基于WRF和一维雾模式的能见度集合预报的个例研究

滕华超，杨军，刘端阳，郑炜

(南京信息工程大学大气物理学院，江苏南京，210044)

基于WRF和一维雾模式的能见度集合预报的个例研究

滕华超，杨军，刘端阳，郑炜

(南京信息工程大学大气物理学院，江苏南京，210044)

利用WRF(weather research and forecasting)中尺度模式为一维辐射雾模式PAFOG提供扰动场，构建了一个有30个成员的辐射雾集合预报系统。对2007年12月13—14日南京地区一次典型辐射雾过程进行了预报效果分析，结果表明:该方法在地面能见度预报及雾层垂直结构预报上均好于实际探空作为初始场的单一预报结果;模式启动时刻对预报结果有较大影响，由于辐射雾多发生在夜间，且模式需要一定时间达到稳定，本方法中一维模式在14:00启动预报效果最好，集合预报成员与实测值的标准差平均值为0.516 km，集合平均值的平均预报绝对误差为0.287 km。

辐射雾;数值模拟;集合预报;南京

数值模拟是雾的主要研究手段之一，计算机技术的进步极大地帮助了人们对雾生消机制的认识。在各种类型的雾过程中，辐射雾发生频率高，人们对其研究也最多。一维模式对计算条件要求较低，对影响雾生消发展的物理过程可以有更详细的数学描述。国内外学者利用一维模式对辐射雾生消机制进行了大量数值模拟工作，为雾的预警预报提供理论基础 (Zdunkowski and Nielsen，1969;Brown and Roach，1976;周斌斌，1987;Musson-Genon，1987;Bott et al.，1990;Duynkerke，1991;尹球和许绍祖，1993;Bott and Trautmann，2002;Niu et al.，2010a，2010b)。利用一维模式进行辐射雾预报的难点之一在于提供精确的模式初始条件，很多学者的研究结果表明:初始条件的准确性在很大程度上影响模式的预报结果(Musson-Genon，1987;Fitzjarrald and Lala，1989;Ballard et al.，1991;Guédalia and Bergot，1994;Bergot et al.，2005)，尤其在高相对湿度条件下，温湿的微小误差都可能导致截然不同的预报结果。一维模式的另一个缺陷是假设各变量在水平方向均匀分布，不考虑水平平流效应，这在复杂地形下将引入相当大的误差(Guédalia and Bergot，1994;Müller et al.，2007)。即使在易发生辐射雾的天气条件下，准确预报雾的生消时间也非常困难(Müller et al.，2007)。

Ballard et al.(1991)第一次尝试用中尺度模式进行海雾数值模拟，指出模式初始条件和垂直分辨率的重要性。随后，国内外不少学者开始使用中尺度模式进行雾的数值模拟研究(樊琦等，2004;Pagowski et al.，2004;董剑希等，2006;Hikari et al.，2008;何晖等，2009;Shi et al.，2010)，取得了大量研究成果。但是，中尺度数值模式的时空分辨率和大量参数化方案的使用对于局地性很强的雾过程的模拟和预报有一定限制;而且中尺度模式通常需要一段时间达到“自稳定”状态，COST 722项目(欧共体科学技术合作计划)研究结果显示，三维模式启动时间也会严重影响雾的模拟结果(Gultepe et al.，2007)。因此，在现行的数值天气预报模式中，雾还不是直接预报产品(Zhou and Du，2010)。

一些研究将一维模式、三维模式和观测数据耦合进行雾预报，取得了较好的结果。Guédalia and Bergot(1994)受Musson-Genon启发，利用法国中尺度模式PERIDOT驱动一维模式COBEL，对发生在法国里尔市的三场雾过程进行数值模拟研究，并将结果与观测资料对比，成功模拟了其中两场雾过程。Clark and Hopwood(2001)利用三维模式驱动一维模式进行数值模拟研究，认为地表交换过程对雾的生消时间及雾层厚度有明显影响。

数值模式的初始场只是真实大气状态的一个近似可能值，实际大气状况不可能被精确地分析出来，数值预报结果仅仅是实际大气的一个可能的解。Epstein(1969)为解决这一问题在理论上提出了集合预报的雏形——动力随机预报。在集合预报中，每一个成员都有相同的机率代表真实大气状态，当成员足够多时，大气的真实状态在大多数情况下应该被包含在预报的集合中。对某个特定预报对象，可以得到其发生的相对概率，概率分布包含了该集合系统所能提供的所有信息，最大程度的包含了实际大气可能发生的情况。

本文利用中尺度模式WRF和一维辐射雾模式PAFOG，以2007年12月13—14日发生在南京的一场典型辐射雾为例，采用随机扰动法进行预报，讨论了局地辐射雾过程的集合预报可行性和预报能力。

1 雾过程与方法介绍

1.1 辐射雾过程

2007年12月 12日白天，江苏、安徽、湖北、湖南及河南等地受冷暖气团交汇影响，产生降水，为雾的形成提供了充足的水汽条件。13—14日受冷高压控制，静风;在原降水区域形成大范围浓雾(图1)。南京于13日22:00(北京时间，下同)开始出现雾，14日凌晨发展为能见度小于500 m的浓雾，江苏省气象台发布大雾黄色预警，大雾持续到上午10:00以后才逐渐消散。本文所用数据的观测地点为南京信息工程大学观测场。

图2a为雾发展过程中观测地点相对湿度时间—高度剖面，阴影部分(HR＞95%)表示雾区;图2b为观测地点13—14日2 m高度上能见度、气温及风速随时间变化。13日17:00以后随着地面辐射降温作用增强，地面气温降温率达到1.8℃/h，风速迅速降低至0.2 m/s，地面相对湿度开始增大;22:00能见度降至1 000 m左右，风速进一步减小。随着地面辐射降温过程的继续，14日01:00—03:40能见度维持在500～600 m。随后气温继续降低的同时，能见度迅速下降，在06:00—10:00形成能见度低于50 m的强浓雾;日出以后在太阳辐射的作用下，气温、风速明显增大，能见度升至1 000 m以上，雾体消散。杨军等(2010)对此次雾过程的生消机制进行了详细地分析，结果表明:此次雾过程首先由地面辐射冷却形成贴地雾层，而后在低空冷平流的作用下形成低云。发展过程中近地雾层不断抬升，低云不断向下发展，近地层雾体爆发性发展后上下雾体贯通形成深厚雾层。

图1 2007年12月14日08:00能见度分布(Δ代表能见度低于50 m;·代表能见度介于50 m和500 m之间;+代表能见度介于500 m和1 000 m之间;实线、断线、短虚线分别为500 m、1 000 m、5 000 m等值线;* 为观测地点)Fig.1 Surface visibility distribution at 08:00 BST 14 December 2007(the symbols of Δ，·and+denote observed visibility for the ranges of＜50 m，50—500 m，0.5—1 km，respectively.contours:solid line at 0.5 km，dashed line at 1 km，short dotted line at 5 km;* indicates the observation location)

1.2 一维辐射雾模式

1-D辐射雾模式PAFOG是在微物理模式MIFOG(Bott et al.，1990)的基础上发展而来，包括4个模块:动力模块、微物理模块、辐射模块及植被模块。Bott et al.(1990)用为期45 d涵盖9种天气类型的试验方案对PAFOG进行效果验证，其中41 d预报的天气类型与实际情况一致(Bott and Trautmann，2002)。其主要特点如下:

1)湍流计算上采用 Mellor and Yamada(1974)2.5阶闭合方案;辐射方案采用二流近似法(Zdunkowski and Panhans，1982)，短波光谱段(0.28～6 μm)划分为四个谱段，每个谱段内均考虑水汽、臭氧、气溶胶及云滴的散射和吸收作用;在红外谱段(3.5 ～100 μm)除大气光谱区(8.75 ～12.25 μm)外，通过给定吸收系数来考虑气体、气溶胶和云滴的吸收作用。

2)加入一个详细的植被模块，可以考虑不同类型植被在辐射雾发展演变过程中的作用;并且考虑了植被与雾滴沉降的关系。模式中将冠层作为空气与叶片的混合层，将土壤作为干空气、水汽、液水以及土壤基质的混合物，并假设植被根部吸收的水分与蒸发量相等。

3)模式垂直格点分为两层，下层:地面到Z1=200 m，等距划分为50层;上层:Z1到Z2=2 500 m，对数等距划分为20层。预报方程数值积分算法采用时间分割法，微物理方程只在下层模式区域计算。

图2 雾发展过程中相对湿度时间—高度剖面(a)及观测点2 m高度能见度(km)、气温(℃)及风速(m·s-1)(b)随时间变化Fig.2 (a)Time-altitude cross-section of observed relative humidity(HR，units:%)and(b)temporal evolution of observed visibility(km)，air temperature(℃)，wind speed(m·s-1)at 2 m above the ground during the fog event

1.3 中尺度模拟方案及环境场模拟结果

WRF(weather research and forecasting)是美国多家研究机构及大学联合开发的能同时适用于业务预报及理论研究的下一代中尺度数值模式，该模式支持高分辨率的非静力模拟和多种参数化方案，在局地尺度到天气尺度的多种天气类型的研究上有广泛的应用。

本试验中WRF采用双向三重嵌套网格，格距分别为27、9和3 km，垂直分层设为33层，1 000 m以下加密为16层，第一层离地面距离约为3～4 m。模拟区域如图3所示，中心经纬度为119°E、32°N。微物理方案选择WSM6。由于辐射雾发生时多为稳定层结，边界层方案分别选择QNSE方案和MYJ方案，这两个方案均为局地混合方案，热量、水汽只能在相邻层之间传输。辐射方案为CAM方案，该方案在计算过程中考虑了温室气体和气溶胶的影响。本文WRF初始场和边界条件由每6 h一次的FNL 1°×1°数据提供，其与全球预报系统GFS数据的区别在于FNL数据中通过全球数据同化系统(GDAS)同化了全球观测资料。

图3 模拟区域Fig.3 Simulation domains

图413 日14:00 观测(a，c)和模拟(b，d)的地面气温(单位:℃;实线)、露点温度(单位:℃;虚线)(a，b)以及比湿(c，d;单位:g/kg)Fig.4 (a，b)Surface temperature(units:℃;solid line)，dew-point(units:℃;dotted line)and(c，d)specific humidity(units:g/kg)distribution at 14:00 BST 13 December 2007 a，c.observation;b，d.simulation

图4为13日14:00地面气温、露点温度和比湿分布，其中a、c为地面常规观测结果，b、d为WRF模拟结果。对比图4a、b可以看出:在本次雾过程的主要雾区安徽东北部和江苏西南部，WRF模拟结果与实际气温都在7℃左右，露点温度均为0℃;对比c，d可以看出，雾区比湿模拟结果与实况一致，均为4～4.5 g/kg。但WRF模拟结果的梯度分布与实况存在较大偏差，说明WRF在模拟细节上有一定的局限性。

1.4 集合预报方

大气是一个高度非线性的系统，数值预报结果对初始条件的误差非常敏感(Lorenz，1965)。如果采用决定论式的单一预报，这个唯一解可能与真值相差很远，并且为模式提供精确初始条件是非常困难的。本文尝试利用中尺度数值模式为一维雾模式提供扰动场进行辐射雾集合预报，集合成员产生方法如图5所示。首先，WRF使用QNSE和MYJ两种局地边界层方案进行模拟，模式启动时间为13日08:00，积分30 h;然后，提取预报地所在格点A及其周边四个等距格点(图6)在PAFOG启动时刻及前后一个时次的温湿廓线分别作为初始条件。WRF模拟方案中的水平格距为3 km，在这五个格点上WRF是独立求解的，以预报地点廓线为基础，周边四个格点、三个时次的廓线为在此基础上叠加随机扰动后的扰动场，这样共可以得到2×5×3共30组初始条件，分别预报得到30个集合成员。

集合成员的生成办法是集合预报系统的难点，扰动初值的质量直接影响模式预报质量，产生扰动初值的基本原则为:1)扰动场特征与实际分析资料可能的误差分布较一致以保证每个初始场都可能代表大气实际状态;2)每个初始扰动场在模式中的演变方向尽可能大地发散以保证预报集合最大可能地包含实际大气可能状况(杜钧，2002)。用各成员与实测值的绝对误差来直观表现扰动场分布，用标准差来衡量初始场成员间的离散度，图7为PAFOG初始条件中气温、露点温度的绝对误差与标准差垂直分布，各层气温的绝对误差分布区间为［-2.5，1.5］℃，标准差为［0.12，1.55］℃;露点温度的绝对误差分布区间为［-5.5，2.0］℃，标准差为［0.55，1.33］℃，因此初始场集合成员之间存在一定的离散度。

图6 格点选取示意Fig.6 Sketch map of selected grid-points

辐射雾多发生在夜间，日出后消散。针对模式启动时刻对预报结果的影响，进行了四组敏感性试验:PAFOG启动时刻分别为13日11:00、14:00、17:00和20:00。试验四启动时刻雾在贴近地表层已形成，根据观测数据将初始雾高设为5 m。表1为四组试验的试验方案。

表1 敏感性试验设计方案Table 1 The design scheme of sensitive tests

图5 试验流程Fig.5 Flow scheme of the ensemble prediction system

图713日20:00PAFOG初始条件集合中气温(a)、露点温度(b)的绝对误差及二者标准差(c，d)垂直分布(单位:℃)Fig.7 The absolute error of(a)air temperature and(b)dew point，and standard deviation distribution of(c)air temperature and(d)dew point of PAFOG＇s initial condition members at 20:00 BST 13 December 2007(units:℃)

2 结果分析

2.1 PAFOG启动时刻对预报结果的影响

图8为四组试验中2 m高度上能见度集合预报结果，实心圆点为成员最大值、空心圆点为成员最小值、须状线分别代表第10%和90%位数，方框的上下限由25%和75%位数确定、方块为集合平均值。根据能见度随时间的变化情况将整个雾过程分为雾前、雾中和雾后三个阶段。从图中可以看到，四组试验均预报出了能见度的变化趋势;试验四将集合方法与实际探空预报结果进行对比，实际探空预报结果在雾消散时间上提前一个小时，集合平均值在雾消散时间上与实况一致。表2为四组试验中能见度集合预报结果与实测值在各时次的标准差，对比可知:四组试验标准差平均值分别为:1.251、0.516、0.77、0.702 km;试验2预报结果与实测值的偏差程度最小。表3为集合平均值、实际探空预报结果与实测值之间的绝对误差，四组试验在整个雾过程中的平均预报绝对误差分别为:1.151、0.287、0.676、0.494 km，在强浓雾阶段(能见度低于50 m)四组试验标准差平均值分别为:0.854、0.414、0.83、0.094 km;平均预报绝对误差分别为:0.796、0.244、0.77、0.082 km。根据雾的定义，本文将水平能见度小于1 km作为雾发生的判据，四组试验集合概率预报的Brier评分分别为 0.698、0.434、0.660、0.807。辐射雾多发生在夜间，且模式需要一定时间达到稳定，本方法选择14:00作为一维模式启动时刻效果最好。

图9为相对湿度大于95%的时间—高度剖面，数值表示相对湿度在某时间某一高度上预报结果大于95%的成员百分比。可以看到，在雾层垂直结构上，模式启动时刻越接近雾形成时间，预报结果越贴近实况。在近地层，试验2预报结果与实况最为接近，若以相对湿度预报结果大于95%作为雾判据，雾形成时间较实况滞后2 h，消散时间提前1 h。试验3预报结果体现了空中存在高湿区这一观测事实。试验1仅在14日05:00—08:00强浓雾时段内30 m高度以下有超过70%的成员预报有雾，与实际情况相差较大。试验2在13日23:30—14日10:00时段内80 m高度以下有超过70%的成员预报有雾，试验2在雾生消时间和垂直结构预报上均比试验1有明显提高。试验3预报结果在雾形成时间上滞后7 h，消散时间提前2 h。初始温度露点差廓线在600～800 m高度上存在低值区(图略)，在雾层垂直结构预报上与实况更接近。

2.2 集合预报结果与实际探空预报结果对比

图8d为集合方法与实际探空预报结果对比，在浓雾形成时(14日02:00，能见度低于500 m)有56.7%的成员预报结果低于500 m;强浓雾形成时(14日07:00，能见度低于50 m)所有成员预报结果低于100 m;雾消散后(14日12:00)能见度达到1 000 m以上，此时所有成员预报结果均大于1 000 m，但预报值普遍在3 000 m左右。取13日20:00实际探空数据作为初始场，雾形成时间与实况一致，但是浓雾形成时间提前了2 h，能见度迅速降低至100 m以下，并一直维持14日08:00，雾消散时间提前3 h。从表3中试验4结果中可以看出:集合平均值和实际探空预报结果的平均绝对误差分别为0.49、0.52 km。因此，集合预报方法优于单一预报结果。

图8 不同启动时刻下PAFOG在2 m高度上能见度集合预报结果 a.试验1;b.试验2;c.试验3;d.试验4Fig.8 1-D ensemble prediction of visibility at 2 m above the ground during the fog event with different initialization time a.Test 1;b.Test 2;c.Test 3;d.Test 4

表2 四组试验中能见度集合平均值与实测值之间的标准差Table 2 The standard deviation between ensemble mean and observed visibility in sensitive tests km

表3 集合平均值、实际探空预报结果与实测值之间的绝对误差Table 3 The absolute error between ensemble mean，the prediction of real radiosonde data and obs erved visibility km

图9 前三组试验中相对湿度大于95%的概率的时间—高度剖面(单位:%;阴影) a.试验1;b.试验2;c.试验3Fig.9 Time-altitude cross-section with probability of HR＞95%(units:%;shadings)in tests 1—3 a.Test 1;b.Test 2;c.Test 3

图10为试验4中相对湿度大于95%的概率时间—高度剖面及实际探空相对湿度预报结果，可以看出，以相对湿度大于95%作为雾判据，在13日23:00—14日08:00，100 m以下高度范围内雾发生的概率大于70%，即该时段内有70%以上的成员在此高度范围内预报有雾。在雾垂直结构上，与前三组试验相比预报结果更贴近实况，略优于实际探空预报结果。

图10 试验4相对湿度大于95% 的概率的时间—高度剖面(a;单位:%;阴影)及实际探空相对湿度(单位:%)预报结果(b)Fig.10 (a)Time-altitude cross-section with probability of HR＞95%(units:%;shadings)in Test 4 and(b)predicted HR(%)from real radiosonde data

3 结论

本文利用中尺度数值模式WRF为一维辐射雾模式PAFOG提供初始扰动场，构建了一个有30个成员的集合预报系统。对2007年12月13—14日发生在南京的一场典型辐射雾进行集合预报试验，并将试验结果与实际观测资料进行对比。

1)将集合预报结果与实际探空预报结果进行对比，结果表明:该集合预报方法在地面能见度预报及雾层垂直结构预报上均优于实际探空作为初始场的单一预报结果。

2)四组试验均没有体现雾层贯通这一观测事实，但试验3、4初始廓线在空中已存在高湿区，其预报结果在雾层垂直结构上更接近实况。

3)模式启动时刻对预报结果有较大影响，由于辐射雾多发生在夜间，且模式需要一定时间达到稳定，本方法中一维雾模式在14:00启动预报效果最好，集合预报成员与实测值的标准差平均值为0.516 km，集合平均值的平均预报绝对误差为0.287 km，与实况偏差最小。

董剑希，雷恒池，胡朝霞，等.2006.北京及其周边地区一次大雾的数值模拟及诊断分析［J］.气候与环境研究，11(2):175-184.

杜钧.2002.集合预报的现状和前景［J］.应用气象学报，13(1):16-28.

樊琦，吴兑，范绍佳，等.2004.珠江三角洲一次辐射雾的数值模拟［J］.气象科学，24(1):1-8.

何晖，郭学良，刘建忠，等.2009.北京一次大雾天气边界层结构特征及生消机理观测与数值模拟研究［J］.大气科学，33(6):1174-1186.

杨军，王蕾，刘端阳，等.2010.一次深厚浓雾过程的边界层特征和生消物理机制［J］.气象学报，68(6):998-1006.

尹球，许绍祖.1993.辐射雾生消的数值研究(I)数值模式［J］.气象学报，51(3):351-360.

周斌斌.1987.辐射雾的数值模拟［J］.气象学报，45(1):21-29.

Ballard S，Golding B，Smith R.1991.Mesoscale model experimental forecasts of the Haar of northern Scotland［J］.Mon Wea Rev，119(9):2107-2123.

Bergot T，Carrer D，Noilhan J，et al.2005.Improved site-specific numerical prediction of fog and low clouds:A feasibility study［J］.Wea Forecasting，20(4):627-646.

Bott A，Trautmann T.2002.PAFOG-A new efficient forecast model of radiation fog and low-level stratiform clouds［J］.Atmos Res，64(1/2/3/4):191-203.

Bott A，Sievers U，Zdunkowski W.1990.A radiation fog model with a detailed treatment of the interaction between radiative transfer and fog microphysics［J］.J Atmos Sci，47:2153-2166.

Brown R，Roach W T.1976.The physics of radiation fog:II-A numerical study［J］.Quart J Roy Meteor Soc，102(432):335-354.

Clark P A，Hopwood W P.2001.One-dimensional site-specific forecasting of radiation fog.Part I:Model formulation and idealised sensitivity studies［J］.Meteor Appl，8(3):279-286.

Duynkerke P G.1991.Radiation fog:A comparison of model simulation with detailed observations［J］.Mon Wea Rev，119(2):324-341.

Epstein E.1969.Stochastic dynamic prediction［J］.Tellus，21(6):739-759.

Fitzjarrald D R，Lala G G.1989.Hudson valley fog environments［J］.J Appl Meteor，28:1303-1328.

Guédalia D，Bergot T.1994.Numerical forecasting of radiation fog.Part II:A comparison of model simulation with several observed fog events［J］.Mon Wea Rev，122(6):1231-1246.

Gultepe I，Tardif R，Michaelides S C，et al.2007.Fog research:A review of past achievements and future perspectives［J］.Pure Appl Geophys，164(6/7):1121-1159.

Hikari S，Kundan L S，Akira K，et al.2008.Fog simulation using a mesoscale model in and around the Yodo River Basin，Japan［J］.Journal of Environmental Sciences，20(7):838-845.

Lorenz E N.1965.A study of the predictability of a 28 variable atmospheric model［J］.Tellus，17(3):321-333.

Mellor G L and Yamada T.1974.A hierarchy of turbulence closure models for planetary boundary layers［J］.J Atmos Sci，31(7):1791-1806.

Musson-Genon L.1987.Numerical simulation of a fog event with a onedimensional boundary layer model［J］.Mon Wea Rev，115(2):592-607.

Müller M D，Schmutz C，Parlow E.2007.A one-dimensional ensemble forecast and assimilation system for fog prediction［J］.Pure Appl Geophys，164(6/7):1241-1264.

Niu S J，Lu C S，Yu H，et al.2010a.Fog research in China:An overview［J］.Adv Atmos Sci，27(3):639-661.

Niu S J，Lu C S，Liu Y，et al.2010b.Analysis of the microphysical structure of heavy fog using a droplet spectrometer:A case study［J］.Adv Atmos Sci，27(6):1259-1275.

Pagowski M，Gultepe I，King P.2004.Analysis and modeling of an extremely dense fog event in southern Ontario［J］.J Appl Meteor，43:3-16.

Shi C，Yang J，Qiu M Y，et al.2010.Analysis of an extremely dense regional fog event in Eastern China using a mesoscale model［J］.Atmos Res，95(4):428-440.

Zdunkowski W，Nielsen B.1969.A preliminary prediction analysis of radiation fog［J］.Pure Appl Geophys，75(1):278-299.

Zdunkowski W，Panhans W.1982.A radiation scheme for circulation and climate models［J］.Beitr Phys Atmos，55:215-238.

Zhou B，Du J.2010.Fog prediction from a multi-model mesoscale ensemble prediction system［J］.Wea Forecasting，25:303-322.

(责任编辑:刘菲)

Ensemble forecast of visibility based on WRF and one-dimensional fog model:A case study

TENG Hua-chao，YANG Jun，LIU Duan-yang，ZHENG Wei
(School of Atmospheric Physics，NUIST，Nanjing 210044，China)

An ensemble fog forecast system was designed based on WRF and a high resolution numerical 1-D model called PAFOG，whose initial perturbation conditions were obtained from the simulation of WRF.Comparison between prediction and observation was made during a typical radiation fog event that occurred in Nanjing during 13—14 December 2007.The results show the ensemble forecast system is better than single forecast.By using this method，the predictions for both visibility on surface and vertical structure of fog are better than those utilizing the model only initialized by radiosonde observation.The initial time of simulation played an important role in prediction accuracy.Because most radiation fog occurs at night and it takes some time for the model to stabilize，the best time to start the one-dimensional model is 14:00.The standard deviation between ensemble member and observation is 0.516 and the absolute error of ensemble average is 0.287 km.

radiation fog;numerical simulation;ensemble forecast;Nanjing

P421.1

A

1674-7097(2014)01-0099-09

滕华超，杨军，刘端阳，等.2014.基于WRF和一维雾模式的能见度集合预报的个例研究［J］.大气科学学报，37(1):99-107.

Teng Hua-chao，Yang Jun，Liu Duan-yang，et al.2014.Ensemble forecast of visibility based on WRF and one-dimensional fog model:A case study［J］.Trans Atmos Sci，37(1):99-107.(in Chinese)

0 引言

随着社会经济的发展，雾害越来越突出，大雾带来的低能见度天气使水、陆、空安全事故频繁发生，提升雾预报能力对国民经济发展及人民生产生活有重要意义。雾的生消发展是微物理过程、热力学过程以及动力学过程相互作用的结果，早期雾预报主要以预报员的主观判断为主，预报准确率建立在预报员对雾生消机制及预报区域的天气、气候形势的充分认识和准确分析之上。在客观预报发展的初期，主观预报方法往往能获得更好的预报结果。随着计算水平的提高，数值预报和统计预报及二者结合的客观预报方法取得很大进步。

2011-05-02;改回日期:2012-01-12

公益性行业(气象)科研专项(GYHY200906012)

滕华超，硕士，研究方向为中小尺度数值模拟，2008thc@gmail.com.