热带气象学报  2020, Vol. 36 Issue (2): 277-288  DOI: 10.16032/j.issn.1004-4965.2020.027
0

引用本文  

于淼, 廉丽姝, 李宝富, 等. 基于WRF模式的青岛沿海地区近地面风的敏感性研究[J]. 热带气象学报, 2020, 36(2): 277-288.  DOI: 10.16032/j.issn.1004-4965.2020.027.
YU Miao, LIAN Li-shu, LI Bao-fu, et al. Sensitivity analysis of near-surface wind in qingdao coastal area based on wrf model[J]. JOURNAL OF TROPICAL METEOROLOGY, 2020, 36(2): 277-288.  DOI: 10.16032/j.issn.1004-4965.2020.027.

基金项目

山东省自然科学基金项目(ZR2019MD022);国家自然科学基金项目(41501211)共同资助

通讯作者

廉丽姝,女,北京市人,教授,博士,主要从事气候变化与大气环境研究。E-mail:llsh8210@163.com

文章历史

收稿日期:2019-06-10
修订日期:2019-12-17
基于WRF模式的青岛沿海地区近地面风的敏感性研究
于淼 1,2, 廉丽姝 1, 李宝富 1, 张文华 1, 冯亚洁 1, 张朝雨 1, 陈潇 1     
1. 曲阜师范大学地理与旅游学院,山东 日照 276826;
2. 菏泽市第二中学,山东 菏泽 274000
摘要:沿海地区受风的影响较大,不仅受大尺度季风的影响还受到中小尺度局地风的影响,利用WRF模式从参数化组合方案、土地利用数据、水平网格精度以及耦合UCM四个方面对青岛沿海地区近地面风进行了模拟和比较。结果表明,微物理方案和边界层方案对研究区近地面风的影响较大,WSM3 + YSU + Revised MM5 Monin-Obukhov + KF的参数化组合方案对研究区的模拟效果较好,相关系数在0.50~0.75之间,均方根误差在1.44~1.61之间。LUCC2015和TM2015土地利用数据能够更好地反映研究区的土地利用类型的分布特征,两者的模拟效果优于MODIS2001和MODIS2013。随着水平分辨率的提高,对地形刻画越精准,模拟效果越好,并且WRF+UCM方案能显著降低城市地区近地面风速,优化模拟结果。沿海地区近地面风的影响因素较为复杂,考虑模式的参数化方案组合、土地利用数据、地形和城市等多种因素,以期为沿海地区近地面风的模拟提供依据。
关键词近地面风    WRF模式    敏感性分析    青岛沿海地区    
SENSITIVITY ANALYSIS OF NEAR-SURFACE WIND IN QINGDAO COASTAL AREA BASED ON WRF MODEL
YU Miao 1,2, LIAN Li-shu 1, LI Bao-fu 1, ZHANG Wen-hua 1, FENG Ya-jie 1, ZHANG Zhao-yu 1, CHEN Xiao 1     
1. College of Geography and Tourism, Qufu Normal University, Rizhao 276826, China;
2. The Second High Middle School of Heze, Hezq 274000, China
Abstract: Coastal areas are greatly affected by wind, not only by large-scale monsoon but also by small and medium-scale local wind. The WRF model is used to test the effects of parametric combination scheme, land use, horizontal grid accuracy and coupled UCM on near-surface wind in coastal areas. The results show that the microphysical scheme and the boundary layer scheme have a greater impact on the near-surface wind in the study area. The parameterized combination scheme of WSM3+YSU+REVISED MM5 MONIN-OBUKHOV+KF is the best for the simulation of the study area. The correlation coefficient is between 0.50 and 0.75, and the root mean square error is between 1.44 and 1.61. LUCC2015 and TM2015 land use data can better reflect the distribution characteristics of land use types in the study area, which are better than MODIS2011 and MODIS2013. With the improvement of horizontal resolution, the more accurate the terrain is, the better the simulation results, and the WRF+UCM scheme can significantly reduce the near-surface wind speed in urban areas and optimize the simulation results. The factors influencing the coastal wind in coastal areas are quite complicated. This paper considers a variety of factors such as model parameterization scheme combination, land use data, terrain and city, in order to provide a basis for the simulation of near-surface coastal wind.
Key words: near-surface wind    WRF model    sensitivity analysis    Qingdao coastal area    
1 引言

21世纪初,新一代高分辨率中尺度预报模式WRF(Weather Research and Forecasting)开始出现并得以广泛应用,众多专家学者利用其对各个地区的气温[1-2]、降水[3-5]、风[6-8]等进行了大量的模拟试验,取得了许多宝贵的经验。风是一种变化频率较高的气象因素,风速和风向受到气温、地面摩擦力和建筑物的阻力等多种因素的影响,加之WRF模式包含许多物理参数化方案,如:微物理方案、长波辐射方案、短波辐射方案和对流方案等,这些方案彼此之间及其与模型核心之间都存在着相互作用,因此如何对模式进行优化是一项重要的任务[9-10]。Brandon等[11]在使用WRF模式对低空急流进行模拟发现,参数化方案的不同,模拟效果也不一致。Heikkila等[12]利用WRF对挪威地区进行了数值模拟,结果表明在30 km至10 km的水平上提高水平分辨率可以提高模式的模拟精度。Carvalho等[13]探讨了葡萄牙地区WRF模式对风的模拟效果,认为提高模拟范围的分辨率在一定范围内能够提高对风的模拟精度,由于不同物理参数对网格分辨率具有不同的响应,超过这一范围后对模拟精度的提升不再明显。Muhammad等[14]建立了东非地区的WRF模型,并从参数化方案、模拟网格精度和初始场数据等方面对模型进行了优化,使得对风的模拟比较理想。我国也有许多学者使用WRF模型对风进行模拟和检验,孙逸涵等[15]比较了物理参数化方案对内蒙古丘陵地形和江苏海陆交接地形的影响,总结出不同地区适用的参数化方案不同。沈晓燕等[16]利用不同的物理参数化方案组合对青海地区的各类气象要素进行了模拟,模拟结果显示边界层方案对风的影响较大。可以看出利用WRF模式对风模拟的探索逐步深入,但研究区域主要集中在西北部以及空旷的地区,而对于沿海城市地区的研究相对较少。沿海地区风景优美,环境宜人,特别适宜人类居住生活,世界上多数城市都集中在沿海地区,城市人口数量多,生产活动复杂,因此沿海城市环境就显得尤为重要,而风是一种对城市环境影响较大的气象因素,风影响着空气中污染物的扩散和传输,同时风还影响着人们身体感觉和生活方式[17]。除了大气环流的影响外,沿海地区的城市还存在着小尺度的海陆风环流,因此沿海地区逐渐吸引了学者的目光[18]。Zhong等[19]利用WRF探究了我国环渤海地区海陆风的陆-气间的相互作用,指出地表的非均质性对其有深刻的影响。Huang等[20]对我国江苏沿海地区海风环流进行了研究,发现海风环流的结构季节变化不大,且海风环流在夏季发生的频率最高。Salvador等[21]在研究法国北海沿岸海陆风时,揭示了大尺度的背景风对海陆风有削弱作用,能够减弱海风的强度和穿透力。Christopher等[22]利用观测数据和WRF模式研究了特拉华地区夏季海风的演变情况,加深了对海陆风理论的认识。综上可以看出,随着研究的深入,利用WRF对近地面风的研究日趋成熟,近些年来对沿海城市地区小尺度海陆风环流的研究渐热,我国东部沿海,城市林立,海岸线绵长,特别是进入21世纪,我国城市化进程已经由高速发展转变为稳步前进,城市化水平有了很大的提高。而且我国东部沿海地区受季风的控制,使得该地区不仅存在着小尺度的海陆风环流,还存在着大尺度的季风环流。因此在WRF模式的支持下,探寻我国东部沿海城市地区不同参数化方案、网格精度和下垫面数据等对近地面风模拟的影响,既可以丰富WRF模式的研究理论,又能够为东部季风区沿海城市更好的发展提供理论依据。

2 研究区概况

青岛市是山东最大的沿海城市,位于山东半岛南部,为海滨丘陵城市,东南濒临黄海、西南连接日照,东北与烟台相靠,西与潍坊相邻,海岸线绵长曲折,其中大陆岸线约为710.9 km,受海陆风影响较为直接和明显。市区主要受到来自海洋东南季风、海流和水团的影响,兼备季风气候和海洋气候特点,属于暖温带季风气候。地势东高西低,南北两侧隆起,中间低凹。同时经济发达、城市化和工业化水平高。特别是进入21世纪以来,随着西海岸建设经济重心的实施和城市社会经济发展的需要,城市水平进一步提高,城市规划显示,到2020年青岛城镇人口将达到77.8%,到2050年将建设成为国际化的滨海城市,是我国北方典型的大城市。

图 1 研究区位置(a)及其范围(b)
3 试验与数据来源 3.1 数据来源

土地利用数据来源于WRF模式内置的土地利用数据,为了表述方便,本文将其命名为MODIS2001;地理空间数据云共享平台(www.gscloud.cn)提供的青岛地区2015年的Landsat TM影像数据,将其命名为TM2015;中国科学院资源环境科学中心(www.resdc.cn)提供的2015年全国土地利用栅格数据,该数据集在国家科技支撑计划、中国科学院知识创新工程重要方向项目等多项重大科技项目的支持下,经过多年的积累建立的土地利用现状遥感监测数据库,覆盖了全国的陆地区域,比例尺为1:100 000,空间分辨率为1 km×1 km,一级和二级土地利用分类综合评价精度均达到90%以上,将其命名为LUCC2015;美国国家航天局(NASA)提供的2013年全球MOD12Q1数据,将其命名为MODIS2013。试验采用的初始场数据是由美国国家大气研究中心(www.rda.ucar.edu)提供的水平分辨率为1 °×1 °的NCEP-FNL全球再分析数据,时间分辨率为6 h,一天4个时次分别为00时、06时、12时和18时(世界时间,下同)。

本文选择由中国气象数据网(www.data.cma.cn)提供的青岛站、胶州站和即墨站三个气象站点的逐小时观测数据对WRF模式的模拟结果进行验证,其中青岛站位于黄海与胶州湾之间,土地利用类型以城市用地为主;胶州站位于胶州湾西北侧,土地利用类型以城市用地和农用地为主;即墨站位于胶州湾的东北,距海较远,土地利用类型以农用地为主。

3.2 试验方案

本文采用WRFV3.7版本,三层嵌套方案设计,中心经纬度为120 ° E,36° N,其中domain1(d01)水平分辨率27 km,格点数45×45,domain2(d02)水平分辨率9 km,格点数55×55,domain3(d03)水平分辨率3 km,格点数73×73。参考文献[23-24]对模式方案的选择结果,微物理方案选用WSM 3-class和WSM 6 - class,近地面方案选择Revised MM5 Monin - Obukhov和MoninObukhov,边界层方案选择YSU、Mellor-YamadaJanjic和Bougeault and Lacarrere共3类,积云对流方案选择Kain-Fritsch和New Grell,长波辐射方案和短波辐射方案分别选择RRTM和Duhbia,陆面过程选用unified Noah land-surface模型。根据不同的方案组合设计12组试验进行模拟分析(表 1)。

表 1 敏感性实验的参数化方案设计

借鉴文献[25-26]海陆风日的筛选标准,本文将海陆风日的天气条件约束为:天气晴朗无降水;风向有明显的改变且持续2 h以上;海风发生前1 h的风速小于2 m/s;若海风发生前风速大于2 m/s,但满足其他条件,且风向突变角度大于90 °亦可定义为海陆风日。

观测资料显示,春夏季是海陆风频发的季节,2016年4月3日在青岛市沿海地区出现了海陆风,该日天气晴朗,平均风速低于4.6 m/s,最大风速为5 m/s,4月3日07时东北风逐渐转为南风,风向改变接近180 °,陆风转变为海风,并且一直持续到15时,之后转为北风,即海风转为陆风,整个过程海风持续了8小时。为保证模式在模拟期间有两天的调整期和充足的试验数据与观测资料进行对比,因此将模拟时间长度设置为7天,并可以将一个海陆风日包含在内,本次试验的模拟时间设置为2016年4月1日00时—8日00时。

3.3 评价模型

使用相关系数(CC)和均方根误差(RMSE)来检验不同方案的模拟效果。

(1)
(2)

式中,VsiVoi分别为i时刻的模拟值和观测值,VsVo分别为模拟值的平均值和观测值的平均值。

为了比较最终方案对风速的模拟效果,本文使用了威布尔概率密度函数,它能较好地反映出风速的分布规律[27-28]

(3)

式中,v为风速,kc分别为威布尔分布的形状参数和尺度参数。利用矩估计法对威布尔的两个参数进行求解,即分别利用样本的一阶原点矩(平均风速)和二阶原点矩(均方根误差)估算总体期望值μ和总体方差σ的值[29-30]。由此计算:

(4)
4 结果与讨论 4.1 不同方案组合的模拟结果比较

为了比较12种不同参数化组合方案的模拟精度,将各方案中青岛站、胶州站和即墨站地面10 m高度风速模拟数据与观测站10 min平均风速观测数据进行对比分析,比较两者之间的相关系数和均方根误差(表 2)。可以看出三个气象站之间青岛站的相关系数较低、均方根误差较大,这是由于青岛站南靠黄海、北临胶州湾受海洋影响较大,风速较为复杂多变。综合来看方案7的模拟效果最好,胶州站和即墨站的相关系数都在0.7以上,青岛站的相关系数也达到了0.5,同时均方根误差相对较小,其中青岛站和即墨站的均方根误差在所有方案中最小,分别为1.49和1.44,胶州站相对次之,均方根误差为1.61。

表 2 不同方案模拟结果的比较

相较于方案7模拟效果次之的是方案3、方案11和方案12,三种组合的模拟性能相当。其中青岛站和即墨站的模拟效果方案3(相关系数分别为0.51和0.77)要优于方案11(相关系数分别为0.47和0.73)和方案12(相关系数分别为0.47和0.73),同时两观测站方案3模拟的均方根误差也小于方案11和方案12。但是对于胶州站来说,方案11和方案12的相关系数分别为0.78和0.79,方案3的相关系数为0.70,方案11和方案12的相关性优于方案3,同时方案11和方案12的均方根误差分别为1.48和1.42,而方案3的均方根误差为1.81,所以对于胶州站的模拟效果,方案11和方案12优于方案3。通过青岛站、胶州站和即墨站的地理位置我们可以发现,青岛站距离海洋较近,胶州站距离海洋相对次之,即墨站距离海洋最远,因此本文认为方案3对于该研究区的综合模拟效果优于方案11和方案12。

总体来看,WSM 3-class + YSU + Revised MM5 Monin-Obukhov + Kain-Fritsch的方案组合更适合对青岛市沿海地区风场的模拟,同时发现微物理方案WSM 3-class模拟出的数据比WSM 6-class模拟出的数据更加的稳定,边界层方案YSU与Mellor-Yamada-Janjic、Bougeault and Lacarrere相比模拟效果更好,有着较高的相关系数和较低的均方根误差。即对于青岛沿海地区近地面风的模拟来说,微物理方案和边界层方案影响较大。

4.2 土地利用数据的选择

为保证各种土地利用数据与WRF模式的耦合,所有的土地利用数据将统一按照IGBP20即WRF模式内置土地利用分类标准进行分类。将青岛地区landsat TM数据在ENVI 5.1的支持下进行人机交互式目视解译,分类方式按照IGBP20分类标准进行分类,利用混淆矩阵的方式对解译结果进行精度验证,保证解译精度在90%以上[31]。参照前期学者的研究将LUCC2015与MODIS2013土地利用类型与IGBP20分类标准之间建立分类映射(表 3),将LUCC2015和MODIS2013土地利用类型按照IGBP20分类标准进行重新分类[32-34]。并将分类好的数据在ArcGIS 10.0的支持下统一重采样成30 s的分辨率。

表 3 土地利用类型重分类

对于青岛站来说,MODIS2001土地利用数据模拟的相关系数最高为0.48,均方根误差最小为1.56,LUCC2015和TM2015土地利用数据模拟效果相对次之。对胶州站模拟效果最好的是LUCC2015土地利用数据,相关系数为0.77,均方根误差为1.45,TM2015和MODIS2001土地利用数据模拟的效果相对次之。而对于即墨站来说,模拟效果较好的是LUCC2015和TM2015土地利用数据,相关系数分别为0.77和0.78,均方根误差分别为1.55和1.44,MODIS2001和MODIS2013土地利用数据模拟效果相对较差(图 2)。

图 2 青岛站、胶州站和即墨站相关系数与均方根误差

总的来看对于研究区模拟效果较好的是LUCC2015和TM2015土地利用数据,LUCC2015和TM2015数据皆是根据Landsat TM影像数据和航空照片影像并辅助于历史资料,通过人机交互式解译并确保验证精度>90%的土地利用数据,其与MODIS2001和MODIS2013全球土地利用数据相比较,范围较小,对研究区土地利用类型表达得更加细致和准确,因此模拟效果更好。

4.3 不同空间分辨率的比较

选择WSM3 + YSU + Revised MM5 MoninObukhov + KF参数化组合方案和LUCC2015土地利用数据,采用d01(27 km)、d02(9 km)和d03(3 km)三层不同水平分辨率的嵌套方案。对比不同分辨率的模拟结果发现,随着水平分辨率的增加,青岛站相关系数呈上升趋势,均方根误差呈下降趋势,d03的相关系数最高,均方根误差最小,分别为0.47和2.27。胶州站相关系数先升后降,均方根误差先降后升,其d02相关系数最高,均方根误差最小,分别为0.79和1.43。即墨站相关系数呈上升趋势,均方根误差先升后降,其d03相关系数最高,均方根误差最小,分别为0.77和1.55(表 4)。总体来看,随着水平网格精度的提高,模拟值与观测值的相关系数有略微上升趋势,均方根误差有减小的趋势,但相关系数的最大值以及均方根误差最小值并不总是出现在水平网格精度最高的方案内,说明随着水平网格精度的提高,模拟效果会略微提升,但水平网格精度对模拟效果并没有决定性的影响[35]

表 4 不同空间分辨率模拟结果的比较

从地形上来看,不同水平网格精度对地形的刻画程度不同,本文使用的高程数据是由USGS提供的精度水平为30S的全球数字高程模型(GTOPO30),将其插值生成d01、d02和d03三种不同的水平分辨率的高程数据。从图 3可以看出,网格精度最高的d03对地形信息表达得更清楚和细致,d01对地形信息表达得最粗糙,随着网格水平精度的提升,对地形信息的表达更细致,使得模拟效果更加接近实际。

图 3 不同空间分辨率的地形信息和矢量风信息

为观察地形信息对近地面风在空间上的影响,选取4月3日06时,此时由于大陆和海洋受热不均匀,大陆近地面的气压比海洋小,使得原来东北风开始向北偏转,由海洋吹向大陆,此时近地面风向变化较为明显,将此时研究区不同水平网格精度下的近地面矢量风信息进行对比分析(图 3)。结果发现,随着水平网格精度的提高,风向偏转的角度越明显,水平网格精度最高的d03,风向偏转的角度最大,而水平网格精度最低的d01,风向偏转的角度最不明显。对比地形信息可以发现d01对地形信息表达最粗糙,并且与d02和d03相比较,平均海拔高度较高,在一定程度上阻碍了风向陆地方向的偏转。因此高精度的数字高程数据能够更好、更准确反应真实的地形信息,提升WRF对近地面风的模拟效果。

4.4 WRF耦合城市冠层模型

城市冠层的概念最早由Oke在1987年首次提出,该层大气受人类活动的影响最大,高度向上延伸到城市建筑物的平均高度。Valery和Kusaka发展的单层城市冠层模型(UCM),将城市街区定义为二维,辐射处理过程定义为三维,通过建筑物对短波辐射和长波辐射的吸收和反射作用相互结合,改善城市地区的热效应模拟[36-37]。因此WRF耦合UCM的模式被广泛应用于洛杉矶、广州和成都等多个地方城市的气候模拟[38-39]。整个研究区来看,由于靠近海洋气候适宜,经济条件好,因此城市建设用地的占比较大,特别是青岛站在胶州湾附近,周围全是城市建设用地,受城市影响较大,使得近地面风在城市内部的发展更加复杂,城市建筑对空气的拖拽作用会抑制风速的发展,并且由于城市建筑物对空气的黏滞性和摩擦作用能够导致风切变。所以使用WRF耦合UCM的模型对研究区风速进行模拟,以期改善研究区内风的模拟效果。

图 4展示了WRF耦合城市冠层模式和无耦合城市冠层模式两者之间的关系,可以看出耦合了城市冠层的WRF模式模拟结果与观测结果的相关系数在胶州站没有变化,青岛站和即墨站略微降低。而均方根误差出现了相反的情况,胶州站的均方根误差略微增大,青岛站和即墨站的均方根误差减小。因此城市化冠层方案对城市地区的风速大小有较大的影响,青岛站和即墨站的模拟风速大小趋于与观测风速一致。但耦合城市冠层模式对风速的变化趋势影响不大,青岛站和即墨站模拟风速与观测风速的相关系数略微下降,而胶州站没有变化。

图 4 WRF与WRF+UCM的相关系数、均方根误差
4.5 模拟风速与观测风速的威布尔分布

一般风速的概率分布呈现出偏正态分布特征[40]。威布尔双参数曲线被众多学者认为是能准确描述风速特征的函数。为检验最终方案模拟风速与观测风速的分布情况,选用了威布尔概率密度函数,威布尔分布考虑的仅是分布概率的累积,能够忽略观测数据与模拟数据之间的时间同步性,平均风速误差越小观测数据和模拟数据之间的威布尔概率密度函数曲线越接近。若模拟值的分布曲线相比较观测值的分布曲线向右偏,说明模拟方案中风速被高估。若模拟值的分布曲线相比较观测值的分布曲线向左偏,说明模拟方案中风速被低估。图 5可以看出胶州站WRF模拟风速的威布尔概率密度曲线比观测值的分布曲线向左偏,说明在胶州站模拟风速小于观测风速;而青岛站与即墨站模拟值和观测值的威布尔概率密度分布曲线表明两站的模拟风速均比观测风速大。WRF耦合UCM模式对模拟风速起到了显著的降低作用,其中青岛站和胶州站WRF耦合UCM的模拟风速的威布尔概率密度曲线比观测值的分布曲线向左偏,说明在两个气象站的模拟风速比观测风速小,特别是对于青岛站,受城市影响较大,WRF耦合UCM模式对其风速的减弱作用最为明显;而即墨站模拟风速的威布尔概率密度曲线依然右偏,表明模拟风速依然大于观测风速。从威布尔概率密度曲线分布趋势来看,青岛站和即墨站WRF耦合UCM模式比WRF模式的模拟风速更加接近观测风速,而胶州站WRF耦合UCM模式与WRF模式的模拟风速相比则更加偏离观测风速。总的来看对于青岛沿海地区,模拟风速比观测风速略大,而WRF耦合UCM能够显著降低城市地区的模拟风速,使其与模拟风速大小更加接近。

图 5 威布尔密度分布曲线 a.青岛站; b.胶州站; c.即墨站。
5 试验模拟

利用确定好的试验方案分别对青岛沿海地区1月、4月、7月和10月典型海陆风日的海陆风进行模拟,并对模拟效果进行比对,模拟时间为2016年1月7日00时—14日00时、2016年4月1日00时—8日00时、2016年7月10日00时—17日00时、2016年10月10日00时—17日00时。通过对相关系数和均方根误差的分析可以看出该试验方案对研究区海陆风的模拟效果较好,并且总体来看对于1月和10月的模拟效果优于4月和7月,1月和10月的相关系数皆在0.6以上,而4月和7月青岛站的相关系数相对较低,分别为0.47和0.57(表 5)。

表 5 不同月份模拟效果的比较

为了观察模拟风的水平分布,选择了典型海陆风日海风最强的时刻进行分析,通过图 6可以看出该试验方案能够模拟出研究区海风的分布情况,能明显观察到海风的转变和向内陆推进的距离,其中海风分布较为明显的是4月和7月,而1月和10月相对不明显。就向内陆推进距离而言,7月海风风速最大,向内陆推进的距离最远,4月海风风速也较大,但是推进的距离相对次之;1月和10月海风较弱,并且10月向内陆推进的距离最近,1月相对次之。

图 6 1月(a)、4月(b)、7月(c)、10月(d)模拟风的水平分布

综上可以看出,4月和7月海风发生的频率较高,海风特征明显,但大气变化较为复杂,因此模式对其模拟效果相对不太理想。而1月和10月海风发生的频率较低,海风特征相对不明显,但大气比较稳定,因此模式对其模拟效果相对较好。目前来看影响近地面风的因素依然较多,近地面风的变化状况依旧比较复杂,对于近地面风的模拟也比较困难,WRF数值模式大致能够模拟出青岛沿海近地面风的变化情况,但模式考虑的因素与现实条件仍有区别,对于近地面风的模拟效果并不像对气温的模拟效果那么理想。

6 结论与讨论 6.1 结论

WRF模式作为新一代的中尺度数值模型,在模拟气温、降水、风等各个要素方面都得以广泛应用,为探究WRF模式对青岛沿海地区近地面风的模拟情况,参考各位学者的研究结果设计了12套参数模拟方案,通过WRF模式模拟结果和气象站点观测数据的对比,选出最优方案,利用最优方案和不同土地利用数据对近地面风进行模拟,选择模拟效果最好的土地利用数据,在此基础上比较和分析不同水平网格精度和耦合城市冠层的模拟效果。选择出的方案能够大致模拟出研究区的近地面风,并且能够明显刻画出海风的分布特征以及向内陆的推进距离。

(1)对于青岛沿海地区而言,微物理方案WSM3比WSM6模拟效果更好、更加的稳定。综合三个气象观测点模拟数据与观测数据对比结果来看,WSM3 + YSU + Revised MM5 Monin - Obukhov + KF的参数化组合方案对研究区有较好的模拟效果,每个气象观测站点的相关系数都较高,而均方根误差较低。WSM6 + YSU + Revised MM5 Monin-Obukhov + KF参数化组合方案对研究区的近地面风的模拟效果较差,可以看出微物理方案对青岛沿海地区近地面风的模拟有较大的影响。

(2)从土地利用数据来看,与MODIS数据相比较,LUCC2015和TM2015这两套土地利用数据与研究区土地利用类型的相似度较高,研究区近地面风的模拟效果也较好;从网格精度上来看,水平网格精度越高,对地形的刻画越准确和细致,对近地面风模拟的效果也越好,反之对近地面风模拟的效果就越差;而耦合城市冠层模型能够明显减弱城市地区的风速。

(3)该试验方案大致能够模拟出各个月份的近地面风的变化,并且能够明显的看到海风的产生,但近地面风本身就存在着复杂性,影响近地面风的因素也比较多,因此试验方案还需要进一步改进。

6.2 讨论

本文利用WRF模式从参数化组合方案、土地利用数据、水平网格精度和耦合城市冠层模型四个方面对青岛沿海地区近地面风进行了模拟分析,最终挑选出了模拟效果较好的组合方案对该地区近地面风进行了模拟,大致模拟出了该地区近地面风的变化特征。但本文只选择了一个典型的海陆风日进行模拟分析,使得结果带有一定的偶然性,选出的试验方案也只是相对较好的方案,对全年典型海陆风日进行模拟分析,将会使选择方案的结果更具有说服力。并且文章对近地面风模拟分析着墨尚少,利用该方案对研究区近地面风的水平分布、垂直高度特征以及海陆风的转换进行进一步的模拟分析,是下一步研究的重点内容。

参考文献
[1]
YAN D D, LIU T Y, DONG W J, et al. Integrating remote sensing data with WRF model for improved 2-m temperature and humidity simulations in China[J]. Dynamics of Atmospheres and Oceans, 2020, 89(C). DOI:10.1016/j.dynatmoce.2019.101127
[2]
李炟, 束炯, 谈建国, 等. 基于土地利用和人为热修正的城市夏季高温数值试验[J]. 热带气象学报, 2015, 31(3): 364-373.
[3]
JOON B J, SANGIL K. Sensitivity Study on High-Resolution WRF Precipitation Forecast for a Heavy Rainfall Event[J]. Atmosphere, 2017, 8(6): 96. DOI:10.3390/atmosphere8060096
[4]
廉丽姝, 李宝富, 陈忠升, 等. 基于WRF模式评估土地利用/覆被变化的气候和水文效应[J]. 生态学报, 2018, 38(3): 917-925.
[5]
XIAO H, WAN Q L, LIU X T, et al. Numerical prediction of an extreme rainstorm over the Pearl River Delta region on 7 May 2017 based on WRF-ENKF[J]. J Trop Meteor, 2019, 25(3): 312-323.
[6]
YUI S, KAORU M, MAKOTO Y, et al. Sea breeze effect mapping for mitigating summer urban warming for making urban environmental climate map of Yokohama and its surrounding area[J]. Urban Climate, 2018, 24: 529-550.
[7]
杨秋彦, 苗峻峰, 王语卉. 边界层参数化对海南岛海风环流结构模拟的影响[J]. 热带气象学报, 2019, 35(2): 234-252.
[8]
LIAN L S, LI B F, CHEN Y N, et al. Quantifying the effects of LUCCs on local temperatures, precipitation, and wind using the WRF model[J]. Environment Monitoring Assessment, 2017, 189(10): 501.
[9]
徐亚钦, 翟国庆, 李国平, 等. WRF模式对高影响浙江型台风微物理和边界层参数化方案的优化实验[J]. 热带气象学报, 2017, 33(2): 201-211.
[10]
阚煜, 刘朝顺, 乔枫雪, 等. 不同云微物理方案对上海特大暴雨模拟影响的分析[J]. 热带气象学报, 2017, 33(3): 399-414.
[11]
BRANDON S, JIMY D, SUKANTA B, et al. Evaluation of the weather research and forecasting model on forecasting low-level jets: implications for wind energy[J]. Wind Energy, 2009, 12(1): 81-90.
[12]
HEIKKILA U, SANDVIK A, SORTEBERG A. Dynamical downscaling of ERA-40 in complex terrain using the WRF regional climate model[J]. Climate Dynamics, 2011, 37(7-8): 1 551-1 564.
[13]
CARVALHO D, ALFREDO R, MONCHO G G, et al. sensitivity study of the WRF model in wind simulation for an area of high wind energy[J]. Environmental Modelling & Software, 2012, 33(7): 23-34.
[14]
MUHAMMAD O M, MERVYN L, FRANK Y, et al. Wind modeling validation and sensitivity study using Weather Research and Forecasting model in complex terrain[J]. Environmental Modelling & Software, 2017, 90(C): 107-125.
[15]
孙逸涵, 程兴宏, 柳艳香, 等. 不同参数化方案对风预报效果影响个例研究[J]. 气象科技, 2013, 41(5): 870-877.
[16]
沈晓燕, 颜玉倩, 肖宏斌, 等. WRF模式不同参数化方案组合对青海气温/降水及风速模拟的影响[J]. 干旱气象, 2018, 36(3): 423-430.
[17]
MADALA S, SRINIVAS C V, SATYANARAYANA A N V. Performance of WRF for simulation of mesoscale meteorological characteristics for air quality assessment over Tropical Coastal City, Chennai[J]. Pure and Applied Geophysics, 2018, 175(3): 501-518.
[18]
CHEN X C, ZHANG F Q, ZHAO K. Influence of monsoonal wind speed and moisture content on intensity and diurnal variations of the Mei-Yu Season Coastal Rainfall over South China[J]. J Atmos Sci, 2017, 74(9): 2 835-2 856.
[19]
ZHONG Z, SUN Y, YANG X Q, GUO W D. A sensitivity study of an effective aerodynamic parameter scheme in simulating landatmosphere interaction for a sea-land breeze case around the Bohai Gulf of China[J]. Journal of Hydrometeorology, 2017, 18(8): 2 101-2 115.
[20]
HUANG M, GAO Z Q, MIAO S G, et al. Characteristics of sea breezes over the Jiangsu coastal area China[J]. International Journal of Climatology, 2016, 36(12): 3 908-3 916.
[21]
SALVADOR N, REIS J, SANTOS J M, et al. Evaluation of weather research and forecasting model parameterizations under sea-breeze conditions in a north sea coastal environment[J]. J Meteor Res, 2016, 30(6): 998-1 018.
[22]
CHRISTOPHER P H, DANA E V. A characterization of the Delaware Sea Breeze using Observations and Modeling[J]. J App Meteor Climat, 2018, 57: 1 405-1 421.
[23]
马艳, 高荣珍, 苗世光, 等. 城市化对青岛夏季海陆风环流影响的个例分析[J]. 环境科学学报, 2013, 33(6): 1 690-1 696.
[24]
BEI N F, ZHAO L N, WU J R, et al. Impacts of sea-land and mountain-valley circulations on the air pollution in Beijing-Tianjin-Hebei (BTH): A case study[J]. Environmental Pollution, 2018, 234: 429-438.
[25]
黄利萍, 苗峻峰, 刘月琨, 等. 天津地区夏季海陆风对城市热岛日变化特征影响的观测分析[J]. 大气科学学报, 2013, 36(4): 417-427.
[26]
AZORIN-MOLINA C, TIJM S, CHEN D. Development of selection algorithms and databases for sea breeze studies[J]. Theoretical and Applied Climatology, 2011, 106(3-4): 531-546.
[27]
SAJID A, SANG M L, CHOON M J. Statistical analysis of wind characteristics using Weibull and Rayleigh distributions in Deokjeokdo Island-Incheon, South Korea[J]. Renewable Energy, 2018, 123: 652-663.
[28]
JU Y S, CHANG S J, JUN H H. A novel statistical method to temporally downscale wind speed Weibull distribution using scaling property[J]. Energies, 2018, 11(3): 633.
[29]
DONG B K, KYUNG N K, JONG C H. Comparative study of different methods for estimating Weibull parameters a case study on Jeju Island, South Korea[J]. Energies, 2018, 11(2): 356.
[30]
龚伟俊, 李为相, 张广明. 基于威布尔分布的风速概率分布参数估计方法[J]. 可再生能源, 2011, 29(6): 20-23.
[31]
郭洪伟, 孙小银, 廉丽姝, 等. 基于CLUE-S和InVEST模型的南四湖流域生态系统产水功能对土地利用变化的响应[J]. 应用生态学报, 2016, 27(9): 2 899-2 906.
[32]
曹峥, 廉丽姝, 顾宗伟, 等. WRF土地利用/覆被数据优选及其在城市热岛模拟中的应用[J]. 资源科学, 2015, 37(9): 1 785-17.
[33]
ESPINOZA E D L, HIDALGO J Z. Weather forecast sensitivity to changes in urban land covers using the WRF model for central Mexico[J]. Atmosfera, 2012, 25(2): 127-154.
[34]
张学珍, 刘纪远, 熊喆, 等. 20世纪末中国中东部耕地扩张对表面气温影响的模拟[J]. 地理学报, 2015, 70(9): 1 423-1 433.
[35]
WEN Y F, LIU Y D, TAN W C, et al. The impact of horizontal resolution on the intensity and microstructure of super typhoon USAGI[J]. J Trop Meteor, 2019, 25(1): 24-33.
[36]
VALERY MASSION. A Physically-Based Scheme For The Urban Energy Budget In Atmospheric Models[J]. Boundary-Layer, 2000, 94: 357-397.
[37]
KUSAKA H, KONDO H, KIKEGAWA Y, et al. A Simple Single-Layer Urban Canopy Model For Atmospheric Models: Comparison With Multi-Layer And Slab Models[J]. Boundary-Layer Meteorology, 2001, 101(3): 329-358.
[38]
VAHMANI P, HOGUE T S. Urban irrigation effects on WRF-UCM summertime forecast skill over the Los Angeles metropolitan area[J]. J Geophys Res, 2015, 120(19): 9 869-9 881.
[39]
CHEN G, ZHAO L H, MOCHIDA A. Urban Heat Island Simulation in Guangzhou, China, Using the Coupled WRF/UCM Model with a Land Use Map Extracted from Remote Sensing Data[J]. Sustainability, 2016, 8(628): 1-14.
[40]
胡波, 俞燎霓, 滕代高. 高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用实验[J]. 热带气象学报, 2019, 35(6): 767-779.