ECMWF再分析資料在烏海強對流天氣診斷中的應用

張 莉，馬文迪，趙雯濤

(烏海市氣象局，內蒙古 烏海 016000)

冰雹、雷暴大風、短時強降水等強對流天氣是暖季常見的災害性天氣，主要特點就是突發性強、生命史短且易致災，歷來是天氣預報的重點和難點[1-2]。在強對流天氣客觀預報方法方面，早期的研究如θse特型法、權重系數法、配料法等，都是基于常規探空資料，時空分辨率較低，難以滿足現代化業務對分類強對流天氣預報準確率的需求。隨著全球模式分辨率的提高和非靜力區域中尺度模式的發展，數值模式在強對流天氣預報預警中發揮著越來越重要的作用[3]。筆者利用業務應用廣泛且具有較高預報水平的ECMWF再分析資料獲取高分辨率的溫、壓、濕、風信息來識別和分類烏海市的強對流天氣。

1 資料與方法

1.1 資料

烏海市降水量、極大風速及雷暴、冰雹的小時數據來源于內蒙古自治區氣象信息中心的審核資料，物理量數據來自第五代ECMWF大氣再分析資料(ERA5再分析資料)，水平分辨率為0.25 km×0.25 km，時間分辨率為1 h。

1.2 研究方法

1.2.1 臨近原則

“臨近原則”是指對歷史分類的強對流天氣站點實況資料與格點再分析資料進行匹配，構建烏海分類強對流天氣歷史個例庫。臨近原則如下。

1.2.1.1 “空間鄰近”原則。將離站點空間距離最近的格點物理量值近似認為站點的物理特征值。

1.2.1.2 “時間臨近”原則。以強對流天氣發生之前最近1 h的物理量作為過程的物理特征值。

1.2.2 分類預報物理量指標

筆者選取熱力不穩定診斷量：CAPE值、K指數、600 hPa溫度、850 hPa和700 hPa溫度差、地面和850 hPa溫度差；動力診斷量：高空200 hPa和低層850 hPa垂直風切變、高低空急流、850 hPa垂直速度；水汽條件診斷量：850 hPa、700 hPa相對濕度和比濕、地面溫度露點差等物理量，為強對流天氣及其中短時強降水、雷暴大風、冰雹的分類預報提供預報指標。

1.2.3 二項Logistic回歸分析法建立預報方程

Logistic回歸主要用于因變量為分類變量的回歸分析，可以從多個自變量中選出對因變量有影響的自變量，并給出預測公式用于預測。強對流天氣的預報預測適合用二項Logistic回歸分析法。

首先將所有研究樣本中強對流天氣是否發生的結果用Y表示，Y的賦值規則為：

記出現成功結果的概率為P(Y=1)，用Logistic回歸公式表示P為:

(1)

其中：β0是與諸因素xi無關的常數項，β1、β2…βm是回歸系數，表示諸因素xi對P的貢獻量。

1.2.4 TS評分檢驗預報準確率

(2)

BIAS表示預報事件發生總數與觀測事件發生總數的比率，式中NA表示報對的點數，NB表示空報的點數，NC表示漏報的點數。比值越接近1，說明預報效果越好；比值越大于1，表示事件預報頻率越高；比值越接近0，則表示事件預報概率越低。

(3)

當預報正確的點數與實況點數完全一致時，TS=1；TS值越接近0，表示預報技巧越低。

(4)

FAR代表空報在預報強對流事件中的比率，范圍為[0，1]，空報率越低，表示預報技巧越好。

(5)

MAR代表漏報在預報強對流事件中的比率，范圍為[0，1]，漏報率越低，表示預報技巧越好。

2 結果分析

2.1 烏海地區強對流天氣的時間空間變化特征

2.1.1 短時強降水

2.1.1.1 本地化定義。2013年—2020年，烏海市各站小時降水量極值為47 mm/h，出現在濱河站2017年7月25日8—9時。在研究的8年中，小時降水量≥20 mm只出現31站次，結合烏海地區的承災能力，采用常煜對內蒙古半干旱區短時強降水的定義，即10 mm/h作為烏海地區短時強降水的定義，共156個個例。

2.1.1.2 時間分布特征。

2013年—2020年間，烏海市大部分年份有5次～10次短時強降水天氣，其中2015年、2017年、2019年較平均值偏少，2016年、2018年、2020年偏多，其中2018年最多，為13次。短時強降水天氣主要分布在5月—9月，其中7月、8月最多。從時段分布上來看，烏海短時強降水有3個主要時段，分別為午后15時左右、凌晨2—5時及上午8—11時，其中午后出現的次數最多。

(a) (b) (c)

圖2 2013年—2020年烏海市短時強降水空間分布

2.1.1.3 空間分布特征。

烏海市短時強降水的發生頻次體現出南北多中間少的特征，其中千里山及綠地磚廠附近出現大值中心，千里山出現17次，綠地磚廠出現16次，烏海市中部地區短時強降水次數小于10次，平均每年在1次左右。

2.1.2 雷暴大風

2.1.2.1 雷暴大風的定義。將極大風速≥17.2 m/s，并伴隨有雷暴出現時記為一次雷暴大風過程。雷暴大風資料來源于國家一般站日極大風速，考慮了雷暴資料2014年停止觀測，選擇2000年—2013年國家一般站的數據分析雷暴大風。

(a) (b)

2.1.2.2 時間分布特征。烏海雷暴大風有隔年增多或隔年減少的周期性變化特征，且總體有減少的趨勢。雷暴大風主要出現在5月—8月，其中6月出現次數最多，出現時段在午后和凌晨居多。2000年—2013年極大風速為27.7 m/s(10級)，出現在2013年7月。

2.1.3 冰雹

考慮到小冰雹致災性也比較強且烏海地區出現大冰雹(直徑≥2 cm)個例較少，因而此處不區別冰雹大小。根據統計，烏海市2000年—2020年有觀測記錄的冰雹有5次，4月—7月均有出現。

2.2 烏海地區強對流天氣分類指標及判據

對常用的物理量在烏海強對流天氣識別及分類中的指示作用進行探討分析，建立強對流天氣的分類識別判據，是進行強對流分類預報的基礎。為避免日分布對物理量范圍的影響，將短時強降水、雷暴大風、冰雹發生前一天相同時次的個例定義為對照組(未發生強對流天氣)。

2.2.1 熱力不穩定診斷量

2.2.1.1 700 hPa和500 hPa溫度差。雷暴多發生在大氣低層處于條件不穩定下，故常用反映垂直溫度梯度的中低層溫差來判斷靜力穩定度。由于烏海市處于內蒙古高原，平均海拔1 150 m，因此用700 hPa與500 hPa溫差(ΔT700-500)來反映大氣的穩定條件。從烏海市短時強降水、雷暴大風、冰雹及對照組各例臨近時的ΔT700-500圖4(a)看出，未發生強對流天氣時ΔT700-500集中在15 ℃～20 ℃之間；雷暴大風天氣臨近時ΔT700-500近一半大于20 ℃；短時強降水天氣臨近時ΔT700-500大多數在 18 ℃以下；冰雹天氣臨近時ΔT700-500集中在13 ℃～20 ℃之間，中位數為18 ℃，整體較雷暴大風天氣偏小，大部分個例高于短時強降水天氣，但離散度較大。以上表明，較小的中低層溫差就可產生短時強降水天氣，但雷暴大風則發生在中低層溫差較大的環境下，冰雹介于兩者之間。以18 ℃和20 ℃的ΔT700-500為界，對照組與短時強降水、雷暴大風個例就可以區分開。當ΔT700-500小于18 ℃時，發生短時強降水的概率超過50%；當ΔT700-500大于20 ℃時，發生雷暴大風的概率達59%。

(a) (b) (c)

2.2.1.2 地面和850 hPa溫度差。逆溫層有利于能量和水汽在低層聚集，有利于觸發強對流天氣發生。從烏海市不同類型強對流天氣臨近時的地面與850 hPa溫差看出，70%以上的對照組ΔT地面-850都大于-0.5 ℃；而接近75%的雷暴大風個例ΔT地面-850小于-0.5℃；短時強降水天氣臨近時ΔT地面-850中位數為0.46 ℃，較對照組溫差略偏小，但不足以將其區分。以上表明，逆溫層可以用于雷暴大風的識別，以0 ℃為界，當ΔT地面-850< 0℃時，雷暴大風發生的概率超過50%。

2.2.1.3 K指數。K指數側重于反映對流層中低層溫濕分布對大氣穩定度的影響，K值越大，大氣越不穩定。烏海市短時強降水發生前的K指數比冰雹、雷暴大風高，說明前者對于低層水汽條件的依賴程度更高，60%以上的短時強降水臨近時K指數均超過25 K。

(a) (b) (c)

2.2.2 水汽條件診斷量

2.2.2.1 比濕。低層濕度條件對強對流天氣類型有重要影響。從烏海市不同類型強對流天氣臨近時850 hPa比濕可以發現，未發生強對流天氣時850 hPa比濕集中在6 g/kg～11 g/kg之間；75%左右雷暴大風個例<9 g/kg；而75%左右的短時強降水個例>9 g/kg；冰雹天氣臨近時850 hPa比濕介于4 g/kg～7 g/kg之間。短時強降水、對照組、雷暴大風、冰雹850hPa比濕逐漸減小。以上表明，850 hPa較大的比濕條件有利于短時強降水天氣的發生，但雷暴大風、冰雹則發生在低層相對較干環境下。當850 hPa比濕大于12 g/kg時，發生短時強降水的概率接近70%。

2.2.2.2 相對濕度。相對濕度表示空氣中的絕對濕度與同溫度和氣壓下的飽和絕對濕度的比值，從烏海市不同類型強對流天氣臨近時700 hPa相對濕度可以發現，未發生強對流天氣時700 hPa相對濕度集中在35%～65%之間；短時強降水發生時，700 hPa相對濕度中位數為74.53%；雷暴大風天氣臨近時700 hPa相對濕度中位數為42.94%，與對照組分布類似，但較對照組更集中；幾次冰雹天氣臨近時700 hPa相對濕度都偏高，其中超過75%均大于70%。因此700 hPa相對濕度是區分烏海市短時強降水天氣的重要判據之一，當700 hPa相對濕度大于60%時，發生短時強降水的可能性較大。

2.2.2.3 地面溫度露點差。冰雹、雷暴大風天氣一般具有“上干下濕”的特點，而短時強降水需要深厚的濕度層結，故利用地面溫度露點差T-Td來表示近地層水汽飽和度。從烏海市不同類型強對流天氣臨近時的地面溫度露點差看出，未發生強對流天氣時T-Td集中在7 ℃～18 ℃之間；近一半雷暴大風個例T-Td大于 8℃；大多數短時強降水個例在8 ℃以下；冰雹天氣臨近時T-Td離散偏大。

2.2.3 動力條件診斷量

從烏海市不同類型強對流天氣臨近時850 hPa垂直速度可以發現，75%以上未發生強對流天氣和90%左右短時強降水發生時850 hPa垂直速度均大于0 m/s，其中短時強降水的垂直速度更大，可見低層垂直上升運動，有利于短時強降水的發生。而50%的雷暴大風和75%的冰雹850 hPa垂直速度小于0 m/s，低層為下沉運動。

圖6 烏海市不同類型強對流天氣臨近時850 hPa垂直速度箱線圖

項目中，我們還研究了散度、渦度、垂直風切變等物理量，對強對流天氣的識別與分類都沒有明顯的作用。

2.3 烏海地區強對流天氣潛勢預報方法

2.3.1 各物理量與是否發生強對流天氣相關性分析

由于樣本數有限且變量較多，先對各物理量與是否發生強對流天氣間的關系進行單變量相關性分析及t檢驗。檢驗結果發現，600 hPa溫度，200 hPa風速及200 hPa和850 hPa垂直風切變與是否發生強對流天氣不顯著相關。700 hPa和500 hPa溫度差，850 hPa風速，850 hPa垂直速度與是否發生強對流天氣都在0.05級別顯著相關，t檢驗的顯著性概率介于0.01和0.05之間，其余物理量均在0.01級別顯著相關。我們選擇在0.01和0.05級別顯著相關的所有物理量作為建立二項Logistic概率預報方程的自變量。

2.3.2 基于二項Logistic分析建立強對流天氣預報方程

利用SPSS軟件，基于二元Logistic回歸分析方法，得到進入方程的變量包括CAPE值、K指數、T700-500、700 hPa相對濕度、850 hPa相對濕度、T地面-850、850 hPa比濕、850 hPa垂直速度，未進入方程的變量包括垂直風切變、700 hPa比濕、地面溫度露點差，并得到預報方程。

(6)

式中x1、x2、x3、x4、x5、x6、x7、x8分別表示CAPE值、K指數、700 hPa和500 hPa溫度差、700 hPa相對濕度、850 hPa相對濕度、地面和850 hPa溫差、850 hPa比濕、850 hPa垂直速度。

2.3.3 歷史個例回溯及TS評分檢驗

選取2015年—2020年發生的強對流天氣及相同數量的對照組對預報方程進行檢驗，P值≥0.9的共出現4次，其中發生強對流4次，預報準確率達100%；P值為0.8～0.9、0.7～0.8、0.6～0.7的準確率分別為86.96%、82.35%、75%，預報準確率都≥75%；而當P值為0.5～0.6時，預報準確率大幅下降，為39.13%，因此選擇P≥0.6進行TS評分、空報率、漏報率檢驗。

圖7 概率預報方程P值分布情況及預報準確率

(7)

當P≥0.6時，偏離率BIAS為85%，預報頻率偏低，可初步判斷該預報方程漏報率要大于空報率。

(8)

當P≥0.6時，TS評分>60%，由于強對流天氣的預報預測中雷達回波、衛星云圖等起著重要作用，因此該預報方程為3種預報手段結合、提高強對流天氣的預報準確率和預報提前量具有一定的參考價值。

(9)

計算P≥0.6時，該預報方程的空報率和漏報率發現，漏報率大于空報率，空報率<20%，結合P值的范圍，當P值較大時，需提前考慮強對流天氣。

3 結束語

短時強降水、雷暴大風、冰雹等強對流天氣主要分布在5月-9月，其中短時強降水7月、8月最多，雷暴大風6月最多。從時段分布上來看，均主要發生在午后到傍晚前和凌晨。△T700-500、T地面-850、K指數、比濕、相對濕度、850hPa垂直速度、T-Td作為烏海地區強對流天氣分類指標，能有效將對照組與短時強降水、雷暴大風、冰雹個例區分開。通過二元Logistic回歸法，得到強對流天氣的預報方程，并通過預報準確率的檢驗發現其對強對流天氣的預報具有重要的參考意義。