ECMWF再分析资料在乌海强对流天气诊断中的应用

张 莉，马文迪，赵雯涛

(乌海市气象局，内蒙古 乌海 016000)

冰雹、雷暴大风、短时强降水等强对流天气是暖季常见的灾害性天气，主要特点就是突发性强、生命史短且易致灾，历来是天气预报的重点和难点[1-2]。在强对流天气客观预报方法方面，早期的研究如θse特型法、权重系数法、配料法等，都是基于常规探空资料，时空分辨率较低，难以满足现代化业务对分类强对流天气预报准确率的需求。随着全球模式分辨率的提高和非静力区域中尺度模式的发展，数值模式在强对流天气预报预警中发挥着越来越重要的作用[3]。笔者利用业务应用广泛且具有较高预报水平的ECMWF再分析资料获取高分辨率的温、压、湿、风信息来识别和分类乌海市的强对流天气。

1 资料与方法

1.1 资料

乌海市降水量、极大风速及雷暴、冰雹的小时数据来源于内蒙古自治区气象信息中心的审核资料，物理量数据来自第五代ECMWF大气再分析资料(ERA5再分析资料)，水平分辨率为0.25 km×0.25 km，时间分辨率为1 h。

1.2 研究方法

1.2.1 临近原则

“临近原则”是指对历史分类的强对流天气站点实况资料与格点再分析资料进行匹配，构建乌海分类强对流天气历史个例库。临近原则如下。

1.2.1.1 “空间邻近”原则。将离站点空间距离最近的格点物理量值近似认为站点的物理特征值。

1.2.1.2 “时间临近”原则。以强对流天气发生之前最近1 h的物理量作为过程的物理特征值。

1.2.2 分类预报物理量指标

笔者选取热力不稳定诊断量：CAPE值、K指数、600 hPa温度、850 hPa和700 hPa温度差、地面和850 hPa温度差；动力诊断量：高空200 hPa和低层850 hPa垂直风切变、高低空急流、850 hPa垂直速度；水汽条件诊断量：850 hPa、700 hPa相对湿度和比湿、地面温度露点差等物理量，为强对流天气及其中短时强降水、雷暴大风、冰雹的分类预报提供预报指标。

1.2.3 二项Logistic回归分析法建立预报方程

Logistic回归主要用于因变量为分类变量的回归分析，可以从多个自变量中选出对因变量有影响的自变量，并给出预测公式用于预测。强对流天气的预报预测适合用二项Logistic回归分析法。

首先将所有研究样本中强对流天气是否发生的结果用Y表示，Y的赋值规则为：

记出现成功结果的概率为P(Y=1)，用Logistic回归公式表示P为:

(1)

其中：β0是与诸因素xi无关的常数项，β1、β2…βm是回归系数，表示诸因素xi对P的贡献量。

1.2.4 TS评分检验预报准确率

(2)

BIAS表示预报事件发生总数与观测事件发生总数的比率，式中NA表示报对的点数，NB表示空报的点数，NC表示漏报的点数。比值越接近1，说明预报效果越好；比值越大于1，表示事件预报频率越高；比值越接近0，则表示事件预报概率越低。

(3)

当预报正确的点数与实况点数完全一致时，TS=1；TS值越接近0，表示预报技巧越低。

(4)

FAR代表空报在预报强对流事件中的比率，范围为[0，1]，空报率越低，表示预报技巧越好。

(5)

MAR代表漏报在预报强对流事件中的比率，范围为[0，1]，漏报率越低，表示预报技巧越好。

2 结果分析

2.1 乌海地区强对流天气的时间空间变化特征

2.1.1 短时强降水

2.1.1.1 本地化定义。2013年—2020年，乌海市各站小时降水量极值为47 mm/h，出现在滨河站2017年7月25日8—9时。在研究的8年中，小时降水量≥20 mm只出现31站次，结合乌海地区的承灾能力，采用常煜对内蒙古半干旱区短时强降水的定义，即10 mm/h作为乌海地区短时强降水的定义，共156个个例。

2.1.1.2 时间分布特征。

2013年—2020年间，乌海市大部分年份有5次～10次短时强降水天气，其中2015年、2017年、2019年较平均值偏少，2016年、2018年、2020年偏多，其中2018年最多，为13次。短时强降水天气主要分布在5月—9月，其中7月、8月最多。从时段分布上来看，乌海短时强降水有3个主要时段，分别为午后15时左右、凌晨2—5时及上午8—11时，其中午后出现的次数最多。

(a) (b) (c)

图2 2013年—2020年乌海市短时强降水空间分布

2.1.1.3 空间分布特征。

乌海市短时强降水的发生频次体现出南北多中间少的特征，其中千里山及绿地砖厂附近出现大值中心，千里山出现17次，绿地砖厂出现16次，乌海市中部地区短时强降水次数小于10次，平均每年在1次左右。

2.1.2 雷暴大风

2.1.2.1 雷暴大风的定义。将极大风速≥17.2 m/s，并伴随有雷暴出现时记为一次雷暴大风过程。雷暴大风资料来源于国家一般站日极大风速，考虑了雷暴资料2014年停止观测，选择2000年—2013年国家一般站的数据分析雷暴大风。

(a) (b)

2.1.2.2 时间分布特征。乌海雷暴大风有隔年增多或隔年减少的周期性变化特征，且总体有减少的趋势。雷暴大风主要出现在5月—8月，其中6月出现次数最多，出现时段在午后和凌晨居多。2000年—2013年极大风速为27.7 m/s(10级)，出现在2013年7月。

2.1.3 冰雹

考虑到小冰雹致灾性也比较强且乌海地区出现大冰雹(直径≥2 cm)个例较少，因而此处不区别冰雹大小。根据统计，乌海市2000年—2020年有观测记录的冰雹有5次，4月—7月均有出现。

2.2 乌海地区强对流天气分类指标及判据

对常用的物理量在乌海强对流天气识别及分类中的指示作用进行探讨分析，建立强对流天气的分类识别判据，是进行强对流分类预报的基础。为避免日分布对物理量范围的影响，将短时强降水、雷暴大风、冰雹发生前一天相同时次的个例定义为对照组(未发生强对流天气)。

2.2.1 热力不稳定诊断量

2.2.1.1 700 hPa和500 hPa温度差。雷暴多发生在大气低层处于条件不稳定下，故常用反映垂直温度梯度的中低层温差来判断静力稳定度。由于乌海市处于内蒙古高原，平均海拔1 150 m，因此用700 hPa与500 hPa温差(ΔT700-500)来反映大气的稳定条件。从乌海市短时强降水、雷暴大风、冰雹及对照组各例临近时的ΔT700-500图4(a)看出，未发生强对流天气时ΔT700-500集中在15 ℃～20 ℃之间；雷暴大风天气临近时ΔT700-500近一半大于20 ℃；短时强降水天气临近时ΔT700-500大多数在 18 ℃以下；冰雹天气临近时ΔT700-500集中在13 ℃～20 ℃之间，中位数为18 ℃，整体较雷暴大风天气偏小，大部分个例高于短时强降水天气，但离散度较大。以上表明，较小的中低层温差就可产生短时强降水天气，但雷暴大风则发生在中低层温差较大的环境下，冰雹介于两者之间。以18 ℃和20 ℃的ΔT700-500为界，对照组与短时强降水、雷暴大风个例就可以区分开。当ΔT700-500小于18 ℃时，发生短时强降水的概率超过50%；当ΔT700-500大于20 ℃时，发生雷暴大风的概率达59%。

(a) (b) (c)

2.2.1.2 地面和850 hPa温度差。逆温层有利于能量和水汽在低层聚集，有利于触发强对流天气发生。从乌海市不同类型强对流天气临近时的地面与850 hPa温差看出，70%以上的对照组ΔT地面-850都大于-0.5 ℃；而接近75%的雷暴大风个例ΔT地面-850小于-0.5℃；短时强降水天气临近时ΔT地面-850中位数为0.46 ℃，较对照组温差略偏小，但不足以将其区分。以上表明，逆温层可以用于雷暴大风的识别，以0 ℃为界，当ΔT地面-850< 0℃时，雷暴大风发生的概率超过50%。

2.2.1.3 K指数。K指数侧重于反映对流层中低层温湿分布对大气稳定度的影响，K值越大，大气越不稳定。乌海市短时强降水发生前的K指数比冰雹、雷暴大风高，说明前者对于低层水汽条件的依赖程度更高，60%以上的短时强降水临近时K指数均超过25 K。

(a) (b) (c)

2.2.2 水汽条件诊断量

2.2.2.1 比湿。低层湿度条件对强对流天气类型有重要影响。从乌海市不同类型强对流天气临近时850 hPa比湿可以发现，未发生强对流天气时850 hPa比湿集中在6 g/kg～11 g/kg之间；75%左右雷暴大风个例<9 g/kg；而75%左右的短时强降水个例>9 g/kg；冰雹天气临近时850 hPa比湿介于4 g/kg～7 g/kg之间。短时强降水、对照组、雷暴大风、冰雹850hPa比湿逐渐减小。以上表明，850 hPa较大的比湿条件有利于短时强降水天气的发生，但雷暴大风、冰雹则发生在低层相对较干环境下。当850 hPa比湿大于12 g/kg时，发生短时强降水的概率接近70%。

2.2.2.2 相对湿度。相对湿度表示空气中的绝对湿度与同温度和气压下的饱和绝对湿度的比值，从乌海市不同类型强对流天气临近时700 hPa相对湿度可以发现，未发生强对流天气时700 hPa相对湿度集中在35%～65%之间；短时强降水发生时，700 hPa相对湿度中位数为74.53%；雷暴大风天气临近时700 hPa相对湿度中位数为42.94%，与对照组分布类似，但较对照组更集中；几次冰雹天气临近时700 hPa相对湿度都偏高，其中超过75%均大于70%。因此700 hPa相对湿度是区分乌海市短时强降水天气的重要判据之一，当700 hPa相对湿度大于60%时，发生短时强降水的可能性较大。

2.2.2.3 地面温度露点差。冰雹、雷暴大风天气一般具有“上干下湿”的特点，而短时强降水需要深厚的湿度层结，故利用地面温度露点差T-Td来表示近地层水汽饱和度。从乌海市不同类型强对流天气临近时的地面温度露点差看出，未发生强对流天气时T-Td集中在7 ℃～18 ℃之间；近一半雷暴大风个例T-Td大于 8℃；大多数短时强降水个例在8 ℃以下；冰雹天气临近时T-Td离散偏大。

2.2.3 动力条件诊断量

从乌海市不同类型强对流天气临近时850 hPa垂直速度可以发现，75%以上未发生强对流天气和90%左右短时强降水发生时850 hPa垂直速度均大于0 m/s，其中短时强降水的垂直速度更大，可见低层垂直上升运动，有利于短时强降水的发生。而50%的雷暴大风和75%的冰雹850 hPa垂直速度小于0 m/s，低层为下沉运动。

图6 乌海市不同类型强对流天气临近时850 hPa垂直速度箱线图

项目中，我们还研究了散度、涡度、垂直风切变等物理量，对强对流天气的识别与分类都没有明显的作用。

2.3 乌海地区强对流天气潜势预报方法

2.3.1 各物理量与是否发生强对流天气相关性分析

由于样本数有限且变量较多，先对各物理量与是否发生强对流天气间的关系进行单变量相关性分析及t检验。检验结果发现，600 hPa温度，200 hPa风速及200 hPa和850 hPa垂直风切变与是否发生强对流天气不显著相关。700 hPa和500 hPa温度差，850 hPa风速，850 hPa垂直速度与是否发生强对流天气都在0.05级别显著相关，t检验的显著性概率介于0.01和0.05之间，其余物理量均在0.01级别显著相关。我们选择在0.01和0.05级别显著相关的所有物理量作为建立二项Logistic概率预报方程的自变量。

2.3.2 基于二项Logistic分析建立强对流天气预报方程

利用SPSS软件，基于二元Logistic回归分析方法，得到进入方程的变量包括CAPE值、K指数、T700-500、700 hPa相对湿度、850 hPa相对湿度、T地面-850、850 hPa比湿、850 hPa垂直速度，未进入方程的变量包括垂直风切变、700 hPa比湿、地面温度露点差，并得到预报方程。

(6)

式中x1、x2、x3、x4、x5、x6、x7、x8分别表示CAPE值、K指数、700 hPa和500 hPa温度差、700 hPa相对湿度、850 hPa相对湿度、地面和850 hPa温差、850 hPa比湿、850 hPa垂直速度。

2.3.3 历史个例回溯及TS评分检验

选取2015年—2020年发生的强对流天气及相同数量的对照组对预报方程进行检验，P值≥0.9的共出现4次，其中发生强对流4次，预报准确率达100%；P值为0.8～0.9、0.7～0.8、0.6～0.7的准确率分别为86.96%、82.35%、75%，预报准确率都≥75%；而当P值为0.5～0.6时，预报准确率大幅下降，为39.13%，因此选择P≥0.6进行TS评分、空报率、漏报率检验。

图7 概率预报方程P值分布情况及预报准确率

(7)

当P≥0.6时，偏离率BIAS为85%，预报频率偏低，可初步判断该预报方程漏报率要大于空报率。

(8)

当P≥0.6时，TS评分>60%，由于强对流天气的预报预测中雷达回波、卫星云图等起着重要作用，因此该预报方程为3种预报手段结合、提高强对流天气的预报准确率和预报提前量具有一定的参考价值。

(9)

计算P≥0.6时，该预报方程的空报率和漏报率发现，漏报率大于空报率，空报率<20%，结合P值的范围，当P值较大时，需提前考虑强对流天气。

3 结束语

短时强降水、雷暴大风、冰雹等强对流天气主要分布在5月-9月，其中短时强降水7月、8月最多，雷暴大风6月最多。从时段分布上来看，均主要发生在午后到傍晚前和凌晨。△T700-500、T地面-850、K指数、比湿、相对湿度、850hPa垂直速度、T-Td作为乌海地区强对流天气分类指标，能有效将对照组与短时强降水、雷暴大风、冰雹个例区分开。通过二元Logistic回归法，得到强对流天气的预报方程，并通过预报准确率的检验发现其对强对流天气的预报具有重要的参考意义。