谷文梁，高山紅

(1.中國海洋大學海洋與大氣學院，山東 青島 266100；2.中國海洋大學物理海洋教育部重點實驗室，山東 青島 266100)

引言

海霧發(fā)生在海上大氣邊界層內，其內部懸浮的小液滴或小冰晶對可見光進行吸收和散射，導致大氣水平能見度(以下簡稱“能見度”)不足1 km[1]。我國黃海海域海霧頻發(fā)，多為平流冷卻霧[1-4]。其中，發(fā)生在近岸海域且頻繁入侵到沿岸陸地的近岸海霧需要引起重視，因為它嚴重影響了沿海與港口交通以及近海作業(yè)。據(jù)統(tǒng)計[5]，平均每年發(fā)生在山東半島南岸的近岸海霧次數(shù)占黃海海霧(除去黃海東岸的近岸海霧)總數(shù)的29.2%。

目前針對黃海海霧的機制研究主要聚焦于發(fā)生在開闊海域的大范圍海霧[3,6-9]，而對霧區(qū)范圍較小的近岸海霧的研究較少，而且它們大多針對朝鮮半島西側的近岸海霧[10-13]。山東半島北接渤海、南臨黃海，經(jīng)常受到海陸風環(huán)流的影響[14-15]。黃海近岸海霧最新研究發(fā)現(xiàn)，陸風環(huán)流能夠促進夜間海霧的形成，而海風則會抑制日間海霧的發(fā)展[5]，海陸風強弱會明顯影響近岸海霧的演變過程。因此，近岸海霧數(shù)值預報中要盡量準確刻畫出由海陸差異驅動的局地環(huán)流，這意味需要設置較高的模式分辨率。

海霧數(shù)值預報不僅對初始場高度敏感[3,16-20]，而且還嚴重依賴模式物理方案，如邊界層方案[21-22]、微物理方案[23]和陸面方案[24]。鑒于此，海霧數(shù)值預報技術的一個發(fā)展趨勢是采用集合預報[3,15,25]。高山紅等[26]對一次大范圍黃海海霧嘗試了海霧集合預報，證實了海霧集合預報的可行性。而針對近岸海霧的集合預報研究工作還未見到。由于近海海霧的數(shù)值預報需要較高的模式分辨率，如果集合成員較多，受限于計算資源空間，難以業(yè)務化應用。一個解決辦法是通過初始場擇優(yōu)來減少集合成員數(shù)[27-28]。鄭青和高山紅[29]嘗試根據(jù)初始時刻集合體成員預報霧區(qū)與衛(wèi)星反演霧區(qū)吻合程度來對初始場集合體擇優(yōu)，擇優(yōu)成員的平均值作為決定性預報的初始場，海霧模擬效果得到顯著改進，但在預報初始時刻如果衛(wèi)星未反演出海霧，該擇優(yōu)方法就會失效。

因此，在前人對黃海海霧數(shù)值預報的研究基礎上，嘗試提出一個適用于近海海霧集合預報的初始場擇優(yōu)方案。其基本思路是：利用沿岸地面站氣象要素的觀測信息來評估集合成員的初始場，將有可能導致海霧預報效果不好的集合成員剔除，讓剩下的成員參與集合預報。接下來，以2014年4月發(fā)生的一次黃海近岸海霧個例為研究對象，開展初始場擇優(yōu)集合預報試驗。希冀提出的擇優(yōu)方案能為近海海霧業(yè)務化預報提供技術支撐。

1 數(shù)據(jù)

1.1 模式驅動與驗證數(shù)據(jù)

驅動WRF(Weather Research and Forecasting)模式的背景場數(shù)據(jù)是歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts, ECMWF)提供的逐小時再分析數(shù)據(jù)集ERA5(the fifth generation atmospheric reanalysis)。該數(shù)據(jù)垂直分層為37層，水平分辨率達到0.25°×0.25°，下載網(wǎng)址：https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5。模式底邊界條件中的海面溫度(sea surface temperature, SST)數(shù)據(jù)來自NEAR-GOOS(North-East Asian Regional Global Ocean Observing System)的逐日SST再分析產(chǎn)品，水平分辨率為0.25°×0.25°，下載網(wǎng)址：http://ds.data.jma.go.jp/gmd/goos/data/。

模式結果驗證用到了常規(guī)觀測數(shù)據(jù)。它們來自全球通信系統(tǒng)(Global Telecommunication System, GTS)提供的常規(guī)觀測數(shù)據(jù)，數(shù)據(jù)包含地面(3 h·次-1)和探空(12 h·次-1)觀測數(shù)據(jù)，下載網(wǎng)址：https://rda.ucar.edu/datasets/ds337.0。此外，青島近岸的幾個站點觀測數(shù)據(jù)來自國家氣象信息中心，下載網(wǎng)址：http://data.cma.cn/data/detail/dataCode/A.0012.0001.html。

1.2 天氣圖與衛(wèi)星觀測

近岸海霧的演變受控于低層天氣系統(tǒng)。天氣系統(tǒng)的分析，使用的是來自韓國氣象廳(Korea Meteorological Administration, KMA)的天氣圖，下載網(wǎng)址：http://web.kma.go.kr/eng/index.jsp。MTSAT(Multifunctional Transport Satellite)衛(wèi)星可見光云圖來自日本氣象廳(Japan Meteorological Agency, JMA)，下載網(wǎng)址：http://222.195.136.24/satellite/cloud/mtsat_vis。

為了評估海霧集合預報的效果，采用WANG et al.[19]提出的全天候海霧反演方法來獲取海霧觀測信息(霧區(qū)和厚度)。此方法基于MTSAT靜止衛(wèi)星數(shù)據(jù)，包括多通道紅外亮溫和可見光反照率數(shù)據(jù)。MTSAT數(shù)據(jù)水平分辨率為0.04°×0.04°，下載網(wǎng)址：http://weather.is.kochi-u.ac.jp/sat/GAME。

2 集合預報試驗

2.1 海霧個例

2014年4月2日，在山東半島南岸近海發(fā)生一次典型的近岸海霧個例(記為Case-2014)。圖1給出了海霧的霧區(qū)演變，其中圖1a—c為采用WANG et al.[19]提出的海霧反演方法得到的霧區(qū)，而圖1d—f為MTSAT可見光云圖(山東半島南岸海域乳白色云區(qū)為霧區(qū))。4月1日20時(北京時，下同)海霧還未開始生成(圖1a)，4月1日23時，海霧小范圍生成于江蘇北部近海(圖1b)，在夜間快速發(fā)展并于2日白天占據(jù)了山東半島以南近海區(qū)域(圖1c—f)。

圖1 海霧Case-2014霧區(qū)演變(a. 4月1日20時， b. 4月1日23時， c. 4月2日10時， d. 4月2日11時， e. 4月2日14時， f. 4月2日16時；a—c.灰色陰影區(qū)代表通過反演方法得到的霧區(qū)，d—f. MTSAT可見光云圖中山東半島南岸海域乳白色區(qū)域代表霧區(qū))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)

海霧發(fā)展過程中整個黃海區(qū)域受高壓控制(圖2)。圖2顯示1 016 hPa等高線(藍色粗線)所圍面積在4月1日20時—2日11時期間逐漸擴大，表明高壓系統(tǒng)在不斷增強。在此高壓的控制下，山東半島南岸近海發(fā)生了海陸風，且海陸風環(huán)流明顯影響此次海霧的演變[5]。

圖2 控制海霧演變的地面天氣形勢(a. 4月1日20時，b. 4月1日23時， c. 4月2日11時， d. 4月2日14時)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)

2.2 模式設置

采用WRF模式(V3.9.1)進行集合預報試驗。選用ERA5再分析數(shù)據(jù)為模式提供初始場和邊界條件，采用NEAR-GOOS日平均海面溫度數(shù)據(jù)作為模式底邊界條件中的海洋強迫。為了減少模擬區(qū)域嵌套帶來的誤差，設置單層區(qū)域(圖3)，其水平分辨率為6 km，模式其他參數(shù)的設置詳見表1。

表1 WRF模式設置Table 1 Specifications of the WRF model

圖3 WRF模式區(qū)域(色階為SST，單位：℃；黑色圓點為地面站點)Fig.3 WRF simulation domain (color scale for SST, units: ℃; black dot for surface station)

2.3 試驗設計

前人研究[23]已經(jīng)表明，相對于決定性預報，黃海海霧集合預報效果明顯占優(yōu)。這里設計了一組對照試驗(表2)，包括1個決定性預報與1個集合預報。

注：*表示η=1.000 0，0.997 5，0.993 5，0.989 9，0.986 1，0.982 1，0.977 7，0.973 1，0.968 2，0.962 9，0.957 3，0.951 3，0.945 0，0.938 2，0.931 2，0.924 0，0.916 5，0.908 8，0.900 8，0.892 5，0.883 5，0.873 0，0.858 0，0.838 0，0.816 0，0.791 8，0.762 5，0.708 4，0.657 3，0.609 0，0.563 4，0.520 4，0.479 8，0.441 5，0.405 5，0.371 6，0.339 7，0.309 7，0.281 5，0.255 1，0.230 3，0.207 1，0.185 4，0.165 1，0.146 1，0.128 4，0.111 8，0.096 5，0.082 2，0.068 9，0.056 6，0.045 2，0.034 6，0.024 9，0.015 9，0.007 6，0.000 0。

海霧集合預報需要一組初始場集合體。圖4給出了表2中數(shù)值試驗的流程示意。借助蒙特卡羅(Monte Carlo, MC)隨機擾動法提前6 h生成一組集合體(初始場與邊界條件)，隨機擾動生成過程中所采用的背景誤差為依據(jù)美國國家氣象中心(National Meteorological Center, NMC)方法[35]統(tǒng)計得到的背景誤差協(xié)方差CV5而非模式自帶的背景誤差協(xié)方差CV3；CV5以模擬時間為中心，向前向后各7 d進行后報，利用每天相隔12 h的2次預報結果統(tǒng)計得到[26]。MC隨機擾動生成的初始集合體所有成員通過WRF積分6 h到預報起點(即運行wrf.exe)得到一組初始場集合體。這組初始場集合體可以直接驅動海霧集合預報，也可以利用集合平均來進行決定性預報。

表2 海霧Case-2014的集合預報與決定性預報對比試驗Table 2 Comparative experiment of ensemble forecast versus deterministic forecast for the sea fog Case-2014

如圖4所示，試驗的運行流程主要分為2部分：集合體生成(成員數(shù)N為36)和動力調整階段(4月1日14—20時，時長6 h)與預報階段(4月1日20時—2日20時，預報時長24 h)。

圖4 數(shù)值預報試驗的流程Fig.4 Flow chart of numerical forecast experiment

3 集合預報效果分析

3.1 決定性預報與集合預報的比較

3.1.1 預報霧區(qū)——定性分析

圖5給出了Exp-Det和Exp-Ens的海霧預報結果與觀測的比較，其中Exp-Det展現(xiàn)了霧區(qū)與厚度(圖5aA—fA)，而Exp-Ens僅有霧區(qū)概率(圖5aB—fB)。預報霧區(qū)不能由WRF模式直接輸出, 而是需要根據(jù)模擬的云水混合比 (cloud water mixing ratio, 簡記為 Qc)進行霧區(qū)診斷。采取高山紅等[17]提出的“鳥瞰”方式，對于海上的某一模式水平格點，在其垂直層中自上而下找到Qc≥0.016 g·kg-1以確定霧頂高度Htop；因為Htop一般不超過400 m[36],Htop≤400 m就表明該水平格點有霧，且海霧厚度記為Htop。

海霧的概率預報最佳概率閾值通常在30%～50%之間[36]，這里取50%作為Exp-Ens的概率閾值[23]。對照觀測霧區(qū)，Exp-Det和Exp-Ens均較為成功地模擬出了海霧在4月2日白天的演變過程。4月2日07—09時，Exp-Det和Exp-Ens的結果比較接近；而從4月2日10時開始，Exp-Det和Exp-Ens之間的差異逐漸顯現(xiàn)。仔細觀測模擬霧區(qū)與海岸線的貼合程度，發(fā)現(xiàn)Exp-Ens要優(yōu)于Exp-Det，譬如分別比較圖5dA和圖5dB，圖5eA和圖5eB。

圖5 MTSAT觀測霧區(qū)(aO—fO；乳白色區(qū)域為霧區(qū))與Exp-Det(aA—fA；色階為霧區(qū)厚度)和Exp-Ens(aB—fB；色階為預報概率)預報霧區(qū)的對比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)

3.1.2 霧區(qū)評分——定量分析

為了客觀定量評估Exp-Det和Exp-Ens的霧區(qū)預報效果，采用了4種評分[36]。它們分別為擊中率(probability of detection，POD，1為最佳)、誤報率(false alarm ratio，F(xiàn)AR，0為最佳)、偏差(Bias，1為最佳)和公正預兆評分(equitable threat score，ETS，越大越好)，計算公式如下：

(1)

(2)

(3)

(4)

其中，F(xiàn)為預報有霧的格點數(shù)；O為衛(wèi)星觀測到海霧的格點數(shù)；H為正報霧區(qū)的格點數(shù)(即預報和觀測都存在霧)；R代表隨機擊中項，R=F(O/N)，N代表評估區(qū)域的格點數(shù)總和。ETS同時考慮了POD、FAR與Bias，是一種綜合評分。本文選用4月2日10—14時時段內逐時的衛(wèi)星反演結果對預報霧區(qū)評分，因為該時段內高云較少且反演霧區(qū)很清晰。

圖6給出了Exp-Det(黑色圓點)和Exp-Ens(藍色實線)預報霧區(qū)的統(tǒng)計評分。圖中Exp-Ens的POD、FAR、Bias三個評分隨著預報概率增大而減小；而ETS則呈現(xiàn)先增后減的趨勢，最大值(拐點)出現(xiàn)在60%概率閾值處，ETS約為0.59，對應的Bias為1.0左右，在所有概率中此處的預報效果最好。表3進一步統(tǒng)計了Exp-Det與50%概率閾值的Exp-Ens預報霧區(qū)的評分，以及Exp-Ens相對于Exp-Det的改進百分率。對于POD、FAR、Bias這3個評分，Exp-Ens皆優(yōu)于Exp-Det，其中Bias的改進率達到56.2%，這說明集合預報大幅減少了虛報霧區(qū)，從而改進了FAR；盡管POD的改進只有7.2%，但由于虛報霧區(qū)減少，使得綜合評分ETS的改進率達到了96.2%。值得注意的是，如果采用60%概率閾值作為對比，Exp-Ens相對于Exp-Det的優(yōu)勢將會更明顯。

3.2 集合成員預報效果的差異分析

圖7給出了Exp-Ens預報集合體中所有36個成員的4種評分統(tǒng)計結果(成員分別記為M01，M02，M03，…，M36)。POD在0.1～0.9之間，均值約為0.75；FAR在0.05～0.75之間，均值約為0.39；Bias在0.1～2.3之間，均值高達1.32，表明大部分成員預報的霧區(qū)偏大，較小的Bias則說明預報失敗。綜合評分ETS均值約為0.36，高低值之間相差0.55，其中M05、M29、M33的ETS偏高，而M09、M16的ETS偏低。這些評分統(tǒng)計結果表明，集合體成員的預報效果存在較大的差異。

圖7 所有成員霧區(qū)統(tǒng)計評分(a. POD， b. FAR， c. Bias， d. ETS；黑色水平線代表平均值)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)

為了更直觀地比較好壞成員的預報效果，挑選成員M33、M09與M16，對比它們的預報霧區(qū)(圖8)。圖8中，M33在1日20時—2日13時預報霧區(qū)與觀測霧區(qū)非常吻合，M09預報失敗，而M16中起始霧區(qū)偏北偏東且霧區(qū)過大。顯然，M33是好成員，而M09與M16是差成員。

圖8 觀測霧區(qū)(aO—eO)與三個預報集合體成員M33(aA—eA)、M09(aB—eB)、M16(aC—eC)的預報霧區(qū)之間的差異(色階為霧區(qū)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)

3.3 集合成員間霧區(qū)差異原因分析

為了分析好成員與差成員差異的產(chǎn)生原因，分別挑選M33與M09作為它們各自的代表，進行剖析。

3.3.1 近海面溫濕場的差異

這里，以模式底層代表近海面。圖9展示了M33與M09在4月2日10時模式底層的水汽混合比、相對濕度與溫度的分布，以及它們的差異(M09減去M33)。在霧區(qū)(圖9中黑點所覆蓋的區(qū)域)，M33的水汽混合比明顯低于M09(圖9a、b、c)，但M33相對濕度高于M09(圖9d、e、f)，M33的溫度低于M09(圖9g、h、i)。這是由于在霧區(qū)中，湍流垂直熱通量向冷海面輸送熱量造成氣溫降低[3]，相對濕度升高，水汽凝結變成霧(即云水)導致水汽混合比降低。圖9表明，好成員與差成員在模式底層的溫濕場存在顯著的差異。

圖9 4月2日10時模式底層處M33(a、d、g)與M09(b、e、h)的水汽混合比(a、b、c；色階，單位：g·kg-1)、相對濕度(d、e、f；色階，單位：%)與溫度(g、h、i；色階，單位：℃)分布以及它們的差異(c、f、i)(黑點代表觀測霧區(qū))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)

3.3.2 大氣邊界層結構的差異

利用青島站和射陽站(圖3中的QD和SY，紅十字)的探空觀測，比較M33與M09大氣邊界層結構的差異。850 hPa以下的高度場、水汽、溫度與水平風速的均方根誤差(root mean square error，RMSE)與偏差(Bias)的統(tǒng)計結果如圖10所示。無論是高度場(圖10a)還是水平風速(圖10d)，M33的RMSE與Bias均小于M09，可以推測M33中低層天氣系統(tǒng)比M09更接近實況。就水汽(圖10b)與溫度(圖10c)而言，RMSE與Bias的統(tǒng)計結果說明M33比M09偏濕偏冷。由圖10表明，好成員與差成員在大氣邊界層溫濕結構上也存在顯著的差異。

圖10 M33(紅色線)與M09(黑色線)在大氣邊界層結構上的差異(a.位勢高度場，b.水汽混合比場，c.溫度場，d.水平風速場；實、虛線分別是RMSE與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)

4 擇優(yōu)集合預報試驗

4.1 擇優(yōu)方案

盡管集合預報的海霧預報效果顯著優(yōu)于決定性預報，但其缺點是計算代價高昂。減少集合成員無疑會降低計算量，但要保證預報效果至少不能降低。因為集合成員存在差異，去掉差成員(或者說挑選出好成員)后進行集合預報，既可降低計算量又有可能提高預報效果。這里，將在初始場集合體中挑選出好成員然后進行集合預報稱為擇優(yōu)集合預報。

4.1.1 擇優(yōu)方案的設計

基于3.3節(jié)中的分析結果，選擇4個最有可能在擇優(yōu)方案中作為擇優(yōu)依據(jù)的變量，它們分別為海平面氣壓(sea-level pressure, SLP)、2 m水汽混合比(water vapor mixing ratio,簡記為Qv)、2 m溫度(temperature,T)與2 m相對濕度(relative humidity, RH)。對于小范圍近海海霧過程，由于高分辨預報區(qū)域內探空觀測站較少而地面觀測相對較多，根據(jù)地面觀測統(tǒng)計每個集合成員初始場中以上4個變量的RMSE及其集合平均值，擇出RMSE小于集合平均值的成員參與集合預報。

對于研究個例Case-2014而言，利用山東半島南岸和江蘇省北部沿岸共計32個沿岸地面站(圖3中黑色圓點)，統(tǒng)計起報時刻(4月1日20時)所有集合體成員的SLP的RMSE以及RMSE的平均值，保留集合體中低于SLP的RMSE平均水平的成員，剔除集合體中高于SLP的RMSE平均水平的成員，稱為SLP-RMSE擇優(yōu)方案。對Qv、T、RH也進行類似的操作，分別稱為Qv-RMSE擇優(yōu)方案、T-RMSE擇優(yōu)方案、RH-RMSE擇優(yōu)方案。一共設計了4種擇優(yōu)方案。

4.1.2 擇優(yōu)方案的對比

為了比較4種擇優(yōu)方案的擇優(yōu)效果，設計了5組試驗，其中決定性預報Exp-Det作為對照試驗(同表3中的Exp-Det)，而Exp-EnsSLP、Exp-EnsQv、Exp-EnsT、Exp-EnsRH則在Exp-Ens的基礎上分別采用4種不同擇優(yōu)方案的擇優(yōu)集合預報試驗，具體試驗設計見表4。

圖11給出了表4中4個擇優(yōu)集合預報的預報霧區(qū)統(tǒng)計評分結果。其中Exp-EnsRH具有最高的POD評分(圖11a)，而在FAR與Bias評分上與其他3個擇優(yōu)集合預報的差別較小(圖11b、c)，高POD評分導致Exp-EnsRH在概率閾值超過50%時也同樣保持最高的ETS(圖11d)。這表明，RH-RMSE擇優(yōu)方案優(yōu)于其他3種擇優(yōu)方案。

表4 采用不同擇優(yōu)方案的集合預報對比試驗Table 4 Comparative experiments of ensemble forecast with different optimization schemes

4.2 改進效果分析

4.2.1 預報霧區(qū)的改進

4.2.1.1 預報霧區(qū)——定性分析

Exp-Det、Exp-Ens、Exp-EnsRH預報霧區(qū)與觀測霧區(qū)的比較見圖12。整體上而言，Exp-Ens與Exp-EnsRH集合預報結果都要比Exp-Det決定性預報結果更貼近觀測事實，而Exp-Ens與Exp-EnsRH集合預報結果之間差異主要體現(xiàn)在高概率(50%～90%)霧區(qū)的分布，試驗Exp-EnsRH高概率霧區(qū)比Exp-Ens高概率霧區(qū)大。這與圖11中的統(tǒng)計結果十分吻合。

圖11 4種擇優(yōu)方案的集合預報效果的統(tǒng)計評分(a. POD， b. FAR， c. Bias， d. ETS)比較Fig.11 Comparison of statistical scores (a. POD, b. FAR, c. Bias, d. ETS) between ensemble forecast with 4 optimization schemes

圖12 觀測霧區(qū)(aO—fO；乳白色區(qū)域為霧區(qū))與Exp-Det(aA—fA；色階為霧區(qū)厚度)、Exp-Ens(aB—fB；色階為預報概率)、Exp-EnsRH(aC—fC；色階為預報概率)預報霧區(qū)的對比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)

4.2.1.2 霧區(qū)評分——定量分析

圖13給出了Exp-Det、Exp-Ens和Exp-EnsRH的預報霧區(qū)統(tǒng)計評分，其中Exp-EnsRH的POD評分明顯高于Exp-Ens(圖13a)，這使得它的ETS也占優(yōu)(圖13d)。Exp-Ens在高概率(70%～90%)時的FAR評分中占有微弱優(yōu)勢，但在高概率時二者的FAR評分都相當?shù)?，低?.2，誤報霧區(qū)均不明顯(圖13b)；Exp-EnsRH在高于60%概率閾值時的Bias評分更優(yōu)，數(shù)值上更接近于1，說明Exp-EnsRH的高概率霧區(qū)比Exp-Ens偏大(圖13c)。

圖13 Exp-EnsRH(紅色實線)與Exp-Ens(藍色實線)預報效果的比較(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%概率閾值范圍內Exp-EnsRH相對于Exp-Ens的ETS改進率超過10%，而在50%～90%概率閾值范圍內ETS平均改進率為35.74%。這說明，采用RH-RMSE方案的擇優(yōu)集合預報相對于未擇優(yōu)的集合預報主要差異體現(xiàn)在高概率(60%～90%)預報霧區(qū)上。表5給出了Exp-Ens、Exp-EnsRH在50%～80%概率閾值范圍內預報霧區(qū)的ETS統(tǒng)計結果?？梢钥吹?，以60%作為概率閾值時，Exp-Ens相對于Exp-Det的ETS改進率最大，為126.9%，且Exp-Ens、Exp-EnsRH的Bias最接近1.0；以70%作為概率閾值時，Exp-EnsRH相對于Exp-Det的ETS改進率最大，為146.2%。因此黃海近岸海霧的擇優(yōu)集合預報概率閾值選取60%較為合適。

表5 Exp-Ens、Exp-EnsRH在50%～80%概率閾值范圍內預報霧區(qū)ETS統(tǒng)計評分的比較Table 5 Comparison of ETS between Exp-Ens and Exp-EnsRH with probability threshold range of 50%-80% in fog area

4.2.2 站點能見度觀測檢驗

長門巖站和董家口站兩站(圖3中CMY和DJK，紅三角)有能見度觀測，可以檢驗Exp-Ens與Exp-EnsRH的預報效果。圖14為兩個測站處的預報概率與能見度觀測的時間序列?？梢钥闯觯L門巖站和董家口站的海霧出現(xiàn)時段不一樣，董家口站偏早而長門巖站偏晚；Exp-Ens與Exp-EnsRH均較準確地預報出了兩個站點處海霧的發(fā)生，但卻較實際觀測過早地消散。在海霧即將發(fā)生之前(圖14a中04時、圖14b中00時)，能見度快速降低，預報概率也相應地迅速增大。盡管Exp-Ens與Exp-EnsRH的預報概率變化曲線基本一致，但在海霧發(fā)生前約2 h與海霧發(fā)生后約4 h的時間段之內，Exp-EnsRH總體上比Exp-Ens高10%左右。這表明，擇優(yōu)集合預報Exp-EnsRH相對于不擇優(yōu)集合預報Exp-Ens，海霧預報概率閾值有明顯的提升。

圖14 Exp-Ens(藍色實線)與Exp-EnsRH(紅色實線)在長門巖站(a)和董家口站(b)的預報概率與能見度觀測(黑色實線)的時間序列(兩條黑色虛線之間為觀測有霧時段)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)

5 結論

由于海霧數(shù)值預報對初始場的高度敏感性以及對模式參數(shù)化方案的嚴重依賴性，集合預報已經(jīng)成為海霧數(shù)值預報的發(fā)展趨勢。在已有研究者證實了大范圍黃海海霧集合預報可行的基礎上，本文聚焦于山東半島南岸近岸海霧的集合預報方法研究。鑒于高分辨率的近岸海霧集合預報的高計算量阻礙了其業(yè)務化實施，本文提出了初始場擇優(yōu)集合預報的思路，并設計了4種擇優(yōu)方案。以2004年4月1次受海陸風環(huán)流強烈影響的近岸海霧個例為研究對象，進行一系列數(shù)值試驗，比較分析了4種方案的集合預報效果。主要結論如下：

(1)不進行初始場擇優(yōu)的集合預報，其效果也優(yōu)于決定性預報，ETS提升了約96%。比較不同集合成員的海霧預報結果時發(fā)現(xiàn)，存在不少海霧預報效果差的成員；它們的存在會潛在地降低集合預報效果，應該考慮舍棄它們。

(2)4種擇優(yōu)方案分別利用到了集合成員初始場中海平面氣壓、水汽混合比、溫度、相對濕度與沿海地面觀測的均方根誤差統(tǒng)計信息。采用不同擇優(yōu)方案的集合預報效果對比試驗的分析結果表明，以相對濕度均方根誤差作為擇優(yōu)指標的方案最佳。

(3)相比于不擇優(yōu)集合預報，擇優(yōu)集合預報在常用的50%概率閾值上預報效果略優(yōu)，而在70%～90%概率閾值上優(yōu)勢明顯，在50%～90%概率閾值范圍內，平均ETS改進率高達36%左右。此外，擇優(yōu)集合預報由于成員數(shù)大約減半，可以降低50%左右的計算代價。

值得指出的是，文中提出的擇優(yōu)方案仍有很大的改進空間，如可以同時考慮多個擇優(yōu)指標來進行擇優(yōu)，而不是文中采用的單一指標。此外，本文聚焦于擇優(yōu)集合預報方法的探究，在數(shù)值試驗中沒有進行數(shù)據(jù)同化。如果進行數(shù)據(jù)同化后再進行擇優(yōu)，集合預報效果可能會更好。