0 引言
云是指漂浮于空气中的液态水滴、固态冰晶及其混合物，在地球水循环系统中发挥着重要作用，同时影响地气系统的辐射收支和热量平衡，是气象领域重要的研究对象（Stubenrauch et al.，2013）。云底高度和云顶高度作为描述云宏观结构特征的重要参数，能够直观反映云的垂直分布和发展状况，是航空飞行领域重点关注的气象要素。云体可能影响飞机运行安全，其中低云会降低垂直能见度，对飞机起降阶段的安全运行造成影响；夏季较高的云顶高度通常反映云体垂直发展较强，并常与强对流性天气活动有关，因此飞机巡航阶段也需关注航线上云顶高度的变化（Bankert and Hadjimichael，2007；王明等，2021）。此外，云底和云顶高度在高影响天气监测、人工影响天气作业以及气候变化研究等领域也具有重要应用价值（Zuidema et al.，2009；Yang et al.，2010；郭学良等，2013；徐路扬等，2023；郭立平等，2024）。因此，实现云底和云顶高度的准确预报，对于保障航空飞行安全、提高人工影响天气作业效果具有重要意义。
云底高度和云顶高度等云宏观参数通常无法由数值天气预报模式直接输出，因此需要基于模式输出的大气环境变量建立统计关系进行间接预报。模式输出统计（Model Output Statistic，MOS）方法是较早用于建立数值天气预报输出产品与云底高度之间统计关系的方法（Vannitsem et al.，2021；Bochenek and Ustrnul，2022），其通过建立模式输出变量与目标气象要素之间的统计关系，对模式输出结果进行解释和订正，从而提高目标气象要素的预报能力。近年来，随着人工智能技术的发展，MOS方法在气象领域的应用日益广泛（杜智涛等，2021；孙彩霞等，2025）。相关研究将人工智能算法与数值天气预报模式输出的多源气象要素相结合，构建气象要素与预报目标之间的非线性映射关系，提高气象要素预报能力。已有研究表明，机器学习方法在气象要素订正和云底高度预报中具有较好的应用效果（孙全德等，2019；Lewis et al.，2022；Wolters et al.，2025）。
新疆地区处于欧亚大陆腹地，远离海洋，干燥少雨，是典型的大陆性干旱气候区。由于云水资源对人工影响天气、区域气象环境和生态系统具有重要影响，新疆空中云水资源一直是相关领域关注的重点。同时，云覆盖率、云底高度等宏观云特征也对光伏发电、航空运行等领域具有一定影响。现有研究主要从水汽含量、云水粒子半径等微观角度分析新疆空中云水特征（张学文，1988；彭宽军等，2010；阿丽亚·拜都热拉等，2013），缺少针对云底高度、云顶高度等宏观物理参数的研究。近年来，西北地区气候逐渐暖湿化，新疆水汽条件和云水资源特征也发生相应变化（李明等，2021；王澄海等，2021；陈发虎等，2023），因此有必要基于最新观测资料开展新疆云宏观特征研究。本文利用新疆4部毫米波云雷达探测资料，分析新疆区域云频率、云底高度和云顶高度等要素的时空分布特征，并结合数值预报模式多要素预报数据，利用机器学习方法开展新疆云底高度和云顶高度预报试验研究，为新疆地区人工影响天气作业和航空飞行安全保障提供科学参考。
1 资料与方法
1.1 资料
本文使用的观测资料来源于克拉玛依、阿克苏、民丰和哈密4个国家基本气象站（图1）。4个站点分别位于准噶尔盆地中部、西天山南坡、昆仑山脉北麓和东天山南坡，海拔高度分别为450.3、1 107.1、1 449.5、737.2 m。克拉玛依和阿克苏年平均降水量分别为80~130 mm和60~100 mm，属于干旱区；民丰和哈密年降水量为20~50 mm，属于极干旱区（徐德源，1989；毛炜峄等，2008）。为提高云观测能力，新疆自2023年以来陆续在上述站点建设YLU1型全固态Ka波段云雷达，并获得业务准入。该型云雷达采用准连续波体制和脉冲压缩信号技术，以垂直顶空观测模式全天候探测云体。文中所述云底高度和云顶高度均指相对于地面的高度。雷达垂直分辨率为30 m，时间分辨率为1 min。观测资料主要包括反射率因子、垂直速度和谱宽等。由于云雷达观测资料时间序列不足2 a，为保证统计分析基于完整年度资料，云频率及其时间变化特征分析采用2024年1月1日至12月31日的观测资料。由于降水粒子会干扰云雷达对云体的观测，有效样本统计中剔除降水时段观测样本，最终克拉玛依、阿克苏、民丰和哈密站的数据完整率分别为94.96%、97.55%、95.64%和97.08%。按照云底高度对云进行分类（盛裴轩等，2013），云底高度位于0~<2、2~<6、6~15 km范围内的云分别定义为低云、中云和高云。
图1
图1
新疆地形（填色，单位：m）及云雷达站点（红色圆点）分布
Fig.1
Topography （the color shaded， Unit： m） and distribution of cloud radar stations （red dots） in Xinjiang
使用中国气象局“天擎”数据服务平台获取欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）多种预报产品（表1），通过最邻近插值法将模式网格数据插值至4个站点。预报资料时间范围为2023年1月1日至2025年4月30日，预报时次为每日08：00和20：00（北京时，下同），预报时效为96 h，预报间隔为3 h。将模式预报数据与对应时刻的观测数据进行匹配，构建模型训练集和测试集。
表1 模式产品
Tab.1
| 要素分类 | 要素名称 | |
|---|---|---|
| 分层 | 模式层 | 云中冰水含量（cloud ice water content，ciwc）、云中液态水含量（cloud liquid water content，clwc） |
| 等压层 | 比湿q、温度t、经向风分量v、纬向风分量u、相对湿度r、位涡（potential vorticity，pv）、垂直速度w | |
| 单层 | 对流有效位能（convective available potential energy，cape）、整层大气含水量（total column water，tcw）、低层云覆盖率（low cloud cover，lcc）、降水类型（precipitation type ，ptype）、零度层高度（level of zero-degree isotherm，deg0l）、2 m露点温度2td、总降水量（total precipitation，tp）、2 m温度2t、对流有效位能切变（convective available potential energy shear，capes）、对流降水（convective precipitation，cp）、预报反照率（forecast albedo，fal）、整层云覆盖率（total cloud cover，tcc）、整层垂直积分水汽（total column water vapour，tcwv）、地面气压（surface pressure，sp） | |
1.2 方法
1.2.1 云雷达数据质量控制
1）大气边界层内悬浮的大颗粒灰尘、粉尘和昆虫通常会在云雷达中低层产生气象杂波，该类回波一般具有较低的反射率因子（Ze）和较高的线性退极化比（Linear Depolarization Ratio，LDR）特征。采用Ze和LDR双阈值判别法结合滑动窗口过滤法，对低空悬浮物回波进行质量控制。其中，双阈值法判别法如下：
2）距离旁瓣回波是雷达探测中常见的虚假回波。Ka波段云雷达的距离旁瓣回波主要由脉冲压缩过程造成，其强度与雷达脉冲压缩比（Pulse Compression Ratio，PCR）有关，通常出现在强云雨回波的一定范围内，会对云边界识别造成干扰。为滤除脉冲压缩引起的距离旁瓣回波，以任一距离库作为中心判断对象，检测其上下PCR个距离库范围内是否存在超过30 dBZ的强回波；若存在，则判断该距离库为距离旁瓣回波，否则为正常云雨回波。PCR取平均值80。
图2为2025年4月8日10：35—15：35克拉玛依站云雷达反射率因子质量控制前后的对比结果。可看出，质量控制后数据主要保留云体观测信息，有效滤除了低空悬浮物回波和云下距离旁瓣回波。基于质量控制后的反射率因子数据，可进一步计算云底高度和云顶高度。对于多层云，选取最低云层的云底高度和最高云层的云顶高度作为研究对象。
图2
图2
2025年4月8日10:35—15:35克拉玛依站云雷达反射率因子质控前（a）、后（b）对比（单位：dBZ）
Fig. 2
Comparison of cloud radar reflectivity factor before (a) and after (b) quality control at Karamay Station from 10:35 to 15:35 on 8 April 2025 (Unit: dBZ)
1.2.2 云频率统计方法
统计云出现的频率，对克拉玛依、阿克苏、民丰和哈密4站云特征进行对比分析。云频率计算公式（李慧等，2023）如下：
式中：f为统计对象出现频率；Ns为某分析对象样本数，包括全部云样本数、不同类型云样本及不同云底高度对应的云样本数；NV为有效样本总数。
1.2.3 机器学习方法
LightGBM（Light Gradient Boosting Machine）是一种基于梯度提升决策树（Gradient Boosting Decision Tree，GBDT）的机器学习方法，主要用于提高传统GBDT算法的训练效率。该方法通过集成多个弱学习器构建强学习器，在计算速度和内存占用方面进行了优化，同时能够保持较高的预测精度（Ke et al.，2017；Shyam et al.，2020）。基于云雷达观测资料和ECMWF多种气象要素预报产品，采用LightGBM方法分别建立新疆区域晴空、云分类预报模型及云底高度、云顶高度预报模型。模型训练流程主要包括数据收集、特征工程分析、模型训练和效果评估（图3）（刘新伟等，2021）。
图3
2 结果与分析
2.1 云频率
表2为克拉玛依、阿克苏、民丰和哈密站云频率及分类云频率统计结果。其中，民丰站云频率最高，为38.62%，其次为克拉玛依站（33.63%），较民丰低4.99%；阿克苏站云频率为33.28%；哈密站最低，仅为25.01%。总体来看，云雷达观测结果符合新疆干旱气候特征，4站全年晴空天气占比较高。哈密站位于新疆东部，与其他3个同处于西风带影响下的站点相比，晴空比例最高。由于携带水汽的西风气流经过天山山脉时受地形抬升作用，大量水汽在天山附近凝结并形成降水，到达哈密的水汽明显减少（张正勇等，2015），因此哈密站云频率仅为25.01%，晴空天气频率超过70%，年平均降水量也仅为20~50 mm。阿克苏站位于塔里木盆地西北部、西天山南麓，虽然同样受天山山脉阻挡，但由于地理位置偏西，夏秋季西风急流增强时，部分水汽可翻越天山并在该区域形成云系（郭楠楠等，2019；李海花等，2022），因此其云频率较哈密站高8.27%，年平均降水量（60~100 mm）也高于哈密站。克拉玛依站位于准噶尔盆地腹地，更易受中高纬大气环流波动影响（杨莲梅等，2010；陈颖和贾孜拉·拜山，2019），水汽条件相对较好，因此云频率高于阿克苏站和哈密站，年平均降水量（80~130 mm）也相对较高。民丰站位于塔里木盆地南部、昆仑山脉北麓，属于典型的沙漠干旱区，但其云频率明显高于其他3站，而年平均降水量仅为20~50 mm，与哈密站相当。已有研究（史玉光和孙照渤，2008；徐祥德等，2014；樊威伟等，2021）表明，塔里木盆地南部受青藏高原和塔克拉玛干沙漠共同影响，热力和水汽条件具有区域特殊性。昆仑山脉、喜马拉雅山脉及青藏高原阻挡了部分水汽输入，同时塔克拉玛干沙漠强烈蒸发作用导致低层水汽向外输送，但青藏高原特殊的热力和动力作用仍可促使部分水汽进入塔里木盆地。这些水汽多数情况下不足以形成降水，但可形成以中高云为主的云系，因此民丰站整体云频率较高。
表2 各站云雷达样本数及云频率
Tab.2
| 站点 | 有效观测样本总数 | 云频率/% | 低云 频率/% | 中云 频率/% | 高云 频率/% |
|---|---|---|---|---|---|
| 克拉玛依 | 525 411 | 33.63 | 8.53 | 16.99 | 8.10 |
| 阿克苏 | 526 132 | 33.28 | 7.37 | 18.05 | 7.86 |
| 民丰 | 513 278 | 38.62 | 5.19 | 25.39 | 8.04 |
| 哈密 | 521 503 | 25.01 | 3.94 | 13.88 | 7.19 |
图4为各站云频率随高度的分布特征。结合表2可看出，民丰和哈密站的云频率随高度整体呈单峰分布，以中云为主，峰值均出现在4 000 m高度附近；克拉玛依和阿克苏站云频率呈双峰分布，其中阿克苏站第一峰值出现在4 000 m左右的中云区，第二峰值出现在1 000 m左右的低云区。阿克苏夏季对流活动频率较高（王旭和马禹，2012），而积雨云等对流云系的云底高度多在1 000 m左右，因此该区域低层云频率较高。质控阶段已剔除降水时段数据，120 m以下的低层回波主要可能与雾以及降水发生、消散阶段近地层水汽增加有关（刘光普等，2019；周青等，2023）。由于阿克苏和克拉玛依年降水量高于民丰和哈密站，其近地层云频率也相对较高。此外，克拉玛依冬季大雾天气较为频繁（王旭等，2002），进一步导致其近地层云频率明显高于其他站点，因此克拉玛依站第二峰值为中云，而第一峰值出现在近地层。
图4
图4
2024年克拉玛依、阿克苏、民丰和哈密站不同高度的云频率
（深灰色、灰色和浅灰色背景分别对应低云、中云和高云；曲线经5点滑动平均平滑处理）
Fig.4
Cloud frequency at different heights at Karamay， Aksu， Minfeng， and Hami stations during 2024
（The dark gray， gray， and light gray backgrounds correspond to low， mid-， and high-level clouds， respectively； the curves are smoothed using a 5-point moving average）
2.2 云频率季节分布
图5为克拉玛依、阿克苏、民丰和哈密4站云频率季节分布。克拉玛依站夏季云频率最低，为28.67%；春、秋季差异较小，分别为33.26%和34.12%，冬季最高，为38.50%。阿克苏站云频率春季最高，为39.22%，秋季最低（26.34%）。民丰站云频率季节变化特征与阿克苏站相似，春季最高，为43.68%，秋季最低（30.62%）。哈密站各季节云频率均低于其他站点，季节差异相对较小，春季最高，为27.44%；冬季最低，为21.84%。除克拉玛依夏季和阿克苏冬季外，其他站点各季节中云频率高于低云和高云频率。冬季各站点的低云频率均有所增加，这可能与冬季气温较低、水汽凝结高度降低及大雾天气有关，使云底高度整体偏低。
图5
图5
2024年克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站云频率季节分布
Fig. 5
Seasonal distribution of cloud frequency at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations during 2024
2.3 云底和云顶高度的季节变化
图6为克拉玛依、阿克苏、民丰和哈密4站各季节云底高度分布特征。4站各季节云底高度均分布于地面至12 000 m高度范围内，但中位数和第25%~75%分位数主要集中在2 000~7 000 m，与前文各站以中云为主的统计结果一致。克拉玛依站夏季云底高度明显高于其他季节，其余3站季节差异相对较小。
图6
图6
2024年克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站云底高度季节分布小提琴图
（曲线表示概率密度，黑箱表示第25%~75%分位数，白点表示中位数，下同）
Fig. 6
Seasonal distribution violin plot of cloud base height at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations during 2024
(The violin plot contours represent probability density, the black boxes show the 25th-75th percentiles, and the white dots indicate the median, the same as below)
各站云顶高度分布更加集中（图7）。其中，克拉玛依夏季云顶高度最高，冬季最低；其余3站各季节云顶高度变化较小。此外，4站冬季云顶高度在2 000 m以下均存在较高概率密度区，这与冬季大雾天气频发有关。
图7
图7
2024年克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站云顶高度季节分布小提琴图
Fig. 7
Seasonal distribution violin plot of cloud top height at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations during 2024
3 基于LightGBM的晴云分类预测和云底、云顶高度预报
3.1 晴、云预测模型
LightGBM模型训练参数见表3。受建站时间影响，哈密站样本量少于其他站点，但有效样本仍超过20 000个，能够满足模型训练需求。采用早停法控制模型迭代次数，即验证集损失连续10次不再降低时停止训练。最终4站模型迭代次数分别为克拉玛依810次、阿克苏1 007次、民丰1 132次和哈密679次（表4）。4站晴空、云分类模型预测准确率均超过90%，其中哈密站最高（92.63%），克拉玛依站次之（92.02%），阿克苏站和民丰站准确率较为接近。图8为LightGBM晴云预测模型特征重要性排序。总体来看，ECMWF云覆盖率产品贡献最大，其重要性明显高于其他输入变量，表明该产品对新疆晴空和云天气的识别具有较强指示作用。除云覆盖率外，不同站点模型的关键影响因子存在一定差异。克拉玛依站主要受中高层相对湿度及冰水含量影响，这与该站以中高云为主的云结构特征一致；阿克苏和民丰站高层水汽相关变量贡献较大，说明水汽条件对两站云状态变化具有重要作用，其中阿克苏站模型涉及的重要特征更多，反映出其云天气形成机制相对复杂；哈密站模型结构相对简单，除云覆盖率外，高层冰水含量具有一定贡献，这可能与该站以中高云为主的云特征有关。
表3 晴、云分类及云底高度、云顶高度预报训练参数
Tab.3
| 参数 | 晴、云分类 | 云底、云顶高度 |
|---|---|---|
| 学习率 | 0.1 | 0.08 |
| 最大数深度 | 6 | 6 |
| 叶子节点个数 | 31 | 31 |
| L1正则化 | 0.1 | 0.1 |
| L2正则化 | 2 | 2 |
| 特征选取百分比 | 0.9 | — |
表4 晴、云分类预报训练样本数、迭代次数及结果
Tab.4
| 站点 | 总样本数 | 晴、云样本数比 | 迭代次数 | 晴、云预测准确率/% |
|---|---|---|---|---|
| 克拉玛依 | 33 087 | 1.4 | 810 | 92.02 |
| 阿克苏 | 34 560 | 1.7 | 1 007 | 91.87 |
| 民丰 | 35 871 | 1.2 | 1 132 | 91.97 |
| 哈密 | 25 116 | 2.4 | 679 | 92.63 |
图8
图8
克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站LightGBM晴云预测模型特征重要性排序
（变量后的数字为高度层，下同）
Fig. 8
Feature importance ranking for the LightGBM clear/cloudy sky classification model at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations
(Numbers after variables denote height level, the same as below)
3.2 云底、云顶高度预报
由于LightGBM模型输入仅包含有云样本，训练样本数较晴、云分类模型有所减少，因此将学习率设为0.08（表3），以增加模型学习能力。各站模型迭代次数及预报结果见表5。4站云底高度预报误差均小于1 000 m，误差最小为哈密站（801 m）；云顶高度预报误差均小于800 m，最小也为哈密站（667 m）；云顶高度预报误差整体小于云底高度。总体来看，云顶高度模型预报效果优于云底高度模型。结合前文云底和云顶高度分布特征，云顶高度分布相对集中，样本离散程度较低，有利于模型学习其与大气环境因子之间的非线性关系；而云底高度受近地层温湿条件、地形和云形成过程等因素影响，空间和时间变化更加复杂，因此预报难度相对较高。
表5 云底高度、云顶高度预报训练样本数、迭代次数及结果
Tab.5
| 站点 | 总样本数 | 云底高度模型训练迭代次数 | 云顶高度模型训练迭代次数 | 云底高度误差/m | 云顶高度误差/m |
|---|---|---|---|---|---|
| 克拉玛依 | 13 932 | 1 058 | 2 039 | 958 | 775 |
| 阿克苏 | 12 909 | 834 | 1 639 | 904 | 749 |
| 民丰 | 16 344 | 2 005 | 1 393 | 855 | 742 |
| 哈密 | 7 373 | 1 261 | 1 178 | 801 | 667 |
图9为各站云底高度预报模型特征重要性排序。4站贡献最大的特征均为水汽类变量，表明水汽条件是影响云底高度变化的主要因素。与晴、云预报模型相比，云底高度预报模型涉及更多类型的气象变量，其中阿克苏和民丰站高空动力、温度及地面气象要素也具有一定贡献，说明云底高度不仅受水汽条件影响，还与大气动力和热力条件密切相关。哈密站云底高度预报模型相对湿度和温度的贡献最大，其他特征贡献相对较低，模型能从较少的特征中学到较多的云底高度信息，减少了其他特征的干扰，因此哈密站的云底高度预报模型性能较好，绝对误差较小。
图9
图9
克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站LightGBM云底高度预测模型特征重要性排序
Fig. 9
Feature importance ranking for the LightGBM cloud base height prediction model at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations
图10为各站云顶高度预报模型特征重要性排序。其中克拉玛依和哈密站300 hPa比湿贡献最大，阿克苏和民丰站冰水含量贡献最大。高层水汽相关变量是影响云顶高度预报的主要因子，表明云顶高度变化与高层水汽条件密切相关。相比云底高度模型，不同站点温度、动力和水汽条件的贡献存在差异。高空水汽条件是影响克拉玛站依云顶高度的重要因素，其主要贡献特征集中于高空水汽和冰水含量产品。除水汽条件外，热力条件对阿克苏站云顶高度也具有较大影响，700 hPa气温为贡献较高的特征之一。民丰站云顶高度预报模型的主要贡献特征较为集中，同时包含近地面气温等变量，表明该站云顶高度变化受多层次热力和水汽条件共同影响。哈密站云顶高度模型贡献度高的输入特征排名与云底高度模型较为相似，模型依赖的特征较少，其预报误差也相对较低。
图10
图10
克拉玛依（a）、阿克苏（b）、民丰（c）、哈密（d）站LightGBM云顶高度预测模型特征重要性排序
Fig. 10
Feature importance ranking for the LightGBM cloud top height prediction model at Karamay (a), Aksu (b), Minfeng (c), and Hami (d) stations
4 结论与讨论
利用2023年3月至2025年4月克拉玛依、阿克苏、民丰和哈密4站毫米波云雷达观测资料，分析新疆不同区域云频率、云类型及云底和云顶高度的垂直分布和季节变化特征；进一步结合ECMWF模式产品和LightGBM机器学习方法，开展4站晴、云分类预测以及云底、云顶高度预报，得到以下主要结论。
1）4站云频率整体较低，均小于40%，其中民丰站最高，哈密站最低。克拉玛依、阿克苏和哈密站云频率变化总体与区域水汽条件和降水特征一致，而民丰站受塔里木盆地南缘特殊地形和水汽条件影响，云频率最大，且以中高云为主，低云频率最低；各站的中云频率均高于低云和高云；民丰和哈密站云频率随高度呈单峰分布，克拉玛依和阿克苏则表现为低云和中云双峰结构。
2）各站云频率具有明显季节差异。克拉玛依站云频率冬季最高、夏季最低；阿克苏和民丰站变化趋势较为一致，秋季最低、春季最高；哈密站各季节云频率均最低，最大值出现在春季。除克拉玛依夏季和阿克苏冬季外，其他站点各季节的中云频率最高。
3）4站云底高度分布范围较广，主要集中于2 000~7 000 m，与中云占主导的云结构特征一致。云顶高度分布更为集中，其中克拉玛依夏季云顶高度较高、冬季较低，而其他站点季节变化相对较小。4站云顶高度在2 000 m以下均存在概率密度大值区，与冬季大雾天气过程有关。
4）4站基于LightGBM建立的晴、云分类模型预测准确率均超过90%，其中ECMWF云覆盖率产品是模型贡献最大的输入特征。云底和云顶高度模型预报误差分别小于1 000 m和800 m，且哈密站云底和云顶高度预报误差均最低。不同站点模型预报贡献最大的特征均为中高层水汽相关特征，同时温度、动力等因子对部分站点云底或云顶高度预报具有一定贡献。哈密站云底和云顶高度预报模型贡献度高的特征较少，特征信息相对集中，模型的预报性能也优于其他站点。
基于毫米波云雷达观测资料和机器学习方法，对新疆云宏观特征和云高度预报进行了初步研究。LightGBM能够分析输入特征重要性，但该方法主要反映变量与预测结果之间的统计关系，无法揭示云形成和发展的物理机制，相关机理研究仍需进一步结合动力、热力和水汽条件开展深入分析。此外，由于毫米波云雷达建设时间较短，观测资料时间长度有限，研究结果主要反映近期新疆典型区域云宏观特征。未来可结合卫星遥感等多源观测资料，提高云宏观物理量的空间覆盖能力，进一步提升区域云特征认识和预报水平。
参考文献
毫米波云雷达在高影响天气中的预警应用
[J].
为提高城市高影响天气的精细化预报预警水平，利用雄安新区2020年1月—2023年12月容城气象站Ka波段毫米波云雷达反射率因子、径向速度等7种产品及地面气象资料和天气学、雷达回波图像形态分析等方法对雄安新区暴雨、大风、雾、霾及沙尘等高影响天气进行分析。结果表明：1）云雷达对含降水的高影响天气云体探测结构清晰、垂直分布特征直观。当春、夏、秋季回波强度≥21 dBZ（冬季≥15 dBZ）、伸展高度≥5 km（冬季≥2 km）的云体出现，且云体最低高度达150 m时，可看作地面降水将出现的特征指标，时间提前量平均达20 min左右，当回波强度减弱、云底高度抬升，降水趋于结束；各级降水中，暴雨的强回波伸展高度、云水含量等最大。2）当回波顶伸展高度达8 km之上而后快速下落至云顶高度≤2 km时，地面易出现8级以上大风，降水伴大风的回波特点为强回波区中形成明显的U或V型缺口，缺口区最大径向速度达12.5 m·s<sup>-1</sup>左右。3）云雷达反演滴谱数据产品可较好反映各级降水的粒子分布特征；垂直积分液态水含量（Vertically Integrated Liquid Water，VIL）对降水伴大风有预警指示意义，提前量0~30 min或以上。4）非含降水的高影响天气（雾、霾、沙尘等），云雷达回波强度等整体偏弱，各天气现象之间界限不清晰，但与降水天气发生转换时云雷达能快速、清晰地探测出降水云体，有利于提升降水的精细预报预警能力。
基于毫米波云雷达的黄河流域内蒙古段云宏观特征分析
[J].云是地-气系统的重要组成部分，云宏观特征不仅与地-气系统的辐射收支及区域气候变化密切相关，还直接影响云降水过程模式预报的准确性，鉴于此本文基于2020年8月至2021年7月呼和浩特地区毫米波云雷达观测数据，对黄河流域内蒙古段云出现频率及垂直结构进行统计分析。结果表明：该地区多以晴空为主，全年晴空廓线超过了云雷达总采样廓线的70.00%，相比而言，云出现频率较小，6月最高值也仅为43.84%。云类型以中高云为主，云底高度多出现在3.00~4.00 km之间，云层较薄，厚度介于0.50~1.00 km的云出现频率最高。云宏观属性存在明显的季节变化和日变化特征，春季和夏季云的出现频率较高，分别为39.71%和35.77%，冬季云的出现频率最小，春、夏、秋季午后云出现频率明显高于上午时段。
基于LightGBM算法的强对流天气分类识别研究
[J].强对流天气将导致多种灾害性天气， 但由于其突发性强且尺度较小， 在气象业务工作中仍难以准确地预警和预报。本文基于LightGBM （Light Gradient Boosting Machine）算法， 利用甘肃三个地区的C波段雷达回波产品以及地面观测数据， 构建了LightGBM模型， 并分类判识了三类主要的强对流天气［冰雹、 雷暴大风、 短时强降水（短强）］。结果表明， 在2011 -2017年训练集中， LightGBM模型表现较好， 整体误判率仅为4.9%。在2018年的独立样本测试中， 模型对三类强对流和非强对流天气的整体误判率为7.0%， 对三类强对流天气的平均命中率（Probability of Detection， POD）为86.4%， 平均临界成功指数（Critical Success Index， CSI）为64.3%， 平均空报比率（False Alarm Ratio， FAR）为29.0%。其中， 短强的误判率最低， POD和CSI最高， FAR也最小， 而雷暴大风和冰雹的误判率和评分比较接近。因此， 本文构建的LightGBM模型对强对流天气的分类识别较为理想， 首次对三类主要的强对流天气实现了自动化预警， 在未来的气象业务自动化工作中有广阔的应用前景。
新疆水汽输送的气候特征及其变化
[J].利用1961-2000年NCEP/NCAR再分析逐日资料, 分析了新疆地区对流层不同层次空中水汽输送特征。结果表明: 地面~300 hPa每年平均有26114.8×10<sup>8</sup>t水汽流入新疆, 25647.7×10<sup>8</sup>t水汽流出新疆, 净水汽收入量为467.1×10<sup>8</sup>t。由于三面环山的地形, 新疆地区四季和年对流层中层水汽输送量最大, 低层和高层接近。夏季水汽输送量最大, 约占全年的38%, 春、秋季相当, 约占全年的23%~25%, 冬季最少。近40年新疆年平均、春、夏和秋季空中水汽总流入量、总流出量为减少趋势, 变化率很接近, 且1976年后无明显变化趋势, 使得净收支量无显著变化趋势。
论全球变暖背景下中国西北地区降水增加问题
[J].随着全球变暖，全球的降水形式、分布格局都在发生着变化，其中干旱区的降水变化尤为引人瞩目。西北地区干旱少雨，在全球变暖背景下，降水量和大气中的含水量均呈现出增加趋势。通过研究认为这种“暖湿”是一种干旱区湿润程度的改善，并不会改变其干旱少雨的基本气候特征。西北地区降水的形式和性质都和我国东部地区有着根本的差别，降水增加主要是极端和短时对流降水的增加。另外，降水增加主要发生在西北干旱区的内陆河流域，该流域内的干旱地区的农业生态问题并非富水就能解决；西北地区的河西走廊等干旱和极端干旱地区水资源的主要来源是山区降水和冰雪资源；科学理性地认识西北地区降水增加，是正确处理西北地区水资源合理调配和使用、科学开展生态文明建设的前提。
新疆中尺度对流系统的地理分布和生命史
[J].中尺度对流系统（MCS）是夏季造成暴雨等灾害性天气的重要天气系统，高时空分辨率的静止卫星红外云图是监测MCS的主要手段之一。结合新疆的实际情况，将中-β尺度MCS的最小尺度定义为1.0～3.0个纬距。利用1998-2002年日本第5代地球静止气象卫星（GMS-5）逐时红外云图数字资料，采用红外云图增强和图像叠加处理技术，对发生在新疆的MCS进行了分析研究，给出了新疆MCS的地理分布特征和生命史特点。结果表明：（1）5 a内新疆没有出现中-α尺度MCS，出现了111个中-β尺度MCS。MCS具有年际不均衡性，1998、2000年为多发年，2002年为少发年。新疆有两个明显的MCS集中区，一处在伊犁河谷东边天山山脉的迎风坡，另一处在西天山东侧背风坡的柯坪附近，北部的古尔班通古特沙漠中MCS发生的很少，而南部的塔克拉玛干沙漠有MCS的活动。（2）MCS主要出现在春末和夏季，秋冬少见。6月最多，占总数的34%，其次是5月和7月，分别占总数的25%和15%，与新疆沙尘暴、冰雹等灾害性天气的高发季节相对应。（3）多数MCS形成于午后到午夜，夜间至凌晨消散，持续4～6 h，有明显的夜发性。发生在新疆的MCS维持时间较短，这与新疆水汽供应较少有关。（4）新疆MCS的形状规则，圆形和椭圆形各占一半。绝大多数MCS是由对流泡发展而成，尺度较小。（5）给出了3个发生在不同地区的MCS个例，用以展示新疆MCS在发生和发展过程及其云顶黑体温度分布上所表现出来的多样性。
多源遥感数据在北京春季沙尘天气监测中的应用评估
[J].利用2021年春季影响北京的3次沙尘（暴）天气过程（3月15日、28日和4月15日）中激光雷达、激光云高仪和云雷达3种遥感探测设备的探测数据，北京4个国家气象站能见度观测及北京市生态环境监测中心PM<sub>10</sub>监测数据，综合分析3种遥感探测设备对沙尘监测的特点及优劣，以期提高沙尘天气预报预警技术。结果表明：激光雷达的消光系数和退偏振比可以较准确地区分沙尘气溶胶和大气污染物，在边界层和对流层中下层沙尘表现为高消光系数（>0.30 km<sup>-1</sup>）和高退偏振比（>10%）；云高仪的近地面后向散射系数、云底高度与PM<sub>10</sub>质量浓度、能见度变化有较好的对应关系，也能通过近地面后向散射系数的陡增和云底高度的下降来判断沙尘沉降；云雷达能探测到边界层（0~2 km）内的沙尘和对流层中上层（6~10 km）的沙尘云，且能探测垂直速度。综合来看，激光雷达是3类遥感探测设备中唯一能够区分沙尘和大气污染物的设备；云高仪在近地面层对沙尘的监测效果较好，且能够判断沙尘的持续时间；云雷达的探测距离最远且能探测垂直速度。
Data mining numerical model output for single-station cloud-ceiling forecast algorithms
[J].
Machine learning in weather prediction and climate analyses: Applications and perspectives
[J].
LightGBM: A highly efficient gradient boosting decision tree
[C]//
Using machine learning to find cloud‐base height: A didactic challenge
[J].
Comprehensive radar observations of clouds and precipitation over the Tibetan Plateau and preliminary analysis of cloud properties
[J].
Applications of QC and merged Doppler spectral density data from Ka-band cloud radar to microphysics retrieval and comparison with airplane in situ observation
[J].The new Chinese Ka-band solid-state transmitter cloud radar (CR) uses four operational modes with different pulse widths and coherent integration and non-coherent integration numbers to meet long-term cloud measurement requirements. The CR and an instrument-equipped aircraft were used to observe clouds and precipitation on the east side of Taihang Mountain in Hebei Province in 2018. To resolve the data quality problems caused by attenuation in the precipitation area; we focused on developing an algorithm for attenuation correction based on rain drop size distribution (DSD) retrieved from the merged Doppler spectral density data of the four operational modes following data quality control (QC). After dealiasing Doppler velocity and removal of range sidelobe artifacts; we merged the four types of Doppler spectral density data. Vertical air speed and DSD are retrieved from the merged Doppler spectral density data. Finally, we conducted attenuation correction of Doppler spectral density data and recalculated Doppler moments such as reflectivity; radial velocity; and spectral width. We evaluated the consistencies of reflectivity spectra from the four operational modes and DSD retrieval performance using airborne in situ observation. We drew three conclusions: First, the four operational modes observed similar reflectivity and velocity for clouds and low-velocity solid hydrometeors; however; three times of coherent integration underestimated Doppler reflectivity spectra for velocities greater than 2 m s−1. Reflectivity spectra were also underestimated for low signal-to-noise ratios in the low-sensitivity operational mode. Second, QC successfully dealiased Doppler velocity and removed range sidelobe artifacts; and merging of the reflectivity spectra mitigated the effects of coherent integration and pulse compression on radar data. Lastly, the CR observed similar DSD and liquid water content vertical profiles to airborne in situ observations. Comparing CR and aircraft data yielded uncertainty due to differences in observation space and temporal and spatial resolutions of the data.
Competitive analysis of the top gradient boosting machine learning algorithms
[C]//
Assessment of global cloud datasets from satellites: Project and database initiated by the GEWEX radiation panel
[J].
Statistical postprocessing for weather forecasts: Review, challenges, and avenues in a big data world
[J].
Probabilistic forecasting of cloud-base height and visibility using quantile regression forests, based on NWP and observation features
[J].We have applied quantile regression forests (QRFs) to generate probabilistic forecasts of weather conditions associated with low-visibility procedures (LVPs) at Schiphol Airport (Amsterdam, the Netherlands). LVPs are determined by combined thresholds of cloud-base height and (runway) visibility. Forecasts of these conditions are critical for airport operations, as they inform operational planning, with the potential of minimizing meteorologically induced disruptions. Using a dataset of 5 years of hourly data, we have performed a forward feature selection and optimized QRF’s hyperparameters for this specific application, and evaluated the model’s performance for different forecast lead times and different LVP classes. Hereby, LVP forecasts were obtained by combining separate models for cloud-base height and (runway) visibility, applying a Schaake shuffle approach for restoration of the dependencies between these parameters. The verification revealed consistent positive Brier skill scores (BSSs) for the three most common LVP classes: marginal, A, and B. Although the skill was not always positive for the more extreme LVP classes, C and D, we argue that also for these conditions forecasters might derive valuable indications from the forecast system. We demonstrate the operational utility of the system with an example, also illustrating the support of interpretability through the use of Shapley additive explanation (SHAP) values. Our results underscore the potential of QRF for probabilistic forecasts of meteorological conditions, for aviation and other purposes.
Radiative impacts of clouds in the tropical tropopause layer
[J].
Stratocumulus cloud-top height estimates and their climatic implications
[J].A depth-dependent boundary layer lapse rate was empirically deduced from 156 radiosondes released during six month-long research cruises to the southeast Pacific sampling a variety of stratocumulus conditions. The lapse-rate dependence on boundary layer height is weak, decreasing from a best fit of 7.6 to 7.2 K km−1 as the boundary layer deepens from 800 m to 2 km. Ship-based cloud-base heights up to 800 m correspond well to lifting condensation levels, indicating well-mixed conditions, with cloud bases >800 m often 200–600 m higher than the lifting condensation levels. The lapse rates were combined with Moderate Resolution Imaging Spectrometer 11-μm-derived cloud-top temperatures and satellite microwave-derived sea surface temperatures to estimate stratocumulus cloud-top heights. The October-mean cloud-top height structure of the southeast Pacific was then spatially and diurnally characterized. Coastal shoaling is apparent, but so is a significant along-coast cloud-top height gradient, with a pronounced elevation of the cloud-top heights above the Arica Bight at ∼20°S. Diurnal cloud-top height variations (inferred from irregular 4-times-daily sampling) can locally reach 250 m in amplitude, and they can help to visualize offshore propagation of free-tropospheric vertical motions. A shallow boundary layer associated with the Chilean coastal jet expands to its north and west in the afternoon. Cloud-top heights above the Arica Bight region are depressed in the afternoon, which may mean that increased subsidence from sensible heating of the Andes dominates an afternoon increase in convergence/upward motion at the exit of the Chilean coastal jet. In the southeast Atlantic during October, the stratocumulus cloud-top heights are typically lower than those in the southeast Pacific. A coastal jet region can also be identified through its low cloud-top heights. Coastal shoaling of the South Atlantic stratocumulus region is mostly uniform with latitude, in keeping with the more linear Namibian/Angolan coastline. The southeast Atlantic shallow cloudy boundary layer extends farther offshore than in the southeast Pacific, particularly at 15°S.
