基于FY2C數(shù)據(jù)的平均box方法預(yù)報對流初生

徐慧

（中國海洋大學 信息科學與工程學院，山東 青島 266100）

我國強對流天氣頻發(fā)，常常導(dǎo)致重大人員傷亡和財產(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)強對流天氣，11月9日我們南方出現(xiàn)罕見強對流天氣。

據(jù)統(tǒng)計，2001-2007年強對流災(zāi)害所造成的直接經(jīng)濟損失每年均在110億元以上，占氣象災(zāi)害全部損失的6%～15%；2009年強對流天氣則是我國第3大氣象災(zāi)害，僅次于干旱和暴雨洪澇。所以準確預(yù)報CI（Convective Initiation）是近年來國內(nèi)外研究的熱點之一。

世界氣象組織（WMO）定義，短時預(yù)報（very short-range forecasting VSRF）是指0～12 h以內(nèi)的天氣預(yù)報。對流天氣臨近預(yù)報是指對未來0～2 h的對流天氣系統(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，也可以稱當時的天氣監(jiān)測和2 h以內(nèi)的簡單外推預(yù)報為臨近預(yù)報。

文中借鑒了由威斯康星大學提出的一種在日間和夜晚都可以使用的CI預(yù)報算法。對京津地區(qū)進行了試驗，得出適用于京津地區(qū)強對流天氣的預(yù)警方法。這種算法使用了“box averaging”的概念來計算紅外通道的云頂冷卻速率和云頂云類型趨勢。 其中云頂云類型趨勢是由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光云圖資料，其中可見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)報結(jié)果。

1.2 云分類產(chǎn)品

云分類算法將每個風云云圖像素分成以下幾類：晴空、液態(tài)水、過冷液態(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]詳細介紹了這些云類型的細節(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)改進為只使用紅外通道，日間和夜晚獨立在 Pavolonis（2010a）[3]中描述了理論，在 Pavolonis（2010b）[4]中講述了算法細節(jié)。云分類算法依賴于之前的云掩膜算法，云掩膜算法用來確定哪一個像素里面有云。Heidinger（2010）[5]給出了云掩膜算法。云分類算法只用到了紅外輻射，所以不依賴于太陽天頂角。

1.3 雷達數(shù)據(jù)

文中所使用的雷達數(shù)據(jù)取自于天津塘沽雷達站的中國新一代天氣雷達（CINRAD）。雷達數(shù)據(jù)在本試驗中的作用是對比和驗證利用衛(wèi)星數(shù)據(jù)預(yù)警強對流發(fā)生的結(jié)果。

2 算法描述

2.1 背景和意義

UWCI算法是用來預(yù)報不被冰云砧層和中層的云層覆蓋的新發(fā)展起來的對流區(qū)域。UWCI算法的預(yù)報主要用來作為可操作預(yù)報器的決策支持工具，當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的第一個信號到云頂凍結(jié)成冰這個時間過程。當云頂凍結(jié)成冰時風暴已經(jīng)成熟。生長的對流云充分凍結(jié)成冰時，算法就停止，因為該算法不用來預(yù)報成熟風暴或者風暴混合物的未來強度衰減過程。

2.2 算法細節(jié)

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

該算法是基于每個像素為中心點的兩個box的方法，其中兩個box分別為7×7個像素和13×13個像素。每個像素的box內(nèi)的平均亮溫值是在小box內(nèi)計算的。box內(nèi)平均亮溫值的計算是在由以下云類的像素內(nèi)計算：水云、過冷水云、混合像素、卷云、重疊云和厚云。其中晴空像素應(yīng)該去除是因為若包含晴空像素，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算平均亮溫值，因為在兩次掃描之間，平均亮溫值之差反映了云的垂直生長。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減少兩次掃描之間的差值。霧像素也應(yīng)該被去除，是因為霧像素和正在垂直生長的對流云沒有關(guān)系。

計算box內(nèi)平均量溫值時，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紅外像素對box內(nèi)平均亮溫值做過貢獻。前后時間序列的平均亮溫值之差就得到未過濾的云頂冷卻速率（CTC：Cloud-top Cooling Rate）。其中未過濾的云頂冷卻速率反映了兩個大氣運動現(xiàn)象：一是云的水平運動，二是云的垂直生長。由于云的水平對流，30min之前的小box內(nèi)含有溫暖的低云，而當前時刻可能含有冷的高云，當計算前后時間序列之差時，就產(chǎn)生了錯誤的云頂冷卻速率。而垂直云增長，不會移出box的范圍區(qū)域，當前后時間序列相減時，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信號。所以，該算法設(shè)計了一個CTC濾波器，濾除錯誤的云頂冷卻速率。

CTC濾波器包含7個測試，詳細請見文獻[6]。如果一個像素不滿足7個測試的任何一個，則丟棄這個像素的云頂冷卻速率。圖1為該算法的流程圖。

未過濾的云頂冷卻速率經(jīng)過CTC濾波器后得到已過濾的CTC。以像素為中心點的小box內(nèi)至少有五個像素的過濾的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，通過對京津地區(qū)強對流天氣的大量試驗，將部分閾值修改如下：將云頂冷卻速率濾波器的第三個測試的閾值修改為80%，預(yù)報CI的過濾CTC的值修改為-2 K。使用修改后的閾值，預(yù)報情況基本正確。

3 個例結(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)強對流天氣，F(xiàn)Y2C衛(wèi)星和天津塘沽雷達完整觀測到了該次天氣過程。圖2是CI預(yù)報前對衛(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。原因可能為當前的個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)域為預(yù)警的30～45分鐘之后將出現(xiàn)的CI。通過使用相同區(qū)域、同一時間段的雷達回波數(shù)據(jù)作為驗證，可以發(fā)現(xiàn)在13:28BTC時刻，圖3（b）中并未觀測到任何風暴跡象（沒有出現(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)了一個小的風暴生成（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。

4 結(jié) 論

本文使用了文獻[6]中提出的CI預(yù)警方法，對京津地區(qū)的強對流天氣進行了試驗，并根據(jù)試驗的結(jié)果修改了部分指標的閾值。試驗表明，經(jīng)過閾值的適當修改，文獻[6]中的方法也適用于京津地區(qū)的強對流形成的預(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)。在未來研究工作中，需要針對具體情況進行深入的研究，以減少虛警。

圖2 CI預(yù)報前的基礎(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.