EN中文

Arid Zone Research >

2025 , Vol. 42 >Issue 3: 409 - 419

DOI: https://doi.org/10.13866/j.azr.2025.03.02

Weather and Climate

Model for predicting potential for aircraft cold cloud precipitation enhancement in Da Xing’ anling Mountains in Inner Mongolia

  • YI Nana , 1 ,
  • Bilige , 1 ,
  • SHI Jinli 1 ,
  • CAI Min 1 ,
  • XU Zhili 1 ,
  • ZHENG Fengjie 1 ,
  • Lina 2
Expand
  • 1. Weather Modification Center of Inner Mongolia, Hohhot 010051, Inner Mongolia, China
  • 2. Inner Mongolia Normal University, Hohhot 010051, Inner Mongolia, China

Received date: 2024-09-04

  Revised date: 2024-11-07

  Online published: 2025-08-13

Fold

Abstract

Da Xing’anling Mountains was of immeasurable significance in maintaining regional ecological balance and ecological security. However, it was also one of the key fire risk areas. The prediction model of aircraft cold cloud precipitation enhancement potential was established to provide important technical support for the precise operation of artificial rain enhancement for fire prevention and extinguishing in the Daxing’an Mountains. Based on the number concentrations of small and large cloud particles observed by aircraft from 2017 to 2020 and 2023, the potential for enhancing precipitation was divided into three categories: strongly seedable, seedable, and not seedable. Based on the ERA5 reanalysis data, the environmental parameters of the three types of precipitation enhancement potential samples were discussed, and the results showed that the relative humidity values of 750 hPa were 79.1% and 95.6%, that is, the relative humidity of the not seedable sample was less than 79.1%, and the relative humidity of the strongly seedable sample was greater than 95.6%, and the relative humidity value of the seedable sample was between the two. The dew point temperature differences at 700 hPa were 0.3 ℃ and 2.4 ℃, the vertical velocities at 650 hPa were 0.7 and -0.06 Pa·s-1, the liquid water contents at 650 and 700 hPa were 0.01 and 0.08 g·kg-1, the rainwater mixing ratios at 850 hPa were 0.01 and 0.07 g·kg-1, and the vertical cumulative supercooled water was 0.5 and 2.2 mm. Considering the accuracy with which the three samples could be distinguished using the environmental parameter thresholds and the collinearity relationships between the parameters, four environmental parameters were finally selected, and two model for predicting the potential to enhance precipitation were established using the Fisher and Bayes methods. The average recognition rate of the two models was 88.6% for the training set and 98.6% for the test set, providing strong support for the implementation of scientific and accurate weather modification operations.

Key words： weather modification; Da Xing’ anling Mountains in Inner Mongolia; environmental parameters; forecasting models

Cite this article

YI Nana , Bilige , SHI Jinli , CAI Min , XU Zhili , ZHENG Fengjie , Lina . Model for predicting potential for aircraft cold cloud precipitation enhancement in Da Xing’ anling Mountains in Inner Mongolia[J]. Arid Zone Research, 2025 , 42(3) : 409 -419 . DOI: 10.13866/j.azr.2025.03.02

森林是陆地生态系统的重要组成部分，在维持区域碳平衡、调节气候变化、保护生物多样性等方面具有不可替代的重要作用[1⇓-3]，也是对气候变化最为敏感的区域之一[4]。气候暖干化导致森林火灾发生的频率与强度明显增加[5⇓-7]，森林火毁坏植被和生物，破坏森林生态系统平衡，人民生命财产和国民经济受到严重损失[8]。随着气候变暖，人为干扰加剧，森林火已成为中国生态文明建设和森林资源安全的最大威胁[9]。
林火发生与气象条件密切相关，火灾之前往往出现降水量少、连续干旱、气温偏高、风速大等不利天气现象[10⇓⇓-13]。人工增雨能增加降水、缓解干旱，是预防和扑救森林火的有效手段[14⇓⇓-17]。国内多个省市开展了人工增雨森林灭火作业[18⇓-20]。
大兴安岭以冷云催化作业为主，过冷水、垂直上升运动、凝结核缺乏是开展冷云人工增雨的必要条件[21]，实践表明，如果作业时机选择错误，其结果不仅造成人工增雨弹的损失浪费，还有可能起到消减雨作用[22]。所以准确判断和把握人工增雨作业条件，是人工增雨科学作业的前提。当前，人工增雨作业潜势的研究工作主要依赖于对再分析资料、雷达数据、卫星观测、探空数据、自动气象站记录以及数值模拟等多源数据的综合分析，以此推导出综合增雨潜势指标。然而，这些研究大多局限于对一个或多个具体个例的统计性分析[23⇓⇓⇓⇓⇓-29]，因此在代表性方面存在不足，并且缺乏实际飞机探测数据的验证支持。国内开展常规人工影响天气作业以抗旱增雨为主，大兴安岭人工影响天气作业少，且大兴安岭气象观测站点稀疏，观测设备种类单一，所以关于大兴安岭人工增雨潜势的研究较少。
大兴安岭地处北半球中高纬度，是中国面积最大、生态战略位置最重要的国有林区之一，对于维持区域生态平衡和生态安全有着不可估量的重要意义，但同时也是我国重点火险区之一，仅2003—2009年，大兴安岭发生森林火灾649次，过火面积75.2×104 hm2[30]。因此，精准实施人工增雨对大兴安岭防灭火至关重要。本文利用长时间序列的飞行观测数据对增雨潜势进行分类；基于再分析数据，分析不同增雨潜势样本的环境参量差异，利用统计学方法建立大兴安岭飞机冷云增雨潜势预报模型，为科学设计飞行航线、精准实施人工增雨提供有力的科学依据，更好地发挥人工影响天气在森林火险防控和生态保护与修复方面的作用。

1 数据与方法

1.1 飞机观测数据

人工增雨飞机搭载了DMT机载云粒子探测系统，可以连续观测记录飞机航行轨迹上的云滴、雨滴等云微观粒子数浓度，时间分辨率1 s，每组数据包含经纬度信息及飞行高度。
本文利用2017—2020年、2023年大兴安岭（空间范围43°~54°N，117°~126°E）飞机观测的小云粒子（Cloud and Aerosol Spectrometer，CAS）和大云粒子（Cloud Imaging Probe， CIP）数浓度数据，参考判别标准（表1），挑选出三类增雨潜势样本（表2）。2017—2020年样本作为训练集，用于建立飞机增雨潜势预报模型，2023年样本作为测试集，检验模型判别准确率。
表1 内蒙古大兴安岭飞机冷云人工增雨潜势判别指标值

Tab. 1 The threshold of discriminant index for the potential of artificial precipitation enhancement in cold clouds by aircraft in Da Xing’ anling Mountains in Inner Mongolia

小云粒子数浓度/（个·cm-3）
<65 ≥65
大云粒子数
浓度/（个·cm-3）		 <20 不可播 强可播
≥20 不可播 可播
表2 飞机冷云增雨潜势预报模型训练集与测试集的样本数

Tab. 2 The number of samples in the training set and the testing set of the cold cloud precipitation enhancement potential forecast mode

样本数/个
强可播 可播 不可播
训练集 1571 922 1510
测试集 176 32 478

1.2 再分析数据

欧洲中期天气预报中心发布的第五代全球再分析资料数据集ERA5，是该中心最新一代大气再分析资料，数据空间范围0°~60°N，70°~140°E，空间分辨率0.25°×0.25°，时间分辨率1 h。垂直方向19层（100~1000 hPa），分辨率50 hPa，该数据集在内蒙古地区对实际土壤湿度、降水具有比较好的再现能力[31]。

1.3 CMA-CPEFS v2.0

中国气象局人工影响天气中心发布的CMA CPEFS v2.0（http://10.1.64.139:8080/ryzhxx/）云模式，每日发布两个起报时次的产品（20:00 BJT、08:00 BJT），产品包含垂直累积过冷水、相对湿度等33个预报量。预报时效48 h，时间分辨率1 h，空间分辨率0.03°；垂直18层（150~1000 hPa），分辨率50 hPa，为增雨潜势预报模型提供输入数据。

1.4 方法

利用ERA5再分析数据，针对不可播、强可播及可播样本提取两类环境参量，第一类降水，第二类增雨（表3）。ERA5格点数据的处理主要采用相“临（邻）近”原则，时间上选取距离可播、不可播、强可播样本点最近时次的再分析资料，空间上选取距离样本点最近的格点资料。假相当位温、冰面饱和水汽压、垂直累积过冷水、大气可降水量、散度计算公式如下。
θ s e = θ × e x p 3376 t l c l - 2.54 × q k × 1.0 + 0.81 × q k
e s i = 6.11 × e x p [ 21.87 × ( T - 273.16 ) / ( T - 7.66 ) ]
$S L=\left(\frac{1}{\rho g} \int_{P_{\text {bot }}}^{p_{\text {tup }}} Q_{L} \times \mathrm{d} p\right)_{t<0}$
$P W V=\frac{1}{\rho g} \int_{P_{\text {bot }}}^{p_{\text {bop }}} q \times \mathrm{d} p$
D I V = ∂ u ∂ x + ∂ v ∂ y
式中： θ为相当位温（K）； t l c l为凝结高度处的温度（K）； q k为起始气压层比湿（kg·kg-1）； T为温度（K）； e s i为冰面饱和水汽压（hPa）； Q L为云内液态水混合比（kg·kg-1）； S L为垂直累积过冷水（mm）； ρ为液态水密度（g·cm-3）； P W V为大气可降水量（cm）； D I V为散度（s-1）； v为径向风速（m·s-1）； u为纬向风速（m·s-1）。
表3 样本的环境参量

Tab. 3 The environmental parameters of samples

强可播、可播与不可播样本环境参量
第一类 第二类
降水 水汽 比湿 （ q ） 增雨 垂直累积过冷水 （ S L ）
相对湿度 （ R H ） 雨水混合比 （ Q R ）
温度露点差 （ T D D ） 液态水混合比 （ Q L ）
大气可降水量 （ P W V ） 冰晶混合比 （ Q I ）
层结 假相当位温 （ θ s e ） 雪水混合比 （ Q S ）
温度差 （ T D ） 冰面饱和水汽压 （ e s i ）
抬升 垂直速度 （ W ）
散度 （ D I V ）

注：雨水、雪水、液态水混合比为单位质量湿空气含雨水、雪水、液态水的质量，冰晶混合比为单位质量湿空气含冰粒子的质量。

建立增雨潜势预报模型的方法采用两种统计学方法，分别是Fisher和Bayes，Fisher主要借助方差分析的思想。利用已知样本的多个观察值构造一个线性判别函数，确定判别函数的系数满足不同样本之间的离差尽可能大，而同一样本内的离差尽可能小[32]。Bayes判别法主要思想是基于Bayes定理的分类方法，假设有n个样本，样本被分为k类。对于一个新样本x，需要将其归入其中一类。采用后验概率最大化准则进行分类，即将x归为后验概率最大的一类。所以对于一个新样本x，需要计算其在每个类别下的后验概率P，并将其归为概率最大的一类[33]，详细的先验概率设定及后验概率方程可以使用统计分析软件SPSS（https://www.ibm.com/spss）完成。

2 不同增雨潜势样本的环境参量

分析强可播、可播、不可播样本的环境参量差异，为大兴安岭增雨作业条件预报提供客观定量的依据，为建立增雨潜势预报模型提供基础。2017—2020年总样本数4003个，其中6—8月样本数占比85.4%，代表大兴安岭主雨季时间。

2.1 降水因子

2.1.1 水汽含量

降水的发生需要一定的水汽，三类样本的相对湿度、温度露点差垂直分布显示可播样本的数值介于强可播与不可播之间，但强可播、可播样本的比湿700 hPa以上无明显差异（图1）。三类样本的比湿随高度递减，强可播、可播样本低层的比湿大于8 g·kg-1，不可播样本小于7 g·kg-1。翟菁等[34]研究指出具备增雨潜势的云，低层比湿应大于7.5 g·kg-1。相对湿度随高度增加先增加后减小，可播、强可播600 hPa以上大于等于90%，不可播600 hPa以上小于87%。温度露点差随高度增加减小，可播、强可播样本600~800 hPa小于2.0 ℃，且强可播数值小于可播，表明强可播的水汽更充沛；不可播样本600~800 hPa，温度露点差大于2.0 ℃。
图1 三类样本比湿、相对湿度、温度露点差的垂直分布

Fig. 1 Vertical distribution of specific humidity, relative humidity and dew point temperature difference of the three samples

三类样本750 hPa相对湿度、700 hPa温度露点差差异最大，利用箱型图统计两个环境参量的数据分布（图2）。计算三类增雨潜势样本指标值的方法参考衣娜娜等[31]研究结果，700 hPa温度露点差指标值为0.3 ℃和2.4 ℃，可以判别72.2%的强可播样本，68.6%的可播样本及66.5%不可播样本。750 hPa相对湿度指标值为79.1%和95.6%，可以判别 80.6%的强可播样本，72.4%的可播样本，75.1%的不可播样本，与丁莉等[26]给出的湖南省增雨作业指标相对湿度大于80.0%基本一致。750 hPa相对湿度、700 hPa温度露点差的指标值判别三类样本的准确率均超过65%。三类样本大气可降水量数据分布的箱体有重合，大气可降水量指标值对三类样本判别的准确率低于60%，所以大气可降水量不能较好区分三类样本。
图2 三类样本700 hPa温度露点差、大气可降水量及750 hPa相对湿度箱型图

注：箱型图最上端与最下端的短横线分别为最大值与最小值，箱体顶部框线为第75百分位值，底部框线为第25百分位值，中间横线为中位数，实心圆点为平均值。下同。

Fig. 2 The box plot of 700 hPa dew point temperature difference, precipitable water vapor and 750 hPa relative humidity of the three samples

2.1.2 层结稳定度

层结可以间接反映云内的垂直运动情况。强可播的假相当位温随高度增加而增加，表明强可播样本多出现在稳定层结的云，不可播、可播样本在低层700~900 hPa存在弱的对流不稳定（图3a）。700 hPa与500 hPa的假相当位温差、850 hPa与500 hPa的假相当位温差箱体均有重合（图3b~图3c），所以无法用于判别样本的增雨潜势。温度差指标值对强可播、可播、不可播样本判别的准确率无法同时超过60%，所以温度差对于判别样本增雨潜势存在一定的限制，与冰雹等强对流天气不同[31]，层结对于增雨作业的指导意义一般。
图3 强可播、可播与不可播假相当位温的垂直结构及层结特征

Fig. 3 The vertical distribution and stratification characteristics of the three samples

2.1.3 上升运动

上升运动是科学开展人工增雨作业的必要条件之一[27]。三类样本散度和垂直速度的垂直分布存在显著差异。强可播辐合层主要位于700~900 hPa；可播样本500~1000 hPa均为辐合，但强度较弱；不可播样本700~850 hPa为辐散，辐合区主要位于中高层400~650 hPa（图4a）。强可播、可播低层大气均有明显的上升运动，强可播上升速度最大值位于650 hPa，可播上升速度最大值位于450 hPa，不可播650 hPa以下均为下沉运动（图4b）。三类样本750 hPa散度与650 hPa垂直速度差异最明显。利用箱型图统计750 hPa散度与650 hPa垂直速度数据分布。强可播、可播样本750 hPa散度的箱体不重合（图4c），但指标值判别可播与不可播样本的准确率均低于60%，所以750 hPa散度不能较好地区分三类样本。650 hPa垂直速度的箱型图差异明显（图4d），指标值为-0.7 Pa·s-1与-0.06 Pa·s-1，对强可播、可播及不可播样本判别的准确率分别为65.9%、67.8%及66.1%（图4d）。
图4 三类样本散度、垂直速度的垂直结构及750 hPa散度、650 hPa垂直速度的统计值

Fig. 4 The vertical distributions of divergence and vertical velocity, and the statistical values of divergence at 750 hPa and vertical velocity at 650 hPa of three samples

2.2 增雨因子

三类样本的4个增雨环境参量整体上均随高度增加先增加后减少。不可播、可播样本的冰晶混合比、雪水混合比垂直方向呈单峰分布，强可播样本呈双峰分布（图5a，图5d）。三类样本的液态水混合比、雨水混合比差异显著，可播样本数值介于强可播、不可播样本数值之间（图5b~图5c）。不可播样本的0 ℃高度位于700 hPa，可播、强可播样本的0 ℃高度位于650 hPa（图5e），低于0 ℃为冰面饱和水汽压，高于0 ℃为水面饱和水汽压，强可播、可播样本的冰面饱和水汽压相近，均高于不可播样本，水面饱和水汽压略有差异（图5f）。
图5 三类样本5个增雨环境参量的垂直分布

注：黑色、灰色实线代表0 ℃层高度

Fig. 5 The vertical distribution of five precipitation enhancement environmental parameters of three samples

由图5可知，三类样本300 hPa冰晶混合比、550 hPa与600 hPa雪水混合比、800 hPa与850 hPa雨水混合比、650 hPa与700 hPa液态水混合比差异较明显。利用箱线图统计上述环境参量的数据分布。三类样本300 hPa冰晶混合比箱体均有明显重合，无法计算判别指标值（图6a）。三类样本650 hPa、700 hPa液态水箱体无重合，可以用于计算三类样本的指标值。650 hPa、700 hPa液态水指标值均为0.1×10-4 kg·kg-1与0.8×10-4 kg·kg-1，指标值对三类样本判别准确率均超过60.5%（图6b~图6c）。800 hPa雨水混合比指标值为0.1×10-4 kg·kg-1与0.7×10-4 kg·kg-1，指标值对三类样本判别准确率均超过63.3%（图6d）；850 hPa雨水混合比指标值为0.1×10-4 kg·kg-1与0.6×10-4 kg·kg-1，指标值对三类样本判别准确率均超过65.0%（图6e）。三类样本550 hPa与 600 hPa雪水混合比箱体略有重合，指标值对三类样本判别准确率无法同时超过60%，所以雪水混合比不能用于判别样本（图6f~图6g）。
图6 三类样本4个增雨环境参量典型气压层的数据统计箱型图

Fig. 6 The box plot of data statistics of typical pressure layers of four precipitation enhancement environmental parameters of three samples

垂直累积过冷水是人影作业中的关键技术指标，三类样本的垂直累积过冷水箱体不重合（图略），指标值为2.2 mm与0.5 mm，指标值对三类样本判别准确率均超过75%。

3 增雨潜势预报模型

3.1 模型建立

基于以上研究结果，750 hPa相对湿度、650 hPa垂直速度、850 hPa雨水混合比和垂直累积过冷水判别可播、强可播、不可播样本的准确率均大于等于65%，高于其他环境参量指标值判别的准确率，所以选取上述4个环境参量作为建模的核心参数。首先是共线性分析，4个环境参量没有明显的相关关系；其次是均等性检验，4个环境参量在三类样本之间的均值存在显著差异。利用Fisher和Bayes两种判别方法建立判别模型。Fisher判别方程（公式6~公式7），利用箱型图统计 F 1、 F 2函数值分布。不可播、强可播样本的 F 2函数值箱体完全重合，所以 F 2对三类样本的指示意义一般。根据 F 1数据统计分布特征确定-2.9作为 F 1判别指标值，即 F 1≤-2.9，可以判别73.0%不可播样本；-2.9< F 1<2.9，可以判别97.9%的可播样本； F 1≥2.9，可以判别75.3%强可播样本（图7）。
图7 Fisher判别方程函数值分布

Fig. 7 The distribution of Fisher discriminant equation function value

判别方程 F 1（公式6）， R H 750与 F 1正相关，但权重最小。蔡淼等[35]研究指出81%作为相对湿度指标值可以判别云，三类样本相对湿度的垂直廓线（图1b）显示云层越厚，可播性越强；不可播样本云内样本数24.7%，可播样本云内样本数91.4%，强可播样本云内样本数96.6%；可播、强可播以云内样本为主，不可播多为云外样本，所以 R H 750权重系数最小。
过冷水、垂直上升运动、凝结核缺乏是开展冷云人工增雨的必要条件， V I L与 F 1正相关， W因为负值代表上升运动，所以与 F 1负相关。冷云催化原理即在云内过冷水部位播撒适当剂量的成冰催化剂，冰晶消耗过冷水滴迅速增长变大，过冷水滴则不断蒸发变小或消失，从而提高降水效率，实现人工增雨（贝吉龙过程）。所以过冷水越充沛，可播性越强。垂直上升运动作为降水的主要条件，也是冷云催化的主要条件，垂直上升气流可以将催化剂带入云内过冷水部位，触发贝吉龙过程。三类样本垂直速度廓线显示（图4b），云内上升气流越强、上升运动层越厚，可播性越强。
Q R 850与 F 1正相关，且在判别方程中权重系数最大。 Q R 850反映低层是否有雨滴（是否可以产生降水），人工影响天气的目的是在自然降水效率低的云内通过播撒催化剂增加降水量，所以需要云体本身能产生降水。如果低层雨滴少或低层大气较干，雨滴下落过程中无法长大或被蒸发，则地面无有效降水，无法实现人工增雨。Fisher判别方程对三类样本训练集平均识别准确率82.1%。
F 1 = - 4.408 + 0.013 × R H 750 + 1.726 × V I L +               10.195 × Q R 850 - 0.586 × W 650
F 2 = - 6.986 + 0.097 × R H 750 - 0.349 × V I L -                   4.630 × Q R 850   + 1.248 × W 650
Bayes判别方程（公式8~公式10）有3个 F值，将样本判别为函数值最大的一类，即如果 F 1最大即为不可播， F 2最大即为强可播， F 3最大即为可播。三个判别方程中 F 1常数项数值最大， R H 750权重系数相当， V I L权重系数差别较大，且与 F 2、 F 3值正相关，与 F 1负相关。 Q R 850量级较小，一般10-2~10-1 g·kg-1，满足 F 2或 F 3最大，则需要较大的 V I L值（ V I L≥0.5），所以Bayes在实际应用中受 V I L的数值限制。Bayes判别方程对三类样本训练集平均识别准确率95.1%。
F 1 = - 25.834 + 0.724 × R H 750 - 0.964 × V I L -                   66.879 × Q R 850 + 3.105 × W 650
F 2 = - 59.554 + 0.822 × R H 750 + 11.109 × V I L +                   4.241 × Q R 850 - 0.914 × W 650
F 3 = - 41.334 + 0.865 × R H 750 + 3.668 × V I L -                   42.280 × Q R 850 + 2.746 × W 650

3.2 模型检验

利用2023年飞机观测数据检验模型判别准确率（表4），Fisher能够识别全部的可播与不可播样本，平均识别率99.6%；Bayes能够识别全部不可播样本，平均识别率97.6%。
表4 Fisher与Bayes判别2023年测试集样本的准确率

Tab. 4 Fisher and Bayes accuracy in discerning samples from the 2023 test set

总样本数/个 Fisher Bayes
识别样本数/个 识别率/% 识别样本数/个 识别率/%
可播 32 32 100 30 93.8
强可播 176 174 98.9 174 98.9
不可播 478 478 100 478 100
模型在实际应用中受输入预报数据准确性的影响，增雨潜势预报的准确率会降低。利用2024年内蒙古大兴安岭北部呼伦贝尔市一次飞机人工增雨灭火个例，检验模型的适用性。2024年8月6日，内蒙古自治区呼伦贝尔市根河市阿龙山镇与满归镇出现火情（图8）。由于该地区气温较高，风速较大，火势持续蔓延，呈多点集中爆发态势，火情持续到12日。12日午后在增雨条件具备的情况下，地面与飞机协同作业，最终火场周围普降小雨，增雨飞机成功完成森林灭火保障任务。
图8 2024年8月12日15:00—19:00内蒙古大兴安岭北部呼伦贝尔市累积降水量空间分布

Fig. 8 Spatial distribution of cumulative precipitation in Hulunbuir City, northern part of the Da Xing’an Mountains in Inner Mongolia, from 15:00 to 19:00 on August 12, 2024

此次降水天气系统为冷涡，降水云系呈涡旋状分布不均，云内有多个对流单体，火区周围有云系覆盖（图9e），云内过冷水分布稀疏，数值较小（图9c）。Fisher增雨潜势预报模型预报19:00火区及其周边存在可播、强可播增雨潜势区，潜势区主要位于垂直累积过冷水与850 hPa雨水混合比高值区（图9c~图9d），且750 hPa相对湿度大于等于 90%（图9b）。实际飞行受空域、催化层风向风速等多方面影响，整体上Fisher增雨潜势预报模型对增雨潜势落区的预报与实际飞机作业区基本一致。
图9 2024年8月12日19:00 Fisher预报增雨潜势区、模型中3个环境参量及云带的空间分布

Fig. 9 The spatial distribution of Fisher precipitation potential, three environmental parameters and cloud bands at 19:00 on August 12, 2024

此次降水过程模式预报的垂直累积过冷水在各时刻数值均小于1.0 mm，且空间分布不均，垂直累积过冷水大于0.5 mm的格点不连续或覆盖范围小，导致Bayes模型无法预报增雨潜势区，所以飞机冷云增雨潜势预报模型在实际应用中需要注意模型输入的垂直累积过冷水数值及模型中4个环境参量的单位。

4 结论

云系增雨潜势强弱非常复杂，用任何单一的物理参数研究潜势问题都具有局限性。本文利用2017—2020年、2023年人影飞机观测与ERA5数据，分析大兴安岭三类不同增雨潜势样本的环境参量，发现750 hPa相对湿度、650 hPa垂直速度、850 hPa雨水混合比和垂直累积过冷水指标值对三类样本判别的准确率均超过65%，高于其他环境参量。基于Fisher与Bayes方法，利用上述4个环境参量建立的大兴安岭飞机冷云增雨潜势预报模型，对验证集、测试集平均识别率均超过80%，且Fisher适用性优于Bayes。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李伟克, 舒立福, 王明玉, 等. 黑龙江大兴安岭林区雷击火与人为火发生规律及变化趋势[J]. 林业科学, 2024, 60(4): 136-146.

[Li Weike, Shu Lifu, Wang Mingyu, et al. Occurrence pattern and changing trend of lightning induced fires and human-caused fires in Da Xingan’ling Mountains of Heilongjiang Province[J]. Forestry Science, 2024, 60(4): 136-146.]

[2]
张煜星, 王雪军, 蒲莹, 等. 1949—2018年中国森林资源碳储量变化研究[J]. 北京林业大学学报, 2021, 43(5): 1-14.

[Zhang Yuxing, Wang Xuejun, Pu Ying, et al. Changes in forest resource carbon storage in China between 1949 and 2018[J]. Journal of Beijing Forestry University, 2021, 43(5): 1-14.]

[3]
Wees D V, Werf G R V D, Randerson J T, et al. The role of fire in global forest loss dynamics[J]. Global Change Biology, 2021, 27(11): 2377-2391.

[4]
贾丙瑞, 周广胜. 北方针叶林对气候变化响应的研究进展[J]. 地球科学进展, 2009, 24(6): 668-674.

DOI

[Jia Bingrui, Zhou Guangsheng. Advances in the studies of the response of boreal forest to climate change[J]. Advances in Earth Science, 2009, 24(6): 668-674.]

DOI

[5]
韩士杰, 王庆贵. 北方森林生态系统对全球气候变化的响应研究进展[J]. 北京林业大学学报, 2016, 38(4): 1-20.

[Han Shijie, Wang Qinggui. Response of boreal forest ecosystem to global climate change: A review[J]. Journal of Beijing Forestry University, 2016, 38(4): 1-20.]

[6]
魏书精, 罗斯生, 罗碧珍, 等. 气候变化背景下森林火灾发生规律研究[J]. 林业与环境科学, 2020, 36(2): 133-143.

[Wei Shujing, Luo Sisheng, Luo Bizhen, et al. Occurrence regularity of forest fire under the background of climate change[J]. Forestry and Environmental Science, 2020, 36(2): 133-143.]

[7]
Doerr S H, Santin C. Global trends in wildfire and its impacts: Perceptions versus realities in a changing world[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 2016, 371(1696): 1-19.

[8]
余珊, 陈悦, 路晓燕, 等. 我国近年森林火灾情况及森林防火政策措施简析[J]. 森林防火, 2023, 41(2): 7-10.

[Yu Shan, Chen Yue, Lu Xiaoyan, et al. Brief analysis of the forest fires situation and forest fire prevention policy measures in China in recent years[J]. Journal of Wildland Fire Science, 2023, 41(2): 7-10.]

[9]
王秋华, 王劲, 王亚荣, 等. 国内外重大森林火灾研究进展[J]. 消防科学与技术, 2022, 41(10): 1455-1459.

[Wang Qiuhua, Wang Jin, Wang Yarong, et al. Research progress of major forest fires at home and abroad[J]. Fire Science and Technology, 2022, 41(10): 1455-1459.]

[10]
刘丽丽. 山西省森林雷击火发生原因分析与对策研究[J]. 山西林业, 2024(1): 34-35.

[Liu Lili. Analysis of the causes and countermeasures of forest lightning fires in Shanxi Province[J]. Shanxi Forestry, 2024(1): 34-35.]

[11]
蔡恒明, 魏航, 陈圣东. 大兴安岭地区森林火灾和气象因子相关性研究[J]. 林业科技, 2021, 46(1): 49-51.

[Cai Hengming, Wei Hang, Chen Shengdong. Research on the correlation between forest fires and meteorological factors in Daxing’anling[J]. Forestry Science and Technology, 2021, 46(1): 49-51.]

[12]
Yoo C, Chang K H, Ma J H, et al. Effect of cloud seeding in winter on soil moisture and forest fire risk in spring: A case study for eastern mountain region in Korea[J]. Journal of Hydrology: Regional Studies, 2024. DOI: 10.2139/ssrn.4761959.

[13]
李思宇, 梁达, 韦燕芳, 等. 基于贝叶斯网络的干旱—森林火灾灾害链定量建模研究[J]. 自然灾害学报, 2023, 32(1): 38-46.

[Li Siyu, Liang Da, Wei Yanfang, et al. Quantitative modeling of drought-forest fire hazard chain based on bayesian network[J]. Journal of Natural Disasters, 2023, 32(1): 38-46.]

[14]
尹春, 罗汉, 何金梅, 等. 地面人工增雨作业对祁连山森林火险气象等级的影响[J]. 陕西气象, 2023(5): 48-53.

[Yin Chun, Luo Han, He Jinmei, et al. Effect of ground artificial precipitation enhancement operation on forest fire danger meteorological level in Qilian Mountains[J]. Shaanxi Meteorology, 2023(5): 48-53.]

[15]
Ro Y, Chang K H, Chae S, et al. Estimation of the total amount of enhanced rainfall for a cloud seeding experiment: Case studies of preventing forest fire, drought, and dust[J]. Advances in Meteorology, 2023, 1: 5478666.

[16]
沈淑婧, 史月琴, 刘卫国, 等. 云降水和人工影响天气暖云催化数值模式研发与应用进展[J]. 地球科学进展, 2024, 39(7): 671-684.

DOI

[Shen Shujing, Shi Yueqin, Liu Weiguo, et al. Development and application of the warm cloud seeding models in weather modification[J]. Advances in Earth Science, 2024, 39(7): 671-684.]

DOI

[17]
Sandhyavitri A, Perdana M A, Sutikno S, et al. The roles of weather modification technology in mitigation of the peat fires during a period of dry season in Bengkalis, Indonesia[C] // IOP Conference Series: Materials Science and Engineering. IOP Publishing, 2018, 309(1): 012016.

[18]
孙玉稳, 孙云, 吴志会, 等. “4. 17”森林灭火飞机增雨过程分析[J]. 中国农学通报, 2012, 28(34): 92-101.

[Sun Yuwen, Sun Yun, Wu Zhihui, et al. Analysis of artificial rainfall effects aircraft on forest firefighting on April 17th[J]. Chinese Agricultural Science Bulletin, 2012, 28(34): 92-101.]

[19]
樊志超, 刘富来, 肖清, 等. 湖南一次重大森林火灾人工增雨作业条件与效果分析[J]. 气象与环境学报, 2019, 35(5): 100-107.

[Fan Zhichao, Liu Fulai, Xiao Qing, et al. Analysis of the seeding conditions and effects of an artificial precipitation enhancement operations on a serious forest fire fighting in Hunan Province[J]. Journal of Meteorology and Environment, 2019, 35(5): 100-107.]

[20]
宋宁. 空地联合扑救山区森林火灾——以沂源县“4. 6”森林火灾为例[J]. 森林防火, 2023, 41(3): 59-62.

[Song Ning. Air-ground cooperation in fighting forest fire in mountainous areas: Taking the April 6th forest fire in Yiyuan County as an example[J]. Journal of Wildland Fire Science, 2023, 41(3): 59-62.]

[21]
毛节泰, 郑国光. 对人工影响天气若干问题的探讨[J]. 应用气象学报, 2006, 21(5): 643-646.

[Mao Jietai, Zheng Guoguang. Discussion on some weather modification issues[J]. Journal of Applied Meteorological Science, 2006, 21(5): 643-646.]

[22]
李红斌, 何玉科, 姚展予, 等. 多普勒雷达速度场特征在人工增雨作业中的判据指标应用[J]. 气象, 2008, 34(6): 102-106.

[Li Hongbin, He Yuke, Yao Zhanyu, et al. Application of doppler radar velocity field characters to precipitation enhancement operation[J]. Meteorology Monthly, 2008, 34(6): 102-106.]

[23]
唐林, 李琼, 黎祖贤, 等. 一次积层混合云云系微物理结构数值模拟与增雨条件分析[J]. 干旱气象, 2020, 38(1): 100-108.

[Tang Lin, Li Qiong, Li Zuxian, et al. Numerical simulation of microphysical structure of a mixed convective stratiform cloud system and analysis of seeding conditions[J]. Journal of Arid Meteorology, 2020, 38(1): 100-108.]

[24]
白婷, 黄毅梅, 樊奇. 河南一次降水天气过程人工增雨作业条件综合分析[J]. 气象, 2020, 46(12): 1633-1640.

[Bai Ting, Huang Yimei, Fan Qi, Comprehensive analysis on the conditions of artificial precipitation enhancement during a precipitation weather process in Henan Province[J]. Meteorological Monthly, 2020, 46(12): 1633-1640.]

[25]
孙晶, 杨文霞, 周毓荃. 河北一次降水层状云系结构和增雨条件的模拟研究[J]. 高原气象, 2015, 34(6): 1699-1710.

DOI

[Sun Jing, Yang Wenxia, Zhou Yuquan. Numerical simulations of cloud structure and seedability of a precipitation stratiform in Hebei[J]. Plateau Meteorology, 2015, 34(6): 1699-1710.]

DOI

[26]
丁莉, 丁元武, 唐林, 等. 湖南省飞机人工增雨预报技术研究[J]. 西南师范大学学报(自然科学版), 2021, 46(12): 63-71.

[Ding Li, Ding Yuanwu, Tang Lin, et al. Study on forecast technology of aircraft artificial precipitation in Hunan Province[J]. Journal of Southwest Normal University (Natural Science Edition), 2021, 46(12): 63-71.]

[27]
尚博, 蔡淼, 霍也, 等. 吉林省春季人工增雨潜势及指标的数值模拟研究[J]. 气象与环境学报, 2020, 36(1): 74-81.

[Shang Bo, Cai Miao, Huo Ye, et al. Numerical simulation analysis on the potential and index of artificial precipitation enhancement in spring in Jilin Province[J]. Journal of Meteorology and Environment, 2020, 36(1): 74-81.]

[28]
张磊, 宋哲, 徐铖, 等. 浙江省夏秋季人工增雨作业雷达指标研究[J]. 干旱气象, 2022, 40(5): 888-896.

DOI

[Zhang Lei, Song Zhe, Xu Cheng, et al. Indexes of doppler radar echo for rainfall enhancement in summer and autumn in Zhejiang Province[J]. Journal of Arid Meteorology, 2022, 40(5): 888-896.]

[29]
孙莉娟, 徐阳, 鲁德金, 等. 雷达和GPS水汽资料在人工增雨指标中的应用[J]. 现代农业科技, 2020, 16: 160-162.

[Sun Lijuan, Xu Yang, Lu Dejin, et al. Application of radar and GPS water vapor data in artificial precipitation enhancement indicators[J]. Modern Agricultural Science and Technology, 2020, 16: 160-162.]

[30]
雷成亮. 大兴安岭森林火烈度遥感估测方法研究[D]. 哈尔滨: 东北林业大学, 2014.

[Lei Chengliang. Estimating Burned Severity with Multiple Methods in Da Xing’ anling Mountains[D]. Harbin: Northeast Forestry University, 2014.]

[31]
衣娜娜, 苏立娟, 郑旭程, 等. 冰雹天气的环境参量及预报模型[J]. 干旱区研究, 2024, 41(1): 13-23.

[Yi Nana, Su Lijuan, Zheng Xucheng, et al. Environmental parameters and forecast models of hail events[J]. Arid Zone Research, 2024, 41(1): 13-23.]

[32]
郑家亨. 统计大辞典[M]. 北京: 中国统计出版社, 1995.

[Zheng Jiaheng. Statistical Dictionary[M]. Beijing: China Statistics Press, 1995.]

[33]
黄长全. 贝叶斯统计及其R实现6(第二版)[M]. 北京: 清华大学出版社, 2023.

[Huang Changquan. Bayesian Statistics and their R realizations 6[M]. 2nd ed. Beijing: Tsinghua University Press, 2023.]

[34]
翟菁, 黄勇, 胡雯, 等. 一次积层混合云降水过程增雨条件分析[J]. 气象, 2010, 36(11): 59-67.

[Zhai Jing, Huang Yong, Hu Wen, et al. Analysis on conditions of precipitation enhancement catalyzing operation based on mesoscale model, CINRAD, and satellite[J]. Meteorology Monthly, 2010, 36(11): 59-67.]

[35]
蔡淼, 欧建军, 周毓荃, 等. L波段探空判别云区方法的研究[J]. 大气科学, 2014, 38(2): 213-222.

[Cai Miao, Ou Jianjun, Zhou Yuquan, et al. Discriminating cloud area by using L-band sounding data[J]. Chinese Journal of Atmospheric Sciences, 2014, 38(2): 213-222.]

Options
Outlines

/

〈 〉