引言

随着公众对天气预报精细化的需求越来越高，传统的站点预报以及海区预报已经无法满足需求，目前无缝隙精细化网格气象预报已经成为国际主流趋势(金荣花等，2019)。我国无缝隙精细化网格预报业务技术起步于2014年，作为全球无缝隙化网格天气预报业务的一部分，国家气象中心从2013年开始研发海洋气象网格预报相关技术及支撑平台，经过3年的研发工作，于2016年正式实现了由传统的海区预报向精细化格点预报的切换，其中对天气现象要素的预报需要较好的海雾预报产品来提供技术支撑，因此开展了海雾客观预报方法的研发工作。

海雾是受海洋的影响发生在海上或沿海地区底层大气中的凝结现象，是悬浮于大气边界层大量水滴或冰晶使大气水平能见度 < 1 km的天气现象(王彬华，1983)，其对海上船舶航行、捕捞、港口作业以及沿海地区的公路运输和电力输送等社会生活的方方面面都会产生重要影响。影响海雾形成与消散的因素很多，与大气、水文的各个条件密切相关，近几年国内学者在海雾的数值模拟方面取得了较大的进展(高山红等，2014；高小雨和高山红，2019；Huang et al, 2019)，但是海雾对模式初始场、海温以及参数化方案的高敏感性决定了集合预报是今后重点的研究方向(傅刚等，2016)。雾的集合预报方法在美国环境预报中心已经投入业务运行，但是我国业务中应用的仍然是单一海雾预报模式，其预报效果并不能满足现在的业务需求。结合数值预报和天气气候统计两种方法开发海雾的客观预报产品可以作为单一海雾预报模式的较好的补充，提供更多的海雾预报产品供预报员参考，基于配料法和决策树方法研发的海雾客观预报方法在沿岸地区的海雾预报业务中得到了较好的应用(黄辉军等, 2010, 黄健等, 2011, 高荣珍等，2016)，因此国家气象中心从2013年开始研发适用于中国近海的海雾客观预报方法。目前海雾客观预报方法对中国近海的海雾有较好的预报效果，可基本满足业务预报需求，在2018年春节琼州海峡大雾和2018年上海合作组织青岛峰会(任兆鹏等，2019)等气象服务中发挥了较好的作用。本文主要介绍了国家气象中心近几年研发的基于配料法和决策树方法的海雾客观预报方法，海雾预报指数的初步建立情况，以及这些客观方法的应用情况，并对未来进行展望。

1 海雾客观预报方法 1.1 国家气象中心海雾客观预报方法发展历程

国家气象中心从2013年开始进行海雾的客观方法研究，从最开始的简单配料法到机器学习的决策树方法，再到2019年的海雾预报指数方法，共进行了三次重大的改进(图 1)。2013年，基于海雾的物理过程与预报员的预报经验选取预报因子，对最近10年的海雾过程进行分析，通过统计学方法和多元回归等数学方法细化因子的作用，确定满足性条件，在14个预报因子中有7个以上满足阈值条件即报雾。2014—2017年，通过加入沿岸站点观测资料、卫星反演资料，对海雾过程进行了更细致的分类统计，对预报因子的显著性进行了分析并确定了无雾的判断条件，在分类统计上进行了空间和时间的细化，对因子和阈值进行了调整并进行了预报试验。2018年，在继续改进原有方法的基础上，又针对渤海、黄海容易出雾的海区研发了决策树预报方法，为格点预报的背景场提供了又一个选择。2019年，根据实际预报中的需求，开发海雾预报指数产品，将中国近海分为5大海区，分别建立海雾预报指数。

1.2 数据

本文基于建立海雾历史检索数据库(黄彬等，2014)选用的86个中国沿海海雾监测代表站，选取1980—2012年共33年的地面人工观测资料，利用观测站的天气现象和大气水平能见度要素进行判别，来建立海雾样本库。天气现象为雾时，能见度 < 10 km且≥1 km是轻雾，能见度 < 1 km且≥500 m是大雾，能见度 < 500 m是浓雾。本文选取大雾及浓雾样本的观测作为有雾样本，天气现象无雾且无降水的观测为无雾样本。使用欧洲中期预报中心的再分析资料来计算样本的气象要素值，时间分辨率为6 h，空间分辨率为0.75°(Dee et al, 2011)。在海雾预报指数方法中将中国近海有海雾的区域分成五部分，分别为北部海区：渤海、渤海海峡、黄海北部；东北海区：黄海中部和南部；东部海区：东海；东南海区：台湾海峡、台湾以东洋面；南部海区：北部湾、南海北部、琼州海峡。图 2为中国近海有海雾的海区划分及沿海海雾监测站位置。

1.3 配料法

本方法首先基于海雾生成和消散的物理过程与预报员的预报经验，预选出可能对海雾造成影响的各层共65个物理量作为初步预报因子(杨正龙等，2015)。将实况观测资料分为“有雾”和“无雾”两类，分别计算出所对应的各因子值，将其进行对比分析，以对海雾影响的相关性和显著性为依据进行第一次筛选。如图 3所示，5月东北海区在有雾和无雾情况下700 hPa的相对湿度分布曲线相近不具有显著性，因此700 hPa的相对湿度因子没有入选；而10月北部海区在有雾和无雾情况下1 000 hPa相对湿度具有明显的区别和特性，因此1 000 hPa相对湿度因子入选。

结合地面观测和卫星反演云图挑选了2017年春季我国近海的6次主要海雾过程(王慧等，2017)，对海雾发生时各预报因子分布范围与雾区的对应关系进行分析，对预报因子进行第二次筛选，最终留下18个预报因子，分别为相对湿度(1 000、925和850 hPa)、风向和风速(10 m，1 000、925和850 hPa)、2 m温度露点差(T-T_d)、温度(1 000、925和850 hPa)，925~1 000 hPa温度差(ΔT_{925~1 000})，海表面温度以及海气温差。除这18个因子外，有降水出现以及海温过高时都不会出现海雾，因此将6 h累计降水量>1 mm以及海温>25℃设为消空条件，只要满足这两个条件中的一个即判定无雾。

在预报因子的阈值设定上，分月份和海区将实况资料有雾时各因子的范围，去除15%的极大值和15%的极小值，取中间70%作为可信阈值(代表低层湿度的1 000和925 hPa相对湿度只去除极小值，2 m的T-T_d只去除极大值)。当入选的18个因子中n个(通过检验得出最佳n值，不同海区n值不同)处于出雾阈值区间时，即判定当前格点有雾。将过去30年的再分析资料利用此算法进行回算并与历史实况资料进行对比检验，对有无雾的回算准确率为93.9%，TS评分为0.24。

1.4 决策树方法

2018年针对渤海、黄海的海雾样本采用分类与回归树(CART)方法建立了渤海、黄海的海雾决策树预报模型。图 4为得到的误分率最小的分类树，含有9个终节点。图中最上端为节点1(根节点)，灰色框为终节点，每个节点框内信息依次为节点名称、类名称、当前节点下无雾和有雾分类记录数及所占比例以及总记录数，每个方框上面的为分类变量及阈值。节点1包含全部样本共220 966个记录，其中无雾记录数为208 602，占当前节点样本数的94.4%，有雾样本记录数为12 364，占5.6%。分类变量为2 m的T-T_d，分类阈值为2.8℃，分裂出节点2和节点5，其中节点2表示当2 m的T-T_d≤2.8℃时，包含样本28 306个记录，其中有雾记录数为10 567，占当前节点样本数的37.3%，无雾记录数为17 739，占62.7%，节点2判断为有雾类。节点5表示当2 m的T-T_d >2.8℃时，包含样本192660个记录，其中无雾记录数为190 863个，占当前节点样本数的99.1%，有雾样本记录数为1 797个，占0.9%，判断为无雾类。以此类推，最终出现9个终节点，其中有2个终节点是有雾分支，一个分支为当T-T_d≤2.8℃，海温≤25℃，1—7月或11—12月，ΔT_925~1000≥-2.5℃时，则判断有雾。另一个分支为当2.8℃<T-T_d≤5.5℃，1—7月或11—12月，850 hPa经向风≥-1.0 m·s^-1, 1 000 hPa相对湿度≥75%时，则判断为有雾。

通过决策树方法的建立发现，与渤海、黄海海雾相关性较大的预报变量有2 m的T-T_d、海温、850 hPa经向风、1 000 hPa相对湿度、ΔT_{925~1 000}，而且渤海、黄海海雾有明显的季节变化，在秋季出现海雾的情况非常少。对于决策树而言，高层节点上的判别变量和阈值比低层节点上的判别变量和阈值更有价值(Breiman et al, 1984)。可见，T-T_d以及海表温度在渤海、黄海海雾预报中最为关键，强调了水汽以及海温在海雾形成中的重要性，这和高荣珍等(2016)的研究结果一致。根据决策树方法的结果，建立了图 5所示的决策树预报模型流程图。

1.5 预报试验：海雾预报指数

2019年开始研发海雾预报指数的产品，根据预报经验挑选要素，通过计算每个要素的分指数对要素进行筛选，最后对筛选要素的分指数求和得到海雾预报指数，海雾预报指数越高，表示出雾的可能性越大。

分段统计不同海区各气象要素值落在不同区间的条件下雾天气出现概率相比气候态概率的倍数作为各要素值区间对应的分指数，该值越大表明雾天气出现概率越高。其中要素统计区间的划分方法如下：将每个海区中的所有样本要素值排序，然后划分为10个区间，以满足落在各区间内的要素个数均占总个数的10%，得到的区间划分用于分段统计。这样的区间划分方法保证了各区间有充分的、均匀的样本分布。张恒德等(2017)给出了分指数的具体计算公式。

以北部海区为例，图 6为2 m的T-T_d和ΔT_{925~1 000}的分指数计算结果，当T-T_d <3℃或者ΔT_{925~1 000}>-3℃时，分指数>1，即雾天气出现概率高于气候态概率。随着T-T_d的降低和ΔT_{925~1 000}的升高，分指数逐步增大，意味着雾天气出现概率逐步增大。表明T-T_d和ΔT_{925~1 000}在北部海区对雾天气的预报有较好的指示意义。在所有要素分指数计算的基础上，按照各要素分指数最大值和最小值的比值进行排序，该分指数比值越大表明要素对雾天气和无雾天气区分度越大，北部海区T-T_d和ΔT_{925~1 000}的分指数比值分别为276和1 095，表明这两个要素对有雾天气和无雾天气区分度很大。最终针对每个海区从大到小选取分指数比值排序前十的要素，对分指数求和得到海雾预报指数。按照上述客观方法筛选得到的北部海区海雾预报指数计算要素包括ΔT_{925~1 000}、T₈₅₀、T-T_d、T_{925 hPa}、1 000 hPa相对湿度、T₇₀₀、T_{1 000}、10 m经向风、850 hPa经向风、T₅₀₀。根据选取的分指数制作查算表，查算表包括10个具体要素、要素值的区间划分和各区间对应的分指数。根据气象要素实况或模式预报值查找要素值所在区间的分指数，将10个要素的分指数求和就得到最终的海雾预报指数。

2 在精细化网格中的应用

海洋气象精细化网格的天气现象背景场是在模式降水、雾、云量、湿度等要素的基础上进行判断生成的。其中雾的判断采用的是基于配料法的海雾客观预报方法生成的结果。对于模式预报没有降水而客观方法预报有雾的格点判断为大雾，天气代码为57。预报员在生成的天气背景场的基础上使用格点编辑器进行修改，得到主观预报的天气现象格点产品(图 7)。由于目前的客观方法只能得到针对大雾“有”和“无”的预报，还没有雾的等级预报，因此预报员需要在客观方法的基础上根据预报经验做出雾的等级预报。24 h内逐6 h制作天气现象的格点预报产品，然后基于格点产品生成近海海雾预报图，对公众发布。基于决策树和海雾指数开发的海雾预报产品，还需要将预报区域扩展到整个海区，并进一步完善方法后，再应用于精细化网格系统，目前是提供预报结果给预报员做预报参考。3种客观产品的分辨率均为0.1°，产品形式均为图片和MICAPS数据，配料法和海雾指数方法的预报区域为图 2中的中国近海有雾的海区，决策树方法的预报区域为渤海、渤海海峡、黄海。

3 检验 3.1 客观方法检验

由于决策树方法目前只是针对北部海区进行研发，所以利用海雾代表站的观测资料对2018年1—7月渤海、黄海区域的海雾预报结果进行检验，其对有无雾预报的24 h TS评分平均为0.25左右(图 8a)，对黄海北部和中部大雾的预报效果相对较好，TS评分为0.1左右，对渤海和黄海南部海区大雾的预报效果较差，还需要继续改进(图 8b)。客观方法对大雾的24 h预报准确率在90%左右(图略)。

3.2 主观预报检验

利用海雾沿岸代表站，针对2018年预报员主观预报的天气现象格点产品中大雾(大雾和浓雾)以上级别的预报进行检验，实况观测天气现象有雾且能见度为1 km以下认为实况为大雾天气，对海雾代表站进行一对一的TS评分检验，然后计算海区平均的TS评分结果。按照海区统计的TS评分结果(图 9)显示，在黄海北部和中部海域、北部湾的TS评分结果较高，这几个海域也是大雾发生频率较高的海域，黄海北部和中部海域24 h的TS评分接近0.25，北部湾的TS评分在0.15左右。

3.3 个例检验

2019年3月25日凌晨至27日白天，黄海北部和中东部海域出现了能见度低于500 m的浓雾天气，一直持续到27日夜间有冷空气南下海雾才消散，能见度有所好转(张增海等，2019)。葵花8号卫星的可见光监测显示雾区从黄海北部向东南方向伸展，东侧边界与朝鲜半岛海岸线基本重合，雾区西侧边际非常清晰(图 10)。从图 11可以看到基于配料法的海雾预报方法对这次海雾过程有较好的预报，25日早晨时海雾区域较小，主要在黄海东北部沿岸，随后雾区向东南方向发展，雾区扩大，预报的区域跟云图反演区域基本一致，客观预报方法的结果为海雾的主观预报提供了有力的支撑。图 12为基于决策树方法的海雾预报结果，该方法对这次海雾过程的预报结果区域偏小，雾区主要位于黄海的东北部和中东部沿岸。

4 结论与展望

国家气象中心从2013年开始进行海雾的客观方法研究，经过几年的不断改进，逐步建立了基于配料法和决策树方法的海雾客观预报方法，初步研发了海雾预报指数产品，并将海雾客观预报产品集成应用于海洋气象智能网格预报背景场的生成规则中，生成天气现象网格预报结果，为主观预报订正提供了有力的支撑。基于精细化网格预报生成的海雾主观预报结果对2018年黄海中部和南部大雾预报的24 h TS评分接近0.25，对北部湾大雾预报的24 h TS评分在0.15左右。客观方法虽然对我国北部海区主要海雾过程预报效果较好，但是对部分海区(渤海、黄海南部)大雾的预报效果较差，TS评分较低，还需要继续改进。为了更好地满足业务需求，海雾客观预报方法的研发未来还将从以下几方面进行改进：

(1) 加强多元资料的应用。目前历史数据统计分析较多地依赖于沿岸代表站的观测资料，随着基于卫星云图的海雾反演技术的提高，未来要加强船舶观测和卫星反演产品等多种观测资料在建模中的应用。

(2) 应用新型技术改进海雾客观方法。例如卷积神经网络方法，其作为深层神经网络中一种经典而广泛应用的结构，是目前机器深度学习的主要形式之一，已在目标检测、计算机视觉、语音识别等领域中成效卓然(周飞燕等，2017)，可以尝试将该方法引入到海雾客观预报中。

(3) 增加数值模式集合预报产品的应用。海雾客观方法需要基于多个要素生成预报产品，每个要素的预报误差都会影响到最后的海雾预报结果，基于集合预报产品研发海雾客观方法可以有效地改进这一点，利用集合预报的结果，构建与海雾或能见度相关度较高的预报因子，依据当下集合预报与历史实况资料集里因子的相似度，利用历史观测来估计当下预报的结果。