EnKF集合同化下黃海海霧數(shù)值確定性預(yù)報(bào)初始場(chǎng)構(gòu)造方法的探究*

鄭 青 高山紅

EnKF集合同化下黃海海霧數(shù)值確定性預(yù)報(bào)初始場(chǎng)構(gòu)造方法的探究*

鄭 青1, 2高山紅1, 2①

(1. 中國(guó)海洋大學(xué)海洋與大氣學(xué)院 青島 266100; 2. 中國(guó)海洋大學(xué)物理海洋教育部重點(diǎn)實(shí)驗(yàn)室 青島 266100)

在黃海海霧的數(shù)值模擬中, EnKF (ensemble Kalman filter)是一種優(yōu)于3DVAR (three- dimensional variational)的數(shù)據(jù)同化方法。研究發(fā)現(xiàn), 對(duì)EnKF初始場(chǎng)集合體采取常用的集合平均所產(chǎn)生的確定性預(yù)報(bào)初始場(chǎng), 會(huì)出現(xiàn)初始場(chǎng)中海霧在預(yù)報(bào)開始后就迅速消失以及接下來海霧難以生成的異?，F(xiàn)象。通過詳細(xì)的海霧個(gè)例研究, 清晰地揭示并解釋了此現(xiàn)象, 指出這是集合平均造成初始場(chǎng)中云水與溫度濕度之間存在不協(xié)調(diào)關(guān)系所導(dǎo)致的后果, 并提出了一種擇優(yōu)加權(quán)平均方法來取代常用的集合平均。研究結(jié)果表明, 海霧確定性預(yù)報(bào)采用擇優(yōu)加權(quán)平均所構(gòu)建的初始場(chǎng), 可以消除上述異?，F(xiàn)象, 顯著改進(jìn)海霧模擬效果。

黃海海霧; EnKF集合同化; 確定性預(yù)報(bào); 初始場(chǎng); 變量協(xié)調(diào)性

海霧發(fā)生在海上大氣邊界層內(nèi), 其內(nèi)部懸浮著的大量小液滴或小冰晶導(dǎo)致大氣水平能見度低于1 km (王彬華, 1983; Kora?in, 2017), 是我國(guó)近海主要海洋氣象災(zāi)害之一。黃海是我國(guó)海霧頻發(fā)區(qū)之一(王彬華, 1983; Cho, 2000; Gao, 2007; 張?zhí)K平等, 2008), 海霧引發(fā)的海上事故較多, 如青島近海50%左右的船舶碰撞和擱淺與海霧有關(guān)(張?zhí)K平等, 2008), 因此海霧預(yù)報(bào)需求十分迫切。

中尺度大氣數(shù)值模式, 如WRF (weather research and forecasting)模式, 已經(jīng)成為一種研究和預(yù)報(bào)黃海海霧的有力工具(高山紅等, 2010; 史得道等, 2016; 傅剛等, 2016)。海霧數(shù)值模擬效果取決于2個(gè)方面: 模式誤差與初始場(chǎng)誤差。盡管中尺度大氣數(shù)值模式已經(jīng)相當(dāng)成熟, 但對(duì)于海霧模擬而言, 仍存在很大的發(fā)展空間, 因?yàn)楹ｌF形成與演變涉及湍流、輻射、氣溶膠與水汽相變等一系列復(fù)雜的模式無法完全刻畫清楚的動(dòng)力與物理過程。很多海霧研究者針對(duì)這些過程, 分析了WRF模式對(duì)海霧的模擬效果, 例如: 比較了2種大氣邊界層(planetary boundary layer, PBL)方案: YSU (Yonsei University)與MYNN (Mellor-Yamada- Nakanishi-Niino) (陸雪等, 2014; 饒莉娟, 2014), 研究了在YSU方案中考慮霧頂長(zhǎng)波冷卻所增強(qiáng)的輻射夾卷對(duì)海霧發(fā)展的作用(Yang, 2020), 嘗試了利用WRF-Chem (WRF model coupled with chemistry)探究復(fù)雜氣溶膠過程對(duì)海霧生成的影響(王彬, 2015; 王靜菊, 2017), 等等。這表明, 模式自身不斷完善需要一個(gè)長(zhǎng)期的過程。然而, 由于海霧對(duì)初始場(chǎng)的高敏感性(Lewis, 2004; Kora?in, 2005a, b; Gao, 2007; Kora?in, 2017), 通過數(shù)據(jù)同化手段, 提高初始場(chǎng)質(zhì)量從而改進(jìn)海霧模擬效果是相對(duì)容易見效的。

3DVAR (three-dimensional variational)是黃海海霧數(shù)值模擬中常用的一種數(shù)據(jù)同化方法(高山紅等, 2010; 李冉等, 2012; Wang, 2014; 王靜菊等, 2017), 它采用了靜態(tài)背景誤差協(xié)方差(background error covariance, BEC)。它的同化效果, 不如采用動(dòng)態(tài)BEC的EnKF (ensemble Kalman filter) (Gao, 2018)。由于EnKF同化過程中存在集合體, 可以在此基礎(chǔ)上直接進(jìn)行海霧集合預(yù)報(bào)。鑒于模式誤差與初始場(chǎng)誤差始終存在的客觀事實(shí), 理論上海霧集合預(yù)報(bào)優(yōu)于確定性預(yù)報(bào), 這已得到了實(shí)際模擬結(jié)果的支持(高山紅等, 2014)。但是, 限制于計(jì)算資源, 高時(shí)空分辨率的黃海海霧集合預(yù)報(bào)不易實(shí)現(xiàn), 確定性預(yù)報(bào)仍然是目前主流方式。

采用比3DVAR優(yōu)越的EnKF這種集合同化方法, 可以為海霧確定性預(yù)報(bào)提供高質(zhì)量的初始場(chǎng)(Gao, 2018)。EnKF集合同化會(huì)產(chǎn)生一個(gè)初始場(chǎng)集合體, 通常簡(jiǎn)單地將這個(gè)集合體進(jìn)行平均(稱為集合平均)作為確定性預(yù)報(bào)的初始場(chǎng)。最近, 我們采用這種常用方式, 基于EnKF集合同化進(jìn)行了黃海海霧確定性預(yù)報(bào)研究, 發(fā)現(xiàn)了一個(gè)不曾被已有研究提到的異常現(xiàn)象——初始場(chǎng)中的海霧隨著預(yù)報(bào)開始快速消失, 且在預(yù)報(bào)前幾個(gè)小時(shí)內(nèi)難以生成。本文將以一次黃海海霧過程作為研究對(duì)象, 借助GSI (gridpoint statistical interpolation)-EnKF同化系統(tǒng)(Shao, 2016)和WRF模式, 詳細(xì)展現(xiàn)這個(gè)現(xiàn)象并分析它產(chǎn)生的原因, 試圖通過提出一種確定性預(yù)報(bào)初始場(chǎng)構(gòu)造方法, 來消除這種現(xiàn)象并改進(jìn)海霧預(yù)報(bào)效果。希冀本文研究工作, 為基于EnKF集合同化的黃海海霧確定性預(yù)報(bào)提供重要參考。

1 數(shù)據(jù)與海霧個(gè)例

1.1 數(shù)據(jù)

研究主要用到大氣再分析數(shù)據(jù)、常規(guī)觀測(cè)數(shù)據(jù), 以及天氣分析圖、衛(wèi)星可見光云圖及可見光反照率與紅外多通道亮溫?cái)?shù)據(jù)。

ECMWF (European Centre for Medium-Range Weather Forecasts)提供的第五代逐時(shí)再分析數(shù)據(jù)(ECMWF reanalysis v5, ERA5)為數(shù)值試驗(yàn)提供初邊值; 此數(shù)據(jù)水平分辨率0.25°×0.25°, 垂直共有37個(gè)氣壓層, 下載網(wǎng)址為https://cds.climate.copernicus.eu/ cdsapp#!/dataset/reanalysis-era5-pressure-levels?tab=overview。NEAR-GOOS (North East Asian Regional Global Ocean Observing System)發(fā)布的逐日海溫(sea surface temperature, SST)為數(shù)值試驗(yàn)提供海洋驅(qū)動(dòng)底邊界, 水平分辨率0.25°×0.25°, 下載網(wǎng)址為http://ds. data.jma.go.jp/gmd/goos/data/。數(shù)據(jù)同化與數(shù)值試驗(yàn)結(jié)果檢驗(yàn)中, 用到來自全球氣象數(shù)據(jù)通信系統(tǒng)(global telecommunication system, GTS)的常規(guī)觀測(cè)數(shù)據(jù), 包含地面觀測(cè)(3 h/次)與探空觀測(cè)(12 h/次), 下載網(wǎng)址為https://rda.ucar.edu/datasets/ds337.0; 還有來自NEAR-GOOS的浮標(biāo)數(shù)據(jù), 下載網(wǎng)址為https://near- goos1.jodc.go.jp/。

海霧研究個(gè)例的挑選與霧區(qū)模擬結(jié)果的統(tǒng)計(jì)評(píng)分檢驗(yàn), 利用了逐時(shí)的Himawari-8衛(wèi)星可見光云圖、可見光與紅外多通道數(shù)據(jù), 它們分別來自日本氣象廳(Japan Meteorological Administration, JMA; 下載網(wǎng)址: http://222.195.136.24/satellite/cloud/mtsat_vis)與日本高知大學(xué)(水平分辨率為0.04°×0.04°, 下載網(wǎng)址: http://weather.is.kochi-u.ac.jp/sat/GAME)。另外, 海霧個(gè)例中天氣形勢(shì)的定性分析所用的天氣圖, 源自韓國(guó)氣象局(Korea Meteorological Administration, KMA, 下載網(wǎng)址: http://web.kma.go.kr/eng/index.jsp)。可見光衛(wèi)星云圖來源于日本氣象廳(JMA; 下載網(wǎng)址: http:// 222.195.136.24/satellite/cloud/mtsat_vis)。

1.2 海霧個(gè)例

2018年4月18—20日(時(shí)間為世界時(shí)UTC, 下同), 黃海發(fā)生了1次霧區(qū)變化較快的海霧過程(記為case-2018)?；诎滋炜梢姽庠茍D(圖1a, 1b, 1e, 1f)與采用Gao等(2009)提出的判據(jù), 基于多通道紅外數(shù)據(jù)利用雙通道法(Ellrod, 1995)反演的夜間海霧霧區(qū)(圖1c, 1d), 了解了此次海霧的發(fā)展過程。此外, 利用KMA地面天氣圖(圖略, 下載網(wǎng)址: http://web.kma.go. kr/eng/index.jsp), 分析了海霧發(fā)生時(shí)的天氣形勢(shì)。

根據(jù)圖1中的云圖紋理特征, 可知高壓系統(tǒng)控制下, 海霧伴隨少量低云首先在黃海南部形成(圖1a); 隨后海霧向北發(fā)展, 霧區(qū)呈半環(huán)狀分布(圖1b); 受偏東南風(fēng)的影響(圖略), 海霧西北向移動(dòng), 占據(jù)了在黃海西北部海域(圖1c, 1d); 伴隨黃海上高壓系統(tǒng)逐漸增強(qiáng)(圖略), 海霧霧區(qū)進(jìn)一步擴(kuò)大(圖1e); 但隨著高壓向東南撤退(圖略), 海霧南部消散縮小, 僅出現(xiàn)在山東半島南部近海一帶(圖1f)。

2 數(shù)值試驗(yàn)

2.1 模式設(shè)置

采用WRF模式(V3.9.1)進(jìn)行海霧數(shù)值試驗(yàn)。ERA5再分析數(shù)據(jù)與NEAR-GOOS的逐日SST數(shù)據(jù)為WRF模式提供初邊值條件。為了減少嵌套帶來的誤差, 模擬區(qū)域只設(shè)置了一層(圖2), 水平分辨率為10 km。模式其他設(shè)置, 如微物理方案、大氣邊界層(planetary boundary layer, PBL)方案與輻射方案等, 詳見表1。

圖1 海霧case-2018的霧區(qū)演變觀測(cè)事實(shí)

圖2 WRF模式區(qū)域

2.2 試驗(yàn)設(shè)計(jì)

海霧數(shù)值模擬不僅對(duì)初始場(chǎng)非常敏感(Lewis, 2004; 高山紅等, 2010), 還十分依賴于PBL方案。已有研究表明(陸雪等, 2014; 高山紅等, 2014), YSU方案與MYNN方案是2種比較適合海霧數(shù)值模擬的PBL方案, 但它們各有優(yōu)缺點(diǎn)(饒莉娟, 2014)。在EnKF集合同化循環(huán)中, 需要積分已經(jīng)選定好PBL方案的WRF, 這意味EnKF同化效果與PBL方案有關(guān)。

2.3 海霧快速消失現(xiàn)象

采用Wang等(2014)中提出的海霧全天候反演方法, 基于Himawari靜止衛(wèi)星的紅外多通道亮溫與可見光反照率數(shù)據(jù), 反演獲取逐時(shí)的海霧case-2018的霧區(qū)觀測(cè)事實(shí)(記為觀測(cè)霧區(qū))。由于WRF模式不能直接預(yù)報(bào)霧區(qū), 需要根據(jù)模式模擬的云水混合比(Qcloud, 簡(jiǎn)記為c)進(jìn)行霧區(qū)診斷(記為模擬霧區(qū))。采取高山紅等(2010)提出的“鳥瞰”方式, 對(duì)于海上的某一模式水平點(diǎn), 在其垂直層中自上而下找到c≥0.016 g/kg以確定霧頂?shù)母叨萾op; 因?yàn)閠op極少超過400 m (Zhou, 2010), 若top≤400 m, 則該水平點(diǎn)屬于模擬霧區(qū), 且top為海霧厚度。

表1 WRF模式設(shè)置

Tab.1 Specifications of the WRF model

注:=1.000 0, 0.997 5, 0.992 5, 0.985 0, 0.977 5, 0.970 0, 0.954 0, 0.934 0, 0.909 0, 0.880 0, 0.850 6, 0.821 2, 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

圖3 EnKF同化流程

Tab.2 Design of experiments on the sensitivity of sea fog simulation to

2.4 快速消失原因探究

在初始場(chǎng)時(shí)刻, 存在海霧的模式格點(diǎn)處的云水含量c≥0.016 g/kg, 隨著WRF模式積分, 海霧迅速消失后c肯定減小至0.016 g/kg之下?？梢酝茢?c變?yōu)榱怂?Qvapor, 簡(jiǎn)記為v), 相對(duì)濕度(簡(jiǎn)記為H)可能會(huì)有所增加。因此, 以海霧消失問題最為明顯的Exp-D為例, 我們來分析在WRF模式底層(海上10 m左右高度)的c,v,H與溫度, 在模式積分后所發(fā)生的變化。圖5對(duì)比了Exp-D的初始場(chǎng)與1 min預(yù)報(bào)場(chǎng)中這些量的差異(后者減去前者)。由圖5可以清楚地看出, 不同變量的差異在水平空間上的分布較為一致, 且范圍與初始場(chǎng)中的霧區(qū)基本一致(圖4中5時(shí)刻對(duì)應(yīng)的Exp-D分圖); 但WRF僅積分1 min之后, 初始場(chǎng)中的海霧就完全消失了(對(duì)比圖5a與圖5b),c減小了0.016—0.080 g/kg (圖5c), 而v隨之增加了0.016—0.080 g/kg (圖5f),H增加的幅度不超過5%, 溫度卻下降了0.1—0.5 °C。

圖4 敏感性試驗(yàn)的模擬霧區(qū)與觀測(cè)霧區(qū)

圖5 Exp-D初始場(chǎng)與模擬場(chǎng)在模式底層的分布及差異(模擬場(chǎng)減初始場(chǎng))

注: 同一排的填色變量相同, 左、中、右列分別為初始場(chǎng)、積分1 min模擬場(chǎng)以及它們之間的差異

圖6 5名隨機(jī)成員(a—e)與集合平均(f)在模式底層的云水分布

注: S(34.6°N, 120.9°E)為觀測(cè)霧區(qū)內(nèi)一點(diǎn)

3 初始場(chǎng)生成方法的改進(jìn)

3.1 擇優(yōu)加權(quán)平均

成員的擇優(yōu)依據(jù)其模擬霧區(qū)與觀測(cè)霧區(qū)的吻合程度。模擬霧區(qū)與觀測(cè)霧區(qū)(它們的診斷方法詳見2.3節(jié))都是格點(diǎn)化的結(jié)果, 可直接點(diǎn)對(duì)點(diǎn)比較。采用了下面4個(gè)客觀評(píng)分指標(biāo)對(duì)吻合程度定量評(píng)估:

其中, POD (probability of detection)評(píng)分(式中記作POD)為模擬霧區(qū)的正報(bào)率(或擊中率); FAR (false alarm ratio)評(píng)分(式中記作FAR)為誤報(bào)率; Bias與ETS(equitable threat score)分別為霧區(qū)偏差評(píng)分(式中記作Bias)與公正預(yù)兆評(píng)分(式中記作ETS) (Doswell III, 1989; Zhou, 2010; Wang, 2014);為準(zhǔn)確預(yù)報(bào)的點(diǎn)數(shù)目;為預(yù)報(bào)有霧的點(diǎn)數(shù)目;為觀測(cè)有霧的點(diǎn)數(shù)目;為隨機(jī)擊中項(xiàng);為指定檢驗(yàn)區(qū)域的所有點(diǎn)數(shù)。ETS同時(shí)考慮了POD, FAR與Bias, 是一個(gè)綜合評(píng)分指標(biāo)。將ETS作為擇優(yōu)加權(quán)平均中的權(quán)重系數(shù), 設(shè)計(jì)了如下的擇優(yōu)加權(quán)平均公式:

3.2 改進(jìn)效果分析

3.2.1 海霧模擬霧區(qū)

圖8給出了擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)Exp-D_S, Exp-D_W10與Exp-D_W20的模擬霧區(qū)與觀測(cè)霧區(qū)的對(duì)比結(jié)果。與Exp-D相比, 它們初始場(chǎng)中的海霧在WRF積分開始之后并沒有快速消失, 一直維持并發(fā)展(對(duì)比圖8與圖4第1排分圖), 與觀測(cè)霧區(qū)(圖8第1排分圖)的空間分布及變化趨勢(shì)基本一致。圖4顯示, Exp-D存在“海霧消失”現(xiàn)象, 6 h以后海霧才逐漸形成(圖4中7時(shí)刻對(duì)應(yīng)的Exp-D分圖), 而擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)中海霧一直存在(圖8)。

仔細(xì)對(duì)比試驗(yàn)Exp-D_S, Exp-D_W10與Exp- D_W20的模擬霧區(qū), 它們存在一定差異。根據(jù)它們的模擬結(jié)果, 發(fā)現(xiàn)Exp-D_S明顯劣于Exp-D_W10、Exp-D_W20。這初步顯示, 擇優(yōu)條件會(huì)顯著影響海霧模擬效果。為了定量的評(píng)估這種影響, 統(tǒng)計(jì)了這些試驗(yàn)的POD, FAR, Bias與ETS的評(píng)分及其改進(jìn)率[Bias越接近1.0越好, 其改進(jìn)率計(jì)算見公式(7)]。見表3。從表3可很清晰地看出, 相比于直接采用集合平均的試驗(yàn)Exp-D, 所有擇優(yōu)加強(qiáng)平均試驗(yàn)都明顯勝出, 幾乎所有的統(tǒng)計(jì)評(píng)分都得到不同程度的改善(除了Exp-D_S中的FAR; FAR越小越好); 模擬霧區(qū)改進(jìn)效果顯著, ETS評(píng)分至少提升了90.5%, 最高達(dá)到了141.3%。綜合比較表3中列出的各項(xiàng)評(píng)分, 試驗(yàn)Exp-D_W10結(jié)果最優(yōu)。這意味在構(gòu)建試驗(yàn)Exp-D_W10初始場(chǎng)的過程中, 初始場(chǎng)集合體40個(gè)成員中的36個(gè)被舍棄了, 只利用了剩下的4個(gè)成員, 就達(dá)到了很好的模擬效果。

圖8 €擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)與觀測(cè)霧區(qū)的比較

其中,Bias, i為Bias, 2相對(duì)于Bias, 1的改進(jìn)率。

3.2.2 初始場(chǎng)協(xié)調(diào)性

表3中的各項(xiàng)評(píng)分顯示, 試驗(yàn)Exp-D_S, Exp- D_W10, Exp-D_W20的模擬霧區(qū)明顯優(yōu)于試驗(yàn)Exp-D,它們初始場(chǎng)中模式底層的云水分布結(jié)果也是如此(圖9)。參考前面2.4節(jié)中的原因探究結(jié)果分析,這可能歸功于擇優(yōu)加權(quán)平均生成的初始場(chǎng)中云水含量與溫濕變量之間比較協(xié)調(diào), 不再是那種不利于海霧維持的“高溫低濕”的環(huán)境。為此, 我們針對(duì)涵蓋觀測(cè)霧區(qū)(圖9中打點(diǎn)區(qū)域)的一塊海域(圖9a中的實(shí)線方框所示), 統(tǒng)計(jì)了4個(gè)試驗(yàn)Exp-D, Exp-D_S, Exp-D_W10與Exp-D_W20的初始場(chǎng)在此區(qū)域內(nèi)模式底層的云水含量、氣溫、水汽混合比與相對(duì)濕度的平均值(圖10), 來考察初始場(chǎng)中云水含量與溫濕變量之間的協(xié)調(diào)性。在圖10中, 試驗(yàn)Exp-D體現(xiàn)出非常明顯的“高溫低濕”特征(圖10a, 10c, 10d為低濕, 圖10b為高溫); 而其余3個(gè)擇優(yōu)加權(quán)平均試驗(yàn)卻沒有這種“高溫低濕”的特征, 而是相反的“低溫高濕”特征。這個(gè)統(tǒng)計(jì)結(jié)果清晰顯示, 擇優(yōu)加權(quán)平均較好地給出了有利于初始場(chǎng)中海霧維持所需的云水含量與溫濕變量之間的匹配關(guān)系。

表3 擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)的霧區(qū)統(tǒng)計(jì)評(píng)分

Tab.3 The statistical score of each item in different fog forecast sensitivity experiments by using the preferred-weighted average

注: POD為模擬霧區(qū)的正報(bào)率(或擊中率); FAR為誤報(bào)率; Bias與ETS分別為霧區(qū)偏差與公正預(yù)兆評(píng)分; 各評(píng)分為預(yù)報(bào)時(shí)段內(nèi)逐時(shí)評(píng)分的平均結(jié)果, 括號(hào)內(nèi)粗體數(shù)字代表相對(duì)于試驗(yàn)Exp-D的改進(jìn)率

圖9 擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)初始場(chǎng)中模式底層云水分布

注: 打點(diǎn)區(qū)域?yàn)橛^測(cè)霧區(qū)范圍; a中黑色框?yàn)檫x定區(qū)域平均范圍

圖10 擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)與Exp-D云水與溫濕值在模式底層區(qū)域平均值的比較

為了探究Exp-D_W10最優(yōu)的原因, 我們對(duì)比了擇優(yōu)加權(quán)平均對(duì)比試驗(yàn)的初始場(chǎng)差異。相比于Exp-D_W10與Exp-D_W20, Exp-D_S在渤海區(qū)域的濕度較高(圖略), 這導(dǎo)致了大塊虛假霧區(qū)的存在(圖8f—8j), Bias與FAR分別達(dá)到了1.49與0.50 (表3)。Exp-D_W20因?yàn)閾駜?yōu)的成員較多, 納入了一些霧區(qū)吻合度不高的成員, 導(dǎo)致“低溫高濕”的特征不如Exp-D_W10, POD降至0.52 (表3)。Exp-D_W10的“低溫高濕”區(qū)域與觀測(cè)霧區(qū)范圍較為吻合, 其POD略低于Exp-D_S的POD (兩者分別為0.63與0.70; 表3), 但其Bias接近1.0且FAR較小(兩者分別為0.93與0.28; 表3); 這表明Exp-D_W10優(yōu)于Exp-D_S, 主要?dú)w功于虛假霧區(qū)的大幅減少。

初始場(chǎng)中的協(xié)調(diào)性是否有助于改善海上大氣邊界層內(nèi)的溫濕垂直結(jié)構(gòu), 從而改善海霧預(yù)報(bào)？以Exp-D與Exp-D_W10為例, 利用青島站與射陽(yáng)站(見圖2中的QD與SY)的探空觀測(cè), 評(píng)估了6 h預(yù)報(bào)時(shí)刻的海上大氣邊界層內(nèi)溫濕垂直結(jié)構(gòu)。圖11給出了溫度與水汽混合比的偏差(bias)與均方根誤差(RMSE)垂直廓線。與Exp-D相比, Exp-D_W10在925 hPa以下的溫度與水汽混合比的bias與RMSE明顯偏小, 這表明它的溫濕狀態(tài)更靠近實(shí)際狀態(tài), 這應(yīng)該是Exp-D_W10初始場(chǎng)協(xié)調(diào)性優(yōu)于Exp-D所帶來的益處。

3.3 方法應(yīng)用與驗(yàn)證

圖11 模式6-h模擬與探空之間均方根誤差RMSE (實(shí)線)和偏差bias (虛線)的垂直分布

圖12 數(shù)值實(shí)驗(yàn)Exp-F和Exp-F_W10的模擬霧區(qū)與觀測(cè)霧區(qū)的比較

圖13 Exp-F_W10模擬的海面氣溫與浮標(biāo)觀測(cè)之間的偏差

4 結(jié)論與展望

數(shù)據(jù)同化在黃海海霧數(shù)值模擬與預(yù)報(bào)中至關(guān)重要(高山紅等, 2010; Kora?in, 2017)。在實(shí)際海霧數(shù)值業(yè)務(wù)預(yù)報(bào)中, 數(shù)據(jù)同化窗內(nèi)已經(jīng)發(fā)生海霧這種情形較為常見, 因此如何在同化中植入海霧觀測(cè)信息尤其關(guān)鍵(Wang, 2014; Gao, 2018)。因?yàn)轭A(yù)報(bào)初始場(chǎng)中出現(xiàn)的海霧, 由于霧頂長(zhǎng)波輻射冷卻會(huì)造成霧頂夾卷作用變化, 將對(duì)海霧的后續(xù)發(fā)展產(chǎn)生不可忽視的影響(Yang, 2020)。倘若出現(xiàn)初始場(chǎng)中的海霧在模式開始積分后不能得以維持的現(xiàn)象, 那么數(shù)據(jù)同化的效果就會(huì)大打折扣。我們發(fā)現(xiàn), 基于EnKF集合同化生成黃海海霧確定性預(yù)報(bào)的初始場(chǎng), 如果采用常用的集合平均來獲取, 就會(huì)導(dǎo)致這個(gè)現(xiàn)象的出現(xiàn)。因此, 通過對(duì)一次黃海海霧的細(xì)致數(shù)值研究, 本文不僅清楚地揭示與解釋了這個(gè)現(xiàn)象, 而且還提出了一種能消除這種現(xiàn)象的初始場(chǎng)構(gòu)建方法——擇優(yōu)加權(quán)平均, 并在另外一次海霧個(gè)例確定性預(yù)報(bào)中得到了應(yīng)用驗(yàn)證。基于已有研究結(jié)果, 得到如下結(jié)論:

(1) 針對(duì)EnKF集合同化得到的初始場(chǎng)集合體, 采用常用的集合平均來生成確定性預(yù)報(bào)初始場(chǎng), 不適用于海霧數(shù)值模擬。集合平均不僅造成初始場(chǎng)中存在較多的虛假霧區(qū), 而且使得初始場(chǎng)中云水含量與溫濕變量之間存在不協(xié)調(diào), 造成有利于海霧維持的“低溫高濕”由于集合平均而變?yōu)椤案邷氐蜐瘛? 導(dǎo)致初始場(chǎng)中已出現(xiàn)的海霧在模式開始積分后就快速消失。

(2) 擇優(yōu)加權(quán)平均明顯優(yōu)于集合平均, 它構(gòu)建的初始場(chǎng)中, 虛假霧區(qū)明顯減少, 霧區(qū)內(nèi)的云水含量與溫濕變量彼此較為協(xié)調(diào)。擇優(yōu)加權(quán)平均構(gòu)建的初始場(chǎng)充分繼承了優(yōu)秀成員的霧區(qū)分布與溫濕結(jié)構(gòu)特征, 避免了出現(xiàn)集合平均所造成的“高溫低濕”后果, 從而大幅提升了海霧預(yù)報(bào)評(píng)分。

本文提出的擇優(yōu)加權(quán)平均初始場(chǎng)構(gòu)建方法, 簡(jiǎn)單易行, 對(duì)海霧短臨近預(yù)報(bào)效果改善顯著, 可應(yīng)用于海霧業(yè)務(wù)化預(yù)報(bào)*Himawari-8靜止衛(wèi)星原始數(shù)據(jù)的獲取約滯后30 min, 利用其反演海霧不超過3 min。在擁有52核處理器的計(jì)算平臺(tái)中, 進(jìn)行3 h同化間隔6 h同化窗的循環(huán)集合同化(40個(gè)集合成員), 僅需數(shù)分鐘。。然而, 此方法還需要更多海霧個(gè)例的檢驗(yàn), 擇優(yōu)過程仍存在很大的改進(jìn)余地。譬如, 目前成員的篩選, 僅僅只是依據(jù)初始場(chǎng)時(shí)刻的模擬霧區(qū)與觀測(cè)霧區(qū)的吻合度, 如果加入更多的篩選條件(如與沿岸探空與地面觀測(cè)中溫濕等變量的偏差程度)可能會(huì)更好, 這是我們下一步亟須開展的工作。此外, 雖然擇優(yōu)加權(quán)平均聚焦于確定性預(yù)報(bào), 其實(shí)它對(duì)海霧的集合預(yù)報(bào)也有借鑒作用。因?yàn)樗梢栽诩项A(yù)報(bào)開始之前就排除一些較差的成員, 從而降低集合預(yù)報(bào)的計(jì)算資源需求; 或者將節(jié)約下來的計(jì)算資源分配到EnKF集合同化中, 使它有能力考慮更多的集合成員而改善集合體離散度, 從而改進(jìn)接下來的集合預(yù)報(bào)效果。

王彬華, 1983. 海霧. 北京: 海洋出版社, 352

王 彬, 2015. 海霧與陸霧數(shù)值模擬中氣溶膠作用的對(duì)比研究. 青島: 中國(guó)海洋大學(xué)碩士學(xué)位論文, 18—28

王靜菊, 2017. 黃海海霧的AIRS數(shù)據(jù)同化與氣溶膠效應(yīng)研究. 青島: 中國(guó)海洋大學(xué)碩士學(xué)位論文, 20—30

王靜菊, 高小雨, 高山紅, 2017. 一次黃海海霧的數(shù)據(jù)同化試驗(yàn)與形成機(jī)制研究. 海洋氣象學(xué)報(bào), 37(1): 42—53

史得道, 吳振玲, 高山紅等, 2016. 海霧預(yù)報(bào)研究綜述. 氣象科技進(jìn)展, 6(2): 49—55

李 冉, 高山紅, 王永明, 2012. 直接同化衛(wèi)星輻射數(shù)據(jù)的黃海海霧數(shù)值試驗(yàn)研究. 中國(guó)海洋大學(xué)學(xué)報(bào), 42(3): 10—20

楊 悅, 高山紅, 2016. 黃海海霧WRF數(shù)值模擬中垂直分辨率的敏感性研究. 氣象學(xué)報(bào), 74(6): 974—988

陸 雪, 高山紅, 饒莉娟等, 2014. 春季黃海海霧WRF參數(shù)化方案敏感性研究. 應(yīng)用氣象學(xué)報(bào), 25(3): 312—320

張?zhí)K平, 鮑獻(xiàn)文, 2008. 近十年中國(guó)海霧研究進(jìn)展. 中國(guó)海洋大學(xué)學(xué)報(bào), 38(3): 359—366

郭敬天, 2008. 海霧形成與發(fā)展機(jī)制的觀測(cè)分析與數(shù)值模擬研究. 青島: 中國(guó)海洋大學(xué)博士學(xué)位論文, 46—47

饒莉娟, 2014. YSU與MYNN邊界層方案的黃海海霧模擬效果比較. 青島: 中國(guó)海洋大學(xué)碩士學(xué)位論文, 31—48

高山紅, 王永明, 傅 剛, 2014. 一次黃海海霧的集合預(yù)報(bào)試驗(yàn). 中國(guó)海洋大學(xué)學(xué)報(bào), 44(12): 1—11

高山紅, 齊伊玲, 張守寶等, 2010. 利用循環(huán)3DVAR改進(jìn)黃海海霧數(shù)值模擬初始場(chǎng)Ⅰ: WRF數(shù)值試驗(yàn). 中國(guó)海洋大學(xué)學(xué)報(bào), 40(10): 1—9

傅 剛, 李鵬遠(yuǎn), 張?zhí)K平等, 2016. 中國(guó)海霧研究簡(jiǎn)要回顧. 氣象科技進(jìn)展, 6(2): 20—28

Barker D M, Huang W, Guo Y R, 2004. A three-dimensional variational data assimilation system for MM5: implementation and initial results. Monthly Weather Review, 132(4): 897—914

Chen F, Dudhia J, 2001. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: model implementation and sensitivity. Monthly Weather Review, 129(4): 569—585

Cho Y K, Kim M O, Kim B C, 2000. Sea fog around the Korean peninsula. Journal of Applied Meteorology and Climatology, 39(12): 2473—2479

Dong L, Zhang F Q, 2016. OBEST: An observation-based ensemble subsetting technique for tropical cyclone track prediction. Weather and Forecasting, 31(1): 57—70

Doswell III C A, Flueck J A, 1989. Forecasting and verifying in a field research project: DOPLIGHT ’87. Weather and Forecasting, 4(2): 97—109

Ellrod G P, 1995. Advances in the detection and analysis of fog at night using GOES multispectral infrared imagery. Weather and Forecasting, 10(3): 606—619

Gao X Y, Gao S H, Yang Y, 2018. A comparison between 3DVAR and EnKF for data assimilation effects on the Yellow Sea fog forecast. Atmosphere, 9: 346

Gao S H, Lin H, Shen B, 2007. A heavy sea fog event over the Yellow Sea in March 2005: analysis and numerical modeling. Advances in Atmospheric Sciences, 24(1): 65—81

Gao S H, Wu W, Zhu L L, 2009. Detection of nighttime sea fog/stratus over the Huanghai Sea using MTSAT-1R IR data. Acta Oceanologica Sinica, 28(2): 23—35

Hong S Y, 2010. A new stable boundary-layer mixing scheme and its impact on the simulated East Asian summer monsoon. Quarterly Journal of the Royal Meteorological Society, 136(651): 1481—1496

Hong S Y, Noh Y, Dudhia J, 2006. A new vertical diffusion package with an explicit treatment of entrainment processes. Monthly Weather Review, 134(9): 2318—2341

Iacono M J, Delamere J S, Mlawer E J, 2008. Radiative forcing by long-lived greenhouse gases: calculations with the AER radiative transfer models. Journal of Geophysical Research: Atmospheres, 113(D13): D13103

Kain J S, Fritsch J M, 1990. A one-dimensional entraining/detraining plume model and its application in convective parameterization. Journal of the Atmospheric Sciences, 47(23): 2784—2802

Kora?in D, Businger J A, Dorman C E, 2005a. Formation, evolution, and dissipation of coastal sea fog. Boundary-Layer Meteorology, 117(3): 447—478

Kora?in D, Dorman C E, 2017. Marine Fog. Cham, Switzerland: Springer, 537

Lewis J M, Kora?in D, Redmond K T, 2004. Sea fog research in the United Kingdom and United States: a historical essay including outlook. Bulletin of the American Meteorological Society, 85(3): 395—408

Lin Y L, Farley R D, Orville H D, 1983. Bulk parameterization of the snow field in a cloud model. Journal of Applied Meteorology and Climatology, 22(6): 1065—1092

Nakanishi M, Niino H, 2006. An improved Mellor-Yamada level-3 model: its numerical stability and application to a regional prediction of advection fog. Boundary-Layer Meteorology, 119(2): 397—407

Nakanishi M, Niino H, 2009. Development of an improved turbulence closure model for the atmospheric boundary layer. Journal of the Meteorological Society of Japan, 87(5): 895—912

Qi L B, Yu H, Chen P Y, 2014. Selective ensemble-mean technique for tropical cyclone track forecast by using ensemble prediction systems. Quarterly Journal of the Royal Meteorological Society, 140(680): 805—813

Shao H, Derber J, Huang X Y, 2016. Bridging research to operations transitions: status and plans of community GSI. Bulletin of the American Meteorological Society, 97(8): 1427—1440

Wang X G, Barker D M, Snyder C, 2008a. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part I: observing system simulation experiment. Monthly Weather Review, 136(12): 5116—5131

Wang X G, Barker D M, Snyder C, 2008b. A hybrid ETKF-3DVAR data assimilation scheme for the WRF model. Part II: real observation experiments. Monthly Weather Review, 136(12): 5132—5147

Wang Y M, Gao S H, Fu G, 2014. Assimilating MTSAT-derived humidity in nowcasting sea fog over the Yellow Sea. Weather and Forecasting, 29(2): 205—225

Yang Y, Gao S H, 2020. The impact of turbulent diffusion driven by fog-top cooling on sea fog development. Journal of Geophysical Research: Atmospheres, 125(4): e2019JD031562

Zhou B B, Du J, 2010. Fog prediction from a multimodel mesoscale ensemble prediction system. Weather and Forecasting, 25(1): 303—322

CONSTRUCTION OF INITIAL FIELD FOR NUMERICAL FORECAST OF THE YELLOW SEA FOG BASED ON ENKF DATA ASSIMILATION

ZHENG Qing1, 2, GAO Shan-Hong1, 2

(1. College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao 266100, China; 2. Key Laboratory of Physical Oceanography, Ocean University of China, Qingdao 266100, China)

In the numerical simulation of sea fog over the Yellow Sea, the EnKF (ensemble Kalman filter) is a data assimilation method superior to 3DVAR (three-dimensional variational). However, an abnormal phenomenon is that sea fog in the initial field disappears quickly after forecasting and it is difficult to generate subsequently when using common ensemble average method with which the initial field for deterministic forecast with EnKF data assimilation can be constructed. By a case study of sea fog, the phenomenon was clearly explained to be resulted from the inconsistent relationship among cloud water, temperature, and humidity in the initial field constructed by ensemble average, to which a new method was proposed using preferred-weighted-average to replace the ensemble average. It is shown that the deterministic forecast of sea fog base on the new method could eliminate the abnormal phenomena, and consequently improve the sea fog forecasting considerably.

the Yellow Sea fog; EnKF (ensemble Kalman filter); deterministic forecast; initial field; coordination of variables

P732.2

10.11693/hyhz20210300065

*國(guó)家重點(diǎn)研發(fā)計(jì)劃重點(diǎn)專項(xiàng), 2017YFC1404200號(hào); 國(guó)家自然科學(xué)基金, 42075069號(hào); 山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目, 2019GSF111066號(hào)。鄭 青, 碩士研究生, E-mail: zq551379@outlook.com

高山紅, 教授, E-mail: gaosh@ouc.edu.cn

2021-03-09,

2021-04-13