基于CMA-MESO模式的黑龙江省强对流天气分类预报方法研究.pdf
《基于CMA-MESO模式的黑龙江省强对流天气分类预报方法研究.pdf》由会员分享,可在线阅读,更多相关《基于CMA-MESO模式的黑龙江省强对流天气分类预报方法研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、第39 卷第4期2023 年8 月刘松涛,高梦竹,齐铎,等.基于CMAM ESO 模式的黑龙江省强对流天气分类预报方法研究 J.气象与环境学报,2 0 2 3,39(4):38-46.LIU Songtao,GAO Mengzhu,QI Duo,et al.Research on classification forecast method of severe convective weather in Heilongjiangprovince based on CMA-MESO J.Journal of Meteorology and Environment,2023,39(4):38-46
2、.气象与环境学报JOURNAL OFMETEOROLOGY AND ENVIRONMENT基于 CMA-MESO 梅天气分类预报方法研究Vol.39 No.4August 2023模式的黑龙江省强对流强对流发生的关系,用于强对流预报 13。费海燕等 14 总结中国地区强雷暴大风的气候特征和环境条刘松涛高梦竹齐铎王承伟(黑龙江省气象台,黑龙江哈尔滨150 0 30)摘要:利用欧洲中心再分析数据(ERA5)、中国气象局中尺度数值预报模式(CMA-MESO)产品和自动站资料,计算动力条件、不稳定层结、水汽条件、特征层高度等对流参数,统计雷暴大风和短时强降水两类强对流天气的对流参数分位值统计量特征,以
3、及与气候值的偏差特征。结果表明:短时强降水更易在水汽含量大、中低层大气接近饱和的湿热环境中发生,中低层升作用触发降水并增强降水效率,水汽条件是短时强降水的关键。雷暴大风容易在气温直减率大的环境中出现,有利条件为中层干燥、低层湿润、垂直风切变大、CAPE大。采用相对偏差模糊矩阵评价法,进行黑龙江省两类强对流天气的分类预报,检验结果表明,该方法能有效预报最可能发生强对流的区域和时间,预报效果较好,预报偏差bias短时强降水为0.7,雷暴大风为1.04,空报漏报率合理。关键词:短时强降水;对流参数;雷暴大风中图分类号:P468引言强对流天气通常具有持续时间短,突发性强等特征 1-4,强对流天气预报一
4、直是预报业务的重点和难点。在实际天气预报中,该类天气的准确提前预报仍非常困难。近年来,数值预报技术快速发展,但现有数值模式对局地性强对流天气预测准确度仍较低 5-7 ,有待进一步改进技术,以满足现代气象预报业务的需求。强对流天气的发生与天气系统的演变有关,其强弱程度可以视为大气状态相对于气候常态的偏离程度 8 。大量研究表明 9-12 ,在对流系统不同发展阶段,模拟其内部结构且有明确物理意义的强对流参数在对流过程持续的时间段存在显著差异,对流参数对不同类型强对流的敏感性不同。2 0 世纪90年代至2 1世纪初,强对流天气预报主要基于天气学概念模型和强对流要素主观预报。2 1世纪以来,高分辨率中
5、尺度模式模拟为强对流系统的空间结构、发生、发展及触发原因提供了分析工具,并构建了多种对强对流敏感的物理量,统计了关键阈值与收稿日期:2 0 2 2-0 9-0 9;修订日期:2 0 2 3-0 3-2 2。资助项目:国家重点研发计划“重大自然灾害监测预警与防范”重点专项“我国北方局地突发性强降水机理及预报方法研究”专题五(2 0 18 YFC1507305)、中国气象局复盘总结专项项目(FPZJ2023-038)和黑龙江省气象局智能网格预报及数值模式释用”创新团队共同资助。作者简介:刘松涛,男,19 8 0 年生,高级工程师,主要从事数值预报释用方法研究,E-mail:。通信作者:王承伟,女,
6、正研级高级工程师,E-mail:。文献标识码:Adoi:10.3969/j.issn.1673-503X.2023.04.006件,通过三种云型雷暴大风的强对流参数分析表明,强层结不稳定和拖拽作用是强雷暴大风产生的重要原因。樊李苗和俞小鼎 15 通过对中国地区不同强对流天气类型的环境参数对比分析表明,短时强降水和雷暴大风、冰電环境参数有明显差异。尽管环境参数阈值法在强对流预报应用中存在预报落区明显偏大等问题,但其预报准确率、空报率、漏报率等关键检验指标仍存在较大提升空间。随中尺度模式预报时空分辨率的提高,强对流预报逐渐转变为利用高分辨率预报产品改进预报质量。在强对流预报中,应用高分辨率数据提升
7、预报、预警的提前量和准确率非常重要 16-17 ,但中尺度模式预报产品并不能直接预报出分类强对流结果。对于突发性灾害强对流天气,需要短时间内判断并发布预报预警,目前模式结果和概率预报远达不到业务需求水平,因此,有必要通过客观方法实现基于中尺度模式结果的释用,提供满足分类强对流预报业务需求的支撑产品,以快速直观的判断强对流类型第4期和最可能出现的落区,及时准确制作和发布预报预警。钟敏等 18 应用连续概率预报方法建立不同等级短时强降水概率预报模型,对不同等级雨强个例的对比检验表明,各级概率预报产品对 CMAM ESO模式同时次不同等级短时强降水预报均有较好的订正作用。本文结合黑龙江省强对流天气特
8、点,探讨符合该省强对流预报业务需求的客观分类预报方法,与以往基于阈值判断的方法不同,采用连续概率预报方法,通过分析不同类型强对流天气的对流参数差异,利用中尺度数值模式预报产品实现分类强对流预报。此外,业务强对流天气类型主要包括短时强降水、雷暴大风、冰和龙卷风 19 。由于冰、龙卷风历史个例较少,本文重点分析短时强降水和雷暴大风两类强对流天气的分类落区预报方法,以期为该地区强对流预报预警研究提供参考。1资料与方法1.1资料来源所用资料包括欧洲中心再分析数据(ERA5)、黑龙江省地面站点观测数据(国家站+区域站)、闪电定位数据以及中国气象局中尺度数值预报模式(CMA-MESO)产品。其中,ERA5
9、数据通过欧洲中心数值预报网站获取,观测数据和CMAM ESO 通过“天擎”数据库获取。观测资料包括2 0 19 2 0 2 0 年49 月黑龙江省979个站点逐小时降水量、极大风速及其出现时间等。闪电定位数据为逐小时闪电的经纬度、发生时间(精确到分钟)。预报效果检验时段使用2 0 2 2 年6一8 月数据。欧洲中心再分析数据为2 0 19 2 0 2 0 年49 月,垂直方向为不等间距10 层等压面和地面要素数据,空间分辨率为0.2 50.2 5,时间分辨率为1h。CMAM ESO 预报资料为每日0 8 时起报的0 36h全要素预报数据,空间分辨率3km3km,时间分辨率1h。采用双线性插值到
10、0.0 5等经纬度网格上,以匹配最终预报产品1.2订正方法1.2.1强对流历史个例分类定义与统计短时强降水判断标准为单站降水量2 0 mmh-;雷暴大风判断标准为过去1h内单站极大风速17ms-l,且周围40 km范围内出现1次以上闪电,参考第八届全国气象行业天气预报职业技能竞赛智能预报技术方法单项检验方案(中国气象局,2021),加入闪电定位数据可以避免系统性大风被误判为对流性大风。极大风出现时间精确到秒,闪电刘松涛等:基于CMAM ESO 模式的黑龙江省强对流天气分类预报方法研究anmJ式(3)中,a;为第i个方案第j项评价指标的值。理想方案见式(4)。(4)式(4),中,-mm(a.),
11、当a,为成本型指标。m a x(a j),当a;为效益型指标39定位为1h内观测结果,1h内二者同时出现则记为该站出现雷暴大风。统计2 0 19 2 0 2 0 年49 月黑龙江省两类强对流天气发生个例,在此基础上利用欧洲中心再分析数据(ERA5)进行双线性插值降尺度至0.0 5,计算历史个例发生时各要素场,共计17 8 种物理量(对流参数)。统计每月各对流参数在两类强对流天气发生前的特征值以及发生时的月均值。1.2.2对流参数权重分配构建两种对流参数指标,综合判断对流参数在不同类型强对流中的重要性。一种指标反映强对流发生时环境条件与气候平均态的差异,其中气候平均态可以用月均值来表示,采用当前
12、日为中心,前后一定时段(为15d,前后各一周)的滑动平均得到逐日气候平均值 2 0-2 1。第k类强对流天气的m月对流参数(i),其与气候平均值的差异计算见式(1)。(1)pi式(1)中,j=1,2,p为历史个例样本数;Imj为第j个历史个例对流参数的一定时长滑动气候平均值。另一种为对流参数自身稳定性,强对流天气的月对流参数(i)稳定性标准差计算见式(2)。Skmi=式(2)中,lkm为第k类强对流天气在m月第i个对流参数,在p次对流天气发生临近时刻的平均值。采用相对偏差模糊矩阵评价方法,将参数气候平均值的差异性Bkm视为效益型特征,参数自身的稳定性Skm为成本型特征。对流参数与气候平均值差异
13、越大,表明其对强对流预报的参考价值越大;对流参数要相对稳定在合适区间,不宜波动过大。将各参数标准化处理后,引入相对偏差模糊矩阵评价方法可对各对流参数赋予不同权重。设U=ui,uz,,ur,un为待评价的n个方案集合,V=vi,V2,j,,v m 为评价指标,将U中每个方案用V中的每个指标进行评估得到矩阵,见式(3)。a1la12a21a22U=Lanlam2(2)aima2mai(3)40气象与环境学报第39 卷建立相对偏差模糊矩阵,见式(5)式(6)。r11T12Y21Y22R=r,=max(a,)-min(an)采用变异系数法确定各评价指标的权重,见式(7)式(8)。CjW;=c=n1Yi
14、n=1s=n-1建立综合评价模型,见式(9)。F,=Za,m式(9)中,F,为各类方案的优先度,如果F,F,,则第个方案优于第s个方案。将对流参数与平均气候态差异作为效益型指标,见式(1),选用标准差表述对流参数稳定性作为成本型指标,见式(2),分别用i和z表示,见式(10)。P台式(10)中,i=1,2,n为各对流参数;j=1,2,p为样本数;I,为一段时间内历次强对流天气临近发生时各对流参数平均值;If为对流参数15d滑动气候基态。效益型和成本型两个指标为评价指标,采用果首次权重分配中已包含这些指定参数,则不做处Yim理;如果不包含,则按这些对流参数的权重大小从第12m20位开始替换之前筛
15、选的对流参数序列。丫iYnmlai-vri,)(5)(6)(7)(8)(9)(10)1.2.4对流参数历史频率分布统计强对流天气历史个例对应的各种对流参数频率分布特征,对流参数在强对流天气临近发生时的数值区间由历史个例确定。将区间划为 yi,Co和(Co,J2,C为历史个例统计得到的平均值。y和y2分别为历史个例中对流参数的下限和上限。基于连续概率计算方法,对于网格数据逐个格点进行阈值区间判断,统计每个格点上满足阈值条件的对流参数个数 19 一Wo+y2-CoFkm=Y-y1Wo(co-y1式(12)中,Fkmi为第i个对流参数概率;k为某种强对流天气类型;m为月份;i为某个对流参数;。为Co
16、对应的权重;y为网格数据逐点物理量值。如果对流参数越大对强对流发生越有利,o=1-如max-minmax-Co果对流参数越小对强对流发生有利,W=max-minmax、m i n 分别为对流参数的最大值和最小值。1.2.5分类强对流概率预报方法构建基于上述各类强对流天气每月对流参数的权重分配和筛选,并参考历史强对流发生前的频率分布,构建了分类强对流概率预报算子Pkm,见式(13)。利用CMA-MESO实时预报更新计算分类强对流预报结果。20Pkm=(FM台km1-wo)(c o y y 2)(yi 30 表明在温度直减率大,低层湿润,中层干燥的条件下易发生雷雨。风暴强度综合了垂直风切变和对流有
17、效位能(CA PE),表明雷暴大风多发生在垂直风切变大、CAPE大的环境中,中低层散度排名靠前也反映了动力条件的重要性。综合各参数权重排序,雷暴大风的有利环境为中层干燥、低层湿润、垂直风切变大、CAPE大。2.3对流参数历史概率分布特征根据2 0 19 2 0 2 0 年59 月两类强对流历史个例,计算了对应的多种对流参数。将每类参数各月水效率,而垂直风切变、特征层高度、对流有效位能等参数的敏感性较差。这种环境条件配置与实际探空温湿廓线表现为中低层或整层湿的形态一致,也表明水汽条件是出现短时强降水形成的关键因素之一。2.2.2冒雷暴大风判识因子6月黑龙江雷暴大风判识因子参数见表4。由表46 月
18、黑龙江省雷暴大风判识因子参数物理量特征值平均11.94832.39550.433-1.363-1.6021.2841.324-1.620238.28123.058219.037-29.8466381.6323271.52710.696-0.8675.05633.7197.780439.271数值进行排序,如果参数值越大越有利于强对流发生,则从小到大排列;否则从大到小排序。按照10%间隔将排序结果划分累积概率,表示该参数值对应的强对流发生概率。20192020年7 月黑龙江省短时强降水发生临近时刻沙氏指数(SI)、深对流指数(DCI)特征值概率分布见图1。由图1a可知,7 月短时强降水发生前SI
19、指数范围为-7.5,5.0 ,SI指数越小,短时强降水发生概率越高。假设计算得到的 SI指数为2.5,其概率值为53%,即有53%的概率出现短时强降水。DCI指数越大,短时强降水概率越大(图1b),如果DCI指数大于45,短时强降水的发生概率为10 0%。2.4分类强对流预报检验采用临近点插值法将网格点预报值插值到黑龙最大值最小值22.6-28.238.510.756.340.213.8-21.815.022.211.5-16.18.6-16.59.6-15.7276.9147.434.04.5326.464.84.980.27620.75017.24117.52231.318.31.36.2
20、-4.411.830.5648.416.79.894.061680.000.001.73224.28245.412-0.2140.320-0.5180.0440.049223.20616.470173.14516.2636402.5623272.2878.4522.5894.37428.8735.872121.4560.1220.0980.0760.0590.0570.0570.0540.0520.0500.0490.0440.0430.0390.0370.0320.0300.0290.0290.0230.021第4期江省9 7 9 个观测站点,以站点逐小时整点观测降水5.02.50.0S-2
21、.5-5.07.50.0图12 0 19 2 0 2 0 年7 月黑龙江省短时强降水发生临近时刻沙氏指数特征值(a)和Fig.1 Probability distributions of characteristic values of Showalter Index(a)and deep convection index(b)at nearoccurrence moment for short duration heavy precipitation in Heilongjiang province in July from 2019 to 2020要检验逐小时分类强对流预报质量,检验指标包
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CMA MESO 模式 黑龙江省 对流 天气 分类 预报 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。