利用循环3DVAR改进黄海海雾数值模拟初始场*Ⅰ:WRF数值试验

高山红,齐伊玲,张守宝,傅 刚

(中国海洋大学物理海洋实验室,山东青岛266100)

利用循环3DVAR改进黄海海雾数值模拟初始场*Ⅰ:WRF数值试验

高山红,齐伊玲,张守宝,傅 刚

(中国海洋大学物理海洋实验室,山东青岛266100)

以如何提高黄海海雾数值模拟初始场质量为研究目的,利用WRF模式及其先进的3DVAR同化模块,设计并构建了循环3DVAR同化方案。以2006年3月6～8日的1次大范围黄海海雾过程为研究对象,利用该同化方案进行了一系列WRF数值模拟对比试验。模拟结果显示,循环3DVAR同化方案能有效改进黄海海雾数值模拟初始场质量,主要体现在增加低层大气温度层结构的稳定性与改变大气边界层下层的风场结构,从而导致海雾的模拟结果显著改善。研究结果表明进行海雾数值模拟时,必须高度重视其初始场质量。

黄海海雾;数值模拟;初始场;WRF模式;循环3DVAR

近30 a的国内海雾研究表明,我国近海为海雾多发区,总体趋势是南少北多[1-3]。其中,黄海是海雾发生最频繁的海域,也是研究相对集中且较为全面的海域。这些研究工作大致可以划分为:(1)海雾时空分布特征分析与海雾监测[2,4-7];(2)海雾微物理特征的观测分析[8-9];(3)沿岸海雾的统计预报[10-11];(4)海雾形成机制的研究[12-19],这些研究大多数关注气候学原因,而对黄海海雾的微物理过程、具体天气系统影响下的黄海海雾动力与热力过程等研究相当少,进一步的深入研究还必须在加强观测的基础上借助数值模拟手段。

Lewis et al.[20]对英美两国近百年的海雾研究历史进行了详细回顾,国外学者在通过大型外场观测试验①比较著名的为:CALSPAN:Cornell航空实验室与海军研究生院合作进行的美国California海岸外场试验CEWCOM:美国西海岸海洋与气象学合作试验Project Harr:海雾研究计划(Harr是苏格兰东北部海雾的当地叫法)获取大量的观测数据的基础上开展了海雾形成机制的数值模拟研究[22-23]。这些研究不仅丰富发展了早期的海雾形成机制的猜测[24-28],还发现了其他新机制,并且首次尝试了海雾的数值预报[30]。Lewis et al.[31]通过观测数据的细致分析揭示了快速变化天气系统对海雾演变的控制作用。Koraˇcin et al.[32-34]的数值模拟研究工作揭示了一些海雾形成过程中非常细致的动力与物理作用,特别是湍流与辐射的共同作用。相比之下,虽然黄海海雾的数值模拟研究起步较晚[12-13,17,35-36],但是已经蓬勃发展。

毋庸置疑,数值模拟已经成为研究与预报海雾的1种不可或缺的主要手段[20]。目前比较成熟的区域大气数值模式的动力框架与数值计算方案已经相当完美(如Fifth-GenerationMesoscaleModel,MM5;Weather Research and Forecasting,WRF;Regional Atmospheric Modeling System,RAMS),然而仍有3个主要问题将直接影响海雾的数值模拟质量,即边界层湍流方案,云微物理方案与初始场。已有的数值模拟研究工作表明:对于前面两者,在模式提供的众多选项中挑选合适的方案,可以对一些较典型的黄海海雾过程进行成功地模拟[17-18]。但当作者再次使用与Gao et al.[18]相同的模式分辨率与物理方案运行MM5,模拟其他典型黄海海雾个例时,却得不到较理想的结果。究其原因,极有可能是模拟初始场的质量问题所致。在常规观测数据非常有限,但非常规卫星数据日益增多的现状下,如何为海雾数值模拟提供高质量的初始场?本文以此为研究出发点,利用WRF模式及其先进的三维变分同化系统(3DVAR,Ver3.1.1)[37-38],设计并构建了通过多次3DVAR(循环3DVAR)方案,即同化一段时间之内多种观测数据,运用该方案改进黄海海雾数值模拟初始场。以2006年3月6～8日的1次大范围黄海海雾事件为研究对象,利用此同化方案进行了一系列数值模拟对比试验,并对其效果进行详细检验与分析。

1 循环3DVAR同化方案

1.1 观测数据

可供黄海海雾数值模拟使用的观测数据主要分为2类:固定站点的探空、地面与自动站等GTS(Global Telecommunication System)常规观测,在时间与空间上分布不均匀的飞机报与卫星遥感等观测。前者包括每12 h/次的探空(SOUND)、每3 h/次的地面(SYNOP)与船舶(SHIPS),以及1 h/次的自动站等观测(MOBIL)①观测数据分别来自:中国海洋大学气象系VSAT接收站、http://weather.cod.edu与http://www.atmos.albany.edu;后者中飞机报的时空分布取决于飞机航班及其航线(AIRCFT)②https://dss.ucar.edu/datazone/dsszone/ds337.0,卫星遥感包含反演的Quik-SCAT(Quick Scatterometer)海面风(QSCA T)③ftp://podaac.jpl.nasa.gov/pub/ocean_wind/quikscat/L2B/data、AIRS(Atmospheric Infrared Sounder)大气温度廓线④ftp://airspar1u.ecs.nasa.gov、SSMI(Special Sensor Microwave Imager)大气可降水量⑤ftp://ftp.ssmi.com/ssmi、GPS(Global Positioning System)温湿廓线等数据⑥http://cosmic-io.cosmic.ucar.edu/cdaac,以及卫星直接观测的辐射亮温⑦ftp://ftp.ncep.noaa.gov/pub/data/nccf/com/gfs/prod等数据。本文研究采用了所有能获取到的各种数据。

1.2 循环3DVAR流程

WRF模式与其数据同化模块WRFDA(WRF Data Assimilation,采用方法为3DVAR)只能在模拟初始时刻进行(单时次3DVAR),同化在此时刻前后3h或者更短时段之内的观测数据。由于同化窗较短,对于黄海海域而言,单时次3DVAR一般只能利用到很少的非常规观测数据,有时甚至没有。为了同化更多的非常规观测数据,同化时段应该延长,但是单时次3DVAR的同化窗最大不宜超过6h,因此本文设计了循环3DVAR同化方案来增加同化时段(见图1)。它的基本思路是利用前1次3DVAR的结果为WRF模式提供初始场,然后WRF模式积分到下一同化时刻接着进行后1次3DVAR,如此重复。1次3DVAR同化自己时间窗之内的数观测据,通过多次3DVAR就可以同化1个时间段的所有观测数据。循环3DVAR另外1个优点是扩展的同化时段恰好可供模式进行动力调整,从而有效地消除spin-up现象。

进行3DVAR同化时,必须事先给定背景场误差协方差(见图1中的be)。WRF-3DVAR本身提供了不依赖具体模拟区域与格点等模式设置的物理空间背景场误差协方差,它基于GFS(Global Forecast System)预报场作为模式背景场。经过作者大量的数值试验证实它不适合于黄海区域,所以本研究采用NCEP方法[39],直接利用背景场数据驱动WRF模式,以模拟时段为中心进行3周的模拟(每天进行2次24 h后报),然后根据模拟结果为所研究的海雾个例生成独自的特征值空间背景误差协方差。

图1 循环3DVAR流程Fig.1 Flowchart of cycling 3DVAR

2 海雾个例观测事实

2006年3月6 ～8日,黄海海域发生了1次大范围的海雾事件。本文利用MODIS(Moderate Resolution Imaging Spectroradiometer)及MTSAT-1R(Multi-functional Transport Satellite)可见光云图⑧MODIS、MTSAT-1R可见光云图分别来自http://modis.gsfc.nasa.gov与http://www.kma.go.kr获取海雾在白天的发展状态;借助双通道法[40-41]和文献[7]提出的黄海海雾双通道法判据,利用MTSAT-1R红外通道数据⑨MTSAT-1R红外数据来自http://weather.is.kochi-u.ac.jp,判据为红外4通道与1通道的差值在-5.5至-2.5℃之间判别出海雾在夜间的分布,而且还给出了黄海周边地面、岛屿以及海上船舶的水平能见度观测。综合这些信息,获得了此次海雾较为清晰的演变过程(见图2)[10]由于海雾与低层云很难区分,图中的海雾准确地讲应该为海雾/低层云。

图2 2006年3月6～8日海雾演变的卫星观测事实Fig.2 Satellite observation from 6 to 8 March,2006

表1 WRF模式设置Table 1 Specifications of the WRF model

3月6日上午1022LST(U TC+8),海雾已经在黄海西南部形成(见图2a);下午至整个夜间,雾区逐渐向南向东扩展(见图2b,c)。7日白天,海雾北部部分慢慢向东北方向漫延(见图2d),中午过后达到其旺盛阶段(见图2e,f),此状态至少一直维持到傍晚(见图2g)。7日夜间至8日凌晨,海雾北部部分缓慢向南退移(见图2h,i),虽然其原先的南部部分的上空已经被云覆盖(见图2g-i),但是根据图2.h中长江口以东海域的2个水平能见度<1 km的船舶观测可以断定此海域依旧存在海雾。

3 WRF数值试验

3.1 模式设置

本文借助WRF模式来模拟此次海雾过程。模拟区域设置如图3所示,启用了双重双向嵌套,让分辨率较高的内区(图3中D2区)覆盖了海雾演变范围。区域范围设置与模式各物理选项的选取见表1。

(图中给出了2006年3月6日0800LST时1000hPa面上FNL分析场(位势m);渤海西北面的高压(H)与黄海东南面的低压系统(L)在未来36 h内分别沿红色、绿色箭头所示的路径移动,两个相邻黑点之间的间隔为12 h。It also gives the potential height analysis(m)of FNL data at 0800LST on 6 March 2006;The high(H)north-western to the Bohai Sea and the low(L)south-eastern to the Yellow Sea will move in the next 36 h following the tracks indicated by the red and blue arrows,respectively.The interval between two neighboring dots is 12 h.)

FNL再分析数据①https://dss.ucar.edu/datazone/dsszone/ds083.2(Final Analysis Data of GFS,1(°)×1(°),每6 h/次)为初始时刻提供背景数据与时变侧边界,海温采用了NEAR-GOOS日平均数据②http://goos.kishou.go.jp/rrtdb/usr/pub/JMA/mgdsst(North-East Asian Regional Global Ocean Observing System,0.25(°)×0.25(°))。模式输出间隔为每1 h/次,对结果的分析主要依据内区的模拟输出数据。

3.2 试验设计

为了检验与分析循环3DVAR方案对黄海海雾模拟初始场质量的改进效果,设计了如下的4个数值模拟试验(见图4)。模拟起始时刻为2006年3月6日08LST,终止时刻为8日08LST,整个模拟时段为48 h。所有的数值试验均采用相同的区域设置、物理选项、背景场数据与海温数据。

(1)Exp-A:直接采用FNL背景场生成初始场,不同化任何观测数据;

(2)Exp-B:采用单时次3DVAR同化观测数据生成初始场,同化窗与总同化时段皆为6 h;

(3)Exp-C:采用6 h间隔的循环3DVAR同化观测数据生成初始场,每次3DVAR同化窗为6 h,总同化时段为18 h;

(4)Exp-D:采用3 h间隔的循环3DVAR同化观测数据生成初始场,每次3DVAR同化窗为3 h,总同化时段为18 h。

从图4中可以看到,为了让数值试验Exp-D总同化时段与Exp-C保持一致(即保证2个试验所用的观测数据一样),Exp-D首尾2次3DVAR的同化窗口做了适当的调整。3DVAR同化只针对最外层的区域(图3中的D1区)进行。表2给出了数值试验所用到的观测数据类型与水平分布数量。

图4 模拟试验中初始场形成方案Fig.4 Initial conditions schemes of the numerical experiments

表2 数值试验所同化的观测数据Table 2 Observations assimilated in numerical experiments

4 结果分析

4.1 模拟的海雾演变

依据Kunkel[48]提出的水平能见度经验公式,利用模拟的10 m高度云水含量计算出水平能见度,将其值<1 km的区域作为海雾雾区①对本个例而言,依据Kunkel公式得到的雾区与云水含量为0.1g/kg等值线分布区域基本一致与卫星云图进行比较,这是以往黄海海雾数值模拟结果检验经常采用的方法[17-18]。这种检验方式存在问题,因为海雾与低层云很难区分,卫星观测到的“雾区”是海雾与低层云顶部信息,如果存在低层云,云图会有虚假“雾区”。本文模仿卫星的“鸟瞰”方式,根据模拟结果中的云水含量计算出雾/低层云顶部高度,将其水平空间分布认为是雾/低层云区域,这样便于与卫星云图进行有效地直接比较。所用的判据是云水含量②与采用0.05 g/kg所得结果差异很小。观测表明海雾平均含水量一般为0.01～0.2 g/m3>0.1 g/kg且高度<600 m。

图5详细地列出了依据4个数值试验模拟结果所诊断得到的海雾/低层云顶部高度的水平分布,同时还绘出了10 m高度云水含量>0.1 g/kg的区域(等值线分布),这两者重叠的区域基本上可以看成雾区,而其他部分为低层云区。将图5与海雾观测事实(见图2)进行比较后发现:

(1)比较图5eA与图2f,图5fA与图2g,可以看出Exp-A的结果与观测相差较远,模拟的海雾雾区明显整体偏小,特别是没有体现出3月7日午后海雾旺盛期的发展。

(2)Exp-B的结果与Exp-A相比有很大程度的改进,模拟的海雾雾区明显整体变大;3月7日海雾发展至旺盛期的过程基本上被再现(分别比较图5cB,dB,eB与图2c,d,f),但旺盛期的雾区还是与观测有不少的差距(分别比较图5eB,gB与图2f,h)。

(3)Exp-C与Exp-D都较好地‘再现了海雾在6～8日的整个演变过程(逐一对比图5b-dC,e-gC与图2b-d,f-h;图5b-dD,e-gD与图2b-d,f-h),尤其抓住了海雾旺盛期的发展,而且模拟的海雾雾区与观测非常接近。

(4)无论雾区还是10 m高度0.1 g/kg的云水含量分布,Exp-C与Exp-D的结果基本一致;由于缺乏更详细的观测数据,无法断定谁更优,但从理论上讲,循环时间间隔越小结果应该越好。因此,如果观测数据在时间分布上比较密集,应该采用较小的时间间隔。

4.2 初始场的改进

4个数值试验用了完全相同的时变侧边界与模式设置,它们模拟结果之间的差别无疑是由它们不同的初始场质量所导致的。由于Exp-C与Exp-D结果相差无几,这里只针对前3个数值试验进行分析。

图6 数值试验Exp-B(a)与Exp-C(b)相对试验Exp-A的初始场增量Fig.6 Increments of initial conditions of Exp-B minus Exp-A(a)and Exp-C minus Exp-A(b)

这里分析了1 000,950与925 hPa高度上,Exp-B与Exp-C分别相对于Exp-A在初始场时刻(3月6日0800LST)的风、温度与水汽混合比的增量(见图6,只给出了1 000 hPa的结果)。后者的增量(图6b)较前者(图6a)在分布上明显呈现出细结构特征,这显然是模式动力调整的结果,因为Exp-C在形成初始场之前累计进行了12 h的积分。对海雾发生的黄海中西部与东海北部海域而言,两者存在2个共同点:(1)风场改进明显,在1 000,950 hPa风速增量达到5～6 m/s,西风与南风增量显著,表现出清晰的辐合特征;(2)1 000,950 hPa温度降低而925 hPa温度升高,导致大气层结稳定性增强。然而两者在水汽混合比增量上有较大的差异,前者增量很小,而后者较大,可达1～1.5 g/kg。

为了更清楚地刻画增量的垂直分布,顺着图6a中S-N线(沿123°E)给出了海面至2 km的垂直剖面(见图7b,c)。图7b,c很清楚地揭示出3DVAR同化改进了海上大气边界层的层结结构,其上层增温减湿,而下层降温增湿。循环3DVAR改进的幅度明显比单时次3DVAR大(比较图7c与图7b)。在背景场本身为逆温的情形下(见图7a),这种改进更有利于海雾的形成与发展。此外,图7b与图7c的左下部分显示东海西部整个500 m以下的大气边界层内,南风增量相当显著,这加大了南部的暖湿平流向北输送。

图7 初始场时刻沿图6a中S-N线的的垂直剖面Fig.7 Vertical sections at initial time along the S-N line shown in Fig.6a

图8 2006年3月7日1400LST时试验Exp-C给出的1 000 hPa形势(等值线,位势m)与海雾顶部高度(填充色,m)Fig.8 Potential heights(contours,m)at 1 000 hPa and fog top heights(shades,m)of the Exp-C at 1400LST 7 March,2006

本次海雾的发展受快变天气系统的支配非常明显,它的发展与图4中所示的浅薄高、低压系统的移动密切相关。首先是高压系统给黄海区域带来的西南向冷空气导致了逆温层结(见图7a),接着它沿东南方向移动到黄海中部时,促进海雾在其南部与西部的海域发展(见图8)。进一步的细致研究表明,循环3DVAR同化对初始场的改进会微弱改变此高压系统的强度与发展速度,从而影响海雾的发展。图8显示在3月7日1400LST,Exp-C相对于Exp-A在黄海中西部造成2～3 m/s的偏西风增量,导致海雾向东北扩展(比较图5eA与图5eC)。

5 结论

本文在WRF模式及其3DVAR同化系统的基础上,设计了循环3DVAR同化方案,并对1个受快变天气系统支配的大范围黄海海雾过程进行了一系列数值模拟对比试验。结果表明:

(1)WRF模式配以YSU边界层方案与Lin微物理方案可以胜任典型黄海海雾过程的数值模拟。

(2)与单时次3DVAR相比,循环3DVAR能有效提高黄海海雾数值模拟初始场质量,从而明显地改善海雾的模拟结果,使其与卫星云图观测事实非常接近;改进主要体现在增加低层大气温度层结的稳定性与改变大气边界层下层的风场结构。

(3)在进行黄海海雾数值模拟时,改进初始场质量十分重要与必要,循环3DVAR可以作为一种有效的改进手段。

尽管循环3DVAR同化方案及其流程是基于WRF模式,但是它可以完全独立出来成为一个区域大气数据同化系统。它生成的初始场经过水平地图投影与垂直坐标转换之后,可直接用作其它大气数值模式的初始场。此外,如果在数值后报试验中将它运用于整个数值模拟时段,那么就可以同化尽可能多的观测数据,形成高时空分辨率的高质量区域大气再分析场,为理论研究与实际应用服务。

致谢:向FNL数据、NEAR-GOOS海温数据、MTSA T-1R卫星云图数据以及各种观测数据的管理与发布机构(如NCEP,NOAA,NASA,KMA,日本高知大学等)表示诚挚的谢意。

the formation of sea fog in the Huanghai Sea[J].Acta Oceanologia Sinica,2006,25:49-62.

[17] Fu Gang,Guo Jingtian,Xie Shang-Ping,et al.Analysis and high-resolution modeling of a dense sea fog event over the Yellow Sea[J].Atmospheric Research,2006,81:293-303.

[18] Gao Shanhong,Lin Hang,Shen Biao,et al.A heavy sea fog event over the Yellow Sea in March 2005:analysis and numerical modeling[J].Advances in Atmospheric Sciences,2007,24:65-81.

[19] Zhang Suping,Xie S P,Liu Q Y,et al.Seasonal variations of Yellow Sea fog:Observations and mechanisms[J].J Climate,2009,22:6578-6772.

[20] LewisJ M,Koraˇcin D,Redmond K T.Sea fog research in the U-nited Kingdom and United States[J].Bull Amer Meteor Soc,2004,85:395-408.

[21] Oliver D,Lewellen W,Williamson G.The interaction between turbulent and radiative transport in the development of fog and low-level stratus[J].J Atmos Sci,1978,35:301-316.

[22] Nicholls S.The dynamics of stratocumulus:Aircraft observation and comparison with a mixed layer model[J].Quart J Roy Meteor Soc,1984,110:783-820.

[23] Findlater J,Roach W,McHugh B.The haar of north-east Scotland[J].Quart J Roy Meteor Soc,1989,115:581-608.

[24] Taylor G I.The formation of fog and mist[J].Quart J Roy Meteor Soc,1917,43:241-268.

[25] Byers H.Summer sea fogs of the central California coast[J].Publ Geogr,1930,3:291-338.

[26] Anderson J.Observations from airplanes of cloud and fog conditions along the southern California coast[J].Mon Wea Rev,1931,59:264-270.

[27] Petterssen S.On the causes and the forecasting of the California fog[J].J Aerosp Sci,1936,3:305-309.

[28] Petterssen S.On the causes and the forecasting of the California fog[J].Bull Amer Meteor Soc,1938,19:49-55.

[29] Leipper D.Fog development at San Diego,California[J].J Mar Res,1948,7:337-346.

[30] Ballard S,Golding B,Smith R.Mesoscale model experimental forecasts of the haar of northeast Scotland[J].Mon Wea Rev,1991,119:2107-2123.

[31] Lewis J M,Koraˇcin D,Rabin R,et al.Sea fog along the California coast:Viewed in the context of transient weather systems[J].J Geophys Res(Atmos),2003,108(D15):4457.

[32] Koraˇcin D,Lewis J,Thompson W T,et al.Transition of stratus into fog along the California coast:Observation and modeling[J].J Atmos Sci,2001,58:1714-1731.

[33] Koraˇcin D,Leipper D F,Lewis J M.Modeling sea fog on the U.S.California coast during a hot spell event[J].Geofizika,2005,22:59-82.

[34] Koraˇcin D,Businger J A,Dorman C E,et al.Formation,evolution,and dissipation of coastal sea fog[J].Boundary-Layer Meteorology,2005,117:447-478.

[35] 傅刚,张涛,周发琇.一次黄海海雾的三维数值模拟研究[J].青岛海洋大学学报:自然科学版,2002,34:720-726.

[36] Fu Gang,Guo Jingtian,Pendergrass Angeline,et al.An Analysis and Modeling Study of a Sea Fog Event over the Yellow and Bohai Seas[J].J Ocean Univ Chin,2008,7:27-34.

[1] 王彬华.海雾[M].北京:海洋出版社,1983:352.

[2] 周发琇,刘龙太.长江口及济洲岛临近海域综合调查报告(第七节,海雾)[J].山东海洋学院学报,1986,16:115-131.

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

[4] 井传才.青岛海海雾的初步分析[J].气象,1980,65:6-8.

[5] 赵永平,陈永利,王丕诰.黄、东海海雾过程及其大气和海洋环境背景场的分析[J].海洋科学集刊,1997,38:69-79.

[6] Cho Y K,Kim M O,Kim B C.Sea fog around the Korean Peninsula[J].J Appl Meteor,2000,39:2473-2479.

[7] Gao Shanhong,Wu Wei,Zhu Leilei,et al.Detection of nighttime sea fog/stratus over the Huanghai Sea using MTSAT-1R IR Data[J].Acta Oceanologia Sinica,2009,28:23-35.

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

[9] 徐静琦,张正,魏皓.青岛海雾雾滴谱与含水量观测与分析[J].海洋湖沼通报,1994,16:174-178.

[10] 胡基福,郭可彩,鄢利农.应用模式输出统计作海雾出现判别预报[J].青岛海洋大学学报:自然科学版,1996,26:439-445.

[11] 梁卫芳,侯忠新.青岛大雾的特征与预报[J].山东气象,2001,84:11-17.

[12] 胡瑞金,周发琇.海雾过程中海洋气象条件影响数值研究[J].青岛海洋大学学报:自然科学版,1997,27:282-290.

[13] 胡瑞金,周发琇.海雾生成过程中平流、湍流、辐射效应研究[J].青岛海洋大学学报:自然科学版,1998,20:25-30.

[14] 周发琇,王鑫,鲍献文.黄海春季海雾形成的气候特征[J].海洋学报,2004,26:28-37.

[15] 张红岩,周发琇,张小惠.黄海春季海雾的年际变化[J].海洋与湖沼,2005,36:36-42.

[16] Huang Jian,Zhou Faxiu.The cooling and moistening effect on

[37] Barker D M,Huang W,Guo Y R,et al.A three-dimensional variational data assimilation system for MM5:Implementation and initial results[J].Mon Wea Rev,2004,132:897-914.

[38] Skamarock W C,Klemp J B,Dudhia J,et al.A Description of the Advanced Research WRF Version 3[R].Boulder,Colorado,USA;NCAR/TN-475+STR,2008:125.

[39] Parrish D F,Derber J C.The National Meteorological Center’s Spectral Statistical-interpolation Analysis System[J].Mon Wea Rev,1992,120:1747-1763.

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

[41] Eyre J R,Brownscombe J L,Allam R J.Detection of fog at night using advanced very high resolution radiometer[J].Meteor Mag,1984,113:266-271.

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

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

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

[45] 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].J Geophys Res,1997,102:16663-16682.

[46] Dudhia J.A multi-layer soil temperature model for MM5[C].Boulder Colorado:Sixth Annual PSU/NCAR Mesoscale Model Users’Workshop,1996:49-51.

[47] Chen F,Mitchell K,Schaake J,et al.Modeling of land surface evaporation by four schemes and comparison with FIFE observations[J].J Geosphys Res,1996,101:7251-7266.

[48] Kunkel B.Parameterization of droplet terminal velocity and extinction coefficient in fog models[J].J Appl Meteor,1984,23:34-41.

Initial Conditions Improvement of Sea Fog Numerical Modeling over the Yellow Sea by Using Cycling 3DVAR PartⅠ:WRF Numerical Experiments

GAO Shan-Hong,QI Yi-Ling,ZHANG Shou-Bao,FU Gang
(Physical Oceanography Laboratory,Ocean University of China,Qingdao 266100,China)

From the view of improving initial conditions of sea fog modeling over the Yellow Sea,a cycling 3DVAR data assimilation scheme is designed based on WRF model and its 3DVAR module.By using this scheme,a series of WRF numerical experiments of a heavy sea fog event over the Yellow Sea from 6～8 March,2006 are conducted to evaluate its performance.The results show that the scheme can greatly improve the numerical modeling initial conditions,which results in a much better simulated sea fog coverage compared to satellite observations.The improvements of initial conditions are mainly embodied in strengthening layer stability of the whole marine atmospheric boundary layer(MABL)and modifying winds of lower MABL.This study indicates obviously that it is very important and necessary to improve initial conditions,as much as possible,for sea fog numerical modeling over the Yellow Sea.

sea fog over the Yellow Sea;numerical modeling;initial conditions;WRF model;cycling 3DVAR

P426.4

A

1672-5174(2010)10-001-09

国家自然科学基金项目(40706004,40675060);国家科技部项目(2005CB422301,2006AA09Z151);中国气象局行业公益专项基金项目(GYHY200706031)资助

2010-03-19;

2010-04-25

高山红(1972-),男,副教授。E-mail:gaosh@ouc.edu.cn

责任编辑 庞 旻