0 引言

海雾是指在海洋影响下，悬浮于大气边界层中的大量水滴或冰晶使海上(包括岸滨和岛屿)大气能见度低于1 km的天气现象^[1]。海雾导致的低能见度严重影响公路、航海和航空交通运输^[2]，海雾和空气中的污染物质结合在一起还会损害人体健康和降低农产品产量^[3]，海雾也因此成为影响经济发展和人类健康的重要灾害性天气之一。以2018年春节期间的琼州海峡海雾为例，自2月15日起，琼州海峡和海南岛部分陆地连续7 d出现大雾天气，最低能见度不足200 m^[4]，对海峡通航、航空运输和公路交通都造成了极大影响，导致港口过海旅客、车辆出现大量滞留，被评选为2018年国内十大天气气候事件之一。此外，海雾不仅影响沿海生态系统，还对气候系统中的能量平衡起重要作用^[5]。

大量观测表明，受不同气候条件、生态环境的影响，不同地区、不同类型的雾，甚至雾的不同发展阶段，其微物理特征有明显的差异，能见度与微物理量的关系也不相同^[6]。Eldridge^[7]在雾的观测中分析了雾滴谱分布、含水量以及能见度的变化特征，并提出能见度与雾含水量之间存在紧密的负相关性。Kunkel^[8]对雾的微物理特征进行了深入研究，揭示了含水量的增大对能见度的削弱作用。除了含水量，Meyer等^[9]认为，雾中能见度与雾滴数浓度之间存在紧密的负相关关系。2005—2006年冬季，Gultepe等^[10]在加拿大东海岸和安大略省开展冬季雾的外场试验时提出了一种新的诊断方案，该方案同时考虑了雾的含水量和数浓度对雾中能见度的影响，这种方案比仅考虑含水量的方案预报准确度更高^[11]。雾滴谱分布特征、含水量等微物理量是基于数值模式结果进行能见度参数化的重要参数。国内学者分别基于广东茂名^[12]、山西^[13]、湖北恩施^[14]观测的雾含水量、雾滴数浓度和相对湿度，建立了适合本地的能见度参数化方案并进行预报试验，估算的能见度能够较好地反映实际能见度的变化特征和分布规律。

北部湾位于我国南海的西北部，是我国西南地区出海口，更是我国面向东盟国际陆海贸易新通道的重要枢纽区域，每年冬春季常受海雾影响，年均海雾日数超过20 d，2016年北部湾年平均雾日数更是达到了37 d^[15]。本文利用2021年和2023年北部湾海雾外场综合观测期间的雾滴谱资料，结合气象台站常规观测资料和再分析资料，分析北部湾沿岸不同区域能见度与液态含水量、雾滴数浓度、相对湿度之间的关系，在此基础上建立北部湾沿岸能见度参数化方案，并通过海雾过程高影响气象因子筛选，结合BP神经网络方法，构建北部湾不同海域能见度的估算模型，为该地区基于数值模式结果开展雾的预报、预警提供科学依据。

1 资料与方法 1.1 数据

2021年2—4月在北部湾地区的涠洲岛气象站(21.03°N，109.10°E)和钦州三娘湾海洋观测基地(21.62°N，108.73°E)，以及2023年2—4月在北海国家气候观象台(21.45°N，109.13°E)和防城港国家天气雷达站(21.53°N，108.27°E)连续进行了2期海雾外场观测试验(图 1)，利用FM-100雾滴谱仪获得了大量雾滴数浓度、液态含水量和粒径的观测资料，其中数据时间间隔为1 s，观测范围为2~50 μm，能见度观测资料来自于国家级气象观测站，时间间隔为1 h，具体观测详情见相关文献^[16-17]。同时，为选取有效可靠的数据，减小器测误差，文中只选取数浓度大于10个/cm³且液态含水量高于0.001 g/m³的雾滴谱仪观测数据进行研究。由于仅能获取逐小时的能见度观测值，因此对雾滴数浓度和液态含水量的观测结果进行小时平均处理，以保证能见度参数化建模时数据时间分辨率的一致性

同时，为了构建北部湾地区海雾的估算模型，将北部湾海域划分为防城港区域(双墩岛和万欧灯架岭)、钦州区域(炮台角岛和大双连岛)、北海区域(北海港和铁山港)和涠洲岛区域(涠洲岛和斜阳岛)^[18]，并针对这些具有代表性的港口站或海岛站能见度观测结果进行建模。2016—2022年1月、2月、3月和12月的气象要素资料主要包含地面、1 000 hPa、925 hPa、850 hPa、700 hPa、500 hPa、400 hPa等不同高度层的气温、气压、相对湿度、风速、24 h变压、24 h变温、涡度、散度和垂直速度等气象要素，不同高度层之间的气象要素差值，以及边界层高度等76个物理量，其中地面的气象要素来自区域气象观测站，而不同高度层的气象要素则通过空间分辨率为1°×1°的NCEP/NCAR再分析资料(https://rda.ucar.edu/datasets/ds083.2/)插值到相应的站点上得到。

1.2 方法 1.2.1 北部湾不同区域海雾关键气象影响因子的筛选

基于2016—2020年1月、2月、3月和12月北部湾海域不同区域的气象要素观测资料，首先剔除极端值，分别将研究期间地面和高空的气象要素进行排序，剔除前后1%的极端高值和低值，将剩余样本按照百分位均匀划分为10个区间，使得各区间内的样本个数基本相同，得到的区间划分用于分段统计，这种区间划分方法保证了各区间有充分的、均匀的样本分布^[19-20]。同时，对海雾日的判断是基于能见度小时观测数据计算得到的日均值，当能见度日均值小于或等于1 km时，则判断该区域的站点当天为海雾日。

气象因子i在第n个区间内的分指数(K_iⁿ)计算公式为

$ K_i^n=\frac{a_i^n}{c\left(a_i^n+b_i^n\right)} $

(1)

其中：a_iⁿ、b_iⁿ分别为统计年份内气象因子i在第n个区间内海雾日和非海雾日的样本数，c为统计年份内海雾日和总日数的比值。

海雾指数(S)的计算公式为

$ S=K_1^n+K_2^n+\cdots \cdots+K_m^n $

(2)

式中: K₁ⁿ, K₂ⁿ, ……, K_mⁿ为不同气象因子对应的分指数，m为所选取气象因子的个数，文中取值为5。

计算各因子分指数的方差，方差越大说明该因子不同区间分指数的离散度越大，其对海雾日的表征作用越好; 方差越小，说明该因子对雾日的表征作用越差。按照各因子分指数方差从大到小进行排序，剔除其中相关系数通过显著性检验的自相关因子，最终选取前5个要素作为BP神经网络的输入量。

图 2给出了4个区域海雾指数的计算结果，利用筛选得到的关键气象因子计算的海雾指数能够较好地对海雾日和非海雾日进行区分，尽管存在少量海雾日和非海雾日的海雾指数重叠的情景。但同时可以看到，不同区域的海雾指数阈值存在显著差别，因此进行分区构建模型是十分必要的。

1.2.2 BP神经网络算法

BP神经网络属于多层状型的人工神经网络，可以看作是一个从输入到输出的高度非线性映射，由输入层、输出层和一个或若干个隐含层构成，每一层包含若干神经元，层与层间神经元通过连接权重及阈值互连，每层神经元的状态只影响下一层的神经元状态，同层的神经元之间没有联系^[21-22]。选取2016—2020年1月、2月、3月和12月作为训练期，2021年和2022年的这4个月作为预报期，分别构建防城港区域、钦州区域、北海区域和涠洲岛区域训练期的能见度预报模型，并在预报期检验神经网络模型的预报效果。

2 北部湾沿岸雾关键微物理参量的统计特征

雾滴数浓度和液态含水量是雾过程的两个重要物理量。其中，雾滴数浓度直接决定雾的消光能力，低能见度特征则是雾过程的重要致灾属性; 而液态含水量反映雾中水相的活跃程度，影响潜热释放和湍流交换，进而影响雾的维持或消散^[23-24]。海雾的稳定维持阶段通常表现出雾滴数浓度、液态含水量显著增多，并伴有毛毛雨出现，加剧海雾的湿沉降过程^[25]。

以往对华南沿海海雾的观测研究^[26-27]相对较多，而对北部湾区域雾滴微物理特征的观测较为缺乏。图 3给出了2021年和2023年2—4月4个站点雾滴数浓度和液态含水量分布特征。可以看出，北部湾地区雾滴的数浓度总体偏小，4个站点的平均值为24~42个/cm³，且超过80%的数浓度小于50个/cm³，其中北海站雾滴的数浓度平均值最低，为24.14个/cm³，而防城港站的最高，为42.44个/cm³，但都明显低于博贺和湛江等地区的雾滴数浓度^[28-29]。除了钦州站雾滴数浓度最大值仅有68.77个/cm³外，其他3个站的数浓度最大值均接近或者超过200个/cm³，这与其他地区的海雾过程较为接近^[30]。

对于液态含水量的分布而言，4个站点同样表现出较小的数值，平均值在0.01 g/m³左右，其中涠洲岛站的数值最小，仅有0.007 g/m³，最大值为0.07 g/m³，且超过75%的雾滴液态含水量小于0.01 g/m³，表现出明显小于其他地区海雾的数值^[30]。这表明北部湾地区的雾过程强度总体偏弱，以小雾滴数浓度变化为主，但存在短时间高数浓度雾滴导致的低能见度事件。

3 北部湾沿岸能见度的参数化

大气的能见度与空气的相对湿度、雾滴数浓度、尺度以及液态含水量关系密切^[31]。其中，相对湿度对于城市地区雾霾过程的能见度影响显著，大气中吸湿性颗粒物(主要为硫酸盐、硝酸盐等二次颗粒物)极易吸收空气中的水汽而改变其物理化学性质(粒径尺度增大)，使得颗粒物消光性能增大，急剧降低大气能见度; 而雾滴数浓度和液态含水量则对自然环境下雾过程的能见度影响显著^[32]。

图 4给出了分别利用数浓度、液态含水量和数浓度×液态含水量对防城港、钦州、北海和涠洲岛能见度大小进行估算的结果，可以看出，能见度与3种参量均表现为负相关的关系，但是拟合线的两个参数以及相关系数却表现出显著的差异特征。当仅利用数浓度进行估算时(图 4a)，4个地区能见度参数化的相关系数均大于0.5，其中防城港、北海和涠洲岛的拟合效果最好，相关系数均大于0.6。进一步对比拟合系数和数据的分布，防城港的拟合线斜率更小，为0.44，向左倾斜程度明显，而钦州、北海和涠洲岛的拟合线斜率均较为接近，在0.7左右，数浓度的变化对能见度影响明显。同时，值得注意的是，大部分的低能见度事件均位于拟合线的下方，利用数浓度对北部湾区域的能见度进行参数化，会高估能见度的数值。

液态含水量无法很好地反映北部湾区域能见度的变化(图 4b)，防城港、钦州和北海地区的拟合线相关系数均在0.4左右，存在大量数值接近的液态含水量对应分布范围较大的能见度。

基于数浓度和液态含水量的能见度双参数化方案被广泛应用于能见度的评估中^[10]，图 4c也给出了北部湾区域能见度双参数化方案的拟合情况。可以看到，双参数的拟合效果总体较好，防城港、北海和涠洲岛能见度的拟合线相关系数在0.4~0.7，而钦州的拟合效果略差，相关系数仅有0.39，表现出与基于雾滴数浓度拟合类似的相关特征分布，而这主要是由液态含水量对能见度的拟合效果较差所导致的。综上所述，利用雾滴数浓度对北部湾地区的能见度进行估算最为合理。

4 北部湾能见度神经网络模型的构建

利用2.2节中的方法筛选了影响防城港、钦州、北海和涠洲岛区域能见度的关键气象影响因子，图 5给出了这些气象因子数值从小到大排列的10个区间内雾日发生的占比。总体而言，不同气象要素均在一定的数值区间内海雾频发，而在其他的数值区间内海雾天气显著偏少，其中防城港雾日的气象影响因子最为集中，频发区间的雾日占比为43%~72%，其他3个区域的频发区间雾日占比则为30%~58%;防城港和涠洲岛存在接近一半的气象因子数值区间没有雾日出现，海雾发生时气象因子的数值区间较为集中，而钦州和北海则在大部分气象要素区间均有雾日发生，气象因子变化对雾日的约束较弱。这一方面受到不同区域雾日发生频次差别的影响，另一方面也表明即使是筛选出来的海雾敏感气象因子，其对雾日的识别还是有局限性^[20]。

同时，不同区域能见度的关键影响气象因子不尽相同，且影响程度也差别明显。对于防城港区域(图 5a)而言，地面平均相对湿度最能反映海雾发生与否^[33]，且5个气象因子均在数值较大的区间内表现出雾日频发的特征，其中地面平均相对湿度、400 hPa V分量风速和500~400 hPa气温差表现出单一区间内雾日最为频发，而其他区间内雾日显著偏少或没有的特征，这3个因子对该地区海雾的识别效果较好。尽管地面平均相对湿度也是钦州区域海雾发生的最重要影响因子(图 5b)，但是雾日占比最高和次高值较为接近，相差接近10%，而其他4个因子也表现出2~3个区间内雾日占比接近的特征，钦州区域海雾发生的气象条件最为宽松，气象因子对这一区域海雾发生的响应较弱。北海和涠洲岛区域海雾也表现出相对湿度因子最为重要的特征，表示垂直扰动的边界层高度、垂直速度和不同高度气温差以及天气系统影响的风速和变温等气象要素也是这两个区域海雾重要的影响因子^[34]，但是可以看到即使是相同的气象影响因子，其雾日占比的区间分布同样存在明显差别，这同时说明了分区域进行因子筛选的重要性。

综上所述，这些影响因子综合考虑了北部湾地区海雾形成的动力和热力条件，较全面地描述了边界层结构和环流形势的关键特征，且通过分区筛选的方式也进一步提高海雾关键气象影响因子的适用性。

由于大气能见度与常规气象要素为非线性关系，因此不能以简单线性回归方法来建立能见度统计估算模型^[35-36]。通过上文可以看到，文中已经筛选得到了影响北部湾不同区域海雾天气的关键气象因子，而BP神经网络方法具有较强的处理非线性问题的能力。因此通过将不同区域筛选得到的气象因子作为网络学习的矩阵输入端，能见度预报量作为网络的期望输出端，通过不断地训练学习，调整网络模型各连接层权重系数和阈值，使输入与输出之间自然逼近一种规律，本节中利用图 5给出的影响防城港、钦州、北海和涠洲岛区域海雾发生的不同关键气象因子作为BP神经网络方法的输入量。

图 6给出了选取2016—2020年1月、2月、3月和12月作为训练期得到的北部湾不同区域能见度估算值和观测值的对比特征。可以看到，4个区域估算得到的能见度和观测值具有较好的正相关关系，相关系数均超过0.8，并且拟合线的斜率和截距非常接近，分别为0.64~0.72和2 700~4 000。这说明利用BP神经网络方法构建的训练模型能够较好地反映4个区域海雾的能见度大小，且尽管输入的气象要素有所差异，但模型在4个区域均具有良好的一致性特征。

同时，可以看出4个区域能见度的拟合线均表现出向下倾斜的特征，对于低能见度时段存在高估的情况，而对高能见度则表现出低估的特征，高-低能见度的阈值主要在10 000 m左右。值得注意的是，当能见度小于3 000 m时，估算的能见度与观测值非常接近，尤其是在防城港和钦州区域，这表明模型对低能见度的海雾事件应用效果更为理想。

进一步利用训练后得到的BP神经网络固定模型，对2021—2022年1月、2月、3月和12月的能见度进行预报试验(图 7)。预报期的能见度估算值能够很好地反映能见度观测值的变化特征，尤其是当峰值和谷值出现时，这表明训练得到的神经网络模型能够抓住北部湾区域能见度演变的关键特征。但同时可以看到，由于模型本身和训练数据的局限性，会略微高估低能见度事件的数值，且低估高能见度事件的数值，这使得模型对强海雾天气的预报能力存在一定不足。

针对这个问题，利用滑动训练的方式可以克服神经网络模型固定的缺陷，进而实现实时更新训练样本，优化神经网络模型的参数，提高预报期能见度的预报效果，尤其是对强海雾日低能见度特征的响应^{[31, 37]}。综上所述，利用BP神经网络方法构建北部湾区域能见度的预报模型是可行的，且将常规气象要素作为模型的输入量也使得该模型方法应用的普适性更强。

5 总结与讨论

利用北部湾4个海域2021年和2023年2—4月的雾滴微物理特征观测资料，以及2016—2022年1月、2月、3月和12月港口和海岛气象站的常规气象要素资料，分别构建了基于微物理因子和关键气象要素的能见度参数化模型，并对比评估了模型在不同海域的应用效果，结论如下。

(1) 北部湾地区能见度的关键微物理影响因子(数浓度和液态含水量)总体表现出偏小的特征，其中4个站点雾滴数浓度的平均值为24~42个/cm³，北海站的数浓度最低，为24.14个/cm³，防城港站的最高，为42.44个/cm³，最大值则接近或者超过200个/cm³。液态含水量平均值为0.01 g/m³左右，最大值在0.07 g/m³左右，且超过75%的液态含水量小于0.015 g/m³。

(2) 利用数浓度、液态含水量和数浓度×液态含水量构建的参数化模型能够反映北部湾区域能见度的大小，3个因子与能见度均呈负相关关系，其中以数浓度对能见度的估算效果最好，相关系数为0.51~0.76。尽管北海和涠洲岛的能见度参数化方案较为接近，但数浓度与能见度之间的差异化分布表明，针对北部湾不同区域，采用不同的参数化方案来估算能见度更为合理。

(3) 针对防城港、钦州、北海和涠洲岛区域筛选的能见度关键气象影响因子能够较好地区分海雾日和非海雾日，其中防城港海雾的识别效果最好。相对湿度因子在4个区域均表现出对海雾日最好的区分度，边界层高度、高低层气温差和风速差、地面气温和风速变量等关键气象因子则充分考虑了海雾形成的热力和动力条件。

(4) 基于BP神经网络方法构建的北部湾区域能见度评估模型是可行的，训练期4个区域模型的稳定度良好，能见度估算值和观测值具有较好的正相关关系，相关系数均超过0.8，且拟合线的斜率和截距也非常接近，分别为0.64~0.72和2 700~4 000。预报期估算的能见度也能够抓住北部湾区域能见度演变的关键特征，尤其是峰值和谷值的出现时段。

利用微物理参量和常规气象要素因子构建的参数化模型均能在北部湾区域能见度的估算中得到应用，且在分区建模和合适因子选取下均能取得较好的模拟效果。其中，微物理参数化模型具有更好的物理意义，能够反映一些低能见度海雾的形成机制，而关键气象因子模型则具有显著的统计意义，海雾样本越多则模型越准确，更方便在常规业务中应用，因此通过将物理模型和统计模型进行集合的方式，能进一步提高对北部湾地区能见度的预报能力，尤其是减少对强海雾事件能见度的显著高估。