RESEARCH ON THUNDERSTORM GALE WEATHER FORECAST IN GUANGDONG PROVINCE BY USING BAYESIAN METHOD
-
摘要: 针对广东省2010—2019年4—9月有雷暴大风和没有雷暴大风天气的个例进行研究，通过箱线图的形式分析了产生雷暴大风天气相关环境参数的分布特征并建立3小时、6小时和12小时三个时间段的雷暴大风潜势预报模型，利用贝叶斯方法对2020年4—9月的天气过程进行检验，结果表明：雷暴大风天气的发生对应地面较高的露点温度，较大的不稳定能量、上下层温差以及全总指数等物理量；从检验结果来看，贝叶斯方法对雷暴大风天气的识别具有一定的可行性，三个时段的潜势预报模型识别雷暴大风的命中率均在80%以上, 但存在一定的空报，需今后改进与完善。Abstract: This paper studied the individual cases of weather with and without thunderstorm gales in Guangdong Province from April to September 2010—2019. The distribution characteristics of environmental parameters related to the weather with thunderstorm gales were analyzed by using boxplots, and the three hours, six hours, and 12 hours thunderstorm gale forecast models were established. The meteorological events from April to September 2020 were tested by using the Bayesian method. The results show that the occurrence of thunderstorm gales corresponds to higher dewpoint temperature on the ground, more unstable energy, temperature difference between upper and lower layers, and total index. According to the test results, the Bayesian method may to some extent identify thunderstorm gales. The hit rate of the prediction model is above 80%, but there are some empty reports, which need to be addressed in the future.
-
Key words:
- thunderstorm gale /
- environmental parameters /
- bayesian method /
- TS score /
- potential forecast
-
图 2 雷暴大风（I）和没有雷暴大风天气（Ⅱ）3小时前对应的（500 hPa相对湿度(a)、700 hPa相对湿度(b)、850 hPa相对湿度(c)、地面露点温度(d)、700 hPa温度露点差(e)、地面和850 hPa平均温度露点差(f)、850 hPa比湿(g)、可降水量(h)
箱线图中最下面的黑色横线表示最小值，最上面的黑色横线表示最大值，长方形的上下两端分别代表 75%及25%分位，中间的蓝点表示均值，红线表示中位数，红色的“+”为第三个四分位数之上或低于第一个四分位数的四分位数距的1.5倍以上的异常值，下同）。
图 3 雷暴大风（I）和没有雷暴大风天气（Ⅱ）3小时前对应的对流有效位能(a)、850 hPa与500 hPa假相当位温差(b)、700 hPa与500 hPa温度差(c)、850 hPa与500 hPa温度差(d)、K指数(e)、强天气威胁指数(f)、全总指数(g)、对流抑制能量(h)
图 6 利用贝叶斯方法对2020年5月10日14时雷暴大风的识别结果
a.实况；b.10日08时提前6小时预报；c.10日02时提前12小时预报。红色实心点为命中，蓝色实心点为漏报，灰色圆圈为空报，下同。
表 1 文中各变量缩略形式及单位
变量名称 变量缩略形式 单位 整层大气可降水量 PWAT mm 500 hPa相对湿度 RH500 % 700 hPa相对湿度 RH700 % 850 hPa相对湿度 RH850 % 850 hPa比湿 Q850 g/kg 地面露点温度 Td ℃ 700hPa温度露点差 Td700 ℃ 地面和850 hPa的平均温度露点差 Tdave ℃ 总指数 TT ℃ 850 hPa与500 hPa假相当位温差 Δθse 85 ℃ 850 hPa与500 hPa温度差 ΔT85 ℃ 700 hPa与500 hPa温度差 ΔT75 ℃ 对流有效位能 CAPE J/kg 对流抑制能量 CIN J/kg K指数 KI ℃ 强天气威胁指数 SWEAT 0~1 km的风矢量差 SH01 m/s 0~3 km的风矢量差 SH03 m/s 0~6 km的风矢量差 SH06 m/s 0 ℃层高度 ZH m 
下载: 导出CSV
表 2 雷暴大风和没有雷暴大风天气3小时前部分参数对应的概率
参数 对流有效位能 0 ℃层高度 K指数 500 hPa相对湿度 700 hPa相对湿度 850 hPa相对湿度 0~1 km垂直风切变 0~3 km垂直风切变 0~6 km垂直风切变 区间1 0~250 4 800~5 000 34~36 20~40 60~70 60~70 0~2 8~10 0~5 区间2 250~500 5 000~5 200 36~38 40~60 70~80 70~80 2~4 10~12 5~10 区间3 500~1 000 5 200~5 400 ≥38 60~80 80~90 80~90 4~6 12~14 10~15 区间4 ≥1 000 ≥5 400 ≥80 ≥90 ≥90 6~8 14~16 15~20 区间5 ≥8 ≥16 ≥20 雷暴大风 0.016 2 0.094 9 0.215 8 0.173 6 0.275 5 0.039 4 0.090 1 0.385 7 0.067 0 0.004 6 0.581 0 0.468 7 0.307 9 0.379 6 0.298 6 0.101 6 0.323 3 0.441 1 0.030 1 0.125 0 0.315 5 0.261 6 0.238 4 0.567 1 0.295 6 0.145 5 0.369 5 0.949 1 0.199 1 0.252 3 0.067 1 0.088 0 0.291 0 0.067 0 0.087 8 0.221 7 0.025 4 0.034 6 没有雷暴大风 0.432 0 0.218 4 0.863 4 0.014 6 0.024 3 0.004 9 0.004 8 0.343 0 0.0242 0.315 5 0.378 6 0.131 7 0.155 3 0.150 5 0.082 5 0.024 2 0.212 6 0.449 3 0.199 0 0.315 5 0.004 9 0.364 1 0.645 6 0.301 0 0.140 1 0.111 1 0.265 7 0.053 4 0.087 4 0.466 0 0.179 6 0.611 7 0.352 7 0.043 5 0.115 9 0.478 3 0.164 3 0.144 9
下载: 导出CSV
表 3 预报技巧评分及其计算公式
评分名称 计算公式 TS评分 NA/(NA+NB+NC)×100% 空报率FAR NB/(NA+NB)×100% 漏报率MAR NC/(NA+NC)×100% 命中率POD NA1/(NA1+NC)×100% 注：NA表示报对的点数，NA1表示观测到样本且预报正确的点数，NB表示空报的点数，NC表示漏报的点数。
下载: 导出CSV
-
[1] 王秀明, 周小刚, 俞小鼎. 雷暴大风环境特征及其对风暴结构影响的对比研究[J]. 气象学报, 2013, 71(5): 839-852. [2] 蔡晓芳, 张泽秀, 田晓婷. 雷暴大风天气的研究进展[J]. 山西科技, 2020, 35(5): 76-79. [3] 周后福, 邱明燕, 张爱民, 等. 基于稳定度和能量指标作强对流天气的短时预报指标分析[J]. 高原气象, 2006(4): 716-722. [4] 梁爱民, 张庆红, 申红喜, 等. 北京地区雷暴大风预报研究[J]. 气象, 2006(11): 73-80、131. [5] 廖晓农. 北京雷暴大风日环境特征分析[J]. 气候与环境研究, 2009, 14(1): 54-62. [6] 曾明剑, 王桂臣, 吴海英, 等. 基于中尺度数值模式的分类强对流天气预报方法研究[J]. 气象学报, 2015, 73(5): 868-882. [7] 牛淑贞, 张一平, 王迪, 等. 河南省分类强对流天气概率预报方法研究与应用[J]. 气象与环境科学, 2021, 44(1): 1-12. [8] 庞古乾, 伍志方, 郭春迓, 等. 广东省前汛期分区强对流潜势预报方法研究[J]. 热带气象学报, 2016, 32(2): 265-272. [9] 李海峰. 基于雷达回波的雷暴大风识别算法研究[D]. 哈尔滨: 哈尔滨工业大学, 2018. [10] 黄曦, 陈莉, 高云峰. 丽江机场强对流预报因子及潜势预报分析[J]. 云南地理环境研究, 2020, 32(3): 41-45. [11] 严仕尧, 李昀英, 齐琳琳, 等. 华北产生雷暴大风的动力热力综合指标分析及应用[J]. 暴雨灾害, 2013, 32(1): 17-23. [12] 李力, 万雪丽, 齐大鹏, 等. 贵州省雷暴大风时空分布及对流参数特征分析[J]. 中低纬山地气象, 2020, 44(2): 1-8. [13] 吕晓娜, 牛淑贞, 张一平, 等. 基于概率与权重的雷暴大风潜势客观预报方法研究[J]. 暴雨灾害, 2020, 39(1): 20-29. [14] 周康辉, 郑永光, 王婷波, 等. 基于模糊逻辑的雷暴大风和非雷暴大风区分方法[J]. 气象, 2017, 43(7): 781-791. [15] 董杏燕, 曹艳艳. 宁波市雷暴、强对流天气潜势概率预报[C]//第26届中国气象学会年会灾害天气事件的预警、预报及防灾减灾分会场论文集, 2009: 2334-2339. [16] 史纬恒, 胡友彬, 林晓霞, 等. 2008—2012年东北三省强对流天气的统计分析[J]. 气象与减灾研究, 2014, 37(4): 33-41. [17] 陈明轩, 王迎春. 低层垂直风切变和冷池相互作用影响华北地区一次飑线过程发展维持的数值模拟[J]. 气象学报, 2012, 70(3): 371-386. [18] 王秀明, 钟青. 环境与强对流(雹)云相互作用的个例模拟[J]. 高原气象, 2009, 28(2): 366-373. [19] 王艳兰, 王军君, 伍静, 等. 广西3次不同类型强对流天气对比分析[J]. 干旱气象, 2015, 33(4): 635-643. [20] 潘晓滨, 陈家华, 魏绍远. 垂直风切变对风暴云影响的数值模拟[J]. 气象科学, 1996, 16(2): 135-143. [21] 郝莹, 鲁俊. 雷暴大风、冰雹天气的预报方法研究[J]. 中国农学通报, 2011, 27(26): 299-304. [22] 李博勇, 胡志群, 郑佳锋, 等. 利用贝叶斯方法改进华南地区冰雹识别效果[J]. 热带气象学报, 2021, 37(1): 112-125. [23] 费海燕, 王秀明, 周小刚, 等. 中国强雷暴大风的气候特征和环境参数分析[J]. 气象, 2016, 42(12): 1513-1521. [24] 张琳娜, 郭锐, 何娜, 等. 北京地区冰雹天气特征[J]. 气象科技, 2013, 41(1): 114-120. [25] 华雯丽, 杨晓霞, 田雪珊, 等. 山东省雷暴大风天气学分型与物理诊断量统计特征[J]. 暴雨灾害, 2021, 40(4): 362-373. [26] 刘建文. 天气分析预报物理量计算基础[M]. 北京: 气象出版社, 2005. [27] 俞小鼎, 张爱民, 郑媛媛, 等. 一次系列下击暴流事件的多普勒天气雷达分析[J]. 应用气象学报, 2006, 17(4): 385-393. [28] 郝莹, 姚叶青, 陈焱, 等. 基于对流参数的雷暴潜势预报研究[J]. 气象, 2007(1): 51-56. [29] 马淑萍. 极端雷暴大风的环境背景和雷达回波特征[D]. 北京: 中国气象科学研究院, 2019. [30] 杨雪艳, 张梦远, 姚瑶, 等. 吉林省盛夏最强的一次雷暴大风天气分析[J]. 安徽农业科学, 2013, 41(25): 10402-10404、10428. [31] 周金莲, 魏鸣, 吴涛, 等. 对流性大风天气的多普勒雷达资料识别方法研究[C]//第28届中国气象学会年会——S3天气预报灾害天气研究与预报, 2011: 1096-1104. -
点击查看大图
图(8) / 表(3)
计量
- 文章访问数: 83
- HTML全文浏览量: 16
- PDF下载量: 18
- 被引次数: 0
粤公网安备 4401069904700003号