東海區(qū)風(fēng)場降尺度模擬影響因子研究

劉祥宇，陳學(xué)恩，張洪欣

(1. 中國海洋大學(xué)海洋與大氣學(xué)院，山東 青島 266100； 2. 國家海洋局北海海洋技術(shù)保障中心，山東 青島 266033)

?

東海區(qū)風(fēng)場降尺度模擬影響因子研究

劉祥宇1，2，陳學(xué)恩1，張洪欣2

(1. 中國海洋大學(xué)海洋與大氣學(xué)院，山東 青島 266100； 2. 國家海洋局北海海洋技術(shù)保障中心，山東 青島 266033)

基于中尺度WRF模式，采用NCEP FNL最終分析資料作為初始場和側(cè)邊界條件，以2009年為例，對中國東海區(qū)風(fēng)場進(jìn)行了動力降尺度研究，旨在檢驗WRF模式長期積分的動力降尺度能力，并考察動力降尺度方法在東海區(qū)的適用情況，為東海區(qū)多年時間尺度的風(fēng)場降尺度研究提供參考。結(jié)果表明，3種不同積分方式模擬的風(fēng)場均能較好地描述東海區(qū)風(fēng)場的季節(jié)變化，且整體在冬季的模擬，要優(yōu)于夏季的模擬。5DAY試驗?zāi)M效果最優(yōu)，其他兩組試驗稍差。說明每5 d更新一次初始場的積分方式能夠最好地描述東海區(qū)風(fēng)場。每10 d更新一次初始場比起1 a連續(xù)積分模擬效果并無優(yōu)勢，連續(xù)長期積分模擬雖會導(dǎo)致系統(tǒng)誤差累積，但定期更新初始場的方法并不一定能有效改善東海區(qū)風(fēng)場的模擬效果。對于加入譜逼近方案的3種積分方式模擬的風(fēng)場，每10 d更新一次初始場的試驗對加入譜逼近方案響應(yīng)最為明顯。但就總體試驗效果，5DAYS試驗?zāi)M效果仍然是最好的。加入譜逼近方案使得1 a連續(xù)積分這種積分方式模擬效果變差。由此說明，加入譜逼近方案后，采用5 d更新一次初始場的方式驅(qū)動，每次積分時間較短，初始場的作用還較強(qiáng)，故其改善效果不如10 d更新一次初始場；對于1 a連續(xù)積分，譜逼近方案使得初始場的改變導(dǎo)致了連續(xù)積分的誤差積累增大。

WRF模式； 降尺度； 譜逼近方案

引言

近年來，對于一些極端的天氣和氣候事件，由于其發(fā)生的區(qū)域性比較強(qiáng)，對其分析及預(yù)測仍然存在諸多難題。此外，現(xiàn)有的全球大氣觀測資料在時空分布上很不均勻，尤其是在海洋上的氣象觀測資料極為匱乏，進(jìn)一步加大了分析及預(yù)測天氣和氣候過程的難度。隨著數(shù)值模型、數(shù)據(jù)同化以及計算資源的快速發(fā)展，多個全球氣候模式被用來建立氣候變化場景[1-3]。新一代的全球大氣模式已被證明能夠模擬很多大尺度和全球的氣候過程[4]。然而，因受限于氣候變化的影響對于局地變化更加地敏感，單純應(yīng)用全球大氣模式資料對區(qū)域氣候影響的研究仍然沒有很好的解決辦法[5]。為了解決這一問題并滿足區(qū)域性信息的需要，區(qū)域氣候模式的研究有了很大的進(jìn)展，并且已經(jīng)成為氣候模式研究中最常用的方法之一。一般來說，全球模式的空間分辨率是相對較低的(幾百千米)，不能很準(zhǔn)確地刻畫區(qū)域特征。降尺度方法是一個解決全球氣候模式模擬區(qū)域氣候問題非常有效的方法，現(xiàn)在最常用的方法是動力降尺度。動力降尺度是一種利用相對較粗分辨率的全球氣候模式或再分析資料獲得目標(biāo)區(qū)域高分辨率的氣候或者氣候變化信息的方法。利用這種方法，全球大氣模式數(shù)據(jù)可以為一個有限區(qū)域模型提供側(cè)邊界條件，海表面溫度(SST)以及初始地表狀態(tài)參量。

然而，在區(qū)域模式的降尺度研究中，區(qū)域模式對積分時間的敏感程度是一個尚待解決的問題。Qian等[6]針對模式對積分時間的敏感程度，考察不同積分時間后的統(tǒng)計結(jié)果與真實氣候態(tài)的差異，他們利用區(qū)域氣候模式RegCM2，比較了長期的連續(xù)積分與分段的中期和短期積分的相對表現(xiàn)，以及在動力降尺度過程的誤差增長，發(fā)現(xiàn)每10 d更新一次初始場，在提高降尺度能力方面更有優(yōu)勢。Denis等[7]通過研究區(qū)域氣候模式在降水預(yù)報上的能力，對比地面平均降水率的時間序列發(fā)現(xiàn)，在最初的2天里模擬準(zhǔn)確率表現(xiàn)較差，而在隨后的第2天至12天里表現(xiàn)出較高的準(zhǔn)確率，然后從第13天開始準(zhǔn)確率逐漸降低，這主要是由于長期積分帶來的系統(tǒng)誤差累積造成的。

除了積分時間因素外，區(qū)域氣候模式有許多其他誤差來源，例如數(shù)值計算的近似、有限的分辨率、次網(wǎng)格尺度的物理作用參數(shù)化以及地形的有限描述等。在區(qū)域氣候模式中增加小尺度特征并保留大尺度特征的嘗試已經(jīng)對平衡模式性能產(chǎn)生了挑戰(zhàn)。針對這一問題，Waldron等[8]提出了在區(qū)域模式中引入譜逼近方法，這種方法是在譜空間向模式內(nèi)加入逼近項，以調(diào)整模式內(nèi)部的大尺度環(huán)流場向強(qiáng)迫場靠近，而模式可以自主發(fā)展中小尺度的物理過程。

然而，譜逼近方法的適用性，也是重要的研究課題[9-12]。Von Storch等[9]率先將譜逼近方法應(yīng)用到區(qū)域氣候模式中，其模擬試驗結(jié)果表明，譜逼近方法確實能夠使高空大尺度環(huán)流場向強(qiáng)迫場逼近，同時在很大程度上改善模擬效果。但Yhang和 Hong[10]探究了譜逼近技術(shù)對東亞夏季風(fēng)模擬的作用，通過對為期26 a的東亞夏季風(fēng)的模擬，他們認(rèn)為譜逼近方法對于夏季風(fēng)季節(jié)模擬效果總體來說是中立的，并無明顯的優(yōu)勢。

東海是中國三大邊緣海之一，是中國島嶼最多的海域，包括中國的釣魚島。東海處于海陸過渡帶之東亞季風(fēng)氣候區(qū)，并常受到氣候異常和極端天氣過程的影響。然而，東海區(qū)的氣象觀測資料分布不均勻、分辨率不足，特別是海上觀測資料極為有限。目前，針對中國海區(qū)的風(fēng)場進(jìn)行動力降尺度的研究較少，沒有專門針對東海區(qū)風(fēng)場的動力降尺度研究。

WRF(Weather Research and Forecasting)模式已被廣泛應(yīng)用于天氣尺度的模擬，本文將利用FNL(Final Operational Analysis)再分析資料驅(qū)動WRF模式，分別進(jìn)行三組不同積分時間(5 d、10 d、1 a)的試驗，對風(fēng)場的風(fēng)速和風(fēng)向模擬結(jié)果與多平臺交叉海面風(fēng)場計劃(CCMP)資料進(jìn)行比較，并對3組試驗再分別加入譜逼近方案對比其對模擬的優(yōu)化程度，檢驗WRF模式長期積分的動力降尺度能力并考察動力降尺度方法在東海區(qū)的適用情況，為東海區(qū)更長時間尺度風(fēng)場的降尺度研究提供參考。

1 WRF降尺度不同積分方式對比試驗

1.1 試驗設(shè)計與數(shù)據(jù)

本文使用區(qū)域模式WRF3.4.1對東海海域進(jìn)行動力降尺度模擬，模式積分的初始場和側(cè)邊界條件由美國國家環(huán)境預(yù)報中心(NCEP)提供的水平分辨率為1°×1°，6 h一次的最終分析資料(FNL)，并以NOAA的每天更新1次、0.5°×0.5°的海溫資料為模式底邊界條件。模擬過程由控制試驗(YEAR試驗)和2組對比試驗(5DAY試驗和10DAY試驗)3部分組成。控制試驗在積分過程中初始場不進(jìn)行更新，只提供1次初始場，5DAY試驗每5 d更新1次初始場，10DAY試驗每10 d更新一次初始場，并且2組對比試驗每次積分的spin-up time均為2 d，該時段內(nèi)的數(shù)據(jù)不予分析，除此之外的其他設(shè)置均相同。

模式模擬的區(qū)域設(shè)置：模式選用墨卡托投影方式，模式的中心經(jīng)度為125°E，中心緯度為28°N，采用雙重雙向嵌套網(wǎng)格，不僅母網(wǎng)格會起到驅(qū)動子網(wǎng)格的作用，子網(wǎng)格的信息也會向母網(wǎng)格反饋。大區(qū)分辨率為30 km，經(jīng)向和緯向的格點數(shù)分別為127和94，小區(qū)分辨率為10 km，經(jīng)向和緯向的格點數(shù)分別為151和166，模擬區(qū)域覆蓋整個東海海域(圖1)，垂直方向44層。

圖1 模式嵌套模擬采用的大小區(qū)域Fig.1 The setting of the experiment’s domain

模式模擬采用主要的物理參數(shù)化方案有：WSM6微物理方案，KF積云參數(shù)化方案，YSU邊界層參數(shù)化方案，RRTM長波輻射方案，Dudhia短波輻射方案，Monin-Obukhov近地面層方案和Noah陸面過程方案。

因為考慮到spin-up的2 d時間，并且為了使得3組試驗(5DAY試驗、10DAY試驗和YEAR試驗)積分時間相等，模式模擬時間為362 d，即2009年1月1日00時—12月28日18時。每6 h輸出一次結(jié)果，共計1 448個時刻的結(jié)果，去掉最開始2 d的spin-up結(jié)果，即1 440個時刻的結(jié)果。

為了反映各試驗對于加入譜逼近方案的響應(yīng)程度以及加入譜逼近方案后各試驗之間的差距變化，又設(shè)計了3組試驗(5DAYS試驗、10DAYS試驗和YEARS試驗)，分別是在原有積分時間試驗基礎(chǔ)上只加入譜逼近方案的試驗，其他模擬方式完全相同，再對結(jié)果進(jìn)行比較和分析。

本文用于模式對比的資料是CCMP(Cross-Calibrated, Multi-Platform)資料。CCMP由NASA地球科學(xué)事業(yè)提供項目支持，該數(shù)據(jù)集采用增強(qiáng)的變分同化分析法，同化了來自SSM/I, TMI, AMSR-E, QuikSCAT/ SeaWinds和ADEOS-II/ SeaWinds等多種海洋被動微波和散射計遙感平臺的海面風(fēng)或近地面風(fēng)資料，空間分辨率為0.25°×0.25°。對CCMP資料按照模式小區(qū)域的網(wǎng)格，進(jìn)行分辨率為10 km的差值處理。

1.2 不同積分方式下風(fēng)速試驗結(jié)果分析

本部分要對3種積分方式的模擬結(jié)果與CCMP資料進(jìn)行風(fēng)速的對比和分析。首先對3種積分方式的模式結(jié)果進(jìn)行月平均，與CCMP資料的月平均結(jié)果進(jìn)行對比分析，再將3種積分方式模擬結(jié)果的1年全部時次(1天4次)的風(fēng)速結(jié)果與CCMP資料風(fēng)速進(jìn)行對比和分析。

圖2為3組試驗的模擬結(jié)果與CCMP資料在1月、4月、7月、10月月平均的海面風(fēng)場對比圖。從圖中可以發(fā)現(xiàn)：3組試驗對于東海區(qū)風(fēng)場的季節(jié)變化均得以體現(xiàn)，夏季受西南風(fēng)控制，冬季由偏北風(fēng)控制。但在風(fēng)速的模擬上，冬、春季3組試驗?zāi)M誤差較??；夏、秋季節(jié)，5DAY試驗和10DAY試驗?zāi)M偏強(qiáng)，YEAR試驗?zāi)M偏弱。

為了進(jìn)一步清晰地比較3種積分方式的模擬風(fēng)速結(jié)果與CCMP資料，將3種積分方式模擬結(jié)果的風(fēng)速與CCMP資料做差進(jìn)行比較(圖3)。從圖中可以發(fā)現(xiàn)，在冬、春季節(jié)，3組試驗在東海近岸海域以及臺灣海峽風(fēng)速模擬偏大；整體而言，3組試驗?zāi)M結(jié)果差距不明顯。在夏、秋季節(jié)，YEAR試驗整體在東海大部分海域內(nèi)模擬風(fēng)速偏弱 1～2 m/s，5DAY和10DAY試驗風(fēng)速結(jié)果相對更加接近CCMP資料，5DAY試驗和10DAY試驗在東海近岸海域和東海東南部模擬風(fēng)速偏強(qiáng)1～2 m/s；整體而言，5DAY試驗?zāi)M效果最好，其他2組試驗稍差。

圖2 3組試驗結(jié)果以及CCMP資料在1月(a)、4月(b)、7月(c)和10月(d)月平均風(fēng)場對比(填色為風(fēng)速，單位:m·s-1)Fig.2 Monthly mean wind field of the simulation and CCMP (Cross-Calibrated, Multi-Platform)in January (a), April (b), July (c) and October (d) (Color represents wind speed, unit: m·s-1)

模擬場與對比實測資料的均方根誤差(RMSE)反映了兩者的偏差程度，數(shù)值越大代表模擬效果越差。計算了3種積分方式的模擬結(jié)果在12個月里的月平均風(fēng)速與CCMP資料的均方根誤差(圖4a)?？梢园l(fā)現(xiàn)，在冬、春季節(jié)3組試驗均方根誤差相差不大，均在0.9 m/s左右。但在夏、秋季節(jié)3組試驗相差較大，5DAY試驗均方根誤差在0.8～1.3 m/s；10DAY試驗均方根誤差更大些，都在1.2 m/s以上，8月甚至達(dá)到2.6 m/s左右。

空間相關(guān)系數(shù)(CC)反應(yīng)了模擬場與對比實測資料間空間形態(tài)分布的相似程度，數(shù)值越大代表空間分布的相似程度越高。計算了3種積分方式的模擬結(jié)果在12個月里的月平均風(fēng)速與CCMP資料的空間相關(guān)系數(shù)(圖4b)。可以發(fā)現(xiàn)，在冬、春季節(jié)3組試驗的空間相關(guān)系數(shù)相差不大，均在0.7～0.9之間。但在夏、秋季節(jié)，3組試驗的結(jié)果差距較大，而且5DAY試驗明顯優(yōu)于10DAY試驗，10DAY試驗明顯優(yōu)于YEAR試驗，3組試驗的相關(guān)系數(shù)均通過99%的置信度檢驗。

綜合以上兩個統(tǒng)計指標(biāo)，可以發(fā)現(xiàn)，對于月平均的東海區(qū)風(fēng)場風(fēng)速季節(jié)的模擬能力，5DAY試驗?zāi)M效果最好，10DAY試驗與YEAR試驗?zāi)M效果相對較差。

對3種積分方式模擬結(jié)果的全部時次風(fēng)速與CCMP資料對應(yīng)所有時次進(jìn)行對比分析，分析每個格點1 440個時次的整體模擬效果，進(jìn)一步比較3種積分方式的風(fēng)速模擬效果。

首先計算模式風(fēng)速結(jié)果與CCMP資料風(fēng)速的時間相關(guān)系數(shù)。從圖5中可以發(fā)現(xiàn)，5DAY的模擬效果最好，東海大部分區(qū)域內(nèi)相關(guān)系數(shù)均在0.7以上，且在臺灣海峽、長江口等附近海域相關(guān)系數(shù)達(dá)到0.75以上。而10DAY試驗相對效果最差，只在臺灣海峽和東海北部效果較好；在臺灣島以東海域相關(guān)系數(shù)較低，在0.45以下。YEAR試驗相對10DAY試驗要好些，但在東海大部分海域的相關(guān)系數(shù)仍不及5DAY試驗。

此外，計算了模式風(fēng)速結(jié)果與CCMP資料風(fēng)速的均方根誤差。從圖6中可以發(fā)現(xiàn)，5DAY試驗整體均方根誤差最低；在東海北部，均方根誤差普遍小于2.4 m/s；在臺灣島附近海域均方根誤差較大，在3 m/s左右。YEAR試驗均方根誤差相對較大一些，在東海大部分海域內(nèi)較5DAY試驗偏高，且在琉球以東海域均方根誤差偏大。10DAY試驗均方根誤差整體最大，東海大部分海域在3.0 m/s以上。上述比較分析進(jìn)一步驗證，5DAY試驗?zāi)M效果最好，YEAR試驗?zāi)M效果次之，10DAY試驗?zāi)M效果較差。

綜合以上對3種積分方式模擬性能的比較和分析，可知3種積分方式模擬月平均風(fēng)場的結(jié)果均能較好地刻畫東海區(qū)月平均風(fēng)場的風(fēng)速，且在冬季的風(fēng)速模擬要優(yōu)于夏季。其中，5DAY試驗在風(fēng)速模擬中，不管是在月平均計算方法下，還是在全部時次的比較下，效果均為最好；其他2組試驗中，YEAR試驗相比10DAY試驗在風(fēng)速的模擬效果上較好。

圖3 3組試驗結(jié)果與CCMP資料在1月(a)、4月(b)、7月(c)和10月(d)月平均風(fēng)速差值對比(填色為風(fēng)速，單位:m·s-1)Fig.3 Monthly mean wind speed bias of the simulation and CCMP in January (a), April (b), July (c) and October (d) (Color represents wind speed, unit: m·s-1)

圖4 3組試驗結(jié)果與CCMP資料各月月平均風(fēng)速場均方根誤差(a)與空間相關(guān)系數(shù)(b)Fig.4 Monthly mean RMSE (a) and CC (b) of wind speed from three tests’ results

圖5 3組試驗結(jié)果全場風(fēng)速與CCMP資料1 440個時次的時間相關(guān)系數(shù)分布(a. 5DAY, b. 10DAY, c. YEAR)Fig.5 The CC of wind speed from three tests’ 1 440 results (a. 5DAY, b. 10DAY, c. YEAR)

圖6 3組試驗結(jié)果風(fēng)速與CCMP資料全場1 440個時次的均方根誤差分布(a. 5DAY, b. 10DAY, c. YEAR)Fig.6 The RMSE of wind speed from three tests’ 1 440 results (a. 5DAY, b. 10DAY, c. YEAR)

1.3 不同積分方式下風(fēng)向試驗結(jié)果及分析

計算3種積分方式的模擬結(jié)果，對風(fēng)向進(jìn)行月平均處理，具體是采用u、v分量的矢量相加再做平均的方法，再與CCMP資料進(jìn)行對比。通過計算3種積分方式的模擬結(jié)果在12個月里的月平均風(fēng)向與CCMP資料的空間相關(guān)系數(shù)(圖7a)可知，5DAY試驗相關(guān)系數(shù)整體最高，尤其表現(xiàn)在夏季相關(guān)系數(shù)整體高于其他2組試驗，相關(guān)系數(shù)在0.5以上；10DAY試驗次之；YEAR試驗表現(xiàn)較差。從圖7b可以看出，5DAY試驗均方根誤差較低，一般在20°～30°之間；在夏、秋季節(jié)，3組試驗差距較大，而且5DAY均方根誤差最小，其他2組試驗相對較差。

圖7 3組試驗結(jié)果與CCMP資料各月月平均風(fēng)向空間相關(guān)系數(shù)(a)與均方根誤差(b) Fig.7 Monthly mean CC(a) and RMSE(b) of wind direction from three tests’ results

進(jìn)一步計算模式風(fēng)向結(jié)果與CCMP資料風(fēng)向全部時次的時間相關(guān)系數(shù)。從圖8中可以發(fā)現(xiàn)，5DAY的模擬效果最好，東海南部大部分區(qū)域內(nèi)相關(guān)系數(shù)均在0.6以上，且在臺灣海峽和臺灣海峽南部等附近海域相關(guān)系數(shù)可達(dá)到0.75以上，但在東海北部相關(guān)系數(shù)稍低。而10DAY試驗相對效果稍差，在臺灣海峽南部和東海北部效果較好，在臺灣島以東海域相關(guān)系數(shù)較低，在0.45以下。YEAR試驗相對10DAY試驗較差，琉球附近海域的相關(guān)系數(shù)不及0.4，但在臺灣海峽相關(guān)系數(shù)仍在0.65以上。

圖8 3組試驗結(jié)果全場風(fēng)向與CCMP資料1 440個時次的時間相關(guān)系數(shù)分布 (a. 5DAY, b. 10DAY, c. YEAR)Fig.8 The CC of wind direction from three tests’ 1 440 results (a. 5DAY, b. 10DAY, c. YEAR)

最后計算模式風(fēng)向結(jié)果與CCMP資料風(fēng)向的均方根誤差。從圖9中可以發(fā)現(xiàn)，5DAY試驗整體均方根誤差最低；在東海北部以及臺灣海峽，均方根誤差普遍小于45°；東海東部海域均方根誤差較大，均方根誤差在50°以上。10DAY試驗與YEAR試驗相對5DAY試驗均方根誤差大一些，在東海大部分海域內(nèi)較5DAY試驗偏高，并在琉球以東海域均方根誤差偏大。由以上比較分析可知，5DAY試驗?zāi)M效果最好，其他2組試驗風(fēng)向模擬效果稍差。

圖9 3組試驗結(jié)果風(fēng)向與CCMP資料全場1 440個時次的均方根誤差分布(a. 5DAY, b. 10DAY, c. YEAR)Fig.9 The RMSE of wind direction from three tests’ 1 440 results (a. 5DAY, b. 10DAY, c. YEAR)

綜合以上對3種積分方式模擬性能的比較和分析，可知3種積分方式模擬的結(jié)果均能較好地刻畫東海區(qū)風(fēng)場的風(fēng)向，且在冬季的風(fēng)向模擬上要優(yōu)于夏季。5DAY試驗?zāi)M效果最優(yōu)，其他2組試驗稍差。說明每5 d更新1次初始場的積分方式能夠最好地描述東海區(qū)風(fēng)場。每10 d更新1次初始場比起1 a連續(xù)積分模擬效果并無優(yōu)勢，連續(xù)長期積分模擬雖會導(dǎo)致系統(tǒng)誤差累積，但定期更新初始場的方法并不能夠一定有效改善東海區(qū)風(fēng)場的模擬效果。

2 譜逼近方案對WRF降尺度的評估

為了反映各試驗對于加入譜逼近方案的響應(yīng)程度以及加入譜逼近方案后各試驗之間的差距變化，又設(shè)計了3組試驗(5DAYS試驗、10DAYS試驗和YEARS試驗)，分別是在原有積分時間試驗基礎(chǔ)上只加入譜逼近方案的試驗，其他模擬方式完全相同，再對結(jié)果進(jìn)行比較和分析。

現(xiàn)將6組試驗全時次風(fēng)速風(fēng)向的區(qū)域全場平均值由表1列出。從表中可以發(fā)現(xiàn)，對于不加入譜逼近方案的3組試驗，正如第1部分的結(jié)論一樣，5DAY試驗?zāi)M效果最好，其他2組試驗稍差，這一結(jié)論在風(fēng)向風(fēng)速的空間相關(guān)系數(shù)(CC)和均方根誤差(RMSE)中均有體現(xiàn)；對于加入譜逼近方案后的3組試驗，不難發(fā)現(xiàn)，不同積分方式的模擬效果對比仍然是和第1部分的結(jié)論一致，并且YEAR試驗反而在加入譜逼近方案后結(jié)果變差。

為了更加清晰地對比不同積分方式的試驗在加入譜逼近方案的響應(yīng)程度，根據(jù)表1，通過做差計算得到表2。從表中可以發(fā)現(xiàn)，對于加入譜逼近方案后，每10 d更新1次初始場的積分方式響應(yīng)程度好于每5 d更新1次初始場的積分方式，改善效果最好，并且體現(xiàn)在風(fēng)向風(fēng)速的RMSE和CC的4組數(shù)據(jù)上，對于1年連續(xù)積分的結(jié)果，加入譜逼近方案反而使模擬效果變差，同樣體現(xiàn)在風(fēng)向風(fēng)速的RMSE和CC的4組數(shù)據(jù)上。但對于改善更多的10DAYS試驗，模擬效果仍不及5DAYS試驗，并且模擬風(fēng)速結(jié)果不如YEARS試驗。

表1 6組試驗全時次風(fēng)速風(fēng)向區(qū)域全場平均值

Table 1 The average of wind speed and direction of full times

試驗名稱風(fēng)向RMSE/(°)風(fēng)速RMSE/(m·s-1)風(fēng)向CC風(fēng)速CC5DAY47 882 6720 58650 69715DAYS47 132 6630 59700 702210DAY51 693 3090 55970 586410DAYS50 013 1750 57320 6075YEAR52 482 7720 55400 6449YEARS53 212 7750 54460 6444

表2 加入譜逼近方案后的優(yōu)化程度

Table 2 The extent of improvement on the experiment added spectral nudging schemes%

對于加入譜逼近方案的3種積分方式模擬的風(fēng)場，每10 d更新1次初始場的試驗對加入譜逼近方案響應(yīng)最為明顯。但就總體試驗效果，5DAYS試驗?zāi)M效果仍然是最好的。

加入譜逼近方案使得1 a連續(xù)積分這種積分方式模擬效果變差。由此說明，加入譜逼近方案后，采用5 d更新1次初始場的方式驅(qū)動，每次積分時間較短，初始場的作用還較強(qiáng)，故其改善效果不如10 d更新1次初始場；對于1 a連續(xù)積分，譜逼近方案使得初始場的改變導(dǎo)致了連續(xù)積分的誤差積累增大。

3 結(jié)論

本文基于WRF模式，對東海區(qū)風(fēng)場進(jìn)行降尺度研究，通過對比每5 d更新1次初始場、每10 d更新1次初始場，以及1 a連續(xù)積分這3種積分方式的試驗來對比不同積分方式的模擬效果，再對這3組試驗分別加入譜逼近方案，進(jìn)行模擬效果的對比，評價譜逼近對于東海區(qū)風(fēng)場降尺度的模擬效果和最佳積分方式的適用情況。主要研究結(jié)論如下：

1)3種積分方式模擬的風(fēng)場均能較好地描述東海區(qū)風(fēng)場的季節(jié)變化，且整體上來說，在冬季的模擬，要優(yōu)于夏季的模擬。5DAY試驗?zāi)M效果最優(yōu)，其他2組試驗稍差。說明每5 d更新1次初始場的積分方式能夠最好地刻畫東海區(qū)風(fēng)場。每10 d更新1次初始場比1 a連續(xù)積分模擬效果并無優(yōu)勢，連續(xù)長期積分模擬雖會導(dǎo)致系統(tǒng)誤差累積，但定期更新初始場的方法并不一定能夠有效改善東海區(qū)風(fēng)場的模擬效果。

2)對于加入譜逼近方案的3種積分方式模擬的風(fēng)場，每10 d更新1次初始場的試驗對加入譜逼近方案響應(yīng)最為明顯。但就總體試驗效果，5DAYS試驗?zāi)M效果仍然是最好的。加入譜逼近方案使得1 a連續(xù)積分這種積分方式模擬效果變差。由此說明，加入譜逼近方案后，采用5 d更新1次初始場的方式驅(qū)動，每次積分時間較短，初始場的作用還較強(qiáng)，故其改善效果不如10 d更新1次初始場；對于1 a連續(xù)積分，譜逼近方案使得初始場的改變導(dǎo)致了連續(xù)積分的誤差積累增大。

[1] Ji M, Kumar A, Leetmaa A. A multiseason climate forecast system at the National Meteorological Center[J]. Bull Amer Meteor Soc, 1994, 75(4):569-577.

[2] Palmer T N, Alessandri A, Andersen U, et al. Development of a European multimodel ensemble system for seasonal-to-interannual prediction (demeter)[J]. Bull Amer Meteor Soc, 2004, 85(6):853-872.

[3] Stockdale T N, Anderson D L T, Alves J O S, et al. Global seasonal rainfall forecasts using a coupled ocean-atmosphere model[J]. Nature, 1998, 392(6674):370-373.

[4] Solomon S, Qin D, Manning M, et al. IPCC, 2007. Climate change 2007: the physical science basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2007:996.

[5] Shukla J. Predictability in the midst of chaos: A scientific basis for climate forecasting[J]. Science, 1998, 282(5389):728-731.

[6] Qian J H, Seth A, Zebiak S. Reinitialized versus continuous simulations for regional climate downscaling[J]. Mon Wea Rev, 2003, 131(11):2857-2874.

[7] Denis B, Laprise R, Caya D, et al. Downscaling ability of one-way nested regional climate models: The Big-Brother Experiment[J]. Climate Dyn, 2002, 18(8):627-646.

[8] Waldron K M, Paegle J, Horel J D. Sensitivity of a spectrally filtered and nudged limited-area model to outer model options[J]. Mon Wea Rev, 1996,124(3): 529-547.

[9] Von Storch H, Langenberg H, Feser F. A spectral nudging technique for dynamical downscaling purposes[J]. Mon Wea Rev, 2000, 128(10):3664-3673.

[10]Yhang Y B, Hong S Y. A study on large-scale nudging effects in regional climate model simulation[J]. Asia-Pac J Atmos Sci, 2011, 47(3): 235-243.

[11]曾先鋒，周天軍.譜逼近方法對區(qū)域氣候模式性能的改進(jìn)：不同權(quán)重函數(shù)的影響[J]. 氣象學(xué)報，2012，70(5):1084-1097.

[12]宋寔，湯劍平. 譜逼近方法在東亞夏季降水區(qū)域模式模擬中的適用性研究：區(qū)域大小和位置的影響[J].氣象學(xué)報，2011，69(2)：297-309.

Influence factors on dynamical downscaling of sea surface winds over East China Sea

LIU Xiangyu1,2, CHEN Xueen1, ZHANG Hongxin2

(1.CollegeofOceanicandAtmosphericSciences,OceanUniversityofChina,Qingdao266100,China; 2.NorthChinaSeaMarineTechnicalSupportCenter,SOA,Qingdao266033,China)

For the representation of the winds over the East China Sea, the paper investigated the applicability of dynamically downscaling the NCEP FNL (Final Analysis) data by the weather and research forecasting (WRF) model. Three numerical experiments were conducted: 1) simply 1-year control integration of WRF (i.e., YEAR); 2) update the FNL initialization data every 5 days (i.e., 5DAY); and 3) update the FNL initialization data every 10 days (i.e., 10DAY). The results showed that all the three experiments were able to simulate the winds reasonably, especially in winter, and the experiment 5DAY preformed best among them. Moreover, the paper added the spectral nudging scheme into the three experiments and explored its effects on each experiment.

WRF model; downscaling; spectral nudging scheme

2017-02-03；

2017-06-09

國家重點研發(fā)計劃專項(2016YFC1401300)；海洋公益性行業(yè)科研專項(201505007)；山東省重點研發(fā)計劃項目(2016CYJS04A01)

劉祥宇(1989—)，男，碩士，主要從事海洋調(diào)查觀測技術(shù)和數(shù)據(jù)分析研究，lxylxy2121@163.com。

陳學(xué)恩(1971—)，男，博士，教授，主要從事海洋環(huán)流動力學(xué)理論與數(shù)值模擬以及海洋儀器裝備海上試驗平臺技術(shù)的研究，xchen@ouc.edu.cn。

P435

A

2096-3599(2017)02-0074-09

10.19513/j.cnki.issn2096-3599.2017.02.009