陸面資料對復(fù)雜地形氣溫和降水模擬的影響
——以濟(jì)南市為例

李恬， 李懷剛， 何建軍， 鄭麗娜， 何鵬程

1. 山東省濟(jì)南市氣象局，濟(jì)南 250102；2. 山東省氣象數(shù)據(jù)中心，濟(jì)南 250031；3. 中國氣象科學(xué)研究院，北京 100081

陸面過程是指發(fā)生在陸地表層的所有物理、 化學(xué)、 生物過程及其與大氣、 海洋的相互作用過程[1]． 人類活動可以改變陸地下墊面的狀況并影響陸面過程, 進(jìn)而影響局地或區(qū)域的天氣狀況[2-3]． 陸面過程對近地面氣象要素及云降水的模擬會產(chǎn)生較大的影響[4]． 研究陸面過程對提高數(shù)值模式的模擬結(jié)果精度具有重要意義, 而模式中的陸面資料是決定陸面過程的重要因子[5]．

作為中小尺度數(shù)值模式, 影響天氣研究與預(yù)報模型(Weather Research and Forecasting, WRF)模式模擬結(jié)果的因素有很多, 其中復(fù)雜地形是影響模擬結(jié)果的重要因素[6-8]． WRF模式需要的陸面資料包括土地利用、 植被覆蓋、 地形、 土壤類型等, 其中土地利用和植被覆蓋是陸面過程中最主要的兩類陸面資料． 由美國國家航空航天局(National Aeronautics and Space Administration, NASA)發(fā)布的中分辨率成像光譜儀(Moderate Resolution Imaging Spectroradiometer, MODIS)地形數(shù)據(jù)分辨率高, 可以代替模式中默認(rèn)的陸面資料進(jìn)行模擬研究[9]． 目前, 一些學(xué)者研究了不同陸面資料對氣象要素的模擬影響: 于麗娟等[10]使用更高分辨率的植被覆蓋資料對中國區(qū)域氣溫和降水進(jìn)行模擬, 發(fā)現(xiàn)其有助于改進(jìn)模式模擬結(jié)果． 何建軍等[11]利用WRF模式研究了4種陸面資料對蘭州地區(qū)氣象場的模擬影響, 發(fā)現(xiàn)近地面氣溫對陸面資料的精度敏感性比風(fēng)場高; He等[12]替代WRF模式中地形、 土地利用、 植被覆蓋和土壤4種不同的陸面資料對中國地區(qū)降水和氣溫進(jìn)行模擬研究, 發(fā)現(xiàn)其日均值和極端值的模擬結(jié)果有所提高． 雖然以上研究均得出模擬結(jié)果有所改善的結(jié)論, 但研究范圍多為全國或西北地區(qū), 對于東部特定區(qū)域且地形復(fù)雜地區(qū)的相關(guān)研究很少．

濟(jì)南地處中緯度地區(qū), 屬于暖溫帶大陸性季風(fēng)氣候區(qū), 降水主要集中在每年夏季的7-8月． 該市北部為平原地區(qū), 南部為山區(qū)丘陵地帶, 南北緯度、 海拔差異大, 氣象要素差異也較大[13]． 因此, 本研究以濟(jì)南夏季7月的氣溫和降水兩種要素為切入點, 將MODIS土地利用和植被覆蓋資料替換WRF模式中默認(rèn)的陸面資料, 通過敏感性試驗分析了兩類陸面資料對濟(jì)南地區(qū)氣溫和降水的模擬誤差． 研究結(jié)果將為WRF模擬濟(jì)南地區(qū)的陸面資料提供借鑒意義．

1 數(shù)據(jù)與方法

1.1 陸面資料

利用WRF模式3.6版本(2015)對濟(jì)南地區(qū)進(jìn)行模擬． 模式中默認(rèn)的土地利用資料有兩種: 一種是由基于MODIS構(gòu)建的土地利用資料, 另一種是由美國地質(zhì)勘探局(United States Geological Survey, USGS)構(gòu)建的高級超高分辨率輻射計(Advanced Very High Resolution Radiometer, AVHRR)土地利用資料, 資料的最高分辨率為30 s． 本試驗選用的默認(rèn)陸面資料為MODIS土地利用資料． 模式默認(rèn)的植被覆蓋度資料來源于在2001-2010年MODIS數(shù)據(jù)基礎(chǔ)上構(gòu)建的30 s全球逐月植被覆蓋圖, 但其發(fā)布時間較早． 因此利用2020年的MODIS土地利用和植被覆蓋數(shù)據(jù)(https: //search.earthdata.nasa.gov)替換模式默認(rèn)的陸面資料． MODIS土地利用數(shù)據(jù)(MCD12Q1_v006)是基于國際地圈生物圈計劃(International Geosphere Biosphere Programme, IGBP)分類標(biāo)準(zhǔn)處理得到, 其空間分辨率為500 m, 相較模式默認(rèn)的陸面數(shù)據(jù)精度更高, 兩者在農(nóng)田和城市地區(qū)的分類上也存在較大差異[14]． 替換的植被覆蓋度資料是利用2020年7月MODIS植被歸一化指數(shù)(NDVI, Normalized Difference Vegetation Index)(MOD13A3_v006), 使用常用的像元二分模型方法[15]計算得到的． 數(shù)據(jù)的空間分辨率為1 km, 時間分辨率為月． 相較模式默認(rèn)的植被覆蓋資料, 該數(shù)據(jù)時效性更好．

1.2 試驗設(shè)計

模式的初始場數(shù)據(jù)為美國國家環(huán)境預(yù)報中心(National Centers for Environmental Prediction, NCEP)再分析資料, 空間分辨率為1°×1°, 時間間隔6 h． 模擬時段為2020年7月, 該月濟(jì)南氣溫和降水接近常年． 模式采用三重嵌套(25 km×5 km×1 km), 中心經(jīng)緯度為117.0°E, 36.7°N(圖略)． 主要的物理參數(shù)化方案如下: 邊界層方案為YSU, 微物理過程方案為WSM6, 長波輻射方案為RRTM, 短波輻射方案為Goddard, 陸面過程方案為Noah, 積云參數(shù)化方案為Grell-3[16]． 分別進(jìn)行1組基準(zhǔn)試驗和3組敏感性試驗, 試驗內(nèi)容如表1所示． 基準(zhǔn)試驗和敏感性試驗均采用相同的參數(shù)化方案進(jìn)行模擬．

表1 試驗內(nèi)容

1.3 評估方法

研究將4組試驗的模擬值分別與觀測值進(jìn)行模擬評估, 選擇均方根誤差(RMSE)、 平均偏差(MB)和相關(guān)系數(shù)(R)等統(tǒng)計指標(biāo)進(jìn)行對比評估[17]． 觀測值采用2020年7月濟(jì)南地區(qū)共25個國家氣象觀測站的逐小時溫度和逐日降水量的觀測數(shù)據(jù), 站點分布較均勻, 能較好地反映本區(qū)域的整體情況． 如圖1所示, 濟(jì)南市的地形呈現(xiàn)南高北低的分布形態(tài), 北部地區(qū)為平原地區(qū), 海拔小于50 m, 南部地區(qū)為山區(qū), 海拔為50～600 m．

審圖號: 魯SG(2021)026號圖1 濟(jì)南地區(qū)地形疊加站點分布圖

2 結(jié)果與分析

2.1 觀測與模擬對比

為了確保模擬結(jié)果的可靠性, 將基準(zhǔn)試驗?zāi)M的常規(guī)觀測氣象要素與實況進(jìn)行對比． 對全市25個站點做整體評估, 可以反映區(qū)域整體的模擬情況． 從各氣象要素的模擬誤差(表2)和模擬與觀測值的時序圖來看(圖2), 氣溫的模擬值與觀測值的一致性最好, 相關(guān)系數(shù)為0.81, 模擬值較觀測值平均偏高0.9 ℃; WRF模式模擬的日降水量較觀測值偏小(MB為-3.46 mm/d), 但對于13日、 29日的歷史極端降水的模擬能力不足; 模擬的風(fēng)速整體偏高, 模擬與觀測的差值最大在2 m/s(圖2b); 模擬的相對濕度存在整體偏低的現(xiàn)象(MB為-9.9%), 模擬值與觀測值的偏差為10%～20%． 在WRF模式可以較好地模擬出該區(qū)域氣象要素的前提下, 后文將對不同陸面資料對模擬誤差造成的影響進(jìn)行分析．

圖2 2020年7月濟(jì)南地區(qū)氣象要素的觀測與模擬時序圖

表2 2020年7月濟(jì)南氣象要素的模擬誤差與相關(guān)系數(shù)

2.2 氣溫模擬誤差

從基準(zhǔn)試驗?zāi)M的2020年7月濟(jì)南地區(qū)的溫度誤差分布圖中可知(圖3), 溫度的RMSE波動范圍為0.5～3.0 ℃(圖3a), 其中北部地區(qū)的RMSE相對較小, 在0.8～2.0 ℃之間, 南部地區(qū)的RMSE相對較大, 均大于2.0 ℃． 全市范圍內(nèi)MB均大于0(圖3b), 說明模擬的溫度值均偏高, 北部地區(qū)MB基本在1.2 ℃以內(nèi), 而南部地區(qū)的MB在1.2～2.0 ℃之間波動． 因此, 對于WRF模式基準(zhǔn)試驗?zāi)M的濟(jì)南地區(qū)溫度的空間分布而言, 模擬的溫度誤差南部山區(qū)大于北部平原．

審圖號: 魯SG(2021)026號圖3 基準(zhǔn)試驗?zāi)M的溫度RMSE(a)與MB(b)分布圖(單位: ℃)

為了直觀地展現(xiàn)每組敏感性試驗與基準(zhǔn)試驗的差別, 將敏感性試驗各站點的誤差值與基準(zhǔn)試驗的誤差值相減(其差值用δ表示, 下同), 其分布如圖4所示． 三角符號表示敏感性試驗的模擬誤差較基準(zhǔn)試驗減小(≤0), 圓圈表示增大(>0)． 對于只改變土地利用資料的試驗而言(圖4a, 4d), 南部山區(qū)大部分站點的溫度均方根誤差沒有發(fā)生太大變化, 而北部地區(qū)的誤差減小, RMSE減小幅度在0.2～1.0 ℃不等, MB的減小幅度在0.2～0.8 ℃之間; 而只改變植被覆蓋的模擬試驗中南部山區(qū)大部分站點的RMSE有明顯的減小, 誤差變化范圍減小了0.2～1.2 ℃, 北部地區(qū)的均方根誤差變化不大(圖4b), MB的分布具有相似的規(guī)律(圖4e); 從同時改變土地利用和植被覆蓋資料試驗?zāi)M結(jié)果(圖4c, 4f)中可以看到, WRF模式模擬的全市大部分站點的溫度誤差整體上均有明顯的減小(RMSE減小0.7～2.1 ℃, MB減小0.3～1.3 ℃)． 綜上, 對WRF模式模擬濟(jì)南地區(qū)的溫度而言, 同時改變土地利用和植被覆蓋試驗的模擬效果最優(yōu), 其中改變植被覆蓋資料對南部山區(qū)的誤差較北部平原地區(qū)明顯減?。?/p>

審圖號: 魯SG(2021)026號圖4 3組敏感性試驗?zāi)M的溫度δRMSE與δMB分布圖(單位: ℃)

2.3 降水模擬誤差

日降水量的模擬誤差與上文中溫度模擬誤差具有相似的分布規(guī)律: 南部的站點誤差較北部地區(qū)大(其中海拔高的站點誤差普遍大)． 如圖5a所示, RMSE波動范圍為0～15 mm/d, 其中北部地區(qū)的RMSE相對較小(3～4 mm/d), 而南部地區(qū)的RMSE相對較大, 為6～14 mm/d(東南站點最大達(dá)14 mm/d); 模式對于北部地區(qū)的日降水量值模擬偏高(MB>0), 對于南部地區(qū)的日降水量值模擬偏低(MB<0, 圖5b)．

審圖號: 魯SG(2021)026號圖5 基準(zhǔn)試驗?zāi)M的日降水量RMSE(a)與MB(b)分布(單位: mm/d)

圖6給出了3組敏感性試驗的日降水量誤差與基準(zhǔn)試驗的誤差差值分布． 改變土地利用資料對于日降水量的模擬誤差規(guī)律影響并不明顯, RMSE和MB在-0.4～0.4 mm/d之間浮動(圖6a, 6d); 但是只改變植被覆蓋資料的模擬試驗(圖6b, 6e), 使得南部地區(qū)日降水量的RMSE減小了0.2～1.2 mm/d, 平均誤差減小了0.2～0.6 mm/d; 同時改變土地利用和植被覆蓋資料模擬結(jié)果(圖6c, 6f)與只改變植被覆蓋度的模擬試驗結(jié)果(圖6b, 6e)相差不大, 即南部地區(qū)誤差減小, 其他地區(qū)誤差上下浮動, 變化不大． 降水對植被覆蓋資料的敏感性更好, 因此提高WRF模式中植被覆蓋資料的精度對降水的模擬具有更好的效果．

審圖號: 魯SG(2021)026號圖6 3組敏感性試驗?zāi)M的日降水量δRMSE與δMB分布圖(單位: mm/d)

3 結(jié)論

本研究基于MODIS土地利用和植被覆蓋兩類陸面資料, 利用WRF模式模擬了濟(jì)南地區(qū)2020年7月的氣溫和降水, 發(fā)現(xiàn)模擬誤差呈現(xiàn)一定的區(qū)域分布特征, 得出以下結(jié)論:

1) WRF模式模擬的溫度誤差南部山區(qū)大于北部平原． 同時改變土地利用和植被覆蓋資料模擬的濟(jì)南地區(qū)的溫度效果最優(yōu): 全市大部分站點的溫度誤差都有明顯的減小, RMSE減小0.7～2.1 ℃, MB減小0.3～1.3 ℃．

2) WRF模式對于平原地區(qū)日降水量的模擬值偏高, 而對于南部山區(qū)的日降水量值模擬偏低． 只更新土地利用資料模擬的日降水量誤差分布較基準(zhǔn)試驗變化不大, 但只改變植被覆蓋資料能夠使得山區(qū)日降水量的誤差明顯減小(RMSE較基準(zhǔn)試驗減小了0.2～1.2 mm/d, MB較基準(zhǔn)試驗減小了0.2～0.6 mm/d)．

3) 更新WRF模式中的陸面資料有助于提高模式模擬的局限性, 其中改變土地利用資料有助于減小北部平原溫度的模擬誤差, 但對降水量模擬誤差的減小作用并不大; 降水對植被覆蓋資料的敏感性比氣溫好, 提高模式中植被覆蓋的精度對降水量的模擬具有更好的效果． 同時改變土地利用和植被覆蓋資料模擬的溫度和降水的效果最好． 本研究忽略了地形偏差等影響模式模擬結(jié)果的諸多因素, 研究結(jié)果僅考慮陸面資料變量的不同, 普適性的規(guī)律需要進(jìn)行增加站點數(shù)量、 擴(kuò)大區(qū)域或增加時間段的模擬研究, 以便能進(jìn)一步提高對模式模擬性能的認(rèn)識并為提高預(yù)報水平提供科學(xué)依據(jù)．