1 引言
由于山区地形复杂、 环流局地性强， 且气象观测数据较少， 其风场监测和预报成为国际难题。开展复杂地形下局地环流研究在冬奥会气象服务、 山区森林火灾， 以及风能资源评估等领域都有迫切需求。很多学者利用外场观测试验来研究山区局地环流问题（林之光和李映江， 1985； 覃军等， 2001； 周立波等， 2007； 贾春晖等， 2019）， 但观测资料的获取存在一定的困难和局限性。随着计算水平的不断提高， 越来越多学者使用中尺度数值模式（如MM5、 RAMS和WRF等）开展复杂地形的局地风场研究（Noppel and Fiedle， 2002； Jiménez et al， 2010； 王颖等， 2010； 程雪玲等， 2015； 周荣卫和何晓凤， 2018； 李洪兵等， 2021）。然而在地形、 下垫面等具有高度非均匀性的山区， 低层风场具有更强的瞬变性、 波动性和间歇性（张飞民， 2014）， 利用数值模式开展复杂地形下边界层风场研究需要更小的网格距， 但大多数中尺度模式的大气边界层参数化方案都是建立在粗分辨率网格基础上， 其一般采用雷诺平均方式处理Navier-Stokes方程的闭合问题， 较少考虑水平湍流交换， 更适合平坦地形， 无法捕捉微小尺度的湍流运动（余梁， 2015； Goger et al， 2018）。
大涡模拟（Large-Eddy Simulation， LES）根据大部分能量由大尺度湍涡传输而小尺度湍涡通过能量串级耗散能量的特征， 使用空间滤波函数将可分辨的大尺度含能涡旋和小尺度涡旋分离， 显示地计算较大尺度的含能涡旋， 通过参数化的方法表征不可分辨小尺度湍流对可分辨率运动的作用（Chow et al， 2013； 刘郁珏等， 2018）。Deardorff（1972）首次将LES应用于大气边界层的模拟， 随后， Deardorff（1980）和Moeng（1984）先后建立了具有不同动力框架的 LES 模式。不同于传统边界层参数化方案， LES可分辨大部分的能量湍涡， 将中尺度模式与LES耦合可作为一种将大尺度过渡到小尺度的有效方式（张嘉荣和程雪玲， 2020）。
受计算条件限制， LES多用于理想条件下开展试验（Moeng and Sullivan， 1994； Chow et al， 2006； Kang and Lenschow， 2014； 姜平等， 2019）。近年来随着计算水平不断提高， 越来越多学者将LES应用于真实天气个例的模拟（Talbot et al， 2013； 孙学金等， 2017； Crosman and Horel， 2017； 左全和张庆红， 2016； 刘郁珏等， 2018； 李雪洮等， 2020）。随着网格分辨率的提高， 使用LES开展真实个例模拟需要与之相匹配的精细陆面资料， 如地形、 土地利用、 土壤类型、 土壤温湿度初始场等（Megan， 2010； 孙学金等， 2017）。WRF作为广泛应用的新一代中尺度天气模式， 具备开展LES所需的动力框架及物理方案。WRF-LES被广泛地应用到很多领域， 如风能预报（Liu et al， 2011）， 水文气象和降水预报（Gerber et al， 2018）， 湍流特征研究（Goger et al， 2018）， 以及局地环流模拟等（Crosman and Horel， 2017）。还有一些学者针对地形分辨率、 相关参数和次网格方案等开展了敏感性试验评估LES的适用性（孙学金等， 2017； Liu et al， 2020）。目前采用WRF-LES针对复杂地形下局地风场的模拟能力评估研究还较少（刘郁珏等， 2018）， 需要更多试验对WRF-LES在复杂地形下的模拟性能进行系统评估。
本文采用四重嵌套的WRF-LES， 内层分辨率设为100 m， 针对2022年北京冬奥会崇礼赛区开展风场模拟试验， 该区域属阴山山脉和燕山交界处， 海拔在1000~2200 m， 且依托“科技冬奥”项目建设了多套自动气象观测站和激光雷达观测设备。本文选取了一次具有明显局地风环流特征的晴空高压系统控制下天气个例进行模拟试验， 用以评估WRF-LES对复杂地形下局地风环流的模拟能力。为了提高模拟结果的准确性， 本研究引入了STRM1 30 m地形数据、 基于二级分类的27 m土地利用数据和中国气象局提供的CLDAS 土壤湿度数据， 并设计了敏感性试验探讨不同资料对模拟结果的影响。此外， 在短波辐射过程中还考虑了地形坡度和阴影效应对模拟结果的影响。
2 资料来源和方法介绍
2.1 模式配置及模拟时段
本试验基于WRF（3.8.1版本）模式， 采用四重嵌套（图1 ）， d04区域分辨率为100 m， 设有370×370个格点， 尽可能地包含更多观测站点。各层网格设置见表1 。投影方式设为lambert， 采用地形追随坐标系， 外层模拟区域的中心点位于（40.6°N， 113°E）， 模式垂直方向采用下密上疏的方式共设52层， 距地1 km高度内共设有18层， 第一层格点距地面高度约为15 m。模拟区域见图1 ， 最内层的d04区域为本文研究的核心区域［图2 （a）， （b）］。模拟过程中采用的物理参数化方案包括： Rapid Radiative Transfer Model长波和短波辐射方案（RRTMG）（Iacono et al， 2008）、 New Thompson微物理方案（Thompson et al， 2008）、 修订的MM5近地层方案以及Noah陆面过程模式（Chen and Dudhia， 2001）。
表 1 模式网格设置Table 1 Grid settings for all domains |
| 区域 | 类型 | 水平分辨率 | 格点数 | 积分步长 |
|---|---|---|---|---|
| d01 | 中尺度 | 7500 m | 361×301×52 | 25 s |
| d02 | 中尺度 | 1500 m | 301×301×52 | 5 s |
| d03 | 小尺度 | 300 m | 301×301×52 | 1 s |
| d04 | 小尺度 | 100 m | 370×370×52 | 1/5 s |
对于边界层物理方法的选择， 当模式网格距远大于含能湍涡的长度尺度时， 所有湍流均为次网格过程， 需要通过参数化方法来模拟湍流输送过程； 当模式网格距远小于含能湍涡长度尺度时， 模式可以直接解析含能湍涡， 此时可使用大涡模式（LES）进行湍流模拟（Zhou， 2014）。前者水平网格距通常在4 km以上， 后者水平网格距通常要求小于100 m， 以确保分辨率落在惯性子区。当模式网格距与含能湍涡的长度尺度相当时， 部分湍流可被模式直接解析， 另一部分仍需参数化描述， 便出现了湍流参数化的“灰色区域”问题（Zhang et al， 2018）。本次模拟d01区域网格距为7500 m， 使用一阶闭合非局地YSU湍流参数化方案（Noh et al， 2003）； d04网格距为100 m， 开通大涡模拟， 使用TKE次网格闭合方案。d02和d03网格距分别为1500 m和300 m， 位于湍流参数化的“灰色区域”， d02将使用与d01相同的湍流参数化方案（YSU）， d03将使用与d04相同的大涡模拟方案。
初始和边界场使用欧洲中期天气预报中心提供的新一代ERA5再分析资料， 可作为真实的大气环流驱动场， 时间间隔为1 h， 空间分辨率为0.25°×0.25°。模拟时段为2019年3月7日08:00（北京时， 下同）至8日20:00， 此时段内崇礼区域主要受高压系统控制， 天气晴朗， 风速相对较小， 环流局地性强， 可用于评估WRF-LES 对局地小尺度环流的模拟能力。d04区域每5 min输出一次模拟结果。
2.2 研究区域观测资料介绍
基于冬奥会服务需求， 河北省气象局先后在崇礼区域布设了多套自动气象观测站， 并开展三维立体气象观测试验。本文将用到的自动气象观测站共30套（表2 ）， 其中54304、 B3017、 B3018、 B3019、 CS207和CS217站地面风的测量使用标准10 m风向杆， 其他站分别为3 m、 3.5 m或6 m风向杆， 部分站建于房顶， 在对比检验中会存在一定系统误差。崇礼站（54304）和飞鸟假日站（CS203）的激光雷达观测数据将用于风廓线检验。自动气象观测站和激光雷达的位置分布及海拔见表2 、 3 和图2 （b）， 表2 中的自动气象观测站按海拔从高到低排序， 各站序号（1~30）分别在图2 （b）中标示。海拔相对较高的观测站主要分布在云顶区域， 这些观测站的风场受地形影响相对较小， 可一定程度上代表系统风。其他大部分观测站受地形影响较大， 在晴空高压系统控制下风场的局地特征也相对明显。
表2 自动气象观测站信息Table 2 Information of automatic weather stations |
| 序号 | 站名 | 站号 | 海拔/m | 序号 | 站名 | 站号 | 海拔/m |
|---|---|---|---|---|---|---|---|
| 1 | 松林背 | CS214 | 2121.0 | 16 | 云顶10号 | B2239 | 1898.5 |
| 2 | 云顶山顶 | B3017 | 2098.0 | 17 | 云顶山腰 | B3018 | 1825.0 |
| 3 | 云顶3号 | B1628 | 2075.8 | 18 | 跳台山顶 | B3157 | 1794.4 |
| 4 | 小北沟 | CS212 | 2068.0 | 19 | 跳台M | B3216 | 1768.2 |
| 5 | 松林背南 | CS215 | 2036.0 | 20 | 跳台L | B3215 | 1758.7 |
| 6 | 云顶7号 | B2236 | 2031.5 | 21 | 云顶山底 | B3019 | 1733.0 |
| 7 | 云顶4号 | B1629 | 2012.1 | 22 | 跳台起点 | B3158 | 1729.2 |
| 8 | 东红花 | CS208 | 1999.0 | 23 | 冬两5号 | B1647 | 1671.6 |
| 9 | 云顶8号 | B2237 | 1997.5 | 24 | 冬两4号 | B1646 | 1670.3 |
| 10 | 西红花 | CS213 | 1972.0 | 25 | 飞鸟假日 | CS203 | 1440.0 |
| 11 | 长城岭 | B2231 | 1962.0 | 26 | 白旗站 | B3189 | 1360.0 |
| 12 | 云顶5号 | B1630 | 1949.9 | 27 | 红旗营海流图 | B3200 | 1327.0 |
| 13 | 云顶9号 | B2238 | 1940.6 | 28 | 塔香雪 | CS207 | 1268.0 |
| 14 | 云顶1号 | B1620 | 1923.4 | 29 | 崇礼国家站 | 54304 | 1239.8 |
| 15 | 小天路 | CS217 | 1899.0 | 30 | 红旗营西 | B3139 | 1227.0 |
表3 激光雷达站信息Table 3 Information of lidar stations |
| 站名 | 站号 | 海拔/m |
|---|---|---|
| 崇礼站 | 54304 | 1239.8 |
| 飞鸟假日站 | CS203 | 1440 |
2.3 陆面输入资料
本次模拟试验分辨率可达100 m， WPS静态数据库中原始地形和土地利用数据（约1 km）已不能满足模拟需求， 本研究将采用清华大学宫鹏团队制作的基于二级分类的土地利用数据集glc2015（http： //data.ess.tsinghua.edu.cn/fromglc2015_v1.html）， 分辨率约27 m， 将其基于静态数据集的MODIS 20类分类标准进行重新分类。此外， 还引入了STRM1（Shuttle Radar Topography Mission， 30 m）地形数据。分别将上述土地利用数据和地形数据接入到WPS的静态数据集中。图2 给出了d04区域原始和更新后的地形和土地利用分布图， 可以看出更新后的地形和土地利用分布可反映出更精细的地表信息。
研究表明， 土壤水含量对土壤物理性质起着关键作用， 土壤湿度的空间和时间分布对下边界与大气之间的热量和水汽交换有重要作用（Banta and Gannon， 1995； Patton et al， 2005）， 其初始值的准确性对低层风场的影响较大（Chow et al， 2006； Megan， 2010）。本次研究使用的Noah陆面模式中土壤湿度和土壤温度垂直分为四层， 分别为0~10 cm、 10~40 cm、 40~100 cm、 100~200 cm。本文将使用中国气象局陆面数据同化系统（CLDAS-V2.0）近实时产品数据集中的上述四层土壤湿度代替原土壤湿度初始值进行试验， CLDAS产品分辨率为0.0625°×0.0625°。对比更新前后的各层土壤湿度可以发现， 与CLDAS相比ERA5提供的土壤水含量不仅分辨率较低， 且河北北部大部分地区明显偏大。图3 为d04区域更新前后0~10 cm和10~40 cm土壤水含量之差， 可以看出更新后土壤水含量可减少0.1~0.2 m3·m-3。
2.4 试验方案
为比较不同分辨率的地形和土地利用数据、 CLDAS土壤湿度数据及地形坡度和阴影对模拟结果的影响， 设计了五组对比试验。控制试验CTL采用更新后的地形和土地利用数据、 考虑地形坡度和阴影对辐射影响、 并使用CLDAS土壤湿度数据进行初始场替换。地形敏感性试验TOPO_30s使用原始30 s地形数据， 土地利用敏感性试验LU_30s使用原始30 s土地利用数据， 土壤湿度试验ERA5_sm仍使用ERA5提供的土壤湿度数据作为初始场， 无地形坡度和阴影影响试验NO_shd关闭地形坡度和阴影相关设置， 各组试验方案见表4 。
表4 5组试验方案Table 4 Description of the five simulation experiments |
| 试验名称 | 地形分辨率（d03、 d04） | 土地利用分辨率（d03、 d04） | 初始土壤湿度（d01~d04） | 地形坡度和阴影（d02~d04） |
|---|---|---|---|---|
| CTL | STRM1： 1 s | GLC2015： 0.9 s | CLDAS | slope_rad=1； topo_shading=1 |
| TOPO_30s | gtopo2010： 30 s | GLC2015： 0.9 s | CLDAS | slope_rad=1； topo_shading=1 |
| LU_30s | STRM1： 1 s | MODIS： 30 s | CLDAS | slope_rad=1； topo_shading=1 |
| ERA5_sm | STRM1： 1 s | GLC2015： 0.9 s | ERA5 | slope_rad=1； topo_shading=1 |
| NO_shd | STRM1： 1 s | GLC2015： 0.9 s | CLDAS | slope_rad=0； topo_shading=0 |
3 结果分析
3.1 模拟结果检验评估
3.1.1 低层环流和单站风模拟结果评估
图4 d04区域CTL试验模拟的10 m风场叠加观测（矢量， 单位： m·s-1）和地形分布（阴影区， 单位： m）蓝色矢量为模拟结果， 红色矢量为观测值 Fig.4 The 10-meter wind field （vector， unit： m·s-1） with terrain map （the shaded， unit： m） at 16:00 on 7 （a） and at 04:00 on 8 （b） March 2019. The blue vector denotes CTL simulation， red vector is observation |
在西侧的三条山沟中布设有6个地面观测站（25~30号站）， 就本次研究时段来看， 模拟和观测都呈现出明显的日变化特征， 且变化趋势一致。白天时段风基本沿着山沟方向从海拔较低地区吹向海拔较高地区， 夜间则相反。在山沟向两侧较高海拔地区的坡面上， 风向也存在明显的日变化特征， 白天存在风从山谷吹向两侧山坡的分量， 夜间相反， 此外， 东侧海拔较低区域， 白天为明显的上坡风（偏东风）与西侧来的空气交汇， 夜间风速明显减小且伴随着复杂的风向转变， 模式能够较好地模拟出这些局地环流变化特征。
从局地风的转换时段来看（图略）， 傍晚时段观测的风向转变主要发生在18:00—20:00， 而模拟的风向转变则滞后1~2 h， 上午时段模拟结果和实际观测的风向转变基本都在08:00 -10:00。在海拔相对较高的云顶区域， 模拟结果和实际观测的风速都有一定日变化特征， 风向受系统风影响更大。可以看出， WRF-LES模式能够呈现出晴空弱系统复杂地形下局地风场的变化特征， 可作为研究山地小尺度环流的有效手段（图略）。
从单站风向风速的模拟结果与观测对比来看（图5 ， 图6 ）， 模式可以很好地再现各站风向和风速日变化特征。对于海拔较高的云顶山顶站（B3017）和CS217站， 其风向主要受系统风影响， 以偏西风或西南风为主， 风速在下午和夜间时段出现峰值。位于云顶山底南北向山沟中的B3019站， 受地形动力作用， 7日08:00至8日08:00模拟和观测的风向均为偏北风， 8日08:00以后受系统风影响都转为偏南风。位于云顶山腰的B3018站， 受地形动力和热力共同影响， 前期风向以西北风或偏西风为主， 后期转为偏东风或偏南风。位于西侧第二条山沟中的CS207和54304站， 日变化特征明显， 白天风向以西南风为主（上坡风）， 夜间风向以东北风为主（下坡风）， 54304站白天风速大， 午后出现峰值， 夜间风速变小。这些变化特征的模拟结果与观测数据都有很好的一致性。
图5 2019年3月7日08:00至8日20:00各代表站观测（实线）和模拟（虚线）的10 m风向变化特征按各站海拔由高到低排序 Fig.5 10-meter wind direction of observations （solid lines） and CTL simulation （dotted lines） from 08:00 on 7 to 20:00 on 8 March 2019. The stations are resorted based on the elevation from high to low |
各站风向平均绝对误差在10°~60°， 平均误差41.2°。各站风速绝对误差在2 m·s-1以下， 平均为1.39 m·s-1。从风向误差日变化［图7 ， 其中高海拔站包括海拔在1900 m以上的站（序号1~9）， 低海拔站包括海拔在1800 m以下的站（序号18~30）］可以看出， 海拔较低站点风向的误差明显大于海拔较高站点风向的误差， 海拔较高站点风向的误差主要为系统风向误差， 无明显日变化特征。海拔较低站在山谷风或上下坡风发展较为稳定时段风向误差较小， 风向转换时段误差较大， 误差谷值在12:00 -16:00和02:00 -04:00， 峰值在18:00 -20:00和08:00 -10:00。风速误差（图略）与海拔无明显关系， 大部分时段风速的模拟结果较实况都偏大， 夜间更为明显， 峰值在02:00 -06:00。
3.1.2 风廓线模拟结果评估
3.2 不同试验模拟结果对比
从不同试验的平均误差情况来看（表5 ）， 更新地形、 土地利用以及土壤湿度初始场后模拟结果都有一定程度改善。更新土壤湿度初始场后风向和2 m气温误差的改善效果最为明显（CTL与ERA5_sm试验比较）， 其中风向绝对误差减小4.26°， 2 m气温绝对误差减小0.84 ℃， 风速也有一定程度改善。通过图9 （a）可以看出， 更新土壤湿度初始场后全天大部分时段风向误差都有所减小， 尤其是在7日14:00 -16:00、 02:00 -06:00以及8日08:00 -12:00。EAR5_sm试验模拟的2 m气温10:00 -17:00时段较实况偏低2~5 ℃， 22:00 -06:00较实况偏高3~5 ℃［图9 （c）］， 更新土壤湿度初始场后（CTL试验）对应时段误差可减小1~3 ℃。ERA5_sm试验模拟的10:00 -16:00风速较实况明显偏小， 更新土壤湿度初始场后此时段风速增大， 误差变小［图9 （b）］。
表5 不同试验模拟的10 m风向、 风速和2 m气温平均误差Table 5 Mean errors of 30 stations for 10m wind direction， 10-meter wind speed and 2-meter temperature， for different test |
| 物理量 | 误差指标 | CTL | TOPO_30s | LU_30s | ERA5_sm | NO_shd |
|---|---|---|---|---|---|---|
| 10 m风向/（°） | 平均绝对误差 | 41.42 | 43.7 | 41.75 | 45.68 | 42.55 |
| 平均均方根误差 | 55.06 | 56.08 | 55.68 | 59.55 | 56.3 | |
| 10 m风速/（m·s-1） | 平均绝对误差 | 1.39 | 1.51 | 1.71 | 1.48 | 1.41 |
| 平均均方根误差 | 1.72 | 1.84 | 2.09 | 1.81 | 1.75 | |
| 2 m 温度/°C | 平均绝对误差 | 2.78 | 2.63 | 2.93 | 3.62 | 2.76 |
| 平均均方根误差 | 3.32 | 3.08 | 3.42 | 4.23 | 3.3 |
更新土地利用对风速的改善效果最为明显（CTL与LU_30s试验比较）， 绝对误差减小0.32 m·s-1， 对风向和2 m气温也有一定改善， 绝对误差分别减小为0.33°和0.15 ℃。从图9 （b）可以看出， 更新土地利用后大部分时段的风速较更新前都有所减小， 误差变小。另外， 更新土地利用后白天时段2 m气温的模拟效果也有所改善。
更新地形后风向和风速模拟效果都有所改善（CTL与TOPO_30s试验比较）， 绝对误差分别减小2.28°和0.12 m·s-1， 但2 m气温的绝对误差相比更新前增加0.15 ℃。另外， 开通地形坡度和阴影对辐射的影响后（CTL与NO_shd试验比较）， 风向和风速的误差也分别减小1.13°和0.02 m·s-1。
3.3 CLDAS土壤湿度的作用
通过不同试验模拟结果的对比分析（表5 ）可以看出， 模拟结果对土壤湿度的敏感性较高。土壤湿度通过改变垂直热量输送来影响近地面层的能量收支， 从而使得边界层风场发生改变。前面通过对两种初始时刻土壤湿度的比较（图3 ）， 发现研究区域内CLDAS土壤湿度较ERA5的土壤湿度明显偏小， 较小的土壤湿度会使土壤具有低传导率或低热容量， 这就意味着使用CLDAS土壤湿度数据后， 地表温度在白天的升温和夜间的降温幅度都会增大［图10 （a）， （b）］， 且幅度变化值的大小与地形分布相关， 山谷和山沟的白天增温幅度和夜间降温幅度最高达6~8 ℃。在部分山顶区域地表温度白天略有下降， 夜间略有升高， 这可能是由热量水平交换引起的。从图11 （a）可以看出， 使用CLDAS土壤湿度数据后， 较强幅度的白天增温垂直高度可延伸到700~900 m， 时间可从10:00持续到23:00。而较强幅度的夜间降温垂直高度位于200 m以下， 持续时间为02:00 -09:00。
图10 d04 区域CTL和ERA5_sm试验模拟的地表温度差（a， b， 单位： ℃）和10 m风速差（c， 单位： m·s-1）水平分布Fig.10 Surface skin temperature differences （a， b， unit： ℃） and 10-meter wind speed difference （c， unit： m·s-1） between CTL and ERA5_sm test |
另外， 使用CLDAS土壤湿度数据后， 白天除山顶区域， 其他大部分地区低层风速都有所增大［图10 （c）］， 尤其在山沟和山谷中风速增大更明显， 可增大1~2 m·s-1。夜间山顶区域附近风速增加， 而山沟、 山谷和山坡区域的风速差没有明显分布特征（图略）。白天大部分时段风速在距离地面600~900 m以下的低层明显增大［图11 （b）］， 相应地中层风速减小， 这可能是由于白天低层增温使边界层的湍流混合更强。
4 结论
采用四重嵌套的WRF-LES， 开展张家口崇礼复杂地形下高分辨率风场模拟试验， 并且基于地面自动气象站和激光雷达观测资料， 针对一次晴空高压系统控制下的具有明显局地风环流特征的天气个例模拟结果进行检验评估。试验中引入了STRM1 30 m地形数据、 glc2015 27 m土地利用数据和CLDAS土壤湿度数据用以提高模拟结果准确性， 并设计了5组对比试验， 探究不同分辨率的地形和土地利用数据、 CLDAS土壤湿度初始场及地形坡度和阴影对模拟结果的影响。主要结论如下：
（1） 模拟的风向和风速空间分布和时间变化特征与观测一致性较好， 在山谷和山沟区域， 模拟和观测风场都呈现出明显的日变化特征， 在海拔较高区域， 风场受系统风影响更大。海拔较高站点风向的误差比海拔相对较低站点风向的误差小。海拔较低站点在山谷风或上下坡风发展稳定时段风向误差较小， 风向转换时段误差较大。各站风向绝对误差在10°~60°， 风速绝对误差在0.5~2 m·s-1。可以看出， WRF-LES模式能够呈现出复杂地形下局地风场的变化特征， 可作为研究山地环流的有效手段。
（2） 更新地形、 土地利用及CLDAS土壤湿度初始场对模拟结果都有一定程度改善。其中使用CLDAS土壤湿度作为初始场后风向和2 m气温的改善效果最为明显， 风向绝对误差减小4.26°， 2 m气温绝对误差减小0.84 ℃。更新土地利用对风速的改善效果最为明显， 绝对误差减小0.32 m·s-1。使用STRM1地形数据， 以及考虑地形坡度和阴影对短波辐射的影响后风向和风速的模拟效果都有不同程度改善。
（3） CLDAS土壤湿度较ERA5的土壤湿度明显偏小， 较小的土壤湿度会使土壤具有低传导率或低热容量， 这种状态会导致地表温度在白天的升温幅度和夜间的降温幅度都增大， 较强幅度的白天增温垂直高度可延伸至700~900 m， 较强幅度的夜间降温垂直高度位于200 m以下， 与此同时， 较小的土壤湿度也会使白天600~900 m以下的低层风速增大， 这些特征在山谷和山沟中更为明显。
目前CLDAS提供的土壤湿度分辨率约6 km， 对于百米级的复杂地形下风场模拟还远不够， 在以后的工作中需要通过其他手段（如高分辨率陆面模式或水文模式）得到更为精细的土壤湿度来进一步改善模拟结果。另外， 由于计算资源限制， 本研究只选取了一次天气个例， 未来需要对不同天气形势下的个例进行模拟评估。