李 賀文小航 趙 娜

(1.成都信息工程大學(xué)大氣科學(xué)學(xué)院,四川 成都 610225;2.中國科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室,北京 100101)

0 引言

高精度且連續(xù)化的氣象數(shù)據(jù)對氣候與水文的研究有著重大的研究意義?，F(xiàn)階段,氣象資源的空間化被廣泛應(yīng)用于生態(tài)系統(tǒng)模擬與農(nóng)業(yè)區(qū)劃中。對于地形復(fù)雜地區(qū)氣象要素空間分布的估測與模擬是個廣為關(guān)注的難點[1]。許多學(xué)者采用反距離權(quán)重、克里金等插值法對地形復(fù)雜地區(qū)的氣象要素空間分布進(jìn)行模擬,但其結(jié)果精度不高[2]。WRF模式被廣泛用于數(shù)值模擬與區(qū)域氣候的研究中。前人利用WRF區(qū)域模式對各地的溫度場、環(huán)流場、能量場的結(jié)構(gòu)及其日變化特征進(jìn)行了較為細(xì)致的模擬研究[3]:為得到更高精度的數(shù)據(jù),將WRF模式模擬結(jié)果與不同類型以及來源的數(shù)據(jù)進(jìn)行融合或者同化,如將中國氣象局(CMA)的現(xiàn)場觀測數(shù)據(jù)同化到WRF模式中,得出CMA的網(wǎng)格觀測數(shù)據(jù),這種研究利用遙感數(shù)據(jù)改善了地表參數(shù),并通過數(shù)據(jù)同化系統(tǒng)進(jìn)一步改善大氣要素場[4],但由于初值誤差、模式誤差及大氣混沌性等,WRF模式在數(shù)值預(yù)報方面精度有待提高[5]。

現(xiàn)如今,高精度曲面建模(HASM)已被證實在氣候研究方面可以提高數(shù)值模擬精度[6-7],普遍應(yīng)用于空間插值與數(shù)據(jù)融合,其原理闡述了生態(tài)環(huán)境曲面由外蘊量和內(nèi)蘊量共同決定,在空間分辨率足夠細(xì)的條件下,高精度的生態(tài)環(huán)境曲面可以運用集成微觀過程信息和宏觀格局信息的恰當(dāng)方法(例如高精度曲面建模方法)來構(gòu)建[8-12]。HASM-WRF數(shù)據(jù)融合方法是以宏觀信息為驅(qū)動場,以觀測信息為訂正條件,將同一要素不同來源的多種數(shù)據(jù)融合得到更高精度的數(shù)據(jù)集。在研究中[13]以京津翼地區(qū)為案例,實證了對于HASM數(shù)據(jù)融合方法的合理性。周佳等[8]以四川省為例,將HASM方法用于遙感數(shù)據(jù)融合氣溫實測數(shù)據(jù)以得到更高精度的近地表氣溫。劉宇等[14]用HASM-WRF數(shù)據(jù)融合方法將WRF模式輸出的氣溫同氣象臺站觀測數(shù)據(jù)融合獲得黑河流域30年的高精度溫度場。

實驗采用WRF模式與HASM-WRF數(shù)據(jù)融合方法,以江西省為例,將氣象臺站觀測數(shù)據(jù)作為訂正數(shù)據(jù),改善WRF區(qū)域模式模擬數(shù)據(jù)的精度,估算江西省2019年6-8月近地表氣溫、2 m比濕、10 m風(fēng)速的空間分布與時間序列,并對結(jié)果進(jìn)行精度驗證,評估WRF模式對地形復(fù)雜地區(qū)氣象要素場的模擬性能,檢驗HASM-WRF數(shù)據(jù)融合方法的合理性。

1 資料和方法

1.1 研究區(qū)域介紹

江西省位于113°34＇E～118°28＇E,24°29＇N～30°04＇N,其地形復(fù)雜,東、西、南三面環(huán)山,包含了河谷平原、丘陵、鄱陽湖平原,這使得江西的氣象要素空間分布差異明顯。江西省是中國氣象災(zāi)害較為嚴(yán)重的省份,夏季多發(fā)暴雨、高溫等。研究夏季江西近地表氣象場,對該省農(nóng)林及氣候研究有重要意義。

研究中所用江西省內(nèi)及其周邊地區(qū)氣象觀測站的氣溫資料均來自國家氣象信息中心(http://data.cma.cn),包括2019年共計93個臺站的日平均觀測數(shù)據(jù)(圖1)。圖1方框內(nèi)為內(nèi)重網(wǎng)格及93個氣象臺站,其中三角形標(biāo)注的為實驗中參與數(shù)據(jù)融合的73個臺站,圓形標(biāo)注作為驗證樣本的20個臺站。

1.2 WRF模式的設(shè)置

WRF模式(weather research and forecast model)是由美國國家大氣研究中心(national center for atmospheric research,NCAR)和美國國家環(huán)境預(yù)測中心(national center for environmental prediction,NCEP)等科研機構(gòu)共同開發(fā)的中尺度預(yù)報模式,在氣象科研和業(yè)務(wù)中被廣泛應(yīng)用[16-17]。本研究運行的WRF模式系統(tǒng)采用WRFV4。WRF模式采嵌套方法為雙層網(wǎng)格(圖1),其內(nèi)層覆蓋了江西省地區(qū),內(nèi)外水平網(wǎng)格數(shù)分別取144×99、199×238。水平分辨率分別取9 km、3 km。中心經(jīng)緯度為(27.2°N,115.4°E),初始場及邊界條件數(shù)據(jù)來源于美國氣象環(huán)境預(yù)報中心(NCEP)和美國國家大氣研究中心(NCAR)聯(lián)合制作的FNL逐日再分析資料(https://rda.ucar.edu),每6 h更新一次。采用30 s靜態(tài)地形數(shù)據(jù)。WRF模式對世界時2019年6月1日00時至8月31日24時進(jìn)行模擬,每小時輸出的模擬數(shù)據(jù)進(jìn)行月平均和日平均計算,與處理后觀測數(shù)據(jù)的時間分辨率一致。

對WRF模式參數(shù)化方案的研究已得出的結(jié)論有:YSU對2 m氣溫模擬效果較好[15-16];韓麗娜等[17]分析不同模擬方案下北京市氣象要素模擬精度得出選用RRTM長波輻射方案模擬精度較高的結(jié)論;RRTM長波輻射方案與Dudhia短波輻射方案對風(fēng)速預(yù)報精度較高[18]。故在實驗中,微物理過程采用WSM 3類簡單冰方案;長波輻射方案采用RRTM方案;短波輻射方案采用Dudhia方案;近地層過程采用Monin-Obukhov scheme方案;陸面過程方案為熱擴散方案;邊界層方案采用YSU方案;積云對流過程采用Kain-Fritsch[19]。

1.3 實驗的設(shè)計

HASM模型通過引入權(quán)重可簡化為一個由采樣信息約束控制的最優(yōu)化問題,如式(1)所示[11]。

式中:A、B、C分別為系數(shù)矩陣;d、q、p為常數(shù)向量;Z為待求解向量;n為迭代次數(shù);λ為權(quán)重參數(shù);S為氣溫的系數(shù)矩陣;k為估算的氣象要素值。

最優(yōu)化問題即式(1)等價于

式中:v為向量矩陣;T為對象的轉(zhuǎn)置矩陣,W為對稱正定大型系數(shù)矩陣,通過迭代法計算該方程組,直到滿足精度解時停止迭代,輸出最終的結(jié)果。

使用HASM方法將站點觀測資料和WRF模式輸出結(jié)果融合,主要包括以下步驟:(1)利用NCEP-FNL再分析資料驅(qū)動WRF模式對江西地區(qū)6、7、8月的氣象要素場進(jìn)行估測,對估測結(jié)果進(jìn)行月平均計算。(2)采用最近點賦值法得到WRF格點數(shù)據(jù)中距離檢驗觀測站點最近的格點,并對兩者做殘差,得到月平均近地面氣象要素殘差點,即HASM-WRF的控制場:

OBS-WRF=error

式中,OBS為氣象臺站觀測點數(shù)據(jù),WRF為采用最近點賦值法得到的與距離檢驗站點最近的模式格點數(shù)據(jù),error為兩者的近地表氣象要素殘差數(shù)據(jù)。(3)用克里金插值法將月平均氣象要素殘差點插值成月平均要素殘差場,即為HASM-WRF的驅(qū)動場。(4)利用HASM-WRF方法將驅(qū)動場與控制場進(jìn)行融合,得到融合后的月平均近地面氣象要素殘差場,并與WRF模式輸出的月平均近地面氣象要素場進(jìn)行疊加。

1.4 精度驗證

為保證數(shù)據(jù)精度檢驗的科學(xué)性,將93個氣象觀測站點數(shù)據(jù)分為數(shù)據(jù)融合樣本與驗證樣本,隨機抽取20個站點作為驗證樣本,其余73個臺站數(shù)據(jù)作實驗需要的數(shù)據(jù)融合樣本。精度驗證的參數(shù)采用均方根誤差(RMSE)、平均相對誤差(MRE)、平均絕對誤差(MAE)、偏差(Bais)以及準(zhǔn)確率(HR)。具體表達(dá)式如下:

其中:Tac為兩種模式輸出結(jié)果;Ta為氣象臺站實測氣象數(shù)據(jù);n為樣本個數(shù);Nm為滿足條件的樣本數(shù);S為標(biāo)準(zhǔn)值;氣溫、比濕、風(fēng)速的標(biāo)準(zhǔn)值[20-22]分別為2 K、2 g·kg-1、1 m·s-1。

2 WRF模式與HASM-WRF方法估測結(jié)果的對比分析

2.1 兩種方法對近地表溫度的模擬

就夏季最高、最低和平均氣溫估測結(jié)果來看(表1),HASM-WRF方法具有較高精度,對于高溫、低溫及平均氣溫的估算,該方法的RMSE估算精度相對WRF模式誤差降低了0.7℃、0.27℃和0.52℃,MAE的估算精度分別提高了0.66℃、0.27℃和0.44℃,MRE的估算精度分別提高了2.04%、1.06%和2.24%,準(zhǔn)確率分別提高了18.64%、10.87%和7.36%。WRF模式對于高溫、低溫及平均的模擬普遍存在冷偏差現(xiàn)象,與實測溫度相比WRF模式模擬結(jié)果分別偏冷0.47℃、0.64℃和0.17℃,經(jīng)過HASM-WRF方法訂正,估測結(jié)果偏差降低至-0.19℃、0.34℃和-0.006℃。就夏季各月溫度估測結(jié)果來看(表2),無論是高溫、低溫還是平均氣溫,經(jīng)HASM-WRF方法訂正后的估測結(jié)果精度均比WRF模式模擬精度要高。此可見,HASM數(shù)據(jù)融合方法的應(yīng)用能夠極大提升WRF模擬結(jié)果對氣溫模擬測精度。

表1 兩種方法的平均誤差對比

表2 基于兩種方法的各月最高、最低及平均溫度誤差對比

為表示實驗地區(qū)實際氣溫分布特征,將93個實驗區(qū)內(nèi)臺站觀測點的逐月平均氣溫進(jìn)行克里金插值法得到臺站實測平均氣溫曲面(圖3)。由圖3可知,江西省6月高溫區(qū)出現(xiàn)在南部,溫度約26℃ ～27℃,整體溫度與緯度呈負(fù)相關(guān)關(guān)系,呈現(xiàn)一個北低南高的趨勢;7月高溫區(qū)出現(xiàn)在中部,溫度約28℃ ～28.5℃,8月高溫區(qū)出現(xiàn)在南部溫度約28.5℃ ～30℃。6-8月,逐月增溫約1℃～2℃。WRF模式對6月氣溫場的模擬整體溫度偏高,6月份平均溫度的高溫區(qū)出現(xiàn)在江西省南部的吉安、贛州地區(qū),溫度約為28℃ ～30℃(圖4a);7月份高溫區(qū)出現(xiàn)在江西省中部與南部(撫州、贛州地區(qū)),約28℃ ～30℃(圖4c);8月份整體溫度偏高,高溫區(qū)出現(xiàn)在江西省中部及南部(南昌、宜春、撫州、吉安、贛州地區(qū))溫度大約28℃ ～30℃(圖4e)。HASM-WRF方法估測的6月氣溫場高溫區(qū)出現(xiàn)在江西省中部,高溫區(qū)約26℃ ～28℃(圖4b),更加接近6月份實際溫度場;7月氣溫場大部分溫度較高,高溫區(qū)出現(xiàn)在江西省中部,約為27℃ ～29℃(圖4d);8月份高溫區(qū)出現(xiàn)在江西省中部與南部(贛州地區(qū)),高溫區(qū)溫度約29℃ ～30℃(圖4f)。兩種方法對夏季溫度場的再現(xiàn)較為準(zhǔn)確。

為檢驗WRF模式及HASM-WRF方法對日最高氣溫和最低氣溫的估測能力,利用HASM-WRF數(shù)據(jù)融合方法將6月1日至8月31日的日平均地表氣溫逐日進(jìn)行融合。實驗中WRF模式對14時輸出的模擬數(shù)據(jù)作為模式輸出的日最高溫度,對02時輸出的模擬數(shù)據(jù)作為模式輸出的最低溫度,并將其與臺站觀測日最高溫度與臺站觀測日最低溫度進(jìn)行對比。兩種方法對近地表高溫、低溫及平均溫度變化趨勢的模擬與估測表明(圖5):夏季近地表高溫為24℃ ～37℃,8月整月高溫在36℃上下浮動。WRF模式對6月1日至7月15日高溫模擬較準(zhǔn)確,能夠再現(xiàn)最高溫度的日變化特征,7月15日至8月31日WRF模式的模擬結(jié)果偏冷(圖5a)。通過圖5(b)也能明顯地看出WRF模式在7月15日至8月31日偏差較大,6月1日至7月15日WRF模式模擬高溫結(jié)果與臺站觀測值的偏差在-2℃～2℃,7月15日之后其偏差在-6℃ ～0℃。HASMWRF方法估測的高溫逐日變化特征更貼近實際近地表最高溫度場。HASM-WRF方法估測值與臺站觀測值的偏差控制在-2℃～0.2℃;夏季近地表低溫范圍在18℃ ～28℃(圖5c),WRF模式對低溫模擬整體偏冷,其偏差在-2℃ ～0℃,經(jīng)過HASM-WRF的調(diào)整,其估測結(jié)果的偏差約為0.25℃左右(圖5d)。夏季平均溫度范圍約22℃～32℃。WRF模式對日平均溫度的模擬偏差在-3℃ ～3℃ (圖5e),經(jīng)過HASM-WRF方法的調(diào)整其估測結(jié)果偏差在-0.5℃與0.5℃上下浮動(圖5f),兩種方法都能較好地表現(xiàn)平均溫度場的日變化特征,但WRF模式對8月逐日平均溫度的模擬偏冷。綜合看,WRF模式對8月整月高溫、低溫和平均溫度的模擬均偏冷,HASM-WRF方法較WRF模式能更好地再現(xiàn)研究區(qū)的高溫、低溫及平均溫度的日變化特征。比較WRF與HASM-WRF兩種方法的估測氣溫值與實測氣溫值的散點分布(圖6),結(jié)果表明,WRF模式模擬高溫、低溫和平均溫度分布相對松散,都存在高估和低估偏差大的現(xiàn)象,HASM-WRF方法估算溫度與實測溫度更加接近,大部分散點都聚集在直線兩側(cè),偏差相比WRF模式要小。

2.2 兩種方法對2 m比濕的估測

比濕是水汽與濕空氣的質(zhì)量之比,因其受氣壓變化引起大氣膨脹和收縮影響不大,常用于表征大氣中的水汽含量,被廣泛應(yīng)用于暴雨的水汽條件研究和日常預(yù)報業(yè)務(wù)中。比濕不受溫度影響,為避免溫度估測帶來的誤差影響,實驗采用比濕驗證WRF模式HASM方法估測濕度的能力。

將WRF模式估測結(jié)果及HASM-WRF模式估測的江西地區(qū)6、7、8月的月平均2 m比濕結(jié)果進(jìn)行精度驗證(表3),其結(jié)果表明HASM-WRF模式估測結(jié)果要比WRF模式模擬結(jié)果好。WRF模式模擬各月的RMSE在1.9～2.2 g·kg-1,HASM-WRF方法使估測結(jié)果的RMSE降低至0.8～1.0 g·kg-1,WRF模式模擬各月比濕的MAE在1.68～1.80 g·kg-1,MRE在8.01%～9.47%,HASM-WRF方法使MAE的精度提高了約1.0 g·kg-1,使MRE的精度提高了約5%～7%。WRF模式模擬夏季逐月比濕結(jié)果比臺站數(shù)據(jù)約低1.3～1.6 g·kg-1,經(jīng)過HASM-WRF模式訂正,其數(shù)據(jù)融合后結(jié)果比臺站約低0.25 g·kg-1。其中WRF模式對7月份估測效果更好,HASM-WRF模式對6月份糾正效果更好。兩種方法均能很好地再現(xiàn)6-8月實際比濕的逐日變化特征(圖7a),但WRF模式對6～8月逐日平均比濕的模擬相比臺站實測平均比濕均偏低約0～4.0 g·kg-1(圖7b),HASM-WRF方法的模擬值相比實測值偏低約0.25 g·kg-1。比較兩種方法模擬值與實測值的散點分布,WRF模式輸出的部分?jǐn)?shù)值相差較大(圖8a),HASM-WRF方法更加穩(wěn)定估測精度比WRF模式更高(圖8b)。

表3 基于兩種方法的各月平均比濕誤差對比

2.3 兩種方法對10 m風(fēng)速的估測

表4為兩種方對各月平均10 m風(fēng)速模擬值與臺站實測風(fēng)速誤差對比,WRF模式各月的模擬值RMSE約在1.77～3.08 m/s,MAE約在1.32～1.35 m/s,MRE約在2.88%～3.52%,偏差在-0.06～0.35 m/s;經(jīng)HASMWRF方法訂正后,RMSE的精度提高了0.07～0.6 m/s,MAE精度提高了0.02～0.16 m/s,MRE的精度提高了0.1%～0.51%,偏差的精度無明顯變化。兩種方法對逐日平均風(fēng)速的模擬變化較差(圖9a),WRF模式模擬結(jié)果與臺站實測數(shù)據(jù)的殘差較大,在-1～2 m/s浮動,經(jīng)過HASM-WRF方法的訂正,殘差在-1～1 m/s上下浮動(圖9b)。兩種方法模擬值與觀測值的散點分布也相對溫度與比濕的模擬松散(圖10),WRF模式的模擬表現(xiàn)不如HASM-WRF方法,其散點分布更加松散。整體來看WRF模式對風(fēng)速的模擬效果不如溫度與比濕,這在其他區(qū)域也有相同的結(jié)論,通常情況由于系統(tǒng)誤差,WRF模式對風(fēng)速模擬值偏大[22-23]。

表4 基于兩種方法的各月平均風(fēng)速誤差對比

3 結(jié)論

通過對比WRF模式估測結(jié)果、HASM-WRF數(shù)據(jù)融合方法估測結(jié)果與臺站資料在江西省及其周邊地區(qū)氣象要素的空間分布與時間序列,并對兩種方法的估測結(jié)果進(jìn)行精度驗證,綜合評估了兩種方法在復(fù)雜地形條件下的估測性能,得到主要結(jié)論:

(1)WRF模式能較準(zhǔn)確地估測江西地區(qū)近地表氣溫的空間分布特征,HASM-WRF方法能夠改善WRF模式估測氣溫場的結(jié)果:江西省夏季高溫區(qū)在省內(nèi)南部24.5°N～26°N,115 °E～116°E(贛州地區(qū)),整體溫度與緯度呈負(fù)相關(guān)關(guān)系,呈現(xiàn)一個北低南高的趨勢。WRF模式對高溫區(qū)溫度的模擬偏低,HASM-WRF方法對8月夏季溫度場的模擬最為準(zhǔn)確。

(2)WRF模式能較準(zhǔn)確地再現(xiàn)江西地區(qū)近地面氣象場及其時間變化特征,WRF模式對江西地區(qū)近地面的氣溫、比濕和風(fēng)速的估測準(zhǔn)確率分別為82.88%、64.58%、47.85%。WRF模式估測的比濕偏低,風(fēng)速偏高。HASM-WRF數(shù)據(jù)融合方法對江西地區(qū)近地面氣溫、比濕和風(fēng)速的估測準(zhǔn)確率分別為95.27%、95.54%和49.42%。相比較 WRF模式輸出結(jié)果,HASM-WRF數(shù)據(jù)融合方法分別將近地面氣溫、比濕和風(fēng)速的準(zhǔn)確率提高了12.34%、30.96%和1.57%。

(3)WRF模式氣溫的估測效果最好,比濕次之,風(fēng)速的誤差相對較大。其中溫度的RMSE在1.39℃～1.56℃,MAE在1.10℃ ～1.27℃,MRE在4.01%～4.68%;比濕的 RMSE在1.96～2.15g·kg-1,MAE在1.60～1.80 g·kg-1,MRE 在8.01%～9.47%;風(fēng)速的 RMSE在1.77～3.08 m/s,MAE在1.32～1.35 m/s,MRE在2.88%～3.52%。經(jīng)過HASM-WRF方法的訂正,各氣象要素的各模擬精度都有所提升,其中溫度的RMSE精度提升了0.43℃ ～0.57℃,MAE的精度提升了0.36℃～0.48℃,MRE的精度提升了0.72%～1.92%;比濕的RMSE降低至0.8～1.0 g·kg-1,MAE的精度提高了約1.0 g·kg-1,MRE的精度提高了約5%～7%;風(fēng)速的RMSE的精度提高了0.07～0.6 m/s,MAE精度提高了0.02～0.16 m/s,MRE精度提高了0.1%～0.51%。HASM-WRF數(shù)據(jù)融合方法對近地表氣溫和比濕的估測都很準(zhǔn)確,對WRF模式估測比濕的結(jié)果訂正效果最好,對風(fēng)速的訂正效果最差。