雷暴云的集合预报技术及其应用

王佳，智协飞，陈钰文，商兆堂，白卡娃

(1．南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京210044; 2．江苏省人工影响天气办公室，江苏南京210008;3．江苏省气象局，江苏南京210008)

雷暴云的集合预报技术及其应用

王佳1，2，智协飞1，陈钰文2，商兆堂3，白卡娃2

(1．南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京210044; 2．江苏省人工影响天气办公室，江苏南京210008;3．江苏省气象局，江苏南京210008)

以中尺度非静力WRF模式的格点预报结果作为云模式的初值集合，经云模式的多初值雷暴预报及预报结果的集合分析，建立了雷暴云的集合预报方法。将该方法应用于南京周边地区未来一天雷暴天气的特征预报，并利用南京夏季9个雷暴天气的多普勒雷达资料(SCIT，storm cell identification and tracking)进行预报效果的检验。结果表明，雷暴云的集合预报对研究区域内未来一天雷暴强度、分布预报效果较好，尤其对强雷暴的分布有较强的预警预测能力。此外，雷暴持续时间概率密度分布的集合预报产品，在雷暴影响范围概率预报上的应用，提高了雷达对雷暴的预警监测能力。

雷暴;积云尺度;集合预报;概率密度分布;效果检验

Abstract:A thunderstorm ensemble forecasting approach is performed by the ensemble analysis of the cloud model’s forecast results according to the initial condition aggregation provided by the grid forecast results of the mesoscale non-hydrostatic WRF model．The approach is applied to forecast the characteristics of thunderstorm around Nanjing one day in advance and is verified by the Doppler radar data of the thunderstorms in summer in Nanjing．Results show that the intensity and distribution of thunderstorms over the research area is reasonably predicted one day in advance．It is particularly good to forecast the distribution of the strong thunderstorms by using the ensemble forecasting technique．Moreover，the application of the PDF(probability density function)of thunderstorms’duration into the probability forecasting of the influenced area of thunderstorms improves the radar’s warning and monitoring capacity of local thunderstorms．

Key words:thunderstorm;convective scale;ensemble forecasting;probability density function;verification

0 引言

雷暴是一种伴有雷电、大风、暴雨，甚至冰雹、龙卷等灾害性天气的中小尺度天气过程，由于尺度小、变化快、局地特征明显，一直是天气预报业务的重点和难点。为此，国内外许多学者针对雷暴预报方法开展了许多研究。研究认为，雷暴是在特定的环境场条件下产生的(郝莹等，2007)，因此业务上最常用的方法是天气学分型，结合探空资料计算环境场能量、动力、热力不稳定参数，判断环境条件是否有利于雷暴生成与发展(何立富等，2011)，该方法时空分辨率低、主观性强，经常会误导预报员(Stensrud et al．，1997)。随着雷达、卫星监测系统建设趋于完善，基于雷达、卫星资料的雷暴识别跟踪和外推预报技术，也逐步应用于雷暴的临近预报，其缺陷是预报实效短，准确率低(Wilson et al．，1998)。近年来，数值天气预报及其同化技术的迅速发展，使得中尺度数值模式对雷暴的预报能力加强，然而由于模式本身spin-up问题存在，导致中尺度模式至今不能取代临近预报的外推法(Donner，1988)。云尺度数值模式采用“热启动”(陈宝君和宋娟，2006)，有效解决了spin-up问题，且较高的时空分辨率、详细的微物理过程，使得模式对雷暴结构模拟的可信度显著提高，云模式也已成为探索雷暴预报的有效工具。美国NCAR利用一个云尺度数值模式，通过边界层辐合线特征与雷暴以及云特征信息的相互结合，进行雷暴的临近预报(Mueller et al．，2003)。ND(Kopp and Orville，1994)、ST-91(Brooks et al．，1993)、ST-95(Wicker et al．，1997)等一系列雷暴预报试验结果表明，利用云模式进行雷暴预报的关键是如何获得准确的初始状态。初始状态的不确定性(Toth et al．，2001)，可能使数值预报结果在较短的预报时段内远离真实大气(Toth，1991)。针对这种不确定性，Leith(1974)提出了集合预报理论，他认为天气预报问题不是确定性预报，而应该是在大气相空间中合适的概率密度函数(PDF，probability density function)随时间的演变，即由定量预报向概率预报转变，并给出确定性预报的可信度指标，最终提高预报准确率。本文根据集合预报理论，采用新的初值集合法，建立了雷暴云的集合预报方法，即利用中尺度WRF模式的输出结果构建初始状态集合，从这个初始状态集合出发，通过IAP(Institute of Atmospheric Physics)三维对流云模式，得到相应的、包含多个预报结果的集合，再通过预报结果集合的分析，预报未来一天雷暴的天气特征。文中将该方法应用于南京周边地区夏季雷暴强度和分布预报，并利用实时多普勒雷达资料对预报效果进行初步检验。

1 集合预报方法

与传统的初值集合预报方法不同，本文不是在基本状态下叠加扰动来构建初值集合，而是利用中尺度WRF模式不同时刻输出的格点资料，建立初值集合，利用时空不连续的初值，进行雷暴云的集合预报。

详细的预报方法、流程，见图1。首先，确定预报区域、时效及内容。以南京为中心、100 km为半径建立预报区(图1，虚线所示)，重点针对区域内未来24 h的雷暴天气强度和分布特征进行预报。其次，建立初值集合。初值来源于中尺度WRF模式的格点预报结果，考虑夏季南京周边地区雷暴多发生在午后至夜间，主要提取WRF模式14、17、20、23时(北京时，下同，初始预报时刻02时)各12个格点预报结果(图1，实点)，作为初始条件，共48个初始条件组成了集合预报的集合成员。接着，进行多初值的雷暴预报。分别利用初值集合中48个时空不连续的初始条件，采用IAP三维对流云模式，得出48个预报结果的集合。最后，对预报结果集合分析。48个预报结果代表了整个研究区域内雷暴特征，且权重相同，经概率统计分析，预报南京周边区域未来24 h的雷暴强度、分布特征。

其中，中尺度WRF模式水平区域取71×71，格距为40 km的网格点，垂直方向分为31层，模式顶气压为50 hPa。初始场及边界条件由NCEP每6 h一次1°×1°的再分析资料4点双线性插值得到。积分时间从每天02时开始，积分24 h，时间步长为60 s，每3 h输出一次结果。模式采用MRF(model range forecast)边界层方案，Kain-Fritsch积云对流参数化方案，WSM-6(WRF single-moment 6-class scheme)微物理过程方案，RRTM(rapid radiative transfer model)长波辐射和Dudhia短波辐射方案，模式中心与南京多普勒雷达中心一致。

云模式采用IAP三维时变完全弹性非静力分档云模式(郭学良等，2001;李艳伟等，2006)，该模式将水成物分为云水、雨水、云冰、雪团以及霰/雹五个大档，并根据Berry(1968)提出的指数分档方法将霰和冰雹分为21档，37种详细的微物理过程适用于雷暴云尺度特征的研究。云模式的区域范围选为70 km×70 km×18.5 km，垂直分辨率为0.5 km，水平分辨率为2 km，总积分时间为90 min，积分步长为10 s。初始扰动采用对流湿热泡扰动方式，扰动温度统一取为2.5℃，扰动中心为3 km高度上的水平区域中心，扰动水平半径为14 km，垂直半径为3 km。

图1 雷暴云的集合预报方法示意(图中第二圈内为研究区域，每圈半径50 km，实点与空点距离为40 km，虚线将研究区域分为21个小区域。星号表示某天监测到已持续36 min的雷暴，该雷暴沿红线到达红星号的概率为50%以上，沿黄线到达黄星号的概率为25%～50%，沿绿线到达绿星号的概率为25%以下)Fig．1The schematic diagram of the thunderstorm ensemble forecasting(The research area is divided into 21 small areas by the dashed lines and is situated within the second circle．The distance between every two adjacent circles (black and white dots)is 50(40)km．The asterisk represents a thunderstorm lasting for 36 minutes detected on a given day，which could reach the red asterisk along the red line at a probability of 50%，the yellow asterisk along the yellow line at a probability of 25%—50%，the green asterisk along the green line at a probability of under 25%)

云模式的初始场(温度、湿度和风场)是由WRF模式的预报结果给出的，且云模式主要是通过在初始场上叠加湿热泡扰动来启动对流的发展，因此WRF模式温湿场、风场的预报是否准确直接影响云模式对雷暴云的预报效果。将WRF模式各层24 h预报的位温、相对湿度、风场，与同时刻的NCEP再分析资料，进行平均误差分析(图2)及K-S分布检验(Blum and Rosenblatt，1972;图3)。结果发现，温湿度场最大预报误差位于700 hPa，误差分别达0.6 K、－6%，且700 hPa附近中层大气温湿度场的分布预报差异明显;湿度场除中层大气外，低、高层分布预报均出现了显著偏差，预报效果最差;尽管风场的分布预报效果较好，但低层偏西南风，导致低层偏湿。综上，WRF模式对温湿场的预报存在误差，如果利用WRF模式及云模式，对雷暴个体进行单一确定性预报，效果可能不会理想。然而，本文主要是针对一定区域范围内未来一天的雷暴强度、分布特征进行概率预报，而不是预报特定点上的雷暴个体，因此初始场上的误差，不能否定雷暴云的集合预报方法，最大限度的从集合预报结果中提取有效信息，预报区域内未来一天的雷暴特征是可行的。

图2WRF模式各层θ(a;单位:K)、RH(b;单位:%)、u(c;单位:m/s)、v(d;单位:m/s)24 h预报误差(虚线表示预报误差为0)Fig．2The 24 h forecast error of the(a)θ(K)，(b)RH(%)，(c)u(m/s)，and(d)v(m/s)at every layer from the WRF model(The dashed line indicates that the error is 0)

图3WRF模式各层θ(a)、RH(b)、u(c)、v(d)24 h预报K-S分布检验(横坐标表示显著性水平，虚线表示0.05的显著性水平)Fig．3The 24 h forecast K-S distribution test of the(a)θ，(b)RH，(c)u，and(d)v at each layer from the WRF model (The abscissa represents the significance level;the dashed line denotes the significance at 95%confidence level)

2 集合预报的效果检验

目前多普勒雷达对雷暴信息的跟踪(SCIT，storm cell identification and tracking)准确率达90%以上(俞小鼎等，2006)，因此集合预报效果检验采用2005—2007年南京夏季7、8月9 d多普勒雷达的雷暴信息跟踪资料，其中效果检验分为雷暴强度和分布检验。为了捕捉南京周边地区100 km范围内的雷暴总体特征，对雷暴统计标准确定如下:1)雷暴持续时间大于18 min;2)雷暴最大回波强度大于40 dBZ。根据以上标准对实时雷达资料进行统计，9 d内共有468个雷暴。

2.1 雷暴强度的预报及检验

雷暴强度用雷暴的持续时间表示，雷暴持续时间的确定由超过某一最大垂直速度临界标准的时间长度计算，且为了与实况雷暴统计标准一致，当雷暴持续时间超过18 min才记为一次雷暴。对每天观测和预报的所有雷暴持续时间进行统计，并将其转化为非参数概率密度函数，以该函数的分布情况表示区域内雷暴强度的总体特征，并利用高斯核密度估计方法(Silverman，1986)平滑该函数，平滑的时间间隔取6 min，与南京多普勒雷达监测的时间间隔相同。由于云模式积分时间长度为90 min，因此概率密度函数的自变量范围取(0，90)。当观测的雷暴持续时间大于90 min，统一记为90 min。最后，通过计算实况和预报的雷暴持续时间概率密度函数的欧几里德距离(L2范数)，对集合预报的雷暴强度预报效果进行检验，欧几里德距离越小说明预报与实况越接近。

由于雷暴持续时间的确定是以某一最大垂直速度为临界标准，因此首先需要确定最大垂直速度临界值。图4给出了在不同最大垂直速度临界值下，预报和实况的雷暴持续时间概率密度函数欧几里德距离(L2范数)，横坐标为最大垂直速度临界值，纵坐标为L2范数。由图可知，最大垂直速度以7.5 m/s为临界值时，预报与实况的欧几里德距离最小，预报效果最佳。

图4 不同最大垂直速度临界值下预报和实况的雷暴持续时间概率密度函数欧几里德距离Fig．4The Euclidean distance between the forecasted and observed PDFs of the thunderstorm's duration as a function of the threshold for the maximum updraft

根据图4的结论，以最大垂直速度7.5 m/s为临界标准，9 d模式共预报出了408个雷暴，与实况468个雷暴接近。进一步分析实况和以7.5 m/s为临界值预报的雷暴持续时间概率密度分布(图5)发现，分布都呈双峰型，预报的峰型比实况明显;实况雷暴持续时间概率密度极值分别为30、72 min，生命期达30 min的雷暴数最多，而预报的概率密度极值分别为36、72 min;由于预报的36 min的雷暴数最多，比实况极大值偏长6 min，使得整个预报的概率密度分布位相落后于实况。此外，生命期达48～60 min雷暴概率预报与实况基本一致，30～42 min、66～78 min雷暴概率预报偏高。由于实况统计中把大于90 min雷暴统一归为90 min，使得84 min以上的超强雷暴预报较实况明显偏低，但若以66 min为界，以大于66 min的概率代表当天强雷暴发生的概率，则预报的强雷暴平均概率与实况基本一致。

图5 9 d南京周边地区100 km范围内预报未来1 d内雷暴持续时间概率密度分布(虚线)与实况(实线) (竖线代表两概率密度分布的欧几里德距离)Fig．5The 9 days'forecasted(dashed)and observed(solid)PDFs of the thunderstorm's duration of one day in advance within 100 km around Nanjing(The ordinate represents the Euclidean distance between the two PDFs)

综上所述，9 d中雷暴持续时间的概率密度分布与实况基本一致，9 d预报中有5 d预报结果与实况非常接近(图6)。总体来说，积云尺度集合预报对南京100 km范围内中等以上强度雷暴的预报效果较好。

2.2 雷暴分布预报及检验

区域内未来一天雷暴分布的预报方法见图1。以WRF模式预报格点为中心，将南京周边地区100 km范围均匀的分为21个小区域，如果集合预报成员中有一个报出某一小区域会发生雷暴，就代表未来一天该小区域会出现雷暴天气。

对预报与观测结果的一致性进行分类，A表示预报与实况结果均有雷暴，B表示预报有雷暴但实况无雷暴，C表示预报无雷暴但实况有雷暴，D表示预报与实况结果均无雷暴。按照以上的分类结果，通过计算探测准确率IPOD(probability of detection，POD)、探测失误率IPOFD(probability of False detection，POFD)、误报率IFAR(false alarm rate，FAR)、关键成功指数ICSI(critical success index，CSI)及真实技术评分ITSS(true skill statistic，TSS)各种参数，定量分析预报准确性。各指数计算公式如下

雷暴分布预报的检验，主要参考ROC(relative operating characteristics)曲线图(图7)。首先根据上述2×2列联表分析法，以30、36、42、48、54、60、66、72 min为临界值，计算对持续时间大于各临界值的雷暴分布预报的POD和POFD指数;其次，以POD指数为Y坐标、POFD指数为X坐标，将指数的计算结果绘制在该坐标系内(图7，圆点);最后，用直线连接各点，画出ROC曲线，并计算曲线下方的面积(图7，斜线区)，最大面积为1，表示预报技巧最佳，如果曲线与虚线重合，面积为0.5，说明集合预报方法对区域内雷暴位置的预报技巧为0。实际的ROC曲线高于虚线，曲线下方的面积约为0.65，说明该集合预报方法对南京周边地区雷暴分布预报是有技巧的，尤其对大于42、48、66 min的雷暴分布预报效果较好。

2.3 强雷暴预报效果对比分析

雷暴预报更多地关注局地强雷暴发生的概率及分布情况，因此集合预报方法对强雷暴发生概率及分布预报准确率高低直接决定该预报方法的优劣。

图6 南京周边地区100 km范围内预报未来1 d内雷暴持续时间概率密度分布(虚线)与实况(实线)a．2007年8月2日;b．2006年8月26日;c．2006年8月7日;d．2006年8月6日; e．2005年8月17日Fig．6The forecasted(dashed)and observed(solid)PDFs of the thunderstorm's duration of one day in advance within 100 km around Nanjinga．August 2，2007;b．August 26，2006;c．August 7，2006;d．August 6，2006;e．August 17，2005

以2006年8月7日为例，图6c虚线为集合方法预报当天南京周边100 km范围内雷暴持续时间概率密度分布，与实况(图6c实线)相似，预报显示该地区产生强雷暴(本文取持续时间66 min以上的雷暴)的可能性较大，实况也证明该地区的确出现了强雷暴。图8红色符号，代表当天的强雷暴分布实况，“红R”表示强雷暴区，实况显示中部、东部出现了强雷暴天气;图8绿色符号，代表集合预报当天的强雷暴分布，“绿+”表示强雷暴区，预报结果也显示南京周边地区100 km内中部、东北部有强雷暴天气，预报的探测准确率(POD)达100%，误报率(FAR)仅有37.5%，关键成功指数(CSI)及真实技术评分(TSS)较高，分别为62.5%、57.1%，强雷暴分布的集合预报与实况接近。

然而，利用WRF模式进行单一确定性的预报，并计算K指数，如图8等值线，为K指数减去40后的预报结果。由图可知，南京周边地区100 km范围内K指数均小于40，发生强对流天气的可能性小(周后福等，2006)，且西部的不稳定性高于东部，西部更易产生强雷暴天气，这与实况不符。

综上，集合预报效果要明显好于WRF模式的单一确定性预报。

其次，一个场景内，需要各式各样，年代和状况各有不同的建筑，这对于保证区域的地价水平有重要作用。区域内需要有大型企业对产业起到引领作用，因此需要高端商业区域；同时区域也需要考虑小型企业、个人工作室的需求，因此需要相对老旧的房屋场所。同样多样化的房屋可以保证地租水平的稳定，减少居民必要支出，释放消费潜力。在许多对文化创意产业的研究中都发现，地租水平是影响文化创意产业发展的重要因素，差异化的地租，对建立多样化人群的社交网络有重要影响。

3 集合预报产品应用

经效果检验，积云尺度集合预报对区域内未来一天雷暴持续时间的概率密度分布预报效果较好。因此，可以利用该概率密度分布结合雷达的实时监测，预报区域内某一雷暴的影响范围，从而提高雷达对雷暴的预警监测能力。

以2007年8月2日为例，预报流程如下:首先，利用雷暴云的集合预报方法，预报某天南京周边地区雷暴持续时间概率密度分布(图6a)。其次，根据上述预报结果，结合雷达已监测到的某个雷暴生命期t1，采用Bayesian公式和条件概率，重新计算该雷暴持续时间达t2(大于t1)的概率密度分布，表示在雷暴持续时间已达t1的事实下，未来该雷暴继续维持t2的概率密度分布(图9)。接着，根据新的概率密度分布，确定雷暴持续时间达t2的概率曲线(图10)。最后，结合雷达监测到的雷暴移向D、移速V，确定该雷暴沿D向到达前方V×(t2－t1)处的概率，就是雷暴持续时间达t2的概率;并按概率分级，进行影响区区划(图1星号及有色轨线)。

图7集合预报雷暴分布预报效果ROC图(圆圈从右上向左下分别表示预报持续时间达30、36、42、48、54、60、66、72 min以上的雷暴POD和POFD值，斜线区面积约为0.65)Fig．7The ROC diagram of the thunderstorm distribution from the ensemble forecast(The dots are the POD and POFD of the distribution forecast of thunderstorms which last for at least 30，36，42，48，54，60，66，72 minutes from the upper right to lower left．The slash area is about 0.65)

图6a虚线，为集合预报的当天南京周边地区雷暴持续时间概率密度分布;图9阴影表示雷达已监测到某一雷暴持续时间达36 min。根据Bayesian公式及条件概率，重新计算该雷暴持续时间大于36 min的概率密度分布，如图9阴影右侧曲线，其中图9横线及斜线区域分别代表未来雷暴持续时间达37～42、43～48 min的概率。再利用调整后的概率密度分布，计算该雷暴生命期大于36 min的概率曲线(图10)，并将概率曲线分为大于0.5、0.5～0.25、小于0.25三部分，曲线上各点表示未来该雷暴生命期继续达某一时间的概率。最后，结合雷达监测到的雷暴移向移速，预测该雷暴的影响区域。影响区域依据图10的概率分级，相应的分为红、黄、绿三个影响区(图1)，红区表示雷暴影响概率大于50%的一级警戒区，需发雷暴警报;黄区表示雷暴影响的概率在25%～50%的二级警戒区，需密切关注雷暴的发展趋势，判断雷暴对该地区的影响可能性;而绿区受雷暴影响的概率相对较小。

图82006 年8月7日集合方法、WRF模式预报未来一天研究区域内强雷暴分布与实况对比图(红色、绿色符号分别代表集合预报结果、实况，“红R”及“绿+”为强雷暴区，等值线为WRF模式预报的K指数减去40后的等值线)Fig．8The ensemble forecast，the WRF model forecast and the observed distribution of a strong thunderstorm in the research area(The red and green symbols represent the ensemble forecast and the observation respectively．The“red R”and“green+”are the strong thunderstorm area;the contour lines indicate the K index-40 from the WRF model forecast)

图92007 年8月2日生命期达36 min的雷暴调整后持续时间概率密度分布(阴影区为首次预报36 min内的概率密度分布;阴影区右侧为调整后的概率密度分布;横线及斜线区域分别代表未来该雷暴达36～42、43～48 min的概率)Fig．9The PDF of the adjusted thunderstorm's duration of 36 minutes on August 2，2007(The shaded area represents the forecast PDF distribution within 36 minutes，while the right side of the shaded area represents the rescaled PDF．The horizontal and slash lines denote the probability of the thunderstorm with durations of 36—42 and 43—48 minutes，respectively)

图10 根据图9预报未来该雷暴生命期的概率(两条虚线分别代表概率达50%、25%的分界线)Fig．10The probability of the forecasted thunderstorm's duration according to Fig．9(The two dashed lines denote 50%and 25%thresholds，respectively)

4 小结

本文将中尺度非静力WRF模式与一个三维对流云模式相结合，建立了积云尺度集合预报方法，该方法对雷暴预报有重要的指导意义，将其应用于南京周边地区雷暴天气的特征预报，得到下列几点结论。

1)夏季南京周边地区WRF模式24 h预报的位温、湿度、风场(云模式初始条件)的误差分析及KS分布检验表明，WRF模式预报的云模式初始场存在误差，其中中层大气(700 hPa附近)的温湿场误差最大，而低层偏西南风，使得低层偏湿，导致湿度场的预报最差。误差的存在，说明采用中尺度WRF模式，针对某个雷暴进行单一确定性预报，可能不会理想，因此需采用雷暴云的集合预报方法，针对一定区域内未来一天的雷暴特征进行概率预报，并最大限度从集合预报结果中提取雷暴的特征。

2)雷暴云的集合预报技术对夏季南京周边地区100 km范围内未来一天雷暴强度的预报效果较好，以最大垂直速度7.5 m/s为临界值，对集合预报结果统计分析，有效地预报出了雷暴数量、持续时间的概率密度、分布区域，预报结果与实况接近。尤其对局地强雷暴发生及分布预报效果明显优于WRF模式单一确定性预报。

3)集合预报产品的应用，特别是将雷暴持续时间概率密度分布的预报，与雷达实测相结合，采用Bayesian公式和条件概率，建立了某个雷暴生命期的概率预报，并根据雷暴的移向、移速，进行雷暴影响区区划，提高了雷达对雷暴的预警监测能力。

4)本文仅针对出现雷暴天气的个例，开展了预报效果检验，对非雷暴个例的预报效果尚未检验，在全面业务推广该技术前，还需增加对非雷暴个例的预报效果检验。此外，云模式的启动、WRF模式的参数化方案等均采用统一标准，因此云模式启动的扰动大小、范围及WRF模式的不同参数化方案，对集合预报结果的影响还需进一步研究。

陈宝君，宋娟．2006．人工增雨降温机理的数值模拟研究:对流云个例试验［J］．气象科学，26(1):47-52．

郝莹，姚叶青，陈焱，等．2007．基于对流参数的雷暴潜势预报研究［J］．气象，33(1):51-56．

何立富，周庆亮，谌云，等．2011．国际级强对流潜势预报业务进展与检验评估［J］．气象，37(7):777-784．

李艳伟，郑国光，杜秉玉，等．2006．青海省秋季一次对流云人工增雨的数值模拟［J］．南京气象学院学报，29(3):328-335．

俞小鼎，姚秀萍，熊延南，等．2006．多普勒天气雷达原理与业务应用［M］．北京:气象出版社．

周后福，邱明燕，张爱明，等．2006．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，24(4):716-722．

Berry E X．1968．Modification of the warm rain process［C］．New York:Proc．of 1st National Conference on Weather Modifi．

Blum J R，Rosenblatt J I．1972．Probability and statistics［M］．Philadelphia:Saunders．

Brooks H E，Doswell C A，Wicker L J．1993．Stormtipe:A forecasting experiment using a three-dimensional cloud model［J］．Wea Forecasting，8(3):352-362．

Donner L J．1988．An initialization for cumulus convection in numerical weather prediction models［J］．Mon Wea Rev，116(5):377-385．

Kopp F J，Orville H D．1994．The use of a two-dimensional，time-dependent cloud model to predict convective and stratiform clouds and precipitation［J］．Wea Forecasting，9(1):62-77．

Leith C E．1974．Theoretical skill of Monte Carlo forecasts［J］．Mon Wea Rev，102(6):409-418．

Mueller C，Saxen T，Roberts R，et al．2003．NCAR auto-nowcast system［J］．Wea Forecasting，18(4):545-561．

Silverman B W．1986．Density estimation for statistics and data analysis［M］．London:Chapman and Hall．

Stensrud D J，Cortinas J V Jr，Brooks H E．1997．Discriminating between tornadic and non-tornadic thunderstorms using mesoscale model output［J］．Wea Forecasting，12(3):613-632．

Toth Z．1991．Estimation of atmospheric predictability by circulation analogs［J］．Mon Wea Rev，119(1):65-72．

Toth Z，Zhu Y J，Marchok T．2001．The use of ensemble to identify forecasts with small and large uncertainty［J］．Wea Forecasting，16 (8):463-477．

Wicker L J，Kay M P，Foster M P．1997．Stormtipe-95:Results from a convective storm forecast experiment［J］．Wea Forecasting，12 (3):388-398．

Wilson J W，Crook N A，Mueller C K．1998．Nowcasting thunderstorms:A status report［J］．Bull Amer Meteor Soc，79(10): 2079-2099．

(责任编辑:刘菲)

The ensemble forecasting technique of the thunderstorm and its application

WANG Jia1，2，ZHI Xie-fei1，CHEN Yu-wen2，SHANG Zhao-tang3，BAI Ka-wa2
(1．Key Laboratory of Meteorological Disaster of Ministry of Education，NUIST，Nanjing 210044，China; 2．Jiangsu Provincial Weather Modification Office，Nanjing 210008，China; 3．Jiangsu Provincial Meteorological Bureau，Nanjing 210008，China)

P456.7

A

1674-7097(2012)04-0458-08

王佳，智协飞，陈钰文，等．2012．雷暴云的集合预报技术及其应用［J］．大气科学学报，35(4):458-465．

Wang Jia，Zhi Xie-fei，Chen Yu-wen，et al．2012．The ensemble forecasting technique of the thunderstorm and its application［J］．Trans Atmos Sci，35(4): 458-465．(in Chinese)

2011-06-17;改回日期:2011-10-08

江苏省气象局开放基金(KM201107;K201009);国家重大科学研究973计划项目(2012CB955200);江苏高校优势学科建设工程资助项目(PAPD)

王佳(1983—)，男，江苏南京人，博士生，研究方向为集合预报技术，nanjingwangjia2008@yahoo．com．cn．