基于WRF模式的清江流域降雨-径流模拟研究

高玉芳，武雅珍，吴雨晴，顾天威，胡泊

（1.南京信息工程大学应用气象学院，江苏 南京 210044；2. 南京信息工程大学大气科学学院，江苏 南京 210044；3. 中国气象局武汉暴雨研究所/湖北省暴雨监测与预警重点实验室，湖北 武汉 430205）

1 引 言

暴雨洪涝灾害是我国常见的自然灾害之一，传统的洪水预报模型以实测降雨为输入，其预见期取决于流域的汇流时间，往往只有几小时，将预报降雨作为水文模型输入进行洪水预报是延长洪水预报预见期的有效途径。然而，由于降雨形成机制复杂多样，受到大气中不同地形和天气系统的制约，降雨预报仍然被认为是气象学上的一个难题[1]。目前，在众多的中尺度模式中，WRF 模式应用广泛，已经成为了降雨预报的重要工具。但是，WRF 模式对降雨过程的预报效果会受到分辨率、物理过程、嵌套方案等因素的影响。近年来，研究人员针对WRF 模式水平分辨率及云物理过程方案[2]的选取进行了大量研究。Lungo 等[3]在坦桑尼亚区域使用WRF 模式设置15/5 km、12/4 km和9/3 km网格间距，选取3种微物理方案和4种积云参数化方案进行组合，研究发现高分辨率的预报效果较低分辨率有更大的改善，特别是在天气系统以对流系统为主的雨季，且适合该区域的云物理方案分别为Lin 方案和KF 方案。吴海涛等[4]通过将3 种积云参数化方案和5 种微物理方案进行组合，对黄河源区一次降雨过程进行预报，发现Morrison 微物理方案和Grell3 积云参数化方案组合预报的降雨空间分布与实际最为相似。众多研究表明，最优方案高度依赖于天气或气候机制及应用规模，目前没有一种方案可以在全球范围内应用得最好[5]。

此外，近年来随着降雨预报技术的发展，采用气象-水文耦合的方法模拟径流，以延长洪水预报预见期已经成为水文-气象预报的发展趋势。WRF 模式作为高分辨率数值模式，其与水文模型耦合进行洪水预报也受到越来越多的关注。WRF-Hydro 是美国国家大气研究中心（NCAR）2013 年开发的高分辨率分布式水文预报模式，模式考虑了地表、地下和河道的三维可变饱和流来预测河流流量[6]，解决了某些陆面模式中未考虑土壤侧向流的问题，该模式具有与WRF 模式耦合的框架结构，现已广泛地应用于国内外流域的径流模拟中，取得了较好的效果[7-8]。

清江流域是长江流域的多暴雨区之一，由强降雨造成的流域洪涝灾害频发。因此，采用气象-水文耦合的方法，准确预报降雨，提高洪水预报效果对防洪减灾具有十分重要的意义。本研究基于WRF 模式，对清江流域6 次典型降雨事件进行数值预报，结合CMORPH 卫星-地面自动站-雷达三源融合降水产品[9-10]，采用TS评分及FSS评分作为评价指标，分析、探讨不同分辨率下不同积云参数化方案和不同微物理过程方案对降雨预报效果的影响，并将较优组合方案下的WRF 模式和WRFHydro 模式耦合进行径流模拟，分析WRF 模式在水文模拟中的应用效果，以期为WRF 模式在水文模拟中的应用提供借鉴。

2 资料与方法

2.1 研究区域

清江流域位于108°35′ ~111°35′ E，29°33′~30°50′ N 间的副热带地区，处于鄂西强降雨区，流域面积约为17 000 km2，自然落差1 430 m，其地形有利于暖湿气流的抬升，且位于西南涡频发区域，因此易发生暴雨洪涝灾害。清江干流河段分三级开发，自上而下分别有水布垭、隔河岩、高坝洲三座大型水电站，水布垭水电站是清江梯级开发的龙头枢纽，本文以水布垭水电站控制流域作为研究区域，研究区面积约为11 000 km2，清江流域研究区域及地理位置如图1所示。

图1 清江流域研究区域图

2.2 降雨-径流个例

清江流域降雨年分配很不均匀，大都集中在夏秋季，而冬季的降雨量相对较少[11]。本研究选取2016—2018年6—10月共6个致洪暴雨事件，每个事件提取降雨量集中的24 h 进行数值模式预报，并模拟强降雨事件对应的径流过程，具体时间及事件概况如表1 所示。本研究采用中国国家气象信息中心开发的CMORPH 卫星-地面自动站-雷达三源融合降水产品[9-10]（以下简称为融合数据）作为对照，分析WRF 模式降雨预报效果，该融合数据集结合了来自国内超过4 万台的自动气象站降水资料、高分辨率雷达估测降水资料和CMORPH 卫星反演降水资料，空间分辨率为5 km，时间分辨率为1 h。径流实测值采用由中国气象局武汉暴雨研究所提供的水布垭水电站逐小时入库径流数据。

表1 降雨-径流研究个例

2.3 试验方案设置

2.3.1 WRF模式设置

本研究选用WRFV4.1.1进行预报，以110.08°E，30.19 °N为中心，采用4层嵌套d01、d02、d03、d04，水平分辨率分别为27 km、9 km、3 km、1 km，对应的水平方向格点数分别为202×172、427×355、493×439、376×208，嵌套区域如图2 所示。模式的垂直方向分32层，顶层气压为50 hPa，时间积分步长设定为81 s，采用欧拉质量坐标方程，投影方式为Lambert 地图投影，使用分辨率为1 °×1 °的FNL 资料作为模式的初始场和边界场，spin-up 时间为6 h，取后24 h 的预报结果，每层的预报产品均逐小时输出。

图2 WRF模式嵌套区域示意图

为讨论不同积云参数化方案及微物理过程方案对降雨预报的影响，模式其余各物理参数化方案维持不变，长波辐射方案选取RRTM 方案，短波辐射方案选取Dudhia 方案，辐散物理方案的时间间隔设定为27 min，近地面层方案选取Revised MM5 方案，陆面过程方案选取Noah 陆面过程方案，边界层方案选取YSU方案，边界层物理方案的时间间隔设定为0 min。每个典型降雨个例分别选取3 种积云参数化方案（KF、BMJ、GF）和7 种微物 理 过 程 方 案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）设计21 组对比试验进行预报。积云参数化方案只在d01和d02中使用。

2.3.2 WRF-Hydro模式设置

本研究选取WRF-Hydro 5.0.3进行径流模拟。融合数据和WRF 模式最内层嵌套的模拟结果统一插值至1 km 水平分辨率，分别以非耦合模式和耦合模式作为WRF-Hydro 模式输入进行径流模拟。每场过程的spin-up时间均设置为两个月。

本研究使用的WRF-Hydro 模式的参数率定结果（表2）是顾天威等[12]基于收集到的2015—2018年清江流域内具有完整气象及水文数据的13场洪水过程，利用融合降水数据，采用9 场洪水过程进行参数率定，4场进行验证得到的。率定所用的融合降水数据是分辨率为5 km 的网格数据，其数据类型与WRF 模式输出数据类型相似，因此，其率定结果可以应用于基于高分辨率WRF 模式的径流模拟中。本研究选取的6 场洪水过程包含在用于参数率定的13 场过程当中，故直接应用此率定结果进行模拟。

表2 WRF-Hydro模式参数率定结果

2.4 模式评估方法

TS 评分是降雨预报结果的传统检验方法，但由于是点对点评估，TS 评分容易因降雨时间或空间上出现的微小位移导致“双重惩罚”效应[13]。为应对该问题，Roberts 等[14-15]提出了一种用于评估高分辨率降雨预报的邻域检验法来评估降雨的空间分布，即FSS 评分。与传统的点对点检验统计方法相比，作为一种模糊评估方法，当降雨预报存在不同的位移偏差时，FSS 评分方法可以统计出距离偏差较小、预报效果较好的预报结果[16]。同时，该方法相对简单，易于实现，已成为高分辨率降雨预报评估中常用的空间技术。

通过双线性插值法将WRF 模式预报结果统一升、降尺度到5 km 分辨率，与融合数据保持一致，计算TS 评分[17]。同时，选取邻域窗口为3个网格点的邻域半径，计算FSS评分[18]。

采用相关系数（R）、洪峰相对误差（REP）、洪量相对误差（ER）、峰现时间误差（ΔT）及纳什效率系数（NSE）作为径流评估指标。

3 结果与分析

3.1 降雨预报结果

针对6次强降雨过程，根据国家气象局颁布的降水强度等级划分标准[19]，将清江流域内24 h 累积降雨的预报结果分为三个等级，分别是小到大雨（0.1~50 mm）、暴雨（50~100 mm）和大暴雨（100~250 mm），采用TS评分和FSS评分进行定量评估。不同分辨率、不同积云参数化方案和不同微物理方案下的TS 评分和FSS 评分箱型图及均值分布图分别如图3~图5 所示。总体来看，所有预报方案中，小到大雨的TS 评分均值皆在0.45 以上，FSS 评分均值皆在0.6 以上，预报效果最好，暴雨次之，大暴雨的预报效果最差。从图3 可以看出，同一量级下不同分辨率的评分结果相差不大。小到大雨和暴雨量级下，分辨率越高，TS 评分的均值越小，但是FSS 评分的均值越大，这是因为当高分辨率下的预报结果出现微小偏差时，基于点对点评估的TS 评分结果就会变差，而FSS 评分是对邻域范围内进行概率评估，考虑了雨带空间偏移的影响，FSS 评分越高说明WRF 模式预报空间效果越好。大暴雨量级下，TS 评分和FSS 评分的均值都随分辨率增高而变大。因此，分辨率越高对于降雨的预报效果越好。

图3 清江流域不同分辨率下TS评分（a、b）和FSS评分（c、d）的箱型图及均值分布图

从图4 可以看出，在3 种积云参数化方案中，GF 方案在小到大雨量级下的评分结果最高，但暴雨和大暴雨量级下的评分结果最低。KF 方案与BMJ 方案的评分结果相差不大，其中，KF 方案对小到大雨量级的评分结果较高，BMJ 方案对暴雨量级的评分结果较高。

图4 清江流域不同积云方案下TS评分（a、b）和FSS评分（c、d）的箱型图及均值分布图

从图5 可以看出，在7 种微物理方案中，Kessler方案对小到大雨的预报效果明显优于其它方案，TS 评分均值达到0.5，FSS 评分均值为0.66，但Kessler方案对暴雨的预报结果在所有方案中评分均值最低。Lin 方案对于所有量级的评分结果都很差。Ferrier 方案的评分值变化范围最小，预报结果最稳定，且在大暴雨量级下评分均值最高。WSM3、WSM5、WSM6 及Thompson 方案的评分结果相差不大，且整体偏高，预报效果都比较好。

图5 清江流域不同微物理过程下TS评分（a、b）和FSS评分（c、d）的箱型图及均值分布图

由于降雨发生的强度和落区是影响洪水过程的主要原因之一[20]，因此，在不同云物理方案24 h累积降雨评分结果分析的基础上做进一步的分析。选 取2017 年10 月1 日18 时—2 日18 时24 h的预报结果，分析面雨量及降雨空间分布。

WRF 模式不同方案预报的清江流域2017 年10月1日18时—2日18时24 h面雨量与融合数据的差值如图6 所示。可以看出，3 种积云参数化方案中，GF 方案的预报值与融合数据的差异很大，且GF 方案下所有的预报结果都低估了降雨量，KF方案和BMJ方案的结果与融合数据差异较小。7种微物理方案中，Kessler方案在三种积云参数化方案下的预报值与融合数据的差异都很大。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 方案的预报效果都很好，差异值分别为-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 方案的预报效果都很好，差异值分别为0.9和-0.7。Ferrier 方案虽然在TS 评分和FSS 评分结果中比较稳定，但1 km 分辨率下预报的24 h 累积降雨量明显高于融合数据。

图6 WRF模式不同方案预报的清江流域2017年10月1日18时—2日18时24 h面雨量与融合数据的差异值

根据不同方案的评分结果及面雨量的比较，选取了对清江流域预报效果较好的5 个方案组合（KF_WSM3、KF_WSM6、KF_Thompson、BMJ_WSM3、BMJ_WSM5），进一步判断清江流域的较优参数化方案组合。

图7 给出了3 km（d03）和1 km（d04）分辨率下，不同方案组合预报的清江流域24 h 累积降雨量分布和相应的融合数据分布。从融合数据降雨的分布可以看出，在此次事件中，清江流域整个区域的24 h 累积降雨量都在50 mm 以上，达到暴雨量级标准。清江流域的北部和西部有两个强降雨中心，24 h 累积降雨量在100 mm 以上，达到大暴雨标准，降雨范围小，局地性较强。将融合数据与不同方案预报的24 h 累积降雨量对比可知，对于同一种方案，3 km 和1 km 分辨率下预报的降雨中心位置及强度差别不大，预报结果都比较准确，但1 km分辨率下有时可以预报出更多小尺度的降雨中心。几种方案都可以预报出东北-西南向的降雨带，KF_WSM6 和KF_Thompson 方案只能预报出清江流域西部的强降雨中心，而其余几种方案可以预报出北部的降雨中心，但预报出的降雨落区都比融合数据降雨的范围更大，只有BMJ_WSM3方案对降雨落区的预报最为准确。

图7 清江流域2017年10月1日18时—2日18时24 h累积降雨量 其中，obs为融合数据值，其余为不同方案组合的预报值。

本研究选取的降雨个例，大多由切变线引起，切变线附近冷暖气流相遇形成降雨，强降雨前大气对流不稳定。积云参数化方案中，KF 方案主要是为水平分辨率在20 km 左右的中尺度模式设计[21]，相较而言，BMJ 方案能识别出更为细小的局部对流活动，故其预报效果优于其他方案。微物理方案一般通过确定冰核浓度计算降雨，冰核浓度通常为温度的函数[22]，而WSM3 微物理方案的诊断关系所用到的冰核浓度取决于冰的质量含量而不是温度，在水汽成冰过程对降雨贡献较大，高空温度较低，存在大量冰相粒子，因此WSM3方案的预报效果相对较好。

3.2 径流模拟结果

根据24 h 降雨模拟结果，WRF 模式采用BMJ_WSM3 方 案 与WRF-Hydro 模 式 耦 合，对2016—2018 年6 个事件的洪水过程进行径流模拟，模拟径流及其评估结果分别见图8 和表3。从图8可以看出，融合数据的径流模拟结果与实测吻合，表明WRF-Hydro 模式可以有效模拟洪水过程。WRF 模式预报降雨作为WRF-Hydro 模式输入均能较好的模拟出洪水过程。从表3可以看出，WRF模式预报结果模拟径流的相关系数都在0.67以上，最高达到0.85。个例20171001 的模拟效果最好，NSE 可达0.79，甚至比融合数据模拟的更好，这与参数化方案是结合该个例确定有关。

WRF 模式预报结果对洪峰的模拟能力稍有不足，其洪峰流量误差及峰现时间误差大多大于融合数据的模拟结果。个例20170609由于存在两个洪峰，且在第一个峰值之后，预报降雨量高于融合数据雨量，导致其模拟的第二个峰值偏高，峰现时间误差过大。个例20180703由于后期预报降雨明显高于融合数据降雨，WRF 模式预报结果模拟出的径流量也偏大，洪峰相对误差达到123%。可以看出，准确预报降雨对径流模拟至关重要。

图8 2016—2018年6场洪水过程径流模拟结果

表3 2016—2018年6场洪水过程逐小时径流模拟评估结果

4 结 语

本文利用WRF 模式，对清江流域2016—2018年6—10 月的6 个强降雨事件进行预报，分析了3种积云参数化方案（KF、BMJ、GF）和7种微物理方案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）组合在清江流域的降雨预报效果，并基于较优组合方案的WRF 模式预报结果进行径流模拟，主要结论如下。

（1）从降雨评分结果来看，WRF 模式对小到大雨的预报效果最好，暴雨次之，大暴雨最差。FSS 评分与TS 评分的结果具有一致性，且由于FSS 评分可以考虑到雨带空间偏移的影响，其评分在水文模拟中有重要指导意义。

（2）高分辨率下可以更准确地预报强降雨落区。对于同一种方案，3 km 和1 km 分辨率对降雨中心位置及强度预报的差别不大，预报结果都比较准确，但1 km 分辨率下有时可以预报出更多小尺度的降雨中心。

（3）在积云参数化方案中，KF 方案和BMJ 方案的降雨预报效果都较好，GF 方案下所有的预报降雨量较融合数据都偏低。在微物理方案中，WSM3、WSM5、WSM6、Thompson 方案的预报结果与融合数据有较好的一致性，Kessler 方案对小到大雨量级的预报效果较暴雨和大暴雨的预报效果更好，Lin 方案的预报效果最差。综合来说，BMJ_WSM3 方案组合在清江流域的应用效果最好。

（4）基于BMJ_WSM3 组合方案的WRF 模式和WRF-Hydro 模式耦合，进行径流模拟，WRFHydro 模式可以有效模拟出洪水过程，为WRF 模式在水文模拟中的应用提供借鉴。

另外，研究结果表明，径流模拟结果高度依赖于降雨预报结果，所以提高降雨预报精度对径流模拟至关重要。理论上说，为了提高降雨预报效果，应针对不同降雨类型，选取不同的物理方案，但这在实际业务操作中很难实现，故本文基于多个降雨个例，经过综合分析预报效果，最终选取了一组方案作为较优组合方案，并基于此方案进行径流模拟。未来会考虑基于不同天气过程，分析不同云微物理方案对降雨预报效果的影响，讨论其中的相关性。

此外，本研究仅采用两种评分结果进行分析，日后可能结合多种评估方法，引入综合评价指标（如CAI[23]、Rs[24]等），将评估结果进行归一化处理，以便综合考虑不同方案对降雨量、降雨范围和降雨强度的预报效果。

致 谢：本论文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。