高原气象

高原气象 >

2024 , Vol. 43 >Issue 6: 1416 - 1432

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00045

WRF-Lake模式不同参数化方案对纳木错湖区夏季大气边界层模拟的影响

  • 王梓奕 ,
  • 杨显玉 ,
  • 吕雅琼 ,
  • 孟宪红 ,
  • 王黎欢
展开
  • 1. 成都信息工程大学 大气科学学院/高原大气与环境四川省重点实验室，四川 成都 610225
    2. 中国科学院、 水利部成都山地灾害与环境研究所，四川 成都 610299
    3. 中国科学院西北生态环境资源研究院 中国科学院寒旱区陆面过程与气候变化重点实验室，甘肃 兰州 730000
    4. 中国科学院大学，北京 100049

王梓奕（1999 -）， 女， 四川成都人， 硕士研究生， 主要从事陆气相互作用研究. E-mail：

收稿日期: 2023-09-25

  修回日期: 2024-03-27

  网络出版日期: 2024-03-27

基金资助

国家自然科学基金项目(41975130); 成都信息工程大学教师科技创新能力提升计划项目(KYQN202239); 中国科学院、 水利部成都山地灾害与环境研究所科研项目(IMHE-ZDRW-06)

收起

Influence of WRF-Lake Model on Summer Atmospheric Boundary Layer Simulation in Nam Co Lake Area under Different Subgrid Parameterization Schemes

  • Ziyi WANG ,
  • Xianyu YANG ,
  • Yaqiong Lü ,
  • Xianhong MENG ,
  • Lihuan WANG
Expand
  • 1. College of Atmospheric Sciences，Chengdu University of Information Technology / Sichuan Key Laboratory of Plateau Atmosphere and Environment，Chengdu 610225，Sichuan，China
    2. Institute of Mountain Hazards and Environment，Chinese Academy of Sciences，Chengdu 610299，Sichuan，China
    3. Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions，Northwest Institute of Eco- Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
    4. University of Chinese Academy of Sciences，Beijing 100049，China

Received date: 2023-09-25

  Revised date: 2024-03-27

  Online published: 2024-03-27

Fold

摘要

采用改进湖泊动力参数模块的WRF-Lake模式（WRF4.4.1）， 选取6种微物理方案、 5种积云对流方案、 2种边界层方案， 共60种参数化方案组合对纳木错湖区2008年7月5 -13日天气进行模拟， 通过敏感性试验对比分析不同参数化方案组合对大气边界层内变量的模拟效果， 利用“排名方法”对不同参数化方案在纳木错湖区夏季大气边界层的模拟能力进行综合评估。结果表明， 模式能较好捕捉纳木错夏季平均2 m温度的总体时空分布特征， 但湖上2 m温度模拟值偏高； 受积云对流参数化方案和模式性能影响， 各试验组对降水的模拟效果差异化显著并对日降水量存在不同程度的高估； 模式对纳木错测站潜热通量日平均变化模拟性能最好， 感热和风向较好， 风速最差。整体而言， 综合分析各试验组对纳木错湖夏季大气边界层的模拟能力发现， 方案58（SBU-Tiedtke-MYNN3）对纳木错湖夏季2 m温度、 日降水量、 10 m风场及地表热通量的模拟效果最好。2 m温度RMSE值为2.38 ℃， 日降水量RMSE值为10.48 mm， 10 m风速日平均变化的相关系数为-0.41， 标准差之比为0.94， 10 m风向日平均变化的相关系数为0.59， 标准差之比为0.73， 感热通量日平均变化的相关系数为0.94， 标准差之比为1.89， 潜热通量日平均变化的相关系数为0.89， 标准差之比为0.91。因此， 建议使用以上次网格参数化方案进行纳木错湖区夏季大气边界层模拟。

关键词： 纳木错湖; WRF-Lake; 参数化方案; 边界层

本文引用格式

王梓奕 , 杨显玉 , 吕雅琼 , 孟宪红 , 王黎欢 . WRF-Lake模式不同参数化方案对纳木错湖区夏季大气边界层模拟的影响[J]. 高原气象, 2024 , 43(6) : 1416 -1432 . DOI: 10.7522/j.issn.1000-0534.2024.00045

Abstract

In this study， the improvements of lake dynamic module parameters in the literature were added to WRF-Lake （WRF4.4.1） at first， then six microphysical schemes， five cumulus convection schemes and two boundary layer schemes were selected.A total of 60 WRF-Lake simulations with different parameterization schemes were carried out from July 5 to 13， 2008 in the Nam Co Lake area.Sensitivity experiments were conducted to comparatively analyze the effects of different parameterization scheme combinations on atmospheric boundary layer variables.The "ranking method" was employed to comprehensively evaluate the simulation capabilities of different parameterization schemes in the summer atmospheric boundary layer over Nam Co Lake.The results indicated that the model captures the overall spatial and temporal distribution characteristics of the summer average two-meter temperature in Nam Co.However， the simulated values of the two-meter temperature over the lake were higher than the land surface data.Due to the selection of cumulus convection parameterization schemes and the impact of model performance， there was significant differentiation in the simulation effects of precipitation among experimental groups， leading to varying degrees of overestimation of daily precipitation.The daily average variations of latent heat fluxes showed the best correlation with observational values， while sensible heat and wind direction exhibited relatively good performance， and wind speed showed the least satisfactory results.Overall， comprehensive analysis of the simulation capabilities of each experimental group for the summer atmospheric boundary layer over Nam Co Lake revealed that Scheme 58 （SBU-Tiedtke-MYNN3） performed the best in simulations of 2 m temperature， daily precipitation， 10 m wind fields， and surface heat fluxes.The RMSE value for two-meter temperature and daily precipitation was 2.33 °C and 10.48 mm， respectively.The correlation coefficient for the daily average variation of 10 m wind speed was -0.41， and the ratio of standard deviations was 0.94.The correlation coefficient for the daily average variation of 10 m wind direction was 0.59， and the ratio of standard deviations was 0.73.The correlation coefficient for the daily average variation of sensible heat flux was 0.94， and the ratio of standard deviations was 1.89.The correlation coefficient for the daily average variation of latent heat flux was 0.89， and the ratio of standard deviations was 0.91.Therefore， it is recommended to use the aforementioned grid parameterization scheme for simulating the summer atmospheric boundary layer over the region of Lake Nam Co.

Key words： Nam Co Lake; WRF-Lake; parameterization scheme; boundary layer

1 引言

青藏高原——地球“第三极”， 是全球气候变化最敏感的地区之一（Liu and Chen， 2000； Kuang and Jiao， 2016； 鲍艳等， 2023）。作为“亚洲水塔”的青藏高原， 蕴藏着除南北两极之外最大的冰雪资源， 孕育了亚洲众多大河， 也是全国数量最多、 面积最大的湖泊分布区（李治国， 2014）， 湖泊总面积超中国湖泊总面积的二分之一（Wan et al， 2016； Zhang et al， 2019）。湖泊作为青藏高原地区重要的下垫面之一， 维护区域生态系统平衡、 保护生物多样性， 对区域气候也有着不可忽视的影响。湖泊参与局地水分和能量循环， 在敏感响应气候变化的同时（闾利等， 2019； 牛瑞佳等， 2023）， 也影响着大气与地表之间的水热交换过程（杨显玉等， 2022； 杜娟等， 2020）， 对青藏高原天气及气候的形成、 发展具有重要意义。
纳木错地区既包含山脉湖泊， 也涵盖草甸湿地， 是青藏高原最具代表性的下垫面之一。纳木错湖具有完备的观测系统， 全面且长期的观测资料为相关研究提供可靠的科研数据支撑。近年来， 关于纳木错湖地区湖气相互作用（Haginoya et al， 2009； 陈锋等， 2009； 许洁等， 2018； 何友翔和刘娟， 2021）、 湖泊及其变化监测（朱立平等， 2010； 宋春桥等， 2015； 李蒙等， 2017； 德吉央宗等， 2019； 常亚茹等， 2022）、 湖泊数值模拟（吕雅琼等， 2008； Li et al， 2009； Gerken et al， 2014； Dai et al， 2018a； 宋兴宇等， 2020； 杜娟等， 2020）等都进行了大量研究， 是众多科研学者进行高原湖泊研究的热点地区。
区域或全球模式中的湖泊数值模拟经历了从简化到复杂方案的过程。早期研究中， 湖泊被当作一种地表类型， 以水体与陆面不同的反照率、 粗糙度和热容量等变化来模拟湖泊效应， 没有考虑湖泊垂直分层和湖泊动力过程。另外一些大气模式中将湖泊考虑成简单的固定混合层或热穿透模式， 如加拿大区域模式（Canadian regional climate model， CRCM）、 大气环流模式（General Circulation Model， GCM）、 区域大气模拟系统（Regional Atmospheric Modeling System， RAMS）及德国马普研究所地球系统模式大气模式分量（ECHAM）。实际上， 在陆面模式领域， 已经陆续出现了多种一维湖泊模式， 包括基于相似理论的两层模式［例： FLake（Freshwater Lake Model）（Mironov et al， 2010）］、 参数化湍流扩散的热扩散模式［例： Hostetler模式（Hostetler and Bartlein， 1990）］和Minlake（Fang and Stefan， 1996）， 以及更加复杂的湍流模式（例： 基于拉格朗日分层格式的水库动力学模拟模式（Dynamics Reservoir Simulation Model， DYRESM）（Yeates and Imberger， 2003） 、 SIMSTRAT（Goudsmit et al， 2002）及LAKE（Stepanenko and Lykossov， 2005； Stepanenko et al， 2011））。随着这些一维湖泊模式的发展， 许多区域或全球模式开始耦合一维湖泊模式， 使得模式能够更加细致地模拟湖泊的水热传输过程。例如， WRF-Lake模式是将天气研究和预报模式（Weather Research and Forecasting， WRF）与陆面模式（Community Land Model， CLM）相结合， 利用一个一维质量和能量守恒的湖泊方案（将水体分为10层）来动态模拟湖泊过程和湖气相互作用（Subin et al， 2012）， 该模式对青藏高原鄂陵湖和扎陵湖处的地表观测数据表现出良好的刻画能力（Wen et al， 2015）。WRF-FLake模式则是（Gula and Peltier， 2012）将一维的两层湖泊模式FLake（Mironovy， 2008）与WRF耦合， 利用该模式对青海湖天气进行模拟发现， 青海湖对湖面区域年降水量贡献达50%~60%， 并促进了夜雨的生成（苏东生等， 2019）。然而， 不同模式对湖泊过程的刻画存在差异。运用以上两种模式模拟纳木错湖湖冰结冰及融化过程， 发现模式对湖泊冰的处理方式不同， 这影响了两模式对高山湖泊湖冰冻结及融化过程的模拟效果（Zhou et al， 2023）。目前， WRF-Lake和WRF-FLake都被应用于青藏高原湖泊气候效应的研究， 但FLake模式分层简单未考虑处于深湖温跃层和湖底间的致密水底层， 使该模式很难合理模拟深湖的湖底温度， 仅适用于模拟浅湖（深度<50 m）的湖泊垂直温度结构和混合过程（Mironov， 2008； Perroud et al， 2009； Stepanenko et al， 2013）。而WRF-Lake模式对湖泊的层结结构模拟得相对较好， 能良好模拟出不同深度湖温的变化情况（Huang et al， 2019）， 因此本文以WRF-Lake为研究手段。
WRF-Lake模式是研究青藏高原湖泊效应的重要工具之一。利用WRF-Lake模式研究青藏高原湖泊对局地及区域气候的影响发现， 高原湖泊主要起到了冷却地表， 减弱感热， 增强潜热的作用（Zhu et al， 2018）。高原湖泊影响着局地及区域降水、 地表热通量、 蒸散发和大气环流的发生发展（Ling et al， 2024； Li et al， 2016； Wang et al， 2023）。Dai et al（2018a）研究2006年10月纳木错盆地湖泊对降水的影响发现， 湖泊效应使湖区及纳木错以东测站降水量增加超过60%。纳木错湖泊在7 -8月起冷却作用， 11 -12月期间起增温作用， 并引起局地降水空间的差异（Dai et al， 2018b）。运用WRF 3.9.1耦合一维湖泊模式对2006年10月24日纳木错极端暴风雪事件分析， 发现纳木错湖引起的低层大气对流不稳定和水汽辐合是此次降雪的必要条件（Zhao et al， 2022）。然而， 部分学者指出WRF-Lake模式在浅湖（深度<50 m）中表现相对不错， 但对深湖（深度≥50 m）的模拟效果并不理想（Mallard et al， 2015； Xiao et al， 2016）。基于此， 一些学者对该模式动力模块参数进行了修改完善， 提高模式对纳木错深湖的模拟能力和适用性。方楠等（2017）指出由于该模式中垂直混合能力不足， 不适用于模拟纳木错湖。在增强湍流混合能力后模式对未冻结期湖水温度的模拟得到提升。评估FLake， WRF-Lake及CoLM-Lake模式中模式参数变化对纳木错湖湖温模拟能力的影响发现， 增加湍流混合、 降低最大水密度温度（Tdmax）和消光系数、 参数化表面粗糙度， 可以显著改善WRF-Lake模式在暖季对湖温随时间和深度变化的模拟能力（Huang et al， 2019）。Wu et al（2020）对WRF-Lake模式进行了改进， 采用参数化方案代替恒定的表面粗糙度、 增强湍流混合、 降低消光系数、 调整了Tdmax， 发现修改后模式能更好地再现湖表温度和湖温垂直廓线的日变化， 并减小了对湖上2 m温度及下风区降水的高估。目前， 已有部分学者运用WRF-Lake等多种数值模式对纳木错等高原湖泊的效应及湖气相互作用进行模拟试验， 然而模式中参数化方案对纳木错湖区模拟的影响研究较为有限， 不同参数化方案对物理过程的处理存在差异， 因此有必要对参数化方案的模拟能力进行综合评估。
本文首先改进WRF-Lake模式动力模块参数， 接着对改进的WRF-Lake进行不同参数化方案敏感性试验， 评估不同参数化方案对青藏高原纳木错湖区大气边界层的模拟性能， 尝试探索适用于纳木错湖泊局地大气边界层模拟的最优参数化方案组合， 为在该湖区进行数值模拟试验的方案选择提供参考依据。

2 方法介绍和数据

2.1　研究区概况

纳木错湖泊（30°30′N -30°55′N， 90°16′E - 91°03′E）位于青藏高原中部， 念青唐古拉山脉北麓（图1）。纳木错湖是西藏第二大湖， 湖泊面积约2.0×103 km2（何友翔和刘娟， 2021）， 湖面海拔达4718 m。该湖泊流域处于高原亚寒带季风半干旱气候带， 辐射强， 年平均日照时数达2900~3200 h， 年平均气温在1.9 ℃左右， 年降水量约500 mm， 年蒸发量约为1200 mm（吴艳红等， 2022）。本文所涉及地图制作的来源为中华人民共和国自然资源部地图技术审查中心标准地图服务系统的中国地图［审图号： GS（2016）1609号］， 底图无修改。
图1 纳木错湖周边地形及模式模拟区域

Fig.1 The terrain and model simulation area around Nam Co Lake

2.2　模式参数设置

本研究采用模式为WRF-Lake Model v4.4.1， 该模式最早是从CLM4.5中获取， 其物理过程基于Hostetler和Bartlein（Hostetler and Bartlein， 1990）、 Bonan（Bonan， 1995）及Subin（Subin et al， 2012）等的原始概念， Gu et al（2015）对该模式进行了修改， 并将其耦合入WRF（v3.7.1）。同时， 为提高模式对深湖的模拟能力， 本文选取Shi et al（2022）所提出的适用于纳木错湖泊模拟的模式修改方案， 对模式湖泊动力模块进行如下修改：
（1） md 设为涡旋扩散系数ke 的增强混合系数，
m d = 0 , z < 25   m 60 , z ≥ 25   m
（2） 消光系数η设为固定值0.1 m-1；
（3） 最大水密度温度Td max设为3.6 ℃。
用于试验的大气驱动场资料为美国国家环境预报中心（National centers for environmental prediction， NCEP）/美国国家大气研究中心（National center for atmospheric research， NCAR）提供的FNL（Final operational global analysis）再分析资料， 该数据集时间分辨率为6 h， 空间分辨率为1°×1°， 包括表面压力、 海平面压力、 位势高度、 温度、 相对湿度等参数。利用改进的WRF-Lake模式对2008年7月5日08:00（北京时， 下同）至14日08:00的天气过程进行模拟， 研究区域为纳木错湖（图1）。试验采用三重嵌套3层， 模拟区域水平分辨率从内到外依次为1 km、 3 km、 9 km， 格点数分别为124×97、 91×73、 80×60， 模拟中心位置位于30.8°N， 90.6°E， 时间积分步长为30 s。模式垂直方向40层， 最高层顶大气压50 hPa。WRF-Lake模式主要物理过程包括微物理、 积云对流、 行星边界层、 长短波辐射、 陆面过程等。本文主要探究微物理、 积云对流、 行星边界层过程参数化方案对纳木错湖大气边界层模拟的影响， 因此其余物理过程采用默认方案： 短波辐射方案采用RRTMG（a new version of Rapid Radiative Transfer Model）方案， 长波辐射方案采用RRTMG方案， 陆面过程方案选择Noah Land Surface Model方案。并由Wang et al（2009）提供的纳木错湖测深数据对模式中d01、 d02、 d03区域内纳木错湖泊深度进行更新（图2）。
图2 模式模拟最内层嵌套区域湖泊深度（单位： m）

Fig.2 The lake depth in the innermost nested domain of the model.Unit： m

2.3　试验设计

WRF模式采用多种物理参数化方案， 这些方案的选择直接影响模式模拟结果。其中， 微物理、 积云对流和边界层参数化方案在天气过程和降水模拟中发挥着关键作用。微物理参数化方案主要用于描述和模拟大气中的水相和冰相过程， 包括降水、 云、 雪等， 并通过影响热通量和能量输送改变大气环流（Rajeevan et al， 2010； Cossu and Hocke， 2013； 林思诺等， 2023）。积云对流参数化方案主要负责模拟小尺度对流系统和云的发展演变， 通过描述粗网格无法捕捉的上升、 下沉气流和云外补偿运动引起水汽和热量变化（杨扬等， 2021； 王晓君和马浩， 2011）， 显著影响层云、 积云和对流过程模拟效果。此外， 边界层方案的选择也会影响复杂下垫面边界层高度、 温度、 风等要素的模拟（吴冰雪等， 2023）。夏季青藏高原对流降水事件频发， 模式模拟期间天气概况如下： 2008年7月6 -9日纳木错地区以晴天和多云天气为主， 未出现降水（汪远伟和邬光剑， 2018）。那曲站最高温度为19.7 ℃， 夜间最低温度为1.6 ℃； 班戈最高温度为18.1 ℃， 夜间最低温度为2.3 ℃， 昼夜温差较大。而在7月10 -13日纳木错地区降水明显增加， 纳木错测站日降水量最高达16.7 mm（汪远伟和邬光剑， 2018）， 周围测站6 h累积降水量在10 mm以内。白天最高温度下降， 昼夜温差减小。降水主要集中在10 -12日， 纳木错地区多阵雨， 以对流性降水为主。500 hPa高度场上无明显大尺度系统， 存在局地扰动。考虑局地天气形势、 降水特征以及区域地理特征等因素， 本文选用不同的微物理、 积云对流和边界层方案进行敏感性试验， 尝试不同的参数化方案组合， 以评估它们对纳木错湖局地夏季大气边界层模拟的影响。研究选择了6种微物理参数化方案包括： Lin（Purdue Lin）方案、 WSM3（WRF Single-Moment 3-class）方案、 Eta（Ferrier）方案、 WSM6（WRF Single-Moment 6-class）方案、 Thompson方案及SBU（Stony-Brook University）方案； 5种积云对流参数化方案包括： KF（Kain-Fritsch）方案、 BMJ（Betts-Miller-Janjic）方案、 GF（Grell-Freitas）方案、 Tiedtke方案、 GD（Grell-Devenyi）方案； 以及2种边界层参数化方案： MYNN 2.5（Mellor-Yamada Nakanishi Niino Level 2.5）方案和MYNN 3（Mellor-Yamada Nakanishi Niino Level 3）方案。不同参数化方案组合获取共60组模拟试验（表1）。
表1 数值试验名称及不同参数化方案组合

Table 1 Numerical experiment names and configurations of parameterization schemes

试验名称 微物理方案 积云对流方案 边界层方案 试验名称 微物理方案 积云对流方案 边界层方案
方案1 Lin KF MYNN 2.5 方案31 WSM6 KF MYNN 2.5
方案2 Lin KF MYNN 3 方案32 WSM6 KF MYNN 3
方案3 Lin BMJ MYNN 2.5 方案33 WSM6 BMJ MYNN 2.5
方案4 Lin BMJ MYNN 3 方案34 WSM6 BMJ MYNN 3
方案5 Lin GF MYNN 2.5 方案35 WSM6 GF MYNN 2.5
方案6 Lin GF MYNN 3 方案36 WSM6 GF MYNN 3
方案7 Lin Tiedtke MYNN 2.5 方案37 WSM6 Tiedtke MYNN 2.5
方案8 Lin Tiedtke MYNN 3 方案38 WSM6 Tiedtke MYNN 3
方案9 Lin GD MYNN 2.5 方案39 WSM6 GD MYNN 2.5
方案10 Lin GD MYNN 3 方案40 WSM6 GD MYNN 3
方案11 WSM3 KF MYNN 2.5 方案41 Thompson KF MYNN 2.5
方案12 WSM3 KF MYNN 3 方案42 Thompson KF MYNN 3
方案13 WSM3 BMJ MYNN 2.5 方案43 Thompson BMJ MYNN 2.5
方案14 WSM3 BMJ MYNN 3 方案44 Thompson BMJ MYNN 3
方案15 WSM3 GF MYNN 2.5 方案45 Thompson GF MYNN 2.5
方案16 WSM3 GF MYNN 3 方案46 Thompson GF MYNN 3
方案17 WSM3 Tiedtke MYNN 2.5 方案47 Thompson Tiedtke MYNN 2.5
方案18 WSM3 Tiedtke MYNN 3 方案48 Thompson Tiedtke MYNN 3
方案19 WSM3 GD MYNN 2.5 方案49 Thompson GD MYNN 2.5
方案20 WSM3 GD MYNN 3 方案50 Thompson GD MYNN 3
方案21 Eta KF MYNN 2.5 方案51 SBU KF MYNN 2.5
方案22 Eta KF MYNN 3 方案52 SBU KF MYNN 3
方案23 Eta BMJ MYNN 2.5 方案53 SBU BMJ MYNN 2.5
方案24 Eta BMJ MYNN 3 方案54 SBU BMJ MYNN 3
方案25 Eta GF MYNN 2.5 方案55 SBU GF MYNN 2.5
方案26 Eta GF MYNN 3 方案56 SBU GF MYNN 3
方案27 Eta Tiedtke MYNN 2.5 方案57 SBU Tiedtke MYNN 2.5
方案28 Eta Tiedtke MYNN 3 方案58 SBU Tiedtke MYNN 3
方案29 Eta GD MYNN 2.5 方案59 SBU GD MYNN 2.5
方案30 Eta GD MYNN 3 方案60 SBU GD MYNN 3

2.4　模拟结果对比分析指标

为量化不同参数化方案组合在纳木错湖区对2 m温度、 日降水量的模拟能力， 本文利用中国区域高时空分辨率地面气象要素驱动数据（阳坤和何杰， 2016）和模式第三层嵌套区域的模拟结果， 计算得到时间空间平均的偏差（BIAS）、 平均绝对误差（Mean Absolute Error， MAE）及均方根误差（Root Mean Square Error， RMSE）三种指标。并利用青藏高原地气相互作用过程高分辨率（逐小时）综合观测数据集（马耀明， 2020）中的纳木错气象测站（图1）观测数据和模式模拟数据， 计算得到纳木错测站处10 m风速、 10 m风向、 感热通量、 潜热通量日变化的相关系数和标准差之比， 来评估模式测站处对10 m风场和地表热通量的模拟能力。

3 结果

3.1　 2 m温度模拟结果

不同的参数化方案组合对纳木错湖区2 m温度模拟影响较小， 偏差在-0.28~1.33 ℃（文中未呈现此数据， 下同）， 平均绝对误差在1.83~2.17 ℃之间（文中未呈现此数据， 下同）， 均方根误差在2.26~2.63 ℃。由图3可知， 方案30（云微物理方案Eta、 积云对流方案GD、 MYNN 3组合）对纳木错局地平均2 m温度模拟效果最好， RMSE为2.26 ℃。
图3 60组试验最内层嵌套区域平均2 m温度的RMSE值排序柱状图

Fig.3 Ranking histograms of RMSE values for the average 2 m temperature in the innermost nested domain for 60 experiments

WRF-Lake全部模拟均高估了湖区上空的平均2 m温度（图4）， 且分析纳木错湖局地两米温度日变化情况可知（图5）， 湖泊主要呈“暖湖”， 除13:00（北京时， 下同） -17:00以外， 纳木错湖上两米温度较陆表偏高。高估的主要原因是WRF-Lake初始湖泊温度过高， 导致模拟地表向上热通量偏高（Wu et al， 2020）。此外， 由于湖面上缺乏直接气象站观测资料， 造成本文用于验证的地面数据集（阳坤和何杰， 2016）湖面温度与陆面温度日变化差异很小（图5）， 该数据集未能很好地区分湖面和陆面温度的日变化。因此对湖面气温的模拟还需要依靠更多的站点监测， 以提高模式对湖面气温的模拟能力。方案17对局地（d03区域）平均2 m温度模拟效果最差， RMSE值为2.63 ℃， 从湖泊沿岸至中心处， RMSE值呈增加趋势。纳木错局地平均2 m温度与陆面数据（中国区域高时空分辨率地面气象要素驱动数据）相比， 整体偏高， 湖上平均2 m温度被高估2.91 ℃。方案56对局地平均2 m温度的模拟效果居中， RMSE值为2.46 ℃。模式对湖面上空2 m温度的模拟效果较差， 湖泊中心RMSE值超4.2 ℃。湖泊周围地区2 m温度偏差变化幅度在1.5 ℃以内， 湖上平均2 m温度被高估2.16 ℃。方案30对湖区2 m温度的模拟效果最佳， RMSE值为2.26 ℃。除湖泊及沿岸地区以外， 模式对湖泊周围地区2 m温度的模拟能力较好， 大部分地区RMSE值小于3 ℃。纳木错局地平均2 m温度偏差小于1.8 ℃， 湖上平均2 m温度被高估1.74 ℃。
图4 纳木错湖区2 m气温BIAS（a， b， c）和RMSE（d， e， f）的个例分布

Fig.4 The case distributions of BIAS （ a， b， c ） and RMSE （ d， e， f ） values of 2 m temperature in Nam Co Lake area

图5 60组试验纳木错湖区与陆区2 m温度的日平均变化折线图

Fig.5 Daily variation line chart of 2 m temperature in the Nam Co Lake and land area of 60 experiments

观察模式d03区域湖区（纳木错湖区域， 下同）与陆区（植被类型为草地的区域， 下同）2 m温度的日平均变化（图5）可知， 各试验组湖区及陆区2 m温度日平均变化的数值接近， 温度随时间变化趋势具有一致性。陆区2 m温度存在明显日变化特征， 呈单峰型， 湖区日变化幅度较平缓， 二者峰值数值接近。在下午， 湖区温度峰值出现时间较陆区稍有延后， 可能出现弱“冷湖”效应， 夜间则为明显的“暖湖”效应。由于湖泊热容量大， 白天吸收太阳辐射储存热量， 导致夜间周围陆表冷却较快， 湖表冷却较慢， 湖泊对周围空气起到加热作用。陆区2 m温度随时间变化特征与陆面数据较吻合。除下午（12:00 -20:00）以外， 湖区2 m温度较陆面数据偏高， 在夜间差异显著， 湖区最低温度较检验值高5 ℃左右。总体而言， 试验组对纳木错湖局地2 m温度的模拟效果较好， 能够模拟陆区两米温度的日变化趋势。然而， 模拟性能存在明显的区域性差异， 湖上RMSE值偏大， 模式对湖面上空平均2 m温度存在不同程度高估。

3.2　日降水量模拟结果

为评估模式对研究区日降水量的模拟效果， 本文利用2008年7月10 -13日期间纳木错湖地区降水陆面数据， 与60组模拟试验结果进行对比分析。陆面数据显示局地平均日降水量为6.36 mm， 而模式模拟的d03区域日平均降水量在10.81~19.02 mm。具体而言， 日降水量偏差在4.47~13.46 mm， 平均绝对误差在6.86~14.63 mm， 均方根误差在8.93~19.16 mm。结果显示， 各试验组日降水量均方根误差较大， 试验对纳木错湖区日降水量的模拟值偏高（图6）。其中， 方案55（云微物理方案SBU、 积云对流方案GF、 边界层方案MYNN Leve 2.5组合）对研究区日降水量模拟效果相对较好， 均方根误差为8.93 mm。
图6 60组试验最内层嵌套区域平均日降水量RMSE值排序柱状图

Fig.6 Ranking histograms of RMSE values for the average daily precipitation in the innermost nested domain for 60 experiments

分析纳木错湖区日降水量偏差和均方根误差分布情况（图7）可知， WRF-Lake普遍高估了湖区日降水量， 且在纳木错湖东北部存在一偏差大值区。方案1对纳木错湖地区日降水量的模拟效果最差， 湖泊北部及东北部为均方根误差大值区。大值区呈横向分布， 范围广， 大值中心RMSE值超过26 mm， 偏差达22 mm。方案31对湖区日降水量的模拟效果居中， 模式对湖泊东北部模拟效果较差， 日降水量偏差达14 mm。方案55对湖泊局地日降水量的模拟效果最佳。湖泊东北部存在一均方根误差大值区， 但其范围较小， RMSE达16 mm。除湖泊东北部外， 模式对湖面日降水量的预报偏差较小， 日降水量偏差小于6 mm。
图7 纳木错湖区日降水量BIAS（a， b， c， 单位： mm·d-1）和RMSE（d， e， f， 单位： mm·d-1）的个例分布

Fig.7 The case distributions of BIAS （ a， b， c， unit： mm·d-1） and RMSE （ d， e， f， unit： mm·d-1） values of daily precipitation in Nam Co Lake area

模式整体高估了纳木错湖局地降水量日变化数值， 相对于陆区， 湖区的降水量偏高， 尤其夜间降水较强（图8）。各方案模拟所得湖区和陆区降水日平均变化特征也存在显著差异。通过分析不同类型参数化方案对纳木错湖局地日降水量的影响（图9）， 发现积云对流参数化方案的改变导致模式模拟日降水量（分为非对流性降水和对流性降水）结果显著变化。其中， GF方案模拟的非对流性降水最大为15.68 mm， GD方案模拟的非对流性降水最小为9.58 mm。GD方案模拟的对流性降水最大为10.07 mm， GF方案模拟的对流性降水最小为0.05 mm。陆面数据的不确定性和不同参数化方案对纳木错局地非对流降水的高估可能是导致模拟值偏高的主要原因。与陆面数据相比， 模式对纳木错湖局地日降水量模拟效果较差， 明显高估纳木错湖东北部日降水量， 积云对流参数化方案的选择影响研究区日降水量的模拟效果。
图8 60组试验纳木错湖区与陆区降水量的日平均变化折线图

Fig.8 Daily variation line chart of daily precipitation in the Nam Co Lake and land area of 60 experiments

图9 不同类型参数化方案非对流和对流性降水平均日降水量折线图

Fig.9 Line chart of average daily precipitation for non convective and convective precipitation with different parameterization schemes

3.3　 10 m风场及地表热通量的日平均变化模拟结果

湖泊作为地表与大气之间重要的热量、 水汽交换界面， 显著影响局地感热及潜热通量的大小和变化。而纳木错湖作为高原大型咸水湖， 其湖泊效应风对纳木错局地风场及环流起着不可忽视的作用。因此， 在评估不同参数化方案对纳木错湖泊大气边界层的模拟性能时， 各试验组对研究区风场及地表热通量的模拟能力也是模式性能评估的重要指标。利用青藏高原地气相互作用过程高分辨率（逐小时）综合观测数据集（马耀明， 2020）中纳木错气象测站（图1）10 m风速、 风向、 地表感热及潜热观测数据， 使用泰勒图（Taylor， 2001）获取纳木错测站处模式模拟结果与观测数据间10 m风速、 10 m风向、 感热通量和潜热通量日平均变化的时间相关系数（Correlation Coefficient， CC）和标准差之比（Ratio of standard deviations， σ）。
根据图10显示， 60组试验对纳木错测站10 m风速和风向日平均变化的模拟效果存在差异。模式对10 m风向的模拟效果相对较好， 相关系数在0.22~0.77之间， 标准差之比在0.44~0.80之间。其中， 方案15对10 m风向的模拟性能最好， 相关系数为0.74， 标准差之比为0.71。然而， 模式对10 m风速日变化的模拟性能较差， 部分试验组与观测值呈负相关， 相关系数在-0.67~0.26之间， 标准差之比在0.62~1.29之间。其中， 方案21对10 m风速的模拟性能相对较好， 相关系数为0.17， 标准差之比为1.00。感热通量与观测值的相关性强， 相关系数在0.89~0.95之间， 但标准差之比较大在1.51~2.30之间， 表明模拟值在峰谷值上的波动较大， 与观测值相比离散化程度偏高， 需要进一步关注模式在感热极端情况下的表现。其中， 方案60对感热通量的模拟性能较好， 相关系数为0.94， 标准差之比为1.86。模式对潜热通量模拟性能最好， 相关系数在0.85~0.90之间， 标准差之比在0.74~1.27之间。其中， 方案2对潜热通量的模拟效果较好， 相关系数为0.90， 标准差之比为0.98。
图10 纳木错测站10 m风场及热通量日平均变化泰勒图

Fig.10 Taylor diagram of daily average changes in 10 m wind field and heat flux at Nam Co station

另外， 陆区与湖区地表热通量日平均变化差异显著（图11）。陆区感热和潜热通量日变化趋势均呈单峰型。白天， 受太阳辐射影响， 感热和潜热通量逐渐增加， 在下午达到峰值后又逐渐减小。夜间， 陆区感热通量为负值， 感热转由大气向地表输送， 潜热通量释放极小。相比之下， 湖区潜热通量数值明显高于陆区（湖区潜热通量大于300 W·m-2）。这可能是由于湖泊的存在为湖表上空提供了充足的水分， 使湖表水汽蒸发远大于陆地。同时， 模式初始湖表温度过高可能影响近地表水温预测， 导致湖区地表感热和潜热通量被高估。湖区感热和潜热通量的日变化趋势与陆区相反， 数值变化较为平缓。白天湖泊降温效应使感热通量释放减小， 不利于湖表水分向上蒸发， 而夜间湖泊增温效应促进了湖区感热和潜热通量的释放增加。
图11 60组试验纳木错湖区与陆区感热及潜热通量的日平均变化折线图

Fig.11 Daily variation line chart of heat flux in the Nam Co Lake and land area of 60 experiments

3.4　不同参数化方案评估结果

研究发现， 上述指标对不同试验组及变量场的评分结果各异。为有效比较各试验组的模拟性能， 本文使用“排名方法”对不同参数化方案在纳木错湖的模拟能力进行综合评估。Brunke et al（2003）首先提出了“排名方法”， 采用此方式对计算海表湍流通量的多体积空气动力学算法进行评分。为评估不同再分析产品性能， Decker et al（2012）使用“排名方法”结合不同站点误差的偏差和标准差， 发现ERA-Interim产品中每6 h温度数据偏差最小， 且对每6 h温度变化的描述最准确。Wang and Zeng（2012）计算不同再分析资料的每日和每月降水量和气温、 辐射通量、 湿度等变量的相关系数、 偏差、 标准差之比和标准差之差， 并采用“排名方法”对四个统计量进行排序， 从而量化再分析产品关于各变量和各统计量的相对性能。在本次研究中， 运用“排名方法”来分析不同参数化方案组合对纳木错湖地区2 m温度、 日降水量及纳木错测站10 m风场、 感热及潜热日变化的综合模拟能力：
本文将模拟场和观测场之间的时空平均均方根误差（RMSE）作为评估模式对2 m温度和日降水量模拟性能的指标。为评估不同参数化方案组合对纳木错湖局地2 m温度、 日降水量的模拟能力。分别将两物理量场中均方根误差最小的试验组看作模拟性能最优组， 进行从1~60排序。其次， 为评估不同参数化方案对纳木错测站10 m风速、 风向及热通量日平均变化的模拟能力， 将相关系数及标准差之比最接近“1”的试验组看作对风速（或风向或感热通量或潜热通量）模拟性能最优组。因此， 在10 m风速（或风向或感热通量或潜热通量）中， 分别将相关系数及标准差之比按距数值“1”远近， 由近及远进行从1~60排序。在此之上， 计算各试验组在六个变量场中的总排名， 并将总排名定义为“综合排名”。综合排名越靠前， 模式对研究区2 m温度、 日降水量及纳木错测站10 m风速、 风向、 感热通量及潜热通量日平均变化的综合模拟效果越好。
分析60组试验对纳木错湖夏季大气边界层的综合模拟能力可知， 方案58（微物理方案SBU、 积云对流方案Tiedtke、 边界层方案MYNN 3组合）对各物理量场的模拟效果整体较好（表2）， 2 m温度的均方根误差（RMSE）为2.38 ℃， 日降水量的均方根误差（RMSE）为10.48 mm， 10 m风速日变化的相关系数为-0.41， 标准差之比为0.94， 10 m风向日变化的相关系数为0.59， 标准差之比为0.73， 感热通量日变化的相关系数为0.94， 标准差之比为1.89， 潜热通量日变化的相关系数为0.89， 标准差之比为0.91。与其他微物理参数化方案相比， SBU方案较为简化， 计算效率高（Lin and Brian， 2011）， 在大尺度和高分辨率模拟中表现出色。此外， SBU方案对对流和降水过程有较好的综合描述， 并且在模拟降水过程中具有较小的误差值（Humphries et al， 2017）。试验中SBU方案对局地降水量和风向的模拟效果较好。与其他积云对流参数化方案相比， Tiedtke兼顾深对流和浅对流特征， 该方案能有效地减少模拟中的深对流结果， 通过降低总体降水量中的对流部分， 改善降水预测效果（Wang， 2022）。该方案在风向和局地日降水量的模拟中表现较好。边界层方案中， MYNN2.5和MYNN3均采用Mellor-Yamada闭合模型， 并在此闭合模型上不断改进。与MYNN2.5相比， MYNN3在混合层参数化上进行了改进， 使其更好地模拟大气混合层的结构和过程， 提高对边界层模拟的准确性， 认为MYNN3为非局地方案（刘梦娟等， 2018）。在微物理和积云对流参数化方案相同的情况下， MYNN3对纳木错湖局地平均两米温和风场模拟效果整体更好。
表2 综合模拟性能前10试验组排名表

Table 2 Top 10 experiment rankings for comprehensive simulation performance

试验 名称 参数化方案组合 2 m温度 的均方根 误差/℃ 日降水量的均方根 误差 /（mm·d-1） 10 m风速的相关 系数 10 m风 速的标准差之比 10 m风向的相关 系数 10 m风向的标准差之比 感热通量的相关系数 感热通量的标准差之比 潜热通量的相关系数 潜热通量的标准差之比
方案58 SBU-Tiedtke-MYNN3 2.38 10.48 -0.41 0.94 0.59 0.73 0.94 1.89 0.89 0.91
方案36 WSM6-GF-MYNN3 2.45 16.33 0.19 0.97 0.61 0.66 0.95 1.98 0.9 1.03
方案25 Eta-GF-MYNN2.5 2.51 14.37 0.18 0.84 0.7 0.66 0.93 1.76 0.9 0.94
方案24 Eta-BMJ-MYNN3 2.39 12.6 0.26 0.9 0.38 0.54 0.93 1.79 0.88 0.99
方案60 SBU-GD-MYNN3 2.35 14.59 -0.17 0.88 0.49 0.62 0.94 1.86 0.9 0.95
方案54 SBU-BMJ-MYNN3 2.42 10.28 -0.54 0.99 0.5 0.69 0.93 1.87 0.88 0.9
方案30 Eta-GD-MYNN3 2.26 16.73 0.09 0.99 0.46 0.61 0.92 1.9 0.9 1.05
方案48 Thompson-Tiedtke-MYNN3 2.38 13.62 -0.15 0.66 0.71 0.56 0.95 1.99 0.9 1.13
方案35 WSM6-GF-MYNN2.5 2.44 14.09 -0.09 0.9 0.53 0.6 0.94 1.99 0.89 1.06
方案49 Thompson-GD-MYNN2.5 2.42 15.91 -0.31 1.03 0.69 0.61 0.94 1.94 0.9 1.17

4 讨论

本文针对2008年7月5日08:00至14日08:00进行改进的WRF-Lake模式模拟试验， 初步探寻适用于模拟纳木错湖夏季局地大气边界层的模式参数化方案组合， 今后应进行更长时间的模拟研究， 以提高结果的可信度。研究结果表明， 湖区热通量与陆区差异显著， 湖区潜热较大。Wang et al（2019）指出湖面湍流热通量的季节变化受湖泊面积、 深度、 气象和环境条件的影响而表现得截然不同。相比纳木错“小湖”阶段， “大湖”夏季平均气温过高， 无冰期蒸发量比“小湖”高约170 mm。湖泊固有属性和环境差异可能是湖区热通量偏高的原因之一。此外， 模式模拟湖表温度过高也是湖区热通量被高估的主要原因。虽然对WRF-Lake模式进行了改进以提高模式对深湖的模拟能力， 但改进的WRF-Lake模式在模拟夏季湖表温度和降水量方面仍存在不足。现有模式对纳木错局地日降水量和湖上2 m温度的模拟值偏高， 日降水量的RMSE值在8 mm·d-1以上， 湖上2 m温度的RMSE值在3 ℃以上。这一不足可能归因于模式试验设计的不完善以及验证数据在湖上的不确定性。一方面， 模式对降水的模拟效果受试验设计影响， 经检验关闭d03区域次网格积云对流方案能有效改善模式对降水的模拟能力。且模式对降水和湖上2 m温度的模拟能力仍有待提高， 最佳模式修改方案还需进行深入探讨和试验。另一方面， 中国区域高时空分辨率地面气象要素驱动数据对纳木错局地气象场综合刻画能力强， 数据质量高。然而由于湖上观测数据稀缺， 导致湖区与陆区之间观测数据数值差异较小， 数据对湖上两米温度和降水率的描述可能与湖面上空真实气象场存在偏差， 因此该数据对湖上气象变量表述的准确性需要进一步讨论和研究。
受计算资源限制， 本文仅选取2008年7月5 -13日这一时段开展大规模参数化方案的敏感性研究， 为验证研究结果对纳木错湖夏季局地大气边界层模拟的适用性， 本文分别选取研究结果中综合模拟性能最优、 中等和最差方案： 方案58（SBU-Tiedtke-MYNN3）、 方案39（WSM6-GD-MYNN2.5）、 方案1（Lin-KF-MYNN2.5）， 随机分别选取2008年、 2010年、 2012年夏季6 -8月中的2天， 进行48 h的模拟试验。并将模拟结果与中国区域高时空分辨率地面气象要素驱动数据集进行对比分析， 量化各方案对局地平均2 m温度和日降水量的模拟能力。由于纳木错站点观测数据缺测值较多， 无法准确验证各方案对站点处10 m风场和地表热通量的模拟能力。然而， 经检验方案58对纳木错湖夏季平均2 m温度和日降水量的模拟效果较好（图12）， 方案39次之， 方案1最差。综上所述， 认为方案58对纳木错湖区夏季大气边界层模拟具有一定的适用性， 可为在该地区进行数值模拟试验的方案选择提供参考。
图12 最内层嵌套区域平均2 m温度和日降水量的RMSE值排序柱状图

Fig.12 Ranking histograms of RMSE values for the average 2 m temperature and daily precipitation in the innermost nested domain

5 结论

利用改进后的WRF-Lake模式及2008年7月5日08:00至14日08:00的NCEP-FNL数据， 通过60组数值试验（不同微物理参数化方案、 积云对流参数化方案及边界层参数化方案）， 评估了不同参数化方案对纳木错湖区夏季大气边界层模拟性能的影响， 主要结论如下：
（1） 模式对纳木错湖区2 m温度的模拟效果较好， 但高估了湖面上空2 m温度。方案30对湖区2 m温度的模拟效果最好， RMSE最低为2.26 ℃。研究时段内， 纳木错湖主要表现为“暖湖”。模式对湖区日降水量的模拟效果较差， 对纳木错湖东北部日降水量存在不同程度的高估。方案55对局地日降水量的模拟效果最好， RMSE最低为8.93 mm。积云对流参数化方案的选择显著影响模式对研究区非对流性和对流性降水的模拟效果。
（2） 不同参数化方案对纳木错测站10 m风速日平均变化的模拟能力较差， 但对10 m风向日平均变化模拟相对较好。其中， 方案15对风向日平均变化模拟中表现较好， 方案21对风速日平均模拟效果相对较好。模式对纳木错测站感热及潜热通量的模拟值与观测值存在较强的相关性。其中， 方案60对测站感热通量日变化模拟效果相对较好， 方案2对潜热通量日变化模拟效果相对较好。受湖泊效应影响， 湖区热通量日变化趋势与陆区相反， 湖区潜热通量明显高于陆区。
（3） 结合各试验组对2 m温度、 日降水量、 纳木错测站10 m风场、 感热及潜热通量日平均变化的模拟能力评估， 方案58（微物理方案SBU、 积云对流方案Tiedtke、 MYNN 3组合）对纳木错地区2 m温度、 日降水量、 10 m风场及地表热通量模拟效果相对较好， 对纳木错湖区大气边界层模拟较为适用。

参考文献

null
Bonan G B， 1995.Sensitivity of a GCM simulation to inclusion of inland water surfaces［J］.Journal of Climate， 8（11）： 2691-2704.DOI： 10.1175/1520-0442（1995）008<2691： SOAGST>2.0.CO； 2 .
null
Brunke M A， Fairall C W， Zeng X， et al， 2003.Which bulk aerodynamic algorithms are least problematic in computing ocean surface turbulent fluxes？［J］.Journal of Climate， 16（4）.DOI： 10.1175/1520-0442（2003）016<0619： WBAAAL>2.0.CO； 2 .
null
Cossu F， Hocke K， 2013.Influence of microphysical schemes on atmospheric water in the weather research and forecasting model［J］.Geoscientific Model Development Discussions， DOI： 10. 5194/gmdd-6-4563-2013 .
null
Dai Y F， Wang L， Yao T D， et al， 2018a.Observed and simulated lake effect precipitation over the Tibetan Plateau： an initial study at Nam Co Lake［J］.Journal of Geophysical Research-Atmospheres， 123（13）： 6746-6759.DOI： 10.1029/2018JD028330 .
null
Dai Y， Yao T D， Li X Y， et al， 2018b.The impact of lake effects on the temporal and spatial distribution of precipitation in the Nam Co basin， Tibetan Plateau［J］.Quaternary International， 475（May 10）： 63-69.DOI： 10.1016/j.quaint.2016.01.075 .
null
Decker M， Brunke M A， Wang Z， et al， 2012.Evaluation of the reanalysis products from GSFC， NCEP， and ECMWF using flux tower observations［J］.Journal of Climate， 25（6）.DOI： 10.1175/JCLI-D-11-00004.1 .
null
Fang X， Stefan H G， 1996.Long-term lake water temperature and ice cover simulations/measurements［J］.Cold Regions Science & Technology， 24（3）： 289-304.DOI： 10.1016/0165-232X（95）00019-8 .
null
Gerken T， Biermann T， Babel W， et al， 2014.A modelling investigation into lake-breeze development and convection triggering in the Nam Co Lake basin， Tibetan Plateau［J］.Theoretical and Applied Climatology， 117（1-2）： 149-167.DOI： 10.1007/s00704-013-0987-9 .
null
Goudsmit G H， Burchard H， Peeters F， et al， 2002.Application of k-? turbulence models to enclosed basins： the role of internal seiches［J］.Journal of Geophysical Research： Oceans，DOI： 10.1029/2001JC000954 .
null
Gu H P， Jin J M， Wu Y H， et al， 2015.Calibration and validation of lake surface temperature simulations with the coupled WRF-lake model［J］.Climatic Change， 129（3-4）： 471-483.DOI： 10. 1007/s10584-013-0978-y .
null
Gula J， Peltier W R， 2012.Dynamical downscaling over the Great Lakes basin of North America using the WRF regional climate model： The impact of the Great Lakes system on regional greenhouse warming［J］.Journal of Climate， 25（21）： 7723-7742.DOI： 10.1175/JCLI-D-11-00388.1 .
null
Haginoya S， Fujii H， Kuwagata T， et al， 2009.Air-lake interaction features found in heat and water exchanges over Nam Co on the Tibetan Plateau［J］.Sola， 5（1）： 172-175.DOI： 10.2151/sola.2009-044 .
null
Hostetler S W， Bartlein P J， 1990.Simulation of lake evaporation with application to modeling lake level variations of Harney-Malheur Lake， Oregon［J］.Water Resources Research， 26（10）： 2603-2612.DOI： 10.1029/WR026i010p02603 .
null
Huang A N， Lazhu， Wang J B， et al， 2019.Evaluating and improving the performance of three 1-D Lake Models in a large deep lake of the Central Tibetan Plateau［J］.Journal of Geophysical Research：Atmospheres， 124（6）： 3143-3167.DOI： 10.1029/2018JD029610 .
null
Humphries U， Kaewmesri P， Wangwongchai A， et al， 2017.The Simulation of heavy rainfall events over thailand using microphysics schemes in weather research and forecasting （WRF） Model［J］.World Applied Sciences Journal， 35 （2）： 310-315， 2017.DOI： 10.5829/idosi.wasj.2017.310.315 .
null
Kuang X X， Jiao J J， 2016.Review on climate change on the Tibetan Plateau during the last half century［J］.Journal of Geophysical Research-Atmospheres， 121（8）： 3979-4007.DOI： 10.1002/2015JD024728 .
null
Li M， Ma Y， Hu Z， et al， 2009.Snow distribution over the Namco lake area of the Tibetan Plateau［J］.Hydrology and Earth System Sciences， 13（11）： 2023-2030.DOI： 10.5194/hess-13-2023-2009 .
null
Li X Y， Ma Y J， Huang Y M， et al， 2016.Evaporation and surface energy budget over the largest high-altitude saline lake on the Qinghai-Tibet Plateau［J］.Journal of Geophysical Research， 121（18）： 10470-10485.DOI： 10.1002/2016JD025027 .
null
Lin Y L， Brian A C， 2011.A new bulk microphysical scheme that includes riming intensity and temperature-dependent ice characteristics［J］.Monthly Weather Review， 139（3）： 1013-1035.DOI： 10.1175/2010MWR3293.1 .
null
Ling X L， Tang Z Y， Gao J， et al， 2024.Changes in Qinghai Lake Area and their interactions with climatic factors［J］.Remote Sensing， 16（1）： 129.DOI： 10.3390/rs16010129 .
null
Liu X D， Chen B D， 2000.Climatic warming in the Tibetan Plateau during recent decades［J］.International Journal of Climatology， 20（14）： 1729-1742.DOI： 10.1002/1097-0088（20001130）20： 14<1729： ： AID-JOC556>3.0.CO； 2-Y .
null
Mallard M S， Nolte C G， Spero T L， et al， 2015.Technical challenges and solutions in representing lakes when using WRF in downscaling applications［J］.Geoscientific Model Development， 8（4）： 1085-1096.DOI： 10.5194/gmd-8-1085-2015 .
null
Mironov D， Heise E， Kourzeneva E， et al， 2010.Implementation of the lake parameterisation scheme FLake into the numerical weather prediction model COSMO［J］.Boreal Environment Research， 15（2）： 218-230.DOI： 10.1332/204080511X560639 .
null
Mironovy D V， 2008.Parameterization of Lakes in Numerical Weather Prediction.Description of a Lake Model［J］.
null
Perroud M， Goyette S， Martynov A， et al， 2009.Simulation of multiannual thermal profiles in deep Lake Geneva： a comparison of one-dimensional lake models［J］.Limnology and Oceanography， 54（5）： 1574-1594.DOI： 10.4319/lo.2009.54.5.1574 .
null
Rajeevan M， Kesarkar A， Thampi S B， et al， 2010.Sensitivity of WRF cloud microphysics to simulations of a severe thunderstorm event over Southeast India［J］.Annales Geophysicae， 28（2）： 603-619.DOI： 10.5194/angeo-28-603-2010 .
null
Shi Y， Huang A N， Ma W Q， et al， 2022.Drivers of warming in Lake Nam Co on Tibetan Plateau over the past 40 years［J］.Journal of Geophysical Research-Atmospheres， 127（16）.DOI： 10. 1029/2021JD036320 .
null
Stepanenko V M， Lykossov V N， 2005.Numerical modeling of heat and moisture transfer processes in a system lake-soil［J］.Russian Meteorology and Hydrology， （3）： 95-104.
null
Stepanenko V M， Machul’skaya E E， Glagolev M V， et al， 2011.Numerical modeling of methane emissions from lakes in the permafrost zone［J］.Izvestiya， Atmospheric and Oceanic Physics， 47（2）.DOI： 10.1134/S0001433811020113 .
null
Stepanenko V M， Martynov A， Johnk K D， et al， 2013.A one-dimensional model intercomparison study of thermal regime of a shallow， turbid midlatitude lake［J］.Geoscientific Model Development， 6（4）： 1337-1352.DOI： 10.5194/gmd-6-1337-2013 .
null
Subin Z M， Riley W J， Mironov D， 2012.An improved lake model for climate simulations： Model structure， evaluation， and sensitivity analyses in CESM1［J］.Journal of Advances in Modeling Earth Systems， 4（2）： n/a-n/a.DOI： 10.1029/2011MS000072 .
null
Taylor K E， 2001.Summarizing multiple aspects of model performance in a single diagram［J］.Journal of Geophysical Research： Atmospheres， 106（D7）.DOI： 10.1029/2000JD900719 .
null
Wan W， Long D， Hong Y， et al， 2016.A lake data set for the Tibetan Plateau from the 1960s， 2005， and 2014［J］. Entific Data， 3（1）： 160039.DOI： 10.1038/sdata.2016.39 .
null
Wang A H， Zeng X B， 2012.Evaluation of multireanalysis products with in situ observations over the Tibetan Plateau［J］.Journal of Geophysical Research， 117（D5）.DOI： 10.1029/2011JD016553 .
null
Wang B B， Ma Y M， Wang Y， et al， 2019.Significant differences exist in lake-atmosphere interactions and the evaporation rates of high-elevation small and large lakes［J］.Journal of Hydrology， 573： 220-234.DOI： 10.1016/j.jhydrol.2019.03.066 .
null
Wang J B， Zhu L P， Daut G， et al， 2009.Investigation of bathymetry and water quality of Lake Nam Co， the largest lake on the central Tibetan Plateau， China［J］.Limnology， 10（2）： 149-158.DOI： 10.1007/s10201-009-0266-8 .
null
Wang L M， Wang J X， Wang L C， et al， 2023.Lake evaporation and its effects on basin evapotranspiration and lake water storage on the Inner Tibetan Plateau［J］.Water Resources Research， 59（10）.DOI： 10.1029/2022WR034030 .
null
Wang W， 2022.Forecasting Convection with a “Scale-Aware” tiedtke cumulus parameterization scheme at kilometer scales［J］.Weather and Forecasting， 37， 1491-1507.DOI： https： //doi.org/10.1175/WAF-D-21-0179.1 .
null
Wen L J， Lv S H， Zhao Z G， et al， 2015.Impacts of the Two biggest lakes on local temperature and precipitation in the Yellow River Source Region of the Tibetan Plateau［J］.Advances in Meteorology， 2015（Pt.1）： 1-10.DOI： 10.1155/2015/248031 .
null
Wu Y， Huang A N， Lazhu， et al， 2020.Improvements of the coupled WRF-Lake model over Lake Nam Co， Central Tibetan Plateau［J］.Climate Dynamics， 55（9-10）： 2703-2724.DOI： 10.1007/s00382-020-05402-3 .
null
Xiao C L， Lofgren B M， Wang J， et al， 2016.Improving the lake scheme within a coupled WRF-lake model in the Laurentian Great Lakes［J］.Journal of Advances in Modeling Earth Systems， 8（4）： 1969-1985.DOI： 10.1002/2016MS000717 .
null
Yeates P S， Imberger J， 2003.Pseudo two-dimensional simulations of internal and boundary fluxes in stratified lakes and reservoirs［J］.International Journal of River Basin Management， 1（4）： 297-319.DOI： 10.1080/15715124.2003.9635214 .
null
Zhang G Q， Yao T D， Zheng W F， et al， 2019.Regional differences of lake evolution across China during 1960s-2015 and its natural and anthropogenic causes［J］.Remote Sensing of Environment， 221.DOI： 10.1016/j.rse.2018.11.038 .
null
Zhao Z Z， Huang A N， Ma W Q， et al， 2022.Effects of Lake Nam Co and surrounding terrain on extreme precipitation over Nam Co Basin， Tibetan Plateau： A Case Study［J］.Journal of Geophysical Research： Atmospheres， 127（10）.DOI： 10.1029/2021JD036190 .
null
Zhou X， Lazhu， Yao X N， et al， 2023.Understanding two key processes associated with alpine lake ice phenology using a coupled atmosphere-lake model［J］.Journal of Hydrology-Regional Studies， 46： 101334-101334.DOI： 10.1016/j.ejrh.2023.101334 .
null
Zhu L J， Jin J M， Liu X， et al， 2018.Simulations of the impact of lakes on local and regional climate over the Tibetan Plateau［J］.Atmosphere-Ocean， 56（4）： 230-239.DOI： 10.1080/07055900.2017.1401524 .
null
鲍艳， 王玉琦， 南素兰， 等， 2023.青藏高原植被对未来气候变暖的反馈［J］.高原气象， 42（3）： 553-563.DOI： 10.7522/j.issn.1000-0534.2021.00109.Bao Y ，
null
Wang Y Q， Nan S L， et al， 2023.Response of vegetation over the Qinghai-Xizang Plateau to projected warming climate［J］.Plateau Meteorology， 42（3）： 553-563.DOI： 10.7522/j.issn.1000-0534.2021.00109 .
null
常亚茹， 张继贤， 韩文立， 等， 2022.利用Sentinel-1A数据的纳木错湖面月际变化监测［J］.遥感信息， 37（2）： 45-52.DOI： 10.3969/j.issn.1000-3177.2022.02.006.Chang Y R ，
null
Zhang J F， Han W L， et al， 2022.Monitoring inter-monthly change of Namtso Lake surface using sentinel-1A data［J］.Remote Sensing Information， 37（2）： 45-52.DOI： 10.3969/j.issn.1000-3177.2022.02.006 .
null
陈锋， 康世昌， 张拥军， 等， 2009.纳木错流域冰川和湖泊变化对气候变化的响应［J］.山地学报， 27（6）： 641-647.DOI： 10.3969/j.issn.1008-2786.2009.06.001.Chen F ，
null
Kang S C， Zhang Y J， et al， 2019.Glaciers and lake change in response to climate change in the Nam Co Basin， Tibet［J］.Journal of Mountain Science， 27（6）： 641-647.DOI： 10.3969/j.issn.1008-2786.2009.06.001 .
null
德吉央宗， 强巴欧珠， 白玛央宗， 等， 2019.西藏纳木错湖泊面积变化对气候变化的响应［J］.河南科技， 672（10）： 133-136.DOI： 10.3969/j.issn.1003-5168.2019.10.050.Deji Y C ，
null
Qiangba O Z， Baima Y Z， et al， 2019.Response of Namtso Lake area change to climate change in Tibet［J］.Henan Science and Technology， 672（10）： 133-136.DOI： 10.3969/j.issn.1003-5168.2019.10.050 .
null
杜娟， 文莉娟， 苏东生， 2020.青藏高原不同深度湖泊无冰期湖气温差及湖表辐射与能量平衡特征模拟分析［J］.高原气象， 39（6）： 1181-1194.DOI： 10.7522/j.issn.1000-0534.2019.00133.Du J ，
null
Wen L J， Su D S， et al， 2020.Analysis of simulated temperature difference between lake surface and air and energy balance of Three Alpine Lakes with different depths on the Qinghai-Xizang Plateau during the ice-free period［J］.Plateau Meteorology， 39（6）： 1181-1194.DOI： 10.7522/j.issn.1000-0534.2019.00133 .
null
方楠， 阳坤， 拉珠， 2017.WRF湖泊模型对青藏高原纳木错湖的适用性研究［J］.高原气象， 36（3）： 610-618.DOI： 10.7522/j.issn.1000-0534.2016.00038.Fang N ，
null
Yang K， La Z， 2017.Research on the application of WRF-Lake modeling at Nam Co Lake on the Qinghai-Tibetan Plateau［J］.Plateau Meteorology， 36（3）： 610-618.DOI： 10.7522/j.issn.1000-0534.2016.00038 .
null
何友翔， 刘娟， 2021.2000—2020年纳木错的时空变化特征及其对气候变化的响应［J］.甘肃地质， 30（3）： 57-64.
null
He Y X， Liu J， 2021.Spatial-temporal changes in Nam Co Lake from 2000 to 2020 and its impact on climate change［J］.Gansu Geology， 30（3）： 57-64.
null
李蒙， 严登华， 刘少华， 等， 2017.近40 年来纳木错水面面积及蓄水量变化特征［J］.水电能源科学， 35（2）： 41-43+52.DOI： CNKI： SUN： SDNY.0.2017-02-010.Li M ，
null
Yan D H， Liu S H， et al， 2017.Variation characteristics of water surface area and water storage capacity of Namucuo Lake in recent 40 years［J］.Water Resources and Power， 35（2）： 41-43+52.DOI： CNKI： SUN： SDNY.0.2017-02-010 .
null
李治国， 2014. 近 50年气候变化背景下青藏高原冰川和湖泊变化（英文）［J］.Journal of Resources and Ecology， 5（2）： 123-131.DOI： 10.5814/j.issn.1674-764x.2014.02.004.Li Z G ， 2014.Glacier and lake changes across the Tibetan Plateau during the Past 50 years of climate change［J］.Journal of Resources and Ecology， 5（2）： 123-131.DOI： 10.5814/j.issn.1674-764x. 2014.02.004 .
null
林思诺， 张茵驰， 孙劭， 等， 2023.WRF参数化方案与初始场对闽江流域暴雨模拟的敏感性研究［J］.人民珠江， 44（10）： 35-46+61.DOI： 10.3969/j.issn.1001-9235.2023.10.004.Lin S N ，
null
Zhang Y C， Sun S， et al， 2023.Sensitivity study of WRF parameterization schemes and initial fields on rainstorm simulation in Minjiang River Basin［J］.Pearl River， 44（10）： 35-46+61.DOI： 10.3969/j.issn.1001-9235.2023.10.004 .
null
刘梦娟， 张旭， 陈葆德， 2018.边界层参数化方案在"灰色区域"尺度下的适用性评估［J］.大气科学， 42（1）： 18.DOI： 10.3878/j.issn.1006-9895.1704.16269.Liu M J ，
null
Zhang X， Chen B J， 2018.Assessment of the suitability of planetary boundary layer schemes at "Grey Zone" resolutions［J］.Chinese Journal of Atmospheric Sciences， 42（1）： 18.DOI： 10.3878/j.issn.1006-9895.1704.16269 .
null
闾利， 张廷斌， 易桂花， 等， 2019.2000年以来青藏高原湖泊面积变化与气候要素的响应关系研究［J］.湖泊科学， 31（2）： 573-589.
null
Lv L， Zhang Y B， Yi F H， et al， 2019.Changes of lake areas and its response to the climatic factors in Tibetan Plateau since 2000［J］.Journal of Lake Sciences， 31（2）： 573-589.
null
吕雅琼， 马耀明， 李茂善， 等， 2008.青藏高原纳木错湖区大气边界层结构分析［J］.高原气象， 27（6）： 1205-1210.
null
Lv Y Q， Ma Y M， Li M S， et al， 2008.Study on characteristic of atmospheric boundary layer over Lake Namco Region， Tibetan Plateau［J］.Plateau Meteorology， 27（6）： 1205-1210.
null
马耀明， 2020.青藏高原地气相互作用过程高分辨率（逐小时）综合观测数据集（2005-2016）［Z］.时空三极环境大数据平台.DOI： 10.11888/Meteoro.tpdc.270910.Ma Y， 2020.
null
A long-term dataset of integrated land-atmosphere interaction observations on the Tibetan Plateau （2005-2016）［Z］.A Big Earth Data Platform for Three Poles， DOI： 10.11888/Meteoro.tpdc.270910 .
null
牛瑞佳， 文莉娟， 王梦晓， 等， 2023.积雪和沙尘对冰封期青海湖辐射和温度的影响［J］.高原气象， 42（4）： 913-922.DOI： 10.7522/j.issn.1000-0534.2023.00021.Niu R J ，
null
Wen L J， Wang M X， et al， 2023.Effects of snow and dust on radiation and temperature in Qinghai Lake during ice-covered period［J］.Plateau Meteorology， 42（4）： 913-922.DOI： 10.7522/j.issn.1000-0534.2023.00021 .
null
宋春桥， 叶庆华， 程晓， 2015.基于ICESat/CryoSat-2卫星测高及站点观测的纳木错湖水位趋势变化监测［J］.科学通报， 60（21）： 2048.
null
Song C J， Ye Q H， Cheng X， 2015.Shifts in water level variation of Namco in the central Tibetan Plateau from ICESat and CryoSat-2 altimetry and station observations［J］.Chinese Science Bulletin， 60（21）： 2048.
null
宋兴宇， 文莉娟， 李茂善， 等， 2020.不同湖泊模式对青藏高原典型湖泊适用性对比研究［J］.高原气象， 39（2）： 13.DOI： 10.7522/j.issn.1000-0534.2019.00102.Song X Y ，
null
Wen L J， Li M S， et al， 2020.Comparative study on applicability of different lake models to typical Lakes in Qinghai-Tibetan Plateau［J］.Plateau Meteorology， 39（2）： 13.DOI： 10.7522/j.issn.1000-0534.2019.00102 .
null
苏东生， 文莉娟， 赵林， 等， 2019.青海湖夏秋季局地气候效应数值模拟研究［J］.高原气象， 38（5）： 944-958.DOI： 10.7522/j.issn.1000-0534.2018.00125.Su D S ，
null
Wen L J， Zhao L， et al， 2019.Numerical simulation of seasonal local climate effect in Qinghai Lake［J］.Plateau Meteorology， 38（5）： 944-958.DOI： 10.7522/j.issn.1000-0534.2018.00125 .
null
汪远伟， 邬光剑， 2018.纳木错多圈层综合观测研究站气象观测数据（2005-2016）［Z］.时空三极环境大数据平台.DOI： DOI： 10.11888/AtmosPhys.tpe.00000049.file.Wang Y W， Wu G J， 2018.Meteorological observation data from the integrated observation and research station of multiple spheres in Namco （2005-2016）［Z］.A Big Earth Data Platform for Three Poles， DOI： 10.11888/AtmosPhys.tpe.00000049.file.
null
王晓君， 马浩， 2011.新一代中尺度预报模式（WRF）国内应用进展［J］.地球科学进展， 26（11）： 1191-1199.DOI： 10.11867/j.issn.1001-8166.2011.11.1191.Wang X J ，
null
Ma H， 2011.Progress of application of the Weather Research and Forecast（WRF） Model in China［J］.Advances in Earth Science， 26（11）： 1191-1199.DOI： 10.11867/j.issn.1001-8166.2011.11.1191 .
null
吴冰雪， 苗峻峰， 杨薇， 2023.边界层参数化对海南岛山地环流结构和湍流特征模拟的影响［J］.地球物理学报， 66（5）： 1888-1910.
null
Wu B X， Miao J F， Yang W， 2023.Impact of planetary boundary layer parameterizations on simulated mountain circulation structure and turbulence characteristics over the Hainan Island［J］.Chinese Journal of Geophysics， 66（5）： 1888-1910.
null
吴艳红， 郭立男， 范兰馨， 等， 2022.青藏高原纳木错湖冰物候变化遥感监测与模拟［J］.遥感学报， 26（1）： 193-200.DOI： 10.11834/jrs.20221288.Wu Y H ，
null
Guo L N， Fan L X， et al， 2022.Lake ice phenology of the Nam Co at Tibetan Plateau： Remote sensing and modelling［J］.National Remote Sensing Bulletin， 26（1）： 193-200.DOI： 10.11834/jrs.20221288 .
null
许洁， 马耀明， 孙方林， 等， 2018.湖泊和上风向地形对纳木错地区秋季降水影响［J］.高原气象， 37（6）： 1535-1543.DOI： 10.7522/j.issn.1000-0534.2018.00054.Xu J ，
null
Ma Y M， Sun F L， et al， 2018.Analysis of effects of lake and upstream orography on the precipitation in fall over Nam Co Area［J］.Plateau Meteorology， 37（6）： 1535-1543.DOI： 10.7522/j.issn.1000-0534.2018.00054 .
null
阳坤， 何杰， 2016.中国区域高时空分辨率地面气象要素驱动数据集（1979-2015）［Z］.时空三极环境大数据平台.DOI： 10.3972/westdc.002.2014.db.Yang K， He J， 2016.China meteorological forcing dataset （1979-2015）［Z］.A Big Earth Data Platform for Three Poles.DOI： 10.3972/westdc.002.2014.db.
null
杨显玉， 吕雅琼， 文军， 等， 2022.扎陵湖和鄂陵湖夏季典型地表水热交换特征的数值模拟［J］.高原气象， 41（1）： 143-152.DOI： 10.7522/j.issn.1000-0534.2020.00090.Yang X Y ，
null
Lü Y Q， Wen J， et al， 2002.Numerical simulation of typical characteristics of land surface water-heat exchange over Gyaring Lake and Ngoring Lake in Summer［J］.Plateau Meteorology， 41（1）： 143-152.DOI： 10.7522/j.issn.1000-0534.2020.00090 .
null
杨扬， 卢冰， 王薇， 等， 2021.基于WRF的积云对流参数化方案对中国夏季降水预报的影响研究［J］.气象学报， 79（4）： 612-625.DOI： 10.11676/qxxb2021.045.Yang Y ，
null
Bing L， Wei W， et al， 2021.Impacts of cumulus parameterization schemes on the summertime precipitation forecast in China based on the WRF model［J］.Acta Meteorologica Sinica， 79（4）： 612-625.DOI： 10.11676/qxxb2021.045 .
null
朱立平， 谢曼平， 吴艳红， 2010.西藏纳木错1971～2004年湖泊面积变化及其原因的定量分析［J］.科学通报， 55（18）： 1789-1798.DOI： 10.1007/s11434-010-0015-8.Zhu L P ，
null
Xie M P， Wu Y H， 2010.Quantitative analysis of lake area variations and the influence factors from 1971 to 2004 in the Nam Co basin of the Tibetan Plateau［J］.Chinese Science Bulletin， 55（18）： 1789-1798.DOI： 10.1007/s11434-010-0015-8 .
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn