海雾发生在海上大气边界层内, 其内部悬浮着的大量小液滴或小冰晶导致大气水平能见度低于1 km (王彬华, 1983; Koračin et al, 2017), 是我国近海主要海洋气象灾害之一。黄海是我国海雾频发区之一(王彬华, 1983; Cho et al, 2000; Gao et al, 2007; 张苏平等, 2008), 海雾引发的海上事故较多, 如青岛近海50%左右的船舶碰撞和搁浅与海雾有关(张苏平等, 2008), 因此海雾预报需求十分迫切。

中尺度大气数值模式, 如WRF (weather research and forecasting)模式, 已经成为一种研究和预报黄海海雾的有力工具(高山红等, 2010; 史得道等, 2016; 傅刚等, 2016)。海雾数值模拟效果取决于2个方面: 模式误差与初始场误差。尽管中尺度大气数值模式已经相当成熟, 但对于海雾模拟而言, 仍存在很大的发展空间, 因为海雾形成与演变涉及湍流、辐射、气溶胶与水汽相变等一系列复杂的模式无法完全刻画清楚的动力与物理过程。很多海雾研究者针对这些过程, 分析了WRF模式对海雾的模拟效果, 例如: 比较了2种大气边界层(planetary boundary layer, PBL)方案: YSU (Yonsei University)与MYNN (Mellor-Yamada- Nakanishi-Niino) (陆雪等, 2014; 饶莉娟, 2014), 研究了在YSU方案中考虑雾顶长波冷却所增强的辐射夹卷对海雾发展的作用(Yang et al, 2020), 尝试了利用WRF-Chem (WRF model coupled with chemistry)探究复杂气溶胶过程对海雾生成的影响(王彬, 2015; 王静菊, 2017), 等等。这表明, 模式自身不断完善需要一个长期的过程。然而, 由于海雾对初始场的高敏感性(Lewis et al, 2004; Koračin et al, 2005a, b; Gao et al, 2007; Koračin et al, 2017), 通过数据同化手段, 提高初始场质量从而改进海雾模拟效果是相对容易见效的。

3DVAR (three-dimensional variational)是黄海海雾数值模拟中常用的一种数据同化方法(高山红等, 2010; 李冉等, 2012; Wang et al, 2014; 王静菊等, 2017), 它采用了静态背景误差协方差(background error covariance, BEC)。它的同化效果, 不如采用动态BEC的EnKF (ensemble Kalman filter) (Gao et al, 2018)。由于EnKF同化过程中存在集合体, 可以在此基础上直接进行海雾集合预报。鉴于模式误差与初始场误差始终存在的客观事实, 理论上海雾集合预报优于确定性预报, 这已得到了实际模拟结果的支持(高山红等, 2014)。但是, 限制于计算资源, 高时空分辨率的黄海海雾集合预报不易实现, 确定性预报仍然是目前主流方式。

采用比3DVAR优越的EnKF这种集合同化方法, 可以为海雾确定性预报提供高质量的初始场(Gao et al, 2018)。EnKF集合同化会产生一个初始场集合体, 通常简单地将这个集合体进行平均(称为集合平均)作为确定性预报的初始场。最近, 我们采用这种常用方式, 基于EnKF集合同化进行了黄海海雾确定性预报研究, 发现了一个不曾被已有研究提到的异常现象——初始场中的海雾随着预报开始快速消失, 且在预报前几个小时内难以生成。本文将以一次黄海海雾过程作为研究对象, 借助GSI (gridpoint statistical interpolation)-EnKF同化系统(Shao et al, 2016)和WRF模式, 详细展现这个现象并分析它产生的原因, 试图通过提出一种确定性预报初始场构造方法, 来消除这种现象并改进海雾预报效果。希冀本文研究工作, 为基于EnKF集合同化的黄海海雾确定性预报提供重要参考。

1 数据与海雾个例 1.1 数据

研究主要用到大气再分析数据、常规观测数据, 以及天气分析图、卫星可见光云图及可见光反照率与红外多通道亮温数据。

ECMWF (European Centre for Medium-Range Weather Forecasts)提供的第五代逐时再分析数据(ECMWF reanalysis v5, ERA5)为数值试验提供初边值; 此数据水平分辨率0.25°×0.25°, 垂直共有37个气压层, 下载网址为https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-pressure-levels?tab=overview。NEAR-GOOS (North East Asian Regional Global Ocean Observing System)发布的逐日海温(sea surface temperature, SST)为数值试验提供海洋驱动底边界, 水平分辨率0.25°×0.25°, 下载网址为http://ds.data.jma.go.jp/gmd/goos/data/。数据同化与数值试验结果检验中, 用到来自全球气象数据通信系统(global telecommunication system, GTS)的常规观测数据, 包含地面观测(3 h/次)与探空观测(12 h/次), 下载网址为https://rda.ucar.edu/datasets/ds337.0; 还有来自NEAR-GOOS的浮标数据, 下载网址为https://near-goos1.jodc.go.jp/。

海雾研究个例的挑选与雾区模拟结果的统计评分检验, 利用了逐时的Himawari-8卫星可见光云图、可见光与红外多通道数据, 它们分别来自日本气象厅(Japan Meteorological Administration, JMA; 下载网址: http://222.195.136.24/satellite/cloud/mtsat_vis)与日本高知大学(水平分辨率为0.04°×0.04°, 下载网址: http://weather.is.kochi-u.ac.jp/sat/GAME)。另外, 海雾个例中天气形势的定性分析所用的天气图, 源自韩国气象局(Korea Meteorological Administration, KMA, 下载网址: http://web.kma.go.kr/eng/index.jsp)。可见光卫星云图来源于日本气象厅(JMA; 下载网址: http://222.195.136.24/satellite/cloud/mtsat_vis)。

1.2 海雾个例

2018年4月18—20日(时间为世界时UTC, 下同), 黄海发生了1次雾区变化较快的海雾过程(记为case-2018)。基于白天可见光云图(图 1a, 1b, 1e, 1f)与采用Gao等(2009)提出的判据, 基于多通道红外数据利用双通道法(Ellrod, 1995)反演的夜间海雾雾区(图 1c, 1d), 了解了此次海雾的发展过程。此外, 利用KMA地面天气图(图略, 下载网址: http://web.kma.go.kr/eng/index.jsp), 分析了海雾发生时的天气形势。

根据图 1中的云图纹理特征, 可知高压系统控制下, 海雾伴随少量低云首先在黄海南部形成(图 1a); 随后海雾向北发展, 雾区呈半环状分布(图 1b); 受偏东南风的影响(图略), 海雾西北向移动, 占据了在黄海西北部海域(图 1c, 1d); 伴随黄海上高压系统逐渐增强(图略), 海雾雾区进一步扩大(图 1e); 但随着高压向东南撤退(图略), 海雾南部消散缩小, 仅出现在山东半岛南部近海一带(图 1f)。

2 数值试验 2.1 模式设置

采用WRF模式(V3.9.1)进行海雾数值试验。ERA5再分析数据与NEAR-GOOS的逐日SST数据为WRF模式提供初边值条件。为了减少嵌套带来的误差, 模拟区域只设置了一层(图 2), 水平分辨率为10 km。模式其他设置, 如微物理方案、大气边界层(planetary boundary layer, PBL)方案与辐射方案等, 详见表 1。

借助GSI (V3.5)及EnKF (V1.1)模块进行数据同化。图 3给出了EnKF同化流程, 其中P^b与obs分别代表背景误差协方差与同化所用观测数据, 同化窗为6 h, 间隔3 h, EnKF循环同化3次。在同化起始时刻, 利用随机扰动法(Barker et al, 2004; Wang et al, 2008a, b)生成初始背景场集合体x_i^b (i=1, 2, ···, m), 集合成员数目m设为40; 在同化窗内, 每一步同化的结果经由WRF积分, 为下一时刻同化提供背景场集合体; 完成整个循环同化后, 采用常用的集合平均形成初始场, 作为确定性预报的初始场。

2.2 试验设计

海雾数值模拟不仅对初始场非常敏感(Lewis et al, 2004; 高山红等, 2010), 还十分依赖于PBL方案。已有研究表明(陆雪等, 2014; 高山红等, 2014), YSU方案与MYNN方案是2种比较适合海雾数值模拟的PBL方案, 但它们各有优缺点(饶莉娟, 2014)。在EnKF集合同化循环中, 需要积分已经选定好PBL方案的WRF, 这意味EnKF同化效果与PBL方案有关。

由图 3可知, EnKF同化产生一个初始场的集合体(t₂时刻所对应的x_i^b, i=1, m), 它所有成员的平均值用来驱动确定性预报。为了探究海雾确定性预报对的敏感性, 针对海雾个例case-2018, 我们设计了一组试验(记为敏感性试验)。这组试验包括4个数值试验, 它们皆积分至2018年4月20日06时, 但它们的预报起点不同, 且PBL方案在YSU与MYNN方案中选其一, 详见表 2。

2.3 海雾快速消失现象

采用Wang等(2014)中提出的海雾全天候反演方法, 基于Himawari静止卫星的红外多通道亮温与可见光反照率数据, 反演获取逐时的海雾case-2018的雾区观测事实(记为观测雾区)。由于WRF模式不能直接预报雾区, 需要根据模式模拟的云水混合比(Qcloud, 简记为Q_c)进行雾区诊断(记为模拟雾区)。采取高山红等(2010)提出的“鸟瞰”方式, 对于海上的某一模式水平点, 在其垂直层中自上而下找到Q_c≥0.016 g/kg以确定雾顶的高度H_top; 因为H_top极少超过400 m (Zhou et al, 2010), 若H_top≤400 m, 则该水平点属于模拟雾区, 且H_top为海雾厚度。

图 4展示了敏感性试验中4个数值试验在不同时刻的模拟雾区结果, 同时也给出了相应时次的观测雾区。试验Exp-A, Exp-B与Exp-C选用的PBL方案同为MYNN方案, 初始时刻不同; 而Exp-D与Exp-C初始时刻相同, 但它选用的是YSU方案。尽管各个试验的起始时间与PBL方案存在差异, 但仔细浏览它们模拟雾区后, 发现它们具有2个相同的表现特征: 一是初始时刻存在的大块雾区随着时间推移快速消失了(对比初始时刻与积分1 h之后的模拟雾区, 图略), 二是海雾生成明显偏慢(观察预报起点之后的1—3 h内的模拟雾区)。我们进一步考察了各个数值试验积分1 h之内不同时刻的预报结果(图略), 发现模拟雾区基本上在10 min积分时间内消失殆尽。这些确定性预报数值试验由EnKF集合同化所生成的初始场来驱动, 图 4所显示的表现特征应该归咎于采用集合平均所生成的初始场, 而非WRF模式本身。

2.4 快速消失原因探究

在初始场时刻, 存在海雾的模式格点处的云水含量Q_c≥0.016 g/kg, 随着WRF模式积分, 海雾迅速消失后Q_c肯定减小至0.016 g/kg之下。可以推断, Q_c变为了水汽(Qvapor, 简记为Q_v), 相对湿度(简记为R_H)可能会有所增加。因此, 以海雾消失问题最为明显的Exp-D为例, 我们来分析在WRF模式底层(海上10 m左右高度)的Q_c, Q_v, R_H与温度, 在模式积分后所发生的变化。图 5对比了Exp-D的初始场与1 min预报场中这些量的差异(后者减去前者)。由图 5可以清楚地看出, 不同变量的差异在水平空间上的分布较为一致, 且范围与初始场中的雾区基本一致(图 4中t₅时刻对应的Exp-D分图); 但WRF仅积分1 min之后, 初始场中的海雾就完全消失了(对比图 5a与图 5b), Q_c减小了0.016—0.080 g/kg (图 5c), 而Q_v随之增加了0.016—0.080 g/kg (图 5f), R_H增加的幅度不超过5%, 温度却下降了0.1—0.5 ℃。

值得注意的是, 尽管试验Exp-D在初始时刻存在大片雾区, 可在绝大部分雾区之内R_H却只有80%—90%, 并不是接近水汽饱和状态时的100%左右。这表明雾区温度可能比真正水汽饱和时所对应温度要偏高, 从而导致在WRF积分1 min之后海雾迅速消散。积分1 min之后的雾区温度存在微小的降低, 可能的原因是海雾消散过程中Q_c从液态变为气态的Q_v, 吸收热量所致。这些分析信息已经表明, 对EnKF集合同化得到的初始场集合体进行集合平均而生成的确定性预报初始场中, 存在云水含量与温湿变量之间的严重不协调。

初始场中的云水与温湿之间的不协调关系, 估计是对初始场集合体进行简单的集合平均操作所导致的。为了试探这种不协调关系的产生是否归咎于这个集合平均操作, 我们观察了在初始时刻各集合成员的云水空间分布(图略), 发现它们之间的差异很大, 例如: 很多成员并没有出现海雾, 有些成员存在很大的虚假雾区, 个别成员的雾区与观测比较接近。图 6展示了从40个集合成员中随机抽取的5个成员的结果(图 6a—6e), 以及所有成员的平均(图 6f)。与图 1d的观测雾区比较, 相对来说仅1个成员的模拟雾区较好一些(图 6b), 其余4个成员不是在渤海以及黄海北部产生了大量虚假雾区(图 6a, 6c, 6e), 就是几乎没有模拟出海雾(图 6d); 集合平均得到雾区(图 6f)存在大量的虚假雾区, 而且在观测雾区空间范围内的云水含量由于平均的缘故而较低。很容易推断, 温度场也会存在类似的问题。

为了进一步探究初始场中云水含量与温湿变量的不协调性, 选择观测雾区内一点(见图 6b中的点S), 对该点处试验Exp-D的EnKF初始场集合成员在模式底层的温湿变量进行分析。图 7中, 40个集合成员中仅4个成员出现海雾(图 7a; 4个成员的序号分别为1, 5, 12与14), 相对湿度达到100%(图 7d); 同时, 气温较低(图 7b)与水汽充足(图 7c), 例如气温不超过11 ℃ (成员14), 水汽混合比不低于9 g/kg (成员12)。图 7中的红色虚线给出了集合平均结果: 平均云水混合比约为0.048 g/kg (图 7a), 远低于4个成雾成员; 平均温度约为12.81℃ (图 7b), 明显高于4个成雾成员; 平均水汽混合比约为7.92 g/kg (图 7c), 显著低于4个成雾成员; 平均相对湿度约为87.0% (图 7d), 远离饱和状态。很显然, 集合平均所生成的初始场中海雾雾区表现出“高温低湿”的状态, 不再是这些成雾成员中所呈现的“低温高湿”的结构, 这显然是远离成雾状态的成员, 参与集合平均所导致的后果。黄海海雾形成后, 雾内气温接近海温, 甚至由于雾顶长波辐射冷却作用会低于海温(郭敬天, 2008; 杨悦等, 2016)。海雾观测雾区(图 6b)下面的海温大约在8—11 ℃之间(图 2), 而集合平均气温为12.81 ℃, 这非常不利于初始场中海雾在模式积分后继续维持。

3 初始场生成方法的改进 3.1 择优加权平均

确定性预报中WRF模式开始积分后, 初始场中海雾之所以快速消失, 是因为初始场中适合海雾维持的“低温高湿”环境被破坏, 这是由于无海雾成员参与集合平均所导致的。此外, 有雾的成员中存在虚假雾区, 使得初始场中也随之产生虚假的雾区及相应的偏离观测的温湿匹配。因此, 应该排除差成员而保留好成员, 将好成员进行加权平均来生成确定性预报的初始场, 我们称其为择优加权平均, 类似的方法已经在台风路径预报中出现(Qi et al, 2014; Dong et al, 2016)。

成员的择优依据其模拟雾区与观测雾区的吻合程度。模拟雾区与观测雾区(它们的诊断方法详见2.3节)都是格点化的结果, 可直接点对点比较。采用了下面4个客观评分指标对吻合程度定量评估:

其中, POD (probability of detection)评分(式中记作S_POD)为模拟雾区的正报率(或击中率); FAR (false alarm ratio)评分(式中记作S_FAR)为误报率; Bias与ETS(equitable threat score)分别为雾区偏差评分(式中记作S_Bias)与公正预兆评分(式中记作S_ETS) (Doswell III et al, 1989; Zhou et al, 2010; Wang et al, 2014); H为准确预报的点数目; F为预报有雾的点数目; O为观测有雾的点数目; R为随机击中项; N为指定检验区域的所有点数。ETS同时考虑了POD, FAR与Bias, 是一个综合评分指标。将ETS作为择优加权平均中的权重系数, 设计了如下的择优加权平均公式:

其中, x_i为被择优的成员; S_{ETS, i}为其吻合程度的评分; n为满足择优标准的个数。基于各集合成员初始场中模拟雾区的ETS(式中记作S_{ETS, i})评分, 我们首先给出了3个标准(ETS最高的成员、ETS分别位居所有成员前10%与前20%的部分成员)进行了择优, 然后按公式(6)分别构建确定性预报的初始场。基于试验Exp-D, 设计了一组择优加权平均对比试验, 包含3个确定性预报数值试验Exp-D_S, Exp-D_W10与Exp-D_W20。它们与Exp-D相比, 除了初始场不同之外, 其他设置与Exp-D完全相同。

3.2 改进效果分析 3.2.1 海雾模拟雾区

图 8给出了择优加权平均对比试验Exp-D_S, Exp-D_W10与Exp-D_W20的模拟雾区与观测雾区的对比结果。与Exp-D相比, 它们初始场中的海雾在WRF积分开始之后并没有快速消失, 一直维持并发展(对比图 8与图 4第1排分图), 与观测雾区(图 8第1排分图)的空间分布及变化趋势基本一致。图 4显示, Exp-D存在“海雾消失”现象, 6 h以后海雾才逐渐形成(图 4中t₇时刻对应的Exp-D分图), 而择优加权平均对比试验中海雾一直存在(图 8)。

仔细对比试验Exp-D_S, Exp-D_W10与Exp- D_W20的模拟雾区, 它们存在一定差异。根据它们的模拟结果, 发现Exp-D_S明显劣于Exp-D_W10、Exp-D_W20。这初步显示, 择优条件会显著影响海雾模拟效果。为了定量的评估这种影响, 统计了这些试验的POD, FAR, Bias与ETS的评分及其改进率[Bias越接近1.0越好, 其改进率计算见公式(7)]。见表 3。从表 3可很清晰地看出, 相比于直接采用集合平均的试验Exp-D, 所有择优加强平均试验都明显胜出, 几乎所有的统计评分都得到不同程度的改善(除了Exp-D_S中的FAR; FAR越小越好); 模拟雾区改进效果显著, ETS评分至少提升了90.5%, 最高达到了141.3%。综合比较表 3中列出的各项评分, 试验Exp-D_W10结果最优。这意味在构建试验Exp-D_ W10初始场的过程中, 初始场集合体40个成员中的36个被舍弃了, 只利用了剩下的4个成员, 就达到了很好的模拟效果。

其中, S_{Bias, i}为S_{Bias, 2}相对于S_{Bias, 1}的改进率。

3.2.2 初始场协调性

表 3中的各项评分显示, 试验Exp-D_S, Exp- D_W10, Exp-D_W20的模拟雾区明显优于试验Exp-D, 它们初始场中模式底层的云水分布结果也是如此(图 9)。参考前面2.4节中的原因探究结果分析, 这可能归功于择优加权平均生成的初始场中云水含量与温湿变量之间比较协调, 不再是那种不利于海雾维持的“高温低湿”的环境。为此, 我们针对涵盖观测雾区(图 9中打点区域)的一块海域(图 9a中的实线方框所示), 统计了4个试验Exp-D, Exp-D_S, Exp-D_W10与Exp-D_W20的初始场在此区域内模式底层的云水含量、气温、水汽混合比与相对湿度的平均值(图 10), 来考察初始场中云水含量与温湿变量之间的协调性。在图 10中, 试验Exp-D体现出非常明显的“高温低湿”特征(图 10a, 10c, 10d为低湿, 图 10b为高温); 而其余3个择优加权平均试验却没有这种“高温低湿”的特征, 而是相反的“低温高湿”特征。这个统计结果清晰显示, 择优加权平均较好地给出了有利于初始场中海雾维持所需的云水含量与温湿变量之间的匹配关系。

为了探究Exp-D_W10最优的原因, 我们对比了择优加权平均对比试验的初始场差异。相比于Exp-D_W10与Exp-D_W20, Exp-D_S在渤海区域的湿度较高(图略), 这导致了大块虚假雾区的存在(图 8f—8j), Bias与FAR分别达到了1.49与0.50 (表 3)。Exp-D_W20因为择优的成员较多, 纳入了一些雾区吻合度不高的成员, 导致“低温高湿”的特征不如Exp-D_W10, POD降至0.52 (表 3)。Exp-D_W10的“低温高湿”区域与观测雾区范围较为吻合, 其POD略低于Exp-D_S的POD (两者分别为0.63与0.70; 表 3), 但其Bias接近1.0且FAR较小(两者分别为0.93与0.28; 表 3); 这表明Exp-D_W10优于Exp-D_S, 主要归功于虚假雾区的大幅减少。

初始场中的协调性是否有助于改善海上大气边界层内的温湿垂直结构, 从而改善海雾预报？以Exp-D与Exp-D_W10为例, 利用青岛站与射阳站(见图 2中的QD与SY)的探空观测, 评估了6 h预报时刻的海上大气边界层内温湿垂直结构。图 11给出了温度与水汽混合比的偏差(bias)与均方根误差(RMSE)垂直廓线。与Exp-D相比, Exp-D_W10在925 hPa以下的温度与水汽混合比的bias与RMSE明显偏小, 这表明它的温湿状态更靠近实际状态, 这应该是Exp-D_W10初始场协调性优于Exp-D所带来的益处。

3.3 方法应用与验证

针对海雾个例case-2018的研究表明, 择优加权平均构建的初始场明显优于常用的集合平均。为了进一步验证这种方法的有效性, 我们挑选了2012年3月27—29日的一次大范围黄海海雾个例(记为case-2012)进行考察。海雾case-2012的观测雾区见图 12 (见第1排)。与海雾case-2018相比, 海雾case-2012的发展趋势比较稳定, 雾区很大; 它最初形成于朝鲜半岛西侧海域, 然后不断向西向南发展扩大, 最后几乎覆盖了黄海大部(图 12a—12e)。

实施了2个确定性预报数值试验Exp-F与Exp-F_W10, 分别采用集合平均与择优加权平均来构建它们的初始场; 它们的试验设置分别与Exp-F与Exp-F_W10完全一样, 只是模拟时间不同: 同化窗为3月27日12—18时, 预报时段为3月27日18时至28日18时。图 12展现了试验Exp-F与Exp-F_W10的模拟雾区。与试验Exp-D一样, 试验Exp-F同样存在初始场海雾快速消失与海雾难以形成的现象(图 12f—12j), 但这种现象在试验Exp-F_W10中却不存在(图 12k—12o)。试验Exp-F的24 h模拟雾区ETS评分仅为0.01, 而Exp-F_W10却高达0.25; 这显示, 采用集合平均的Exp-F在海雾模拟上几乎失败了。海雾case-2012的模拟结果再次证实, 择优加权平均明显优于常用的集合平均, 择优加权平均确实有效。

通过浮标观测, 验证择优加权平均生成的初始场对海雾确定性预报中气温是否存在正影响。利用雾区内Deokjeok浮标(位置见图 2的DJ)观测数据, 对雾区海面气温模拟结果与观测之间的偏差进行了检验。从图 13非常直观地发现, 试验Exp-F_W10的偏差显著低于试验Exp-F, 尤其是在0 h与6 h这两个预报时刻, 偏差还不到0.1 ℃; 即使在9 h预报时刻, 也仅为0.5 ℃。

4 结论与展望

数据同化在黄海海雾数值模拟与预报中至关重要(高山红等, 2010; Koračin et al, 2017)。在实际海雾数值业务预报中, 数据同化窗内已经发生海雾这种情形较为常见, 因此如何在同化中植入海雾观测信息尤其关键(Wang et al, 2014; Gao et al, 2018)。因为预报初始场中出现的海雾, 由于雾顶长波辐射冷却会造成雾顶夹卷作用变化, 将对海雾的后续发展产生不可忽视的影响(Yang et al, 2020)。倘若出现初始场中的海雾在模式开始积分后不能得以维持的现象, 那么数据同化的效果就会大打折扣。我们发现, 基于EnKF集合同化生成黄海海雾确定性预报的初始场, 如果采用常用的集合平均来获取, 就会导致这个现象的出现。因此, 通过对一次黄海海雾的细致数值研究, 本文不仅清楚地揭示与解释了这个现象, 而且还提出了一种能消除这种现象的初始场构建方法——择优加权平均, 并在另外一次海雾个例确定性预报中得到了应用验证。基于已有研究结果, 得到如下结论:

(1) 针对EnKF集合同化得到的初始场集合体, 采用常用的集合平均来生成确定性预报初始场, 不适用于海雾数值模拟。集合平均不仅造成初始场中存在较多的虚假雾区, 而且使得初始场中云水含量与温湿变量之间存在不协调, 造成有利于海雾维持的“低温高湿”由于集合平均而变为“高温低湿”, 导致初始场中已出现的海雾在模式开始积分后就快速消失。

(2) 择优加权平均明显优于集合平均, 它构建的初始场中, 虚假雾区明显减少, 雾区内的云水含量与温湿变量彼此较为协调。择优加权平均构建的初始场充分继承了优秀成员的雾区分布与温湿结构特征, 避免了出现集合平均所造成的“高温低湿”后果, 从而大幅提升了海雾预报评分。

本文提出的择优加权平均初始场构建方法, 简单易行, 对海雾短临近预报效果改善显著, 可应用于海雾业务化预报^*。然而, 此方法还需要更多海雾个例的检验, 择优过程仍存在很大的改进余地。譬如, 目前成员的筛选, 仅仅只是依据初始场时刻的模拟雾区与观测雾区的吻合度, 如果加入更多的筛选条件(如与沿岸探空与地面观测中温湿等变量的偏差程度)可能会更好, 这是我们下一步亟须开展的工作。此外, 虽然择优加权平均聚焦于确定性预报, 其实它对海雾的集合预报也有借鉴作用。因为它可以在集合预报开始之前就排除一些较差的成员, 从而降低集合预报的计算资源需求; 或者将节约下来的计算资源分配到EnKF集合同化中, 使它有能力考虑更多的集合成员而改善集合体离散度, 从而改进接下来的集合预报效果。

* Himawari-8静止卫星原始数据的获取约滞后30 min, 利用其反演海雾不超过3 min。在拥有52核处理器的计算平台中, 进行3 h同化间隔6 h同化窗的循环集合同化(40个集合成员), 仅需数分钟。