基于WRF模式的清江流域降雨-徑流模擬研究

高玉芳，武雅珍，吳雨晴，顧天威，胡泊

（1.南京信息工程大學應用氣象學院，江蘇 南京 210044；2. 南京信息工程大學大氣科學學院，江蘇 南京 210044；3. 中國氣象局武漢暴雨研究所/湖北省暴雨監測與預警重點實驗室，湖北 武漢 430205）

1 引 言

暴雨洪澇災害是我國常見的自然災害之一，傳統的洪水預報模型以實測降雨為輸入，其預見期取決于流域的匯流時間，往往只有幾小時，將預報降雨作為水文模型輸入進行洪水預報是延長洪水預報預見期的有效途徑。然而，由于降雨形成機制復雜多樣，受到大氣中不同地形和天氣系統的制約，降雨預報仍然被認為是氣象學上的一個難題[1]。目前，在眾多的中尺度模式中，WRF 模式應用廣泛，已經成為了降雨預報的重要工具。但是，WRF 模式對降雨過程的預報效果會受到分辨率、物理過程、嵌套方案等因素的影響。近年來，研究人員針對WRF 模式水平分辨率及云物理過程方案[2]的選取進行了大量研究。Lungo 等[3]在坦桑尼亞區域使用WRF 模式設置15/5 km、12/4 km和9/3 km網格間距，選取3種微物理方案和4種積云參數化方案進行組合，研究發現高分辨率的預報效果較低分辨率有更大的改善，特別是在天氣系統以對流系統為主的雨季，且適合該區域的云物理方案分別為Lin 方案和KF 方案。吳海濤等[4]通過將3 種積云參數化方案和5 種微物理方案進行組合，對黃河源區一次降雨過程進行預報，發現Morrison 微物理方案和Grell3 積云參數化方案組合預報的降雨空間分布與實際最為相似。眾多研究表明，最優方案高度依賴于天氣或氣候機制及應用規模，目前沒有一種方案可以在全球范圍內應用得最好[5]。

此外，近年來隨著降雨預報技術的發展，采用氣象-水文耦合的方法模擬徑流，以延長洪水預報預見期已經成為水文-氣象預報的發展趨勢。WRF 模式作為高分辨率數值模式，其與水文模型耦合進行洪水預報也受到越來越多的關注。WRF-Hydro 是美國國家大氣研究中心（NCAR）2013 年開發的高分辨率分布式水文預報模式，模式考慮了地表、地下和河道的三維可變飽和流來預測河流流量[6]，解決了某些陸面模式中未考慮土壤側向流的問題，該模式具有與WRF 模式耦合的框架結構，現已廣泛地應用于國內外流域的徑流模擬中，取得了較好的效果[7-8]。

清江流域是長江流域的多暴雨區之一，由強降雨造成的流域洪澇災害頻發。因此，采用氣象-水文耦合的方法，準確預報降雨，提高洪水預報效果對防洪減災具有十分重要的意義。本研究基于WRF 模式，對清江流域6 次典型降雨事件進行數值預報，結合CMORPH 衛星-地面自動站-雷達三源融合降水產品[9-10]，采用TS評分及FSS評分作為評價指標，分析、探討不同分辨率下不同積云參數化方案和不同微物理過程方案對降雨預報效果的影響，并將較優組合方案下的WRF 模式和WRFHydro 模式耦合進行徑流模擬，分析WRF 模式在水文模擬中的應用效果，以期為WRF 模式在水文模擬中的應用提供借鑒。

2 資料與方法

2.1 研究區域

清江流域位于108°35′ ~111°35′ E，29°33′~30°50′ N 間的副熱帶地區，處于鄂西強降雨區，流域面積約為17 000 km2，自然落差1 430 m，其地形有利于暖濕氣流的抬升，且位于西南渦頻發區域，因此易發生暴雨洪澇災害。清江干流河段分三級開發，自上而下分別有水布埡、隔河巖、高壩洲三座大型水電站，水布埡水電站是清江梯級開發的龍頭樞紐，本文以水布埡水電站控制流域作為研究區域，研究區面積約為11 000 km2，清江流域研究區域及地理位置如圖1所示。

圖1 清江流域研究區域圖

2.2 降雨-徑流個例

清江流域降雨年分配很不均勻，大都集中在夏秋季，而冬季的降雨量相對較少[11]。本研究選取2016—2018年6—10月共6個致洪暴雨事件，每個事件提取降雨量集中的24 h 進行數值模式預報，并模擬強降雨事件對應的徑流過程，具體時間及事件概況如表1 所示。本研究采用中國國家氣象信息中心開發的CMORPH 衛星-地面自動站-雷達三源融合降水產品[9-10]（以下簡稱為融合數據）作為對照，分析WRF 模式降雨預報效果，該融合數據集結合了來自國內超過4 萬臺的自動氣象站降水資料、高分辨率雷達估測降水資料和CMORPH 衛星反演降水資料，空間分辨率為5 km，時間分辨率為1 h。徑流實測值采用由中國氣象局武漢暴雨研究所提供的水布埡水電站逐小時入庫徑流數據。

表1 降雨-徑流研究個例

2.3 試驗方案設置

2.3.1 WRF模式設置

本研究選用WRFV4.1.1進行預報，以110.08°E，30.19 °N為中心，采用4層嵌套d01、d02、d03、d04，水平分辨率分別為27 km、9 km、3 km、1 km，對應的水平方向格點數分別為202×172、427×355、493×439、376×208，嵌套區域如圖2 所示。模式的垂直方向分32層，頂層氣壓為50 hPa，時間積分步長設定為81 s，采用歐拉質量坐標方程，投影方式為Lambert 地圖投影，使用分辨率為1 °×1 °的FNL 資料作為模式的初始場和邊界場，spin-up 時間為6 h，取后24 h 的預報結果，每層的預報產品均逐小時輸出。

圖2 WRF模式嵌套區域示意圖

為討論不同積云參數化方案及微物理過程方案對降雨預報的影響，模式其余各物理參數化方案維持不變，長波輻射方案選取RRTM 方案，短波輻射方案選取Dudhia 方案，輻散物理方案的時間間隔設定為27 min，近地面層方案選取Revised MM5 方案，陸面過程方案選取Noah 陸面過程方案，邊界層方案選取YSU方案，邊界層物理方案的時間間隔設定為0 min。每個典型降雨個例分別選取3 種積云參數化方案（KF、BMJ、GF）和7 種微物 理 過 程 方 案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）設計21 組對比試驗進行預報。積云參數化方案只在d01和d02中使用。

2.3.2 WRF-Hydro模式設置

本研究選取WRF-Hydro 5.0.3進行徑流模擬。融合數據和WRF 模式最內層嵌套的模擬結果統一插值至1 km 水平分辨率，分別以非耦合模式和耦合模式作為WRF-Hydro 模式輸入進行徑流模擬。每場過程的spin-up時間均設置為兩個月。

本研究使用的WRF-Hydro 模式的參數率定結果（表2）是顧天威等[12]基于收集到的2015—2018年清江流域內具有完整氣象及水文數據的13場洪水過程，利用融合降水數據，采用9 場洪水過程進行參數率定，4場進行驗證得到的。率定所用的融合降水數據是分辨率為5 km 的網格數據，其數據類型與WRF 模式輸出數據類型相似，因此，其率定結果可以應用于基于高分辨率WRF 模式的徑流模擬中。本研究選取的6 場洪水過程包含在用于參數率定的13 場過程當中，故直接應用此率定結果進行模擬。

表2 WRF-Hydro模式參數率定結果

2.4 模式評估方法

TS 評分是降雨預報結果的傳統檢驗方法，但由于是點對點評估，TS 評分容易因降雨時間或空間上出現的微小位移導致“雙重懲罰”效應[13]。為應對該問題，Roberts 等[14-15]提出了一種用于評估高分辨率降雨預報的鄰域檢驗法來評估降雨的空間分布，即FSS 評分。與傳統的點對點檢驗統計方法相比，作為一種模糊評估方法，當降雨預報存在不同的位移偏差時，FSS 評分方法可以統計出距離偏差較小、預報效果較好的預報結果[16]。同時，該方法相對簡單，易于實現，已成為高分辨率降雨預報評估中常用的空間技術。

通過雙線性插值法將WRF 模式預報結果統一升、降尺度到5 km 分辨率，與融合數據保持一致，計算TS 評分[17]。同時，選取鄰域窗口為3個網格點的鄰域半徑，計算FSS評分[18]。

采用相關系數（R）、洪峰相對誤差（REP）、洪量相對誤差（ER）、峰現時間誤差（ΔT）及納什效率系數（NSE）作為徑流評估指標。

3 結果與分析

3.1 降雨預報結果

針對6次強降雨過程，根據國家氣象局頒布的降水強度等級劃分標準[19]，將清江流域內24 h 累積降雨的預報結果分為三個等級，分別是小到大雨（0.1~50 mm）、暴雨（50~100 mm）和大暴雨（100~250 mm），采用TS評分和FSS評分進行定量評估。不同分辨率、不同積云參數化方案和不同微物理方案下的TS 評分和FSS 評分箱型圖及均值分布圖分別如圖3~圖5 所示?？傮w來看，所有預報方案中，小到大雨的TS 評分均值皆在0.45 以上，FSS 評分均值皆在0.6 以上，預報效果最好，暴雨次之，大暴雨的預報效果最差。從圖3 可以看出，同一量級下不同分辨率的評分結果相差不大。小到大雨和暴雨量級下，分辨率越高，TS 評分的均值越小，但是FSS 評分的均值越大，這是因為當高分辨率下的預報結果出現微小偏差時，基于點對點評估的TS 評分結果就會變差，而FSS 評分是對鄰域范圍內進行概率評估，考慮了雨帶空間偏移的影響，FSS 評分越高說明WRF 模式預報空間效果越好。大暴雨量級下，TS 評分和FSS 評分的均值都隨分辨率增高而變大。因此，分辨率越高對于降雨的預報效果越好。

圖3 清江流域不同分辨率下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

從圖4 可以看出，在3 種積云參數化方案中，GF 方案在小到大雨量級下的評分結果最高，但暴雨和大暴雨量級下的評分結果最低。KF 方案與BMJ 方案的評分結果相差不大，其中，KF 方案對小到大雨量級的評分結果較高，BMJ 方案對暴雨量級的評分結果較高。

圖4 清江流域不同積云方案下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

從圖5 可以看出，在7 種微物理方案中，Kessler方案對小到大雨的預報效果明顯優于其它方案，TS 評分均值達到0.5，FSS 評分均值為0.66，但Kessler方案對暴雨的預報結果在所有方案中評分均值最低。Lin 方案對于所有量級的評分結果都很差。Ferrier 方案的評分值變化范圍最小，預報結果最穩定，且在大暴雨量級下評分均值最高。WSM3、WSM5、WSM6 及Thompson 方案的評分結果相差不大，且整體偏高，預報效果都比較好。

圖5 清江流域不同微物理過程下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

由于降雨發生的強度和落區是影響洪水過程的主要原因之一[20]，因此，在不同云物理方案24 h累積降雨評分結果分析的基礎上做進一步的分析。選 取2017 年10 月1 日18 時—2 日18 時24 h的預報結果，分析面雨量及降雨空間分布。

WRF 模式不同方案預報的清江流域2017 年10月1日18時—2日18時24 h面雨量與融合數據的差值如圖6 所示?？梢钥闯?，3 種積云參數化方案中，GF 方案的預報值與融合數據的差異很大，且GF 方案下所有的預報結果都低估了降雨量，KF方案和BMJ方案的結果與融合數據差異較小。7種微物理方案中，Kessler方案在三種積云參數化方案下的預報值與融合數據的差異都很大。在KF 方案中，1 km 分辨率下（d04）的WSM3 方案和3 km 分辨率下（d03）的WSM6 方案的預報效果都很好，差異值分別為-0.1 和-0.2。在BMJ 方案中，1 km 分辨率下的WSM3 方案和3 km 分辨率下的WSM5 方案的預報效果都很好，差異值分別為0.9和-0.7。Ferrier 方案雖然在TS 評分和FSS 評分結果中比較穩定，但1 km 分辨率下預報的24 h 累積降雨量明顯高于融合數據。

圖6 WRF模式不同方案預報的清江流域2017年10月1日18時—2日18時24 h面雨量與融合數據的差異值

根據不同方案的評分結果及面雨量的比較，選取了對清江流域預報效果較好的5 個方案組合（KF_WSM3、KF_WSM6、KF_Thompson、BMJ_WSM3、BMJ_WSM5），進一步判斷清江流域的較優參數化方案組合。

圖7 給出了3 km（d03）和1 km（d04）分辨率下，不同方案組合預報的清江流域24 h 累積降雨量分布和相應的融合數據分布。從融合數據降雨的分布可以看出，在此次事件中，清江流域整個區域的24 h 累積降雨量都在50 mm 以上，達到暴雨量級標準。清江流域的北部和西部有兩個強降雨中心，24 h 累積降雨量在100 mm 以上，達到大暴雨標準，降雨范圍小，局地性較強。將融合數據與不同方案預報的24 h 累積降雨量對比可知，對于同一種方案，3 km 和1 km 分辨率下預報的降雨中心位置及強度差別不大，預報結果都比較準確，但1 km分辨率下有時可以預報出更多小尺度的降雨中心。幾種方案都可以預報出東北-西南向的降雨帶，KF_WSM6 和KF_Thompson 方案只能預報出清江流域西部的強降雨中心，而其余幾種方案可以預報出北部的降雨中心，但預報出的降雨落區都比融合數據降雨的范圍更大，只有BMJ_WSM3方案對降雨落區的預報最為準確。

圖7 清江流域2017年10月1日18時—2日18時24 h累積降雨量 其中，obs為融合數據值，其余為不同方案組合的預報值。

本研究選取的降雨個例，大多由切變線引起，切變線附近冷暖氣流相遇形成降雨，強降雨前大氣對流不穩定。積云參數化方案中，KF 方案主要是為水平分辨率在20 km 左右的中尺度模式設計[21]，相較而言，BMJ 方案能識別出更為細小的局部對流活動，故其預報效果優于其他方案。微物理方案一般通過確定冰核濃度計算降雨，冰核濃度通常為溫度的函數[22]，而WSM3 微物理方案的診斷關系所用到的冰核濃度取決于冰的質量含量而不是溫度，在水汽成冰過程對降雨貢獻較大，高空溫度較低，存在大量冰相粒子，因此WSM3方案的預報效果相對較好。

3.2 徑流模擬結果

根據24 h 降雨模擬結果，WRF 模式采用BMJ_WSM3 方 案 與WRF-Hydro 模 式 耦 合，對2016—2018 年6 個事件的洪水過程進行徑流模擬，模擬徑流及其評估結果分別見圖8 和表3。從圖8可以看出，融合數據的徑流模擬結果與實測吻合，表明WRF-Hydro 模式可以有效模擬洪水過程。WRF 模式預報降雨作為WRF-Hydro 模式輸入均能較好的模擬出洪水過程。從表3可以看出，WRF模式預報結果模擬徑流的相關系數都在0.67以上，最高達到0.85。個例20171001 的模擬效果最好，NSE 可達0.79，甚至比融合數據模擬的更好，這與參數化方案是結合該個例確定有關。

WRF 模式預報結果對洪峰的模擬能力稍有不足，其洪峰流量誤差及峰現時間誤差大多大于融合數據的模擬結果。個例20170609由于存在兩個洪峰，且在第一個峰值之后，預報降雨量高于融合數據雨量，導致其模擬的第二個峰值偏高，峰現時間誤差過大。個例20180703由于后期預報降雨明顯高于融合數據降雨，WRF 模式預報結果模擬出的徑流量也偏大，洪峰相對誤差達到123%?？梢钥闯觯瑴蚀_預報降雨對徑流模擬至關重要。

圖8 2016—2018年6場洪水過程徑流模擬結果

表3 2016—2018年6場洪水過程逐小時徑流模擬評估結果

4 結 語

本文利用WRF 模式，對清江流域2016—2018年6—10 月的6 個強降雨事件進行預報，分析了3種積云參數化方案（KF、BMJ、GF）和7種微物理方案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）組合在清江流域的降雨預報效果，并基于較優組合方案的WRF 模式預報結果進行徑流模擬，主要結論如下。

（1）從降雨評分結果來看，WRF 模式對小到大雨的預報效果最好，暴雨次之，大暴雨最差。FSS 評分與TS 評分的結果具有一致性，且由于FSS 評分可以考慮到雨帶空間偏移的影響，其評分在水文模擬中有重要指導意義。

（2）高分辨率下可以更準確地預報強降雨落區。對于同一種方案，3 km 和1 km 分辨率對降雨中心位置及強度預報的差別不大，預報結果都比較準確，但1 km 分辨率下有時可以預報出更多小尺度的降雨中心。

（3）在積云參數化方案中，KF 方案和BMJ 方案的降雨預報效果都較好，GF 方案下所有的預報降雨量較融合數據都偏低。在微物理方案中，WSM3、WSM5、WSM6、Thompson 方案的預報結果與融合數據有較好的一致性，Kessler 方案對小到大雨量級的預報效果較暴雨和大暴雨的預報效果更好，Lin 方案的預報效果最差。綜合來說，BMJ_WSM3 方案組合在清江流域的應用效果最好。

（4）基于BMJ_WSM3 組合方案的WRF 模式和WRF-Hydro 模式耦合，進行徑流模擬，WRFHydro 模式可以有效模擬出洪水過程，為WRF 模式在水文模擬中的應用提供借鑒。

另外，研究結果表明，徑流模擬結果高度依賴于降雨預報結果，所以提高降雨預報精度對徑流模擬至關重要。理論上說，為了提高降雨預報效果，應針對不同降雨類型，選取不同的物理方案，但這在實際業務操作中很難實現，故本文基于多個降雨個例，經過綜合分析預報效果，最終選取了一組方案作為較優組合方案，并基于此方案進行徑流模擬。未來會考慮基于不同天氣過程，分析不同云微物理方案對降雨預報效果的影響，討論其中的相關性。

此外，本研究僅采用兩種評分結果進行分析，日后可能結合多種評估方法，引入綜合評價指標（如CAI[23]、Rs[24]等），將評估結果進行歸一化處理，以便綜合考慮不同方案對降雨量、降雨范圍和降雨強度的預報效果。

致 謝：本論文的數值計算得到了南京信息工程大學高性能計算中心的計算支持和幫助。