基于逐步回歸分析的西北地區(qū)東部雷暴概率預(yù)報(bào)方法研究

孔德兵，尚可政，王式功，趙文婧，葉　偉

(1.蘭州大學(xué)大氣科學(xué)學(xué)院/半干旱氣候變化教育部重點(diǎn)實(shí)驗(yàn)室，甘肅　蘭州　730000；2.中國人民解放軍95605部隊(duì)氣象臺，重慶　402361)

?

基于逐步回歸分析的西北地區(qū)東部雷暴概率預(yù)報(bào)方法研究

孔德兵1,2，尚可政1，王式功1，趙文婧1，葉偉2

(1.蘭州大學(xué)大氣科學(xué)學(xué)院/半干旱氣候變化教育部重點(diǎn)實(shí)驗(yàn)室，甘肅蘭州730000；2.中國人民解放軍95605部隊(duì)氣象臺，重慶402361)

摘要：利用2008~2013年西北地區(qū)東部60個站點(diǎn)天氣實(shí)況資料以及NCEP/NCAR 再分析資料計(jì)算出的對流參數(shù)，統(tǒng)計(jì)各站年均雷暴日數(shù)，在前期天氣分型的基礎(chǔ)上，通過事件概率回歸方法，建立了60個站點(diǎn)4~10月24 h雷暴概率預(yù)報(bào)方程，并對2013年4~10月各站雷暴進(jìn)行試預(yù)報(bào)。結(jié)果表明：(1)西北地區(qū)東部雷暴發(fā)生最多的站點(diǎn)位于青藏高原東北邊坡地帶，最少的站點(diǎn)位于北部戈壁荒漠地帶與東部關(guān)中平原一帶，45%的站點(diǎn)年均雷暴日數(shù)在5 ~10 d之間；(2)前期天氣分型過程剔除了一部分未發(fā)生雷暴的樣本，使得逐步回歸建模的總樣本數(shù)明顯減少，有效地提高了預(yù)報(bào)準(zhǔn)確率；(3)基于NCEP/NCAR再分析資料計(jì)算的物理量與雷暴有無事件相關(guān)性較好，對24 h概率回歸方程方差貢獻(xiàn)較大；(4)2008~2012年回代預(yù)報(bào)所有站點(diǎn)平均TS評分為24.2%；2013年試預(yù)報(bào)所有站點(diǎn)平均TS評分為23.3%，雷暴發(fā)生較多的站點(diǎn)預(yù)報(bào)效果更好。該預(yù)報(bào)結(jié)果較理想，可為西北地區(qū)東部雷暴研究提供參考。

關(guān)鍵詞：雷暴；逐步回歸；概率預(yù)報(bào)

引言

雷暴是一種夏季多發(fā)的局地災(zāi)害性天氣，其出現(xiàn)常伴有劇烈的強(qiáng)對流天氣現(xiàn)象。雷暴不僅會造成人員傷亡，而且也會引起嚴(yán)重的經(jīng)濟(jì)損失，因此引起各級氣象部門的密切關(guān)注，并投入大量財(cái)力物力對其進(jìn)行研究。隨著我國社會經(jīng)濟(jì)不斷向前發(fā)展，雷暴等強(qiáng)對流天氣將會造成更巨大的危害，因此仍需要實(shí)用有效的短時預(yù)報(bào)方法對雷暴進(jìn)行準(zhǔn)確預(yù)報(bào)，進(jìn)而提前防范，減少損失。

雷暴的預(yù)報(bào)方法很多，單站預(yù)報(bào)最常采用的是將天氣學(xué)方法與指標(biāo)判定法相結(jié)合的預(yù)報(bào)方法，而區(qū)域性雷暴預(yù)報(bào)主要有數(shù)值模式方法以及綜合預(yù)報(bào)方法。近年來，在提高雷暴預(yù)報(bào)準(zhǔn)確率的迫切要求下，國內(nèi)很多學(xué)者對雷暴預(yù)報(bào)進(jìn)行了有針對性的研究，其中一些成果被氣象業(yè)務(wù)系統(tǒng)采用，成為雷暴預(yù)報(bào)常用的方法。單站預(yù)報(bào)方面，胡邦輝等[1]采用樸素貝葉斯分類器與貝葉斯判別準(zhǔn)則建立了漳平、廣州、湛江3個單站的雷暴預(yù)報(bào)模型；田琨等[2]分別建立了Bayes分類法和Logistic回歸分析法對應(yīng)的南京地區(qū)雷暴強(qiáng)度預(yù)報(bào)模型，并比較了2種方法的預(yù)報(bào)效果；熊亞軍等[3]將北京雷暴天氣進(jìn)行分型，采用事件概率回歸方法，建立了北京3~36 h雷電潛勢預(yù)報(bào)系統(tǒng)；劉宸釗等[4]采用F-分值法和主分量旋轉(zhuǎn)法，結(jié)合二元Logistic回歸分析，建立了西昌北郊某站的雷暴釋用預(yù)報(bào)模型；陳勇等[5]以WebGIS技術(shù)為依托，采用MED法、MOS法建立長沙市雷暴6 ~48 h潛勢預(yù)報(bào)模型；陳勇偉等[6]采用BP神經(jīng)網(wǎng)絡(luò)模型分析方法，預(yù)報(bào)了南京2009年6~8月的雷暴活動潛勢；馮民學(xué)等[7]使用二級邏輯回歸法建立排空方程與預(yù)報(bào)方程，對洋口港雷暴進(jìn)行了預(yù)報(bào)；秦春明等[8]在天氣分型的基礎(chǔ)上，將用數(shù)值預(yù)報(bào)產(chǎn)品計(jì)算的雷暴相關(guān)物理量作為判別指標(biāo)，得出了葫蘆島1~10 d的雷暴預(yù)報(bào)方法；孫翠梅等[9]通過對1999~2008年鎮(zhèn)江市地面觀測資料的194個雷暴天氣過程個例進(jìn)行天氣系統(tǒng)分型，在此基礎(chǔ)上提出了預(yù)報(bào)鎮(zhèn)江市雷暴天氣的思路。以上各單站雷暴潛勢預(yù)報(bào)已經(jīng)有了較高的準(zhǔn)確率，由于雷暴不只影響一個站點(diǎn)，因此區(qū)域性雷暴的預(yù)報(bào)也顯得尤為重要。郝瑩等[10]利用T213資料，用判別分析法和指標(biāo)疊加法制作了安徽省雷暴潛勢預(yù)報(bào)，結(jié)果表明指標(biāo)疊加法優(yōu)于判別分析法；王新敏等[11]采用ADTD地閃定位資料與利用T213/T639數(shù)值模式輸出產(chǎn)品計(jì)算的對流參數(shù)，建立了河南省雷電潛勢預(yù)報(bào)模型；陳秋萍等[12]采用中尺度模式MM5及探空資料計(jì)算的物理量，建立了福建省雷電潛勢預(yù)報(bào)模型；趙培娟等[13]采用加權(quán)平均法，分別建立河南省區(qū)域性冰雹、雷暴大風(fēng)和短時強(qiáng)降水的預(yù)報(bào)方程，并通過計(jì)算機(jī)技術(shù)實(shí)現(xiàn)了預(yù)報(bào)自動化，已應(yīng)用到河南省強(qiáng)對流天氣預(yù)報(bào)業(yè)務(wù)中；紀(jì)曉玲等[14]以寧夏雷暴、閃電觀測資料和ECMWF、T213數(shù)值預(yù)報(bào)產(chǎn)品為基礎(chǔ)，開發(fā)了基于相似預(yù)報(bào)法的寧夏雷電潛勢預(yù)報(bào)系統(tǒng)；梁維亮等[15]統(tǒng)計(jì)常用對流參數(shù)滿足閾值條件時廣西省6個探空站出現(xiàn)雷暴天氣的概率，定義了一個適用廣西雷暴天氣的經(jīng)驗(yàn)預(yù)報(bào)指標(biāo)；曾淑玲等[16]選取與雷暴發(fā)生關(guān)系密切的多個預(yù)報(bào)因子，應(yīng)用事件概率回歸方法建立了全國690個基本站4~9月的24 h雷暴潛勢預(yù)報(bào)方程。

由于地域因素的影響，不同區(qū)域雷暴天氣產(chǎn)生的條件也會有差異。西北地區(qū)東部具有多樣的地形地貌，氣候較干旱，相比全國其他氣候濕潤地區(qū)，雷暴發(fā)生頻率較低，預(yù)報(bào)難度相應(yīng)增加，因此探討該地區(qū)雷暴的客觀預(yù)報(bào)方法是十分必要的。本文在前期雷暴天氣分型基礎(chǔ)上，利用事件概率回歸方法建立西北地區(qū)東部各站點(diǎn)的雷暴預(yù)報(bào)方案，為該地區(qū)雷暴預(yù)報(bào)提供參考。

1資料和方法

1.1資料

所用資料為：(1)西北地區(qū)東部(33°N~40°N、102°E~110°E)2008~2013年60個地面站點(diǎn)的雷暴實(shí)況觀測資料；(2)2008~2013年4~10月NCEP/NCAR再分析資料，水平分辨率為1°×1°。圖1為該區(qū)域站點(diǎn)分布圖。

圖1　西北地區(qū)東部站點(diǎn)分布

1.2方法

(1)單站雷暴日定義

由于08~11時發(fā)生的雷暴較少，大部分雷暴發(fā)生在14時之后，因此規(guī)定該區(qū)域每個站點(diǎn)每日14時至翌日14時24 h內(nèi)發(fā)生雷暴作為該觀測站點(diǎn)的一個雷暴日。

(2)天氣分型消空過程

定義西北地區(qū)東部區(qū)域雷暴日概念，總結(jié)區(qū)域雷暴日發(fā)生的4種天氣型：低渦型、低槽型、西北氣流型、西南氣流型。根據(jù)每種天氣型不同的位勢高度場分布特征分別設(shè)計(jì)各天氣型自動識別方法。不同天氣型同緯度格點(diǎn)自西向東位勢高度變化趨勢不同，據(jù)此編程分析所有樣本當(dāng)日20時32°N~40°N、100°E~110°E范圍內(nèi)500 hPa與700 hPa位勢高度場，得出天氣型歸屬，再結(jié)合物理量診斷分析，總結(jié)各天氣型雷暴日對應(yīng)的參數(shù)閾值。將自動識別方法與參數(shù)閾值結(jié)合對2008~2012年4~10月區(qū)域雷暴日進(jìn)行回代預(yù)報(bào)，對2013年4~10月區(qū)域雷暴日進(jìn)行試預(yù)報(bào)，剔除未入型樣本，剩余樣本用于回歸建模。

(3)格點(diǎn)數(shù)據(jù)轉(zhuǎn)換成站點(diǎn)數(shù)據(jù)

將2008~2013年4~10月西北地區(qū)東部33°N~40°N、102°E~110°E范圍內(nèi)通過NCEP/NCAR 再分析資料計(jì)算出的格點(diǎn)物理參數(shù)分別插值到每個觀測站點(diǎn)上，插值公式如下：

(1)

式中Ri(i=1,4)分別為觀測站點(diǎn)與其周圍最鄰近的4個格點(diǎn)之間的距離，a(xi,yi)為格點(diǎn)值，AS為插值得出的站點(diǎn)值。

(4)建立逐步回歸預(yù)報(bào)模型

選取與雷暴發(fā)生關(guān)系較為密切的因子，建立各站2008~2012年4~10月所有入型樣本與預(yù)報(bào)因子之間的概率回歸預(yù)報(bào)方程，建立回歸模型的過程采用雙重檢驗(yàn)逐步回歸的方法。

(5)回代檢驗(yàn)與試預(yù)報(bào)檢驗(yàn)

將逐步回歸得到的每個概率預(yù)報(bào)方程代入預(yù)報(bào)因子值進(jìn)行回代驗(yàn)證，得出2008~2012年4~10月各站的回代概率。將2013年4~10月所有樣本的預(yù)報(bào)因子代入概率回歸方程，進(jìn)行試預(yù)報(bào)。

(6)預(yù)報(bào)效果評估

利用TS評分最大原則確定各站雷暴發(fā)生的臨

界概率。當(dāng)回歸估計(jì)概率≥臨界概率時，預(yù)報(bào)雷暴發(fā)生。

(2)

式中A為報(bào)對次數(shù)，B為空報(bào)次數(shù)，C為漏報(bào)次數(shù)。

2西北地區(qū)東部雷暴的空間分布

西北地區(qū)東部地形地貌復(fù)雜多變，該區(qū)域西南部為青藏高原東北邊坡地帶，西部與北部主要為戈壁荒漠地帶，中東部為黃土高原區(qū)，東南部為秦嶺以南區(qū)。

統(tǒng)計(jì)2008~2013年西北地區(qū)東部60個地面站點(diǎn)的年平均雷暴日數(shù)，結(jié)果見表1。

表1　2008~2013年西北地區(qū)東部60站年平均雷暴日數(shù)

由表1可見，年均雷暴日數(shù)最多的站為合作站，為28.2 d；最少的站為武威站，只有2.3 d。60個地面站點(diǎn)中：4個站年平均雷暴日數(shù)<5 d，占6.7%；27個站在5~10 d 之間，占45.0%；22個站在10~15 d之間，占36.7%；4個站在15~20 d之間，占6.7%；3個站超過20 d，占5.0%。所有站點(diǎn)平均的年平均雷暴日數(shù)為10.4 d，這說明西北地區(qū)東部年平均雷暴日數(shù)普遍偏少。圖2是該區(qū)域年平均雷暴日數(shù)的空間分布。

由圖2可見，西北地區(qū)東部雷暴最頻發(fā)的區(qū)域?yàn)榍嗖馗咴瓥|北邊坡地帶，該區(qū)域所有站點(diǎn)年平均雷暴日數(shù)均在15 d 以上，其次為秦嶺以南區(qū)、黃土高原區(qū)；雷暴發(fā)生最少的區(qū)域?yàn)楸辈扛瓯诨哪貛б约皷|部關(guān)中平原一帶，武威、民勤、武功、咸陽等站點(diǎn)年平均雷暴日數(shù)少于5 d。高原地區(qū)有利的地形因素更容易誘發(fā)雷暴，而戈壁荒漠地帶由于水汽不足，雷暴發(fā)生最少，關(guān)中平原一帶地形平坦，海拔最低，動力抬升條件較弱，雷暴也較少發(fā)生。

圖2　西北地區(qū)東部年平均雷暴日數(shù)空間分布

3雷暴預(yù)報(bào)模型的建立及預(yù)報(bào)效果檢驗(yàn)

3.1預(yù)報(bào)因子的選取

選取與雷暴發(fā)生關(guān)系較為密切的因子，綜合考慮水汽、動力、不穩(wěn)定能量、不穩(wěn)定度以及各層溫度平流、預(yù)報(bào)因子6 h、24 h變化量等因素。由于大部分站點(diǎn)都缺乏準(zhǔn)確的探空觀測資料，因此將每個觀測站點(diǎn)周圍4個格點(diǎn)值根據(jù)距離權(quán)重采用公式(1)進(jìn)行線性插值處理得到站點(diǎn)數(shù)值。取每日20:00的值作為當(dāng)日預(yù)報(bào)因子的基準(zhǔn)值。本文選取42個因子如下：

(1)水汽因子：850 hPa、700 hPa水汽通量散度QVDIV850、QVDIV700，850 hPa、700 hPa溫度露點(diǎn)差(T-Td)850、(T-Td)700，整層大氣可降水量共5個因子；

(2)不穩(wěn)定度因子：VT指數(shù)(T850-T500)、總指數(shù)TT(T850-T500+Td850-T500)、K指數(shù)KI(T850-T500+Td850-T500-T700+Td700)、最優(yōu)抬升指數(shù)BLI、沙氏指數(shù)SI、500 hPa與850 hPa假相當(dāng)位溫差△θse85、500 hPa與700 hPa假相當(dāng)位溫差△θse75共7個因子；

(3)不穩(wěn)定能量因子：對流有效位能CAPE、對流抑制能量CIN共2個因子；

(4)動力因子：500、700、850 hPa垂直速度V500、V700、V850，0~6 km風(fēng)切變SR0~6 km、 0~3 km風(fēng)切變SR0~3 km， 500、700、850 hPa渦度VOR500、VOR700、VOR850，500、700、850 hPa散度DIV500、DIV700、DIV850，500、700、850 hPa渦度平流VADV500、VADV700、VADV850，500 hPa與850 hPa渦度平流差△VADV85共15個因子；

(5)溫度平流因子：500、700、850 hPa溫度平流TADV500、TADV700、TADV850，500與850 hPa溫度平流差△TADV85共4個因子；

3.2概率回歸模型的建立

事件概率回歸方法是將預(yù)報(bào)量與各預(yù)報(bào)因子之間的關(guān)系看成是當(dāng)各預(yù)報(bào)因子發(fā)生時，預(yù)報(bào)量是否發(fā)生。首先將雷暴出現(xiàn)與否轉(zhuǎn)化為0,1變量。本文建模的樣本集合為2008~2012年4~10月經(jīng)天氣分型過程預(yù)報(bào)為區(qū)域雷暴日的所有637個樣本。先將各預(yù)報(bào)因子進(jìn)行標(biāo)準(zhǔn)化處理，再分別對各站進(jìn)行逐步回歸建模。每個站的概率預(yù)報(bào)方程為此站點(diǎn)最優(yōu)預(yù)報(bào)因子的線性組合，對各因子總引入次數(shù)進(jìn)行了統(tǒng)計(jì)。引入次數(shù)超過2次的物理量見表2。

表2　雷暴預(yù)報(bào)因子統(tǒng)計(jì)

由表2可以看出，引入次數(shù)排在前面的因子主要為表示不穩(wěn)定能量與不穩(wěn)定度的因子。△CAPE6 h因子的引入次數(shù)最多，達(dá)到39次，這說明20時與14時對流有效位能增加越大，發(fā)生雷暴的可能性就越大。此外，最優(yōu)抬升指數(shù)BLI、對流有效位能CAPE也對雷暴有較好的指示意義，被超過一半的站點(diǎn)引入。水汽因子引入次數(shù)不多，說明該區(qū)域水汽因子與雷暴發(fā)生相關(guān)性較小。

3.3雷暴預(yù)報(bào)臨界概率的確定

本文事件概率回歸的預(yù)報(bào)判據(jù)是根據(jù)最優(yōu)TS評分原則得出的。通過上面建立的預(yù)報(bào)模型，將方程中各因子的值代入相應(yīng)的事件概率回歸方程，求出回歸估計(jì)值Y*，Y*即為雷暴發(fā)生的概率值。找出建模的樣本和試預(yù)報(bào)的樣本中Y*的最大值Ymax與最小值Ymin，然后取一個較小的步長△Y，本文將△Y取0.1。從Ymin到Y(jié)max，第n步假設(shè)臨界概率值為Yopt=Ymin+(n-1)△Y，求每一步對應(yīng)的0,1化預(yù)報(bào)TS評分，將TS評分最大的假設(shè)臨界概率值作為雷暴預(yù)報(bào)判據(jù)。

3.42008~2012年回代預(yù)報(bào)與2013年試預(yù)報(bào)

圖3表示西北地區(qū)東部各站24 h雷暴預(yù)報(bào)流程。天氣分型過程入型的樣本認(rèn)為其有發(fā)生雷暴的可能，未進(jìn)入天氣型的樣本則預(yù)報(bào)無雷暴發(fā)生。因此各站漏報(bào)來自2部分，即未入型樣本中的漏報(bào)與入型樣本經(jīng)臨界概率判斷后的漏報(bào)。

對2008~2012年各站進(jìn)行回代檢驗(yàn)。在天氣分型過程中，2008~2012年4~10月共1 070個樣本，入型637個，其余433個樣本中均預(yù)報(bào)不發(fā)生雷暴。評估60個觀測站的預(yù)報(bào)結(jié)果，各站回代預(yù)報(bào)最優(yōu)TS評分見表3。

圖3　雷暴預(yù)報(bào)流程圖

表3　2008~2012年西北地區(qū)東部60站回代預(yù)報(bào)TS評分

對2013年西北地區(qū)東部各站進(jìn)行試預(yù)報(bào)檢驗(yàn)。在天氣分型過程中，2013年4~10月共214個樣本，入型129個，其余85個樣本均預(yù)報(bào)不發(fā)生雷暴。評估60個觀測站的預(yù)報(bào)結(jié)果，各站試預(yù)報(bào)最優(yōu)TS評分見表4。

3.5預(yù)報(bào)效果分析

3.5.1回代預(yù)報(bào)效果

從2008~2012年4~10月西北地區(qū)各站24 h雷暴回代預(yù)報(bào)結(jié)果中得出：單站最高TS評分為38.1%，最低為12.6%，各站TS評分均在10%以上，10個站預(yù)報(bào)TS評分<20%，43個站預(yù)報(bào)TS評分≥20%且<30%，7個站預(yù)報(bào)TS評分≥30%。預(yù)報(bào)TS評分≥20%的站點(diǎn)共有50個，占83.3%，平均預(yù)報(bào)TS評分為24.2%。

表4　2013年西北地區(qū)東部60站試預(yù)報(bào)TS評分

3.5.2試預(yù)報(bào)效果

從2013年4~10月西北地區(qū)各站24 h雷暴試預(yù)報(bào)結(jié)果看出：單站最高TS評分為47.1%，最低為4.8%，3個站預(yù)報(bào)TS評分<10%，16個站預(yù)報(bào)TS評分≥10%且<20%，29個站預(yù)報(bào)TS評分≥20%且<30%，12個站預(yù)報(bào)TS評分≥30%。預(yù)報(bào)TS評分≥20%的站點(diǎn)共有41個，占68.3%，平均預(yù)報(bào)TS評分為23.3%。

總結(jié)雷暴存在空漏報(bào)的原因，首先是一些站點(diǎn)存在漏測缺測，使得回歸建模樣本中的雷暴樣本數(shù)少于實(shí)際發(fā)生樣本數(shù)，影響了預(yù)報(bào)效果；其次，天氣分型過程中漏報(bào)的區(qū)域雷暴日致使單個站點(diǎn)上產(chǎn)生一部分漏報(bào)；再次，由于站點(diǎn)數(shù)據(jù)是通過格點(diǎn)數(shù)據(jù)插值得出的，其準(zhǔn)確性不如實(shí)際探空資料，對預(yù)報(bào)效果也有較大的影響。因此在今后預(yù)報(bào)中，還需將更多與雷暴有密切關(guān)系的物理參數(shù)引入事件概率回歸模型，提高準(zhǔn)確率，最終集合西北地區(qū)東部所有站點(diǎn)的預(yù)報(bào)結(jié)果得到該區(qū)域雷暴落區(qū)預(yù)報(bào)。

4小結(jié)

(1)西北地區(qū)東部雷暴頻發(fā)的區(qū)域?yàn)榍嗖馗咴瓥|北邊坡地帶，最少的區(qū)域?yàn)楸辈炕哪貛c東部平原地帶，45%的站點(diǎn)年均雷暴日數(shù)在5~10 d之間。

(2)前期天氣分型過程剔除了一部分未發(fā)生雷暴的樣本，使得逐步回歸建模的總樣本數(shù)明顯減少，有效地提高了預(yù)報(bào)準(zhǔn)確率。

(3)基于NCEP/NCAR 再分析資料計(jì)算的物理量與雷暴有無事件相關(guān)性較好，對24 h概率回歸方程方差貢獻(xiàn)較大，一些因子對雷暴發(fā)生具有較好的指示意義。

(4)2008~2012年回代預(yù)報(bào)平均TS評分為24.2%，83.3%的站點(diǎn)TS評分超過20%；2013年試預(yù)報(bào)平均TS評分為23.3%，68.3%的站點(diǎn)TS評分超過20%，雷暴發(fā)生較多的站點(diǎn)預(yù)報(bào)效果更好。

(5)先進(jìn)行雷暴天氣型判別，再通過事件概率回歸建立單站雷暴預(yù)報(bào)模型，該方法簡便、客觀，實(shí)現(xiàn)了多個站點(diǎn)同時進(jìn)行雷暴預(yù)測，能夠有效地應(yīng)用在氣象臺站的實(shí)際業(yè)務(wù)當(dāng)中。

參考文獻(xiàn)：

[1] 胡邦輝,袁野. 基于貝葉斯分類方法的雷暴預(yù)報(bào)[J]. 解放軍理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,11(5):578-584.

[2] 田琨,郭鳳霞. 南京地區(qū)雷暴活動強(qiáng)度潛勢預(yù)報(bào)[J]. 氣象科技,2013,41(1):177-183.

[3] 熊亞軍,廖曉農(nóng),于波,等. 基于天氣分型的北京地區(qū)雷電潛勢預(yù)報(bào)預(yù)警系統(tǒng)[J]. 災(zāi)害學(xué), 2012, 27(2):67-71.

[4] 劉宸釗,裴軍林,汪正林,等. 對流參數(shù)主分量旋轉(zhuǎn)法在西昌地區(qū)雷暴預(yù)報(bào)中的應(yīng)用[J]. 成都信息工程學(xué)院學(xué)報(bào),2014,29(3):322-328.

[5] 陳勇,匡方毅,肖波. 基于Web GIS的長沙市雷暴天氣短期預(yù)報(bào)模型的研究與應(yīng)用[J]. 暴雨災(zāi)害,2008,27(3):258-263.

[6] 陳勇偉,鄭濤,王漢堃,等. 基于BP神經(jīng)網(wǎng)絡(luò)模型的雷電潛勢預(yù)報(bào)[J]. 干旱氣象,2013,31(3):595-601.

[7] 馮民學(xué),周俊馳,曾明劍,等. 基于對流參數(shù)的洋口港地區(qū)雷暴預(yù)報(bào)方法研究[J]. 氣象,2012,38(12):1515-1522.

[8] 秦春明,尚可政,王式功. 遼寧葫蘆島1～10 d雷暴天氣預(yù)報(bào)方法[J]. 干旱氣象,2012,30(2):192-201.

[9] 孫翠梅,沈興建,錢鵬,等. 鎮(zhèn)江雷暴氣候特征及天氣學(xué)預(yù)報(bào)方法分析[J]. 氣象與環(huán)境科學(xué),2014,37(3):8-13.

[10] 郝瑩,姚葉青. 基于對流參數(shù)的雷暴潛勢預(yù)報(bào)研究[J]. 氣象,2007,33(1):51-56.

[11] 王新敏,張霞. T213/T639數(shù)值產(chǎn)品在河南省雷電潛勢預(yù)報(bào)中的釋用[J]. 氣象,2011,37(5):576-582.

[12] 陳秋萍,馮晉勤,李白良. 福建強(qiáng)天氣短時潛勢預(yù)報(bào)方法研究[J]. 氣象,2010,36(2):28-32.

[13] 趙培娟,吳蓁,鄭世林,等. 河南省強(qiáng)對流天氣診斷分析預(yù)報(bào)系統(tǒng)[J]. 氣象,2010,36(2):33-38.

[14] 紀(jì)曉玲,胡文東,穆建華,等. 基于相似預(yù)報(bào)法的寧夏雷電潛勢預(yù)報(bào)業(yè)務(wù)系統(tǒng)[J]. 氣象科技,2012,40(2):304-309.

[15] 梁維亮,屈梅芳. 廣西雷暴天氣預(yù)報(bào)指標(biāo)研究[J]. 氣象研究與應(yīng)用,2014,35(3):15-19.

[16] 曾淑玲,鞏崇水,趙中軍,等. 動力—統(tǒng)計(jì)方法在24小時雷暴預(yù)報(bào)的應(yīng)用[J].氣象,2012,38(12):1508-1514.

Probability Forecast Method of Thunderstorm in East Region of Northwest China Based on Stepwise Regression Analysis

KONG Debing1,2, SHANG Kezheng1, WANG Shigong1, ZHAO Wenjing1, YE Wei2

(1.KeyLaboratoryofSemi-AridClimateChangeofMinistryofEducation,CollegeofAtmosphericSciences,LanzhouUniversity,Lanzhou730000,China;2.TheMeteorologicalObservatoryofPLA95605Unit,Chongqing402361,China)

Abstract:Based on the weather circumstances data of 60 meteorological sites in east region of Northwest China during 2008-2013 and convective parameters calculated from NCEP/NCAR data, the thunderstorm weather circumfluence types were classified, the samples that did not conform to the thunderstorm weather types were eliminated firstly, then the event probability regression method was used to set up the April-October 24 h thunderstorm potential forecast formulas, and on this basis, the thunderstorms occurring in 2013 were forecasted. The results are as follows: (1) Thunderstorms mostly occurred in the northeast slope of the Qingzang Plateau and rarely occurred in the Gobi Desert in the north and the Central Shaanxi Plain in the east, and the annual average thunderstorm days were five to ten days in 45% sites of all sites in east region of Northwest China. (2) In the thunderstorm weather circumfluence classification processes, a lot of samples in which thunderstorms did not happen were successfully reduced in order to improve forecast precision. (3) The meteorological convective parameters calculated from NCEP/NCAR data were highly related to the occurrence of thunderstorms and had a larger variance contribution to the thunderstorm potential formulas. (4) The average TS score for 60 sites during 2008-2012 was 24.2%, and the average TS score for 60 sites in 2013 was 23.3%. The thunderstorm potential formulas had better forecast effect on sites where more thunderstorms happened. The forecast result is reasonable and can provide reference for the study of thunderstorm in east region of Northwest China.

Key words:thunderstorm; stepwise regression; probability forecast

中圖分類號：P446

文獻(xiàn)標(biāo)識碼：A

文章編號：1006-7639(2016)-01-0181-07

doi:10.11755/j.issn.1006-7639(2016)-01-0181

作者簡介：孔德兵(1990-)，男，甘肅通渭人，碩士研究生，研究方向?yàn)楝F(xiàn)代天氣預(yù)報(bào)技術(shù)和極端天氣氣候.E-mail: 540343856@qq.com通訊作者：尚可政(1960-)，男，甘肅景泰人，博士，碩士生導(dǎo)師，主要從事干旱氣候和現(xiàn)代天氣預(yù)報(bào)技術(shù)和方法研究.E-mail：shangkz@lzu.edu.cn

基金項(xiàng)目：國家公益性(氣象)行業(yè)專項(xiàng)項(xiàng)目(GYHY201206004、GYHY201306047)和蘭州大學(xué)中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)(lzujbky-2013-m03)共同資助

收稿日期：：2015-03-23；改回日期：2015-04-13

孔德兵，尚可政，王式功，等.基于逐步回歸分析的西北地區(qū)東部雷暴概率預(yù)報(bào)方法研究[J].干旱氣象，2016，34(1)：181-187, [KONG Debing, SHANG Kezheng, WANG Shigong, et al. Probability Forecast Method of Thunderstorm in East Region of Northwest China Based on Stepwise Regression Analysis[J]. Journal of Arid Meteorology, 2016, 34(1):181-187], doi:10.11755/j.issn.1006-7639(2016)-01-0181