大气科学  2018, Vol. 42 Issue (6): 1344-1362   PDF    
不同边界层参数化方案对江苏地区一次平流雾过程的模拟影响
崔驰潇1,2, 包云轩1,2, 袁成松2,3, 周林义2,3, 焦圣明2,4, 宗晨1,2     
1 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044
2 中国气象局交通气象重点开放实验室, 南京 210009
3 江苏省气象科学研究所, 南京 210009
4 江苏省气象信息中心, 南京 210009
摘要: 边界层参数化方案的选取在平流雾的预报准确度上起着决定性的作用。本文利用WRF模式对2013年3月18~19日发生在江苏地区的一次平流雾过程进行数值模拟试验,对耦合不同闭合方式边界层参数化方案的试验结果与实测气象数据进行对比分析,评估了他们对此次平流雾的模拟效果,探讨了边界层高度对此次平流雾的生成和发展的影响。研究结果表明:(1)耦合不同边界层方案的WRF模式对地面气象要素的模拟结果均呈现气温偏低、湿度和风速偏大的特征。(2)QNSE方案对气温的模拟能力最强;ACM2方案对相对湿度的模拟性能最好;YSU方案对风速的模拟效果最佳。不同边界层方案的模拟结果在垂直方向上的差别主要表现在低空相对湿度上:QNSE方案预报的湿度更大。(3)综合TS(Threat Score)和BS(Bias Score)两个评分指标来看,ACM2方案对雾区分布的模拟效果最好。三个边界层方案对此次平流雾的模拟结果在江苏沿海站点的预报评分较高,在距海较远站点的预报评分表现较差。YSU方案对东南沿海地区的雾区预报评分较高;QNSE方案对长江沿江区域的雾区预报评分较高;ACM2方案对沿海地区、尤其对沿海北部地区的有较好的预报效果。(4)QNSE方案对此次平流雾的生成时间、出现地点预报比较准确。(5)平流雾的生成与发展阶段模拟雾区覆盖范围与边界层高度关系十分紧密,适当强度的湍流混合作用有助于平流雾在地面的生成与发展;但是过强的湍流混合作用会导致大雾过早的消散。
关键词: 江苏地区    平流雾    边界层参数化方案    WRF模式    模拟效果评估    
Influence of Different Boundary Layer Parameterization Schemes on the Simulation of an Advection Fog Process in Jiangsu
CUI Chixiao1,2, BAO Yunxuan1,2, YUAN Chengson2,3, ZHOU Linyi2,3, JIAO Shenming2,4, ZONG Chen1,2     
1 Collaborative Innovation Center on Forecast Meteorological Disaster Warning and Assessment, Nanjing University of Information Science and Technology, Nanjing 210044
2 Key Laboratory of Transportation Meteorology, China Meteorological Administration, Nanjing 210009
3 Jiangsu Meteorological Institute, Nanjing 210009
4 Jiangsu Meteorological Information Center, Nanjing 210009
Abstract: The simulation and prediction accuracy of advection fog depends on the selection of boundary layer parameterization scheme. Coupled with different schemes of boundary layer parameterization, the Weather Research and Forecasting (WRF) model was used in this paper to simulate an advection fog process occurred in Jiangsu during the period from March 18th to 19th in 2013 and the simulation results are compared with observed meteorological data to analyze and evaluate the simulation of the advection fog. The results of the experiments are as follows. (1) The surface air temperature is underestimated but the relative humidity and wind speed are overestimated. (2) Among the schemes of Quasi-Scale Elimination (QNSE), Asymmetrical Convective Model version 2 (ACM2) and Youngstown State University Scheme (YSU), the QNSE scheme has the best ability to simulate air temperature, the ACM2 scheme has the best performance for the simulation of relative humidity and the YSU scheme performs best in the the simulation of wind speed. The main difference between the three boundary layer parameterization schemes for the simulation of meteorological elements in the vertical direction is the difference in the simulated relative humidity at low levels and the QNSE scheme was the most humid. (3) According to the Scoring Standards TS (Threat Score) and BS (Bias Score), the simulation effect of the ACM2 scheme is the best one among the three schemes. The simulation results of the three boundary layer parameterization schemes for this advection fog process are better at the coastal sites of Jiangsu, and the prediction scores at the sites far away from the sea are worse. The YSU scheme has higher score on the fog area forecast in the southeastern coastal area, the QNSE scheme has higher score on the fog area forecast in the Yangtze River Valley and the ACM2 scheme has good simulation effect on the fog area forecast in the coastal areas, especially in the northern coastal areas. (4) The QNSE scheme is more accurate in the prediction of the formation time and occurrence location of the advection fog. (5) The simulated fog coverage in the formation and development stages of the advection fog is closely related to the height of the boundary layer, and the turbulent mixing with an appropriate intensity would contribute to the formation and development of advection fog on the ground, but too strong turbulence mixing would lead to premature fog dissipation.
Keywords: Jiangsu area    Advection fog    Scheme of boundary layer parameterization    WRF model    Simulation evaluation    
1 引言

国际上将雾定义为由大气中悬浮水滴或者冰晶大量聚集导致水平能见度低于1 km的天气现象(National Oceanic and Atmospheric Administration,1995)。大雾发生时的低能见度造成的交通事故时有发生,其造成的经济损失与龙卷、台风等强对流天气过程不相上下(Gultepe et al., 2007)。大雾天气形成及消散过程的物理机制十分复杂,以至于目前对雾灾的监测预警远不能满足人们的需求,对大雾天气的预报准确率亟待提高(张舒婷等,2013石春娥等,2015)。

随着计算机技术的飞速发展,越来越多的学者利用中尺度数值模式对各种复杂性天气过程进行模拟和预报研究。许多学者的研究结果表明,嵌套区域与空间分辨率的改变、下垫面局地特征的差异均会出现不同的模拟结果。边界层参数化方案在模式的模拟和预报中起着至关重要的作用:其在陆地和海洋之间大气的质量、能量和水汽交换作用中有十分重要的角色。已有很多学者评估了中尺度数值模式中不同边界层方案对局地复杂天气过程的模拟效果。Pérez et al.(2006)分析了三种边界层方案对气象要素模拟效果的影响,探讨了这些方案对空气质量预报的作用。Bossioli et al.(2009)指出边界层方案的改变对垂直扩散系数影响很大。Hu et al.(2010)比较了WRF模式中三个边界层方案对德克萨斯州地面气象要素的模拟效果,发现YSU方案(Yonsei University)和ACM2方案(Asymmetrical Convective Model version 2)的模拟偏差较小,MYJ(Mellor-Yamada Janjic)方案的模拟偏差较大且气温偏低、相对湿度偏大程度是三个方案中最显著的。Coniglio et al.(2013)将WRF(Weather Research and Forecasting)模式中提供的边界层方案分为局地性闭合方案和非局地性闭合方案两类,指出局地性方案对夜间相对湿度模拟偏高且模拟的边界层高度偏低。Draxl et al.(2014)认为在风速预报中,不稳定的大气条件下采用YSU方案模拟效果较为理想;近似稳定和中性稳定条件下采用ACM2方案会得到更为理想的模拟结果;稳定条件下MYJ方案更为适用。Banks et al.(2016)的研究指出,在希腊地区,综合各种地面气象要素模拟结果来看非局地边界层方案的模拟效果更好。Gunwani et al.(2017)对比分析了五种边界层方案对印度地区不同气候带气象要素的模拟效果,发现ACM2方案在干旱地区和温带气候区内对气温、相对湿度和风速的模拟效果均有较好的表现。徐慧燕等(2013)评估了WRF模式中七种边界层参数化方案对长江中下游地区暴雨事件中气象要素及降水量分布的模拟能力,发现QNSE(Quasi-Normal Scale)方案的模拟能力最强。张颖等(2016)的研究表明MYJ方案能更好的模拟出四川盆地内风速的变化趋势。高笃鸣等(2016)的研究指出,ACM2方案对四川盆地地区小雨和中雨的预报效果较好;YSU方案对大雨和暴雨的预报能力较强。

Nieuwstadt(2005)指出在弱风、少云的天气状况下,不同动力和热量扩散参数的选取对模拟结果的影响更为明显,故选取适当的边界层参数化方案会提高大雾天气过程的模拟性能。Steeneveld et al.(2015)的研究结果表明在对雾的出现时间预测方面,边界层方案的选择是关键;对大雾消散的预测方面微物理过程方案的选择更为重要。他们的研究还表明耦合YSU方案后的WRF模式模拟的欧洲地区大雾过程的结果中液态水含量要高于MYNN2.5 (Mellor-Yarada Nakanishi and Niino Level 2.5)方案。Román-Cascón et al.(2012)发现MYNN2.5方案对西班牙地区大雾天气过程的模拟结果较为理想。Payra and Mohan(2014)采用ACM2边界层方案进行模拟试验,并且根据试验结果中的气温、相对湿度和风速提出了一个预测新德里地区大雾天气的预报模型。Wong(2010)的研究结果表明,采用MYNN3方案的模式对大雾过程中的湍流混合和冷凝过程有着较为理想的模拟效果。Chaouch et al.(2017)对阿联酋地区大雾天气过程的模拟研究发现,耦合QNSE方案的WRF模式对地面气象要素的模拟效果最好。

有学者提出:大气低层感热、潜热通量的交换以及非绝热加热的垂直输送均会对平流雾的发生发展起着十分重要的作用(Huang et al., 2015),在WRF模式中这些交换作用主要体现在在边界层参数化方案中。为了评估不同边界层参数化方案对江苏地区平流雾过程的模拟和预报能力,本文以2013年3月18~19日发生在江苏地区的一次平流雾过程为例,采用高分辨率中尺度数值模式WRF模式进行模拟试验。评估了三个不同类型的边界层方案对此次平流雾过程的模拟效果,探讨各个边界层方案在江苏地区不同区域的模拟性能。重新计算了各个方案的边界层高度,探讨了边界层高度对平流雾的生成和发展的影响,为江苏地区大雾过程的预报预警提供科学依据。

2 资料与方法 2.1 平流雾个例简介

2013年3月18~19日江苏省出现了一次平流雾天气过程,此次平流雾突发性强、覆盖范围广、能见度低、持续时间长,对全省多条高速公路造成不同程度的影响(王博妮等,2015)。3月18日20:00(北京时,下同)大雾开始出现,盐城站和建湖站实测能见度最先降至1000 m以下,并且地面观测相对湿度在85%以上;同时射阳站、楚州站、阜宁站等站点能见度已低至1500 m以下并且伴随着较大的相对湿度(图 1a)。随后,在大雾范围逐渐向南扩散移动的同时,能见度逐渐降低、相对湿度逐渐增大。19日00:00(图 1b)大雾已经覆盖了长江以北的大部分地区,此时泰州站和如皋站的能见度已经低至500 m以下,相对湿度增至90%以上。在此之后,大雾继续向南北两个方向扩散增强变浓,至19日07:00(图 1c)达到此次大雾过程中湿度最高、能见度最低的时刻,整个沿江地区能见度均降至200 m以下、相对湿度增大至95%左右,仪征站、丹徒站、如皋站、启东站和海门站的能见度已经低至50 m以下。此次大雾过程在达到最浓之后,即19日08:00开始雾体逐渐变薄变淡,至19日中午12:00(图 1d),除邳州站、新沂站和连云港站还有零星雾体存在之外,其它地区地面站观测到的能见度均恢复到1000 m以上、相对湿度减小到75%以下,至此此次平流雾过程基本结束。

图 1 2013年3月(a)18日20:00、(b)19日00:00、(c)19日07:00和(d)19日12:00江苏省地面能见度(阴影;单位:m)和相对湿度(等值线;单位:%)分布 Figure 1 Spatial distributions of ground visibility (shaded; units: m) and relative humidity (contours; units: %) in Jiangsu Province at (a) 2000 BT (Beijing time) 18, (b) 0000 BT 19, (c) 0700 BT 19, and (d) 1200 BT 19 March 2013
2.2 天气背景

从18日20:00 500 hPa高度场上(图 2a)可以看到,江苏处在东北冷涡底部的西北偏西气流中,孟加拉湾地区的南支槽有北抬加深东移的趋势。同一时次的925 hPa高度场上(图 2b)江苏南部地区有暖区存在,吹东南风,有利于暖湿气流输送到内陆地区和低层逆温的形成。在这种对流中低层大气环流形势的配合下,低层下沉增湿明显,抑制上升运动的发展,使得层结稳定,更有利于雾在地面附近发展。19日08:00 500 hPa高度场上(图 2d),高纬度地区东亚大槽减弱北缩,南支槽移到105°E附近,江苏省处在强西南气流中,受其影响全省云系增多。同时在925 hPa高度场上(图 2e)吹偏南风,并在30°N以北出现暖区,暖湿气流的增强有利于雾进一步发展维持。综合分析,此次大雾发生前,高空受纬向环流影响,不利于冷空气大规模南下;中低层受暖湿系统控制,大气层结稳定;地面处在低压倒槽的东侧,有利于将海上的暖湿空气输送到内陆,使得近地层水汽饱和。此外,地面变性冷高压东移入海,有弱冷空气渗透,气温下降,与低空的暖湿气流形成平流逆温,所以此次大雾过程为一次平流雾过程。

图 2 2013年3月18日20:00(第一行)和19日08:00(第二行)天气形势图:(a、d)500 hPa;(b、e)925 hPa;(c、f)地面。黑色实线为位势高度场(单位:gpm),红线为温度场(单位:℃) Figure 2 Synoptic weather patterns at 2000 BT 18 (first line) and 0800 BT 19 (second line) March 2013: (a, d) 500 hPa; (b, e) 925hPa; (c, f) the surface. Black solid lines are geopotential height (units: gpm), and red solid lines show temperature (units: ℃)
2.3 数据及模式设置

本文采用高分辨率中尺度数值模式WRF3.7.1版本对此次平流雾过程进行模拟研究。试验采用三层单向嵌套,以(32.5°N,119.5°E)为中心点,运用逐步降尺度的方式进行模拟运算,模拟区域设置如图 3a所示。D01区域的水平分辨为12.15 km,格点数为250×250;D02区域的水平分辨率为4.05 km,格点数为385×385;D03区域的水平分辨率为1.35 km,格点数为595×595,这一区域覆盖江苏全省。模式地形初始场采用2010年版本(Kioutsioukis et al., 2016),图 3b为2010年版本中D03模拟区域内地形高度图。为增强模式对大雾过程的模拟效果,将垂直层数由原来的27层增加至60层,其中距离地面1 km以下设为26层。积分步长分别设置为18 s、6 s、2 s,模拟设置中均没有开启资料同化项。D03区域内每1 h输出一次结果,以该层输出结果进行分析。

图 3 (a)模拟区域设置与(b)D03地形高度 Figure 3 (a) Simulation domains and (b) terrain height in D03 of WRF model

目前WRF模式提供的参数化方案主要包括微物理方案、长波辐射方案、短波辐射方案、陆面过程方案、边界层方案、近地层方案和积云对流方案等。黄政等(2016)的研究结果表明:微物理方案选用WDM6方案、陆面方案选用SLAB方案、边界层方案选用QNSE方案时,江苏地区雾的数值模拟效果最优,故本文在此基础上探讨边界层参数化方案的改变对江苏地区平流雾过程的模拟效果。微物理过程方案WDM6方案中预报云水、雨水、云冰、学和霰五种水凝物,采用双参数方案预报混合比、云水的数浓度、云凝结核数浓度等在大雾过程中十分重要的物理量(Lim and Hong, 2010董昊等,2012朱格利等,2014)。陆面过程方案选取热量扩散(SLAB)方案,该方案预报5层土壤温度,取土壤湿度为固定值,并且考虑到了包括辐射、感热、潜热等在内的能量收支的影响(万小雁,2010严明良,2011王佳,2014陈杨瑞雪和罗亚丽,2016;)。长波辐射方案选择在模拟雾过程中常用的RRTM方案,短波辐射方案选用Dudhia方案(王益柏等,2014杨悦和高山红,2016吴晓京等,2017)。胡轶佳等(2008)的研究结果表明在积云对流不活跃的秋冬季节,地面气象要素的模拟效果对积云对流参数化方案的选择不敏感。WRF模式中积云对流参数化方案对10 km以下的模拟影响很小,故本文试验设置中仅在对外层模拟区域采用了在大雾天气模拟中运用较多的浅对流Kain- Fritsch积云参数化方案,里面两层模拟关闭了积云方案(Ma and Tan, 2009)。由于雾是发生在边界层内的水汽凝结物(Gultepe et al., 2007),故本文主要探讨边界层方案的改变对平流雾模拟的影响。文中选用了三种不同闭合方式的边界层方案,即YSU方案、QNSE方案和ACM2方案,依次对应Revised M-O、QNSE和Revised M-O三个近地层参数化方案分别进行模拟试验。

本文使用的数据主要包括以下三种:第一,由江苏省70个自动站提供的逐小时气象观测数据,包括2 m高度温度、2 m高度相对湿度、10 m高度风速及能见度等气象要素;第二,南京和射阳两个探空站每日两次的探空数据,包括温度、露点温度、风速等气象要素,以上两组数据主要用来对模拟结果进行性能评估;第三,由NCEP(National Centers for Environmental Prediction)提供的一日四次、水平分辨率1°×1°的全球气象再分析资料,这一数据用来作为WRF模式的初始场。

2.4 边界层参数化方案简介 2.4.1 YSU方案

WRF模式中应用最广泛的边界层方案是YSU方案(Hong et al., 2006)。YSU方案是一阶非局地闭合的梯度输送理论方案,由MRF方案改进而来。改进后YSU方案中非局地通量项的量级比MRF方案中小,使大气层结接近中性,解决了原方案中反梯度输送项过大而导致的大气层结过于稳定的问题。YSU方案单独处理大气中的夹卷过程,从而增加了边界层中热力作用诱导的湍流混合,降低动力强迫的湍流混合,同时还纠正了边界层增长过快的问题。YSU方案根据理查森数判断边界层高度,在不稳定层结时取临界值理查森数为0;稳定层结时将临界值修正为0.25。

2.4.2 QNSE方案

QNSE方案是一个1.5阶局地湍流闭合方案(Sukoriansky and Galperin.,2005Sukoriansky,2008Sukoriansky and Galperin, 2008)。该参数化方案在不稳定层结情况下采用MYJ方案湍流动能闭合方案,在稳定层结情况下采用了新的湍流谱闭合模式。QNSE方案保留了更加符合实际大气的物理过程,显式地区分了由于层结引起的质量水平与垂直输送的差别,而且考虑了湍流与波的共同作用。这一方案中还考虑了稳定层结下气流的各向互异性与强稳定层结下垂直扩散系数的减小等特征,更实用于稳定层结中湍流切变的模拟。QNSE方案根据TKE值确定边界层高度,其阈值为0.01 m2 s-2

2.4.3 ACM2方案

ACM2方案是一个一阶非局地向上混合和局地混合结合的非闭合边界层参数化方案(Pleim,2007a2007b),是ACM1放的改进方案。ACM1方案中由浮力热泡作用引起向上的湍流输送,从模式最底层直接传递到其它层,而向下的湍流输送则由于补偿下沉作用而逐层传递。ACM2方案在原方案的向上湍流输送过程的基础上增加了局地输送部分,改进之后即可以模拟由浮力作用引起的气块向上输送,也可以模拟局地湍流交换。边界层内部的湍流交换速率分别采用相似理论和局地湍涡交换公式计算,不稳定条件下的交换系数取两者的最大值。稳定或中性条件下ACM2方案关闭非局地传输方式,采用局地闭合算法。ACM2方案根据理查森数确定边界层高度,其阈值为0.25。

2.5 模拟效果评估方法

采用平均偏差(Mean Bias,简称MB)来评估模式对气象要素的高(低)估程度:

$ {\rm{MB}} = [\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {(X_{i, j}^M - X_{i, j}^N)]/MN, } } $ (1)

其中,XM是模式模拟值,XN是气象要素观测值,M是参与统计的气象站点总数,N为参与统计的时次总数,i为气象站点数编号,j为时次数编号。

采用泰勒图(Taylor)方法评估模式对地面气象要素的模拟效果。泰勒图是由模拟与观测场空间分布的相关系数(r)、标准差比率(σ)及均方根误差(RMSE)三个变量显示在一张图中,从而较为全面清楚地反映模式的模拟能力,公式如下:

$ \begin{array}{l} r = \left[ {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {(X_{i, j}^M - \overline {{X^M}})(X_{i, j}^N - \overline {{X^N}})} } } \right]/\\ \;\;\;\;\;\left[ {\sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{(X_{i, j}^M - \overline {{X^M}})}^2}\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{(X_{i, j}^N - \overline {{X^N}})}^2}} } } } } } \right], \end{array} $ (2)
$ {\rm{RMSE}} = \sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{\left[ {(X_{i, j}^M - \overline {{X^M}}) - (X_{i, j}^N - \overline {{X^N}})} \right]}^2}/MN, } } } $ (3)
$ \sigma = {\sigma _M}/{\sigma _{N, }} $ (4)

其中,$ {\overline {{X^M}} } $是模式模拟要素的平均值,$ {\overline {{X^N}} } $是气象要素观测值的平均值;$ {\sigma _M} = \sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{\left({X_{i, j}^M - {{\bar X}^M}} \right)}^2}/M} } } $为模拟值的标准差,$ {\sigma _N} = \sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{\left({X_{i, j}^N - {{\bar X}^N}} \right)}^2}/N} } } $为观测值的标准差。

雾区预报效果的评估采用TS(Threat Score)评分法和BS(Bias Score)评分法:

$ {\rm{TS = NA/(NA + NB + NC) \times 100\%, }} $ (5)
$ {\rm{BS = (NA + NB)/(NA + NC)}} , $ (6)

其中,NA为雾区预报正确站(次)数;NB为空报站(次)数;NC为漏报站(次)数。

3 结果与分析 3.1 不同边界层方案对全省地面气象要素的模拟效果分析

探讨耦合不同边界层方案WRF模式对此次平流雾过程的影响,首先需要检验其对地面气象要素的模拟效果。结合江苏省70个自动观测站的逐小时观测资料,对不同边界层参数化方案在此次平流雾过程中对2 m高度气温(T2)、2 m高度相对湿度(RH2)、10 m高度风速(WS10)的模拟能力进行评估。表 1为三组模拟试验结果与实测气象要素之间的平均偏差(MB),从中可以发现耦合不同边界层方案后的WRF模式对此次平流雾过程的模拟结果呈现气温偏低、湿度及风速偏大的特征。三组试验结果中,QNSE方案对2 m温度的低估程度最小、YSU方案的低估程度最大;对湿度高估程度最大的方案为QNSE方案、高估程度最小的方案为ACM2方案;在风速方面,YSU方案的模拟结果与实测值最为接近、QNSE方案对风速的高估程度最大。

表 1 各边界层参数化方案对地面气象要素模拟平均偏差值 Table 1 Mean biases of various near-surface meteorological elements with different PBL schemes

用Taylor评分法比较不同边界层方案在此次平流雾中预报温度、湿度、风速三种气象要素与观测值的相关系数、标准差比率和均方根误差(图 4)。从相关系数来看,耦合不同边界层参数化方案的WRF模式对气温的再现能力最好,三组试验的相关系数在0.8~0.9之间;对湿度的模拟能力次之,其相关系数在0.6~0.7之间;对风速的模拟能力相对较差,其空间相关系数仅在0.4~0.5之间。从单个气象要素来看,QNSE方案模拟气温与实际情况相关性最好;ACM2方案模拟相对湿度与实测湿度的相关系数最大;YSU方案模拟风速与观测值有较好的相关性。标准差比率可以反映出预报气象要素的离散程度与实际情况之间的差异,这一比率越接近1表明预测效果越好。YSU方案模拟的气温标准差比率与实际情况最为接近、QNSE方案模拟的气温标准差比率最小,说明YSU方案对变温情况的预报效果较好,QNSE方案预测的气温比较平稳,对气温变化的预测能力较弱。ACM2方案的标准差比率最接近1,即对湿度变化模拟较为灵敏;QNSE方案模拟的湿度标准差比率较小,表明这一方案模拟的湿度变化较为平稳。YSU方案的风速标准差比率更接近1,说明该方案对风速变化的预测较为理想;QNSE方案模拟风速的标准差比率大于1,对风速的预报离散程度偏大,预报结果中比较容易出现极端大风的现象。在均方根误差方面:QSNE方案对气温的预报效果较为理想;ACM2方案对相对湿度的预报效果较为优秀;YSU方案预测风速的均方根误差最小。

图 4 不同边界层方案模拟3月19日地面气象要素的泰勒图。参考点REF为实测场,预报场到原点的距离代表其相对于REF的标准差;预报场在图中方位角的余弦代表其余观测的相关系数;预报相对于REF的距离代表其与REF的均方根误差 Figure 4 Taylor diagram of various near-surface meteorological elements simulated by different PBL schemes compared to the observations. REF means observations. The distance between a given forecast element and the origin point represents the standard deviation of the forecasted element to REF. The cosine of the azimuth of a given forecast field stands for its correlation with REF; the distance between the value of a given forecast element and REF represents the root mean square error

综合以上分析可以得出:QNSE方案对气温预报低估程度较低,气温模拟值与实测值之间均方根误差较小且相关性较高,该方案对气温的模拟效果较为理想;ACM2方案对湿度变化的预测与实际情况吻合度较高,并且对实际情况的高估程度较低、均方根误差较小,说明该方案在湿度的预测方面有较好的表现;YSU方案对风速的预报平稳程度最好,且高估程度较低,均方根误差也是三组试验结果中最小的,该方案对风速的模拟效果时三个方案中最好。

3.2 不同边界层方案对高空气象要素的模拟效果分析

不同边界层参数化方案对高空气象要素的模拟能力也十分重要,故选用江苏境内的射阳和南京两个探空站在此次平流雾期间的两个时次,即3月18日20:00和3月19日08:00的探测数据,比较各个高度层的温度、相对湿度和风速的模拟效果。本文主要探讨的边界层参数化方案主要作用显现在700 hPa高度以下的区域,故下文只探讨700 hPa高度以下各气象要素模拟结果与观测值间的差异。

图 5中为射阳站和南京站3月18日20:00的探空数据与WRF模式模拟数据之间的差异,此时射阳站观测能见度已经低于1 km,而南京站并未监测到低能见度现象。从图 5a中可以看出,三个边界层方案均较好地再现了射阳站上空的逆温结构,其中YSU方案和ACM2方案的模拟结果十分相似,与观测值吻合度也较高;QNSE方案模拟的逆温强度稍弱、且逆温层稍高。通过前文分析可以发现QNSE方案对地面相对湿度的模拟结果偏大程度最严重,这种特征在垂直方向上表现也较为突出:从图 5b中可以发现,QNSE方案在925 hPa以下相对湿度模拟结果较实测值偏大;而在925 hPa以上高度模拟结果偏小。YSU方案和ACM2方案在低空模拟结果均呈现湿度偏小的特点。三个方案模拟垂直方向风速廓线相似:在925 hPa以下高度层内模拟风速要小于实测值,其中ACM2方案对风速的低估程度最为严重、QNSE方案的低估程度最小;在925 hPa以上高度层内各方案模拟风速略大于实测值,其中QNSE方案模拟偏差最大(图 5c)。同一时刻,YSU方案和ACM2方案对南京站垂直温、湿、风速廓线的模拟结果几乎一样,且与实际情况较为接近(图 5def);而QNSE方案在925 hPa以下高度层的模拟结果呈现气温偏低、相对湿度偏大的特征。

图 5 2013年3月18日20:00射阳站(第一行)、南京站(第二行)实测探空(a、d)温度(单位:℃)、(b、c)相对湿度和(c、f)风速(单位:m s-1)与模式模拟值的垂直变化对比 Figure 5 Vertical profiles of the observed (OBS) and simulated temperature (units: ℃), relative humidity, and wind speed (units: m s-1) at 2000 BT 18 March 2013 at Sheyang station (first line) and Nanjing station (second line)

在大雾的消散阶段,不同边界层方案之间对两站垂直温、湿、风速廓线模拟差异很小(图 6),这一现象与前人的研究成果一致:Steeneveld et al.(2015)指出微物理过程方案在大雾的消散过程中作用要大于边界层参数化方案。

图 6图 5,但为2013年3月19日08:00 Figure 6 Same as Fig. 5, but for 0800 BT 19 March 1 2013

综上所述,在此次平流雾过程的模拟试验结果中,非局地闭合YSU方案对地面风速的模拟性能较强;局地闭合QNSE方案对地面气温的模拟效果较好;混合闭合方式的ACM2方案在相对湿度的模拟方面表现优良。在大雾的形成阶段,三组边界层方案模拟结果之间的主要差异在于对低空相对湿度的模拟差异;在大雾的消散阶段,边界层参数化方案的改变对气象要素的模拟效果作用很小。

3.3 边界层方案对雾区的模拟效果分析

在以往的研究中,TS和BS评分法多用于暴雨(刘永和等,2013朱丰等,2014曾波等,2015)等强对流天气的预报效果的评估,也有人用来判定高温(曾新民等,2011)、大风(何晓凤等,2014)等天气现象的预报水平,在分析云(蔡淼等,2014)、低能见度(白永清等,2016)等稳定性天气过程亦有所应用。石春娥(2013)和黄政(2016)曾用这两种评分方法评价模式对雾区的预报效果,本文亦采用这两个评分标准来评估不同边界层参数化方案对此次平流雾成雾区域的模拟能力。TS评分主要反映预报成雾的准确程度,TS评分越高表示对雾区的模拟效果越好。BS用来衡量模式对雾区模拟的偏差:BS评分大于1,表示模式模拟雾区大于实际雾区;其值小于1,表示模拟的雾区比实际雾区范围小;BS评分越接近1,表示模式对成雾区域的模拟与实际区域越接近。WRF模式中并没有对能见度的直接输出结果,大多数研究中都用最低层的液态含水量(LWC)来推算能见度。根据经验关系公式(Kunkel,2010),一般采用LWC=0.05 g kg-1为成雾的最低值,本文采取了这一阈值作为成雾的判别指标。根据公式(5、6)分别计算出了YSU方案、QNSE方案和ACM2方案对此次平流雾过程的TS评分,其值分别为35.9%、27.2%和36.4%;BS评分分别为0.64、0.88和0.65。通过这两个评分指标发现,耦合了三个边界层参数化方案的WRF中尺度数值模式对此次平流雾过程具有一定的预报能力,但是三个方案的BS评分均小于1,说明WRF模式对地面雾区水平范围的预报偏小。综合两个评分指标来看,ACM2方案的模拟效果是三个方案中最好的,其预报TS评分最高且BS评分表现也较为优秀;QNSE方案的预报TS评分最低,但其模拟雾区的水平范围与实际情况最为接近。

图 7给出了不同边界层方案对此次平流雾预报TS评分和BS评分的水平分布,从图中可以看出,三个方案在不同区域内的平流雾预报性能也各有不同。图 7abc分别为三个边界层方案的TS评分水平分布,从图中可以发现:此次平流雾的模拟结果在江苏沿海站点的预报评分较高,在距海较远站点的预报评分表现较低。YSU方案的TS预报评分大值区(≥30%)集中在东南沿海地区;对西北部地区站点的预报评分较低,对这一区域的TS评分在20%以下。QNSE方案的TS预报评分大值区面积是三组实验结果中最小的,覆盖范围主要在沿江区域,对江苏北部沿海及内陆站点的大雾预报准确率都很低。ACM2方案TS评分大值区面积最大,并且对沿海地区的分数较高,尤其对沿海北部地区的有较好的模拟效果;对内陆西部地区站点的低能见度现象预报评分稍低。在BS评分方面,三个边界层方案的表现也各有千秋。图 7def分别为YSU方案、QNSE方案和ACM2方案的BS评分水平分布图,从图中可以发现:YSU方案的BS评分接近1(0.8~1.2)的区域面积最大;QNSE方案的BS评分接近1的区域面积最小。YSU方案对内陆地区大雾的漏报程度较高;QNSE方案对北部漏报率较高、对南部的空报率很高,南北相互抵消故对全省的BS评分较高。ACM2方案对此次平流雾的BS评分在0.8~1.2的范围主要覆盖沿海地区,对内陆站点的BS评分也普遍在0.4以上,总的来说ACM2方案的雾区预报较为平衡。与其它两个方案明显不同的特征是,ACM2方案对沿海北部站点不仅预报准确程度高而且高估程度也很明显。

图 7 不同边界层方案模拟的TS(上)和BS(下)评分区域分布:(a、d)YSU方案;(b、e)QNSE方案;(c、f)ACM2方案 Figure 7 TS (Threat Score, first line) and BS (Bias Score, second line) distributions of fog area simulations based on different boundary layer parameterization schemes: (a, d) YSU scheme, (b, e) QNSE scheme, (c, f) ACM2 scheme

综合两个评分指标,采用混合闭合方式的ACM2方案在全省范围内预报雾区的效果最好。此次模拟实验中,三组边界层参数化方案在江苏省内不同区域表现出的预报能力也有所不同。耦合YSU方案之后,WRF模式对江苏沿海南部地区的雾区范围预报准确度较高,对内陆北部地区预报准确度较低。QNSE方案对长江沿岸的雾区预报准确率较高,对苏北地区准确率很低;该方案对长江以南地区雾区的高估程度较大,对北部雾区低估程度也较大,南北相互抵消导致模拟全省雾区的BS评分较高。ACM2方案在沿海北部地区的雾区预报效果好于其它两组试验结果,故在全省范围内的预报效果好于其它方案。

3.4 模拟雾区与边界层高度分析

边界层参数化方案的选取对大雾的生成和发展起着至关重要的作用,对大雾消散过程的作用较小,故下文只讨论边界层方案对此次平流雾生成到发展阶段的影响。图 8给出了不同边界层方案在三个时刻的模拟液态水含量高于0.05 g kg-1的区域与地面观测能见度的比较。3月18日20:00(图 8a),江苏地面测站中已有三个站点观测到了大雾现象,而三组试验结果中只有QNSE方案预报雾区覆盖到了其中一个,其余两组方案均没有模拟出陆地上的大雾天气。这一时刻,YSU方案模拟出的液态水含量最高、雾区范围最大、离陆地距离最近,只是并未登陆(图 8a1);QNSE方案模拟的雾区范围虽小,但却模拟出了地面测站的低能见度现象(图 8a2);ACM2方案模拟雾区不仅小,而且离陆地较远(图 8a3)。组图 8b为3月19日00:00的模拟雾区分布图,此时地面观测到的大雾范围在长江沿岸附近。三组模拟试验结果中,YSU方案模拟雾体的西北端已经登陆但未覆盖到实测起雾站点(图 8b1);QNSE方案模拟雾体基本覆盖到了所有实测起雾站点,但对长江以南地区空报现象也较为明显(图 8b2);ACM2模拟的雾体向北移动并且浓度增强(图 8b3)。组图 8c为3月19日07:00三个方案的模拟雾区范围,此时地面观测的能见度最低且平流雾覆盖范围最大。这一时刻的模拟结果中,YSU方案模拟雾体向西北方向扩展移动的同时,液态水含量增大、雾体变厚,模拟雾区覆盖到了江苏中部以南部大部分地区,对北部地区成雾站点的漏报比较严重(图 8c1)。QNSE方案模拟液态水含量在这一时刻减少了很多,雾体已经变得很淡,虽然模拟雾区覆盖到了长江沿岸大部分站点,但是已经处于消散阶段(图 8c2)。ACM2方案模拟雾体向北扩散至江苏海岸线最北端,模拟雾区覆盖了沿海地区大部分站点,对内陆地区站点的漏报程度相对较轻(图 8c3)。

图 8 2013年3月(a1–a3)18日20:00、(b1–b3)19日00:00和(c1–c3)19日07:00距离地面10 m高度液态水含量大于0.05 g kg−1的模拟区域与地面实测能见度的比较:YSU方案(左列);QNSE方案(中间列);ACM2方案(右列)。阴影为模拟液态水含量(单位:g kg−1),“•”代表测站能见度小于1 km,“×”代表测站能见度大于1 km. Figure 8 Comparison between the simulated liquid water content at 10 m level above the surface that is greater than 0.05 g kg−1 and the distribution of the observed visibility at (a1–a3) 2000 BT 18 March, (b1–b3) 0000 BT 19 March, and (c1–c3) 0700 BT 19 March, 2013: YSU scheme (left column); QNSE scheme (middle column); ACM2 scheme (right column). Shaded areas denote the simulated liquid water content (units: g kg−1), "•" denotes the stations where the observed visibility is less than 1 km and "×" denotes the stations where the observed visibility is more than 1 km

耦合不同边界层参数化方案对此次平流雾生成、发展阶段的模拟雾区分也各有不同。采用YSU方案之后,WRF模式模拟的液态水含量最高、雾体最浓,但是预测的出现时间要迟于实际情况。QNSE方案模拟的液态水含量稍低、雾体较薄,预测出现时间和出现地点与实测较为接近,但是预测结束时间要早于实际情况,模拟大雾过早进入消散阶段。ACM2方案模拟雾体厚度与空间分布范围介于前两个方案之间,该方案预报出现时间同样晚于实际情况,但是在实测大雾最浓厚的时刻,模拟雾区覆盖范围到了较多的实测低能见度站点。

边界层高度是分析边界层结构的重要物理量,边界层高度越高,表示边界层内湍流混合作用越强(王子谦等,2014)。很多学者通过计算边界层高度来判定低层大气层结稳定程度,进而预测空气污染的程度,研究结果表明边界层高度降低时会导致垂直扩散强度降低,不利于污染物的扩散(杜川利等,2014祁妙等,2015姚日升等,2017)。陆雪等(2014)的研究指出适当的湍流强度与边界层高度有利于海雾发展与维持;湍流过强、边界层高度过高,不利于海雾的发展与维持。目前,三个边界层参数化方案使用不同的方法计算边界层高度:QNSE方案的边界层高度根据湍流动能廓线计算得出;YSU方案和ACM2方案根据理查森数判断边界层高度,两个方案的阈值不同。目前有很多种计算边界层高度的方法,比较常见的有位温法(Liu,2010涂静等,2012)和理查森数阈值法(Joffre et al., 2001Kang et al., 2015)等。下文为了方便对比分析,统一采用Nielsen-Gammon et al.(2008)提出的“1.5-theta-increase”方法,即将边界层高度定义为首次超过最低位温1.5 K的高度,重新计算了各个方案的模拟边界层高度。WRF模式中,将距离地表 100~150 m的高度设定为近地面层,在这一高度范围内主要的物理参数由近地面层参数化方案进行描述。为了减少近地面数据有可能存在误差的影响,本文从距离地面100 m以上的部分开始计算边界层高度。下面将探讨各边界层方案计算的边界层高度变化对模拟雾区分布的影响。

地面测站中,最先出现大雾现象的三个站点位于33.5°N附近,沿这一纬度做剖面图,分析3月18日20:00边界层高度的经向变化(图 9a)。从图中可以发现,在120°E~120.5°E附近的边界层高度要高于其它地区,这一范围恰好为海岸线的区域。海岸线两侧海面与陆地之间的水汽、热量、能量交换较强,边界层高度变高说明较强的湍流交换作用将海面上的暖湿空气输送至内陆,为陆地大雾的生成提供充分的水汽条件。三组方案中QNSE方案计算出的边界层高度最高,说明较强的湍流混合作用有助于此次平流雾的生成。

图 9 2013年3月(a)18日20:00沿33.5°N和19日(b)00:00、(c)07:00沿32.5°N的边界层高度的经度—高度剖面 Figure 9 Longitudevertical cross sections of the boundary layer height along (a) 33.5°N and (b, c) 32.5°N at (a) 2000 BT 18 March, (b) 0000 BT 19 March, and (c) 0700 BT 19 March, 2013

3月19日00:00,地面观测大雾的范围在长江沿岸附近,沿32.5°N做剖面图分析边界层高度在这一时刻的经向变化对雾区范围的影响。从图 9b中可以看出,这一经度上陆地区域内,QNSE方案模拟出的边界层高度升高,说明在这一时刻该方案产生的湍流混合作用变强。前文分析中指出,此时QNSE方案模拟的雾区范围与实际情况最为接近,故可以发现一定的湍流混合强度有利于平流雾的发展。与此同时,YSU方案和ACM2方案在海面上的边界层高度要高于QNSE方案,结合前文各边界层方案雾区模拟范围与雾体厚度变化分析可以发现,较强的湍流混合有助于液态水含量升高。海面上QNSE方案计算出的边界层高度较低,说明海气输送作用较弱,这一现象可能导致水汽供应不足,大雾过早消散。

图 9c为3月19日07:00边界层高度在32.5°N上的经向变化图,这一时刻是地面观测到能见度最低、雾体范围最大的时刻。在图中可以看出,YSU方案和ACM2方案计算出的边界层高度由内陆向海面逐渐升高,表明此时该纬度上的湍流混合作用由内陆向海面逐渐增强。模拟雾区范围扩大,液态水含量升高,与前文分析得到较强湍流混合有助于液态水含量升高的结果相互印证。QNSE方案计算陆地上边界层高度依然呈现陆地高、海面低的特征,海面上持续的较弱湍流混合作用导致陆地上方水汽供应不足,已经形成的雾体不能继续维持,走向消散阶段。

为了检验前文所得结论,选用了2013年3月28日01:00~10:00发生在江苏地区的另一次平流雾过程,采用相同的试验方法进行模拟验证。试验结果表明,YSU、QNSE、ACM2方案模拟气温的平均偏差分别为:-1.7℃、-0.79℃和-1.55℃;模拟相对湿度的平均偏差分别为:12.71%、12.99%和12.33%;模拟风速的平均偏差分别为:1.36 m s-1、1.21 m s-1和1.50 m s-1。结合图 10可以发现,三组边界层方案对这一次平流雾过程中各气象要素的模拟效果与前文基本一致。

图 10图 4,但为3月28日 Figure 10 Same as Fig. 4, but for 28 March

通过如皋站能见度与相对湿度时间变化图可以发现(图 11a):3月28日01:00,如皋站开始出现大雾现象,随后大雾逐渐变浓,至04:00能见度已不足100 m。日出之后,08:00起能见度升高且相对湿度降低,大雾开始消散。三组边界层方案中,只有QNSE方案的模拟出了01:00如皋站的低能见度现象(图 11c),但该方案预测的大雾出现时间要早于实际出现时间。YSU方案和ACM2方案模拟的起雾时间均晚于实际情况(图 11bc)。分析三组边界层方案对如皋站地面液态水含量和边界层高度的模拟结果,可以得到与前文一致的结论。耦合YSU方案后预测的边界层高度较低,其预报液态水含量最高;选用QNSE后预测的边界层高度偏高,其模拟液态水含量最低。平流雾形成之前边界层高度较高;随着边界层高度的降低,地面液态水含量逐渐升高;边界层高度升高之后,地面大雾开始消散。

图 11 如皋站3月28日(a)实测能见度(Vis;单位:m)和相对湿度以及(b)YSU方案、(c)QNSE方案和(d)ACM2方案下模拟液态水含量(LWC;单位:g kg-1)、边界层高度(PBLH;单位:m)的时间变化曲线 Figure 11 a) Temporal evolutions of observed visibility (Vis; units : m) and relative humidity on March 28th of 2013 at Rugao station. Temporal evolutions of simulated liquid water content (LWC; units: g kg-1) and boundary layer height (PBLH; units: m) with (b) the YSU scheme, (c) the QNSE scheme, and (d) the ACM2 scheme on March 28th of 2013 at Rugao station
4 结论与讨论

本文选取了WRF模式中三种不同的边界层参数化方案对发生于2013年3月18~19日的一次平流雾过程进行了数值模拟试验,这三种方案分别为非局地闭合型方案YSU、局地闭合型方案QNSE、混合闭合型方案ACM2。根据江苏省地面气象观测网提供的逐小时观测数据,评估了各边界层方案对地面、高空气象要素的模拟效果,分析了边界层方案的变化对此次平流雾雾区预报的能力,并且探讨了边界层高度变化对此次平流雾的生成与发展的作用和影响。

试验结果表明,三组试验结果对地面气象要的模拟结果均呈气温偏低、相对湿度和风速偏大的特征。其中,QNSE方案对气温的模拟能力最强;ACM2方案对相对湿度的模拟性能最好;YSU方案对风速的模拟效果最佳。在对垂直方向气象要素的模拟结果方面,三个边界层方案的主要差别在于对低空相对湿度的模拟差异:QNSE方案模拟的相对湿度更高。平流雾的生成与发展阶段,水平混合作用要强于垂直混合作用;而在平流雾的维持阶段,垂直混合作用变强。相对于局地闭合方案,非局地闭合方案YSU方案考虑到更多的水平输送过程,使其在地面风速的预测与实际情况吻合程度较高。局地闭合方案QNSE描述垂直方向的湍流交换能力较弱,在以垂直混合作用为主的平流雾过程中,模拟的气温变化幅度要小于其它方案,使其对气温的预测表现比较平稳。较弱的垂直湍流交换不利于向下的水汽输送,较弱的动力条件有利于大量水汽在低空聚集,因此QNSE方案模拟结果中低空相对湿度更大。ACM2方案考虑到了各层之间的逐层垂直输送,对垂直混合效应的描述能力较强,因此,该方案在平流雾形成之后对垂直方向水汽输送的模拟有较强的表现力,有利于地面水汽的聚集,使得地面湿度的预报效果较好。

对雾区的模拟效果采用TS评分和BS评分两个指标进行判断。综合两个评分指标综合判断全省范围内的预报水平:混合闭合型ACM2方案预报雾区的效果最好,其预报TS评分最高且BS评分表现也较为优秀;QNSE方案的预报TS评分最低,但其对成雾范围的低估程度最小。三组边界层参数化方案在江苏省内不同区域表现出的预报能力也有所不同。耦合YSU方案之后,WRF模式对江苏沿海南部地区的成雾预报准确率较高,对内陆北部地区预报准确率较低。QNSE方案对长江沿岸的雾区预报准确率较高,对苏北地区预报准确率较低;与此同时,该方案对长江以南地区雾区的高估程度较大,对北部雾区低估程度较大,南北相互抵消导致模拟雾区的平均偏差较小。ACM2方案在沿海北部地区的雾区预报效果好于其它两组试验结果,从而导致其在全省范围内的预报效果好于其它方案。

平流雾的生成与发展阶段模拟雾区覆盖范围与边界层高度变化的关系十分紧密,通过分析边界层高度的变化与模拟雾区变化发现:在此次平流雾的生成阶段,适当强度的湍流混合作用有助于大雾的形成与发展;在地面雾体形成之后,过强的湍流混合作用也会导致大雾过早进入消散阶段。在地面大雾形成前,QNSE方案计算出的地面边界层高度最高,对应着该方案预报的地面起雾时间与成雾地点最为准确。在地面大雾开始形成之后,QNSE方案计算地面边界层高度变高,地面模拟雾区变大、该方案计算海面边界层高度降低,导致海面水汽输送不足,雾体过早消散。地面大雾出现之前,YSU方案和ACM2方案计算的陆地与海面边界层高度均较低,这两组边界层方案对湍流混合强度预报不足,使得海面上的水汽不能充分地输送向陆地,导致这两组方案对地面大雾预报出现的时间较为延迟。随着海面边界层高度的升高,湍流混合强度的增强,海陆水汽输送通道变得通畅。地面大雾形成之后,YSU方案和ACM2方案计算边界层高度由内陆地区向海面逐渐升高,海面上较强的湍流混合作用将水汽源源不断地输送至内地,从而这两组方案模拟的雾区范围与实际情况较为接近。

本文针对一次春季平流雾个例进行了模拟研究,并引用2013年3月28日江苏地区发生的另一次平流雾过程对所得结论进行了验证,但研究对其它季节平流雾过程的模拟结果尚缺乏探讨。在今后的研究中将引入更多春季平流雾个例,结合其他季节平流雾过程对不同边界层参数化方案的模拟影响进行更加深入的探讨,以期为江苏地区平流雾天气过程的准确预报提供理论支撑。

参考文献
白永清, 祁海霞, 刘琳, 等. 2016. 武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报[J]. 气象学报, 74(2): 189-199. Bai Yongqing, Qi Haixia, Liu Lin, et al. 2016. Study on the nonlinear relationship among the visibility, PM2.5 concentration and relative humidity in Wuhan and the visibility prediction[J]. Acta Meteor. Sinica (in Chinese), 74(2): 189-199. DOI:10.11676/qxxb2016.013
Banks R F, Tiana-Alsina J, Baldasano J M, et al. 2016. Sensitivity of boundary-layer variables to PBL schemes in the WRF model based on surface meteorological observations, lidar, and radiosondes during the HygrA-CD campaign[J]. Atmos. Res., 176. DOI:10.1016/j.atmosres.2016.02.024
Bossioli E, Tombrou M, Dandou A, et al. 2009. The role of planetary boundary-layer parameterizations in the air quality of an urban area with complex topography[J]. Bound.-Layer Meteor., 131(1): 53-72. DOI:10.1007/s10546-009-9349-7
蔡淼, 欧建军, 周毓荃, 等. 2014. L波段探空判别云区方法的研究[J]. 大气科学, 38(2): 213-222. Cai Miao, Ou Jianjun, Zhou Yuquan, et al. 2014. Discriminating cloud area by using L-band sounding data[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 38(2): 213-222. DOI:10.3878/j.issn.1006-9895.2013.12193
Chaouch N, Temimi M, Weston M, et al. 2017. Sensitivity of the meteorological model WRF-ARW to planetary boundary layer schemes during fog conditions in a coastal arid region[J]. Atmos. Res., 187: 106-127. DOI:10.1016/j.atmosres.2016.12.009
陈杨瑞雪, 罗亚丽. 2016. 不同边界层参数化方案和陆面过程参数化方案对一次梅雨锋暴雨显式对流模拟的影响分析[J]. 热带气象学报, 32(5): 656-667. ChenYang ruixue, Luo Yali. 2016. Analysis of the influence of different parameterization schemes representing the planetary boundary layer and land surface processes on convection-permitting simulations of a heavy rainfall event along Mei-Yu front[J]. Journal of Tropical Meteorology (in Chinese), 32(5): 656-667. DOI:10.16032/j.issn.1004-4965.2016.05.008
Coniglio M C, Correia J Jr, Marsh P T, et al. 2013. Verification of convection-allowing WRF model forecasts of the planetary boundary layer using sounding observations[J]. Wea. Forecasting, 28(3): 842-862. DOI:10.1175/WAF-D-12-00103.1
董昊, 徐海明, 罗亚丽. 2012. 云凝结核浓度对WRF模式模拟飑线降水的影响:不同云微物理参数化方案的对比研究[J]. 大气科学, 36(1): 145-169. Dong Hao, Xu Haiming, Luo Yali. 2012. Effects of cloud condensation nuclei concentration on precipitation in convection permitting simulations of a squall line using WRF model:Sensitivity to cloud microphysical schemes[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36(1): 145-169. DOI:10.3878/j.issn.1006-9895.2012.01.12
Draxl C, Hahmann A N, Peña A, et al. 2014. Evaluating winds and vertical wind shear from Weather Research and Forecasting model forecasts using seven planetary boundary layer schemes[J]. Wind Energy, 17(1): 39-55. DOI:10.1002/we.1555
杜川利, 唐晓, 李星敏, 等. 2014. 城市边界层高度变化特征与颗粒物浓度影响分析[J]. 高原气象, 33(5): 1383-1392. Du Chuanli, Tang Xiao, Li Xingmin, et al. 2014. Calculations of planetary boundary layer height and its relationship with particle size concentration in Xi'an city[J]. Plateau Meteorology (in Chinese), 33(5): 1383-1392. DOI:10.7522/j.issn.1000-0534.2013.00077
高笃鸣, 李跃清, 蒋兴文, 等. 2016. WRF模式多种边界层参数化方案对四川盆地不同量级降水影响的数值试验[J]. 大气科学, 40(2): 371-389. Gao Duming, Li Yueqing, Jiang Xingwen, et al. 2016. Influence of planetary boundary layer parameterization schemes on the prediction of rainfall with different magnitudes in the Sichuan Basin using the WRF model[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 40(2): 371-389. DOI:10.3878/j.issn.1006-9895.1503.14323
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. DOI:10.1007/s00024-007-0211-x
Gunwani P, Mohan M. 2017. Sensitivity of WRF model estimates to various PBL parameterizations in different climatic zones over India[J]. Atmos. Res., 194: 43-65. DOI:10.1016/j.atmosres.2017.04.026
何晓凤, 周荣卫, 孙逸涵. 2014. 3个全球模式对近地层风场预报能力的对比检验[J]. 高原气象, 33(5): 1315-1322. He Xiaofeng, Zhou Rongwei, Sun Yihan. 2014. Verification on surface wind speed of three global circulation models in China[J]. Plateau Meteorology (in Chinese), 33(5): 1315-1322. DOI:10.7522/j.issn.1000-0534.2013.00093
Hong Song-You, Yign Noh, Jimy Dudhia. 2006. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Mon. Wea. Rev., 134: 2318-2341. DOI:10.1175/MWR3199.1
Hu X M, Nielsen-Gammon J W, Zhang F Q. 2010. Evaluation of three planetary boundary layer schemes in the WRF model[J]. Journal of Applied Meteorology and Climatology, 49(9): 1831-1844. DOI:10.1175/2010JAMC2432.1
胡轶佳, 钟中, 闵锦忠. 2008. 两种积云对流参数化方案对1998年区域气候季节变化模拟的影响研究[J]. 大气科学, 32(1): 90-100. Hu Yijia, Zhong Zhong, Min Jinzhong. 2008. Impacts of cumulus parameterization scheme on the seasonal variation simulation of regional climate in 1998[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 32(1): 90-100. DOI:10.3878/j.issn.1006-9895.2008.01.08
Huang H J, Liu H N, Huang J, et al. 2015. Atmospheric boundary layer structure and turbulence during sea fog on the southern China coast[J]. Mon. Wea. Rev., 143(5): 1907-1923. DOI:10.1175/MWR-D-14-00207.1
黄政, 袁成松, 包云轩, 等. 2016. 基于不同参数化方案的高速公路大雾过程的数值模拟试验[J]. 气象, 42(8): 944-953. Huang Zheng, Yuan Chengsong, Bao Yunxuan, et al. 2016. Numerical simulations of heavy fog processes on expressways based on different parameterization schemes[J]. Meteorological Monthly (in Chinese), 42(8): 944-953. DOI:10.7519/j.issn.1000-0526.2016.08.004
Joffre S M, Kangas M, Heikinheimo M, et al. 2001. Variability of the stable and unstable atmospheric boundary-layer height and its scales over a boreal forest[J]. Bound.-Layer Meteor., 99(3): 429-450. DOI:10.1023/A:1018956525605
Kang Y F, Belušić D, Smith-Miles K. 2015. Classes of structures in the stable atmospheric boundary layer[J]. Quart. J. Roy. Meteor. Soci., 141(691): 2057-2069. DOI:10.1002/qj.2501
Kioutsioukis I, de Meij A, Jakobs H, et al. 2016. High resolution WRF ensemble forecasting for irrigation:Multi-variable evaluation[J]. Atmospheric Research, 167: 156-174. DOI:10.1016/j.atmosres.2015.07.015
Kunkel B A. 2010. Parameterization of droplet terminal velocity and extinction coefficient in fog models[J]. J. Climate Appl. Meteor., 23(1): 34-41. DOI:10.1175/1520-0450(1984)023<0034:PODTVA>2.0.CO;2
Lim K S S, Hong S Y. 2010. Development of an effective double-moment cloud microphysics scheme with prognostic cloud condensation nuclei (CCN) for weather and climate models[J]. Mon. Wea. Rev., 138(58): 1587-1612. DOI:10.1175/2009MWR2968.1
刘永和, 严中伟, 冯锦明, 等. 2013. 基于TIGGE资料的沂沭河流域6小时降水集合预报能力分析[J]. 大气科学, 37(3): 539-551. Liu Yonghe, Yan Zhongwei, Feng Jinming, et al. 2013. Predictability of 6-hour precipitation in the Yishu River basin based on TIGGE data[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37(3): 539-551. DOI:10.3878/j.issn.1006-9895.2012.11078
Liu S Y, Liang X Z. 2010. Observed diurnal cycle climatology of planetary boundary layer height[J]. Journal of Climate, 23(21): 5790-5809. DOI:10.1175/2010JCLI3552.1
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[J]. 应用气象学报, 25(3): 312-320. Lu Xue, Gao Shanhong, Rao Lijuan, et al. 2014. Sensitivity study of WRF parameterization schemes for the spring sea fog in the Yellow Sea[J]. Journal of Applied Meteorological Science (in Chinese), 25(3): 312-320. DOI:10.3969/j.issn.1001-7313.2014.03.008
Ma L M, Tan Z M. 2009. Improving the behavior of the cumulus parameterization for tropical cyclone prediction:Convection trigger[J]. Atmos. Res., 92(2): 190-211. DOI:10.1016/j.atmosres.2008.09.022
National Oceanic and Atmospheric Administration. 1995. Surface weather observations and reports[J]. Federal Meteorological Handbook No. 1, 94.
Nielsen-Gammon J W, Powell C L, Mahoney M J, et al. 2008. Multisensor estimation of mixing heights over a coastal city[J]. J. Appl. Meteor. Climatol., 47(1): 27-43. DOI:10.1175/2007JAMC1503.1
Nieuwstadt F T M. 2005. The atmospheric boundary layer[M]. Armenio V, Sarkar S, Eds. Vienna: Springer. DOI:10.1007/3-211-38078-7_4
Payra S, Mohan M. 2014. Multirule based diagnostic approach for the fog predictions using WRF modelling tool[J]. Adv. Meteor., 2014: 456065. DOI:10.1155/2014/456065
Pérez C, Jiménez P, Jorba O, et al. 2006. Influence of the PBL scheme on high-resolution photochemical simulations in an urban coastal area over the Western Mediterranean[J]. Atmos. Environ., 40(27): 5274-5297. DOI:10.1016/j.atmosenv.2006.04.039
Pleim J E. 2007a. A combined local and nonlocal closure model for the atmospheric boundary layer.Part Ⅰ:Model description and testing[J]. J. Appl. Meteor. Climatol., 46(9): 1383-1395. DOI:10.1175/JAM2539.1
Pleim J E. 2007b. A combined local and nonlocal closure model for the atmospheric boundary layer.Part Ⅱ:Application and evaluation in a mesoscale meteorological model[J]. Appl. Meteor. Climatol., 46(9): 1396-1409. DOI:10.1175/JAM2534.1
祁妙, 朱彬, 潘晨, 等. 2015. 长江三角洲冬季一次低能见度过程的地区差异和气象条件[J]. 中国环境科学, 35(10): 2899-2907. Qi Miao, Zhu Bin, Pan Chen, et al. 2015. Regional differences and meteorological conditions of a low visibility procedure over the Yangtze River delta region in winter[J]. China Environmental Science (in Chinese), 35(10): 2899-2907. DOI:10.3969/j.issn.1000-6923.2015.10.003
Román-Cascón C, Yagüe C, Sastre M, et al. 2012. Observations and WRF simulations of fog events at the Spanish northern Plateau[J]. Adv. Sci. Res., 8(1): 11-18. DOI:10.5194/asr-8-11-2012
石春娥, 吴照宪, 邓学良, 等. 2013. MM5与MM5-PAFOG模式区域雾预报效果评估比较[J]. 高原气象, 32(5): 1349-1359. Shi Chun'e, Wu Zhaoxian, Deng Xueliang, et al. 2013. Validation and comparison of regional fog forecast by MM5 and MM5-PAFOG models[J]. Plateau Meteorology (in Chinese), 32(5): 1349-1359. DOI:10.7522/j.issn.1000-0534.2012, 00126
石春娥, 李耀孙, 杨军, 等. 2015. MM5和WRF对中国东部地区冬季边界层模拟效果比较[J]. 高原气象, 34(2): 389-400. Shi Chun'e, Li Yaosun, Yang Jun, et al. 2015. Comparison of simulations on winter sounding profiles in PBL in East China between WRF and MM5[J]. Plateau Meteorology (in Chinese), 34(2): 389-400. DOI:10.7522/j.issn.1000-0534.2013.00206
Steeneveld G J, Ronda R J, Holtslag A A M. 2015. The challenge of forecasting the onset and development of radiation fog using mesoscale atmospheric models[J]. Bound.-Layer Meteor., 154(2): 265-289. DOI:10.1007/s10546-014-9973-8
Sukoriansky S. 2008. Implementation of Quasi-Normal Scale Elimination model of stably stratified turbulence in WRF[R]. Report on WRF-DTC Visit of Semion Sukoriansky-June.
Sukoriansky S, Galperin B, Perov V. 2005. 'Application of a new spectral theory of stably stratified turbulence to the atmospheric boundary layer over sea ice'[J]. Bound.-Layer Meteor., 117(2): 231-257. DOI:10.1007/s10546-004-6848-4
Sukoriansky S, Galperin B. 2008. A quasi-normal scale elimination (QNSE) theory of turbulent flows with stable stratification and its application in weather forecast systems[C]//6th IASME/WSEAS International Conference on Heat Transfer, Thermal Engineering and Environment (THE'08). Rhodes, Greece, 376-380.
涂静, 张苏平, 程相坤, 等. 2012. 黄东海大气边界层高度时空变化特征[J]. 中国海洋大学学报, 42(4): 7-18. Tu Jing, Zhang Suping, Cheng Xiangkun, et al. 2012. Temporal and spatial variation of atmospheric boundary layer height (ABLH) over the Yellow-East China Sea[J]. Periodical of Ocean University of China (in Chinese), 42(4): 7-18. DOI:10.3969/j.issn.1672-5174.2012.04.002
万小雁, 包云轩, 严明良, 等. 2010. 不同陆面方案对沪宁高速公路团雾的模拟[J]. 气象科学, 30(4): 487-494. Wan Xiaoyan, Bao Yunxuan, Yan Mingliang, et al. 2010. Simulation of the dumpling fog on the Nanjing-Shanghai Expressway based on different land-surface schemes[J]. Scientia Meteorologica Sinica (in Chinese), 30(4): 487-494. DOI:10.3969/j.issn.1009-0827.2010.04.009
王博妮, 袁成松, 陈鹏, 等. 2015. 2013年初春一次平流雾过程对江苏交通的影响分析[J]. 气象与环境科学, 38(1): 46-53. Wang Boni, Yuan Chengsong, Chen Peng, et al. 2015. Influence analysis of an advection fog process on Jiangsu transport in the early spring of the year 2013[J]. Meteorological and Environmental Sciences (in Chinese), 38(1): 46-53. DOI:10.3969/j.issn.1673-7148.2015.01.007
王佳, 郭根华, 严明良, 等. 2014. WRF模式对沪宁高速公路浓雾的模拟与检验研究[J]. 热带气象学报, 30(2): 377-381. Wang Jia, Guo Genhua, Yan Mingliang, et al. 2014. WRF model simulation and verification of fog in Shanghai-Nanjing Expressway[J]. Journal of Tropical Meteorology (in Chinese), 30(2): 377-381. DOI:10.3969/j.issn.1004-4965.2014.02.019
王益柏, 梅娜, 范磊, 等. 2014. WRF模式对2013年1月华北一次大雾的数值对比试验[J]. 气象, 40(12): 1522-1529. Wang Yibai, Mei Na, Fan Lei, et al. 2014. Comparative experiments of WRF simulation on a fog event of January 2013 in North China[J]. Meteorological Monthly (in Chinese), 40(12): 1522-1529. DOI:10.7519/j.issn.1000-0526.2014.12.011
王子谦, 段安民, 吴国雄. 2014. 边界层参数化方案及海气耦合对WRF模拟东亚夏季风的影响[J]. 中国科学:地球科学, 57(3): 548-562. Wang Ziqian, Duan Anmin, Wu Guoxiong. 2014. Impacts of boundary layer parameterization schemes and air-sea coupling on WRF simulation of the East Asian summer monsoon[J]. Science China Earth Sciences, 57(7): 1480-1493. DOI:10.1007/s11430-013-4801-4
Wong W K, Lai E S T, Ghidaoui M S, et al. 2010. Numerical simulation of fog using non-hydrostatic NWP model with third-order turbulence closure[J]. Journal of Hydro-environment Research, 4(2): 131-141. DOI:10.1016/j.jher.2010.04.001
吴晓京, 朱江, 王曦, 等. 2017. 风云三号微波观测资料的海雾同化模拟[J]. 大气科学, 41(3): 421-436. Wu Xiaojing, Zhu Jiang, Wang Xi, et al. 2017. Sea fog simulation with assimilation of FY-3A microwave data[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 41(3): 421-436. DOI:10.3878/j.issn.1006-9895.1610.16105
徐慧燕, 朱业, 刘瑞, 等. 2013. 长江下游地区不同边界层参数化方案的试验研究[J]. 大气科学, 37(1): 149-159. Xu Huiyan, Zhu Ye, Liu Rui, et al. 2013. Simulation experiments with different planetary boundary layer schemes in the lower reaches of the Yangtze River[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37(1): 149-159. DOI:10.3878/j.issn.1006-9895.2012.12021
严明良, 缪启龙, 袁成松, 等. 2011. 沪宁高速公路一次大雾过程的数值模拟及诊断分析[J]. 高原气象, 30(2): 428-436.
Yan Mingliang, Miao Qilong, Yuan Chengsong, et al. 2011. Numerical simulation and diagnostic analysis of a heavy fog process in Shanghai-Nanjing Expressway[J]. Plateau Meteorology (in Chinese), 30(2): 428-436.
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[J]. 气象学报, 74(6): 974-988. Yang Yue, Gao Shanhong. 2016. Sensitivity study of vertical resolution in WRF numerical simulation for sea fog over the Yellow Sea[J]. Acta Meteor. Sinica (in Chinese), 74(6): 974-988. DOI:10.11676/qxxb2016.062
姚日升, 涂小萍, 张小伟, 等. 2017. 宁波一次罕见持续重度污染事件的成因分析[J]. 气象学报, 75(2): 342-355. Yao Risheng, Tu Xiaoping, Zhang Xiaowei, et al. 2017. Analysis on a rare persistent heavy pollution event in Ningbo[J]. Acta Meteor. Sinica (in Chinese), 75(2): 342-355. DOI:10.11676/qxxb2017.018
曾波, 谌芸, 李泽椿. 2015. 我国中东部地区夏季中尺度对流系统形成前物理量诊断分析[J]. 地球物理学报, 58(1): 32-46. Zeng Bo, Chen Yun, Li Zechun. 2015. Diagnostic analysis of physical quantities for the precursor environment of mesoscale convective system during summer in central-eastern China[J]. Chinese J. Geophys. (in Chinese), 58(1): 32-46. DOI:10.6038/cjg20150104
曾新民, 吴志皇, 熊仕焱, 等. 2011. WRF模式短期高温天气模拟对陆面方案的敏感性[J]. 中国科学:地球科学, 54(9): 1375-1384. Zeng Xinmin, Wu Zhihuang, Xiong Shiyan, et al. 2011. Sensitivity of simulated short-range high-temperature weather to land surface schemes by WRF[J]. Science China Earth Sciences, 54(4): 581-590. DOI:10.1007/s11430-011-4181-6
张舒婷, 牛生杰, 赵丽娟. 2013. 一次南海海雾微物理结构个例分析[J]. 大气科学, 37(3): 552-562. Zhang Shuting, Niu Shengjie, Zhao Lijuan. 2013. The microphysical structure of fog droplets in a sea fog event in the South China Sea[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37(3): 552-562. DOI:10.3878/j.issn.1006-9895.2012.11204
张颖, 刘志红, 吕晓彤, 等. 2016. 四川盆地一次污染过程的WRF模式参数化方案最优配置[J]. 环境科学学报, 36(8): 2819-2826. Zhang Ying, Liu Zhihong, Lü Xiaotong, et al. 2016. Optimal configuration of parameterized schemes in WRF model during a pollution episode in Sichuan basin[J]. Acta Scientiae Circumstantiae (in Chinese), 36(8): 2819-2826. DOI:10.13671/j.hjkxxb.2016.0009
朱丰, 徐国强, 李莉, 等. 2014. 同化青藏高原地区GPSPW数据对长江中下游地区降水预报的影响评估[J]. 大气科学, 38(1): 171-189. Zhu Feng, Xu Guoqiang, Li Li, et al. 2014. An assessment of the impact on precipitation prediction in the middle and lower reaches of the Yangtze River made by assimilating GPSPW data in the Tibetan Plateau[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 38(1): 171-189. DOI:10.3878/j.issn.1006-9895.2013.13117
朱格利, 林万涛, 曹艳华. 2014. 用WRF模式中不同云微物理参数化方案对华南一次暴雨过程的数值模拟和性能分析[J]. 大气科学, 38(3): 513-523. Zhu Geli, Lin Wantao, Cao Yanhua. 2014. Numerical simulation of a rainstorm event over South China by using various cloud microphysics parameterization schemes in WRF model and its performance analysis[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 38(3): 513-523. DOI:10.3878/j.issn.1006-9895.2013.13202