下载文档原格式
气象预报系统气象成就⑦党的十八大以来，在党中央、国务院的坚强领导下，现代气象预报业务体系基本建立，气象预报事业进入高质量发展阶段，气象服务国家重大战略、经济社会发展、人民福祉福祉的能力显著提升。
以预报精准为龙头，坚持将预报精准放在气象业务链条中的核心位置，带动监测精密和服务精细发展，推进观测预报服务业务共融互通，是中国气象局常抓不懈、在实践中不断深化发展的工作理念。
党的十八大以来，我国精细化预报实现0天至30天无缝隙网格-站点预报一体化，全球范围0天至10天10公里网格预报及1万多城市的逐3小时预报。
基于“云+端”的气象业务技术体制重点改革逐步展开，以智能网格预报为代表的现代气象预报业务体系基本建立，以高分辨率数值模式、多源融合实况分析等关键技术为代表的客观化精准化技术体系逐步完善，气象预报业务整体实力接近同期世界先进水平，初步具备全球监测、全球预报、全球服务能力。
十年来，气象预报预测准确率稳步提升。
暴雨预警准确率达89%，强对流天气预警时间提前至38分钟，均创历史新高；台风路径预报24小时误差为65公里，稳居国际先进行列。
预报准确率提升的背后，是气象预报预测关键核心技术的“井喷式”突破——锚定“地球系统框架”发展数值预报，构建短临、短期、中期、长期、延伸期-次季节、季节-年际、年代际无缝隙天气气候预报预测模式体系；自主研发应用四维变分同化系统，推动我国数值预报同化技术迈入国际前列，成为国际上少数具有研制四维变分同化能力的国家之一；实现第三代气候模式预测业务系统次季节-季节-年际尺度气候预测一体化，预测性能达到国际先进水平；推进中国气象局数值预报业务系统精细化发展，实现全球同化预报系统25公里分辨率、可用预报时长10天，区域同化预报系统3公里分辨率，全球气候预测系统45公里分辨率；发展1公里快速循环更新同化预报系统，为北京冬奥会“百米级、分钟级”天气预报服务提供有力支撑。
建设智能网格预报技术和产品体系，通过分钟级滚动外推临近预报技术、高分辨率模式的短时释用预报、多尺度模式短期综合集成、基于集合预报的神经网络延伸期预报等技术研发，结合大数据、人工智能等新技术，推进我国天气预报业务逐步从站点-落区向数字-格点转变；推进降水、温度等气象要素网格预报产品业务稳定运行，实现国内5公里分辨率24小时逐小时预报、1天至10天逐3小时预报、11天至30天逐24小时预报，全球范围0至10天10公里网格预报及1万多城市的逐3小时预报；建立智能网格气候预测业务，研发延伸期（15天至30天）每日滚动更新的主要环流和要素格点化预测产品等。
基于超声波雷达的气象预报与天气灾害预警技术研究近年来，由于全球气候变化和极端天气事件的增多，对于气象预报和天气灾害的预警技术的需求越来越迫切。
在传统的气象观测手段中，超声波雷达作为一种新兴的技术手段，被广泛应用于气象预报和天气灾害预警中。
一、超声波雷达在气象预报中的应用气象预报是指根据目前和过去的气象观测数据，利用物理和数学模型进行数值模拟，推测未来一段时间内的天气变化。
超声波雷达作为一种先进的观测技术，可以提供更加精准和全面的气象数据，从而提高气象预报的准确性。
1.1 大气层结观测超声波雷达可以观测大气层结的变化情况，通过测量声音在大气中的传播速度和方向，可以获得大气层结的信息，如大气温度、湿度和气压等。
这些数据是气象预报的关键因素，可以用来推测气象变化趋势，针对性地提供预报警示信息。
1.2 降水观测超声波雷达可以检测降水的类型和强度，对不同类型的降水进行区分，如雨水、雪花等，同时可以精确地测量降水强度和降水速度。
这些数据是气象预报中降水预报的重要依据，通过超声波雷达的观测，可以及时准确地提供降水的预报信息。
1.3 风场观测超声波雷达可以测量大气中的风速和风向，通过经验公式或物理模型，可以推算出风场的整体分布情况。
风场数据对于气象预报尤其是风暴预警非常重要，通过超声波雷达的观测，可以提前发现风暴的形成并及时预警，保护人民财产的安全。
二、超声波雷达在天气灾害预警中的应用天气灾害预警是指根据气象条件和历史经验，通过综合分析和预测，对可能发生的天气灾害进行预先预警和警示。
超声波雷达作为一种高精度和高分辨率的观测技术，可以提供重要的天气灾害预警信息。
2.1 暴雨和洪水预警超声波雷达可以准确地测量降雨的强度和分布，及时发现降雨过程中可能引发的暴雨和洪水灾害。
通过对降雨的实时观测和分析，可以提前预警，采取应急措施，避免或减少洪涝灾害造成的损失。
2.2 雷暴和冰雹预警超声波雷达可以探测雷暴和冰雹的发生和演化过程，通过测量电磁波的回波强度和频率，可以提前警示雷暴和冰雹的形成，及时采取防护措施，减少雷电和冰雹灾害对人们和农作物的危害。
福建省天气气候预报预测技术发展报告福建省气象局【摘要】该文系统总结了福建省天气气候预报预测技术发展的现状,分析了福建省天气气候预报预测面临的机遇和挑战,提出了发展趋势和战略对策.21世纪,天气气候预报预测要大力推进气象科技创新,研制客观、精细的天气预报技术和方法,增强气象防灾减灾和对经济社会发展的服务能力,为海峡西岸经济区建设及我省的社会经济发展提供强有力的气象科技支撑与安全保障.【期刊名称】《海峡科学》【年(卷),期】2010(000)001【总页数】5页(P19-23)【关键词】天气气候;预报技术;发展现状;发展趋势;战略对策【作者】福建省气象局【作者单位】【正文语种】中文随着相关科学技术发展成果的引入和大气科学本身的发展，天气监测已经从低分辨率、有限视野的间歇常规观测向遥感信息与常规观测相结合的高分辨率、多方位连续监测方向转变；同时天气预报亦从传统的天气气候理论、数理统计与预报员半经验半理论的定性方法，发展到以数值天气预报为基础，以人机交互处理系统为平台，综合应用多种科学技术和方法的新时代；预报方式也从分析大气表象演变逐渐向深入考虑大气运动的内在规律转变。
数值天气预报以其能够反映大气物理规律的优势，被认为是最有效解决天气预报问题的科学途径。
遥感等非常规观测信息和数值预报已成为当今气象工作者进行天气监测、分析和预报的最重要的技术基础。
天气预报正在逐步向客观化、精细化、自动化方向发展。
但是，随着社会经济发展和民众生活水平的提高，目前天气预报的精细化程度和准确率还不能完全满足国家和社会的需求，尤其是突发性、异常灾害性天气如局地短时强降水、强对流等小概率事件，当前的气象科技水平还不可能作出有较长提前量的准确预报。
因此，进一步总结我省天气气候预报预测技术发展的状况，分析面临的挑战和机遇，明确今后一段时间的发展方向，是十分必要的。
经济建设、社会发展和减灾防灾要求提供高准确率和较长时效的气象预报，数值天气预报是气象工作者进行天气分析和预报不可缺少的重要手段，数值预报产品成为了现代天气预报的基础。
第14卷 第1期2024年1月农 业 灾 害 研 究Journal of Agricultural CatastrophologyVol. 14 No. 1 Jan. 2024冷空气在强对流极端大风中的作用分析付泽宇1，吴扬春2，李欢欢1，郑秀丽11.福建省福州市气象局，福建福州 350008；2.福建省福清市气象局，福建福清 350300摘 要：采用常规观测资料、新一代多普勒天气雷达数据、地面加密观测资料和卫星资料，分析了2022年3月26日福建中部地区一次冷空气触发下的强对流大风天气成因与预报难点。
结果表明：此次过程受低层切变南压，槽前西南气流的影响，龙岩、漳州、厦门和福州等地均出现暴雨，厦门局地出现冰雹。
受地面沿海东北冷空气南下影响，在特殊地形的共同作用下，福州西部局地出现微小尺度的强对流大风天气，其持续时间短、致灾范围小、特定地形效应明显。
实地考察此次为自西方向开始出现灾害性旋转大风，影响时间仅持续10 min左右。
双偏振雷达监测显示中气旋尺度小于5 km，中气旋中心路径在华石村有强度迅速加强速度减慢过程，有界弱回波区明显，高层强中心倾斜。
关键词：冷空气；中气旋；强对流；大风；双偏振雷达中图分类号：P458 文献标志码：B 文章编号：2095–3305(2024)01–0176-03作为一种气候资源，风既能给人类带来利益，又是一种气象灾害。
冷空气与强对流天气都会带来大风天气，对流性灾害大风包括龙卷、飑线/弓状回波引发的长生命史线状强风，中尺度强对流系统引发的下击暴流和台风环流引发的强风等[1]。
在气象预报服务过程中，强对流下的灾害性天气能否及时、准确地预报出来，对制作灾害性大风的精细预报有实际意义。
张思涵等[2]研究了高空槽和地面冷锋影响下偏北路径冷空气南下形成的大风过程；王黉[3] 研究川藏高原强对流发现，大雨滴、冰雹快速下落引起的拖曳作用有利于湿下击暴流的产生，结合峡谷地形的狭管效应，引起地面大风；孙正齐[4]通过雷达资料的快速循环分析同化，首次提前30 min成功预报了下击暴流引起的灾害性大风。
第40卷第3期2020年9月高原山地气象研究Plateau and Mountain Meteorology Research V〇1.40 No. 3 Sept. 2020文章编号：1674 -2184(2020)03-0010 -08突发性强对流天气快速识别预警改进方法李朝华、王磊2*，衡志炜2(1.河北省石家庄市气象局,石家庄050081;2.中国气象局成都高原气象研究所/高原与盆地暴雨旱涝灾害四川省重点实验室，成都610072)摘要:传统多普勒天气雷达强对流灾害性天气监测采用固定阈值判别法给出强风暴的冰雹闪电灾害预警结果，该方法不适 用于不同经纬度、季节和复杂地形条件下的强对流天气识别预警。
本文利用循环递归的区域生长法对TITAN算法进行改 进，从而快速识别三维强风暴单体及其雷达特征物理量;使用多普勒天气雷达和TRMM星载气象雷达的历史观测数据反演 河北石家庄地区春夏两季复杂地形条件下的强风暴灾害性天气Logistics多元线性回归概率预警模型。
对发生在河北石家 庄夏季的一次强飑线天气和发生在春季的一次超级多单体风暴天气进行冰雹闪电灾害性天气识别预警实验,并与传统算法 进行误差对比分析。
实验结果表明:与传统算法对比，该方法对强风暴天气识别预警的定位精度较高，并且其漏报率和虚报 率较低，有助于快速识别预警强对流灾害性天气。
关键词:雷暴天气预警;多普勒天气雷达;Logistics概率模型;区域生长法中图分类号：P456 文献标识码：A doi：10. 3969/j. issn. 1674 -2184• 2020.03.002引言突发性强对流灾害天气（如雷暴、冰雹、龙卷、下击暴 流）具有空间尺度小、生命史短、突发性强、发展演变迅 速、破坏力大等特点。
随着多普勒天气雷达在全国布网，强对流天气的临近预报成为省、市级气象台的重要业务，但预报方法还很有限。
河北省强对流天气地理分布特征 为山区多于平原，北部燕山山区的冰雹和雷暴次数为河 北省之首[1]。
强对流天气的多普勒天气雷达探测和预警俞小鼎【摘要】简要介绍了强对流天气(包括强冰雹、龙卷、雷雨大风和暴洪)的多普勒天气雷达识别和预警技术.【期刊名称】《气象科技进展》【年(卷),期】2011(001)003【总页数】11页(P31-41)【关键词】多普勒天气雷达;强对流;识别与预警【作者】俞小鼎【作者单位】中国气象局气象干部培训学院,北京100081【正文语种】中文强对流天气是造成气象灾害的主要天气类型之一，主要包括冰雹、龙卷、雷雨大风和暴洪。
天气雷达从它在半个多世纪前开始应用于气象领域开始，一直是监测和预警强对流天气的主要工具。
天气雷达发射一系列脉冲电磁波，电磁波遇到云雨等气象目标会向四面八方散射，其中后向散射波回到雷达被接收。
传统天气雷达只能提取回波中的强度（反射率因子）信息，而多普勒天气雷达除了提取反射率因子信息外，还可以从雷达回波中提取云雨目标沿雷达径向的运动速度和相应的谱宽信息，大大加强了天气雷达的监测和预警能力。
我国正在建设的新一代天气雷达网全部由多普勒天气雷达构成。
新一代天气雷达比传统雷达具有更高的空间分辨率和探测灵敏度，可以探测到传统雷达通常探测不到的晴空回波。
美国于1996年完成了150多部新一代天气雷达在全美国的布网工作。
中国气象局新一代天气雷达网将由216部多普勒天气雷达构成，到2011年6月底为止，已经完成156部新一代天气雷达的布网工作。
我国的新一代天气雷达共有S（10cm）和C（5cm）两个波段七种型号，其中CINRAD-SA型和SB型多普勒天气雷达与美国的WSR-88D在结构和应用软件方面几乎完全相同，是我国东部沿海地区、长江流域、淮河流域、黄河下游和珠江流域的主要布网雷达。
已布设的新一代天气雷达已发挥了明显效益。
新一代天气雷达的应用领域主要包括对流天气的探测和预警、降水估计、雷达上方大气垂直风廓线的估测和通过对雷达反射率因子和径向速度数据的同化为高分辨率数值预报模式提供初始场。
雷达回波反射率垂直剖面图的冰雹识别方法路志英;朱俊秀;田硕;贾惠珍【摘要】为了更加准确地识别冰雹天气,对某地区2005—2010年间24个冰雹过程和19个暴雨过程的825个雷达样本数据进行了分析处理,建立了基于雷达回波反射率垂直剖面图的冰雹自动识别的客观模型.在分析冰雹云体形成机理和结构的基础上确定最佳剖线,并用插值法生成雷达回波反射率垂直剖面图,通过图像处理方法,提取特征数据(强回波(45,dBZ 以上)与0,℃和-20,℃温度层的高度差、弱回波区和有界弱回波区的宽度和高度).然后采用粗未选集理论数据挖掘方法对相关特征数据进行处理,建立了自动识别冰雹天气的客观模型.测试结果表明:该识别模型的判别规则对 28 个冰雹天气过程的 383 个样本的正确识别命中率是 82.77%,可有效地识别和预报冰雹,有助于减轻冰雹灾害天气造成的损失.%To recognize the hail weather more accurately,852 radar base data were analyzed. These data were col-lected from 24 hail processes and 19 heavy rain processes in a certain area between 2005 and 2010. Automatic identi-fication model for hail was built by using radar reflectivity cross section. The optimal cutting lines were determined based on the analysis on the forming mechanism and structure of hail cloud. Radar reflectivity cross section was ob-tained by using interpolation algorithm and was analyzed with image processing methods. Features data such as the height differences between strongec ho(over 45,dBZ)and 0,℃ as well as-20,℃ isothermal layer,and the height and width of weak echo recognition and bounded weak echo recognition were obtained. Rules for hail and heavy rain recognition were acquired by using data mining based on rough set,and automatic identification modelwas built. 385 hail samples from 28 hail processes were distinguished with this model. The test results show that the accuracy of rec-ognition rate is 82.77%. This provides an effective method for identification and short-time forecast for hail,and it is helpful for reducing the loss caused by hail.【期刊名称】《天津大学学报》【年(卷),期】2015(048)008【总页数】8页(P742-749)【关键词】图像处理;弱回波区;有界弱回波区;粗糙集;数据挖掘【作者】路志英;朱俊秀;田硕;贾惠珍【作者单位】天津大学电气与自动化工程学院,天津 300072;天津大学电气与自动化工程学院,天津 300072;天津大学电气与自动化工程学院,天津 300072;天津市气象局,天津 300074【正文语种】中文【中图分类】P412.25冰雹作为一种强对流天气会对人们的生命财产造成严重的威胁．因此，准确地识别和预报冰雹天气成为气象研究人员的重点目标之一．随着雷达探测技术的发展，现已能够获得大量的实时数据，通过对这些数据的分析，能够对雷达回波反射率图和径向速度图进行相关的特征提取，如强度特征、形态特征及梯度特征的提取[1-2]．另外，Montanya等[3]和李磊等[4]还研究了闪电活动对冰雹云的影响．但事实表明仅仅通过这些特征来进行预报并不能达到十分准确的效果．因此一些气象人员通过对典型的冰雹天气的雷达回波剖面图进行分析，总结出了雷达反射率垂直剖面图(RCS)产品反映冰雹天气过程的主要特征，如弱回波区和有界弱回波区(穹窿)等特征[5-6]．赵俊荣等[7]分析了冰雹过程的中气旋、液态水含量和有界弱回波区的特征，并介绍了这些特征与冰雹落点的关系，为人工消雹提供依据．上述研究表明综合运用反射率图和垂直剖面上的一些特征来进行雹云单体的识别更为准确有效．本文在Visual Studio 2010开发环境下，利用MFC类库实现了在生成雷达回波反射率剖面图基础上提取单体强回波(45,dBZ以上)高度、弱回波区和有界弱回波区以及探空得到的0,℃和－20,℃温度层高度等相关特征数据，并对特征数据进行了基于粗集理论的数据挖掘[8-11]，获得了区分强天气过程冰雹和暴雨的客观模型——判别规则，然后利用这些规则对天气过程进行自动识别，结果表明本文的方法能有效地识别冰雹和暴雨过程．1.1 剖面图生成算法在了解冰雹的形成机理和雹云结构特征的基础上，通过对雷达回波反射率图中回波单体的形态特征分析，确定剖线的位置，生成剖面图．本文综合3种不同的方法确定最佳剖线生成剖面图．1.1.1 剖线的确定方法方法1 低仰角下梯度最强处与高仰角强回波中心连线.以0.5°仰角下的反射率图为研究基础，如图1所示为一冰雹回波，ABCD为单体所在区域的正外接矩形．对其进行扫描，获得冰雹单体最强回波的区域位置(矩形A1,B1,C1,D1)，并将其几何中心作为该冰雹单体的强回波中心(图中点O)．求出点O到矩形ABCD各边的距离，将其中最大距离(图中OE的长度)的2倍为边长，以点O为几何中心，做正方形A2,B2,C2,D2．然后以OB2作为扫描的起始位置，每10°为单位对正方形A2,B2,C2,D2进行扫描．统计每一个区域中反射率因子不小于30,dBZ的像素点数，数目最小的区域即为反射率变化梯度最大区域，分别将该区域的每一点与包含30,dBZ以上回波的最高仰角的强回波中心的水平投影位置的连线做剖线，对其剖面进行分析，特征最明显的剖面所对应的剖线即为此方法的最终剖线．方法2 各个仰角下的强回波中心点的线性拟合.雷达VCP21体扫示意(如图2所示)的基数据可以生成9个仰角的雷达回波反射率．检测同一个单体在不同仰角下的最强回波中心(各个仰角下单体的最大回波值可能不一样)．然后将所获得的点进行直线拟合(一般情况下只能获得前6个仰角的强回波中心，高仰角的一般无强回波)．拟合过程：设直线方程为ykxb=+，根据直线拟合的性质，可利用公式分别求得斜率及截距，从而获得最佳剖线，其计算式为式中：n为所获得的强回波中心的数目方法3 最高仰角和最低仰角的强回波中心的连线.找到包含30,dBZ以上强度回波反射率图中的最高仰角和最低仰角的强回波中心，连接这两点并延伸到整个单体就得到剖线．1.1.2 剖面的生成本文中的反射率图都包含15种颜色，分别描述了雷达回波的15个强度区间(对应关系见图3).由于雷达基数据只包含9个仰角对应的锥面上的回波强度，且每个仰角上只存储整数方位角和整数径向距离交叉点上的回波强度信息，数据点是不连续的，要生成连续的剖面图，必须采用插值算法[12]．雷达回波反射率的示意如图4所示，中心点O为雷达位置，线段AB为剖线，点C为剖线上任意点，图中s表示点到雷达的径向距离，θ表示方位角．首先，从剖线的左侧端点A开始，依次计算剖线上每个点的径向距离和方位角．然后，设点M(如图5所示)是剖面中与剖线上任意点所对应的空间竖直线上的点，它在雷达空间坐标系中的坐标为（r,α,h），其中r为斜距，α为方位角，h为点M在剖面图中的高度．点M位于其上下相邻的仰角为e1和e2的扫描锥面之间．M1和M2分别是经过点M的垂线与2个扫描锥面的交点，它们在雷达数据库中的坐标分别是(r1,α,e1)和(r2,α,e2)，其高度计算式为式中：0h为雷达天线的高度；ir为第i个仰角上的径向距离为等效地球半径．点M的反射率强度的计算式为式中分别为点M1和点M2的反射率强度，通过雷达基数据获得；是插值权重，计算式为根据上述插值算法获得的剖面如图6所示．1.2 强回波(45,dBZ以上)高度雹块的增长发展过程是相当复杂的，形成冰雹的雨滴半径为4～5,mm，甚至更大．云体必须垂直发展到－20,℃温度层以上才能形成大冰雹．另一个影响降落到地面的冰雹尺寸的因素是雹块从冻结层(环境湿球温度0,℃层高度)落向地面过程中的融化效应．因此，冰雹识别首先要分析雹云单体中强回波(45,dBz以上)与相关温度层之间的关系．在0.5°仰角图上过最强回波区域的几何中心点每隔1°做一条剖线生成剖面．检测每个剖面中45,dBZ以上强回波区域的高度，最终从180个高度数据中取得最大值作为当前时刻雹云单体强回波高度，并将其与0,℃和－20,℃温度层高度(探空测量数据)写入MySQL数据库．经过对训练样本的统计得出45,dBZ高度、0,℃和－20,℃温度层高度之间的关系，如表1所示.1.3 弱回波区和有界弱回波区冰雹增长为大雹块的一个必要条件是有能支撑雹块的强上升气流，如果低层上升气流较强，使该处形成的降水质点被携带上升，加上风暴顶的辐散和环境风的影响，形成了低层无回波或回波强度很弱的弱回波区(weak echo recognition，WER)，当其被上方的中高层悬垂回波包围时，就形成了有界弱回波区(bounded weakecho recognition，BWER)[13]，如图7所示．在满足0,℃层到地面的距离比较适宜的情况下，如果回波形态再呈现出弱回波和回波悬垂特征，则产生大冰雹的可能性会明显增加，若出现有界弱回波区，则出现大冰雹的概率几乎是100%[14]．因此本文通过图像处理[15]方法自动提取单体的WER和BWER特征，写入数据库，作为自动识别冰雹的重要特征．WER和BWER特征提取的具体操作步骤如下.步骤1 划分区域，改变颜色．30,dBZ以下为背景色(黑色)，30～40,dBZ为黄色，40,dBZ以上为红色．步骤2 去除干扰区域．在改变颜色的基础上，利用八邻域连通法标识各个连通域，统计每个连通域的大小，然后根据预先设定的阈值，滤除小于这一阈值的区域．去除干扰区域后的效果如图8所示．步骤3 确定弱回波区或穹窿位置.(1) 从回波墙开始，分别向两边检测30,dBZ以上区域和40,dBZ以上区域的下边界，设为RWER1(右侧30,dBZ以上区域的下边界)、RWER2 (右侧40,dBZ以上区域的下边界)、LWER1(左侧30,dBZ以上区域的下边界)、LWER2(左侧40,dBZ以上区域的下边界)，将两边边界进行比较，对较长一侧的2个边界进行特征分析．图8(a)中弱回波区在回波墙右侧，RWER1、RWER2如图所示，LWER1、LWER2为零，故取RWER1、RWER2进行分析；图8(b)中弱回波区在回波墙左侧，LWER1、LWER2如图所示，RWER1、RWER2为零，故取LWER1、LWER2进行分析．(2) 检测右侧2个层次区域(30,dBZ以上区域和40,dBZ以上区域)下边界的宽度和高度，如果宽度大于等于4,km(经过多次调整观察确定)，则认为该边界下方区域是弱回波区．(3) 在存在弱回波区的基础上，对边界做进一步分析：如果弱回波区上方边界在上升过程中存在下降的趋势(即存在被强回波包围的弱回波区)，并且下降部分的高度大于0.5,km、宽度大于2,km，则认为存在有界弱回波区．(4) 如果右侧的2个层次区域都存在弱回波区或者都存在有界弱回波区，则标注30,dBZ区域所显示出的位置为弱回波区或者有界弱回波区，并计算其宽度和高度；如果只有1个区域存在有界弱回波区或者弱回波区，则按照该区域边界计算弱回波区和有界弱回波区的高度和宽度数据．本文从3种剖线所生成的剖面中选择有界弱回波区或者弱回波区形态最明显的剖面图在屏幕上显示，并标出边界位置(如图9所示)．图9中弱回波区和有界弱回波区的高度和宽度数据计算结果如表2所示．本文从某地区雷达站2005—2010年的历史资料中的24个冰雹天气过程和19个暴雨天气过程共825个样本数据进行特征提取，并将特征数据和天气类型写入数据库，得到825条数据记录，其中10条数据如表3所示．由于同一个特征的数据在不同强天气过程之间并没有严格的阈值界限，在部分特征相同的条件下可能会出现不同的天气过程或者多种天气过程同时发生，因此天气过程的识别具有不确定性[16]．本文采用可以处理不确定性数据系统的粗糙集理论对特征数据库中的特征(WER宽度、WER高度、BWER宽度、BWER高度、0,℃层高度、−20,℃层高度、强回波(45,dBZ以上)高度与0,℃以及−20,℃层高度之间的高度差和天气类型)进行分析．粗糙集理论不需要任何附加条件就可以直接对由数据构成的决策表进行推理，它作为一种处理信息不确定、不精确、不完善系统的新的数学工具，是目前使用较多的一种归纳学习方法．粗糙集理论认为知识是一种根据特征属性对现实中抽象的对象进行分类的能力．为了处理智能数据，粗糙集将感兴趣的研究领域对象的集合表示为知识表达系统．如果知识表达系统的属性集合分为条件属性和决策属性，那么这样的知识表达系统就称为决策表，本文所讨论的问题(见表3)即可以用决策表来表达，其中第2～9列为条件属性，第10列的天气类型为决策属性．3.1 数据离散化粗糙集理论只能处理离散数据，因此，在数据准备阶段首先应该完成数据的离散化，就是对连续属性的取值范围进行划分，把一个大区间划分为若干个小区间．本文采用等频离散化方法进行数据离散，该方法是一种简单的无监督单变量离散化方法．它是根据设定的频数K利用每个特征属性将测试样本分为K个子区间，每个子区间包含相同的样本数．本文将每个特征属性值划分为4个区间．3.2 属性约简为了获取识别模型(即分类规则)，需要将离散化的决策表进行约简．所谓约简就是化简决策表中的条件属性和属性值，使得决策表在保持原有决策能力的同时，具有较少的条件属性和属性值．这里所说的决策能力实际上是指分类能力，即依据条件属性值去判别对象类别的能力．由于决策表可看作是分类知识，因此决策表约简就是知识约简，即对知识的过滤、压缩和提炼．本文采用Johnson算法进行决策表的约简．3.3 客观模型建立本文根据决策表的约简结果，最终生成分类规则. 通过对43个天气过程(冰雹24个，暴雨19个)的825个(冰雹462个，暴雨363个)数据样本进行处理，得到825条特征数据，针对这些数据进行基于粗糙集理论的数据挖掘和规则提取，最终得到89条分类规则，其中8条规则如表4所示．规则表中第1条规则表示：如果某个样本的特征同时满足WER宽度小于2,km，−20,℃温度层高度在［7.5，8.0)km区间内，并且强回波高度与−20,℃温度层高度之间的高度差小于−0.6,km的条件，则该关注对象属于冰雹的支持票数增加13票，属于暴雨的支持票数增加27票，最终按照各自支持票数与各自总样本数的比值(支持率)的大小对样本进行分类．利用本文中获得的分类规则建立冰雹识别的客观模型，对新的风暴回波进行类型识别时，首先计算出该实况所有关注对象的特征数据，然后采用投票决策法对样本进行识别，具体步骤如下．步骤1 目标回波区域的选择．采用连通域标记法搜索反射率强度大于等于40,dBZ 的目标区域．步骤 2 特征提取.(1) 分别按3种剖线确定方法确定剖线位置，生成反射率垂直剖面图．(2) 分别提取(1)中3个剖面图的弱回波区和有界弱回波区特征，将有弱回波区或者有界弱回波区特征最明显的剖面图作为最佳剖面，并将其特征数据写入特征数组feature[]．步骤 3 规则匹配.(1) 变量初始化．bao表示冰雹支持度变量，初始值为0；yu表示暴雨支持度变量，初始值为0；RuleNum表示分类规则总数；循环变量i＝1．(2) 将特征数组中的特征数据依次与第i条规则匹配，如果匹配成功，则将该条规则中的冰雹支持度和暴雨支持度分别加到变量bao和yu中，并令i＝i＋1．若匹配不成功，直接令i＝i＋1．(3) 判断i是否满足大于RuleNum，如果满足，执行步骤4，否则执行步骤3中的(2)．步骤 4 类型识别.将变量bao和yu分别与冰雹和暴雨的总支持票数作比值，比值大的类型就是当前回波所属的类型．本文将冰雹样本作为正例，暴雨样本作为反例，经过经验丰富的气象专家采用本文冰雹识别方法对未参加训练的28个冰雹过程的383条历史样本和17个暴雨过程的262个历史样本的测试，所得识别结果如表5和表6所示．通过对表5识别结果的分析、计算，本文冰雹识别方法的命中率POD为82.77%、误警率FAR为3.06%、成功指数CSI为80.66%，其中：24个冰雹天气过程中空报为暴雨的几乎都是在冰雹单体初步形成或者消亡阶段间断的时刻．2009年6月16日发生在某地区的冰雹(最大直径9,mm)天气过程，0,℃和−20,℃高度分别为4.2,km和7.6,km，强回波高度基本上维持在−20,℃高度层以下(如图10所示)，这些条件使得暴雨的支持度很大，导致误判全部误识别为暴雨．该过程持续时间为30,min，降雹时间只有3,min．另外，本文方法对冰雹的短时预报的平均时效达21.6,min，具体情况如表7所示．(1) 用本文提出的确定剖线的算法能使剖面准确有效地确定出反映单体的弱回波区和有界弱回波区结构特征的剖面图．(2) 本文提取的WER和BWER以及强波高度等特征数据的方法对于冰雹自动识别是合理有效的．(3) 通过基于粗糙集理论的数据挖掘方法建立的客观模型和投票决策法的综合应用，能有效地将冰雹和暴雨天气区分开，实现了冰雹和暴雨的识别和短时临近预报．(4) 本文实现了WER和BWER的自动检测，为更准确自动识别冰雹创造了条件，为获取冰雹消雹点以减轻冰雹造成的灾害奠定了基础．【相关文献】［1］王萍，董晓凯，贾惠珍. 雹云雷达回波反射率图像梯度及形态特征的提取[J]. 计算机应用，2007，27(增1)：372-377.Wang Ping，Dong Xiaokai，Jia Huizhen. Hail cloud radar echo reflectance image gradient and morphological characteristics of extraction[J]. Computer Application， 2007，27(Suppl 1)：372-377(in Chinese).［2］ Lu Zhiying，Wang Lei，Ma Hongmin，et al. Hailstone detection based on image mining[C] //Fifth International Conference on Fuzzy Systems and Knowledge Discovery.Jinan，China，2008，10(4)：39-43.［3］ Montanya J，Soula S，Pineda N，et al. Study of the total lightning activity in a hailstorm[J]. Atmospheric Research，2009，91(24)：430-437.［4］李磊，朱莉. “20110629”云南特大区域性冰雹天气过程分析[J]. 云南大学学报，2013，35(2)：199-207.Li Lei，Zhu Li. Yunnan large regional hail weather proc-ess analysis for 20110629[J]. Journal of Yunnan University，2013，35(2)：199-207(in Chinese).［5］江玉华，刘娟，何跃，等. 一次伴随冰雹的超级单体风暴特征[J]. 气象科技，2011，39(2)：172-181.Jiang Yuhua，Liu Juan，He Yue，et al. Characteristics of supercell storm accompanied by hail[J]. Meteorological Science and Technology，2011，39(2)：172-181(in Chinese).［6］覃靖，潘海. 具有双有界弱回波区的超级单体雹暴雷达回波分析[J]. 安徽农业科学，2009，37(5)： 2088-2090.Qin Jing，Pan Hai. Analysis of supercell hailstorms radar echo with double bounded weak echo[J]. Journal of Anhui Agricultural Sciences，2009，37(5)：2088-2090(in Chinese). ［7］赵俊荣，郭金强，杨景辉，等. 一次致灾冰雹的超级单体风暴雷达回波特征分析[J]. 高原气象，2011， 30(6)：1681-1689.Zhao Junrong，Guo Jinqiang，Yang Jinghui，et al. A super monomer of disastrous hail storm radar echo characteristics analysis[J]. Plateau Meteorology，2011， 30(6)：1681-1689(in Chinese).［8］ Lu Zhiying，Yang Le，Li Yanying，et al. Sand-dust storm ensemble forecast model based on rough set[J].Transactions of Tianjin University，2007，13(6)：441-446.［9］张静. 基于粗糙集理论的数据挖掘算法研究[D]. 西安：西北工业大学计算机学院，2006 Zhang Jing. Theory Research of Data Mining Algorithm Based on Rough Set[D]. Xi’an：Computer College， Northwestern Polytechnical University，2006(in Chinese).［10］王光宏. 数据挖掘综述[J]. 同济大学学报：自然科学版，2004，32(2)：246-252.Wang Guanghong. Summarize for data mining[J]. Journal of Tongji University：Natural Science Edition， 2004，32(2)：246-252(in Chinese).［11］张学民，安利平. 动态数据库规则获取和更新的粗糙集方法[J]. 天津大学学报，2001，34(4)：529-532.Zhang Xuemin，An Liping. Obtaining and updating rules based on rough set theory in dynamic databases[J]. Journal of Tianjin University，2001，34(4)：529-532(in Chinese). ［12］潘留杰，朱伟军，周毓荃，等. 天气雷达资料的三维格点化及拼图初探[J]. 安徽农业科学，2010， 38(5)：2517-2519，2570.Pan Liujie，Zhu Weijun，Zhou Yuquan，et al. Three dimensional attunements and puzzles for weather radar data[J]. Journal of Anhui Agricultural Sciences， 2010，38(5)：2517-2519，2570(in Chinese).［13］章国材. 强对流天气分析与预报[M]. 北京：气象出版社，2011.Zhang Guocai. Analysis and Forecasting for Strong Convective Weather[M]. Beijing：China Meteorological Press，2011(in Chinese).［14］俞小鼎，姚秀萍，熊廷南，等. 多普勒天气雷达原理与业务应用[M]. 北京：气象出版社，2006.Yu Xiaoding，Yao Xiuping，Xiong Tingnan，et al. Doppler Weather Radar Principle and Business Applications[M]. Beijing：China Meteorological Press， 2006(in Chinese). ［15］申俊琦，冯胜强，朱莉娜，等. 基于数学形态学的焊缝图像边缘提取[J]. 天津大学学报，2010，43(4)： 373-377.Shen Junqi，Feng Shengqiang，Zhu Lina，et al. Edge detection of seam image based on mathematical morphology[J]. Journal of Tianjin University，2010， 43(4)：373-377(in Chinese).［16］穆穆，陈博宇. 气象预报的方法与不确定性[J]. 气象，2011，37(1)：1-13.Mu Mu，Chen Boyu. Weather forecast method and its uncertainty[J]. Meteorological Monthly，2011，37(1)： 1-13(in Chinese).。
ROSE系统在沈阳一次强冰雹过程分析中的应用张林;杨洪平;张涛;郭启云【摘要】介绍新一代天气雷达业务建设软件ROSE系统,并通过ROSE产品结合地面自动气象站资料、高空天气图、探空T-lnp图、雷达组网拼图对沈阳2011年8月21日一次强冰雹过程的发展、演变及结构特征进行了分析和研究.分析表明:此次冰雹过程是在高空槽和风场辐合大尺度天气背景下,对流有效位能CAPE、垂直风切变及雷达回波特征均满足强冰雹发生的条件；通过分析降雹前后多种雷达导出产品提出强冰雹客观临近预报的一些指标.【期刊名称】《气象科技》【年(卷),期】2013(041)002【总页数】8页(P242-249)【关键词】ROSE产品;强冰雹过程;临近预报【作者】张林;杨洪平;张涛;郭启云【作者单位】中国气象局气象探测中心,北京100081;中国气象局气象探测中心,北京100081;成都信息工程学院,成都610225;中国气象局气象探测中心,北京100081【正文语种】中文引言新一代天气雷达业务软件系统开发项目，简称ROSE，目前已经进入了第2期ROSE 1.0版的开发，已开发完成的ROSE零版本能处理不超过20部雷达数据，包括雷达基数据预处理算法（雷达基数据读取，数据完整性检验以及方位对齐、数值编码转换以及格式统一）、质量控制算法（孤立点杂波、干扰杂波、残留地物以及超折射回波的滤除）、基本产品、二次产品和组网产品算法，通过试运行检验，系统较为稳定，基本能满足雷达台站及省级业务中心处理雷达资料的需求。
冰雹是我国分布较广的一种对流性灾害性天气，冰雹成灾的程度与冰雹大小有密切关系，冰雹越大，成灾的可能性越大。
通常将落到地面上直径超过2cm的冰雹称为大冰雹或强冰雹。
冰雹的发生常常伴随有阵性强降水、雷雨大风等，极端的强冰雹具有很大的破坏力，我国平均每年因冰雹造成的直接经济损失达数十亿元［1］。
自20世纪60年代末开始，我国针对冰雹的微物理过程和风暴单体结构就开展了大量的研究。
我国强对流天气监测和预报业务毛冬艳【摘要】总结了近几年我国强对流天气业务的主要进展,重点介绍推动强对流天气业务发展的技术支撑,包括新的监测资料的应用、数值预报模式的发展、主要技术方法的研发和专业化业务系统的建设,分析了目前存在的问题和面临的挑战,并提出全国强对流业务的未来发展和主要任务.【期刊名称】《气象科技进展》【年(卷),期】2012(002)005【总页数】7页(P22-28)【关键词】强对流;监测;预报【作者】毛冬艳【作者单位】国家气象中心,中国气象局,北京100081【正文语种】中文强对流天气是我国主要的灾害性天气之一。
强对流会引发剧烈的天气现象，如狂风、冰雹、强雷电和短时强降雨等，对城市和农村安全具有高的影响力和大的破坏性。
因此，做好强对流天气的监测分析和预报预警非常重要。
由于强对流天气生命史短，局地性强，因此预报难度大。
到目前为止，强对流天气的预报准确率仍然相对较低[1]。
我国强对流天气主要包括短时强降水、雷暴、大风、冰雹和龙卷等。
其中，短时强降水一般指1h降水量达到或超过20mm的降水过程；雷暴大风是指伴有雷暴且风速达到或超过17.2m·s－1（8级）的对流性大风。
这些与美国风暴预报中心的强对流天气的定义[2]有一定的差异。
多年以来，强对流天气业务一直是短期天气预报的一部分。
2003年，中央气象台正式发布强对流天气24h落区预报；2007年3月，下发全国24h内12h间隔强对流天气落区预报。
2009年4月，随着国家级强对流天气专业化中心的建立，开始下发强对流天气潜势预报产品，产品的精细化水平逐步提高[3]。
近些年，我国强对流天气业务取得了一定的进展，主要包括以下四个方面。
2.1 全国强对流专业化业务体系初步建立发展专业化的业务技术体系是天气业务由“传统”向“现代”转变的客观要求[4]。
为提高天气预报准确率和精细化水平，根据我国灾害性天气的特点，2009年3月，国家气象中心组建了强天气预报中心，并开展强对流落区潜势预报业务[5]，标志着强对流天气业务向专业化的方向发展，并以此带动全国强对流精细化预报业务体系的建设。
