展開研究，王佳[13]利用WRF模式的格點預報，經云模式的多初值雷暴預報及集合分析，建立南京地區的雷暴天氣的預報集合方法；Yair Y[14]引用了一個新的參數LPI，利用WRF模式的動力和微物理過程對地中海地區雷暴潛勢預報進行了研究，同時通過對不同個例的分析研究表明LPI作為雷暴潛勢預報有較好的指示性。Sousa J F[15]將雷暴天氣形勢歸納為WREM、WREG和SREG 3種，并引入各類參數通過線性回歸的方法建立統計預報模型建立了葡萄牙地區的雷暴活動的動力統計預報模型。Barry H. Lynn[16]引入了新的潛勢電力參數Ep利用WRF模式對云閃和地閃的預測進行研究，結果表明該方法對于雷暴的預報效果較好，動力模式的預報效果優于統計模式。

通過以上研究表明，將數值預報同雷暴潛勢預報相結合是未來雷暴預報的主要發展方向，因此本文在此基礎上試圖通過雷暴潛勢預報模型的建立，加入數值預報產品，最終得到雷暴預報的數值預報結果，并進行雷暴實時業務預報試用，從而能為雷暴預報提供更為準確參考。

1　資料選取和模式簡介

由于夏季雷暴發生的概率最大，因此本文選取鎮海國家氣象站2009—2013年6—8月的觀測資料，若某一日記錄了雷暴天氣現象，就記為1個雷暴日，同時考慮北侖地區毗鄰鎮海，為增加雷暴樣本數量，在雷暴日的統計中也納入了北侖站的觀測數據，2009—2013年6—8月逐日觀測資料中共選取了131個有雷暴日和329個無雷暴日。探空資料選取浙江省內杭州、臺州、衢州3站以及省外上海站的觀測數據。

為了對區域內雷暴潛勢預報進行預報分析，利用ARW-WRF3.5.1版本，使用WRFDA同化系統，同化了常規的地面、高空資料和本地的雷達和中尺度站資料；WRF模式采用NCEP/NCAR的GFS 0.5°×0.5°格點資料為初始場，側邊界采用GFS 1°×1°的預報場格點數據，每6 h更新，采用雙向反饋的兩重嵌套網格，粗網格和細網格水平格距分別為15 km×15 km和5 km×5 km，格點數分別為246×232和190×181，時間積分步長分別為60 s和20 s；粗網格中心點為30°N、121.5°E，細網格中心點為29.8°N、121.6°E，垂直方向取35 層η坐標，模式頂為50 hPa；微物理過程采用Thompson方案，未使用積云參數化方案，邊界層參數化方案采用YSU/PBL方案，陸面過程采用Noah/LSM方案，長、短波輻射參數化方案分別采用RRTM和Dudhia方案。

2　預報參數選取及其與雷暴活動的相關性

2.1對流參數選擇

目前,對雷暴較長時間的預報,主要依賴于預報員對天氣形勢的分析和預報經驗。預報員在對天氣形勢進行分析后,如果對雷暴的預報還是難以抉擇,就需要一種定量客觀的雷暴預報模式來作為預報參考[17]。對于預報參數的選擇，研究認為[7，18-19]，雷暴的發生、發展和維持一般要具備以下3個條件:層結不穩定、較好的低空水汽條件、以及適當的觸發因子。強對流天氣過程的預報，可以通過天氣形勢并結合一些相關物理參數大小來進行預測。利用08時和20時觀測資料計算出相關物理參數，如果這些參數達到了一定的閾值范圍，那么，將可以預報這一潛在事件[5]。

選取浙江省內杭州、臺州、衢州3站以及省外距離寧波較近的上海站的探空數據進行比較分析，因為預報員制作預報時通常參考08時的探空資料，因此對各站資料的分析均以08時的探空資料為準。選取了K指數、沙氏指數SI、對流有效位能CAPE、抬升指數LI、風暴強度指數SSI、強天氣威脅指數SWEAT、850 hPa假相當位溫、700～400 hPa濕度等等18個表征大氣不穩定狀態、水汽條件的參數，分別求出各站各參數與雷暴的單相關系數，根據各參數與鎮海地區雷暴發生的相關程度，同時考慮各參數在動力、熱力學上的代表意義，以及避免重復的原則，從18個參數中篩選出6個對鎮海雷暴潛勢預報效果較好的預報因子。它們分別是沙氏指數SI、K指數、抬升指數LI、對流有效位能CAPE、A指數、850 hPa假相當位溫進行具體分析。表1給出了各站代表性參數與雷暴發生的相關系數，所有相關系數均通過95%的信度檢驗。通過比較各站對流參數與鎮海區雷暴相關系數(表1)可以發現，與鎮海總體相關性最好的是杭州站；其次是臺州站，臺州站個別參數的相關性還高于杭州站，同鎮海雷暴天氣的相關性也較好；上海站同鎮海雷暴天氣的相關性總體要低于杭州站和臺州站；而衢州站因為距離鎮海地區最遠，各對流參數的相關性也是最差。根據上述對比分析，杭州站同鎮海雷暴發生相關性最大，因此選取杭州站的對流參數進行閾值的分析判斷，從而建立潛勢預報的模型。

表1　各站代表性對流參數與雷暴活動的相關系數

2.2對流參數與雷暴活動的相關性及閾值選取

下面將沙氏指數SI、K指數、抬升指數LI、對流有效位能CAPE、A指數、850 hPa假相當位溫與鎮海雷暴發生的相關性進行了具體分析，得到的結果如圖1所示。

2.2.1SI指數

SI指數是反映大氣條件性穩定度情況的指數。當SI<0時，大氣層結不穩定，且負值越大，不穩定程度越大。從圖1a中可以看出，有雷暴發生時SI的最大值是16.56，最小值是-6.12，平均值在0.105左右；而無雷暴活動時，SI的平均值在2.24左右。具體來看，大約70.2%的有雷暴活動是出現在SI<1以下，有58.0%的雷暴活動出現在當SI<0時，大約有67.2%的無雷暴活動的SI值在0以上。當SI<0時有雷暴發生的概率可達41.3%，這個比例并不大是因為選取的無雷暴活動的樣本遠大于有雷暴活動的樣本，所以降低了有雷暴發生時對應現象的概率。反過來，當SI>0時，無雷暴活動的比列為80.1%，而有雷暴發生的情況只有19.9%，因此可以說明以SI<0作為沙氏指數的閾值能夠較好的判斷是否會有雷暴發生。

2.2.2K指數

K指數是平時業務工作中判斷大氣穩定程度以及是否會有雷暴發生時最常用的指數。它的表達式為

K=(T850-T500)+Td850-(T-Td)700,

(1)

式(1)中第一項表示溫度直減率，第二項表示低層水汽條件，第三項表示中層飽和度，所以K指數能夠反映大氣的層結穩定情況，K指數越大，層結越不穩定。從圖1b中可以看出，有雷暴活動時K指數的最大值為45，最小值為-26，大約84.0%的有雷暴活動的K值出現在30以上，有雷暴發生時K值平均在33左右。雖然當K>30時，有雷暴天氣發生對應的概率并不高，僅有39.0%，這主要是無雷暴活動樣本遠大于有雷暴活動的緣故。反之，當K<30時，88.2%的概率無雷暴活動發生，有雷暴發生的概率僅為11.8%，并且統計無雷暴活動時，K指數的平均值僅在27左右，因此選取K值是否大于30可作為雷電是否發生的判別閾值。

2.2.3LI指數

LI指數是一種表示對流性不穩定的指數。它表示一個氣塊從地面出發，沿干絕熱上升至抬升凝結高度后，再沿濕絕熱線上升到500 hPa處所具有的溫度被該處實際大氣溫度所減得到的差值。該差值的絕對值越大，出現對流天氣的可能性也越大。差值為正數時，表示大氣層結穩定。從圖1c中可以看出，在夏季6—8月，無論有無雷電發生，LI的值大多出現在0以下。其中有雷暴出現時，有84.7%集中在LI<0的不穩定狀態中；而在無雷暴活動中，也有61.7%的值集中在LI<0的狀態中。有雷暴發生時LI最大值為4.34，最小值為-6.44，平均值為-1.94。無雷暴活動時，LI的最大值為15.6，最小值為-8.48，平均值為-0.16。雖然當LI>0時，不會發生雷暴的概率為86.3%，而發生雷暴的概率僅為13.7%。為了更好的判斷是否會有雷暴發生，同樣也使LI的值更具參考性，以LI<-2的值作為輔助參考，在無雷暴時，LI<-2的比率下降到僅有29.8%；而有雷暴時LI<-2的概率仍有57.3%。因此以LI<-2做為判定閾值，這樣可以更好的區別是否會有雷暴的發生。

2.2.4對流有效位能CAPE

通過對對流有效位能CAPE值分析(圖1d)可以發現,當使用CAPE=400為一個判標準時,在無雷暴活動中,有59.6%位于CAPE<400的情況下；在有雷暴活動中,有66.4%出現在CAPE>400的情況下。對應的,可以得出當CAPE<400時,無雷暴活動的幾率為81.7%；在CAPE<400時,出現雷暴活動的幾率僅為18.3%。因此選定CAPE>400作為判定雷暴是否發生的一個閾值。

2.2.5A指數

A指數是一個綜合考慮大氣靜力穩定度與整層水汽飽和程度的物理量。A值越大，表明大氣越不穩定或對流層中下層飽和程度越高，也越有利于產生降水。通過對A指數的分析(圖1e)可以發現,有雷暴發生時A的最大值為24，最小值為-85，平均值為3。當使用A=3為一個判別點時,在無雷暴活動中,有58.1%位于A<3的情況下；在有雷暴活動中,有60.3%出現在A>3的情況下。對應的,可以得出當A<3時,無雷暴活動的幾率為78.6%；出現雷暴活動的幾率僅為21.4%。因此選擇A>3作為判別是否有雷暴發生的閾值。

2.2.6850 hPa假相當位溫

假相當位溫的定義是未飽和濕空氣塊上升，直到氣塊內水汽全部凝結降落后，再按干絕熱下沉到1000 hPa處，此時氣塊所具有的溫度稱為該氣塊的假相當位溫，通常以θse來表示。θse也是大氣的一個溫濕特征量，等壓面上的θse大小，取決于溫度和濕度的大小。在溫度變化不大時，θse值的大小可定性反映大氣濕度的大小，因此可根據θse的大小來判斷空氣中水汽含量的多少。在選取的所有反映水汽條件的參數中850 hPaθse是與雷暴活動相關性最大的因子。從圖1f中可以看出，當850 hPaθse的值越大時越容易發生雷暴。在有雷暴時850 hPaθse最小為37.47，最大為87.98，平均值為73.64。從圖1中也可以看出，約有75%的無雷暴活動是發生在θse<75時，而差不多有81.7%的有雷暴活動是發生在當θse>70以上。綜合考慮，選取θse>70為雷暴是否發生的閾值。

(·：最大值，×：99%，□：平均值，﹢：1%，△：最小值)圖1　各參數與雷暴的相關性統計分析

3　雷暴潛勢預報方法分析

3.1多參數綜合的預報方法

從以上的分析可以看出，SI指數、K指數、LI指數、對流有效位能CAPE、A指數和850 hPaθse對雷暴的發生都有較好的預警作用，通過選取合適的閾值可以更加準確的判斷出是否會有雷暴的發生。綜合這6個因子所選取的閾值分別是SI<0，K>30，LI<-2，CAPE>400，A>3以及850 hPa θse>70，下面分析了2009—2013年6—8月有雷暴活動時各參數是否超過閾值達到不穩定狀態，具體結果如表2所列。從表2中可以看出，在6—8月131次雷暴天氣過程中6個參數都達到不穩定狀態的比例占到30.5%；發生雷暴時，有3個以上參數達到不穩定的比例占到79.4%以上。這說明通過判斷多種參數是否處于不穩定狀態來預報雷暴的發生是可行的，并且達到不穩定狀態的參數越多，發生雷暴的概率越大。

表2　不同參數個數超過閾值時發生雷暴的概率

因此，選用多參數加權的雷電活動潛勢預報來建立鎮海地區的雷電潛勢預報方程，即：

Y=a1x1+a2x2+…+a6x6，

(2)

其中：Y為發生雷暴的概率；a1—a6分別為各參數的權重系數；x1—x6分別為各參數閾值的判別。該方法是將篩選出的參數按方程組合來計算雷暴發生的概率， 如果參數值超過了給定閾值，則 x=1，說明可能有雷暴發生，反之x=0。如果得出的Y>0.6，則判斷未來12 h內可能有雷暴發生[4-5]。

3.2熵值法計算潛勢預報中的權重系數

在方程(2)中已分別選取了合適的閾值來判斷雷暴活動是否發生，接下來需要計算各參數的權重，也就是a1—a6的值。統計分析發現，當6個參數都超過其閾值的的雷暴日共有40個，為確定這6個參數在決定雷暴是否發生過程中所占的權重，以這40個個例為樣本，用熵值法[4]來計算各參數的權重。熵值法計算權重系數的步驟如下。

第1步將原始數據矩陣進行標準化處理，生成標準化矩陣R=(rij)m×n，其中m=6,n=40。對于正向指標和負向指標(正向指標數值越高越好，負向指標數值越低越好)用不同的算法進行標準化處理；

第2步計算第i個參數在n個樣本中的特征比重；

第3步計算第i個參數的熵值；

第4步計算第i個參數的差異性系數，對第i項指標，指標值的差異越大，參數起的作用也越大，因此差異性系數gi=1-ei；

通過以上5個步驟對6個參數的40個樣本運用熵值法計算得到了各參數的權重系數，結果如下表3所列。

表3 　各對流參數潛勢預報權重系數

在計算得到各參數的權重后，從而得到了鎮海區的雷暴潛勢預報方程，即：

Y=0.246x1+0.107x2+0.18x3+0.232x4+0.062x5+0.173x6，

(3)

為檢驗該方法的可行性，利用2014年6—8月杭州站的探空資料對方程(3)進行了預報檢驗，結果總準確率為78.7%，空報率為16.9%，漏報率為4.4%，說明方程(3)對于鎮海地區的雷暴預報有較好的指示意義。

4　數值預報產品在雷電預報中的應用

在建立了適用于鎮海地區的雷暴潛勢預報模型(方程(3))的基礎上，考慮到僅依靠探空資料時空分辨率與雷暴相比過大，潛勢預報的結果只是是否可能有雷暴發生，而對于雷暴發生的區域及強度大小則無法作出預報。目前，數值預報產品是天氣預報中不可缺少的基本資料，國外許多研究也證明了將潛勢預報和數值模擬相結合的可行性，比如Hughes K.K[20-21]利用閃電觀測資料和統計方法開發了高效的MOS(模式統計輸出)方法對雷暴進行預測，并不斷進行改進，其開發的MRFMOS模式雷暴預測有效期有192 h，分為12 h和24 h時間段，每個網格點，每6、12、24 h時間段的閃電相關頻率作為預報方程的潛勢預報因子，并用MRF MOS預報系統對雷暴和強雷暴的預測均進行了討論。而結合鎮海地區的實際情況，通過已建立的雷暴潛勢預報方程(3)結合WRF模式，對未來的雷暴潛勢進行預報，這與Zepka G.S[22]利用WRF模式對巴西東南部地區的雷暴預測進行分析預報的方法類似，其使用的方法為PLR，也就是潛在雷暴區域分析方法，PLR主要通過WRF模式氣象變量來獲得，用于計算PLR的參數主要有SBCAPE、LI、KI、θe、W、QICE，而我們則是利用SI指數、K指數、LI指數、對流有效位能CAPE、A指數和850 hPa假相當位溫通過潛勢預報方程計算得到的Y值來對雷暴潛勢進行預報。

但是由于以上的雷暴潛勢預報方程是基于探空資料所建立，為驗證利用格點資料加入該雷暴潛勢預報方程計算雷暴潛勢的可行性，我們將2014年6月30日20時至7月31日8時每日20時、08時的杭州站探空資料所計算得到的雷暴潛勢與WRF模式對應格點上前一日20時初始場與次日08時預報場所計算得到的雷暴潛勢結果進行了對比。分析發現，同樣以0.6為判斷是否有雷暴發生的閾值，對應每一日通過格點資料和探空資料計算出的雷暴潛勢，在20時的31 d的對比樣本中有超過90.3%的樣本得到的是否有雷暴發生的判斷結果是一致的，在08時的31 d的對比樣本中有超過87.1%的樣本得到的是否有雷暴發生的判斷結果達到一致。同時將20時、08時通過格點資料和探空資料計算出的共62對樣本的雷暴潛勢結果進行對比后發現，有45.2%的樣本計算出的雷暴潛勢完全一致，有24.2%的樣本計算出的雷暴潛勢差值0～0.2，有14.5%的樣本計算出的雷暴潛勢差值0.2～0.3。通過以上的分析說明，利用格點資料和利用探空資料計算出的雷暴潛勢結果誤差不大，因此將該方程應用于WRF數值模式進行雷暴潛勢的預報是可行的。

因此我們采用WRF區域數值模式輸出的5 km×5 km網格結果，對2014年夏季鎮海地區出現雷暴天氣進行了模擬研究，以前一日20時數據作為起報場，得到次日08時、11時、14時等各時次的雷暴潛勢預報結果，以下就針對其中兩天的結果進行討論。

從2014年7月25日20時起報得到的26日08時、11時和14時的雷暴潛勢預報結果以及根據閃電定位儀監測到的閃電數據得到的26日閃電密度圖(圖略)可知，7月26日08時的預報結果來看鎮海北侖區域雷暴發生概率較高，全區均達到了0.6～0.8的概率，說明當天較有可能出現雷暴；到了11時預報結果較08時有了些微變化，鎮海西北部地區雷暴概率達到了0.8～1.0以上；而到了14時鎮海全區、市區、鄞州的部分地區以及北侖的西部地區雷暴概率均達到0.8～1.0的值，說明上述區域出現雷暴的概率較高。將預報結果同閃電定位儀監測的實況閃電數據比較來看，鎮海地區出現了強度非常強的雷暴，最高達到18個/km2，而在鄞州的部分地區也監測到雷暴發生，相對的北侖區監測到的閃電數據較少。這說明雷暴潛勢預報模型通過結合數值預報產品，通過各時次預報結果的調整對于雷暴落區的預報有一定的參考作用，但相對來說對于雷暴強度特征的體現還不是特別充分。

從2014年8月26日20時起報的27日08時、11時和14時的雷暴潛勢預報結果以及根據閃電定位儀監測到的閃電數據得到的27日閃電密度圖(圖略)可知，08時數值預報結果在鄞州地區報了0.6以上的概率，說明該地區出現雷暴可能性比較大，而寧波北侖地區的值基本均在0.2～0.6，說明出現雷暴的概率相對比較低。到了11時，數值預報結果有所調整，除了北侖部分地區的雷暴概率在0.6以下，大部分地區的雷暴概率都達到了0.6以上，同樣還是在鄞州地區存在一個高值區，但另外在鎮海的西南部地區雷暴概率值也達到0.8以上。14時的數值預報結果較前兩個時次明顯不同，整個區域都成為雷暴活動的高值區。將3個時次結果同實況進行比較發現，08時、11時同實況的吻合度較高，實況在鄞州地區和鎮海西南部存在閃電高值區，強度比較大，兩個時次都將這個結果有所體現，另外在北侖東部地區基本上沒有閃電發生，而對應于數值預報結果，同樣在北侖的東部地區預報了一個雷暴概率的低值區域。而14時由于預報整個區域雷暴概率都比較大，與實況差距較大，參考性也相對降低。

通過將中尺度數值預報模式WRF同雷暴潛勢預報相結合，對于雷暴落區及強度的預報有較大的參考作用，但是在分析中也發現，由于選擇分析的區域相對較小，模擬結果往往存在特征變化不明顯的情況，即當日若該區域內對流條件較好，模擬計算出的對流參數均達到閾值，則有可能預報得到的結果為大范圍的高值區，對于雷暴落區的參考作用則有所降低，因此在今后的研究過程中，將研究放大到整個寧波地區，選擇與寧波地區相關性更明顯的參數，建立適用與寧波地區的雷暴潛勢預報方程，從而能對整個寧波的雷暴潛勢進行預報分析。

5　結　語

通過以上各對流參數與鎮海地區雷暴活動相關性分析的基礎上建立了鎮海區雷暴潛勢預報方程，得到如下結論。

1)通過選取杭州、臺州、衢州、上海站的探空資料中的各物理量及對流參數與雷暴活動進行相關性分析，發現杭州、臺州站與鎮海地區的雷暴活動相關性較好。沙氏指數SI、K指數、抬升指數LI、對流有效位能CAPE、A指數、850 hPa假相當位溫參數與鎮海地區雷暴活動的相關性較高。

2)通過多參數加權的雷暴活動潛勢預報方法來建立鎮海雷暴潛勢預報方程，利用建立的雷暴潛勢預報方程對2014年6—8月的探空資料進行預報檢驗，結果總準確率為78.7%，空報率為16.9%，漏報率為4.4%，說明該方程對于雷暴潛勢預報是可行的，并可應用于平時的業務工作中。

3)將中尺度數值預報模式WRF同雷暴潛勢預報相結合，通過計算各網格點上的雷暴潛勢，來制作雷暴落區預報，結果對于雷暴落區及強度的預報有較大的參考作用，但也要注意當對流條件較好，模擬計算出的對流參數均達到閾值，則有可能預報得到的結果為大范圍的高值區，對于雷暴落區的參考作用則有所降低。

[1]許小峰，郭虎，廖曉農，等.國外雷電監測和預報研究[M].北京：氣象出版社:2003,271-272.

[2]張霞，王新敏，王全周，等.鄭州雷電發生的環境場特征及潛勢預報[J].氣象，2010,36(6)：95-100.

[3]王新敏，張霞，徐文明，等.T213/T639數值產品在河南省雷電潛勢預報中的釋用[J].氣象，2011,37(5)：576-582.

[4]殷嫻，肖穩安，尹麗云.江蘇省雷電活動潛勢預報研究[J].熱帶氣象學報，2011,27(5)：758-764.

[5]許迎杰，尹麗云，張騰飛，等.云南雷暴潛勢預報系統的建立和應用[J].云南大學學報(自然科學版)，2011,33(S1)：1-7.

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

[7]郝瑩，魯俊.雷暴大風、冰雹天氣的預報方法研究[J].中國農學通報，2011,27(26)：299-304.

[8]翟菁，周后福，張建軍，等.基于指標疊套法的安徽省強對流天氣潛勢預警研究[J].氣象與環境學報，2011,27(2)：1-7.

[9]劉躍紅，閆小利，宋自福，等.焦作市雷暴潛勢預報及臨近監測預警系統[J].氣象，2007,33(8)：104-111.

[10]熊亞軍，廖曉農，于波，等.基于天氣分型的北京地區雷電潛勢預報預警系統[J].災害學，2012,27(2)：67-71，81.

[11]徐會明，靳小兵，季海，等.決策樹法在雷電潛勢預報中的應用[J].高原山地氣象研究，2008,28(4)：55-58.

[12]楊仲江，唐曉峰.逐步消空法在上海雷電潛勢預報中的應用[J].氣象科學，2009,29(6)：810-814.

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

[14]Yair Y, B Lynn, C Price,et al. Predicting the potential for lightning activity in Mediterranean storms based on the Weather Research and Forecasting (WRF) model dynamic and microphysical fields[J]. J Geophys Res, 2010, 115, D04205, doi:10.1029/2008JD010868.

[15]Sousa J F, Fragoso M, Mendes S, et al. Statistical-dynamical modeling of the cloud-to-ground lightning activity in Portugal[J]. Atmospheric Research, 2013,132-133, 46-64.

[16]Barry H Lynn, Yoav Yair, et al. Predicting Cloud-to-Ground and Intracloud Lightning in Weather Forecast Models. Weather and Forecasting 2012,27:6, 1470-1488.

[17]劉宸釗，卓偉，裴軍林.基于對流參數的雷暴預報方法研究[J].高原山地氣象研究，2010,30(2)：22-25.

[18]鄭棟，張義軍，呂偉濤，等.大氣不穩定度參數與閃電活動的預報[J].高原氣象，2005,24(2)，196-203.

[19]周后福，邱明燕，張愛民，等.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，2006,25(4):716-722．

[20]Hughes K K. Development of MOS thunderstorm and severe thunderstorm forecast equations with multiple data sources[C]. Preprints, 18th Conf. on Weather Analysis and Forecasting, Fort Lauderdale, FL, Amer Meteor Soc, 2001：191-195.

[21] Hughes K K. Probabilistic lightning forecast guidance for aviation[C]. Preprints, 11th Conf. on Aviation, Range, and Aerospace/22th Conf. on Severe Local Storms, Hyannis, MA, Amer. Meteor. Soc.2004, 2.6. [Available online at http:∥ams.confex.com/ams/pdfpapers/81859.pdf.

[22] G S Zepka, O Pinto Jr, A C V Saraiva. Lightning forecasting in southeastern Brazil using the WRF model[J]. Atmospheric Research, 2014：135-136, 344-362.

2015-07-31

寧波市氣象科技計劃項目(NBQX2013006B)