2018, Vol. 42
2 中国气象局台风数值预报重点实验室, 上海 200030
3 美国国家海洋和大气管理局(NOAA)地球系统研究实验室(ESRL), 美国科罗拉多州波尔德 80305-3328
2 Key Laboratory of Numerical Modeling for Tropical Cyclone, China Meteorological Administration, Shanghai 200030
3 Earth System Research Laboratory(ESRL), National Oceanic and Atmospheric Administration(NOAA), Boulder, Colorado, USA 80305-3328
数值预报模式由动力框架（网格尺度）和物理过程两部分组成。物理过程对次网格尺度运动的描述要通过参数化表达（近似），其优劣对模式的预报精度至关重要。由于模式物理的多样性与复杂性，在发展过程中往往针对某一特定过程设计，而且各个物理过程通常彼此独立研发，较少全面综合地考虑各过程之间，以及物理过程与动力框架之间的联系。近年来各大数值预报中心，例如欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts），美国国家环境预报中心NCEP（National Centers for Environmental Prediction）等，开始强调各物理过程之间的相互作用与协调，都在业务模式中将各种物理过程发展纳入统一考虑，并形成完整的物理过程包。
全球/区域同化与预报系统（GRAPES）是中国气象局研发的数值天气预报系统（陈德辉等，2008），包括GRAPES全球模式和GRAPES区域模式两个版本。其物理过程的引入参考了美国大气科学研究中心NCAR（National Center for Atmospheric Research）的WRF模式（Weather Research and Forecasting Model）程序结构的设计，可选用物理过程也与WRF模式相当（徐国强等，2008）。Yang and Shen（2011）基于GRAPES模式发展了一个单柱模式，并利用外场观测资料对GRAPES模式中陆面过程，边界层过程等进行了测试试验，并利用该单柱模式对GRAPES模式中的对流参数化进行了测试和改进，为GRAPES模式中物理过程的发展提供了很好的试验平台。利用GRAPES进行科研、教学的各种数值试验时，物理过程的选择十分方便。但各物理过程之间相互作用并未有充分考虑，特别是在业务应用中，如何合理有效地进行各物理过程的组合，是一个难点。NCEP的中期全球预报系统GFS（Global Forecast System for Medium Range）的物理过程一直在持续发展中，在边界层方案，深对流方案和浅对流方案等进行了大量的改进，并充分考虑了各过程之间的相互作用（Han and Pan, 2006, 2011）。美国大气海洋局（NOAA）新一代全球非静力模式FIM（Finite-Volume Icosahedral Model）以整套GFS的物理过程包作为基础，进行试验和改进（Bleck et al., 2015）。
本研究将整套NCEP GFS物理过程包引入GRAPES区域模式，利用GRAPES的单柱模式，使用外场观测资料对该物理过程包进行了进行调试、测试，并对对流参数化方案的触发方法进行了调整。希望通过一系列的试验与评估，较全面地了解GFS物理过程包的整体性能，为基于GRAPES区域模式数值预报系统精度的提高提供帮助。
2 模式、资料和方法 2.1 GRAPES及其单柱模式GRAPES模式兼顾全球与有限区可选的预报区域设计，静力与非静力可选的平衡设计，采用半隐式半拉格朗日时间差分方案，经纬度格点的网格设计，水平方向取Arakawa C格点，垂直方向采用Charney Philips格式非均匀跳层变量配置，高度为地形追随坐标。模式目前包含了辐射、边界层、积云对流、微物理、陆面等全套物理过程参数化方案（陈德辉等，2008）。Yang and Shen（2011）加入新的模块和外场观测资料的输入接口，形成了GRAPES单柱模式试验平台。该单柱模式直接依附于GRAPES系统，保证了单柱模式的物理过程与完整大气模式的物理过程一致
2.2 GFS物理过程及引入NCEP GFS辐射参数化方案是在RRTM方案上改进的（Mlawer et al., 1997; Clough et al., 2005），该方案中包含臭氧、水汽、二氧化碳和氧气的吸收效应。云的光学厚度参数化为云粒子有效半径和云凝结路径的函数。方案中，雨雪的辐射效应并未引入，但大气中的气溶胶辐射效应已经考虑。长波辐射方案为RRTM。深对流参数化采用Simplified Arakawa-Schubert（SAS）方案（Grell, 1993），但在多处进行了修订，例如不再采用随机云顶；指定有限的热量，水汽和动量卷入卷出率；在上层云中增加云水卷出（Han and Pan, 2011）。2010年，浅对流方案中引入了新的质量通量方案，定义边界层内最大湿静力能层为对流开始层；云顶限定为700 hPa，卷入率给定为与高度成反比，而卷出率定义为等于云底卷入率的常数。目前业务的GFS的微物理过程基于Zhao and Carr（1997），仍是简单的暖云方案。在辐射方案中则采用了诊断云方案（Xu and Randall, 1996），这一方案同时考虑对流和大尺度凝结产生的云量。边界层方案是一个非局地方案MRF（Hong and Pan, 1996），边界层高度使用总体Richardson数方法诊断得到，而陆面过程是4层的Noah LSM（Ek et al., 2003）。
在将NCEP GFS物理过程引入GRAPES区域模式的实施过程中，由于GFS物理过程调用接口与GRAPES原有物理过程的调用接口有一定的差别，考虑到物理过程的完整性和各个物理过程之间的相互作用，并未在GRAPES原有物理过程可插拔接口基础上，逐一引入GFS的各个物理过程方案，而是将GFS物理过程作为一个整体调用。为此需要在程序上额外增加的工作包括：（1）编写一个接口以便调用GFS的各个过程；（2）以GRAPES现有的植被、土壤的分类及特征定义取代原有的GFS物理过程中的设置；（3）增加GFS过程所需的针对不同波长的反射率资料；（4）引入GFS方案对二氧化碳、臭氧和其他微量气体分布。
2.3 资料GRAPES单柱试验所用的资料为GCSS WG4（Global Energy and Water Cycle Experiment Cloud System Study Working Group 4）第三次个例模拟所用资料（Ghan et al., 2000）。该资料来自ARM计划（Atmospheric Radiation Measurement Program）美国南部大平原地区[观测场地中心位于（36.61°N，97.49°W）]1997年夏季的6月18日23:30（协调世界时，下同）至7月17日23:30的观测资料。数据集中的模式大尺度强迫采用了Zhang and Lin（1997）变分同化方案，除了常规的大尺度气象场，数据集还包括云量、辐射通量、陆—气热量通量等资料，可同时用于评估模式的辐射过程，边界层过程和云、降水过程。近20年来，这些资料被广泛用于模式物理过程的评估和改进工作（Xie and Zhang, 2000; Xie et al., 2002; Wang and Zhang, 2013, Wang, 2015; Wang and Pan, 2015）。
2.4 试验设计从2007年起，上海台风研究所以GRAPES区域模式为基础，发展了区域GRAPES-TCM台风数值预报系统（黄伟等，2007），已有一组业务物理过程选择（黄伟和梁旭东，2010）。为了评估GFS物理过程包的性能和特点，本文将GRAPES-TCM中采用的物理过程选项，包括Dudhia（1989）实施的简单短波辐射方案和RRTM长波辐射方案、WSM6微物理方案（Hong and Lim, 2006）和Xu and Randall（1996）的云参数化方案，SAS对流参数化方案、MRF边界层方案和NOAH陆面过程方案在WRF中的版本。与GFS物理过程包相比，这套方案除了短波辐射方案比较简单，微物理过程相对复杂之外，其他方案都与GFS物理过程包中的各方案相同或者类似，不同之处在于各个方案在引入不同的数值模式时的具体实施的差异以及各方案在业务试验过程中对细节的调整。
利用2.3介绍的分析资料，对GRAPES-TCM原有物理过程组合和NCEP GFS物理过程包进行了对比试验，两组试验的结果称为CTL试验和GFS试验。主要的试验分为两个系列，第一系列为整个观测期间的完整积分（1997年6月18日23:30至7月17日23:30，共29日），用以评估这两组物理过程的总体性能，另外，参考Xu et al.（2002）的分类，对这一试验期间的3次主要降水过程分别作了5天的模拟，用以评估GFS物理过程包对降水的模拟特征，对应的时段为时段A（1997年6月26日23:30至7月1日23:30）、时段B（1997年7月7日23:30至12日23:30）和时段C（1997年7月12日23:30至17日23:30）。与杨军丽和沈学顺（2012）的工作类似，所有的模拟试验结果都是通过集合样本的平均得到的，具体做法为，对各个试验的初始场在大气边界层（取2 km内）以标准差0.5 K位温随机扰动和标准差为0.5 g kg−1的水汽混合比随机扰动获得，每组试验有20个样本。此外，初始场中具体的设置均与杨军丽和沈学顺（2012）一致。
3 结果分析 3.1 29天长期积分特征图 1是CTL试验和GFS试验不同层次的位温模拟误差，由于高层位温的绝对值大，两组试验的结果均是高层误差较大，而底层误差较小。两组试验的位温误差分布有类似的特点，主要表现为高层偏冷，低层（边界层内）略微偏暖；相比而言，GFS试验的位温误差比CTL试验更小，特别是在中高层，CTL试验模拟的位温明显偏冷，部分时段绝对误差超过20 K，而GFS试验仅在7月3日左右位温冷偏差超过10 K。
|
图 1 （a）CTL试验和（b）GFS试验的位温误差（单位：K）高度—时间分布。横坐标为时间（单位：d），纵坐标为离地表高度（单位：km），填色为误差超过色标所示数值的区域 Figure 1 Time–height cross sections of simulated errors of potential temperature (units: K): (a) CTL experiment; (b) GFS experiment. The abscissa denotes the time (units: d) and the ordinate is for the vertical distance (units: km). Shaded areas indicate errors above the values shown in the color bar |
两组试验对水汽混合比的模拟结果是十分接近的（图 2），其主要特点为边界层内偏干，中层（2~6 km）以偏湿为主，而到了中高层，由于大气的绝对湿度迅速减小，水汽混合比的误差相对较小。相比而言，GFS试验的水汽混合比误差略小于CTL试验的结果，例如CTL试验边界层内偏干超过4 g kg−1，而GFS试验偏小一些，中层的偏湿也有类似特征，CTL试验偏湿的1 g kg−1等值线可向上伸展至6 km，相同时段，GFS试验误差的1 g kg−1等值线在3 km左右。
|
图 2 同图 1，但为水汽混合比误差（单位：g kg−1） Figure 2 Same as Fig. 1, but for the water vapor mixing ratio (units: g kg−1) |
两组试验中的温度和水汽混合比模拟误差表现两组物理过程的综合性能，其表现受各个过程的影响，下面将以几个外场试验中可用的变量作为依据，分别对整个试验阶段的辐射、近地面通量和温度，以及降水结果进行评估。
图 3和图 4分别给出了近地面向下的短波辐射和长波辐射的模拟结果，图中纵坐标为小时，横坐标为日数。从向下短波辐射的模拟结果来看，两组试验均能模拟出辐射的日变化以及天气系统对辐射的影响，但GFS物理过程模拟的短波辐射与观测更接近。首先，从两组试验的误差分布来看，GFS的结果误差更小；其次，GFS模拟的短波辐射峰值与观测更接近，而CTL试验存在较大的负误差。图 5、图 6是两组试验模拟结果与实况的比较分析。图 5给出了期间两组试验模拟的云量与实况的比较，虽然实况的云量与模式中模拟的次网格云量因定义的差别而存在较大的差异，但可以看到两组试验对辐射的模拟结果与云的模拟结果密切相关。CTL试验模拟的降雨期云系偏多，导致模拟的短波辐射明显偏弱；而在降雨间歇期（结合图 7b），模拟的云明显偏少，又易造成较大正误差。两组试验对近地面向下长波辐射的模拟结果类似，均以正误差为主，这也与图 5两组试验对云量的模拟结果一致，表现为有降水过程时，CTL试验模拟的云比实况和GFS试验更为深厚且不易消散，导致CTL试验模拟的长波辐射误差明显大于GFS试验。
|
图 3 （a）实况观测、（b）CTL试验以及（c）GFS试验的近地面向下短波辐射（等值线，单位：W m−2）随时间分布。（b、c）中填色为试验结果与实况观测的差异，纵坐标为协调世界时，横坐标为天数 Figure 3 Distributions versus time for near surface downward solar radiation (units: W m-2): (a) Observations, (b) CTL experiment, and (c) GFS experiment. Shaded areas represent differences between simulations and observations, the ordinate indicates the universal time, and the abscissa shows the number of days |
|
图 5 （a）实况观测、（b）CTL试验以及（c）GFS试验的云量（单位：%）高度—时间分布比较。横坐标为时间（单位：d），纵坐标为垂直距离（单位：km） Figure 5 Time–height distributions of cloud fraction (units: %): (a) Observations, (b) CTL experiment, (c) GFS experiment. The abscissa indicates time (number of days) and the ordinate shows the vertical distance (units: km) |
|
图 6 近地面感热通量（左列，单位：W m−2）、潜热通量（右列，单位：W m−2）与实况观测结果散点对比：（a、b）CTL试验与实况对比；（c、d）GFS试验与实况对比。横坐标表示模拟结果，纵坐标为观测 Figure 6 Scatter plots of surface sensible heat fluxes (left column) and latent heat fluxes (right column) of simulations and observations: (a, b) CTL experiment; (c, d) GFS experiment. The abscissa shows simulations, and the ordinate shows observations |
|
图 7 模拟的逐3小时（a）2 m气温（单位：℃）和（b）降水强度（单位：mm h−1)）与实况观测结果的比较。横坐标为时间（单位：d），蓝色虚线为CTL试验，红色虚线为GFS试验，黑实线为实况 Figure 7 Time series of (a) 2-m air temperature (units: ℃) and (b) precipitation intensity (units: mm h−1) at 3-hour intervals. The abscissa denotes the time (units: d). The blue dashed line represents the CTL experiment, the red line represents the GFS experiment, and the black solid line represents observations |
图 6是两组试验模拟的近地面向上感热和潜热通量与观测结果比较的散点图。两组试验模拟的近地面热通量均与观测十分接近，但从散点的分布形态来看，CTL试验的模拟结果较为分散，存在较多偏离1:1线远的点，例如图 6a中存在着大量实况大于50 W m−2而模拟结果小于50 W m−2的点；图 6b则存在15个以上模拟潜热大于400 W m−2的样本，实际观测中并不存在。相比之下，GFS模拟的感热和潜热通量更接近观测。
图 7是两组试验模拟的2 m气温和降水强度的演变。从2 m气温的模拟结果来看，两组试验都能较好模拟气温的日变化以及气温的总体变化趋势，但GFS试验的结果明显优于CTL试验，主要表现发生降水时，其最高气温明显高于CTL试验而与实况接近；而其最低温度一直低于CTL，并与观测更接近。需要指出的是，两组试验模拟的最低2 m气温均明显偏高。同样，两组试验均基本能模拟出近一个月中几次主要的降水过程，同时两组试验也都有一定程度的空报，最主要的一次是7月7日左右，实际并无降水，但两组试验都模拟出明显的降水过程；另外，两组试验还容易在主要降水过程的间歇期，出现一些对小雨的空报，例如6月25日左右，6月27日前后等。
为了进一步定量评估两组物理过程对以上几种主要物理量的模拟能力，利用观测资料和两组试验每日8次，共计232次输出计算了整个试验阶段所模拟各个物理量均方根误差、偏差以及与观测的相关系数。均方根误差可描述模拟值与观测值的偏离程度，偏差可反映模拟对观测的偏离方向和大小，而相关系数可表征模拟与观测的一致性。从表 1的结果来看，GFS试验模拟的所有变量的均方根误差都比CTL试验的小。两组试验模拟的偏差结果则呈现出不同的特点，GFS物理过程模拟的近地面入射短波辐射更为偏少，这主要是GFS物理过程对积分第12~15日过程入射辐射模拟偏低，事实上CTL试验也有同样的问题，但由于CTL试验总体上对入射短波辐射以偏多为主，其偏差因抵消而降低了；GFS试验对入射长波辐射通量模拟的偏差较小，而CTL试验的结果有明显的正偏差；从地—气热量通量的模拟偏差来看，GFS试验对潜热模拟的正偏差主要由于对一些极大值的偏高模拟，同时CTL试验则因同时对150 W m−2左右的潜热的偏少模拟和对300 W m−2左右潜热的偏多模拟使得平均偏差不明显，两组试验的感热模拟都为负偏差，CTL表现为总体上模拟偏弱，GFS试验主要是夜间的负感热模拟偏弱造成；两者对2 m气温和降水的模拟偏差基本一致，主要表现为温度偏高和降水偏多。从两组试验结果与观测的相关系数来看，GFS试验对以上所有变量的模拟与观测的相关均比CTL试验好，这表明GFS试验的模拟结果与观测有更高的一致性。
|
表 1 整个时段近地面短波入射、长波入射、感热通量、潜热通量、2 m高度气温和降水强度的均方根误差和偏差比较 Table 1 RMSEs and biases of surface downward solar radiation, long-wave radiation, sensible heat flux, latent heat flux, 2-m air temperature and precipitation intensity during the whole period |
第一个系列两组试验积分时间近一个月，后期大尺度温度和水汽场误差较大，而降水过程对此有很大的依赖性，不利于对模式降水过程作客观评估，为此针对该外场观测期间3次典型降水过程分别进行了5天的积分，以对模式的降水过程进行更为细致评估。
图 8a、b、c给出了两组试验在上述3个子时段（时段A、B、C）随时间的降水强度变化，结果表明两组试验对子时段A过程的降水模拟结果较好；而对子时段B，两组试验都能模拟出3次降水的后两次，对第一次降水都模拟得偏晚；GFS试验抓住了子时段C的两次主要降水过程，CTL试验没有模拟出第一次降水过程，且在第3天发生一次明显的空报。从统计结果来看（表 2），GFS试验对子时段A的降水模拟与观测的相关达到0.93，均方根误差仅为0.05 mm h−1，同时CTL试验的相关为0.7，均方根误差为0.07 mm h−1；对于子时段B，GFS试验和CTL试验模拟的降水与观测相关分别为0.55和0.51，均方根误差均高达0.49 mm h−1，且相关仅通过0.1的显著性水平检验；GFS对子时段C的降水模拟更为成功，相关系数达0.85，且通过0.001的显著性水平检验，而CTL试验模拟的降水与观测相关仅为0.56。从对3次降水模拟与实况的评分来看，对子时段B的模拟结果最差，特别是对其中的第一场降水，两组试验均未能模拟出来。图 9是两组试验模拟的对流降水和大尺度降水随时间的变化，结果表明时段B的降水过程以对流性降水为主，CTL试验模拟的降水全部为对流性降水，GFS试验模拟的第3次降水以大尺度降水为主，第2次降水也有部分大尺度降水，从Xie et al.（2002）给出的结果来看，3次降水中均存在一定比例的大尺度降水，尤以第2、3次降水的比例为高，可见两组试验均低估了大尺度降水，但CTL试验的这一倾向更为严重。第1次降水，两组均全部模拟为对流性降水，且对降水发生的时间均有9~12 h的延迟，排除大尺度强迫的原因，很大可能是对流参数化方案造成的。
|
图 8 （a、b、c）子时段A、B、C中，CTL试验和GFS试验模拟的降水强度与实况的比较。横坐标为时间（单位：d）。蓝色虚线为CTL试验，红色虚线为GFS试验，黑实线为实况观测结果 Figure 8 Time series of precipitation intensity during (a–c) three sub-periods A, B, and C. The abscissa denotes the time (units: d).The blue dashed line shows the CTL experiment, the red dashed line is for the GFS experiment and the black solid line shows observations |
|
|
表 2 3个子时段两组试验模拟的降水与实况的相关系数和均方根误差比较 Table 2 Correlation coefficients and RMSEs of precipitation simulated by the two experiments in three sub-periods. |
|
图 9 CTL试验和GFS试验模拟的子时段B的对流降水和大尺度降水比较，其中黑实线为实况，蓝色实线为CTL试验大尺度降水，红色实线为GFS试验大尺度降水，蓝色虚线为CTL试验对流降水，红色虚线为GFS试验对流降水 Figure 9 Time series of precipitation intensity in sub-period B, where the black solid line shows observations, the blue line represents the CTL experiment and the red line is for the GFS experiment. Dashed lines indicate convective precipitation and solid lines show large scale precipitation |
利用网格尺度变量计算的视热源（Q1）和视湿汇（Q2）的垂直分布可反映对流效应对位温和水汽的作用。根据Yanai and Johnson（1993）的公式，利用观测资料计算了子时段B中Q1和Q2的垂直分布（图 10a），对应3场明显的降水过程，在600~300 hPa均有相应的明显Q1正值；而两组试验的对流参数化方案均未能正确模拟的第一次降水过程，在降水发生的早期（7月8日20:30），中低层（800 hPa左右）有明显的Q2负值，但Q1的明显正值只延伸到700 hPa，这意味着该层由于偏干而被对流效应明显增湿，但实际对流云底可能比该层高，这与典型强对流过程Q1，Q2垂直分布有所差异。两组试验模拟的Q1和Q2（图 10b、c）在后两次降水过程与实况基本一致，但在降水发生明显空报的7月8日20:30到7月9日23:30，Q1、Q2的分布与实况差异较大。实况降水发生时，模拟Q2中低层负值明显放大，同时Q1正值局限于400 hPa以上，且强度明显偏弱。后期两组试验则都有中高层的Q1正值和中层（700 hPa左右）的Q2正值，形成典型的对流降水。对比Q1和Q2的观测和模拟结果，可以发现由于物理过程的反馈，两组试验的大尺度场不稳定能量变弱而推迟触发，结合降水触发阶段的实况Q2在中低层的明显负值，我们推断这可能与这次过程对流云底较高，而现有的SAS对流参数化方案在实施过程中不能处理对流云底较高的降水有关。
|
图 10 B时段（a）实况、（b）CTL和（c）GFS试验的Q1和Q2，单位：K h−1，其中等值线为Q1，而填色为Q2 Figure 10 Time–height cross sections of Apparent heat source(Q1) and Apparent moisture sink(Q2, units: K h−1) for sub-period B. (a, b, c) show observations and simulations of the CTL and GFS experiments, respectively. The contours represent Q1 and shaded areas represent Q2 |
在SAS对流方案中，在垂直方向确定湿静力能最大层作为对流起始点（SP），气块以饱和湿静力能守恒上升直到自由对流层（LFC），作为云底。对流起始点和云底之间的气压差是影响次网格对流云是否发展的重要指标，根据Han and Pan（2011）的方法，气压差小于120 hPa时对流触发，大于150 hPa，对流不触发，如气压差在120~150 hPa之间，则对流是否触发取决于大尺度垂直速度（Hong and Pan, 1998）。一旦对流触发，气块从云底上升并与环境大气发生相互作用（卷入、卷出），并以一定速率凝结出云水（云冰），直到云中湿静力能小于环境饱和湿静力能(到达云顶)。本试验近地面气压约为965 hPa（模式中最底层气压），在第一次降水前后最大湿静力能均位于在模式最低层（图略），因而对流云底一定要在815 hPa以下，不然对流无法触发。有理由认为实况大气在800 hPa附近偏干，会导致试验模拟的对流云底偏高，从而导致降水的漏报。
Kain-Fritsch对流参数化方案（简称KF方案；Kain, 2004）在实施过程中，首先定义模式最底层为SP，基于此，计算抬升凝结层（LCL），并在该层判断施加了大尺度扰动的气块是否能克服对流抑制形成深对流；如果不满足条件，则该气块上升形成对流云的假定不成立，SP向上移动一层，重新进行上述的触发判断（图 11b）。KF方案和SAS方案由于闭合假定所用的物理量不同，因而在模式触发的表达上存在差异，但更重要地是触发方案在实施过程中的不同处理——KF方案采用逐层，连续判断，而SAS方案采用单层的一次性判断。目前，对对流触发的理解并不深入，也不存在大气中触发对流的一般性判据，因而触发方案的实施成为影响对流方案性能的重要方面。显然，从物理上理解，KF方案的逐层、连续判断更符合我们对对流云发展的认知。为了证实SAS触发方案的缺陷并解决这一问题，我们修改了方案触发的实施过程，发展了一个两次触发方法，即在第一次对流未触发时，将对流起始点上升至原云底高度附近寻找湿静力能最大值层，作为SP，进行第2次触发判断。经此处理后重新对时段B进行模拟试验，称为CSN试验。
|
图 11 （a）KF和（b）SAS对流参数化方案的触发流程示意图。其中，SP表示对流起始点，Z为高度，P为气压，LCL代表抬升凝结层，env代表环境，purt代表不同触发方案中的扰动项，LFC代表自由大气层 Figure 11 Flowchart of the triggering process in the (a) KF and (b) SAS cumulus parameterization schemes, where SP represents the starting point of convection, Z is the height, P is the pressure, LCL represents the lifted condensation level, env represents the environment, prut represents the perturbation term provided by different trigger functions and LFC represents the level of free convection. |
图 12给出了CSN试验模拟的时段B的降水强度变化，相比GFS试验，CSN试验很好的模拟出第一次降水过程，并有效改善GFS试验对后续降水的空报。此外，从综合的评分来看，CSN试验模拟的B时段降水与实况的相关达到0.6，均方根误差仅为0.03，这都相比原GFS试验有很大改进。
|
图 12 GFS试验和CSN试验模拟的子时段B的降水强度比较，其中蓝线为GFS试验，红线为CSN试验，黑实线为实况 Figure 12 Time series of precipitation intensity during sub-period B. The blue and red dashed lines show results of the GFS and CSN experiments, respectively; the black solid line shows observations. |
对流参数化方案的调整也通过反馈对网格尺度的温度和湿度造成了影响，从CSN试验模拟的Q1、Q2分布（图 13）来看，第一次降水过程发生前后，模拟与实况更为接近。主要表现为对应降水峰值的500 hPa左右的Q1正值区，同样的，800 hPa左右的Q2负值也与实况一致，其强度远比GFS和CTL的弱，这一结果表明，通过对流参数化方案触发方式的调整，不但改善了降水的模拟，同时也通过对流效应对大尺度场的反馈，改善了对模式大尺度场的模拟；而大尺度场的改善，又有利于后续降水的模拟，例如明显降低了后续的对流降水的空报。
图 14所显示的GFS试验和CSN试验模拟的对流云的起点、云底和云顶分布可证实之前的推测。GFS试验的SP在漏报降水前后一直在模式最底层，而且云底在700~800 hPa，这一气压差因超过SAS方案定义的最大气压差差使得对流无法触发，因而没有云顶值（理论上来说，对流没有触发时，也不应该有云底，这里仅为方便分析，将对流参数化方案中预估的对流云起点和云底直接称为SP和云底）；CSN试验相比GFS试验对流起点抬升至800 hPa左右，触发对流比GFS试验早12小时，之后降水空报时段，CSN试验模拟的云底偏高而云顶偏低，整个对流云较浅，对流降水较弱，与实况更为一致。两个试验队后两次降水的过程的对流起点的模拟一致，这表明对后两次降水的模拟差异主要是由于对第一次降水模拟的结果影响了大尺度场。
|
图 14 GFS试验和CSN试验模拟的时段B逐3小时平均的对流起点（十字）、云底（空心圆）和云顶（实心圆）的气压分布，其中蓝色为GFS试验，红色为CSN试验 Figure 14 Time–height distributions of convection starting point (cross symbols) and cloud base (empty circles) and cloud top (solid circles), where the blue represents the GFS experiment and the red represents the CSN experiment |
本文在GRAPES区域模式中引入了NCEP GFS物理过程，并利用GCCS WG4外场观测资料，通过与GRAPES一个原有的物理过程组合的对比试验，对GFS物理过程在GRAPES区域模式中的性能进行了评估。主要结论包括：GFS试验长期积分的位温和水汽混合比误差均比CTL试验小，同时GFS试验对到达地面的短波和长波辐射、地面向上的感热通量和潜热通量模拟结果也优于CTL试验；GFS试验对2 m气温的模拟结果优于CTL试验，两者对长期的降水模拟相当。对3个子降水时段试验结果表明，GFS试验和CTL试验能抓住主要的强降水过程，但GFS模拟的降水总体误差小于CTL试验, 且与观测的一致性好于CTL试验。两组试验都对某些降水过程存在漏报和发生时间偏晚的倾向, 特别是，对子时段B的第一次降水均存在明显的漏报以及后续的明显空报，分析表明这与该降水过程云底较高，两组试验中的对流参数化在对流触发机制方面的局限有关。本文参考KF方案的对流触发流程，基于SAS方案发展了两次触发方法。对流参数化方案的敏感性试验表明新的触发流程可有效改善模式对这一次降水过程的模拟，同时通过反馈，进而提高模式对大尺度场的模拟能力。
虽然GFS物理过程包中单个物理过程相比GRAPES中原有相应物理过程差别不大，但本文的试验和分析结果表明GFS物理过程包在单柱模式中的性能明显优于GRAPES-TCM中原有物理过程组合。这应与这些单一物理过程在NCEP GFS模式中的长期业务测试中的不断改进，从而充分考虑了各个过程的相互作用有关。这一结果提示我们在模式物理发展过程中，特别是业务模式的改进过程中，应更多将物理过程视为一个整体，而非单个的物理过程的组合，Wang and Zhang（2013）对CAM（Community Atmospheric Model）的不同版本的比较分析也有类似的结论。另一方面，由于NCEP GFS模式为分辨率较粗的静力模式，而GRAPES模式为非静力模式，我们目前发展的基于GRAPES区域模式的台风数值预报系统其水平分辨率可达5 km左右。在这种分辨率下，相关的物理过程，特别是对流参数化和微物理过程仍需进一步的改进和调试，以适应业务数值模式的需要。同时，NCEP GFS物理过程本身也在不断改进，例如Han et al.（2016）开始尝试在一个框架下考虑边界层过程和浅对流过程。目前NOAA的全球非静力模式的物理过程也正以NCEP GFS物理过程为基础进行发展和改进。
利用外场观测资料对模式物理过程进行评估是改进数值模式的重要途径之一。但由于外场资料的地域的局限性，对物理过程的评估结果不可避免存在一定的局限性，特别是对流参数化等基本假定与天气系统、模式网格距密切相关的物理过程，更需要与实际业务应用相结合，在单柱试验基础上，利用不同天气过程典型个例，开展进一步的试验与分析。另外需要指出的是，本文中对对流参数化方案的触发方案的敏感性试验只是一个初步的尝试。目前基于质量通量假定的对流参数化方案多数采用一个总体的云模式，通过对云的卷入、卷出率或者云高进行参数化以确定对流云的性状，这是对Arakawa and Schubert（1974）的简单谱状云模式的简化。Yoshimura et al.（2015）提出了一个新的谱状积云参数化方案，逐层计算不同卷入、卷出率的云内特征，虽然增加了计算量，但充分考虑对流云的复杂性。本文的敏感性试验提出了一种可能性，即对流云的起点在模式中也是在垂直方向有一定的分布。当然这一试验需要进一步完善，例如在对流云的云底进行逐层判断，形成对流云起点高度的谱分布，而不是简单的两次判断；另外这种起点的判断是否不仅同湿静力能有关，而应与湍流效应联系起来，这都是后续对流参数化方案进一步改进的方向。
Arakawa A, Schubert W H. 1974. Interaction of a cumulus cloud ensemble with the large-scale environment, Part Ⅰ[J]. J. Atmos. Sci., 31: 674-701. DOI:10.1175/1520-0469(1974)031<0674:IOACCE>2.0.CO;2
|
Bleck R, Bao J W, Benjamin S G, et al. 2015. A vertically flow-following icosahedral grid model for medium-range and seasonal prediction. Part Ⅰ:Model description[J]. Mon. Wea. Rev., 143: 2386-2403. DOI:10.1175/MWR-D-14-00300.1
|
陈德辉, 薛纪善, 杨学胜, 等. 2008. GRAPES新一代全球/区域多尺度统一数值预报模式总体设计研究[J]. 科学通报, 53(20): 2396-2407. Chen Dehui, Xue Jishan, Yang Xuesheng, et al. 2008. New generation of multi-scale NWP system (GRAPES):General scientific design[J]. Chin. Sci. Bull., 53(22): 3433-3445. DOI:10.1360/csb2008-53-20-2396
|
Clough S A, Shephard M W, Mlawer E J, et al. 2005. Atmospheric radiative transfer modeling:A summary of the AER codes[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 91(2): 233-244. DOI:10.1016/j.jqsrt.2004.05.058
|
Dudhia J. 1989. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. J. Atmos. Sci., 46: 3077-3107. DOI:10.1175/1520-0469(1989)046<3077:NSOCOD>2.0.CO;2
|
Ek M B, Mitchell K E, Lin Y, et al. 2003. Implementation of Noah land surface model advances in the national centers for environmental prediction operational mesoscale eta model[J]. J. Geophys. Res. Atmos., 108(D22): 8851. DOI:10.1029/2002JD003296
|
Ghan S, Randall D, Xu K M, et al. 2000. A comparison of single column model simulations of summertime midlatitude continental convection[J]. J. Geophys. Res. Atmos., 105(D2): 2091-2124. DOI:10.1029/1999JD900971
|
Grell G A. 1993. Prognostic evaluation of assumptions used by cumulus parameterizations[J]. Mon. Wea. Rev., 121(3): 764-787. DOI:10.1175/1520-0493(1993)121<0764:PEOAUB>2.0.CO;2
|
Han J, Pan H L. 2006. Sensitivity of hurricane intensity forecast to convective momentum transport parameterization[J]. Mon. Wea. Rev., 134(2): 664-674. DOI:10.1175/MWR3090.1
|
Han J, Pan H L. 2011. Revision of convection and vertical diffusion schemes in the NCEP global forecast system[J]. Wea. Forecasting, 26(4): 520-533. DOI:10.1175/WAF-D-10-05038.1
|
Han J, Witek M L, Teixeira J, et al. 2016. Implementation in the NCEP GFS of a hybrid eddy-diffusivity mass-flux (EDMF) boundary layer parameterization with dissipative heating and modified stable boundary layer mixing[J]. Wea. Forecasting, 31(1): 341-352. DOI:10.1175/WAF-D-15-0053.1
|
Hong S. Y., Lim J. O. J.. 2006. The WRF single-moment 6-class microphysics scheme (WSM6)[J]. J. Korean Meteor. Soc, 42(2): 129-151.
|
Hong S Y, Pan H L. 1996. Nonlocal boundary layer vertical diffusion in a medium-range forecast model[J]. Mon. Wea. Rev., 124(10): 2322-2339. DOI:10.1175/1520-0493(1996)124<2322:NBLVDI>2.0.CO;2
|
Hong S Y, Pan H L. 1998. Convective trigger function for a mass-flux cumulus parameterization scheme[J]. Mon. Wea. Rev., 126(10): 2599-2620. DOI:10.1175/1520-0493(1998)126<2599:CTFFAM>2.0.CO;2
|
黄伟, 梁旭东. 2010. 台风涡旋循环初始化方法及其在GRAPES-TCM中的应用[J]. 气象学报, 68(3): 365-375. Huang Wei, Liang Xudong. 2010. A cycling typhoon-like vortex initialization scheme and its application to GRAPES-TCM[J]. Acta Meteorologica Sinica (in Chinese), 68(3): 365-375. DOI:10.11676/qxxb2010.036
|
黄伟, 端义宏, 薛纪善, 等. 2007. 热带气旋路径数值模式业务试验性能分析[J]. 气象学报, 65(4): 578-587. Huang Wei, Duan Yihong, Xue Jishan, et al. 2007. Operational experiments and its performance analysis of the tropical cyclone numerical model (GRAPES_TCM)[J]. Acta Meteorologica Sinica (in Chinese), 65(4): 578-587. DOI:10.11676/qxxb2007.053
|
Kain J S. 2004. The kain fritsch convective parameterization:An update[J]. J. Appl. Meteor., 43(1): 170-181. DOI:10.1175/1520-0450(2004)043<0170:TKCPAU>2.0.CO;2
|
Mlawer E J, Taubman S J, Brown P D, et al. 1997. Radiative transfer for inhomogeneous atmospheres:RRTM, a validated correlated-k model for the longwave[J]. J. Geophys. Res. Atmos., 102(D14): 16663-16682. DOI:10.1029/97JD00237
|
Wang X C. 2015. Development of a toy column model and its application in testing cumulus convection parameterizations[J]. Sci. Bull., 60(15): 1359-1365. DOI:10.1007/s11434-015-0850-8
|
Wang Y C, Pan H L, Hsu H H. 2015. Impacts of the triggering function of cumulus parameterization on warm-season diurnal rainfall cycles at the Atmospheric Radiation Measurement Southern Great Plains site[J]. J. Geophys. Res. Atmos., 120(20): 10681-10702. DOI:10.1002/2015JD023337
|
Wang X C, Zhang M H. 2013. An analysis of parameterization interactions and sensitivity of single-column model simulations to convection schemes in CAM4 and CAM5[J]. J. Geophys. Res. Atmos., 118(16): 8869-8880. DOI:10.1002/jgrd.50690
|
Xie S C, Zhang M H. 2000. Impact of the convection triggering function on single-column model simulations[J]. J. Geophys. Res. Atmos., 105(D11): 14983-14996. DOI:10.1029/2000JD900170
|
Xie S C, Xu K M, Cederwall R T, et al. 2002. Intercomparison and evaluation of cumulus parametrizations under summertime midlatitude continental conditions[J]. Quart. J. Roy. Meteor. Soc., 128(582): 1095-1135. DOI:10.1256/003590002320373229
|
徐国强, 陈德辉, 薛纪善, 等. 2008. GRAPES物理过程的优化试验及程序结构设计[J]. 科学通报, 53(20): 2428-2434. Xu Guoqiang, Chen Dehui, Xue Jishan, et al. 2008. The program structure designing and optimizing tests of GRAPES physics[J]. Chin. Sci. Bull., 53(22): 3470-3476. DOI:10.1360/csb2008-53-20-2428
|
Xu K M, Randall D A. 1996. A semiempirical cloudiness parameterization for use in climate models[J]. J. Atmos. Sci., 53(21): 3084-3102. DOI:10.1175/1520-0469(1996)053<3084:ASCPFU>2.0.CO;2
|
Xu K M, Cederwall R T, Donner L J, et al. 2002. An intercomparison of cloud-resolving models with the atmospheric radiation measurement summer 1997 intensive observation period data[J]. Quart. J. Roy. Meteor. Soc., 128(580): 593-624. DOI:10.1256/003590002321042117
|
Yanai M, Johnson R H. 1993. Impacts of cumulus convection on thermodynamic fields[M]. The Representation of Cumulus Convection in Numerical Models of the Atmosphere. Boston, MA: America Meteorological Society: 39-62.
|
杨军丽, 沈学顺. 2012. GRAPES单柱模式的试验研究[J]. 气象学报, 70(2): 275-290. Yang Junli, Shen Xueshun. 2012. A case study of the GRAPES single column model[J]. Acta Meteorologica Sinica (in Chinese), 70(2): 275-290. DOI:10.11676/qxxb2012.027
|
Yang J L, Shen X S. 2011. The construction of SCM in GRAPES and its applications in two field experiment simulations[J]. Adv. Atmos. Sci., 28(3): 534-550. DOI:10.1007/s00376-010-0062-8
|
Yoshimura H, Mizuta M, Murakami H. 2015. A spectral cumulus parameterization scheme interpolating between two convective updrafts with semi-Lagrangian calculation of transport by compensatory subsidence[J]. Mon. Wea. Rev., 143(2): 597-621. DOI:10.1175/MWR-D-14-00068.1
|
Zhang M H, Lin J L. 1997. Constrained variational analysis of sounding data based on column-integrated budgets of mass, heat, moisture, and momentum:Approach and application to ARM measurements[J]. J. Atmos. Sci., 54(11): 1503-1524. DOI:10.1175/1520-0469(1997)054<1503:CVAOSD>2.0.CO;2
|
Zhao Q Y, Carr F H. 1997. A prognostic cloud scheme for operational NWP models[J]. Mon. Wea. Rev., 125(8): 1931-1953. DOI:10.1175/1520-0493(1997)125<1931:APCSFO>2.0.CO;2
|