天气现象自动化观测资料可用性分析与应用探讨

伍永学，丁青兰，刘凤辉，刘璐，孙跃强

（1.北京市观象台，北京 100176；2.北京市气象台，北京 100089；3.密云县气象局，北京 密云 101500；4.延庆县气象局，北京 延庆 102100）

天气现象自动化观测资料可用性分析与应用探讨

伍永学1，丁青兰2，刘凤辉3，刘璐2，孙跃强4

（1.北京市观象台，北京 100176；2.北京市气象台，北京 100089；3.密云县气象局，北京 密云 101500；4.延庆县气象局，北京 延庆 102100）

通过对北京地区天气现象组网试验资料的可用性分析以及在精细化预报业务中的应用，发现自动观测天气现象资料连续时长多于20 min以上时，数据可信度较高，对预报员有较高的参考价值。自动观测系统对雨、雾、霾现象的识别结果正确率总体较好，其高频次的探测数据对低频次的人工观测起到补充作用。但在天气现象识别算法、质控、雷暴和降水性质识别、现象识别连续性等方面还存在不足，需要进一步改进。

天气现象；自动化观测；可用性

天气现象是指发生在大气中、地面上的一些物理过程，是在一定的天气条件下产生，各气象要素变化的综合结果[1]。在国家级有人值守的地面气象观测站，天气现象的观测主要仍然靠人工目测完成，人工目测的重要性不言而喻，但也存在主观性强、简单化、定性化，观测频次少等缺陷，不能全面、连续地反映天气现象变化，易出现漏记等问题。天气现象自动化观测通过对地面目视观测和听觉项目的客观化、定量化，结合大气物理、天气动力、气象探测等领域知识，在不断试验和资料积累基础上，通过多种信息的综合分析合理判定发生的天气现象。通过连续的高频次的观测，获取更多有价值的气象信息[2-3]。中国气象局气象探测中心组织研发的DZT-1型天气现象仪以光学特性测量技术和图像识别技术为基础，综合自动气象站数据的天气现象自动化观测系统，基本实现的天气现象识别包括：降水现象中雨、毛毛雨、雪、雨夹雪、冰雹；地面凝结现象中露、霜、雾凇、雨凇、积雪和结冰；视程障碍现象中沙尘暴、扬沙、浮尘、雾、轻雾和霾；以及大气运动现象中大风、飑等[2]。

针对天气现象自动化观测结果，陈冬冬等在2009年对PWS100、VPF-730、OWI-430、CJY-2C/Y等天气现象仪对轻雾、霾、雾和雨现象的识别与人工观测进行了对比，其中轻雾和霾按现象日、雨按降水次数作了分析。徐洪雄等2010年以小时为单位对以上仪器同类天气现象与人工观测做了比较研究[4-5]。这些研究展现了各种天气现象仪的特点，显现了自动和人工两种观测方式的差异。但是上述研究成果对天气现象的对比精度过粗，满足不了目前精细化预报的业务需求。2010—2012年，北京地区基于DZT-1型进行了天气现象组网观测试验，本文利用该组网观测资料以雨、雪现象从分钟级对人工与自动识别现象结果作了可用性分析，发现自动观测资料连续时长多于20 min以上时，数据可信度较高，对预报员有较高参考价值。在2012年7—10月又与预报员一起开展了天气现象资料实时对比应用，本文通过两次典型天气过程中自动观测系统识别的天气现象结果合理性以及与人工观测对比的正确率检验资料的可用性，对该类资料在精细化预报中的作用简要探讨。

1 天气现象自动化观测资料可用性分析

人工目测天气现象信息，用传统3 h或6 h一次发报的频次传递给预报员，远远无法满足精细化预报的需求。天气现象自动化观测系统具有高时间分辨率的优势，每分钟获取数据，实时上传至中心站以Web方式提供给预报员，为精细化预报提供了高时间分辨率的天气现象观测数据作为支撑。

各类天气现象的产生发展一般具有连续性（除飑、大风、雷暴现象）[1]，自动观测天气现象系统识别结果具有脉动性特征，这使自动观测系统的现象识别结果是否可信成为问题。为此，对组网站点2010年12月—2011年12月数据进行了统计，现以降水现象中最常见的雨、雪现象为例作分析。

对自动观测天气现象结果进行整理，同一种现象两段的起止时间相隔≤15 min，将此两段综合成一段[1]；将地面观测报表人工观测降水记录处理为非阵性，以利与自动观测系统识别结果对比。整理后，记录分3种情况：（1）自动观测记录与人工记录时段有重合；（2）自动观测记录持续时长<5 min且与人工记录完全无重合；（3）自动观测记录持续时长≥5 min且与人工记录完全无重合。（1）为有效数据，（2）和（3）为无效数据，其中（2）为干扰数据。

由图1可见，干扰数据在无效数据中的比例雨现象为65.9%，雪现象为88.01%，充分表明该类记录不足信，应予剔除。剔除该类数据后，自动观测系统现象识别结果持续时长超15 min时，雨现象准确率79.89%，雪现象96.17%，可信度较高（表1）。

图1 2010年12月—2011年12月雨、雪现象干扰数据在无效数据中比例

表1 2010年12月—2011年12月组网站点雨、雪现象数据比例

在2012年7—10月的实时应用过程中，实况显示频次经多轮试验，最终定为每分钟、每10 min、每半小时3种方式。每分钟适用于确定现象起止时间，但不利于快速把握天气变化，每半小时有利于查阅现象趋势变化，但相对过粗，可能遗漏短时过程，每10 min方式阅览资料，基于前述分析结果，现象连续2次出现时可信度很高，有助于预报员判定现象是否发生，在精细化预报中具有较高的使用价值。

2 选取的天气现象和天气过程

考虑到7—10月恰值北京的夏、秋季，因此只选取该季节易出现，对城市运行有较高影响的全市性降水（雨）、低能见度（雾、霾）天气作分析。对于这几种天气，预报人员给予高度关注，对城市运行和民众生活影响较大，需要及时发布气象灾害预警[6]，自动观测资料易被预报员使用。

统计中发现这4个月未出现全市性大雾天气，对于轻雾、霾的观测记录，一般以相对湿度作为重要辅助判据，天气现象自动识别算法也引入该要素[2]。因此，将轻雾、雾、霾统一为低能见度天气进行评估，本文中选择低能见度天气的标准为：北京20个国家级气象观测站中有7个以上的测站人工观测的能见度≤5.0 km。根据上述标准，选取的降水过程天数和低能见度过程天数共计34 d（表2）。

表2 北京地区7—10月参与评估的降水和低能见度天气过程

对于天气现象观测资料来说，识别正确率是判断资料可用性的最重要指标。对选取的34 d的数据进行统计。从降水识别正确率来看，各站都在50%以上，门头沟最高，达83%，观象台次之，为77%，平谷最差，只有50%。从雾、霾识别正确率来看，各站差别很大，有一半的站在95%以上，怀柔、顺义、观象台均为100%。平谷站最差为0，延庆、密云、门头沟不足60%，这3站正确率低主要表现为大多数对比时间显示为无天气现象，资料的可用性低。

3 典型天气过程分析

为了细致考察天气现象自动化观测系统在不同天气过程中的可用性以及在精细化预报中的参考作用，分别选取一个持续时间长的强降水过程和雾、霾天气过程做详细分析，通过自动观测系统识别的天气现象结果合理性以及与人工观测对比的正确率检验资料可用性。自动观测现象识别结果每10 min为一个样本，检验识别结果合理性，其中降水现象增加漏报率、空报率和现象开始时间偏差分析。

3.1 2012年7月21日大暴雨天气过程

3.1.1 识别结果合理性分析

这次降水天气过程持续时间长，从7月21日上午开始持续到7月22日凌晨，天气现象自动化观测系统在整个过程中识别出雨、轻雾、雾、霾、露、飑、结冰、扬沙、雨凇等9种现象。

表3列出了人工观测的天气现象与自动观测系统识别的现象结果。从表中可以看出，各站都识别出雨，除平谷外，其他各站均识别出轻雾，与人工观测相一致；延庆、昌平、密云和顺义识别出霾，人工观测未出现霾，两种观测方式在轻雾、霾现象的判别中因相对湿度的阈值设定不同而使识别结果有明显差异。自动观测系统无法识别雷暴现象，这将决定是否发布雷电预警；降水性质对预报员也是非常重要的信息，自动观测系统未能提供。

表3 7月21日—7月22日降水过程中天气现象统计结果

另外，自动观测系统还识别出了雨凇、结冰、扬沙、飑4种天气现象。密云站有2个时次识别出雨凇，平谷和观象台都识别出结冰现象，且出现时次较多，分别占到样本总数的51%和11%。雨凇和结冰是冷季才会出现的天气现象，就此次降水过程，稍具常识即可判断为系统识别错误。但是，若在冷季，这种错误的现象识别结果可能会误导预报员。门头沟站识别出2次飑的天气现象，1次与扬沙同时出现，1次与轻雾同时出现。飑与扬沙同时出现是可能的，但是，识别出这两种现象时，该站正下大暴雨。飑与轻雾同时出现不合理，因为雾一般大气层结稳定，风小，而飑则是强对流的产物，有强风[1]，因此，门头沟站识别的扬沙、飑现象是错误的。

3.1.2 降水现象开始时间偏差分析

2012年4 月地面观测业务调整后，人工观测夜间天气现象无起止时间，利用5 min加密自动气象站数据、6 min雷达资料和气象服务日志获取10个站点降水过程的大致结束时间。表4列出了各站整个降水过程起止时间、样本数和降水开始时间偏差等信息，时间偏差正值表示自动观测系统初次识别出降水的时间滞后于人工观测降水开始的时间，负值则表示超前。

从表4可以看出，密云站降水持续时间最长，其他各站差别不大。从降水开始时间偏差来看，除延庆和怀柔外，其他各站均滞后于人工观测降水开始时间。大多数（70%）站偏差不超过15 min，能较正确地给预报员提供降水开始信息。平谷站的降水开始时间比实况滞后138 min，查看自动站记录发现21日12:10—12:15和14:20—14:40为微量降水，反映出天气现象自动化观测系统在降水强度较弱时对降水现象识别能力不足。

表4 自动观测系统降水开始时间偏差

3.1.3 降水现象识别正确率分析

从天气现象识别的正确率、漏报率、空报率来分析自动观测系统对这次强降水的观测能力。对各个站点，在其降水时段内按每10 min频次显示自动观测识别结果，看是否识别出降水现象，统计识别结果的正确率，若降水间歇期识别出降水现象则计为空报；结果见图2。

各站在降水时段内，均未出现空报，只有不同程度的漏报。除观象台和大兴外，其他站降水现象识别正确率为78%～88%。但是，朝阳站在21日12:44首次识别出雨，到16:00为止雨和轻雾交替出现，其后直至22日16:50一直识别为雨，气象服务日志22日04时后已无降水，其高正确率并不可信。观象台和大兴正确率偏低的原因是自动观测系统数据缺测较多。普查数据表明，虽然大多数站首次识别降水的时间与实况偏差不大，但在弱降水阶段，出现错误识别的情况较多，这是降水现象漏报的主要原因。

图2 组网站点降水现象识别结果统计

综上，对于2012年7月21日北京地区强降水过程来说，大多数站点能够正确识别雨现象，识别正确率较高，能反映天气过程的开始及演变。大多数站点识别降水现象的开始时间滞后，70%的站点偏差在15 min以内，与自动观测识别结果连续时长不小于20 min可信度较高吻合，能正确给预报员提供降水开始信息。自动观测系统不能识别雷暴和降水性质，在雨强较小时雨现象的漏报率明显增多，部分站点存在天气现象识别错误，系统的现象识别算法还需进一步完善。

3.2 2012年10月25—27日雾、霾天气

2012年10月25日夜间至27日上午北京出现了全市性雾、霾天气，25日20时，多数站点已出现轻雾或霾的天气，其后直至27日能见度日渐下降。26日一些台站出现弱降水，平谷于26日夜间起出现大雾天气，能见度不足50 m，27日夜间至白天，大兴、房山、密云、平谷、顺义均出现大雾天气，能见度不超过200 m。

3.2.1 识别结果合理性分析

在这次雾、霾天气过程中，评估时段为10月25日20时—27日08时，识别出的天气现象列于表5。

由表5可见，密云和平谷未识别出雾、霾，在取样时段内分别有85.7%和97.7%时次无数据，密云站依然存在错误识别出雨凇的现象。观象台和大兴出现零星降水，自动观测系统未能识别，需提高弱降水时现象的识别能力。

表5 10月25—27日天气现象统计结果

3.2.2 雾、霾现象识别正确率分析

将雾、霾现象统一计算自动观测系统的识别正确率，除去密云和平谷两站，结果见图3。从图中可以看出，延庆和大兴对雾、霾现象的识别正确率分别为73%和74%，在评估时段内多出现现象间断、无数据情况，表明现象识别连续性较差。其他6个台站雾、霾现象的识别正确率均在92%以上，表现出较高的识别能力。

图3 10月25—27日自动观测系统雾、霾识别正确率

视程障碍现象与能见度密切相关。图4、图5是延庆和观象台25日20时至27日08时能见度随时间的演变，取样时间为每日02、08、14、20时。从发展趋势看，两站人工与自动观测系统趋势一致，均表现出人工观测能见度值较自动观测值偏大。延庆站人工观测的能见度变化较自动观测系统幅度大；观象台自动观测系统对雾（能见度≤1 km）的识别与人工观测结果基本一致。另外，观象台自动观测系统的能见度值变化幅度大于延庆。

人工观测值较自动观测值偏大，且随能见度值增大而增大，一是对能见度要素的观测，有发现距离和消失距离，消失距离大于发现距离，人工观测因能见度目标物的存在体现的是消失距离，自动观测是发现距离[8]；二是根据柯西米德定律计算气象光学视程（MOR）

图4 10月25—27日延庆自动观测与人工观测能见度变化

图5 10月25—27日观象台自动观测与人工观测能见度变化

式中，MOR为气象光学视程，ε为对比阈值，σ为消光系数。

当ε=0.05时，有

当ε=0.02时，有

人工观测能见度由于能见度目标物的存在，其对比阈值一般为0.02，自动能见度仪则取值为0.05，世界气象组织对能见度测量相互比对的结果表明，人工观测能见度值比仪器测量值高出约15%，人工和仪器间的差异的四分位差约是MOR测量值的30%[9]，与上式中对比阈值差值一致。

综上，除密云、平谷两站外的其他各站，均正确识别出雾、霾现象，识别正确率超过73%以上。能反映出能见度的变化趋势，与人工观测一致，资料可用性较高。但在雾、霾现象识别的连续性方面还需进一步改进。

3.3 在精细化预报中的参考作用

目前，天气预报业务中每隔3 h才有一次人工天气现象观测资料，远远不能满足精细化预报业务的需求，天气现象自动化观测系统有很高的时间分辨率，每分钟获得观测资料，可作为人工观测的补充。仍以所选两次典型天气过程为例，简要说明自动观测资料在精细化预报中的参考作用。

在7月21日典型强降水天气过程中，降水开始前，天气现象自动化观测系统识别的天气现象大多为霾，虽然与人工观测的轻雾有区别，但都是与能见度紧密相关的天气现象，在气温一定时，能见度降低一般意味着低层水汽的增加，21日降水前能见度呈减小的趋势，由此可以判断低层的水汽含量逐渐增大，这一点从微波辐射计所测得的相对湿度资料中得到了印证。配合其他资料，可以认为降水的水汽条件进一步加强，有利于降水现象的发生。

此外，大多数台站的自动观测系统在降水现象开始前后不久就能正确识别，使得预报人员能够及时获取降水开始信息。除大兴、观象台外，其他台站雨的识别正确率大多在80%以上，在降水现象识别正确的基础上，利用自动站的雨量数据和雷达回波强度数据估算未来几小时的降水量，制作暴雨临近预报及预警，便可取得良好的预报及服务效果。

在10月25—27日典型低能见度天气过程中，大部分台站自动观测系统都正确地识别出雾、霾天气现象，所测得的能见度结果也正确反映了能见度的变化趋势。虽因自动观测的能见度普遍小于人工观测结果，而更早的判别雾、霾现象，与人工观测结果并不完全一致，但是，预报员因此可以尽早地关注发展趋势，并引起重视。在这次雾、霾天气过程中，预报人员根据天气现象自动化观测系统高频次的天气现象和能见度观测结果，实时掌握天气实况，及时发布大雾预警，并对交管、政府等相关部门做出服务，取得了良好的服务效果。

4 结论

本文对北京地区2010—2012年进行的天气现象组网观测数据进行可用性分析并选取两次典型天气过程进行现象识别结果合理性及可用性检验，以及在精细化预报中的应用，得到以下结论：

（1）天气现象自动观测资料连续时长多于20min以上时，数据可信度较高，对预报员有较高参考价值。其高频次的探测数据能够基本反映现象发生、发展、消亡的过程，具有较高的时效性。

（2）数据分析表明，天气现象自动化观测系统能正确地识别出雨和雾、霾现象，识别正确率总体较好，能正确反映出天气过程的起止和演变。

（3）本文以人工观测能见度≤5.0 km为阈值选取低能见度天气过程，若以10.0 km为阈值，现象识别正确率将会降低，此外系统在弱降水时对雨现象的识别率也较低。

（4）天气现象自动化观测系统在现象识别算法、质控、雷暴和降水性质识别以及现象识别连续性等方面还存在不足，有待进一步改进和完善。

[1]中国气象局.地面气象观测规范[M].北京:气象出版社，2003：21-24.

[2]马舒庆，吴可军，陈冬冬，等.天气现象自动化观测系统设计[J].气象，2011，37（9）：1166-1172.

[3]陈冬冬，施丽娟，李肖霞，等.天气现象自动化观测现状调研[J].气象科技，2011，39（5）：596-598.

[4]陈冬冬，魏国栓，马启明，等.多台国内外先进天气现象仪对比分析[J].气象水文海洋仪器，2010，（4）：13-20.

[5]徐洪雄，陈渭民，杜波.4种当代天气现象仪自动观测分析的比较研究[J].农技服务，2010，27（11）：1489-1492.

[6]中国气象局.气象灾害预警信号及防御指南[M].北京：气象出版社，2007.

[7]中国气象局.霾的观测和预报等级[S].北京：气象出版社，2010.

[8]中国气象局综合观测司.前向散射能见度仪功能规格需求书[M].[sn]2011.

[9]中国气象局监测网络司翻译.气象仪器和观测方法指南[M].第六版，北京：气象出版社，2005：157-163.

Application Analysis and Discussion on Auto-Observation Data of Weather Phenomena

WU Yongxue1，DING Qinglan2，LIU Fenghui3，LIU Lu2，SUN Yueqiang4
（1.Beijing Observatory，Beijing 100176，China；2.Beijing Meteorological Observatory，Beijing 100089，China；3.Miyun County Meteorological Bureau，Beijing 101500，China；4.Yanqing County Meteorological Bureau，Beijing 102100，China）

Based on the analysis on the data from the automatic weather phenomena observing network and the application on refined forecasting,it is found that the automatic observation data, considering the temperal span binned as 20 minutes,could have a high reference value for the forecasters.The accuracy rate of the identified weather phenomena which is complementary to manual observation including rain,fog and haze,is totally high.Also the results show that the defects on the identified algorithm,the identification of thunder and precipitation phase,the continuity still exist,and should be further improved.

weather phenomena；automatic observation；analysis of application

P415.1+2

B

1002-0799（2014）05-0069-06

10.3969/j.issn.1002-0799.2014.05.013

2013-09-16

北京市气象局业务研发专项（2012019）。

伍永学（1976-），男（侗族），工程师，从事综合观测业务。E-mail:13910143976@139.com

伍永学，丁青兰，刘凤辉，等.天气现象自动化观测资料可用性分析与应用探讨[J].沙漠与绿洲气象，2014，8（5）：69-74.