次网格地形参数化对WRF模式在复杂地形区风场模拟的影响

马晨晨，余　晔，何建军，陈　星，解　晋

(1.中国科学院寒区旱区环境与工程研究所，中国科学院寒旱区陆面过程与气候变化重点实验室，甘肃　兰州　730000；2.中国科学院平凉陆面过程与灾害天气观测研究站，甘肃　平凉　744015；3.中国科学院大学，北京　100049；4.江苏连云港市气象局，江苏　连云港　222006)



次网格地形参数化对WRF模式在复杂地形区风场模拟的影响

马晨晨1, 4，余晔1,2，何建军1,3，陈星1,3，解晋1,3

(1.中国科学院寒区旱区环境与工程研究所，中国科学院寒旱区陆面过程与气候变化重点实验室，甘肃兰州730000；2.中国科学院平凉陆面过程与灾害天气观测研究站，甘肃平凉744015；3.中国科学院大学，北京100049；4.江苏连云港市气象局，江苏连云港222006)

摘要：黄土高原特殊的地形导致该地区风场特征复杂，本文以黄土高原为研究对象，通过3组数值模拟试验，探讨次网格地形参数化对WRF模式模拟近地面风场的影响。结果表明：地形越复杂，次网格地形标准差越大，WRF模式中离站点最近格点的海拔高度与站点实际海拔高度差异越大；研究时段内，若不考虑次网格地形影响，观测风速较小时，WRF会高估风速，而观测风速较大时，WRF则低估风速。在相对平坦的地区，模拟风速与观测风速之间的均方根误差较小，地形越复杂时，均方根误差越大。采用次网格参数化方案后，模式对风速的模拟有明显改进，认同指数、准确率、相关性等都有明显提高，模拟误差明显降低。3组试验均能模拟出风速的日变化，但不考虑次网格地形影响时，模拟的风速几乎是观测值的2倍，考虑次网格地形影响后，模拟的风速明显降低，其中Jimenez方案模拟的风速与观测值之间的偏差最小，能更好地描述风速的空间分布特征，而Mass方案仅降低了平原和山谷地区的风速却没有突出山区的高风速，对风速空间变化的模拟不如Jimenez方案。

关键词：WRF；黄土高原；次网格地形；风场

引言

风是基本气象要素之一，在天气变化、局地气候形成、空气质量演变等方面都有重要作用。如局地环流与大气边界层相互作用，它可促进天气系统的发展和演变，在有利的流场条件和天气形势下，还可能形成局地强对流，引发灾害性天气[1-2]；低空风场的变化是造成海平面温度变化的重要原因，也是造成海平面高度异常的重要因素[3]；在某些特定地区，如柴达木盆地、黄土高原等，风侵蚀是形成下垫面特征最重要的因素，且风场强度与风蚀的面积变化存在相关性[4-5]。风也是反映大气稳定性的重要参量，局地风场特征对污染物扩散有十分明显的影响[6-8]。风还是一种可再生资源，为风能发电提供最基本的动力，而风能在能源结构中占有越来越重要的地位[9-11]。影响风分布和变化的因素有很多，其中地形对风场的形成具有重要作用[12]，在复杂地形区，由于地形对气流的强迫抬升、阻挡和狭管效应等造成复杂的流场，影响当地盛行风向[13-15]。而数值模式为了保证计算的稳定性，会对地形进行平滑处理，这样会丢失一些小尺度的地形信息，造成模式模拟风速在复杂地形区出现较大偏差[16]。

目前，对于风场的研究主要从2个角度展开：(1)观测角度，即单纯地利用气象站点的观测资料分析某一区域风场的特征[17-21]；(2)模拟角度，即借助数值模式，结合观测资料，探讨模式模拟风场的代表性，这种方法可加深对风场形成的物理过程与机制的认识[22-24]。以观测为基础的研究一般假设观测点的风速数据具有代表性，能够说明其周边一定范围内的风场特征，相邻的多个站点的风场信息能够反映较大区域的风场特征，由此得到较大尺度的风场信息，并结合其他气象要素分析其影响。这种方法的有效性依赖于观测数据的准确性和可用性，地形的复杂程度会影响风速观测值的区域代表性。目前观测站点的布设仍然以获取区域大尺度气象背景信息为主，在复杂地形区站点分布仍很稀疏，仅靠观测资料无法得到这些地区详细的风场空间分布信息，如由地形强迫抬升、地形阻挡、狭管效应等造成的复杂流场[14]。研究中常用诊断模式或预报模式对风场进行模拟：诊断模式主要将观测信息和模式融合以产生一个连续的风场插值，但是由于其主导方程是线性的，在有陡峭斜坡的复杂地形区的应用存在一定问题，此外诊断模式不考虑热效应的影响，因而只适用于评估地形对稳定的平均风的影响[25]；预测模式综合考虑了热效应，结果更加准确，应用也更加广泛，是目前最常用的方法。

WRF(Weather Research and Forecasting)模式是目前全球应用较广泛的中小尺度数值模式之一，WRF模式的模拟效果与模式空间分辨率、初始条件、模拟时长、参数化方案选取、驱动资料等多个因子有关[26-30]，不同下垫面、不同地区、不同季节和不同天气形势下WRF模式的模拟性能存在一定差异[31-32]。已有研究表明WRF模拟的风场与观测值偏差较大，模拟值偏高，模拟的风向准确性较低，而在复杂地形区，这种偏差表现得更加明显[33-36]。黄土高原地形复杂，地貌类型多样，广泛分布着黄土塬、黄土墚、黄土峁、黄土岭、黄土沟谷、坪地、低地、

山丘等[37-38]，海拔高度变动范围大，特殊的地形状况导致该地区风场特征非常复杂，研究次网格地形参数化对WRF模式模拟黄土高原近地面气象场的影响，对进一步完善次网格地形参数化方案，利用数值模式研究复杂地形区地表与大气边界层相互作用的过程和机制有一定指导意义。

1模式初始化及试验设计

本研究选用NCEP FNL 1°×1°资料为WRF提供的初始场和侧边界条件。模式采用双向4重嵌套，水平格距分别为27、9、3、1 km，格点数分别为188×154、145×127、145×121和187×145(南北向×东西向)(图1a)，垂直方向分为35层，模式层顶气压为50 hPa。由于观测资料连续性的限制，研究时段选取2012年6月1日00:00(北京时, 下同)至2012年8月3日15:00。模式分3段进行积分：2012年5月30日20:00至2012年7月1日08:00、2012年6月29日20:00至2012年8月1日08:00、2012年7月30日08:00至2012年8月3日20:00。每一段的前24 h作为模式起转时间，不用于后续分析，模式结果每小时输出一次。第4重模拟区域包括了六盘山复杂地形区，海拔高度从几百米到2 800 m，是本研究的主要分析区域，在该区域范围内，收集了30个气象站点的基本气象要素数据，其中1~19号气象站点数据每小时记录一次，20~30号气象站点数据每隔3 h记录一次。第4重模拟区域地形和气象站点分布见图1b。

图1　WRF模拟区域及地形(a)及第4重嵌套区域地形和气象站点分布(b)(单位：m)

次网格地形的存在使模式无法准确刻画地形，在复杂地形区尤为如此。根据本试验的设计，若不考虑次网格地形，模式对地形的模拟仅能精确到1 km，小于此尺度的地形均无法识别，但次网格地形的精度为90 m，考虑次网格地形则能更加准确描述复杂地区地形特征。为了分析次网格参数化对风场模拟结果的影响，设计了3组试验(表1)，其他参数化方案各试验相同：微物理参数化选用WSM6(WRF Single-Moment 6-class)方案[39]，积云参数化选用K-F方案[40]，辐射参数化选用RRTM(Rapid Radiative Transfer Model)长波辐射方案[41]和Dudhia短波辐射方案[42]，边界层参数化选用YSU方案[32]，近地面参数化选用Monin-Obukhov相似理论方案，陆面过程参数化选用Noah陆面过程模式[43]。

表1　试验设计

选取第4重嵌套中距离观测点最近的模式格点数据与观测数据进行比较，应用多个统计量评估模式在黄土高原地区的模拟性能，各统计参量的计算方法列于表2。风向具有特殊属性，因而本研究仅用HR、RMSE、ME这3个统计参量评估WRF模式对该要素的模拟性能。计算HR所用气温、比湿、风速和风向的标准值分别取2 K、10 %、1 m/s和30°[47-48]。

表2　统计量计算方法

2次网格地形参数化方案介绍

2.1Jimenez方案

Jimenez方案[44]的主要特点是将平原/山谷地区与高山/丘陵区别开来，用适当的参数解决WRF对风速模拟的问题。首先用地形拉普拉斯算子△2hi,j判断地形，计算方法如下：

(1)

hi,j代表i行j列格点的海拔高度。若Δ2hi,j为正则表示格点(i，j)处于山谷，若Δ2hi,j为负则表示该格点处于高山或者丘陵，若接近0则表示此处为平原。Δ2hi,j值与模式水平分辨率有关。在模式中，取-20 m为判断格点为山谷/平原或丘陵/高山的临界值，即Δ2hi,j>-20 m则格点处为山谷或平原，Δ2hi,j<-20 m则视为丘陵或高山。

该方案引入地形特征参数ct，考虑地形校正并调整动量守恒方程中与植被相关的地表拖曳力，即在动量守恒方程中增加一项-ctu*2u/ΔzV。其中，u代表模式第一层的纬向风分量，V代表模式第一层风速，u*是摩擦速度，△z为模式第一层的厚度。ct是Δ2h和次网格地形标准差(σsso)的函数：

(2)

式中，α=(Δ2h+20)/10，e为自然对数底2.718。

由于WRF低估山顶区风速，而在山谷区则高估风速，Jimenez方案使拖曳力在陡峭的山顶降低为0，在山区部分，该方案将10 m风速与模式最底层风速V建立一个变化的权重关系，补偿对山区风速的低估，在平原/山谷地区用lnσsso项修正模式对风速模拟的正偏差。

2.2Mass方案

Mass等[45-46]研究了不同边界层参数化方案和模式垂直分层对WRF模式模拟风场的影响，发现这2个因素的影响很小，但随后的研究发现在提高模式格点分辨率后，模式对风速的模拟有所改善，于是想到次网格地形对粗糙度的可能影响。Mass方案让模式中的地表拖曳力或粗糙度长度随次网格地形方差变化。依据大量试验，该参数化方案建立了摩擦速度与次网格地形方差之间的函数关系，通过

增加边界层参数化方案中摩擦速度u*来表征次网格地形的拖曳[49]。

3结果与分析

3.1次网格地形对风场模拟结果的影响

图2a是第4重嵌套区域的地形特点，可见研究区地形复杂，六盘山位于研究区西侧，海拔2 700 m以上，研究区中东部海拔较低，最低处海拔仅800 m左右，研究区不规则地分布着山谷、沟壑。六盘山的实际海拔高度约为3 000 m，与实况相比，模式中的地形较为平坦，海拔越高模式中地形误差越大。在研究区内，不均匀地分布着30个气象站点 (图1b)，六盘山附近及其西侧气象站点较少，其中23、28和30号站点位于六盘山附近，海拔较高，大部分观测站点都分布在研究区东部海拔较低的地方，且站点基本成线状分布。

图2　第4重嵌套区域地形特点 (a) 及次网格地形标准差(单位：m) 分布(b)(等值线是地形海拔高度，单位：m)

图3是研究时段内所有站点风速观测值与Base试验模拟结果的散点图，研究时段内风速较小，6 m/s以下的风速所占比例较大。不难看出，当风速<5 m/s时，模拟风速明显高于观测值，2 m/s以下风速模拟值与观测值的偏差最大，风速>10 m/s时，模拟结果较观测值低，这说明WRF会高估低风速，低估高风速，即WRF模式低估了风速的空间变化幅度，这与前人的研究结果相吻合[36,50-51]。Base试验模拟风速与观测风速的均方根误差(RMSE)在各站点相差较大(图4)，在相对平坦的地区RMSE较小，六盘山海拔较高，其附近的23、28号站点的风速均方根误差均较大，在研究区东部海拔较低的地方，如4和9号站点位于山谷中，模拟误差也较大，误差分布特点与各个观测站点附近局地地形有关。

图3　观测风速与Base试验模拟风速的散点图

次网格地形是影响风速模拟结果的重要因素。由图2b给出的第4重嵌套区域次网格地形标准差分布可以看出研究区次网格地形标准差分布很不均匀，在海拔较低的东部地区，标准差较小，而在西侧的六盘山附近，标准差最大。值得注意的是次网格地形标准差的大小与Base试验模拟风速的RMSE的空间分布存在较好的对应关系，即次网格地形标准差越大(地形越复杂)，WRF模拟的风速误差越大(图4)。

站点实际海拔高度与模式中离站点最近格点的海拔高度存在一定差别，从图5a中不难发现，观测站点与模式中最近格点的海拔高度差与次网格地形标准差呈现较明显的正相关关系，即次网格地形标准差越大，模式中地形与实际地形差异越大。次网格地形标准差与Base试验模拟的风速的均方根误差也存在正相关关系(图5b)。说明地形越复杂，站点实际海拔高度与模式中最近格点海拔高度差越大，模式模拟风速与观测风速之间的RMSE也越大，因而要正确模拟风速的变化，有必要考虑次网格地形的影响。

图4　Base试验模拟风速与观测风速均方根

图5　站点实际海拔高度与模式中最近格点海拔高度差(Δh)与次网格地形标准差(σsso)

3.2次网格地形参数化对近地面风速的影响

对研究时段内3组试验模拟的风速和实际观测风速进行综合分析，做出不同风速出现频率图(图6a)。2012年夏季，研究区超过40%的风速集中在1～2 m/s之间，2～3 m/s之间的风速约占30%，<1 m/s的风速约占8%，>5 m/s的风速不足5%，可见，研究时段内研究区以<4 m/s的低风速为主，70%以上的风速集中在1～3 m/s之间。Base试验模拟的风速与观测值差异明显，模拟结果明显低估了3 m/s以下风速出现的频率，大大高估了高风速出现的频率。模拟风速在2～4 m/s之间出现频率最大，超过40%，在1～2 m/s之间出现频率仅为17%左右，与观测结果的>40%差异明显，而风速在4～5 m/s之间出现的频率约为18%，>5 m/s风速出现的频率约为25%，与观测结果的不足5%差异明显，可见Base试验明显高估了低风速。与Base试验相比，J实验和M试验模拟的风速有比较明显的改进，2组试验模拟的风速都主要分布在1～4 m/s之间，J试验模拟的风速在1～3 m/s之间出现的频率约比M试验高4%，在0～1 m/s之间出现的频率约比M试验高5%。2组试验对4 m/s以上风速的模拟差异较大，J试验模拟的风速>4 m/s的频率明显低于M试验。总体而言，考虑次网格参数化后WRF对风速的模拟有所改进，相对于Base试验，J试验和M试验明显增加了低风速出现的频率，大大降低了较高风速出现的频率，与观测结果更趋吻合。与M试验相比，J试验模拟的低风速出现频率更高。研究时段内，风向多变，以偏南风居多，3组试验的模拟结果差异不明显，偏南风出现的概率最大，偏北风出现的概率也较大(图6b)。

图6　观测和3组试验模拟的风速(a)和风向(b)的概率分布

仅选用每小时记录的气象站点的数据计算平均风速的日变化(图7)。观测风速的峰值出现在13:00~16:00(北京时)之间，超过2 m/s，夜间风速较小。3组试验都能比较准确地模拟出风速的日变化，但模拟风速在所有时刻均高于观测值，Base试验与观测结果的差异最大，几乎是观测值的2倍，与Base试验相比，J试验和M试验模拟的风速明显降低，其中J试验模拟的风速与观测值最为接近，误差<0.5 m/s，M试验模拟的风速略高于J试验，约比观测值高0.7 m/s。

为了定量分析次网格地形参数化方案对WRF模拟近地面风的影响，对所有站点10 m风速、风向进行统计分析，结果列于表3。不同次网格地形参数化方案对风速的模拟结果影响非常显著。Base试验模拟的风速与观测风速的认同率为0.48，J试验和M试验的认同率为0.59，准确率也由Base试验的38.8%分别提高到51.7%和49%，相关系数也由0.3提高到0.35和0.32，尽管3组试验的平均风速都高于观测值，但使用次网格地形参数化方案后，模拟的平均风速明显降低，其中J试验的结果与观测值更接近，仅比观测风速高0.4 m/s。2组次网格地形参数化方案对WRF模拟风速的改进都比较明显，其中Jimenez参数化方案更加有优势，但对风向的改进不明显。由于2组次网格地形参数化方案都是针对风速提出的，考虑次网格地形影响后模拟风速明显降低，与观测值更加接近。

图7　研究区内所有站点平均风速日变化

统计量风速风向BaseJMBaseJMIA0.480.590.56HR38.8%51.7%49%30.17%28.31%29.81%MB1.26m/s0.36m/s0.60m/sME1.74m/s1.25m/s1.32m/s92.45°96.74°92.63°RMSE2.28m/s1.65m/s1.74m/s125.2°129.1°125.2°R0.300.350.32M_F3.10m/s2.20m/s2.43m/sM_O1.83m/sSTD_F1.85m/s1.55m/s1.53m/sSTD_O1.23m/sNMB68.94%19.65%32.55%NME94.99%68.12%72.21%

3.3次网格地形参数化对风场区域特征的影响

能否模拟出风场的区域变化特征，是评估次网格地形参数化方案的一个重要指标。为了考察2组次网格地形参数化方案对风速空间分布的模拟，将所有站点观测风速的平均值分别与3组试验模拟结果的平均值进行对比，并求出空间相关系数，发现3组试验的模拟风速与观测值的空间相关性都较好，其中J试验模拟风速与观测值的空间相关性最高，达0.73，而M试验模拟风速与观测值的空间相关性最低，只有0.65，Base试验与观测值的相关性为0.67。可见，2组次网格地形参数化方案对风速空间分布特征的影响不尽相同，Jimenez方案有效改进了模式对风速空间分布特征的模拟性能，但Mass方案却没有把握住风场的空间分布特征，模拟结果的空间变化范围较小，与观测值差异明显。

为了比较考虑次网格参数化方案前后模拟误差的变化，定义均方根误差变化率：

(3)

式中下标i等于1或2，分别代表J试验和M试验模拟风速与观测风速的均方根误差，RMSE0代表Base试验模拟风速与观测风速的均方根误差。在此定义下，正值和负值分别表示敏感性试验的均方根误差减小和增大。图8是J试验和M试验均方根误差变化率的空间分布。2组试验对模拟结果的改进都非常明显，但对不同站点改进程度不一。J试验的最大改进接近50%(站点9，地理位置参见图1b)，大部分站点的改进程度在20%～45%之间，但在某些站点，改进程度较小，如1号站点改进仅为2%，25号站点改进6%。M试验的改进效果较差，最大改进程度为40%(站点26，地理位置参见图1b)，大部分站点的改进效果为15%～35%，但改进效果相对均匀，除23号站点的改进程度为6%，其他站点的改进均在15%以上。总体上，J试验在大部分站点的改进效果更明显，变动范围也较大，而M试验对所有站点的改进效果相差不大，但改进程度较J试验低。

为了更详细地说明2组次网格地形参数化方案模拟风场空间分布的差异，将第4重嵌套区域内所有格点的风速进行时间平均，得到平均风速空间分布(图9)。可以看出3组试验差异明显：Base试验模拟的风速变动范围较小，主要集中在2～5 m/s之间，以3～4 m/s之间的风速最多，而J试验模拟的风速变动范围最大，风速偏小，研究区域内大部分格点的风速在1～2 m/s之间，而且模拟出了六盘山地区的风速。相对于Base试验而言，M试验增加了低风速的分布范围，但整个区域风速都较小，六盘山附近风速与其它地区没有明显区别。不考虑地形次网格参数化时，WRF往往低估山区的风速，高估山谷和平原地区的风速，致使风速的空间变化范围小于实际观测，J试验明显提高了对风速变动范围的预测，加强了山区的风速，降低了山谷和平原地区的风速，但M试验只是降低了山谷和平原地区的风速，没有突出山区的较大风速。

图8　J试验(a)和M试验(b)与Base试验相比模拟风速与观测风速均方根误差的相对变化空间分布

图9　3组试验平均风速(单位：m/s)在第4重嵌套区域的分布

4结论与讨论

(1)次网格地形是影响WRF模式对风场模拟性能的重要因素。研究区地形复杂，呈现西部高、东部低的走势，海拔高度变动范围大，研究区内站点分布不均匀。WRF模式中地形高度较实际情况平坦，次网格地形标准差越大，地形越复杂，模式中地形与实际地形偏差越大。研究时段内，研究区风速较小，平均风速<5 m/s，不考虑次网格地形影响时，观测风速较小时，WRF会高估风速，而风速较大时，则低估风速。在相对平坦地区WRF模拟风速与观测风速之间的均方根误差较小，在复杂地形区，均方根误差较大。

(2)使用次网格地形参数化后，模拟风速明显改进，1～3 m/s风速出现的频率增加，5 m/s以上风速出现的频率减少，与观测风速更加吻合。引入地形特征参数的Jimenez方案模拟结果中低风速出现的频率更高，而基于摩擦速度与次网格地形方差之间函数关系的Mass方案模拟的较高风速出现的频率相对较高。WRF能模拟出风速的日变化，但不考虑次网格地形影响时，模拟风速几乎是观测值的2倍，考虑次网格地形影响后模拟风速明显降低，其中Jimenez方案模拟的风速与观测值之间的偏差最小。

(3)Jimenez方案能更好地描述风速的空间分布特征，而Mass方案仅降低了平原和山谷地区的风速却没有突出山区的高风速，对风速空间变化的模拟较差。

总体上，考虑次网格地形影响后，WRF对风速模拟改进明显，模拟风速与观测风速之间的认同指数、准确率和相关性都有明显提高，模拟误差明显降低，平均风速更加接近观测值，且Jimenez方案的改进效果优于Mass方案。

由于观测资料限制，本文仅对夏季时段进行了研究，模拟结果的代表性存在值得商榷的地方。另外，研究区地形复杂，但用于验证模式结果的气象站点在研究区分布很不均匀，大部分站点位于较为平坦开阔的地区，高山和山谷地区站点分布稀疏，可能会对模式验证造成一定影响。本文选择距离站点最近的模式格点模拟值与观测值进行对比，尽管该方法在以往研究中广泛应用，但也有学者指出该方法在复杂地形区会造成模式格点与实际观测点偏离很大的情况(如地形高度偏差、迎风坡与背风坡偏差、山谷与山顶位置偏差、土地利用方式偏差、土壤类型偏差等)，今后研究中需要考虑格点代表性对研究结果的影响。

参考文献:

[1] 齐瑛,傅抱璞. 局地环流与大气边界层湍流相互作用的数值研究[J]. 高原气象,1992,11(1):12-32.

[2] 何群英,解以扬,东高红,等. 海陆风环流在天津2009年9月26日局地暴雨过程中的作用[J]. 气象,2011,37(3):291-297.

[3] 卢军治. 中国沿海海平面异常特征关系分析[D]. 青岛：中国海洋大学,2003.

[4] Rohrmann A, Heermance R, Kapp P, et al. Wind as the primary driver of erosion in the Qaidam Basin, China[J]. Earth and Planetary Science Letters, 2013,374:1-10.

[5] 张国平,刘纪远. 中国风蚀景观面积变化与地表风场强度的关系[J]. 地理学报,2002,57(1):1-10.

[6] 陈雷华，余晔，陈晋北，等．2001~2007年兰州市主要大气污染物污染特征分析[J]．高原气象，2010，29(6)：1627-1633．

[7] 王健，吴彦，刘晖．乌鲁木齐市地面风场特征及其对空气污染影响初探[J]．新疆环境保护，2008，30(3)：24- 28．

[8] 刘宇，王式功， 尚可政，等．兰州市低空风时空变化特征及其与空气污染的关系[J]．高原气象，2002，21(3)：322-326．

[9] Sun X, Huang D. An Explosive Growth of Wind Power in China[J]. International Journal of Green Energy, 2014,11(8):849-860.

[10] 王毅荣,张存杰. 河西走廊风速变化及风能资源研究[J]. 高原气象,2007,25(6):1196-1202.

[11] 吴琼,贺志明. 沙岭风场风能资源分析与评价[J]. 能源研究与管理,2012(3):37-39.

[12] 张人文,范绍佳,李颖敏. 2008 年秋季从化山谷风观测研究[J]. 热带气象学报,2012,28(1):134-139.

[13] 杜中木，张素华. 兰州中低层风向与降水的关系[J]. 甘肃气象，1995，13(4):13-15.

[14] Whiteman C D. Mountain Meteorology: Fundamentals and Applications[M]. New York: Oxford University Press, 2000.355.

[15] 王建鹏，孙继松，王式功，等. 盆地地形下西安城市热岛效应对周边降水的影响[J]. 干旱气象，2011,29(2):168-173.

[16] Tie X, Madronich S, Li G H, et al. Characterizations of chemical oxidants in Mexico City:A regional chemical dynamical model (WRF-Chem) study[J]. Atmospheric Environment, 2007,41(9):1989-2008.

[17] Hannu Savijärvi, Jin Liya．Local winds in a valley city[J]．Boundary-Layer Meteorology，2001，100(2)：301-319．

[18] Katherine Klink.Trends and interannual variability of wind speed distributions in Minnesota[J]．American Meteorological Society, 2002,15：3311-3317．

[19] 王桂玲，蒋维楣．复杂地形上的低层风场特征[J]．解放军理工大学学报(自然科学版)，2006，7(5)：491-495．

[20] Pedro A Jiménez，J Fidel González-Rouco. Climatology of wind patterns in the northeast of the Iberian Peninsula[J]．Royal Meteorological Society, 2009,29(4):501-525．

[21] Lancaster N, Baas A. Influence of vegetation cover on sand transport by wind: field studies at Owens Lake, California[J]. Earth Surface Processes and Landforms, 1998,23(1):69-82.

[22] Rife D L, Davis C A, Liu Y, et al. Predictability of low-level winds by mesoscale meteorological models[J]. Monthly Weather Review, 2004,132(11)：2553-2669.

[23] Žagar M, Rakovec J. Small-scale surface wind prediction using dynamic adaptation[J]. Tellus A, 1999,51(4):489-504.

[24] Carvalho D, Rocha A, Gómez-Gesteira M, et al. A sensitivity study of the WRF model in wind simulation for an area of high wind energy[J]. Environmental Modelling & Software, 2012,33:23-34.

[25] Ratto C F, Festa R, Romeo C, et al. Mass-consistent models for wind fields over complex terrain:the state of the art[J]. Environmental Software, 1994,9(4):247-268.

[26] 董俊玲,韩志伟,张仁健,等. WRF模式对中国城市和半干旱地区气象要素的模拟检验和对比分析[J]. 气象科学,2011,31(4):484-492.

[27] 张宇,郭振海,张文煜,等. 中尺度模式不同分辨率下大气多尺度特征模拟能力分析[J]. 大气科学,2010,34(3):653-660.

[28] Ruiz J J, Saulo C, Nogués-Paegle J. WRF Model Sensitivity to Choice of Parameterization over South America:Validation against Surface Variables[J]. Monthly Weather Review, 2010,138(8):3342-3355.

[29] 王颖,张镭,胡菊,等. WRF模式对山谷城市边界层模拟能力的检验及地面气象特征分析[J]. 高原气象,2011,29(6):1397-1407.

[30] Wilby R L, Dawson C W, Barrow E M. SDSM—a decision support tool for the assessment of regional climate change impacts[J]. Environmental Modelling & Software, 2002,17(2):147-159.

[31] Hong S Y, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Monthly Weather Review, 2006,134(9):2318-2341.

[32] Janjic Z I. The surface layer in the NCEP Eta Model, Eleventh Conference on Numerical Weather Prediction[J]. Amer Meteor Soc, 1996,8:354-355.

[33] Michelson S A, Bao J W. Sensitivity of Low-Level Winds Simulated by the WRF Model in California’s Central Valley to Uncertainties in the Large-Scale Forcing and Soil Initialization[J]. Journal of Applied Meteorology & Climatology, 2008,47(12)：3131-3149．

[34] Chin H S, Glascoe L, Lundquist J, et al. Impact of WRF physics and grid resolution on low-level wind prediction:towards the assessment of climate change impact on future wind power[C]//Fifth International Symposium on Computational Wind Engineering. NC: Chapel Hill, 2010.23-27.

[35] Shimada S, Ohsawa T. Accuracy and characteristics of offshore wind speeds simulated by WRF[J]. Sola, 2011,7:21-24.

[36] Papanastasiou D K, Melas D, Lissaridis I. Study of wind field under sea breeze conditions; an application of WRF model[J]. Atmospheric Research, 2010,98(1):102-117.

[37] Wen J, Wang L, Wei Z G．An overview of the Loess Plateau mesa region land surface process field experiment series (LOPEXs)[J]. Hydrol Earth Syst Sci，2009,13(6):945-951.

[38] 李耀辉，韩涛．基于EOS/MODIS资料的中国黄土高原西部土地覆盖分类[J]．高原气象，2008，27(3)：538-543.

[39] Hong S Y, Dudhia J, Chen S H. A Revised Approach to Ice Microphysical Processes for the Bulk Parameterization of Clouds and Precipitation[J]. Mon Wea Rev, 2004,132(1):103-120.

[40] Kain J S. The Kain-Fritsch convective parameterization:An update[J]. J Appl Meteor, 2004,43(1):170-181.

[41] Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres:RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research:Atmospheres (1984-2012), 1997, 102(D14):16663-16682.

[42] Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. Journal of the Atmospheric Sciences, 1989,46(20):3077-3107.

[43] Chen F, Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001,129(4):569-585.

[44] Jiménez P A, Dudhia J. Improving the Representation of Resolved and Unresolved Topographic Effects on Surface Wind in the WRF Model[J]. Journal of Applied Meteorology & Climatology, 2012,51(2):300-316.

[45] Mass C, Ovens D. WRF model physics:Problems, solutions and a new paradigm for progress[A]. Preprints, 2010 WRFUsers’ Workshop, Boulder, CO, NCAR,2010

[46] Mass C, Ovens D. Fixing WRF’s high speed wind bias: A new subgrid scale drag parameterization and the role of detailed verification[A]. Preprints, 24th Conf on Weather and Forecasting/20th Conf on Numerical Weather Prediction, Seattle, WA, Amer Meteor Soc, 2011.9B.6.

[47] 张碧辉，刘树华，Liu H P，等. MYJ和YSU方案对WRF边界层气象要素模拟的影响[J]. 地球物理学报，2012，55(7)：2239-2248.

[48] Cox R, Bauer B L, Smith T. A mesoscale model intercomparison[J]. Bull Amer Meteor Soc, 1998,79(2):265-283.

[49] Mass C et al. http://www.atmos.washington.edu/~ovens/windbias/.

[50] Jiménez P A, González-Rouco J F, García-Bustamante E, et al. Surface Wind Regionalization over Complex Terrain: Evaluation and Analysis of a High-Resolution WRF Simulation[J]. Journal of Applied Meteorology & Climatology, 2010,49(2):268-287

[51] Cheng W Y Y, Steenburgh W J. Evaluation of surface sensible weather forecasts by the WRF and the Eta models over the western United States[J]. Weather & Forecasting, 2005,20(5):812-821.

Effect of Subgrid-scale Terrain Parameterization on WRF’s Performance on Wind Field over Complex Terrain

MA Chenchen1,4, YU Ye1,2, HE Jianjun1,3, CHEN Xing1,3, XIE Jin1,3

(1.KeyLaboratoryofLandSurfaceProcessandClimateChangeinColdandAridRegions，ColdandAridRegionsEnvironmentalandEngineeringResearchInstitute,ChineseAcademyofScience,Lanzhou730000,China2.PingliangLandSurfaceProcess&SevereWeatherResearchStation,ChineseAcademyofScience,Pingliang744015,China;3.UniversityofChineseAcademyofScience,Beijing100049,China;4.LianyungangMeteorologicalBureauofJiangsuProvince,Lianyungang222006,China)

Abstract:Wind fields over the Loess Plateau are very complex due to the complex underlying surface. This paper investigated the effect of subgrid-scale terrain parameterization on near surface wind fields simulated by the WRF over the Loess Plateau. Results indicated that the subgrid-scale terrain standard deviation (σ(sso)) was larger over complex terrain, and the elevation differences between observation sites and the nearest model grids increased with σ(sso). In summer of 2012, wind speed in the designated region was small. When the influence of subgrid-scale terrain was ignored, the WRF over-estimated wind speed when the observation value was higher, but under-estimated wind speed when the observation value was smaller. The RMSE between the simulated and observed wind speed was small over relatively flat area, while it was larger over complex terrain area. Simulated wind speed was much closer to observations when subgrid-scale terrain parameterization scheme was included in the WRF. Statistics indicated obvious improvement in the accuracy of simulated wind speed. Although simulated wind speed was higher than observations, the diurnal variations were well captured by all the simulations and the lowest bias was achieved when Jimenez’s parameterization scheme was used. Simulations with Jimenez’s parameterization scheme could precisely capture the spatial distribution feature of wind speed, but simulations with Mass’s parameterization scheme had medium improvements at all stations.

Key words:WRF; loess plateau; subgrid-scale terrain; wind field

中图分类号：P425

文献标识码：A

文章编号：1006-7639(2016)-01-0096-10

doi:10.11755/j.issn.1006-7639(2016)-01-0096

作者简介：马晨晨(1988-)，女，江苏徐州人，硕士研究生，主要从事陆面过程的研究. E-mail：machch@lzb.ac.cn

基金项目：国家自然科学基金(41175009)资助

收稿日期：2014-12-17；改回日期:2015-01-16

马晨晨，余晔，何建军，等.次网格地形参数化对WRF模式在复杂地形区风场模拟的影响[J].干旱气象，2016，34(1)：96-105, [MA Chenchen, YU Ye, HE Jianjun, et al. Effect of Subgrid-scale Terrain Parameterization on WRF’s Performance on Wind Field over Complex Terrain[J]. Journal of Arid Meteorology, 2016, 34(1):96-105], doi:10.11755/j.issn.1006-7639(2016)-01-0096