高精度曲面建模方法在气象要素场估测中的应用研究——以江西省为例

李 贺文小航 赵 娜

(1.成都信息工程大学大气科学学院,四川 成都 610225;2.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101)

0 引言

高精度且连续化的气象数据对气候与水文的研究有着重大的研究意义。现阶段,气象资源的空间化被广泛应用于生态系统模拟与农业区划中。对于地形复杂地区气象要素空间分布的估测与模拟是个广为关注的难点[1]。许多学者采用反距离权重、克里金等插值法对地形复杂地区的气象要素空间分布进行模拟,但其结果精度不高[2]。WRF模式被广泛用于数值模拟与区域气候的研究中。前人利用WRF区域模式对各地的温度场、环流场、能量场的结构及其日变化特征进行了较为细致的模拟研究[3]:为得到更高精度的数据,将WRF模式模拟结果与不同类型以及来源的数据进行融合或者同化,如将中国气象局(CMA)的现场观测数据同化到WRF模式中,得出CMA的网格观测数据,这种研究利用遥感数据改善了地表参数,并通过数据同化系统进一步改善大气要素场[4],但由于初值误差、模式误差及大气混沌性等,WRF模式在数值预报方面精度有待提高[5]。

现如今,高精度曲面建模(HASM)已被证实在气候研究方面可以提高数值模拟精度[6-7],普遍应用于空间插值与数据融合,其原理阐述了生态环境曲面由外蕴量和内蕴量共同决定,在空间分辨率足够细的条件下,高精度的生态环境曲面可以运用集成微观过程信息和宏观格局信息的恰当方法(例如高精度曲面建模方法)来构建[8-12]。HASM-WRF数据融合方法是以宏观信息为驱动场,以观测信息为订正条件,将同一要素不同来源的多种数据融合得到更高精度的数据集。在研究中[13]以京津翼地区为案例,实证了对于HASM数据融合方法的合理性。周佳等[8]以四川省为例,将HASM方法用于遥感数据融合气温实测数据以得到更高精度的近地表气温。刘宇等[14]用HASM-WRF数据融合方法将WRF模式输出的气温同气象台站观测数据融合获得黑河流域30年的高精度温度场。

实验采用WRF模式与HASM-WRF数据融合方法,以江西省为例,将气象台站观测数据作为订正数据,改善WRF区域模式模拟数据的精度,估算江西省2019年6-8月近地表气温、2 m比湿、10 m风速的空间分布与时间序列,并对结果进行精度验证,评估WRF模式对地形复杂地区气象要素场的模拟性能,检验HASM-WRF数据融合方法的合理性。

1 资料和方法

1.1 研究区域介绍

江西省位于113°34＇E～118°28＇E,24°29＇N～30°04＇N,其地形复杂,东、西、南三面环山,包含了河谷平原、丘陵、鄱阳湖平原,这使得江西的气象要素空间分布差异明显。江西省是中国气象灾害较为严重的省份,夏季多发暴雨、高温等。研究夏季江西近地表气象场,对该省农林及气候研究有重要意义。

研究中所用江西省内及其周边地区气象观测站的气温资料均来自国家气象信息中心(http://data.cma.cn),包括2019年共计93个台站的日平均观测数据(图1)。图1方框内为内重网格及93个气象台站,其中三角形标注的为实验中参与数据融合的73个台站,圆形标注作为验证样本的20个台站。

1.2 WRF模式的设置

WRF模式(weather research and forecast model)是由美国国家大气研究中心(national center for atmospheric research,NCAR)和美国国家环境预测中心(national center for environmental prediction,NCEP)等科研机构共同开发的中尺度预报模式,在气象科研和业务中被广泛应用[16-17]。本研究运行的WRF模式系统采用WRFV4。WRF模式采嵌套方法为双层网格(图1),其内层覆盖了江西省地区,内外水平网格数分别取144×99、199×238。水平分辨率分别取9 km、3 km。中心经纬度为(27.2°N,115.4°E),初始场及边界条件数据来源于美国气象环境预报中心(NCEP)和美国国家大气研究中心(NCAR)联合制作的FNL逐日再分析资料(https://rda.ucar.edu),每6 h更新一次。采用30 s静态地形数据。WRF模式对世界时2019年6月1日00时至8月31日24时进行模拟,每小时输出的模拟数据进行月平均和日平均计算,与处理后观测数据的时间分辨率一致。

对WRF模式参数化方案的研究已得出的结论有:YSU对2 m气温模拟效果较好[15-16];韩丽娜等[17]分析不同模拟方案下北京市气象要素模拟精度得出选用RRTM长波辐射方案模拟精度较高的结论;RRTM长波辐射方案与Dudhia短波辐射方案对风速预报精度较高[18]。故在实验中,微物理过程采用WSM 3类简单冰方案;长波辐射方案采用RRTM方案;短波辐射方案采用Dudhia方案;近地层过程采用Monin-Obukhov scheme方案;陆面过程方案为热扩散方案;边界层方案采用YSU方案;积云对流过程采用Kain-Fritsch[19]。

1.3 实验的设计

HASM模型通过引入权重可简化为一个由采样信息约束控制的最优化问题,如式(1)所示[11]。

式中:A、B、C分别为系数矩阵;d、q、p为常数向量;Z为待求解向量;n为迭代次数;λ为权重参数;S为气温的系数矩阵;k为估算的气象要素值。

最优化问题即式(1)等价于

式中:v为向量矩阵;T为对象的转置矩阵,W为对称正定大型系数矩阵,通过迭代法计算该方程组,直到满足精度解时停止迭代,输出最终的结果。

使用HASM方法将站点观测资料和WRF模式输出结果融合,主要包括以下步骤:(1)利用NCEP-FNL再分析资料驱动WRF模式对江西地区6、7、8月的气象要素场进行估测,对估测结果进行月平均计算。(2)采用最近点赋值法得到WRF格点数据中距离检验观测站点最近的格点,并对两者做残差,得到月平均近地面气象要素残差点,即HASM-WRF的控制场:

OBS-WRF=error

式中,OBS为气象台站观测点数据,WRF为采用最近点赋值法得到的与距离检验站点最近的模式格点数据,error为两者的近地表气象要素残差数据。(3)用克里金插值法将月平均气象要素残差点插值成月平均要素残差场,即为HASM-WRF的驱动场。(4)利用HASM-WRF方法将驱动场与控制场进行融合,得到融合后的月平均近地面气象要素残差场,并与WRF模式输出的月平均近地面气象要素场进行叠加。

1.4 精度验证

为保证数据精度检验的科学性,将93个气象观测站点数据分为数据融合样本与验证样本,随机抽取20个站点作为验证样本,其余73个台站数据作实验需要的数据融合样本。精度验证的参数采用均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)、偏差(Bais)以及准确率(HR)。具体表达式如下:

其中:Tac为两种模式输出结果;Ta为气象台站实测气象数据;n为样本个数;Nm为满足条件的样本数;S为标准值;气温、比湿、风速的标准值[20-22]分别为2 K、2 g·kg-1、1 m·s-1。

2 WRF模式与HASM-WRF方法估测结果的对比分析

2.1 两种方法对近地表温度的模拟

就夏季最高、最低和平均气温估测结果来看(表1),HASM-WRF方法具有较高精度,对于高温、低温及平均气温的估算,该方法的RMSE估算精度相对WRF模式误差降低了0.7℃、0.27℃和0.52℃,MAE的估算精度分别提高了0.66℃、0.27℃和0.44℃,MRE的估算精度分别提高了2.04%、1.06%和2.24%,准确率分别提高了18.64%、10.87%和7.36%。WRF模式对于高温、低温及平均的模拟普遍存在冷偏差现象,与实测温度相比WRF模式模拟结果分别偏冷0.47℃、0.64℃和0.17℃,经过HASM-WRF方法订正,估测结果偏差降低至-0.19℃、0.34℃和-0.006℃。就夏季各月温度估测结果来看(表2),无论是高温、低温还是平均气温,经HASM-WRF方法订正后的估测结果精度均比WRF模式模拟精度要高。此可见,HASM数据融合方法的应用能够极大提升WRF模拟结果对气温模拟测精度。

表1 两种方法的平均误差对比

表2 基于两种方法的各月最高、最低及平均温度误差对比

为表示实验地区实际气温分布特征,将93个实验区内台站观测点的逐月平均气温进行克里金插值法得到台站实测平均气温曲面(图3)。由图3可知,江西省6月高温区出现在南部,温度约26℃ ～27℃,整体温度与纬度呈负相关关系,呈现一个北低南高的趋势;7月高温区出现在中部,温度约28℃ ～28.5℃,8月高温区出现在南部温度约28.5℃ ～30℃。6-8月,逐月增温约1℃～2℃。WRF模式对6月气温场的模拟整体温度偏高,6月份平均温度的高温区出现在江西省南部的吉安、赣州地区,温度约为28℃ ～30℃(图4a);7月份高温区出现在江西省中部与南部(抚州、赣州地区),约28℃ ～30℃(图4c);8月份整体温度偏高,高温区出现在江西省中部及南部(南昌、宜春、抚州、吉安、赣州地区)温度大约28℃ ～30℃(图4e)。HASM-WRF方法估测的6月气温场高温区出现在江西省中部,高温区约26℃ ～28℃(图4b),更加接近6月份实际温度场;7月气温场大部分温度较高,高温区出现在江西省中部,约为27℃ ～29℃(图4d);8月份高温区出现在江西省中部与南部(赣州地区),高温区温度约29℃ ～30℃(图4f)。两种方法对夏季温度场的再现较为准确。

为检验WRF模式及HASM-WRF方法对日最高气温和最低气温的估测能力,利用HASM-WRF数据融合方法将6月1日至8月31日的日平均地表气温逐日进行融合。实验中WRF模式对14时输出的模拟数据作为模式输出的日最高温度,对02时输出的模拟数据作为模式输出的最低温度,并将其与台站观测日最高温度与台站观测日最低温度进行对比。两种方法对近地表高温、低温及平均温度变化趋势的模拟与估测表明(图5):夏季近地表高温为24℃ ～37℃,8月整月高温在36℃上下浮动。WRF模式对6月1日至7月15日高温模拟较准确,能够再现最高温度的日变化特征,7月15日至8月31日WRF模式的模拟结果偏冷(图5a)。通过图5(b)也能明显地看出WRF模式在7月15日至8月31日偏差较大,6月1日至7月15日WRF模式模拟高温结果与台站观测值的偏差在-2℃～2℃,7月15日之后其偏差在-6℃ ～0℃。HASMWRF方法估测的高温逐日变化特征更贴近实际近地表最高温度场。HASM-WRF方法估测值与台站观测值的偏差控制在-2℃～0.2℃;夏季近地表低温范围在18℃ ～28℃(图5c),WRF模式对低温模拟整体偏冷,其偏差在-2℃ ～0℃,经过HASM-WRF的调整,其估测结果的偏差约为0.25℃左右(图5d)。夏季平均温度范围约22℃～32℃。WRF模式对日平均温度的模拟偏差在-3℃ ～3℃ (图5e),经过HASM-WRF方法的调整其估测结果偏差在-0.5℃与0.5℃上下浮动(图5f),两种方法都能较好地表现平均温度场的日变化特征,但WRF模式对8月逐日平均温度的模拟偏冷。综合看,WRF模式对8月整月高温、低温和平均温度的模拟均偏冷,HASM-WRF方法较WRF模式能更好地再现研究区的高温、低温及平均温度的日变化特征。比较WRF与HASM-WRF两种方法的估测气温值与实测气温值的散点分布(图6),结果表明,WRF模式模拟高温、低温和平均温度分布相对松散,都存在高估和低估偏差大的现象,HASM-WRF方法估算温度与实测温度更加接近,大部分散点都聚集在直线两侧,偏差相比WRF模式要小。

2.2 两种方法对2 m比湿的估测

比湿是水汽与湿空气的质量之比,因其受气压变化引起大气膨胀和收缩影响不大,常用于表征大气中的水汽含量,被广泛应用于暴雨的水汽条件研究和日常预报业务中。比湿不受温度影响,为避免温度估测带来的误差影响,实验采用比湿验证WRF模式HASM方法估测湿度的能力。

将WRF模式估测结果及HASM-WRF模式估测的江西地区6、7、8月的月平均2 m比湿结果进行精度验证(表3),其结果表明HASM-WRF模式估测结果要比WRF模式模拟结果好。WRF模式模拟各月的RMSE在1.9～2.2 g·kg-1,HASM-WRF方法使估测结果的RMSE降低至0.8～1.0 g·kg-1,WRF模式模拟各月比湿的MAE在1.68～1.80 g·kg-1,MRE在8.01%～9.47%,HASM-WRF方法使MAE的精度提高了约1.0 g·kg-1,使MRE的精度提高了约5%～7%。WRF模式模拟夏季逐月比湿结果比台站数据约低1.3～1.6 g·kg-1,经过HASM-WRF模式订正,其数据融合后结果比台站约低0.25 g·kg-1。其中WRF模式对7月份估测效果更好,HASM-WRF模式对6月份纠正效果更好。两种方法均能很好地再现6-8月实际比湿的逐日变化特征(图7a),但WRF模式对6～8月逐日平均比湿的模拟相比台站实测平均比湿均偏低约0～4.0 g·kg-1(图7b),HASM-WRF方法的模拟值相比实测值偏低约0.25 g·kg-1。比较两种方法模拟值与实测值的散点分布,WRF模式输出的部分数值相差较大(图8a),HASM-WRF方法更加稳定估测精度比WRF模式更高(图8b)。

表3 基于两种方法的各月平均比湿误差对比

2.3 两种方法对10 m风速的估测

表4为两种方对各月平均10 m风速模拟值与台站实测风速误差对比,WRF模式各月的模拟值RMSE约在1.77～3.08 m/s,MAE约在1.32～1.35 m/s,MRE约在2.88%～3.52%,偏差在-0.06～0.35 m/s;经HASMWRF方法订正后,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%,偏差的精度无明显变化。两种方法对逐日平均风速的模拟变化较差(图9a),WRF模式模拟结果与台站实测数据的残差较大,在-1～2 m/s浮动,经过HASM-WRF方法的订正,残差在-1～1 m/s上下浮动(图9b)。两种方法模拟值与观测值的散点分布也相对温度与比湿的模拟松散(图10),WRF模式的模拟表现不如HASM-WRF方法,其散点分布更加松散。整体来看WRF模式对风速的模拟效果不如温度与比湿,这在其他区域也有相同的结论,通常情况由于系统误差,WRF模式对风速模拟值偏大[22-23]。

表4 基于两种方法的各月平均风速误差对比

3 结论

通过对比WRF模式估测结果、HASM-WRF数据融合方法估测结果与台站资料在江西省及其周边地区气象要素的空间分布与时间序列,并对两种方法的估测结果进行精度验证,综合评估了两种方法在复杂地形条件下的估测性能,得到主要结论:

(1)WRF模式能较准确地估测江西地区近地表气温的空间分布特征,HASM-WRF方法能够改善WRF模式估测气温场的结果:江西省夏季高温区在省内南部24.5°N～26°N,115 °E～116°E(赣州地区),整体温度与纬度呈负相关关系,呈现一个北低南高的趋势。WRF模式对高温区温度的模拟偏低,HASM-WRF方法对8月夏季温度场的模拟最为准确。

(2)WRF模式能较准确地再现江西地区近地面气象场及其时间变化特征,WRF模式对江西地区近地面的气温、比湿和风速的估测准确率分别为82.88%、64.58%、47.85%。WRF模式估测的比湿偏低,风速偏高。HASM-WRF数据融合方法对江西地区近地面气温、比湿和风速的估测准确率分别为95.27%、95.54%和49.42%。相比较 WRF模式输出结果,HASM-WRF数据融合方法分别将近地面气温、比湿和风速的准确率提高了12.34%、30.96%和1.57%。

(3)WRF模式气温的估测效果最好,比湿次之,风速的误差相对较大。其中温度的RMSE在1.39℃～1.56℃,MAE在1.10℃ ～1.27℃,MRE在4.01%～4.68%;比湿的 RMSE在1.96～2.15g·kg-1,MAE在1.60～1.80 g·kg-1,MRE 在8.01%～9.47%;风速的 RMSE在1.77～3.08 m/s,MAE在1.32～1.35 m/s,MRE在2.88%～3.52%。经过HASM-WRF方法的订正,各气象要素的各模拟精度都有所提升,其中温度的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%;比湿的RMSE降低至0.8～1.0 g·kg-1,MAE的精度提高了约1.0 g·kg-1,MRE的精度提高了约5%～7%;风速的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数据融合方法对近地表气温和比湿的估测都很准确,对WRF模式估测比湿的结果订正效果最好,对风速的订正效果最差。