浙江中南部海霧預報決策樹模型研究

俞涵婷，廖晨昕，王可欣，陳華忠

（1.椒江區氣象局，浙江臺州318000；2.余杭區氣象局，浙江 杭州311100；3.玉環市氣象局，浙江玉環317600）

1 引言

海霧是海上災害性天氣現象之一。它給近海航運、港區作業和漁業生產帶來很大影響[1]。它的復雜性給預報帶來一定的困難。在中低緯度海域，大范圍海霧以平流冷卻霧出現的機會最多，霧也最濃，成為海霧預報的重點[2-3]。海霧一般多出現在低于20 ℃的海區里，高于20 ℃時霧逐漸減少，超過25 ℃不再有霧[4]。張蘇平等[5]通過天氣研究預報模式（Weather Research and Forecasting Model，WRF）模擬得出：黃海海溫升高（0.5～2 ℃），海霧面積相應減小；升溫程度越大，面積減小的越多。在濕度較小的薄海霧區，海溫變化對穩定度影響稍大；而在濕度較大的濃海霧區，海溫變化對穩定度的影響不大。這說明了下墊面溫度、濕度、穩定度相互之間以及它們分別對海霧的影響。鄭怡等[6]對渤海沿岸的海霧分析認為：沿岸相對濕度在90%以上，近海相對濕度在80%以上，低層大氣存在逆溫層，有利于渤海海霧的生成和發展。黃健等[7]利用2000—2008 年1—5 月的資料，采用分類與回歸樹方法（Classification And Regression Trees，CART）對海霧生成前24 h 的海洋氣象條件進行分析，利用近地面預報因子，如：10 m風向和風速、1 000 hPa和850 hPa的溫度、濕度和風場等建立海霧預報決策樹模型，對不同地域海霧預報的準確率在73%以上。史達偉等[8]基于5種機器學習算法（如線性支持向量機及多層神經網絡等）對特強濃霧開展診斷，測試認為CART算法易于使用，且效果較佳。高榮珍等[9]肯定了用CART方法建立青島沿海海霧預報模型的可行性，并指出850 hPa 風向在青島沿海海霧決策樹預報模型中也很關鍵。胡波等[10]利用液態水含量和云滴粒子密度兩個參數優化了大霧估算方法，從而提高了大霧預報的準確率。

本研究通過平流霧的形成原因，結合天氣學分析方法，利用浙中南沿海海域2015—2018 年2—6月的海霧歷史觀測資料和對應的美國國家環境預報中心/美國國家大氣研究中心（National Centers for Environmental Prediction/National Center for Atmospheric Research，NCEP/NCAR）FNL再分析資料尋找海霧預報因子，計算因子具體閾值，并形成海霧預報決策樹，以期對實際海霧預報業務有所助益。

2 海霧特征及環流背景

據統計，浙江省每年霧季霧日的多少，在南北地域上具有很強的相關性，且具有明顯的系統性，即先南后北[11]。這表明整個海霧產生的氣候背景是一致的。浙中南近海霧季存在明顯的月際變化，每年的2—6月是一年中霧日最多的月份（見圖1）。張蘇平等[12]指出，浙江沿海海霧天氣形勢主要出現在入海變性冷高壓西部、氣旋和低壓槽東部、副熱帶高壓西部、靜止鋒或冷鋒前部。平流霧沒有日變化，可以維持多日。統計顯示浙江省沿海以平流霧為主[13-14]。

圖1 浙中南近海霧季的月際變化

理論上來說,海霧形成于地面偏南風并略帶風速的環境下，但從觀測實況上看，2—6 月任何風向下都有可能生成海霧，特別是在入海變性高壓后部，弱形勢場地面風一般為風速不大的偏北風情況下，生成霧的幾率反而更多（見圖2）。黃克慧等[15]提到，當背景場（一般如925 hPa、850 hPa）是西南暖濕氣流,且暖濕氣流輸送條件已具備時,不論地面是何風向都不影響霧的生成和維持。

3 研究方法與過程

圖2 一江山島2017年大霧與風向的關系

基于上述事實，由于海霧形成時天氣為一靜穩狀態，觀測數據中溫度、濕度和風場變化不大，風向、風速也難求規律；在預報上地面氣象要素的得出是基于模式產品，準確率不高。本文通過高空近地層資料探究，從模式已有輸出因子（高低空要素場）入手，通過對平流冷卻霧的本身定義推導，篩選海霧預報因子，運用CART 方法得出大陳海域海霧預報決策樹。

3.1 研究資料與數據基礎

本文將能見度小于1 km 記為有霧。選取浙江中南部大陳島海域附近二島2015—2018 年2—6 月的觀測站地面能見度和天氣現象資料進行研究。大陳島雖有近60 a 歷史資料，但多年實際研究中發現大陳島能見度觀測儀設在海拔87.2 m 的山坡頂，因海拔高度過高，大霧記錄多為山頂層云遮蓋所致，海面上實時能見度較好，觀測的大陳島大霧記錄遠大于真實海面大霧記錄。鑒于大陳島大霧記錄有誤差，本文以該海域附近站點一江山島和頭門島霧記錄為準。此二島距離較近，海拔高度都約在50 m 左右。因頭門島能見度記錄從2015 年2 月12日16 時開始，經查大陳島2015 年2 月1—12 日都無大霧天氣（大陳島霧記錄遠多于其他二島），因此2015 年以頭門島資料為準。一江山島記錄從2016年開始，之后頭門島、一江山島資料相互替換，并相應選取2015—2018年2—6月NCEP的1°×1°的再分析資料，時間間隔為6 h，通過插值方法將NCEP格點資料插值到各個站點。

3.2 候選預報因子的設計

黃輝軍等[16-17]用近地層溫差因子改進的廣東沿海海霧區域預報取得了不錯的效果。Huang 等[18]通過再分析資料和觀測資料，分析了多個預報變量，例如低層風矢量與暖濕平流、低層基本氣象要素[19]等因子作為表征海霧形成時所需的天氣形勢和外界環境。在垂直方向的溫差因子里，選取了925 hPa與1 000 hPa 的溫度差值，以及1 000 hPa 與地面2 m的溫度差值，用來反映有霧時近地層的溫度特性。研究證實了近地層1 000 hPa 與地面2 m 的溫差是有效的預報變量因子之一。本研究從平流霧定義出發：當暖濕空氣平流到較冷的下墊面上，下部冷卻形成的霧。我們用低層溫度與地面2 m 溫度的溫差值來尋找本地海霧形成時的溫差閾值，并用2015—2018 年2—6 月各層溫差值統計大霧的結果。同時，由于大霧形成需要穩定的天氣形勢，任何冷空氣的侵入[15]及近地層降水對流等新系統的入侵都會破壞大霧的天氣形勢。所以我們還需考慮大霧形成時的天氣背景：近地層的溫度結構、地面濕度、上升速度和散度等，并通過這些數值預報結果確定大霧的關鍵預報因子，并在實際預報中做出判斷。

3.3 高空氣象要素與大霧發生特征的統計分析

由于暖濕氣流經過冷地表面,本文分別選取了850 hPa、925 hPa、950 hPa、975 hPa、1 000 hPa 與地面2 m 的溫度差值；濕度是大霧形成的必要條件,選取了地面1 000 hPa 相對濕度（1 000 U）、925 hPa 相對濕度（925 U）和850h Pa相對濕度（850 U）；根據天氣的穩定程度，適當的逆溫層也給大霧提供了穩定條件：選取了850 hPa 與925 hPa的溫差（T850 hPa—T925 hPa）、925 hPa 與975 hPa 的溫差（T925 hPa—T975 hPa）和950 hPa 與1 000 hPa的溫差（T950 hPa—T1 000 hPa）；同時我們還選取了前后時次的925 hPa溫差（T925 hPa—T925 hPa）代表暖濕氣流本身強度對大霧的影響；從垂直速度場觀察，大霧形成后有微弱的上升運動，因此選取了950 hPa 的上升速度950vvel；大霧形成時的靜穩物理量：950 hPa 散度為D950 hPa。

圖3和圖4是根據2015—2018年資料統計的核密度圖，代表大陳航線上不同變量在有無大霧時的分布情況，縱坐標是密度，即位于此點的數據占全體數據的比例。圖3a—e 定量反映了暖濕氣流對大霧的影響，其中各個高度與2 m 地面的溫差與大霧都約為中等強度相關，各個高度與2 m 地面的溫差與大霧相關性相近。圖中也顯示有霧時比無霧時氣溫溫差向右位移了2～5 ℃，有的甚至為正值，說明暖濕氣流與地面溫度形成的溫差是大霧生成的重要因素。圖3f 是925 hPa 前后時次的溫差，它與大霧的相關性弱說明暖濕氣流本身的強弱對大霧無影響，這也更說明溫差才是形成大霧的重要因素。圖4c的相關性大于4a，說明近地層的逆溫有利于大霧形成，越低層逆溫越強越有利于大霧形成；大霧形成時需要1 000 hPa 的相對濕度基本集中在90以上，相關性為強相關（見圖4d），而大霧與925 hPa和850 hPa 的相對濕度的相關性遠弱于10 00 hPa的相對濕度；950 hPa上較弱的上升速度利于大霧的形成（見圖4e），950 hPa 上升速度與大霧的相關性高于700 hPa 上升速度。對于平流霧來說散度等物理量影響較小，不論是925 hPa還是950 hPa，散度條件對海霧的影響差別不大。

圖3 2015—2018年大陳航線不同高度與2 m地面溫差和925 hPa前后時次溫差與有無大霧的分布

4 CART決策樹算法運用及檢驗

CART 算法是機器學習中用來處理分類和回歸問題的方法[20]，適用于離散型變量和連續型變量的分類。CART 決策樹的生成就是遞歸地構建二叉決策樹的過程。對分類樹來說，CART 用Gini 系數最小化準則進行特征選擇來生成二叉樹。

基于CART 決策樹算法對大霧天氣建立模型，模型的輸入變量為2015—2018 年大陳航線以上氣象要素。將之前處理好的訓練集輸入CART 算法，經過多次交叉檢驗得到決策樹。模型見圖5。

圖5 2015—2018年椒江沿海航線大霧氣象觀測要素特征診斷決策樹模型

決策樹中基本反映了前面分析的分布情況，并且更加明確了濕度是大霧形成的必要條件，沿海海面濕度需大于90才能執行該模型；其次是近地層的溫差情況；另外，低層上升速度、低層逆溫等都對大霧形成有影響。訓練集數據模型整體學習準確率為0.85。將此測試集數據運用于2019 年2—6 月的大霧數據檢驗中，成功率為0.8，模型達到不錯的泛化能力。此模型右支也相似于張蘇平等[12]的模擬結果，濕度越大時對溫度要求越低。左支則更考慮上升運動和溫差的相互影響。該模型說明了濕度是海霧出現的必要條件，而海霧形成和維持是低層相關因子相互作用、相輔相成的結果。

5 結論與缺陷

利用大陳島海域各站點2015—2018 年2—6 月的海霧歷史觀測資料和NCEP/NCAR FNL 再分析資料，通過海霧基本定義和形成所需的氣象環境條件，選取高空氣象要素對海霧預報進行分析研究。結果表明：暖濕氣流本身強弱對大霧無影響，溫差才是大霧形成的重要因素,近地層的逆溫有利于大霧的形成，越低層逆溫越強越有利于大霧形成；大霧形成時所需相對濕度基本集中在90以上；950 hPa上較弱的上升速度利于大霧的形成；散度條件對海霧的影響差別不大。利用訓練集數據參與模型建立，模型整體的學習準確率為0.85。將此測試集數據運用于2019 年2—6 月的大霧數據檢驗中，成功率為0.8。但此模型仍有一些缺陷：

（1）數據是個連續的過程：當冷空氣已下，風向突轉，霧即已消散，但此時溫度和濕度卻還沒及時降下來，數值仍高居不下；雖然經過個別人為剔除，但仍有少數出現與結論相悖的情況，會影響模型判別。

（2）由于天氣影響要素眾多，選取要素有限，并沒有選取足夠多的天氣要素來對大霧進行影響分析和判別。

（3）本文運用的數據為再分析資料，與實況有一定誤差，模型結果還需在長期實際運用中進行測試。

（4）大霧數據不夠：2 404 個數據樣本中只有283 個大霧樣本，有、無霧數據相差太大，影響模型判斷。

（5）形成大霧有眾多的充分條件，但大霧消散卻有很多充要條件。在考慮大霧預報時也需要著重考慮這些不利影響，如冷空氣的滲透即破壞大霧的穩定，強的上升速度則表示有強降水不會出現大霧天氣等。