从航空气象业务保障实际出发,为建立银川河东机场雷暴天气分类预报模型,在年平均降水量仅为180mm的严重干旱区,针对河东机场雷暴天气小样本数据,进行了中尺度天气背景分析,将数据进行业务映射,并利用峰度偏度系数、χ~2以及Q-Q图进行检验,表明数据服从正态分布。采用线性、非线性以及人工智能建立模型,试用表明预报能力较好。由于本文研究的机场位于中国所有省会城市年降水量最少的城市,年平均降水量仅为180mm,并且机场建成时间较晚,资料记录较少,因此对发生在银川河东机场的雷暴天气进行年际、逐月、逐旬、逐候、逐时、持续时间多种统计学分析,结果表明:(1)河东机场年雷暴日数在波动中呈增长趋势。(2)雷暴主要发生在7月份;雷暴高发月份正值机场航班起降暑运高峰,对航班影响较大。(3)7月下旬尤其是第六候出现雷暴日数相对较多。(4)15:00-16:00以及20:00-21:00是机场发生雷暴最频繁的两个时段。(5)在机场雷暴个例中,56%个例持续时间不会超过1h,41%的持续时间在1~3h,3%的持续时间达到3h以上。针对机场雷暴天气进行中尺度系统分析,得到如下结论:(1)雷暴大风天气,500hPa存在显著气流汇合区的可能性较高。(2)雷暴大风和降雨天气,银川北部蒙古地区存在南北、东西走向的中尺度系统,系统之间相互叠加;银川周围存在24h降温区。(3)雷暴降雨天气,银川附近中尺度系统呈南北走向;北部蒙古地区同样存在南北走向中尺度系统,系统之间相互叠加;700以及500hPa银川西部存在冷中心。在本地航空气象业务实践中,常规气象要素原始量值并不能直接反映航空气象保障的本质需求,为了客观、定量地对伴随不同天气现象的雷暴过程进行预报,从航空气象保障实际出发,在天气学原理的指导下,根据河东机场航空气象保障需求及相关物理量参数对雷暴样本进行业务映射分级转化,分别对机场雷暴伴随大风、降水等不同天气现象进行业务映射。并采用峰度偏度系数、χ~2以及Q-Q图3种方法对映射后的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。针对小样本数据,通过建立多种客观预报模型,选取其中效果较好的模型对雷暴伴随的天气现象及强度进行预报。依据强对流发生的“配料法”分析思路,选取与雷暴发生关系较为密切的参量作为预报因子,分别对分类以及未分类样本建立线性、非线性、BP神经网络以及支持向量机(SVM)预报模型。将因子回代验证,发现分类样本的线性以及非线性回归模型拟合情况与样本值高度近似,而未分类样本与实际情况存在较大偏差,主要原因是未分类样本业务映射转换数值没有严格地服从标准正态分布。将预报模型于2017年投入河东机场进行试用,结果表明,对于各种天气现象的预报,每种模型预报效果各有差异:(1)BP神经元网络以及SVM方法对天气现象的预报准确率较高,达到66.7%,针对弱雨以及大风和降雨同时出现天气的预报尤为突出。(2)分类逐步回归模型对弱雨强度预报准确率较高,高达75%。(3)分类多元回归模型对强降雨强度预报准确率较高,达到66.7%。(4)分类非线性回归模型对大风和降雨同时发生的强度预报较好,达60%。文中5种模型各自存在优势和缺点,根据不同预报模型的性质,采取整体最优化设计,利用各自优势综合设计业务流程:首先利用BP神经元网络和SVM模型对雷暴天气现象进行判断,随后利用分类逐步、多元以及非线性回归模型分别对弱雨、强雨或大风以及大风和降雨同时发生的雷暴天气现象进行强度预报。结合短时预报系统的基本原则,在软件工程学原理的指导下开发了雷暴业务预报系统,功能模块包括:1资料收集,2资料处理,3天气现象预报,4天气强度预报,5生成预警预报文档,6消息推送;该系统实现了银川河东机场雷暴预报模型的自动化和高效化。