春季黄海海雾WRF参数化方案敏感性研究

陆 雪 高山红＊ 饶莉娟 王永明

1）（中国海洋大学物理海洋教育部重点实验室，青岛266100）

2）（山东省高校海洋大气相互作用与气候实验室，青岛266100）

春季黄海海雾WRF参数化方案敏感性研究

陆 雪1）2）高山红1）2）＊饶莉娟1）2）王永明1）2）

1）（中国海洋大学物理海洋教育部重点实验室，青岛266100）

2）（山东省高校海洋大气相互作用与气候实验室，青岛266100）

利用2005—2011年10次春季黄海海雾个例开展WRF模式参数化方案敏感性研究。结果表明：边界层方案对WRF模式雾区模拟结果起决定作用，而微物理方案影响较小，它主要影响海雾浓度和高度。边界层与微物理方案的最佳组合为YSU与Lin方案，最差为Mellor－Yamada与WSM5方案；Mellor－Yamada和QNSE方案模拟的近海面湍流过强，导致边界层过高，不利于海雾的发展与维持；而MYNN与YSU方案刻画的湍流强度与边界层高度合适，有利于海雾发展与维持。MYNN方案虽与YSU方案相当，但在大多数海雾个例中，后者明显优于前者，而在有些个例中却刚好相反。因此对于某一具体海雾个例而言，所用边界层方案仍需在它们之中选择最优者。这些信息可为黄海海雾WRF模式边界层与微物理方案的选择与改进提供参考。

黄海海雾；微物理方案；边界层方案；WRF模式敏感性研究

引 言

海雾是发生在海上大气边界层内的一种海洋灾害天气，它造成的低大气能见度给海上交通运输、渔业生产、石油作业等带来了巨大威胁。我国近海海域是海雾多发区，而黄海是我国近海海雾发生最频繁的海域［1－4］。已有研究表明［1，4－5］，中尺度数值模拟已成为黄海海雾机制研究与客观预报的一种重要手段。

海雾是一种发生于海上大气边界层内的水汽凝结现象，黄海海雾以平流冷却雾为主［2］。研究表明：平流冷却雾可以看作海上暖湿气团与海面进行热量交换，而逐渐冷却成雾的一种非绝热成云的微物理过程，其中湍流冷却是首要动力机制［2－3］。因此，如何选择或改进描述湍流过程的边界层方案与刻画水汽相变过程的微物理方案，是黄海海雾数值研究的一个重要问题［5－6］。高山红等［5］指出，对于黄海海雾数值预报而言，初始场质量很重要。运用先进的数据手段同化各种观测数据，可以大幅提高初始场质量，从而显著改善海雾预报效果［5－9］。而对于边界层方案与微物理方案，由于其复杂性与改进的困难性，在黄海海雾的数值研究中，研究者一般选择模式中最常用的边界层方案与微物理方案，很少特别关注并详细探讨它们是否适合于黄海海雾。目前，黄海海雾的数值模拟主要采用WRF（Weather Research and Forecasting）模式，该模式具有同化方法先进、更新迅速、技术支持有力等诸多优点。因此，本文重点讨论黄海海雾WRF模式边界层与微物理方案的敏感性，尝试找到最适合黄海海雾数值试验的方案组合，为目前基于WRF模式的海雾模拟与海雾预报提供参考。

1 数据与方法

1.1 数 据

NCEP提供的FNL（Final Analysis Data of Global Forecast System）数据（水平分辨率为1°×1°，时间分辨率为6h／次）为 WRF模式数值试验提供初始时刻背景场与时变侧边界，NOAA日平均数据（水平分辨率为0.25°×0.25°）提供海洋条件。用于同化和检验的数据包括常规探空（12h／次）与地面、船舶与岛屿观测数据（3h／次）以及 QSCAT（Quik SCAT）洋面风产品、AIRS（Atmospheric Infra－Red Sounder）大气温度廓线产品与SSMI（Special Sensor Microwave）大气可降水量产品。

获取海雾观测事实的海雾雾区反演方法采用日本高知大学提供的 MTSAT （Multi－functional Transport Satellite）静止卫星可见光与多通道红外数据、NEAR－GOOS（North－East Asian Regional Global O－cean Observing System）日平均海温数据（水平分辨率为0.25°×0.25°）。

试验结果天气形势场的检验采用韩国天气图、NCEP提供的CFSR（Climate Forecast System Reanalysis）再分析数据（水平分辨率为0.3°×0.3°，6h／次）。所有资料时段与10次黄海海雾过程相对应。

1.2 方 法

1.2.1 数据同化方法

基于 WRF模式及其三维同化模块，高山红等［5］设计并发展了一个简易的循环三维变分数据同化工具。与单时次三维同化相比，利用该同化工具能大幅提高黄海海雾数值模拟初始场质量，从而明显改善海雾预报结果［5－6，8］。

1.2.2 海雾卫星观测与模拟雾区

基于 MTSAT数据（1h／次），利用双通道法［9］，采纳Gao等［10］提出的判据，反演夜间黄海海雾的雾区与雾顶高度；白天海雾信息反演采用 Wang等［11］提出的方法。

目前黄海海雾数值模拟中［3，10］，通常直接利用模拟的云水混合比，采用水平大气能见度计算公式［12］计算海面大气水平能见度（简称能见度），将能见度不大于1km的区域认为是海雾水平范围（简称雾区）。为了便于同海雾卫星观测事实相比较，本文采用了高山红等［5］提出的方法，即模仿卫星的鸟瞰方式，在模拟结果中自上而下寻找雾顶（判据是云水含量大于0.016g·kg－1），雾顶高度不高于400m或海面能见度不大于1km的区域诊断为预报雾区。

1.2.3 模拟雾区检验

对WRF模式模拟结果的检验主要针对雾区，模拟雾区结果优劣的评估采用了命中率（POD）、成功率（SR）、偏差率（Bias）与临界成功指数（CSI）4种评分指标［13－14］。

2 海雾敏感性试验

2.1 海雾个例与模式设置

黄海海雾常出现在3—8月。为了便于 WRF模式海雾预报结果检验，同时也为了使研究结果具有说服力，预报试验选取了2005—2011年10次春季黄海海雾过程作为研究对象（表1，时间为北京时，下同）。

表1 所选取的黄海10次海雾过程Table 1 10sea fog cases of the Yellow Sea for the numerical forecasting

利用WRF模式（V3.2.1）进行海雾模拟试验，所有试验采用双重双向嵌套模拟区域（D1和D2）（图1），D1区域中心为33.5°N，125.5°E，D1和D2区域分辨率分别为30km和10km，格点数分别为108×108，127×151，垂直方向共44层。模式采用Kain－Fritsch积云方案［15］、RRTM长短波辐射方案［16］及 NOAH 陆面模式［17］。采用循环三维变分同化尽可能多的常规与非常规观测数据，为数值试验提供高质量初始场。

初始背景场与时变侧边界来自FNL数据，NOAA日平均海温提供海面强迫。为进一步改善三维变分同化效果，本文未采用WRF模式自身提供的背景误差协方差（CV3）［18］，而是针对每个海雾个例，使用FNL数据驱动WRF模式，进行以模拟时间为中心的约15d的每日2次的24h数值后报，采用NMC方法［19］统计后报结果，生成它们各自独立的背景误差协方差（CV5）［5，20］。

2.2 试验方案

WRF模式提供多种边界层方案与微物理方案。经过大量数值试验进行了初步筛选，最终确定5种边界层方案与4种微物理方案参与敏感性试验。边界层方案有Yonsei University（简称为YSU）方案［21］、Mellor－Yamada（简称为MY）方案［22］、QNSE方案［23］、MYNN 方案（包含 MYNN－2.5，MYNN－3，分别简称为 MY2.5，MY3）［24］；微物理方案有 Kessler方案［25］、Lin方案［17］、Thompson（简称为TP）方案［26］以及WSM－5方案［27］。

设计4组敏感性试验，每组包含5个试验，即每组选定1种微物理方案，分别搭配5种不同的边界层方案。即1次海雾过程要进行20次试验，10次海雾过程共进行200次试验。

3 数值试验的结果检验

3.1 海雾天气形势预报检验

海雾的发生与演变很大程度上取决于天气过程［2］，为了客观定量地给出对比结果，从每次海雾过程的20次试验中任选1次，针对图1中的D1区域，将试验结果与插值到模式格点上的CFSR数据进行全场相关性与均方根误差检验。

925hPa和850hPa位势高度与温度的12h及24h模拟场相关系数均达到0.05显著性水平（图略）。12h和24h模拟结果中850hPa位势高度、温度的均方根误差分别为3～14gpm和1～2K；925hPa温度均方根误差为1～3K，位势高度均方根误差平均为30gpm。WRF模式模拟结果与CFSR数据相比，前者高、低压强度较后者偏强是导致位势高度均方根误差变化较大的原因，对比结果表明，WRF模式能够再现影响海雾发生与演变的天气形势场。

3.2 海雾雾区预报检验

获取每次海雾过程模拟结果中3h／次的雾区预报结果。针对图1中D2区域对雾区进行网格化，格距为0.1°×0.1°，计算每个时次的4种评分指标结果表明，对于任一边界层方案而言，不同微物理方案结果之间的差异很小；而对于任一微物理方案，不同边界层方案结果存在较大差异，即WRF模式模拟结果相对于微物理方案而言，对于边界层方案更敏感。

统计结果显示，YSU，MY2.5，MY3方案的平均命中率结果相差很小，为0.53～0.55；而 MY和QNSE方案的平均命中率明显偏低，分别为0.34和0.37；YSU和MYNN方案相对MY方案的改进率可达60%。各边界层方案的平均成功率为0.47～0.52，YSU方案表现最好。平均偏差结果说明，MY与QNSE方案的预报雾区比观测雾区偏小30%左右，MYNN方案偏大13%，YSU方案偏差接近于0。平均临界成功指数显示（表2），MY与QNSE方案最差，YSU与 MY2.5，MY3方案相当，相对于MY方案的改进率为32%，YSU方案略优且较MY方案提高了40%。

表2 临界成功指数统计结果Table 2 Statistical result of critical success index

对比结果较优的YSU和MY2.5方案对10次海雾过程模拟结果可知，临界成功指数较接近，但偏差指数存在很大差异。总体而言，YSU优势更明显，但二者中的最优选择却明显存在海雾个例差异（图略）。

根据Roebber［13］提出的方法，可将4种评分直观形象地集中展示在一起（图略）。依据该方法可清楚再现各方案搭配的优劣，综合考虑4种评分，边界层方案与微物理方案的最佳组合为YSU与Lin方案，最差组合为MY与WSM5方案。

3.3 温度与水汽垂直分布12h模拟误差

WRF模式循环三维同化阶段，不同边界层方案对大气边界层演变描述不同，构造出具有不同大气边界层结构的初始场，导致不同的模拟结果。因此，在不同探空观测站点，分别统计了1km以下采用相同边界层方案的所有数值试验的12h预报平均误差，包括偏差与均方根误差（图2）。

图2 图1中D2区域所有站点水汽混合比（a）与温度（b）12h预报均方根误差（实线）与偏差（虚线）垂直廓线Fig.2 12－hour root mean square error（solid）and bias（dashed）vertical profile of water vapor mixing ratio（a）and temperature（b）in D2of Fig.1

就均方根误差而言，在边界层底层，YSU与MYNN（MY2.5与MY3）方案无论水汽还是温度均模拟较好，均方根误差小；但随高度增加，YSU方案明显优于MYNN方案，前者水汽混合比与温度模拟结果相对后者分别偏小0.25g·kg－1与0.5K左右，MY与QNSE方案模拟结果略大于YSU方案。从偏差来看，YSU方案模拟的水汽比实际偏低约0.1～0.2g·kg－1，而MYNN方案则偏高约0.4g·kg－1，MY与QNSE方案模拟结果略优于YSU方案；200m以下，MYNN方案模拟温度偏差最小，约0.2～0.3K，而MY与QNSE方案模拟结果偏差最大，可达到0.8K；200m以上，YSU方案模拟较好。

综合来看，YSU方案最优，MYNN方案次之，MY与QNSE方案最差，与雾区预报检验结果一致，而YSU方案在边界层底层的温度模拟需要改进，MYNN方案在整个边界层的水汽及中上部的温度模拟需要改进，而MY与QNSE方案尤其需要改进边界层底层的温度模拟。

4 参数化方案敏感性分析

4.1 微物理方案

对雾区预报的检验结果表明，固定一种边界层方案而选用不同的微物理方案所得到的模拟雾区几乎一致。为了更清晰地了解模拟雾区内的海雾浓度垂直结构的差异，选取YSU边界层方案，在图1中沿AB的垂直剖面内，进行云水混合比差异（图略）分析。

分析表明，Lin方案给出的云水混合比分布位于逆温层下，最大值约为0.6g·kg－1。从其他方案相对Lin方案的差异来看，它们的云水混合比空间分布一致。Kessler方案与Lin方案的差异在近海面为正值，而WSM5与TP方案给出云水混合比均较Lin方案偏小。不同方案模拟结果之间存在差异，但由于海面雾区诊断的标准为云水混合比不小于0.016g·kg－1，因此这些云水混合比差异基本不会导致海面雾区的差异。此外，考察海雾区域内全部为云水，没有雪、冰粒子等水物质。

除Kessler方案，其他微物理方案参数均包含云滴数（cloud droplet number，CDN）。前面所有试验中的微物理方案，均采用了WRF模式的缺省设置，即云滴数给定且不对其进行预报，如Lin方案中为100×106m－3。这里将海雾作为接海的云，那么雾中云滴数就是雾滴数，是表征海雾微物理特性的一个重要参数。为数不多的环黄海海雾观测表明，雾滴数存在明显的时空差异。文献［28－30］分别对青岛近海、浙江舟山海域与上海近海的海雾进行了观测，观测结果详见表3。

表3 环黄海海雾微物理特征观测［28－30］Table 3 Observed microphysical characteristics of sea fog around the Yellow Sea（from reference 28－30）

为进一步探究WRF模式海雾模拟结果对雾滴数的依赖性，以Lin方案为例，进行了两组雾滴数敏感性试验。在第1组试验中，只将雾滴数由原来的100×106m－3分别改为10×106m－3，20×106m－3，50×106m－3，200×106m－3和400×106m－3，同时预报过程中雾滴数为定值。第2组试验是在第1组试验的基础上，对雾滴数进行预报，雾滴数随时空变化。以图1中沿线AB垂直剖面内的云水混合比分布考察试验结果。

第1组试验的结果表明，尽管给定不同雾滴数数值，但不同试验预报的云水混合比之间几乎没有差异。由第2组试验结果可知，初始雾滴数越大，云水混合比越高。将试验结果与观测进行对比可以看出，当观测雾滴数较小时，其对应的云水混合比会有较大变化，试验预报结果与之存在较大的差异，总体偏高；当观测雾滴数大于100×106m－3时，雾滴数与云水混合比的对应与试验预报结果接近。因此，试验中如何设定雾滴数初值可得到与观测接近的模拟结果，还需要利用海雾微物理特征观测数据，进行敏感性试验加以确定。此外，除了雾滴数，雾滴半径也是很重要的参数，本文中均采用WRF模式的默认设置。

4.2 边界层方案

发生在海上大气边界层内的湍流过程对海雾的生成与演变至关重要，而湍流的刻画则取决于边界层方案。利用不同边界层方案的数值模拟结果，考察海雾、边界层高度与湍流强度三者联系。

某一格点处海面云水混合比不小于0.016g·kg－1则海雾出现，模拟时段内其出现次数之和与总模拟时次的百分比定义为此格点的海雾频次。MY2.5与MY3方案的模拟结果非常接近，因此图3中不同边界层方案对比仅给出后者。由图3可知，不同边界层方案模拟的黄海海域平均边界层高度区别很大。QNSE方案较高，超过250m；MY方案次之，在黄海北部可达200m以上；YSU和MY3方案较低，在150m以下，与黄海海雾的通常厚度相当。此外，海雾频次分布与边界层高度分布成反比，即高边界层对应低海雾频次，低边界层对应高海雾频次，如YSU和MY3方案的海雾频次可高达40%以上，MY3方案模拟结果局部甚至可达50%以上。而MY和QNSE方案最高仅为30%。这说明过高的边界层不利于海雾的发生与维持，过高的边界层一般由过强的湍流混合造成，不利于水汽在近海面的聚集，且逆温层结往往会遭到破坏［4］。

为了揭示MY，QNSE方案所模拟的边界层过高的原因，以海雾过程个例3为例，采用Lin方案，讨论边界层高度与湍流强弱之间的联系。湍流强弱以湍流动能表示，由于YSU方案采用一阶K闭合，无湍流动能预报变量，以梯度理查孙数（Ri）代替。图4、图5分别给出了沿图1中AB，采用YSU，QNSE边界层方案的24h与36h湍流动能、边界层高度与云水混合比模拟结果的垂直剖面，反映了边界层、海雾、湍流三者之间的对应关系。

图4为YSU方案结果，可以看到湍流区（Ri＜0.25）主要在近海面，这是海上水平风的垂直切变造成的；而云水混合比大值集中在雾顶，这归咎于雾顶的长波辐射。边界层高度与海雾雾区的时空变化保持一致，如图4a中海雾垂直范围、边界层高度与Ri分布都呈较为一致的阶梯状，边界层高度随湍流的发展而增高（图4b）。MYNN方案的结果与YSU方案类似（图略）。

QNSE方案模拟结果如图5所示。与YSU方案结果一样，海雾垂直结构与边界层高度的分布也保持一致（图5a），雾区内的湍流强度小于0.12m2·s－2；当边界层高度达到600m时，海雾消散，边界层内的湍流强度超过0.14m2·s－2，近海面达到了0.2m2·s－2（图5b）。MY 方案模拟结果与 QNSE方案类似，也表现为较强的湍流（图略）。已有黄海平流海雾形成机制的研究结果指出［2－4］，海上水平风垂直切变造成湍流混合，近冷海面大气内热量向下输送与湿度向上扩散，导致海雾发生与发展，这一过程是海雾形成的主要动力学机制。因此，合适的湍流强度是海雾生成与维持的必要条件。在暖湿气团流经冷海面形成逆温的稳定层结条件下，合适强度的湍流一方面使热量向下输送，暖气团降温成雾，另一方面湍流造成边界层缓慢增厚，海雾向上发展，厚度增加。然而，当湍流过强时，边界层高度迅速增加。这会导致逆温层结遭到破坏，热量不再向下输送；由于垂直混合，水汽弥漫于厚度快速增高的边界层内，湿度降低导致海雾消散。由此可见，QNSE方案和MY方案之所以模拟结果明显较差，是其边界层方案中对湍流刻画过强所造成的。

不同边界层方案所给出的边界层高度与湍流强度存在很大差异，而这些差异是导致预报结果优劣的主要原因。湍流强度适当时，所对应边界层高度一般较低，约为200m，有利于近海面水汽聚集，海雾会发展，YSU与MYNN方案所给出的湍流情形即为此类；而当湍流过强时，对应的边界层高度一般达到450m以上，不利于水汽在近海面聚集，同时较强的湍流造成的上下混合也会破坏海雾赖以生存的逆温层，不利于海雾生成或造成海雾消散，QNSE与MY方案的表现即为如此。

图3 不同边界层方案试验的平均边界层高度（阴影）与海雾频次（等值线，单位：%）水平分布Fig.3 Horizontal distribution of planetary boundary layer heights（shaded）and fog frequencies（contour，unit：%）forecasted by the experiments with different planetary boundary layer schemes

图4 海雾过程个例3的YSU方案模拟结果沿图1中AB的云水混合比（a）与Ri（b）垂直剖面（填充色表示Ri，红色表示0＜Ri≤0.25，黄色表示0.25＜Ri≤1，灰色表示Ri＞1；等值线表示云水混合比，单位：g·kg－1；蓝色粗实线表示边界层高度，单位：km）Fig.4 Vertical sections of cloud mixing ratio（a）andRi（b）along lineABin Fig.1 for the result from experiment with YSU scheme of example 3（the shaded denotesRi，red：0＜Ri≤0.25，yellow：0.25＜Ri≤1，gray：Ri＞1；contour denotes cloud mixing ratios，unit：g·kg－1；blue solid line denotos planetary boundary layer height，unit：km）

图5 同图4，但为QNSE方案（填充色为TKE分布）Fig.5 The same as in Fig.4，but it is for QNSE scheme（the shaded represents TKE distribution）

5 结论与讨论

本文基于WRF模式及其三维变化同化模块，以10次典型的大范围春季黄海海雾为研究对象，重点关注预报雾区，开展了春季黄海海雾WRF模式边界层与微物理方案的敏感性研究，得到如下主要结论：

1）WRF模式黄海海雾模拟结果对边界层方案敏感，对微物理方案敏感性相对较弱。统计结果表明，最佳边界层与微物理方案组合为YSU与Lin方案，最差为Mellor－Yamada与WSM5方案。

2）对于黄海海雾模拟结果而言，YSU与MYNN方案为最佳边界层方案，但不同个例模拟二者各具优势，因此对于某一具体海雾个例而言，所用边界层方案仍需在这两者之中选择最优。

3）Mellor－Yamada与QNSE边界层方案模拟的近海面湍流过强导致边界层过高，不利于海雾的发展与维持；而MYNN与YSU方案刻画的湍流强度与边界层高度适合海雾发展与维持。

本研究结论对于夏季海雾以及黄海沿岸局地海雾是否适用，需进一步研究。此外，如果进一步详细区分能见度1km之内的海雾，微物理方案中的雾滴数与雾滴半径等等参数可能非常重要。所以，借鉴已有陆地雾观测［31－33］与东海、南海海雾观测预报［34－39］的经验，加强黄海海雾的微物理特征的观测分析，改进微物理方案是将来必须重视且亟待解决的一个重要的科学问题。

［1］ 张苏平，鲍献文.近十年中国海雾研究进展.中国海洋大学学报：自然科学版，2008，38（3）：359－366.

［2］ 王彬华.海雾.北京：海洋出版社，1983：170－176.

［3］ 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.Adv Atmos Sci，2007，24（1）：65－81.

［4］ Fu G，Zhang S P，Gao S H，et al.Understanding of Sea Fog over the China Seas.Beijing：China Meteorological Press，2012：45－70.

［5］ 高山红，齐伊玲，张守宝，等.利用循环3DVAR改进黄海海雾数值模拟初始场.Ⅰ：WRF数值试验.中国海洋大学学报：自然科学版，2010，40（10）：1－9.

［6］ 高山红，张守宝，齐伊玲，等.利用循环3DVAR改进黄海海雾数值模拟初始场.Ⅱ：RAMS数值试验.中国海洋大学学报：自然科学版，2010，40（11）：1－10.

［7］ 刘宇迪，任景鹏，周鑫.散射计风场的三维变分对海雾数值模拟的影响.应用气象学报，2011，22（4）：472－481.

［8］ 李冉，高山红，王永明.直接同化卫星辐射数据的黄海海雾数值试验研究.中国海洋大学学报：自然科学版，2012，42（3）：10－20.

［9］ Hunt G E.Radiative properties of terrestrial clouds at visible and infrared thermal window wavelengths.Quart J Roy Meteor Soc，1973，99（420）：346－369.

［10］ Gao S H，Wu W，Zhu L L，et al.Detection of nighttime sea fog／stratus over the Huanghai Sea using MTSAT－1RIR data.Acta Meteor Sinica，2009，28（2）：23－35.

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

［12］ Stoelinga M T，Warner T T.Nonhydrostatic，mesobeta－scale model simulations of cloud ceiling and visibility for an east coast winter precipitation event.J Appl Meteor，1999，38（4）：385－404.

［13］ Roebber P J.Visualizing multiple measures of forecast quality.Wea Forecasting，2009，24（2）：601－608.

［14］ Zhou B B，Du J.Fog prediction from a multimodel mesoscale ensemble prediction system.Wea Forecasting，2010，25（1）：303－322.

［15］ Kain J S，Fritsch J M.A one－dimensional entraining／detraining plume model and its application in convective parameterization.J Atmos Sci，1990，47（23）：2784－2802.

［16］ Mlawer E J，Taubman S J，Brown P D，et al.Radiative transfer for inhomogeneous atmospheres：RRTM，a validated correlated－k model for the longwave.J Geophys Res，1997，102（D14）：16663－16682.

［17］ Lin Y L，Farley R D，Orville H D.Bulk parameterization of the snow field in a cloud model.J Climate Appl Meteor，1983，22（6）：1065－1092.

［18］ 王曼，李华宏，段旭，等.WRF模式三维变分中背景误差协方差估计.应用气象学报，2011，22（4）：482－492.

［19］ Parrish D F，Derber J C.The National Meteorological Center’s spectral statistical－interpolation analysis system.Mon Wea Rev，1992，120（8）：1747－1763.

［20］ 刘桂艳，高山红，王永明，等.台风外围下沉区大气波导成因的数值模拟.应用气象学报，2012，23（1）：77－88.

［21］ Hong S Y，Noh Y，Dudhia J.A new vertical diffusion package with an explicit treatment of entrainment processes.Mon Wea Rev，2006，134（9）：2318－2341.

［22］ Janjic＇Z I.The Step－Mountain Eta coordinate model：Further developments of the convection，viscous sublayer，and turbulence closure schemes.Mon Wea Rev，1994，122（5）：927－945.

［23］ Sukoriansky S，Galperin B，Perov V.Application of a new spectral theory of stably stratified turbulence to the atmospheric boundary layer over sea ice.Bound－Layer Meteor，2005，117（2）：231－257.

［24］ Nakanishi M，Niino H.An improved Mellor－Yamada level－3 model：Its numerical stability and application to a regional prediction of advection fog.Bound－Layer Meteor，2006，119（2）：397－407.

［25］ Kessler E.On the distribution and continuity of water substance in atmospheric circulations.Meteor Monogr，1969，32（10）：82－84.

［26］ Thompson G，Field P R，Rasmussen R M，et al.Explicit forecasts of winter precipitation using an improved bulk microphysics scheme.Part II：Implementation of a new snow parameterization.Mon Wea Rev，2008，136（12）：5095－5115.

［27］ Hong S Y，Dudhia J，Chen S H.A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation.Mon Wea Rev，2004，132（1）：103－120.

［28］ 杨连素.青岛近海海雾微物理结构的初步观测.海洋科学，1985，9（4）：49－50.

［29］ 徐静琦，张正，魏皓.青岛海雾雾滴谱与含水量观测与分析.海洋湖沼通报，1994，1993（2）：174－178.

［30］ 李子华，仲良喜，俞香仁.西南地区和长江下游雾的时空分布和物理结构.地理学报，1992，47（3）：242－251.

［31］ 张利民，石春娥，杨军，等.雾的数值模拟研究.北京：气象出版社，2002：1－11.

［32］ Niu Shengjie，Lu Chunsong，Yu Huaying，et al.Fog research in China：An overview.Adv Atmos Sci，2010，27（3）：639－662.

［33］ 李子华，刘瑞阳，杨军.辐射雾雾滴谱拓宽的微物理过程和宏观条件.大气科学，2011，35（1）：41－54.

［34］ 黄健.海雾的天气气候特征与边界层观测研究.青岛：中国海洋大学，2008.

［35］ 黄辉军，黄健，刘春霞.茂名地区海雾的微物理结构特征.海洋学报，2009，31（2）：17－23.

［36］ Yue Y Y，Niu S J，Zhao L J，et al.Chemical composition of sea fog water along the South China Sea.Pure Appl Geophys，2012，169（2012）：2231－2249.

［37］ 黄健，黄辉军，黄敏辉，等.广东沿岸海雾决策树预报模型.应用气象学报，2011，22（1）：107－114.

［38］ 张春桂，蔡义勇，张家春.MODIS遥感数据在我国台湾海峡海雾监测中的应用.应用气象学报，2009，20（1）：8－16.

［39］ 秦慰尊，张家康.宁波近海雾预报的研究.应用气象学报，1991，2（3）：325－330.

Sensitivity Study of WRF Parameterization Schemes for the Spring Sea Fog in the Yellow Sea

Lu Xue1）2）Gao Shanhong1）2）Rao Lijuan1）2）Wang Yongming1）2）

1）（Key Laboratory of Physical Oceanography，Ministry of Education，Ocean University of China，Qingdao266100）
2）（Key Laboratory of Ocean－Atmosphere Interaction and Climate in Universities of Shandong，Ocean University of China，Qingdao266100）

Sea fog is a water vapor condensation phenomenon，which happens in marine atmospheric boundary layer（MABL）.Low atmospheric visibility caused by sea fog brings huge threat to maritime transportation，fishery and oil－drilling operations.Therefore，it is becoming increasingly important and being paid more and more attention.In recent years，meso－scale atmospheric numerical modeling has become a dominant way for the mechanism study and numerical modeling of sea fog.

Previous studies on sea fog indicate that sea fog modeling is very sensitive to initial conditions，especially realistic representation of temperature and humidity profile in MABL.Besides initial conditions，turbulence process and cloud generating process are the other important aspects for sea fog modeling.In a meso－scale atmospheric numerical model，the turbulence process is described by planetary boundary layer（PBL）scheme，and the cloud generating process is determined by microphysics（MP）scheme.Due to the uncertainties of the modeling result and the complexities of turbulence and cloud microphysics processes，many options of PBL and MP schemes are available for choice focusing on different modeling purposes.

Based on the Weather Research and Forecasting （WRF）model and cycling three－dimensional variational method，sensitivity study of WRF PBL and MP schemes for the Yellow Sea fog is conducted，focusing on 10typical widely－spread sea fog cases.The result indicates that simulated sea fog area mostly depends on PBL scheme but little on MP scheme；density and depth of simulated sea fog are affected by MP scheme with cloud droplet number being predicted and how it is prescribed.The best combination of PBL and MP schemes is YSU and Lin，while the worst is Mellor－Yamada and WSM5.The Mellor－Yamada and QNSE scheme brings about much stronger turbulence simulation，resulting in much higher boundary layer，and therefore it’s not favorable to the development and maintenance of sea fog，while turbulence intensity and boundary layer height produced by MYNN and YSU schemes benefit sea fog developing.MYNN scheme can match YSU scheme in general，however，the latter performs better in most cases while the former is better in certain ones.In depth investigation is needed to tell whether MYNN or YSU PBL scheme is better for a given sea fog case.These information can provide hints to choose and improve PBL and MP schemes of WRF for the Yellow Sea fog numerical prediction system in the near future.

the Yellow Sea fog；microphysics scheme；PBL scheme；WRF sensitivity study

陆雪，高山红，饶莉娟，等.春季黄海海雾 WRF参数化方案敏感性研究.应用气象学报，2014，25（3）：312－320.

2013－07－09收到，2014－03－03收到再改稿。

国家自然科学基金项目（41276009），气象公益性行业（气象）科研专项（GYHY201106006）

＊通信作者，email：gaosh＠ouc.edu.cn