高精度曲面建模方法在氣象要素場估測中的應用研究
——以江西省為例

李 賀文小航 趙 娜

(1.成都信息工程大學大氣科學學院,四川 成都 610225;2.中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室,北京 100101)

0 引言

高精度且連續化的氣象數據對氣候與水文的研究有著重大的研究意義。現階段,氣象資源的空間化被廣泛應用于生態系統模擬與農業區劃中。對于地形復雜地區氣象要素空間分布的估測與模擬是個廣為關注的難點[1]。許多學者采用反距離權重、克里金等插值法對地形復雜地區的氣象要素空間分布進行模擬,但其結果精度不高[2]。WRF模式被廣泛用于數值模擬與區域氣候的研究中。前人利用WRF區域模式對各地的溫度場、環流場、能量場的結構及其日變化特征進行了較為細致的模擬研究[3]:為得到更高精度的數據,將WRF模式模擬結果與不同類型以及來源的數據進行融合或者同化,如將中國氣象局(CMA)的現場觀測數據同化到WRF模式中,得出CMA的網格觀測數據,這種研究利用遙感數據改善了地表參數,并通過數據同化系統進一步改善大氣要素場[4],但由于初值誤差、模式誤差及大氣混沌性等,WRF模式在數值預報方面精度有待提高[5]。

現如今,高精度曲面建模(HASM)已被證實在氣候研究方面可以提高數值模擬精度[6-7],普遍應用于空間插值與數據融合,其原理闡述了生態環境曲面由外蘊量和內蘊量共同決定,在空間分辨率足夠細的條件下,高精度的生態環境曲面可以運用集成微觀過程信息和宏觀格局信息的恰當方法(例如高精度曲面建模方法)來構建[8-12]。HASM-WRF數據融合方法是以宏觀信息為驅動場,以觀測信息為訂正條件,將同一要素不同來源的多種數據融合得到更高精度的數據集。在研究中[13]以京津翼地區為案例,實證了對于HASM數據融合方法的合理性。周佳等[8]以四川省為例,將HASM方法用于遙感數據融合氣溫實測數據以得到更高精度的近地表氣溫。劉宇等[14]用HASM-WRF數據融合方法將WRF模式輸出的氣溫同氣象臺站觀測數據融合獲得黑河流域30年的高精度溫度場。

實驗采用WRF模式與HASM-WRF數據融合方法,以江西省為例,將氣象臺站觀測數據作為訂正數據,改善WRF區域模式模擬數據的精度,估算江西省2019年6-8月近地表氣溫、2 m比濕、10 m風速的空間分布與時間序列,并對結果進行精度驗證,評估WRF模式對地形復雜地區氣象要素場的模擬性能,檢驗HASM-WRF數據融合方法的合理性。

1 資料和方法

1.1 研究區域介紹

江西省位于113°34＇E～118°28＇E,24°29＇N～30°04＇N,其地形復雜,東、西、南三面環山,包含了河谷平原、丘陵、鄱陽湖平原,這使得江西的氣象要素空間分布差異明顯。江西省是中國氣象災害較為嚴重的省份,夏季多發暴雨、高溫等。研究夏季江西近地表氣象場,對該省農林及氣候研究有重要意義。

研究中所用江西省內及其周邊地區氣象觀測站的氣溫資料均來自國家氣象信息中心(http://data.cma.cn),包括2019年共計93個臺站的日平均觀測數據(圖1)。圖1方框內為內重網格及93個氣象臺站,其中三角形標注的為實驗中參與數據融合的73個臺站,圓形標注作為驗證樣本的20個臺站。

1.2 WRF模式的設置

WRF模式(weather research and forecast model)是由美國國家大氣研究中心(national center for atmospheric research,NCAR)和美國國家環境預測中心(national center for environmental prediction,NCEP)等科研機構共同開發的中尺度預報模式,在氣象科研和業務中被廣泛應用[16-17]。本研究運行的WRF模式系統采用WRFV4。WRF模式采嵌套方法為雙層網格(圖1),其內層覆蓋了江西省地區,內外水平網格數分別取144×99、199×238。水平分辨率分別取9 km、3 km。中心經緯度為(27.2°N,115.4°E),初始場及邊界條件數據來源于美國氣象環境預報中心(NCEP)和美國國家大氣研究中心(NCAR)聯合制作的FNL逐日再分析資料(https://rda.ucar.edu),每6 h更新一次。采用30 s靜態地形數據。WRF模式對世界時2019年6月1日00時至8月31日24時進行模擬,每小時輸出的模擬數據進行月平均和日平均計算,與處理后觀測數據的時間分辨率一致。

對WRF模式參數化方案的研究已得出的結論有:YSU對2 m氣溫模擬效果較好[15-16];韓麗娜等[17]分析不同模擬方案下北京市氣象要素模擬精度得出選用RRTM長波輻射方案模擬精度較高的結論;RRTM長波輻射方案與Dudhia短波輻射方案對風速預報精度較高[18]。故在實驗中,微物理過程采用WSM 3類簡單冰方案;長波輻射方案采用RRTM方案;短波輻射方案采用Dudhia方案;近地層過程采用Monin-Obukhov scheme方案;陸面過程方案為熱擴散方案;邊界層方案采用YSU方案;積云對流過程采用Kain-Fritsch[19]。

1.3 實驗的設計

HASM模型通過引入權重可簡化為一個由采樣信息約束控制的最優化問題,如式(1)所示[11]。

式中:A、B、C分別為系數矩陣;d、q、p為常數向量;Z為待求解向量;n為迭代次數;λ為權重參數;S為氣溫的系數矩陣;k為估算的氣象要素值。

最優化問題即式(1)等價于

式中:v為向量矩陣;T為對象的轉置矩陣,W為對稱正定大型系數矩陣,通過迭代法計算該方程組,直到滿足精度解時停止迭代,輸出最終的結果。

使用HASM方法將站點觀測資料和WRF模式輸出結果融合,主要包括以下步驟:(1)利用NCEP-FNL再分析資料驅動WRF模式對江西地區6、7、8月的氣象要素場進行估測,對估測結果進行月平均計算。(2)采用最近點賦值法得到WRF格點數據中距離檢驗觀測站點最近的格點,并對兩者做殘差,得到月平均近地面氣象要素殘差點,即HASM-WRF的控制場:

OBS-WRF=error

式中,OBS為氣象臺站觀測點數據,WRF為采用最近點賦值法得到的與距離檢驗站點最近的模式格點數據,error為兩者的近地表氣象要素殘差數據。(3)用克里金插值法將月平均氣象要素殘差點插值成月平均要素殘差場,即為HASM-WRF的驅動場。(4)利用HASM-WRF方法將驅動場與控制場進行融合,得到融合后的月平均近地面氣象要素殘差場,并與WRF模式輸出的月平均近地面氣象要素場進行疊加。

1.4 精度驗證

為保證數據精度檢驗的科學性,將93個氣象觀測站點數據分為數據融合樣本與驗證樣本,隨機抽取20個站點作為驗證樣本,其余73個臺站數據作實驗需要的數據融合樣本。精度驗證的參數采用均方根誤差(RMSE)、平均相對誤差(MRE)、平均絕對誤差(MAE)、偏差(Bais)以及準確率(HR)。具體表達式如下:

其中:Tac為兩種模式輸出結果;Ta為氣象臺站實測氣象數據;n為樣本個數;Nm為滿足條件的樣本數;S為標準值;氣溫、比濕、風速的標準值[20-22]分別為2 K、2 g·kg-1、1 m·s-1。

2 WRF模式與HASM-WRF方法估測結果的對比分析

2.1 兩種方法對近地表溫度的模擬

就夏季最高、最低和平均氣溫估測結果來看(表1),HASM-WRF方法具有較高精度,對于高溫、低溫及平均氣溫的估算,該方法的RMSE估算精度相對WRF模式誤差降低了0.7℃、0.27℃和0.52℃,MAE的估算精度分別提高了0.66℃、0.27℃和0.44℃,MRE的估算精度分別提高了2.04%、1.06%和2.24%,準確率分別提高了18.64%、10.87%和7.36%。WRF模式對于高溫、低溫及平均的模擬普遍存在冷偏差現象,與實測溫度相比WRF模式模擬結果分別偏冷0.47℃、0.64℃和0.17℃,經過HASM-WRF方法訂正,估測結果偏差降低至-0.19℃、0.34℃和-0.006℃。就夏季各月溫度估測結果來看(表2),無論是高溫、低溫還是平均氣溫,經HASM-WRF方法訂正后的估測結果精度均比WRF模式模擬精度要高。此可見,HASM數據融合方法的應用能夠極大提升WRF模擬結果對氣溫模擬測精度。

表1 兩種方法的平均誤差對比

表2 基于兩種方法的各月最高、最低及平均溫度誤差對比

為表示實驗地區實際氣溫分布特征,將93個實驗區內臺站觀測點的逐月平均氣溫進行克里金插值法得到臺站實測平均氣溫曲面(圖3)。由圖3可知,江西省6月高溫區出現在南部,溫度約26℃ ～27℃,整體溫度與緯度呈負相關關系,呈現一個北低南高的趨勢;7月高溫區出現在中部,溫度約28℃ ～28.5℃,8月高溫區出現在南部溫度約28.5℃ ～30℃。6-8月,逐月增溫約1℃～2℃。WRF模式對6月氣溫場的模擬整體溫度偏高,6月份平均溫度的高溫區出現在江西省南部的吉安、贛州地區,溫度約為28℃ ～30℃(圖4a);7月份高溫區出現在江西省中部與南部(撫州、贛州地區),約28℃ ～30℃(圖4c);8月份整體溫度偏高,高溫區出現在江西省中部及南部(南昌、宜春、撫州、吉安、贛州地區)溫度大約28℃ ～30℃(圖4e)。HASM-WRF方法估測的6月氣溫場高溫區出現在江西省中部,高溫區約26℃ ～28℃(圖4b),更加接近6月份實際溫度場;7月氣溫場大部分溫度較高,高溫區出現在江西省中部,約為27℃ ～29℃(圖4d);8月份高溫區出現在江西省中部與南部(贛州地區),高溫區溫度約29℃ ～30℃(圖4f)。兩種方法對夏季溫度場的再現較為準確。

為檢驗WRF模式及HASM-WRF方法對日最高氣溫和最低氣溫的估測能力,利用HASM-WRF數據融合方法將6月1日至8月31日的日平均地表氣溫逐日進行融合。實驗中WRF模式對14時輸出的模擬數據作為模式輸出的日最高溫度,對02時輸出的模擬數據作為模式輸出的最低溫度,并將其與臺站觀測日最高溫度與臺站觀測日最低溫度進行對比。兩種方法對近地表高溫、低溫及平均溫度變化趨勢的模擬與估測表明(圖5):夏季近地表高溫為24℃ ～37℃,8月整月高溫在36℃上下浮動。WRF模式對6月1日至7月15日高溫模擬較準確,能夠再現最高溫度的日變化特征,7月15日至8月31日WRF模式的模擬結果偏冷(圖5a)。通過圖5(b)也能明顯地看出WRF模式在7月15日至8月31日偏差較大,6月1日至7月15日WRF模式模擬高溫結果與臺站觀測值的偏差在-2℃～2℃,7月15日之后其偏差在-6℃ ～0℃。HASMWRF方法估測的高溫逐日變化特征更貼近實際近地表最高溫度場。HASM-WRF方法估測值與臺站觀測值的偏差控制在-2℃～0.2℃;夏季近地表低溫范圍在18℃ ～28℃(圖5c),WRF模式對低溫模擬整體偏冷,其偏差在-2℃ ～0℃,經過HASM-WRF的調整,其估測結果的偏差約為0.25℃左右(圖5d)。夏季平均溫度范圍約22℃～32℃。WRF模式對日平均溫度的模擬偏差在-3℃ ～3℃ (圖5e),經過HASM-WRF方法的調整其估測結果偏差在-0.5℃與0.5℃上下浮動(圖5f),兩種方法都能較好地表現平均溫度場的日變化特征,但WRF模式對8月逐日平均溫度的模擬偏冷。綜合看,WRF模式對8月整月高溫、低溫和平均溫度的模擬均偏冷,HASM-WRF方法較WRF模式能更好地再現研究區的高溫、低溫及平均溫度的日變化特征。比較WRF與HASM-WRF兩種方法的估測氣溫值與實測氣溫值的散點分布(圖6),結果表明,WRF模式模擬高溫、低溫和平均溫度分布相對松散,都存在高估和低估偏差大的現象,HASM-WRF方法估算溫度與實測溫度更加接近,大部分散點都聚集在直線兩側,偏差相比WRF模式要小。

2.2 兩種方法對2 m比濕的估測

比濕是水汽與濕空氣的質量之比,因其受氣壓變化引起大氣膨脹和收縮影響不大,常用于表征大氣中的水汽含量,被廣泛應用于暴雨的水汽條件研究和日常預報業務中。比濕不受溫度影響,為避免溫度估測帶來的誤差影響,實驗采用比濕驗證WRF模式HASM方法估測濕度的能力。

將WRF模式估測結果及HASM-WRF模式估測的江西地區6、7、8月的月平均2 m比濕結果進行精度驗證(表3),其結果表明HASM-WRF模式估測結果要比WRF模式模擬結果好。WRF模式模擬各月的RMSE在1.9～2.2 g·kg-1,HASM-WRF方法使估測結果的RMSE降低至0.8～1.0 g·kg-1,WRF模式模擬各月比濕的MAE在1.68～1.80 g·kg-1,MRE在8.01%～9.47%,HASM-WRF方法使MAE的精度提高了約1.0 g·kg-1,使MRE的精度提高了約5%～7%。WRF模式模擬夏季逐月比濕結果比臺站數據約低1.3～1.6 g·kg-1,經過HASM-WRF模式訂正,其數據融合后結果比臺站約低0.25 g·kg-1。其中WRF模式對7月份估測效果更好,HASM-WRF模式對6月份糾正效果更好。兩種方法均能很好地再現6-8月實際比濕的逐日變化特征(圖7a),但WRF模式對6～8月逐日平均比濕的模擬相比臺站實測平均比濕均偏低約0～4.0 g·kg-1(圖7b),HASM-WRF方法的模擬值相比實測值偏低約0.25 g·kg-1。比較兩種方法模擬值與實測值的散點分布,WRF模式輸出的部分數值相差較大(圖8a),HASM-WRF方法更加穩定估測精度比WRF模式更高(圖8b)。

表3 基于兩種方法的各月平均比濕誤差對比

2.3 兩種方法對10 m風速的估測

表4為兩種方對各月平均10 m風速模擬值與臺站實測風速誤差對比,WRF模式各月的模擬值RMSE約在1.77～3.08 m/s,MAE約在1.32～1.35 m/s,MRE約在2.88%～3.52%,偏差在-0.06～0.35 m/s;經HASMWRF方法訂正后,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%,偏差的精度無明顯變化。兩種方法對逐日平均風速的模擬變化較差(圖9a),WRF模式模擬結果與臺站實測數據的殘差較大,在-1～2 m/s浮動,經過HASM-WRF方法的訂正,殘差在-1～1 m/s上下浮動(圖9b)。兩種方法模擬值與觀測值的散點分布也相對溫度與比濕的模擬松散(圖10),WRF模式的模擬表現不如HASM-WRF方法,其散點分布更加松散。整體來看WRF模式對風速的模擬效果不如溫度與比濕,這在其他區域也有相同的結論,通常情況由于系統誤差,WRF模式對風速模擬值偏大[22-23]。

表4 基于兩種方法的各月平均風速誤差對比

3 結論

通過對比WRF模式估測結果、HASM-WRF數據融合方法估測結果與臺站資料在江西省及其周邊地區氣象要素的空間分布與時間序列,并對兩種方法的估測結果進行精度驗證,綜合評估了兩種方法在復雜地形條件下的估測性能,得到主要結論:

(1)WRF模式能較準確地估測江西地區近地表氣溫的空間分布特征,HASM-WRF方法能夠改善WRF模式估測氣溫場的結果:江西省夏季高溫區在省內南部24.5°N～26°N,115 °E～116°E(贛州地區),整體溫度與緯度呈負相關關系,呈現一個北低南高的趨勢。WRF模式對高溫區溫度的模擬偏低,HASM-WRF方法對8月夏季溫度場的模擬最為準確。

(2)WRF模式能較準確地再現江西地區近地面氣象場及其時間變化特征,WRF模式對江西地區近地面的氣溫、比濕和風速的估測準確率分別為82.88%、64.58%、47.85%。WRF模式估測的比濕偏低,風速偏高。HASM-WRF數據融合方法對江西地區近地面氣溫、比濕和風速的估測準確率分別為95.27%、95.54%和49.42%。相比較 WRF模式輸出結果,HASM-WRF數據融合方法分別將近地面氣溫、比濕和風速的準確率提高了12.34%、30.96%和1.57%。

(3)WRF模式氣溫的估測效果最好,比濕次之,風速的誤差相對較大。其中溫度的RMSE在1.39℃～1.56℃,MAE在1.10℃ ～1.27℃,MRE在4.01%～4.68%;比濕的 RMSE在1.96～2.15g·kg-1,MAE在1.60～1.80 g·kg-1,MRE 在8.01%～9.47%;風速的 RMSE在1.77～3.08 m/s,MAE在1.32～1.35 m/s,MRE在2.88%～3.52%。經過HASM-WRF方法的訂正,各氣象要素的各模擬精度都有所提升,其中溫度的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%;比濕的RMSE降低至0.8～1.0 g·kg-1,MAE的精度提高了約1.0 g·kg-1,MRE的精度提高了約5%～7%;風速的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數據融合方法對近地表氣溫和比濕的估測都很準確,對WRF模式估測比濕的結果訂正效果最好,對風速的訂正效果最差。