洪震宇 袁 敏 李忠堃 張云峰

（中國民用航空飛行學院航空氣象學院 廣漢 618307）

1 引言

青藏高原是控制大氣環(huán)流的重要因素之一，它通過地形和水分循環(huán)影響著區(qū)域和全球的氣候及其演變。青藏高原積雪覆蓋率變化能調節(jié)熱力狀況，并對高原和東亞地區(qū)的大氣環(huán)流和氣候變化產生影響。降雪天氣對交通出行的影響巨大，常常造成巨大的經濟損失。為了能提高高原地區(qū)交通運行效率、經濟效益及準確的降雪預報，對強降雪天氣的研究顯得尤為重要。

WRF 模式中，不同微物理方案對模式模擬降雪天氣的空間分布、累積降雪量等有顯著影響，因此，模擬評估合適的微物理方案是必要的。姜學恭等［1］利用中尺度模式MM5（內外層分辨率分別為15km 和45km 的雙重嵌套方案），對2003 年3 月14至16 日發(fā)生在內蒙古中部偏南地區(qū)的一次強降雪過程進行數值模擬，模式對降雪中心發(fā)生的位置、降雪的強度及降雪過程的時間演變均有較好的表現(xiàn)。Zhang 等［2］通過WRF 模式的三重嵌套對美國降水進行了數值模擬，發(fā)現(xiàn)增加嵌套層數可以提高降水模擬效果。董文曉等［3］發(fā)現(xiàn)微物理方案的選取對降水預報有重要影響，不同的微物理方案對模式模擬降水極值中心位置差別顯著，邊界層方案影響降水落區(qū)的范圍，積云方案對模擬暴雪的空間分布和降雪量影響較小。于恩濤［4］對比了WRF 模式中不同微物理方案、積云對流方案、路面過程方案對東北地區(qū)季節(jié)降雪的模擬效果，發(fā)現(xiàn)物理過程參數化方案對降雪模擬有重要影響，Noah 和Lin 方案相對其他參數化方案模擬效果更優(yōu)，相對積云對流參數化方案，降雪模擬對微物理和陸面過程方案更加敏感。倪麗霞等［5］對2012 年4 月11 日出現(xiàn)在寧夏境內的大到暴雪天氣進行數值模擬并對降雪天氣過程進行診斷分析，發(fā)現(xiàn)500 hPa 以下水汽輻合量增大，垂直速度負值區(qū)維持及強度增強，垂直方向上水汽凝結是這次強降雪的形成機制。Reisner 等［6］發(fā)現(xiàn)冬季降雪的過冷水對云冰的增長非常重要，因此，在降雪的模擬中帶冰相的云微物理參數化方案更有優(yōu)勢。

國內外學者對降雪天氣的數值模擬做了大量的工作，對比了模式不同分辨率、不同參數方案對輸出結果的影響，利用模式模擬數據研究降雪過程的物理特征等。缺乏對高原等地形復雜地區(qū)高分辨率強降雪事件的模擬評估。2018 年12 月18 日，西藏拉薩市發(fā)生入冬以來的首場降雪，當日20 時，日喀則、拉薩出現(xiàn)大雪，察隅、江孜、浪卡子等地出現(xiàn)暴雪，帕里、錯那、隆子等地出現(xiàn)大暴雪。本文利用WRF 模式對此次發(fā)生在拉薩及周邊地區(qū)的強降雪事件進行高精度數值模擬，評估不同微物理參數化方案對高原地區(qū)強降雪天氣模擬的能力，并選取最優(yōu)微物理參數化方案。

2 模式、試驗設計及研究方法

WRF（Weather Research and Forecasting Model）中尺度模式是由美國國家大氣研究中心（NCAR）和國家環(huán)境預報中心（NCEP）等多單位共同開發(fā)的模式，功能包括數值天氣預報、數值模擬及資料同化［7］。本文采用的WRF模式版本為4.2。該模式采用可壓縮滯彈性非靜力歐拉方程組，由守恒變量構建通量形式的控制方程組，水平方向采用Arakawa C 網格形式，垂直方向采用地形追隨質量垂直坐標，在時間積分上采用三階和四階精度的Runge-Kuta 算法，能夠并行計算［8］。WRF 模式包含完整的物理過程參數化方案，應用廣泛，在學科交叉領域常常能見到WRF 模式的身影。例如環(huán)境污染方向的WRF-Chem［9］、WRF-CMAQ［10］、WRF-flexpart［11］，中尺度與微尺度耦合的WRF-LES［12］大渦模擬，氣候水文耦合的WRF-Hydro［13］等。

2.1 模擬區(qū)域設置、時間及數據

本次試驗嵌套兩層，其中外層（D01）分辨率為9 km，格點數為480（緯向）×400（經向），覆蓋我國大部分地區(qū)及孟加拉灣。內層（D02）的分辨率為3 km，格點數為217（緯向）×178（經向），覆蓋拉薩地區(qū)。研究區(qū)中心點坐標為拉薩貢嘎機場29.29°N，90.91°E。選取較大的外層區(qū)域由于青藏高原冬季降雪的水汽來源為阿拉伯海及孟加拉灣，并且模擬區(qū)域不橫切大地形模擬效果更佳。模式垂直方向分為80 層，模式層頂50hpa，采用蘭伯特投影。研究區(qū)及D02 區(qū)域內部站點分布如圖1 所示。模擬時間為2018 年12 月16 日00：00 至2018 年12 月21日00：00，模式積分步長27s。模式使用NCEP提供的FNL 再分析數據驅動，該數據水平分辨率為0.25°×0.25°。模式輸出每小時一次。驗證數據為站點觀測數據及GPM L3每半小時衛(wèi)星數據。

圖1 模擬區(qū)域設置和觀測站點分布

2.2 參數化方案及試驗設計

試驗中選取的微物理方案為WSM3，LIN，F(xiàn)errier，Thompson 等10 種參數化方案；Kain-Fritsch 積云對流參數化方案；Noah 陸面過程參數化方案；RRTM 長波物理參數化方案、Dudhia 短波物理參數化方案；YSU行星邊界層參數化方案；Monin-Obukhov近地面層參數化方案。試驗中只改動微物理方案的選取，其余方案不變。表1 列出各種參數化方案，共計10種。

表1 參數化方案組合

2.3 研究方法

將模式模擬結果插值在對應觀測站點，與觀測數據進行比對，通過計算模式數據和觀測數據之間的平均絕對誤差MAE、均方根誤差RMSE、相關系數R 三個方面并從時間和空間角度分析不同參數方案的表現(xiàn)。相關公式如下：

其中ai為站點逐小時累積降雪量，bi為模式模擬的對應站點所在格點逐小時累積降雪量，n 為站點數量。

其中X 為D02 區(qū)域內部站點累積降雪量的平均，Y為模式模擬的對應站點所在各個格點累積降雪量的平均。為Cov(X,Y)為X 與Y 之間的協(xié)方差，D(X)為X的方差，D(Y)為Y的方差。

3 模擬結果分析

3.1 累積降水量的空間分布

圖2 為模擬時段內模式采用WSM6 和Goddard4-ice 微物理方案模擬累積降水量的空間分布（其余方案空間分布圖略）和GPM 衛(wèi)星觀測的累積降水量的空間分布。在僅改變模式微物理過程參數化方案的情況下，10 種試驗模擬均表現(xiàn)出了類似的變化趨勢，同時，針對累積降水量空間分布各方案存在不同的差異。

圖2 2018年12月16日至12月21日方案05、06模擬的累積降水量（mm）和GPM衛(wèi)星觀測的累積降水量（mm）的空間分布

觀測的降水中心位于嵌套內層的東南部，模式模擬的降水中心位于觀測降水中心的西北部，同時降水極值和衛(wèi)星觀測有一定的差距，但是在模擬區(qū)域的南部，模式模擬的累積降雪量分布和觀測較為一致。在拉薩地區(qū)，降水主要集中在北部及西南部（當雄縣和尼木縣），中部及東部地區(qū)降水較少。由拉薩往南，降水量呈增大趨勢，且中部及東部強，西部稍弱。在那曲地區(qū)、及日喀則北部地區(qū)的累積降水量均低于5mm，最大降水量區(qū)域出現(xiàn)在錯那地區(qū)附近?？傮w上，各方案模擬出的高原地區(qū)降水量分布與觀測較為一致，同時，由于模式分辨率（3 km）高于衛(wèi)星觀測降水的分辨率（0.1°），模擬結果反映出更多的降水局部細節(jié)，如低降水量地區(qū)不同的降水空間分布、山區(qū)地帶降水，且方案不同細節(jié)差異明顯。由于模式本身存在誤差，模擬區(qū)域東部30°N附近模擬的降水量顯著高于觀測。

3.2 降雪過程降雪量的時間演變

圖3 為世界時2018 年12 月17 日18 時至2018年12 月19 日06 時在內層嵌套區(qū)域內所有站點逐小時降雪量（取平均）的時間演變與模式10 種方案模擬的逐小時降雪量的時間演變的對比。從站點的觀測折線看，本次強降雪事件降雪過程為雙峰結構，最大降雪量出現(xiàn)在世界時2018年12月18日08時和12 月18 日19 時，各方案模擬效果在時序上呈現(xiàn)出相類似的趨勢。Run06、Run07、Run08 方案在時間演變上較其他方案更為貼合，但Run04方案模擬的峰值降雪量較觀測明顯偏高，且存在一定的滯后性?？傮w上，模式能夠模擬出此次高原地區(qū)強降雪事件發(fā)生過程的時間變化。

圖3 站點觀測與10種方案模擬的降雪量時間演變（逐小時）

3.3 降雪量（雪水當量）

圖4 為10 種參數化方案模擬的站點累積降雪量與實際站點降雪量之間的對比，各模擬方案在累積降雪量上模擬效果總體偏低，僅Run04模擬結果高于觀測。方案之間模擬的累積降雪量差距明顯。Run02 和Run03 模擬值最低，模擬的累積降雪量效果最差，最貼合觀測的方案為Run06。

圖4 站點觀測降雪量（mm）和模擬降雪量（mm）對比

3.4 誤差統(tǒng)計

表2 中列出了觀測數據與各方案模擬數據之間的平均絕對誤差、均方根誤差及相關系數，觀測數據是各站點累積降雪量的平均，模擬數據選取與觀測站點最近的格點數據的平均。從平均絕對誤差來看，Run06 的偏差最低為0.19，其余各方案均在0.39 左右。從相關系數來看，Run06 相關程度最高為0.92，Run03 和Run04 相關性最低為0.64。從均方根誤差來看，Run06 偏差最低為0.33。Run06在三種指標中均為最優(yōu)，而Run04 是10 種方案中表現(xiàn)最差的，不適合高原地區(qū)強降雪事件的模擬。

表2 各參數化方案誤差統(tǒng)計

4 結語

本文利用WRF 模式中不同微物理方案對我國青藏高原拉薩及周邊地區(qū)發(fā)生的一次冬季強降雪事件進行了3km 分辨率的模擬評估。在空間分布上，各參數方案模擬結果差別不大。在降雪過程的時間演變上，Run04 方案表現(xiàn)出單小時過高的降雪，同時降雪極值發(fā)生的時間存在一定的滯后?？傮w上模式可以模擬出此次降雪過程的時間變化趨勢。在誤差統(tǒng)計中，Run06 表現(xiàn)出與觀測數據間最強的相關性和最小的誤差，表明了Goddard 4-ice方案相對其他微物理參數化方案更適合于高原地區(qū)的降雪模擬。

陸面過程參數化方案對降雪模擬也具有一定影響，后期的研究中可以嘗試不同微物理方案與路面過程方案的組合，進一步提高模式模擬的效果。對于評價不同參數方案間的差距，模擬更多的降雪事件也是后期不可缺少的工作之一。