黄海海雾数值模拟中多普勒雷达径向风数据同化试验*

王永明， 高山红

(中国海洋大学物理海洋教育部重点实验室，海洋与大气学院，山东 青岛 266100)



黄海海雾数值模拟中多普勒雷达径向风数据同化试验*

王永明， 高山红**

(中国海洋大学物理海洋教育部重点实验室，海洋与大气学院，山东 青岛 266100)

基于WRF(Weather Researchand Forecasting)模式及其3DVar(3-DimensionalVariational)模块，发展了一套多普勒雷达径向风数据的同化方案。针对2次黄海海雾个例展开了一系列同化效果对比数值试验，详细分析了同化雷达径向风数据对雾区产生改进的原因。研究结果表明：(1)仅同化常规观测数据不足以纠正初始场中海上大气边界层湿度偏干的状态，导致海雾模拟失败或雾区严重偏小，因此在同化多普勒雷达径向风数据之前，必须先同化从海雾卫星观测中提取的湿度信息；(2)同化多普勒雷达数据不仅显著地直接改进了近海面大气流场，而且会间接改善温度场，从而进一步提高海雾的模拟效果——2次海雾个例模拟雾区的ETS(Equitable Threat Score)评分改进率分别达到66.7%与62.1%；(3)黄海海雾数值模拟中首先要改进海上大气边界层的湿度与温度层结，在此基础上进一步改进近海面大气流场十分必要。

黄海海雾； 雷达径向风； WRF模式； cycling-3DVar

引用格式：王永明，高山红.黄海海雾数值模拟中多普勒雷达径向风数据同化试验[J]. 中国海洋大学学报(自然科学版), 2016, 46(8): 1-12.

WANG Yong-Ming, GAO Shan-Hong.Assimilation of Doppler Radar radial velocity in Yellow Sea fog numerical modeling[J]. Periodical of Ocean University of China, 2016, 46(8): 1-12.

海雾是发生在海上大气边界层内的一种灾害性天气现象，黄海是中国近海海雾发生最为频繁的海域之一[1-4]。目前国内已有的海雾数值研究[2, 5-13]绝大多数针对该海域展开，表明数值模拟是研究海雾成因与开展业务预报的有力工具。这些研究与以往的其他有关研究[14-22]皆指出，海雾数值模拟对初始场高度敏感。

黄海海雾以平流冷却雾为主，其发展受控于海上大气边界层结构的演变[1, 23-29]。然而海上常规观测数据严重缺乏，使得数值模拟初始场中很难刻画出海上大气边界层的准确结构，特别是温度与湿度结构。为改进黄海海雾数值模拟初始场质量，基于WRF(Weather Research and Forecasting)模式及其3DVar(3-Dimensional Variational)模块，高山红等[9-10]设计了cycling-3DVar同化方案。其该方案通过扩展同化时段(同化窗)，使得更多不同时次的观测数据被纳入同化窗，从而达到提高模拟初始场质量的目的。李冉等[30]利用cycling-3DVar方法直接同化了卫星辐射数据，改善了海上大气初值场的温度层结；Wang等[12]借助MTSAT(Multi-functional Transport Satellites)卫星数据反演得到黄海海雾雾体的三维空间信息，从中提取湿度信息，改进了高山红等[9-10]设计的cycling-3DVar方案，对此湿度信息加以同化，显著改进了海上大气边界层的湿度层结(后面简称此改进后的同化方案为cycling-3DVar-humidity)。

海雾平流冷却雾的发展受近海面大气流场的影响很大。一般来说，南向盛行风带来的暖湿气流为黄海海雾的生成提供了必要条件[1, 3, 11]。天气系统支配下的近海面大气流场会对海上大气边界层的水汽与温度分布状态产生直接影响。譬如，Wang等[12]研究了一次发生在2007年4月29日的山东半岛近岸黄海海雾个例，发现尽管可以通过同化MTSAT卫星反演得到的海雾湿度数据显著改善了模拟初始湿度状态，但是由于模拟的近岸海面西南风偏弱，导致雾区没有向东及近岸靠拢而持续维持于青岛近海甚至向南发展，海雾雾区比实际雾区明显范围偏大。刘宇迪等[31]利用3DVar方法同化卫星散射计海面风场来改进数值模拟初值场，试验结果表明，近海面大气流场的改进能影响温度层结与水汽分布，对海雾模拟结果有正效应。因此，海雾数值模拟中在改进温度与湿度层结的基础上，进一步改进近海面大气流场十分必要。

海上常规观测匮乏，而近岸站点的观测代表范围有限,因此需要寻找一种能有效反映海上大气边界层内流场分布的观测数据。卫星反演的海面风数据(例如Quick Scatterometer，QuikSCAT)虽具有较高的空间分辨率，但时间分辨率很低，每天同一地点最多只有2次观测；而且，其近岸风场数据可靠性较低[32]，基本不能利用。具有高时空分辨率的近岸多普勒雷达数据成为一种海上大气边界层信息的重要获取来源。目前多普勒雷达数据主要应用于短时强对流天气系统的观测与研究[33]，作者还未见到其在海雾数值模拟中的运用。多普勒雷达数据包括反射率与径向风两类，本文同化的是后者。未同化前者的原因是雾等未形成降水的云很难通过S波段雷达探测到[34]，也就是雷达回波无法体现雾滴的存在。

本文在Wang等[12]发展的cycling-3DVar-humidity基础上，针对典型黄海海雾个例，探究同化雷达径向风数据对海雾数值模拟初始场与结果的改进效果。

1　同化方法

1.1 数据质量控制

雷达径向风数据来自于青岛市气象局提供的多普勒S波段雷达(35°59′17″N，120°13′44″E)。此雷达工作时，采用VCP21的观测模式进行连续体积扫描观测，5～6 min内完成0.5°～19.5°的9层仰角扫描。探测范围半径为230 km，每条射线空间分辨率为1 km。

径向风数据的质量控制借助于ARPS[35-36](The Advanced Regional Prediction System)模式提供的模块(88d2ARPS；http://www.caps.ou.edu/ARPS/)。操作步骤如下：

(1)空间一致性检查。去除孤立点与孤立数据群，对与其周围点值差异超过30 m·s-1的点予以去除[37-38]。

(2)模糊速度点查找。若一点的脉冲对真实相移≥180°，认为该点可能为模糊速度的点。利用模式提供的背景场生成在雷达观测范围内的背景雷达数据，与观测的雷达数据进行对比，若背景场径向速度大于观测点的速度值，则得到存在模糊速度的点[39]。

(3)退模糊化处理。利用Nyquist速度Vn，修正模糊速度Va，得到雷达观测点经向风V。使用的公式为

V=Va+2NVn。

(1)

其中N为整数，其符号及取值取决于“门对门”的切变阈值，这里取值0.4Vn[40]。

(4)模式格点化处理。利用最小二乘法将整个体扫雷达数据插值到模式格点，其中水平方向采用二次方程，垂直方向采用线性插值，采用公式[41]

Vr=a0+a1x+a2x2+a3y+a4y2+a5xy+a6z。

(2)

其中：Vr为插值到格点的径向风速度；ai为多项式系数；x、y和z分别代表径向风速度V三个空间方向上的分量。

譬如，2007年4月28日20点03分青岛站0.5°仰角的雷达径向风原始数据(见图1(a))，经过以上流程中的(1)～(3)后得到结果(见图1(b))。对比图1(a)与1(b)，可以清楚地看到：经过质量控制之后，大量孤立的点被去掉，同时与周围点值差别比较大的点也悉数被剔除提。质量控制之后的雷达径向风的观测误差均方差设置为2 m· s-1，与Dowell等[42]，Xu等[43]，Xiao等[44]及Li等[39]所用一致。

图1　雷达径向速度(m·s-1)数据质量控制前(a)后(b)对比

1.2 数据同化方案

前面提及的cycling-3DVar的流程见图2a。图2a中be代表背景场误差协方差；0，n△t为同化时刻，例如△t时刻的数据同化窗为(0.5～1.5)△t，即在此时段之内的所有观测数据在△t时刻同化。cycling-3DVar-humidity的思路是将图2a中的一步3Dvar同化过程重复一次(见图2b)，同化所通过卫星反演所得到的海雾雾体湿度信息(记为“卫星反演海雾湿度数据”；具体参见Wang等[12])。在此基础上，又将3Dvar同化过程重复一次以同化雷达径向风数据，见图2c所示(记为cycling-3DVar-radar)。由图2可以看到，在每一次3Dvar的初始时刻，以前一步的预报场作为背景场。特别指出的是，必须首先运行一次3Dvar(见图2a中虚线所指；通常只同化常规观测数据*常规探空(12 h/次)与地面、船舶与岛屿观测数据(3 h/次，http://222.195.136.24/forecast.html)，以及卫星遥感反演的海面风数据(QSCAT)，大气温度廓线数据AIRS (Atmospheric Infra-Red Sounder, ftp://airsparlu.ecs.nasa.gov) 与大气可降水量数据SSMI (Special Sensor Microwave, ftp://ftp.ssmi.com/ssmi) ，特别地，还包括MTSAT卫星数据(Wang等[12])。, 即图2a中的obs)，

之后图2b与2c中的3Dvar可以单独控制，既可以只运行其一——在同化常规观测数据的基础上进一步只同化卫星反演海雾湿度数据或雷达径向风数据，也可以顺序运行两者来依次同化这2种数据。需要注意的是，同化雷达数据时，不能同时同化常规观测数据。这是因为，雷达单点数据的影响范围相对比较小，而利用NMC方法[45]得到的背景误差协方差表现的是较大尺度的误差分布结构[39]。因此，为了满足背景误差协方差对不同观测数据信息的传递尺度不同，需要对同化雷达数据时所用的背景误差协方差的水平尺度缩小；同化常规观测数据过程中，静态背景误差协方差的水平相关尺度系数为1.0，而针对雷达径向风数据的同化，此系数取0.1。

(obs代表常规观测数据;MTSAT-RH为“卫星提取海雾湿度数据”;be代表背景误差协方差；模块a的具体流程见高山红等[9];模块b详细介绍见Wang等[12]。obs is the routine observations; MTSAT-RH represents a “sea fog humidity sounding”; be is the background error co-variances; a detailed description of the modules a and b can be found in Gao et al.[9]and Wang et al.[12], respectively.)

图2雷达径向风数据同化模块流程

Fig. 2Flowchart of radial velocity data assimilation

2　海雾个例

考虑到雷达径向风数据影响范围主要局限于近岸海域(见图3中圆圈所示)，首先选取了一次靠近山东半岛近海的黄海海雾个例进行研究。出于对比研究的目的，又选取了1次范围较大的黄海海雾个例。它们分别发生于2007年4月29日与2013年5月5日(分别简记为2007个例与2013个例)。

(图中圆圈代表青岛站雷达观测的覆盖范围；QD与CST分别代表青岛站与成山头站。Coverage of Qingdao Doppler radar station is represented by the circle; QD and CST denote the locations for Qingdao and Chengshantou stations, respectively.)

图3区域设置

Fig. 3Domain configuration

2.1 2007个例

此次个例是Wang等[12]所研究过的小范围海雾个

例，图4是基于MTSAT多通道红外与可见光数据反演(详见Wang等[12])得到的自2007年4月29日0300 LST(UTC + 08)至29日1400 LST的雾区演变过程，海雾持续时间为11 h 。在午夜之后，青岛外海有小片海雾产生(见图4a)，该雾区沿着山东半岛南岸逐渐向东北方向移动并扩展(见图4b～f)。山东半岛位于黄海中部高压中心的西北方向(见图5a)，半岛近海盛行西南风，高压外围源源不断地将水汽自南向北输送，保证了这次海雾的水汽条件。

2.2 2013个例

2013年5月4日凌晨，山东半岛东南方向海域及江苏沿岸海域有零星海雾分布，在黄海中部高压西北部的西南向气流作用下，该雾区于4日白天在山东半岛东南方向海域发展(图略)。到4日夜间，受高压外围气流的影响，雾区逐渐脱离山东半岛并向朝鲜半岛移动，后逐渐向西南与南部扩展，至5日0800LST海雾达到最盛时期(见图6(a))，雾区分布范围为33°N～38°N，122°E～127°E。随着高压系统的发展(见图5b)，高压东部源自陆地的干空气自北向南输送入雾区南部，导致南部雾区开始消散，自5日夜间雾区仅在36°N～38°N靠近朝鲜半岛一侧分布，5日0800LST至2000LST的雾区演变过程见图6。

3　数值试验

本文借助WRF模式及其3Dvar同化模块(Ver-3.4)，采用图2中所示的cycling-3DVar-radar方案，分别对2次黄海海雾个例进行细致的数值模拟。

3.1 模式设置

2次海雾个例均采用双重双向嵌套模拟区域，但由于2次海雾个例雾区分布范围差异较大，各自对应设置的区域大小有所差异(见图3；虚线框的D1、D2与实(图中符号●，○和×分别代表0～1 km,1～5 km和5～10 km以上的地面大气水平能见度观测；填色代表海雾雾顶高度。The ●, ○ and ×represent the observed visibility with values 0～1, 1～5, and 5～10 km, respectively; The shading colors are for fog top height.)

图4利用MTSAT卫星反演得到的2007年4月28～29日海雾演变过程

Fig. 4Evolutionofsea fog detected from MTSAT data from 28 to 29 April, 2007

图5　MTSAT卫星反演的2013年5月5日海雾演变过程(填色同图4)

图6　2007年4月29日0800 LST(a)与2013年5月5日0800 LST(b)黄海海域1 000 hPa位势高度

线框的Do1、Do2分别对应2007个例与2013个例)。2007个例雾区分布范围局限于山东半岛南部近海，分布范围较小，其D1区域中心为35.56°N, 120.33°E，D1和D2区域的分辨率分别为10和2.5 km，格点数分别为165×150，273×237。2013个例海雾发展旺盛时期南北覆盖达到5个纬度，分布范围相对较大，其Do1区域中心为32.5°N, 123.0°E，Do1和Do2区域的分辨率分别为30和10 km，格点数分别为110×120，172×181。模式均采用Lin微物理方案[46]，Kain-Fritsch积云方案[47]，RRTMG长、短波辐射方案[48]及Noah陆面模式[49]。

数值模拟所用背景场为FNL再分析数据(Final Analysis Data of NCEP，1°×1°，6 h/次；http://rda.ucar.edu/dsszone/ds083.2)，海温采用NEAR-GOOS(North-East Asian Regional Global Ocean Observing System)日平均数据(0.25°×0.25°，http://goos.kishou.go.jp/rrtdb/usr/pub)。针对2次海雾个例，首先使用FNL数据驱动WRF模式，大致以模拟时间为中心，进行～15 d的每天2次的24 h数值后报；然后采用NMC[45]方法统计后报结果，分别生成与模式格点一致的背景误差协方差CV5。

3.2 同化试验设计

针对2007个例，本文设计了4个试验(见表1)。依据Wang等[12]对此次海雾的研究结果，首先实施了Exp-OBS与Exp-RH来验证此次海雾能模拟到雾区的关键是否在于湿度场的改进；同时Exp-RD试验同化了常规观测数据与雷达径向风数据来检验径向风数据能否帮助改善海雾雾区模拟；Exp-MRD是在Exp-RH同化“卫星反演海雾湿度数据”数据的基础上进一步同化雷达径向风数据，通过与Exp-RH比较来说明雷达径向风数据的作用。针对2013个例，设计了与2007个例相同的试验，只是未实施Exp-RD。因为参考2007个例结果之后舍弃了此试验，具体解释见后文(4.2.2节)。

表1　2007年4月29日海雾个例同化雷达径向风数据的试验设计

注：obs代表常规观测数据。 obs represents conventional observation data.

为了同化尽可能多的观测数据，同化间隔设置为1h。2007个例试验同化时长9 h，自4月28日2000LST～29日0400LST，模拟时段为29日0400LST～1400LST，共11 h；2013个例试验同化起点为5月4日1200UTC～5日0000UTC，同化间隔1 h，共进行13次同化，模拟时段为5日0000UTC～5日1400UTC，共14h。同化在D1区域进行，但预报阶段双层区域同步进行，同时内层区域的初、侧边界条件由外层区域提供。内层区域的每小时输出结果将被用于分析与结果检验。

4　模拟结果检验与分析

4.1 雾区检验方法

观测雾区的获取基于MTSAT多通道红外与可见光数据，采用了一种综合了已有常用海雾探测方法而提出的全天候海雾雾区与水平能见度反演手段[12]。预报雾区由WRF预报的云水含量(Cloud Liquid Water，CLW)来诊断，对于雾区(大气水平能见度Vis≤1km)，所用判据为模式底层CLW≥ 0.015 g·kg-1且雾顶高度<400 m[9, 12]。

雾区检验采用4种客观定量的评分：击中率POD(Probability of detection；取值范围0～1，1为最佳，代表准确预报雾区的比重)、误报率FAR(False alarm ratio；取值范围0～1，0为最佳，反映的是误报雾区的比重)、偏倚得分(bias；取值0～∞，1为最佳，反映的是预报雾区范围与观测雾区范围大小的比值)和公正预兆得分ETS(Equitable threat score；取值范围-1/3～1，1为最佳，反映的是预报雾区与观测雾区的吻合程度)。它们的计算公式分别如下：

(3)

(4)

(5)

(6)

其中：H为准确预报的点数目；F为预报有雾的点数目；O为观测有雾的点数目；R=F(O/N)为随机击中项；N指的是指定检验区域的所有点数目。

4.2 2007个例

4.2.1 模拟雾区检验图7为利用表1的4个试验的初始场进行数值预报得到的模拟雾区与海面风分布。其中Exp-OBS与Exp-RD均预报雾区失败，而Exp-RH与Exp-MRD模拟得到了雾区。不过Exp-RH的雾区明显范围过大，Exp-MRD的雾区与卫星反演得到的雾区分布(见图4)最为相似，尽管在1100 LST之后在山东半岛以东近海存在虚假雾区。后面两组试验模拟雾区的ETS评分分别为0.21与0.35。相比于不同化雷达径向风数据的试验Exp-OBS(见图7a)与Exp-RH(见图7b)，图7c与d在雾区南缘的风场有显著增强的趋势，且风向为更明显的向岸风向，这有利于雾区向近岸聚拢。Exp-MRD相比于Exp-RH模拟雾区Bias评分提高了64.7%，误报率也有20.2%的改进，尽管POD评分从0.96降低至0.81，减小了15.6%，但综合评分ETS评分改进率达到66.7%，Exp-MRD模拟雾区要优于Exp-RH试验。

4.2.2 3 h预报场与探空观测比较选取青岛探空站观测与各个试验3 h预报场进行对比，如图8。Exp-RH与Exp-MRD能够模拟到雾区，是由于模拟的950hPa以下水汽混合比更接近观测，相比于Exp-OBS与Exp-RD改善了大约0.5g·kg-1；后2个试验低层水汽明显不足，无法保障海雾的生成。Exp-RD与Exp-MRD同化雷达径向风数据之后，最显著的变化在于流场结构的改变，如图8(a)，(b)中低层风速的增加，尤其是南风增加了近2m·s-1，这有利于雾区向近岸靠拢。Exp-RD相比Exp-OBS，从陆地表面至850hPa高度前者模拟的水汽混合比略比后者增加约0.5g·kg-1，说明同化雷达径向风加强的南风使得湿气团的北向输送加强；但由于增加的水汽含量有限，Exp-RD试验也无法模拟到海雾，因此接下来的2013个例本文未实施Exp-RD试验。4月末海上气温要低于陆地气温，低层偏南风的加强也使得低层温度的降低约2℃(见图8(c))，使得Exp-RD与Exp-MRD模拟的温度层结也与观测更为接近。

图8　2007年4月29日0800 LST3-h预报场与青岛站探空观测的垂直廓线比较

4.3 2013个例

4.3.1 模拟雾区检验图9为2013个例3组试验的雾区模拟结果。与2007个例类似，仅同化常规观测数据的Exp-OBS未模拟到此次海雾过程。同化“卫星反演海雾湿度数据”的Exp-RH能够模拟到了海雾雾区，然而对比卫星云图发现其雾区严重偏大，雾区向西北方向发展过盛。Exp-MRD在Exp-RH基础上同化雷达径向风数据极大地改进了雾区的分布，特别是使得雾区北部与实际雾区较为接近。雾区客观评分来说，Exp-RH与Exp-MRD的ETS评分分别为0.29与0.47，后者相比前者改进率达62.1%。Exp-MRD模拟雾区评分的改进是由于误报雾区的减少，FAR评分相比Exp-RH的大幅降低30.2%。

(A、B和C排分别代表Exp-OBS，Exp-RH和Exp-MRD试验的模拟雾区分布。Row A, B and C are for experiments of Exp-OBS, Exp-RH and Exp-MRD, respectively.)

图92013年5月5日海雾数值试验模拟雾区分布

Fig.9Simulated sea fog top heights on 5 May, 2013

Exp-OBS模拟雾区的失败原因是近岸观测无法体现海上大气边界层的湿度信息，这也就解释了通过同化“卫星反演海雾湿度数据”数据的Exp-RH能够模拟到海雾雾区的原因——改善海上大气边界层的湿度分布。Exp-RH过盛的雾区猜测可能有2方面原因导致，一是同化的湿度信息过多且存在分布误差，导致雾区产生位置有偏差；二是高压外围气流较弱，不利于海雾雾区的准确移动。Exp-MRD的模拟结果说明第二种原因可能性更大，但是由于单部雷达的影响范围有限，故只局限于青岛沿岸的流场改进。

4.3.2 雾区改进分析为更细致地说明流场对于此次海雾的影响，本文选取位于雾区西北方向的成山头站探空观测来与分析场进行比较。雾区在高压系统影响下自西向东推移，同时低层水汽条件是此次海雾模拟成功的关键，因此与探空观测的比较侧重比较纬向风和水汽条件。 Exp-OBS与Exp-RH低层的西风比观测弱～1 m·s-1，Exp-MRD略强于观测(见图10)；所有模拟结果的低层水汽均偏小，但是Exp-RH与Exp-MRD相比于Exp-OBS，其水汽改进～0.4 g·kg-1，这说明改进的水汽条件为海雾生成的必备条件，而加强的西风保证了雾区与山东半岛的脱离，雾区分布在朝鲜半岛西岸一侧。

图10　2013年5月5日0800 LST各试验分析场与成山头站探空观测的垂直廓线比较

为进一步证明此次个例中西风加强对海雾雾区改进的作用，利用青岛市气象局提供的2个海岛自动气象站，大管岛(120.77°E，36.23°N)与田横岛(120.97°E，36.42°N)，一个浮标站(121.22°E，36.17°N)的观测风场与Exp-RH和Exp-MRD模拟风场进行了对比(见图11)。由于实际地形与模式地形存在误差[50]，目前试验仅能体现实际风速强弱变化趋势，因此此处仅比较2组试验模拟风的强弱程度。在整个模拟时段内，3个观测站的风速几乎均比Exp-RH的模拟风速要强1～2m·s-1，尤其是预报阶段前期，模拟的风速比观测风速偏小极值达4m·s-1。而同化雷达径向风的Exp-MRD模拟的风场显著增强，平均来说风速改进达2m·s-1。

(图中点线为实际观测；虚线代表Exp-MRD模拟风速；实线为Exp-RH的模拟风速。Dot line represents observations; Dash and solid lines are for Exp-MRD and Exp-RH, respectively.)

图11Exp-RH与Exp-MRD模拟风速与浮标和海岛站观测风速比较

Fig.11Comparison of observations from island station and buoy with simulated wind from Exp-RH and Exp-MRD

5　结果与讨论

本文基于WRF模式及其3Dvar同化模块，在高山红等[9-10]与Wang等[12]已有工作的基础上，设计了多普勒雷达径向风的同化方案，开展了在黄海海雾数值模拟中同化雷达径向风数据的研究工作。针对2次典型黄海海雾的数值同化试验研究，得到了以下主要结论：

(1)相比同时同化常规观测与卫星反演海雾湿度数据的试验结果，进一步同化多普勒雷达数据后，近岸2007与2013年海雾个例的雾区ETS评分改进率分别达到了66.7%与62.1%，误报率FAR评分分别降低了20.2%和30.2%。

(2)同化近岸多普勒雷达数据不仅会显著地改进近海面大气流场，也带来温度场的改善，从而会提高海雾模拟效果。2007年海雾个例低层南风增强了近2m·s-1，低层温度降低了约2 ℃，与观测更为接近；2013年海雾个例加强了西风，风速增强约 2 m·s-1。

尽管雷达径向风同化结果令人鼓舞，但是本文只实施了2个海雾个例，需要更多的个例进一步更全面地考察同化效果。值得注意的是，本文试验再次表明：黄海海雾数值模拟中，同化常规观测数据不足以纠正初始场中海上大气边界层湿度偏干的状态，从而导致海雾模拟失败或雾区严重偏小；因此在同化雷达径向风之前，进行卫星反演海雾湿度数据的同化非常必要。

此外，不可否认地仍有几个需要函待解决的问题。譬如，一是单部多普勒雷达的探测范围有限，如何同时同化围绕黄海的多部多普勒雷达径向风数据来尽可能地大范围改进黄海近海大气流场近海面流场？二是文中雷达质量控制的方法并不完美，仍有改进的余地；三是文中采用的cycling-3DVar同化方法采用了静态的背景误差协方差，将来需要流依赖背景误差协方差来取代。

[1]王彬华. 海雾[M]. 北京: 海洋出版社, 1983: 352.

Wang B H. Sea Fog [M]. Beijing： China Ocean Press, 1983, 352.

[2]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 [J]. Advances in Atmospheric Sciences, 2007, 24: 65-81.

[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(3): 359-366.

Zhang S P, Bao X W. The main advances in sea fog research in China [J]. Periodical of Ocean University of China, 2008, 38(3): 359-366.

[4]Fu G, Zhang S P, Gao S H, et al. Understanding of sea fog over the China Seas [M]. Beijing: China Meteorological Press, 2012: 216.

[5]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(3): 282-290.

Hu R J and Zhou F X. A numerical study on the effects of air-sea conditions on the process of sea fog [J]. Periodical of Ocean University of Qingdao, 1997, 27(3): 282-290.

[6]胡瑞金, 周发琇. 海雾生成过程中平流、湍流、辐射效应研究[J]. 海洋学报, 1998, 20(1): 25-32.

Hu R J and Zhou F X. Effects of advection, turbulence and radiation on formation of sea fog [J]. J Acta Oceanologica Sinica, 1998, 20(1): 25-32.

[7]Fu G, Zhang M G, Duan Y H, et al. Characteristics of sea fog over the Yellow Sea and the East China Sea [J]. Kaiyo Mon. (Spe. Issue), 2004, 38: 99-108.

[8]Fu G, Li P Y, Crompton J G, et al. An observational and modeling study of a sea fog event over the Yellow Sea on 1 August 2003 [J]. Meteor Atmos Phys, 2010, 107: 149-159.

[9]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[J]. 中国海洋大学学报(自然科学版), 2010, 40(10): 1-9.

Gao S H, Qi Y L, Zhang S B, et al. Initial conditions improvement of sea fog numerical modeling over the Yellow Sea by using Cycilng 3DVAR Part I: WRF numerical experiments [J]. Periodical of Ocean University of China, 2010, 40(10): 1-9.

[10]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[J]. 中国海洋大学学报(自然科学版)， 2010, 40(11): 1-10.

Gao S H, Zhang S B, Qi Y L, et al. Initial conditions improvement of sea fog numerical modeling over the Yellow Sea by using Cycling 3DVAR Part II: RAMS numerical experiments [J]. Periodical of Ocean University of China, 2010, 40(11): 1-10.

[11]Kim C K, Yum S S. A numerical study of sea-fog formation over cold sea surface using a one-dimensional turbulence model coupled with the weather research and forecasting model [J]. Boundary-Layer Meteorology, 2012, 143: 481-505.

[12]Wang Y, Gao S, Fu G, et al. Assimilating MTSAT-derived humidity in nowcasting sea fog over the Yellow Sea [J]. Weather and Forecasting, 2014, 29(2): 205-225.

[13]高山红,王永明,傅刚. 一次黄海海雾的集合预报试验[J]. 中国海洋大学学报(自然科学版), 2014, 44(12): 1-11.

Gao S H, Wang Y M, Fu G. Ensemble forecast of a sea fog over the Yellow Sea [J]. Periodical of Ocean University of China, 2014, 44(12): 1-11.

[14]Nicholls S. The dynamics of stratocumulus: Aircraft observation and comparision with a mixed layer model [J]. Quarterly Journal of the Royal Meteorological Society, 1984, 110: 783-820.

[15]Findlater J, Roach W T, McHugh B C. The haar of north-east Scotland [J]. Quarterly Journal of the Royal Meteorological Society, 1989, 115: 581-608.

[16]Ballard S P, Golding B W and Smith R N B. Mesoscale model experimental forecasts of the haar of northeast Scotland [J]. Monthly Weather Review, 1991, 119: 2017-2123.

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

[22]Fu G, Guo J, Xie S P, et al. Analysis and high-resolution modeling of a dense sea fog event over the Yellow Sea [J]. Atmospheric Research, 2006, 81: 292-303.

[23]张苏平，杨育强，王新功，等. 低层大气季节变化及与黄海雾季的关系 [J]. 中国海洋大学学报(自然科学版), 2008, 38(5): 689-698.

Zhang S P, Yang Y Q， Wang X G， et al. Seasonal variations in the atmospheric stratification and the relations with the Yellow Sea fog season [J]. Periodical of Ocean University of China, 2008, 38(5): 689-698.

[24]Zhang S P， Xie S P， Liu Q Y， et al. Seasonal variations of Yellow Sea fog：observations and mechanisms [J]. J Climate, 2009, 22: 6758-6772.

[25]张苏平，任兆鹏. 下垫面热力作用对黄海春季海雾的影响——观测与数值试验 [J]. 气象学报, 2010, 68(4): 439-449.

Zhang S P, Ren Z P. The influence of the thermal effect of underlaying surface on the spring sea fog over the Yellow Sea: Observations and numerical simulations [J]. Acta Meteorologica Sinica, 2010, 68(4): 439-449.

[26]孟宪贵. 夏季黄海表面冷水对大气边界层及海雾的影响 [D]. 青岛： 中国海洋大学海洋环境学院, 2011.

Meng X G. The Effect of Cold SST on Summer Atmosphere Boundary Layer and Sea Fog over Yellow Sea [D]. Qingdao: Colledge of Physical and Environmental Oceanography, Ocean University of China, 2011.

[27]任兆鹏. 黄海夏季海雾的边界层结构特征及其与春季海雾的对比 [J]. 中国海洋大学学报(自然科学版)， 2011, 41(5): 23-30.

Ren Z P. Structure characteristics of the Yellow Sea summer fog in the boundary layer and the comparison with spring fog [J]. Periodical of Ocean University of China, 2011, 41(5): 23-30.

[28]Zhang S, Li M, Meng X, et al. A comparison study between spring and summer fogs in the Yellow Sea-observations and mechanisms [J]. Pure and Applied Geophysics, 2012, 169(5-6): 1001-1017.

[29]杨悦, 高山红. 黄海海雾天气特征与逆温层成因分析 [J]. 中国海洋大学学报(自然科学版), 2015, 45(6): 19-30.

Yang Y, Gao S H. Analysis on the synoptic characteristics and inversion layer formation of the Yellow Sea fogs [J]. Periodical of Ocean University of China, 2015, 45(6): 19-30.

[30]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 [J]. 中国海洋大学学报(自然科学版), 2012, 42(3): 10-20.

Li R, Gao S H and Wang Y M. Numerical study on direct assimilation of satellite radiances for sea fog over the Yellow Sea [J]. Periodical of Ocean University of China, 2012, 42(3): 10-20.

[31]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 [J]. 应用气象学报, 2011, 22(4): 472-481.

Liu Y D, Ren J P and Zhou X. The impact of assimilating sea surface wind aboard QuikSCAT on sea fog simulation [J]. Journal of Applied Meteorological Science, 2011, 22(4): 472-481.

[32]Furevik B R, Sempreviva A M, Cavaleri L, et al. Eight years of wind measurements from scatterometer for wind resource mapping in the Mediterranean Sea [J]. Wind Energy, 2011, 14(3): 355-372.

[33]Romine G S, Burgess D W and Wilhelmson R B. A dual-polarization-radar-based assessment of the 8 May 2003 Oklahoma City area tornadic supercell [J]. Monthly Weather Review, 2008, 136(8): 2849-2870.

[34]刘黎平, 仲凌志, 江源, 等. 毫米波测云雷达系统及其外场试验结果初步分析[J]. 气象科技, 2009, 37(5): 567-571.

Liu L P, Zhong L Z, Jiang Y, et al. Cloud radar and its field experiments in China [J]. Meteorological Science and Technology, 2009, 37(5): 567-571.

[35]Xue M, Droegemeier K K and Wong V. The Advanced Regional Prediction System (ARPS)-A multi-scale nonhydrostatic atmospheric simulation and prediction model. Part I: Model dynamics and verification [J]. Meteorology and Atmospheric Physics, 2000, 75(3-4): 161-193.

[36]Xue M, Wang D, Gao J, et al. The Advanced Regional Prediction System (ARPS), storm-scale numerical weather prediction and data assimilation [J]. Meteorology and Atmospheric Physics, 2003, 82(1): 139-170.

[37]Bergen W R and Albers S C. Two-and three-dimensional de-aliasing of Doppler radar velocities [J]. Journal of Atmospheric and Oceanic Technology, 1988, 5(2): 305-319.

[38]Gong S L, Zhang X Y, Zhao T L, et al. Characterization of soil dust aerosol in China and its transport and distribution during 2001 ACE-Asia: 2. Model simulation and validation [J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2003, 108(D9).

[39]Li Y Z, Wang X G, Xue M. Assimilation of radar radial velocity data with the WRF hybrid ensemble-3DVAR system for the prediction of hurricane Ike (2008) [J]. Monthly Weather Review, 2012, 140: 3507-3524.

[40]James C N and Houze Jr R A. A real-time four-dimensional Doppler dealiasing scheme [J]. Journal of Atmospheric and Oceanic Technology, 2001, 18(10): 1674-1683.

[41]Srivastava K, Gao J, Brewster K, et al. Assimilation of Indian radar data with ADAS and 3DVAR techniques for simulation of a small-scale tropical cyclone using ARPS model[J]. Natural Hazards, 2011, 58(1): 15-29.

[42]Dowell D C and Wicker L J. Additive noise for storm-scale ensemble data assimilation [J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(5): 911-927.

[43]Xu Q and Gong J. Background error covariance functions for Doppler radial-wind analysis [J]. Quarterly Journal of the Royal Meteorological Society, 2003, 129(590): 1703-1720.

[44]Xiao Q, Zhang X, Davis C, et al. Experiments of hurricane initialization with airborne Doppler radar data for the advanced research hurricane WRF (AHW) model [J]. Monthly Weather Review, 2009, 137(9): 2758-2777.

[45]Parrish D F and Derber J C. The National Meteorological Center's spectral statistical-interpolation analysis system [J]. Monthly Weather Review, 1992, 120(8): 1747-1763.

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

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

[48]Iacono M J, Delamere J S, Mlawer E J, et al. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models [J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2008, 113(D13)： 1864-1870.

[49]Chen F and Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part II: Preliminary model validation [J]. Monthly Weather Review, 2001, 129(4): 587-604.

[50]Ha S Y and Snyder C. Influence of surface observations in mesoscale data assimilation using an ensemble Kalman filter [J]. Monthly Weather Review, 2014, 142(4): 1489-1508.

责任编辑庞旻

Assimilation of Doppler Radar Radial Velocity in Yellow Sea Fog Numerical Modeling

WANG Yong-Ming, GAO Shan-Hong

(The Key Laboratory of Physical Oceanography, Ministry of Education, College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao 266100, China)

Based on the WRF (Weather Research and Forecasting) model and its cycling-3DVar (3-Dimensional Variational) DA (Data Assimilation) module, a DA scheme for assimilating radar radial velocity is developed and a series of comparison experiments are conducted to investigate impacts of assimilating radial velocity data on 2 sea fog cases over the Yellow Sea. Their forecast effects on improving simulated sea fog are analyzed in detail. The results reveal: (1) Assimilation of routine observations is insufficient to improve the drier state of MABL (Marine Atmospheric Boundary Layer) and often fails to simulate sea fog. Therefore, it is essentially to assimilate the humidity derived from satellite observations prior to radar radial velocity data for sea fog. (2) Assimilation of Doppler coastal radar radial velocity data can significantly improve sea surface winds and temperatures as well, and thus better simulated sea fog is achieved —— the improvements of ETS (Equitable Threat Score) for 2 sea fogs in 2007 and 2013 are 66.7% and 62.1%, respectively. (3) Focus on improving for the structures of moisture and temperature in MABL is firstly done, and then it is necessary to further ameliorate sea surface winds in sea fog numerical modeling.

sea fog over the Yellow Sea; radar radial velocity; WRF model; cycling-3Dvar

国家自然科学基金项目(41276009;41275049)资助

2015-10-09；

2015-12-15

王永明(1987-)，男，博士。E-mail:wym_1111@126.com

**通讯作者：E-mail:gaosh@ouc.edu.cn

P714+.2

A

1672-5174(2016)08-001-12

10.16441/j.cnki.hdxb.20150361

Supported by the National Natural Science Foundation of China(41276009;41275049)