2020年沈阳桃仙机场暑期雷雨统计和指数简析

李磊

（民航东北地区空中交通管理局，辽宁 沈阳 110000）

1 引言

雷雨是夏季影响东北地区航空飞行安全的最重要的天气。2020-10-21，桃仙机场3架航班遭遇或疑似遭遇雷击。雷暴能产生各种危及飞行安全的天气现象，包括强烈的颠簸、积冰、风切变、瞬时大风、下击暴流等，同时雷击也严重影响航空器安全运行。雷暴变化过程复杂，影响因素较多，时间尺度较短，瞬时破坏力大，因此，加强对雷雨的预报，对保障夏季航空飞行安全有重要意义。

2 2 020年暑期雷雨实况统计

以2020年6—9月为例统计暑期雷雨天气，桃仙机场日雷暴时长和日降水量分布如图1所示。资料来源于民航东北地区空中交通管理局空管中心气象中心观测室观测资料。

图1 2020年6—9月桃仙机场日雷暴时长和日降水量分布图

2.1 雷暴日数

2020年暑期共出现21个雷暴日，其中6月共4 d，7月共5 d，8月共7 d，9月共5 d。略低于桃仙机场同期历年平均的21.9 d。

2.2 日雷暴时长

跨日的连续雷暴主要影响时段为前一日，后一日持续时间较短，影响较小时，雷暴时长归于前日计算。

暑期共出现日雷暴时长1 h以内共6 d，1～2 h共5 d，2～3 h共5 d，3～4 h、4～5 h、8～9 h各1 d。日雷暴时长最长的为2020-08-18的8 h19 min。

2.3 雷暴起始方位

2020-08-03—08-18的长时间连续降水期间出现多段雷暴，间隔时间较长，每次雷暴持续时间较长，记为多次雷暴，其他日记为单次雷暴，统计每次雷暴起始时的出现方位，以八方位角计算。其中起始方位为西北、西、西南、南的雷暴各4次，北、东南各1次，起始于机场天顶的雷暴共4次。起始于西北、西、西南、南的雷暴累计频率为73%，符合东北地区夏季副热带高压北抬，西南气流引导空中槽脊系统影响东北地区天气的环流形势。另外，天顶雷暴的频率为18%，这种雷暴通常在机场附近发展，到机场上空开始鸣雷，前期维持时间较短，在雷达探测图像上不明显或处于雷达高仰角盲区内，对提前定位追踪和移动发展趋势预报有较大难度，对航空器起降影响较大。

2.4 雷暴起始时间

以雷暴起始小时统计起始时间分布。其中起始于00：00—5：00时的次数为3次，6：00—11：00为2次，12：00—17：00为10次，18：00—23：00为7次。起始于午后到前半夜的雷暴占77%，表明雷暴形成与气温的日变化密切相关，近地面的气温升高，使层结不稳定，加强对流天气的发生。

2.5 暑期降水情况

桃仙机场6月出现降水日共11 d，7月共9 d，8月共17 d，9月共17 d，暑期累计降水日54 d，高于历年同期平均降水日51.1 d。累计降水量488.6 mm，高于历年同期降水量449.5 mm。日降水量50 mm以上的共3 d，25～49 mm共2 d，10～25 mm共7 d，1～10 mm共20 d，1 mm以下共22 d。最强的单日降水为08-24的77.1 mm和08-13的75.1 mm。

2.6 日雷暴时长和降水量的对比

由图1中日雷暴时长和日降水量的对比可见，雷暴峰值和降水峰值相互错开。对于8次超过2 h的雷暴日，无一对应强降水日。5次大雨以上量级降水日，其中2次未出现雷暴，另3次雷暴时间都在2 h以下。强雷暴和强降水共存的概率较小。

3 雷雨指数分析

为了探究天气形势场和雷雨发生的关系，提高雷雨预报的质量，期望通过对雷雨相关气象要素和常用雷暴指数（下简称为“雷雨指数”）与雷暴样本进行参数分析，获得数值分布规律。

3.1 数据选取和处理

资料选取FNL时间分辨率为6 h，空间分辨率为1°经纬度的再分析资料进行数据分析，6—9月共488个时间节点，依时间分辨率将2020年暑期各雷雨案例按时间分布分配到各时间节点上，获得26个雷雨样本。以北纬41°，东经123°格点要素值表征桃仙机场天气要素，部分要素用北侧或东侧

1 °格点进行差分运算。

3.2 数据分析方法

目前设计出分析雷雨指数与天气要素拟合的两种方法：①按时间排序指数数值，分析数值曲线波峰和雷雨样本的关联性（时序图）。理想状态是每一个雷雨样本能对应出一个曲线波峰，说明该参数的发展变化和雷暴出现正相关。优势在于波峰峰顶时间不需要和天气实况准确对应，可以排除一部分时间精度和空间不足造成的误差，不受低样本数量制约。劣势是曲线演化出波动函数对结果有更好的解释，但波动函数演化难度较高，同时精度的不足会使曲线波动剧烈，增大误差，并进一步增加难度。②将指数数值按大小排列，分析天气样本对应的指数分布情况（分布图）。理想状态是全部样本对应的雷雨指数紧密并充分排列在固定的数值区间，优势是操作过程简易，图像分布清晰，易于量化对比。劣势是由于天气样本和指数一一对应，如果指数出现较大的误差或不能与天气时间紧密联系，样本分布会急剧变化，对结果造成较大误差，同时需要高样本数来支撑分析结论。

量化分析采取第②种方法，时序图仅作为参考，因为时序图分析比较依赖曲线化，如果不能演化出波动函数，用人工识别时序图主观性高，且部分波峰位置不易被识别，如果时间序列过长，识别图像和验证数据的工作量较大，不益于准确统计结果。

3.3 雷雨指数数据选取

从动力、热力、水汽和不稳定能量方面选取雷雨指数。包括850 hPa风速，850 hPa垂直速度，850 hPa散度，500 hPa和850 hPa风速差，500 hPa和850 hPa温度差，K指数，850 hPa温度平流，850 hPa和500 hPa假相当位温差值，850 hPa湿度，850 hPa+700 hPa+500 hPa温度露点差总和，850 hPa水汽通量，水汽通量散度，对流有效位能CAPE，对流抑制能量CIN，抬升指数。

3.4 部分雷雨指数简析

选择部分代表性图表进行简要分析。K指数时序图和分布图如图2所示。图中竖线区代表雷暴样本，仅用于定位数值。

在图2中，K指数时序图上88%样本对应曲线波峰位置，分布图上81%样本位于30℃以上大值区，且K指数数值越大，分布越紧密，K指数相性较好。

图2 K指数时序图和分布图（单位：℃）

500 hPa和850 hPa风矢量差速度值时序图和分布图如图3所示。在图3中，500 hPa和850 hPa风矢量差速度值时序图上仅27%样本对应波峰位置，分布图上样本分布比较分散，且偏低值一侧，未体现出中低层水平风的垂直切变项对雷雨的贡献，雷雨样本相性较差。

图3 500 hPa和850 hPa风矢量差速度值时序图和分布图（单位：m/s）

850 hPa湿度时序图和分布图如图4所示。在图4中，850 hPa湿度时序图上69%样本对应波峰，分布图上85%样本位于70%湿度以上一侧，说明雷雨发生需要一定的水汽水平，但密集区出现在75%～90%附近，90%以上未出现较多样本，表示水汽指标为雷雨提供了一定的阈值，但未对高强度雷雨做出进一步贡献。

图4 850 hPa湿度时序图和分布图（单位：%）

对流抑制能量CIN时序图和分布图如图5所示。在图5中，CIN时序图上54%样本能对应波峰，但通常稍落后于波峰，分布图上CIN在-150 J以上能量大值取有样本空窗，但低能量区比例较大，样本排列分散，说明CIN在高能区起到抑制作用，雷雨前期通常有弱的能量抑制，维持时间较短，导致分布图不适用。

图5 对流抑制能量CIN时序图和分布图（单位：J）

3.5 指数分析的简易量化处理和分析结果

为了对比分析各指数对雷雨的贡献程度，将各指数数据处理结果进行量化。要素依大小横排后，对雷雨贡献较小的一侧，30%雷雨样本占横坐标比例（A）和70%横坐标以上的样本比例的平均值（B），对各要素进行对比，数值越大表示越适用。

各指数最终量化处理结果如表1所示，其中第二、三列是两种比例值，第四列是两者平均值，代表最终结果，结果仅显示2位小数。

表1 雷雨指数分布量化处理结果

结果显示，对流有效位能、K指数、抬升指数匹配良好，贡献值在0.73～0.75，水汽和热力项贡献值在0.5～0.7左右，动力项贡献0.4～0.6，CIN指数特性使量化数值垫底。

4 结论和不足

本次分析获得以下结论：①CAPE、K指数、抬升指数是预报雷雨的较好相性参数；②夏季水汽条件通常足够提供雷雨所需要的水汽，高值水汽对雷暴贡献较小；③相较于动力条件，热力条件对暑期雷暴的触发贡献更明显；④雷雨前期通常有弱的能量抑制，但维持时间较短，导致CIN分布图相性差，高的对流抑制能量不适于产生雷雨，可结合其他参数预报暴雨。

同时这种分析设计还有以下明显不足：①空间尺度和时间尺度的不足容易导致较大的误差。选择的格点与实际位置偏差值在70 km左右，偏差明显，足以影响中尺度天气表现。而且将6 h雷暴归于一点，几倍于平均雷暴周期，造成的误差较大。②各雷雨指数对雷雨贡献的算法偏薄弱，可引入回归方程以提高结论的有效性。③样本量偏少，代表性差。④没有计算雷暴强度，单纯计算雷暴时段，无法区分密集的高强度雷暴和独立的弱雷暴间的区别。⑤各指数和物理量单独分析，无法体现不同参数间的关联性。⑥参数化分析气象数据可以提高数据的拟合度，时序图比分布图有更好的上升空间。⑦可优化物理量配置，探索相性更好的指数参数。