[0001] 本发明涉及降水相态判识技术领域。具体地说是一种基于诊断分析和地面天气现象仪观测数据的降水相态融合分析算法。

[0002] 降水相态一直是气象服务中关注度较高、需求较为迫切的气象要素产品，对道路交通、农业、建设和人民生活生产都有较大影响，严重时还会形成雨雪冰冻灾害给人民生命财产造成严重损失。在陆面水文模拟预报方面，相同的降水强度不同的降水相态差异对地表水量存储和渗透有着完全不同的影响过程。因此相态判识对气象预报、雨雪冰冻灾害的防灾减灾、道路交通公众服务、农业生产以及陆面积雪、生态、环境等模拟研究都非常重要。

[0003] 国外关于雨雪相态的判断，除了传统的气温阈值外，不同高度层的位势厚度也常用来表征大气的冷暖情况，如Lowndes et al.(1974)用850～1000hPa之间的位势厚度(H850‑1000)区别降雨和降雪天气，当H850‑1000<＝1280gpm，判定雨雪相态为雪。此外，700～1000hPa之间的位势厚度(H700‑1000)也用来区分雨、雪、冻雨及冰粒，并将其应用于数值模式的后处理中，用于计算不同雨雪相态的诊断量。奥地利国家气象局研发的INCA(Integrated Nowcasting through Comprehensive Analysis)系统是区域高分辨率短临分析预报中应用较为广泛的系统(Haiden et al.2010)，其中就提供了降水类型分析，其特色是引入了局地地形的作用，根据数值模式提供的三维温、湿等要素场计算零度层高度、雪线高度和零度层厚度，并综合分析点的地形高度和地面的气温、湿球温度和地表温度来判识降水类型。

[0004] 另外，基于模式输出诊断获得降水相态信息也是一种较为有效的方法。国际主流的应用于天气预报模式的降水相态诊断方法主要有两类，一类是基于观测或预报探空廓线信息的决策树方法来判识(Ramer 1993，Baldwin etal.1994)，另一类是基于训练数据统计反演方程来进行预报(Wagner 1957，Bocchieri 1979，Bourgouin 2000)。例如美国NOAA业务的数值预报模式RAP(Rapid Refresh)和HRRR(High Resolution Rapid Refresh)均采用了NCEP的统一后处理(Unified Post Processor，UPP)软件包，UPP所应用的Ramer(1993)方法就是属于第一类方法，先在降水发生层基于温度判断是否为冰相，然后应用基于湿球温度廓线的决策树从降水发生层至地面逐层去调整降水的相态,最终诊断得到地面的降水相态。Baldwin等(1994)的算法也考虑了降水发生的饱和层以下的湿球温度廓线，通过计算湿球温度偏离0℃垂直方向的累积效应来判识地表降水的相态。第二类方法最初是通过建立地面站点观测到的降水类型与1000‑500hPa大气层厚度的经验统计反演方程，来判别冰冻降水50％的出现概率(Bocchieri 1979,1980)。这种模式输出统计(model output statistics，MOS)降水相态判识方法经过多次改进升级之后被应用于全球预报系统(Global Forecast System，GFS)和北美中尺度预报系统(North American Mesoscale Forecast，NAM)等模式输出处理中。有的也采用了1000‑700hPa、1000‑850hPa和850‑700hPa等不同高度气层厚度值与地面观测降水相态所建立的统计回归关系(Keeter和Cline 1991)。Bourgouin(2000)则进一步将探空温度廓线特征统计分成了四类情况(冻雨或冰粒、冰粒或雨、雪或雨、雪)，以0℃等温线和探空温度廓线所构成的热力图中的正负区域面积作为探空信息的训练数据，分类独立建立统计关系来判识降水的相态，该方法更加适合天气尺度抬升造成的大范围天气形势的判断。Manikin(2005)融合了Baldwin等、Ramer、Bourgouin等算法形成一个降水类型判识，该方法已在美国NCEP的各种模式中应用。本方案主要采用的是WRF OUTPUT软件包中提供的降水相态判识技术(Greighton etal.2014)，属于第一类算法，在业务上有成熟的应用，也是易于实现的一种方法。

[0005] 中国气象局针对预报和服务应用研制出了多种降水相态的预报产品，在业务中有较成熟的应用。如公共服务中心采用多源数据融合机器学习方法，融合了大气温度廓线、气压廓线、地面温度、露点温度、相对湿度等多源数据，利用机器学习自主提取特征并对降水相态判识进行训练，研制出全国范围0‑24小时的10km/1h雨雪相态格点预报产品，识别准确率85％以上(张国平等，2017)，在全国公路交通的雨雪天气预报服务中得到初步应用，目前正在研制1km/1h分辨率的雨、雨夹雪、雪相态产品。国家气象中心应用人工神经网络方法(董全等，2013)，基于ECMWFE数值模式输出产品，研制了“中央气象台降水相态客观预报产品”，提供包括0‑240小时内逐3小时、6小时累计和24小时累计的全国5km降水相态格点预报，相态类型包含雨、雨夹雪、雪和冻雨，产品于2021年9月向全国下发提供应用。此外，北京城市气象研究院基于INCA模型研制了京津冀范围24小时预报时效的500m/10min逐小时预报产品，主要依赖湿球温度、融化层厚度、地面温度、模式输出的雨雪混合比等进行雨、雪、雨夹雪、冻雨等四类降水相态的判识(Yang et al.,2020)，产品对于雨、雪相态的预报能力相对较高，对于雨夹雪和冻雨的预报能力相对较低。

[0006] 但是以往的相态判识技术研究应用多集中在预报服务中，仅仅依靠三维大气环境场和近地层及地面温湿条件的物理诊断分析得到的相态分析准确性较低，缺乏对地面观测信息的有效利用。国家气象信息中心在2021年10月基于WRF OUTPUT软件包相态诊断算法，利用三维大气实况和地面降水、气温网格实况数据，完成了相态降水实况分析产品V1.0版本的研制，能够识别雨、冻雨、雪、冰四种相态，于2022年9月实现了中国气象局业务准入。在应用过程中用户集中反馈了一些问题，如缺乏对雨夹雪的判识，对雨雪分界线描述明显偏南等，严重影响了南方地区雨雪相态判识的准确性。

[0078] 研究资料：

[0079] 本申请应用到的数据包括三维大气网格实况数据、地面气象网格实况数据和地面气象站观测数据。

[0080] 降水相态分析中应用的三维大气状态要素数据产品包括国家气象信息中心研制的中国区域大气实况分析产品(V1.0)，其时间分辨率1小时、水平空间分辨率5km、垂直分辨率46层。

[0081] 地面气象网格实况分析产品包括中国区域多源融合实况分析(ART_1km)1km、逐小时的降水和2m气温、相对湿度、气压等要素。

[0082] 地面观测数据包括2400多个国家级气象自动站逐小时观测的2m气温、相对湿度、气压和现在天气现象等要素。

[0083] 一、基于天气条件诊断和地面天气现象仪观测数据的降水相态融合分析，具体包括如下步骤。

[0084] 步骤P1：三维大气网格实况数据的收集和预处理

[0085] 步骤P101：收集三维大气网格实况数据的标准等压面层的气温、相对湿度和位势高度等要素。

[0086] 步骤P102：将水平空间分辨率低于1KM的网格实况数据通过双线性插值至1KM分析网格。

[0087] 步骤P2：通过地面观测数据提取降水类天气现象信息。

[0088] 步骤P201：收集地面2400多个国家级气象自动站逐小时观测的现在天气现象数据；

[0089] 步骤P202：利用观测站的降水类天气现象信息对降水的相态进行判识。将天气现象标识码中与降水类天气现象相关的数据提取出来，按照现象描述(如表1所示)分类转换为降水相态的类型，这其中暂不考虑与雾等天气现象相关可能造成的微量降水。根据天气现象标识码对国家站天气现象数据进行降水相态分类。

[0090] 表1国家级气象站天气现象降水相态分类

[0091]

[0092] 步骤P3：通过地面观测数据计算地面站点的湿球温度；

[0093] 步骤P301：收集获取地面2400多个国家级气象自动站观测的逐小时2m气温、相对湿度、气压等要素数据；

[0094] 步骤P302：根据地面的2m气温、相对湿度、气压等要素按照如下公式计算地面站点的地面湿球温度Tws(D i ng et a l.2014)；

[0095]

[0096] 步骤P4、通过三维和地面气象网格实况数据为降水相态判识的诊断分析方法来提供背景场信息；

[0097] 在网格分析点上进行降水相态的诊断分析，选取可实现雨、冻雨、雨夹雪和雪四种降水相态判识的诊断分析方法来提供背景场信息，这里选取INCA的降水相态判识算法；

[0098] 步骤P401：根据三维大气网格实况数据的温度和相对湿度要素采用二分法迭代计算每个等压面层的湿球温度Twp；

[0099] 步骤P402：根据每个等压面层的湿球温度Twp的阈值计算零度层高度、雪线高度Zs和融化层厚度dZmelt，具体算法如下：

[0100] 当等压面层的湿球温度Twp＝0℃时，该等压面层的高度即为零度层高度；

[0101] 当等压面层的湿球温度Twp＝1.5℃时，该等压面层的高度即为雪线高度Zs；

[0102] 当等压面层的湿球温度Twp＝2.0℃时，0‑2.0℃之间等压面层厚度的半宽即为融化层厚度dZmelt；

[0103] 其中，等压面层的高度由等压面层的位势高度乘以重力加速度所得；

[0104] 步骤P403：根据地面网格气象实况数据的地面2m气温、相对湿度、气压要素计算每个分析网格上地面的湿球温度，即为地面网格湿球温度Twg，计算公式参照式(1)和式(2)；

[0105] 步骤P404：结合网格地形高度Z、雪线高度Zs和融化层厚度dZmelt的关系判别降水的相态，识别雨、冻雨、雨夹雪、雪四种降水相态。

[0106] 利用基于三维大气网格实况数据计算的雪线高度Zs、融化层厚度dZmelt，结合地面网格湿球温度Twg和地形高度Z，对该网格的相态进行初步判断，形成相态判识的背景场，[0107] 具体算法如下，当网格降水量大于0时：

[0108] 当地面网格湿球温度Twg≥2℃时，判别为雨；

[0109] 当地面网格湿球温度Twg＜2℃时：若Zs‑Z＜‑1.5dZmelt，判别为雪；若‑1.5dZmelt＜Zs‑Z＜0.5dZmelt，判别为雨夹雪；若Zs‑Z＞0.5dZmelt，判别为雨；

[0110] 当已判别为雨时：若网格气温Tag＜0℃，判别为冻雨。

[0111] 步骤P5：利用地面观测对降水相态分析背景场进行订正融合；

[0112] 步骤P501：选取待分析目标网格一定范围内(100KM范围内)最邻近的3个有效观地面国家级气象自动观测站，根据观测信息判断周边降水相态情况；

[0113] 步骤P502：分别针对地面国家级气象自动观测站的纯雨区、雪和雨夹雪混合区、雨和雨夹雪混合区、雨雪混合区且无雨夹雪、雨雪混合区且有雨夹雪和除以上其他情况，按照雨、雨夹雪、雪相态下的湿球温度Tw高低的一般逻辑关系进行对比判断，对不符合该逻辑关系的背景场进行订正。

[0114] 一般逻辑关系为雨相湿球温度Tw_rain>雨夹雪相湿球温度Tw_sleet>雪相湿球温度Tw_snow；该湿球温度Tw为地面网格湿球温度Twg和地面站点湿球温度Tws的总称。

[0115] 当网格降水量大于0时，即有降水发生，具体订正情况如下：

[0116] P502‑1：若是纯雨区，即3个观测站都是雨相态，若地面网格湿球温度Twg＞观测的最低Tws_rain，则将步骤P404所得背景场为雪或雨夹雪的相态订正为雨；Tws_rain为地面站点雨相的湿球温度；

[0117] P502‑2：若是雪和雨夹雪混合区，即3个观测站里只有雪和雨夹雪两种相态，若观测的最低Tws_sleet＞观测的最高Tws_snow，则地面网格湿球温度Twg≤Tws_snow时，背景场为雨夹雪或冻雨或雨的相态订正为雪，地面网格湿球温度Twg≥Tws_sleet时，背景场为雪的相态订正为雨夹雪，地面网格湿球温度Twg≤Tws_sleet时，背景场为冻雨或雨的相态订正为雨夹雪；

[0118] P502‑3：若是雨和雨夹雪混合区，即3个观测站里只有雨和雨夹雪两种相态，若观测的最高Tws_sleet＜观测的最低Tws_rain，则网格Twg≤Tws_sleet时，背景场为雨的相态订正为雨夹雪，地面网格湿球温度Twg≥观测的最低Tws_sleet时，背景场为雪的相态订正为雨夹雪，地面网格湿球温度Twg≥观测的最低Tws_rain时，背景场为雪或雨夹雪的相态订正为雨；

[0119] P502‑4：若是雨雪混合区且无雨夹雪的情况，即3个观测站里只有雨和雪两种相态，若观测的最低Tws_rain＞观测的最高Tws_snow，则地面网格湿球温度Twg≤Tws_snow时，将背景场的相态订正为雪，地面网格湿球温度Twg≥Tws_rain时，将背景场的相态订正为雨；

[0120] P502‑5：若是雨雪混合区且有雨夹雪的情况，即3个观测里站出现雨、雪、雨夹雪三种相态，若观测的Tws_rain＞观测的Tws_sleet＞观测的Tws_snow，则地面网格湿球温度Twg≤Tws_snow时背景场的相态订正为雪，地面网格湿球温度Twg≥Tws_rain时，背景场的相态订正为雨，观测的Tws_sleet≤地面网格湿球温度Twg＜Tws_rain时背景场为雪的相态订正为雨夹雪，观测的Tws_sleet≥地面网格湿球温度Twg＞观测的Tws_snow时背景场为雨的相态订正为雨夹雪；

[0121] P502‑6：若不满足3个有效观地面国家级气象自动观测站或除上述其它情况，则利用最邻近站点的观测信息，按Tw_rain＞Tw_frain＞Tw_sleet＞Tw_snow的逻辑关系订正，将地面网格湿球温度Twg和背景场相态信息与观测的地面站点的地面湿球温度Tws和相态信息进行对比，以观测的相态为基准，对不符合上述关系的背景场相态进行订正。

[0122] 具体如下：

[0123] 当最邻近观测相态为雨相时，若地面网格湿球温度Twg≥观测的Tws_rain，背景场的相态订正为雨；

[0124] 当最邻近观测相态为冻雨相时，若地面网格湿球温度Twg≤观测的Tws_frain，背景场为雨的相态订正为冻雨；

[0125] 当最邻近观测相态为雨夹雪相时，若地面网格湿球温度Twg≤观测的Tws_sleet，背景场为冻雨或雨的相态订正为雨夹雪，若地面网格湿球温度Twg≥观测的Tws_sleet，背景场为雪的相态订正为雨夹雪；

[0126] 当最邻近观测相态为雪相时，若地面网格湿球温度Twg≤观测的Tws_snow，背景场为雨夹雪或冻雨或雨的相态订正为雪；

[0127] Tws_rain为观测站点上观测到雨相态时根据该温湿条件计算出来的湿球温度，Tws_frain为观测站点上观测到冻雨相态时根据该温湿条件计算出来的湿球温度，Tws_sleet为观测站点上观测到雨夹雪相态时根据该温湿条件计算出来的湿球温度，Tws_snow为观测站点上观测到雪相态时根据该温湿条件计算出来的湿球温度。

[0128] 二、结果与分析

[0129] 图1a给出了2022年1月25日22:00时(UTC)基于2400多个国家级地面气象站天气现象仪观测数据中提取的降水相态的空间分布。图1b、图1c和图1d分别给出相应时次基于网格大气和地面气象条件诊断分析的降水相态空间分布、利用本申请算法引入天气现象仪观测数据融合订正后的降水相态空间分布，以及中国气象局降水相态实况分析业务产品。订正融合之后(图1b和图1c)，出现了局部的相态变化，如位于陕南局部的雨夹雪范围略有减小，河南西部的雪区部分修正成雨区，鄂西山区局部的雨夹雪减少，变成纯雪区，贵东北局部地区雨夹雪修正成雨等等，总体上融合产品的雨夹雪、雨、雪分布细节和观测更加接近(图1a)，明显优于中国气象局业务产品(图1d)。空间检查结果说明该算法能够引入观测信息对背景场局部地区起到修正作用。

[0130] 为了验证长期降水相态分析方法和降水相态产品结果的正确性和稳定性，分别利用地面站点观测相态信息和1km融合相态分析数据、中国气象局相态实况业务产品，基于各自逐小时的雨、雪相态判识对地面站点观测和ART_1km逐小时降水量进行分类累加，得到6个月的累积降雨总量和降雪总量空间分布(图2a‑图2c和图3a‑图3c)。2021‑2022年的冬半年中国区域的降雪主要集中在我国的东北、内蒙东部、新疆北部和西北东部地区，同时我国南方地区的华南中部至华东西部也有较强的降雪中心(图2a)。实况产品分析的降雪总量在北方地区与站点观测的分布非常相似，但中国气象局业务产品在南方地区降雪总量较观测明显偏多(图2c)，而融合分析产品对南方地区降雪的描述(图2b)，不论是空间形态还是量值上都要明显优于业务产品，与观测非常一致。至于冬季北方地区的降雨总量，业务实况产品(图3c)和本申请算法的分析结果(图3b)与站点观测(图3a)的空间分布和量值都非常接近。因此，从长期累积效应上看实况分析产品降水相态的分析结果是基本合理可信的。

[0131] 图4a给出基于600个国家级基本气象站独立检验的融合订正前(“_bg”)后(“_New”)降水相态分析的雨(Ra i n)、雨夹雪(S l eet)、雪(Snow)相态总体的误差统计指标，融合分析的雨(Ra i n_New)和雪(Snow_New)相态的总体判识效果较好，命中率(POD)都超过了0.9,雨相态判识的TS和ACC评分分别为0.939和0.959,雪相态判识的TS和ACC评分分别为0.858和0.952，略低于雨相态。融合分析的雨夹雪(S l eet_New)混合相态的准确率相对较低，命中率仅有0.249，虚警率0.714较高，TS评分仅有0.154，但ACC评分有0.947。一方面雨雪混合相态本身判识难度较大，背景场的准确性较低，而站点观测到的雨夹雪发生均表现得较为局地，采用邻近站观测信息对背景场的订正作用十分有限，因此准确性提升不明显。整体上融合分析产品都要优于诊断分析的背景场，说明融合分析算法起到了较好的订正作用。

[0132] 与气象局业务产品(V1.0)相比(图4b)，融合分析对雪相态(Snow_New)的命中率虽然有所降低，但依然超过了0.9，同时虚警率(FAR)有明显改善，从0.161大幅减小至0.057，因而综合的TS评分有较明显的提升，从0.83提高至0.858，雪相态的ACC评分也从0.935明显提高至0.952。融合分析对雨相态(Ra i n_New)的判识准确率提升幅度则相对较小，如TS评分从0.935微增至0.939，ACC评分从0.957微增至0.959。总体上融合分析产品的雨、雪相态的TS和ACC评分指标都较业务产品有一定程度地改进。

[0133] 图5和图6给出基于600多个国家级基本气象站独立检验站上融合分析(New)和业务产品(V1.0)的雪相态‑TS评分空间分布，以及对比图(图7)。业务产品的雪相态判识在中国北方大部分地区站点的TS评分都在0.8以上，黄淮以南TS评分逐渐降低至0.5‑0.7，在长江流域中下游及以南地区多数不足0.4。融合分析产品在北方地区的表现与业务产品比较接近，但是在南方地区TS分值有明显提升，特别是分值在0.4以下的站点大幅减少，从雪相态TS评分区间的站数百分比也能看出评分0.6以上的站点数较明显的增加，站数占比从71％提升至81％。

[0134] 图8a‑图8c给出2024年2月3日03:00时(UTC)中国南方局部地区包含混合相态判识的示例展示。地面观测雨雪分界线主要位于湖南的中部、湖北的东部和安徽南部(图8a)，业务产品(V1.0)的雪区则基本覆盖了整个湖南、湖北和安徽省的全部区域(图8c)，融合分析的雨雪分界线则与观测的非常吻合(图8b)。且观测在湖南省内出现了雨、冻雨、雨夹雪和雪四种混合相态，融合分析的情况与观测也非常一致，充分体现了融合订正的分析效果。

[0135] 三、结果与讨论

[0136] 本申请通过将有效利用地面气象站观测的降水类天气现象信息应用于网格化从降水相态实况的分析。首先，从长期累积效应上看，基于融合分析的降水相态计算的6个月累积降雪量及空间分布与观测的非常一致，在南方地区明显优于业务产品。其次，通过保留600多个国家基本气象站天气现象数据进行独立站的统计检验，降水相态融合实况分析产品对雨、雪相态判识的TS评分分别为0.939和0.858，ACC准确率分别为0.959和0.952，产品质量整体上优于气象局相态实况业务产品雨雪TS评分(0.935和0.83)和ACC评分(0.957和
0.935)指标，全国TS评分达0.6以上的站数比从71％提升至81％，特别是在长江流域及以南地区提升明显。最后，从个例空间分布上看，较于现有业务产品，融合分析还能提供合理的且与观测更为一致的雨、冻雨、雨夹雪和雪相态的分布，在南方省份对雨雪分界线的刻画也更加精准。

[0137] 本申请的创新之处在于，可以充分利用地面的气温、气压、湿度等气象要素的高分辨率网格、站点实况数据，对基于气象条件诊断分析的雨、雪、雨夹雪、冻雨等四类降水相态判识的背景场，引入地面站点天气现象仪观测的降水相态信息进行订正融合，从而有效提升网格诊断分析雨、雪相态判识的准确性，以及对雨夹雪、冻雨等相态的空间分析能力，该算法可应用于高分辨率网格相态实况产品的研制，也可以应用于任意位置降水相态分析的订正。

[0138] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。