气候与环境研究  2019, Vol. 24 Issue (2): 169-185   PDF    
区域气候模式不同积云对流参数化方案对新疆气候模拟的影响研究
周心河1,2 , 熊喆2     
1 成都信息工程大学大气科学学院, 成都 610225;
2 中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029
摘要: 使用NCEP-FNL全球分析资料作为WRF模式的初始场和边界场,利用该模式中7种积云对流参数化方案对新疆地区进行2006年10月1日至2008年3月1日的模拟积分试验,重点考察模式在水平分辨率为10 km下不同积云对流参数化方案对新疆地区气象要素模拟的敏感性。结果表明:1)采用7种积云对流参数化方案的模式都能较好地模拟出年、雨季总降水量、平均温度的空间分布及大气的垂直结构。2)对于不同区域来说,采用各种积云对流参数化方案的模式都能模拟出候降水及候平均温度随时间演变,模式候降水与观测的相关系数在0.20~0.85之间,而候平均温度与观测的相关系数在0.98以上。对于整个新疆地区来说,采用各方案模式模拟的低层偏干偏冷,大气层结较稳定导致降水较观测偏少,而其中天山地区模式模拟的低层较观测偏湿偏暖,大气层结偏向不稳定导致降水偏多。3)采用新的Grell和Kain-Fritsch(new Eta)方案模式模拟的效果综合来看较好。因此利用WRF模式开展新疆地区数值模拟研究时应该考虑不同积云对流参数化方案适用范围。
关键词: 区域气候模式WRF      积云对流参数化方案      新疆     
Impacts of Different Cumulus Convective Parameterization Schemes on Regional Climate Model Simulation over Xinjiang
ZHOU Xinhe1,2, XIONG Zhe2     
1 College of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225;
2 Key Laboratory of Regional Climate-Environment for Temperate East Asia, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029
Abstract: The NCEP-FNL dataset is used to provide initial and boundary fields for the WRF model. Seven cumulus convective parameterization schemes are applied in this model to simulate climate over Xinjiang region with 10-km horizontal resolution. The study is focused on spatial distributions and temporal evolutions of meteorological elements. The analysis results are as follows:1) The model with the seven Cumulus Convection Parameterization Schemes (CCPS) can well simulate the vertical structure of the atmosphere and the spatial pattern of annual and rainy seasonal precipitation and temperature. 2) For different regions, the correlation coefficients between simulated and observed precipitation are within the range of 0.20 to 0.85 and the correlation coefficients between simulated and observed temperature are above 0.98. In Xinjiang region, the humidity in the lower layer is drier in the simulations with various schemes than in the observations, and the simulated temperature is cooler than the observations. As a result, the simulated atmospheric stratification tends to be more stable than observations, which leads to precipitation underestimation in the simulations. The opposite is true for the Tianshan area in Xinjiang. 3) Precipitation and temperature simulated by WRF with new Grell and Kain-Fritsch (new Eta) schemes are better that with other CCPS. Therefore, it is necessary to carefully select appropriate cumulus convective parameterization schemes when using WRF model to simulate climate in Xinjiang.
Keywords: Regional climate model WRF     Cumulus convective parameterization scheme     Xinjiang    

1 引言

积云对流过程作为一种在时空尺度上的次网格尺度运动, 是一般模式所不能分辨的, 因此在数值模拟和预报中一般就这类过程采用参数化方案(伍华平等, 2009)。积云对流参数化与大尺度环流通过网格尺度与次网格尺度动力作用, 直接影响大气能量、质量的输送和分布及降水过程的物理过程, 它对大气环流与气候变化起到重要的作用, 是数值模拟中十分重要的非绝热加热物理过程之一(Kunkel et al., 2002; Leung et al., 2006)。不同积云对流参数化方案在区域气候模式模拟的结果具有显著差异(Giorgi et al., 1993a, 1993b; 成安宁等, 1998; 闫之辉和邓莲堂, 2007), 而造成这些差异的因素有模拟区域嵌套与缓冲区大小、模式分辨率及初边界资料分辨率等(Gao et al., 2001; 马严枝等, 2012)。

新疆地区地处亚欧大陆腹地, 是中国西北干旱区的主体, 其整体地形地貌素有“三山夹两盆”之称, 由北向南依次是阿尔泰山脉、准噶尔盆地、天山山脉、塔里木盆地以及昆仑山脉。整体远离海洋, 深居内陆, 四周高山阻断了来自海洋水汽的输送, 因此气候不受季风系统的直接影响, 形成了明显的温带大陆性气候。由于我国西部地理、气候类型复杂多样, 以天山为界的新疆北部和南部气候具有显著差异, 降水变率较大, 同时新疆气象站点只有106个, 并且分布非常不均匀, 因此在新疆地区开展高分辨率动力降尺度研究是非常必要的。

WRF模式中的物理和动力过程参数化方案众多, 但是对于不同区域来说不同参数化方案在不同区域的表现也不尽相同(Jankov et al., 2005; Evans et al., 2012; Pennelly et al., 2014)。利用区域气候模式开展积云对流参数化方案对区域气候影响研究主要集中在我国中东部地区(刘晓东等, 2005; 冯锦明和符淙斌, 2007; 黄海波等, 2011; 何由等, 2012;廖镜彪等, 2012; 熊喆, 2014), 而特别是对新疆干旱区的研究较少(吕光辉等, 2009; 刘洋等, 2016)。而在新疆地区的研究时间都非常短, 时间大约在5 d以内, 没有超过一年的模拟研究。因此, 本文将利用WRF模式在水平分辨率为10 km条件下以及不同积云对流参数化方案下开展一年模拟试验研究, 重点考察积云对流参数化方案对新疆地区年、季节的气候模拟影响。

2 模式介绍与数据 2.1 模式介绍及试验设计

WRF 3.8.1模式是由NCEP的环境模拟中心、NCAR中小尺度气象处、预报系统实验室(FSL)的预报研究处以及Oklahoma大学的风暴分析预报中心(CAPS)这4个部门联合研发的业务与研究共用的新一代高分辨率、完全可压缩的非静力中尺度数值天气预报模式。该模式的水平网格采用的是Arakawa C格式, 同时采用地形跟随静力气压坐标及重点考虑水平分辨率1~10 km左右的大气运动。WRF模式的主模块分为研究(ARW)和业务(NMM)两种形式, 本文使用的是WRF-ARW。WRF 3.8较之前版本加入了新的Kain-Fritsch积云方案, 改进了各种物理选项, 提供了气溶胶—辐射相互作用的一个新选择等。

模式模拟区域的网格中心位于(42°N, 85°E)(图 1a), 水平分辨率为10 km, 网格点数为216(经向)×186(纬向), 垂直方向为35层。积分的时段为2006年10月1日至2008年3月1日, 其中2006年10~12月作为模式初始化(spin-up)时段。本次试验中模式采用物理过程参数化方案包括WSM3微物理方案(Hong et al., 2004)、rrtm长波辐射方案、Dudhia短波辐射方案、Monin-Obukhov近地面层方案、Noah-MP陆面过程方案、YSU边界层方案(Hong et al., 2006)。在上述物理过程参数化方案完全相同的条件下, 只是积云对流参数化方案不同情况下利用WRF模式开展不同积云对流参数化方案对新疆气候影响研究, 其中积云对流参数化方案包括Kain-Fritsch(new Eta)(简称NKF)(Kain and Fritsch, 1990, 1993)、Betts-Miller-Janjic(简称BMJ)(Betts, 1986; Betts and Miller, 1986; Janjić, 1994, 2000)、Grell-Devenyi(简称GD)(Grell and Dévényi, 2002)、Grell-Freitas(简称GF)(Grell and Freitas, 2014)、新的Grell(简称NG)、简化的Arakawa-Schubert(简称SAS)和Tiedtke(简称TD)(Tiedtke, 1989)。

图 1 新疆地区(a)气象观测站点空间分布及其地形和(b)区域划分 Fig. 1 (a) Spatial distributions of meteorological observation stations and topography in Xinjiang; (b) distribution of different subregions in Xinjiang

采用水平分辨率为1°(纬度)×1°(经度)的NCEP-FNL全球分析资料(New et al., 2000)作为驱动模式的初始场和边界场, 时间间隔为6 h。模式采用的地形和植被资料分别来自于美国地质勘探局(USGS)的GTOPO30地形资料(约1 km分辨率)和MODIS-30土地利用数据集。为了更好地考察区域气候模式在新疆不同区域的模拟能力, 本文根据自然地理特征及海拔高度差异, 将新疆地区分为4个区域(史玉光等, 2008):天山(海拔高度≥1500 m)、新疆北部、新疆南部及新疆东部(图 1b)。

2.2 检验模式的数据

用于模式检验的数据包括:1)中国国家级地面气象站基本气象要素日值数据集(V3.0)的日平均气温和日总降水量, 该数据集包括2474个中国基本、基准气象站、一般气象站的地面基本气象要素逐日观测数据。2)中国科学院青藏高原研究所(ITPCAS)开发的中国区域高时空分辨率地面气象要素驱动数据集的平均温度和降水数据(何杰和阳坤, 2011)。该数据集是以Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料以及TRMM降水资料为背景场, 融合了中国气象局常规气象观测数据制作而成, 其水平空间分辨率为0.1°, 时间分辨率为3 h。3)美国环境预报中心的NCEP-FNL全球分析资料(简称FNL)的高空风、温度场数据及地表对流有效位能(Convective Available Potential Energy, CAPE)数据。

数据处理方法:1)考虑到格点资料与模式模拟结果的分辨率有差异, 为了便于比较, 将ITPCAS和FNL的格点资料通过双线性插值法插值到WRF模式网格点上(李响, 2012; 马严枝等, 2012; 王子谦等, 2014), 主要用来分析对比ITPCAS、FNL与模式模拟的气象要素在空间分布上的差异; 2)考虑到新疆地区气象站点空间分布不均匀的特点, 将ITPCAS和WRF模式模拟结果通过反距离权重插值法插值到观测站点上, 并对不同区域内的站点进行加权平均, 主要用于不同区域的比较研究。

3 积云对流参数化方案的介绍 3.1 对流调整方案

对流调整方案最早由Manabe et al. (1965)提出, 采用瞬时平衡假设, 该类方案认为积云对流活动对环境场的作用可以简单通过调整温度及湿度场的分布至参考的温湿廓线来完成, 虽对积云对流过程作了粗略的描述, 但一定程度上可表示对流产生的原因及结果。其中, WRF中Betts-Miller-Janjic方案为对流调整方案。Betts-Miller-Janjic方案由Betts- Miller方案(Betts and Miller, 1986)改进而来, 引入无量纲参数云效率, 深对流特征廓线及松弛调整时间随云效率变化。

3.2 质量通量方案

质量通量方案最早由Arakawa (1969)提出, 采用准平衡假设, 认为在任意时刻都有不同尺度的云同时存在, 主要说明了积云群和大尺度环境的相互作用, 除了在环流顶和底外, 云与环境空气没有直接混合, 重点加入对积云单体状态的描述。该方案认为积云之间由对流引起的下沉运动是造成大尺度环境观测到的热量分布的主要原因。其中WRF中Kain-Fritsch(new Eta)、Grell-Devenyi、Grell- Freitas、新的Grell、简化的Arakawa-Schubert及Tiedtke方案都为质量通量方案。

Kain-Fritsch(new Eta)方案是在Eta模式中对Kain-Fritsch(Kain and Fritsch, 1990)方案的改进, 考虑最小卷入率, 并对不能达到最小降水云厚度的上升气流考虑浅对流。

Grell-Devenyi方案在每个计算格点上运行多种积云方案和变量, 再将其结果取平均反馈到模式中。

Grell-Freitas方案是Grell-Devenyi方案的改进, 该方案除具有GD方案以外, 能随着分辨率的增加自动平稳过渡到云分辨尺度。

新的Grell(G3)方案也是Grell-Devenyi方案的改进, 基于不稳定或准平衡率, 采用简单的单云上升气流及下沉气流的通量和确定加热或湿润的补偿方案。

简化的Arakawa-Schubert方案是Grell (1993)根据Arakawa-Schubert方案(Arakawa and Schubert, 1974)简化成只允许一种云存在(深对流或浅对流)。

Tiedtke方案是Kuo方案(Kuo, 1965)和Arakawa- Schubert方案的结合, 采用总体云模型表示积云群的总体作用, 考虑积云对流对水平动量的垂直输送。

4 结果的比较与分析 4.1 降水

图 2为新疆地区年总降水及其偏差的空间分布。从图 2a可以清楚看到年降水主要集中在天山及新疆最北的阿尔泰山一带, 年总降水量约500 mm, 而新疆南部年降水量较少约100 mm。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区年总降水的空间分布。总体来看, 模式模拟年降水在天山、阿尔泰山及昆仑山西侧较ITPCAS偏多5%~85%, 其中采用TD方案模式模拟降水偏差较小约20%;模式模拟年降水在新疆北部、南部及东部较ITPCAS偏少, 偏差在-80%~-10%之间, 其中采用TD方案模式模拟降水偏差较大约为-80%。

图 2 新疆地区年总降水量及降水量偏差的空间分布(图 2b2h为模式相对于图 2a年总降水量的偏差):(a)ITPCAS数据;(b)BMJ−ITPCAS;(c)NKF−ITPCAS;(d)GF−ITPCAS;(e)SAS−ITPCAS;(f)NG−IT PCAS;(g)TD−ITPCAS;(h)GD−ITPCAS Fig. 2 Spatial distributions of annual precipitation and deviations of simulated precipitation in Xinjiang region (Figs. 2b2h: Spatial distributions of deviation between model simulations and precipitation shown in Fig. 2a): (a) ITPCAS data; (b) BMJ−ITPCAS; (c) NKF−ITPCAS; (d) GF−ITPCAS; (e) SAS−ITPCAS; (f) NG−ITPCAS; (g) TD−ITPCAS; (h) GD−ITPCAS

通过ITPCAS与观测站点年降水比较发现:天山观测降水为417.27 mm, ITPCAS较观测偏少, 偏差为-15.71%;新疆北部观测降水为249.32 mm, ITPCAS较观测偏多6.39%;新疆南部观测降水为53.49 mm, ITPCAS较观测偏多34.10%;新疆东部观测降水为27.10 mm, ITPCAS较观测偏多155.78%, 这是由于观测降水过小导致的偏差明显偏大。

而模式模拟年降水量与观测的比较发现:天山模式模拟降水与观测相比偏少, 偏差在-55.32%~-23.81%之间, 其中采用NKF方案模拟降水偏差最小为-23.81%;新疆北部模式模拟降水较观测偏少, 偏差在-62.43%~-41.62%之间, 其中采用NG方案模拟降水偏差最小为-41.62%;新疆南部模式模拟降水较观测偏少, 偏差在-89.72%~ -46.42%之间, 其中采用NG方案模拟降水偏差最小为-46.42%;新疆东部模式模拟降水较观测偏少, 偏差在-81.23%~-47.86%之间, 其中采用NG方案模拟降水偏差最小为-47.86%。从积云对流参数化分类来看, 采用对流调整方案在天山模式模拟降水更加接近观测, 降水偏差为-30.66%;而采用质量通量方案在新疆北部、南部及东部模式模拟降水更加接近观测, 降水偏差分别为-47.73%、-62.09%和-61.85%(图 3a)。

图 3 新疆地区不同区域ITPCAS数据及不同积云对流参数化方案模式与观测的偏差:(a)年总降水量;(b)雨季总降水量 Fig. 3 Deviation percentages between ITPCAS data and observed precipitation, and between simulations with different cumulus convective parameterization schemes and observations in different regions of Xinjiang region: (a) Annual precipitation; (b) rainy seasonal precipitation

新疆地区降水主要集中在5~9月(刘芸芸等, 2011), 因此将5~9月称为该地区雨季。新疆地区雨季总降水与年总降水的空间分布(图 2a)基本一致, 主要降水集中在天山及阿尔泰山一带, 约350 mm, 新疆南部及东部雨季降水较少约50 mm(图略)。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区雨季降水空间分布, 其与ITPCAS雨季降水偏差的空间分布和年总降水偏差的分布(图 2b2h)基本一致, 但偏差略小。

通过ITPCAS与观测站点雨季降水比较发现:天山观测降水为342.01 mm, ITPCAS较观测偏少, 偏差为-22.03%;新疆北部观测降水为164.10 mm, ITPCAS较观测偏多6.53%;新疆南部观测降水为46.55 mm, ITPCAS较观测偏多6.39%;新疆东部观测降水为23.45 mm, ITPCAS较观测偏多104.72%。

而模式模拟雨季降水量与观测的比较发现:天山模式模拟降水与观测相比偏少, 偏差在-62.64%~-29.07%之间, 其中采用NKF方案模拟降水偏差最小为-29.07%;新疆北部模式模拟降水较观测偏少, 偏差在-77.55%~-55.16%之间, 其中采用NG方案模拟降水偏差最小为-55.16%;新疆南部模式模拟的降水较观测偏少, 偏差在-91.00%~-42.88%之间, 其中采用NG方案模拟降水偏差最小为-42.88%;新疆东部模式模拟降水较观测偏少, 偏差在-90.02%~-59.08%之间, 其中采用NG方案模拟降水偏差最小为-59.08%。从积云对流参数化分类来看, 采用对流调整方案在天山模式模拟降水更加接近观测, 降水偏差为-37.22%, 并且模式模拟降水与观测的偏差在雨季较全年略偏大(见图 3b)。

从上述结果中可以看到, 在新疆东部模式模拟降水较ITPCAS更接近观测; 对流调整方案在降水较多的地区具有较好的模拟能力, 这可能与其参考的温湿廓线有关, 易产生较多降水; 而TD方案在模拟区域模拟的降水强度及范围较其他方案明显偏小, 其原因可能在于对该地区对流形式判断不准确、不完善等造成的。

图 4为新疆地区不同区域候降水随时间演变, 从图中可以看出:ITPCAS候降水在天山、新疆北部、南部及东部与观测的相关系数分别为0.93、0.93、0.72和0.85, 通过99%置信度检验, 均方根误差分别为0.59 mm、0.28 mm、0.19 mm和0.20 mm; 采用7种积云对流参数化方案的模式都能较好地模拟出不同区域候降水随时间演变:

图 4 新疆地区不同区域候降水量随时间演变 Fig. 4 Time series of pentadal precipitation in different regions of Xinjiang

天山候降水集中在20~50候, 其中最大候降水近6 mm, 其他的候降水相对较少; 模式采用不同积云对流参数化方案模拟候降水与观测之间的相关系数在0.71~0.85之间, 通过99%置信度检验, 其中采用NKF方案候降水的相关系数最高达0.85;均方根误差在0.81~1.19 mm之间。新疆北部候降水随时间演变与天山相似, 但雨季降水强度相对较弱; 模式模拟候降水与观测之间的相关系数在0.66~0.77之间, 通过99%置信度检验, 其中采用NG方案候降水的相关系数最高为0.77;均方根误差在0.57~0.72 mm之间。新疆南部候降水集中在30~50候, 其他的候降水几乎为0;模式模拟候降水与观测之间的相关系数在0.39~0.55之间, 通过99%置信度检验, 其中采用NKF方案候降水的相关系数最高为0.55;均方根误差在0.24~0.28 mm之间。新疆东部候降水随时间演变与新疆南部相似; 模式模拟候降水与观测之间的相关系数在0.20~0.53之间, 除SAS和TD方案外均通过99%置信度检验, 其中采用NG方案候降水的相关系数最高为0.53;均方根误差在0.21~0.25 mm之间。

从积云对流参数化分类来看, 采用对流调整方案在天山、新疆南部及东部模式模拟候降水与观测的相关系数较高, 相关系数分别为0.83、0.51和0.41;而采用质量通量方案在新疆北部模式模拟候降水与观测的相关系数较高为0.74(表 1)。上述分析可以看出, 积云对流参数化方案对候尺度上的模拟结果要比对年尺度模拟结果的影响更为显著, 整体对天山这样积云对流活跃的地区的时间演变模拟得较好。

表 1 新疆地区不同区域ITPCAS数据及不同积云对流参数化方案模式模拟与观测候降水的时间相关系数与均方根误差(RMSE) Table 1 Temporal correlation coefficients and RMSEs of pentadal precipitation between ITPCAS data and observations, between simulations with different cumulus convection parameterization schemes and observations in different regions of Xinjiang

根据新疆24 h的降水量级标准将降水分为5个等级(肖开提•多莱特, 2005)。图 5为新疆不同区域日降水不同等级的发生频率。对于天山(图 5a)来说, 日降水主要集中在0~0.2 mm和0.2~6 mm, 分别占总频次的52.05%和43.84%;ITPCAS在0~0.2 mm较观测偏少, 偏差为-16.44%, 在0.2~ 6 mm较观测偏多18.90%;采用不同方案的模式模拟的0~0.2 mm和0.2~6 mm日降水分别占总频次的48.49%~63.56%和35.34%~49.59%。对于新疆北部(图 5b)来说, 日降水主要集中在0~0.2 mm和0.2~6 mm, 分别占总频次的59.18%和39.18%;ITPCAS在0~0.2 mm较观测偏少, 偏差为-11.51%, 在0.2~6 mm较观测偏多11.78%;采用不同方案的模式模拟的0~0.2 mm和0.2~6 mm日降水分别占总频次的70.41%~78.36%和21.37%~29.32%。对于新疆南部(图 5c)来说, 日降水集中在0~0.2 mm, 占总频次的85.21%;ITPCAS在0~0.2 mm较观测偏少, 偏差为-8.22%;采用不同方案的模式模拟的0~0.2 mm日降水占总频次的91.78%~96.99%。对于新疆东部(图 5d)来说, 日降水集中在0~0.2 mm, 占总频次的94.79%;ITPCAS在0~0.2 mm较观测偏少, 偏差为-10.96%;采用不同方案的模式模拟的0~0.2 mm日降水占总频次的95.07%~98.63%。

图 5 新疆地区不同区域日降水不同等级的发生频率 Fig. 5 Daily precipitation frequency distributions in different regions of Xinjiang

上述结论可见采用不同积云对流参数化方案的模式基本可以模拟出来日降水频次, 且较ITPCAS更接近观测; 从积云对流参数化分类来看, 在0~0.2 mm和0.2~6 mm日降水, 采用对流调整方案在天山模式模拟的日降水频次更加接近观测; 而采用质量通量方案在新疆北部、南部及东部模式模拟的日降水频次更加接近观测。NKF方案引入浅对流、设定夹卷率下限可能是其在降水较少区域模拟频次偏差较小的原因。

4.2 温度

图 6为新疆地区年平均温度及其偏差的空间分布。从图 6a可以看到年平均高温区位于新疆南部及东部的大部分地区约12 ℃, 低温区位于天山及昆仑山一带约-14 ℃。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区年平均温度空间分布。总体来看, 模式模拟的年平均温度在新疆南部及东部较ITPCAS偏冷, 在天山和新疆北部较ITPCAS偏暖, 二者与ITPCAS的偏差均在1~3 ℃之间, 且不同积云对流参数化方案之间差异较小。

图 6 新疆地区年平均温度及温度偏差的空间分布(图 6b6h为模式相对于图 6a年平均温度的偏差):(a)ITPCAS数据;(b)BMJ−ITPCAS;(c)NKF−ITPCAS;(d)GF−ITPCAS;(e)SAS−ITPCAS;(f)NG−IT PCAS;(g)TD−ITPCAS;(h)GD−ITPCAS Fig. 6 Spatial distributions of annual average temperature and deviations of temperature in Xinjiang (Figs. 6b6h: Spatial distributions of deviations between simulations and temperature shown in Fig. 6a): (a) ITPCAS data; (b) BMJ−ITPCAS; (c) NKF−ITPCAS; (d) GF−ITPCAS; (e) SAS−ITPCAS; (f) NG−ITPCAS; (g) TD−ITPCAS; (h) GD−ITPCAS

通过ITPCAS与观测站点年平均温度比较发现:天山观测温度为4.28 ℃, ITPCAS较观测为冷偏差, 偏差为-1.15 ℃; 新疆北部观测温度为8.32 ℃, ITPCAS较观测为暖偏差, 偏差为0.19 ℃; 新疆南部观测温度为12.47 ℃, ITPCAS较观测为冷偏差, 偏差为-0.06 ℃; 新疆东部观测温度为14.28 ℃, ITPCAS较观测为暖偏差, 偏差为0.44 ℃。

而模式模拟年平均温度与观测的比较发现:天山模式模拟温度较观测均为冷偏差, 偏差在-0.92~-0.64 ℃之间, 其中采用TD方案模拟温度偏差最小为-0.64 ℃; 新疆北部模式模拟温度较观测均为暖偏差, 偏差在1.23~1.30 ℃之间, 其中采用NG方案模拟温度偏差最小为1.23 ℃; 新疆南部模式模拟温度大部分较观测为暖偏差, 偏差在-0.01~0.15 ℃之间, 其中采用BMJ方案模拟温度偏差最小为-0.01 ℃; 新疆东部模式模拟温度较观测均为冷偏差, 偏差在-0.42~-0.30 ℃之间, 其中采用TD方案模拟温度偏差最小为-0.30 ℃。从积云对流参数化分类来看, 采用对流调整方案在新疆南部模式模拟温度更加接近观测, 温度偏差为-0.01 ℃; 而采用质量通量方案在天山、新疆北部及东部模式模拟温度更加接近观测, 温度偏差分别为-0.82 ℃、1.26 ℃和-0.37 ℃(图 7a)。上述结果可见在天山、新疆南部及东部模式模拟温度要略优于ITPCAS, 更接近观测。

图 7 新疆地区不同区域ITPCAS数据及不同积云对流参数化方案模式与观测的偏差:(a)年平均温度;(b)5~9月平均温度 Fig. 7 Differences between ITPCAS data and observations, and between simulations with different cumulus convective parameterization schemes and observations in different regions of Xinjiang: (a) Annual average temperature; (b) average temperature from May to Sept

新疆地区5~9月平均温度空间分布与年平均温度空间分布(图 6a)基本一致(图略), 其中高温区位于新疆南部及新疆东部约24 ℃, 低温区位于天山及昆仑山一带(约为0)。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区5~9月平均温度空间分布。总体来看, 模式模拟的平均温度基本上均较ITPCAS偏暖2 ℃左右, 且不同积云对流参数化方案之间差异较小。

通过ITPCAS与观测站点5~9月平均温度比较发现:天山观测温度为13.95 ℃, ITPCAS较观测为冷偏差, 偏差为-0.48 ℃; 新疆北部观测温度为20.80 ℃, ITPCAS较观测为暖偏差, 偏差为0.09 ℃; 新疆南部观测温度为23.44 ℃, ITPCAS较观测为冷偏差, 偏差为-0.01 ℃; 新疆东部观测温度为27.48 ℃, ITPCAS较观测为暖偏差, 偏差为0.16 ℃。

而模式模拟5~9月平均温度与观测的比较发现:天山模式模拟温度大部分较观测为冷偏差, 偏差在-0.47~0.07 ℃之间, 其中采用TD方案模拟温度偏差最小为0.07 ℃; 新疆北部模式模拟温度较观测均为暖偏差, 偏差在1.24~1.40 ℃之间, 其中采用NG方案模拟温度偏差最小为1.24 ℃; 新疆南部模式模拟温度较观测均为暖偏差, 偏差在1.91~2.17 ℃之间, 其中采用NG方案模拟温度偏差最小为1.91 ℃; 新疆东部模式模拟温度较观测均为暖偏差, 偏差在1.48~1.70 ℃之间, 其中采用SAS方案模拟温度偏差最小为1.48 ℃。从积云对流参数化分类来看, 采用质量通量方案在天山和新疆北部模式模拟温度更加接近观测, 温度偏差分别为-0.28 ℃和1.32 ℃; 而采用对流调整方案在新疆南部及东部模式模拟温度更加接近观测, 温度偏差分别为1.92 ℃、1.50 ℃(图 7b)。

从新疆地区不同区域候平均温度随时间演变(图略)中可以看到, ITPCAS候平均温度在天山、新疆北部、南部及东部与观测的相关系数均接近1.00, 通过99%置信度检验, 均方根误差分别为1.49 ℃、0.40 ℃、0.19 ℃和0.63 ℃; 采用7种积云对流参数化方案的模式都能较好地模拟出不同区域候平均温度随时间演变:

天山候平均温度在-16~15 ℃之间; 模式采用不同积云对流参数化方案模拟候平均温度均较观测偏冷约4.49 ℃, 且其与观测之间的相关系数均为0.99, 通过99%置信度检验, 均方根误差在4.63~4.77 ℃之间, 其中采用TD方案候平均温度的均方根误差最小为4.63 ℃; 新疆北部候平均温度在-15~25 ℃之间; 模式模拟温度大部分较观测偏冷约4.02 ℃, 且其与观测之间的相关系数均为0.98, 通过99%置信度检验, 均方根误差在4.05~4.26 ℃之间, 其中采用NKF方案候平均温度的均方根误差最小为4.05 ℃; 新疆南部候平均温度在-15~28 ℃; 模式模拟温度均较观测偏冷约6.14 ℃, 且其与观测之间的相关系数均为0.99, 通过99%置信度检验, 均方根误差在6.26~6.42 ℃之间, 其中采用NKF方案候平均温度的均方根误差最小为6.26 ℃; 新疆东部候平均温度在-15~30 ℃之间; 模式模拟温度较观测均偏冷5.40 ℃, 且其与观测之间的相关系数在0.99及以上, 通过99%置信度检验, 均方根误差在5.58~5.64 ℃之间, 其中采用NKF方案候平均温度的均方根误差最小为5.58 ℃(图略)。

从积云对流参数化分类来看, 采用对流调整方案在新疆北部模式模拟温度与观测的均方根误差较小为4.12 ℃; 采用质量通量方案在天山、新疆南部及东部模式模拟温度与观测的均方根误差较小, 分别为4.72 ℃、6.31 ℃和5.60 ℃(图略)。对于模式模拟温度普遍较观测偏冷的原因可能包括WRF模式的地形海拔高度插值到站点后在4个区域上普遍高于气象站点高度, 站点平均来看天山偏高235.32 m, 新疆北部偏低199.45 m, 新疆南部偏高11.76 m, 新疆东部偏高27.21 m。

4.3 大气风场、水汽及能量分析

从FNL资料可以清楚看到200 hPa高空西风急流位于36°N附近, 即我国新疆东南部、西藏东北部及青海地区, 中心风速在30 m/s以上。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区年平均高空急流的空间分布, 急流中心较FNL偏南, 西风在新疆西北部较FNL偏强, 其余地区较FNL偏弱, 偏差均为0~1 m/s, 并且不同积云对流参数化方案之间差异较小(图略)。

图 8为新疆地区年平均700 hPa风场和水汽通量及其偏差的空间分布, 从图 8a可以看到风场大值中心位于新疆北部约7 m/s, 低值中心位于新疆南部约1 m/s; 新疆北部及东部受西风气流控制, 西风气流在天山转为西北气流, 到达新疆东部再偏转回西风气流, 同时在南部有一个反气旋。水汽的输送主要集中在新疆北部, 其西侧有个水汽大值中心位于47°N附近, 北部水汽来源比较复杂多变, 在两山夹角处的伊犁河谷, 这样一个东高西低喇叭口的地形, 使西风带来的大西洋水汽容易进入新疆北部, 在山脉阻挡下, 迎风坡面水汽抬升后在高处冷凝易产生降水, 而新疆南部水汽重要来源之一可能是来自孟加拉湾水汽翻越青藏高原。无论采用哪种积云对流参数化方案, 模式都能较好地模拟出新疆地区年平均环流场及水汽通量空间分布, 二者的大值中心均位于新疆北部, 但在新疆东部为较强的偏西气流, 且新疆南部的反气旋增强, 水汽大值区略偏南(图略)。总体来看, 模式模拟的年平均环流场和水汽通量与FNL偏差的空间分布相对应, 环流场在新疆的中东部较FNL偏弱0~1 m/s, 对应着水汽通量减少; 其余地区较FNL偏强0~2 m/s, 带来较多的水汽。

图 8 新疆地区年平均700 hPa合成风场(箭头)和水汽通量(填色)及风场和水汽通量偏差的空间分布(图 8b8h为模式相对于图 8a年平均环流场和水汽通量的偏差):(a)FNL数据;(b)BMJ−FNL数据;(c)NKF−FNL数据;(d)GF−FNL数据;(e)SAS−FNL数据;(f)NG−FNL数据;(g)TD−FNL数据;(h)GD−FNL数据 Fig. 8 Spatial distributions of annual average wind field (vectors) and water vapor fluxes (shaded) at 700 hPa and deviations of wind fields and water vapor fluxes in Xinjiang (Figs. 8b8h: Spatial distributions of deviations between simulations and that shown in Fig. 8a): (a) FNL data; (b) BMJ−FNL data; (c) NKF−FNL data; (d) GF−FNL data; (e) SAS−FNL data; (f) NG−FNL data; (g) TD−FNL data; (h) GD−FNL data

从新疆地区不同区域模式模拟雨季平均地表CAPE与FNL偏差的空间分布(图略)上可以看到:采用不同积云对流参数化方案的模式模拟CAPE值在新疆地区基本均较FNL偏多20~160 J/kg, 其中采用BMJ和TD方案模式模拟与FNL的偏差较小, 偏差大值区位于天山、阿尔泰山及塔里木盆地, 低值区位于新疆东部及昆仑山一带, 造成塔里木盆地CAPE值偏大可能与地形有关。采用TD方案模式模拟CAPE整体较其他方案偏小导致降水偏少, 说明模拟的对流性降水偏少, 这可能是该方案对对流夹卷率及浅对流判断不准确造成的; 而采用BMJ方案模式模拟CAPE与FNL偏差较小的原因在于考虑了云效应, 使温度及水汽直减率与实际大气情况更符合; 采用GD方案虽整体CAPE值偏大, 但可能因为储存的CAPE释放不完全导致模拟的降水略偏少。

图 9为新疆地区不同区域年平均纬向风、温度及比湿偏差的垂直廓线, 从图中可以看到7种积云对流参数化方案在不同区域都能够合理的模拟出年平均纬向风、温度和比湿的垂直变化:

图 9 新疆地区不同区域年平均(a–d)纬向风、(e–h)温度及(i–l)比湿偏差的垂直廓线 Fig. 9 Vertical profiles of deviations of annual average (a−d) zonal wind, (e−h) temperature, and (i−l) specific humidity in different regions of Xinjiang

对于纬向风速来说, 天山在700~250 hPa模式模拟西风较FNL偏强, 200 hPa以上偏弱, 整层西风与FNL的偏差在-0.42~0.70 m/s; 新疆北部在1000 hPa模式模拟西风基本略偏弱, 850~200 hPa偏强, 而150 hPa以上偏弱, 整层西风与FNL的偏差在-0.34~1.32 m/s; 新疆南部在850~700 hPa模式模拟西风偏弱, 600~250 hPa偏强, 而200 hPa以上偏弱, 整层西风与FNL的偏差在-0.95~0.38 m/s; 新疆东部在250 hPa以下模式模拟西风偏强, 而200 hPa以上偏弱, 整层西风与FNL的偏差在-0.53~1.21 m/s。

对于温度来说, 天山在700~600 hPa模式模拟温度较FNL偏暖, 500~400 hPa模式温度偏冷, 300~200 hPa模式温度偏暖, 150 hPa偏冷, 而100 hPa偏暖, 整层温度与FNL的偏差在-0.49~0.75 ℃; 新疆北部在1000~300 hPa模式模拟温度基本偏冷, 250 hPa模式温度偏暖, 200~150 hPa偏冷, 而100 hPa偏暖, 整层温度与FNL的偏差在-3.83~0.40 ℃; 新疆南部年平均温度廓线与新疆北部相似, 但整层温度与FNL的偏差在-0.83~0.19 ℃; 新疆东部同样与新疆北部相似, 整层温度与FNL的偏差在-2.21~0.31 ℃。

对于比湿来说, 天山在800~600 hPa模式模拟水汽较FNL偏多, 500~400 hPa略偏少, 而300 hPa略偏多, 整层水汽与FNL的偏差在-0.04~0.53 g/kg; 新疆北部模式模拟的整层水汽基本均较FNL偏少, 偏差在-2.45~0.04 g/kg; 新疆南部模式模拟的整层水汽均较FNL偏少在0.83 g/kg以内; 新疆东部模式模拟的整层水汽基本均较FNL偏少, 偏差在-1.68~0.04 g/kg。

5 结论

本文主要考察的是WRF模式的不同积云对流参数化方案对新疆地区气候模拟的影响。通过以上分析和比较可以得出以下的结论:

(1) 对于降水来说, 采用不同积云对流参数化方案的模式都能较好地模拟出新疆年、雨季总降水量的空间分布, 且在不同区域模拟的年、雨季总降水与观测的偏差分别在-89.72%~-23.81%和-91.00%~-29.07%之间; 采用7种方案的模式都能模拟出不同区域候降水量随时间演变, 相关系数在0.20~0.85之间。

(2) 对于温度而言, 采用不同积云对流参数化方案的模式能较好地模拟新疆年、季节平均温度的空间分布, 且在不同区域模拟的年、5~9月平均温度与观测的偏差均在2.5 ℃以内, 不同方案之间差异较小; 采用这7种方案的模式都能模拟出不同区域候平均温度随时间演变, 相关系数均在0.98以上。

(3) 对于新疆整体而言, 模式模拟的低层偏干偏冷, CAPE值除在南部可能因为地形堆积导致略大外均较小, 中高层在南部反气旋加强, 气流辐散下沉, 大气层结偏向稳定导致降水较观测偏少, 可能是由于积云对流参数化方案对于新疆这样干旱地区的对流形式判断得不够准确导致的; 而其中在天山模式模拟的低层偏湿偏暖, 且CAPE值偏大, 中高层西风加强带来较多的水汽, 在遇到山脉阻拦后抬升凝结, 导致降水偏多, 其原因可能包括模式对天山地形的描述不够准确。

(4) 新的Grell和Kain-Fritsch(new Eta)方案在本次试验中普遍表现的较好; Kain-Fritsch(new Eta)方案考虑到积云对流活动尽可能消耗掉所有对流有效位能, 从而增加了降水, 这可能是效果较其他方案较优的原因; 新的Grell方案的优点在于因为允许沉降影响延伸到邻近的网格, 使其更适合网格精度小于10 km的计算。

致谢 感谢两位审稿人对本文提出的宝贵建议和意见。同时, 此研究中使用的驱动数据集是由中国科学院青藏高原研究所青藏高原多圈层数据同化与模拟中心开发的, 在此一并感谢。
参考文献
[] Arakawa A. 1969. Parameterization of cumulus clouds[C]//Proceedings of the WMO/IUGG Symposium on Numerical Weather Prediction. Tokyo, Japan: Japan Meteor. Agency, Ⅳ-8-1-Ⅳ-8-6.
[] Arakawa A, Schubert W H. 1974. Interaction of a cumulus cloud ensemble with the large-scale environment, Part Ⅰ[J]. J. Atmos. Sci., 31(3): 674–701. DOI:10.1175/1520-0469(1974)031<0674:IOACCE>2.0.CO;2
[] Betts A K. 1986. A new convective adjustment scheme. Part Ⅰ:Observational and theoretical basis[J]. Quart. J. Roy. Meteor. Soc., 112(473): 677–691. DOI:10.1002/qj.49711247307
[] Betts A K, Miller M J. 1986. A new convective adjustment scheme. Part Ⅱ:Single column tests using GATE wave, BOMEX, ATEX and arctic air-mass data sets[J]. Quart. J. Roy. Meteor. Soc., 112(473): 693–709. DOI:10.1002/qj.49711247308
[] 成安宁, 陈文, 黄荣辉. 1998. 积云对流参数化方案对气候数值模拟的影响[J]. 大气科学, 22(6): 814–824. Cheng Anning, Chen Wen, Huang Ronghui. 1998. Influence of convective parameterization schemes on climate numerical simulation[J]. Scientia Atmospherica Sinica (in Chinese), 22(6): 814–824. DOI:10.3878/j.issn.1006-9895.1998.06.02
[] Evans J P, Ekstrom M, Ji F. 2012. Evaluating the performance of a WRF physics ensemble over South-East Australia[J]. Climate Dyn., 39(6): 1241–1258. DOI:10.1007/s00382-011-1244-5
[] 冯锦明, 符淙斌. 2007. 不同区域气候模式对中国地区温度和降水的长期模拟比较[J]. 大气科学, 31(5): 805–814. Feng Jinming, Fu Congbin. 2007. Inter-comparison of long-term simulations of temperature and precipitation over China by different regional climate models[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 31(5): 805–814. DOI:10.3878/j.issn.1006-9895.2007.05.05
[] Gao X J, Zhao Z C, Ding Y H, et al. 2001. Climate change due to greenhouse effects in China as simulated by a regional climate model[J]. Advance in Atmospheric Science, 18(6): 1224–1230. DOI:10.1007/s00376-001-0036-y
[] Giorgi F, Marinucci M R, Bates G T. 1993a. Development of a second-generation regional climate model (RegCM2). Part Ⅰ:Boundary-layer and radiative transfer processes[J]. Mon. Wea. Rev., 121(10): 2794–2813. DOI:10.1175/1520-0493(1993)121<2794:DOASGR>2.0.CO;2
[] Giorgi F, Marinucci M R, Bates G T, et al. 1993b. Development of a second-generation regional climate model (RegCM2). Part Ⅱ:Convective processes and assimilation of lateral boundary conditions[J]. Mon. Wea. Rev., 121(10): 2814–2832. DOI:10.1175/1520-0493(1993)121<2814:DOASGR>2.0.CO;2
[] 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
[] Grell G A, Dévényi D. 2002. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophys. Res. Lett., 29(14): 38–1. DOI:10.1029/2002GL015311
[] Grell G A, Freitas S R. 2014. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling[J]. Atmospheric Chemistry Physics, 14(10): 5233–5250. DOI:10.5194/acp-14-5233-2014
[] 何杰, 阳坤. 2011.中国区域高时空分辨率地面气象要素驱动数据集[Z].中国科学院寒区旱区科学数据中心. He Jie, Yang Kun. 2011. China Meteorological Forcing Dataset (in Chinese)[Z]. Cold and Arid Regions Science Data Center at Lanzhou.
[] 何由, 阳坤, 姚檀栋, 等. 2012. 基于WRF模式对青藏高原一次强降水的模拟[J]. 高原气象, 31(5): 1183–1191. He You, Yang Kun, Yao Tandong, et al. 2012. Numerical simulation of a heavy precipitation in Qinghai-Xizang Plateau based on WRF model[J]. Plateau Meteorology (in Chinese), 31(5): 1183–1191.
[] Hong S Y, Dudhia J, Chen S H. 2004. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation[J]. Mon. Wea. Rev., 132(1): 103–120. DOI:10.1175/1520-0493(2004)132<0103:ARATIM>2.0.CO;2
[] Hong S Y, Noh Y, Dudhia J. 2006. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. Mon. Wea. Rev., 134(9): 2318–2341. DOI:10.1175/MWR3199.1
[] 黄海波, 陈春艳, 朱雯娜. 2011. WRF模式不同云微物理参数化方案及水平分辨率对降水预报效果的影响[J]. 气象科技, 39(5): 529–536. Huang Haibo, Chen Chunyan, Zhu Wenna. 2011. Impacts of different cloud Microphysical processes and horizontal resolutions of WRF model on precipitation forecast effect[J]. Meteorological Science and Technology (in Chinese), 39(5): 529–536. DOI:10.3969/j.issn.1671-6345.2011.05.001
[] Janjić Z I. 1994. The step-mountain eta coordinate model:Further developments of the convection, viscous sublayer, and turbulence closure schemes[J]. Mon. Wea. Rev., 122(5): 927–945. DOI:10.1175/1520-0493(1994)122<0927:TSMECM>2.0.CO;2
[] Janjić Z I. 2000. Comments on "Development and evaluation of a convection scheme for use in climate models"[J]. J. Atmos. Sci., 57(21): 3686. DOI:10.1175/1520-0469(2000)057<3686:CODAEO>2.0.CO;2
[] Jankov I, Gallus Jr W A, Segal M, et al. 2005. The impact of different WRF model physical parameterizations and their interactions on warm season MCS rainfall[J]. Wea. Forecasting, 20(6): 1048–1060. DOI:10.1175/WAF888.1
[] Kain J S, Fritsch J M. 1990. A one-dimensional entraining/detraining plume model and its application in convective parameterization[J]. J. Atmos. Sci., 47(23): 2784–2802. DOI:10.1175/1520-0469(1990)047<2784:AODEPM>2.0.CO;2
[] Kain J S, Fritsch J M. 1993. Convective parameterization for mesoscale models: The Kain-Fritsch scheme[C]//The Representation of Cumulus Convection in Numerical Models. Boston, MA: American Meteorological Society, 24: 165-170, doi: 10.1007/978-1-935704-13-3_16.
[] Kunkel K E, Andsager K, Liang X Z, et al. 2002. Observations and regional climate model simulations of heavy precipitation events and seasonal anomalies:A comparison[J]. Journal of Hydrometeorology, 3(3): 322–334. DOI:10.1175/1525-7541(2002)003<0322:OARCMS>2.0.CO;2
[] Kuo H L. 1965. On formation and intensification of tropical cyclones through latent heat release by cumulus convection[J]. J. Atmos. Sci., 22(2): 40–63. DOI:10.1175/1520-0469(1965)022<0040:OFAIOT>2.0.CO;2
[] Leung L R, Kuo Y H, Tribbia J. 2006. Research needs and directions of regional climate modeling using WRF and CCSM[J]. Bull. Amer. Meteor. Soc., 87(12): 1747–1752. DOI:10.1175/BAMS-87-12-1747
[] 李响. 2012. WRF模式中积云对流参数化方案对西北太平洋台风路径与强度模拟的影响[J]. 中国科学:地球科学, 42(12): 1966–1978.
[] Li Xiang. 2013. Sensitivity of WRF simulated typhoon track and intensity over the Northwest Pacific Ocean to cumulus schemes[J]. Science China:Earth Sciences, 56(2): 270–281. DOI:10.1007/s11430-012-4486-0
[] 廖镜彪, 王雪梅, 夏北成, 等. 2012. WRF模式中微物理和积云参数化方案的对比试验[J]. 热带气象学报, 28(4): 461–470. Liao Jingbiao, Wang Xuemei, Xia Beicheng, et al. 2012. The effects of different physics and cumulus parameterization schemes in WRF on heavy rainfall simulation in PRD[J]. Journal of Tropical Meteorology (in Chinese), 28(4): 461–470. DOI:10.3969/j.issn.1004-4965.2012.04.004
[] 刘晓东, 江志红, 罗树如, 等. 2005. RegCM3模式对中国东部夏季降水的模拟试验[J]. 南京气象学院学报, 28(3): 351–359. Liu Xiaodong, Jiang Zhihong, Luo Shuru, et al. 2005. A simulation of summer precipitation over Eastern China with RegCM3[J]. Journal of Nanjing Institute of Meteorology (in Chinese), 28(3): 351–359. DOI:10.3969/j.issn.1674-7097.2005.03.010
[] 刘洋, 李诚志, 刘志辉, 等. 2016. 基于WRF模式的新疆巴音布鲁克盆地强降雨天气数值模拟效果分析[J]. 干旱区研究, 33(1): 28–37. Liu Yang, Li Chengzhi, Liu Zhihui, et al. 2016. Analysis on the numerical simulation of heavy rainfall based on WRF model in Bayanbuluk basin[J]. Arid Zone Research (in Chinese), 33(1): 28–37. DOI:10.13866/j.azr.2016.01.03
[] 刘芸芸, 张雪芹, 孙杨. 2011. 全球变暖背景下西北干旱区雨季的降水时空变化特征[J]. 气候变化研究进展, 7(2): 97–103. Liu Yunyun, Zhang Xueqin, Sun Yang. 2011. Spatiotemporal variations of rainy season precipitation in northwest China arid region under global warming[J]. Advances in Climate Change Research (in Chinese), 7(2): 97–103. DOI:10.3969/j.issn.1673-1719.2011.02.004
[] 吕光辉, 于恩涛, 向伟玲, 等. 2009. WRF模式分辨率对新疆异常降雨天气要素模拟的影响[J]. 气候与环境研究, 14(1): 85–96. Lü Guanghui, Yu Entao, Xiang Weiling, et al. 2009. Effect of horizontal and vertical resolution on WRF simulation of the unusual rainfall event in Xinjiang[J]. Climate and Environmental Research (in Chinese), 14(1): 85–96. DOI:10.3878/j.issn.1006-9585.2009.01.10
[] 马严枝, 陆昌根, 高守亭. 2012. 8·19华北暴雨模拟中微物理方案的对比试验[J]. 大气科学, 36(4): 836–850. Ma Yanzhi, Lu Changgen, Gao Shouting. 2012. The effects of different microphysical schemes in WRF on a heavy rainfall in North China during 18-19 August 2010[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36(4): 836–850. DOI:10.3878/j.issn.1006-9895.2011.11159
[] Manabe S, Smagorinsky J, Strickler R F. 1965. Simulated climatology of a general circulation model with a hydrologic cycle[J]. Mon. Wea. Rev., 93(12): 769–798. DOI:10.1175/1520-0493(1965)093<0769:SCOAGC>2.3.CO;2
[] New M, Hulme M, Jones P. 2000. Representing twentieth-century space-time climate variability. Part Ⅱ:Development of 1901-96 monthly grids of terrestrial surface climate[J]. J. Climate, 13(13): 2217–2238. DOI:10.1175/1520-0442(2000)013<2217:RTCSTC>2.0.CO;2
[] Pennelly C, Reuter G, Flesch T. 2014. Verification of the WRF model for simulating heavy precipitation in Alberta[J]. Atmospheric Research, 135. DOI:10.1016/j.atmosres.2013.09.004
[] 史玉光, 孙照渤, 杨青. 2008. 新疆区域面雨量分布特征及其变化规律[J]. 应用气象学报, 19(3): 326–332. Shi Yuguang, Sun Zhaobo, Yang Qing. 2008. Characteristics of area precipitation in Xinjiang region with its variations[J]. Journal of Applied Meteorology Science (in Chinese), 19(3): 326–332. DOI:10.3969/j.issn.1001-7313.2008.03.008
[] Tiedtke M. 1989. A comprehensive mass flux scheme for cumulus parameterization in large-scale models[J]. Mon. Wea. Rev., 117(8): 1779–1800. DOI:10.1175/1520-0493(1989)117<1779:ACMFSF>2.0.CO;2
[] 伍华平, 束炯, 顾莹, 等. 2009. 暴雨模拟中积云对流参数化方案的对比试验[J]. 热带气象学报, 25(2): 175–180. Wu Huaping, Shu Jiong, Gu Ying, et al. 2009. The effects of different cumulus parameterization schemes in WRF on heavy rainfall in Hunan Province[J]. Journal of Tropical Meteorology (in Chinese), 25(2): 175–180. DOI:10.3969/j.issn.1004-4965.2009.02.007
[] 王子谦, 段安民, 吴国雄. 2014. 边界层参数化方案及海气耦合对WRF模拟东亚夏季风的影响[J]. 中国科学:地球科学, 57(7): 1480–1493. Wang Ziqian, Duan Anmin, Wu Guoxiong. 2014. Impacts of boundary layer parameterization schemes and air-sea coupling on WRF simulation of the East Asian summer monsoon[J]. Science China:Earth Sciences (in Chinese), 57(7): 1480–1493. DOI:10.1007/s11430-013-4801-4
[] 肖开提·多莱特. 2005. 新疆降水量级标准的划分[J]. 新疆气象, 28(3): 7–8. Xiaokaiti·Duolaite. 2005. Formulation of precipitation intensity standard of Xinjiang[J]. Bimonthly of Xinjiang Meteorology (in Chinese), 28(3): 7–8. DOI:10.3969/j.issn.1002-0799.2005.03.003
[] 熊喆. 2014. 不同积云对流参数化方案对黑河流域降水模拟的影响[J]. 地球科学进展, 29(5): 590–597. Xiong Zhe. 2014. Impact of different convective parameterization on simulation of precipitation for the Heihe River basin[J]. Advances in Earth Science (in Chinese), 29(5): 590–597. DOI:10.11867/j.issn.1001-8166.2014.05.0590
[] 闫之辉, 邓莲堂. 2007. WRF模式中的微物理过程及其预报对比试验[J]. 沙漠与绿洲气象, 1(6): 1–6. Yan Zhihui, Deng Liantang. 2007. Description of microphysical processes in WRF model and its prediction experiment[J]. Desert and Oasis Meteorology (in Chinese), 1(6): 1–6. DOI:10.3969/j.issn.1002-0799.2007.06.001