孙骁凡， 欧剑， 李源， 吴志勇， 尹喆彬

(1.中国能源建设集团湖南省电力设计院有限公司， 长沙 410007； 2. 浙江省农村水利水电资源配置与调控关键技术重点实验室， 杭州 310018； 3. 河海大学水文水资源学院， 南京 210098； 4. Union College， Schenectady 12308， USA)

近年来，由于自然气候的变化以及人类活动的影响，导致越来越多的诸如短历时强降雨等极端天气出现，对于山区小流域的影响尤其明显[1]。由于流域面积小，地形复杂多变，当短历时强降雨发生时，导致山区小流域的洪涝灾害频繁发生。

精细化的降水预报可以很好地为小流域提供高时空分辨率的降水数据，从而为小流域的防汛防洪工作提供更好的支持[2]。目前，应用数值模式进行降水预报是最常见的研究方法[3]。WRF(weather research and forecasting)模式相比于其他数值模式，水平分辨率着重考虑1～10 km，能满足精细化预报的精度要求，且WRF模式可提供各类丰富的参数化方案用于不同条件下降水的模拟与预报，因此WRF模式对小流域的降水预报效果更佳[4]。

为研究边界层参数化方案对WRF模式模拟的影响，贾文星等[5]评估了WRF模式中4种边界层参数化方案对近地层气象要素的模拟能力。周彦均等[6]利用WRF模式分别对4种边界层参数化方案对长江中下游地区的一次暴雨个例进行模拟实验。同时，为进一步提高WRF模式的预报精度，需要展开更多参数化方案的研究。Zaidi等[7]评估了WRF模式中两种不同的微物理方案的性能。丁伟等[8]在Syeda Maria Zaidi的研究基础上，对比分析了WRF模式中6种微物理方案方案所模拟出的降水差异及成因。郭艺媛等[9]利用WRF模式中7种云微物理方案对青藏高原对流云降水进行模拟，分析不同云微物理方案对该类降水的影响。朱庆亮等[10]研究了WRF模式中的积云对流过程、陆面过程、微物理过程和边界层参数化方案对降水模拟的敏感性。耿利宁等[11]运用WRF模式针对福建三明地区的夏季降水进行模拟，并进行参数方案的分析。大量关于WRF模式在不同地区应用以及对降水过程进行模拟的研究，证明了该模式具有通用性以及预报的准确性。

然而，目前缺少应用WRF模式对山区小流域降雨预报的研究。WRF模式作为中尺度数值天气预报模式，结构更加复杂，且初始场、边界场、各种物理过程以及模式结构的设计缺陷等诸多因素都会对预报产生影响，只有做到“因地制宜”，才能使得WRF模式为研究区域提供更加精准的预报结果[12]。因此，现运用WRF模式，对浙南山区的好溪流域进行物理参数化方案敏感性分析，选出适合该流域的参数化组合方案，开展对山区小流域的降雨预报研究。

1 研究区域概况与试验方案设计

好溪流域位于浙南山区，流域面积976.8 km2，山地、丘陵占总面积80%以上[13]。且好溪流域为亚热带季风气候，多年平均降雨量高达1 550 mm，汛期多年平均降水量为909.2 mm，雨量充沛[14]。WRF模式中，微物理过程方案以及积云对流参数化方案是对降水预报模拟最敏感的两类物理方案[15]。为提高降水预报的精度，进行微物理过程方案和积云对流参数化方案的敏感性对比分析。

1.1 模式设置

试验方案中，使用NCEP(national centers for environmental prediction)的GFS(Global Forecast System)资料作为WRF模式的驱动数据，以提供初始场和边界场，GFS数据的分辨率为0.25°×0.25°，时间间隔为6 h。

如图1所示，模拟区域选在好溪流域，网格中心为120.15°E、28.66°N，并采用双层网格嵌套，外层D01区域的水平分辨率为10 km，相应的水平方向格点数为60×60，包含了整个浙江省及周围部分地区；内层D02区域的水平分辨率为3.3 km，相应的网格格点数为60×60，包括了浙南山区的好溪流域以及周围部分地区。

其他物理参数化方案的选择分别为：陆面过程方案采用5层热力混合方案，长波辐射方案采用RRTM(rapid radiative transfer model)方案，短波辐射方案采用Dudhia方案，行星边界层方案采用YSU(Yonsei University)方案。

图1 网格嵌套区域示意图Fig.1 Diagram of grid nested area

1.2 检验指标

降雨量级的检验采用面平均雨量的相对误差为检验指标，计算公式为

(1)

式(1)中：F为预报的面平均雨量；O为实测的面平均雨量；Er为预报的绝对误差占真值(观测值)的百分比。本文中以20%作为相对误差的阈值去评定预报效果。

降雨空间分布的检验通常采用TS(threat score)评分和BS(bias score)评分作为检验指标[16]，两个指标的计算公式为

(2)

(3)

式中：Na为降雨预报准确的测站数；Nb为降雨空报的测站数；Nc为降雨漏报的测站数[13]。TS评分是反映预报区域和实测降雨区域的重合程度的指标。BS评分表示预报降雨与观测降雨面积之比，反映降雨预报范围的相对大小。对于降雨量空间分布的检验，TS评分越大，且BS评分越接近于1，表示降水预报的效果越好，与实际情况越接近。

2 物理参数化方案敏感性分析

为了开展WRF模式的微物理方案和积云对流参数化方案对于降水预报的敏感性分析，将物理参数化方案敏感性试验分为两个阶段：在第一阶段，选取山区小流域的3场典型降水过程，将采用6种微物理方案和3种积云对流参数化方案的18种不同组合进行回顾预报，选出最佳的5种物理参数化方案组合；在第二阶段，将采用第一阶段优选的5种物理参数化方案组合对好溪流域的10场累积96 h的典型降水过程进行回顾预报，选出最佳的物理参数化方案组合。

2.1 第一阶段

在物理参数化方案敏感性试验的第一阶段，将采用6种微物理方案、3种积云对流参数化方案共18种不同组合对好溪流域3场累积96 h的典型降水过程进行回顾预报。6种微物理方案分别为：Kessler暖云方案、Purdue Lin(简称“Lin”)方案、WRF Single_Moment_3_class方案(简称“WSM3”，WSM5、WSM6类似)、WSM5 方案、WSM6方案、Thompson(简称“Thp”)方案。3种积云对流参数化方案分别为：Kain-Fritsch(简称“KF”)方案、Betts-Miller-Janjic(简称“BMJ”)方案、Grell-Devenyi(简称“GD”)方案。3场典型降水过程分别选择了累积降雨量25～50 mm、50～100 mm以及100 mm以上的3种不同量级，各降水个例起始时间及面平均雨量见表1。

表1 三场降水个例起始时间与各时段面平均雨量 Table 1 The start time of the three precipitation cases and the average rainfall in each period

由表2可以看出，物理参数化方案组合对降水量的模拟结果影响显著，选择不同的组合，预报结果有着明显的差异。综合考虑微物理方案和积云对流参数化方案的组合时，当积云对流方案选用KF方案，微物理过程选用Lin、WSM6、Thp方案结果优于其他和KF方案的组合；当积云对流方案选用GD方案时，微物理过程选用WSM5、Thp方案结果优于其他组合。因此，根据统计结果，在这一阶段优选出Lin-KF、WSM6-KF、Thp-KF、WSM5-GD、Thp-GD这5种组合方案。

2.2 第二阶段

在第二阶段，将采用在第一阶段筛选的5种组合方案对好溪流域的10场典型降水过程进行回顾预报，以TS评分、BS评分和相对误差作为评价指标开展参数化方案对比研究。并以2017年4月8日、2018年5月18日和2017年6月24日的3场降水作为典型降水过程进行分析，从而优选出最佳的参数组合方案。

2.2.1 所有降水场次的统计结果与分析

为对比模拟结果与实测数据的降雨量差异，采用相对误差作为降雨量的检验指标。从表3中可以看出，不同的物理参数化方案组合、不同的降水场次的模拟结果有着显著差异。在不同的组合方案中，Lin-KF和WSM6-KF组合方案的相对误差负值较多，说明存在预报偏小的系统误差；而其他3种组合方案的相对误差取值范围有较大波动。且在Lin-KF、WSM6-KF、Thp-KF、WSM5-GD、Thp-GD组合方案中，相对误差小于20%的场次分别为6、4、4、3、4，综上，Lin-KF组合方案的预报最准确，为最佳的物理参数组合方案。

表2 0～96 h各物理参数化方案相对误差Table 2 Relative error of each physical parameterization scheme from 0～96 h

为避免单一场次模拟带来的误差，需要对10场降水过程进行综合评价，因此计算10场降水个例中各组合方案的TS评分和BS评分的均值及标准差。如表4所示，5种组合方案的TS评分在后三个量级中出现差异，其中WSM6-KF 的TS评分最高，但是其标准差也最大，说明该方案模拟的降水场次其误差有较大的波动，WSM5-GD的TS评分次之，但其标准差也相对较小，说明该组合方案下模拟的降水情况更符合实际降水。

表3 0～96 h各场次各物理参数化方案相对误差Table 3 Relative error of each physical parameterization scheme of each case from 0～96 h

如表5所示，在0.1～10 mm和10～25 mm量级中，5种组合方案的BS评分相差不大，而在大于25 mm的量级中，各方案的BS评分存在显著差异，其中WSM5-GD的BS评分明显高于其他方案，且该组合方案下在前3个量级中的标准差相对较小，在50 mm以上量级中标准差略偏大。综合各方案的TS和BS评分的均值与标准差的统计结果可以看出，WSM5-GD组合方案的模拟效果相对最佳。

2.2.2 典型降水场次的结果与分析

为对比模拟结果与实测数据降雨的差异，选取了不同量级的3场典型降水个例，其发生时间分别为2017年4月8日、2018年5月18日、2017年6月24日，并采用TS评分和BS评分作为降水评价指标，结合各预报方案下的0～96 h累积降水空间分布图进行分析。

如图2所示，2017年4月8日的实测降水空间分布主要有两个明显的特征：一是在流域东北部雨带呈西北-东南走向；二是流域大部分的降水量级在50 mm及其以上。在5种不同物理组合方案模拟下，流域东北部的雨带均呈现西北-东南走向，但是降水量级均有不同程度的偏差，总体而言，WSM5-GD方案模拟的降水量级与实际情况最为接近，Thp-GD和WSM6-KF方案次之，Lin-KF和Thp-KF方案的模拟结果最差。

表4 不同组合方案TS评分对比Table 4 Comparison of TS scores of different combinations

表5 不同组合方案BS评分对比Table 5 Comparison of BS scores of different combinations

2017年4月8日各物理参数化方案的TS评分与BS评分结果如图3所示。不难发现，无论是TS评分还是BS评分，各物理参数组合方案下0.1～10 mm和10～25 mm量级的结果均一致，差别主要体现在25～50 mm和50 mm以上量级。如图3(a)所示，对于TS评分，25～50 mm量级中WSM5-GD和Thp-KF的结果为1，而50 mm以上量级中只有WSM5-GD的评分不为0。如图3(b)所示，对于BS评分，25～50 mm量级中WSM5-GD和Thp-KF的结果为1，而50 mm以上量级中WSM5-GD的评分为1.2，其他方案的评分均为0.1。综上，对于2017年4月8日的降水过程，选择WSM5-GD组合方案的预报效果最佳。

如图4所示，对于2018年5月18日的典型降水过程，其实测降水在流域南北两端的量级较大，流域东北部的雨带为西北-东南走向。而5种不同的物理参数组合方案的预报降水在流域北部的降水量级都偏小。其中，Lin-KF和WSM6-KF以及Thp-GD方案的预报降水在流域南部的量级较大，与实测量级比较接近，且Lin-KF方案的降水在流域东北部预报出了西北-东南方向的雨带。综合考虑以上因素，Lin-KF方案的预报效果最佳。

图2 2017年4月8日各方案0～96 h累积降水分布Fig.2 0～96 h cumulative precipitation distribution of each scheme on April 8， 2017

图3 2017年4月8日各方案TS和BS评分对比Fig.3 Comparison of TS and BS scores for each plan on April 8， 2017

由图5(a)可知，对于0.1～10 mm的降雨量级，所有组合方案的TS评分均为1；在10～25 mm量级中，WSM6-KF、Thp-KF的TS评分均为1，Lin-KF方案的评分为0.83，WSM5-GD和Thp-GD方案为0.78。在25～50 mm的量级中WSM6-KF和WSM5-GD方案的TS评分最高，Lin-KF和Thp-GD方案次之，Thp-KF的评分最低，5种方案的评分依次是0.65、0.65、0.61、0.61、0.57。在50 mm以上的量级中，只有Thp-KF方案的TS评分小于0.2，Lin-KF和WSM5-GD方案的TS评分为0.43，WSM6-KF和Thp-GD方案的TS评分为0.39。由图5(b)可知，该场次的降水过程中，各物理方案得到BS评分的相对趋势与TS评分相同。

图4 2018年5月18日各方案0～96 h累积降水分布Fig.4 0～96 h cumulative precipitation distribution of each scheme on May 18， 2018

图5 2018年5月18日各方案TS和BS评分对比Fig.5 Comparison of TS and BS scores for each plan on May 18， 2018

综合TS评分和BS评分的结果，对于2018年5月18日的降水过程，Lin-KF方案和WSM6-KF方案的预报效果相对较好，前者对于50 mm以上大量级降水的预报更准确，后者对于10～50 mm的量级预报更准确。再结合降水空间分布图，选择Lin-KF方案的预报效果最为准确。

如图6所示，对于2017年6月24日的典型降水过程，实测降水在流域东北部的降水量级较大，达到了175 mm左右；在流域中部也有一块区域的降水量级在150 mm左右；而流域南部的降水量相对较小，在75 mm左右。Lin-KF和Thp-KF方案在流域东北部的预报降水与实测降水量级相当，且雨带走向一致，但是中部的十分大降水区偏移到了流域南部。WSM6-KF和WSM5-GD方案的预报降水明显偏大，而Thp-GD方案的预报降水明显偏小。综上，Lin-KF和Thp-KF方案为预报效果相对较好的组合方案。

由图7(a)可知，对于0.1～10 mm、10～25 mm以及25～50 mm三个降雨量级，所有组合方案的TS评分均为1；在50 mm以上的量级中，Thp-GD的TS评分为0.57，而其他组合方案的TS评分均为1。由图7(b)可知，对于0.1～10 mm、10～25 mm及25～50 mm三个降雨量级，所有组合方案的BS评分均为1；在50 mm以上的量级中，Thp-GD方案的BS评分为0.64，明显偏低，其他组合方案的BS评分均为1.05，略大于1。

图6 2017年6月24日各方案0～96 h累积降水分布Fig.6 0～96 h cumulative precipitation distribution of each scheme on June 24， 2017

图7 2017年6月24日各方案TS和BS评分对比Fig.7 Comparison of TS and BS scores for each plan on June 24， 2017

综合TS评分和BS评分的结果，对于2017年6月24日的降水过程，选择Lin-KF、WSM6-KF、Thp-KF以及WSM5-GD这四种组合方案的预报效果一样。再结合降水空间分布图的结果，Lin-KF的预报效果最为准确。

综上，对于以上3场好溪流域的典型降水过程，结合其TS评分、BS评分以及降水的空间分布可以看出，没有某一种组合方案对所有个例的模拟效果都很好，相对而言，采用Lin-KF和WSM5-GD组合方案的预报降水误差更小。

3 结论

选取好溪流域2017—2018年10场典型降水过程，分析WRF模式不同物理过程参数化组合方案对好溪流域预报降水精度的影响，优选最适于好溪流域的物理参数化组合方案，提高好溪流域降水预报精度。研究结果表明：

(1)不同云微物理过程和积云对流过程参数化方案选择对降水预报影响显著。与其他积云对流过程参数化方案相比，KF和GD积云对流参数化方案预报降水误差较小；与其他云微物理过程参数化相比，采用Lin方案和Thompson方案预报误差较小。综合考虑，WSM5-GD的组合方案以及Lin-KF的组合方案的模拟效果相对较好。

(2)对于较小量级的降水(面平均降雨量50 mm以下)，物理参数化组合方案选择WSM5-GD的组合方案最佳。该组合方案模拟的大部分降水场次的相对误差较小、TS评分较高，且更符合实际降水的空间分布。

(3)对于较大量级的降水(面平均降雨量50 mm以上)，物理参数化组合方案选择Lin-KF的组合方案精度最高。该组合方案模拟的大部分降水场次的相对误差均小于15%，且在大部分的典型降水过程中，Lin-KF组合方案的预报降水空间分布与实际降水的空间分布更接近。