強對流實況分析關鍵技術與產品研制進展和展望

葛玲玲 師春香 谷軍霞 徐賓

（國家氣象信息中心，北京 100081）

0 引言

強對流天氣通常指的是由深厚濕對流產生的包括短時強降水、雷暴大風、冰雹和龍卷等災害性天氣現象，具有突發性強、生命史短、局地性強、天氣劇烈、破壞力大等特點[1-2]。世界上將其列為僅次于熱帶氣旋、地震、洪澇之后第四位具有殺傷性的災害性天氣。一般強對流天氣的產生要素包括靜力不穩定、水汽和抬升觸發，在任何時間任何地點，這3個要素能夠同時滿足，就會有雷暴（深厚濕對流或對流風暴）生成[3]。目前的強對流天氣實況分析主要依賴常規高空和地面觀測、氣象衛星云圖、閃電定位儀數據、天氣雷達觀測數據、數值預報產品等資料來綜合判斷是否出現短時強降水、雷暴大風、龍卷以及冰雹等強對流災害性天氣。而強對流天氣的臨近預報、預警主要是根據多普勒天氣雷達回波特征適當結合地面氣象站、衛星和閃電等觀測資料判斷未來0～2 h是否可能出現大冰雹、雷暴大風（含下擊暴流）或者龍卷[4]。

基于過去和現在的觀測去分析當前的強對流天氣發生、發展情況（預測未來的強對流天氣變化），是一個重要和具有挑戰性的問題。梳理現有的國內外強對流實況分析業務現狀和研究技術動向可為我國今后的強對流實況分析體系建設提供借鑒和思考。首先，調研了美國、歐洲、亞洲、加拿大和澳大利亞等國際上主流的強對流實況分析業務現狀，其中重點調研了美國的預警決策支持系統—綜合信息（Warning Decision Support System-Integrated Information, WDSSII）、奧地利的綜合分析集成臨近預報系統（Integrated Nowcasting through Comprehensive Analysis, INCA）和中國的強對流天氣短時臨近預報系統（Severe Weather Automatic Nowcasting, SWAN）的數據源、產品概況、關鍵技術、起止時間和應用領域。此外，針對強對流實況分析產品與預報實踐結合，調研了對強對流實況分析產品的應用具有啟發性的美國國家海洋和大氣管理局（NOAA）的試驗平臺和春季預報試驗。其次，梳理了國內外強對流實況分析技術動向，對比分析了快速更新同化數值模式、概念模型預報技術以及識別追蹤和外推預報技術等短時臨近強對流預警技術的優缺點，并回顧了近年來國內外各大主流機構的強對流實況分析人工智能（AI）解決方案。最后，對強對流實況分析未來發展進行展望與思考。

1 國內外強對流實況分析業務產品研究進展

1.1 發展概況

隨著氣象探測手段的不斷發展，衛星、雷達、閃電定位儀以及地面自動氣象站等數據的應用使得強對流天氣預報的能力有了顯著提高。為了強化對強對流天氣實況、發生條件及其氣候演變過程的認知，進一步提高嚴重災害的預測的提前量和準確性，國內外各大主流機構運用了多種新技術、新方法對短時強降水、冰雹、雷暴大風和龍卷等強對流天氣進行了大量研究。表1列出了目前國內外主流強對流天氣短時臨近預報業務系統的現狀。美國國家大氣研究中心（NCAR）較早研發了雷暴識別、跟蹤、分析和預報算法（TITAN）[5]和對流單體生消演變預報系統（ANC）[6]，NOAA研發了對流分析與預報系統（SCAN）[7]、局地分析與預測系統（LAPS-MM5）[8]、預警決策支持系統—綜合信息（WDSS-II）[9]和高分辨率集合預報系統（HREF, https://www.emc.ncep.noaa.gov/users/meg/hrefv3/）[10-11]，美國聯邦航空管理局（FAA）針對航空業專門建立了綜合風暴預測（CoSPA）[12]。在歐洲，英國氣象局（Met Office）研發了使用區域觀測數據進行建模的預測和初始化系統（NIMROD）[13]和短期集合預測系統（STEPS）[14-16]，德國氣象局研制了可替代全球模式和區域模式的全球天氣預報業務模型（GME）[17]，德國、希臘、意大利、波蘭、羅馬尼亞、俄羅斯和瑞士等國的氣象部門組成的聯盟建立了小規模建模聯盟（COSMO）[18-20]，意大利的Arpae-SIMC在COSMO內開發了有限區域集合預測系統（COSMO-LEPS）[21-23]，法國氣象局研發了面向重要天氣的預報系統（SIGOONS）[24]，奧地利國家氣象局研發了綜合分析集成臨近預報系統（INCA）[25]，芬蘭氣象研究所和瑞士聯邦氣象學和氣候學辦公室等機構聯合研發了基于Python框架的短期集合預測系統（pySTEPS）[26]。在亞洲，日本氣象廳研發了極短期的預測系統（VSRFS）[27]，香港天文臺建立了局部系統中的強暴雨短期預警系統（SWIRLS）[28]，中國氣象局強對流天氣預報中心建立了強對流天氣短時臨近預報系統（SWAN）[29]。此外，加拿大環境部建立了加拿大地區的雷達決策支持系統（CARDS）[30]，澳大利亞氣象局建立了雷暴交互式預報系統（TIFS）[31]。

表1 國際主流強對流天氣短時臨近預報業務系統現狀Table 1 Status of mainstream international operational systems for short-term forecasting and nowcasting of severe convective weather

1.2 國際主流強對流實況分析業務

表2從數據源、產品概況、關鍵技術、起止時間和應用領域多角度對比了美國WDSS-II、奧地利INCA和中國SWAN業務系統的現狀。

表2 美國WDSS-II、奧地利INCA和中國SWAN業務系統的現狀Table 2 Status of the Warning Decision Support System-Integrated Information (WDSS-II) in the United States,the Integrated Nowcasting through Comprehensive Analysis (INCA) in Austria, and the Severe Weather Forecasting Automatic System (SWAN) in China

1.2.1 美國WDSS-II系統

預警決策支持系統—綜合信息（WDSS-II）是美國第二代用于分析、診斷和預測強對流天氣現象的自動算法、工具和顯示系統。它由美國國家強風暴實驗室（NSSL）和俄克拉何馬大學中尺度氣象研究合作研究所（CIMMS）的工程師和科學家聯合開發。在許多強對流天氣事件中，WDSS-II為預警預報提供重要信息，以決定是否發出警告[9]。WDSS-II由三個部分組成：一套多傳感器自動氣象算法，包括結合和詢問雷達數據、診斷冰雹、閃電和降水的技術；一個用于查看多傳感器數據和算法輸出的三維地球和時間中心顯示器；一個支持算法和顯示開發者的C++應用編程接口（API）庫。WDSS-II主要的硬件系統包括：實時輸入和數據發布系統（RIDDS）、多普勒數據流的雷達工具（RUDDS）、強風暴分析程序（SSAP）和雷達和算法顯示系統（RADS）。在強風暴分析程序中主要包括旋風探測算法（MDA）、龍卷風探測算法（TDA）、冰雹探測算法（HDA）、風暴單元識別和跟蹤算法（SCIT），以及破壞性下沉氣流預測和檢測算法（DDPDA）。圖1為WDSS-II系統創建實時診斷產品的數據流，橢圓代表實時應用，矩形代表可用于強對流天氣分析和預測的診斷產品。關于WDSS-II中算法和工具描述可以從官網（https://inside.nssl.noaa.gov/wdssii/）獲取。

圖1 WDSS-II系統數據流[9]（a）二維和三維產品的創建；（b）三維和衍生二維產品的創建Fig. 1 Data flow of the WDSS-II system[9](a) Creation of 2D and 3D products; (b) Creation of 3D and derived 2D products

1.2.2 奧地利INCA系統

INCA是由奧地利中央氣象學和地球動力學研究所（ZAMG）與幾個中歐氣象研究所合作開發的具有復雜地形適應性的高分辨率（水平1 km）短時臨近集成分析預報系統，也是世界天氣研究計劃預報示范項目INCA-CE（Integrated Nowcasting through Comprehensive Analysis-Central Europe）推薦的短時臨近業務系統[32]。Suklitsch等[33]通過與有限區域集合預測，考慮與觀測有關的不確定性，可以實現針對短時臨近范圍的集成預報En-INCA。解小寒等[34]對INCA分析和預報進行了驗證檢驗，結果表明INCA在短時臨近階段對數值模式有明顯提升，其對流算法對純外推預報有所改進。在地面氣象站數據和雷達、衛星等其他觀測的幫助下，INCA對數值模式輸出進行修正，為用戶提供了更準確的關于當前和未來天氣狀況的圖片（逐小時更新0～6 h），目前已經在十幾個國家和地區得到廣泛應用。圖2為整個系統概述，包括系統輸入、主要技術、要素產品、分析預報和下游應用[35]。INCA基于高分辨系統地形、地表層指數和垂直坐標系，一方面保證分析中實況信息得以準確保留，另一方面利用遙感資料來提供基于實況插值的空間結構。INCA短時臨近預報中不僅使用了經典的相關運動矢量外推方法，還引入了地形影響方案。由于INCA系統實現了對山區地形的精細化描述，進而充分考慮了地形對要素場的影響。INCA在地形復雜的山區具有一定優勢，在有著山洪地質災害隱患的地區將能發揮較好的短時臨近預警作用。INCA在強對流預報中不僅發展了基于INCA分析場對流參數組合和衛星產品的決策算法來實現對流生消預報，還發展了基于物理參數化的雷暴大風預報方案，主要基于雷達觀測和短時臨近預報來估算降水粒子載荷和負浮力，進而預報雷暴大風。Ghaemi等[36]在對奧地利東南部12年的降水進行檢驗評估發現，INCA在估計短時對流降雨事件和極端事件的峰值方面的誤差和不確定性應在未來的研究中加以考慮。

圖2 INCA系統概述（來源：EGU2020海報[35]）Fig. 2 Overview of the INCA system (from EGU2020 poster[35])

1.2.3 中國SWAN系統

SWAN是我國利用多源觀測資料（常規和非常規資料）自主建立的中國氣象局短時臨近預報業務系統。在強對流天氣綜合監測業務系統中監測對象包括積云、地面高溫、雷暴、地閃、冰雹、龍卷、大風、雷暴大風、短時強降水、雷暴反射率因子、對流風暴（基于雷達資料）、深對流云及中尺度對流系統等不同時段的分布。發展的監測技術主要包括自動站資料質量控制技術、強對流信息提取和統計技術、直角坐標交叉相關雷達回波追蹤技術、雷暴識別追蹤分析和臨近預報技術、深對流云識別技術、中尺度對流系統識別和追蹤技術，以及閃電密度監測技術等[37]。2022年以來，在中國氣象局預報與網絡司的指導下，國家氣象中心、國家氣象信息中心以及地方氣象部門強化國省協同的短時臨近預報業務，以SWAN3.0為載體，打造“直連互通、循環閉合”的新型短時臨近業務流程，提升了極端天氣預報預警能力。在SWAN2.0算法基礎上，SWAN3.0不僅可以綜合顯示風云氣象衛星、探空站、雷達、自動站等多源數據，直接對接國省市縣四級短時臨近業務，而且6 min內生成全國短時臨近預報產品，共享回波降水外推、龍卷潛勢、AI雷暴大風分級等先進短時臨近預報技術產品。從2022年6月8日開始，SWAN3.0正式向全國推廣試用，以提高1 h精準化的預警提前量。

1.3 在預報實踐中的應用

預報試驗應用反饋對加速推進強對流實況分析業務產品研究進展至關重要。自2000年起NOAA的“災害天氣試驗平臺”（HWT）每年都會開展針對強對流災害天氣預報的“春季試驗”，以促進業務預報部門與科研機構之間的交流[38]。HWT是一個物理空間和研究框架，以促進合作和評估新興的工具、技術和產品，用于美國國家氣象局業務。HWT的試驗性預警計劃側重于研究、技術和通信，以改善高影響天氣和強對流天氣的預警和社會反應[39]。

針對雷達、衛星和閃電試驗情況，專家學者們進行了大量的研究。Smith等[40]關于MRMS-Severe算法的探索性試驗，為進一步開發和改進旋轉軌跡和最大預期的冰雹大小等算法提供了指導。Heinselman等[41-42]通過模擬龍卷和強風暴案例的PARISE試驗，研究了更高時間分辨率的雷達數據會對預警決策過程產生積極影響的假設。Bass等[43]和Rude等[44]通過大氣層協作自適應傳感試驗探索了新的雷達空白填補技術的優勢和局限性，并評估了在預警決策期間使用空白填補的雷達以及對終端用戶通信的相關影響。Sandmael等[45]通過雷達操作中心試驗評估確定基于WSR-88D網絡的新算法是否可以合理地替代傳統版本，結果強調了單站雷達數據對于預警的影響。在地球靜止軌道環境業務衛星（GOES）項目和聯合極地衛星系統（JPSS）項目中，在每年春季進行基線、未來能力和試驗產品的演示，例如，對流初生的預測和概率[46-47]，以及0～3 h嚴重冰雹概率[48]。通過10多年的GOES-JPSS試驗反饋不僅極大地影響了可用的產品和可視化，而且還為預報員提供了在強對流天氣預報中使用衛星數據的培訓和最佳實踐。在2013—2016年春季試驗期間，與GOESJPSS試驗場演示協調測試了總閃電跳躍算法（LJA）的不同實現，并根據Schultz等[49-50]的結果改進強對流天氣的短期預測。Liu等[51]研究表明閃電總數據和自動危險雷暴警報（DTA）的系統可以幫助增加當前強對流天氣和龍卷風警報的提前時間，特別是在2015年春季試驗期間完成了連續的現場天氣評估，發現了總閃工具的價值，例如風暴跟蹤和時間序列信息。

總體來說，HWT的試驗性預警計劃極大地影響了當前的業務預警環境，對今后的預警研究、技術和通信技術的改革和發展提供可行性建議。NOAA的試驗平臺和春季預報試驗不僅值得我國相關預報業務借鑒，更對強對流實況分析產品與預報實踐相結合具有啟發性。

2 國內外強對流實況分析技術研究動向分析

2.1 研究進展概況

從強對流預警業務來看，主流的業務系統主要是基于邊界層輻合線理論、基于近地面溫度分析和強對流天氣短時臨近預報技術等進行強對流天氣預測。其中，國內外強對流天氣短時臨近預警預報技術的發展與研究進展主要集中在雷暴識別追蹤和外推預報技術、以分析觀測資料為主的概念模型預報技術，以及數值預報技術。表3對比了快速更新同化數值模式[52-56]、概念模型預報技術[57]，以及識別追蹤和外推預報技術[58-60]這三種國內外主要的短時臨近強對流預警預報技術的優缺點。此外，從數值預報技術和短時臨近預報技術的預報技巧來看（圖3），對強對流系統發展、演變的預報時效超過1 h以上的預報可信度大大降低，而數值預報與短時臨近外推相結合可以大大提高短時臨近預報準確率[61]。

圖3 數值預報技術、短時臨近預報技術預報技巧比較示意圖[61]Fig. 3 Comparison between numerical prediction techniques and short-term forecasting and nowcasting techniques[61]

表3 主要短時臨近強對流預警預報技術列表Table 3 List of major short-term forecasting, nowcasting and early-warning technologies for severe convective weather

2.2 強對流實況分析人工智能解決方案

人工智能在地球系統科學應用中優勢明顯，表4列出了近年來經典的強對流實況分析人工智能解決方案。

表4 經典的強對流實況分析人工智能解決方案列表Table 4 List of classic artificial intelligence solutions for severe convective real-time analysis

2015年，Shi等[62]將降水臨近預報轉化為時空序列預測問題，利用香港天文臺提供的雷達回波數據專門設計了ConvLSTM編碼網絡用于短時降水預報。2017年，Shi等[63]針對雷達回波外推技術的實際應用提出了TrajGRU模型，進一步改進了短時降水預報。

基于AI的強對流實況分析旨在通過數據驅動的方法挖掘數據特性，構建針對性的模型提高準確率和物理可解釋性已成為一個重要的研究方向[64]。例如，McGovern等[65]通過將物理知識與自動修正相融合，旨在利用AI改進對高影響天氣的實時決策。Solazzo等[66]利用GNSS水汽觀測數據，開發一個基于神經網絡方法的預報系統，減輕米蘭地區嚴重雷暴的影響。Burke等[67]通過引入機器學習方法來校準業務上的冰雹概率預報。

由于深度學習能夠有效綜合提取觀測數據和數值預報模式數據的信息，因此其預報性能顯著優于單純依賴數值預報模式對流參數化方案的預報效果。而且，綜合應用觀測數據和數值預報模式數據的深度學習方法預報效果也明顯優于使用單一數據的深度學習方法。2020年，Google提出了秒級神經網絡天氣模型MetNe[68]，它能夠以2 min的間隔和1 km的分辨率預測未來8 h內的降水概率，優于NOAA當前使用的基于物理定律的HRRR模型，且預測耗時只需幾秒鐘（之前的模型需要1 h）。該網絡的輸入自動從雷達站和衛星網絡獲取，無需人工注釋。模型輸出是一個概率分布，用于推斷每個地理區域最可能的降水概率以及相關的不確定性。Google還提出了超越MetNet性能的MetNet-2[69]，通過采用更豐富的天氣輸入狀態，并擴展架構以捕獲更長的空間依賴性。與基于物理的模型相比，MetNet-2在提前12 h進行天氣預報時優于最先進的HREF集合預報模型。DeepMind提出了用于雷達降水的概率臨近預報的深度學習方法DGMR[70]，它能夠準確的預測未來90 min內下雨的可能性。DGMR平衡了預測結果的降水強度和范圍，可以更好的捕捉環流強度和結構，并能夠更清晰準確地預測局部的降雨和運動。除了采用各種評分指標來評估模型外，還通過50多位專業的氣象學家進行系統評估。評估結果表明，與之前廣泛使用的臨近預報方法相比，該方法在89%的案例中對位置、范圍、運動和強度等預測的準確性和實用性均排名第一，證明了DGMR深度學習方法具備為現實世界的決策者提供洞察力的能力。

針對強對流天氣預報這一世界級難題，需要國內外氣象部門、企業、高校和科研院所強強聯合，積極探索智能化信息技術新路線。例如，ECMWF于2021年發布的未來十年戰略規劃表明，在未來的計算挑戰方面，AI將扮演重要角色，尤其是機器學習，它將成為整個數值天氣預報和氣候服務工作流程的一部分。Frnda等[71]利用氣象站觀測數據訓練深度學習模型以改善全球數值天氣預報模型（ECMWF研發）的短期預報精度，交叉驗證的結果表明深度學習模型優于標準ECMWF的預報精度，并且更接近于當地數值天氣預報模型的預測精度。

3 強對流實況分析的挑戰與思考

《全國氣象發展“十四五”規劃》明確指出，“十四五”時期將推動氣象領域的AI應用，進一步實現以預報精準為核心、惠及監測精密與服務精細。開展基于多源氣象觀測資料和AI綜合診斷技術，不僅有利于加強短時強降水、雷暴大風、冰雹和龍卷等強對流天氣的科學認識，而且能夠提供適用于防災減災的精細化氣象預報服務[72]。雖然人工智能已廣泛應用于地球科學各個領域，但如何從大數據中挖掘有效時空信息、如何在模型構建中利用物理先驗、如何結合數值模式和AI技術的優勢提高準確率和物理可解釋性仍需深入研究[73]。在未來的強對流實況分析研究中，一方面，要加強衛星、雷達、探空等多源數據在強對流實況分析產品研發中的融合應用，加快推進強對流多源融合實況分析產品研制和業務化建設；另一方面，要推進人工智能技術在氣象學領域的融合應用，汲取國內外已有研究經驗和教訓，實現我國強對流實況分析關鍵核心技術自主可控。