劉志杰，王煒，趙玥，史得道

（1.天津市西青區(qū)氣象局，天津 300380；2.天津市海洋氣象重點(diǎn)實(shí)驗(yàn)室，天津 300074；3.天津市氣象科學(xué)研究所，天津 300074；4.天津市津南區(qū)氣象局，天津 300350；5.天津海洋中心氣象臺(tái)，天津 300074）

1 引言

霧是一種常見(jiàn)的災(zāi)害性天氣現(xiàn)象，它是空氣中懸浮的大量水滴散射和吸收光線(xiàn)后產(chǎn)生的能見(jiàn)度降低的自然現(xiàn)象。在氣象觀(guān)測(cè)中，規(guī)定大霧為近地面大氣中水汽凝結(jié)成水滴或冰晶使水平能見(jiàn)度小于1 km的災(zāi)害性天氣現(xiàn)象[1]，能見(jiàn)度的大小用來(lái)表征霧的等級(jí)。根據(jù)霧等級(jí)預(yù)報(bào)的國(guó)家標(biāo)準(zhǔn)，按照能見(jiàn)度的大小將霧分為5個(gè)等級(jí)，即輕霧（1.0～10.0 km）、大霧（500～1 000 m）、濃霧（200～500 m）、強(qiáng)濃霧（50～200 m）和特強(qiáng)濃霧（＜50 m）。不同等級(jí)的霧對(duì)生產(chǎn)生活特別是交通出行造成的影響不同，對(duì)應(yīng)采取的措施也有顯著差別[2]，因此在生產(chǎn)和生活中公眾迫切需要霧的等級(jí)和能見(jiàn)度的精細(xì)化預(yù)報(bào)產(chǎn)品。

以往研究主要從霧的特征分析[3-4]、統(tǒng)計(jì)[5-6]和數(shù)值模擬3個(gè)方面進(jìn)行診斷預(yù)報(bào)，其中數(shù)值模擬具有更廣泛的應(yīng)用前景[7]。起初，部分學(xué)者開(kāi)展了一維霧模式的預(yù)報(bào)研究[8-9]，之后逐漸轉(zhuǎn)變?yōu)橐匀S霧模式或中尺度模式預(yù)報(bào)為主[10-11]，其中中尺度模式多采用逆溫層結(jié)、風(fēng)速和液態(tài)水含量等要素作為判別霧發(fā)生的預(yù)報(bào)指標(biāo)，取得了較好的模擬預(yù)報(bào)效果。鑒于霧的預(yù)報(bào)分級(jí)以能見(jiàn)度為標(biāo)準(zhǔn)，采用其他變量難以對(duì)霧的等級(jí)進(jìn)行精確定量預(yù)報(bào)，因此使用模式后處理得到的能見(jiàn)度來(lái)分析和預(yù)報(bào)霧逐步成為研究和業(yè)務(wù)工作的重點(diǎn)。

在大霧天氣能見(jiàn)度的預(yù)報(bào)工作中，主要運(yùn)用相對(duì)濕度[12]和液態(tài)水含量[13-14]兩類(lèi)方法，也有部分研究和業(yè)務(wù)模式[11]將氣溶膠粒子效應(yīng)單獨(dú)計(jì)算，以更精細(xì)地描述大氣變化。以往研究表明僅用液態(tài)水含量或者相對(duì)濕度估算能見(jiàn)度均存在一定的缺陷[15]，相對(duì)濕度和液態(tài)水含量?jī)身?xiàng)指標(biāo)結(jié)合才能更好地提升大霧天氣的預(yù)報(bào)準(zhǔn)確率[16-18]。因此大霧預(yù)報(bào)急需建立一種新的能見(jiàn)度算法，以提升霧的預(yù)報(bào)精度，滿(mǎn)足大霧天氣分等級(jí)預(yù)報(bào)需求。

本文嘗試提出一種新的融合相對(duì)濕度和液態(tài)水含量的能見(jiàn)度計(jì)算方法，解決數(shù)值模式中能夠同時(shí)準(zhǔn)確衡量濃霧和輕霧能見(jiàn)度預(yù)報(bào)問(wèn)題，滿(mǎn)足黃渤海及沿岸地區(qū)高速公路、機(jī)場(chǎng)和港口航道霧的精確預(yù)報(bào)需求[19]。根據(jù)研究區(qū)域、出現(xiàn)季節(jié)、模式模擬效果和資料完整性綜合分析，選取了天氣預(yù)報(bào)模式（The Weather Research and Forecasting model,WRF）。該模式較好地模擬出黃渤海春季和冬季兩次大霧天氣過(guò)程，其中2016年3月大霧個(gè)例發(fā)生于初春黃渤海洋面，12月大霧個(gè)例發(fā)生于冬季黃渤海沿岸地區(qū)，兩者具有一定的代表性和比較性。對(duì)上述兩個(gè)個(gè)例模擬結(jié)果，分別采用液態(tài)水含量算法、相對(duì)濕度算法和新融合方法計(jì)算其能見(jiàn)度值，并分析和討論了3類(lèi)方法的預(yù)報(bào)性能差異及其影響因素。

2 一種量化霧的能見(jiàn)度新融合方法

本文將利用計(jì)算能見(jiàn)度常用的Koschmieder定律[20]建立一種融合相對(duì)濕度和液態(tài)水含量的能見(jiàn)度計(jì)算公式。根據(jù)Koschmieder公式，氣象能見(jiàn)度Rm和大氣消光系數(shù)Kex之間存在如下關(guān)系：

式中：ε一般取值0.02；大氣消光系數(shù)Kex是大氣分子和粒子散射和吸收的共同作用的結(jié)果。在干潔大氣中，如果忽略分子的吸收作用，此時(shí)氣溶膠粒子的散射成為大氣消光的主要因素[21]。由于氣溶膠粒子的吸濕增長(zhǎng)作用，當(dāng)相對(duì)濕度變化時(shí)，氣溶膠粒子的消光系數(shù)也相應(yīng)發(fā)生變化，從而引起能見(jiàn)度變化[22-23]，此時(shí)能見(jiàn)度和相對(duì)濕度具有較好的對(duì)應(yīng)關(guān)系。當(dāng)大氣中濕度較大并存在明顯液態(tài)水滴時(shí)，液態(tài)水的吸收和散射成為大氣消光的重要因素。

在業(yè)務(wù)應(yīng)用中，為避免大氣消光系數(shù)Kex計(jì)算太復(fù)雜，可將Koschmieder公式簡(jiǎn)化處理，建立相對(duì)濕度或液態(tài)水含量同大氣消光系數(shù)之間的統(tǒng)計(jì)方程。例如，夏凡等[12]提出的相對(duì)濕度和能見(jiàn)度的關(guān)系式：

式中：VR為單獨(dú)用相對(duì)濕度計(jì)算的能見(jiàn)度值，單位：km；RH（Relative Humidity）為2 m相對(duì)濕度，單位：%；KR為粒子吸濕增長(zhǎng)時(shí)相對(duì)濕度作用的消光系數(shù)。該式的相關(guān)系數(shù)是基于山東地區(qū)歷史資料統(tǒng)計(jì)得出，其參數(shù)在一定程度上包含了氣溶膠粒子作用。

此外，Kunkel[24]給出了經(jīng)典的液態(tài)水含量和能見(jiàn)度計(jì)算公式：

式中：VL是單獨(dú)使用液態(tài)水含量計(jì)算得到的能見(jiàn)度值，單位：km；LWC（Liquid Water Content）為單位體積空氣所含液態(tài)水含量，單位：g/m3；KL為液態(tài)水粒子作用的消光系數(shù)。該式適用于計(jì)算包含液態(tài)水的大霧天氣能見(jiàn)度。在本文中，液態(tài)水含量取近地層云水和云冰兩項(xiàng)之和。考慮到雨水含量同能見(jiàn)度擬合效果差，本文未予以考慮。

為更好地描述大霧等級(jí)分布和能見(jiàn)度變化，本文提出了包含相對(duì)濕度和液態(tài)水含量的能見(jiàn)度新融合算法。令新融合算法中消光系數(shù)等于前述兩個(gè)因子消光系數(shù)之和，即：

式中：KN為新融合算法消光系數(shù)。參考式（1）有：

式中：VN為融合算法能見(jiàn)度值。下文將用式（2）、（3）和（5）分別計(jì)算WRF模擬的兩個(gè)大霧天氣過(guò)程的能見(jiàn)度。此外，在缺乏液態(tài)水含量業(yè)務(wù)觀(guān)測(cè)數(shù)據(jù)的情況下，為了檢驗(yàn)?zāi)Ｊ捷敵龅囊簯B(tài)水混合比數(shù)據(jù)的合理性，利用式（3）反算式（6）并進(jìn)行單位換算后估算真實(shí)低層大氣中的液態(tài)水混合比。

式（6）估算的液態(tài)水混合比是在觀(guān)測(cè)能見(jiàn)度約束下的液態(tài)水混合比的最佳估算值，可以作為檢驗(yàn)?zāi)Ｊ筋A(yù)測(cè)液態(tài)水混合比的合理值的參考值。

3 數(shù)值模擬方案設(shè)計(jì)

本文需要開(kāi)展新建立的能見(jiàn)度融合算法在WRF模式中的可應(yīng)用性研究。為了檢驗(yàn)這種新算法在實(shí)際應(yīng)用中的可行性，本節(jié)設(shè)計(jì)了WRF模式模擬試驗(yàn)方案，對(duì)兩個(gè)黃渤海區(qū)域代表性大霧天氣個(gè)例進(jìn)行了模擬。

3.1 數(shù)據(jù)資料和檢驗(yàn)方法

本文使用了FNL（Final Operational Global Analysis）資料、國(guó)家地面站逐時(shí)觀(guān)測(cè)資料和衛(wèi)星資料3種數(shù)據(jù)。美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心（National Centers for Environmental Prediction，NCEP）和美國(guó)國(guó)家大氣研究中心（National Center for Atmospheric Research，NCAR）每日4次的FNL資料用于WRF模式模擬、分析和對(duì)比檢驗(yàn)。地面站逐時(shí)相對(duì)濕度和能見(jiàn)度資料用于對(duì)比檢驗(yàn)。衛(wèi)星資料來(lái)自國(guó)家衛(wèi)星氣象中心發(fā)布的《氣象衛(wèi)星霧監(jiān)測(cè)報(bào)告》，用于提取霧區(qū)分布信息。

能見(jiàn)度預(yù)報(bào)效果的檢驗(yàn)采用了平均偏差E及均方根誤差（Root Mean Square Error，RMSE）兩種方法，主要計(jì)算研究區(qū)域內(nèi)國(guó)家站能見(jiàn)度實(shí)況值和預(yù)報(bào)值之間的差值。

式中：V m為能見(jiàn)度模擬值，V o為能見(jiàn)度實(shí)況值，單位：km；N為站點(diǎn)數(shù)。

3.2 數(shù)值模擬方案

WRF模式是氣象上常用的完全可壓縮以及非靜力中尺度天氣預(yù)報(bào)模式，由NCEP等科研機(jī)構(gòu)采用F90語(yǔ)言編寫(xiě)開(kāi)發(fā)。文中兩次大霧天氣個(gè)例選取了天津市氣象局業(yè)務(wù)模式區(qū)域（114°～126°E，31°～44°N），模式中心設(shè)在115°E，40°N，采用水平網(wǎng)格分辨率為5 km的單層方案，格點(diǎn)數(shù)為441×369，垂直方向分為51層。初始場(chǎng)和邊界場(chǎng)條件利用每日4次的FNL再分析資料，輸出結(jié)果為每小時(shí)一次。表1列舉了模式采用的主要物理參數(shù)化方案[13]。

表1 物理過(guò)程參數(shù)化方案

4 結(jié)果分析與討論

4.1 大霧天氣能見(jiàn)度空間分布特征模擬能力分析

4.1.1 2016年3月大霧天氣過(guò)程空間特征分析

在檢驗(yàn)新融合算法的霧空間特征模擬能力前，需要先檢驗(yàn)WRF模式模擬霧區(qū)的能力。2016年3月3日清晨至3月5日上午，渤海和黃海北部持續(xù)出現(xiàn)大霧天氣（見(jiàn)圖1a）。為了檢驗(yàn)此次大霧過(guò)程的數(shù)值模擬效果，本文采用數(shù)值模式中最底層云水混合比和冰混合比之和作為液態(tài)水混合比值，并取閾值0.05 g/kg作為霧區(qū)判別的標(biāo)準(zhǔn)[13]，同時(shí)根據(jù)式（6）將地面觀(guān)測(cè)站能見(jiàn)度值反演為液態(tài)水混合比估值，以此比較模式霧區(qū)分布與衛(wèi)星監(jiān)測(cè)霧區(qū)和反演估值的對(duì)應(yīng)關(guān)系（見(jiàn)圖1）。結(jié)果顯示：數(shù)值模式在4日00時(shí)（世界時(shí)，下同）模擬的渤海、北黃海以及陸上兩個(gè)半島地區(qū)的霧區(qū)與監(jiān)測(cè)和反演霧區(qū)基本一致，僅在黃海西部沿岸地區(qū)出現(xiàn)虛假霧區(qū)。

新能見(jiàn)度融合算法的霧模擬能力檢驗(yàn)，選用了4日00時(shí)衛(wèi)星監(jiān)測(cè)霧區(qū)（見(jiàn)圖1a）和陸上觀(guān)測(cè)能見(jiàn)度作為實(shí)況數(shù)據(jù)。通過(guò)液態(tài)水含量算法、相對(duì)濕度算法和新融合方法3種不同算法的能見(jiàn)度值（見(jiàn)圖2）對(duì)比可知：僅考慮相對(duì)濕度的算法僅能模擬出1 km以上的能見(jiàn)度分布，整體上有顯著偏差。僅考慮液態(tài)水含量的算法較好地模擬出了大霧天氣，但受限于偏高的液態(tài)水混合比模擬值，能見(jiàn)度計(jì)算偏低?？紤]了兩者的融合算法較好地模擬了0～10 km霧的等級(jí)分布，既能在一定程度上模擬出兩個(gè)半島霧區(qū)，又使得從輕霧到特強(qiáng)濃霧的分級(jí)更加細(xì)致，相對(duì)于傳統(tǒng)算法改進(jìn)效果明顯。在模擬效果較差的黃海沿岸地區(qū)，3類(lèi)算法計(jì)算結(jié)果均不理想。

圖1 2016年3月4日00時(shí)衛(wèi)星監(jiān)測(cè)、模擬和反演霧區(qū)分布

圖2 2016年3月4日00時(shí)能見(jiàn)度實(shí)況值和不同算法計(jì)算值（單位：km）

4.1.2 2016年12月大霧天氣過(guò)程空間特征分析

與上一節(jié)類(lèi)似，本節(jié)首先檢驗(yàn)個(gè)例中WRF模式的霧模擬能力。2016年12月18日和19日上午，黃渤海沿岸部分地區(qū)出現(xiàn)大霧天氣（見(jiàn)圖3a）。模式液態(tài)水混合比分布和衛(wèi)星監(jiān)測(cè)霧區(qū)以及反演霧區(qū)的比較結(jié)果（見(jiàn)圖3）顯示，19日01時(shí)在渤海灣及其沿岸、兩個(gè)半島和江蘇沿岸地區(qū)均較好地模擬出了霧區(qū)，但范圍相對(duì)偏小。

此次過(guò)程中19日01時(shí)3種不同算法能見(jiàn)度值同站點(diǎn)觀(guān)測(cè)值（見(jiàn)圖4）以及衛(wèi)星監(jiān)測(cè)霧區(qū)（見(jiàn)圖3a）對(duì)比可知，在模擬效果較好的渤海灣及沿岸、兩個(gè)半島和江蘇沿岸地區(qū)，相對(duì)濕度算法僅能模擬出輕霧天氣，無(wú)法模擬出大霧霧區(qū)；液態(tài)水含量算法則僅能模擬500 m以下濃霧等級(jí)的能見(jiàn)度分布，對(duì)大霧及輕霧級(jí)別能見(jiàn)度模擬效果較差，無(wú)法準(zhǔn)確區(qū)分等級(jí)；融合算法吸取了兩者的長(zhǎng)處，較好地模擬出霧區(qū)分布，同時(shí)對(duì)霧的模擬分級(jí)更加細(xì)化，改進(jìn)效果明顯。

圖3 12月19日01時(shí)衛(wèi)星監(jiān)測(cè)、模擬和反演霧區(qū)分布

圖4 2016年12月19日01時(shí)能見(jiàn)度實(shí)況值和不同算法計(jì)算值（單位：km）

4.2 大霧過(guò)程能見(jiàn)度時(shí)間變化特征模擬能力分析

4.2.1 2016年3月大霧天氣過(guò)程能見(jiàn)度時(shí)間序列特征為了檢驗(yàn)新融合算法在整個(gè)霧過(guò)程中的能見(jiàn)度計(jì)算效果，本文選取了該過(guò)程中模擬效果較好的大連皮口站和威海成山頭站作為代表性站點(diǎn)，對(duì)比了3種能見(jiàn)度算法的計(jì)算值和觀(guān)測(cè)值的時(shí)間序列。皮口站的觀(guān)測(cè)和模擬能見(jiàn)度對(duì)比顯示（見(jiàn)圖5a），相對(duì)濕度算法僅能大體模擬出1 km以上能見(jiàn)度的變化趨勢(shì)，液態(tài)水含量算法僅能模擬出部分大霧天氣時(shí)段。融合算法很好地彌補(bǔ)了上述兩種方法的缺陷，尤其是較好地描述出了強(qiáng)濃霧的等級(jí)變化以及午后能見(jiàn)度短暫回升的特點(diǎn)。成山頭站的觀(guān)測(cè)和模擬能見(jiàn)度對(duì)比顯示（見(jiàn)圖5b），相對(duì)濕度算法沒(méi)能計(jì)算出此次大霧天氣，而液態(tài)水含量算法僅描述出部分時(shí)段變化，新融合算法卻細(xì)致地描述了整個(gè)霧過(guò)程。此外，兩個(gè)站點(diǎn)均出現(xiàn)了因模式模擬液態(tài)水含量誤差導(dǎo)致的大霧漏報(bào)和遲報(bào)等現(xiàn)象。

圖5 2016年3月2日00時(shí)—6日00時(shí)兩個(gè)代表站不同算法能見(jiàn)度值和觀(guān)測(cè)值時(shí)間序列

4.2.2 2016年12月大霧天氣過(guò)程能見(jiàn)度時(shí)間序列特征

本次大霧過(guò)程選取了渤海灣西側(cè)的鹽山站和山東半島的即墨站作為代表性站點(diǎn)，分析了3種算法的能見(jiàn)度計(jì)算值和觀(guān)測(cè)值的時(shí)間序列。鹽山站的實(shí)況和計(jì)算能見(jiàn)度顯示（見(jiàn)圖6a），融合算法較好地描述了霧的等級(jí)變化，特別是強(qiáng)濃霧天氣。相對(duì)濕度算法無(wú)法對(duì)大霧以上等級(jí)作出預(yù)報(bào)。液態(tài)水含量算法則僅僅模擬出了部分時(shí)段的濃霧天氣，缺乏描述能見(jiàn)度連續(xù)變化的能力。即墨站的實(shí)況和計(jì)算能見(jiàn)度顯示（見(jiàn)圖6b），融合算法能見(jiàn)度值和實(shí)況變化基本一致。相對(duì)濕度算法和液態(tài)水含量算法則依舊存在上述問(wèn)題。受液態(tài)水含量模擬誤差的影響，兩個(gè)站點(diǎn)的融合能見(jiàn)度值在部分時(shí)段同實(shí)況值有一些偏差。

圖6 2016年12月17日00時(shí)—22日00時(shí)代表站不同算法能見(jiàn)度值和觀(guān)測(cè)值時(shí)間序列

4.3 能見(jiàn)度新融合方法精度的主要影響因素分析

4.3.1 WRF模式預(yù)報(bào)性能對(duì)能見(jiàn)度新融合方法精度的影響

從霧個(gè)例的多種資料的對(duì)比結(jié)果可知，當(dāng)相對(duì)濕度和液態(tài)水含量模擬較好時(shí)，新融合算法得到的能見(jiàn)度很好地反映出了霧等級(jí)的分布和變化。但是，當(dāng)模式模擬的相對(duì)濕度整體偏大（或偏?。┗虺霈F(xiàn)虛假的液態(tài)水含量時(shí)，新融合方法的能見(jiàn)度模擬結(jié)果與觀(guān)測(cè)值的誤差變大。這種現(xiàn)象主要是因?yàn)殪F的能見(jiàn)度計(jì)算精度受限于WRF模式對(duì)相對(duì)濕度和液態(tài)水含量的模擬能力。因此，新融合方法的能見(jiàn)度誤差既要考慮算法本身的誤差，也要考慮模式的相對(duì)濕度和液態(tài)水含量的模擬誤差。

WRF模式的初始場(chǎng)資料誤差有可能是WRF模式相對(duì)濕度和液態(tài)水含量預(yù)報(bào)誤差的成因之一。WRF模式初始場(chǎng)資料的分析結(jié)果表明，2 m相對(duì)濕度模擬值與FNL資料基本一致，但同站點(diǎn)觀(guān)測(cè)值存在顯著差異。例如，3月4日00時(shí)WRF模擬的相對(duì)濕度較觀(guān)測(cè)值整體偏小5%，均方根誤差達(dá)到17%。因此，WRF模式初始場(chǎng)的誤差可能影響模式的相對(duì)濕度和液態(tài)水含量模擬精度，并最終影響能見(jiàn)度計(jì)算結(jié)果。

4.3.2 通過(guò)質(zhì)量控制突出新融合方法的改進(jìn)效果

直接用WRF模擬結(jié)果計(jì)算霧區(qū)能見(jiàn)度時(shí)，模式的模擬誤差會(huì)掩蓋能見(jiàn)度的新融合方法與傳統(tǒng)算法的差異。表2結(jié)果顯示，如果直接采用模式輸出結(jié)果，相對(duì)濕度算法和新融合算法兩種方法的能見(jiàn)度預(yù)報(bào)效果均較差，模擬值與觀(guān)測(cè)值的擬合系數(shù)在0.1以下，均方根誤差可達(dá)4～5 km。因此，為了更好地比較不同能見(jiàn)度算法的效果，需要對(duì)模式的相對(duì)濕度進(jìn)行質(zhì)量控制。方法為：篩選研究區(qū)域內(nèi)2 m相對(duì)濕度模擬值與實(shí)況值誤差在±2.5%以?xún)?nèi)的站點(diǎn)，將其視為理想站點(diǎn)，僅對(duì)這些站點(diǎn)進(jìn)行統(tǒng)計(jì)。表2的質(zhì)控輸出結(jié)果顯示，兩類(lèi)算法特別是新融合算法的能見(jiàn)度模擬效果有了較大提升，擬合系數(shù)、平均偏差和RMSE普遍改善，其中RMSE最低下降到1 km左右。通過(guò)改進(jìn)模式的相對(duì)濕度模擬精度，新融合算法的能見(jiàn)度預(yù)報(bào)效果得到顯著提升。

由于缺乏液態(tài)水含量觀(guān)測(cè)資料，模式輸出的液態(tài)水含量質(zhì)控成為難題。為此，本文根據(jù)式（6）以及地面實(shí)測(cè)能見(jiàn)度反演出液態(tài)水混合比估值，以此排除WRF模式模擬液態(tài)水含量偏差較大的區(qū)域。前述分析已表明，在液態(tài)水含量模擬較準(zhǔn)確的區(qū)域和時(shí)段，融合算法能夠更細(xì)致地區(qū)分大霧等級(jí)的空間分布特征，同時(shí)在時(shí)間序列變化中能夠連續(xù)精確描述大霧生消變化，自身優(yōu)勢(shì)明顯。

4.3.3 能見(jiàn)度新融合方法的霧預(yù)報(bào)優(yōu)勢(shì)分析

本文利用相對(duì)濕度質(zhì)控后的WRF模式結(jié)果計(jì)算3種方法能見(jiàn)度，并且通過(guò)3種方法計(jì)算值同站點(diǎn)觀(guān)測(cè)值的對(duì)比分析，展現(xiàn)新融合方法的霧預(yù)報(bào)優(yōu)勢(shì)（見(jiàn)圖7）。結(jié)果顯示，兩次霧過(guò)程中液態(tài)水含量算法均僅能模擬出部分500 m以下的濃霧站點(diǎn)；相對(duì)濕度算法無(wú)法對(duì)低于1 km的大霧天氣進(jìn)行模擬。液態(tài)水含量算法和相對(duì)濕度算法在能見(jiàn)度模擬預(yù)報(bào)中均存在一定的缺陷，這一結(jié)果同林艷等[15]的研究結(jié)論是一致的。

圖7 研究區(qū)域內(nèi)質(zhì)量控制站點(diǎn)不同算法能見(jiàn)度值和實(shí)況對(duì)比

新融合方法的能見(jiàn)度值既吸收了前兩種算法的優(yōu)勢(shì)，避免了其各自存在的固有缺陷，能夠精確描述各等級(jí)大霧天氣的空間分布和時(shí)間變化。表2質(zhì)控輸出結(jié)果顯示，新融合算法同相對(duì)濕度算法比較，不論是擬合系數(shù)還是整體偏差都有顯著改進(jìn)，兩個(gè)時(shí)刻的擬合系數(shù)分別提升至0.713和0.623，平均偏差也分別縮小到0.123 km和0.093 km。Bang等[18]依靠簡(jiǎn)單的統(tǒng)計(jì)方法融合兩項(xiàng)指標(biāo)建立了能見(jiàn)度方程，該方法雖然也融合了相對(duì)濕度和液態(tài)水含量，但是它同觀(guān)測(cè)能見(jiàn)度的時(shí)間演變趨勢(shì)差異較大。新融合方法同Bang等[18]的方法比較，模擬的霧能見(jiàn)度與實(shí)況值更為接近，物理機(jī)制也更清晰。因此，新融合算法更適用于黃渤海區(qū)域冬春季節(jié)數(shù)值模式霧天的能見(jiàn)度預(yù)報(bào)。

表2 2016年3月4日00時(shí)和12月19日01時(shí)研究區(qū)域站點(diǎn)質(zhì)量控制前后兩種算法能見(jiàn)度模擬效果對(duì)比

5 結(jié)論

為了改進(jìn)相對(duì)濕度算法和液態(tài)水含量算法在霧天能見(jiàn)度分析中的不足，本文基于Koschmieder定律建立了一種新的融合相對(duì)濕度和液態(tài)水含量的能見(jiàn)度算法。選取了黃渤海區(qū)域兩個(gè)代表性大霧天氣個(gè)例，檢驗(yàn)了3種算法的能見(jiàn)度模擬效果，得出如下結(jié)論：

（1）本文提出的新融合算法彌補(bǔ)了融合前兩種算法在能見(jiàn)度分析中的不足，能更好地從整體上反映不同等級(jí)霧的區(qū)域分布和時(shí)間變化。然而，僅用液態(tài)水含量的算法描述500 m以下濃霧現(xiàn)象效果較好，但不能反映500 m以上霧能見(jiàn)度的時(shí)空連續(xù)變化。單純的相對(duì)濕度算法可描述1 km以上輕霧天氣的能見(jiàn)度變化趨勢(shì)，但是缺乏模擬1 km以下大霧天氣的能力。

（2）由于能見(jiàn)度新融合算法是建立在相對(duì)濕度算法和液態(tài)水含量算法的基礎(chǔ)上，所以新融合算法的霧度量精度會(huì)受到WRF模式的相對(duì)濕度和液態(tài)水含量模擬能力限制。在相對(duì)濕度和液態(tài)水含量質(zhì)量控制的基礎(chǔ)上，新融合算法在表征霧的等級(jí)以及空間分布上同觀(guān)測(cè)資料更加一致。發(fā)揮新融合算法的優(yōu)勢(shì)需要同時(shí)提升模式的相對(duì)濕度和液態(tài)水含量的預(yù)報(bào)準(zhǔn)確度。

（3）新融合算法融合的相對(duì)濕度算法經(jīng)過(guò)了山東地區(qū)歷史觀(guān)測(cè)資料的訂正，該新方法適合黃渤海地區(qū)冬春季的大霧能見(jiàn)度預(yù)報(bào)。然而，在其他區(qū)域和時(shí)段應(yīng)用時(shí)，需要根據(jù)地區(qū)氣候條件適度調(diào)整算法參數(shù)。

在今后的工作中，需要進(jìn)一步改進(jìn)新融合算法使用的能見(jiàn)度相對(duì)濕度算法和液態(tài)水含量算法的計(jì)算精度。雖然相對(duì)濕度算法在利用觀(guān)測(cè)能見(jiàn)度和相對(duì)濕度建立統(tǒng)計(jì)關(guān)系時(shí)間接考慮了氣溶膠對(duì)能見(jiàn)度的影響，但是能見(jiàn)度的精確預(yù)報(bào)還需要考慮固態(tài)氣溶膠粒子的形態(tài)影響，液態(tài)水含量算法的改進(jìn)還需要考慮液態(tài)水粒子數(shù)濃度的影響。