不同物理過程參數化方案對江淮梅雨降水預報的影響分析

摘要 為研究不同物理過程參數化方案對江淮梅雨降水預報的影響，基于WRFv4.4.2，利用GFS預報數據、第六版MODIS土地覆蓋類型產品和ERA5-Land觀測數據集，使用均方根誤差、相關系數、公平技巧評分和偏差評分等方法，模擬評估Ferrier、WSM6和Thompson這3種云微物理過程參數化方案，以及KF、BMJ和Tiedtke這3種積云對流參數化方案共9種組合，對2020年7月14日00：00—17日00：00江淮流域梅雨期一次降水過程的預報效果進行分析。結果表明，（1）積云對流參數化方案對江淮梅雨降水預報有更為明顯的影響，使用BMJ可以獲得較好的預報結果；（2）WRF模式在山地、城市等區域表現不佳，在平原、農田等區域表現尚可，適用性存在一定不足；（3）在江淮流域北部地區（32.7 °N以上）使用WSM6和BMJ的實驗組合綜合表現較佳，可較為準確地預報降水過程變化趨勢，對小雨和中雨量級的降水落區有較高的預報技巧。為今后江淮梅雨期降水預報提供參考。

關鍵詞 WRF模式；參數化方案；預報評估；江淮流域；梅雨期降水過程

中圖分類號 S165" " 文獻標識碼 A" " 文章編號 1007-7731（2024）16-0110-07

DOI號 10.16377/j.cnki.issn1007-7731.2024.16.026

Impact of different parameterization schemes for physical processes on the forecast

of Meiyu precipitation in the Jianghuai region

HU Zhiqiang" " WANG Jun" " WANG Runshi

（Fengtai County Meteorological Bureau， Fengtai 232100， China）

Abstract In order to investigate the impact of different physical process parameterization schemes on the forecast of Meiyu precipitation in the Jianghuai region， based on WRFv4.4.2， GFS forecast data， the sixth edition MODIS land cover type product， and ERA5 Land observation dataset were used to simulate and evaluate three cloud microphysical process parameterization schemes， Ferrier， WSM6， and Thompson， as well as nine combinations of three cumulus convective parameterization schemes， KF， BMJ， and Tiedtke， using methods such as root mean square error， correlation coefficient， fair skill score， and bias score. The forecast effect of a precipitation process during the Meiyu period in the Jianghuai River Basin from 00：00 on July 14， 2020 to 00：00 on July 17， 2020 was evaluated. The results indicated that （1） the parameterization scheme of cumulus convection had a more significant impact on the precipitation forecast of Jianghuai plum rain， and using BMJ could obtain better forecast results; （2） the WRF model performed poorly in mountainous and urban areas， but fairly well in plains， farmland， and other areas， with certain limitations in applicability; （3） the experimental combination of WSM6 and BMJ performed well in the northern region of the Jianghuai region （above 32.7°N）， and could accurately predict the trend of precipitation process changes. It had high forecasting skills for precipitation areas of light rain and moderate rain levels. The purpose was to provide references for future precipitation forecasting during the Jianghuai region rain season.

Keywords WRF model; parameterization scheme; forecast evaluation; Jianghuai River Basin; precipitation process during the Meiyu period

江淮流域是持續性強降水過程的多發區域之一[1]。在東亞夏季風和復雜下墊面的共同影響下，江淮梅雨期（6月中下旬至7月中上旬）成為江淮流域主要的強降水集中時段之一，具有降水量級大、持續時間長和影響范圍廣等特點，平均降水量在200～300 mm，約占全年總降水量的1/4[2-3]。江淮流域雨帶分為經向型和緯向型兩種，二者在降水強度和環流特征方面基本相似，區別在于后者多出現在梅雨期，位于高層反氣旋的中心，降水量更大、范圍更廣，降水量、降水頻率的日變化呈現夜間主峰值、午后次峰值的雙峰特征[4-6]。如何實現對江淮梅雨期降水過程的準確模擬和精確預報一直是備受關注的熱點問題之一。

隨著現代信息技術的發展，計算能力得到提升，以氣象研究與預報模式（Weather research and forecasting，WRF）為代表的數值模式成為研究降水過程的重要手段之一。徐之驍等[7]比較了4種積云對流參數化方案對2012年7月21—22日北京特大暴雨過程的模擬效果，發現Kain-Fritsch（KF）方案可以很好地模擬出對流的觸發，整體模擬效果較好。葉茂等[8]設計了11種云微物理過程、積云對流和邊界層參數化方案組合，發現四川盆地東部的降水預報對積云參數化方案較為敏感。孟澤華等[9]選取5種云微物理方案，對2017年一次江淮暴雨過程開展數值預報實驗，發現暴雨和大暴雨對云微物理方案更加敏感，同時，不同方案對降水落區和降水強度的預報呈現明顯差異?？梢姡e云對流和云微物理過程參數化方案的選取對降水預報質量有著重要影響。

2020年6—8月，江淮流域經歷一次超長梅雨季，強降水過程頻繁，累計降水量異常偏多且達歷年峰值，導致洪澇及次生災害發生[10]。本文基于WRF模式，選取該時間段一次降水過程開展預報模擬，以評估不同的云微物理過程、積云對流參數化方案組合在江淮流域的預報效果，分析存在差異的原因，為今后江淮梅雨期降水預報提供有益參考。

1 材料與方法

1.1 數據來源

降水資料來自ERA5-Land（ECMWF Reanalysis v5）觀測數據集，空間分辨率0.1°×0.1°，時間分辨率1 h。2020年7月14日00：00—17日00：00過程累積降水和逐日降水如圖1所示。由圖1A可知，累積降水中心最大值110 mm；由圖1B～D可知，江淮流域雨帶為緯向型且呈北抬趨勢，降水主要集中在15日，該日最大降水量74 mm。

利用空間分辨率0.5°×0.5°、時間分辨率3 h的全球預報系統（Global forecast system，GFS）進行預報，預報數據為WRF模式運行提供必要的初始場和邊界條件，不加入其他觀測資料。

土地利用數據的精確度和準確性對數值模式模擬有重要影響[11-12]，故選用第六版分辨率成像光譜儀（Moderate resolution imaging spectroradiometer，MODIS）土地覆蓋類型產品（MCD12Q1_v06）中空間精度500 m的2020年土地利用數據替換模式默認靜態數據。皖北、蘇北地區以農田為主，江浙滬一帶多城市和密集建筑，而皖南、浙西多森林、草原。

1.2 試驗設計

試驗基于WRFv4.4.2對江淮流域2020年7月14日00：00—17日00：00一次梅雨期降水過程進行預報模擬，起報時間為2020年7月14日00：00，預報時效72 h。選取Ferrier、WSM6和Thompson這3種云微物理過程參數化方案和KF、Betts-Miller-Janjic（BMJ）、Tiedtke這3種積云對流過程參數化方案共設計9種參數化方案組合（表1），長波輻射過程和短波輻射過程均使用RRTMG（Rapid radiative transfer model for GCMs）參數化方案，行星邊界層使用YSU（Yonsei university）方案，近地面層使用Monin-Obukhov方案，陸面過程使用Noah方案，垂直層數為45，土壤層數為4。水平方向使用雙重雙向網格嵌套，d01層格點距27 km，中心位置在（117.5° E，32.0° N），d02層格點距9 km，中心位置在（118.5° E，32.0° N），研究區位于115.0°～122.1°E，29.5°～34.5°N（圖2）。

1.3 時空特征分析

通過柱狀圖直觀展示9種參數化方案預報值和其觀測數據的逐6 h區域平均降水變化，進而分析各參數化方案組合預報的時間特征，體現出各組合在降水過程中的起止時間、降水量級等方面的預報能力；通過相對誤差分布體現出各參數化方案組合預報的空間特征，分析其對主雨帶位置的預報能力，體現出WRF模式的優缺之處。

1.4 評估方法

使用均方根誤差（Root mean-square error，RMSE）和相關系數R兩個指標評估各參數化方案組合對降水過程和降水量的預報效果，選用公平技巧評分（Equitable threat score，ETS）和偏差評分（Bias score，Bias）作為檢驗不同參數化方案組合預報效果的兩個指標。ETS評分是對TS評分的改進，能對空報或漏報進行懲罰，使評分更加公平，其計算如式（1）；Bias評分主要用來衡量模式對某一量級降水的預報偏差，反映降水總體預報成果，其計算如式（2）。

式（1）～（2）中，[NA]為預報正確的次數，[NB]為空報次數，[NC]為漏報次數，[Ra]為空報次數與漏報次數相當時的隨機預報[NA]的數學期望。當ETSgt;0時，表示對于某量級降水來說，預報有技巧；當ETS≤0時，則表示預報沒有技巧；當ETS=1時，表示該預報為完美預報。當Biasgt;1時，表示預報結果較實況而言偏濕；當Biaslt;1時，表示預報結果較實況而言偏干；當Bias=1時，則表示預報偏差為0，即預報技巧最高。

2 結果與分析

2.1 時空特征

2.1.1 時間分布特征" 如圖3所示，新一輪降水過程開始于18 h（2020年7月14日18：00，下同），18～72 h區域平均降水量4.3 mm/6 h，主要降水出現在24～30、42～48 h，呈現出江淮流域緯向型雨帶降水夜間主峰值、午后次峰值的雙峰特征。所有參數化方案組合均能較好地預報出降水過程的起始時間點以及降水強度的變化趨勢，但從54 h起預報值與觀測值出現較大偏差，54～60 h明顯低估降水，66～72 h明顯高估降水，反映該預報模式的不穩定性隨預報時間延長而不斷增加的問題。此外，使用Tiedtke參數化方案的g3、g6和g9組合的預報值基本偏多，尤其是在30、42、48和72 h這4個時次偏差較大；使用BMJ參數化方案的g2、g5和g8組合的預報值同觀測值較為接近，但在18～30 h時對降水量有明顯低估情況；使用KF參數化方案的g1、g4和g7組合在18～54 h綜合表現最好，在其余時次存在一定偏差。

2.1.2 空間分布特征" 如圖4所示，所有參數化方案組合均將主雨帶預報在皖南地區，極大高估皖南、浙北地區降水量，相對誤差普遍超過100 mm/72 h，略微低估皖北、蘇南地區的降水量，相對誤差在-50～-30 mm/72 h。其中，使用BMJ積云對流參數化方案的g2、g5和g8組合表現相對較佳，偏差極值主要集中在蘇南—浙北—皖南一帶部分地區，且區域平均相對誤差均幾近于0 mm/72 h，說明該模式能較好地預報總體降水量，但對雨帶分布的預報效果較差。使用Tiedtke積云對流參數化方案的g3、g6和g9組合總體表現較差，普遍高估皖南、浙北地區降水量，且區域平均相對誤差超過10 mm/72 h。

2.2 評估分析

2.2.1 均方根誤差[RMSE]評估" 如圖5所示，所有組合區域平均[RMSE]均在8～11，江淮流域北部平均[RMSE]在6～8，且[RMSE]大值多出現在淮河附近，皖南和浙北等地區，說明該模式在水域附近和山地丘陵等地的表現不佳，對降水量級的預報能力不足。其中，使用BMJ積云對流參數化方案的g2、g5和g8組合表現相對較好，區域平均[RMSE]在8左右，江淮流域南部平均[RMSE]在8～10；使用Tiedtke積云對流參數化方案的g3、g6和g9組合表現相對較差，區域平均[RMSE]超過10，江淮流域南部平均[RMSE]均超過14。

2.2.2 相關系數[R]評估" 如圖6所示，總體上，所有組合在除皖中、蘇南以及皖南局部以外的地區表現均尚可，在皖北和蘇北地區能較好地預報降水過程的衰減和增強趨勢，尤其是使用Thompson云微物理過程方案的g7、g8和g9組合表現較為明顯，在江淮流域北部平均[R]gt;0.70，g8組合更是達到0.75，而g3、g4和g6組合表現較差，[R]gt;0.80區域偏少，在江淮流域北部[R]在0.40左右。

2.2.3 地形和土地類型ETS和Bias評價" 結合上述兩個評估指標可以發現，所有組合在皖南、浙北和蘇南一帶的表現均有進一步優化的空間，存在高估降水量、不能較好預報降水過程的變化趨勢等問題。江淮流域中部和南部地形起伏變化大、城市群多。程宸[13]、周曉宇等[14]研究表明，城市的發展廣泛改變了下墊面性質，加上人類生產生活中會釋放熱量，產生明顯的熱島效應，深切影響地—氣間物質、能量的交換；張強等[15]和付智龍等[16]研究表明，以山地丘陵為代表的復雜下墊面，其陸—氣相互作用的獨特動力和熱力強迫對區域氣候和大氣環流有著重要作用。這些因素均對該模式的模擬效果產生較大影響，故針對江淮流域北部地區（32.7° N以上）進行單獨分析。該區域以平原、農田為主，是主要的糧食產地之一，具有重要的研究意義。

如圖7所示，在江淮流域北部，以g8、g5組合為代表，[R]提升至0.90以上，[RMSE]降至5.5左右，預報效果較之前得到明顯改善；其余組合的[R]均提升至0.80左右，[RMSE]降至5.0以內。如圖8所示，g8、g5組合對0.1 mm以上量級的降水預報ETS評分較低，僅在0.1左右，而對于5.0、10.0、15.0和20.0 mm降水閥值的ETS評分在0.25左右，說明該模式對雨帶分布的預報技巧欠佳，但能較好地預報小雨、中雨量級降水的落區；其余組合的ETS評分大多在0.20以下，尤其是g1、g3、g4和g9組合基本無法很好地體現預報技巧。所有組合對于0.1、5.0、10.0、15.0、20.0和25.0 mm降水閥值的Bias評分均小于1，說明預報結果較實況偏干，即降水量偏少，但g5、g8組合均更接近于1，體現出較好的預報能力。綜合比較可以發現，g5組合具有較高的預報技巧和預報能力，能更好地預報降水過程的變化趨勢、總降水量、雨帶分布以及小雨、中雨量級降水的落區。

3 結論與討論

基于WRFv4.4.2中尺度數值模式，將Ferrier、WSM6和Thompson這3種云微物理過程參數化方案和KF、BMJ和Tiedtke這3種積云對流參數化方案進行逐一配對，共設計9種組合，評估不同組合對2020年7月14日00：00—17日00：00內江淮流域一次降水過程的預報效果，并進一步探討偏差來源。結果表明，（1）相較而言，江淮流域降水預報對積云對流參數化方案更為敏感，通過更換方案可極大改變預報結果。3種積云對流參數化方案中，BMJ可以較好地預報過程總降水量、過程起始時間和過程變化趨勢，同時雨帶分布情況較符合客觀實際，能夠體現一定的預報技巧；Tiedtke會極大地高估預報降水總量，且對降水過程變化趨勢把握不夠準確。（2）WRF模式對皖南—蘇南—浙北一帶的降水預報效果整體偏差，會極大地高估該區域的降水量，亦不能較好地預報降水過程的變化趨勢以及雨帶分布情況；選取江淮流域北部地區進行單獨分析可以發現，各組合的評估指標均得到極大提升，其中，使用WSM6云微物理過程參數化方案和BMJ積云對流參數化方案的g5組合表現較佳，可較為準確地預報降水過程的變化趨勢，總體預報降水量略少于實際情況，對小雨和中雨量級的降水過程具有較高的預報技巧，具有一定的實用意義。

綜上，積云對流參數化方案是影響WRF模式對江淮流域降水預報效果的關鍵因素之一。目前，WRF模式在山地丘陵、中大型城市等復雜下墊面的模擬性能還有一定局限性，后續需進一步分析研究不同地形、不同土地類型的物理過程差異，以提升該模式的適用性。

參考文獻

[1] 陶詩言. 中國之暴雨[M]. 北京：科學出版社，1980.

[2] DING Y H，CHAN J C L. The East Asian summer monsoon：an overview[J]. Meteorology and atmospheric physics，2005，89（1）：117-142.

[3] DING Y H，LIANG P，LIU Y J，et al. Multiscale variability of Meiyu and its prediction：a new review[J]. Journal of geophysical research：atmospheres，2020，125（7）：e2019JD031496.

[4] MA J，BOWLEY K A，ZHANG F Q. Evaluating the forecast performance of the Meiyu front rainbelt position：a case study of the 30 June to 4 July 2016 extreme rainfall event[J]. Atmosphere，2019，10（11）：648.

[5] GUAN P Y，CHEN G X，ZENG W X，et al. Corridors of Meiyu-season rainfall over Eastern China[J]. Journal of climate，2020，33（7）：2603-2626.

[6] 卜文惠，陳昊明，李普曦. 江淮流域大范圍雨帶降水的精細化特征研究[J]. 氣象學報，2023，81（3）：361-374.

[7] 徐之驍，徐海明. 不同積云對流參數化方案對“7·21” 北京特大暴雨模擬的影響[J]. 氣象，2017，43（2）：129-140.

[8] 葉茂，吳鉦，高松，等. 多物理過程對流可分辨集合預報中不同方案在四川盆地東部降水預報效果評估[J]. 氣象，2022，48（7）：840-855.

[9] 孟澤華，高彥青，馬旭林，等. 一次江淮暴雨高分辨率數值預報中云微物理方案敏感性分析[J]. 大氣科學學報，2023，46（5）：765-775.

[10] 劉蕓蕓，丁一匯. 2020年超強梅雨特征及其成因分析[J]. 氣象，2020，46（11）：1393-1404.

[11] LO J C F，LAU A K H，CHEN F，et al. Urban modification in a mesoscale model and the effects on the local circulation in the Pearl River Delta region[J]. Journal of applied meteorology and climatology，2007，46（4）：457-476.

[12] CHENG F Y，BYUN D W. Application of high resolution land use and land cover data for atmospheric modeling in the Houston-Galveston metropolitan area，Part I：meteorological simulation results[J]. Atmospheric environment，2008，42（33）：7795-7811.

[13] 程宸. 城市下墊面對北京平均氣象要素影響的數值模擬研究[D]. 南京：南京信息工程大學，2013.

[14] 周曉宇，王詠薇，孫績華，等. 昆明城市熱島效應的數值模擬研究[J]. 大氣科學，2022，46（4）：921-935.

[15] 張強，王蓉，岳平，等. 復雜條件陸-氣相互作用研究領域有關科學問題探討[J]. 氣象學報，2017，75（1）：39-56.

[16] 付智龍，李國平，姜鳳友，等. 四川盆地西部一次暖區山地暴雨事件的動力過程分析與局地環流數值模擬[J]. 大氣科學，2022，46（6）：1366-1380.

（責任編輯：楊 歡）