众所周知，强对流天气发生突然、反应剧烈，具有重大危害的灾害性天气（徐慧，2013），对经济建设、社会发展以及人民生活造成很大影响（方宗义，2014）。短时临近预报的关注及难点问题是如何在强对流的初生阶段捕捉到有利信息（覃丹宇和方宗义，2014）。传统的预测方法需要处理大量数据，进行气象建模，此方法模型建立过程繁杂且时效性差（Wu et al.，2011）。基于雷达数据方法虽然技术较成熟，但是雷达扫描角度存在盲区、覆盖性不足等缺点无法满足对流初生短临预报（Delgado et al.，2008）。多光谱静止轨道气象卫星数据，由于其长时间的跨度以及相对较好的空间分辨率和光谱覆盖率，监测识别对流初生具有一定优势（肖笑，2013），大幅度提高预警时效，对防灾、减灾工作具有深远的指导意义。

对流初生（Convective Initiation，CI）定义为多普勒天气雷达第一次监测到由对流云产生的反射率因子≥35 dBZ时的对流云团识别（Roberts and Rutledge，2003）。对于对流初生的识别监测方面，国内外学者基于Mecikalski and Bedka（2006）提出的CI预报指标，利用卫星资料进行扩展研究; 也有一部分学者延续对流活动初生、发展阶段变化机理研究（卢乃锰和吴蓉璋，1997）。本文将近年来CI的国内外若干研究结果和进展进行简要综述，涉及CI算法研究、CI时空分布研究以及影响CI的主要因子等内容。在此基础上，对CI未来研究的主要方面进行了展望。

1 CI的成熟算法

1.1 基于雷达的CI算法

基于雷达资料的风暴识别、追踪和预警算法，对于分析和预报对流初生具有重要作用。Ligda（1956）最早提出了使用雷达资料分析风暴发生、发展、成熟和消亡的物理机制，并形成了重要的风暴识别、追踪和预警的临近预报技术。此后，国外基于雷达数据技术的具有代表性的雷暴识别算法有雷达回波关联TREC算法（Tracking Radar Echoes by Correlation，TREC; Rinehart and Garvey，1978）、三维风暴自动识别、追踪、分析和预警TITAN算法（Thunderstorm Identification Tracking Analysis and Nowcasting，TITAN; Dixon and Wiener，1993）、变分多普勒雷达分析VDRAS系统（Variational Doppler Radar Analysis System，VDRAS; Strabala et al.，1994）、质心跟踪COTREC技术（Continuity of Tracking Radar Echo by Correlation vectors，COTREC; Li et al.，2021）、风暴单元识别跟踪SCIT算法（Storm Cell Identification and Tracking，SCIT; Johnson et al.，1998）、3D追踪算法（Handwerker，2002）、雷暴临近预报TSPN算法（Thunder storm Strike Probability Nowcasting，TSPN; Dance et al.，2010）等。国内也研发了短时对流灾害性天气预警系统，如广东省气象局的风暴临近预报SWIFT系统（Severe Weather Integrated Forecasting Tools，SWIFT; 胡胜等，2006，2010）。中国香港天文台的暴雨临近预报小涡漩SWIRLS系统（Short-range Warning of Intense Rainstorms in Localized Systems，SWIRLS; 陈永仁和李跃清，2013）。中国气象局的灾害天气短时临近预报预警业务SWAN系统（Severe Weather Anlysis and Nowcasts System，SWAN; 韩丰和沃伟峰，2018）。以及中国气象局武汉暴雨研究引进美国的局地化分析预报LAPS系统（Local Analysis and Prediction System，LAPS; 李红莉等，2008）。

近年来，一些学者利用雷达数据在对流初生预警方面做了研究，如刘丹（2014）基于雷达利用对流强度比和高层回波分布信息等对CI进行预警。石璐（2015）基于雷达数据和数值模式，利用VDRAS系统反演物理变量并结合支持向量机，得到CI预报因子的特征。侯正俊等（2018）提出不同季节、下垫面、地理位置的气象雷达TITAN算法，跟踪和预测强风暴天气。南刚强（2021）基于长时间序列的雷达组合反射率拼图资料，使用机器学习方法，实现了MCS的自动识别算法。曹倩等（2022）利用WRF模式（Weather Research and Forecasting Model，WRF）及其3D-Var同化系统，同化多部多普勒雷达资料，对极端雷暴大风天气模拟预报进行研究。

基于雷达数据的CI算法主要利用雷达回波反映对流云团的强度和结构变化，通过设定一定的阈值或者利用机器学习方法来判定CI的发生和位置。这类算法的优势是能够提供高时空分辨率和高精度的CI信息，对于短时临近预报和预警具有很高的价值。但是这类算法也存在一些缺陷，如雷达扫描角度存在盲区、覆盖性不足、受地形影响等，导致部分对流云团无法被有效捕捉或者误判。此外，基于雷达数据的CI算法也需要考虑不同地区、季节、下垫面等因素对CI特征的影响，以及不同雷达资料之间的差异和一致性问题。

1.2 基于卫星的CI算法

卫星资料能够提供对流云团的亮温、面积、相态等信息，对于监测和识别对流初生具有一定优势。Maddox（1980）最早提出了基于卫星数据的中尺度对流复合体的亮温和面积阈值标准。之后，基于卫星数据技术的具有代表性的算法也随之产生，如雷暴系统的临近预报RDT算法（Rapidly Development Thunderstorms，RDT; Morel et al.，2000）、预警决策支持WDSS-II系统（The Warning Decision Support System-Integrated Information，WDSS-II; Lakshmanan et al.，2007）、卫星对流分析与跟踪SATCAST方法（Satellite Convection Anaylsis and Tracking，SATCAST; Mecikalski and Bedka，2006）、对流初生临近预报UWCI方法（University of Wisconsin Convective Initiation，UWCI）、积云区的RDCA算法（Rapidly Developing Cumulus Areas，RDCA）（Okabe et al.，2011）等。国内算法研究开始较晚，中国气象局国家卫星气象中心基于风云四号卫星研发了CI快速发展的对流监测系统RDCMS算法（Rapidly Developed Convection Monitoring System，RDCMS; Sun et al.，2019）。目前，RDCMS算法已接受风云地球静止算法测试台的测试，并自2018年6月起集成到FY-4产品系统中（Yang et al.，2017）。

基于卫星数据的CI算法主要利用卫星亮温反映对流云团的温度和高度变化，设定阈值并利用机器学习方法来判定CI。这类算法的优势是能够提供全球范围和长时间序列的CI信息，对于中长期预报和气候研究具有很高的价值。但是这类算法也存在一些缺陷，如卫星亮温受到云顶相态、云微物理、云覆盖等因素的影响，导致部分对流云团无法被有效识别或者误判。此外，基于卫星数据的CI算法也需要考虑不同卫星资料之间的差异和一致性问题，以及卫星资料与其他观测资料（如雷达、探空等）的结合问题。

2 CI局地时空分布特征

2.1 CI时间分布特征

对流初生的时间分布特征反映了对流活动的日变化规律，对于分析和预报对流天气具有重要意义。然而，目前对CI时间分布特征的研究相对较少，多数研究还是以个例分析为主，CI的阈值标准随着地区的地理特征和季节等因素而变化有关，统计结论也相对比较局地。宋珍妮等（2014）基于静止气象卫星数据和对流初生预警算法，得到北京和天津交界附近的对流初生大多发生在13时左右。卜茂宾（2017）选取了北京及周边地区2015—2017年6—7月的三次强对流天气过程，分别得到其对流初生的时间为14时左右。刘国忠等（2016）利用风云静止气象卫星和多普勒天气雷达数据，得到广西地区的强对流云团较多是由午后到傍晚产生的CI发展起来的。郭巍等（2018）基于GOES系列卫星，建立了上海市夏季CI判识及预报方法，得到上海市CI发生时间大多在04—07时。顾成恺等（2019）以福建省的一次对流天气过程为例，利用雷达资料，得到CI发生的时间在10时左右。高国路（2019）研究得到，青藏高原和南坡的深对流有明显的日际变化特征，深对流频率的最大振幅均发生在午后时段。

2.2 CI空间分布特征

对流初生的空间分布特征反映了对流活动的地理分布规律，到目前为止，对CI的空间分布研究结论较少。这与CI研究所需的高时空分辨率和全覆盖范围的观测资料难以获取有关。

不同地区和季节的CI空间分布存在一定的差异。单寅等（2003）利用极轨气象卫星资料，揭示了夏季高原MCS发生高频中心在33°N以南的雅鲁藏布江中上游地区和川西至横断山地区。Yang and Slingo（2001）使用TBB资料研究了热带地区对流日变化的活动特征，得出海洋上的深对流强度在凌晨趋于最强，而大陆上的深对流强度一般在傍晚达到最强。Nesbitt and Zipser（2003）基于TRMM资料研究出陆地和海洋上的对流日变化存在明显的差异，在海洋上空，对流活动的日变化振幅较小，而陆地上对流活动的日变化振幅较大，对流活动强度更强。李博等（2018）研究了夏季青藏高原对流的气候态，得到高原对流主要发生在5月的东部边缘; 6月，随着亚洲夏季风爆发，强对流发生在高原的东南侧; 7—8月，强盛的西南风给高原中东部部分地区带来充沛的水汽，高原的东南部形成一条强对流活跃带。也有学者对青藏高原及其南坡做了夏季深对流的研究，由于地形导致的大气环流场差异，高原主体发生深对流的比例低于南坡深对流，也反映了高原主体的对流降水主要以浅薄的对流性降水为主。高国路（2019）也分析了青藏高原及其南坡深对流总体分布在青藏高原主体的中东部和喜马拉雅山脉南麓。Li et al.（2021）统计了中国及其周边地区2016—2020年暖季发生CI的密度。图1展示了CI时空分布特征。青藏高原西南部、华南中东部、云贵高原是对流发生的极大值中心，6—8月的对流系统占中国及其附近地区总对流系统的75%以上。

3 影响CI的主要因子

对流天气实际是发展迅速、云体高大的积雨云的产物。中尺度对流系统的形成是由内因和外因共同影响的结果，预报问题多集中在这两方面。对流性天气的内因是由丰富的水汽供应和不稳定层结构成。对流性天气的外因则是外力触发（抬升）不稳定能量，迫使气块达到自由对流高度以上时，使温度层结稳定的气层变成不稳定层结，然后发生对流。中尺度对流系统大多形成和发展在天气尺度环流系统中或附近地区（汪柏阳，2015），对流发生的物理过程也具有多尺度和强非线性特征（崔新艳等，2021），下面将介绍影响CI的主要因子。

3.1 边界层辐合线

边界层辐合线（Boudary Layer Convergence Line，BLCL）是指边界层内大气（风、温度或者水汽）的不连续分界线，边界层辐合线触发有很多，包括阵风锋（Weckwerth et al.，2008; 何娜等，2020）、干线（Ziegler et al1997; Xue and Martin，2006; 俞小鼎等，2012; Hill et al.，2016）、水平对流卷（Miura，1986; Kristovich，1993; Weckwerth et al.，1997; Fovell，2005）、海风锋（Pielke，1974; Laird et al.，1995; 万夫敬等，2021）、湖风峰（Wang et al.，2019）、天气尺度锋面（Shapiro et al.，1985）等。研究表明，不同边界相互作用能够减少对流抑制、通过气块增湿增加热力不稳定，从而触发CI或加强已经存在的对流。CI经常发生在两个或更多边界相互作用处（Shapiro et al.，1985; Doswell，1987; Wilson et al.，1992; Johnson and Mapes，2001; Weckwerth and Parsons，2006; 赵金霞等，2012; 何立富等，2016; Alexander et al.，2018; 苏爱芳等，2022）。图2展示了边界附近CI可能出现的区域，CI一般出现在移动边界的后侧，多个边界的相互作用区域最有可能出现CI，静止边界两边都有可能出现CI。边界对决定新对流形成的大体位置是重要的，但是不能决定对流出现的准确时间和地点（Wilson et al.，1992）。

3.2 风的垂直切变

至今，众多研究已利用数值模拟定量揭示出CI与风垂直切变有着密切的关系（Bluestein and Jain，1985; Parker and Johnson，2000; Schumacher and Johnson，2005），尤其是低层风切变对中尺度对流系统组织起着重要的作用（Weisman and Rotunno，2004）。McNulty（1995）发现0~6 km有强垂直切变时，有利于多单体或超级单体的发生发展，在较弱的垂直切变中，对流单体在向下风向传播时迅速消失。陈明轩等（2013）通过数值模拟出0~3 km的垂直风切变对飑线的发展起着重要的作用。郑淋淋和孙建华（2016）利用WRF数值模式，改变不同高度上垂直风切变的大小，影响对流的强度和组织类型的变化，上升速度和下沉速度的加强，降水量和近地面风也随之改变。

3.3 局地地形

地形对对流的起始、成熟、消亡产生深远的影响（Soderholm et al.，2014）。山脉地形会导致风场的垂直和水平扰动。在山地的迎风坡，气流被强迫抬升，容易出现CI。相反，在背风坡，那里的下坡风被加热变干，对流被抑制; 还有就是不同太阳辐射加热导致山地-平原环流，白天形成的上坡风在山顶辐合，夜晚则相反，下坡风与环境中的气流辐合，在山脚产生上升气流，可能产生CI（Kirshbaum et al.，2018; 刘瑞婷等，2021; 张一平等，2021）。近年来，国际上大量的观测、建模和理论研究加深了我们对地形如何影响对流初生的理解（Orville，1965; Wilson and Roberts，2004; Tucker and Crook，2005; 罗亚丽，2012; Kirshbaum and Wang，2014）。在不同地区开展了大量的研究，证明地形对CI的影响。在目前的气候下，深对流倾向于在山脉附近形成，亚热带南美洲的安第斯山脉有助于产生世界上一些最强烈的深对流（Zipser et al.，2006; Rasmussen and Houze，2016）。孙齐颖（2016）研究得到对流性降水主要发生在夏季赤道辐合带10°N左右附近。由于连续对流初生（CI）和逆尺度对流增长（Upscale Convective Growth，UCG）等过程，在沿海地形附近经常观察到强降雨（Lin et al.，2001; Ducrocq et al.，2008; Lee et al.，2014; Bai et al.，2020a，2020b）。

3.4 低空急流

低空急流（Low Level Jet，LLJ）是产生暴雨的水汽和动量的最重要的系统，也是风暴发展的机理之一。LLJ在水平方向存在着显著的核区结构并伴有强烈的水平风速切变，低空急流核区上游存在气流的辐散，而在下游对应有一辐合区域。因此，当气流穿越急流中心时便会在上游位置辐散下沉而在下游区域辐合上升，这种配置将有利于对流系统在低空急流下游的发展与加强（吴哲珺等，2019）。急流轴走向根据不同区域的地形环境特征而有所差异，一般情况下与山脉或海岸线走向大体一致（刘鸿波等，2014）。图3给出了低空急流与CI的动力学模型，可以看到，由于低空急流经过地形抬升，在山前和山坡上触发对流，迎风坡易出现强降水（黄小彦等，2020）。

3.5 其他

近年来，大量学者对夜间高架CI也较为关注。罗亚丽（2012）找到夜间对流初生的产生主要受到两个因素的制约:低空西南季风气流，它给对流的连续触发和发展提供了不稳定能量; 梅雨锋前大约100 km处的近地面中尺度冷空气堆，两者都是对流初生的触发机制。崔新艳等（2021）对夜间高架CI机理做了概述，低空急流（Reif and Bluestein，2017）、涌（Parsons et al.，2019）、重力波（Richiardone and Manfrin，2003）等都与高架CI的产生有着非常紧密的关系。还有学者研究得到，对流天气的强弱还会与太阳辐射、季风运动、盛行西风运动、地形作用以及植被覆盖率和土壤性质等有关（潘留杰等，2015）。综合上述的影响CI主要因子分析，可以得到影响CI变化的多尺度概念图（图4; 贺芸萍等，2023）。

4 结论与展望

通过对近年来基于雷达和卫星的CI成熟算法的研究、CI局地时空分布特征和影响CI的主要因子的国内外若干研究结果的归纳总结，得到以下一些结论:

1）因强对流的特点，使用常规手段很难对其进行有效监测。目前，对流初生短临预报技术从数据源上可分为基于雷达的气象预报和基于卫星数据的气象预报。由于雷达技术发展较早，技术较成熟，使其成为重要的临近预报技术，但在时效性上还存在有提升空间。静止气象卫星因其高时空分辨率、长时间的观测，多通道光谱信息为监测强对流活动的生命史全程提供了全方位的数据资料，进一步提升了强对流的短临预报水平。

2）研究者开发了很多对流初生的算法，虽然其流程相似，但各具有特色，且对于不同地区CI特征不同，判识CI标准的指标也不一样，所以没有统一的标准，需要修订这些预报指标后才能使用。鉴于前人对影响CI的主要因子的深入研究，可利用卫星高时空分辨率的数据，对CI的中小尺度结构特征和演化做定量化的研究。

3）鉴于不同地区CI识别的判据不同，根据不同的局地区域开发的产品较多，但却未开展更深入全面的研究。尤其是高原地区观测资料稀疏情况下对流初生事件的分布特征如何?影响其分布及演变的因素有哪些?均是值得进一步研究和完善的问题。

4）目前基于机器学习的CI识别算法的优势是能够自动学习和更新CI的预报因子，提高CI的识别精度和效率，但是这些算法需要考虑数据质量、样本不平衡、模型泛化等问题，所以对CI的机器学习方法的选择和优化等问题需要进行不断优化改进。

参考文献