史得道　吳振玲　高山紅　羅　凱

（1 天津市氣象臺，天津 300074；2 中國海洋大學，青島 266100）

海霧預報研究綜述

史得道1吳振玲1高山紅2羅凱1

（1 天津市氣象臺，天津 300074；2 中國海洋大學，青島 266100）

從統(tǒng)計預報和數(shù)值模擬預報兩方面回顧了過去幾十年國內(nèi)在海霧預報技術(shù)上的主要研究進展。統(tǒng)計預報方法是中國沿海氣象臺站預報海霧的除天氣學方法外的主要工具，一定程度上能提高海霧預報準確率，但無法擺脫自身經(jīng)驗統(tǒng)計的缺陷。隨著計算機技術(shù)的飛速發(fā)展，海霧數(shù)值模擬和預報應用越來越廣泛，并將成為海霧預報主流方法。海霧數(shù)值預報模式的發(fā)展經(jīng)歷了從一維到三維、從單一大氣模式到海氣耦合模式的過程。而研發(fā)先進的數(shù)據(jù)同化技術(shù)，同化更好的衛(wèi)星資料彌補海上觀測缺少的不足，選擇最合適的邊界層與微物理參數(shù)化方案，進行高分辨率三維數(shù)值模式集合預報，將使海霧預報準確率明顯提高。

海霧，統(tǒng)計預報，數(shù)值預報，集合預報

0　引言

海霧（sea fog）是由于受海洋的影響，發(fā)生在海上或沿海地區(qū)上空低層大氣中凝結(jié)的水滴或冰晶，使大氣水平能見度小于1km的一種天氣現(xiàn)象[1]。海霧發(fā)生時，海面水平能見度比較低，對海上漁業(yè)、航運、平臺作業(yè)及沿岸航空和公路交通等造成很大影響，是中國近海需要高度關(guān)注的災害性天氣之一。

我國從20世紀40年代起開始對海霧進行研究，60—70年代發(fā)展較快，但主要限于觀測與統(tǒng)計分析方面[1]。20世紀80年代出版了專著《海霧》[1]一書，系統(tǒng)地總結(jié)了80年代以前的海霧研究。該書在1985年被翻譯成為英文Sea Fog，是20世紀國際海霧研究的經(jīng)典之作，至今仍作為海霧研究的主要參考書之一?，F(xiàn)今在國內(nèi)外氣象部門業(yè)務運行中，對海霧的預報方法主要有天氣學方法、統(tǒng)計方法和數(shù)值預報方法。天氣學方法主要運用天氣學基本原理和天氣學分析方法，考慮天氣系統(tǒng)與海霧發(fā)生之間的聯(lián)系，對預報員的主觀經(jīng)驗依賴性高，預報準確率和可靠性較低；統(tǒng)計預報方法通過歷史資料的統(tǒng)計分析建立海霧與預報因子之間的統(tǒng)計模型對海霧進行預報。但統(tǒng)計預報方法缺乏對海霧過程物理規(guī)律的描述，多依賴于歷史觀測資料或數(shù)值預報資料的質(zhì)量和數(shù)量[2]。隨著計算機技術(shù)的進步以及對海霧宏觀、微觀結(jié)構(gòu)和發(fā)生、發(fā)展規(guī)律的深入認識，數(shù)值模式逐漸成為海霧預報的重要方法。本文主要從統(tǒng)計和數(shù)值模式兩方面介紹最近幾十年海霧預報技術(shù)方面取得的成果，并展望海霧預報未來發(fā)展趨勢，為今后海霧預報工作提供一定的參考和啟示。

1　海霧統(tǒng)計預報

1.1線性回歸方法

統(tǒng)計預報前期主要采用線性回歸方法進行數(shù)據(jù)擬合，之后隨著計算機技術(shù)的發(fā)展又建立了一些新統(tǒng)計方法，比如人工神經(jīng)網(wǎng)絡法、決策樹模型法和模糊邏輯法等[2]。20世紀90年代以來，在海霧統(tǒng)計預報方面開展了一系列的研究工作。王厚廣等[3]以朝連島為代表站，經(jīng)過點聚分析選取5個預報因子，然后采用二級判別分析方法建立了海霧預報方程，對未來24h內(nèi)是否有霧進行預報。在1970和1972年50次海霧預報中，報對41次，報錯9次，準確率為82%。該方法選取的預報因子都為相鄰站點之間的氣溫差、氣壓差等，沒有考慮到海洋條件的影響，且只能進行單站預報，推廣效果較差。于潤玲等[4]利用MOS（Model Output Statistics）方法[5]對黃海和東海海霧進行預報，利用黃海和東海沿岸和海島氣象站的觀測資料、美國國家環(huán)境預報中心（NCEP）海溫和氣溫資料，選取風向、風速、相對濕度、氣海溫差4個預報因子應用多元回歸方法建立海霧等級預報方程。在實際業(yè)務中，應用大氣環(huán)流模式和上海臺風研究所運行的WRF[6]模式預報輸出因子，根據(jù)回歸方程結(jié)果和不同等級霧的判據(jù)對黃海、東海進行海霧預報。對2007年2—4月72h內(nèi)預報結(jié)果進行檢驗，多個站預報成功率在50%以上（圖1）。該方法的建立考慮到了海洋條件對海霧形成的影響，且利用數(shù)值模式輸出的海洋和氣象要素進行預報，能為海上大范圍的海霧預報提供較好的參考依據(jù)。但該方法沒有對海霧生成類型的不同進行區(qū)分，沒有建立預報因子和能見度之間的線性關(guān)系，只根據(jù)擬合得到不同等級霧的判據(jù)進行預報，主觀性較強。楊棋等[7]利用上海小洋山自動站觀測資料以及浮標資料和NCEP再分析海溫資料，以風向、風速、氣溫、海溫、氣海溫差和相對濕度等作為預報因子，建立不同類型海霧的相似樣本庫，采用完全預報方法進行指數(shù)歸一化及多元線性回歸擬合，建立能見度預報方程。按此方法利用數(shù)值預報因子值對滿足條件的751個歷史樣本進行后報，結(jié)果174個樣本準確后報有霧，355個樣本準確后報無霧，準確率70%。此方法能根據(jù)不同海洋、氣象要素條件下預報因子的不同分類擬合建立適用不同類型海霧的預報方程，能更好反映不同條件下海霧的生成機制，且直接建立預報因子和能見度之間的線性關(guān)系，避免了傳統(tǒng)上對預報量首先設定閾值進行判斷的人為性，更具客觀性，且能隨著海霧樣本的增加及時調(diào)整預報方程，有利于預報準確率進一步提高[7]。

圖1　2007年2-4月代表站72h內(nèi)預報成功率［4］Fig.1 Forecast success rate of representative stations within 72 hours from February to April 2007

1.2決策樹模型預報方法

20世紀90年代開始，一些非線性的統(tǒng)計建模方法也逐漸用于開發(fā)建立霧的預報模型。梅玨[8]利用人工神經(jīng)元網(wǎng)絡建立了冬季輻射霧的預報方法，劉科峰等[9]引入模糊推理仿真建模方法對青島海霧發(fā)生進行客觀預測。但這些方法存在建模過程復雜、預報變量的權(quán)重意義模糊、預報流程邏輯結(jié)構(gòu)不清等缺點[10]。黃健等[10]利用汕頭、珠海、湛江地面觀測站的歷史觀測資料以及同期NCEP再分析資料，采用分類與回歸樹方法對海霧及其生成前24h的海洋氣象條件進行分類分析，建立廣東沿岸海霧決策樹預報模型。以實測海霧事件作為分類分析的目標變量，以提前24h的海洋和氣象要素作為預報變量。根據(jù)分類與回歸樹方法的剪枝原理，以誤分率為指標對3個站的決策樹進行剪枝處理，得到整體誤分率最小、節(jié)點數(shù)最少的最佳決策樹。然后采用交叉檢驗法對3個站決策樹的分類/預測準確性進行檢驗，24h后有霧的驗證成功率（驗證有霧樣本數(shù)/有霧總樣本數(shù)×100%）分別為83.7%、73.7%和82.4%。根據(jù)此方法建立的海霧判別流程更為簡潔、實用。比如珠海海霧叛別流程（圖2），突出了水汽條件和海面冷卻作用的重要性，邏輯關(guān)系清晰，可在業(yè)務預報中應用。

1.3參數(shù)化方法

胡波等[11]根據(jù)Gultepe等[12]提出的暖霧能見度參數(shù)化估算方案建立了沿海大霧預報方法。該方案將能見度作為液態(tài)水含量和云滴粒子數(shù)密度兩者的函數(shù)，公式為：

圖2　決策樹模型方法建立的珠海海霧判別流程圖［10］Fig.2 The procedure of sea fog forecasting for Zhuhai created by decision tree models

式中，Vis為能見度，LWC為液態(tài)水含量，Nd為云滴粒子數(shù)密度。液態(tài)水含量可以直接利用WRF模式輸出的物理量進行計算，而云滴粒子數(shù)密度采用歷史經(jīng)驗統(tǒng)計方法解決，首先利用鐘元等[13]提出的相似預報方法確定相似歷史個例，其次根據(jù)能見度公式反推算得到云滴粒子數(shù)密度，公式為：

式中，Visobs為相似個例的能見度，LWCobs為相似個例的液態(tài)水含量，然后利用式（1）得到能見度預報。與應用較廣的Stoelinga-Warner方法[14]進行比較，304站次能見度在5km以下霧的預報準確率由61%提高到73%。該方法同時考慮了LWC和Nd參數(shù)，在微物理解釋方面更加符合霧的實際發(fā)生規(guī)律，有較好的業(yè)務應用價值。

統(tǒng)計預報方法相對于傳統(tǒng)天氣學方法，一定程度上確實能提高海霧預報準確率，并在一些沿海臺站得到廣泛應用，然而這些方法無法擺脫統(tǒng)計本身的缺陷。對海霧生消的復雜微物理過程、熱力、動力過程缺乏細致準確描述，預報因子的選取以及預報量和預報因子之間的經(jīng)驗統(tǒng)計關(guān)系的不確定性[2]都是制約預報結(jié)果的重要因素。

2　海霧數(shù)值模擬與預報

海霧可分為平流冷卻霧、蒸發(fā)霧和輻射霧等，不同類型海霧的生成機制也不同。海霧的生消過程是動力學、熱力學及微物理過程共同作用的結(jié)果，這種復雜性注定了僅用經(jīng)驗統(tǒng)計方法進行海霧預報是遠遠不足的，從20世紀中后期開始，國內(nèi)外利用數(shù)值模式對海霧進行模擬和預報的研究越來越多，并且經(jīng)歷了從一維到三維，從只考慮主要物理過程的簡單模式發(fā)展到包含了復雜動力、熱力以及多種物理過程的區(qū)域大氣模式，再到疊加海洋條件的海氣耦合模式。

2.1低維模式應用對海霧研究的作用

20 世紀60 年代，以Estoque[15]的大氣邊界層模式建立為標志，海霧的數(shù)值模擬研究工作開始起步。Fisher等[16]使用1-D模式對一次陸地霧過程進行了模擬，首次證明了用數(shù)值方法研究海霧的可能性。此模式考慮了湍流作用和平流作用，但不考慮輻射作用。Oliver等[17]對海霧進行了一維模擬，發(fā)現(xiàn)了輻射作用在海霧的形成和發(fā)生發(fā)展過程中的重要性。之后Findlater等[18]利用一維輻射傳輸模式對蘇格蘭東北海岸的海霧進行了數(shù)值模擬，探討了輻射冷卻在海霧形成、發(fā)展過程中的作用。Koracin等[19]借助一維高階湍流閉合模式和大量觀測資料研究了1999年4月發(fā)生在加州沿岸的一個海霧個例的形成機制，發(fā)現(xiàn)云頂輻射冷卻和下沉增溫是海霧形成的主要原因，海氣界面正的感熱和潛熱通量也起了一定的作用。20世紀80年代以后，我國學者開始利用二維數(shù)值模式開展海霧數(shù)值模擬研究，胡瑞金等[20]設計了一個二維數(shù)值模式，研究海溫場、氣溫場、濕度場和風場等海洋氣象條件對海霧生成和發(fā)展的影響；之后又利用相對濕度時變方程，結(jié)合二維數(shù)值模式研究了海霧生成過程中平流、湍流和輻射的效應[21]，指出長波輻射冷卻是有利于海霧生成的主要因子，湍流冷卻主要發(fā)生在平流初始階段，且限于低層?？梢?，利用一、二維模式對海霧進行數(shù)值模擬，主要用于對海霧發(fā)生、發(fā)展影響機制的研究，如輻射作用、平流、湍流以及海洋下墊面的影響等。這些都為以后利用三維高分辨率數(shù)值模擬進行更精細化的海霧數(shù)值模擬和預報打下了堅實的基礎。

2.2三維模式研究進展

海霧的生消受多種物理過程相互作用影響，各個因素產(chǎn)生的影響比重也各有不同，一維、二維模式缺乏完善的邊界層、輻射及微物理參數(shù)化方案等，對海霧模擬的精細程度比較有限，因此，三維高分辨率數(shù)值模式開始應用到海霧模擬研究中。Stoelinga等[14]利用MM5數(shù)值模式[22]模擬的結(jié)果，建立了計算能見度的經(jīng)驗公式，對于開展海霧的數(shù)值模擬研究與預報工作起到很好的推動作用。傅剛等[23]使用改進的大氣邊界層模式對我國黃海海霧進行三維數(shù)值模擬研究，考慮了地形效應、植被影響、長波輻射、地表能量收支和液態(tài)水的重力沉降等因素，較好地模擬出了黃海海域?qū)嶋H的海霧生消過程，分析了海霧生長、發(fā)展和消亡過程中液態(tài)水含量和其他物理量的三維時空分布變化特征。傅剛等[24]和王帥等[25]分別利用RAMS模式[26]成功模擬了黃渤海海霧過程，計算了大氣水平能見度分布，結(jié)果表明云水混合比是影響大氣水平能見度分布的主要原因，模擬的水平能見度分布與衛(wèi)星云圖觀測結(jié)果吻合良好。Koracin等[27]用MM5模擬并探討了美國加利福尼亞沿岸海霧的形成、發(fā)展和消散機制。相比于MM5和RAMS，WRF模式由于其先進的系統(tǒng)構(gòu)架與同化模塊，越來越成為海霧數(shù)值模擬的主要模式，并應用到實際業(yè)務預報中。黃彬等[28]利用WRF數(shù)值模式，優(yōu)選模式微物理過程和邊界層方案，開發(fā)了海霧診斷程序應用到WRF模式中，建立了黃渤海海霧數(shù)值預報系統(tǒng)且實現(xiàn)業(yè)務運行。由于模式邊界層對大霧反應敏感，預報系統(tǒng)對大霧預報準確率較高，對24h預報結(jié)果，沿海站點能見度檢驗準確率達80%。

2.3海氣耦合數(shù)值試驗

在海霧生消過程中，海洋的作用至關(guān)重要，因此在海霧數(shù)值模擬研究中，海溫（SST）是不可忽視的關(guān)鍵物理量。WRF模式在處理SST上有兩種方案[29]：其一是在整個模擬過程中，SST始終為初始場中的SST；其二是SST每6h更新一次，更新數(shù)據(jù)來源于給定SST。前一種方案不能描述SST隨時間演變過程，第二種方案雖然能更新SST，但前提是SST已知，這無法滿足業(yè)務預報的需求[29]。張?zhí)K平等[30]利用中尺度WRF模式模擬研究表明海霧面積對SST變化比較敏感，濕度較?。ū葷裥∮?.5g·kg-1）的薄海霧區(qū)，SST增加，近海面氣層穩(wěn)定度減弱，海霧面積縮??；SST下降，穩(wěn)定度增強，海霧面積增大。孟憲貴等[31]也通過WRF數(shù)值模擬，發(fā)現(xiàn)低SST的海水冷卻效應可以使海霧發(fā)生頻率增加15%以上。為更好描述SST隨時間演變而減少海霧預報的誤差，趙定池等[29]采用WRF與區(qū)域海洋模式POM[32]構(gòu)造的中尺度海氣耦合模式對一次大范圍黃海海霧過程進行模擬預報。初始場SST都來源于NCEP再分析資料，耦合之前整個模擬過程中SST保持不變，耦合之后整個模擬過程中POM模式每2h為WRF模式更新SST，結(jié)果發(fā)現(xiàn)耦合模式一定程度上能模擬出黃海表面溫度的變化，模擬的霧區(qū)與衛(wèi)星觀測比耦合前更趨一致。這一積極結(jié)果源于耦合模式對SST的模擬比WRF模式模擬的SST更為精細化。

2.4數(shù)據(jù)同化對海霧預報的改善

有學者[33]指出，海霧數(shù)值模擬質(zhì)量受3個問題直接影響，分別是邊界層湍流方案、云微物理方案與初始場。在大氣中尺度數(shù)值模式不斷完善與成熟，選定邊界層與微物理方案情況下，利用先進同化方案同化更多更好的觀測資料來改善初始場便顯得尤為重要。劉宇迪等[34]利用WRF三維變分系統(tǒng)同化QuikSCAT海面風場資料，以同化前后的數(shù)據(jù)作為初始場分別進行模擬預報，表明同化后初始場的改進能改善低層要素場，對海霧預報有明顯正效應。高山紅等[33]設計了循環(huán)三維變分（3DVAR）同化模塊改進WRF模式初始場對黃海海霧進行數(shù)值模擬，從而增加了低層大氣溫度層結(jié)的穩(wěn)定性，改變了大氣邊界層下層風場結(jié)構(gòu)，導致海霧模擬結(jié)果顯著改善，表明初始場質(zhì)量對海霧數(shù)值模擬的重要性。文中設計的循環(huán)3DVAR同化方案的基本思路（圖3）是利用前一次3DVAR結(jié)果為WRF模式提供初始場，然后模式積分到下一同化時刻接著進行后一次3DVAR，如此重復，通過多次3DVAR可以同化一個時間段內(nèi)所有觀測數(shù)據(jù)。李冉等[35]在循環(huán)3DVAR同化方案基礎上利用WRF模式進行了衛(wèi)星輻射數(shù)據(jù)的直接同化試驗，能較好地再現(xiàn)影響海霧的天氣系統(tǒng)，模擬霧區(qū)與實際觀測較為吻合，初始溫度場和濕度場比不同化任何數(shù)據(jù)試驗有明顯改善。Wang等[36]進一步改進了此循環(huán)3DVAR同化流程，同化了MTSAT衛(wèi)星反演霧區(qū)中提取的水汽信息（圖4），改善了初始場中海上大氣邊界層水汽通常偏干的狀況，更加真實地再現(xiàn)了邊界層的濕度廓線。數(shù)值試驗模擬結(jié)果顯示（圖5），只同化觀測資料時，模擬的邊界層1km以下比探空觀測更干，100m以下混合比偏少1.5g·kg-1。同時同化觀測資料和衛(wèi)星提取水汽信息時，170m以下海霧出現(xiàn)的層次混合比顯著提升，與實況更加接近，改進了預報效果，使海霧臨近預報的霧區(qū)評分擊中率（POD）提高了大約20%。

圖3　循環(huán)3DVAR流程［33］（WPS（WRF Preprocessing System）與real.exe形成首次3DVAR所需初始場，wrf.exe驅(qū)動WRF向前積分，bg、obs和be分別代表背景場、觀測場和背景場誤差協(xié)方差；0、Δt和2Δt為同化時刻）Fig.3 Flowchart of cycling 3DVAR（WPS（WRF Preprocessing System） and real.exe together generate initial conditions for the first 3DVAR, wrf.exe forces WRF to integrate forward. The symbols of 'bg', 'obs', 'be' represent background fields, observations, background error covariance respectively, 0, Δt, 2Δt are assimilation times.）

圖4　衛(wèi)星反演霧區(qū)中水汽信息的“探空化”處理［36］（將霧區(qū)在水平方向和垂直方向劃分為多個網(wǎng)格點，間隔分別為?H、?Z，對于其中一個格點X，上空霧區(qū)內(nèi)濕度垂直廓線可以看做只包含濕度和海拔信息的常規(guī)探空曲線，這樣整個霧區(qū)就由許多不包含氣壓和溫度信息的濕度探空曲線組成）Fig.4 Schematic diagram for analyzing and digitizing sea fog humidity soundings（The sea fog space is allocated to grid points with the horizontal and vertical grid intervals marked as ?H、?Z,for a given grid point X,the vertical humidity profile inside the sea fog can be regarded as a routine sounding profile that only contains humidity and elevation information,thus the whole sea fog space consists of a large number of sea fog humidity soundings without pressure and temperature information.）

3　集合預報在海霧模擬中的應用趨勢

目前我國沿海氣象臺站的海霧預報仍主要采用統(tǒng)計預報方法，但伴隨計算機能力的不斷提高和數(shù)值模式的不斷完善，利用三維高分辨率數(shù)值模式進行海霧預報已經(jīng)是未來主要發(fā)展發(fā)向。已有研究[37-38]指出海霧數(shù)值預報應該考慮采用集合預報的途徑。海霧是發(fā)生在海上大氣邊界層內(nèi)的一種水汽凝結(jié)成云的微物理現(xiàn)象，海霧預報不僅要考慮初始場誤差，還應該關(guān)注與成霧過程密切相關(guān)的云微物理方案、邊界層方案與SST誤差等[38]。海霧數(shù)值模擬的初始場誤差可以通過先進的數(shù)據(jù)同化手段和更加豐富的觀測資料加以降低[33-36]。然而，這些結(jié)果皆是在事先確定好最優(yōu)微物理方案、邊界層方案以及SST的情形下得到的。陸雪等[39]對10次春季黃海海霧事件進行WRF數(shù)值模擬研究，通過24h預報霧區(qū)與衛(wèi)星反演霧區(qū)進行評分檢驗，發(fā)現(xiàn)霧區(qū)預報對邊界層方案的敏感度大于微物理方案，且最優(yōu)邊界層方案依具體海霧過程而異。若采用集合預報，初始場集合體中可以包含不同的初始場誤差，在預報過程中不同的集合成員可以采用不同的微物理與邊界層方案以及擾動的SST場[38]。國外一些國家從20世紀90年代就開始發(fā)展集合預報，1992年美國國家環(huán)境預報中心就建立了全球集合預報系統(tǒng)[40]，2001年又發(fā)展了一個基于區(qū)域模式的短期集合預報系統(tǒng)（Short-Range Ensemble Forecast system）[41]，在此基礎上Zhou等[42]利用兩個區(qū)域模式10個成員對中國東部地區(qū)的霧進行集合預報，預報結(jié)果有了明顯改進，12～36h 40%概率預報的公正預兆得分比確定性預報提高了0.27。這是國際上在霧集合預報方面最早的工作，也是第一篇有關(guān)霧集合預報的文獻。巴黎國際機場也建立了本地集合預報系統(tǒng)對霧進行預報[43]，美國空軍氣象中心建立了中尺度集合預報系統(tǒng)對加利福尼亞州海岸和山地中的霧進行預報[44]。高山紅等[38]利用“集合3DVAR”同化技術(shù)，針對一次黃海海霧進行了集合預報試驗（圖6），試驗中集合預報初始場集合體生成采用蒙特卡羅隨機擾動法對模式主要預報變量進行擾動，SST擾動借助EnKF隨機擾動工具得到，最后得到黃海海霧霧區(qū)概率預報（圖7）。預報評分顯示集合預報50%概率霧區(qū)預報的擊中率優(yōu)于確定性預報36.6%，公正預兆得分優(yōu)于確定性預報28.5%，源于集合預報所預報的溫度、濕度和風場等大氣邊界層狀態(tài)要優(yōu)于確定性預報，并且加入SST擾動也產(chǎn)生正影響。這表明集合預報相比于確定性預報有其不可替代的優(yōu)越性。

對于海霧的數(shù)值預報而言，首要的工作是做好數(shù)據(jù)同化工作，提高數(shù)值模式的初始場質(zhì)量；其次是選用合適的邊界層參數(shù)化方案與云微物理方案，盡可能精確刻畫海霧形成的動力與微物理過程；然后考慮集合預報思路，降低上述過程中始終存在、不可避免的不確定性。此外，還得加強海霧的外場觀測，加深對海霧發(fā)生機制的認識，幫助改進數(shù)值模式中邊界層與微物理參數(shù)化方案。

4　小結(jié)

1）統(tǒng)計預報方法是在選擇最優(yōu)影響因子基礎上完成的，計算方法易于掌握，占用的計算資源和計算時間也相對很少，因此統(tǒng)計預報方法仍是目前沿海氣象臺站預報海霧的主要方法之一。但是影響因子的篩選容易受主觀經(jīng)驗的影響。

圖5　只同化觀測資料（點虛線）、同時同化觀測資料和衛(wèi)星反演水汽信息（短虛線）模擬的青島站（a，b）和成山頭站（c，d）的溫度（a，c）、混合比（b，d）垂直廓線與無線電探空儀探測曲線（實線）對比圖［36］Fig.5 Comparison of forecast vertical profiles of temperature（a，c） and mixing ratios（b，d） in two experiments（one assimilating observation data only（dotted lines）,the other one assimilating both observation and sea fog humidity sounding data（dashed lines）） with radiosonde observations（solid lines） at Qingdao（a，b） and Chengshantou（c，d） stations

圖6　包含N個成員的集合預報試驗設計流程［38］（集合預報運行分為3部分：初始集合體生成階段（5日02 LST～5日08 LST）；數(shù)據(jù)同化階段（5日08 LST～6日08 LST）；預報階段（6日08 LST～8日08 LST）。初始場擾動相對于同化起點提前了6h，目的是讓集合體各成員在進入同化之前進行動力調(diào)整）Fig.6 Flowchart of the ensemble numerical forecast experiments including N members（Procedure of ensemble forecast contains three steps：generation of the initial ensemble members,data assimilation cycling,ensemble forecast.The turbulence of initial conditions occurs six hours ahead of data assimilation in order to let ensemble members carry on dynamical adjustment）

圖7　黃海霧區(qū)加入SST擾動（a）和沒有加入SST擾動（b）的集合預報試驗得到的不同預報概率分布［38］Fig.7 Two ensemble forecast experiments（with SST turbulence（a） and without SST turbulence（b）） give forecast Yellow Sea fog area with different probabilities

2）海霧數(shù)值預報的發(fā)展不僅推動了海霧生消機理的深入研究，而且推動了海霧客觀預報技術(shù)的發(fā)展，它更趨于客觀描述海霧發(fā)生發(fā)展及消亡過程中動力、熱力等物理及微物理的變化過程。國內(nèi)外氣象學家已經(jīng)開始應用三維數(shù)值模式開展海霧預報，通過初始場數(shù)據(jù)同化、衛(wèi)星資料應用及海氣耦合等技術(shù)，不斷提高海霧數(shù)值模擬的準確性。

3）目前，集合預報技術(shù)在海霧數(shù)值模擬預報中的應用研究逐漸增多，相關(guān)模擬試驗表明，由于集合預報描述的大氣邊界層狀態(tài)更趨于精細和真實，海霧出現(xiàn)時間、發(fā)生范圍的預報準確率明顯提高。

［1］王彬華. 海霧. 北京： 海洋出版社， 1983.

［2］馮蕾， 田華. 國內(nèi)外霧預報技術(shù)研究進展. 南京信息工程大學學報（自然科學版）， 2014， 6（1）： 74-81.

［3］王厚廣， 曲維政. 青島地區(qū)的海霧預報. 海洋預報， 1997， 14（3）：52-57.

［4］于潤玲， 王亞男， 李永平. 黃海和東海海霧短期客觀預報業(yè)務系統(tǒng). 大氣科學研究與應用， 2007， 2： 28-37.

［5］Glahn H R， Lowry D A. Te use of model output statistics （MOS）in objective weather forecasting. Journal of Applied Meteorology，1972， 11： 1203-1211.

［6］Scamarock W C， Klemp J B， Dudhia J， et al. A description of the advanced research WRF version 3. Boulder， Colorado， USA：NCAR/TN-475+STR， 2008： 125.

［7］楊棋， 歐建軍， 李永平. 洋山海域海霧客觀預報方法研究. 熱帶海洋學報， 2013， 32（5）： 59-64.

［8］梅玨. 人工神經(jīng)元網(wǎng)絡在輻射霧預報中的應用. 應用氣象學報，1999， 10（4）： 511-512.

［9］劉科峰， 張韌， 江海英， 等. 模糊邏輯仿真建模及其在青島海霧分析中的應用. 海洋湖沼通報， 2004（4）： 17-25.

［10］黃健， 黃輝軍， 黃敏輝， 等. 廣東沿岸海霧決策樹預報模型. 應用氣象學報， 2011， 22（1）： 107-114.

［11］胡波， 杜惠良， 郝世峰， 等. 一種統(tǒng)計技術(shù)結(jié)合動力釋用的沿海海霧預報方法. 海洋預報， 2014， 31（5）： 82-86.

［12］Gultepe I， Mller M D， Boybeyi Z. A new visibility parameterization for warm-fog applications in numerical weather prediction models. Journal of Applied Meteorology and Climatology， 2006， 45（11）：1469-1480.

［13］鐘元， 潘勁松， 朱紅， 等. 一種臺風過程雨量的相似預報方法. 熱帶氣象學報， 2009， 25（6）： 681-691.

［14］Stoelinga M T， Warner T T， Nonhydrostatic， mesobeta-scale model simulations of cloud ceiling and visibility for an east coast winter precipitation event. Journal of the Atmospheric Sciences， 1999，38（4）： 385-404.

［15］Estoque M A. The sea breeze as a function of the prevailing synoptic situation. Journal of the Atmospheric Sciences， 1962，19（3）： 244-250.

［16］Fisher E L， Caplan P. An experiment in numerical prediction of fog and stratus. Journal of the Atmospheric Sciences， 1963， 20（5）：425-437.

［17］Oliver D， Lewellen W， Williamson G. The interaction between turbulent and radiative transport in the development of fog and low-level stratus. Journal of the Atmospheric Sciences， 1978， 35：301-316.

［18］Findlater J， Roach W， McHugh B. Te haar of north-east Scotland. Quarterly Journal of the Royal Meteorological Society， 1989， 115：581-608.

［19］Koracin D， Lewis J， Thompson W， Dorman C， et al. Transition of stratus into fog along the California coast： Observations and modeling. Journal of the Atmospheric Sciences， 2001， 58：1714-1731.

［20］ 胡瑞金， 周發(fā)琇. 海霧過程中海洋氣象條件影響數(shù)值研究. 青島海洋大學學報， 1997， 27（3）： 282-290.

［21］ 胡瑞金， 董克慧， 周發(fā)琇. 海霧生成過程中平流、湍流和輻射效應的數(shù)值試驗. 海洋科學進展， 2006， 24（2）： 156-165.

［22］Grell G A， Dudhia J， Stauffer D R. A description of the fifthgeneration Penn State/NCAR mesoscale model（MM5）. Boulder，Colorado， USA： NCAR Technical Note， NCAR/TN-398+STR，1994： 117.

［23］傅剛， 張濤， 周發(fā)繡. 一次黃海海霧的三維數(shù)值模擬研究. 青島海洋大學學報， 2002， 32（6）： 859-867.

［24］傅剛， 王菁茜， 張美根， 等. 一次黃海海霧事件的觀測與數(shù)值模擬研究. 中國海洋大學學報， 2004， 34（5）： 720-726.

［25］王帥， 傅聃， 陳德林， 等. 2009年春季一次黃海海霧的觀測分析及數(shù)值模擬. 大氣科學學報， 2012， 35（3）： 282-294.

［26］Pielke R A， Cotton W R， Walko R L， et al. A comprehensive meteorological modeling system-RAMS. Meteorological Atmospheric Physics， 1992， 49： 69-91.

［27］Koracin D， Businger J A， Dorman C E， et al. Formation， evolution and dissipation of coastal sea fog. Boundary Layer Meteor， 2005，117： 447-478.

［28］黃彬， 陳濤， 陳炯， 等. 黃渤海海霧數(shù)值預報系統(tǒng)及檢驗方法研究. 氣象科技， 2009， 37（3）： 271-275.

［29］趙定池， 李毅， 潘曉濱， 等. WRF-POM耦合模式對一次海霧過程的模擬試驗. 海洋預報， 2014， 31（1）： 77-85.

［30］張?zhí)K平， 任兆鵬. 下墊面熱力作用對黃海春季海霧的影響——觀測與數(shù)值試驗. 氣象學報， 2010， 68（4）： 439-449.

［31］孟憲貴， 張?zhí)K平. 夏季黃海表面冷水對大氣邊界層及海霧的影響. 中國海洋大學學報， 2012， 42（6）： 16-23.

［32］Mellor G L. Users Guide for a Three-Dimensional Primitive Equation， Numerical Ocean Model. Princeton University， 1992， 34.

［33］高山紅， 齊伊玲， 張守寶， 等. 利用循環(huán)3DVAR改進黃海海霧數(shù)值模擬初始場： WRF數(shù)值試驗. 中國海洋大學學報（自然科學版）， 2010， 40（10）： 1-9.

［34］劉宇迪， 任景鵬， 周鑫. 散射計風場的三維變分對海霧數(shù)值模擬的影響. 應用氣象學報， 2011， 22（4）： 472-481.

［35］李冉， 高山紅， 王永明. 直接同化衛(wèi)星輻射數(shù)據(jù)的黃海海霧數(shù)值試驗研究. 中國海洋大學學報（自然科學版）， 2012， 42： 10-20.

［36］Wang Y M， Gao S H， Fu G， et al. Assimilation MTSAT-derived humidity in now-forecasting sea fog over the Yellow Sea. Weather and Forecasting. 2014， 29（2）： 205-225.

［37］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. Advances in Atmospheric Sciences， 2007， 24： 65-81.

［38］高山紅， 王永明， 傅剛. 一次黃海海霧的集合預報試驗. 中國海洋大學學報（自然科學版）， 2014， 44（12）： 001-011.

［39］陸雪， 高山紅， 饒莉娟， 等. 春季黃海海霧WRF參數(shù)化方案敏感性研究. 應用氣象學報， 2014， 25： 312-320.

［40］Tracton M S， Kalnay E. Operational ensemble prediction at the National Meteorological Center： practical aspects. Weather and Forecasting， 1993， 8： 378-398.

［41］Du J， DiMego G， Tracton M S， et al. NCEP short-range ensemble forecasting （SREF） system： multi-IC， multi-model and multiphysics approach. Research Activities in Atmospheric and Oceanic Modelling （edited by J Cote）， Report 33， CAS/JSC Working Group Numerical Experimentation（WGNE）， WMO/TD-No，2003， 1161， 5. 09-5. 10.

［42］Zhou B， Du J. Fog prediction from a multimodel mesoscale ensemble prediction system. Weather and Forecasting， 2010， 25：303-322.

［43］Roquelaure， S， Bergot T. A local ensemble prediction system （L-EPS）for fog and low clouds： construction， Bayesian model averaging calibration and validation. Journal of Applied Meteorology and Climatology， 2008， 47： 3072-3088.

［44］Ryerson W R， Hacker J P. The potential for mesoscale visibility prediction with a multimodel ensemble. Weather and Forecasting，2014， 29： 543-562.

A Summary of Research on Sea Fog Forecasting

Shi Dedao1, Wu Zhenling1, Gao Shanhong2, Luo Kai1
（1 Tianjin Meteorological Observatory， Tianjin 300074 2 Ocean University of China， Qingdao 266100）

A review of the research progress over the past few decades is presented here on the sea fog forecasting technique based upon statistical and numerical prediction. The statistical method is a major tool except the synoptic method on the sea fog forecast at coastal meteorological observatories in China. It improves the forecasts of sea fog but have defects of the empirical statistics. With the rapidly development of computer technology, the numerical simulation and prediction on sea fog events are applied widely and will become the main method. Nowadays, the sea fog numerical prediction models are developed from the one-dimensional to three-dimensional and from the single atmospheric model to coupled air-sea model. The advanced assimilation technique, which assimilates the satellite data to overcome the lack of marine observations, together with the ensemble prediction in the three-dimensional numerical prediction model, which uses a higher resolution, selects the most suitable boundary layer and physical parameterization schemes, will greatly improve the sea fog forecasts.

sea fog, statistical forecast, numerical prediction, ensemble prediction

10.3969/j.issn.2095-1973.2016.02.005

2015年11月18日；

2015年12月17日

史得道（1985—），Email：sdd0928@163.com

吳振玲（1963—），Email：bigwiselyyn@yahoo.com

資助信息：天津市科技興海項目（KJXH2014-20）；天津市科技計劃項目（15ZCZDSF00210）