不同物理过程参数化方案对江淮梅雨降水预报的影响分析

摘要 为研究不同物理过程参数化方案对江淮梅雨降水预报的影响，基于WRFv4.4.2，利用GFS预报数据、第六版MODIS土地覆盖类型产品和ERA5-Land观测数据集，使用均方根误差、相关系数、公平技巧评分和偏差评分等方法，模拟评估Ferrier、WSM6和Thompson这3种云微物理过程参数化方案，以及KF、BMJ和Tiedtke这3种积云对流参数化方案共9种组合，对2020年7月14日00：00—17日00：00江淮流域梅雨期一次降水过程的预报效果进行分析。结果表明，（1）积云对流参数化方案对江淮梅雨降水预报有更为明显的影响，使用BMJ可以获得较好的预报结果；（2）WRF模式在山地、城市等区域表现不佳，在平原、农田等区域表现尚可，适用性存在一定不足；（3）在江淮流域北部地区（32.7 °N以上）使用WSM6和BMJ的实验组合综合表现较佳，可较为准确地预报降水过程变化趋势，对小雨和中雨量级的降水落区有较高的预报技巧。为今后江淮梅雨期降水预报提供参考。

关键词 WRF模式；参数化方案；预报评估；江淮流域；梅雨期降水过程

中图分类号 S165" " 文献标识码 A" " 文章编号 1007-7731（2024）16-0110-07

DOI号 10.16377/j.cnki.issn1007-7731.2024.16.026

Impact of different parameterization schemes for physical processes on the forecast

of Meiyu precipitation in the Jianghuai region

HU Zhiqiang" " WANG Jun" " WANG Runshi

（Fengtai County Meteorological Bureau， Fengtai 232100， China）

Abstract In order to investigate the impact of different physical process parameterization schemes on the forecast of Meiyu precipitation in the Jianghuai region， based on WRFv4.4.2， GFS forecast data， the sixth edition MODIS land cover type product， and ERA5 Land observation dataset were used to simulate and evaluate three cloud microphysical process parameterization schemes， Ferrier， WSM6， and Thompson， as well as nine combinations of three cumulus convective parameterization schemes， KF， BMJ， and Tiedtke， using methods such as root mean square error， correlation coefficient， fair skill score， and bias score. The forecast effect of a precipitation process during the Meiyu period in the Jianghuai River Basin from 00：00 on July 14， 2020 to 00：00 on July 17， 2020 was evaluated. The results indicated that （1） the parameterization scheme of cumulus convection had a more significant impact on the precipitation forecast of Jianghuai plum rain， and using BMJ could obtain better forecast results; （2） the WRF model performed poorly in mountainous and urban areas， but fairly well in plains， farmland， and other areas， with certain limitations in applicability; （3） the experimental combination of WSM6 and BMJ performed well in the northern region of the Jianghuai region （above 32.7°N）， and could accurately predict the trend of precipitation process changes. It had high forecasting skills for precipitation areas of light rain and moderate rain levels. The purpose was to provide references for future precipitation forecasting during the Jianghuai region rain season.

Keywords WRF model; parameterization scheme; forecast evaluation; Jianghuai River Basin; precipitation process during the Meiyu period

江淮流域是持续性强降水过程的多发区域之一[1]。在东亚夏季风和复杂下垫面的共同影响下，江淮梅雨期（6月中下旬至7月中上旬）成为江淮流域主要的强降水集中时段之一，具有降水量级大、持续时间长和影响范围广等特点，平均降水量在200～300 mm，约占全年总降水量的1/4[2-3]。江淮流域雨带分为经向型和纬向型两种，二者在降水强度和环流特征方面基本相似，区别在于后者多出现在梅雨期，位于高层反气旋的中心，降水量更大、范围更广，降水量、降水频率的日变化呈现夜间主峰值、午后次峰值的双峰特征[4-6]。如何实现对江淮梅雨期降水过程的准确模拟和精确预报一直是备受关注的热点问题之一。

随着现代信息技术的发展，计算能力得到提升，以气象研究与预报模式（Weather research and forecasting，WRF）为代表的数值模式成为研究降水过程的重要手段之一。徐之骁等[7]比较了4种积云对流参数化方案对2012年7月21—22日北京特大暴雨过程的模拟效果，发现Kain-Fritsch（KF）方案可以很好地模拟出对流的触发，整体模拟效果较好。叶茂等[8]设计了11种云微物理过程、积云对流和边界层参数化方案组合，发现四川盆地东部的降水预报对积云参数化方案较为敏感。孟泽华等[9]选取5种云微物理方案，对2017年一次江淮暴雨过程开展数值预报实验，发现暴雨和大暴雨对云微物理方案更加敏感，同时，不同方案对降水落区和降水强度的预报呈现明显差异。可见，积云对流和云微物理过程参数化方案的选取对降水预报质量有着重要影响。

2020年6—8月，江淮流域经历一次超长梅雨季，强降水过程频繁，累计降水量异常偏多且达历年峰值，导致洪涝及次生灾害发生[10]。本文基于WRF模式，选取该时间段一次降水过程开展预报模拟，以评估不同的云微物理过程、积云对流参数化方案组合在江淮流域的预报效果，分析存在差异的原因，为今后江淮梅雨期降水预报提供有益参考。

1 材料与方法

1.1 数据来源

降水资料来自ERA5-Land（ECMWF Reanalysis v5）观测数据集，空间分辨率0.1°×0.1°，时间分辨率1 h。2020年7月14日00：00—17日00：00过程累积降水和逐日降水如图1所示。由图1A可知，累积降水中心最大值110 mm；由图1B～D可知，江淮流域雨带为纬向型且呈北抬趋势，降水主要集中在15日，该日最大降水量74 mm。

利用空间分辨率0.5°×0.5°、时间分辨率3 h的全球预报系统（Global forecast system，GFS）进行预报，预报数据为WRF模式运行提供必要的初始场和边界条件，不加入其他观测资料。

土地利用数据的精确度和准确性对数值模式模拟有重要影响[11-12]，故选用第六版分辨率成像光谱仪（Moderate resolution imaging spectroradiometer，MODIS）土地覆盖类型产品（MCD12Q1_v06）中空间精度500 m的2020年土地利用数据替换模式默认静态数据。皖北、苏北地区以农田为主，江浙沪一带多城市和密集建筑，而皖南、浙西多森林、草原。

1.2 试验设计

试验基于WRFv4.4.2对江淮流域2020年7月14日00：00—17日00：00一次梅雨期降水过程进行预报模拟，起报时间为2020年7月14日00：00，预报时效72 h。选取Ferrier、WSM6和Thompson这3种云微物理过程参数化方案和KF、Betts-Miller-Janjic（BMJ）、Tiedtke这3种积云对流过程参数化方案共设计9种参数化方案组合（表1），长波辐射过程和短波辐射过程均使用RRTMG（Rapid radiative transfer model for GCMs）参数化方案，行星边界层使用YSU（Yonsei university）方案，近地面层使用Monin-Obukhov方案，陆面过程使用Noah方案，垂直层数为45，土壤层数为4。水平方向使用双重双向网格嵌套，d01层格点距27 km，中心位置在（117.5° E，32.0° N），d02层格点距9 km，中心位置在（118.5° E，32.0° N），研究区位于115.0°～122.1°E，29.5°～34.5°N（图2）。

1.3 时空特征分析

通过柱状图直观展示9种参数化方案预报值和其观测数据的逐6 h区域平均降水变化，进而分析各参数化方案组合预报的时间特征，体现出各组合在降水过程中的起止时间、降水量级等方面的预报能力；通过相对误差分布体现出各参数化方案组合预报的空间特征，分析其对主雨带位置的预报能力，体现出WRF模式的优缺之处。

1.4 评估方法

使用均方根误差（Root mean-square error，RMSE）和相关系数R两个指标评估各参数化方案组合对降水过程和降水量的预报效果，选用公平技巧评分（Equitable threat score，ETS）和偏差评分（Bias score，Bias）作为检验不同参数化方案组合预报效果的两个指标。ETS评分是对TS评分的改进，能对空报或漏报进行惩罚，使评分更加公平，其计算如式（1）；Bias评分主要用来衡量模式对某一量级降水的预报偏差，反映降水总体预报成果，其计算如式（2）。

式（1）～（2）中，[NA]为预报正确的次数，[NB]为空报次数，[NC]为漏报次数，[Ra]为空报次数与漏报次数相当时的随机预报[NA]的数学期望。当ETSgt;0时，表示对于某量级降水来说，预报有技巧；当ETS≤0时，则表示预报没有技巧；当ETS=1时，表示该预报为完美预报。当Biasgt;1时，表示预报结果较实况而言偏湿；当Biaslt;1时，表示预报结果较实况而言偏干；当Bias=1时，则表示预报偏差为0，即预报技巧最高。

2 结果与分析

2.1 时空特征

2.1.1 时间分布特征" 如图3所示，新一轮降水过程开始于18 h（2020年7月14日18：00，下同），18～72 h区域平均降水量4.3 mm/6 h，主要降水出现在24～30、42～48 h，呈现出江淮流域纬向型雨带降水夜间主峰值、午后次峰值的双峰特征。所有参数化方案组合均能较好地预报出降水过程的起始时间点以及降水强度的变化趋势，但从54 h起预报值与观测值出现较大偏差，54～60 h明显低估降水，66～72 h明显高估降水，反映该预报模式的不稳定性随预报时间延长而不断增加的问题。此外，使用Tiedtke参数化方案的g3、g6和g9组合的预报值基本偏多，尤其是在30、42、48和72 h这4个时次偏差较大；使用BMJ参数化方案的g2、g5和g8组合的预报值同观测值较为接近，但在18～30 h时对降水量有明显低估情况；使用KF参数化方案的g1、g4和g7组合在18～54 h综合表现最好，在其余时次存在一定偏差。

2.1.2 空间分布特征" 如图4所示，所有参数化方案组合均将主雨带预报在皖南地区，极大高估皖南、浙北地区降水量，相对误差普遍超过100 mm/72 h，略微低估皖北、苏南地区的降水量，相对误差在-50～-30 mm/72 h。其中，使用BMJ积云对流参数化方案的g2、g5和g8组合表现相对较佳，偏差极值主要集中在苏南—浙北—皖南一带部分地区，且区域平均相对误差均几近于0 mm/72 h，说明该模式能较好地预报总体降水量，但对雨带分布的预报效果较差。使用Tiedtke积云对流参数化方案的g3、g6和g9组合总体表现较差，普遍高估皖南、浙北地区降水量，且区域平均相对误差超过10 mm/72 h。

2.2 评估分析

2.2.1 均方根误差[RMSE]评估" 如图5所示，所有组合区域平均[RMSE]均在8～11，江淮流域北部平均[RMSE]在6～8，且[RMSE]大值多出现在淮河附近，皖南和浙北等地区，说明该模式在水域附近和山地丘陵等地的表现不佳，对降水量级的预报能力不足。其中，使用BMJ积云对流参数化方案的g2、g5和g8组合表现相对较好，区域平均[RMSE]在8左右，江淮流域南部平均[RMSE]在8～10；使用Tiedtke积云对流参数化方案的g3、g6和g9组合表现相对较差，区域平均[RMSE]超过10，江淮流域南部平均[RMSE]均超过14。

2.2.2 相关系数[R]评估" 如图6所示，总体上，所有组合在除皖中、苏南以及皖南局部以外的地区表现均尚可，在皖北和苏北地区能较好地预报降水过程的衰减和增强趋势，尤其是使用Thompson云微物理过程方案的g7、g8和g9组合表现较为明显，在江淮流域北部平均[R]gt;0.70，g8组合更是达到0.75，而g3、g4和g6组合表现较差，[R]gt;0.80区域偏少，在江淮流域北部[R]在0.40左右。

2.2.3 地形和土地类型ETS和Bias评价" 结合上述两个评估指标可以发现，所有组合在皖南、浙北和苏南一带的表现均有进一步优化的空间，存在高估降水量、不能较好预报降水过程的变化趋势等问题。江淮流域中部和南部地形起伏变化大、城市群多。程宸[13]、周晓宇等[14]研究表明，城市的发展广泛改变了下垫面性质，加上人类生产生活中会释放热量，产生明显的热岛效应，深切影响地—气间物质、能量的交换；张强等[15]和付智龙等[16]研究表明，以山地丘陵为代表的复杂下垫面，其陆—气相互作用的独特动力和热力强迫对区域气候和大气环流有着重要作用。这些因素均对该模式的模拟效果产生较大影响，故针对江淮流域北部地区（32.7° N以上）进行单独分析。该区域以平原、农田为主，是主要的粮食产地之一，具有重要的研究意义。

如图7所示，在江淮流域北部，以g8、g5组合为代表，[R]提升至0.90以上，[RMSE]降至5.5左右，预报效果较之前得到明显改善；其余组合的[R]均提升至0.80左右，[RMSE]降至5.0以内。如图8所示，g8、g5组合对0.1 mm以上量级的降水预报ETS评分较低，仅在0.1左右，而对于5.0、10.0、15.0和20.0 mm降水阀值的ETS评分在0.25左右，说明该模式对雨带分布的预报技巧欠佳，但能较好地预报小雨、中雨量级降水的落区；其余组合的ETS评分大多在0.20以下，尤其是g1、g3、g4和g9组合基本无法很好地体现预报技巧。所有组合对于0.1、5.0、10.0、15.0、20.0和25.0 mm降水阀值的Bias评分均小于1，说明预报结果较实况偏干，即降水量偏少，但g5、g8组合均更接近于1，体现出较好的预报能力。综合比较可以发现，g5组合具有较高的预报技巧和预报能力，能更好地预报降水过程的变化趋势、总降水量、雨带分布以及小雨、中雨量级降水的落区。

3 结论与讨论

基于WRFv4.4.2中尺度数值模式，将Ferrier、WSM6和Thompson这3种云微物理过程参数化方案和KF、BMJ和Tiedtke这3种积云对流参数化方案进行逐一配对，共设计9种组合，评估不同组合对2020年7月14日00：00—17日00：00内江淮流域一次降水过程的预报效果，并进一步探讨偏差来源。结果表明，（1）相较而言，江淮流域降水预报对积云对流参数化方案更为敏感，通过更换方案可极大改变预报结果。3种积云对流参数化方案中，BMJ可以较好地预报过程总降水量、过程起始时间和过程变化趋势，同时雨带分布情况较符合客观实际，能够体现一定的预报技巧；Tiedtke会极大地高估预报降水总量，且对降水过程变化趋势把握不够准确。（2）WRF模式对皖南—苏南—浙北一带的降水预报效果整体偏差，会极大地高估该区域的降水量，亦不能较好地预报降水过程的变化趋势以及雨带分布情况；选取江淮流域北部地区进行单独分析可以发现，各组合的评估指标均得到极大提升，其中，使用WSM6云微物理过程参数化方案和BMJ积云对流参数化方案的g5组合表现较佳，可较为准确地预报降水过程的变化趋势，总体预报降水量略少于实际情况，对小雨和中雨量级的降水过程具有较高的预报技巧，具有一定的实用意义。

综上，积云对流参数化方案是影响WRF模式对江淮流域降水预报效果的关键因素之一。目前，WRF模式在山地丘陵、中大型城市等复杂下垫面的模拟性能还有一定局限性，后续需进一步分析研究不同地形、不同土地类型的物理过程差异，以提升该模式的适用性。

参考文献

[1] 陶诗言. 中国之暴雨[M]. 北京：科学出版社，1980.

[2] DING Y H，CHAN J C L. The East Asian summer monsoon：an overview[J]. Meteorology and atmospheric physics，2005，89（1）：117-142.

[3] DING Y H，LIANG P，LIU Y J，et al. Multiscale variability of Meiyu and its prediction：a new review[J]. Journal of geophysical research：atmospheres，2020，125（7）：e2019JD031496.

[4] MA J，BOWLEY K A，ZHANG F Q. Evaluating the forecast performance of the Meiyu front rainbelt position：a case study of the 30 June to 4 July 2016 extreme rainfall event[J]. Atmosphere，2019，10（11）：648.

[5] GUAN P Y，CHEN G X，ZENG W X，et al. Corridors of Meiyu-season rainfall over Eastern China[J]. Journal of climate，2020，33（7）：2603-2626.

[6] 卜文惠，陈昊明，李普曦. 江淮流域大范围雨带降水的精细化特征研究[J]. 气象学报，2023，81（3）：361-374.

[7] 徐之骁，徐海明. 不同积云对流参数化方案对“7·21” 北京特大暴雨模拟的影响[J]. 气象，2017，43（2）：129-140.

[8] 叶茂，吴钲，高松，等. 多物理过程对流可分辨集合预报中不同方案在四川盆地东部降水预报效果评估[J]. 气象，2022，48（7）：840-855.

[9] 孟泽华，高彦青，马旭林，等. 一次江淮暴雨高分辨率数值预报中云微物理方案敏感性分析[J]. 大气科学学报，2023，46（5）：765-775.

[10] 刘芸芸，丁一汇. 2020年超强梅雨特征及其成因分析[J]. 气象，2020，46（11）：1393-1404.

[11] LO J C F，LAU A K H，CHEN F，et al. Urban modification in a mesoscale model and the effects on the local circulation in the Pearl River Delta region[J]. Journal of applied meteorology and climatology，2007，46（4）：457-476.

[12] CHENG F Y，BYUN D W. Application of high resolution land use and land cover data for atmospheric modeling in the Houston-Galveston metropolitan area，Part I：meteorological simulation results[J]. Atmospheric environment，2008，42（33）：7795-7811.

[13] 程宸. 城市下垫面对北京平均气象要素影响的数值模拟研究[D]. 南京：南京信息工程大学，2013.

[14] 周晓宇，王咏薇，孙绩华，等. 昆明城市热岛效应的数值模拟研究[J]. 大气科学，2022，46（4）：921-935.

[15] 张强，王蓉，岳平，等. 复杂条件陆-气相互作用研究领域有关科学问题探讨[J]. 气象学报，2017，75（1）：39-56.

[16] 付智龙，李国平，姜凤友，等. 四川盆地西部一次暖区山地暴雨事件的动力过程分析与局地环流数值模拟[J]. 大气科学，2022，46（6）：1366-1380.

（责任编辑：杨 欢）