安溪雷暴24 h 潜势预报模型研究

韦英英，程 思，韩 庚，仇 耀，冯晋勤

（1.福建省灾害天气重点实验室，福建 福州350000；2.泉州市气象局，福建 泉州362000）

雷暴是世界十大自然灾害之一。雷暴是积雨云云中、云间或云地之间产生的放电现象，表现为闪电并有雷声，有时也可只闻雷声而不见闪电。常伴有阵雨、大风、冰雹、龙卷等强对流天气。强雷暴天气出现时十分激烈，常带来雷击灾害，危及人身安全，影响家用电器的使用与安全，尤其计算机机房遭受直击雷或感应雷，易造成损坏甚至引起火灾。其影响范围较小，持续时间较短，是一种局地灾害性天气。

一直以来，气象工作者们对雷暴非常关注，在区域雷暴气候特征分析、雷暴的短期预测、雷电发生机理、雷电灾害防御等方面做了大量的研究工作[1-8]。例如，郑淋淋等[9]分析近30 a 来我国雷暴的日变化特征，江淮流域雷暴在各个时段发生的频率差别不大，傍晚时段最多。李南等[10]研究了安徽地区闪电和雷达资料的相关性以及强天气发生时正负闪电的对比规律。戴建华等[11]分析了1998—2004 年长江三角洲地区由星载闪电成像传感器（LIS）观测的闪电资料，发现该地区LIS 闪电活动的时空分布特征，分析发现，太阳辐射的季节和日变化、地形动力、下垫面等是其时空差异的主要原因。陈雷等[12]统计分析了近10 a 长三角地区雷暴天气，同时从天气学角度将这些雷暴天气个例进行分类并给出典型中尺度分析综合图。杨露华等[13]对上海地区1994—2004 年共208 个强对流个例进行统计分析，揭示了该地区强对流天气年际、月季变化特征，研究了产生强对流天气的天气形势、灾害种类和移动路径等特征。郝莹等[14]做了基于对流参数的雷暴潜势预报研究，分别用判别法和指标叠加法制作雷暴潜势预报，最终得出指标叠加法优于判别法。刘爱鸣等[15]在《福建省天气预报技术手册》中研究了1960—2007 年福建省雷暴气候特征，指出雷暴分布由沿海向内陆递增。而泉州市作为沿海地市，平均年雷暴日数达到45 d，其中安溪县高于全市平均值，达到51 d。此外，按照福建省雷暴灾害易损度分类，安溪县属于较严重区域[15]。以往研究雷暴潜势预报时对T639数据的运用较少，且缺少例如安溪县这样的小区域本地化的预报预警模型研究。近年来安溪县工业、农业等众多行业对雷暴灾害预警预报的需求越来越高，开发属于安溪县本地化的雷暴潜势预报研究有较好的发展前景和经济效益，同时也能为进一步研究安溪本地雷暴的形成机理奠定基础。本文综合利用安溪站常规气象观测资料，对2005—2015 年的雷暴天气个例进行统计分析，得出雷暴天气的分布特征，同时从天气学角度将这些雷暴天气个例大体划分为5 种类型进行分析，后利用T639数值模式输出产品对这些雷暴天气做相关性分析，并建立雷暴方程，以期做出适用于安溪县本地化的雷暴潜势预报模式，以提高雷暴天气预报和预警的时效性和准确率。

1 雷暴气候分析

1.1 数据来源

本文选取的雷暴日数据来源于2004—2015 年安溪国家气象站气象观测资料，日界为20：00—次日20：00。

1.2 安溪雷暴日的年变化特征分析

分析2004—2015 年安溪雷暴日数（图1）可知，12 a 间安溪共观测记录的雷暴日数有623 d，年平均雷暴月数为51.9 d，与历史统计相比高于泉州市平均年雷暴日数45 d[16]。其中2010 年雷暴日数最多为63 d，2015 年雷暴日数最少仅43 d，大部分年份超过50 d。

图1 2004—2015 年安溪年雷暴日数分布

1.3 安溪雷暴日的月变化特征分析

由2004—2015 年安溪雷暴日数月分布（图2）可知，1—6 月雷暴日数呈现逐月递增趋势，8—12 月呈现逐月递减趋势，其中6—8 月是雷暴的高发期，以8 月153 d 为最多，其次为6 月，有114 d。这说明每年6—8 月水汽条件充沛、不稳定层结条件好、有触发机制，使得强对流天气频发。同时与太阳辐射有关，安溪地区6—8 月太阳辐射最强，尤其在午后和傍晚极易形成不稳定层结，上升气流携带低层水汽到达高空冻结成，碰撞分离后形成电荷分布，当积累到一定程度便击穿空气形成雷电现象。7 月，由于副热带高压第一次季节北跳多年平均在6 月底，标志福建的雨季结束，而第二次季节北跳多年平均在7月下旬，此后进入福建台风活跃期[15]。且两次北跳之间副热带高压刚好位于福建省上空，是炎热少雨期，故而7 月的平均雷暴日数会少于6 和8 月。10 月至翌年的2 月是雷暴的少发季节，其中1 月发生次数最少。

图2 2004—2015 年安溪月雷暴日数分布

从表1 可以得出雷暴在夏季高发，占全年的59.10%。从表1 中可以看出在春季末的5 月份开始雷暴就明显增多，到了夏季的6、7、8 月到达了雷暴出现频率最高的月份，其中8 月份最多为153 d，占全年的24.60%。从9 月份开始逐月递减，到了冬季雷暴出现的日数降到了最低值，其中1 月份的雷暴日数为0。这说明夏季是安溪雷暴出现的高发季节，因此做好夏季强雷暴天气的预警预报工作尤为重要。

1.4 雷暴天气形势分类特征

通过对安溪近11 a 天气形势分析，发现安溪县产生雷暴天气的天气系统可以划分为5 种：锋面雷暴、高空槽切变线雷暴、低涡雷暴、副热带高压雷暴、其他雷暴（包括东风波、台风倒槽等）[10]。

表1 2004—2015 年不同季节、不同月份雷暴日数分布

锋面雷暴是安溪春夏季主要的雷暴类别之一，可分为冷锋型、暖锋型、静止锋型3 种。其中冷锋型雷暴是冷空气强烈冲击暖湿不稳定空气而形成的。冷锋强、锋面坡度大且移动速度快、暖空气湿度大、不稳定能力强是冷锋型雷暴发生的有利条件[16]。暖锋型雷暴较为少见。静止锋型雷暴一般发生在静止锋两侧，在地面或高空气旋性弯曲比较明显的地区[16]。统计发现安溪近11 a 共发生锋面雷暴49次，出现时间主要集中在4—6 月。

高空槽、切变线是安溪产生雷暴最多的天气系统，研究发现冷性的高空槽由于槽线前后暖舌及冷槽明显，冷暖平流较强，则对雷暴的形成极为有利。暖性高空槽由于槽线前后都为暖空气所占据，垂直运动得不到发展，对雷暴的形成不利。近11 a 共发生高空槽切变线雷暴209 次，常常伴随有雷雨大风和短时强降水等天气。

低涡型雷暴，一般出现在低涡的南部及东南部，且出现在东南部最为常见。稳定少动的低涡，大气层结稳定度有明显的日变化特征，午后或者傍晚会变得不稳定，易产生雷暴。东移的低涡往往其东部、东南部和湿舌相交的区域，易产生雷暴。而在低涡控制区域，若低层有明显的暖湿气流，高层有冷平流，则往往会出现强雷暴天气，甚至出现冰雹。安溪近11 a低涡型雷暴共发生82 次，主要出现在夏季，常常伴随有雷雨大风、甚至会出现冰雹。

副热带高压型雷暴是安溪次多产生雷暴的天气系统。在副热带高压西北部如有低空急流出现，易出现强雷暴天气，甚至伴随冰雹等强对流天气。当副热带高压明显东退时，也可引起不稳定能量释放而造成雷暴。此外，当安溪处在副热带高压控制中，白天由于风小盛行下沉气流，易产生35 ℃以上的高温天气，傍晚到夜间，若近地面有弱辐合影响，不稳定能量得以释放，也会产生局地雷暴。安溪近11 a 副热带高压型雷暴共发生193 次，出现时间集中在6—9月。

此外，台风倒槽、东风波等其他天气形势也会使安溪发生雷暴天气，统一归为其他型雷暴。

从表2 可以看出高空槽、切变线雷暴是安溪县雷暴中发生次数最多的，共213 次，占37.00%；其次是副热带高压型雷暴达到了193 次，占34.20%。这两种雷暴发生次数接近，是安溪发生雷暴的主要天气系统。此外，低涡雷暴共82 次，占14.50%；锋面雷暴共49 次，占8.70%；东风波、台风倒槽等其他型雷暴合计32 次，占5.70%。

表2 2005—2015 年雷暴类型及频数分布 次

2 基于T639 数值产品的雷暴潜势预报

2.1 雷暴样本的选取

统计2015—2017 年安溪站人工观测的雷暴资料与地闪定位资料，选取雷电活动日进行研究。对雷暴日样本进行筛选，扣除掉日闪电个数为0 的日期，过滤掉人工观测无雷暴且时空上特别孤立的、日闪电密度≤3 个的日期，最后得到的样本为雷电样本，共计248 个。

2.2 预报因子的选取

依据雷电学原理，形成雷暴的基本条件有3 个：水汽条件、不稳定层结条件、抬升力条件。根据安溪站雷暴分布特征，选取2015—2017 年T639 数值预报产品与安溪雷暴日进行研究。将T639 在安溪区域内的格点数值24 h 的预报产品中各要素与雷暴之间的关系进行相关性分析。

选取T639 中与之相关的要素作为初选因子，其中表征水汽条件的有：中低层比湿、中低层水汽通量、中低层水汽通量散度、2 m 相对湿度、中低层温度露点差。表征不稳定层结条件的有：中低层24 h变温、K 指数、700 hPa 温度、中低层温度平流、850 与500 hPa 的温度差、中低层假相当位温。表征动力抬升机制的有：中低层散度、24 h 变压、中低层垂直速度、中低层涡度、中低层涡度平流。其他相关要素有：24 h 降水量、地面气压、海平面气压、500 与850 hPa 风场、10 m 风场等，共计41 个要素。

通过计算各要素与雷电发生之间的相关系数，最终选取了相关性最好的9 个预报因子，分别为K指数、850 hPa 垂直速度、850 hPa 比湿、24 h 降水量、700 hPa 温度、850 与500 hPa 的温度差、850 hPa假相当位温、850 hPa 涡度以及中低层垂直风切变，共9 个因子。

表3 9 个预报因子与雷暴的相关性

2.3 因子预处理

通过与雷暴日样本一一对应的各因子进行分析，对于每一个预报因子，取一个合适的临界值进行0、1 化处理[19]，使用SPSS 对以上预报因子做ROC 曲线分析。ROC 曲线是采用真阳性率和假阳性率做出的曲线，这里引入约登指数=灵敏度+特异度-1（其中灵敏度是真阳性率，1-特异度是假阳性率），当ROC 曲线最靠近左上角时，这个点被称作最佳临界点，点上的值被称作最佳临界值。即约登指数达到最大值时，则说明此时选取的临界值，使得该预报因子做临界值0、1 化处理后所得的变量与雷暴发生这个变量之间的相关性最好，试验最准确有效。

对临界值进行四舍五入，并采用最小二乘法进行多元回归分析，选取上述9 个物理量分别对应为预报方程的9 个因子：X1～X9，临界值见表4。

2.4 建立回归预报模型

2.4.1 多元线性回归方程

结合人工观测与地闪密度，对安溪雷暴当日对雷暴概率项取1，否则取0。对9 个因子（X1～X9）与雷暴发生概率进行回归分析，并得出多元一次线性回归方程为：

表4 预报因子0，1 化处理临界值

计算出的Y 值即为雷暴发生的潜势概率。

2.4.2 各因子做偏相关分析

由于多元线性回归只考虑单相关，未考虑因子之间的相互作用与关系，为更好区分因子对方程的贡献，对以上因子做偏相关分析（表5），其中RAIN_24 与Q850的偏相关性系数为71%，显著性为0.00，说明两个因子之间存在显著相关。T850-500与tes850、OMEGA850与vor850等因子间均存在一定的相关性。故而仅仅考虑单相关的线性回归得出的预报方程不够客观，在此引入逐步回归方程。在每引入一个因子后都进行F 检验，并对已经选入的因子逐个进行t 检验，当原来引入的因子由于新因子引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。

2.4.3 线性逐步回归方程

结合人工观测雷暴资料与地闪密度资料，对安溪出现雷暴当日的雷暴概率Y 项取1，否则取0。引入逐步回归，即将预报因子逐个引入预报模型中，每引入一个因子之后都进行F 检验，并对已经选入的预报因子逐个进行t 检验，当原来引入的预报因子由于后面预报因子的引入变得不再显著时，则将其删除。利用SPSS 对9 个预报因子（X1～X9）与雷暴发生概率Y 按照相关系数由大至小进行逐步回归分析，当sig＜0.05 说明该预报因子与雷暴发生概率Y是有显著相关性的，该回归模型有效。由表6 可知，5号模型拟合度最优，而在预报模型逐个引入新的预报因子时，vor850、RAIN_24 、T850-500、500～850 hPa 垂直风切变等4 个预报因子在其他预报因子依次引入预报模型时相关性变得不再显著，故将该4 个因子依次剔除。

表5 预报因子偏相关结果

由逐步回归得到如下方程：

其 中X1～X5分 别 为：OMEGA850、θse850、T700、K 指数、Q850，计算出的Y 值即为雷暴发生的潜势概率。

2.4.4 逐步回归方程效果检验

检验方法采用TS 评分方法（表7），雷暴预报结果检验样本采用2015—2017 年安溪雷暴资料。TS评分方法是一种针对中短期天气预报质量检验的常用方法，安溪雷暴潜势预报有3 种状态：准确预报、空报、漏报[20]。

其中准确率、空报率、漏报率计算方法如下：

对预报方程生成的结果，即雷暴发生的潜势概率Y 值进行讨论研究：分别考虑当Y 值＞0.1、＞0.2、直至＞1.0 时，即安溪雷暴发生。并利用2015—2017年T639 的资料对建立的雷暴概率预报方程进行回代检验，得出的Y 值检验结果见表8。

当雷暴发生的潜势概率Y ＞0.6 时，所得到的2015—2017 年雷暴概率预报方程的准确率最高，为85.60%，故选取0.6 作为潜势方程预报的临界值。用2018 年T639 的资料对建立的雷暴概率预报方程进行预报评估，发现2018 年安溪县雷暴日共91 个，雷暴概率预报方程准确率为83.84%，其中空报率为10.41%（38 次），漏报率为5.75%（21 次）。检验结果表明，利用T639 数值模式提供的要素产品进行雷暴潜势预报具有可行性，其预报结论可为安溪雷暴预报提供客观定量的参考。

表7 TS 评分方法

表8 Y 值检验结果表

3 结论

本文利用了安溪县国家气象站2004—2015 年11 a 的雷暴观测资料，以及2015—2017 年人工观测的雷暴资料、地闪定位资料和T639 数值预报产品进行了气候学统计和相关性分析等，得到如下结论：

（1）2004—2015 年安溪雷暴日数共计623 次，年平均为51.9 次。具有明显的月、季分布特征。月分布以8 月153 次（占24.60%）为最多，1 月0 次（占0.00%）为最少。季节分布上春季末开始雷暴明显增多，夏季为雷暴频率最高的月份，夏季的雷暴预报预警工作最为重要。而冬季最少，仅出现6 次（占

1.00%）。

（2）安溪雷暴从天气形势上大致分为5 种，其中高空槽切变线雷暴、副热带高压雷暴比例相近，为安溪最主要的雷暴天气形势。副高型雷暴局地性较强，而低涡型雷暴往往发生强烈，甚至可能出现小冰雹，需要加强监测预警。

（3）从水汽条件、不稳定层结条件、动力抬升条件3 方面选取T639 数值产品要素，并计算与雷暴的相关系数。K 指数、850 hPa 垂直速度、850 hPa 比湿、24 h 降水量、700 hPa 温度、850 与500 hPa 的温度差、850 hPa 假相当位温、850 hPa 涡度以及中低层垂直风切变等9 个因子与雷暴的发生密切相关。

（4）通过0、1 化处理后，进行了多元线性回归求取方程和偏相关分析，为剔除重复因子，最终选择逐步回归求取方程。逐步回归方程由850 hPa 垂直速度、850 hPa 假相当位温、700 hPa 温度、K 指数、850 hPa 比湿5 个显著因子建立模式预报方程。并发现方程结果Y 值取＞0.6 时，对2015—2017 年安溪雷暴日进行逐步回归预报方程回代得到的准确率最高，为85.60%。利用该预报方程对2018 年安溪雷暴进行预报评估，雷暴概率预报的准确率为83.84%。检验结果表明，基于T639 数值模式进行的雷暴潜势预报具有一定的可行性，其预报结论可为安溪雷暴预报预警提供客观定量的参考。