重庆雾的特点及其变化分析

利用重庆市沙坪坝195l一2001年的资料，对重庆市区雾的生消时间、持续时间、能见度等主要特征变量及其相对湿度，温度差等相关气象要素做了较为全面的分析，认为城市热岛效应可能是造成重庆主城区雾日数减少的重要原因之一。     

基于高速公路气象监测数据分析的浓雾预报指标

利用京秦高速公路沿线交通气象监测站实况资料,通过对84个站次的浓雾雾生和雾消各气象要素变化特征进行分析,归纳出高速公路沿线浓雾和强浓雾天气雾生雾消的预报指标。爆发性强浓雾期间能见度少波动,在能见度爆发下降前,温度下降过程中的小幅上升对能见度突然下降有很好的指示作用;相对湿度在能见度爆发下降前1 h内达到80%以上。一般性强浓雾大多数出现在温度波动之后继续直线下降期间;在500 m浓雾出现15 h之前空气相对湿度达90%以上,能见度达50 m之前相对湿度基本达饱和状态。浓雾消散主要有两个方面,因冷空气造成的雾消,预报应着眼于冷空气前锋影响高速公路所在区域的时间;而由辐射升温造成的雾消,预报应着眼于对天空状况和升温速度的判断。     

重庆能见度特征分析及其与颗粒物浓度和气象影响因子的关系

利用重庆地区能见度及温、压、湿、风等气象资料和大气颗粒物浓度数据，对重庆能见度特征及其影响因子进行分析，采用神经网络方法建立能见度预报模型，分析比较了引入PM2.5浓度因子对预报模型的影响效果。发现：重庆地区能见度分布呈现西低东高以及长江沿线较低的分布特征；雾发生时的平均能见度低于降水时能见度也远低于剔除雨、雾后的能见度，表明低能见度受大气中水汽影响更大；雾在冬季比例明显增加，使得平均能见度在冬季明显降低，而6月和10月降水增多是导致这两个月平均能见度出现明显降低的重要原因；能见度日变化呈现单峰型，雾和降水高发时段与平均能见度低值区重叠，是造成夜间能见度低的一个重要原因；大气湿度、温度及颗粒物浓度都是影响能见度的重要因子，当相对湿度小于70%时能见度随PM2.5增加明显降低，当相对湿度大于70%时PM2.5对能见度的影响降低；在能见度的客观预报模型中引入PM2.5浓度因子的预报效果好于不引入该因子的效果，特别是秋冬季的预报效果改善明显。     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

多元动态逐步回归方法在北京地区能见度预报中的应用

基于2016年冬季的观测资料和ECMWF细网格240 h气象要素预报资料,选用与能见度变化相关的水汽、动力、热力等因素作为预报因子,利用多元动态逐步回归方程对北京地区未来10 d的能见度进行预报研究。同时将能见度分为3个等级:1 km、1～10 km(低能见度)和≥10 km,并从区域平均、空间分布及3次低能见度过程个例进行预报效果检验。多元动态逐步回归方法对北京地区的能见度及其变化趋势均有一定预报能力且效果稳定,其中≥10 km等级的能见度预报效果最好,TS评分为64.2%,其次是1～10 km,TS评分为53.1%,最后是1 km,TS评分为51.3%;两个低能见度等级中平原地区预报效果优于山区,表现为从东南向西北递减的特征;而≥10 km等级的呈相反变化,预报效果山区优于平原地区;北京地区3次雾霾过程个例预报也证实动态逐步回归方法能够较好预报北京地区持续性低能见度过程。     

清河秋冬季雾变化规律及相关气象要素分析

利用清河国家气象观测站1960—2020年雾日数和2016—2020年逐时地面气象资料,分析清河雾的年、季、月变化规律和各等级雾在一日中生消变化规律、持续时长及与气象要素的相关性。结果表明：清河雾日数呈缓慢增长趋势,线性趋势率为099 d/10 a,秋冬季雾占总雾日的82%,是雾的高发季节;秋冬季浓雾和强浓雾的日变化规律基本一致,强浓雾出现频次最多,累计时间最长,特强浓雾出现频次最少;秋冬季雾的生成时间主要分布在后半夜到清晨,其次是19—20时,11—17时较少有雾生成,消散时间主要在09—12时;雾的浓度越高,持续时间越长,清河秋冬季雾持续时长在5 h以下占比最多,占48%。通过分析秋冬季雾的能见度和气象要素的相关性得出,能见度和相对湿度、10 min平均风速显著相关,当湿度大于90%时,10 min平均风速小于30 m/s时,更利于雾的生成和发展。     

基于神经网络的广州市能见度预报

在研究了广州市能见度变化特征及低能见度发生的主要影响因素的基础上,利用广州市环境监测站2007-2009年的空气污染物（PM10、SO2、NO2）监测数据及同期地面气象要素（10min平均风速、最大风速、气温、相对湿度、露点温度、气压、24h降水量）观测资料筛选出主要的预报因子,用径向神经网络建立预报模型,并对2009年9月1日到12月25日的能见度进行预报试验.结果表明径向神经网络预报模型在能见度低于10km时预报准确率明显高于统计回归预报方程.采用分级方法统计得出在未出现低能见度情况下,中低能见度,中高能见度预报准确率分别为80％,69.6％,均高于线性回归预报方程（40％,47.8％）.     

天津港秋冬季低能见度数值释用预报研究

本文利用近5年(2009—2013年)天津港资料,分析了该地区大气能见度的分级特征。采用7年秋、冬季NCEP(2006—2012年)和地面资料,通过相关分析给出了对港口低能见度天气有高影响的高、低空物理量因子;排除沙尘和降水天气,针对不同区间的能见度样本,利用BP神经网络方法分类训练了3个统计模型;并与WRF天气模式产品对接,采用分步筛选法,研发了天津港秋、冬季72 h时效的逐时能见度BP释用预报产品。经过3年业务运行,检验结果表明:对逐时能见度而言,BP释用预报对10 km以下低能见度比WRF模式的预报技巧显著提高,达到10.5%~35.4%;其中对0.5 km大雾的预报技巧总体相当,但当WRF预报有降水时,WRF模式预报结果略优;对0.5~1 km的大雾预报,WRF模式的预报技巧1%,BP释用预报提高到了14%~21%。日最低能见度的检验表明:对小于1 km的大雾过程,BP释用预报的TS评分平均达到75%,比WRF预报技巧提高了24%;对1~10 km的低能见度过程,比WRF的预报技巧平均提高了60%。     

华南低能见度天气特征及客观预报研究

利用2000—2016年华南219个县级气象观测站的地面、高空气象观测资料以及对应站点的再分析资料,统计发生低能见度天气的天气形势和特征,归纳低能见度天气的预报指标。将与能见度以及能见度变化相关的气象要素输入神经网络进行训练,利用EC集合预报数据集获得能见度集合预报结果,通过对其离散度的统计分析以及经验公式最终获得具有泛用性、可靠性的神经网络模型的参数集。通过输入EC确定场数据,获得华南219县级站长时效精细化能见度预报结果,2017年上半年的能见度预报试验显示,模型预报结果的误差与TS评分均优于CUACE模式能见度预报。     

基于客观分析的重庆雾的BP神经元网络预报模型研究

本文利用数值预报产品、TTAA报文观测资料及重庆雾(能见度)的实况资料，采用客观分析方法将相关资料处理成二维网格资料，再运用车贝雪夫正交多项式实现二维网格图形的数学定量描述，最后建立重庆雾的BP神经网络方法预测模型，并对重庆雾进行预报试验。检验结果表明，这种方法预报效果较好，基于客观分析的BP神经网络模型进行雾的短期预报具有一定的应用前景。     

2007—2010年北京自动站浓雾特征分析与临近预报初探

为探索北京地区浓雾天气特征和临近预报方法,分析了北京2007-2010年18个道面自动站能见度1000 m以下的天气资料.结果表明:①浓雾具有明显的日变化和年变化.05:00-09:00是高发时段,12:00-18:00是低发时段.全年浓雾主要集中在9-12月,6、7月最少.②空间分布上,呈现“东南多,城区少”的特征,统计80％以上的浓雾都发生在大兴和通州.③浓雾变化具有突发性和象鼻形先期振荡的特征.④浓雾能见度变化与气象要素变化关系密切.偏南风和偏东风最有利于浓雾生成发展,西北风最有利于浓雾的消散.风速减小,气温下降,湿度增大,能见度降低,浓雾生成和发展;风速增大,气温升高,湿度减小,能见度上升,浓雾减弱消散,但湿度的减小滞后于能见度的上升.浓雾维持阶段,要素变化都很小.     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

2014年初冬湖北省一次大雾成因分析和数值模拟

利用湖北省高速公路交通气象站观测数据及NCEP的1°×1°格点再分析资料,分析了2014年1月29—30日发生在湖北省内的大雾天气过程的气象要素变化特征及大雾形成机理,并利用优化参数化方案的数值模式对本次大雾过程进行了模拟。结果表明,大雾过程能见度基本与相对湿度变化趋势相反,气温与能见度变化趋势基本一致,风速都较之前有所下降。本次大雾是暖平流影响后,经夜间辐射冷却降温后形成,属平流辐射雾。利用WRF模式对本次大雾过程的模拟结果表明,除对海拔较高、受局地地形影响较大区域的模拟效果不理想外,模拟的大雾范围、强度、生消时间等与实况基本相符,可为以后大雾预报提供一定的参考。     

沪宁高速公路大雾及气象要素特征分析

利用2006年6月-2009年5月沪宁高速公路AWM自动气象站资料,研究了不同类型大雾持续时间、能见度变化及其出现过程中风、湿度变化特征。结果表明,有超过50%的大雾会发展成浓雾;大雾持续时间以平流雾最长,辐射雾最短;67.6%的大雾在长时间低能见度之前会出现类似"象鼻"形的突变前兆,这可能与地理环境有关;大雾过程中风向以东风和西风为主,锋面雾有部分为偏南风;平流雾发生时风速较辐射雾和锋面雾大,锋面雾发生时风速较多为静风,结束时风速快速增大;平流雾发生时相对湿度多有突变,而辐射雾、锋面雾的相对湿度以渐变为主。     

安徽省雾、霾、晴空天气的气象条件对比分析

使用2008~2012年逐日地面观测资料,揭示了安徽不同地区雾、霾、晴空天气气象条件的差异,指出不同地区要根据本地特点建立雾、霾预报指标和预报方法。3类天气差异最大的地面气象要素是能见度和相对湿度。根据3种天气前一日和当日能见度和相对湿度分布特征,全省站点可以分为3类:1)从雾、霾到晴空,能见度递增、相对湿度递减,且差异显著,如合肥站;2)雾、霾天的能见度和相对湿度均很接近,但与晴空天差别较大,如阜阳站;3)能见度在雾、霾天无明显差别,但相对湿度在雾、霾天差异显著,如安庆站。地级市测站雾后即霾的可能性较大(大于50%),县城测站雾后即霾的可能性较低(低于25%)。垂直方向,雾时相对湿度随高度下降很快,850 h Pa中位值已降到20%(安庆)和45%(阜阳)以下,霾时相对湿度随高度下降缓慢,850 h Pa中位值仍在60%左右;另外,霾天边界层中上部风切变较小,雾天和晴空天边界层中上部都存在较大的风切变。     

湖北西南山地一次辐射雾和雨雾气象要素特征的对比分析

利用边界层探测、地面高空观测等资料,对比分析了2010年湖北西南山地一次连续发生的辐射雾和雨雾的环流形势及地面和高空气象要素特征,结果表明:1)500 hPa阻塞高压脊和南支槽的反位相叠置有利于湖北西南山地出现雨雾天气.2)地面水平能见度与相对湿度反相关关系非常显著;雨雾与降水的发生、持续和结束几乎同步.3)辐射雾时地面水平能见度与雾滴浓度反相关性比雨雾更为显著;雾含水量越大能见度越低.4)辐射雾发生期间有多个逆温层同时存在,上层逆温更厚更强、下层逆温更为浅薄.雨雾发生时,逆温层可以有2～3个,逆温层底比辐射雾低层逆温层底高,但也可能没有逆温层存在.5)边界层风速小、对流活动弱有利山地辐射雾和雨雾的形成.地面风速很小或者静风,是辐射雾和雨雾生成的共同条件.雨雾发生时对流活动发展的高度比辐射雾高.6)辐射雾空气饱和层的高度低于雨雾.     

辐射灾害雾的分析与预报

为适应航空飞行和气象安全保障工作的需要,将辐射大雾中能见度 <500m的雾分立出来作灾害雾研究;分析其形成的气象条件、主要特征,并进行合理归类;提出辐射灾害雾的常规预报方法、统计定量计算预报方法及综合预报方法。     

Evaluation of the Global and Regional Assimilation and Prediction System for Predicting Sea Fog over the South China Sea

In the South China Sea, sea fog brings severe disasters every year, but forecasters have yet to implement an effective seafog forecast. To address this issue, we test a liquid-water-content-only(LWC-only) operational sea-fog prediction method based on a regional mesoscale numerical model with a horizontal resolution of about 3 km, the Global and Regional Assimilation and Prediction System(GRAPES), hereafter GRAPES-3 km. GRAPES-3 km models the LWC over the sea, from which we infer the visibility that is then used to identify fog. We test the GRAPES-3 km here against measurements in 2016 and 2017 from coastal-station observations, as well as from buoy data, data from the Integrated Observation Platform for Marine Meteorology, and retrieved fog and cloud patterns from Himawari-8 satellite data. For two cases that we examine in detail, the forecast region of sea fog overlaps well with the multi-observational data within 72 h. Considering forecasting for0–24 h, GRAPES-3 km has a 2-year-average equitable threat score(ETS) of 0.20 and a Heidke skill score(HSS) of 0.335,which is about 5.6%(ETS) and 6.4%(HSS) better than our previous method(GRAPES-MOS). Moreover, the stations near the particularly foggy region around the Leizhou Peninsula have relatively high forecast scores compared to other sea areas.Overall, the results show that GRAPES-3 km can roughly predict the formation, evolution, and dissipation of sea fog on the southern China coast.     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.