浙南山區(qū)小流域WRF模式參數(shù)化方案對比與優(yōu)化組合

孫驍凡， 歐劍， 李源， 吳志勇， 尹喆彬

(1.中國能源建設集團湖南省電力設計院有限公司， 長沙 410007； 2. 浙江省農(nóng)村水利水電資源配置與調(diào)控關鍵技術重點實驗室， 杭州 310018； 3. 河海大學水文水資源學院， 南京 210098； 4. Union College， Schenectady 12308， USA)

近年來，由于自然氣候的變化以及人類活動的影響，導致越來越多的諸如短歷時強降雨等極端天氣出現(xiàn)，對于山區(qū)小流域的影響尤其明顯[1]。由于流域面積小，地形復雜多變，當短歷時強降雨發(fā)生時，導致山區(qū)小流域的洪澇災害頻繁發(fā)生。

精細化的降水預報可以很好地為小流域提供高時空分辨率的降水數(shù)據(jù)，從而為小流域的防汛防洪工作提供更好的支持[2]。目前，應用數(shù)值模式進行降水預報是最常見的研究方法[3]。WRF(weather research and forecasting)模式相比于其他數(shù)值模式，水平分辨率著重考慮1～10 km，能滿足精細化預報的精度要求，且WRF模式可提供各類豐富的參數(shù)化方案用于不同條件下降水的模擬與預報，因此WRF模式對小流域的降水預報效果更佳[4]。

為研究邊界層參數(shù)化方案對WRF模式模擬的影響，賈文星等[5]評估了WRF模式中4種邊界層參數(shù)化方案對近地層氣象要素的模擬能力。周彥均等[6]利用WRF模式分別對4種邊界層參數(shù)化方案對長江中下游地區(qū)的一次暴雨個例進行模擬實驗。同時，為進一步提高WRF模式的預報精度，需要展開更多參數(shù)化方案的研究。Zaidi等[7]評估了WRF模式中兩種不同的微物理方案的性能。丁偉等[8]在Syeda Maria Zaidi的研究基礎上，對比分析了WRF模式中6種微物理方案方案所模擬出的降水差異及成因。郭藝媛等[9]利用WRF模式中7種云微物理方案對青藏高原對流云降水進行模擬，分析不同云微物理方案對該類降水的影響。朱慶亮等[10]研究了WRF模式中的積云對流過程、陸面過程、微物理過程和邊界層參數(shù)化方案對降水模擬的敏感性。耿利寧等[11]運用WRF模式針對福建三明地區(qū)的夏季降水進行模擬，并進行參數(shù)方案的分析。大量關于WRF模式在不同地區(qū)應用以及對降水過程進行模擬的研究，證明了該模式具有通用性以及預報的準確性。

然而，目前缺少應用WRF模式對山區(qū)小流域降雨預報的研究。WRF模式作為中尺度數(shù)值天氣預報模式，結構更加復雜，且初始場、邊界場、各種物理過程以及模式結構的設計缺陷等諸多因素都會對預報產(chǎn)生影響，只有做到“因地制宜”，才能使得WRF模式為研究區(qū)域提供更加精準的預報結果[12]。因此，現(xiàn)運用WRF模式，對浙南山區(qū)的好溪流域進行物理參數(shù)化方案敏感性分析，選出適合該流域的參數(shù)化組合方案，開展對山區(qū)小流域的降雨預報研究。

1 研究區(qū)域概況與試驗方案設計

好溪流域位于浙南山區(qū)，流域面積976.8 km2，山地、丘陵占總面積80%以上[13]。且好溪流域為亞熱帶季風氣候，多年平均降雨量高達1 550 mm，汛期多年平均降水量為909.2 mm，雨量充沛[14]。WRF模式中，微物理過程方案以及積云對流參數(shù)化方案是對降水預報模擬最敏感的兩類物理方案[15]。為提高降水預報的精度，進行微物理過程方案和積云對流參數(shù)化方案的敏感性對比分析。

1.1 模式設置

試驗方案中，使用NCEP(national centers for environmental prediction)的GFS(Global Forecast System)資料作為WRF模式的驅(qū)動數(shù)據(jù)，以提供初始場和邊界場，GFS數(shù)據(jù)的分辨率為0.25°×0.25°，時間間隔為6 h。

如圖1所示，模擬區(qū)域選在好溪流域，網(wǎng)格中心為120.15°E、28.66°N，并采用雙層網(wǎng)格嵌套，外層D01區(qū)域的水平分辨率為10 km，相應的水平方向格點數(shù)為60×60，包含了整個浙江省及周圍部分地區(qū)；內(nèi)層D02區(qū)域的水平分辨率為3.3 km，相應的網(wǎng)格格點數(shù)為60×60，包括了浙南山區(qū)的好溪流域以及周圍部分地區(qū)。

其他物理參數(shù)化方案的選擇分別為：陸面過程方案采用5層熱力混合方案，長波輻射方案采用RRTM(rapid radiative transfer model)方案，短波輻射方案采用Dudhia方案，行星邊界層方案采用YSU(Yonsei University)方案。

圖1 網(wǎng)格嵌套區(qū)域示意圖Fig.1 Diagram of grid nested area

1.2 檢驗指標

降雨量級的檢驗采用面平均雨量的相對誤差為檢驗指標，計算公式為

(1)

式(1)中：F為預報的面平均雨量；O為實測的面平均雨量；Er為預報的絕對誤差占真值(觀測值)的百分比。本文中以20%作為相對誤差的閾值去評定預報效果。

降雨空間分布的檢驗通常采用TS(threat score)評分和BS(bias score)評分作為檢驗指標[16]，兩個指標的計算公式為

(2)

(3)

式中：Na為降雨預報準確的測站數(shù)；Nb為降雨空報的測站數(shù)；Nc為降雨漏報的測站數(shù)[13]。TS評分是反映預報區(qū)域和實測降雨區(qū)域的重合程度的指標。BS評分表示預報降雨與觀測降雨面積之比，反映降雨預報范圍的相對大小。對于降雨量空間分布的檢驗，TS評分越大，且BS評分越接近于1，表示降水預報的效果越好，與實際情況越接近。

2 物理參數(shù)化方案敏感性分析

為了開展WRF模式的微物理方案和積云對流參數(shù)化方案對于降水預報的敏感性分析，將物理參數(shù)化方案敏感性試驗分為兩個階段：在第一階段，選取山區(qū)小流域的3場典型降水過程，將采用6種微物理方案和3種積云對流參數(shù)化方案的18種不同組合進行回顧預報，選出最佳的5種物理參數(shù)化方案組合；在第二階段，將采用第一階段優(yōu)選的5種物理參數(shù)化方案組合對好溪流域的10場累積96 h的典型降水過程進行回顧預報，選出最佳的物理參數(shù)化方案組合。

2.1 第一階段

在物理參數(shù)化方案敏感性試驗的第一階段，將采用6種微物理方案、3種積云對流參數(shù)化方案共18種不同組合對好溪流域3場累積96 h的典型降水過程進行回顧預報。6種微物理方案分別為：Kessler暖云方案、Purdue Lin(簡稱“Lin”)方案、WRF Single_Moment_3_class方案(簡稱“WSM3”，WSM5、WSM6類似)、WSM5 方案、WSM6方案、Thompson(簡稱“Thp”)方案。3種積云對流參數(shù)化方案分別為：Kain-Fritsch(簡稱“KF”)方案、Betts-Miller-Janjic(簡稱“BMJ”)方案、Grell-Devenyi(簡稱“GD”)方案。3場典型降水過程分別選擇了累積降雨量25～50 mm、50～100 mm以及100 mm以上的3種不同量級，各降水個例起始時間及面平均雨量見表1。

表1 三場降水個例起始時間與各時段面平均雨量 Table 1 The start time of the three precipitation cases and the average rainfall in each period

由表2可以看出，物理參數(shù)化方案組合對降水量的模擬結果影響顯著，選擇不同的組合，預報結果有著明顯的差異。綜合考慮微物理方案和積云對流參數(shù)化方案的組合時，當積云對流方案選用KF方案，微物理過程選用Lin、WSM6、Thp方案結果優(yōu)于其他和KF方案的組合；當積云對流方案選用GD方案時，微物理過程選用WSM5、Thp方案結果優(yōu)于其他組合。因此，根據(jù)統(tǒng)計結果，在這一階段優(yōu)選出Lin-KF、WSM6-KF、Thp-KF、WSM5-GD、Thp-GD這5種組合方案。

2.2 第二階段

在第二階段，將采用在第一階段篩選的5種組合方案對好溪流域的10場典型降水過程進行回顧預報，以TS評分、BS評分和相對誤差作為評價指標開展參數(shù)化方案對比研究。并以2017年4月8日、2018年5月18日和2017年6月24日的3場降水作為典型降水過程進行分析，從而優(yōu)選出最佳的參數(shù)組合方案。

2.2.1 所有降水場次的統(tǒng)計結果與分析

為對比模擬結果與實測數(shù)據(jù)的降雨量差異，采用相對誤差作為降雨量的檢驗指標。從表3中可以看出，不同的物理參數(shù)化方案組合、不同的降水場次的模擬結果有著顯著差異。在不同的組合方案中，Lin-KF和WSM6-KF組合方案的相對誤差負值較多，說明存在預報偏小的系統(tǒng)誤差；而其他3種組合方案的相對誤差取值范圍有較大波動。且在Lin-KF、WSM6-KF、Thp-KF、WSM5-GD、Thp-GD組合方案中，相對誤差小于20%的場次分別為6、4、4、3、4，綜上，Lin-KF組合方案的預報最準確，為最佳的物理參數(shù)組合方案。

表2 0～96 h各物理參數(shù)化方案相對誤差Table 2 Relative error of each physical parameterization scheme from 0～96 h

為避免單一場次模擬帶來的誤差，需要對10場降水過程進行綜合評價，因此計算10場降水個例中各組合方案的TS評分和BS評分的均值及標準差。如表4所示，5種組合方案的TS評分在后三個量級中出現(xiàn)差異，其中WSM6-KF 的TS評分最高，但是其標準差也最大，說明該方案模擬的降水場次其誤差有較大的波動，WSM5-GD的TS評分次之，但其標準差也相對較小，說明該組合方案下模擬的降水情況更符合實際降水。

表3 0～96 h各場次各物理參數(shù)化方案相對誤差Table 3 Relative error of each physical parameterization scheme of each case from 0～96 h

如表5所示，在0.1～10 mm和10～25 mm量級中，5種組合方案的BS評分相差不大，而在大于25 mm的量級中，各方案的BS評分存在顯著差異，其中WSM5-GD的BS評分明顯高于其他方案，且該組合方案下在前3個量級中的標準差相對較小，在50 mm以上量級中標準差略偏大。綜合各方案的TS和BS評分的均值與標準差的統(tǒng)計結果可以看出，WSM5-GD組合方案的模擬效果相對最佳。

2.2.2 典型降水場次的結果與分析

為對比模擬結果與實測數(shù)據(jù)降雨的差異，選取了不同量級的3場典型降水個例，其發(fā)生時間分別為2017年4月8日、2018年5月18日、2017年6月24日，并采用TS評分和BS評分作為降水評價指標，結合各預報方案下的0～96 h累積降水空間分布圖進行分析。

如圖2所示，2017年4月8日的實測降水空間分布主要有兩個明顯的特征：一是在流域東北部雨帶呈西北-東南走向；二是流域大部分的降水量級在50 mm及其以上。在5種不同物理組合方案模擬下，流域東北部的雨帶均呈現(xiàn)西北-東南走向，但是降水量級均有不同程度的偏差，總體而言，WSM5-GD方案模擬的降水量級與實際情況最為接近，Thp-GD和WSM6-KF方案次之，Lin-KF和Thp-KF方案的模擬結果最差。

表4 不同組合方案TS評分對比Table 4 Comparison of TS scores of different combinations

表5 不同組合方案BS評分對比Table 5 Comparison of BS scores of different combinations

2017年4月8日各物理參數(shù)化方案的TS評分與BS評分結果如圖3所示。不難發(fā)現(xiàn)，無論是TS評分還是BS評分，各物理參數(shù)組合方案下0.1～10 mm和10～25 mm量級的結果均一致，差別主要體現(xiàn)在25～50 mm和50 mm以上量級。如圖3(a)所示，對于TS評分，25～50 mm量級中WSM5-GD和Thp-KF的結果為1，而50 mm以上量級中只有WSM5-GD的評分不為0。如圖3(b)所示，對于BS評分，25～50 mm量級中WSM5-GD和Thp-KF的結果為1，而50 mm以上量級中WSM5-GD的評分為1.2，其他方案的評分均為0.1。綜上，對于2017年4月8日的降水過程，選擇WSM5-GD組合方案的預報效果最佳。

如圖4所示，對于2018年5月18日的典型降水過程，其實測降水在流域南北兩端的量級較大，流域東北部的雨帶為西北-東南走向。而5種不同的物理參數(shù)組合方案的預報降水在流域北部的降水量級都偏小。其中，Lin-KF和WSM6-KF以及Thp-GD方案的預報降水在流域南部的量級較大，與實測量級比較接近，且Lin-KF方案的降水在流域東北部預報出了西北-東南方向的雨帶。綜合考慮以上因素，Lin-KF方案的預報效果最佳。

圖2 2017年4月8日各方案0～96 h累積降水分布Fig.2 0～96 h cumulative precipitation distribution of each scheme on April 8， 2017

圖3 2017年4月8日各方案TS和BS評分對比Fig.3 Comparison of TS and BS scores for each plan on April 8， 2017

由圖5(a)可知，對于0.1～10 mm的降雨量級，所有組合方案的TS評分均為1；在10～25 mm量級中，WSM6-KF、Thp-KF的TS評分均為1，Lin-KF方案的評分為0.83，WSM5-GD和Thp-GD方案為0.78。在25～50 mm的量級中WSM6-KF和WSM5-GD方案的TS評分最高，Lin-KF和Thp-GD方案次之，Thp-KF的評分最低，5種方案的評分依次是0.65、0.65、0.61、0.61、0.57。在50 mm以上的量級中，只有Thp-KF方案的TS評分小于0.2，Lin-KF和WSM5-GD方案的TS評分為0.43，WSM6-KF和Thp-GD方案的TS評分為0.39。由圖5(b)可知，該場次的降水過程中，各物理方案得到BS評分的相對趨勢與TS評分相同。

圖4 2018年5月18日各方案0～96 h累積降水分布Fig.4 0～96 h cumulative precipitation distribution of each scheme on May 18， 2018

圖5 2018年5月18日各方案TS和BS評分對比Fig.5 Comparison of TS and BS scores for each plan on May 18， 2018

綜合TS評分和BS評分的結果，對于2018年5月18日的降水過程，Lin-KF方案和WSM6-KF方案的預報效果相對較好，前者對于50 mm以上大量級降水的預報更準確，后者對于10～50 mm的量級預報更準確。再結合降水空間分布圖，選擇Lin-KF方案的預報效果最為準確。

如圖6所示，對于2017年6月24日的典型降水過程，實測降水在流域東北部的降水量級較大，達到了175 mm左右；在流域中部也有一塊區(qū)域的降水量級在150 mm左右；而流域南部的降水量相對較小，在75 mm左右。Lin-KF和Thp-KF方案在流域東北部的預報降水與實測降水量級相當，且雨帶走向一致，但是中部的十分大降水區(qū)偏移到了流域南部。WSM6-KF和WSM5-GD方案的預報降水明顯偏大，而Thp-GD方案的預報降水明顯偏小。綜上，Lin-KF和Thp-KF方案為預報效果相對較好的組合方案。

由圖7(a)可知，對于0.1～10 mm、10～25 mm以及25～50 mm三個降雨量級，所有組合方案的TS評分均為1；在50 mm以上的量級中，Thp-GD的TS評分為0.57，而其他組合方案的TS評分均為1。由圖7(b)可知，對于0.1～10 mm、10～25 mm及25～50 mm三個降雨量級，所有組合方案的BS評分均為1；在50 mm以上的量級中，Thp-GD方案的BS評分為0.64，明顯偏低，其他組合方案的BS評分均為1.05，略大于1。

圖6 2017年6月24日各方案0～96 h累積降水分布Fig.6 0～96 h cumulative precipitation distribution of each scheme on June 24， 2017

圖7 2017年6月24日各方案TS和BS評分對比Fig.7 Comparison of TS and BS scores for each plan on June 24， 2017

綜合TS評分和BS評分的結果，對于2017年6月24日的降水過程，選擇Lin-KF、WSM6-KF、Thp-KF以及WSM5-GD這四種組合方案的預報效果一樣。再結合降水空間分布圖的結果，Lin-KF的預報效果最為準確。

綜上，對于以上3場好溪流域的典型降水過程，結合其TS評分、BS評分以及降水的空間分布可以看出，沒有某一種組合方案對所有個例的模擬效果都很好，相對而言，采用Lin-KF和WSM5-GD組合方案的預報降水誤差更小。

3 結論

選取好溪流域2017—2018年10場典型降水過程，分析WRF模式不同物理過程參數(shù)化組合方案對好溪流域預報降水精度的影響，優(yōu)選最適于好溪流域的物理參數(shù)化組合方案，提高好溪流域降水預報精度。研究結果表明：

(1)不同云微物理過程和積云對流過程參數(shù)化方案選擇對降水預報影響顯著。與其他積云對流過程參數(shù)化方案相比，KF和GD積云對流參數(shù)化方案預報降水誤差較??；與其他云微物理過程參數(shù)化相比，采用Lin方案和Thompson方案預報誤差較小。綜合考慮，WSM5-GD的組合方案以及Lin-KF的組合方案的模擬效果相對較好。

(2)對于較小量級的降水(面平均降雨量50 mm以下)，物理參數(shù)化組合方案選擇WSM5-GD的組合方案最佳。該組合方案模擬的大部分降水場次的相對誤差較小、TS評分較高，且更符合實際降水的空間分布。

(3)對于較大量級的降水(面平均降雨量50 mm以上)，物理參數(shù)化組合方案選擇Lin-KF的組合方案精度最高。該組合方案模擬的大部分降水場次的相對誤差均小于15%，且在大部分的典型降水過程中，Lin-KF組合方案的預報降水空間分布與實際降水的空間分布更接近。