多層城市冠層模型參數(shù)優(yōu)化及對京津冀城市群的高溫模擬

王玉潔 向洋陸波

1南京信息工程大學氣象災害預報預警與評估協(xié)同創(chuàng)新中心/氣候與環(huán)境變化國際合作聯(lián)合實驗室/氣象災害教育部重點實驗室,南京 210044

2南京信息工程大學大氣科學學院,南京 210044

3國家氣候中心,北京 100081

1 引言

近年來，城市化造成的下墊面改變和人為熱排放等因素產(chǎn)生的城市熱島效應，使得城市高溫熱脅迫顯著放大（Chen et al.,2011;Sun et al.,2014;Zhao et al.,2014;Oleson et al.,2015;Perkins,2015），在全球氣候變化背景下，未來城市極端高溫風險將加劇（Yin et al.,2013;Sun et al.,2014）。研究城市極端高溫相關(guān)作用機理，為應對極端高溫風險提供科學支撐、對經(jīng)濟社會可持續(xù)發(fā)展具有重要意義 （Bai et al.,2018;翟盤茂等，2019）。

單純利用觀測數(shù)據(jù)很難深入分析城市化氣候效應，特別是很難進行相關(guān)機理研究（楊續(xù)超等，2015），因此，數(shù)值模式成為量化和解釋城市化影響、探尋極端高溫物理機制等研究的重要手段。目前，WRF耦合的單層城市冠層模塊（Urban Canopy Model,UCM）（Kusaka and Kimura,2004）被廣泛應用于城市高溫熱浪模擬（Grossman-Clarke et al.,2010;Chen et al., 2011;Li and Bou-Zeid,2013;

崔耀平等,2015;Chen and Frauenfeld,2016）。但UCM對城市建筑高度參差不齊、垂直方向建筑密度非均勻等特征未能描述，對不同層次上城市湍流的影響未予以區(qū)分，未考慮人為熱的動態(tài)變化。物理過程更加復雜的多層城市冠層模塊（Building Environment Parameterization,BEP），顯式求解三維城市表面對溫度、動量及湍流的影響，彌補了UCM的部分不足（Martilli,2002;Dupont et al.,2004），然而其對人為熱，尤其是建筑排熱的處理仍然比較簡單（Zhang et al.,2009;Wang et al.,2012）。近年來，建筑能量模型（Building Energy Model,BEM）被引入到多層城市冠層模塊（BEP/BEM）中（Salamanca et al.,2010）。與UCM中給定人為熱加熱典型值和加熱廓線來表征人為熱不同，BEM通過建筑物內(nèi)外熱交換來動態(tài)計算人為熱，也即是說BEM能夠刻畫人為熱的時間、空間變化規(guī)律。過去的研究結(jié)果顯示，耦合了建筑能量模型的多層城市冠層模型（BEP/BEM）可顯著改善模式對城市表面熱通量的模擬（Salamanca et al.,2010; Chen et al., 2011）。物理過程更加完善的BEP/BEM，對精確模擬城市極端高溫等相關(guān)研究具有很大的應用潛力。然而，BEP/BEM較復雜的耦合過程不可避免地引入了更多的參數(shù)和更大的自由度，其默認參數(shù)設置多是基于特定城市形態(tài)或者理想試驗得來的，因此，在針對不同地區(qū)城市進行相關(guān)數(shù)值試驗前，對BEP/BEM中一些默認參數(shù)進行本地優(yōu)化就顯得尤為必要（楊旺明等,2014;楊續(xù)超等,2015）。

京津冀城市群是我國三大超級城市群之一，京津冀協(xié)調(diào)發(fā)展是國家重大戰(zhàn)略。近年來研究表明，京津冀極端高溫事件頻發(fā)，尤其是極端高溫強度增強趨勢城區(qū)明顯大于郊區(qū)（趙俊虎等,2011;王君等,2013;楊萍等,2013）。在全球變暖背景下，京津冀城市化對極端高溫的貢獻和作用機理，目前并不十分清楚。為此，本文擬通過參數(shù)敏感性試驗，開展關(guān)于耦合了多層城市冠層模型的中尺度數(shù)值模式（以下簡稱WRF/BEP/BEM）對京津冀高溫模擬的參數(shù)優(yōu)化研究，為進一步開展京津冀城市群極端高溫相關(guān)的機理研究提供支撐。

2 資料和方法

2.1 觀測資料和城鄉(xiāng)站點選取

京津冀地區(qū)位于華北北部（36.07°N～42.65°N，113.46°E～119.79°E），包括北京、天津等特大城市以及河北省，區(qū)域面積21.6×104km2，人口1.1億，東臨渤海，西接太行，北靠燕山，“兩山一?！遍g以平原為主（以下稱平原地區(qū)），地理位置十分特殊，屬溫帶季風氣候。

本文使用的資料包括：來自中國氣象局國家信息中心地面要素數(shù)據(jù)集（Yang and Li, 2014）的京津冀地區(qū)174站經(jīng)質(zhì)量控制后的均一化地面2 m高度逐小時氣溫資料，美國國家環(huán)境預測中心氣候預測系統(tǒng)6 h一次再分析資料（Climate Forecast System Version 2，CFSRv2，https://rda.ucar.edu/datasets/ds09 4.0/[2020-06-10]），歐洲中期天氣預報中心第五代全球大氣逐小時再分析資料（the fifth generation of atmospheric reanalyses of the global climate,ERA5,https://cds.climate.copernicus.eu/cdsapp#!/data set/reanalysis-era5-single-levels?tab=overview[2020-06-10]），最優(yōu)插值海表溫度產(chǎn)品（Optimum Interpolation Sea Surface Temperatur,OISST,https://www.ncdc.noaa.Gov/oisst[2020-05-15]）以及中國科學院資源環(huán)境科學數(shù)據(jù)中心研發(fā)的中國土地利用變化遙感監(jiān)測數(shù)據(jù)集 （徐新良等,2018）。

城鄉(xiāng)站點分類根據(jù)2015年土地利用城市建筑物分類數(shù)據(jù)（圖1灰色區(qū)域所示，水平分辨率為1 km×1 km），將站點經(jīng)緯度坐標對應的1 km×1 km像元是城市地表的站點定義為城市站，共計110站（圖1紅色實心圓所示），將站點經(jīng)緯度坐標對應的1 km×1 km像元為非城市地表的站點定義為鄉(xiāng)村站，共64站（圖1藍色空心圓所示），區(qū)分城、鄉(xiāng)站點的主要目的，是為了將模式模擬中調(diào)用了城市冠層模型的網(wǎng)格中的站點挑選出來，以便更準確地評估城市冠層模型對城市氣候的刻畫能力。

圖1 京津冀地區(qū)氣象站點分布（灰色表示城市區(qū)域）Fig.1 Distribution of meteorological stations in Beijing-Tianjin-Hebei(gray denotes urban area)

利用國家氣候中心整理的土地利用規(guī)劃、道路、遙感影像、人口、行政區(qū)劃等數(shù)據(jù)進一步將城市分為低密度居民區(qū)、高密度居民區(qū)和商業(yè)區(qū)3種土地利用類型。商業(yè)用地和居住用地主要依據(jù)土地利用規(guī)劃來區(qū)分，縣、鄉(xiāng)鎮(zhèn)居住區(qū)統(tǒng)一歸為低密度居民區(qū)，地級以上城市平均人口密度不超過8500人/km2，其對應的居民區(qū)為低密度居民區(qū)，大于8500人/km2為高密度居民區(qū)。

將京津冀地區(qū)內(nèi)所有站點空間平均后超過35°C的日最高氣溫定義為極端高溫。連續(xù)兩日及以上日最高氣溫超過35°C定義為一次極端高溫事件。根據(jù)極端高溫事件定義，依次挑選出京津冀地區(qū)近10年來五次典型的極端高溫事件，分別為2010年7月3～6日、2015年7月11～13日、2018年6月27～30日、2017年7月10～14日及2018年8月1～4日5次極端高溫過程。其中，2010年7月6日區(qū)域平均日最高氣溫達38.74°C，為近10年最高；2015年7月13日區(qū)域平均日最高氣溫達37.98°C，為近10年次高，近5年最高；2017年7月10～14日的極端高溫事件為近10年來持續(xù)時間最長的一次高溫過程（圖2）。利用以上5次極端高溫事件對參數(shù)本地優(yōu)化后的WRF/BEP/BEM的高溫模擬能力進行獨立樣本檢驗。選取京津冀氣溫較常年同期明顯偏高的2015年6月1～10日進行參數(shù)敏感性試驗。選取12:00（北京時間，下同）至16:00作為高溫時段。

圖2 2010～2019年夏季（JJA）京津冀地區(qū)站點平均地表2 m高度日最高氣溫時間變化（虛線表示35°C）Fig.2 Time series of the regional average summer(JJA)daily maximum of 2-m temperature in Beijing-Tianjin-Hebei from 2010 to 2019(dashed line indicates 35°C)

2.2 模式嵌套及物理過程

本研究運用WRF（ARW4.0）/BEP/BEM，采用三重嵌套，D01、D02、D03水平網(wǎng)格分辨率分別為9 km、3 km和1 km，模式最內(nèi)層嵌套區(qū)域 （D03）網(wǎng)格數(shù)為840（緯向）×660（經(jīng)向），包含整個京津冀地區(qū)（圖3），垂直分層38層，其中200 m內(nèi)10層。D02和D03模擬區(qū)域不采用積云對流參數(shù)化方案。采用的物理過程主要有RRTM長短波輻射方案、MYJ（Mellor-Yamada-Janjic）行星邊界層方案、Noah陸面過程模式（耦合BEP/BEM），模式其他物理過程參數(shù)化方案見表1。

表1 WRF物理參數(shù)化方案Table 1 Physical parameterization schemes in WRF

圖3 模式模擬嵌套區(qū)域范圍示意圖（填色表示高度，單位：m）Fig.3 Schematic illustration of simulation domains(color fillings represent elevations,units:m)

2.3 模式驅(qū)動場

模式初邊值誤差影響模式模擬精度。在數(shù)值試驗前，甄選出精度較高的再分析資料來驅(qū)動區(qū)域模式十分必要。為此，首先比較了CFSRv2和ERA5對京津冀2015年6～7月地表氣溫的刻畫情況。表2分別為CFSRv2和ERA5地表2 m氣溫與實際觀測的對比，從表中可以發(fā)現(xiàn)CFSRv2誤差較ERA5大，其中，14:00 CFSRv2氣溫較實際觀測偏高2°C以上，02:00則偏低約1.7°C，ERA5再分析資料雖較實際觀測略偏低，但誤差明顯小于CFSRv2，更接近實際觀測。因此，本文數(shù)值試驗均采用ERA5作為驅(qū)動場。

表2 2015年6月1日至7月31日研究區(qū)域內(nèi)站點再分析2 m氣溫平均值與觀測對比Table 2 Comparison of reanalyzed and observed 2-m temperature averaged from 1 Jun to 31 Jul 2015

3 參數(shù)優(yōu)化及敏感性試驗

3.1 參數(shù)選取及本地優(yōu)化

地表反照率、比輻射率是表征不同區(qū)域、不同下墊面輻射特性的重要參量，是影響地表輻射收支的關(guān)鍵參數(shù)；城市人為熱排放受地理位置、城市規(guī)模、人口密度、建筑形態(tài)、建筑材料等因素影響，且地表感熱通量和地表氣溫對人為熱十分敏感（何曉鳳等,2007），特別是京津冀地區(qū)，人為熱加熱在地氣系統(tǒng)能量平衡中起著重要作用（鄭玉蘭等,2015, 2017;王詠薇等,2018）。此外，城市表面熱力性質(zhì)（熱容、熱傳導系數(shù)）對城市表面溫度和儲熱產(chǎn)生重要影響，并且影響建筑能量模型（BEM）對建筑排熱的估算。以下從觀測資料和已有研究，來分析、選取多層城市冠層模型中地表反照率、比輻射率、人為熱、城市地表熱力性質(zhì)等重要參數(shù)的取值，并結(jié)合參數(shù)敏感性試驗來對每一項參數(shù)取值的合理進行驗證。

以往的研究中，地表反照率取值差異顯著。單層城市冠層模型地表反照率默認值多為0.20。絕大部分衛(wèi)星反演產(chǎn)品也多顯示京津冀地區(qū)地表反照率約為0.15（馮智明等,2018;徐震宇等,2020）。江曉燕等（2007）在運用GRAPES研究北京城市下墊面反照率變化對北京市熱島過程的影響中，依據(jù)2004年10月中國科學院大氣物理所鐵塔280 m高度正午前后測得的觀測數(shù)據(jù)，將地表反照率設為0.15。崔耀平等（2012）綜合Oke（1987）與周淑貞和束炯（1994）的研究成果，認為北京道路、房屋的反照率分別取值為0.125、0.224較合理。王成剛等（2008）認為衛(wèi)星反演明顯低估了城市地表反照率，他們通過架設在高樓屋頂?shù)脑囼炑b置測得南京高樓屋頂水泥地表夏季平均反照率為0.34。由于中國科學院大氣物理所鐵塔（280 m）和衛(wèi)星反演數(shù)據(jù)均是短波輻射經(jīng)城市街谷（又稱街渠，指城市街道及兩側(cè)建筑形成的類似“峽谷”形狀的兩邊高、中間低的城市空間形態(tài)）多次反射后的結(jié)果 （一般稱為有效反照率），并不能代表城市地表真實的反照率，而王成剛等（2008）的觀測結(jié)果是在高樓屋頂測得的，較好地避免了短波反射等因素對觀測結(jié)果的影響，可作為真實城市地表反照率的參考。根據(jù)WRF/BEP/BEM所描述的城市冠層物理過程可知，地表反照率取值需更接近真實表面反照率，這里，城市表面分為屋頂、墻面和道路，以往研究大多將屋頂、墻面和道路反照率用一個值來表示。綜上所述，本文在王成剛等（2008）研究的基礎上，同時考慮了反照率隨緯度的變化，將京津冀城市屋頂、墻面、道路反照率分別調(diào)整為0.36、0.36、0.36。

地表比輻射率有0.01的變化，估算的地表溫度就會產(chǎn)生0.2°C的誤差（李超等,2009）。翟俊等（2013）基于EOS-MODIS衛(wèi)星地表比輻射率產(chǎn)品（MOD11A2），分析了2000～2011年中國地表比輻射率的時空分布特征，發(fā)現(xiàn)全國地表比輻射率取值區(qū)為0.96～0.98。而衛(wèi)星反演產(chǎn)品MOD11C3結(jié)果多介于0.95～0.98之間（王新生等,2012）。國內(nèi)學者的研究中，通常多將城鎮(zhèn)（建筑表面）的比輻射率設置為0.97（鄭國強等,2010;肖瑤等,2012;柳菲和李平,2016）。基于衛(wèi)星反演產(chǎn)品和已有研究成果，本文將屋頂、墻面、道路比輻射率由模式默認的0.90、0.90、0.95分別調(diào)整為0.95、0.95、0.97。

在UCM中人為熱只有日循環(huán)。Salamanca et al. （2010）將BEM引入到BEP中，為顯示動態(tài)求解建筑物排熱（重要的人為熱）提供了可能。BEM通常需要輸入建筑形態(tài)參數(shù)、氣象因素、窗墻比、建材熱力性質(zhì)參數(shù)（熱容和熱傳導系數(shù)）、設備功率和設備加熱廓線、空調(diào)設備運行時段、室內(nèi)人員密度等來顯示求解建筑排熱并估算人為熱。鄭玉蘭等（2015）研究發(fā)現(xiàn)建筑形態(tài)參數(shù)、建筑熱力性質(zhì)參數(shù)和空調(diào)目標溫濕度等都對BEM動態(tài)計算建筑物排熱產(chǎn)生顯著影響。本研究對以往研究中較少涉及的設備加熱廓線和設備峰值進行了優(yōu)化，其中，低密度住宅區(qū)、高密度住宅區(qū)和商業(yè)區(qū)的設備峰值由默認值16 W/m2、20 W/m2、36 W/m2分別調(diào)整為10 W/m2、15 W/m2、25 W/m2。

此外，本文基于已有研究，還對屋頂、墻面、道路建筑材料的熱容和熱傳導系數(shù)進行了本地化處理（陳德鵬等,2007;Ikeda and Kusaka,2010;彭友君和彭博,2016）；根據(jù)京津冀樓層數(shù)（10～15層居多）等形態(tài)參數(shù)及街道布局，調(diào)整了建筑形態(tài)參數(shù)中的建筑物高度（30～45 m）和街道寬度（10～15 m）。

總之，對BEP/BEM參數(shù)選取和優(yōu)化的思路是，首先根據(jù)城市冠層模型控制方程組和參數(shù)敏感性測試，篩選出對模式模擬結(jié)果有顯著影響的重要參數(shù)，將其中有觀測事實的參數(shù)（如反照率）根據(jù)觀測事實優(yōu)先確定下來，對于缺乏觀測的參數(shù)（如BEM中設備峰值等）通過參數(shù)敏感性試驗，根據(jù)不同參數(shù)條件模式模擬的氣象要素（如地表氣溫）與觀測值之間的離散程度，來最終確定最優(yōu)參數(shù)取值。參數(shù)敏感性試驗詳情見3.2節(jié)，最終篩選出的參數(shù)及本地化取值詳細信息見表3。

3.2 試驗設計

相較于模式默認參數(shù)設置，本地化參數(shù)設置 （見表3）是否合理，需要通過參數(shù)敏感性試驗，并結(jié)合觀測資料來進一步驗證參數(shù)調(diào)整的合理性。由于多層城市冠層模型（BEP/BEM）參數(shù)較多，限于篇幅，這里僅給出反照率、比輻射率和城市人為熱的敏感性試驗測試結(jié)果。數(shù)值試驗包括1組參照試驗（exp0）和3組敏感性試驗。表3中本地化參數(shù)作為exp0中對應參數(shù)的取值；第一組敏感性試驗（exp1）將屋頂、墻面、道路地表反照率調(diào)整為0.1、0.1、0.1（部分已有研究取值范圍接近0.1，如江曉燕等, 2007; 崔耀平等, 2012），其余參數(shù)與exp0相同；第二組敏感性試驗（exp2）將屋頂、墻面、道路表面比輻射率設為模式默認值0.9、0.9、0.95，其余參數(shù)與exp0相同；第三組敏感性試驗（exp3）將設備加熱峰值設為模式默認取值16 W/m2、20 W/m2、36 W/m2，設備加熱廓線取值見表4，其余參數(shù)與exp0相同。選取京津冀溫度較常年同期明顯偏高的2015年6月1～10日進行數(shù)值試驗，并對12:00至16:00結(jié)果進行分析（詳細試驗設計見表4）。

表3 研究區(qū)域內(nèi)站點本地化多層城市冠層模型主要參數(shù)Table 3 Detailed parameters of localized multi-layer urban canopy model

表4 參數(shù)敏感性試驗設計方案Table 4 Design schemes of parameter sensitivity tests

3.3 本地化參數(shù)模擬結(jié)果評估

首先，分別計算exp0、exp1、exp2、exp3模擬的高溫時段地表2 m氣溫（用Texpi表示，i=0，1，2，3）相對于實際觀測（用To表示）的絕對誤差為

其中，表示expi模擬值距觀測值的平均偏離幅度，當模擬值越逼近觀測，其絕對誤差數(shù)值越小。再分別比較3組敏感性試驗的絕對誤差和參照試驗絕對誤差的差異，即

當ABS_ERR＞0時，表示敏感性試驗模擬值偏離觀測的幅度較參照試驗的偏離幅度大，則參照試驗中參數(shù)調(diào)整更合理；當ABS_ERR＜0時，表示敏感性試驗模擬值偏離觀測的幅度較參照試驗的偏離幅度小，則參照試驗中參數(shù)調(diào)整不合理。

3.3.1 地表反照率

圖4a實心圓點表示exp1模擬的地表2 m氣溫 （12:00至16:00）與該時段實際觀測的絕對誤差 （ERR1），與exp0模擬的地表2 m氣溫與實際觀測的絕對誤差（ERR0）二者之間的差異（ERR1－ERR0）。從圖中可以看出，當?shù)乇矸凑章视蒭xp0的0.36降低為exp1的0.1，絕大部分站點ERR1－ERR0＞0°C（圖4a暖色實心圓表示），即絕大部分站點exp1模擬的地表氣溫更加偏離實際觀測，其中，約80%的站點ERR1－ERR0＞0.5°C，約40%的站點ERR1－ERR0＞1°C（表5）；ERR1與ERR0差異最大的站點主要分布在北京、石家莊及河北南部等大中城市（圖4a）。將反照率設置為模式默認的0.2時，絕大部分站點模擬的地表氣溫與觀測的偏離幅度仍然大于參照試驗與觀測的偏離幅度。當反照率設置0.3（接近實測值）時，模擬的地表氣溫與觀測的偏離幅度接近參照試驗與觀測的偏離幅度（圖略）。由此可見，模式模擬結(jié)果對反照率較敏感，當?shù)乇矸凑章蕿?.36時，參數(shù)取值更合理。

3.3.2 地表比輻射率

圖4b為exp2模擬地表2 m氣溫與實際觀測的絕對誤差（ERR2），與exp0模擬的地表2 m氣溫 （12:00至16:00）與實際觀測的絕對誤差（ERR0）的差異（ERR2－ERR0）。如圖4b所示，絕大部分站點處ERR2－ERR0＞0°C（暖色實心圓），其中75%的城市站點ERR2－ERR0＞0.5°C（表5），主要分布在石家莊及河北南部城市區(qū)域，而河北西部和北部山區(qū)二者差異較小?？梢?，參照試驗地表比輻射率的取值較模式默認值更合理。

3.3.3 人為熱

圖4c為exp3模擬的地表2 m氣溫與觀測的絕對誤差，與參照試驗模擬值與觀測的絕對誤差之間的差異。暖色實心圓表示絕大部分站點ERR3－ERR0＞0°C，其中65%的城市站點ERR3－ERR0＞0.5°C（表5），尤以北京、石家莊最顯著。模式默認的設備峰值和加熱廓線存在夸大的可能。

表5 不同敏感性試驗與參照試驗絕對誤差差異的不同等級占比Table 5 Proportion of different grades of absolute error difference between different sensitivity tests and reference test

圖4 2015年6月1～10日不同參數(shù)敏感性試驗和參照試驗模擬的地表2 m氣溫與觀測之間的絕對誤差差異的空間分布（單位：°C）： （a）敏感性試驗1（exp1）與參照試驗（exp0）絕對誤差的差異；（b）敏感性試驗2（exp2）與參照試驗（exp0）絕對誤差的差異； （c）敏感性試驗3（exp3）與參照試驗（exp0）絕對誤差的差異?；疑幱皡^(qū)域表示城市下墊面，下同F(xiàn)ig.4 Spatial distributions of absolute error differences between the observed 2-m surface and simulated temperature by different sensitive tests and the reference test from 1-10 Jun 2015(°C):(a)Difference in the absolute error between sensitivity test 1(exp1)and reference test(exp0);(b)difference in the absolute error between sensitivity test 2(exp2)and reference test(exp0);(c)difference between the absolute error of sensitivity test 3(exp3)and reference test (exp0).Gray shaded area represents the underlying surface of cities, the same below

以上選取的參數(shù)敏感性試驗表明，對京津冀高溫模擬而言，WRF/BEP/BEM的參數(shù)本地優(yōu)化（參照試驗）是合理的。重要參數(shù)的本地優(yōu)化，使得城市表面能量收支及人為熱估算更加準確，是參照試驗模擬結(jié)果與觀測更加接近的重要原因。一方面，參數(shù)本地優(yōu)化使BEP/BEM計算城市表面獲得的能量更加準確。由于地表反照率和比輻射率是表征城市表面吸收長、短波或發(fā)射長波輻射能力的關(guān)鍵參數(shù)，基于觀測事實和已有研究對這些參數(shù)進行本地優(yōu)化后，參照試驗克服了模式默認值導致城市表面反射太陽短波輻射偏少（吸收太陽短波輻射偏多）的缺點，使得進入城市表面的根本能量來源更加準確。另一方面，參數(shù)本地優(yōu)化使BEP/BEM計算城市表面的能量支出更加準確。城市表面熱力性質(zhì)參數(shù)（熱容和熱傳導系數(shù)）是影響城市表面儲熱、表面溫度及城市表面與相鄰大氣之間熱量交換的重要參數(shù)。與實測事實相比，模式默認的熱力性質(zhì)參數(shù)取值偏小，導致白天城市表面快速升溫，城市表面向相鄰大氣的感熱輸送明顯偏大，最終導致模式模擬的地表氣溫與觀測相比明顯偏高。參照試驗熱力性質(zhì)參數(shù)（熱容和熱傳導系數(shù)）本地優(yōu)化后，模擬的地表氣溫與觀測的偏離幅度明顯減小，提高了模式對高溫的模擬能力。此外，對反照率、建筑物高度、城市表面熱力性質(zhì)參數(shù)的本地優(yōu)化還有助于BEM更好地估算城市人為熱。

4 本地化WRF/BEP/BEM對京津冀高溫過程模擬的個例檢驗

上一節(jié)通過參數(shù)敏感性試驗分別對單一參數(shù)取值合理性進行了驗證。本部分進一步通過個例分析，對本地化的WRF/BEP/BEM整體模擬能力進行評估（以下簡稱“本地化WRF/BEP/BEM”）。選取京津冀地區(qū)近10年來五次極端高溫過程作為模擬對象，分別簡稱EVENT100706、EVENT150713、EVENT180627、EVENT170711和EVENT180803，并將本地優(yōu)化WRF/BEP/BEM對5次極端高溫的模擬（12:00至16:00）與同期ERA5再分析資料進行比較，將對城市物理過程進行不同復雜程度處理的兩種模擬結(jié)果分別與觀測進行比較，有助于評估本地優(yōu)化的城市冠層模塊（BEP/BEM）在改進城市氣候模擬中的作用。

首先將本地化WRF/BEP/BEM模擬的EVENT 100706高溫時段地表2 m氣溫與同期ERA5再分析資料結(jié)果分別空間插值到京津冀區(qū)域110個城市觀測站點位置上，兩者與實測之差分別見圖5a和圖5b。從圖5a可看出，本地化WRF/BEP/BEM較好地模擬出了EVENT100706。整體看，本地化WRF/BEP/BEM低估了河北南部氣溫，北京略偏低；65%的站點模擬值與觀測值的絕對誤差小于1.5°C，其中48%的站點模擬值與觀測值的絕對誤差小于1°C，23%的站點絕對誤差小于0.5°C（表6)。

從圖5b可看出，ERA5明顯低估了京津冀地區(qū)西部和北部山區(qū)的極端高溫，高估了平原地區(qū) （“兩山一?！敝g的平原地帶）的極端高溫，尤其是顯著高估了北京、石家莊等大城市的極端高溫。45%的站點ERA5與觀測值的絕對誤差超過2°C （其中3%的站點介于-5～-2°C，42%的站點介于2～5°C）；31%和18%的站點絕對誤差分別小于1°C和0.5°C。本 地 化WRF/BEP/BEM模 擬EVENT100706的平均誤差為-0.2°C，標準差為1.4°C；ERA5再分析得到的EVENT100706的平均誤差為1.5°C，標準差為1.9°C（表6）。本地化WRF/BEP/BEM模擬的高溫的標準差較ERA5減小26.3%。

圖5 2010年7月3～6日（a）模式模擬的極端高溫、（b）ERA5再分析資料極端高溫與實際觀測之差的空間分布（單位：°C）Fig.5 Spatial distributions of the differences of (a)the simulated extreme high temperature and(b)observed extreme high temperature from ERA5 reanalyses data from 3-6 Jul 2010(°C)

圖6a、圖6b分別為本地化WRF/BEP/BEM對EVENT150713的模擬結(jié)果和同期ERA5再分析資料與實際觀測之差的空間分布。從圖6a可看出，本地化WRF/BEP/BEM較好地模擬出了此次過程，北部山區(qū)較實際觀測略偏低，平原地區(qū)略偏高；80%的站點本地化WRF/BEP/BEM模擬值與觀測值的絕對誤差小于1.5°C，其中55%的站點模擬值與觀測值的絕對誤差小于1°C，26%的站點絕對誤差小于0.5°C（表6）。從圖6b可看出，ERA5也低估了京津冀地區(qū)西部和北部山區(qū)的極端高溫，高估了平原地區(qū)的極端高溫，且高估程度比本地化WRF/BEP/BEM模擬結(jié)果更加明顯。52%的站點ERA5與觀測值的絕對誤差超過2°C（其中10%介于－5～－2°C，42%介于2～5°C）；25%和7%的站點絕對誤差分別小于1°C和0.5°C。本地化WRF/BEP/BEM模擬EVENT150713的平均誤差為0.9°C，標準差為0.8°C；ERA5再分析得到的EVENT150713的平均誤差為1.3°C，標準差為2.1°C （表6）。本地化WRF/BEP/BEM模擬的高溫的標準差較ERA5減小61.9%。

表6 研究區(qū)域內(nèi)五次極端高溫過程不同溫度誤差等級站數(shù)與總站數(shù)之比Table 6 Ratio of the number of stations at different temperature error levels to the total number of stations for five extreme high temperature events

圖6同圖5，但為2015年7月11～13日Fig.6 Same as Fig.5, but for 11-13 Jul 2015

圖7a、圖7b分別為本地化WRF/BEP/BEM對EVENT180627的模擬結(jié)果和同期ERA5再分析資料與實際觀測之差的空間分布。從圖7a可看出，除本地化WRF/BEP/BEM較明顯高估了華北南部氣溫外，其余地區(qū)模式模擬與實際觀測比較接近。90%的站點本地化WRF/BEP/BEM模擬值與觀測值的絕對誤差小于1.5°C，其中75%的站點模擬值與觀測值的絕對誤差小于1°C，49%的站點絕對誤差小于0.5°C（表6）。從圖7b可看出，ERA5同樣低估了京津冀地區(qū)西部和北部山區(qū)的極端高溫，高估了北京的極端高溫，其余地區(qū)與觀測接近。71%的站點ERA5與觀測值的絕對誤差小于1.5°C，其中57%和36%的站點絕對誤差分別小于1°C和0.5°C。本地化WRF/BEP/BEM模擬EVENT180627的平均誤差為0.3°C，標準差為0.9°C；ERA5再分析得到的平均誤差為-0.2°C，標準差為1.5°C （表6）。本地化WRF/BEP/BEM模擬的高溫的標準差較ERA5減小40.0%。

圖7 同圖5，但為2018年6月27～30日Fig.7 Same as Fig.5, but for 27-30 Jun 2018

本地化WRF/BEP/BEM對EVENT170711的模擬結(jié)果和同期ERA5再分析資料與實際觀測之差的空間分布見圖8。從圖8a可看出，本地化WRF/BEP/BEM高估了北京南部、保定、天津西北部的氣溫，其余地區(qū)模式模擬與實際觀測比較接近。83%的站點本地化WRF/BEP/BEM模擬值與觀測值的絕對誤差小于1.5°C，其中65%的站點模擬值與觀測值的絕對誤差小于1°C，35%的站點絕對誤差小于0.5°C（表6）。從圖8b可看出，ERA5低估了京津冀地區(qū)西部和北部山區(qū)的極端高溫，高估華北南部的極端高溫，其余地區(qū)與觀測接近。61%的站點ERA5與觀測值的絕對誤差小于1.5°C，其中43%和27%的站點絕對誤差分別小于1°C和0.5°C。本地化WRF/BEP/BEM模擬EVENT170711的平均誤差為0.5°C，標準差為1.0°C；ERA5再分析得到的平均誤差為-0.1°C，標準差為1.7°C（表6）。本地化WRF/BEP/BEM模擬的高溫的標準差較ERA5減小41.2%。

圖8 同圖5，但為2017年7月10～14日Fig.8 Same as Fig.5, but for 10-14 Jul 2017

圖9為本地化WRF/BEP/BEM對EVENT180803的模擬結(jié)果和同期ERA5再分析資料與實際觀測之差的空間分布。從圖9a可看出，本地化WRF/BEP/BEM較好地模擬出此次極端高溫過程。96%的站點本地化WRF/BEP/BEM模擬值與觀測值的絕對誤差小于1.5°C，其中88%的站點模擬值與觀測值的絕對誤差小于1°C，56%的站點絕對誤差小于0.5°C（表6）。從圖9b可看出，ERA5除較明顯低估了京津冀地區(qū)西部和北部山區(qū)的極端高溫外，其余地區(qū)與觀測接近。82%的站點ERA5與觀測值的絕對誤差小于1.5°C，65%和36%的站點絕對誤差分別小于1°C和0.5°C。本地化WRF/BEP/BEM模擬EVENT180803的平均誤差為0.1°C，標準差為0.7°C；ERA5再分析得到的平均誤差為-0.2°C，標準差為1.1°C（表6）。本地化WRF/BEP/BEM模擬的高溫的標準差較ERA5減小36.3%。

圖9 同圖5，但為2018年8月1～4日Fig.9 Same as Fig.5, but for 1-4 Aug 2018

5 結(jié)論與討論

數(shù)值模式對城市極端高溫刻畫能力不足是當前數(shù)值模擬面臨的難點問題。城市冠層模型參數(shù)取值是影響模式模擬能力的重要因素之一。本文根據(jù)已有觀測事實和研究成果，對多層城市冠層模式WRF/BEP/BEM中地表反照率、地表比輻射率、人為熱 （通過本地優(yōu)化BEM輸入?yún)?shù)來實現(xiàn)）等重要參數(shù)進行了適合于京津冀城市模擬的本地優(yōu)化，并開展了相關(guān)參數(shù)敏感性試驗；通過對京津冀高溫個例的模擬，檢驗了參數(shù)優(yōu)化后的WRF/BEP/BEM對京津冀城市高溫的模擬能力，主要結(jié)論如下：

（1）基于已有觀測和研究，在模型WRF/BEP/BEM中設置不同城市冠層參數(shù)，通過大量參數(shù)敏感性試驗，最終確定了一套適用于京津冀城市模擬的參數(shù)設置。在這些參數(shù)配置下，WRF/BEP/BEM對京津冀極端高溫模擬的誤差較小。

（2）本地化WRF/BEP/BEM較好地模擬了2010年以來京津冀地區(qū)EVENT100706、EVENT150713、EVENT180627、EVENT170711和EVENT180803五次極端高溫過程，模擬結(jié)果與觀測的平均誤差分別為-0.2°C、0.9°C、0.3°C、0.5°C和0.1°C，標準差分別為1.4°C、0.8°C、0.9°C、1.0°C和0.7°C。五次高溫模擬的標準差（與觀測的平均偏離幅度）分別較ERA5減小26.3%、61.9%、40.0%、41.2%和36.3%。

基于適用京津冀大城市的地表反照率、比輻射率、設備峰值、建筑物高度、街道寬度、建筑材料的熱容和熱傳導系數(shù)等參數(shù)，對京津冀大中城市的高溫模擬具有很好的應用前景，對進一步開展京津冀城市化對極端高溫的機理研究具有重要意義。但對小城市（縣級市、鄉(xiāng)鎮(zhèn)），特別是山區(qū)（河北北部）模擬能力的改進相對有限，小城市水平尺度小，平流作用對城市氣候模擬結(jié)果的影響較強，以及城市冠層模型無法區(qū)分不同規(guī)模城市的人口密度、空調(diào)制冷時段等的差異，是導致模擬能力改進有限的重要原因，需要進一步優(yōu)化完善。此外，城市冠層模型參數(shù)眾多，尤其是建筑能量模型（BEM）中空調(diào)能效比、新風系數(shù)、窗墻比等參數(shù)精確取值，還有待于進一步研究。

致 謝感謝國家氣候中心孫朝陽博士在土地覆被/利用數(shù)據(jù)及分析方面給予的大力支持和幫助!