对流允许尺度区域气候模拟的研究进展

陆云 郭子悦 汤剑平

(南京大学 大气科学学院,南京 210023)

引 言

气候模拟是理解区域气候变化,进行气候预测及预估不可或缺的工具。在全球变暖背景下,区域气候变化的预估及适应是可持续发展所面临的巨大挑战[1]。全球气候模式(Global Climate Model,GCM)和区域气候模式(Regional Climate Model,RCM)在过去几十年中经历了相当大的发展[2]。虽然全球和区域气候模式的分辨率在不断提高,但网格距依然相对较粗(如区域气候模式当前分辨率都在20 km左右),无法显式解析更小尺度的对流过程,因此需要采用积云对流参数化方案来表示(图1)。尽管这种方案可以描述每个网格点上对流的平均特性,但对局地风暴和短时强降水事件上的代表性较差,因此使用这种方案被认为是区域气候模拟不确定性的主要来源[3]。以往研究表明,对流参数化导致了模式出现一些常见误差,如对流降水日循环的起始时间以及峰值不能很好地再现[3-5],对低降水强度事件的频率有所高估,以及低估了每小时降水强度[3-4]等。随着大气数值模拟技术和高性能计算机的不断发展,模式的水平分辨率也在不断提高,当分辨率提高至4 km及更高时,大气数值模式中可以避免使用对流参数化方案而直接显式表示深对流过程,该尺度也被称为“对流允许尺度(Convection Permitting Scale,CPS)”。这种高分辨率的区域气候模式也能更好地获取区域精细尺度的强迫信息,如在地形复杂地区,对捕捉短时极端事件等方面具有明显的增值能力[2,6]。目前对流允许尺度区域气候模拟研究大多是通过对比对流参数化的区域气候模拟来验证优势,且大多研究区域都选择欧洲和北美,以及非洲和亚洲的一些研究。在我国,区域气候模式已经得到广泛应用,在对流允许尺度上的气候模拟研究也在积极开展。本文主要对以往关于对流允许区域气候模式(Convection Permitting Regional Climate Model,CP-RCM)涉及的物理过程,外部驱动以及模式评估结果进行回顾,并着重关注最新CP-RCM的研究成果,以期对CP-RCM应用于我国区域气候模拟研究提供有益参考。

图1 从对流云尺度到全球尺度气候建模Fig.1 Climate modeling from the convection-cloud scale to the global scale

1 对流允许尺度区域气候模拟的发展

区域气候模式的水平分辨率达到“对流允许尺度”时可以显式表示深对流而不使用对流参数化方案,在这种分辨率下开展的区域气候模拟研究被称为“对流允许区域气候模拟”,研究表明这种对流允许尺度所需的水平格距一般小于5 km[7]。与“对流允许尺度”相似的术语有云可分辨尺度(Cloud Resolving Scale),对流分辨尺度(Convection Resolving Scale)，等。云可分辨尺度模式一般指模拟云系统时可以分辨云尺度运动的二维或三维模式,典型的云可分辨尺度水平格距大约2 km,这个尺度可以解析深对流云系统中做大部分传输运动的大涡[8]。而达到“对流分辨尺度”,则需在云可分辨尺度基础上再降低一个量级,即达到大涡模拟的水平尺度才能更为真实的模拟较小的湍流夹带以解析对流系统内的降水过程[9-10]。浅积云高度达1～2 km,云的侧边缘发生的夹带过程由大涡模拟能更好的表现出来,CP-RCM对浅对流可能不足以解析[8,11]。因此目前大涡模拟也被广泛用于浅对流参数化的评估和开发,但受计算资源的限制大涡模拟应用于长期区域气候模拟还不太现实[11]。当气候模式达到CPS时可以显示表示深对流,但不足解决湍流以及边界层小尺度过程,4 km的气候模式在尺度上并没有完全解析对流过程,故称为“对流允许”。

自1990s开始,CPS模式在数值天气预报方面的应用陆续开展,有研究发现水平格距为2 km的精细网格足以显式捕捉中尺度对流系统(Mesoscale Convective Systems,MCSs)和超级单体雷暴[8,12]。然而在区域气候模拟方面,CPS模式的应用稍晚,在近十几年才有所发展,如2000s初期Herrmann, et al[13]对1986—1987年冬季地中海西北部开展数值模拟(10 km和3 km)来研究深对流活动中的中尺度过程,并发现3 km的CP-RCM更好地再现了中尺度结构特征。近几年CP-RCM的研究遍及欧洲、美洲、非洲、亚洲。利用CP-RCM进行气候模拟可避免与积云参数化方案相关的不确定性[14],其模拟深对流降水方面的增值能力已得到广泛证实。除了显式地分辨深对流外,CP-RCM还具有改善细尺度地形和变化的表面场表示的优点,这在山区,沿海和城市地区等尤其有益[2-4,14]。

对流允许尺度区域气候模拟主要是通过GCM或全球再分析数据提供初始和侧边界条件,驱动高分辨率的RCM进行季节、年和年代际的长期区域气候模拟。近十几年全球各大区域开展的一些CP-RCM研究中所运用的降尺度策略(表1)及其研究成果表明,CP-RCM最初在欧美地区开展的比较多,如欧洲的一些国家利用COSMO-CLM(COSMO model in Climate Model)模式在阿尔卑斯山脉、德国、比利时等地区开展了很多CP-RCM的研究。众多试验表明CP-RCM明显改善了对日降水周期特征的模拟,且与对流降水有关的环流场具有较好的一致性。高空间分辨率在一定程度上改善了对复杂地形降水场以及温度空间变异性的表征[3,15-17]。北美大陆地区开展基于WRF(Weather Research and Forecasting Model)的CP-RCM模拟,发现CP-RCM不仅能模拟出对流降水量大小,日周期以及相关的大气环流,而且在未来全球变暖情景下,对北美地区水循环的变化,包括美国中部MCSs路径相关的暖季降水的模拟表现良好[4,18-20]。此外,在非洲地区利用CP-RCM模拟结果也很好解释出西非地区白天对流降水发生的有利天气环流背景[21-22],以及非洲萨赫勒地区土壤水分与对流触发的空间关系[23]。近年来,东亚地区也开展了基于对流允许尺度区域气候模拟的研究工作,如对日本西南海域年和月平均降水量以及日和小时降水量频率分布的评估[14]。我国CP-RCM的模拟研究工作也在陆续展开,如使用WRF模式动力降尺度得到的高分辨率数据集很好地再现了我国长三角地区(Yangtze River Delta,YRD)地区以及我国西北内陆地区降水特点[24-25],同时,有一些研究利用CP-RCM探讨了城市热岛效应对我国YRD地区气候的影响[26]。CP-RCM模拟降水的优越性在季风区和干旱区得到证实,同时对具有多样下垫面的复杂地理环境的降水场特征也能很好捕获[14,21-27]。

表1 对流允许尺度区域气候模拟概述Table 1 Overview of Convection Permitting Regional Climate simulation

本文将主要从CP-RCM需要考虑的重要物理过程,外部驱动以及其在模拟降水的增值能力方面的研究进展和目前面临的问题展开讨论。

2 CP-RCM模拟相关的物理过程

随着分辨率的提高,对流允许尺度区域气候模拟中直接显式表示深对流过程而不采用对流参数化方案,避免了积云对流参数化方案带来的不确定性。而模式模拟中其他次网格尺度物理过程参数化方案的选择有可能对CP-RCM气候模拟效果产生明显的影响,总结关于CP-RCM气候模拟中一些至关重要的物理过程,主要包括:云微物理、土壤—大气相互作用、边界层过程和湍流[19,28],这些物理过程成为CP-RCM模拟不确定性的主要来源。

2.1 与云微物理过程相关的不确定性

Krueger[8]回顾了使用云分辨模式来模拟深对流和浅对流云过程的研究,发现由于模式显式表示深对流过程,对流的开始以及单个云状态上的演化非常依赖于云微物理过程的参数化。云微物理过程是模拟气溶胶—云相互作用不确定性的主要来源之一,特别是对混合相和冰相云的研究[28]。一些研究认为在云微物理参数化方案中引入额外的水凝物类型,例如霰和冰雹,或使用双参微物理方案模拟云粒子的数浓度,在改善气溶胶与云之间相互作用的模拟上有很大潜力,有利于提高对冬季地形降水和高云覆盖的模拟能力[29-31]。但也有研究认为单参方案能够比双参方案更好地捕捉降水特征和反射率分布等方面,因为在双参方案中雨滴的大小分布可能变得对许多未知过程非常敏感[32]。FENG, et al[19]和GUO, et al[33]分别利用WRF模式对美国暖季和中国夏季进行对流允许尺度(4 km网格间距)区域气候模拟,分析了不同微物理方案对降水模拟的影响。其结果表明,应用不同云微物理方案的CP-RCM均能很好地模拟出降水日变化及其传播特征,但是不同方案对于水凝物不同处理导致降水量的模拟存在差异。这些研究说明CP-RCM对与云微物理相关过程的敏感性很大,云微物理参数化效果可能在不同案例间也存在差别。此外云微物理过程也会影响CP-RCM中的辐射过程,云辐射反馈在很大程度上依赖于云量和云辐射特性的准确表示,而当前云—气溶胶—辐射相互作用的参数化仍然知之甚少,并且在CP-RCM中存在较多的不确定性[28]。CP-RCM对云微物理过程的表示具有高度敏感性,而气溶胶对气候系统会产生广泛影响,其对云层的相互作用的参数方案需要更详细的研究,因此在区域气候模式中改进气溶胶与云相互作用的表示非常重要。

2.2 对边界层和湍流的处理方法

除了云微物理过程外,边界层和湍流过程也是影响CP-RCM的重要物理过程。由于CPS远不足以解析湍流尺度,地面和大气之间在次网格尺度上热量、水分和动量的垂直传输,需要使用行星边界层(Planetary Boundary Layer,PBL)方案来参数化。区域气候模式对不同PBL参数化方案敏感,PBL方案本身结构性偏差以及对参数的敏感性为CP-RCM带来不确定性[34]。Cohen, et al[35]总结了WRF模式中 PBL方案的主要特点,并通过对美国冷季龙卷风事件采用的PBL方案进行测试,发现使用PBL的非局地参数化的WRF模拟产生了比只使用局地方案更精确的结果。Kouadio, et al[36]对西非的研究结果也表明非局地PBL在模式降水模拟中有增值能力。Larson, et al[37]在云分辨模型中加入一种云和湍流的参数化(Clubb参数化),发现对毛毛雨混合比的预测取得了很好的模拟效果。这些对参数化评估的研究有助于我们在进行CP-RCM模拟时选取较为合适的PBL方案。为摆脱常规的边界层参数化对气候模式的发展限制,一些超参数化模式也得到了发展,通过在每个GCM网格列中嵌入小的(250 m×20 m)云解析模式(Cloud Resolving Model,CRM),可以显式捕获边界层湍流和夹带过程[38]。这种在湍涡网格分辨率下对边界层和深对流云进行的全局模拟取得很好的效果,对未来区域气候模拟边界层和湍流的处理提供了思路。

2.3 由土壤—大气相互作用产生的影响

在CP-RCM气候模拟中陆面过程也是一个关键部分。众所周知,土壤—大气相互作用对许多大气过程很重要,比如土壤湿度动态变化会影响着感热和潜热的分配,甚至影响边界层状态,从而对中尺度环流产生影响。CP-RCM通过精细分辨率来模拟地表与大气的能量交换和相互作用,会改进区域气候模拟能力[39-40]。Taylor, et al[23]研究认为,4 km的CP-RCM模拟可以再现土壤湿度和对流触发之间的空间关系,表明陆面过程对中尺度过程发生发展的重要性。许多相关研究发现CP-RCM可以更真实地模拟这种反馈,但模式对土壤水分变化非常敏感,因为土壤水分的变化通过影响地气能量交换影响大气边界层,会导致模拟结果产生较大的不确定性[41-42],因此也成为CP-RCM模拟不确定性的主要来源之一[41]。CP-RCM对土壤水分—降水反馈模拟的良好表现可能来源于其精细网格尺度对局部效应的捕获,而土壤或地表中的许多诸如蒸发过程之类的高度非线性过程仍然没有得到解决,陆—气耦合对土壤水分动态的敏感性表明,对于CP-RCM来说,精确识别大气所涉及的复杂反馈过程仍然是个挑战。

3 城市气候与未来区域气候模拟

城市化引起的土地覆盖变化和温室气体排放的增加对区域气候产生很大影响。城市化通过改变地表特征影响陆地表面与大气之间的能量和水交换,同时城市建筑材料通过改变反照率来影响辐射平衡,进而影响区域气候[43-44]。污染物排放通过气溶胶—辐射相互作用来影响地表和大气辐射通量和辐射加热过程[26,45]。众多研究表明更高的分辨率更真实地代表了在非均匀地表上与大气水分和能量交换以及对变化的陆—气耦合产生的大气过程反馈的响应,能够再现土地利用/覆盖引起的局地气候的变化[20,39]。有研究表明当RCM空间分辨率达到3 km,大城市区域可以得到足够详细的分辨,引入多个城市土地利用类别会有效地改善对城市热岛的模拟[15]。许多研究也发现CP-RCM的精细网格尺度对于模拟城市气候变化具有明显的优势[26,46],为改进城市化对未来气候变化影响的评估开辟了道路。我国长三角地区处于典型的季风气候区,且城市化水平较高,在该地区开展了很多CP-RCM模拟。例如用WRF模式在对流允许尺度模拟长三角区域极端气候发现,CP-RCM能够模拟出夏季降水的空间分布特征以及强降水事件的时间演变特征[26]。利用CP-RCM开展的城市化区域气候效应的研究,也再现了长三角地区气温和降水的变化特征以及由于城市化引发的城市热岛效应以及影响机制[26,46]。诸多研究表明在对流允许尺度上,土地利用和覆盖变化产生的局部效应比以往所认为的更为重要,CP-RCM精细的网格分布通过捕获地形和土地覆盖相关的区域强迫和过程,使模式能够更好解决相关的物理过程及其与大气的相互作用,从而增强了区域气候模拟能力[20,27]。

随着气候变暖,大气水汽含量也显著上升,未来的降水事件将变得更加强烈[47],对未来极端事件的预估很有必要。CP-RCM模拟所采用的分辨率可以把中尺度系统更好地表现出来,其对当下极端天气气候事件更真实的模拟能力为未来气候预测增加了信心,因此CP-RCM也广泛用于区域气候变化的预估[18,48-49]。基于CP-RCM的模拟预测发现在RCP8.5排放情景下日本极端温度表现出广泛增加,而7月极端降水的增加则出现区域性[48]。Broucke, et al[50]基于CP-RCM开展的未来极端降水预测研究也发现夏季极端降水的变化信号可能与地形有关,与RCM相比,CP-RCM模拟出更大的夏季极端降水增幅,而两者对平坦地区小时降水强度的模拟出现相反的信号。在对北美地区当前和未来的CP-RCM模拟也发现,对流允许尺度区域气候模拟并不一定能提供更多有益的未来极端事件气候变化信息[18]。在未来极端降水的模拟方面,CP-RCM模拟并没有出现普适性的结果,需要开展多个CP-RCM的集合预测来减少气候变化背景下的极端事件预估的不确定性[51]。

4 CP-RCM外部驱动的影响

在CP-RCM模拟中,大尺度信息是通过初始和侧边界条件来驱动模式的。影响CP-RCM模拟的外部驱动因子包括嵌套方案,初始和侧边界条件以及模拟区域大小和模式运行的spin-up时间等。值得注意的是,这些因素的影响都是交织在一起的,有时很难对这些误差分量进行量化和区分。

为了达到对流允许尺度的分辨率,CP-RCM往往通过嵌套网格的方式来实现,嵌套可以是单向的也可以是双向的。单向嵌套是指高分辨率的较小区域所需的侧边界条件由粗分辨率的较大区域提供,而计算结果不反馈到较大区域。而双向嵌套是指粗、细分辨率模拟同时运行,并且细网格将其计算值反馈到粗网格的区域[52]。Prein, et al[16]表明,在东阿尔卑斯山进行的CP-RCM气候模拟在单向和双向嵌套方案之间没有显著差异。另外一些研究发现,对于沿海的海洋模拟,双向嵌套模拟海岸大尺度环流比单向嵌套的效果要好[53-54]。值得注意的是,在动力降尺度过程中,对于有限的区域内将GCM输出缩减到区域尺度所采用的“跳跃分辨率”(粗分辨率与细分辨率网格距之比)并没有一致的认定。有研究发现,小尺度特征的发展需要较长的spin-up时间,需要考虑降尺度过程中跳跃分辨率对小尺度的发展的影响[55]。而通过使用多重嵌套降低了空间spin-up对小尺度发展的制约,给小尺度的发展产生了积极的影响[56]。跳跃分辨率的选择又与嵌套次数有关,利用不同嵌套步骤进行比利时臭氧浓度的动力降尺度(25 km到3 km)研究中发现,增加中间嵌套步骤与从RCM到CP-RCM的直接嵌套模拟结果相似,而后者更加节省计算资源[57]。Brisson, et al[30]还认为在ERA-Interim降尺度至CPS时增加7 km网格嵌套,模拟没有产生明显的影响,因此可以省略这一嵌套步骤,但是他们认为25 km中间嵌套对于模拟降水正确表示至关重要。目前尚不清楚不同嵌套方案是如何影响CP-RCM模拟的,对于嵌套方法的选择,既希望带来好的模拟效果,又能更好的节约计算资源,这可能需要对特定事件进行广泛评估。

由于对流过程是高度非线性的,并且一般持续时间较短,因此它们的预测受到不确定因素的强烈影响,例如模式的初始条件、参数化设置以及侧边界的驱动场等[16,25,55-61]。一些研究评估了初始和侧边界条件不确定性对CP-RCM模拟的影响,发现对流尺度初始条件的不确定性强烈依赖于天气尺度强迫[62-63]。在12 h以内的天气预报中,初始条件产生较大影响,而在长期区域气候模拟中侧边界条件的不确定性则产生越来越大的影响[62]。Tennant, et al[63]使用不同的方法来初始化Met Office有限区域对流允许集合预测系统,相比于目前流行的动力降尺度方法和只更新侧边界驱动的运行方法有明显优势。近期全球可变网格模式的发展有利于解决在有限区域模式中出现的侧边界条件问题。可变网格模式能够在区域上平滑地改变分辨率,有助于协调区域模拟和驱动场之间在侧边界附近的差异,减少模拟误差并且大大降低成本[59-64]。

由于受到粗分辨率的初始和侧边界条件的驱动强迫,CP-RCM需要一些spin-up时间以产生细尺度的特征,同时区域大小设置对CP-RCM也有较大影响,因此在运行CP-RCM时需要考虑模拟域的大小以及模拟开始的时间的选择[30]。Brisson, et al[30]研究了CP-RCM模拟区域大小和嵌套方法对降水模拟的影响,发现对流允许尺度的嵌套区域并没有比其嵌套的粗网格区域有更好的模拟效果,这主要是因为高分辨率的模拟需要有足够的spin-up时间。和RCM一样,CP-RCM也需要仔细选择模拟区域大小以实现适当的降尺度,如果域尺寸很小则CP-RCM可能没有足够的时间和空间来生成小尺度细节,而如果模拟域很大则CP-RCM和侧边界条件之间可能存在明显的不匹配,特别是在流出边界处[52]。诸多研究表明区域气候模拟对选择用于计算的域的大小和位置敏感。因此许多人尝试使用谱逼近来消除模拟结果对区域选择的依赖性。对于区域模式大小达到几千公里的模拟试验,长波的谱逼近有助于精确模拟大尺度环流以及消除边界的虚假影响,同时对极端气候和地面气候时空变化的模拟有很大改善[65-66]。但是在模拟区域相对较小的情况下,谱逼近的应用对模拟效果影响不大[67]。

5 CP-RCM的增值能力

CP-RCM的优点是能够显式分辨深对流过程而避免使用对流参数化方案,同时高分辨率也改善了对地形和其他陆面强迫的表示,这些都是CP-RCM增值能力的驱动因子。与GCM输出相比,CP-RCM并不会在所有地区,季节和物理量模拟中都有明显的增值能力[2]。春季和秋季由于局地混合和大尺度强迫条件,CP-RCM的增值能力并不明显,而在夏季对流降水占主导地位[3,50],研究表明CP-RCM对夏季降水的空间分布形式、降水日变化和极端降水的强度等方面的模拟同大尺度气候模式相比改进明显[2-4,16,19]。

5.1 夏季降水的日变化

在CP-RCM的增值方面,对夏季降水日循环起始以及峰值的捕获能力在许多研究中得到证实。Fosser, et al[3]研究了不同分辨率的区域气候模式对德国降水日变化的模拟能力,发现关闭了对流参数化方案的CP-RCM模拟与实际观测更为接近,且与对流降水有关的大尺度环流之间存在更好的一致性。同样地,基于WRF模式对美国大陆的CP-RCM模拟试验能更加真实地模拟出与夏季降水相关的低空急流和大气环流,并且更精确地再现了对流降水出现的时间以及从洛基山脉到大平原的雨带日循环的东传信号[4]。MCSs是造成对流强降水重要的天气系统,在美国中部[19]以及美国西南部盆地[20]的CP-RCM模拟再次说明CP-RCM对MCSs模拟的可信度。在非洲地区的模拟试验也表明CP-RCM能较好地再现西非地区降雨的日变化特征,而且能够模拟出主导降雨的MCSs的生命周期[21-22]。

在中国开展的CP-RCM模拟研究也表明其能够改善模式对降水日变化特征的模拟能力。ZHU, et al[24]运用WRF模式在4 km对流允许分辨率下准确地再现了强降水带的空间范围和方向以及每小时降雨量的昼夜时间序列。WRF能预测出2个降水峰值,但是对峰值略微过高预测。FU, et al[68]在中国东部大别山地区的模拟研究发现,CP-RCM对降水的双峰特征进行了较好的模拟,与观测结果在量级上有很好的吻合,但对降水峰值出现时间的捕获稍有延后。在喜马拉雅中部地区CP-RCM模拟真实地再现了降水日周期及其峰值出现的时间,相比于粗分辨率模式,对地形气候模拟效果更好[27]。众多研究表明CP-RCM更好地反映地形强迫以及解析大气中尺度过程,在对流降水的日变化上良好的捕获能力得到广泛证实。

5.2 平均降水和极端降水

一些研究表明CP-RCM与较粗网格的RCM模拟相比在日平均降水量上并没有得到普遍改善[3-5],如SUN, et al[4]对美国大平原夏季平均降水分布模拟的评估表明4 km和25 km的模拟在某些地区存在相似的降水偏差,这可能是模式系统性偏差所致,而CP-RCM在对降水分布的表现总体上是优于RCM的,特别是在局部变率的细节表示方面。在次季节/季节/年降水量和温度的空间和时间分布上,CP-RCM模拟性能优于较粗网格的模式[14,18,24-25]。Hart, et al[69]对南非亚热带地区长达10 a的模拟表明,CP-RCM能准确捕捉热带—温带区云带的年循环,并且对当地夏季降雨模拟的湿偏差显著减小。虽然深对流参数化在CP-RCM中已经关闭,浅对流方案的影响依然很重要,浅对流方案起到稳定对流层的作用,一定程度上阻碍了对流的发展和降水的产生,从而有利于减少湿偏差[49]。通过对关闭和不关闭对流参数化的RCM模拟对比研究,发现在采用对流参数方案的粗分辨率RCM中往往会高估低强度降水频率,这可能是RCM在对流层低层的模拟偏湿冷,有利于低云形成从而高估低强度降水事件,而相反在CP-RCM中,由于直接显式表示了深对流过程这种情况得到改善[3]。

CP-RCM对极端降水和强降水的模拟也有一定的增值能力。Murata, et al[14]通过2 km网格间距的CP-RCM很好地再现了降水强度低于20 mm·h-1的降水频率,这与Fosser, et al[3]在德国西南部以2.8 km分辨率所做试验的结果一致。在极端事件方面,有研究表明高分辨率(1.3 km)模拟的德国当前极端降水与观测较为接近,其对极端降水的模拟比7 km有更好的表现[49]。Gensini, et al[70]的研究也说明对美国大陆部分地区的极端天气(龙卷风、阵风和冰雹)的变化以4 km分辨率的CP-RCM进行模拟效果良好。在全球变暖背景下,极端降水变得更短时更强烈,可能造成严重的自然灾害,CP-RCM对小时极端降水的表示方面能力对未来极端气候的预估增强了信心[71]。

尽管CP-RCM的水平分辨率很高,可以合理地模拟出MCSs造成的极端强降水的相关特征,但如前所述,MCSs属性在不同微物理参数化方案中差异很大,云微物理方案对MCSs的不同处理不仅改变了MCSs对流尺度动力学,而且对其生命周期有很大影响。CP-RCM中MCSs的相关特性对不同微物理参数化方案很敏感,CP-RCM对MCSs模拟的增值能力强烈依赖于云微物理方案的选择[19]。

5.3 地面气温

相对于夏季对流降水的模拟,CP-RCM对模拟地面气温时空分布的增值能力并不显著。Leutwyler, et al[5]对欧洲大陆进行了为期10 a的CP-RCM模拟,发现模式对夏季地面气温度的模拟有较大的暖偏差,这可能是由于CP-RCM中显式地表示深对流云从而增加了地表太阳辐射。LIU, et al[18]的研究也发现WRF模式对美国大陆大部分时间地面气温模拟存在暖偏差,其中美国中部地区夏季的温度偏差最显著。同样Brisson, et al[17]也认为CP-RCM对地面气温模拟方面的改进不太明显。虽然Prein, et al[16]的研究发现CP-RCM对夏季2 m高度的平均温度模拟有所改进,然而他们认为这种改进很难归因于CP-RCM的优越性,因为这也可以通过非常简单的高度校正来实现。

6 挑战和展望

本文基于对CP-RCM相关文献的系统性回顾,讨论了CP-RCM主要涉及的物理过程,外部驱动条件以及气候(降水和温度)的模拟能力等方面。综合来看,对流允许尺度区域气候模拟显著提升了我们对区域气候变化的理解,尤其是在地形复杂多变的地区,CP-RCM在对流降水的再现能力方面改进明显。但CP-RCM的模拟能力还有待进一步提高,比如阵雨或者小雨的模拟不准确,并且对极端降水容易高估。通过对CP-RCM涉及物理过程和外部驱动条件等方面研究的探讨,发现CP-RCM在建模过程中仍然存在很多挑战和不确定性。

首先,通过对其物理过程的讨论总结,发现CP-RCM对次网格尺度过程的表示相当敏感,与许多未知物理过程相关联,如边界层,微物理过程和陆面过程等参数化方案,与物理参数化相关的参数敏感性以及系统性偏差成为CP-RCM主要不确定性来源,未来对其中物理成因进行更全面的探索以及模式参数方案的改进很有必要,特别是对云—气溶胶—辐射相互作用的理解。此外,还需重新评估它们在CP-RCM上的适用性,比如有研究指出CPS模式对次网格湍流方案中混合长度值的具有敏感性,仅仅增加分辨率并不一定有助于对对流模拟的提升,可能需要重新考虑次网格湍流混合公式才能更好地描述在100～1 000 m的网格长度范围内对流云的性质[72]。同时,除了对降水模拟能力的评估外,应进一步探索CP-RCM在其他相关领域,包括局地风、水文、陆—气相互作用、蒸发蒸腾、湍流通量以及云和辐射等过程的应用能力[6]。

其次,CP-RCM在降尺度过程中初始和侧边界条件,嵌套方法以及模拟域大小的选择对其模拟气候的能力也有很大影响。较长时间尺度的区域气候模拟主要受驱动场提供的侧边界影响,初始条件影响不大,高时间分辨率侧边界条件能带来较好的模拟效果,而区域模拟和驱动场之间在侧边界附近的差异可通过变网格技术得到改善。相较于单向嵌套,双向嵌套对海岸附近大尺度环流模拟较好,并且适当增加嵌套步骤有利于对小尺度特征的描述。此外在进行CP-RCM时,实验区域不宜太小,谱逼近的应用会对模拟效果带来积极影响,同时模式还需要一些spin-up时间来达到平衡状态。

此外,由于没有足够的地面测量数据来描绘降水的高分辨率空间分布特征,而基于卫星反演的降水数据集的空间分辨率比CP-RCM分辨率又粗糙很多,因此开发高时空分辨率的观测数据集来评估模拟也很有必要。

最近,有研究利用全球可变网格模式开展了热带区域对流允许尺度模拟研究,发现模式对热带对流和遥相关模拟有很好的效果[73]。将变网格技术应用于CP-RCM的模拟研究也是未来发展的趋势[64]。计算资源的大量需求将CP-RCM模拟限制在短期和小区域中,CP-RCM气候模拟能够在更大的区域和更长的时间段上运行与高性能科学计算的发展密切相关。