EnKF集合同化下黄海海雾数值确定性预报初始场构造方法的探究*

郑 青 高山红

EnKF集合同化下黄海海雾数值确定性预报初始场构造方法的探究*

郑 青1, 2高山红1, 2①

(1. 中国海洋大学海洋与大气学院 青岛 266100; 2. 中国海洋大学物理海洋教育部重点实验室 青岛 266100)

在黄海海雾的数值模拟中, EnKF (ensemble Kalman filter)是一种优于3DVAR (three- dimensional variational)的数据同化方法。研究发现, 对EnKF初始场集合体采取常用的集合平均所产生的确定性预报初始场, 会出现初始场中海雾在预报开始后就迅速消失以及接下来海雾难以生成的异常现象。通过详细的海雾个例研究, 清晰地揭示并解释了此现象, 指出这是集合平均造成初始场中云水与温度湿度之间存在不协调关系所导致的后果, 并提出了一种择优加权平均方法来取代常用的集合平均。研究结果表明, 海雾确定性预报采用择优加权平均所构建的初始场, 可以消除上述异常现象, 显著改进海雾模拟效果。

黄海海雾; EnKF集合同化; 确定性预报; 初始场; 变量协调性

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, 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, 2000; Gao, 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, 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, 2004; Koračin, 2005a, b; Gao, 2007; Koračin, 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, 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, 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, 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, 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。

图1 海雾case-2018的雾区演变观测事实

图2 WRF模式区域

2.2 试验设计

海雾数值模拟不仅对初始场非常敏感(Lewis, 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。

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c≥0.016 g/kg以确定雾顶的高度top; 因为top极少超过400 m (Zhou, 2010), 若top≤400 m, 则该水平点属于模拟雾区, 且top为海雾厚度。

表1 WRF模式设置

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

图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

在初始场时刻, 存在海雾的模式格点处的云水含量c≥0.016 g/kg, 随着WRF模式积分, 海雾迅速消失后c肯定减小至0.016 g/kg之下。可以推断,c变为了水汽(Qvapor, 简记为v), 相对湿度(简记为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c,v,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5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),c减小了0.016—0.080 g/kg (图5c), 而v随之增加了0.016—0.080 g/kg (图5f),H增加的幅度不超过5%, 温度却下降了0.1—0.5 °C。

图4 敏感性试验的模拟雾区与观测雾区

图5 Exp-D初始场与模拟场在模式底层的分布及差异(模拟场减初始场)

注: 同一排的填色变量相同, 左、中、右列分别为初始场、积分1 min模拟场以及它们之间的差异

图6 5名随机成员(a—e)与集合平均(f)在模式底层的云水分布

注: S(34.6°N, 120.9°E)为观测雾区内一点

3 初始场生成方法的改进

3.1 择优加权平均

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POD)为模拟雾区的正报率(或击中率); FAR (false alarm ratio)评分(式中记作FAR)为误报率; Bias与ETS(equitable threat score)分别为雾区偏差评分(式中记作Bias)与公正预兆评分(式中记作ETS) (Doswell III, 1989; Zhou, 2010; Wang, 2014);为准确预报的点数目;为预报有雾的点数目;为观测有雾的点数目;为随机击中项;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:

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7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。

图8 €择优加权平均对比试验与观测雾区的比较

其中,Bias, i为Bias, 2相对于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。

表3 择优加权平均对比试验的雾区统计评分

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

注: POD为模拟雾区的正报率(或击中率); FAR为误报率; Bias与ETS分别为雾区偏差与公正预兆评分; 各评分为预报时段内逐时评分的平均结果, 括号内粗体数字代表相对于试验Exp-D的改进率

图9 择优加权平均对比试验初始场中模式底层云水分布

注: 打点区域为观测雾区范围; a中黑色框为选定区域平均范围

图10 择优加权平均对比试验与Exp-D云水与温湿值在模式底层区域平均值的比较

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

图11 模式6-h模拟与探空之间均方根误差RMSE (实线)和偏差bias (虚线)的垂直分布

图12 数值实验Exp-F和Exp-F_W10的模拟雾区与观测雾区的比较

图13 Exp-F_W10模拟的海面气温与浮标观测之间的偏差

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, 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, 2014; Gao, 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, 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*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。。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。

王彬华, 1983. 海雾. 北京: 海洋出版社, 352

王 彬, 2015. 海雾与陆雾数值模拟中气溶胶作用的对比研究. 青岛: 中国海洋大学硕士学位论文, 18—28

王静菊, 2017. 黄海海雾的AIRS数据同化与气溶胶效应研究. 青岛: 中国海洋大学硕士学位论文, 20—30

王静菊, 高小雨, 高山红, 2017. 一次黄海海雾的数据同化试验与形成机制研究. 海洋气象学报, 37(1): 42—53

史得道, 吴振玲, 高山红等, 2016. 海雾预报研究综述. 气象科技进展, 6(2): 49—55

李 冉, 高山红, 王永明, 2012. 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, 42(3): 10—20

杨 悦, 高山红, 2016. 黄海海雾WRF数值模拟中垂直分辨率的敏感性研究. 气象学报, 74(6): 974—988

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

张苏平, 鲍献文, 2008. 近十年中国海雾研究进展. 中国海洋大学学报, 38(3): 359—366

郭敬天, 2008. 海雾形成与发展机制的观测分析与数值模拟研究. 青岛: 中国海洋大学博士学位论文, 46—47

饶莉娟, 2014. YSU与MYNN边界层方案的黄海海雾模拟效果比较. 青岛: 中国海洋大学硕士学位论文, 31—48

高山红, 王永明, 傅 刚, 2014. 一次黄海海雾的集合预报试验. 中国海洋大学学报, 44(12): 1—11

高山红, 齐伊玲, 张守宝等, 2010. 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, 40(10): 1—9

傅 刚, 李鹏远, 张苏平等, 2016. 中国海雾研究简要回顾. 气象科技进展, 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

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

Koračin D, Dorman C E, 2017. Marine Fog. Cham, Switzerland: Springer, 537

Lewis J M, Koračin 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

*国家重点研发计划重点专项, 2017YFC1404200号; 国家自然科学基金, 42075069号; 山东省重点研发计划项目, 2019GSF111066号。郑 青, 硕士研究生, E-mail: zq551379@outlook.com

高山红, 教授, E-mail: gaosh@ouc.edu.cn

2021-03-09,

2021-04-13