基于对流参数逐步消空法的雷电潜势预报研究

基于对流参数逐步消空法的雷电潜势预报研究摘要:本文在统计厦门地区2001年至2010年的探空资料和地面观测资料的基础上,尝试利用逐步消空法选取对雷暴天气影响较大的对流参数作为预报因子,建立雷暴识别指标集合,并给出预报流程,进而提高雷电潜势预报准确率。

关键词:逐步消空法K指数Si指数CAPE近年来,在全球气候变暖的大背景下,灾害天气事件频发,对人们的生活造成了极大地危害。

其中,雷电作为小概率事件,影响尤为严重。

我国每年因雷电灾害造成的损失达一亿多元。

国际上在雷电灾害预警服务方面的工作,开展十分有限。

目前只有芬兰维萨拉公司作为北美闪电监测网的运营商,能够提供比较基本的雷电信息服务。

美国的NASA虽已在其网站上公布了全球雷电分布的卫星资料,也只能说是一种宏观的资料服务。

我国很多省市也建立了雷电预警系统,但预报精度和预报时效在很大程度上还不能满足社会需求。

在小概率天气事件的研究上,国内外专家都提出了许多方法:Anthes[2]认为,中尺度天气现象,如飓风、强雷暴以及雹暴等都不是随机发生的现象,而是强烈地取决于大尺度环流系统以及有关的热力场与水汽场;刘玉玲[3]分析了多种对流参数在强对流天气潜势预测中的作用。

彭治班[4]等提出了提高小概率事件预报成功率的方法,即“变小概率事件为条件概率下的大概率事件”。

但将天气形势作为条件概率,结合对流参数,使用逐步消空法,将雷电这个小概率事件变为大概率事件,还未应用于雷电潜势预报中。

同时逐步消空法在其他强对流天气——雹云[5]和暴雨的识别效果明显。

本文旨在通过逐步消空法选取对流参数,进而提高雷暴潜势预报能力,以其为雷电短时预报提供参考并提高预报时效。

1 逐步消空法的数学表述根据目前我国天气预报质量检验和评估的规定[6],本文引入临界成功指数CSI、探测概率POD与虚假报警率FAR[4]。

根据表1[4],有2 厦门地区的雷暴特征统计厦门市2001年至2010年地面站观测资料,10年中共出现了415个雷暴日。

其中6～8月所占的百分比共为67.7%,6月为13.72%,7月为24.34%,8月为29.64%。

由此可见,厦门地区6～8月为雷暴活动高发时段,将近7成在夏季发生。

因此,本文以6～8月份的雷暴日为例进行分析。

这里的雷暴日定义为:厦门地区3个地面观测站一天内有一站或多于一站观测到闪电或者闻雷。

3 利用K指数消空国外研究认为,下述3个条件有利于雷暴的发生、发展和维持。

(1)层结不稳定。

理论和实践都证明不稳定的层结有利于强对流性天气的发生[8]。

Colman的分析表明,条件性对称不稳定(CSI)在雷暴的产生中起了重要作用[9]。

早在20世纪50年代,人们提出大量表示条件性不稳定的指数,例如:沙氏指数SI和抬升指数LI,20世纪70年代有引入对流有效位能CAPE。

(2)较好的低空水汽条件。

湿度的垂直分布影响到层结稳定度,低层湿空气的存在是雷暴产生的一个有利条件[10]。

(3)有适当的触发因子。

当高空环流形势、水汽条件、对流稳定度3个条件适合的情况下,一旦有切变、冷锋、强对流天气区等触发因子入侵启动,则非常有利于雷暴天气的发生。

Johns与Doswell[11]指出,几乎所有的局地强风暴事件(包括雷暴)都与深对流有关。

而要达到深对流必需具备下列三个条件: ①在对流层的下部有足够的潮湿层。

②有足够强的温度直减率。

③潮湿层的气块能充分抬升以达到自由对流高度。

K指数很好地定量表示了前两个条件。

K[12]指数的定义为由2001年至2010年6～8月的探空资料得出,所有雷暴日的K指数(本文所用的K指数是雷暴发生前8时和20时探空资料所得),它们的值均大于等于30。

于是,选取K30作为一个预报因子,并记为X1。

2001年至2010年6～8月满足X1共有221天,其中雷暴日共出现167天,雷暴日发生的概率为167/221≈75.6%。

由此得出,增加预报指数X1后,雷暴日预报准确率为75.5%,显示出X1在消空及使小概率事件变为大概率事件方面有一定作用。

4 利用沙氏指数si消空郝莹[13]等曾指出沙氏指数能对强对流天气的发生有较好的指示作用,并且利用沙氏指数等对流参数来作为预报因子,对雷暴有较好的指示意义。

沙瓦特指数(Si)也称沙氏指数,其值等850hPa等压面上的湿空气团沿干绝热线上升,到达凝结高度后再沿湿绝热线上升至500hPa时所具有的气团温度与500hPa等压面上的环境温度的差值,即:根据2001年至2010年6～8月所有高空槽型雷暴日的探空资料得出(本文所用的Si指数是雷暴发生前8时和20时探空资料所得),它们的Si指数均小于、等于0.81。

因此,选取Si≤0.81作为第二个预报因子,记为X2。

同时满足X1与X2条件的雷暴日数共有186天,其雷暴日几率为167/186≈89.8%。

由此得出,增加预报指标X2后,雷暴日几率增加了约14%,同时使空报次数从上一次的54天减少19天,显示出X2在消空及使小概率事件变为大概率事件方面的作用非常明显。

5 利用对流有效位能CAPE消空对流有效位能(CAPE)是一个与环境联系最为密切的热力学变量,广泛应用于国内外强对流天气诊断分析。

郑栋[14]等用北京地区闪电定位资料和探空资料,分析了大气不稳定参数与闪电活动的关系,发现对流有效位能(CAPE)与闪电活动具有较好的相关性,并提出了闪电活动预报的诊断指标;Petersen[15]用谈空资料发现CAPE与24小时内的闪电次数存在弱的正相关,Petersen对一些对流活动的分析表明:CAPE 越大、对流负能量(CIN)越小、对流层垂直风切变越弱,会对应越大的对流降水比例、越强的闪电密度、越强的对流垂直发展结构;Halverson[16]用探空资料对闪电活动进行了分析,发现巴西地区CAPE大于1500 Jkg-1,在中低层次的相对湿度(RH)小于80%,且低层的垂直风切变在10-3S-3量级时,对流闪电活动活跃。

当气块的重力与浮力不相等且浮力大于重力时,一部分位能可以释放,由于这部分能量对大气对流有着积极的作用,并可转化成大气动能,故称其为对流有效位能。

6 预报流程利用逐步消空法得出的指标集,在指标集中Xb为天气类型指标,先从当天的micaps天气图资料(一般为早晚8点500百帕和850百帕形势场)判断天气类型是否属于满足雷暴发生的形势场,满足则用下一指标K指数来判别;不满足则判断为无雷暴。

同样再判断第二个指标K指数,如果满足K指数的临界值则进入下一个指标Si的判别;不满足则判断为无雷暴。

后面的指标判断同样如此,只到雷电预报指标集合中每一个的临界值都达到时,才预报未来有雷暴;否则,则预报无雷暴。

7 结语(1)通过对厦门地区2001年至2010年的探空资料、地面观测资料和历史天气图资料的分析,结合逐步消空法,得出了厦门地区雷电潜势预报的指标集,并将雷电这类小概率的灾害性天气逐步变为条件概率下的大概率事件,使雷电潜势预报变为可能。

(2)利用用逐步消空法将对流参数和天气形势相结合,共同作为雷电潜势预报的预报因子,增加潜势预报的准确率。

一次明显的强对流天气过程的成功预报,一般为对相关的天气型并结合一些相关物理参数大小来进行预测。

如果这些参数达到了一定的阈值范围,那么,将可以预测这一潜在的事件。

(3)本文仅考虑了三个指标的雷电潜势预报,不同地区因地理位置、天气特征差异,影响因子可能略有不同,应结合实际情况加以考虑。

参考文献[1] 孔燕燕,彭治班,赵秀英，等.寻找降雹预报指标集的一种方法:逐步消空法[J].气象,2000,26(10):10～14.[2] Kuo,Ying-Hwa,and George T-J.Chen,The International Conference on Mesoscale Meteorology and TAM EX 3～6December 1991.Taipei,Taiwan. Bull.Amer.Met.Soc.1992,73:1611～1622.[3] 刘玉玲.对流参数在强对流天气潜势预测中的作用[J].气象科技，2003,31(3).[4] 彭治班,吴宝俊,江剑民，等.提高小概率事件预报成功率的一条途径[J].气象,2000,26(2):3～5.[5] 刘子英,陆海席,赵秀英,等.逐步消空法在雹云识别中的应用[J].气象,2000,26(10):41～44.[6] 中国气象局业务发展与天气司.天气预报业务规定(试行),1998,6.[7] Ostby,F.P.Operations of the National Severe Storms Forecast Center. Wea. Forecasting,1992,7:546～563.[8] 朱乾根,林锦瑞,寿绍文.天气学原理和方法[M].北京气象出版社,1983:310～318[9] Colan ,B.R.Thunderstorms above frontal surfaces in environments without positive CAPE. Part Ⅰ:Aclimatology[J].Mon.Wea. Rev.1990,118:110321121.[10] Miller,R.C.Notes on analysis and severe2storm forecasting procedures of the Air Force Global Weather Central[J].AWS Tech. Rep.200(rev),Air Weather Service,Scott AFB,IL,1972.[11] Johns,R.H.and C.A.Doswell,Severe Local Storms Forecasting.Wea.Forecasting,1992,7:588～909.[12] Showalter A K. A stability index for thunder storm forecasting. Bull.Amer.Meteor.Soc.1953,34:250～252.[13] 郝莹,姚叶青,陈焱,等.基于对流参数的雷暴潜势预报研究[J].气象,2007,33.[14] 郑栋,张义军,吕伟涛,等.大气不稳定度参数与闪电活动的预报[J].高原气象,2005,24(2):196～203.[15] Walter A.Petersen and Steven A. Rutledge,Cloud-to-Ground Lightning Observations from TOGA COARE: Selected Results and Lightning Location Algorithms,Mon.Wea.Rev:124(4):602～620.[16] JeffreyB.Halverson,T.Rickenbach,B.Roy,etc.2002:Environmental Characteristics of Convective Systems during TRMM-LBA.Mon.Wea.Rev.130(6):1493～1509.。