结合中尺度模式物理约束的雷达回波临近外推预报方法研究*

孙泓川 吴海英 曾明剑 程丛兰

1.江苏省气象台，南京，210008

2.中国气象局交通气象重点开发实验室，南京，210009

3.江苏省气象科学研究所，南京，210009

4.北京城市气象研究院，北京，100089

1 引言

尽管数值天气预报的最新进展使人们能够以很高的分辨率预报、预测，但是对于频繁更新的临近预报应用要求，计算成本过高，因此临近预报应用上，基于雷达回波的外推方法明显胜过数值模式预报。方法主要有交叉相关法（陈明轩等，2007；黄旋旋等，2017）、光流法（曹春燕等，2015；Ayzel，et al，2019）、粒子滤波融合法（Chen，et al，2017）等，近年来对抗网络（陈元昭等，2019）、循环神经网络（韩丰等，2019；郭瀚阳等，2019）等人工智能技术也在临近外推预报上有所应用。光流法通过从连续时次雷达回波图像中计算光流场，用光流场代替雷达回波运动矢量场，并基于该运动矢量场对雷达回波进行外推。大量学者开展了光流法和交叉相关法的外推预报效果的定量对比评估。结果表明，对移动型局地生成及强度和形状随时间变化较快的雷暴及锋面低槽降水，光流法优于交叉相关法（吴剑坤等，2019）。总体而言，近20 年的时间里，光流算法一直都在全球最先进的临近预报业务系统中起着非常重要的作用（Ayzel，et al，2019）。

目前的外推预报方法主要基于雷达反射率单个因子，基本上没有考虑热动力环境对回波强度变化的影响，因此这些方法大多对预报回波的强度变化趋势预报能力欠佳（曹春燕等，2015）。这里需要指出：基于人工智能技术的外推为获得目标函数最优在一定程度会调整回波强度（会形成诸如降低中心强度，扩大回波范围等情况迎合目标函数），但这也并非是严格意义上的预测回波强度变化。因此单外推方法的研究（陈元昭等，2019；韩丰等，2019）往往指出，临近外推预报除了需要利用海量雷达数据给模型学习外，必须要结合高时空分辨率的动力、热力信息提高模型的预测能力，例如利用数值模式的预报信息。其实，很多中外短时临近研究（Wong，et al，2009；Atencia，et al，2010；Haiden，et al，2011；Liang，et al，2010；程丛兰等，2013，2019）均明确了临近外推预报和数值模式二者进行融合预报是目前提升预报能力的主要手段。但目前这些研究的融合方法主要是在一定预报时效后对外推和模式的结果进行权重融合，而从初始预报时效就开始融入了模式热动力信息从而对外推预报进行约束的研究相对较少。

鉴于上述方法存在的不足，本研究尝试使用智能外推方法来改进对流的强度变化预报。将人工智能技术与气象的物理模型相结合，能够从海量的气象数据中提取并解读有用的信息，发现回波强度的变化，实现更精准的短时临近外推预报。文中选取江苏地区多部雷达组网数据的长时序历史资料作为试验对象，在光流法外推基础上在初始预报时效即利用中尺度高分辨率模式的物理约束改进整个外推预报时效的质量。具体方法分为3 步：（1）融合模式风场修正光流风场；（2）利用针对强对流的模式释用产品和雷达历史资料构建训练集，使用投票回归器集成多种深度学习算法构建智能回波强度预测模型；（3）利用智能回波强度预测模型实时预测预报时效回波强度频率分布，并使用降水频率匹配订正技术（李俊等，2014；Zhu，et al，2015；苏翔等，2021）对外推预测的雷达回波强度进行订正。最后基于这种方法检验了两个强对流天气过程的预报个例，也给出长时间序列的检验评分结果。

2 资 料

2.1 雷达资料

文中使用的雷达资料来自江苏及其周边主要的SA 雷达，具体分布见图1，红色曲线范围内是雷达的覆盖区，其中蓝色框线是研究范围（29°—37°N，114°—122°E），研究区域基本都在雷达覆盖区内。在研究范围内，利用组网技术计算多部雷达的组网产品，利用组网产品中的组合反射率产品进行外推预报。本研究利用2018 年汛期雷达数据建模，研究时段为2019—2020 年主汛期（6—9 月）。

图1 选取的试验范围（蓝色方框为选取的试验区域（29°—37°N，114°—122°E）；红色圆点为雷达站点位置，数字为雷达站号，红色曲线范围为雷达站点探测覆盖范围）Fig.1 Distribution of radar stations（red points）and radar detection range（red line）（The blue rectangle denotes the selected area（29°—37°N，114°—122°E））

2.2 其他资料

被用于对外推结果进行物理约束试验的资料包括江苏本地精细化天气分析预报系统（Li，et al，2016）（简称为PWAFS）的预报及释用产品。PWAFS 由WRF 模式和WRFDA 资料同化系统构成，模式采用双层嵌套，水平分辨率分别为15 km和3 km，垂直分为45 层，每3 h 起报一次，每日运行8 次。文中主要使用：

（1）模式业务预报的500 hPa 至850 hPa 多层风场；（2）基于模式产品诊断的分类强对流概率预报产品，时间分辨率为1 h；（3）基于模式产品诊断的强对流潜势指数，时间分辨率为1 h。

3 研究方法

本研究基于光流法（Optical Flow method，OF）的雷达回波外推预报技术（Ayzel，et al，2019），该方法采用了金字塔分层技术（Liu，et al，2015）对不同尺度雷达回波进行追踪从而减小由于回波移速较快造成的反演误差，提高反演风场的计算精度和运算效率；采用半拉格朗日外推方案改进外推，保持回波的旋转性，提高回波预报效果。

3.1 光流风场填充

光流法通过对雷达回波图像追踪来获取风场，在无回波区域基于图像追踪无法获得风场。因此，会导致雷达回波无法走出原始回波区域，造成回波在原始风场边缘出现堆积扭曲的现象。文中参考INCA系统（Haiden，et al，2011）引入对应时效PWAFS 风场来补充光流法的风场。下面将介绍光流风场填充的步骤。

首先采用500、700 和850 hPa 三层模式风场的矢量平均，用调和余弦谱展开方法（Chen，et al，1992；邓涤菲等，2011）进行无辐散处理（文中光流法为了防止回波外推时结构发散对光流风场做了无辐散处理，所以对需要融合的模式风场也做同样处理）。具体做法为：在引入流函数（ψ）和速度势（χ）后，水平风矢量可以分解为无辐散风分量和无旋转风分量，相应的流函数（ψ）和速度势（χ）满足以下两个Possion方程（式（1）、（2）），其中 Ω是垂直涡度，D是水平散度，在满足有限区域给定的边界条件（式（3）、（4））下求解方程。

模式风场经无辐散处理后，存在光流风场的区域以光流风场为基准，而无光流风场区域以模式风场为基准，二者过渡区域通过对二者加权的方式生成。具体权重计算方式如下：首先建立初始权重矩阵w0，其中光流风场大于5 m/s 区域权重为1，其余为0。然后对该矩阵进行σ=1，半径为5 像素的高斯模糊。根据高斯分布公式（式（5））计算高斯掩膜，其中x为像素点坐标，u为中心经纬度坐标。

将建立好的11×11 大小的高斯掩膜G对初始权重矩阵进行卷积处理（式（6）），生成加权系数（w）的矩阵。最后每个格点将模式风场和光流风场进行加权融合（式（7）、（8））得到融合后的风场。

图2 是外推预报的原始光流风场、处理后的模式风场和动力约束后二者融合的风场示例。可以看出，此方法解决了无回波区域风场估计的问题。文中把填充了PWAFS 风场的光流外推方法称为动力 约 束 外 推（Dynamic Constraint Optical Flow method，DCOF）。

图2 动力约束风场融合效果（a.光流风场（大于 5 m/s 区域用紫色实线圈出），b.模式无辐散风场，c.融合风场）Fig.2 Comparison between radar the optical flow model produced wind field（a）（the purple line denotes the area where the wind speed is greater than 5 m/s），PWAFS harmonic wind field（b）and the combined wind field（c）

3.2 回波强度智能调整

3.2.1 物理约束因子

曾明剑等（2015a）基于PWAFS 模式预报的对流参数，采用相对偏差模糊矩阵评价技术构建了分类强对流天气预报概率。同时，曾明剑等（2015b）基于模式预测和实况信息利用接近度概念开发了强对流潜势预报指数，这些方法都已经用于实际预报取得较好的业务效果。不同于一般的强对流热动力指标和模式对流指标产品，这些产品不仅综合了热动力信息，还同时考虑到气候情况和PWAFS模式本身的偏差。研究发现若逐格点考察其和回波强度的关系，之间并不存在特别好的相关关系，但如果考虑研究区域整体情况，回波强度和不同模式强对流产品则呈现出明显的相关。图3 是研究区域2019 年7 月回波大于不同阈值（10、20、30 和40 dBz）的格点数时间序列以及和这些产品（多种分类强对流概率和强对流潜势预报指数）统计之后其中相关最优的一种产品的归一化时间序列，图中最优的产品分别是大于0.3、0.4 阈值的短时强降水概率格点数（图3a、b）和大于0.1 阈值的强对流潜势格点数（图3c、d）。可以看出不同量级的回波情况和这些强对流产品存在明显的相关，其中最优的相关系数分别达到0.40、0.41、0.54、0.61，且通过p=0.05 显著性t检验，都达到了中等相关和强相关的程度。这说明可以利用这些相关较强的模式强对流预报产品信息通过机器学习技术来预测外推预报时效内研究区域整体回波强度的分布情况，从而改善外推的回波强度预报。文中选择了相关最好的短时强降水概率、强对流潜势指数两种产品，统计两种产品大于不同阈值的格点比例作为预测模型的物理因子。

图3 回波强度和其最优相关的强对流产品归一化时间序列（a.回波强度大于10 dBz，b.回波强度大于20 dBz，c.回波强度大于30 dBz，d.回波强度大于40 dBz）Fig.3 Normalized time series of precipitation echo and the most relevant convective products（a.precipitation echo above 10 dBz，b.precipitation echo above 20 dBz，c.precipitation echo above 30 dBz，d.precipitation echo above 40 dBz）

3.2.2 构建训练集

训练集时间是2018 年主汛期（6—9 月），按照外推预报更新频率每6 min 取一次样本，在2018年6—9 月内去除缺失数据时次后样本共计20000 多次。首先针对短时强降水概率、强对流潜势指数两种产品，设定0.1—0.6 间隔0.1 为阈值（两种产品值较少出现大于0.6 情况），分别统计其在研究区域大于不同阈值的格点比例作为建模的物理因子产品（每次2 h 的预报时效内共有2 个时次模式物理因子产品对应（因为产品为1 h 预报间隔），以其构建预报因子。同时把每个起报时刻前1 h 研究区域内雷达回波在不同间隔内的格点比例也构建为预报因子。然后，利用预报时效的雷达回波在不同强度间隔内的格点比例作为预报量。文中对不同数据样本进行预处理之后按照回波强度区间并分预报时效分别构建训练集，详见表1。训练集模型利用3.2.1 节选出来的物理约束因子结合起报时刻雷达回波和较前雷达回波强度变化预测共同预报未来预报时段的回波在不同强度区间（[5 dBz，10 dBz）、[10 dBz，15 dBz）、[15 dBz，20 dBz）、[20 dBz，25 dBz）、[25 dBz，30 dBz）、[30 dBz，35 dBz）、[35 dBz，∞））格点比例。

表1 训练集构建方式Table 1 Construction of training set

3.2.3 回波强度智能预测模型

文中采用机器学习中的一种投票回归器算法（Voting Regressor）（Pedregosa，et al，2011）将概念上不同的机器学习回归器组合起来，以便平衡它们各自的弱点，并返回平均预测值。文中的投票回归器集成了SVR（Support Vector Regression）、随机森林（Breiman，2001）、Adaboost（Adaptive Boosting）、多元线性回归4 种回归算法。其中SVR 为支持向量回归，实际就是支持向量机在做分类问题上的推广；随机森林算法是一种分类树算法，通过组合多个分类器解决单一预测问题。Adaboost 是自适应增强算法，根据回归误差率等参数来更新每个样本的权重迭代计算形成强回归器。具体流程见图4。虽然训练过程耗时较长，但训练好的机器学习模型则可以直接部署在业务平台上进行实时的预测产品推送，做到时间尺度为秒级的预测。

图4 回波强度频率智能预测模型流程Fig.4 Flow chart of intelligent echo intensity frequency prediction model

基于训练好的模型实时预测每次外推预报0—2 h 不同预报时效的回波在不同强度间隔内的格点比例，即可得出回波强度频率分布曲线。之后使用频率匹配订正方法对外推预报回波进行调整，具体做法是基于原始频率曲线和预测频率曲线，把原始预报曲线中的回波值调整为在预测频率曲线中具有同样频率的点所对应的回波值（李俊等，2014），从而实现高分辨率中尺度模式物理信息对外推预报的回波强度调整，即物理约束外推方法（Physical Constraint Optical Flow method，PCOF）。

4 检验评估

4.1 个例检验

2019 年7 月6 日华东地区在东北冷涡背景下出现罕见大范围冰雹等强对流天气，图5a 给出了7 月6 日11 时（北京时，下同）的组合反射率因子实况，图5b、c、d 分别为原始光流外推、动力约束外推、物理约束外推09 时起报的120 min临近预报。

图5 2019 年7 月6 日09 时雷达外推预报120 min 效果对比（a.实况，b.光流外推，c.动力约束外推，d.物理约束外推）Fig.5 Comparison between observations and forecasts on 6 July 2019（a.observations of composite reflectivity at 11：00 BT，b.120 min forecast at 09：00 BT using OF，c.120 min forecast at 09：00 BT using DCOF，d.120 min forecast at 09：00 BT using PCOF）

对比原始光流（图5b）和动力约束外推方法（图5c）可以看出：原始光流外推法的120 min 预报在回波的边缘出现了明显的扭曲堆积（该现象在60 min 预报已经出现，120 min 更为明显，图略）与真实回波形态出现偏差；而加入动力约束外推以后，系统整体移动趋势更合理，特别是在系统边缘区域通过模式风场的调整，预报与实况更接近，这种改进随时效延长（如图所示在120 min）预报效果更明显。这次预报个例实况从起报时次开始有加强的趋势（图6），相较于其他两种方法，物理约束在20—30 dBz 和超过30 dBz 两个区间格点数明显和观测更为接近（原始光流法和动力约束方法并不改变回波强度，强回波格点数减少的原因是部分回波移出研究区域）。可以看出尽管动力约束外推可以有效提高雷达回波预测准确率，但是使用动力约束无法实现回波强度调整的目标，所以最终整体回波强度比实况弱。对比动力约束试验方法（图5c）和物理约束试验方法（图5d）可以看出：物理约束通过之前建立的回波强度频率预测模型，预测的回波强度整体要比动力约束方法强，所以通过对动力约束外推方法预报进行回波强度频率匹配订正，加强了整体回波强度，在120 min这个预报时效的强度和观测更为接近。

图6 2019 年7 月6 日09 时雷达外推预报和实况在研究范围内20—30 dBz（a）、超过30 dBz（b）的格点数时间序列Fig.6 Time series of number of grid points with radar echoes within 20—30 dBz（a）and above 30 dBz（b）from radar extrapolation forecast and observations in the study area at 09：00 BT 6 July 2019

图7a、b 给出了2019 年7 月6 日09 时起报的0—120 min 预报时效内几种外推方法的客观检验结果（不同阈值的CSI 评分），分析可知：根据20 dBz的回波强度CSI 表现，前期动力约束外推和原始光流外推相差不大，40 min 预报时效之后逐渐体现出改进效果，改进随着预报时效延长而增大，这对应着原始光流外推在回波边缘扭曲堆积现象的逐渐出现，而动力约束外推能明显改进这种不真实的现象；30 dBz 的回波强度CSI 表现说明动力约束外推一直优于原始光流外推，可以看出原始光流外推的扭曲堆积现象对强回波强度的CSI 影响更为明显，动力约束的改进也更为明显。本次预报个例中回波强度频率预测模型预测的回波强度频率分布整体高于动力约束外推结果，通过频率匹配订正，物理约束外推方法的回波强度整体有一定加强，更符合实况。对不同强度的CSI 评分，物理约束都明显优于原始光流和动力约束，尤其是在相对强回波（30 dBz）下物理约束外推的CSI 评分改进更为明显。物理约束相比于其他方法的订正效果随预报时效的延长而增大。联合BIAS 评分进行评判，整体上物理约束外推的BIAS 评分更接近于1，只是初始时效由于物理约束加强回波强度，一定程度增加了空报，但是在后面都明显较之另外两种方法更好的平衡了空报和漏报。

图7e 给出同一个例的0—120 min 预报时效的均方根误差（RMSE）结果，同样可以看出本次预报个例中物理约束外推和动力约束外推也明显优于原始光流法，其中物理约束外推由于增加了整体回波强度，均方根误差比动力约束外推略有增大，但基本上不存在大的差异。图7f 给出同一个例的0—120 min 预报时效的相关系数检验结果（通过p=0.05 显著性t检验），呈现物理约束外推优于动力约束外推，动力约束外推优于原始光流外推的情况。

图7 2019 年7 月6 日09 时3 种外推预报方案（光流外推：黑线，动力约束外推：蓝线，物理约束外推：红线）20 dBz 的CSI评分（a）和BIAS 评分（b），30 dBz 的CSI 评分（c）和BIAS 评分（d），以及均方根误差（e）和相关系数（f）Fig.7 Experimental results in terms of CSI（a.20 dBz，c.30 dBz），BIAS（b.20 dBz，d.30 dBz），RMSE（e）and CC（f）by OF（black line），DCOF（blue line）and PCOF（red line）at 09：00 BT 6 July 2019

2020 年5 月17—18 日受高空冷涡东移南下的影响，沿淮和淮北地区出现雷雨大风等强对流天气，局部地区出现冰雹。强对流天气主要出现在17 日21 时—18 日03 时。图8a 给 出 了5 月18 日03 时的组合反射率因子实况，图8b、c、d 分别为原始光流法、动力约束外推、物理约束外推02 时起报的60 min 临近预报。

对比原始光流外推（图8b）和动力约束外推方法（图8c）可以看出：原始光流外推方法的60 min预报在回波的边缘（主要位置在山东省黄海海上区域）已经出现了明显的扭曲堆积，而加入动力约束外推以后，系统整体移动趋势明显更为合理，与实况更接近。但也可以看出约束外推无法实现实况中回波强度逐渐减弱的情况，在60 min 预报中回波强度整体比实况要强。对比动力约束试验方法（图8c）和物理约束试验方法（图8d）可以看出：本次个例选取的时段是强对流时段的相对后期，整体回波强度有减弱趋势（图9）。其中物理约束较之其他两种方法更为接近观测，通过对回波强度的频率匹配订正，使得回波强度有所减弱，可以看出在这个预报时效内的回波强度和观测更加接近。

图8 2020 年5 月18 日02 时雷达外推预报60 min 效果对比（a.实况，b.光流外推，c.动力约束外推，d.物理约束外推）Fig.8 Comparison between observations and forecasts on 18 May 2020（a.observations of composite reflectivity at 03：00 BT，b.60 min forecast at 02：00 BT using OF，c.60 min forecast at 02：00 BT using DCOF，d.60 min forecast at 02：00 BT using PCOF）

图9 2020 年5 月18 日02 时雷达外推预报和实况在研究范围内20—30 dBz（a）、超过30 dBz（b）的格点数时间序列Fig.9 Time series of number of grid points with radar echoes within 20—30 dBz（a）and above 30 dBz（b）from radar extrapolation forecast and observations in the study area at 02：00 BT 18 May 2020

图10a、b 给出了2020 年5 月18 日02 时起报的0—120 min 预报时效内几种外推方法的客观检验结果（不同阈值的CSI 评分），分析可知：20 dBz的回波强度CSI 显示，前期动力约束外推和热力约束外推对比原始光流法相差不大，但在20 min 预报时效之后有所改进，且改进随着预报时效延长而增大，这对应着光流外推风场缺失的问题，而物理约束外推对回波强度的调整相对动力约束又有进一步改善；30 dBz 的回波强度CSI 表现说明动力约束和物理约束外推都优于原始光流外推，而物理约束外推相对更好一些，可以看出在强回波强度的CSI表现上动力约束和物理约束外推改进影响更为明显。结合BIAS 评分进行联合评判，此个例整体上物理约束外推的BIAS 评分更接近于1。初始时效由于物理约束加强回波强度，一定程度增加了漏报，但在中期大部分时效都更好地平衡了空报和漏报，只是在较长的几个预报时效这种优势有所下降。

图10e 给出同一个例的0—120 min 预报时效的均方根误差，同样可以看出物理约束外推和动力约束外推也明显优于原始光流外推，在此个例中，由于整体回波强度调整减弱，物理约束外推在均方根误差的优势上比CSI 略微明显。图10f 给出同一个例的0—120 min 预报时效的相关系数检验结果（通过p=0.05 显著性t检验），呈现物理约束外推略优于动力约束外推优于原始光流外推的情况。

图10 2020 年5 月18 日02 时3 种外推预报方案（光流外推：黑线，动力约束外推：蓝线，物理约束外推：红线）20 dBz 的CSI评分（a）和BIAS 评分（b），30 dBz 的CSI 评分（c）和BIAS 评分（d），以及圴方根误差（e）和相关系数（f）Fig.10 Experimental results in terms of CSI（a.20 dBz，c.30 dBz），BIAS（b.20 dBz，d.30 dBz），RMSE（e）and CC（f）by OF（black line），DCOF（blue line）and PCOF（red line）at 02：00 BT 18 May 2020

4.2 统计检验

为了系统地检验几种方法的效果，图11 给出了2019、2020 年主汛期（6—9 月）整体的预报检验结果,包括20、30 dBz 的CSI 评分和BIAS 评分、均方根误差、相关系数（通过p=0.05 显著性t检验）。

CSI 的结果显示，整体上，物理约束外推优于动力约束外推，动力约束外推优于原始光流外推。订正效果随预报时效有变化，在24 min 前，动力约束外推和原始光流外推差不多，物理约束外推调整过强度之后还略差一些。24 min 之后，物理约束外推明显优于动力约束外推和原始光流外推，改进效果随着预报时效延长而增大。分析表明：在初始预报时效，原始光流法外推的堆积扭曲现象并不明显，所以相应的动力约束外推对其并没有明显的改进，当预报时效增长，动力约束外推能更好改进原始光流外推存在的问题；同样，预报初期，在短时间内回

波强度变化较小，基于原始光流外推不对回波强度调整也可以反映真实的降水实况，而基于模式物理因子预测出的回波频率也可能存在误差，所以在前几个预报时次，物理约束外推改进并不明显。但随着预报时效的延长，光流法外推不调整回波的强度则会和实况有很大的偏差，所以物理约束外推的改进效果随着预报时效越来越明显，尤其是在更强一些的回波量级CSI 改进更为明显。同时结合BIAS评分进行联合评判，整体上3 种外推方法都是漏报大于空报，其中物理约束外推的BIAS 评分相对更接近于1。

从均方根误差的角度，物理约束外推和动力约束外推都优于原始光流外推，但同时也注意到物理约束外推的均方根误差要略高于动力约束外推。这表明：总体而言，基于中尺度模式信息对回波频率进行订正时，明显改善了CSI 评分的同时均方根误差也略有增大，这种情况在降水频率匹配订正时也偶有出现，这是因为频率匹配订正的目标并不是均方根误差而是分间隔的频率分布。在相关系数检验中呈现物理约束外推优于动力约束外推，动力约束外推优于原始光流外推。

5 结论和讨论

详细介绍了基于中尺度模式物理约束的智能外推预报方法，通过个例分析和统计检验对比了原始光流外推、动力约束外推、物理约束外推3 种方案的0—120 min 预报性能，得到以下主要结论。

（1）利用基于中尺度模式物理约束的智能外推预报方法对2019、2020 年的两个强对流个例进行检验。结果表明：动力约束外推通过改善光流法回波在边缘的堆积扭曲改进了预报性能，物理约束外推通过基于模式信息预测的回波频率分布调整回波强度实现回波的增强或减弱从而改善预报性能，随着预报时效延长改善越来越明显。

（2）2019、2020 年主汛期整体的预报检验结果表明：在初始预报时效，动力约束对原始光流外推结果并没有明显的改进，当预报时效延长，动力约束能更好改进原始光流外推结果；同样，在预报初期，物理约束外推甚至还不如其他方法，但随着预报时效的延长，改进越来越明显，联合BIAS 综合评判，物理约束外推整体上是最优的方案。

虽然动力约束外推和物理约束外推方法通过修正光流风场，回波强度调整改进了光流法降水回波预报能力，但是同时也应注意到只能以预报中有回波区的回波增强或减弱从而在一定程度上反映降水系统生消的变化，对于新生回波的预报欠佳。以后研究将进一步利用诸如卫星等多源观测资料改善该方法中初生对流的预报问题。