利用貴陽單站對流參數(shù)的強降水潛勢預(yù)報方法研究

易志學，蘭世懷

(1.貴州省雷山縣氣象局， 貴州 雷山 557100；2.南京信息工程大學， 江蘇 南京 210044)

利用貴陽單站對流參數(shù)的強降水潛勢預(yù)報方法研究

易志學1，蘭世懷2

(1.貴州省雷山縣氣象局， 貴州 雷山 557100；2.南京信息工程大學， 江蘇 南京 210044)

該文利用2002—2011年10 a的常規(guī)觀測資料，篩選出貴陽單站24 h強降水、12 h強降水及6 h強降水個例。對大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標與強降水進行相關(guān)性統(tǒng)計分析，確立了相關(guān)性較好的常用物理指標(IQ、K、mK、SWEAT、Tg)。通過分析降水前后其物理指標的變化特征，并利用成功指數(shù)建立指標預(yù)警閾值。再利用逐步消空法和BP神經(jīng)網(wǎng)絡(luò)集成方法對指標進行集成，得到相應(yīng)的預(yù)報模型，從而建立了貴陽強對流天氣未來0～6 h，0～12 h的潛勢預(yù)報的預(yù)警預(yù)報指標，對貴陽地區(qū)降雨預(yù)報具有一定的指示作用。分析表明，利用逐步消空法建立的預(yù)報模型要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)集成的模型。

強降水；對流參數(shù)；預(yù)警閾值；逐步消空法；BP神經(jīng)網(wǎng)絡(luò)；預(yù)報集成

1 引言

本文將利用貴陽站地面及高空常規(guī)觀測資料，分析各種對流參數(shù)及物理指標與降水的相關(guān)性，尋找出相關(guān)性比較好的物理指標，建立貴陽對流天氣的預(yù)警指標，從而指導人工增雨作業(yè)?，F(xiàn)階段我國強對流天氣業(yè)務(wù)專業(yè)化處于起步階段，無論預(yù)報時效、預(yù)報準確率和技術(shù)支撐等與發(fā)達國家相比仍存在很大的差距，其中在技術(shù)研發(fā)方面，利用歷史資料提取敏感動力熱力因子，經(jīng)過統(tǒng)計分析，總結(jié)出這些指數(shù)在各類強對流天氣中的分布區(qū)間，并確定強對流天氣類型的閾值，從而構(gòu)建具有明確意義并反映強對流特征的冰雹指數(shù)、大風指數(shù)和超級綜合指數(shù)等對于目前我國的預(yù)報來說仍是一項巨大的挑戰(zhàn)[1]。

諶志剛等根據(jù)2007—2008年2 a 7—10月廣東后汛期強對流天氣出現(xiàn)時的雷達資料和對應(yīng)的GRAPES模式資料以及強對流天氣發(fā)生時各地的實況，進行數(shù)據(jù)處理，通過多元逐步回歸方法建立后汛期強對流天氣潛勢預(yù)報方程，對廣東省后汛期的強對流天氣進行0～1 h的臨近預(yù)報[2]。劉玉玲結(jié)合了強對流天氣發(fā)生發(fā)展的物理機制，結(jié)合具體個例分析了浮力能和風切變等有關(guān)的對流參數(shù)在強對流天氣潛勢預(yù)報中的作用[3]。陳秋萍等利用2003—2007年中尺度模式MM5以及探空資料計算的物理量，選取對流天氣相關(guān)性好的熱力、動力、能量參數(shù)作為預(yù)報因子，通過對這些參數(shù)的空間分布特征與強對流天氣落區(qū)進行診斷統(tǒng)計分析，通過參數(shù)搭配，建立了強對流診斷預(yù)報方程，制作出了福建省0～12 h，0～6 h強對流天氣的潛勢預(yù)報和落區(qū)的預(yù)報[4]。許愛華等采用19 a 3—9月常規(guī)觀測資料，對南昌Δ T 850-500 ≥27 ℃這種強垂直溫度梯度與江西強對流天氣過程的關(guān)系進行了相關(guān)分析，并將區(qū)域強對流天氣、局部強對流天氣、無強對流天氣3類情況下的中低層氣壓、溫度、濕度、風場及穩(wěn)定度進行分類合成分析，得出：當南昌Δ T 850-500 ≥27 ℃時，且有天氣系統(tǒng)作為觸發(fā)條件時，江西強對流天氣發(fā)生的概率達85 %；中低層的低槽和切變等影響系統(tǒng)、江南華南暖濕氣流、河套地區(qū)的冷空氣都有利于江西強對流天氣出現(xiàn)[5]。他們的研究主要針對某個區(qū)域，且對于強對流天氣發(fā)生時的物理指標和對流參數(shù)的分析中運用的方法是診斷統(tǒng)計分析、逐步回歸等方法建立強對流天氣的潛勢預(yù)報模型，而本文的研究主要是針對單站的強降水的對流參數(shù)，運用成功指數(shù)建立強降水發(fā)生的閾值，并逐步消空的方法和BP神經(jīng)網(wǎng)絡(luò)集成的方法將相關(guān)性好的參數(shù)就行集成。

2 資料

2.1 資料概況

本文所用的資料是2002—2011年10 a的常規(guī)觀測資料，取自南京信息工程學院大氣科學學院，是基于MICAPS的分析處理資料。

2.2 強對流天氣個例的標準

基于貴陽地區(qū)強降水概況，分別定義了不同時段的強降水標準來篩選強降水個例。其中24 h降水量分析中，定義08時的24 h累計降水量大于20 mm的個例為強降水；12 h降水量分析中，定義12 h累計降水量大于15 mm的個例為強降水；6 h降水分析中，定義6 h累計降水量大于10 mm的個例為強降水。根據(jù)定義的標準從10 a的常規(guī)觀測資料中篩選出不同時段的強降水個例來進行探討分析。

2.3 個例及預(yù)報指標選取

從10 a的常規(guī)觀測資料中，按照2.2的標準篩選出貴陽單站的強降水個例。其中，24 h降水量的強降水共有24個，12 h降水量的強降水共有41個，由于對流參數(shù)缺失的原因，實際挑選出36個。6 h降水量的強降水個例總共有54個，由于對流參數(shù)缺失的原因，實際篩選出45個。

選取了強降水發(fā)生前、發(fā)生時的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標作為分析對象。

3 主要研究方法及常用參數(shù)意義

3.1 相關(guān)性分析

相關(guān)系數(shù)是衡量兩個變量線性關(guān)系密切程度的量，而相關(guān)性分析是驗證兩個變量之間的線性關(guān)系，從相關(guān)系數(shù)r的大小可以判別出，兩個變量之間的線性關(guān)系的強弱。本文中的相關(guān)性分析主要是分析降水發(fā)生前，發(fā)生時的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標與降水的相關(guān)性，從而確立降水發(fā)生時具有較好指示意義的物理指標。

3.2 成功指數(shù)

根據(jù)表1，有：

(1)

(2)

(3)

(4)

其中POD的含義為報對次數(shù)與事件出現(xiàn)總次數(shù)的比值。上面引入的量是衡量預(yù)報質(zhì)量、預(yù)報指標或預(yù)報方法優(yōu)劣很有用的參數(shù)。尋找預(yù)報指標，就是尋找使y和z變小、準確率和CSI變大的條件[8]。本文利用這種方法來確立物理指標的閾值。

表1 定義CSI、POD、FAR、m用表

3.3 逐步消空法

逐步消空法[8]是在3.2中的表達式的基礎(chǔ)上，使得y=0，z逐漸變小的方法，可以用探測概率POD與虛假報警率FAR表示：

POD=100.0%

(5)

100.0%>FAR=m>0

(6)

[(FAR)j-1-(FAR)j]>mj%>0

(7)

式(7)中(FAR)j表示第j個指標的虛假報警率。其中，式(6)與式(7)表示“寧空”，式(5)表示“勿漏”；式(5-7)共同表示“寧空勿漏”；而式(5)與式(6)則是“逐步消空法”的數(shù)學表達。本文利用這種方法確立的物理指標組合成一個指標集，建立預(yù)報思路。

3.4 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)網(wǎng)絡(luò)[9]，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input)、隱層(hide layer)和輸出層(output layer)3個層次。以建立的物理指標參數(shù)序列作為BP神經(jīng)網(wǎng)絡(luò)集成預(yù)報模型的學習矩陣輸入，相應(yīng)的實況降水量作為學習矩陣的期望輸出。首先對學習矩陣的樣本進行標準化處理：

(8)

pn為標準化后輸入的數(shù)據(jù)，p為原始數(shù)據(jù)，max(p)、min(p)分別為P序列中的最大值和最小值。隱節(jié)點取5，學習率為0.1，訓練函數(shù)為tranrp —— 帶反彈的回傳(Rprop)。對樣本進行訓練后對給定的實驗樣本進行仿真。

3.5 指標的種類及物理意義

3.5.1 指標的種類 對流分為干對流和濕對流[10]，本文主要討論的是濕對流的情況。需滿足對流性天氣形成的3個基本條件[11]：水汽條件不穩(wěn)定(包括對流性不穩(wěn)定)層結(jié)、抬升條件。

這3個因子中，水汽和不穩(wěn)定層結(jié)可以看作是對流性天氣發(fā)生的內(nèi)因，而抬升作用則看作是外因，當外因和內(nèi)因相互作用，即當這3個條件都具備時對流性天氣將爆發(fā)?；趯α餍蕴鞖獍l(fā)生的3個基本條件，對流天氣發(fā)生的指標可以分為大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類3類。

3.5.2 指標的物理意義 IQ整層比濕積分，反映的是大氣層中總的水汽情況。Tg對流溫度，氣塊自對流凝結(jié)高度干絕熱下降到地面時所具有的溫度。如當日最高溫度大于對流溫度， 則該日就有可能出現(xiàn)熱力對流云。熱力對流凝結(jié)高度一般即為熱力性對流云云底的高度。由此可見， 對流凝結(jié)高度和對流溫度對局地熱對流有一定的預(yù)報能力。K指數(shù)K= (T850-T500) +Td850-(T700-Td700)(9)，反映大氣的層結(jié)穩(wěn)定情況，K指數(shù)越大，層結(jié)越不穩(wěn)定，但它不能明顯表示出整個大氣的層結(jié)不穩(wěn)定度。mK指數(shù)是考慮了地面溫度狀況后改進的K指數(shù)，其值越大表示氣團低層越暖濕，穩(wěn)定度越小，有利于對流發(fā)生。SWEAT強天氣威脅指數(shù)，I=12Td+20(T-49)+4fs+2f5+125(S+0.2)(10)，是根據(jù)日常預(yù)報經(jīng)驗得出的一個預(yù)報指標，其反應(yīng)的是不穩(wěn)定能量與風速垂直切變以及風向垂直切變對風暴的綜合作用，當SWEAT強天氣威脅指數(shù)值越高，發(fā)生強對流的可能性就越大。

4 預(yù)警指標的篩選

4.1 24 h降水量與預(yù)報指標的相關(guān)性分析

利用08時24 h降水個例序列，選取對應(yīng)降水前12 h、24 h的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標，建立對應(yīng)的序列，計算出各類物理指標與降水時的相關(guān)系數(shù)。各類物理指標與24 h累計降水量的相關(guān)系數(shù)如表2所示。

表2 24 h降水量的相關(guān)系數(shù)

根據(jù)表2可以看出，各類物理指標與24 h降水量的相關(guān)系數(shù)都較小。其中大氣溫濕類參數(shù)中Tg對流溫度與24 h降水的降水前24 h的相關(guān)系數(shù)比前12 h的要大，而IQ整層比濕積分和TT總指數(shù)與24 h降水的降水前12 h的相關(guān)系數(shù)比前24 h的要好。在層結(jié)穩(wěn)定度類指標中K指數(shù)、修正的K指數(shù)(mK)、ICC對流不穩(wěn)定指數(shù)、JI指數(shù)與24 h降水量的相關(guān)性較好，24 h降水量K指數(shù)與修正的K指數(shù)的前12 h相關(guān)性比前24 h的要好，而ICC指數(shù)與JI指數(shù)的剛好相反。在熱力與動力綜合類物理指標中SSI指數(shù)與24 h降水量的相關(guān)系數(shù)前12 h達到-0.46，前24 h達到-0.87，可以看做是負相關(guān)。與SWEAT的相關(guān)系數(shù)，前12 h的明顯比前24 h大。能量類參數(shù)，CAPE與24 h降水量的相關(guān)系數(shù)，前12 h的高于前24 h的。

根據(jù)以上分析，選取Tg對流溫度、IQ整層比濕積分、TT總指數(shù)、K指數(shù)、mK、 ICC、 JI、 SSI、 SWEAT、CAPE作為未來24 h強降水的預(yù)報因子。

4.2 12 h降水量與指標的相關(guān)性分析

利用08時和20時的12 h水時段降水前、降水時的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標，建立對應(yīng)的序列，計算出各類指標物理量與12 h水的相關(guān)系數(shù)，計算出的相關(guān)系數(shù)較好的物理參數(shù)如表3所示。

表3 12 h降水量的相關(guān)系數(shù)

根據(jù)表3中可看出大氣溫濕類參數(shù)Tg對流溫度，IQ整層比濕積分，TT總指數(shù)與降水前08時的相關(guān)系數(shù)比20時要好。在層結(jié)穩(wěn)定度類參數(shù)中JI與Teffer的相關(guān)系數(shù)與24 h的相比較，相關(guān)性較小，不穩(wěn)定，而K指數(shù)與mK指數(shù)相關(guān)性較好。熱力動力綜合性類參數(shù)中SWEAT強天氣威脅指數(shù)相關(guān)性較好。能量類指數(shù)CAPE相關(guān)性與24小時降水量相比較，相關(guān)性很小。

根據(jù)以上分析，選區(qū)相關(guān)性較好的物理參數(shù)Tg對流參數(shù)、IQ整層比濕積分、K指數(shù)、mK指數(shù)、JI指數(shù)、SWEAT強天氣威脅指數(shù)、CAPE作為未來12 h降水的物理指標。

4.3 6 h水量與指標的相關(guān)性分析

利用6 h降水個例序列，選取降水時段最近的兩個時次和降水后的大氣溫濕類、層結(jié)穩(wěn)定度、熱力及能量類物理指標，建立對的序列，計算出各類物理指標與6 h計降水量的相關(guān)系數(shù)，如表4所示。

表4 6 h降水量的相關(guān)系數(shù)

根據(jù)表4中可以看出大氣溫濕類參數(shù)中降水前與TT總指數(shù)的相關(guān)系數(shù)較好而降水時和降水后的相關(guān)系數(shù)偏小，Tg對流溫度降水前和降水后較好，降水時偏小，IQ整層比濕積分的相關(guān)性在降水時達到最大，隨后隨著大氣層中水汽的減小而減小。層結(jié)穩(wěn)定度類參數(shù)K指數(shù)、mK指數(shù)的在降水前、降水時相關(guān)性較好，降水后層結(jié)穩(wěn)定度趨于穩(wěn)定，相關(guān)性偏小，ICC指數(shù)在降水時相關(guān)性較好。熱力動力綜合類參數(shù)中SWEAT強天氣威脅指數(shù)在降水時相關(guān)性最好，相關(guān)系數(shù)達到0.31。能量類指標在降水前和降水時相關(guān)性較好，降水后很小。

根據(jù)6 h水相關(guān)性分析，選取Tg對流溫度、IQ整層比濕積分、TT總指數(shù)、K指數(shù)、mK指數(shù)、ICC、JI、SWEAT強天氣威脅指數(shù)，作為0～6 h水的預(yù)報因子。

4.4 預(yù)警指標的確定

通過以上對24 h水量和12 h水量分析以及6 h水量與各類物理指標相關(guān)性的分析，不同時段的降水量與各類物理指標的相關(guān)系數(shù)都較小，無法通過顯著性檢驗，不再進行顯著性檢驗。根據(jù)不同時段選取的預(yù)報因子可以看出，Tg對流參數(shù)、TT總指數(shù)、IQ整層比濕積分、K、mK、ICC、JI、SWEAT強天氣威脅指數(shù)、CAPE等與降水的相關(guān)性較好，但是一些參數(shù)的相關(guān)性不穩(wěn)定，如TT總指數(shù)、CAPE等，最終選取Tg對流溫度、IQ整層比濕積分、K指數(shù)、mK、SWEAT強天氣威脅指數(shù)5個因子作為預(yù)報指標。

5 預(yù)警指標值的建立

5.1 預(yù)警指標的分析及確定

根據(jù)成功指數(shù)的思想分別確立了08時和20時的所選出來的各個對流參數(shù)的閾值。

6 h降水預(yù)報因子08時閾值的確定，IQ整層比濕積分707.1為臨界值，在所選18個個例中，17個個例的值均大于所選臨界值。K指數(shù)選取12為臨界值，在所選18個個例中，16個個例的值均大于所選臨界值。SWEAT選取54.4為臨界值，所選18個個例中，16個個例的值均大于所選臨界值。Tg選取254.1為臨界值，所選18個個例的值均大于所選臨界值。類似的選出6 h降水20時，12 h降水08時、20時，24 h降水前12 h預(yù)警指標的閾值如表5、表6、表7所示。根據(jù)以上分析得出，可以看出無論是24 h降水、12 h降水還是6 h降水前的預(yù)警指標的閾值相差不大，綜合分析，最終確定預(yù)報因子的閾值，如表8所示。

表5 6 h降水量預(yù)報的閾值

表6 12 h降水量預(yù)報的閾值

表7 24 h降水量預(yù)報的閾值

表8 最終選取的因子的閾值

5.2 基于逐步消空法預(yù)報因子建立

建立強降水潛勢預(yù)報模型的幾點說明：①貴陽屬于季風濕潤型氣候，降水量較多，強度大。②貴陽的探空資料每日只有08時和20時兩個時次的觀測，資料的時間分辨率不高，而強降水具有時效短、強度大等特點。③在24 h強降水與預(yù)報指標的相關(guān)性分析中，相關(guān)性較小。

在考慮以上幾點的基礎(chǔ)上，制作預(yù)報模型時只考慮0～6 h，0～12 h的預(yù)報時效，不考慮24 h的強降水預(yù)報。

基于表8建立預(yù)警指標的閾值，運用逐步消空的思想建立0～6 h，0～12 h強降水預(yù)警指標集合。

①利用IQ整層比濕積分消空，IQ整層比濕積分，數(shù)值越大表示大氣層中的水汽條件。2011年4月的30 d里，利用08時和20時的探空資料進行消空，滿足IQ>707的時次有30次，12 h強降水出現(xiàn)2次，強降水發(fā)生的概率為2/30=6%；6 h強降水出現(xiàn)1次，強降水發(fā)生的概率為1/30=3%。選擇IQ>707作為未來12 h的第1預(yù)警指標，記作X1。

②利用K指數(shù)消空。2011年4月1-30日，根據(jù)08時和20時的探空資料得到K指數(shù)，選擇K>13作為未來12 h的第2預(yù)警指標，記作X2。同時滿足X1和X2的強降水次數(shù)有14次，12 h強降水發(fā)生率為2/14=14%，6 h強降水發(fā)生率為1/14=7%。增加X2后12 h強降水發(fā)生率增加了約8%，6 h強降水增加了4%。

③利用mK指數(shù)消空，選擇K>15作為未來12 h的第3個預(yù)警指標，記作X3。同時滿足X1、X2、X3的強降水次數(shù)有13次，強降水發(fā)生率為2/13=15%。增加X3后強降水發(fā)生率增加了約1%。

④利用SWEAT強天氣威脅指數(shù)消空，其數(shù)值越大表示發(fā)生強對流天氣的概率越大。選擇SWEAT>33作為未來12 h的第4預(yù)警指標，記作X4。在2011年4月1-30日中，同時滿足X1、X2、X3、X4 4個條件的次數(shù)有13次，12 h強降水發(fā)生率為2/13=15%，6 h強降水發(fā)生率為1/13=7.6%。

⑤利用Tg對流溫度進行消空，選擇Tg>254.1作為未來12 h的第5個預(yù)警指標，記作X5。在2011年4月1-30日中，同時滿足X1、X2、X3、X4、X5 5個條件的次數(shù)有13次，強降水發(fā)生率為2/13=15%，6 h強降水發(fā)生率為1/13=7.6%。

由上述討論得出X1、X2、X3、X4、X5為貴陽地區(qū)未來0～6 h，0～12 h強降水預(yù)警指標集。

預(yù)報流程：將逐步消空法得出的指標集記作Xb，首先利用當日MICAPS資料分析當日的環(huán)流形勢是否對降水有利，如果有利，則滿足用下一個指標IQ整層比濕積分進行判別；不滿足則未來6 h、12 h內(nèi)無強降水發(fā)生，滿足則進行下一個指標K指數(shù)的判別；同樣如果不滿足則判別為未來6 h、12 h內(nèi)無強降水發(fā)生，滿足則繼續(xù)進行下一個物理指標的判別。以此類推，直到預(yù)報指標集里面每個物理指標都能滿足條件，才能預(yù)報未來6 h、12 h內(nèi)有強降水發(fā)生，如圖1所示。

圖1 逐步消空的預(yù)報模型

5.3 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)警指標的建立

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法，對以上所選對流參數(shù)(IQ、K、mK、SWEAT、Tg)建立預(yù)報模型，經(jīng)過調(diào)試，當隱節(jié)點數(shù)取5，學習率為0.1時，得到的預(yù)測網(wǎng)絡(luò)預(yù)報模型較好，網(wǎng)絡(luò)的初始權(quán)值是隨機設(shè)置的通過訓練優(yōu)化，爭取達到最小的誤差。其中在擬合的過程中只要擬合或者試報的結(jié)果大于10 mm和15 mm，可以看作是未來0～6 h、0～12 h內(nèi)有強降水發(fā)生。根據(jù)5.2的預(yù)報模型的幾點說明，只對0～6 h，0～12 h的預(yù)報時效進行預(yù)報集成，不做24 h的集成預(yù)報。

對6 h降水量的參數(shù)集成，擬合的均方誤差為7.23，擬合結(jié)果如表9所示，擬合圖為圖2所示。同時對12 h降水量的參數(shù)集成，擬合的均方誤差為25.59。擬合結(jié)果如表10所示，擬合圖如圖3所示。

表9 6 h降水量擬合結(jié)果

表10 12 h降水量擬合結(jié)果

圖2 6 h降水量模型擬合圖

圖3 12 h降水量模型擬合圖

5.4 預(yù)報檢驗

5.4.1 逐步消空法預(yù)報模型試報 根據(jù)5.2建立的逐步消空法預(yù)報的模型，利用2011年4月1—30日的每日08時、20時的探空資料中物理指標(IQ、K指數(shù)、mK指數(shù)、SWEAT、Tg)對未來12 h是否出現(xiàn)強降水進行試報。實況總共是60次，大于15 mm的強降水2次，其余為弱的降水或是無降水。預(yù)報結(jié)果為試報60次，報有強降水9次，空報9次，報錯2次，總共報對49次，成功率CIS=(49/9+2+49)×100%=81%。對未來6 h強降水潛勢預(yù)報，實況總共是60次，大于10 mm的強降水1次，其余為弱的降水或是無降水。預(yù)報結(jié)果為試報60次，報有強降水9次，空報8次，總共報對52次，成功率CIS=(52/9+51)×100%=86%。6 h預(yù)報對比分析圖略。

5.4.2 BP神經(jīng)網(wǎng)絡(luò)集成試報 根據(jù)5.3建立的BP神經(jīng)網(wǎng)絡(luò)6 h降水的參數(shù)集成和12 h參數(shù)的集成建立的網(wǎng)絡(luò)模型，利用2011年4月1—30日的每日08時、20時的探空資料中物理指標(IQ、K指數(shù)、mK指數(shù)、SWEAT、Tg)進行試報。

6 h降水參數(shù)集成網(wǎng)絡(luò)模型的實驗結(jié)果為：試報60次，報對34次(2次強降水、32次無強降水)，空報26次，成功率CIS=(34/26+34)×100%=56%。試報結(jié)果如表11所示，網(wǎng)絡(luò)模型預(yù)測圖如圖4所示。12 h降水參數(shù)集成網(wǎng)絡(luò)模型的實驗結(jié)果預(yù)報的結(jié)果如表12所示，網(wǎng)絡(luò)預(yù)測模型如圖5所示，其中報對18次(2次強降水，16次無強降水)，空報42次，成功率CIS=(18/18+42)×100%=30%。

5.4.3 預(yù)報結(jié)果小結(jié) 從以上兩個預(yù)報模型的預(yù)報結(jié)果可以看出，逐步消空法建立的模型的預(yù)報成功率要高于神經(jīng)網(wǎng)絡(luò)集成的模型。6 h降水的參數(shù)集成神經(jīng)網(wǎng)絡(luò)模型預(yù)報的成功率要比12 h降水參數(shù)集成的要高。

表11 6 h降水預(yù)報結(jié)果

圖4 6 h降水量的模型預(yù)測圖

圖5 12 h降水量分析的模型預(yù)測圖

樣本觀測值預(yù)報值相對誤差樣本觀測值預(yù)報值相對誤差10005487-5487310002783-27832000966-966320001871-187130001903-19033316001896-2964000-32163216340001428-142855001361-861350001754-175460002633-2633360001779-177970001712-1712370001342-134280001713-1713380002029-202990001993-1993390001748-1748100002687-2687400003475-3475110004465-4465410004591-4591120005908-5908420002304-2304130001866-1866430002793-2793147001742-104244000-27642764150001986-198645000-79479416000-1577157746000-19341934170001998-1998470001620-1620180002588-2588480002495-249519000758-75849000-15221522200004691-4691500002077-2077210006861-6861510004416-4416220001810-1810520001540-1540230001797-179753000-390390240002935-2935540002640-2640250002804-2804550001026-1026260002917-291756000-26942694276002553-1953576002116-15162814002651-12515820002663-663290001661-1661590001740-1740300001254-125460000131-131

6 結(jié)論

本文通過對貴陽單站對流參數(shù)的相關(guān)性分析，建立強降水的預(yù)警指標的閾值，強降水指標的集成研究，得出以下結(jié)論：

①貴陽地區(qū)強降水的物理指標：IQ整層比濕積分、K指數(shù)、修正的mK指數(shù)、SWEAT強天氣威脅指數(shù)、Tg對流溫度。制作出相應(yīng)的參數(shù)閾值，對貴陽地區(qū)強降水的潛勢預(yù)報有一定的指示意義。

②逐步消空法和BP神經(jīng)網(wǎng)絡(luò)對物理指標建立預(yù)報模型，通過相同資料的預(yù)報分析，得到逐步消空法建立的預(yù)報模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)報模型，6 h降水預(yù)報模型要優(yōu)于12 h降水的預(yù)報模型。

③由于常規(guī)觀測資料中，高空觀測的資料每日只有兩個時次，再加上貴陽的強降水量偏多等原因，強降水產(chǎn)生的各項物理指標與強降水的相關(guān)性也較小，產(chǎn)生一定的空報率，對于貴陽地區(qū)短時強降水的潛勢預(yù)報還需進一步研究。

致謝：本論文在撰寫方面得到高級工程師梁平的大力指導!

[1] 何立富，等.國家級強對流潛勢預(yù)報業(yè)務(wù)進展與檢驗評估[J].氣象，2011，(7)：784.

[2] 諶志剛.廣東省后汛期強對流天氣潛勢預(yù)報方法研究[J].氣象，2011，(8)：942.

[3] 劉玉玲.對流參數(shù)在強對流天氣潛勢預(yù)測中的作用[J].氣象科技，2003，(6)：150-151.

[4] 陳秋萍，等.福建短時強天氣潛勢預(yù)報方法研究[J].氣象，2010，(2)：32.

[5] 許愛華，等.強垂直溫度梯度條件下強對流天氣分析與潛勢預(yù)報[J].氣象科技，2006，(8)：380.

[6] http：//xj.cnr.cn/xjmlxj/xjgs/200701/t20070105_5043691

33.html.

[7] 成鵬.烏魯木齊地區(qū)近50a降水特征分析[J].干旱地理，2010，(7)：580.

[8] 孔燕燕.尋找降雹預(yù)報指標集的一種方法逐步消空法[J].氣象，2000,26(10):109-130.

[9] 金龍.神經(jīng)網(wǎng)絡(luò)氣象預(yù)報建模理論方法與應(yīng)用[J].北京：氣象出版社，2004：3，39-47.

[10] 陸漢城，等.中尺度天氣學原理和預(yù)報[M].北京：氣象出版社,2004,(2):41.

[11] 朱乾根，等.天氣學原理和方法[M].北京：氣象出版社,2007,(2):422-426.

Heavy rainfall potential forecast method with convective parameter of the single station in Guiyang

YI Zhixue1，LAN Shihuai2

(1.Guizhou Provincial Meteorological Bureau of Guizhou Leishan county,Leishan 557100；2.Nanjing University of Information science and Technology,Jiangsu 210044)

The heavy rainfall cases of 24 hours， the heavy rainfall cases of 12 hours， and the heavy rainfall cases of 6 hours， occurring in Urumqi a station， were selected from the conventional observation datum from 2002 to 2011. By statistics and analyzing the correlation of the atmospheric temperature and humidity， stratification stability， thermal and energy physical parameter and the heavy precipitation， the result show that the correlation with the physical parameters (IQ， K， mK， SWEAT， Tg) and heavy precipitation is better. Above analyzing characteristics of physical indexes before the precipitation breaking out， occurring and after rain， the threshold value of forecasting parameters having been confirming were set with the idea of opportunity index. By using the idea of stepwise decreasing far method and the BP neural network integration， this physical parameter heaving been selecting are integrated， so the forecasting models are formed. Thus obtaining the Urumqi early warning parameters of strong convective weather forecast of potential future 6 and 12 hours， it has a certain indication role on the forecasting of rainfall Urumqi area. Through the contrast analyzing， the forecasting model to establish with the stepwise decreasing far method is superior to the integration of the BP neural network model.

Heavy precipitation； Convective parameters； Pre-warning threshold； Stepwise decreasing far method； The BP neural network； Forecasting integration

2014-07-29

易志學(1984—)，男(苗族)，工程師，主要從事天氣預(yù)報工作。

貴州省青年科技基金黔氣科合QN[2011]13號。

1003-6598(2015)01-0001-08

P456

A