次網格地形參數(shù)化對WRF模式在復雜地形區(qū)風場模擬的影響

馬晨晨，余　曄，何建軍，陳　星，解　晉

(1.中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所，中國科學院寒旱區(qū)陸面過程與氣候變化重點實驗室，甘肅　蘭州　730000；2.中國科學院平涼陸面過程與災害天氣觀測研究站，甘肅　平涼　744015；3.中國科學院大學，北京　100049；4.江蘇連云港市氣象局，江蘇　連云港　222006)

?

次網格地形參數(shù)化對WRF模式在復雜地形區(qū)風場模擬的影響

馬晨晨1, 4，余曄1,2，何建軍1,3，陳星1,3，解晉1,3

(1.中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所，中國科學院寒旱區(qū)陸面過程與氣候變化重點實驗室，甘肅蘭州730000；2.中國科學院平涼陸面過程與災害天氣觀測研究站，甘肅平涼744015；3.中國科學院大學，北京100049；4.江蘇連云港市氣象局，江蘇連云港222006)

摘要：黃土高原特殊的地形導致該地區(qū)風場特征復雜，本文以黃土高原為研究對象，通過3組數(shù)值模擬試驗，探討次網格地形參數(shù)化對WRF模式模擬近地面風場的影響。結果表明：地形越復雜，次網格地形標準差越大，WRF模式中離站點最近格點的海拔高度與站點實際海拔高度差異越大；研究時段內，若不考慮次網格地形影響，觀測風速較小時，WRF會高估風速，而觀測風速較大時，WRF則低估風速。在相對平坦的地區(qū)，模擬風速與觀測風速之間的均方根誤差較小，地形越復雜時，均方根誤差越大。采用次網格參數(shù)化方案后，模式對風速的模擬有明顯改進，認同指數(shù)、準確率、相關性等都有明顯提高，模擬誤差明顯降低。3組試驗均能模擬出風速的日變化，但不考慮次網格地形影響時，模擬的風速幾乎是觀測值的2倍，考慮次網格地形影響后，模擬的風速明顯降低，其中Jimenez方案模擬的風速與觀測值之間的偏差最小，能更好地描述風速的空間分布特征，而Mass方案僅降低了平原和山谷地區(qū)的風速卻沒有突出山區(qū)的高風速，對風速空間變化的模擬不如Jimenez方案。

關鍵詞：WRF；黃土高原；次網格地形；風場

引言

風是基本氣象要素之一，在天氣變化、局地氣候形成、空氣質量演變等方面都有重要作用。如局地環(huán)流與大氣邊界層相互作用，它可促進天氣系統(tǒng)的發(fā)展和演變，在有利的流場條件和天氣形勢下，還可能形成局地強對流，引發(fā)災害性天氣[1-2]；低空風場的變化是造成海平面溫度變化的重要原因，也是造成海平面高度異常的重要因素[3]；在某些特定地區(qū)，如柴達木盆地、黃土高原等，風侵蝕是形成下墊面特征最重要的因素，且風場強度與風蝕的面積變化存在相關性[4-5]。風也是反映大氣穩(wěn)定性的重要參量，局地風場特征對污染物擴散有十分明顯的影響[6-8]。風還是一種可再生資源，為風能發(fā)電提供最基本的動力，而風能在能源結構中占有越來越重要的地位[9-11]。影響風分布和變化的因素有很多，其中地形對風場的形成具有重要作用[12]，在復雜地形區(qū)，由于地形對氣流的強迫抬升、阻擋和狹管效應等造成復雜的流場，影響當?shù)厥⑿酗L向[13-15]。而數(shù)值模式為了保證計算的穩(wěn)定性，會對地形進行平滑處理，這樣會丟失一些小尺度的地形信息，造成模式模擬風速在復雜地形區(qū)出現(xiàn)較大偏差[16]。

目前，對于風場的研究主要從2個角度展開：(1)觀測角度，即單純地利用氣象站點的觀測資料分析某一區(qū)域風場的特征[17-21]；(2)模擬角度，即借助數(shù)值模式，結合觀測資料，探討模式模擬風場的代表性，這種方法可加深對風場形成的物理過程與機制的認識[22-24]。以觀測為基礎的研究一般假設觀測點的風速數(shù)據具有代表性，能夠說明其周邊一定范圍內的風場特征，相鄰的多個站點的風場信息能夠反映較大區(qū)域的風場特征，由此得到較大尺度的風場信息，并結合其他氣象要素分析其影響。這種方法的有效性依賴于觀測數(shù)據的準確性和可用性，地形的復雜程度會影響風速觀測值的區(qū)域代表性。目前觀測站點的布設仍然以獲取區(qū)域大尺度氣象背景信息為主，在復雜地形區(qū)站點分布仍很稀疏，僅靠觀測資料無法得到這些地區(qū)詳細的風場空間分布信息，如由地形強迫抬升、地形阻擋、狹管效應等造成的復雜流場[14]。研究中常用診斷模式或預報模式對風場進行模擬：診斷模式主要將觀測信息和模式融合以產生一個連續(xù)的風場插值，但是由于其主導方程是線性的，在有陡峭斜坡的復雜地形區(qū)的應用存在一定問題，此外診斷模式不考慮熱效應的影響，因而只適用于評估地形對穩(wěn)定的平均風的影響[25]；預測模式綜合考慮了熱效應，結果更加準確，應用也更加廣泛，是目前最常用的方法。

WRF(Weather Research and Forecasting)模式是目前全球應用較廣泛的中小尺度數(shù)值模式之一，WRF模式的模擬效果與模式空間分辨率、初始條件、模擬時長、參數(shù)化方案選取、驅動資料等多個因子有關[26-30]，不同下墊面、不同地區(qū)、不同季節(jié)和不同天氣形勢下WRF模式的模擬性能存在一定差異[31-32]。已有研究表明WRF模擬的風場與觀測值偏差較大，模擬值偏高，模擬的風向準確性較低，而在復雜地形區(qū)，這種偏差表現(xiàn)得更加明顯[33-36]。黃土高原地形復雜，地貌類型多樣，廣泛分布著黃土塬、黃土墚、黃土峁、黃土嶺、黃土溝谷、坪地、低地、

山丘等[37-38]，海拔高度變動范圍大，特殊的地形狀況導致該地區(qū)風場特征非常復雜，研究次網格地形參數(shù)化對WRF模式模擬黃土高原近地面氣象場的影響，對進一步完善次網格地形參數(shù)化方案，利用數(shù)值模式研究復雜地形區(qū)地表與大氣邊界層相互作用的過程和機制有一定指導意義。

1模式初始化及試驗設計

本研究選用NCEP FNL 1°×1°資料為WRF提供的初始場和側邊界條件。模式采用雙向4重嵌套，水平格距分別為27、9、3、1 km，格點數(shù)分別為188×154、145×127、145×121和187×145(南北向×東西向)(圖1a)，垂直方向分為35層，模式層頂氣壓為50 hPa。由于觀測資料連續(xù)性的限制，研究時段選取2012年6月1日00:00(北京時, 下同)至2012年8月3日15:00。模式分3段進行積分：2012年5月30日20:00至2012年7月1日08:00、2012年6月29日20:00至2012年8月1日08:00、2012年7月30日08:00至2012年8月3日20:00。每一段的前24 h作為模式起轉時間，不用于后續(xù)分析，模式結果每小時輸出一次。第4重模擬區(qū)域包括了六盤山復雜地形區(qū)，海拔高度從幾百米到2 800 m，是本研究的主要分析區(qū)域，在該區(qū)域范圍內，收集了30個氣象站點的基本氣象要素數(shù)據，其中1~19號氣象站點數(shù)據每小時記錄一次，20~30號氣象站點數(shù)據每隔3 h記錄一次。第4重模擬區(qū)域地形和氣象站點分布見圖1b。

圖1　WRF模擬區(qū)域及地形(a)及第4重嵌套區(qū)域地形和氣象站點分布(b)(單位：m)

次網格地形的存在使模式無法準確刻畫地形，在復雜地形區(qū)尤為如此。根據本試驗的設計，若不考慮次網格地形，模式對地形的模擬僅能精確到1 km，小于此尺度的地形均無法識別，但次網格地形的精度為90 m，考慮次網格地形則能更加準確描述復雜地區(qū)地形特征。為了分析次網格參數(shù)化對風場模擬結果的影響，設計了3組試驗(表1)，其他參數(shù)化方案各試驗相同：微物理參數(shù)化選用WSM6(WRF Single-Moment 6-class)方案[39]，積云參數(shù)化選用K-F方案[40]，輻射參數(shù)化選用RRTM(Rapid Radiative Transfer Model)長波輻射方案[41]和Dudhia短波輻射方案[42]，邊界層參數(shù)化選用YSU方案[32]，近地面參數(shù)化選用Monin-Obukhov相似理論方案，陸面過程參數(shù)化選用Noah陸面過程模式[43]。

表1　試驗設計

選取第4重嵌套中距離觀測點最近的模式格點數(shù)據與觀測數(shù)據進行比較，應用多個統(tǒng)計量評估模式在黃土高原地區(qū)的模擬性能，各統(tǒng)計參量的計算方法列于表2。風向具有特殊屬性，因而本研究僅用HR、RMSE、ME這3個統(tǒng)計參量評估WRF模式對該要素的模擬性能。計算HR所用氣溫、比濕、風速和風向的標準值分別取2 K、10 %、1 m/s和30°[47-48]。

表2　統(tǒng)計量計算方法

2次網格地形參數(shù)化方案介紹

2.1Jimenez方案

Jimenez方案[44]的主要特點是將平原/山谷地區(qū)與高山/丘陵區(qū)別開來，用適當?shù)膮?shù)解決WRF對風速模擬的問題。首先用地形拉普拉斯算子△2hi,j判斷地形，計算方法如下：

(1)

hi,j代表i行j列格點的海拔高度。若Δ2hi,j為正則表示格點(i，j)處于山谷，若Δ2hi,j為負則表示該格點處于高山或者丘陵，若接近0則表示此處為平原。Δ2hi,j值與模式水平分辨率有關。在模式中，取-20 m為判斷格點為山谷/平原或丘陵/高山的臨界值，即Δ2hi,j>-20 m則格點處為山谷或平原，Δ2hi,j<-20 m則視為丘陵或高山。

該方案引入地形特征參數(shù)ct，考慮地形校正并調整動量守恒方程中與植被相關的地表拖曳力，即在動量守恒方程中增加一項-ctu*2u/ΔzV。其中，u代表模式第一層的緯向風分量，V代表模式第一層風速，u*是摩擦速度，△z為模式第一層的厚度。ct是Δ2h和次網格地形標準差(σsso)的函數(shù)：

(2)

式中，α=(Δ2h+20)/10，e為自然對數(shù)底2.718。

由于WRF低估山頂區(qū)風速，而在山谷區(qū)則高估風速，Jimenez方案使拖曳力在陡峭的山頂降低為0，在山區(qū)部分，該方案將10 m風速與模式最底層風速V建立一個變化的權重關系，補償對山區(qū)風速的低估，在平原/山谷地區(qū)用lnσsso項修正模式對風速模擬的正偏差。

2.2Mass方案

Mass等[45-46]研究了不同邊界層參數(shù)化方案和模式垂直分層對WRF模式模擬風場的影響，發(fā)現(xiàn)這2個因素的影響很小，但隨后的研究發(fā)現(xiàn)在提高模式格點分辨率后，模式對風速的模擬有所改善，于是想到次網格地形對粗糙度的可能影響。Mass方案讓模式中的地表拖曳力或粗糙度長度隨次網格地形方差變化。依據大量試驗，該參數(shù)化方案建立了摩擦速度與次網格地形方差之間的函數(shù)關系，通過

增加邊界層參數(shù)化方案中摩擦速度u*來表征次網格地形的拖曳[49]。

3結果與分析

3.1次網格地形對風場模擬結果的影響

圖2a是第4重嵌套區(qū)域的地形特點，可見研究區(qū)地形復雜，六盤山位于研究區(qū)西側，海拔2 700 m以上，研究區(qū)中東部海拔較低，最低處海拔僅800 m左右，研究區(qū)不規(guī)則地分布著山谷、溝壑。六盤山的實際海拔高度約為3 000 m，與實況相比，模式中的地形較為平坦，海拔越高模式中地形誤差越大。在研究區(qū)內，不均勻地分布著30個氣象站點 (圖1b)，六盤山附近及其西側氣象站點較少，其中23、28和30號站點位于六盤山附近，海拔較高，大部分觀測站點都分布在研究區(qū)東部海拔較低的地方，且站點基本成線狀分布。

圖2　第4重嵌套區(qū)域地形特點 (a) 及次網格地形標準差(單位：m) 分布(b)(等值線是地形海拔高度，單位：m)

圖3是研究時段內所有站點風速觀測值與Base試驗模擬結果的散點圖，研究時段內風速較小，6 m/s以下的風速所占比例較大。不難看出，當風速<5 m/s時，模擬風速明顯高于觀測值，2 m/s以下風速模擬值與觀測值的偏差最大，風速>10 m/s時，模擬結果較觀測值低，這說明WRF會高估低風速，低估高風速，即WRF模式低估了風速的空間變化幅度，這與前人的研究結果相吻合[36,50-51]。Base試驗模擬風速與觀測風速的均方根誤差(RMSE)在各站點相差較大(圖4)，在相對平坦的地區(qū)RMSE較小，六盤山海拔較高，其附近的23、28號站點的風速均方根誤差均較大，在研究區(qū)東部海拔較低的地方，如4和9號站點位于山谷中，模擬誤差也較大，誤差分布特點與各個觀測站點附近局地地形有關。

圖3　觀測風速與Base試驗模擬風速的散點圖

次網格地形是影響風速模擬結果的重要因素。由圖2b給出的第4重嵌套區(qū)域次網格地形標準差分布可以看出研究區(qū)次網格地形標準差分布很不均勻，在海拔較低的東部地區(qū)，標準差較小，而在西側的六盤山附近，標準差最大。值得注意的是次網格地形標準差的大小與Base試驗模擬風速的RMSE的空間分布存在較好的對應關系，即次網格地形標準差越大(地形越復雜)，WRF模擬的風速誤差越大(圖4)。

站點實際海拔高度與模式中離站點最近格點的海拔高度存在一定差別，從圖5a中不難發(fā)現(xiàn)，觀測站點與模式中最近格點的海拔高度差與次網格地形標準差呈現(xiàn)較明顯的正相關關系，即次網格地形標準差越大，模式中地形與實際地形差異越大。次網格地形標準差與Base試驗模擬的風速的均方根誤差也存在正相關關系(圖5b)。說明地形越復雜，站點實際海拔高度與模式中最近格點海拔高度差越大，模式模擬風速與觀測風速之間的RMSE也越大，因而要正確模擬風速的變化，有必要考慮次網格地形的影響。

圖4　Base試驗模擬風速與觀測風速均方根

圖5　站點實際海拔高度與模式中最近格點海拔高度差(Δh)與次網格地形標準差(σsso)

3.2次網格地形參數(shù)化對近地面風速的影響

對研究時段內3組試驗模擬的風速和實際觀測風速進行綜合分析，做出不同風速出現(xiàn)頻率圖(圖6a)。2012年夏季，研究區(qū)超過40%的風速集中在1～2 m/s之間，2～3 m/s之間的風速約占30%，<1 m/s的風速約占8%，>5 m/s的風速不足5%，可見，研究時段內研究區(qū)以<4 m/s的低風速為主，70%以上的風速集中在1～3 m/s之間。Base試驗模擬的風速與觀測值差異明顯，模擬結果明顯低估了3 m/s以下風速出現(xiàn)的頻率，大大高估了高風速出現(xiàn)的頻率。模擬風速在2～4 m/s之間出現(xiàn)頻率最大，超過40%，在1～2 m/s之間出現(xiàn)頻率僅為17%左右，與觀測結果的>40%差異明顯，而風速在4～5 m/s之間出現(xiàn)的頻率約為18%，>5 m/s風速出現(xiàn)的頻率約為25%，與觀測結果的不足5%差異明顯，可見Base試驗明顯高估了低風速。與Base試驗相比，J實驗和M試驗模擬的風速有比較明顯的改進，2組試驗模擬的風速都主要分布在1～4 m/s之間，J試驗模擬的風速在1～3 m/s之間出現(xiàn)的頻率約比M試驗高4%，在0～1 m/s之間出現(xiàn)的頻率約比M試驗高5%。2組試驗對4 m/s以上風速的模擬差異較大，J試驗模擬的風速>4 m/s的頻率明顯低于M試驗。總體而言，考慮次網格參數(shù)化后WRF對風速的模擬有所改進，相對于Base試驗，J試驗和M試驗明顯增加了低風速出現(xiàn)的頻率，大大降低了較高風速出現(xiàn)的頻率，與觀測結果更趨吻合。與M試驗相比，J試驗模擬的低風速出現(xiàn)頻率更高。研究時段內，風向多變，以偏南風居多，3組試驗的模擬結果差異不明顯，偏南風出現(xiàn)的概率最大，偏北風出現(xiàn)的概率也較大(圖6b)。

圖6　觀測和3組試驗模擬的風速(a)和風向(b)的概率分布

僅選用每小時記錄的氣象站點的數(shù)據計算平均風速的日變化(圖7)。觀測風速的峰值出現(xiàn)在13:00~16:00(北京時)之間，超過2 m/s，夜間風速較小。3組試驗都能比較準確地模擬出風速的日變化，但模擬風速在所有時刻均高于觀測值，Base試驗與觀測結果的差異最大，幾乎是觀測值的2倍，與Base試驗相比，J試驗和M試驗模擬的風速明顯降低，其中J試驗模擬的風速與觀測值最為接近，誤差<0.5 m/s，M試驗模擬的風速略高于J試驗，約比觀測值高0.7 m/s。

為了定量分析次網格地形參數(shù)化方案對WRF模擬近地面風的影響，對所有站點10 m風速、風向進行統(tǒng)計分析，結果列于表3。不同次網格地形參數(shù)化方案對風速的模擬結果影響非常顯著。Base試驗模擬的風速與觀測風速的認同率為0.48，J試驗和M試驗的認同率為0.59，準確率也由Base試驗的38.8%分別提高到51.7%和49%，相關系數(shù)也由0.3提高到0.35和0.32，盡管3組試驗的平均風速都高于觀測值，但使用次網格地形參數(shù)化方案后，模擬的平均風速明顯降低，其中J試驗的結果與觀測值更接近，僅比觀測風速高0.4 m/s。2組次網格地形參數(shù)化方案對WRF模擬風速的改進都比較明顯，其中Jimenez參數(shù)化方案更加有優(yōu)勢，但對風向的改進不明顯。由于2組次網格地形參數(shù)化方案都是針對風速提出的，考慮次網格地形影響后模擬風速明顯降低，與觀測值更加接近。

圖7　研究區(qū)內所有站點平均風速日變化

統(tǒng)計量風速風向BaseJMBaseJMIA0.480.590.56HR38.8%51.7%49%30.17%28.31%29.81%MB1.26m/s0.36m/s0.60m/sME1.74m/s1.25m/s1.32m/s92.45°96.74°92.63°RMSE2.28m/s1.65m/s1.74m/s125.2°129.1°125.2°R0.300.350.32M_F3.10m/s2.20m/s2.43m/sM_O1.83m/sSTD_F1.85m/s1.55m/s1.53m/sSTD_O1.23m/sNMB68.94%19.65%32.55%NME94.99%68.12%72.21%

3.3次網格地形參數(shù)化對風場區(qū)域特征的影響

能否模擬出風場的區(qū)域變化特征，是評估次網格地形參數(shù)化方案的一個重要指標。為了考察2組次網格地形參數(shù)化方案對風速空間分布的模擬，將所有站點觀測風速的平均值分別與3組試驗模擬結果的平均值進行對比，并求出空間相關系數(shù)，發(fā)現(xiàn)3組試驗的模擬風速與觀測值的空間相關性都較好，其中J試驗模擬風速與觀測值的空間相關性最高，達0.73，而M試驗模擬風速與觀測值的空間相關性最低，只有0.65，Base試驗與觀測值的相關性為0.67?？梢姡?組次網格地形參數(shù)化方案對風速空間分布特征的影響不盡相同，Jimenez方案有效改進了模式對風速空間分布特征的模擬性能，但Mass方案卻沒有把握住風場的空間分布特征，模擬結果的空間變化范圍較小，與觀測值差異明顯。

為了比較考慮次網格參數(shù)化方案前后模擬誤差的變化，定義均方根誤差變化率：

(3)

式中下標i等于1或2，分別代表J試驗和M試驗模擬風速與觀測風速的均方根誤差，RMSE0代表Base試驗模擬風速與觀測風速的均方根誤差。在此定義下，正值和負值分別表示敏感性試驗的均方根誤差減小和增大。圖8是J試驗和M試驗均方根誤差變化率的空間分布。2組試驗對模擬結果的改進都非常明顯，但對不同站點改進程度不一。J試驗的最大改進接近50%(站點9，地理位置參見圖1b)，大部分站點的改進程度在20%～45%之間，但在某些站點，改進程度較小，如1號站點改進僅為2%，25號站點改進6%。M試驗的改進效果較差，最大改進程度為40%(站點26，地理位置參見圖1b)，大部分站點的改進效果為15%～35%，但改進效果相對均勻，除23號站點的改進程度為6%，其他站點的改進均在15%以上?？傮w上，J試驗在大部分站點的改進效果更明顯，變動范圍也較大，而M試驗對所有站點的改進效果相差不大，但改進程度較J試驗低。

為了更詳細地說明2組次網格地形參數(shù)化方案模擬風場空間分布的差異，將第4重嵌套區(qū)域內所有格點的風速進行時間平均，得到平均風速空間分布(圖9)?？梢钥闯?組試驗差異明顯：Base試驗模擬的風速變動范圍較小，主要集中在2～5 m/s之間，以3～4 m/s之間的風速最多，而J試驗模擬的風速變動范圍最大，風速偏小，研究區(qū)域內大部分格點的風速在1～2 m/s之間，而且模擬出了六盤山地區(qū)的風速。相對于Base試驗而言，M試驗增加了低風速的分布范圍，但整個區(qū)域風速都較小，六盤山附近風速與其它地區(qū)沒有明顯區(qū)別。不考慮地形次網格參數(shù)化時，WRF往往低估山區(qū)的風速，高估山谷和平原地區(qū)的風速，致使風速的空間變化范圍小于實際觀測，J試驗明顯提高了對風速變動范圍的預測，加強了山區(qū)的風速，降低了山谷和平原地區(qū)的風速，但M試驗只是降低了山谷和平原地區(qū)的風速，沒有突出山區(qū)的較大風速。

圖8　J試驗(a)和M試驗(b)與Base試驗相比模擬風速與觀測風速均方根誤差的相對變化空間分布

圖9　3組試驗平均風速(單位：m/s)在第4重嵌套區(qū)域的分布

4結論與討論

(1)次網格地形是影響WRF模式對風場模擬性能的重要因素。研究區(qū)地形復雜，呈現(xiàn)西部高、東部低的走勢，海拔高度變動范圍大，研究區(qū)內站點分布不均勻。WRF模式中地形高度較實際情況平坦，次網格地形標準差越大，地形越復雜，模式中地形與實際地形偏差越大。研究時段內，研究區(qū)風速較小，平均風速<5 m/s，不考慮次網格地形影響時，觀測風速較小時，WRF會高估風速，而風速較大時，則低估風速。在相對平坦地區(qū)WRF模擬風速與觀測風速之間的均方根誤差較小，在復雜地形區(qū)，均方根誤差較大。

(2)使用次網格地形參數(shù)化后，模擬風速明顯改進，1～3 m/s風速出現(xiàn)的頻率增加，5 m/s以上風速出現(xiàn)的頻率減少，與觀測風速更加吻合。引入地形特征參數(shù)的Jimenez方案模擬結果中低風速出現(xiàn)的頻率更高，而基于摩擦速度與次網格地形方差之間函數(shù)關系的Mass方案模擬的較高風速出現(xiàn)的頻率相對較高。WRF能模擬出風速的日變化，但不考慮次網格地形影響時，模擬風速幾乎是觀測值的2倍，考慮次網格地形影響后模擬風速明顯降低，其中Jimenez方案模擬的風速與觀測值之間的偏差最小。

(3)Jimenez方案能更好地描述風速的空間分布特征，而Mass方案僅降低了平原和山谷地區(qū)的風速卻沒有突出山區(qū)的高風速，對風速空間變化的模擬較差。

總體上，考慮次網格地形影響后，WRF對風速模擬改進明顯，模擬風速與觀測風速之間的認同指數(shù)、準確率和相關性都有明顯提高，模擬誤差明顯降低，平均風速更加接近觀測值，且Jimenez方案的改進效果優(yōu)于Mass方案。

由于觀測資料限制，本文僅對夏季時段進行了研究，模擬結果的代表性存在值得商榷的地方。另外，研究區(qū)地形復雜，但用于驗證模式結果的氣象站點在研究區(qū)分布很不均勻，大部分站點位于較為平坦開闊的地區(qū)，高山和山谷地區(qū)站點分布稀疏，可能會對模式驗證造成一定影響。本文選擇距離站點最近的模式格點模擬值與觀測值進行對比，盡管該方法在以往研究中廣泛應用，但也有學者指出該方法在復雜地形區(qū)會造成模式格點與實際觀測點偏離很大的情況(如地形高度偏差、迎風坡與背風坡偏差、山谷與山頂位置偏差、土地利用方式偏差、土壤類型偏差等)，今后研究中需要考慮格點代表性對研究結果的影響。

參考文獻:

[1] 齊瑛,傅抱璞. 局地環(huán)流與大氣邊界層湍流相互作用的數(shù)值研究[J]. 高原氣象,1992,11(1):12-32.

[2] 何群英,解以揚,東高紅,等. 海陸風環(huán)流在天津2009年9月26日局地暴雨過程中的作用[J]. 氣象,2011,37(3):291-297.

[3] 盧軍治. 中國沿海海平面異常特征關系分析[D]. 青島：中國海洋大學,2003.

[4] Rohrmann A, Heermance R, Kapp P, et al. Wind as the primary driver of erosion in the Qaidam Basin, China[J]. Earth and Planetary Science Letters, 2013,374:1-10.

[5] 張國平,劉紀遠. 中國風蝕景觀面積變化與地表風場強度的關系[J]. 地理學報,2002,57(1):1-10.

[6] 陳雷華，余曄，陳晉北，等．2001~2007年蘭州市主要大氣污染物污染特征分析[J]．高原氣象，2010，29(6)：1627-1633．

[7] 王健，吳彥，劉暉．烏魯木齊市地面風場特征及其對空氣污染影響初探[J]．新疆環(huán)境保護，2008，30(3)：24- 28．

[8] 劉宇，王式功， 尚可政，等．蘭州市低空風時空變化特征及其與空氣污染的關系[J]．高原氣象，2002，21(3)：322-326．

[9] Sun X, Huang D. An Explosive Growth of Wind Power in China[J]. International Journal of Green Energy, 2014,11(8):849-860.

[10] 王毅榮,張存杰. 河西走廊風速變化及風能資源研究[J]. 高原氣象,2007,25(6):1196-1202.

[11] 吳瓊,賀志明. 沙嶺風場風能資源分析與評價[J]. 能源研究與管理,2012(3):37-39.

[12] 張人文,范紹佳,李穎敏. 2008 年秋季從化山谷風觀測研究[J]. 熱帶氣象學報,2012,28(1):134-139.

[13] 杜中木，張素華. 蘭州中低層風向與降水的關系[J]. 甘肅氣象，1995，13(4):13-15.

[14] Whiteman C D. Mountain Meteorology: Fundamentals and Applications[M]. New York: Oxford University Press, 2000.355.

[15] 王建鵬，孫繼松，王式功，等. 盆地地形下西安城市熱島效應對周邊降水的影響[J]. 干旱氣象，2011,29(2):168-173.

[16] Tie X, Madronich S, Li G H, et al. Characterizations of chemical oxidants in Mexico City:A regional chemical dynamical model (WRF-Chem) study[J]. Atmospheric Environment, 2007,41(9):1989-2008.

[17] Hannu Savij?rvi, Jin Liya．Local winds in a valley city[J]．Boundary-Layer Meteorology，2001，100(2)：301-319．

[18] Katherine Klink.Trends and interannual variability of wind speed distributions in Minnesota[J]．American Meteorological Society, 2002,15：3311-3317．

[19] 王桂玲，蔣維楣．復雜地形上的低層風場特征[J]．解放軍理工大學學報(自然科學版)，2006，7(5)：491-495．

[20] Pedro A Jiménez，J Fidel González-Rouco. Climatology of wind patterns in the northeast of the Iberian Peninsula[J]．Royal Meteorological Society, 2009,29(4):501-525．

[21] Lancaster N, Baas A. Influence of vegetation cover on sand transport by wind: field studies at Owens Lake, California[J]. Earth Surface Processes and Landforms, 1998,23(1):69-82.

[22] Rife D L, Davis C A, Liu Y, et al. Predictability of low-level winds by mesoscale meteorological models[J]. Monthly Weather Review, 2004,132(11)：2553-2669.

[23] ?agar M, Rakovec J. Small-scale surface wind prediction using dynamic adaptation[J]. Tellus A, 1999,51(4):489-504.

[24] Carvalho D, Rocha A, Gómez-Gesteira M, et al. A sensitivity study of the WRF model in wind simulation for an area of high wind energy[J]. Environmental Modelling & Software, 2012,33:23-34.

[25] Ratto C F, Festa R, Romeo C, et al. Mass-consistent models for wind fields over complex terrain:the state of the art[J]. Environmental Software, 1994,9(4):247-268.

[26] 董俊玲,韓志偉,張仁健,等. WRF模式對中國城市和半干旱地區(qū)氣象要素的模擬檢驗和對比分析[J]. 氣象科學,2011,31(4):484-492.

[27] 張宇,郭振海,張文煜,等. 中尺度模式不同分辨率下大氣多尺度特征模擬能力分析[J]. 大氣科學,2010,34(3):653-660.

[28] Ruiz J J, Saulo C, Nogués-Paegle J. WRF Model Sensitivity to Choice of Parameterization over South America:Validation against Surface Variables[J]. Monthly Weather Review, 2010,138(8):3342-3355.

[29] 王穎,張鐳,胡菊,等. WRF模式對山谷城市邊界層模擬能力的檢驗及地面氣象特征分析[J]. 高原氣象,2011,29(6):1397-1407.

[30] Wilby R L, Dawson C W, Barrow E M. SDSM—a decision support tool for the assessment of regional climate change impacts[J]. Environmental Modelling & Software, 2002,17(2):147-159.

[31] Hong S Y, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Monthly Weather Review, 2006,134(9):2318-2341.

[32] Janjic Z I. The surface layer in the NCEP Eta Model, Eleventh Conference on Numerical Weather Prediction[J]. Amer Meteor Soc, 1996,8:354-355.

[33] Michelson S A, Bao J W. Sensitivity of Low-Level Winds Simulated by the WRF Model in California’s Central Valley to Uncertainties in the Large-Scale Forcing and Soil Initialization[J]. Journal of Applied Meteorology & Climatology, 2008,47(12)：3131-3149．

[34] Chin H S, Glascoe L, Lundquist J, et al. Impact of WRF physics and grid resolution on low-level wind prediction:towards the assessment of climate change impact on future wind power[C]//Fifth International Symposium on Computational Wind Engineering. NC: Chapel Hill, 2010.23-27.

[35] Shimada S, Ohsawa T. Accuracy and characteristics of offshore wind speeds simulated by WRF[J]. Sola, 2011,7:21-24.

[36] Papanastasiou D K, Melas D, Lissaridis I. Study of wind field under sea breeze conditions; an application of WRF model[J]. Atmospheric Research, 2010,98(1):102-117.

[37] Wen J, Wang L, Wei Z G．An overview of the Loess Plateau mesa region land surface process field experiment series (LOPEXs)[J]. Hydrol Earth Syst Sci，2009,13(6):945-951.

[38] 李耀輝，韓濤．基于EOS/MODIS資料的中國黃土高原西部土地覆蓋分類[J]．高原氣象，2008，27(3)：538-543.

[39] Hong S Y, Dudhia J, Chen S H. A Revised Approach to Ice Microphysical Processes for the Bulk Parameterization of Clouds and Precipitation[J]. Mon Wea Rev, 2004,132(1):103-120.

[40] Kain J S. The Kain-Fritsch convective parameterization:An update[J]. J Appl Meteor, 2004,43(1):170-181.

[41] Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres:RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research:Atmospheres (1984-2012), 1997, 102(D14):16663-16682.

[42] Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. Journal of the Atmospheric Sciences, 1989,46(20):3077-3107.

[43] Chen F, Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001,129(4):569-585.

[44] Jiménez P A, Dudhia J. Improving the Representation of Resolved and Unresolved Topographic Effects on Surface Wind in the WRF Model[J]. Journal of Applied Meteorology & Climatology, 2012,51(2):300-316.

[45] Mass C, Ovens D. WRF model physics:Problems, solutions and a new paradigm for progress[A]. Preprints, 2010 WRFUsers’ Workshop, Boulder, CO, NCAR,2010

[46] Mass C, Ovens D. Fixing WRF’s high speed wind bias: A new subgrid scale drag parameterization and the role of detailed verification[A]. Preprints, 24th Conf on Weather and Forecasting/20th Conf on Numerical Weather Prediction, Seattle, WA, Amer Meteor Soc, 2011.9B.6.

[47] 張碧輝，劉樹華，Liu H P，等. MYJ和YSU方案對WRF邊界層氣象要素模擬的影響[J]. 地球物理學報，2012，55(7)：2239-2248.

[48] Cox R, Bauer B L, Smith T. A mesoscale model intercomparison[J]. Bull Amer Meteor Soc, 1998,79(2):265-283.

[49] Mass C et al. http://www.atmos.washington.edu/~ovens/windbias/.

[50] Jiménez P A, González-Rouco J F, García-Bustamante E, et al. Surface Wind Regionalization over Complex Terrain: Evaluation and Analysis of a High-Resolution WRF Simulation[J]. Journal of Applied Meteorology & Climatology, 2010,49(2):268-287

[51] Cheng W Y Y, Steenburgh W J. Evaluation of surface sensible weather forecasts by the WRF and the Eta models over the western United States[J]. Weather & Forecasting, 2005,20(5):812-821.

Effect of Subgrid-scale Terrain Parameterization on WRF’s Performance on Wind Field over Complex Terrain

MA Chenchen1,4, YU Ye1,2, HE Jianjun1,3, CHEN Xing1,3, XIE Jin1,3

(1.KeyLaboratoryofLandSurfaceProcessandClimateChangeinColdandAridRegions，ColdandAridRegionsEnvironmentalandEngineeringResearchInstitute,ChineseAcademyofScience,Lanzhou730000,China2.PingliangLandSurfaceProcess&SevereWeatherResearchStation,ChineseAcademyofScience,Pingliang744015,China;3.UniversityofChineseAcademyofScience,Beijing100049,China;4.LianyungangMeteorologicalBureauofJiangsuProvince,Lianyungang222006,China)

Abstract:Wind fields over the Loess Plateau are very complex due to the complex underlying surface. This paper investigated the effect of subgrid-scale terrain parameterization on near surface wind fields simulated by the WRF over the Loess Plateau. Results indicated that the subgrid-scale terrain standard deviation (σ(sso)) was larger over complex terrain, and the elevation differences between observation sites and the nearest model grids increased with σ(sso). In summer of 2012, wind speed in the designated region was small. When the influence of subgrid-scale terrain was ignored, the WRF over-estimated wind speed when the observation value was higher, but under-estimated wind speed when the observation value was smaller. The RMSE between the simulated and observed wind speed was small over relatively flat area, while it was larger over complex terrain area. Simulated wind speed was much closer to observations when subgrid-scale terrain parameterization scheme was included in the WRF. Statistics indicated obvious improvement in the accuracy of simulated wind speed. Although simulated wind speed was higher than observations, the diurnal variations were well captured by all the simulations and the lowest bias was achieved when Jimenez’s parameterization scheme was used. Simulations with Jimenez’s parameterization scheme could precisely capture the spatial distribution feature of wind speed, but simulations with Mass’s parameterization scheme had medium improvements at all stations.

Key words:WRF; loess plateau; subgrid-scale terrain; wind field

中圖分類號：P425

文獻標識碼：A

文章編號：1006-7639(2016)-01-0096-10

doi:10.11755/j.issn.1006-7639(2016)-01-0096

作者簡介：馬晨晨(1988-)，女，江蘇徐州人，碩士研究生，主要從事陸面過程的研究. E-mail：machch@lzb.ac.cn

基金項目：國家自然科學基金(41175009)資助

收稿日期：2014-12-17；改回日期:2015-01-16

馬晨晨，余曄，何建軍，等.次網格地形參數(shù)化對WRF模式在復雜地形區(qū)風場模擬的影響[J].干旱氣象，2016，34(1)：96-105, [MA Chenchen, YU Ye, HE Jianjun, et al. Effect of Subgrid-scale Terrain Parameterization on WRF’s Performance on Wind Field over Complex Terrain[J]. Journal of Arid Meteorology, 2016, 34(1):96-105], doi:10.11755/j.issn.1006-7639(2016)-01-0096