趙翠光 趙聲蓉 林 建 呂終亮 姚 莉 韋 青

國(guó)家氣象中心，北京 100081

提 要： 利用2008—2018年逐日能見度站點(diǎn)觀測(cè)資料，通過旋轉(zhuǎn)經(jīng)驗(yàn)正交函數(shù)分解方法分析得到不同季節(jié)能見度天氣的客觀分區(qū)，在此基礎(chǔ)上，以2017—2019年歐洲中期天氣預(yù)報(bào)中心全球數(shù)值預(yù)報(bào)模式輸出和相關(guān)診斷量及站點(diǎn)觀測(cè)資料分別作為預(yù)報(bào)因子和預(yù)報(bào)量，應(yīng)用多元線性回歸、事件概率回歸估計(jì)和判別分析等綜合算法，分區(qū)域、分季節(jié)建立能見度預(yù)報(bào)模型，并將區(qū)域預(yù)報(bào)模型應(yīng)用于區(qū)域內(nèi)站點(diǎn),得到站點(diǎn)能見度預(yù)報(bào)結(jié)果。以2020年資料為獨(dú)立樣本進(jìn)行試報(bào)，檢驗(yàn)結(jié)果表明：基于區(qū)域建模的能見度預(yù)報(bào)效果在不同季節(jié)、不同預(yù)報(bào)時(shí)效較模式直接輸出有很大提升，明顯訂正了模式對(duì)冬季低能見度天氣低估的情況，在1 km以下級(jí)別低能見度預(yù)報(bào)中顯示出較高的預(yù)報(bào)技巧，尤其在低能見度出現(xiàn)較多的05時(shí)最為明顯。因子分析表明，影響能見度的因子主要是與邊界層條件密切相關(guān)的溫、壓、濕、風(fēng)等因子，以及反映下墊面熱狀況因子、降水相關(guān)因子和穩(wěn)定度因子。不同季節(jié)、不同等級(jí)能見度預(yù)報(bào)模型中高頻因子不同，春季高頻因子主要為溫度相關(guān)因子，夏季與降水相關(guān)的因子選入頻次較高，秋、冬季不穩(wěn)定因子更重要。

引 言

能見度(指大氣水平能見度，下同)是天氣預(yù)報(bào)中重要的天氣要素，低能見度天氣不僅影響人們的日常生活和身體健康，而且對(duì)交通運(yùn)輸、航空、航海等影響更為嚴(yán)重。水平能見度下降到1 km以下，常會(huì)導(dǎo)致航行延誤、高速封閉，也是造成歷史上許多航空災(zāi)難的原因之一(Allett,2004)。因此能見度預(yù)報(bào)，尤其是低能見度天氣的預(yù)報(bào)十分重要。

數(shù)值預(yù)報(bào)模式中能見度預(yù)報(bào)通常由云水含量、相對(duì)濕度和降水等其他物理量診斷得到(Smirnova et al，2000；Benjamin et al，2004；Gultepe and Milbrandt，2010)。Herman and Schumacher(2016)的研究表明霧-霾和強(qiáng)降水是造成能見度降低的重要因素，而霧的形成對(duì)地面風(fēng)、低層穩(wěn)定度和湍流及其他因素等的微小差異具有較高的靈敏性(Gultepe et al,2007),因此數(shù)值預(yù)報(bào)模式中能見度預(yù)報(bào)準(zhǔn)確率較低。

不同數(shù)值預(yù)報(bào)模式，由于動(dòng)力框架和物理參數(shù)化方案等方面的差異，具有不同的預(yù)報(bào)系統(tǒng)誤差。通過統(tǒng)計(jì)方法，在歷史的模式和觀測(cè)資料基礎(chǔ)上建立相關(guān)模型可以在一定程度上消除系統(tǒng)誤差，從而達(dá)到對(duì)模式預(yù)報(bào)進(jìn)行訂正的目的。美國(guó)氣象發(fā)展實(shí)驗(yàn)室研究表明以全球預(yù)報(bào)系統(tǒng)為基礎(chǔ)的模式輸出統(tǒng)計(jì)(MOS)預(yù)報(bào)的性能優(yōu)于模式直接輸出(Dallavalle et al，2004)。研發(fā)人員通常采用神經(jīng)網(wǎng)絡(luò)、多元回歸分析、支持向量機(jī)及深度學(xué)習(xí)等統(tǒng)計(jì)方法，開展定量和概率的能見度預(yù)報(bào)研究(周開鵬等，2020；胡海川等，2018；吳波等，2017；熊亞軍等，2015；張自銀等，2018；路嬋，2010)，但針對(duì)全國(guó)范圍的能見度預(yù)報(bào)工作較少，且低能見度預(yù)報(bào)仍然是難點(diǎn)問題。

針對(duì)以上問題，本文采用基于區(qū)域建模的MOS方法，開展中國(guó)區(qū)域能見度預(yù)報(bào)試驗(yàn)。MOS(Glahn and Lowry，1972)是業(yè)務(wù)預(yù)報(bào)中重要的模式后處理方法，針對(duì)不連續(xù)分布的要素(如能見度、降水等)，則利用事件概率回歸方法有較好的預(yù)報(bào)效果(Antolik，2000；趙聲蓉等，2009)。同時(shí)由于低能見度為小概率事件，采用區(qū)域建模方法來擴(kuò)展小概率事件的“樣本數(shù)”，提高預(yù)報(bào)模型的穩(wěn)定性。區(qū)域建模方法是將變化特征相似的站點(diǎn)歸為一個(gè)區(qū)，聯(lián)合區(qū)域內(nèi)站點(diǎn)建立預(yù)報(bào)模型(趙翠光和趙聲蓉，2011；Wilks，2011)，再將區(qū)域模型應(yīng)用到區(qū)域內(nèi)任何站點(diǎn)上，實(shí)現(xiàn)站點(diǎn)預(yù)報(bào)。

本文首先利用能見度多年歷史實(shí)況觀測(cè)資料，采用旋轉(zhuǎn)正交經(jīng)驗(yàn)分解(REOF)方法(黃嘉佑，1990)分季節(jié)對(duì)全國(guó)能見度天氣進(jìn)行客觀分區(qū)；在客觀分區(qū)基礎(chǔ)上，采用多元線性回歸(MLR)、事件概率回歸估計(jì)(REEP)和判別分析的綜合算法建立區(qū)域預(yù)報(bào)模型，將區(qū)域預(yù)報(bào)模型應(yīng)用到區(qū)域中任意站點(diǎn)上；檢驗(yàn)分析了試報(bào)結(jié)果，并與模式輸出進(jìn)行對(duì)比；最后對(duì)模型所選高頻因子進(jìn)行分析和討論。

1 能見度天氣區(qū)劃分

分區(qū)方法包括客觀方法和主觀方法，主觀方法一般是按照人為經(jīng)驗(yàn)、行政地域等進(jìn)行劃分。經(jīng)驗(yàn)正交函數(shù)(EOF)分析是提取氣象要素場(chǎng)時(shí)空變化優(yōu)勢(shì)信號(hào)的方法, EOF分析方法分離出的空間分布結(jié)構(gòu)能夠反映氣象要素場(chǎng)的主要空間特征，但是不能清晰地表示不同地理區(qū)域變化特征(魏鳳英，2007)，所取區(qū)域范圍不同,得到的特征向量空間分布也不同。但上述局限可以通過REOF 得到克服。

REOF是在EOF展開的基礎(chǔ)上再做最大正交方差旋轉(zhuǎn)，從而使原要素場(chǎng)的信息特征集中映射到荷載場(chǎng)所表示的優(yōu)勢(shì)空間上，旋轉(zhuǎn)后荷載的貢獻(xiàn)要比旋轉(zhuǎn)前分布均勻,這是因?yàn)樾D(zhuǎn)后各主成分著重表現(xiàn)空間的相關(guān)性分布特征,高荷載只集中在某一較小的區(qū)域,而使其他大部區(qū)域的荷載盡可能地接近 0，從而更容易識(shí)別空間型，旋轉(zhuǎn)后的特征場(chǎng)在時(shí)間上也比旋轉(zhuǎn)前更穩(wěn)定。

已有能見度天氣分區(qū)研究工作多是以月、季資料為基礎(chǔ)開展(黃楚惠等，2019；程敘耕等，2013；林建等，2008；張利等，2011；周賀玲等，2007；王淑英等，2003)，并不適用于逐日能見度預(yù)報(bào)。因此本文以2008—2018年逐日能見度站點(diǎn)觀測(cè)資料為基礎(chǔ)，針對(duì)我國(guó)春夏秋冬四個(gè)季節(jié)，采用REOF對(duì)能見度進(jìn)行客觀分區(qū)。按Cattell(1966)提出的方法，當(dāng)主分量解釋方差突變時(shí)，來確定分區(qū)個(gè)數(shù)，為驗(yàn)證劃分區(qū)域是否合理，對(duì)各分區(qū)第一主成分兩兩求相關(guān)，檢驗(yàn)表明這些不同區(qū)域之間的能見度異常變化存在著顯著的差異，分區(qū)是合理的。

根據(jù)REOF得到四個(gè)季節(jié)能見度天氣區(qū)如圖1所示。整體上看,與全國(guó)二級(jí)氣象地理區(qū)劃(郭進(jìn)修等，2006)相似，但本文分區(qū)更能體現(xiàn)要素的季節(jié)變化和區(qū)域氣候特征。以山東省為例，春季和夏季山東全省變化特征較一致，而秋、冬季呈現(xiàn)內(nèi)陸和沿海氣候特征不同的特點(diǎn)，冬季山東半島東部3個(gè)站(由于站數(shù)少，圖中沒有顯示，但是在建模中得到應(yīng)用)和遼寧南部沿海為一個(gè)區(qū)，區(qū)別于山東其他地區(qū)。這與“秋、冬季內(nèi)陸大霧高發(fā)，沿海大霧日數(shù)較少。從深秋到冬季，山東內(nèi)陸常出現(xiàn)大范圍大霧,而沿海海溫較低不易出現(xiàn)大霧天氣”的研究結(jié)論(林建等，2008；郗興文,2010;李建華等，2010)是一致的。

圖1 基于2008—2018年逐日能見度觀測(cè)資料REOF方法分解的(a～d)我國(guó)不同季節(jié)能見度客觀分區(qū)Fig.1 Division of visibility in (a-d) different seasons in China based on REOF of daily observation visibility from 2008 to 2018

2 建模資料

2.1 預(yù)報(bào)量定義

能見度為不連續(xù)的非正態(tài)分布變量，在使用回歸方法時(shí)，直接預(yù)報(bào)能見度很難得到好的預(yù)報(bào)效果，因而將能見度劃分為不同級(jí)別(見表1)，把級(jí)別定義為預(yù)報(bào)量。能見度資料來源于國(guó)家氣象信息中心整編的2017—2019年全國(guó)2 423個(gè)站點(diǎn)的能見度實(shí)況觀測(cè)。

表1 能見度分級(jí)Table 1 Visibility classification

2.2 預(yù)報(bào)因子

本文使用的模式資料為2017—2020年歐洲中期天氣預(yù)報(bào)中心(ECMWF)全球數(shù)值預(yù)報(bào)模式輸出產(chǎn)品。為涵蓋能見度的發(fā)生發(fā)展，預(yù)報(bào)因子包括模式直接輸出產(chǎn)品(直接因子)和診斷得到的具有物理意義的派生因子(表2)。直接因子包括溫、壓、濕、風(fēng)、降水、云量、能見度、地表反照率等模式直接輸出量。派生因子分為四類：一是溫濕、水汽因子，例如：溫度露點(diǎn)差、Ky指數(shù)、濕靜力溫度、飽和濕靜力溫度、假相當(dāng)位溫、比濕、水汽通量、水汽通量散度、相對(duì)濕度超過90%的高度層數(shù)等；二是動(dòng)力因子，例如：渦度、散度、螺旋度、偏差風(fēng)等；三是動(dòng)力和熱力綜合因子，例如；位渦、濕位渦、位渦傾斜發(fā)展判據(jù)、鋒生函數(shù)等；四是要素的梯度、切變、平流變化和時(shí)間累計(jì)因子，例如：溫度、氣壓梯度，風(fēng)速、位溫、不同高度層的(假)相當(dāng)位溫的垂直切變，溫度、渦度、厚度平流，3時(shí)次累計(jì)平均垂直速度等。將以上的地面或各高度層的變量放入候選因子“池”中，為下一步建立能見度預(yù)報(bào)模型做準(zhǔn)備。

3 建模技術(shù)方案

本文采用MLR、REEP和判別分析等綜合算法，建立某一時(shí)刻能見度與各物理量之間的統(tǒng)計(jì)關(guān)系。其中REEP方法是將預(yù)報(bào)量看成隨機(jī)事件 ,將事件出現(xiàn)與否轉(zhuǎn)化為 0、1化的二值變量，預(yù)報(bào)結(jié)果為0～1的概率值，等級(jí)預(yù)報(bào)則是在概率預(yù)報(bào)基礎(chǔ)上，基于特定的判別條件(本文采用TS評(píng)分最大的判別條件)，在建模樣本中確定事件出現(xiàn)與否的概率判別閾值(Weiss and Ghirardelli,2005)。

表2 建模候選因子分類Table 2 Classification of building model candidate factors

以2017—2019年資料按春夏秋冬四個(gè)季節(jié)建立模型。為了更好地處理季節(jié)過渡的問題，相鄰兩個(gè)季節(jié)之間時(shí)間重疊了一個(gè)月：分別為春季(2月15日至6月15日)；夏季(5月15日至9月15日)；秋季(8月15日至12月15日)；冬季(11月15日至3月15日)。

回歸分析中，預(yù)報(bào)因子需要與預(yù)報(bào)對(duì)象具有較好的相關(guān)性，且預(yù)報(bào)因子之間要相對(duì)獨(dú)立，因?yàn)轭A(yù)報(bào)因子間相關(guān)性過大，會(huì)使得回歸系數(shù)對(duì)樣本數(shù)據(jù)的微小變化變得十分敏感，從而使得預(yù)報(bào)模型變得很不穩(wěn)定。經(jīng)過預(yù)處理的預(yù)報(bào)因子數(shù)量非常大，在建模的過程中不可能把所有因子引入，因而，在預(yù)報(bào)因子進(jìn)入回歸過程前，先對(duì)因子進(jìn)行初選，在因子初選方案中，一方面選擇與預(yù)報(bào)量相關(guān)系數(shù)絕對(duì)值較大的因子，另一方面為減少?gòu)?fù)共線性問題，選擇因子之間近似獨(dú)立，即因子之間相關(guān)系數(shù)小的因子。

區(qū)域建模(RMOS)方法是同一天氣分區(qū)中樣本共享，基于歷史的數(shù)值預(yù)報(bào)模式預(yù)報(bào)產(chǎn)品和實(shí)況資料，通過MLR、REEP和判別分析等綜合算法建立區(qū)域預(yù)報(bào)模型，將區(qū)域模型應(yīng)用到區(qū)域中任意站點(diǎn)上，得到站點(diǎn)預(yù)報(bào)模型?；赗MOS方法的能見度預(yù)報(bào)流程如圖2所示。

圖2 RMOS方法的能見度預(yù)報(bào)流程Fig.2 Flow chart of visibility prediction based on RMOS method

4 能見度預(yù)報(bào)檢驗(yàn)及高頻因子分析

4.1 能見度預(yù)報(bào)檢驗(yàn)分析

為評(píng)價(jià)預(yù)報(bào)方法效果，對(duì)2020年20時(shí)起報(bào)的RMOS和模式直接輸出(DMO)的能見度預(yù)報(bào)分季節(jié)進(jìn)行檢驗(yàn)分析。圖3為不同等級(jí)、不同季節(jié)能見度在不同預(yù)報(bào)時(shí)效的TS評(píng)分，36 h預(yù)報(bào)時(shí)效內(nèi)RMOS相對(duì)于DMO在不同季節(jié)、不同等級(jí)、不同時(shí)效上都表現(xiàn)出更好的預(yù)報(bào)效果，1 km以下級(jí)別預(yù)報(bào)改進(jìn)最明顯。RMOS預(yù)報(bào)TS評(píng)分相對(duì)于DMO有更明顯的日變化特征，在夜間和凌晨低能見度出現(xiàn)次數(shù)較多的時(shí)次評(píng)分較高，中午和下午評(píng)分較低。RMOS預(yù)報(bào)的TS相對(duì)于DMO的提高也顯示出日變化特征，最大值出現(xiàn)在05時(shí)，最小值在14時(shí)和17時(shí)。值得注意的是，秋季RMOS 1 km以下級(jí)別的能見度預(yù)報(bào)TS評(píng)分沒有明顯的日變化特征，這可能與秋季易發(fā)生大范圍持續(xù)性的平流霧，低能見度天氣日變化特征較弱有關(guān)(林建等，2008)。

DMO和RMOS預(yù)報(bào)在不同季節(jié)顯示出不同的預(yù)報(bào)性能。DMO預(yù)報(bào)春、夏季節(jié)優(yōu)于秋、冬季節(jié)，在1 km和2 km以下級(jí)別夏季明顯優(yōu)于其他季節(jié)。RMOS預(yù)報(bào)是秋、冬季節(jié)優(yōu)于春、夏季節(jié)，且冬季明顯優(yōu)于其他季節(jié)，夏季相對(duì)較差。不同季節(jié)RMOS相對(duì)于DMO預(yù)報(bào)TS評(píng)分幾乎均有提高，而冬季預(yù)報(bào)提升明顯，特別在1 km以下級(jí)別上提升最為明顯。對(duì)比冬季RMOS和DMO能見度預(yù)報(bào)的Bias評(píng)分(圖4)可以發(fā)現(xiàn)，DMO很大程度上低估了事件的發(fā)生，不同級(jí)別的能見度預(yù)報(bào)范圍都明顯小于實(shí)況；對(duì)于10 km和5 km以下級(jí)別的能見度事件，RMOS訂正后預(yù)報(bào)范圍略大于實(shí)況，但對(duì)于1 km和2 km以下級(jí)別的較低能見度事件，由于局地性較強(qiáng)，RMOS訂正后預(yù)報(bào)范圍較實(shí)況偏大一些，也不難理解。冬季RMOS相對(duì)于DMO提高最為明顯，主要是因?yàn)槎敬髿猸h(huán)流相對(duì)于其他季節(jié)更穩(wěn)定，數(shù)值模式的環(huán)流形勢(shì)及要素預(yù)報(bào)較好，加上冬季能見度在四個(gè)季節(jié)中平均最低(林建等，2008；張利等，2011)，低能見度樣本多，RMOS方法所建模型預(yù)報(bào)穩(wěn)定，從而可得到更好的預(yù)報(bào)。

圖4 2020年全國(guó)冬季各等級(jí)(a)DMO,(b)RMOS不同預(yù)報(bào)時(shí)效Bias評(píng)分Fig.4 (a) DMO and (b) RMOS forecast projection hour bias scores at different levels in China in the winter of 2020

夏季大部分預(yù)報(bào)時(shí)效RMOS預(yù)報(bào)相對(duì)于DMO有很大改進(jìn)，5 km以下級(jí)別11—17時(shí)的預(yù)報(bào)TS評(píng)分略低于DMO，但RMOS的預(yù)報(bào)偏差Bias優(yōu)于DMO(圖略)。從圖5可以看到，四個(gè)季節(jié)中伴有降水的低能見度事件發(fā)生頻率均在14時(shí)前后達(dá)到峰值，但夏季下午的低能見度伴有降水的比例最高達(dá)70%以上,和劉承曉等(2017)的研究結(jié)論“7—8月與降水相關(guān)的低能見度相對(duì)集中在午后13—15時(shí)”是一致的，可見夏季午后的低能見度天氣很多是由降水引起。劉西川等(2010)研究發(fā)現(xiàn),降水粒子對(duì)能見度的影響受降水粒子類型、密度、速度、大小等多種因素影響，二者關(guān)系并不唯一確定，而能見度儀的觀測(cè)前提是假定整個(gè)大氣是均勻的，當(dāng)大氣均勻時(shí)代表性好，反之亦然。因此，能見度自動(dòng)觀測(cè)儀在出現(xiàn)降水時(shí)測(cè)量準(zhǔn)確度不高(劉惠蘭等，2014；司鵬和高潤(rùn)祥，2015)。RMOS方法預(yù)報(bào)是由實(shí)況觀測(cè)和模式產(chǎn)品統(tǒng)計(jì)后處理得到，如果實(shí)況觀測(cè)不穩(wěn)定必定會(huì)影響統(tǒng)計(jì)預(yù)報(bào)效果。

圖5 2020年全國(guó)(a～d)不同季節(jié)各等級(jí)能見度中伴有降水的站數(shù)占總站數(shù)百分比的日變化Fig.5 Daily variation of the percentage of stations with precipitation to total stations in visibility of different levels in (a-d) different seasons in 2020 in China

4.2 高頻因子分析

不同分區(qū)不同等級(jí)的預(yù)報(bào)模型都是基于相同的預(yù)報(bào)因子群，模型最終選出與預(yù)報(bào)對(duì)象對(duì)應(yīng)的最優(yōu)因子組合，因此最終入選方程的預(yù)報(bào)因子會(huì)存在差異。對(duì)四個(gè)季節(jié)區(qū)域方程進(jìn)行因子頻數(shù)統(tǒng)計(jì)分析，可以考察因子對(duì)方程的貢獻(xiàn)。表3和表4給出了四個(gè)季節(jié)模型中不同預(yù)報(bào)等級(jí)因子頻數(shù)前十位的因子，總體上看，高頻因子涵蓋模式過去3小時(shí)內(nèi)10 m 陣風(fēng)、能見度因子和溫、壓、濕、風(fēng)等基本因子以及反映下墊面熱狀況的反照率、與穩(wěn)定度有關(guān)的相當(dāng)位溫垂直切變，氣壓梯度、鋒生函數(shù)、位渦等因子以及3 h變溫、溫度平流等因子。

表3 不同季節(jié)10 km以下能見度預(yù)報(bào)建模因子頻數(shù)排序Table 3 The frequency ranking of forecast modeling factors for visibility below 10 km in different seasons

表4 不同季節(jié)1 km以下能見度預(yù)報(bào)建模因子頻數(shù)排序Table 4 The frequency ranking of forecast modeling factors for visibility below 1 km in different seasons

由于能見度和邊界層條件密切相關(guān)，能見度預(yù)報(bào)模型所選頻數(shù)較高因子幾乎均為低層因子，模式過去3小時(shí)內(nèi)10 m陣風(fēng)、能見度、2 m最大相對(duì)濕度和風(fēng)速基本因子穩(wěn)居前列，很多文獻(xiàn)闡述了這些因子對(duì)能見度的重要性(宗晨等，2019；丁一匯和柳艷菊，2013；張利娜等，2008；程敘耕等，2013；李霞和王勝利，2012；葉堤等，2006)。由于不同季節(jié)不同等級(jí)能見度的成因有所不同，因此統(tǒng)計(jì)得到的高頻影響因子也不盡相同。

春、秋、冬季低能見度天氣常伴有輻射霧，主要發(fā)生在晴朗、微風(fēng)、近地層水汽充沛的夜間和早晨。這個(gè)時(shí)間天空沒有云層阻擋，地面散熱快，近地層空氣溫度迅速下降，如果空氣中存在較多水汽，就會(huì)過飽和形成霧，所以，除了模式的過去3小時(shí)內(nèi)10 m陣風(fēng)和能見度因子，2 m相對(duì)濕度、2 m最大相對(duì)濕度因子排名也比較靠前。

四個(gè)季節(jié)中夏季的能見度預(yù)報(bào)與降水有統(tǒng)計(jì)意義上的高相關(guān)，包括濕層厚度(相對(duì)濕度≥90%的高度層數(shù))、整層水汽含量以及表征不穩(wěn)定的700 hPa Ky指數(shù)等與降水相關(guān)的因子，這跟4.1節(jié)分析的夏季午后的低能見度天氣通常是由降水(伴有降水的比例最大達(dá)70%以上)引起的觀點(diǎn)高度一致。

低層的變溫和溫度平流是影響春季能見度的主要因子，低層溫度的迅速降低有利于水汽快速達(dá)到飽和，從而有利于霧的形成。微弱的低層暖平流的不斷輸入, 非常有利于近地層逆溫的重建和維持,平流過程對(duì)大霧天氣的長(zhǎng)時(shí)間維持具有重要作用，而當(dāng)伴隨負(fù)溫度平流南下的偏北風(fēng)的爆發(fā)則有利于大霧的消散。

地表反照率因子在春、夏季相對(duì)于秋、冬季被選入頻次更多，特別是對(duì)低能見度天氣影響較大。地表反照率是反映地表對(duì)太陽(yáng)短波輻射反射特性的物理參量，反照率效應(yīng)使地表接收的短波輻射減少，地面增溫效應(yīng)顯著減小，從而阻礙了大霧過程的消散，使大霧天氣得以維持。

地面氣壓梯度在春、秋、冬季作為預(yù)報(bào)模型高頻因子，可能跟它反映梯度風(fēng)的大小或鋒區(qū)強(qiáng)度有關(guān)。由于鋒生作用產(chǎn)生淺層抬升, 有利于飽和濕空氣的凝結(jié)以及近地層逆溫的長(zhǎng)時(shí)間維持，易造成鋒前霧的形成。冬季，地面均壓場(chǎng)容易導(dǎo)致低能見度輻射霧的形成(林建等，2008)。

近地層相當(dāng)位溫的垂直切變?cè)谇铩⒍竟?jié)被統(tǒng)計(jì)為高影響因子，它包含了溫度和濕度的垂直變化，表征近地面層湍流活動(dòng)和邊界層大氣的穩(wěn)定度。冬季，低層位渦被列入低能見度預(yù)報(bào)十大高頻因子之一，這可能跟位渦下傳及地面氣旋發(fā)展相關(guān)。

除了低層因子外，秋季100 hPa經(jīng)向風(fēng)的平方，春季100 hPa 3 h變高也為高頻因子。當(dāng)對(duì)流層上部西風(fēng)急流存在，高空風(fēng)速在大氣的動(dòng)能、熱量、水汽和氣溶膠等能量和物質(zhì)輸送、交換中發(fā)揮著關(guān)鍵作用。高空風(fēng)速特征，對(duì)于地面天氣的時(shí)空分布和動(dòng)力過程具有重要作用。城市和區(qū)域污染物、粉塵和花粉的擴(kuò)散和傳輸也依賴高空風(fēng)(任國(guó)玉等，2009;鄒進(jìn)上等,1990)。

不同等級(jí)所選的十大高頻因子大部分相同，只是排序上有些變化，但是在秋、冬季的1 km以下級(jí)別偏差風(fēng)和位渦因子是有別于10 km以下級(jí)別的高頻因子，這可能跟秋、冬季靜穩(wěn)天氣造成的低能見度有關(guān)。

5 結(jié)論與討論

本文基于2008—2018年能見度實(shí)況觀測(cè)資料，采用REOF分解方法對(duì)不同季節(jié)的能見度進(jìn)行客觀天氣分區(qū)。以2017—2019年ECMWF模式輸出、相關(guān)診斷量及站點(diǎn)觀測(cè)資料分別作為預(yù)報(bào)因子和預(yù)報(bào)量，利用MLR、REEP、判別分析等綜合算法，針對(duì)不同季節(jié)的能見度進(jìn)行區(qū)域建模，并應(yīng)用到區(qū)域內(nèi)的站點(diǎn)上進(jìn)行預(yù)報(bào)。

對(duì)2020年的能見度預(yù)報(bào)進(jìn)行對(duì)比檢驗(yàn)發(fā)現(xiàn)，RMOS和DMO能見度預(yù)報(bào)TS評(píng)分的日變化特征明顯，在夜間和凌晨評(píng)分較高，下午評(píng)分較低。不同季節(jié)、不同等級(jí)RMOS預(yù)報(bào)TS評(píng)分相對(duì)于DMO均有提高。冬季1 km以下級(jí)別預(yù)報(bào)評(píng)分提升最為明顯，RMOS訂正了DMO低能見度預(yù)報(bào)低估現(xiàn)象，TS提高最大值出現(xiàn)在05時(shí)，最小值在14時(shí)和17時(shí)。

對(duì)預(yù)報(bào)因子統(tǒng)計(jì)分析顯示，影響能見度的高頻因子主要是與邊界層條件密切相關(guān)的溫、壓、濕、風(fēng)等基本因子以及反映下墊面熱狀況因子、降水相關(guān)因子、穩(wěn)定度及輻射冷卻作用的因子，并且不同季節(jié)、不同等級(jí)能見度預(yù)報(bào)被選入的高頻因子不同。低層的變溫和溫度平流是影響春季的主要因子；地表反照率對(duì)春、夏季低能見度影響較大；夏季與降水相關(guān)的因子選入頻次最多，包括降水量、濕層厚度、整層水汽含量等；秋、冬季反映邊界層溫濕度垂直變化的不穩(wěn)定因子在能見度預(yù)報(bào)中也非常重要。

本文僅以數(shù)值模式產(chǎn)品及診斷量作為預(yù)報(bào)因子來建立短期能見度預(yù)報(bào)的統(tǒng)計(jì)模型，要解決低能見度空?qǐng)?bào)率相對(duì)較大的問題，還應(yīng)考慮大氣成分等因子的應(yīng)用。另外，對(duì)于短時(shí)預(yù)報(bào)來說，預(yù)報(bào)因子中還可加入雷達(dá)、衛(wèi)星及地面氣象及環(huán)境觀測(cè)要素產(chǎn)品，以提高預(yù)報(bào)效果。