航空氣象要素以及基于數值模式的低能見度和霧的預報

周斌斌　蔣　樂　杜　鈞

（1 I. M. Systems Group公司，美國；2 美國國家海洋和大氣管理局，美國）

航空氣象要素以及基于數值模式的低能見度和霧的預報

周斌斌1,2蔣樂1杜鈞2

（1 I. M. Systems Group公司，美國；2 美國國家海洋和大氣管理局，美國）

簡述了對航空運輸有危害的天氣要素，包括航線要素和航站要素的業務預報。著重介紹了在美國國家環境預報中心（National Centers for Environmental Prediction，NCEP）業務模式后處理中，能見度的兩種診斷方法和霧的三種后處理再診斷方法。能見度計算的第一種方法是Stoelinga-Warner方法。該方法要求預報模式有四種水溶性物質的輸出。通過這些水凝性物質計算消光系數來估算水平能見度。第二種方法是第一種方法的改進，包括增加了更多的水凝性物質，用相對濕度估算高濕度時或霾條件下的能見度，考慮了白天和夜間能見度的不同等。還討論了以機場跑道為背景的跑道能見度的估計方法。霧的再診斷包括美國聯合包裹速遞服務公司（United Parcel Service，UPS）的方法，NCEP的多重規則法和根據霧內各物理過程間的平衡進行診斷的方法。UPS法根據低層大氣穩定指數，多重規則法則根據模式輸出的能見度、云、相對濕度和風速來診斷霧的發生，但兩者均不能判斷霧的強弱。物理過程平衡法是根據Zhou-Ferrier的霧層平衡理論所提出的霧發生及穩定時湍流強度小于某臨界值的必要條件以及霧層內含水量的垂直分布公式對霧含水量及能見度進行診斷。后兩種方法已被試驗性地用于NCEP的短期集合預報中。預報驗證表明，后處理中霧的再診斷方法可以有效地提高業務模式霧的預報能力。但總體而言，霧的預報與其他常規要素的預報相比，現仍處于較低的水平。最后討論了模式對能見度和霧預報能力低下的原因和改善的途徑。

航空氣象，數值預報，模式后處理診斷，能見度，霧

0　引言

和普通氣象預報相比,現代民用航空對重要（即對空運有影響的）天氣預報有更高的實時性與準確性的要求。民用航空由機場、航空公司和空中交通管制（空管）組成。在這樣一個講究安全與效率的實時繁忙的系統中，許多在普通氣象中不十分重要的天氣現象也會對民航運營產生重大影響，甚至造成大面積的航班延誤，導致非常大的直接與間接經濟損失。以美國為例，過去10年中有65%～70%的航班延誤都直接與天氣有關①來源：美國交通部交通統計局2004—2013年統計結果。。而在所有因天氣造成的航班延誤中，24%是因為雷雨，17%因為能見度，14%因為風，14%因為低云，9%因為雪，8%因為凍雨，7%因為積冰，7%因為顛簸。如果將低云和能見度放在一起，其影響占整個天氣對航班正點率影響的31%[1]。在所有天氣要素當中，由低云和低能見度造成的航空事故傷亡率占最大的比例[2]；而每年由霧造成的航運經濟損失比龍卷風還要高[3]。

現代商業民用機場，特別是符合國際民航組織（International Civil Aviation Organization，ICAO）規范的大中型機場，大都配備了自動天氣觀測系統（AWOS）和跑道視程系統（Runway Visual Range，RVR），（有些機場還配有專業的人工觀測人員），能夠對云量、云高和跑道能見度進行實時觀測。提供及時的臨近預報與預警。但是這些觀測系統，不能對較長時效的預報（如兩小時以上到兩三天的預報）提供可靠的指導作用。所以當今發達國家的業務預報，是以數值天氣預報和數值預報模式后處理產品為基礎的業務天氣預報。這和許多發展中國家的基本依賴于人工的以天氣圖為基礎的經驗加外推式的預報有著巨大的質的區別。尤其對于民用航空運營，需要機場，航空公司和空管以分鐘和小時來動態地把握天氣信息，以合理計劃與調整在有限空域中航班的空中流量與機場起降。所以重要天氣預報的實時化（包括實時快速更新）、準確化和定量化極其重要。這種民航空運業務的要求，已經超過了人工定性經驗加外推式預報的極限。自2000年以來，中國民用航空快速發展，但是隨著航班量的增大，相對落后的航空氣象預報能力成為民用航空進一步發展的巨大制約。本文的討論，將在基于數值天氣預報業務的框架中進行，將綜合介紹與航空氣象預報有關的重要要素預報，并著重介紹地面大氣能見度和霧在NCEP業務模式預報中的診斷方法。

1　航空氣象要素預報簡介

考慮到航空氣象要素的特殊性，航空氣象要素預報產品主要從預報模式的一些通用模式輸出量再進行特殊的后處理來產生，這樣做的優點是不需要有專門的航空氣象預報模式。從其對航運的影響，可分為航路天氣要素和航站（機場終端）天氣要素預報（Terminal Aerodrome Forecast，TAF）[4]。 從氣象要素預報的時效來看，航空氣象在很大程度上更加關心的是臨近預報（即實時到兩小時以內）和短期預報（如2～18h，或到兩三天以內），并且強調及時的預報更新，如已經由ICAO附件三規范的大范圍航路重要天氣預報（Signification Weather Chart），時效6～12h，每6h更新一次；機場（終端區）天氣預報時效有6，12和24h，每3～6h更新一次。在美國，目前這些指導預報（Forecast Guidance）是從NCEP的北美中尺度模式（North America Mesoscale，NAM）[5], 快速更新模式（Rapid Refresh，RAP）[6]，以及2014年剛剛業務化的高分辨率快速更新模式（High Resolution Rapid Refresh，HRRR）[7]以及短期集合預報系統（Short Range Ensemble Forecast，SREF）[8]和用時間滯后技術建立的北美快速更新集合預報（Time-Lagged North America Rapid Refresh Ensemble，NARRETL）[9]中產生。預報員在這些指導預報的基礎上再加工出最終的預報產品，使預報業務的效率大大提高。

1.1航路天氣要素及其預報

航路天氣要素指在巡航飛行過程中對飛行器產生有害影響的天氣要素，包括對流、雷暴、結冰、湍流（顛簸）和飛行約束分類等。在飛行航路控制和航運管理上，美國聯邦航空管理局（Federal Aviation Administration，FAA）和ICAO都規定飛行員在飛行之前必須了解航路上有害天氣狀況，必要時對飛行路線做適當調整來繞過重要天氣區域或高度，提高飛行的安全性。

對流和雷暴對飛行的影響包括強上下垂直氣流和閃電。在業務預報中通常由對流云和對流性降水的位置和強度來表示。目前由于天氣雷達的廣泛應用，業務模式也可產生模擬的雷達回波強度以及反映對流云高度的回波云頂高度的區域預報。模擬的雷達反射回波強度（單位：dBz）的計算可根據雨滴譜和冰晶滴譜分布按Rayleigh散射計算的格點回波強度，加上地面降水量估計的對流回波強度[10]。回波頂高的估算方法可從地面對流回波強度向上升到0℃高度，再從此高度上升到回波衰減20dBz所達到的高度[11]。除了雷達回波強度的預報，根據NCEP的航空天氣中心（Aviation Weather Center，AWC）Bright等的雷暴云物理參數（Cloud Physics Thunder Parameter，CPTP）方法，用模式的溫度廓線、對流有效位能（CAPE）和地面降水對閃電和干閃電進行診斷預報[12]。對流和雷暴除了對航線飛行有影響外，對飛機起飛和降落也存在很大影響，所以也是航站天氣關心的重要要素。

結冰是航路上常見的重要天氣。通常發生在過冷環境中。當飛機進入到高空過冷環境以后，機身特別是機翼上將發生水汽的接觸性凝結。如果時間長，機翼上的結冰過厚，將會影響飛機的飛行平衡。如果在過冷環境中本來存在大量的過冷大水滴，機翼的結冰過程更快和厚度更厚。另外，機頭結冰還將影響飛行員的視線。盡管大型商用飛機都有除冰裝置，但事前知道航路上的結冰條件天氣，對飛行安全至關重要。結冰的預報是對飛行路線上各飛行高度的結冰條件進行預報。目前NCEP的結冰診斷預報有兩種方法，一種是利用模式預報的溫度、濕度和上升氣流來診斷各飛行高度上的結冰條件, 其預報仍是“是”和“否”的簡單預報[13]。NCEP的區域集合預報系統 SREF和NARRE-TL中的結冰預報就是采用該方法。另一種是采用NCAR發展的模糊邏輯（Fuzzy-Logic）預報方法[14]。其方法是將與結冰有關的溫度、濕度、云量、云水等與結冰的可能性相聯系，做成曲線，找出各種情況下的結冰可能性和結冰強度。AWC正是根據第二種方法從RAP模式產生每小時的結冰預報（Forecast Icing Product，FIP）和利用模糊邏輯加上雷達回波和飛行員報告作出每小時的當前結冰分析（Current Icing Product，CIP）。NCEP受ICAO委托在全球范圍預報（World Area Forecast，WAF）中所做的全球結冰預報也是采用第二種方法[15]。

湍流的航空氣象術語叫“顛簸”。航路上強烈的顛簸對飛機飛行形成嚴重威脅，是航路上航空預報的重要預報對象。顛簸的產生原因有很多，最常見的是由風垂直切變和氣流變形引起的晴空湍流（clear air turbulence，CAT）所產生的顛簸。NCEP的全美顛簸單模式預報和短期集合預報采用的是Ellrod方法[16]；英國氣象局（UK Met Office）受ICAO委托在WAF中的全球顛簸預報采用的也是Ellrod方法[17]。該方法通過計算風場的切變和變形來診斷顛簸的弱、中和強三級強度。要注意的是該方法當初是在粗網格（100km）模式下發展的，其中的許多參數是在粗網格模式中調試的，運用于細網格模式時，對這些參數要進行調整。除了CAT，雷暴、重力波和過山氣流等也會產生顛簸。NCAR最近發展了一種綜合性的顛簸診斷方法（Graphical Turbulence Guidance， GTG）[18]。GTG不是用1種方法診斷湍流，而是用12種湍流診斷方法的權重集合。多種方法的權重集合可有效地提高診斷準確率和信心指標（可能性），大大降低漏報率。比如12種方法中有9種都診斷為強湍流，則其可能性為9/12=75%。在不久的將來，NCEP也準備用GTG方法來代替Ellrod方法。AWC已在RAP的后處理中應用GTG預報全美各高度航路上的顛簸強度。

NCEP還準備用模式輸出制做航路上“危險或回避區域”的預報，主要是指被云覆蓋的高山范圍，比較云底相對海平面的高度與山地的海拔高度可得到。這一產品實質上同能見度同屬一類。

1.2航站天氣要素及其預報

航站天氣要素包括那些對飛機起飛和降落有影響的天氣[19]，例如機場水平能見度、霧、降水、云底高度、飛行約束分類、低空風切變、暴雨、大雪和凍雨等（以機場特殊天氣觀測系統為手段的如低空風切變、跑道視程和跑道積冰等不包含在常規的機場天氣預報TAF中）。 這些要素是航班延誤的重要原因。準確和及時地預報這些要素可以有效地降低航班的延誤率。但另一方面，這些航站天氣要素，特別是那些與低能見度和云有關的要素，卻是數值天氣預報中可預報性較低的要素（正因如此，機場的特殊天氣觀測與預警系統在臨近預報中發揮著關鍵的作用）。

需要指出的是，這里的 “云底高度”在航空氣象上是指總云量大于50%時的云底高度[19]。而當總云量小于50%時，即使有云，也不考慮云底高度，作為晴空處理。原因是當云量小于50%時，飛行員可以透過破碎的云塊向上可見藍天和向下可見陸地。這時，云底高度對飛機起飛和降落沒有影響。因此，云底高度的診斷預報同時包括了云底和總云量的診斷。對云底，不同模式的診斷方法與模式及其系統誤差有關, 其中的診斷參數或閾值是通過與大量的實測資料和模式數據相比較和統計確定的。例如，在NCEP的NAM目前的版本中，判斷云底的云含水量（液相+冰相）閾值取為0.01g/kg；當相對濕度大于98%時，要考慮雪的等量含水量，其閾值也取為0.01g/kg；診斷是從地面往上對模式各層云含水量搜索，第一次遇到大于閾值的高度即是云底。而在目前RAP模式的當前版本中，云底的云含水量閾值比NAM要小得多，為0.0001g/kg；另外還要對比對流云底、雪的垂直能見度和相對濕度大于95%的行星邊界層（PBL）高度，最后在這4種高度中取最低高度作為云底。不論是云底還是總云量，目前基于數值模式的業務預報的可靠性都很低，原因是目前業務模式中采用的各種對流方案和微物理方案等還不夠完善。

低空風切變按美國聯邦氣象手冊定義為大氣層最低2000ft①1ft≈0.3m，下同。內風的矢量垂直變化率[19]。它可以通過模式輸出的水平經向和緯向風速廓線計算得到，如果在這2000ft高度內，變化達到或大于20節②1節≈0.5m/s，下同。，則報告地面有強風切變。飛行約束分類既是航路要素又是航站要素，它與水平能見度和云底高度兩者都相關，用來規定在何種能見度和/或云底高度條件下起飛、降落和巡航時是否必須借助儀器的規定，共有LIFR（Low Instrument Flight Rules）、IFR（Instrument Flight Rules）、MVFR（Marginal Visual Flight Rules）和VFR（Visual Flight Rules）4類規定[19]。其中，在LIFR和IFR類別下，飛行必須由儀表來巡航飛行或導航起飛降落；在VFR類別下，允許飛行可由飛行員目視控制。需要指出的是，在非目視飛行規則下，兩架民航飛機之間的最小間距至少要（比在可目視飛行時）增加一倍或以上，以避免飛機過于接近從而威脅飛行安全。飛行約束分類的具體判斷方法各國可能有不同的規定，但差別不大。四類飛行約束分類的判斷如表1所示。

表1　四類飛行約束分類標準Table 1 Definition of the four flight restriction categories

如果業務模式有云底高度和水平能見度的診斷預報，飛行約束類型則可被相應地診斷出來。目前NCEP是利用RAP模式對全美2000多個機場進行每小時更新的飛行約束分類進行預報。而利用NAM模式，有每日四次全美格點的飛行約束分類預報，作為航路飛行約束分類的參考。當前還沒有全球范圍的飛行約束分類預報，所以應建議ICAO在全球范圍預報WAF航空預報中增加飛行約束分類的預報。

2　低能見度和霧的預報方法

據對近年來NCEP的低能見度單模式的區域預報統計[20]，其表征預報能力的“相當能力評分”（Equitable Threat Score，ETS）在低能見度段（＜1000m）和霧條件下，只有5% 左右，大大低于同樣模式的降水預報評分（≈35%）（見圖1）。可見，提高低能見度的預報還有很大的提升空間。值得注意的是，圖1是5年前的結果，近年來，NCEP正致力于模式的改善與更新，能見度的預報水平也有相應提高，特別是原有的RUC模式被新的RAP所替代，其水平分辨率沒有變，但低能見度預報的ETS可到達10%以上[21]。低能見度及霧在模式中的可預報性很低的原因有很多，除了霧的復雜性和目前對霧的機理了解不夠外，最重要的原因可能是業務模式只是針對普通氣象要素預報進行設計的，所有與云有關的參數化方案都是為非地面云和降水進行開發和調試的。對地面霧，其中的參數調試很少或根本沒有經過霧條件下的調試。比如水滴譜，采用的是高層測試的云滴譜和地面的雨滴譜，而不是與霧有關的霧滴譜。滴譜的不同，將影響到水滴的沉降和在霧層中輻射的傳輸計算；霧中的微物理過程與高層云也不同。所以遇到地面霧時，用云水量來表征霧的地面含水量會有很大的誤差，甚至地面完全產生不了霧的含水量。另外，霧本身是地面邊界層內閾值天氣現象，只有當濕度大于某個閾值以及風速或者湍流小于某個閾值時，霧才會發生。所以霧的數值預報對模式本身的質量和對預報的初值和邊界條件（包括地表條件）的準確性要求極高。而這兩方面目前都不盡人意，所以霧作為模式直接輸出的指導預報的條件還不成熟。除了能見度是NCEP的模式指導預報外，霧現在還不是模式指導預報的正式內容。目前，全美各氣象臺站和機場，主要還是利用NCEP的能見度預報，結合其他要素場的預報以及當地的具體情況對霧進行經驗預報。但經驗預報含有預報員的主觀性，依賴于預報員對各模式的了解和過去模式表現及偏差的長期經驗。因此當模式更新時，預報員對模式的狀況和偏差的理解也要及時更新。但現在業務模式的更新愈來愈頻繁，如NCEP的模式通常每年更新一次。這使得預報員的經驗預報往往跟不上快速發展的業務模式的更新。因此，由模式直接進行霧的預報就顯得更為迫切，這也是目前要求將霧試驗性地加入NCEP的模式指導預報的動力之一。

圖1　三種模式（NAM，NMM和RUC）整個北美地區能見度預報的驗證評分（驗證時間2009年11月23日—2010年4月20日）Fig.1 Visibility prediction verification scores for 3 models（NAM, NMM and RUC） over Continental U.S. from 23 November 2009 to 20 April 2010

2.1水平能見度的預報

地面水平能見度除了與霧有關外，還與其他天氣要素例如降水和降雪等有關，所以地面水平能見度的業務預報包括的天氣比霧要廣泛。目前NCEP的區域業務模式后處理中有兩種地面水平能見度的估算方法：1）Stoelinga等1999年（SW99）發展的方法[22]，NAM以前所用的老模式ARW_NMM和目前所用的新模式NEMS-NMMB（Nonhydrostatic Multiscale Model on B-grid ）用的是這種方法。2）NOAA ESRL/GSD（NOAA-Earth System Research Lab/ Global System Division）方法[23]，GSD方法是對SW99方法的改進，即考慮了更多的水凝性物質，還考慮了高濕度和霾在風切變下的影響；最近，還將夜間能見度計算做了調整，與白天分開計算，并考慮了太陽天頂角的影響。目前，NCEP 的業務模式系統RAP和HRRR中的模式WRF_ARW[24]使用的是GSD方法。SW99和GSD方法對模式的微物理參數化方案有特殊要求。SW99要求模式能輸出4種水凝性物質的含水量：地面云或霧含水量、雨水含水量、冰晶（冰霧）含水量和雪花含水量。GSD方法再增加了小雪粒子（Graupel）的影響。水凝性物質對能見度的影響反映在它們對可見光的削弱及消光系數β的影響。水凝性物質的含水量C（單位：g/kg）與消光系數β（單位：km-1）的關系可表示為

各種水凝性物質的系數a，b列于表2。

表2　各種水凝性物質的系數a和bTable 2 Values of coefficients a and b for various hydrometeors

具體做法是在模式的格點上，檢查是否存在這些水凝性物質，如果有，則根據其含量計算消光系數β，再根據Kunkle公式

計算水平能見度（Vis，單位：km）。從表2可以看出，霧和冰晶具有較大的消光系數。因為它們粒子小，數量大，具有較大面積—體積比。如果格點含有多種水凝性物質，則先分別計算它們的消光系數，然后將它們相加得到總的消光系數，再用總消光系數來計算水平能見度。如果格點上不含這些物質的任何一種，則認為是透明大氣，在模式中通常定義一個很大的值，如NCEP模式中定為20km。SW99的水平能見度計算沒有考慮氣溶膠和霾的影響。霾是由大氣中沒有完全核化的氣溶膠細粒子造成的，在重污染地區，對能見度降低有明顯作用。通常霾天氣條件下，能見度可降到1～2km或更低。霾污染目前在中國大陸的一些城市相當嚴重，對能見度及飛行航運的影響也很大，相關研究也很多。但霾的數值業務預報不論在國內還是國外都沒有進展。要準確預報霾及其對能見度的影響，業務模式必須要有一套較好的，既包括物理過程也包括化學過程（二次轉化）的氣溶膠顆粒物的預報方案，還要有較精細的氣溶膠顆粒物的初始條件和資料同化方案。目前這兩方面在NCEP和其他業務中心都不具備條件。英國氣象局開發了一種在業務模式中考慮氣溶膠對能見度影響的計算方案[25]。但氣溶膠在業務模式中還不是預報量，所以在該方案中，還是假設氣溶膠的分布函數，利用參數化的氣溶膠消光系數，通過相對濕度作為輸入量來計算能見度。目前參數化的氣溶膠消光系數還沒有可靠的數據，還需要做大量的工作。在沒有定量的氣溶膠輸出和可靠氣溶膠消光系數的情況下，GSD方法則利用相對濕度（q）來估算能見度（Vis）：

其中，q=min{80.0, (RH1/100-0.15 )}，RH1是模式最低層相對濕度（單位：%）。在95%的相對濕度下，能見度在5km左右。該估算只適用于沒有污染的大氣如北美地區，對高污染地區并不適用。當有風切變（S）時，該能見度訂正為：

S為模式近地面第一層和第四層之間（約15hPa）的水平風垂直切變，單位為m/s。

當考慮晝夜影響時，夜間能見度訂正用Rasmussen等建議的方法[26]：

白天時，太陽天頂角因子（Z）對能見度的訂正為：

表2中霧條件下的消光系數實際上采用的是Kunkel[27]的試驗數據。按Kunkel參數計算的能見度（式（2））沒有考慮霧滴譜和霧滴總數的影響。據Gultepe等[28]的研究，僅按含水量計算的能見度的不確定性可達50%以上。要減少不確定性，在計算中必須考慮霧滴譜的影響，但計算費用太大。為減少計算量，Gultepe等[28]提出了包含霧滴總數Nd（單位：cm-3）和含水量（C）的能見度估算公式：

式中，總粒子數（Nd）和含水量（C）的不確定性分別為30% 和15%，由此引起的能見度計算不確定性為29%，大大低于原來的50%[28]。但在目前的業務預報中，在其后處理中由于沒有霧滴總數的輸出，還是依照經典的Kunkel參數方法（式（2））。

在NCEP，目前用13km分辨率的RAP和12km分辨率的NAM模式分別進行每小時更新的18h和每天4次更新的84h各航站和全美各區域的能見度預報。同時，NCEP還利用高分辨率（4km）的NEMS_NMMB和WRF_ARW模式進行每天兩次更新的36h北美區域能見度預報。自2014年起，NCEP把更高分辨率（3km）的每小時更新的基于WRF_ARW模式的HRRR系統投入業務。由此，各航站和預報臺有了每小時更新的15h全美能見度高分辨率區域指導預報。由于低能見度天氣和霧往往是小尺度的局地天氣，水平高分辨率模式可以有效提高對低能見度的預報能力。此外，利用NCAR的技術，AWC已將各航站的每小時更新的TAF能見度預報（RAP預報）顯示在AWC的Aviation Digital Data System（ADDS）網上[29]：http:// aviationweather.gov/taf。用戶可利用ADDS網站查詢各航站的當前能見度和18h能見度預報。

除了能見度的業務模式指導預報，NOAA的MDL（Meteorological Development Lab）還發展了對模式輸出的統計預報，如MOS（Model Output Statistics）[30]和LAMP（Localized Aviation MOS Products）[31]，這兩種統計預報產品包含有對地面能見度的分級預報。MOS技術利用NCEP的全球業務模式GFS（Global Forecast System）和NAM等區域模式輸出的基本量（如地面溫、壓、濕、風速和降水等）作為預報因子，觀測到的地面能見度作為預報量，利用歷史資料進行多元統計回歸，用得到的回歸公式對模式預報輸出進行能見度預報。MOS能見度分為7個等級 ：＜1/2，1/2～1，1～2，2～3，3～5，6，＞6mile。由于各種模式的預報誤差特性不同，每一種模式的MOS回歸公式也不同；同一種模式各版本也不同。模式每次更新，MOS公式要重新進行回歸統計，這樣需要進行動態的統計計算。MOS預報目前由MDL產生，共有1000多個臺站。而LAMP是專門針對航空預報并局地化的GFS-MOS，它擴大到1600多個臺站；此外，LAMP充分利用了最近時次的地面觀測資料和全美雷達拼圖（MOSAIC）資料；最后，除了回歸方法，LAMP還利用每小時運行的小模塊對區域資料進行處理。

以上介紹的是水平能見度（Horizontal Visual Range，HVR），其背景是天空。在飛機起飛降落時，飛行員看到的是前面下方的跑道。以跑道為背景的能見度叫跑道能見度（Runway Visual Range，RVR）。RVR與HVR的估算不同，它還包括了垂直的分量，要穿越更多的空氣質量；但在數值上與HVR有關，可以用Taylor的RVR-HVR經驗相關曲線來估算[32]（圖2）。

由圖2可見，當HVR在1000m以下時，RVR比HVR略大；但大于1000m時，RVR比HVR要小。如在水平能見度為4000m時，飛行員只能看到2000m以內的跑道。

圖2　RVR與HVR的經驗關系Fig. 2 The empirical relationship between runway visibility range RVR and horizontal visibility range HVR

2.2霧的指導預報

霧對航運的影響是不言而喻的，霧的預報也是各個預報中心的挑戰之一。目前霧還不是各普通天氣預報中心模式指導預報的正式內容。原因是多方面的，其一是目前的業務模式中對各種霧的物理過程還缺乏合適的描述，在所有的微物理參數化方案中也沒霧的微物理過程。其二，目前的業務模式的水平分辨率比較低，而地面霧往往是小尺度現象，很多局地的因子如局地氣流和地形等的影響不能很好地反映在低分辨率的物理過程中。所以業務中心霧的數值預報精度還很低。盡管過去有很多霧模式的模擬研究，從一維到三維霧模式再到三維中尺度數值預報模式。但要將它們應用到預報中心的業務預報中還有很大的困難。業務預報中心不太可能用某一模式專門進行霧的預報，因為運行和維持費用太高。霧的業務數值預報只能從現有的普通數值預報模式中產生，在模式常規輸出量的基礎上再進行后處理來診斷霧，這樣就可同其他天氣要素預報共享一個相同的數值模式。

如前所述，盡管目前霧還不是各天氣預報中心正式的的模式指導預報，但各臺站和航站正積極的要求預報中心提供霧的試驗性的模式指導預報。由于霧的數值預報精度低以及霧的經驗預報中的缺點，預報員常利用能見度的指導預報來預報霧。但是低能見度在很多情況下并不僅是由霧造成的，其他天氣如降水和降雪也會導致地面低能見度。另外低能見度本身的實際可預報性也很低，模式預報的系統性偏差如熱偏差（即模式溫度常高于實際溫度）和干偏差（模式濕度常低于實際濕度）也往往造成業務模式沒有可靠的，甚至沒有霧含水量的輸出。這些都造成在后處理中低能見度計算的困難。現在WRF-ARW模式常常被用于霧的數值研究，但ARW，即使是最新版本，仍有很大的干偏差。例如，NCEP業務運行的北美4km分辨率的最新版本的ARW和以ARW為基礎的3km分辨率HRRR模式地面相對濕度預報在2014年7月—2015年1月與北美地面站資料的驗證比較表明，HRRR在2014年具有較干的偏差，而ARW在2014年大部分時段，特別是11月以后和2015年1月都是干偏差。模式的干偏差給用模式直接輸出的地面云含水量來預報霧帶來很大的誤差。比如美國空軍氣象局（Air Force Weather Agency，AFWA）的WRF霧預報研究表明[33]，當地面大氣處于所謂的近霧（Near-Fog）條件下，由于ARW模式的干偏差，不能產生足夠量的霧滴；而霧滴的初始形成對霧的進一步發展有至關重要的影響。鑒于這些原因，目前NCEP并不采用模式直接輸出的地面云含水量來判斷霧，而是著重在模式的后處理中對霧進行再診斷，這樣可以大大地提高對霧預報的準確率，甚至可以接近降水預報水平相當的程度[21,34]。本節將介紹最近發展的三種霧的診斷方法。

2.2.1霧的多重規則（Multi-Rules）診斷方法

該方法[34]利用模式輸出的能見度或模式最底層的液態水含量（liquid water content，LWC）、云頂和云底高度、地面2m相對濕度和地面10m風速根據以下三條規則和閾值進行診斷。只要滿足其中一條規則，就判斷霧會發生：

含水量（能見度）規則：

或云高規則：

或相對濕度—風速規則：

其中“含水量規則”或“能見度規則”代表了霧的總體判斷。1000m能見度是霧的定義，相當于用Kunkel方法（式（2））估計的含水量0.015g/kg。如果模式在某時某地（格點）沒有溫濕偏差，該條件下模式能很好地預報霧的發生。如果模式在某時某地有溫濕偏差，能見度規則不確定，這時相對濕度—風速規則將起作用。對于干偏差模式來講，相對濕度的閾值可以調到大大低于100%，也就是說，當模式的相對濕度不到100%就可以有霧發生。風速規則是考慮到地面大部分是輻射霧，靜風是輻射霧形成的必要條件之一。如果模式有濕偏差，相對濕度的閾值可以取大一些，同時加大風速的閾值以減少誤報率。所以，濕度和風速的閾值在不同模式中需要作些微調（參見文獻[34]中舉例）。相對濕度—風速規則是模式有干、濕偏差時對能見度規則的補償。如果能見度規則和相對濕度—風速規則同時滿足，霧的發生就更加確定了。云高規則是針對其他類型的霧而設立的，特別是平流霧、海霧、下沉霧和雨霧等。這些霧有較厚的厚度，但一般不高于400m。這些霧就由模式來判斷，充分利用模式本身對層云的預報功能。如果模式中有層云，其底接地而其厚度低于400m，就判斷為霧。云高規則的效果完全依賴于模式對低層云的預報能力。對該方法的長期統計表明，在地面，由能見度規則預報的霧占30%，由云規則預報的霧占20%，由相對濕度—風速規則預報的霧占50%。這樣的比例大致反映了地面各種霧類型的比例。

對該方法預報霧的長期客觀驗證依賴于霧的觀測資料。Zhou等利用2008年北京奧運會WMO的研究示范項目[35]，對NCEP的短期集合系統中15km分辨率的基準模式WRF_NMM和WRF_ARW用能見度（含水量）預報的霧和用多重規則診斷的霧與華北、華東等13個城市的霧實況進行客觀驗證，為期7個月（2—8月）[34]。結果表明，用含水量預報，WRF_NMM和WRF_ARW的ETS均在6%左右，而用多重規則診斷，ETS可達20%。由圖1可見，僅用能見度來預報霧，NAM和RUC的ETS分別為3.5%和5%，但如用多規則診斷方法，它們的ETS可分別增加到7%和6.5%。可見，多重規則診斷的霧預報比僅用含水量或能見度來預報，預報效果有明顯提高。

2.2.2UPS霧診斷方法

UPS空運部門發展了一種用地面相對濕度和地面大氣穩定度指數來診斷霧是否發生的方法[36]。地面大氣穩定度指數定義如下：

式中，T1和Tsfc分別為模式輸出的離地面第一層和2米處溫度（單位：K），u為模式輸出的離地面第一層風速（單位：節）。根據MRi的數值將大氣穩定度分為三種狀況。用Eta模式[37]（早期NCEP NAM所采用的模式）數據時，三種狀況的閾值分別為：

MRi≤0.025，表示大氣處于充分混合狀態。在70m以下湍流混合邊界層遏制了冷卻。沒有霧會發生。如果近地面相對濕度達到飽和，只會有層云形成。

0.025＜MRi＜0.04，表示大氣處于混合和靜止狀態的過渡區。如果近地面相對濕度達到飽和，霧有50%的可能性會發生。

MRi≥0.04，表示大氣極穩定，地面層與高層分離，70m以下地面靜止大氣導致地面強烈的輻射冷卻，如果近地面相對濕度達到飽和，霧一定發生。

要注意的是，以上三種狀況下的MRi閾值是在Eta模式下調試得到的。如果采用其他模式，閾值需要重新調試才能確定。

2.2.3根據物理過程平衡的霧診斷

多重規則的霧診斷和UPS的霧診斷，都是診斷霧是否會發生，不能對霧的強弱進行診斷。為診斷霧強弱，根據2008年Zhou等（ZF08）提出的輻射霧的平衡理論[38]，NCEP發展了一種在模式后處理中對各種霧物理過程之間平衡進行判斷的霧診斷方法。ZF08用奇異攝動方法求解霧的含水量非線性方程表明，輻射霧是否形成、發展、穩定和消散由冷卻率、湍流強度以及霧滴的重力沉降之間的平衡所決定。霧平衡穩定條件可以用所謂的“臨界湍流交換系數”Kc來表示，并得到了霧層內的含水量垂直分布廓線的顯式表達式。只有當實際大氣的湍流交換系數K＜Kc時，霧才可能形成和穩定（維持）。如果實際大氣的湍流交換系數K＞Kc，則霧的平衡被破壞，霧要么不形成，要么形成后很快消散。ZF08的研究對象是輻射霧，沒有考慮平流。Zhou在ZF08的基礎上進一步考慮了水汽平流的影響[39]，并得到了包括水汽平流影響的臨界湍流交換系數和霧內的含水量LWC垂直分布廓線的表達式：

式中，α為霧滴重力沉降系數，可取0.062，β(p,T)為與氣壓和溫度有關的參數，通過Clausius-Clapeyron公式計算：

式中，Lv和Rv，分別為水汽潛熱和氣體常數，p為大氣壓， Es(T)是飽和水汽壓，T為霧層平均溫度，Co為冷卻率（單位：℃/s，冷卻為正，加熱為負）。需要指出的是，這里的冷卻率是模式輸出的近地面總變溫率預報，包含了由長短波輻射引起的冷卻或加熱，以及由溫度平流和湍流混合引起的冷卻或加熱。其數值完全由預報模式決定。Q為水汽在水平方向上的平流。V為模式輸出的地面風速（如10m）。Q為模式輸出的地面總水分量，為液態LWC和水汽比濕q之和（Q=LWC+q）。當Adv＞0為濕平流，當Adv＜0時為干平流。z為離地面的垂直距離。H為霧層厚度。如果霧沒有形成，可用地面飽和層厚度代替。如果模式有干偏差，大氣飽和的定義在后處理中可以定義為相對濕度略小于100%的某一閾值，也就是說，即使模式沒有霧的液態含水量的輸出，在后處理中也可根據相對濕度小于100%來定義的飽和，通過上式，診斷出霧內含水量的垂直分布，這是本方法的特點之一。δ為與實際大氣湍流交換系數K有關的參數，具有厚度的尺度。

根據ZF08的研究，δ可以認為是霧邊界層，其值的大小（厚度）隨霧內湍流強度變化而變化。當霧內湍流強度較弱時，δ較薄。當湍流很強時霧邊界層δ將從地面向上發展。當δ大于霧層厚度時（δ＞H），霧將消散。如果在霧形成之前，在飽和層定義的厚度下的δ如果很厚，霧也不會形成，最多是形成非接地的層云。只有當δ＜H 時霧才會形成并穩定。所以，與臨近湍流交換系數Kc一樣，δ也可用來診斷霧是否形成和消散。含水量式（11）由兩項組成：第一項是{ }的平方根項，它表征了含水量的總體大小和最大值，濕平流越強，冷卻率越大，霧層越厚，含水量也越大。第二項是[ ]項，與z和δ或K有關，它決定了含水量以及其最大值的拋物線狀垂直分布。含水量這種垂直方向的拋物線狀分布與實際觀測的形狀很相似[38]：完全沒有湍流時（K=0，δ=0），含水量最大值在地面（z=0）；當湍流增強時，含水量最大值脫離地面；湍流越強，含水量最大值位置越高。

大量霧的數值模擬研究和觀測都表明，湍流對霧的影響是雙重的。一方面，只有當湍流強度很弱時（靜風條件）霧才可能形成。另一方面，當霧形成后，適當的湍流可以促進霧的進一步發展。霧的相對濕度必要條件（即相對濕度必須達到飽和閾值）很好理解，但霧的湍流強度必要條件還很模糊。怎樣定量地定義“適當”的湍流強度是長期以來懸而未解的問題。ZF08的臨界湍流交換系數（Kc）給出了解決此問題的答案：只要湍流強度不超過由臨界湍流交換系數Kc定義的強度，霧就可以穩定和發展，即Kc定義了霧層所能承受的最大湍流強度。從臨界湍流交換系數Kc的表達式可以看出，霧能承受湍流的能力與近地面的濕平流和冷卻率的1/2次方和霧厚度H3/2成正比。濕平流和冷卻率越大，Kc越大，風速（或湍流）越小，霧越容易形成。霧越厚，Kc也越大，霧層能承受的湍流也越大，越不易被強湍流和氣流吹散，霧也越穩定。由于Kc與H的3/2次方成正比，H對Kc的影響大于平流和冷卻率的影響。對薄霧，局地氣流的增大（較大的K），或者干平流和日出（較小的Kc）等都會導致其迅速消散。在模式后處理的實際操作時，只要應用LWC(z)的計算就可以了。當計算的近地面（比如z=10m）處的LWC＞0，可以證明，K＜Kc的條件也自動滿足。用表2的系數和式（1）求得消光系數，再用能見度計算公式（2）可將LWC（含水量C）轉換為實用的能見度大小；如果LWC為0，用SW99方法則賦為預定的最大值20km；如用GSD方法則仍可用地面RH用式（3）算得（見表3最后兩列的例子）。

該方法已經被試驗性地用在NCEP的區域集合預報系統SREF和NARRE-TL的霧強度的概率預報中。預報結果定時地發布在一天四次更新的SREF和每小時更新的NARRE-TL網站①NCEP SREF航空產品：http://www.emc.ncep.noaa.gov/mmb/wd20bz/SREF_aviation/web_site/html_212/fog.html；NCEP NARREL-TL產品：http://www.emc.ncep.noaa.gov/mmb/SREF_avia/FCST/NARRE/web_site/html/fog.html。。在具體計算時有幾點要注意：第一，為充分利用模式本身對層云的預報，本方法首先檢查模式輸出是否有云頂低于400m，同時云底低于50m的層狀云。如果有，地面層狀云有可能轉變為下沉霧或者有海霧發生。這時層云將被作為地面霧來處理，霧的厚度（H）就設為云頂的厚度，然后根據湍流交換系數和霧層內的水汽平流和冷卻率來計算近地面的含水量。第二，通常的業務模式中的湍流系數采用所謂的長尾穩定度參數來計算。長尾穩定度參數在理查森數Ri達到0.25時沒有截斷（即穩定度參數仍不為0），目的是為了在近地層極為穩定時模式仍保持溫度層的有效性（因為邊界層溫度計算依賴于這非零的穩定度參數）。在實際極穩定的大氣中，地面層與上層氣流出現了分離，邊界層已經崩潰，穩定度參數應該為0。對輻射霧來講，長尾穩定度參數可能不利于霧的形成。為此，可以采用短尾穩定度參數，比如Beljaars[40]和Beare等[41]的形式。第三，當溫度極低時，霧將變為冰霧。在診斷冰霧時，飽和相對濕度的計算要按照以冰面為參考的相對濕度公式，其飽和閾值隨著溫度的降低而下降，比如在-20℃時相對濕度達到80%就開始飽和了。第四，總冷卻率的計算依賴霧的厚度。當霧或飽和層較厚時，可以用層內平均的變溫率來計算也可以用霧頂附近的變溫率來計算[39]。當霧或飽和層較薄時，可以用地面2m的變溫率來計算。

最后介紹2010—2011年冬季（11月—次年2月），加拿大環境廳FRAM（Fog Remote Sensing and Modeling）項目在加拿大北部城市黃刀國際機場進行的冰霧觀測實例[42-43]。該項目用能見度和以此方法同時對NCEP NAM等模式對14場冰霧的預報能力進行了檢驗和比較。結果表明，在這14場冰霧中，用能見度來預報漏報了一半以上的冰霧，而用此方法，預報有明顯地改進。 每場霧基本都能報出來, 只是起止時間有誤差。現用一例來說明，該冰霧發生在12月17日半夜當地時間00:00。地面氣溫為-20℃，霧持續時間為12h，第二天中午12:00消散（表3中第一列的陰影區）。霧形成前靜風無云，是典型的輻射霧。冰霧發生時地面冰霧粒子被有效地觀測到，能見度低于1000m。NAM對黃刀機場當天的4次能見度預報都在4000m左右。說明模式近地面有飽和凝結，但沒有產生足夠的冰水量使能見度小于1000m。如果用NAM的輸出場在后處理用此方法進行再診斷，霧就被預報出來。盡管預報的霧發生時間提前了4h，消散時間提前了5h（見表3第五、九、十、十一和十二列黑體數字）。為了說明該方法中各過程在診斷過程中的作用，表3列舉了NAM 12:00時（當地時間）發布的前25h預報時間內每小時的地面2m處相對濕度（RH2m）和冰相飽和相對濕度（RHs）、飽和層（霧前）和霧厚度（H）、10m處冰霧含水量（IWC10m）、水量的冷卻產生率（βCo）、水量的平流產生率（Adv）、水量的總產生率（冷卻和平流之和，Total）、湍流和臨界湍流交換系數（K和Kc）、霧邊界層厚度（δ）以及SW99法（Vis1）和GSD法（Vis2）計算的兩種能見度的診斷數據。

表3　NAM 25h預報時間內每小時的地面2m處相對濕度（RH2m）和冰相飽和相對濕度（RHs）、飽和層（霧前）和霧厚度（H）、10m處冰霧含水量（IWC10m）、水量的冷卻產生率（βCo）、水量的平流產生率（Adv）、水量的總產生率（冷卻和平流之和，Total）、湍流和臨界湍流交換系數（K和Kc）、霧邊界層厚度（δ）以及SW99法（Vis1）和GSD法（Vis2）計算的兩種能見度的診斷數據Table 3 NAM 25 h hourly outputs for 2m relative humidity （RH2m）, saturation relative humidity with respect to ice（RHs）, saturated layer depth （before fog） and fog layer depth （H）, ice fog water content at 10m （IWC10m）, ice fog water generation rate due to cooling （βCo）, and moist advection（Adv）, ice water total generation rate （Total）, turbulent exchange coefficient and its critical value（Kand Kc）, fog boundary layer depth （δ）, visibility with SW99（Vis1） and with GSD （Vis2）

表3左邊第一列是預報時間，陰影部分是霧的實際發生到消散時間。NA為當未飽和或水量總產生率為負時不能計算。因為溫度為-20℃左右，由氣溫計算的冰相飽和的相對濕度（第三列）大大小于100%，僅為80%左右。除了第一小時地面還未達到飽和外，其后22h地面相對濕度（第二列）都達到或超過了飽和值（第三列）。地面10m霧含水量IWC10m表明，霧在20時開始形成，比觀測早了4h。盡管霧形成前6h地面已經飽和了，飽和層厚度（H）為40～60m，但霧沒有形成。原因是前6h，實際的湍流交換系數（K）大于臨界湍流交換系數（Kc）。δ也大于H。20時起，湍流交換系數（K）突然降到10-4以下，大大小于由飽和厚度、冷卻和平流定義的臨界湍流交換系數（Kc），δ也趨于0而小于H 。在霧形成前基本是干平流，但冷卻產生的水量還是大于干平流的消耗，所以總的水量產生率是正值。除了在03時干平流的消耗和負的冷卻產生率，霧有短暫的消失，04時霧又重新形成。該霧的厚度從形成到消散沒有太大的變化，維持在60m左右。冰霧水量在0.05～0.1g/kg。湍流交換系數（K）一直維持在10-4～10-3（m2/s）的量級，在后期略有增大。δ也有所增厚。07時，由于日出，冷卻率有所減小。但到10時之前，仍在冷卻（北方太陽高度角較低）。由于干平流消耗（負值）仍維持在相同的水平，這導致霧水的總產生從正到負，使預報的霧比實際情況提早消散。雖然這次霧事件預報成功，但霧起止時間的預報誤差說明，或許此法還有改進余地，但更有可能是模式輸出的那些基本量中存在誤差。可見，除了霧的診斷方法好壞，最終霧預報的準確性大大依賴于數值預報模式的質量。

2.3改善能見度和霧預報的途徑

本節著重討論了目前，特別是NCEP的能見度和霧的診斷預報方法。總體而言，模式對它們的預報能力仍停留和徘徊在較低的水平上。對數值預報中心而言，提高其可預報性仍有很長的路要走。從能見度和霧本身的特點及目前業務模式的發展狀況，提高它們的可預報性有如下七個方面可以考慮：初始場、模式、診斷方法、訂正、資料、集合預報和高污染條件下的氣溶膠消光系數。

1）由于初始條件對霧的預報極其敏感，提高模式的初始場精度可有效地減小其誤差。這方面改進觀測和資料同化手段是關鍵，目前各中心采用的三維、四維和集合資料同化正是此目的。

2）改進模式有許多方面，這里只列三方面。①發展適合于霧的微物理參數化方案。目前所有可選用的微物理參數化方案沒有充分考慮霧的微物理過程。如果充分考慮霧的微物理過程，霧的預報會有很大提高。比如Kim等對WRF-ARW的Thompson方案進行改進后發現，對冰霧的模擬能力有所提高[44]。英國氣象局改進的針對霧和毛毛雨的微物理參數化方案對霧的預報能力也有所提高[45]。但對業務模式來講，這種物理方案的改進不能影響到其他天氣要素的預報。所以，如何在普通業務模式的云參數化方案中考慮地面各種類型霧的參數化仍是挑戰性的課題。②尋找適合于霧的邊界層參數化方案。目前可采用的邊界層參數化方案有多種，但沒有一種對霧的預報是最適合的。他們對不同的地區和不同的時間以及不同種類的霧，預報表現可能不同。③提高模式的水平和垂直分辨率。較高的水平和垂直分辨率可以有效地提高低能見度等小尺度天氣和霧的預報能力。但這對模式本身的性能和計算條件要求較高。

3）研究和發展更有效的霧的診斷方法。由于模式的各種偏差和能力不足，對地面含水量的預報有很大的誤差，造成地面低能見度計算的困難。用常規場在后處理中對霧進行再診斷不失是一種較實用的方法。但這種方法的精度仍依賴于模式輸出的常規場的預報精度。

4）后處理訂正是一種降低時空誤差的有效可行方法，這包括偏差訂正（時間誤差）和降尺度（空間誤差）。利用長期觀測資料先對常規場的偏差進行訂正，然后也可以再對能見度和霧預報的偏差進行訂正如類似降水訂正[46]。利用高精度資料進行降尺度，這對目前模式空間分辨率還不夠情況下很有必要。

5）資料問題是上述3）和4）兩方面的基礎，如不同區域的地面霧和低能見度的長期觀測資料的收集對驗證和霧診斷方法參數的選取和訂正有至關重要的作用。目前這方面的資料很缺乏，特別是偏遠地區。這時自動站將發揮有利的作用。比如目前北美有5000多個連續觀測的METAR自動站。NCEP每天將每小時包括能見度的資料經過處理放在其ADDS中讓公眾使用。既可以用作臨近預報，也可被用來作為監視和驗證模式低能見度和霧的預報效果的參考。除了站點觀測資料，也要發展網格的分析資料以便直接用于模式。對于低能見度分析場的研究，NCEP目前用收集到的METAR和其他地面及高空資料結合RAP模式對地面能見度進行分析，得到地面能見度的每小時格點化的分析場。可以用來做模式的客觀驗證和對霧診斷參數的調整。另外NCEP還發展了全美2.5和5km的實時中尺度分析資料同化系統RTMA（Real Time Mesoscale Analysis），對地面要素和能見度進行分析產生它們的地面格點分析場。該資料已被用于模式的客觀驗證、模式參數調整以及模式預報的降尺度化等 。

6）進行霧的集合預報。考慮地球大氣和模式的混沌性，霧對初始場誤差很敏感，以及各種參數化方案的表現與時間、地點和天氣系統本身的不同而變化。一種方案不可能在所有情況下都有較好的表現。這種由初始場誤差引起的不確定性和各種參數化方案表現不同引起的系統誤差是目前低能見度和霧的可預報性較低的重要原因。近年來發展起來的集合預報方法，為減少和定量化地表征以上兩種誤差引起的不確定性提供了很好的途徑[47-48]。NCEP的實踐證明，集合預報可有效地提高霧的預報能力和精度[20,34]。AWC專門利用區域集合預報SREF建立了全美各大機場TAF的冬季降雪和低能見度造成的重要天氣概率預報，稱為“冬季航空天氣預報儀表操作臺”。FAA主導的新一代航空管理系統NextGen也把預報的不確定性作為航空預報的一個重要組成部分以便更科學地來決策[49]。

7）結合中國國內霧霾污染的實際，開展對氣溶膠粒子的消光系數的參數化的試驗和數值模擬研究，尋找符合中國實際的氣溶膠消光系數。可靠的氣溶膠消光系數是計算高污染天氣下能見度的關鍵。本文介紹的是NCEP的能見度業務預報，對高污染條件可能并不適用。近年來國內開展對霧霾污染的監測已得到充分地重視，積累了大量數據。中國氣象局對其業務預報和預警工作正在有效地開展[50]。 大量和可靠的在高污染和霧和霾天氣下的氣溶膠粒子和能見度資料以及成熟的污染預報業務模式（如CMAQ）為氣溶膠粒子的消光系數的參數化研究提供了基礎。對提高在霾條件下能見度的預報有切實意義。

在中國，霧和低能見度的數值模擬研究始于20世紀80年代初，起步較早[51]，但低能見度和霧的數值業務預報似乎還沒有完全跟上[52]。為提高預報中心霧的業務預報能力，建議在國內霧和低能見度數值模擬研究的基礎上結合中國的實際，加強業務模式后處理中霧和低能見度的診斷方法的研究，并將在過去霧的數值研究中得到的成果考慮在后處理中，加強全國霧觀測網資料的收集，進行霧預報的統一驗證和臺站及航站預報員的自主驗證，不斷提高霧和低能見度的中心業務預報水平。目前中國氣象局數值預報中心也已建立了業務運行的區域集合預報系統，并專門設有航空預報中心，所以可開展能見度和霧的集合預報產品；在民航華東空管局也已有試驗性的集合航空預報系統和產品，在2010年上海世博會期間也有試用。因此，來定量描述航空預報中有關要素的可信度其各種條件也已基本成熟。

3　小結

航空天氣要素對飛行航運有重要的影響。準確預報這些要素可以有效地提高飛行的安全性，擴大民用飛行空間的使用效率和降低機場的晚點率。航空天氣要素分為航路要素和航站要素。航路要素包括哪些對飛機在巡航飛行時有害的天氣條件，包括顛簸、結冰和對流等。航站天氣包括對飛機起飛和降落有重要影響的天氣，如低層風切變、雷暴、云底高度、能見度、霧和飛行約束分類等。在NCEP，除了臨近預報外，不論是航路要素還是航站要素，通常都是在模式的后處理中通過不同的方法診斷產生的。本文著重介紹了能見度和霧在NCEP的區域模式中的診斷方法。其中，能見度有兩種診斷方法。一種是Stoelinga-Warner方法，該方法要求預報模式有四種水凝性物質的輸出。通過這些水凝性物質計算消光系數來估算水平能見度。第二種方法是GSD方法。該方法是前一種方法的改進，包括增加了更多的水凝性物質，用相對濕度估算高濕度時霾條件下的能見度，考慮了白天和夜里能見度的不同等。還討論了以機場跑道為背景的跑道能見度的估計方法。除了能見度的診斷，NOAAMDL發展了模式數據的統計預報方法MOS和LAMP。但統計預報要求對迅速更新的模式版本進行及時的動態的參數調整。

目前各預報中心還沒有把霧的預報作為模式指導預報中的正式內容。原因是業務模式對霧的可預報性很低。臺站和航站預報員往往利用低能見度的預報或利用模式輸出的其他與霧有關的常規要素（包括探空）來進行霧的經驗預報。但低能見度有時并非由霧造成，而經驗預報則帶有很強的主觀性，依賴于預報員對模式輸出的各種要素場的誤差理解。當模式版本更新很快時，預報員的經驗有時跟不上模式新版本的變化。因此各臺站和航站希望數值預報中心能試驗性地提供霧模式指導預報。與其他航空要素一樣，霧的模式預報仍是在模式的后處理中診斷的。除了UPS開發的方法，NCEP近年來著重研究和發展了兩種霧的診斷方法。一種是多重規則方法，該方法利用能見度、云底、云頂高度、地面相對濕度和風速根據不同的閾值來對霧的發生與否進行診斷，但該方法不能確定霧的含水量和霧的強弱。另一種是根據Zhou-Ferrier的霧層平衡理論提出的霧發生和穩定的湍流強度必要條件以及霧層內含水量的垂直分布公式對霧含水量進行診斷。該條件由冷卻率、水汽平流和霧前飽和層或霧層厚度所確定的臨界湍流交換系數決定。只有當湍流強度小于該臨界值時，霧才可能形成和穩定。

最后，本文討論了進一步改善能見度和霧的業務模式預報的七種可行途徑：減少初始場的誤差，改進模式包括研究和選用合適于霧的微物理參數化方案、邊界層參數化方案和提高模式分辨率，霧診斷方法的改進，后處理訂正，加強霧的觀測網和分析場的研究，并強調了霧集合預報的重要性，以及結合中國多污染的實際來開展氣溶膠消光系數的研究。總之，目前霧的業務預報能力還有限，還有諸多挑戰，有很長的路要走，希望本文能起到一些推動作用。

［1］NOAA NWS. National Weather Service Report. Washington D C：NOAA， 2014.

［2］Aviation Weather Center. Seminar in 2014 Summer Aviation Experiment Testbed. Kansas City， August， 2014.

［3］Gultepe I， Tardif R， Michaelides S C， et al. Fog research： A review of past achievements and future perspective. Pure Appl Geophys，2007， 164： 1121-1159.

［4］NOAA. Federal Meteorological Handbook， No. 1 （FMH-1）. Washington D C： NOAA， 1995.

［5］NCEP Environmental Modeling Center. NAM model document. http：//www.emc.ncep.noaa.gov/index.php

［6］Benjamin S， Devenyi D， Smirnova T， et al. From the 13km RUC to the rapid refresh. 12th Conference on Aviation Range and Aerospace Meteorology， Atlanta， 2006. Amer Meteor Soc， 2006.

［7］NOAA Earth system Research Lab. The High-Resolution Rapid Refresh （HRRR）. http：//rapidrefresh.noaa.gov/hrrr.

［8］Du J， DiMego D， Tracton M S， et al. NCEP short-range ensemble forecasting （SREF） system： Multi-IC， multi-model and multiphysics approach// Cote J. Research Activities in Atmospheric and Oceanic Modelling， Report 33. CAS/JSC Working Group Numerical Experimentation， WMO/TD-No. 1161， 2003. http：// www.emc.ncep.noaa.gov/mmb/SREF/srefWMO_2003.pdf.

［9］Zhou B， Du J， Manikin G， et al. Introduction to NCEP’s time lagged North American Rapid Refresh Ensemble Forecast System（NARRE-TL）. Conference on Aviation Range and AerospaceMeteorology， Los Angles， August， 2011. Amer Meteor Soc， 2011.

［10］Koch S E， Ferrier B， Stoelinga M T， et al. Te use of simulated radar reflectivity fields in the diagnosis of mesoscale phenomena from high-resolution WRF model forecasts. 11th Conf on Mesoscale Processes， Albuquerque， Oct 2005. Amer Meteor Soc， 2005.

［11］Zhou B， Du J， Liu S， et al. Verifications of simulated radar reflectivity and echo-top forecasts at NCEP， 24th Conference on Weather and Forecasting， Seattle， Jan， 2011. Amer Meteor Soc， 2011.

［12］Bright D R， Wandishin M S， Jewell R E， et al. A physically based parameter for lightning prediction and its calibration in ensemble forecasts. 22nd Conf on Severe Local Storms， Hyannis， Oct， 2004. Amer Meteor Soc， 2004.

［13］Zhou B， Du J， McQueen J， et al. An introduction to NCEP SREF aviation project. 11th Conf on Aviation， Range， and Aerospace Meteorology， Hyannis， Oct， 2004. Amer Meteor Soc， 2004.

［14］Bernstein B C， McDonough F， Politovich M K， et al. Current icing potential： algorithm description and comparison with aircraft observations. Journal of Applied Meteorology， 2005， 44（7）：969-986. doi：10.1175/jam2246.1.

［15］Trojan G. GRIB Aviation Products. WAFC Washington Progress Report， Washington D C， August， 2007.

［16］Ellrod G P， Knapp D I. An objective clear-air turbulence forecasting technique： verification and operational use. Wea Forecasting， 1992， 7（1）： 150-165.

［17］Turp D J， Macadam I， Bysouth C， et al. Development of GRIB Icing an Turbulence Products for WAFC London： WAFC London Progress Report， London， November， 2006.

［18］Sharman R， Wolff J， Wiener G. Technical description document for the graphical turbulence guidance product v2 （gtg2）. FAA AWRP Turbulence PDT Project Technical Report， Boulder， 2004.

［19］NOAA/National Weather Service. NWS Instruction 10-813 of TAF. Washington D C： NOAA， 2004.

［20］Zhou B， Du J， Gultepe I， et al. Forecast of low visibility and fog from NCEP： current status and efforts. Pure and Applied Geophysics， 2011， 169（5/6）： 895-909. doi：10.1007/s00024-011-0327-x.

［21］杜鈞， 周斌斌. 霧的集合預報與集合預報的檢驗. 氣象科技進展，2016， 待發表.

［22］Stoelinga M T， Warner T T. Nonhydrostatic， mesobeta-scale model simulations of cloud ceiling and visibility for an east coast winter precipitation event. J Appl Meteor， 1999， 38（4）： 385-404.

［23］Smirnova T G， Benjamin S G， Brown J M， et al. Case study verification of RUC/MAPS fog and visibility forecasts. 9th Conference on Aviation， Range， and Aerospace Meteorology，Orlando， 2000. Amer Meteor Soc， 2000.

［24］Skamarock W C， Klemp J B， Dudhia J， et al. A description of the advanced research WRF， Version 2. NCAR Technical Note， 2005.

［25］Clark P A， Harcourt S A， Macpherson B， et al. Prediction of visibility and aerosol within the operational Met Office Unified Model.Ⅰ： model formulation and variational assimilation. Q J R Meteorol Soc， 2008， 134（636）： 1801-1816. doi：10.1002/qj.318.

［26］Rasmussen R M， Vivekanandan J， Cole J， et al. The estimation of snowfall rate using visibility. J Appl Meteor， 1999， 38（10）：1542-1563.

［27］Kunkel B A. Parameterization of droplet terminal velocityand extinction coefficient in fog models. J Climate Appl Meteor， 1984，23（1）： 34-41.

［28］Gultepe I， Müller M D， Boybeyi Z. A new visibilityparameterization for warm-fog applications in numerical weather prediction models. J Appl Meteor Climatol， 2006， 45（11）： 1469-1480. doi：10.1175/ jam2423.1.

［29］Aviation Weather Center/NCEP. Aviation Digital Data Service. http：//www.aviationweather.gov/adds/cv.

［30］Glahn H R， Lowry D A. Te use of model output statistics （MOS）in objective weather forecasting. J Appl Meteor， 1972， 11（8）：1203-1211.

［31］Ghirardelli J E， Glahn B. The meteorologival development laboratory’s aviation weather prediction system. Wea and Forecasting， 2010， 25： 1027-1051.

［32］Gardener T. Runway Visual Range. TMS Photometrics， 2007. http：//www.maths-in-industry.org/miis/137/1/runwayvr.pdf

［33］Ryerson W R， Hacker J P. The potential for mesoscale visibility predictions with a multimodel ensemble. Wea and Forecasting，2014， 29： 543-562.

［34］Zhou B， Du J. Fog prediction from a multimodel mesoscale ensemble prediction system. Wea Forecasting， 2010， 25： 303-322.

［35］Duan Y， Gong J， Du J， et al. An overview of the Beijing 2008 Olympics Research and Development Project （B08RDP）. Bull Amer Meteor Soc， 2012， 93： 381-403.

［36］Baker R J， Cramer J， Peters J. Radiation fog： UPS Airline conceptual models and forecast methods. 10th Conf on Aviation，Range， and Aerospace. Portland， 2002. Amer Meteor Soc， 2002.

［37］Black T L. Te new NMC Mesoscale Eta Model： Description and forecast examples. Wea Forecasting， 1994， 9： 265-278.

［38］Zhou B， Ferrier B S. Asymptotic analysis of equilibrium in radiation fog. J Appl Meteor and Climatol， 2008， 47： 1704-1722.

［39］Zhou B. Introduction to a new fog diagnostic scheme. NCEP Office Note 466， 2011

［40］Beljaars A. Te parameterization of the planetary boundary layer. ECWMF Report， 1992.

［41］Beare R. An intercomparison of large-eddy simulation of the stable boundary layer. Boundary-Layer Meteor， 2006， 118： 247-271.

［42］ Gultepe I， Zhou B， Milbrandt J， et al. A review on ice fog measurements and modeling. Atmos Res， 2015， 151： 2-19.

［43］Gultepe I， Kuhn T， Pavolonis M， et al. Ice fog in Arctic during FRAM-Ice fog project： aviation and nowcasting applications. Bull Amer Meteor Soc， 2014， 95： 211-226.

［44］Kim C K， Stuefer M， Schmitt C G， et al. Numerical modeling of ice fog in interior Alaska using the weather research and forecasting model. Pure Appl Geophys， 2014， 171： 1963-1982.

［45］Wilkinson J M， Porson A N F， Bornemann F J， et al. Improved microphysical parameterization of drizzle and fog for operational forecasting using the Met Office unified model. Q J R Meteorol Soc， 2013， 139： 488-500.

［46］李俊， 杜鈞， 陳超君. 降水偏差訂正的頻率（或面積）匹配方法介紹和分析. 氣象， 2014， 40（5）： 580-588.

［47］杜鈞. 集合預報的現狀和前景. 應用氣象學報， 2002， 13（1）：16-28.

［48］杜鈞， 陳靜. 單一值預報向概率預報轉變的基礎： 談談集合預報及其帶來的變革. 氣象， 2010， 36（11）： 1-11.

［49］Souders C G， Kays T， Spincic S， et al. NextGen weather requirements： an update. 14th Conf on Aviation， Range， and Aerospace Meteorology， Atlanta， 2010.Amer Meteor Soc， 2010.

［50］康志明， 桂海林， 花叢. 國家級環境氣象業務現狀及發展趨勢. 氣象科技進展， 2016， 6（2）： 64-69.

［51］ 李子華.中國近40年來霧的研究. 氣象學報， 2001， 59（5）： 616-623.

［52］章國材. 中國霧的業務預報和應用. 氣象科技進展， 2016， 6（2）：42-48.

Aviation Weather and Model-Based Operational Forecasts of Low Visibility and Fog

Zhou Binbin1,2, Jiang Le1, Du Jun2
（1 I. M. Systems Group， Inc. U.S.A. 2 Environmental Modeling Center， NCEP/NWS/NOAA， U.S.A.）

This article introduces the operational predictions of hazardous weather elements to aviation both en-route and in TAF. Two visibility algorithms and three fog diagnostic schemes used at NCEP are discussed in particular. The frst visibility algorithm is Stoelinga and Warner method. This method requires outputs of four hydrometeors from a model to estimate optical extinction coeffcient and calculate visibility. The second visibility method is an upgrade to the frst one by adding more species of hydrometeor. This method can also estimate visibility in high humidity and haze conditions without knowing hydrometers as well as considering the differences between daytime and nighttime. The concept of airport Runway Visibility Range (RVR) is introduced and the relationship between the RVR and horizontal visibility range (HVR) is given. The fog diagnosis includes the UPS method, multi-rule method and physical-process balanced method. The UPS method uses surface-layer stability index. The multi-rule method uses a combination of visibility, cloud, surface humidity and wind speed to diagnose fog occurrence. These two methods do not predict fog intensity. The third method can diagnose both fog occurrence and intensity. It is based on the turbulence condition for fog formation and persistence as well as the explicit formulation of fog liquid water content suggested by a fog’s physical balance theory. Both multi-rule and physical-process balance methods have been implemented operationally in the NCEP’s regional ensemble forecast systems and showed encouraging results. However, the current skill of low visibility and fog forecasts directly derived from a numerical weather prediction model is generally low comparing to the forecasts of other weather elements such as precipitation. The diffculties are discussed and the ways of improvement are also suggested.

aviation weather, numerical weather prediction, model post diagnosis, visibility, fog

10.3969/j.issn.2095-1973.2016.02.003

2015年3月26日；

2015年7月27日

周斌斌（1958—），Email: binbin.zhou@noaa.gov