基于WRF模式的清江流域降雨-徑流模擬研究

高玉芳，武雅珍，吳雨晴，顧天威，胡泊

（1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇 南京 210044；2. 南京信息工程大學(xué)大氣科學(xué)學(xué)院，江蘇 南京 210044；3. 中國氣象局武漢暴雨研究所/湖北省暴雨監(jiān)測與預(yù)警重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430205）

1 引 言

暴雨洪澇災(zāi)害是我國常見的自然災(zāi)害之一，傳統(tǒng)的洪水預(yù)報(bào)模型以實(shí)測降雨為輸入，其預(yù)見期取決于流域的匯流時(shí)間，往往只有幾小時(shí)，將預(yù)報(bào)降雨作為水文模型輸入進(jìn)行洪水預(yù)報(bào)是延長洪水預(yù)報(bào)預(yù)見期的有效途徑。然而，由于降雨形成機(jī)制復(fù)雜多樣，受到大氣中不同地形和天氣系統(tǒng)的制約，降雨預(yù)報(bào)仍然被認(rèn)為是氣象學(xué)上的一個(gè)難題[1]。目前，在眾多的中尺度模式中，WRF 模式應(yīng)用廣泛，已經(jīng)成為了降雨預(yù)報(bào)的重要工具。但是，WRF 模式對降雨過程的預(yù)報(bào)效果會受到分辨率、物理過程、嵌套方案等因素的影響。近年來，研究人員針對WRF 模式水平分辨率及云物理過程方案[2]的選取進(jìn)行了大量研究。Lungo 等[3]在坦桑尼亞區(qū)域使用WRF 模式設(shè)置15/5 km、12/4 km和9/3 km網(wǎng)格間距，選取3種微物理方案和4種積云參數(shù)化方案進(jìn)行組合，研究發(fā)現(xiàn)高分辨率的預(yù)報(bào)效果較低分辨率有更大的改善，特別是在天氣系統(tǒng)以對流系統(tǒng)為主的雨季，且適合該區(qū)域的云物理方案分別為Lin 方案和KF 方案。吳海濤等[4]通過將3 種積云參數(shù)化方案和5 種微物理方案進(jìn)行組合，對黃河源區(qū)一次降雨過程進(jìn)行預(yù)報(bào)，發(fā)現(xiàn)Morrison 微物理方案和Grell3 積云參數(shù)化方案組合預(yù)報(bào)的降雨空間分布與實(shí)際最為相似。眾多研究表明，最優(yōu)方案高度依賴于天氣或氣候機(jī)制及應(yīng)用規(guī)模，目前沒有一種方案可以在全球范圍內(nèi)應(yīng)用得最好[5]。

此外，近年來隨著降雨預(yù)報(bào)技術(shù)的發(fā)展，采用氣象-水文耦合的方法模擬徑流，以延長洪水預(yù)報(bào)預(yù)見期已經(jīng)成為水文-氣象預(yù)報(bào)的發(fā)展趨勢。WRF 模式作為高分辨率數(shù)值模式，其與水文模型耦合進(jìn)行洪水預(yù)報(bào)也受到越來越多的關(guān)注。WRF-Hydro 是美國國家大氣研究中心（NCAR）2013 年開發(fā)的高分辨率分布式水文預(yù)報(bào)模式，模式考慮了地表、地下和河道的三維可變飽和流來預(yù)測河流流量[6]，解決了某些陸面模式中未考慮土壤側(cè)向流的問題，該模式具有與WRF 模式耦合的框架結(jié)構(gòu)，現(xiàn)已廣泛地應(yīng)用于國內(nèi)外流域的徑流模擬中，取得了較好的效果[7-8]。

清江流域是長江流域的多暴雨區(qū)之一，由強(qiáng)降雨造成的流域洪澇災(zāi)害頻發(fā)。因此，采用氣象-水文耦合的方法，準(zhǔn)確預(yù)報(bào)降雨，提高洪水預(yù)報(bào)效果對防洪減災(zāi)具有十分重要的意義。本研究基于WRF 模式，對清江流域6 次典型降雨事件進(jìn)行數(shù)值預(yù)報(bào)，結(jié)合CMORPH 衛(wèi)星-地面自動站-雷達(dá)三源融合降水產(chǎn)品[9-10]，采用TS評分及FSS評分作為評價(jià)指標(biāo)，分析、探討不同分辨率下不同積云參數(shù)化方案和不同微物理過程方案對降雨預(yù)報(bào)效果的影響，并將較優(yōu)組合方案下的WRF 模式和WRFHydro 模式耦合進(jìn)行徑流模擬，分析WRF 模式在水文模擬中的應(yīng)用效果，以期為WRF 模式在水文模擬中的應(yīng)用提供借鑒。

2 資料與方法

2.1 研究區(qū)域

清江流域位于108°35′ ~111°35′ E，29°33′~30°50′ N 間的副熱帶地區(qū)，處于鄂西強(qiáng)降雨區(qū)，流域面積約為17 000 km2，自然落差1 430 m，其地形有利于暖濕氣流的抬升，且位于西南渦頻發(fā)區(qū)域，因此易發(fā)生暴雨洪澇災(zāi)害。清江干流河段分三級開發(fā)，自上而下分別有水布埡、隔河巖、高壩洲三座大型水電站，水布埡水電站是清江梯級開發(fā)的龍頭樞紐，本文以水布埡水電站控制流域作為研究區(qū)域，研究區(qū)面積約為11 000 km2，清江流域研究區(qū)域及地理位置如圖1所示。

圖1 清江流域研究區(qū)域圖

2.2 降雨-徑流個(gè)例

清江流域降雨年分配很不均勻，大都集中在夏秋季，而冬季的降雨量相對較少[11]。本研究選取2016—2018年6—10月共6個(gè)致洪暴雨事件，每個(gè)事件提取降雨量集中的24 h 進(jìn)行數(shù)值模式預(yù)報(bào)，并模擬強(qiáng)降雨事件對應(yīng)的徑流過程，具體時(shí)間及事件概況如表1 所示。本研究采用中國國家氣象信息中心開發(fā)的CMORPH 衛(wèi)星-地面自動站-雷達(dá)三源融合降水產(chǎn)品[9-10]（以下簡稱為融合數(shù)據(jù)）作為對照，分析WRF 模式降雨預(yù)報(bào)效果，該融合數(shù)據(jù)集結(jié)合了來自國內(nèi)超過4 萬臺的自動氣象站降水資料、高分辨率雷達(dá)估測降水資料和CMORPH 衛(wèi)星反演降水資料，空間分辨率為5 km，時(shí)間分辨率為1 h。徑流實(shí)測值采用由中國氣象局武漢暴雨研究所提供的水布埡水電站逐小時(shí)入庫徑流數(shù)據(jù)。

表1 降雨-徑流研究個(gè)例

2.3 試驗(yàn)方案設(shè)置

2.3.1 WRF模式設(shè)置

本研究選用WRFV4.1.1進(jìn)行預(yù)報(bào)，以110.08°E，30.19 °N為中心，采用4層嵌套d01、d02、d03、d04，水平分辨率分別為27 km、9 km、3 km、1 km，對應(yīng)的水平方向格點(diǎn)數(shù)分別為202×172、427×355、493×439、376×208，嵌套區(qū)域如圖2 所示。模式的垂直方向分32層，頂層氣壓為50 hPa，時(shí)間積分步長設(shè)定為81 s，采用歐拉質(zhì)量坐標(biāo)方程，投影方式為Lambert 地圖投影，使用分辨率為1 °×1 °的FNL 資料作為模式的初始場和邊界場，spin-up 時(shí)間為6 h，取后24 h 的預(yù)報(bào)結(jié)果，每層的預(yù)報(bào)產(chǎn)品均逐小時(shí)輸出。

圖2 WRF模式嵌套區(qū)域示意圖

為討論不同積云參數(shù)化方案及微物理過程方案對降雨預(yù)報(bào)的影響，模式其余各物理參數(shù)化方案維持不變，長波輻射方案選取RRTM 方案，短波輻射方案選取Dudhia 方案，輻散物理方案的時(shí)間間隔設(shè)定為27 min，近地面層方案選取Revised MM5 方案，陸面過程方案選取Noah 陸面過程方案，邊界層方案選取YSU方案，邊界層物理方案的時(shí)間間隔設(shè)定為0 min。每個(gè)典型降雨個(gè)例分別選取3 種積云參數(shù)化方案（KF、BMJ、GF）和7 種微物 理 過 程 方 案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）設(shè)計(jì)21 組對比試驗(yàn)進(jìn)行預(yù)報(bào)。積云參數(shù)化方案只在d01和d02中使用。

2.3.2 WRF-Hydro模式設(shè)置

本研究選取WRF-Hydro 5.0.3進(jìn)行徑流模擬。融合數(shù)據(jù)和WRF 模式最內(nèi)層嵌套的模擬結(jié)果統(tǒng)一插值至1 km 水平分辨率，分別以非耦合模式和耦合模式作為WRF-Hydro 模式輸入進(jìn)行徑流模擬。每場過程的spin-up時(shí)間均設(shè)置為兩個(gè)月。

本研究使用的WRF-Hydro 模式的參數(shù)率定結(jié)果（表2）是顧天威等[12]基于收集到的2015—2018年清江流域內(nèi)具有完整氣象及水文數(shù)據(jù)的13場洪水過程，利用融合降水?dāng)?shù)據(jù)，采用9 場洪水過程進(jìn)行參數(shù)率定，4場進(jìn)行驗(yàn)證得到的。率定所用的融合降水?dāng)?shù)據(jù)是分辨率為5 km 的網(wǎng)格數(shù)據(jù)，其數(shù)據(jù)類型與WRF 模式輸出數(shù)據(jù)類型相似，因此，其率定結(jié)果可以應(yīng)用于基于高分辨率WRF 模式的徑流模擬中。本研究選取的6 場洪水過程包含在用于參數(shù)率定的13 場過程當(dāng)中，故直接應(yīng)用此率定結(jié)果進(jìn)行模擬。

表2 WRF-Hydro模式參數(shù)率定結(jié)果

2.4 模式評估方法

TS 評分是降雨預(yù)報(bào)結(jié)果的傳統(tǒng)檢驗(yàn)方法，但由于是點(diǎn)對點(diǎn)評估，TS 評分容易因降雨時(shí)間或空間上出現(xiàn)的微小位移導(dǎo)致“雙重懲罰”效應(yīng)[13]。為應(yīng)對該問題，Roberts 等[14-15]提出了一種用于評估高分辨率降雨預(yù)報(bào)的鄰域檢驗(yàn)法來評估降雨的空間分布，即FSS 評分。與傳統(tǒng)的點(diǎn)對點(diǎn)檢驗(yàn)統(tǒng)計(jì)方法相比，作為一種模糊評估方法，當(dāng)降雨預(yù)報(bào)存在不同的位移偏差時(shí)，F(xiàn)SS 評分方法可以統(tǒng)計(jì)出距離偏差較小、預(yù)報(bào)效果較好的預(yù)報(bào)結(jié)果[16]。同時(shí)，該方法相對簡單，易于實(shí)現(xiàn)，已成為高分辨率降雨預(yù)報(bào)評估中常用的空間技術(shù)。

通過雙線性插值法將WRF 模式預(yù)報(bào)結(jié)果統(tǒng)一升、降尺度到5 km 分辨率，與融合數(shù)據(jù)保持一致，計(jì)算TS 評分[17]。同時(shí)，選取鄰域窗口為3個(gè)網(wǎng)格點(diǎn)的鄰域半徑，計(jì)算FSS評分[18]。

采用相關(guān)系數(shù)（R）、洪峰相對誤差（REP）、洪量相對誤差（ER）、峰現(xiàn)時(shí)間誤差（ΔT）及納什效率系數(shù)（NSE）作為徑流評估指標(biāo)。

3 結(jié)果與分析

3.1 降雨預(yù)報(bào)結(jié)果

針對6次強(qiáng)降雨過程，根據(jù)國家氣象局頒布的降水強(qiáng)度等級劃分標(biāo)準(zhǔn)[19]，將清江流域內(nèi)24 h 累積降雨的預(yù)報(bào)結(jié)果分為三個(gè)等級，分別是小到大雨（0.1~50 mm）、暴雨（50~100 mm）和大暴雨（100~250 mm），采用TS評分和FSS評分進(jìn)行定量評估。不同分辨率、不同積云參數(shù)化方案和不同微物理方案下的TS 評分和FSS 評分箱型圖及均值分布圖分別如圖3~圖5 所示。總體來看，所有預(yù)報(bào)方案中，小到大雨的TS 評分均值皆在0.45 以上，F(xiàn)SS 評分均值皆在0.6 以上，預(yù)報(bào)效果最好，暴雨次之，大暴雨的預(yù)報(bào)效果最差。從圖3 可以看出，同一量級下不同分辨率的評分結(jié)果相差不大。小到大雨和暴雨量級下，分辨率越高，TS 評分的均值越小，但是FSS 評分的均值越大，這是因?yàn)楫?dāng)高分辨率下的預(yù)報(bào)結(jié)果出現(xiàn)微小偏差時(shí)，基于點(diǎn)對點(diǎn)評估的TS 評分結(jié)果就會變差，而FSS 評分是對鄰域范圍內(nèi)進(jìn)行概率評估，考慮了雨帶空間偏移的影響，F(xiàn)SS 評分越高說明WRF 模式預(yù)報(bào)空間效果越好。大暴雨量級下，TS 評分和FSS 評分的均值都隨分辨率增高而變大。因此，分辨率越高對于降雨的預(yù)報(bào)效果越好。

圖3 清江流域不同分辨率下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

從圖4 可以看出，在3 種積云參數(shù)化方案中，GF 方案在小到大雨量級下的評分結(jié)果最高，但暴雨和大暴雨量級下的評分結(jié)果最低。KF 方案與BMJ 方案的評分結(jié)果相差不大，其中，KF 方案對小到大雨量級的評分結(jié)果較高，BMJ 方案對暴雨量級的評分結(jié)果較高。

圖4 清江流域不同積云方案下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

從圖5 可以看出，在7 種微物理方案中，Kessler方案對小到大雨的預(yù)報(bào)效果明顯優(yōu)于其它方案，TS 評分均值達(dá)到0.5，F(xiàn)SS 評分均值為0.66，但Kessler方案對暴雨的預(yù)報(bào)結(jié)果在所有方案中評分均值最低。Lin 方案對于所有量級的評分結(jié)果都很差。Ferrier 方案的評分值變化范圍最小，預(yù)報(bào)結(jié)果最穩(wěn)定，且在大暴雨量級下評分均值最高。WSM3、WSM5、WSM6 及Thompson 方案的評分結(jié)果相差不大，且整體偏高，預(yù)報(bào)效果都比較好。

圖5 清江流域不同微物理過程下TS評分（a、b）和FSS評分（c、d）的箱型圖及均值分布圖

由于降雨發(fā)生的強(qiáng)度和落區(qū)是影響洪水過程的主要原因之一[20]，因此，在不同云物理方案24 h累積降雨評分結(jié)果分析的基礎(chǔ)上做進(jìn)一步的分析。選 取2017 年10 月1 日18 時(shí)—2 日18 時(shí)24 h的預(yù)報(bào)結(jié)果，分析面雨量及降雨空間分布。

WRF 模式不同方案預(yù)報(bào)的清江流域2017 年10月1日18時(shí)—2日18時(shí)24 h面雨量與融合數(shù)據(jù)的差值如圖6 所示。可以看出，3 種積云參數(shù)化方案中，GF 方案的預(yù)報(bào)值與融合數(shù)據(jù)的差異很大，且GF 方案下所有的預(yù)報(bào)結(jié)果都低估了降雨量，KF方案和BMJ方案的結(jié)果與融合數(shù)據(jù)差異較小。7種微物理方案中，Kessler方案在三種積云參數(shù)化方案下的預(yù)報(bào)值與融合數(shù)據(jù)的差異都很大。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 方案的預(yù)報(bào)效果都很好，差異值分別為-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 方案的預(yù)報(bào)效果都很好，差異值分別為0.9和-0.7。Ferrier 方案雖然在TS 評分和FSS 評分結(jié)果中比較穩(wěn)定，但1 km 分辨率下預(yù)報(bào)的24 h 累積降雨量明顯高于融合數(shù)據(jù)。

圖6 WRF模式不同方案預(yù)報(bào)的清江流域2017年10月1日18時(shí)—2日18時(shí)24 h面雨量與融合數(shù)據(jù)的差異值

根據(jù)不同方案的評分結(jié)果及面雨量的比較，選取了對清江流域預(yù)報(bào)效果較好的5 個(gè)方案組合（KF_WSM3、KF_WSM6、KF_Thompson、BMJ_WSM3、BMJ_WSM5），進(jìn)一步判斷清江流域的較優(yōu)參數(shù)化方案組合。

圖7 給出了3 km（d03）和1 km（d04）分辨率下，不同方案組合預(yù)報(bào)的清江流域24 h 累積降雨量分布和相應(yīng)的融合數(shù)據(jù)分布。從融合數(shù)據(jù)降雨的分布可以看出，在此次事件中，清江流域整個(gè)區(qū)域的24 h 累積降雨量都在50 mm 以上，達(dá)到暴雨量級標(biāo)準(zhǔn)。清江流域的北部和西部有兩個(gè)強(qiáng)降雨中心，24 h 累積降雨量在100 mm 以上，達(dá)到大暴雨標(biāo)準(zhǔn)，降雨范圍小，局地性較強(qiáng)。將融合數(shù)據(jù)與不同方案預(yù)報(bào)的24 h 累積降雨量對比可知，對于同一種方案，3 km 和1 km 分辨率下預(yù)報(bào)的降雨中心位置及強(qiáng)度差別不大，預(yù)報(bào)結(jié)果都比較準(zhǔn)確，但1 km分辨率下有時(shí)可以預(yù)報(bào)出更多小尺度的降雨中心。幾種方案都可以預(yù)報(bào)出東北-西南向的降雨帶，KF_WSM6 和KF_Thompson 方案只能預(yù)報(bào)出清江流域西部的強(qiáng)降雨中心，而其余幾種方案可以預(yù)報(bào)出北部的降雨中心，但預(yù)報(bào)出的降雨落區(qū)都比融合數(shù)據(jù)降雨的范圍更大，只有BMJ_WSM3方案對降雨落區(qū)的預(yù)報(bào)最為準(zhǔn)確。

圖7 清江流域2017年10月1日18時(shí)—2日18時(shí)24 h累積降雨量 其中，obs為融合數(shù)據(jù)值，其余為不同方案組合的預(yù)報(bào)值。

本研究選取的降雨個(gè)例，大多由切變線引起，切變線附近冷暖氣流相遇形成降雨，強(qiáng)降雨前大氣對流不穩(wěn)定。積云參數(shù)化方案中，KF 方案主要是為水平分辨率在20 km 左右的中尺度模式設(shè)計(jì)[21]，相較而言，BMJ 方案能識別出更為細(xì)小的局部對流活動，故其預(yù)報(bào)效果優(yōu)于其他方案。微物理方案一般通過確定冰核濃度計(jì)算降雨，冰核濃度通常為溫度的函數(shù)[22]，而WSM3 微物理方案的診斷關(guān)系所用到的冰核濃度取決于冰的質(zhì)量含量而不是溫度，在水汽成冰過程對降雨貢獻(xiàn)較大，高空溫度較低，存在大量冰相粒子，因此WSM3方案的預(yù)報(bào)效果相對較好。

3.2 徑流模擬結(jié)果

根據(jù)24 h 降雨模擬結(jié)果，WRF 模式采用BMJ_WSM3 方 案 與WRF-Hydro 模 式 耦 合，對2016—2018 年6 個(gè)事件的洪水過程進(jìn)行徑流模擬，模擬徑流及其評估結(jié)果分別見圖8 和表3。從圖8可以看出，融合數(shù)據(jù)的徑流模擬結(jié)果與實(shí)測吻合，表明WRF-Hydro 模式可以有效模擬洪水過程。WRF 模式預(yù)報(bào)降雨作為WRF-Hydro 模式輸入均能較好的模擬出洪水過程。從表3可以看出，WRF模式預(yù)報(bào)結(jié)果模擬徑流的相關(guān)系數(shù)都在0.67以上，最高達(dá)到0.85。個(gè)例20171001 的模擬效果最好，NSE 可達(dá)0.79，甚至比融合數(shù)據(jù)模擬的更好，這與參數(shù)化方案是結(jié)合該個(gè)例確定有關(guān)。

WRF 模式預(yù)報(bào)結(jié)果對洪峰的模擬能力稍有不足，其洪峰流量誤差及峰現(xiàn)時(shí)間誤差大多大于融合數(shù)據(jù)的模擬結(jié)果。個(gè)例20170609由于存在兩個(gè)洪峰，且在第一個(gè)峰值之后，預(yù)報(bào)降雨量高于融合數(shù)據(jù)雨量，導(dǎo)致其模擬的第二個(gè)峰值偏高，峰現(xiàn)時(shí)間誤差過大。個(gè)例20180703由于后期預(yù)報(bào)降雨明顯高于融合數(shù)據(jù)降雨，WRF 模式預(yù)報(bào)結(jié)果模擬出的徑流量也偏大，洪峰相對誤差達(dá)到123%。可以看出，準(zhǔn)確預(yù)報(bào)降雨對徑流模擬至關(guān)重要。

圖8 2016—2018年6場洪水過程徑流模擬結(jié)果

表3 2016—2018年6場洪水過程逐小時(shí)徑流模擬評估結(jié)果

4 結(jié) 語

本文利用WRF 模式，對清江流域2016—2018年6—10 月的6 個(gè)強(qiáng)降雨事件進(jìn)行預(yù)報(bào)，分析了3種積云參數(shù)化方案（KF、BMJ、GF）和7種微物理方案（Kessler、Lin、WSM3、WSM5、Ferrier、WSM6、Thompson）組合在清江流域的降雨預(yù)報(bào)效果，并基于較優(yōu)組合方案的WRF 模式預(yù)報(bào)結(jié)果進(jìn)行徑流模擬，主要結(jié)論如下。

（1）從降雨評分結(jié)果來看，WRF 模式對小到大雨的預(yù)報(bào)效果最好，暴雨次之，大暴雨最差。FSS 評分與TS 評分的結(jié)果具有一致性，且由于FSS 評分可以考慮到雨帶空間偏移的影響，其評分在水文模擬中有重要指導(dǎo)意義。

（2）高分辨率下可以更準(zhǔn)確地預(yù)報(bào)強(qiáng)降雨落區(qū)。對于同一種方案，3 km 和1 km 分辨率對降雨中心位置及強(qiáng)度預(yù)報(bào)的差別不大，預(yù)報(bào)結(jié)果都比較準(zhǔn)確，但1 km 分辨率下有時(shí)可以預(yù)報(bào)出更多小尺度的降雨中心。

（3）在積云參數(shù)化方案中，KF 方案和BMJ 方案的降雨預(yù)報(bào)效果都較好，GF 方案下所有的預(yù)報(bào)降雨量較融合數(shù)據(jù)都偏低。在微物理方案中，WSM3、WSM5、WSM6、Thompson 方案的預(yù)報(bào)結(jié)果與融合數(shù)據(jù)有較好的一致性，Kessler 方案對小到大雨量級的預(yù)報(bào)效果較暴雨和大暴雨的預(yù)報(bào)效果更好，Lin 方案的預(yù)報(bào)效果最差。綜合來說，BMJ_WSM3 方案組合在清江流域的應(yīng)用效果最好。

（4）基于BMJ_WSM3 組合方案的WRF 模式和WRF-Hydro 模式耦合，進(jìn)行徑流模擬，WRFHydro 模式可以有效模擬出洪水過程，為WRF 模式在水文模擬中的應(yīng)用提供借鑒。

另外，研究結(jié)果表明，徑流模擬結(jié)果高度依賴于降雨預(yù)報(bào)結(jié)果，所以提高降雨預(yù)報(bào)精度對徑流模擬至關(guān)重要。理論上說，為了提高降雨預(yù)報(bào)效果，應(yīng)針對不同降雨類型，選取不同的物理方案，但這在實(shí)際業(yè)務(wù)操作中很難實(shí)現(xiàn)，故本文基于多個(gè)降雨個(gè)例，經(jīng)過綜合分析預(yù)報(bào)效果，最終選取了一組方案作為較優(yōu)組合方案，并基于此方案進(jìn)行徑流模擬。未來會考慮基于不同天氣過程，分析不同云微物理方案對降雨預(yù)報(bào)效果的影響，討論其中的相關(guān)性。

此外，本研究僅采用兩種評分結(jié)果進(jìn)行分析，日后可能結(jié)合多種評估方法，引入綜合評價(jià)指標(biāo)（如CAI[23]、Rs[24]等），將評估結(jié)果進(jìn)行歸一化處理，以便綜合考慮不同方案對降雨量、降雨范圍和降雨強(qiáng)度的預(yù)報(bào)效果。

致 謝：本論文的數(shù)值計(jì)算得到了南京信息工程大學(xué)高性能計(jì)算中心的計(jì)算支持和幫助。