【作者】 杨春蕾； 袁慧玲； 张峰；

【Author】 Yang C.;

【机构】 复旦大学未来信息创新学院； 中尺度灾害性天气教育部重点实验室,南京大学大气科学学院； 极地海-冰-气系统与天气气候教育部重点实验室/上海市海陆气界面过程与气候变化重点实验室,复旦大学大气与海洋科学系及大气科学研究院；

【摘要】 1研究背景中国华南地区位于亚热带区域,对流初生(Convective Initiation, CI)监测受复杂物理过程及样本不平衡影响,存在高空报率(FAR)问题1。传统物理阈值法(如SATCAST算法2)依赖人工设定判别条件,而纯数据驱动的机器学习模型虽能融合多源数据,却因局地强对流样本稀缺导致FAR偏高。本研究提出物理增强风暴预警系统(SWASP),结合随机森林(RF)算法与云物理先验知识,利用Himawari-8静止卫星数据提升CI预报精度。2数据与方法本文用到的数据分为卫星数据、雷达数据以及辅助数据三种。其中卫星数据是选取的2019年4–9月Himawari-8/AHI的16通道观测(时空分辨率:10分钟/0.5–2 km);雷达数据是中国气象局组合反射率图像(6分钟时间分辨率),CI事件定义为雷达回波≥35 dBZ;辅助数据是SRTM数字高程模型、纬度、卫星天顶角。本文最终构建了样本集包括追踪识别7,397个对流系统与12,326个非对流系统,经样本平衡技术调整正负样本比为1:1。本文提出了一个风暴预警物理增强系统(StormWarningSystemWithPhysicsAugmentation, SWASP),其核心是将物理机制与机器学习相结合,以提升预报准确率。该模型基于随机森林算法,创新性地融合了Himawari-8卫星的多光谱通道数据、云物理参数(如云顶高度变化、云顶冷却率)、地形高程、纬度及卫星天顶角等多源信息。通过重新标定本地化物理阈值(如云顶温度阈值从0°C降至-30°C)并引入样本平衡技术,模型有效解决了传统方法在亚热带地区面临的高误报率(FAR)和样本不平衡问题。3结果分析本文针对白天(含可见光/近红外通道)和夜间(仅红外通道)分别进行了模型构建和评估。与传统方法相比,SWASP模型在白天和夜间的预报命中率分别提升了0.11和0.08,误报率则降低了0.38和0.44。同时,通过重要性分析表明,云顶高度变化(Tb13.3-Tb10.4)和相对对流层顶的云顶高度(Tb6.2-Tb10.4)是最关键的云物理因子,卫星天顶角也是重要辅助变量。此外,在典型对流风暴个例中,SWASP模型可提前雷达探测约30分钟至1小时识别局地对流风暴系统。4结论与讨论SWASP通过融合云物理阈值、地形辐射辅助信息与随机森林算法,有效解决样本不平衡问题,显著提升华南CI预报精度(POD提升10%、FAR降低40%)。该系统依托静止卫星优势,可实现30–60分钟提前预警,弥补海上雷达监测空白。未来将探索卷积LSTM等模型进一步降低FAR,并融合雷达等多源数据优化预报能力。更多还原