朱亮 张晓蔚 王昱苏
南通兴东国际机场 江苏 南通 226300
摘要：在统计2016—2018年南通机场出现浓雾（能见度小于500米）时笔者发现气温和气压的3小时变化值、24小时变化值、与历年当月当时平均值差值存在一定的规律，即气温和气压的变化值之积不大于零。再结合对湿度与大雾出现的相关性分析，发现大雾发生与前一时次湿度无关，与前三小时的湿度之和相关。然后以这些要素为变量和能见度进行多元回归分析，回归系数p检验值等于0.001，以此建立大雾预报公式。通过对2019年数据验证，所建立的大雾预报方程预报准确率为60%。
关键词：大雾预报；多元回归分析；温、压变化；湿度
中图分类号 P456.8 文献标识码：A
民航机场对于能见度的预报要求较高，因为能见度的高低直接影响飞机的起降，在实际工作中，能见度几十米变化就能改变机场的起降的状况。能见度值的精准判断不仅能够提高机场的运行效率，更能提高飞行安全。但是目前对于大雾发生时间和能见度值预报仍是一个难点。影响大雾发生的因子有很多，数值预报模式效果较差，在实际工作中需要从天气形势（气压系统）、近地层逆温状况、温度、湿度、降水状况、云况、基础能见度、大气清洁度、地形影响等各要素进行综合的经验性判断。
多元回归分析（Multiple Regression Analysis）是指在相关变量中将一个变量视为因变量，其他一个或多个变量视为自变量，建立多个变量之间线性或非线性数学模型数量关系式并利用样本数据进行分析的统计分析方法。
本文从本场观测资料出发，运用多元回归分析，建立大雾预报方程。
注：本文所有资料为南通机场气象台观测资料。
1 人工统计浓雾时的发现
对历次浓雾发生时的要素统计可以看出，在发生大雾时，对此时温度和此时累年当月当时温度的差值取整，再对此时修正海压和此时累年当月当时修正海压的差值取整，那么两者之积为负或零。
同理，查看在发生大雾时气象要素：3小时变温和3小时变压，有31/35符合乘积为负或零；24小时变温和24小时变压乘积，有30/35符合乘积为负或零。
结合实际气候情况，南通机场地处平原，沿江靠海，多为平流雾和辐射雾。平流雾和锋前雾时上游暖湿水汽输送，对应高温低压；辐射雾发生时为晴空辐射降温，对应低温高压。
2 能见度值与温压变化及相对湿度的多元分析
2.1 查看各要素是否有明显相关
表一 参数含义
.png)
如图一，根据2016至2018年历史数据，以能见度小于1000为条件，分别统计ΔT3·ΔP3≤0、ΔT24·ΔP24≤0、ΔTPJ·ΔPPJ≤0，符合则该时次记+1，否则记-1。
统计结果为：共315个时次能见度小于1000，其中263个时次ΔT3?ΔP3≤0，约占83.5%；236个时次ΔT24?ΔP24≤0，约占74.9%；292个时次ΔTPJ?ΔPPJ≤0，约占92.7%。可见，三小时温压变化之积、二十四小时温压变化之积、历年当月当时的温压变化之积和低能见度天气发生存在相关性。可用于大雾天气概率预报方程的建立。
.png)
如图二，根据2016至2018年数据，查看相对湿度100%时所对应能见度。据统计，284次相对湿度为100%，只有75次对应能见度低于1000米。显然，单时次相对湿度100%对能见度并无决定作用，此时能见度绝大多数都大于1000米，最多可达10公里以上。如图三，能见度低于1000米各时次对应相对湿度，可见出现大雾也不需要相对湿度必须达到100%，大多达98%以上即可。据经验，在做预报时，通常在合适天气形势下，也是以连续多小时相对湿度达98% 以上作为参考因素。
.png)
图三.各时次大雾时各相对相对湿度占比 图四.历次连续六小时各最低相对湿度对应能见度
如图四，分别以连续三小时、六小时相对湿度至少达96%—100%时，查看对应三至六小时内最低能见度。确定两者是否有相关性。
连续六小时情况各最低相对湿度情况：连续六小时相对湿度最低96%对应能见度低于1000米的占322/1056，约为30.5%；连续六小时相对湿度最低97%对应能见度低于1000米的占271/669，约为40.5%；连续六小时相对湿度最低98%对应能见度低于1000米的占192/396，约为48.5%；连续六小时相对湿度最低99%对应能见度低于1000米的占82/196，41.8%；连续六小时相对湿度最低100%对应能见度低于1000米的占50/94，约为53.2%。
其中只有连续六小时相对湿度都为100%，出现大雾概率才大于50%，其次连续六小时相对湿度最低为98%时出现大雾概率接近50%。可见在适合的天气形势下，出现大雾概率和ΔT3?ΔP3≤0、ΔT24?ΔP24≤0、ΔTPJΔPPJ≤0、连续六小时相对湿度都为100%或最低为98%之间存在相关，可用于建立大雾概率预报方程。
2.2 确定各温压变化之积和低能见度值的相关性
能见度低于1000米时，查看分别对三小时温压变化之积、二十四小时温压变化之积、历年当月当时的温压变化之积。按三者之积对应能见度大小查看相关性。
图五中可以看出各变差积对应能见度呈离散状态，两者之间无明显相关性，故无法以此三者变量建立能见度值预报方程。
改作其他，如平方、平方和后开根、倒数等数学关系后，运用Matlab查看cftool功能中各种曲线拟合能见度与之关系，均不理想（图略）。由此可见：建立三小时温压变化、二十四小时温压变化、历年当月当时的温压变化与能见度值相关方程的猜想不成立。
.png)
2.3 建立大雾天气概率预报方程
据前文统计，共315个时次能见度小于1000，其中263个时次ΔT3?ΔP3≤0，约占83.5%；236个时次ΔT24?ΔP24≤0，约占74.9%；292个时次ΔTPJ?ΔPPJ≤0，约占92.7%。连续六小时相对湿度最低100%对应能见度低于1000米的占50/94，约为53.2%。以发生大雾时统计，共95天大雾，其中85天t3?p3≤0，约占86.3%；76天t24?p24≤0，约占80.0%；86天ΔTPJ?ΔPPJ≤0，约占90.5%。
为提高准确率，引入初始湿度和初始能见度因子。因为ΔT3?ΔP3≤0、ΔT24?ΔP24≤0、ΔTPJ?ΔPPJ≤0和大雾发生非充分条件，也非必要条件，只有在合适的天气系统下才有指示作用。
据统计，大雾发生前两小时湿度和不小于196%的有47次，占49.5%，大雾发生前两小时能见度和不大于3000米的有52次，占56.8%。图中可见两者基本对称，相对湿度小能见度大，反之亦然。通过多次调试，以此四者概率为大雾发生概率方程的四个子项，建立最近似模型：
.png)
Y为预报大雾准确率期望，分布范围为10000/VIS。当ΔT3?ΔP3≤0时X1=1，否则X1=0；当ΔT24?ΔP24≤0时X2=1，否则X2=0；当ΔTPJ?ΔPPJ≤0时X3=1，否则X3=0；当前两小时能见度之和小于等于3000时，X4=1，否则X4=0；X5等于前两小时湿度之和减100。回归系数A、a、b、c、d由2016—2018年所有大雾发生时各气象要素值所运算。做多元线性回归得：P为0.001，模型成立，但是相关性较差（R2=0.1834）。
查看Y的区间，除去极大值之外，为[11.1,66.7]，为使计算结果大于等于90表示有大雾，简化后得到方程：
.png)
其中R1+R2为前两小时湿度之和。
3 以2019年资料检验该公式
运行结果如图八，绿色星号为计算结果大于90的时次，红色圆圈为大雾发生时次，得到63个大于90的计算值，共37个不连续结果，其中15次为大雾，再去除由降水引起的大雾后，该方程预报准确率为60.0%，可以作为平时工作中大雾预报的辅助工具。
4 结 论
本文在由人工统计浓雾时发现的温压关系后，使用大数据模拟，确定温压变化、前期湿度等对大雾发生概率及能见度值进行线性模拟，发现这些要素和大雾发生概率存在相关性，但是和具体能见度值不相关。
根据此相关建立了多元预报方程：Y=40-12?X1?X4-5?X2?X4+27?X3+3?(R1+R2-100) ?X4。该方程以2019年资料检验，预报准确率为60%。
参考文献：
[1]王茂书 张勇 贾贵兰.雾的特征分析、预报方法及预报模型建立.高原山地气象研究2012年第3期:p28-p31.
[2]施能.气象科研与预报中的多元分析方法（第二版）.气象出版社.2002年02月:p36-p40.
作者简介：朱亮（1983.11）男，汉族，江苏省南通人，本科学历，工程师，，从事研究方向或职业，气象预报员。