2022, Vol. 42
2. 中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100
2. Key Laboratory of Physical Oceanography (Ocean University of China), Ministry of Education, Qingdao 266100, China
海雾发生在海上大气边界层内，其内部悬浮的小液滴或小冰晶对可见光进行吸收和散射，导致大气水平能见度(以下简称“能见度”)不足1 km[1]。我国黄海海域海雾频发，多为平流冷却雾[1-4]。其中，发生在近岸海域且频繁入侵到沿岸陆地的近岸海雾需要引起重视，因为它严重影响了沿海与港口交通以及近海作业。据统计[5]，平均每年发生在山东半岛南岸的近岸海雾次数占黄海海雾(除去黄海东岸的近岸海雾)总数的29.2%。
目前针对黄海海雾的机制研究主要聚焦于发生在开阔海域的大范围海雾[3, 6-9]，而对雾区范围较小的近岸海雾的研究较少，而且它们大多针对朝鲜半岛西侧的近岸海雾[10-13]。山东半岛北接渤海、南临黄海，经常受到海陆风环流的影响[14-15]。黄海近岸海雾最新研究发现，陆风环流能够促进夜间海雾的形成，而海风则会抑制日间海雾的发展[5]，海陆风强弱会明显影响近岸海雾的演变过程。因此，近岸海雾数值预报中要尽量准确刻画出由海陆差异驱动的局地环流，这意味需要设置较高的模式分辨率。
海雾数值预报不仅对初始场高度敏感[3, 16-20]，而且还严重依赖模式物理方案，如边界层方案[21-22]、微物理方案[23]和陆面方案[24]。鉴于此，海雾数值预报技术的一个发展趋势是采用集合预报[3, 15, 25]。高山红等[26]对一次大范围黄海海雾尝试了海雾集合预报，证实了海雾集合预报的可行性。而针对近岸海雾的集合预报研究工作还未见到。由于近海海雾的数值预报需要较高的模式分辨率，如果集合成员较多，受限于计算资源空间，难以业务化应用。一个解决办法是通过初始场择优来减少集合成员数[27-28]。郑青和高山红[29]尝试根据初始时刻集合体成员预报雾区与卫星反演雾区吻合程度来对初始场集合体择优，择优成员的平均值作为决定性预报的初始场，海雾模拟效果得到显著改进，但在预报初始时刻如果卫星未反演出海雾，该择优方法就会失效。
因此，在前人对黄海海雾数值预报的研究基础上，尝试提出一个适用于近海海雾集合预报的初始场择优方案。其基本思路是：利用沿岸地面站气象要素的观测信息来评估集合成员的初始场，将有可能导致海雾预报效果不好的集合成员剔除，让剩下的成员参与集合预报。接下来，以2014年4月发生的一次黄海近岸海雾个例为研究对象，开展初始场择优集合预报试验。希冀提出的择优方案能为近海海雾业务化预报提供技术支撑。
1 数据 1.1 模式驱动与验证数据驱动WRF(Weather Research and Forecasting)模式的背景场数据是欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)提供的逐小时再分析数据集ERA5(the fifth generation atmospheric reanalysis)。该数据垂直分层为37层，水平分辨率达到0.25°×0.25°，下载网址：https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5。模式底边界条件中的海面温度(sea surface temperature, SST)数据来自NEAR-GOOS(North-East Asian Regional Global Ocean Observing System)的逐日SST再分析产品，水平分辨率为0.25°×0.25°，下载网址：http://ds.data.jma.go.jp/gmd/goos/data/。
模式结果验证用到了常规观测数据。它们来自全球通信系统(Global Telecommunication System, GTS)提供的常规观测数据，数据包含地面(3 h ·次-1)和探空(12 h ·次-1)观测数据，下载网址：https://rda.ucar.edu/datasets/ds337.0。此外，青岛近岸的几个站点观测数据来自国家气象信息中心，下载网址：http://data.cma.cn/data/detail/dataCode/A.0012.0001.html。
1.2 天气图与卫星观测近岸海雾的演变受控于低层天气系统。天气系统的分析，使用的是来自韩国气象厅(Korea Meteorological Administration, KMA)的天气图，下载网址：http://web.kma.go.kr/eng/index.jsp。MTSAT(Multifunctional Transport Satellite)卫星可见光云图来自日本气象厅(Japan Meteorological Agency, JMA)，下载网址：http://222.195.136.24/satellite/cloud/mtsat_vis。
为了评估海雾集合预报的效果，采用WANG et al.[19]提出的全天候海雾反演方法来获取海雾观测信息(雾区和厚度)。此方法基于MTSAT静止卫星数据，包括多通道红外亮温和可见光反照率数据。MTSAT数据水平分辨率为0.04°×0.04°，下载网址：http://weather.is.kochi-u.ac.jp/sat/GAME。
2 集合预报试验 2.1 海雾个例2014年4月2日，在山东半岛南岸近海发生一次典型的近岸海雾个例(记为Case-2014)。图 1给出了海雾的雾区演变，其中图 1a—c为采用WANG et al.[19]提出的海雾反演方法得到的雾区，而图 1d—f为MTSAT可见光云图(山东半岛南岸海域乳白色云区为雾区)。4月1日20时(北京时，下同)海雾还未开始生成(图 1a)，4月1日23时，海雾小范围生成于江苏北部近海(图 1b)，在夜间快速发展并于2日白天占据了山东半岛以南近海区域(图 1c—f)。
|
图 1 海雾Case-2014雾区演变(a. 4月1日20时，b. 4月1日23时，c. 4月2日10时，d. 4月2日11时，e. 4月2日14时，f. 4月2日16时；a—c.灰色阴影区代表通过反演方法得到的雾区，d—f. MTSAT可见光云图中山东半岛南岸海域乳白色区域代表雾区) Fig.1 Evolution of fog area in the sea fog Case-2014 (a. 20:00 BST 1, b. 23:00 BST 1, c. 10:00 BST 2, d. 11:00 BST 2, e. 14:00 BST 2, f. 16:00 BST 2 April; a-c. grey shaded area for fog area by retrieval method, d-f. oyster white area to the south of Shandong Peninsula for fog area in MTSAT visible cloud imagery) |
海雾发展过程中整个黄海区域受高压控制(图 2)。图 2显示1 016 hPa等高线(蓝色粗线)所围面积在4月1日20时—2日11时期间逐渐扩大，表明高压系统在不断增强。在此高压的控制下，山东半岛南岸近海发生了海陆风，且海陆风环流明显影响此次海雾的演变[5]。
|
图 2 控制海雾演变的地面天气形势(a. 4月1日20时，b. 4月1日23时，c. 4月2日11时，d. 4月2日14时) Fig.2 Surface synoptic situation affecting the evolution of sea fog (a. 20:00 BST 1, b. 23:00 BST 1, c. 11:00 BST 2, d. 14:00 BST 2 April) |
采用WRF模式(V3.9.1)进行集合预报试验。选用ERA5再分析数据为模式提供初始场和边界条件，采用NEAR-GOOS日平均海面温度数据作为模式底边界条件中的海洋强迫。为了减少模拟区域嵌套带来的误差，设置单层区域(图 3)，其水平分辨率为6 km，模式其他参数的设置详见表 1。
|
图 3 WRF模式区域(色阶为SST，单位：℃；黑色圆点为地面站点) Fig.3 WRF simulation domain (color scale for SST, units: ℃; black dot for surface station) |
|
表 1 WRF模式设置 Table 1 Specifications of the WRF model |
前人研究[23]已经表明，相对于决定性预报，黄海海雾集合预报效果明显占优。这里设计了一组对照试验(表 2)，包括1个决定性预报与1个集合预报。
|
|
表 2 海雾Case-2014的集合预报与决定性预报对比试验 Table 2 Comparative experiment of ensemble forecast versus deterministic forecast for the sea fog Case-2014 |
海雾集合预报需要一组初始场集合体。图 4给出了表 2中数值试验的流程示意。借助蒙特卡罗(Monte Carlo, MC)随机扰动法提前6 h生成一组集合体(初始场与边界条件)，随机扰动生成过程中所采用的背景误差为依据美国国家气象中心(National Meteorological Center, NMC)方法[35]统计得到的背景误差协方差CV5而非模式自带的背景误差协方差CV3；CV5以模拟时间为中心，向前向后各7 d进行后报，利用每天相隔12 h的2次预报结果统计得到[26]。MC随机扰动生成的初始集合体所有成员通过WRF积分6 h到预报起点(即运行wrf.exe)得到一组初始场集合体。这组初始场集合体可以直接驱动海雾集合预报，也可以利用集合平均来进行决定性预报。
|
图 4 数值预报试验的流程 Fig.4 Flow chart of numerical forecast experiment |
如图 4所示，试验的运行流程主要分为2部分：集合体生成(成员数N为36)和动力调整阶段(4月1日14—20时，时长6 h)与预报阶段(4月1日20时—2日20时，预报时长24 h)。
3 集合预报效果分析 3.1 决定性预报与集合预报的比较 3.1.1 预报雾区——定性分析图 5给出了Exp-Det和Exp-Ens的海雾预报结果与观测的比较，其中Exp-Det展现了雾区与厚度(图 5aA—fA)，而Exp-Ens仅有雾区概率(图 5aB—fB)。预报雾区不能由WRF模式直接输出, 而是需要根据模拟的云水混合比(cloud water mixing ratio, 简记为Qc)进行雾区诊断。采取高山红等[17]提出的“鸟瞰”方式，对于海上的某一模式水平格点，在其垂直层中自上而下找到Qc≥0.016 g ·kg-1以确定雾顶高度Htop；因为Htop一般不超过400 m[36], Htop≤400 m就表明该水平格点有雾，且海雾厚度记为Htop。海雾的概率预报最佳概率阈值通常在30%~50%之间[36]，这里取50%作为Exp-Ens的概率阈值[23]。对照观测雾区，Exp-Det和Exp-Ens均较为成功地模拟出了海雾在4月2日白天的演变过程。4月2日07—09时，Exp-Det和Exp-Ens的结果比较接近；而从4月2日10时开始，Exp-Det和Exp-Ens之间的差异逐渐显现。仔细观测模拟雾区与海岸线的贴合程度，发现Exp-Ens要优于Exp-Det，譬如分别比较图 5dA和图 5dB，图 5eA和图 5eB。
|
图 5 MTSAT观测雾区(aO—fO；乳白色区域为雾区)与Exp-Det(aA—fA；色阶为雾区厚度)和Exp-Ens(aB—fB；色阶为预报概率)预报雾区的对比 Fig.5 Comparison of sea fog area between MTSAT observation (aO-fO; oyster white area for fog area) and forecast by Exp-Det (aA-fA; color scale for fog depth) and Exp-Ens (aB-fB; color scale for forecast probability) |
为了客观定量评估Exp-Det和Exp-Ens的雾区预报效果，采用了4种评分[36]。它们分别为击中率(probability of detection，POD，1为最佳)、误报率(false alarm ratio，FAR，0为最佳)、偏差(Bias，1为最佳)和公正预兆评分(equitable threat score，ETS，越大越好)，计算公式如下：
| $ V_{\mathrm{POD}}=\frac{H}{O}, $ | (1) |
| $ V_{\mathrm{FAR}}=\frac{F-H}{F}, $ |
| $ V_{\text {Bias }}=\frac{F}{O}, $ | (3) |
| $ V_{\mathrm{ETS}}=\frac{H-R}{F+O-H-R} 。$ | (4) |
其中，F为预报有雾的格点数；O为卫星观测到海雾的格点数；H为正报雾区的格点数(即预报和观测都存在雾)；R代表随机击中项，R=F(O/N)，N代表评估区域的格点数总和。ETS同时考虑了POD、FAR与Bias，是一种综合评分。本文选用4月2日10—14时时段内逐时的卫星反演结果对预报雾区评分，因为该时段内高云较少且反演雾区很清晰。
图 6给出了Exp-Det(黑色圆点)和Exp-Ens(蓝色实线)预报雾区的统计评分。图中Exp-Ens的POD、FAR、Bias三个评分随着预报概率增大而减小；而ETS则呈现先增后减的趋势，最大值(拐点)出现在60%概率阈值处，ETS约为0.59，对应的Bias为1.0左右，在所有概率中此处的预报效果最好。表 3进一步统计了Exp-Det与50%概率阈值的Exp-Ens预报雾区的评分，以及Exp-Ens相对于Exp-Det的改进百分率。对于POD、FAR、Bias这3个评分，Exp-Ens皆优于Exp-Det，其中Bias的改进率达到56.2%，这说明集合预报大幅减少了虚报雾区，从而改进了FAR；尽管POD的改进只有7.2%，但由于虚报雾区减少，使得综合评分ETS的改进率达到了96.2%。值得注意的是，如果采用60%概率阈值作为对比，Exp-Ens相对于Exp-Det的优势将会更明显。
|
图 6 Exp-Det(黑色圆点)和Exp-Ens(蓝色实线)的预报雾区统计评分(a. POD，b. FAR，c. Bias，d. ETS) Fig.6 Statistical scores (a. POD, b. FAR, c. Bias, d. ETS) of fog area forecast by Exp-Det (black dot) and Exp-Ens (blue solid line) |
|
|
表 3 决定性预报与50%概率阈值的集合预报雾区的统计评分的比较 Table 3 Comparison of statistical scores between deterministic forecast and ensemble forecast with probability threshold of 50% in fog area |
图 7给出了Exp-Ens预报集合体中所有36个成员的4种评分统计结果(成员分别记为M01，M02，M03，…，M36)。POD在0.1~0.9之间，均值约为0.75；FAR在0.05~0.75之间，均值约为0.39；Bias在0.1~2.3之间，均值高达1.32，表明大部分成员预报的雾区偏大，较小的Bias则说明预报失败。综合评分ETS均值约为0.36，高低值之间相差0.55，其中M05、M29、M33的ETS偏高，而M09、M16的ETS偏低。这些评分统计结果表明，集合体成员的预报效果存在较大的差异。
|
图 7 所有成员雾区统计评分(a. POD，b. FAR，c. Bias，d. ETS；黑色水平线代表平均值) Fig.7 Statistical scores (a. POD, b. FAR, c. Bias, d. ETS) of fog area of all members (black horizontal line represents the mean value) |
为了更直观地比较好坏成员的预报效果，挑选成员M33、M09与M16，对比它们的预报雾区(图 8)。图 8中，M33在1日20时—2日13时预报雾区与观测雾区非常吻合，M09预报失败，而M16中起始雾区偏北偏东且雾区过大。显然，M33是好成员，而M09与M16是差成员。
|
图 8 观测雾区(aO—eO)与三个预报集合体成员M33(aA—eA)、M09(aB—eB)、M16(aC—eC)的预报雾区之间的差异(色阶为雾区厚度) Fig.8 Difference of fog area between observation (aO-eO) and forecast by three ensemble members (M33: aA-eA, M09: aB-eB, M16: aC-eC)(color scale for fog depth) |
为了分析好成员与差成员差异的产生原因，分别挑选M33与M09作为它们各自的代表，进行剖析。
3.3.1 近海面温湿场的差异这里，以模式底层代表近海面。图 9展示了M33与M09在4月2日10时模式底层的水汽混合比、相对湿度与温度的分布，以及它们的差异(M09减去M33)。在雾区(图 9中黑点所覆盖的区域)，M33的水汽混合比明显低于M09(图 9a、b、c)，但M33相对湿度高于M09(图 9d、e、f)，M33的温度低于M09(图 9g、h、i)。这是由于在雾区中，湍流垂直热通量向冷海面输送热量造成气温降低[3]，相对湿度升高，水汽凝结变成雾(即云水)导致水汽混合比降低。图 9表明，好成员与差成员在模式底层的温湿场存在显著的差异。
|
图 9 4月2日10时模式底层处M33(a、d、g)与M09(b、e、h)的水汽混合比(a、b、c；色阶，单位：g ·kg-1)、相对湿度(d、e、f；色阶，单位：%)与温度(g、h、i；色阶，单位：℃)分布以及它们的差异(c、f、i)(黑点代表观测雾区) Fig.9 Distribution of water vapor mixing ratio (a/b/c; color scale, units: g ·kg-1), relative humidity (d/e/f; color scale, units: %), and temperature (g/h/i; color scale, units: ℃) of M33 (a/d/g) and M09 (b/e/h), and their difference (c/f/i) at the bottom of model at 10:00 BST 2 April (black dot represents the observed fog area) |
利用青岛站和射阳站(图 3中的QD和SY，红十字)的探空观测，比较M33与M09大气边界层结构的差异。850 hPa以下的高度场、水汽、温度与水平风速的均方根误差(root mean square error，RMSE)与偏差(Bias)的统计结果如图 10所示。无论是高度场(图 10a)还是水平风速(图 10d)，M33的RMSE与Bias均小于M09，可以推测M33中低层天气系统比M09更接近实况。就水汽(图 10b)与温度(图 10c)而言，RMSE与Bias的统计结果说明M33比M09偏湿偏冷。由图 10表明，好成员与差成员在大气边界层温湿结构上也存在显著的差异。
|
图 10 M33(红色线)与M09(黑色线)在大气边界层结构上的差异(a.位势高度场，b.水汽混合比场，c.温度场，d.水平风速场；实、虚线分别是RMSE与Bias) Fig.10 Difference of atmospheric boundary layer (a. geopotential height, b. water vapor mixing ratio, c. temperature, d. horizontal wind speed) between M33 (red line) and M09 (black line) (solid and dashed lines are RMSE and Bias, respectively) |
尽管集合预报的海雾预报效果显著优于决定性预报，但其缺点是计算代价高昂。减少集合成员无疑会降低计算量，但要保证预报效果至少不能降低。因为集合成员存在差异，去掉差成员(或者说挑选出好成员)后进行集合预报，既可降低计算量又有可能提高预报效果。这里，将在初始场集合体中挑选出好成员然后进行集合预报称为择优集合预报。
4.1.1 择优方案的设计基于3.3节中的分析结果，选择4个最有可能在择优方案中作为择优依据的变量，它们分别为海平面气压(sea-level pressure, SLP)、2 m水汽混合比(water vapor mixing ratio, 简记为Qv)、2 m温度(temperature, T)与2 m相对湿度(relative humidity, RH)。对于小范围近海海雾过程，由于高分辨预报区域内探空观测站较少而地面观测相对较多，根据地面观测统计每个集合成员初始场中以上4个变量的RMSE及其集合平均值，择出RMSE小于集合平均值的成员参与集合预报。
对于研究个例Case-2014而言，利用山东半岛南岸和江苏省北部沿岸共计32个沿岸地面站(图 3中黑色圆点)，统计起报时刻(4月1日20时)所有集合体成员的SLP的RMSE以及RMSE的平均值，保留集合体中低于SLP的RMSE平均水平的成员，剔除集合体中高于SLP的RMSE平均水平的成员，称为SLP-RMSE择优方案。对Qv、T、RH也进行类似的操作，分别称为Qv-RMSE择优方案、T-RMSE择优方案、RH-RMSE择优方案。一共设计了4种择优方案。
4.1.2 择优方案的对比为了比较4种择优方案的择优效果，设计了5组试验，其中决定性预报Exp-Det作为对照试验(同表 3中的Exp-Det)，而Exp-EnsSLP、Exp-EnsQv、Exp-EnsT、Exp-EnsRH则在Exp-Ens的基础上分别采用4种不同择优方案的择优集合预报试验，具体试验设计见表 4。
|
|
表 4 采用不同择优方案的集合预报对比试验 Table 4 Comparative experiments of ensemble forecast with different optimization schemes |
图 11给出了表 4中4个择优集合预报的预报雾区统计评分结果。其中Exp-EnsRH具有最高的POD评分(图 11a)，而在FAR与Bias评分上与其他3个择优集合预报的差别较小(图 11b、c)，高POD评分导致Exp-EnsRH在概率阈值超过50%时也同样保持最高的ETS(图 11d)。这表明，RH-RMSE择优方案优于其他3种择优方案。
|
图 11 4种择优方案的集合预报效果的统计评分(a. POD，b. FAR，c. Bias，d. ETS)比较 Fig.11 Comparison of statistical scores (a. POD, b. FAR, c. Bias, d. ETS) between ensemble forecast with 4 optimization schemes |
Exp-Det、Exp-Ens、Exp-EnsRH预报雾区与观测雾区的比较见图 12。整体上而言，Exp-Ens与Exp-EnsRH集合预报结果都要比Exp-Det决定性预报结果更贴近观测事实，而Exp-Ens与Exp-EnsRH集合预报结果之间差异主要体现在高概率(50%~90%)雾区的分布，试验Exp-EnsRH高概率雾区比Exp-Ens高概率雾区大。这与图 11中的统计结果十分吻合。
|
图 12 观测雾区(aO—fO；乳白色区域为雾区)与Exp-Det(aA—fA；色阶为雾区厚度)、Exp-Ens(aB—fB；色阶为预报概率)、Exp-EnsRH(aC—fC；色阶为预报概率)预报雾区的对比 Fig.12 Comparison between the observed fog area (aO-fO; oyster white area for fog area) and fog area forecast by Exp-Det (aA-fA; color scale for fog depth), Exp-Ens (aB-fB; color scale for forecast probability), and Exp-EnsRH (aC-fC; color scale for forecast probability) |
图 13给出了Exp-Det、Exp-Ens和Exp-EnsRH的预报雾区统计评分，其中Exp-EnsRH的POD评分明显高于Exp-Ens(图 13a)，这使得它的ETS也占优(图 13d)。Exp-Ens在高概率(70%~90%)时的FAR评分中占有微弱优势，但在高概率时二者的FAR评分都相当低，低于0.2，误报雾区均不明显(图 13b)；Exp-EnsRH在高于60%概率阈值时的Bias评分更优，数值上更接近于1，说明Exp-EnsRH的高概率雾区比Exp-Ens偏大(图 13c)。
|
图 13 Exp-EnsRH(红色实线)与Exp-Ens(蓝色实线)预报效果的比较(a. POD，b. FAR，c. Bias，d. ETS) Fig.13 Comparison of forecast effect (a. POD, b. FAR, c. Bias, d. ETS) between Exp-EnsRH (red solid line) and Exp-Ens (blue solid line) |
在70%~90%概率阈值范围内Exp-EnsRH相对于Exp-Ens的ETS改进率超过10%，而在50%~90%概率阈值范围内ETS平均改进率为35.74%。这说明，采用RH-RMSE方案的择优集合预报相对于未择优的集合预报主要差异体现在高概率(60%~90%)预报雾区上。表 5给出了Exp-Ens、Exp-EnsRH在50%~80%概率阈值范围内预报雾区的ETS统计结果。可以看到，以60%作为概率阈值时，Exp-Ens相对于Exp-Det的ETS改进率最大，为126.9%，且Exp-Ens、Exp-EnsRH的Bias最接近1.0；以70%作为概率阈值时，Exp-EnsRH相对于Exp-Det的ETS改进率最大，为146.2%。因此黄海近岸海雾的择优集合预报概率阈值选取60%较为合适。
|
|
表 5 Exp-Ens、Exp-EnsRH在50%~80%概率阈值范围内预报雾区ETS统计评分的比较 Table 5 Comparison of ETS between Exp-Ens and Exp-EnsRH with probability threshold range of 50%-80% in fog area |
长门岩站和董家口站两站(图 3中CMY和DJK，红三角)有能见度观测，可以检验Exp-Ens与Exp-EnsRH的预报效果。图 14为两个测站处的预报概率与能见度观测的时间序列。可以看出，长门岩站和董家口站的海雾出现时段不一样，董家口站偏早而长门岩站偏晚；Exp-Ens与Exp-EnsRH均较准确地预报出了两个站点处海雾的发生，但却较实际观测过早地消散。在海雾即将发生之前(图 14a中04时、图 14b中00时)，能见度快速降低，预报概率也相应地迅速增大。尽管Exp-Ens与Exp-EnsRH的预报概率变化曲线基本一致，但在海雾发生前约2 h与海雾发生后约4 h的时间段之内，Exp-EnsRH总体上比Exp-Ens高10%左右。这表明，择优集合预报Exp-EnsRH相对于不择优集合预报Exp-Ens，海雾预报概率阈值有明显的提升。
|
图 14 Exp-Ens(蓝色实线)与Exp-EnsRH(红色实线)在长门岩站(a)和董家口站(b)的预报概率与能见度观测(黑色实线)的时间序列(两条黑色虚线之间为观测有雾时段) Fig.14 Time series of observed visibility (black solid line) and forecast probability of Exp-Ens (blue solid line) and Exp-EnsRH (red solid line) at Changmenyan Station (a) and Dongjiakou Station (b) (area between two black dotted lines denotes the period with observed fog) |
由于海雾数值预报对初始场的高度敏感性以及对模式参数化方案的严重依赖性，集合预报已经成为海雾数值预报的发展趋势。在已有研究者证实了大范围黄海海雾集合预报可行的基础上，本文聚焦于山东半岛南岸近岸海雾的集合预报方法研究。鉴于高分辨率的近岸海雾集合预报的高计算量阻碍了其业务化实施，本文提出了初始场择优集合预报的思路，并设计了4种择优方案。以2004年4月1次受海陆风环流强烈影响的近岸海雾个例为研究对象，进行一系列数值试验，比较分析了4种方案的集合预报效果。主要结论如下：
(1) 不进行初始场择优的集合预报，其效果也优于决定性预报，ETS提升了约96%。比较不同集合成员的海雾预报结果时发现，存在不少海雾预报效果差的成员；它们的存在会潜在地降低集合预报效果，应该考虑舍弃它们。
(2) 4种择优方案分别利用到了集合成员初始场中海平面气压、水汽混合比、温度、相对湿度与沿海地面观测的均方根误差统计信息。采用不同择优方案的集合预报效果对比试验的分析结果表明，以相对湿度均方根误差作为择优指标的方案最佳。
(3) 相比于不择优集合预报，择优集合预报在常用的50%概率阈值上预报效果略优，而在70%~90%概率阈值上优势明显，在50%~90%概率阈值范围内，平均ETS改进率高达36%左右。此外，择优集合预报由于成员数大约减半，可以降低50%左右的计算代价。
值得指出的是，文中提出的择优方案仍有很大的改进空间，如可以同时考虑多个择优指标来进行择优，而不是文中采用的单一指标。此外，本文聚焦于择优集合预报方法的探究，在数值试验中没有进行数据同化。如果进行数据同化后再进行择优，集合预报效果可能会更好。
| [1] |
王彬华. 海雾[M]. 北京: 海洋出版社, 1983: 1-352.
|
| [2] |
赵永平, 陈永利, 王丕诰. 黄、东海海雾过程及其大气和海洋环境背景场的分析[J]. 海洋科学集刊, 1997, 38(1): 69-78. |
| [3] |
GAO S H, LIN H, SHEN B, et al. A heavy sea fog event over the Yellow Sea in March 2005: analysis and numerical modeling[J]. Adv Atmos Sci, 2007, 24(1): 65-81. DOI:10.1007/s00376-007-0065-2 |
| [4] |
张苏平, 鲍献文. 近十年中国海雾研究进展[J]. 中国海洋大学学报(自然科学版), 2008, 38(3): 359-366. |
| [5] |
JIN G Q, GAO S H, SHI H, et al. Impacts of sea-land breeze circulation on the formation and development of coastal sea fog along the Shandong Peninsula: a case study[J]. Atmosphere, 2022, 13(2): 165. DOI:10.3390/atmos13020165 |
| [6] |
FU G, GUO J T, XIE S P, et al. Analysis and high-resolution modeling of a dense sea fog event over the Yellow Sea[J]. Atmos Res, 2006, 81(4): 293-303. DOI:10.1016/j.atmosres.2006.01.005 |
| [7] |
杨悦, 高山红. 黄海海雾天气特征与逆温层成因分析[J]. 中国海洋大学学报(自然科学版), 2015, 45(6): 19-30. |
| [8] |
王凯悦, 张苏平, 薛允传, 等. 夏季低压控制下黄海西北部海域海雾发生气象条件合成分析[J]. 海洋气象学报, 2018, 38(3): 47-56. |
| [9] |
YANG Y, GAO S H. The impact of turbulent diffusion driven by fog-top cooling on sea fog development[J]. J Geophy Res: Atmos, 2020, 125(4): e2019JD031562. |
| [10] |
CHO Y K, KIM M O, KIM B C. Sea fog around the Korean peninsula[J]. J Appl Meteor, 2007, 39(12): 2473-2479. |
| [11] |
KIM C K, YUM S S. Local meteorological and synoptic characteristics of fogs formed over Incheon international airport in the west coast of Korea[J]. Adv Atmos Sci, 2010, 27(4): 761-776. DOI:10.1007/s00376-009-9090-7 |
| [12] |
KIM C K, YUM S S. A numerical study of sea-fog formation over cold sea surface using a one-dimensional turbulence model coupled with the Weather Research and Forecasting model[J]. Bound-Layer Meteor, 2012, 143(3): 481-505. DOI:10.1007/s10546-012-9706-9 |
| [13] |
GHONIMA M S, YANG H D, KIM C K, et al. Evaluation of WRF SCM simulations of stratocumulus-topped marine and coastal boundary layers and improvements to turbulence and entrainment parameterizations[J]. J Adv Model Earth Syst, 2017, 9(7): 2635-2653. DOI:10.1002/2017MS001092 |
| [14] |
WU Z M, SCHLUNZEN K H. Numerical study on the local wind structures forced by the complex terrain of Qingdao area[J]. Acta Meteor Sinica, 1992, 6(3): 355-366. |
| [15] |
常志清, 吴增茂, 高山红. 青岛海陆风三维结构的数值模拟[J]. 中国海洋大学学报(自然科学版), 2002, 32(6): 877-883. |
| [16] |
LEWIS J M, KORAČIN D, REDMOND K T. Sea fog research in the United Kingdom and United States: a historical essay including outlook[J]. Bull Amer Meteor Soc, 2004, 85(3): 395-408. DOI:10.1175/BAMS-85-3-395 |
| [17] |
高山红, 齐伊玲, 张守宝, 等. 利用循环3DVAR改进黄海海雾数值模拟初始场Ⅰ: WRF数值试验[J]. 中国海洋大学学报(自然科学版), 2010, 40(10): 1-9. |
| [18] |
高山红, 张守宝, 齐伊玲, 等. 利用循环3DVAR改进黄海海雾数值模拟初始场Ⅱ: RAMS数值试验[J]. 中国海洋大学学报(自然科学版), 2010, 40(11): 1-10, 18. |
| [19] |
WANG Y M, GAO S H, FU G, et al. Assimilating MTSAT-derived humidity in nowcasting sea fog over the Yellow Sea[J]. Wea Forecasting, 2014, 29(2): 205-225. DOI:10.1175/WAF-D-12-00123.1 |
| [20] |
王静菊, 高小雨, 高山红. 一次黄海海雾的数据同化试验与形成机制研究[J]. 海洋气象学报, 2017, 37(1): 42-53. |
| [21] |
陆雪, 高山红, 饶莉娟, 等. 春季黄海海雾WRF参数化方案敏感性研究[J]. 应用气象学报, 2014, 25(3): 312-320. DOI:10.3969/j.issn.1001-7313.2014.03.008 |
| [22] |
HUANG B, ZHANG J, CAO Y N, et al. Improvements of sea fog forecasting based on CMA-TYM[J]. Front Earth Sci, 2022, 10: 854438. DOI:10.3389/feart.2022.854438 |
| [23] |
饶莉娟, 高山红, 张恺. WRF模式中不同边界层及云微物理方案对两次黄海海雾个例数值模拟的影响[J]. 气象科技进展, 2019, 9(6): 12-19. |
| [24] |
姜昊宇, 高山红. 两种陆面方案对陆雾与海雾模拟效果的对比研究[J]. 海洋气象学报, 2021, 41(1): 30-44. |
| [25] |
KORAČIN D, DORMAN C E. Marine fog: challenges and advancements in observations, modeling, and forecasting[M]. Switzerland: Springer International Publishing, 2017: 1-537.
|
| [26] |
高山红, 王永明, 傅刚. 一次黄海海雾的集合预报试验[J]. 中国海洋大学学报(自然科学版), 2014, 44(12): 1-11. |
| [27] |
QI L B, YU H, CHEN P Y. Selective ensemble-mean technique for tropical cyclone track forecast by using ensemble prediction systems[J]. Quart J Roy Meteor Soc, 2014, 140(680): 805-813. DOI:10.1002/qj.2196 |
| [28] |
DONG L, ZHANG F Q. OBEST: an observation-based ensemble subsetting technique for tropical cyclone track prediction[J]. Wea Forecasting, 2016, 31(1): 57-70. DOI:10.1175/WAF-D-15-0056.1 |
| [29] |
郑青, 高山红. EnKF集合同化下黄海海雾数值确定性预报初始场构造方法的探究[J]. 海洋与湖沼, 2021, 52(6): 1350-1364. |
| [30] |
HONG S Y, NOH Y, DUDHIA J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Mon Wea Rev, 2006, 134(9): 2318-2341. |
| [31] |
LIN Y L, FARLEY R D, ORVILIE H D. Bulk parameterization of the snow field in a cloud model[J]. J Climate Appl Meteo, 1983, 22(6): 1065-1092. |
| [32] |
KAIN J S, FRITSCH J M. A one-dimensional entraining/detraining plume model and its application in convective parameterization[J]. J Atmos Sci, 1990, 47(23): 2784-2802. |
| [33] |
IACONO M J, DELAMERE J S, MLAWER E J, et al. Radiative forcing by long-lived greenhouse gases: calculations with the AER radiative transfer models[J]. J Geophys Res: Atmos, 2008, 113(D13): D13103. |
| [34] |
DUDHIA J. A multi-layer soil temperature model for MM5[C]//the Sixth PSU/NCAR Mesoscale Model Users' Workshop, Boulder, Colorado, July 22-24, 1996.
|
| [35] |
PARRISH D F, DERBER J C. The National Meteorological Center's spectral statistical-interpolation analysis system[J]. Mon Wea Rev, 1992, 120(8): 1747-1763. |
| [36] |
ZHOU B B, DU J. Fog prediction from a multimodel Mesoscale Ensemble Prediction System[J]. Wea Forecasting, 2010, 25(1): 303-322. |