基于WRF-SFIRE模式的华北地区局地林火模拟研究

  • 高焕昕 , 1, 2, 3 ,
  • 师春香 , 4 ,
  • 毛文书 , 5 ,
  • 权畅 1, 2, 3 ,
  • 相云 1, 2, 3 ,
  • 左大鹏 1, 2, 3
展开
  • 1. 中国气象局雄安大气边界层重点开放实验室,河北 雄安新区 071800
  • 2. 河北省气象与现代经济重点实验室,河北 石家庄 050000
  • 3. 河北省气象科学研究所,河北 石家庄 050000
  • 4. 国家气象信息中心,北京 100081
  • 5. 成都信息工程大学大气科学学院,四川 成都 610225
师春香(1964 -), 女, 山西吕梁人, 二级研究员, 主要从事气象实况数据与再分析产品研发. E-mail:
毛文书(1972 -), 男, 四川成都人, 副教授, 主要从事短期气候预测及数值模拟研究. E-mail:

高焕昕(1997 -), 男, 吉林吉林人, 助理工程师, 主要从事野火与气象相关研究. E-mail:

收稿日期: 2025-06-18

  修回日期: 2025-09-22

  网络出版日期: 2026-04-13

基金资助

“十四五”民用航天技术预先研究项目(D040405)

国家自然科学基金项目(42430602)

Simulation of Localized Forest Fires in North China based on WRF-SFIRE Model

  • Huanxin GAO , 1, 2, 3 ,
  • Chunxiang SHI , 4 ,
  • Wenshu MAO , 5 ,
  • Chang QUAN 1, 2, 3 ,
  • Yun XIANG 1, 2, 3 ,
  • Dapeng ZUO 1, 2, 3
Expand
  • 1. China Meteorological Administration Xiong'an Atmospheric Boundary Layer Key Laboratory,Xiong'an New Area 071800,Hebei,China
  • 2. Hebei Key Laboratory of Meteorology and Modern Economy,Shijiazhuang 050000,Hebei,China
  • 3. Hebei Institute of Meteorological Sciences,Shijiazhuang 050000,Hebei,China
  • 4. National Meteorological Information Center,Beijing 100081,China
  • 5. College of Atmospheric Sciences,Chengdu University of Information Technology,Chengdu 610225,Sichuan,China

Received date: 2025-06-18

  Revised date: 2025-09-22

  Online published: 2026-04-13

Copyright

© Editorial Department of Plateau Meteorology (CC BY-NC-ND)

摘要

华北地区地形复杂, 太行山、 燕山山脉植被覆盖度高, 冬春季林火灾害频发, 针对中小尺度下林火蔓延模拟预报需求, 本文采用大气-野火耦合模式WRF-SFIRE, 对2021年“2·20”晋冀交界林火过程进行高分辨率模拟研究。通过引入GDEMV3 30 m地形数据、 GLC_FCS30_2020 30 m土地利用数据、 ESA_WorldCover 10 m地表覆盖度数据和CLDAS高精度土壤温湿度初始场, 开展包括地形、 土地利用、 可燃物、 陆面同化驱动、 大涡模拟等七组敏感性试验。结果表明: WRF-SFIRE模式能较好地再现风速、 风向和温度的日变化过程及概率分布特征, 模拟气象场与观测具有良好一致性。林火过程清晰表现出启动、 平稳、 加速与衰阶的阶段性演变特征, 过火区的空间形态与时间演变序列较好地反映了实际火势发展的规律, 且模拟的过火范围与遥感反演结果基本吻合。不同场景的敏感性试验表明, 各类高分辨率静态数据可显著改善风场结构与火行为的响应, 其中土地利用与燃料精度对火势扩展尤为敏感, 地形高程则在复杂地形下显著调控林火行为反馈过程。另外, CLDAS土壤温湿度作为驱动场有效提升了2 m温度的模拟精度, 验证了其在中小尺度林火预报中的应用价值。相比之下, 在1 km分辨率下直接开启大涡模拟并未改善模拟精度, 反而引入风向扰动增强等不稳定因素, 建议在中尺度下谨慎使用。综上所述, 本研究聚焦中小尺度林区, 评估了大气-野火耦合模型在林火数值模拟中的应用潜力, 并解析了林火蔓延过程中的气象演变与火场响应机制。研究结果强调, 合理整合多源高分辨率数据集和真实的下垫面条件是提升林火预报能力的关键。本研究不仅丰富了复杂地形下气火相互作用的理论认识, 也为森林草原防灭火工作及华北地区生态系统的长期保护提供科学支撑。

本文引用格式

高焕昕 , 师春香 , 毛文书 , 权畅 , 相云 , 左大鹏 . 基于WRF-SFIRE模式的华北地区局地林火模拟研究[J]. 高原气象, 2026 , 45(3) : 798 -819 . DOI: 10.7522/j.issn.1000-0534.2025.00103

Abstract

North China is characterized by complex topography, featuring dense vegetation in the Taihang Mountains and Yanshan Mountains.Forest fires frequently occur during winter and spring.To address the need for simulating and predicting forest fire spread at meso-and micro-scale, this study employs the coupled atmospheric-wildfire model WRF-SFIRE to conduct high-resolution simulations of a forest fire event that occurred at the Jin-Ji junction during the “2-20” period in 2021.Seven sensitivity experiments are designed to assess the effects of topography, land use, fuel type, land surface assimilation forcing, and large eddy simulation.The experiments incorporate GDEMV3 30 m topography, GLC_FCS30_2020 30 m land use, ESA_WorldCover 10 m land cover, and CLDAS high-precision soil temperature and moisture initial fields.The results demonstrate that the WRF-SFIRE model effectively reproduces the diurnal variations and probability distribution of wind speed, wind direction, and temperature, demonstrating strong agreement between simulated and observed meteorological fields.The simulated fire evolution exhibits distinct stages of ignition, stabilization, acceleration, and decay.The spatial and temporal characteristics of the simulated burn area closely match satellite-based fire detection results, accurately reflecting the real fire development process.The sensitivity experiments under different configurations reveal that incorporating high-resolution static datasets substantially improves the model’s representation of wind field structure and fire behavior.Notably, land use and fuel accuracy have the most pronounced influence on fire spread, while topographic elevation significantly modulates the feedback process of forest fire behavior in complex terrain.Moreover, introducing CLDAS soil temperature and moisture fields as driving inputs notably enhances the simulation accuracy of 2 m temperature, which verified its value in meso-and micro-scale forest fire forecasting.Conversely, enabling large eddy simulation (LES) at 1 km resolution did not improve t performance and instead introduced wind-related instabilities, suggesting that LES should be applied cautiously at mesoscale resolutions.In summary, this study evaluates the applicability of the WRF-SFIRE model in mesoscale and microscale forest regions, analyzes the meteorological evolution and fire response mechanisms during the spread of forest fires.The findings highlight that integrating multi-source high-resolution datasets with authentic land surface conditions is crucial for enhancing wildfire forecasting capabilities.This research not only advances the theoretical understanding of atmosphere-fire interactions in complex topography, but also provides scientific support for forest and grassland fire prevention and suppression efforts, as well as long-term ecosystem conservation in North China.

1 引言

火是影响生态系统、 地表特性、 碳循环、 大气化学、 气溶胶以及人类活动的关键地球系统过程(Marlon et al, 2008)。开展野火的模拟与预报对预防火险、 消防决策和防灾减灾有迫切需求(Liu et al, 2024)。当今, 数值模拟作为最具潜力的研究方法之一, 能够提供高精度的时空连续数据, 在气象要素模拟、 天气预报和气候分析等领域得到广泛应用(董泽新等, 2025粟运等, 2022齐亚杰等, 2020包逸群等, 2025; 胡芩等, 2024)。对于林火蔓延过程的模拟, 高分辨率的可燃物、 地形和气象条件场是决定火势发展的关键因素(Seong et al, 2013)。因此, 开展火场与气象场相关的敏感性试验, 是增加对火环境的理解, 也是进行火场排放物的化学研究、 气象和林火蔓延的预报等的重要前提(Mandel et al, 2014)。
CLDAS陆面数据在中国范围内较其他陆面资料精度高, 质量优, 因此被广泛用于各种气象研究以及灾害监测、 预警中(高焕昕, 2023Chen et al, 2019崔园园等, 2018师春香等, 2018孙小龙等, 2015)。从理论上来说, 高质量陆面数据, 尤其是高精度土壤温湿度数据, 对显热和潜热通量计算具有关键作用, 进而影响近地表温度和土壤体积含水量, 最终影响火场环境, 这种作用在中小尺度林区尤为显著, 因此将CLDAS土壤温湿度数据耦合到大气野火耦合模式中, 可显著提升近地面气象要素场和野火预报能力, 而至今为止, 基于CLDAS 数据开展大气野火来耦合模拟的相关研究仍较为匮乏。
WRF自3.2版(2010年4月发布)耦合了火场蔓延模型, 即WRF-Fire (Mandel et al, 2011)。随着模式的进一步发展, Mandel et al (2011)将 WRF 与 SFIRE 相结合, 采用水平集方法构建了 WRF-SFIRE。该模式是一种基于物理原理、 分布式架构, 并支持多种参数化方案的高分辨率大气与野火耦合预报模式, 该模式允许同时考虑地形坡度、 燃料特性、 气象因子和动态反馈交换等条件来预测野火蔓延, 能够捕捉复杂地形中时变的细尺度大气环流, 具有提高理解和预测更复杂、 快速变化的火灾行为的能力。目前, 国内外学者对WRF-SFIRE模式开展了大量研究工作, Liu et al (2024)针对2020年3月30日的西昌大火进行模拟研究, 结果表明地表对火灾行为的影响远远大于大气与火灾之间的相互作用, WRF-Fire模式作为一种真实的野火模拟工具具有很大的潜力, 为火灾预测提供了一种新的可行方法。WRF-SFIRE模式还支持将野火蔓延模型组件与天气研究和预报模型以及其他地球系统建模架构相耦合, 不仅可以与不同的大气驱动产品单向耦合运行, 还能与大气模式实现双向耦合, 从而延长实际野火预报的时效。Kochanski et al (2013, 2015)基于WRF-SFIRE耦合WRF-Chem进行了火灾排放物污染扩散的预测, 并构建了火灾行为和烟雾预测的综合预测系统WRFSC。Vejmelka et al (20132016) 将来自远程自动气象站的空间稀疏燃料湿度观测同化到WRF-SFIRE湿度模型中, 证明了数据同化方法能够改善未观测到的燃料类别的燃料湿度成分估计。在气火耦合的研究中, Liu et al (2024)表明, 双向耦合的大气野火模式能显著提升野火预报精度, 延长野火预报的预见期。以往利用WRF-SFIRE/WRF-Fire模式开展的野火模拟, 多集中在草原或简单地形下垫面进行研究(董琪如, 2017Peace et al, 2016Beezley et al, 2010), 少有对中小尺度林区的野火模拟进行研究。而中小尺度林区具有地形多样、 植被类型丰富、 局地气象显著等特点, 导致生态环境更加敏感, 火灾风险具有较强的时空变异性。因此, 开展WRF-SFIRE模式在中小尺度的林火模拟研究, 对提升中小尺度森林火险预报能力有着重要意义。
本文针对以往研究的不足, 将CLDAS土壤温湿度数据与CMA-RA全球大气再分析产品耦合驱动WRF-SFIRE模式, 对华北太行山典型林区的一场由山西蔓延至河北的跨境山火开展模拟, 评估了CLDAS土壤温湿度产品对林火预报的作用, 并通过敏感性试验分析地形、 下垫面和燃料对模拟的影响, 同时探讨了在1 km中微尺度过度分辨率下开启大涡模拟的效果, 为CLDAS土壤温湿度产品与WRF-SFIRE模式在华北中小尺度林区的野火蔓延预报应用提供科学参考。

2 资料来源和方法介绍

2.1 个例选取

本文选取“2·20”山西左权森林火灾个例进行模拟, 基于燃烧过程中的模拟结果对林火蔓延特征及气象环境场进行了分析。2021年2月20日下午, 山西省晋中市左权县羊角乡与河北省交界处发生森林火灾, 火势迅速蔓延至河北省邯郸市武安县境内的朝阳沟地区, 对森林环境系统构成严重威胁。截至2月22日, 在消防队伍上山扑救和直升机洒水作业的共同作用下, 火势已得到初步控制, 但部分区域仍出现复燃。文中所用时间均为北京时。

2.2 数据与处理

2.2.1 多源卫星遥感数据

本文基于葵花九号卫星, 于2021年2月20日16:00在山西省左权县羊角乡首次探测到火点信息, 利用波段阈值法(Chen et al, 2017)确定起火位置在36.9°N, 113.75°E。
对于火烧迹地的监测, 本文选取了2021年2月22日11:00 2 m分辨率的高分1号遥感影像, 经过辐射定标、 大气校正、 几何校正、 图像融合及几何精校正等处理。利用对植被敏感的432波段进行过火区提取处理, 黄色曲线圈出范围即为过火区(图1)。文中涉及的地图是基于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下载的审图号为GS(2024)0650的中国地图制作, 底图无修改。
图1 模式嵌套示意图(a)和卫星遥感影像图(b)

(a)为模拟区域和嵌套设置, 阴影区为海拔(单位: m); (b)为本研究区域2021年2月22日11:00高分一号卫星遥感影像, 黄色曲线圈出范围为过火区

Fig.1 Schematic diagram of model nesting and satellite remote sensing image.The left figure shows the simulation area and nesting setup, the shaded area is altitude (unit: m) (a); the right figure shows the Gaofen-1 satellite remote sensing image of this study area at 11:00 on February 22, 2021, the yellow curve is circled as the heavy overfire area (b)

2.2.2 观测站点数据

本文使用中国自动气象站逐分钟10 m 风速、 风向及2 m 气温数据评估模式结果。在数据质量控制方面, 首先剔除异常值和缺测段, 进行偏差订正, 并在验证环节重采样为逐5 min分辨率, 随后进行线性插值处理, 确保气象站数据与模式模拟数据在时空分辨上的可比性, 提升评估结果的稳定性与说服力。站点详细信息见表1, 空间分布见图2(b)。
表1 站点基本信息

Table 1 Basic information of observations

站名 站号 经度/°E 纬度/°N 海拔/m
左权县羊角 B6816 113.75° 36.9° 1226
武安朝阳沟 B0229 113.81° 36.92° 902
图2 d04区域原始(左)与更新后(右)的静态数据分布

(a, b)为气象场海拔(单位: m), (c, d)为火场海拔(单位: m), (e, f)为土地利用类型分布, (g, h)为燃料类型分布

Fig.2 Distribution of original (left) and updated (right) static data for area d04.(a, b) shows the topography of the meteorological field (unit: m), (c, d) shows the topography of the fire field (unit: m), (e, f) shows the distribution of land-use types, and (g, h) shows the distribution of fuel types

2.2.3 静态数据

本次模拟最内层分辨率为33 m, WPS静态地理数据库中默认土地利用和地形数据(约1 km)无法满足精细化模拟需求。因此本研究采用中国科学院遥感与数字地球研究所刘良云团队制作的全球首款30 m 分辨率、 采用连续变化检测的精细土地覆盖动态产品GLC_FCS30(Zhang et al, 2021)。依据MODIS静态数据中的20类分类体系, 对其进行重分类处理[图2(e), (f)]。
此外, 引入ASTER GDEM V3(Advanced Space Borne Thermal Emission and Reflection Radiometer Global Digital Elevation Model)30 m高分辨率地形数据(METI and NASA, 2009)作为模式地形场数据[图2(b), (d)]。地形数据在处理过程中进行了投影一致化处理, 并统一转换为WGS84坐标系统, 同时采用双线性插值方式重采样至模型格点, 以避免地形突变对风场模拟的不利影响。
由于中国目前缺少可燃物数据库, 因此本文基于卫星图片映射法, 将欧洲航天局提供的全球地表覆盖数据集ESA WorldCover 10m 2020 v100(Zanaga et al, 2021)与模式中所对应的Anderson 13 种可燃物(Anderson, 1982)进行映射重分类, ESA WorldCover 10m 2020 v100数据集中林地定为类别8(密林), 灌木定为类别5(灌木), 草地定为类别1(低草), 耕地定为类别3(高草), 建筑用地、 裸地、 稀疏植被区、 冰雪、 开阔水域、 草木湿地、 红树林及苔藓均定为类别14(不可燃物质), 具体可燃物信息见表2, 研究区可燃物空间分布见图2(g)、 (h)。为提高地物边界的连续性与物理一致性, 本文对可燃物与地形图层进行边界模糊处理, 通过局部空间滤波和分类平滑, 减弱图层拼接处的突变效应, 从而提升燃烧速率及蔓延路径模拟的稳定性与真实性。
表2 研究区可燃物基本信息

Table 2 Basic information on combustibles in the study area

类别 典型植被 负载量/(t·hm-2 可燃物层厚/cm 引燃临界含水量/%
1 h 10 h 100 h 活可燃物
1 低草 1.83 0.00 0.00 0.00 30.48 12
3 高草 7.44 0.00 0.00 0.00 76.20 25
5 灌木 2.47 1.24 0.00 4.94 60.96 20
8 密林 3.71 2.47 6.18 0.00 6.10 30
14 不可燃物 1×10-7 1×10-7 1×10-7 1×10-7 1×10-7 1×10-7

2.2.4 初始场与边界场数据

本文驱动模式所需的初始场及侧边界条件采用国家气象信息中心制作的逐6 h, 34 km水平分辨率的全球大气实况再分析产品CMA-RA(Liang et al, 2020)。该资料为多模式同化的气象再分析数据, 广泛应用于中尺度数值模拟(王旻燕等, 2018刘梦杰等, 2021)。
研究表明, 土壤温度是反映地表热力状态的重要指标, 通过调节地表能量与水分的收支过程, 进而影响林火蔓延。土壤湿度是陆面过程中的关键水分参量, 和地表能量平衡紧密相关, 可通过改变感热通量与潜热通量, 从而间接地对火场环境造成影响(晋伟等, 2023; 王秀智等, 2025; Mandel et al, 2014)。本研究所采用的Noah陆面模式中, 土壤温度与土壤湿度在垂直方向上被划分为4层, 分别对应0~10 cm、 10~40 cm、 40~100 cm及100~200 cm深度。本文引用中国气象局陆面数据同化系统(CLDAS-V 2.0)近实时产品中对应四层的土壤温湿度数据, 代替原始的初始值。CLDAS产品的空间分辨率为0.0625°×0.0625°。
数据融合过程中, CLDAS数据首先进行空间重采样与插值处理, 以匹配CMA-RA边界场的水平分辨率和时间尺度。同时通过偏差校正手段, 对土壤温湿度进行逐像素统计分布调整, 使其与历史气候观测数据分布一致, 减小模式初始误差对火场环境变量的影响。
通过与CMA-RA数据对比可知, 后者不仅分辨率较粗, 且在河北中南部区域表现为土壤温度偏高, 湿度偏低的特征。图3展示了d04区域中0~10 cm和10~40 cm层土壤温度和含水率更新前后的差异。结果表明, 更新后的土壤温度整体有所下降, 含水率则普遍上升, 增加幅度为0~0.035 m3·m-3。这些变化显著提升了模拟中地面能量收支与火场水热通量耦合的准确性, 为后续林火蔓延模拟提供了更具物理一致性的初始条件。
图3 d04区域更新后与原始的土壤温度差(a, b, 单位: ℃)和土壤含水率之差(c, d, 单位: m3·m-3

Fig.3 The difference in soil temperature (a, b, unit: ℃) and the difference in soil moisture content (c, d, unit: m3·m-3) between the updated and the original soil in area d04

2.3  WRF-SFIRE模式设置

本试验基于WRF-SFIRE模式, 采用四层网格嵌套(图1): 第一层覆盖晋冀交界区域, 第二层聚焦晋中与邯郸交界, 第三层进一步缩小至左权与武安交界, 第四层对应遥感影像的核心研究区(d04)。外层模拟区域中心点位于初始火点处(36.9°N, 113.75°E), 第四层分辨率由动力降尺度至1 km, 设有34×22个格点, 其中火网格再细分30倍, 投影方式为lambert, 采用混合垂直坐标系, 模式垂直方向利用下密上疏方式共设40层, 第一层格点离地高度约为24 m。各层网格设计见表3。模式的点火时间和点火位置以葵花九号首次探测到的火点信息为依据, 点火时间为2021年2月20日16:00, 点火位置为初始火点处, 点火持续时间为10 s, 点火半径设为120 m。模拟时段从2021年2月20日08:00至22日05:00。模式采用的物理参数化方案包括: 长波和短波辐射方案Rapid Radiative Transfer Model(RRTMG)(Iacono et al, 2008)、 微物理方案Eta-Ferrier(Rogers et al, 2001)、 修订的MM5近地面层方案(Janjić, 2002)及Noah陆面过程方案(Chen and Dudhia, 2001)。
表3 模式网格设置

Table 3 Grid settings for all domains

嵌套层 网格数 水平分辨率 水平跨越/km 时间步长/s
d01 34×22×40 27 km 918 108
d02 34×22×40 9 km 306 36
d03 34×22×40 3 km 102 12
d04 34×22×40 1 km 34 4
d04_火网格 1020×660×40 33 m 34 1.33
在选择边界层物理方案时, 若数值模式的网格间距明显大于主要湍涡的特征尺度, 则所有湍流活动需通过参数化来模拟其传输过程, 因为此时湍流属次网格尺度现象; 而当网格间距远小于含能湍涡尺度, 模式便能解析这些涡旋, 可采用大涡模拟(LES)方法来刻画湍流行为(Zhou, 2014)。通常, 前者的水平分辨率在4 km以上, 而后者要求小于100 m, 以确保能量谱处于惯性次级区。当模式分辨率与含能湍涡尺度接近时, 一部分湍流可以直接模拟, 另一部分仍需借助参数化方法, 这就导致了湍流处理上的“灰区问题”(Zhang et al, 2018)。本文着重讨论大涡模拟在1 km分辨率对模式结果的影响。因此模式前三层使用YSU模式(Noh et al, 2003), 第四层通过设计敏感性试验, 分别使用YSU及大涡模拟, 其中大涡模拟使用SMAG亚网格方案(李叶晴等, 2023)。同时对于适用中尺度模拟的积云对流方案Kain-Fritsch(Kain, 2004), 仅在大涡模拟时在最内层关闭。

2.4 试验方案

为探讨不同分辨率的地形、 土地利用、 燃料数据、 CLDAS土壤温湿度场及大涡模拟对模拟结果的影响, 本文设计了7组对比试验详见表4。控制试验(CTL)采用更新后的高分辨率地形、 土地利用和燃料数据, 并以CLDAS土壤温湿度产品替换原始初始场, 其中边界层参数化方案选择YSU方案(Noh et al, 2003)。地形敏感性试验1(TOPO_30s)和试验2(ZSF_30s)分别针对气象场与火场, 使用原始30 s分辨率地形数据; 试验3(LU_30s)用于评估土地利用精度影响, 使用原始30 s土地利用数据; 试验4(FUEL_1s)则使用基于GLC_FCS30产品制作的1 s分辨率可燃物分类数据, 以分析燃料分类敏感性; 试验5(CMA-RA_st&sm)仍使用CMA-RA提供的土壤温湿度初始场, 试验6(LES)则在边界层参数化方案中应用大涡模拟相关配置, 各试验方案见表4
表4 7组试验方案

Table 4 Description of the seven simulation experiments

试验名称

气象场地形

分辨率

火场地形

分辨率

土地利用

分辨率

可燃物分辨率 初始土壤温湿度 边界层参数
控制试验: CTL GDEMV3: 1s GDEMV3: 1s GLC_FCS30_2020: 1s ESA_WorldCover: 1/3s CLDAS YSU
试验1: TOPO_30s gtopo2010: 30s GDEMV3: 1s GLC_FCS30_2020: 1s ESA_WorldCover: 1/3s CLDAS YSU
试验2: ZSF_30s GDEMV3: 1s gtopo2010: 30s GLC_FCS30_2020: 1s ESA_WorldCover: 1/3s CLDAS YSU
试验3: LU_30s GDEMV3: 1s GDEMV3: 1s MODIS: 30s ESA_WorldCover: 1/3s CLDAS YSU
试验4: FUEL_1s GDEMV3: 1s GDEMV3: 1s GLC_FCS30_2020: 1s GLC_FCS30_2020: 1s CLDAS YSU
试验5: CMA-RA_st&sm GDEMV3: 1s GDEMV3: 1s GLC_FCS30_2020: 1s ESA_WorldCover: 1/3s CMA-RA YSU
试验6: LES GDEMV3: 1s GDEMV3: 1s GLC_FCS30_2020: 1s ESA_WorldCover: 1/3s CLDAS LES

加粗字体代表各试验方案中变化项(The bold font represents the variable intems in each test plan)

3 结果分析

本章从气象场检验入手, 依次分析林火时空演变特征及不同模拟方案的影响机制。

3.1 结果验证与评估

为全面评估不同敏感性试验方案在林火区域气象场模拟中的表现, 本文从时间变化特征、 空间分布特征、 统计误差和概率密度分布的角度出发, 综合采用时序图、 风玫瑰图、 泰勒图、 概率密度分布等手段进行分析。
图4展示了d04区域内所有站点的气象要素平均日变化。结果表明, 10 m风速整体高估, 但能较好再现昼强夜弱的日变化特征; 风向观测呈上午偏东、 其余时段偏西, 试验1和试验2因粗分辨率地形导致局部偏差, 试验6的大涡模拟未能解析清晨偏东风, 反映出1 km分辨率下对弱环流刻画不足。气温模拟普遍能再现昼夜变化及极值出现时段, 但峰值偏低, 且试验5在16:00后表现较差, 主要因CMA-RA土壤湿度偏干、 分辨率粗糙, 削弱了陆面通量响应, 导致下午时段地表辐射冷启动后, 本应逐渐降低的感热通量被过渡维持, 从而影响了边界层的冷却过程, 表现为2 m气温偏高或冷却不足。
图4 d04 所有站点气象变量在不同试验中的平均日变化

(a)10 m风速(单位: m·s-1); (b)10 m风向[单位: (°)]; (c)2 m气温(单位: ℃)

Fig.4 d04 mean daily changes in meteorological variables across trials for all sites.(a) 10 m wind speed (unit: m·s-1); (b) 10 m wind direction [unit: (°)]; (c) 2 m air temperature (unit: °C)

为揭示风向模拟中的局地偏差, 利用风玫瑰图分析了7组试验在左权羊角(山脊站)和武安朝阳沟(山谷站)的10 m风速与风向频率分布(图5)。观测显示主导风向为西北-东南, 受地形走向控制, 表现出显著“地形通道效应”[图5(a)]。控制试验(CTL)能较好再现该特征, 而试验2(ZSF_30s)偏差明显, 说明提高地形分辨率有助于提升风向模拟精度。风速方面, 各试验普遍高估大于2 m·s-1 的风速频率, 与图4(a)互为佐证。其中试验3(LU_30s)和试验4(FUEL_1s)的主导风速频率中最大风速大于10 m·s-1, 表明土地利用与可燃物数据的分类精度对林火模拟的极大风速影响显著。
图5 不同试验方案的风玫瑰图

(a)OBS为观测; (b~h)分别为7组敏感性试验。左下风玫瑰图站号为B6816; 右上风玫瑰图站号为B0229

Fig.5 Wind rose diagrams for different test scenarios.(a) OBS are observations; (b~h) are seven sets of sensitivity tests, respectively.The lower left wind rose diagram station number is B6816; the upper right wind rose diagram station number is B0229

为评估不同试验的模拟精度, 利用研究区逐分钟观测数据对10 m风速、 风向和2 m气温进行检验。图6显示, 风速模拟差异较小, 控制试验(CTL)表现最佳(相关系数0.8170), 土地利用和燃料数据对风速影响显著[图6(a)]。究其原因, 土地利用类型通过调控地表摩擦和能量通量, 从而改变了近地层风速结构; 而燃料参数通过调节火行为、 热量及水汽释放速率, 进而在火-气相互作用中引发火驱动风的过程, 对局地风速的模拟产生敏感响应。因此, 高分辨率且合理配置的土地利用和燃料数据对提高风速模拟精度至关重要。在温度指标上, CTL同样最优(相关系数0.8845, 标准差0.9896), 而试验5(CMA-RA_st&sm)偏差较大(相关系数0.7651, 标准差1.5004), 反映出粗分辨率土壤湿度数据削弱了陆面通量响应。相比之下, CLDAS高精度土壤温湿度场能更好地刻画近地层热力结构, 从而提升2 m气温模拟效果。
图6 d04 区域不同试验方案逐5 min 10 m风速(a)与2 m气温(b)泰勒图

Fig.6 Taylor diagrams of five-minutes 10 m wind speed (a) and 2 m air temperature (b) from different experimental scenarios in the d04 region

表5显示, 各试验在10 m风速和2 m气温的误差特征与泰勒图基本一致, 其中试验3(LU_30s)和试验4(FUEL_1s)风速误差较大, 试验5(CMA-RA_st&sm)气温误差突出。10 m风向方面, 试验6(LES)误差最大, 说明在1 km分辨率下大涡模拟虽能解析细尺度湍流, 却增强了近地层风场的瞬时波动性, 从而导致偏差增大。
表5 不同试验方案模拟的10 m 风速、 风向和2 m气温平均误差

Table 5 The average errors of 10 m wind speedwind direction and 2 m air temperature simulated by different test schemes

物理量

误差

指标

控制试验CTL 试验1: TOPO_30s 试验2: ZSF_30s 试验3: LU_30s 试验4: FUEL_1s 试验5: CMA-RA_st&sm 试验6:LES

10 m风速

/(m·s-1

MAE 2.5458 2.5448 2.5583 2.9546 2.8705 2.5515 2.5659
RMSE 2.6420 2.6706 2.6718 3.0737 2.9952 2.6664 2.6911

10 m风向

/(°)

MAE 22.4869 28.6791 30.3404 27.1339 25.5300 26.5793 52.6760
RMSE 30.8597 48.3273 51.6697 42.2698 39.8973 36.0387 86.6076

2 m气温

/℃

MAE 2.2803 2.4683 2.5547 2.5256 2.6134 2.7626 2.3754
RMSE 2.6282 2.7686 2.8471 2.8503 2.9611 3.0550 2.7053

粗体表示对各物理量影响较大的试验(bold text indicates experiments with significant influence on each physical quantity)

为进一步揭示不同敏感性试验对气象要素模拟精度的影响, 图7给出了近地面风速、 风向及2 m温度的日变化误差棒图, 其误差棒圆点表示每3 h内各站点误差中位数, 上下界分别对应75%和25%分位数。结合图4的时间序列图从整体上来看, 风速较小时段(2月20日17:00 -19:00)误差分布较窄; 风速较大时段(2月21日11:00 -13:00)误差范围显著扩大, 这一点与前人研究相一致(Doubrawa et al, 2018)。同时25%分位数均高于0, 显示出明显高估, 误差多集中在2~4 m·s-1之间, 且随时间演变相对稳定, 其中试验3(LU_30s)的风速误差偏离其他试验且显示出明显的高估, 表明了高分辨率且合理分配的土地利用数据对于风速的模拟至关重要[图7(a)]。
图7 不同试验的近地面风速(a)、 风向(b)和2 m气温(c)的误差棒日变化

Fig.7 Daily variation of error bars of near-surface wind speed (a), wind direction (b) and 2 m air temperature (c) for different tests

风向的模拟误差表现出显著的时间变化, 整体规律首先看风玫瑰图5中显示模拟结果较好的控制试验, 结果显示在上午时段(2月21日08:00 -10:00)的东南风向模拟中, 存在偏南高估(约180°); 而其他时段的西北风则有偏西低估。值得注意的是, 风向作为向量变量, 受湍流和小尺度扰动更强, 尤其是在试验6(LES)中, 风向误差的日变化更为剧烈, 呈现出突变特征, 且与其他试验中风向误差估计中呈现相反态势, 该特征可能与解析细尺度湍流结构导致风向不稳定有关, 因此在1 km尺度分辨率的林火模拟中关闭边界层进行大涡模拟并不适宜[图7(b)]。
对于2 m气温而言[图7(c)], 不同时间点的中位数变化趋势来看, 模型在夜间时段(20:00 -04:00)的偏差较小, 模拟效果优于白天(05:00 -13:00)。同时, 夜间误差的分布范围亦较白天更集中, 反映出模型对夜间气温的模拟具有更高一致性和稳定性。这种日变化特征反映了夜间火势处于尚未充分发展阶段(图9), 燃烧活动较弱, 导致感热通量释放有限, 加之缺乏太阳短波辐射、 地表辐射冷却及浅薄静稳边界层, 使模型更易刻画稳定的冷却过程, 从而提升了2 m气温模拟的准确性与一致性。反观白天, 在强烈的地表感热作用下, 边界层迅速抬升并发展为混合层。此时, 火源引发的热羽流与背景边界层结构发生复杂的相互作用, 触发中尺度热力扰动、 上升热通量对流及湍流增强, 导致火势进一步增强, 加速蔓延(图9), 显著增加了2 m气温模拟的不准确性。
图8 不同试验的近地面风速(a)、 风向(b)和2 m气温(c)概率密度分布

Fig.8 Probability density distribution of near-surface wind speed (a), wind direction (b) and 2 m air temperature (c) for different tests

图9 林火蔓延特征变量时间序列

(a)中红线代表火头蔓延速率(单位: m·s-1), 蓝线代表火头火焰高度(单位: m); (b)中红线代表火头释放的热量通量(单位: W·m-2), 蓝线代表火头释放的水汽通量(单位: 10 W·m-2), (c)中红线代表过火区面积(单位: km2), 蓝线代表新增过火区面积(单位: km2

Fig.9 Time series of variables characterizing wildfire spread.(a) the red line represents the rate of fire head spread (unit: m·s-1) and the blue line represents the flame height (unit: m), (b) the red line represents the heat flux released by the fire head (unit: W·m-2), and the blue line represents the water vapor flux released by the fire head (unit: 10 W·m-2), (c) the red line represents the area of overfire zone (unit: km2) and the blue line represents the area of additional overfire zone (unit: km2

为从统计角度进一步评估模型对近地面气象要素的模拟性能, 图8绘制了各试验方案下10 m风速、 风向及2 m气温的概率密度分布情况。观测风速(黑线)呈典型的双峰特征, 低风速主峰1~2 m·s-1, 而多数试验在4~6 m·s-1出现较高概率密度, 显示模型在弱风条件下普遍高估, 尤其是试验3(LU_30s)偏差最为显著, 说明土地利用分辨率和地形设定对风速模拟影响较大[图8(a)]。观测风向主要集中在150°与300°附近, 大部分试验能较好再现这一集中分布, 而试验6(LES)则出现多个离散峰值, 显著偏离观测, 反映出解析湍流后的风向波动增强, 缺乏集中性[图8(b)]。观测2 m气温主要集中在6~22 ℃, 昼夜波动明显。而多数模拟集中在9~20 ℃, 主峰约10 ℃, 略低于观测, 且在15~22 ℃的高温概率显著不足[图8(c)], 这一冷偏差与CLDAS土壤湿度偏高有关[图3(c), (d)], 模式中更多地表感热通量被转换为潜热通量, 使边界层水汽通量偏高, 削弱短波辐射入射, 影响白天地面升温。同时, 夜间长波辐射发散被低估, 导致过渡冷却, 最终表现为昼夜均偏冷[图4(c)]。

3.2 林火蔓延模拟时空特征分析

综合3.1节的评估结果, 不同试验在近地面气象要素模拟上存在差异, 而这些要素正是驱动林火蔓延的关键外部条件。为进一步揭示气象条件对火场演化的影响, 本研究将从火场时间演化和空间扩展两方面, 系统分析林火蔓延的阶段性特征。

3.2.1 林火蔓延模拟时间变化特征

林火蔓延强度的变化主要由蔓延速率、 火焰高度来体现(王宇虹等, 2024)。由于火焰周围各个方向的蔓延速率和火焰高度并不一致, 本研究则针对火头位置的行为特征来进行时序分析, 即在林火蔓延速率最快、 火焰高度最大处的位置进行研究探讨。
本次林火过程依据蔓延发展程度分为8个阶段(图9):
(1) 2月20日16:00 -19:30为低强度启动期, 火头蔓延速率与火焰高度开始小幅上升[图9(a)], 感热通量和水汽通量出现初步波动, 表明蔓延开始启动, 火头进入有限范围的传播[图9(b)]。过火面积增长缓慢, 新增面积较小, 此时火势尚处于点状扩展阶段[图9(c)]。此阶段伴随气温逐步下降、 相对湿度缓慢上升, 风速维持在1~2 m·s-1之间, 整体条件尚不足以显著助推火势, 表明火行为主要受地表可燃物影响启动。
(2) 2月20日19:30至21日02:20为平稳蔓延期, 本阶段火头蔓延速率与火焰高度均处于较低水平, 并维持相对稳定, 火头速率大致在0.2~0.6 m·s-1间波动, 火焰高度在0.2~0.3 m范围内变化[图9(a)], 感热通量与水汽通量无剧烈波动[图9(b)], 新增过火面积虽有积累但扩展速度缓[图9(c)]。气象条件基本平稳, 风速仍维持在1~4 m·s-1, 湿度在40%~45%, 无明显气象激发因子, 火势整体呈低强度缓慢推进态势。
(3) 2月21日02:20 -06:00为蔓延加速期, 火头蔓延速率由0.2 m·s-1快速上升到1.1 m·s-1, 火焰高度同步抬升至近0.8 m[图9(a)]。感热通量和水汽通量虽未剧烈跳升, 但维持在较高水平[图9(b)], 新增过火面积略有扩大[图9(c)]。气象驱动方面, 约在02:00前后, 风速由原先1 m·s-1左右突增至4 m·s-1以上, 湿度亦下降至约35%, 构成蔓延加速的关键气象触发因子。
(4) 2月21日06:00 -08:45为下行调整期, 此阶段火头蔓延速率显著下降, 由1.1 m·s-1 回落至0.2 m·s-1左右, 火焰高度从0.7 m下降至0.2 m以下[图9(a)], 感热通量和水汽通量保持平稳[图9(b)]新增过火面积增速减缓[图9(c)]。风速此时回落至1 m·s-1, 湿度上升至45%左右, 气象条件趋于稳定, 火势受限并进入短暂平缓阶段。
(5) 2月21日08:45 -16:15为剧烈发展期, 火头蔓延速率快速上升至约1.5 m·s-1, 火焰高度增长至0.8 m[图9(a)], 感热通量与水汽通量同步达到峰值[图9(b)]。新增过火面积快速跃升[图9(c)]。气象上, 该阶段风速明显增强, 特别是10:00前后跃升至6 m·s-1, 湿度下降至30%以下, 叠加白天气温升高形成强对流背景, 是火势急剧扩展的典型气象驱动窗口。
(6) 2月21日16:15 -19:55为阶段性衰减期, 火头蔓延速率由高峰迅速下降至0.2 m·s-1, 火焰高度亦回落至0.2 m以下[图9(a)]。感热通量与水汽通量虽略有下降但仍处高位震荡[图9(b)], 新增过火面积 扩展速度明显放缓[图9(c)]。风速在此阶段再次回落至2 m·s-1以下, 湿度略有上升, 火势进入相对受控状态。
(7) 2月21日19:55 -21:25为次高峰爆发期。火头蔓延速率出现反弹, 由前一阶段的低谷迅速回升至约1 m·s-1, 火焰高跃升至0.8 m左右[图9(a)], 感热通量和水汽通同步回升[图9(b)], 新增过火面积亦有所跃增[图9(c)]。尽管此时风速稳定维持在约1 m·s-1, 未出现显著突增, 但相对湿度再次下降至35%左右, 加之局部地形风作用或残余热力积累, 诱发林火短时复燃与剧烈活动, 呈现“次高峰”特征。
(8) 2月21日21:25至22日01:00为衰退终止期。火头蔓延速率与火线高度同步下降[图9(a)], 分别降至0.5 m·s-1与0.3 m左右。感热通量与水汽释放仍有波动[图9(b)]。新增过火面积出现小幅波动增长[图9(c)]。气象条件基本稳定, 风速维持在1 m·s-1左右、 湿度回升至45%以上, 有利于整体火势缓解, 但局部区域仍有可能发生跳火或复燃现象, 说明火场未完全平息。

3.2.2 林火蔓延模拟空间变化特征

图10展示了火灾事件8个典型时刻的蔓延空间分布, 揭示了地形、 可燃物和风场共同作用下的动态演变特征。20日19:30, 火势初起并集中于高草区, 因燃料厚、 含水率低, 火头迅速成型, 在夜间下沉风作用下缓慢东移[图10(a)]。21日02:00, 火区稳步扩大, 火线沿谷地向东推进, 呈带状延展, 表现出与风向的一致性[图10(b)]。21日06:00, 低湿高风背景下, 火势明显加快, 火区呈扇形拓展, 局部火舌沿坡道爬升进入密林, 显示坡面风和地形协同作用增强[图10(c)]。21日08:45, 随风速减弱和湿度升高, 火线受抑制并收敛, 高草区燃料大量消耗, 残余火势主要分布在草林交界处[图10(d)]。21日16:15, 火势进入高强度活跃期, 强风与上升坡面推动火区迅速向东南扩展, 部分火舌突破草地进入密林, 形成次生火区[图10(e)]。21日19:55, 气温下降、 风速减弱, 蔓延受限, 火区扩展趋缓[图10(f)]。21日21:25, 夜间下山风再度激活火头, 火舌沿谷地迅速推进, 形成次级爆发态势[图10(g)]。22日01:00, 火区轮廓稳定, 火线几乎停止推进, 仅在局地高草残留区和密林边缘低坡区维持残余火点, 火势明显减弱, 进入终结阶段[图10(h)]。
图10 林火蔓延不同阶段的空间分布变化

(a)~(h)分别对应2021年2月20日19:30至22日01:00不同时刻的模拟燃烧区域(红色实线);图中叠加10 m高度风场, 阴影区为海拔(单位: m)

Fig.10 Map of spatial variability at different stages of forest fire spread.(a)~(h) correspond to the simulated burning area (red solid line) at different moments from 19:30 on 20 to 01:00 on 22 February, 2021, respectively.The wind field at a height of 10 m is superimposed on the figure, the shaded area represents the altitude (unit: m)

3.3 林火蔓延模拟敏感性分析

在明确林火从启动、 蔓延到衰退的时空特征后, 本节将结合不同试验方案, 从林火蔓延速率、 火焰高度、 火头处释放的热量和水汽通量及燃烧面积等核心变量出发, 定量分析地形、 土地利用、 可燃物、 高分辨率陆面驱动数据及边界层方案对火势演化的影响。

3.3.1 火场特征量统计

由林火蔓延特征变量的时序变化(图9)可知, 21日16:15火势最为旺盛, 火线蔓延速率和火焰高度均达到峰值, 火头处释放大量热量与水汽, 因此选取此时段作为重点分析。不同试验在该时段火头处的特征变量统计值见表6。试验3(LU_30s)模拟的蔓延速率最大(1.9112 m·s-1), 火线高度最高(0.9265 m)。分别比控制试验(CTL)提高85%和156%, 且空间分布也展示出更大范围的高值区[图11(a), (b)]。其原因在于粗分辨率的土地利用数据低估地表粗糙度, 削弱摩擦效应, 导致近地面风速虚增(表5), 进而加速火势并抬升火焰高度。试验4(FUEL_1s)和试验1(TOPO_30s)模拟的火焰高度同样较大, 即粗分辨率的燃和地形场亦显著影响火势。在地形平滑处理后, 原有坡度起伏信息丢失, 热量通量更集中向上扩展, 造成火焰高度虚增[图11(c)]。试验2(ZSF_30s)中火头感热通量最强(32346.03 W·m-2), 进一步印证了粗糙地形导致热量集中释放的效应[图11(c)]。火头在试验5(CMA-RA_st&sm)中所释放的感热通量与水汽通量均偏高, 主要由于粗分辨率背景场低估了土壤湿度, 导致地表加热更为剧烈, 进而加强了对流发展。试验6(LES)中四项特征变量均偏低, 表明大涡模拟解析出的中小尺度扰动削弱了湍流对燃烧的持续强化作用, 抑制了火线加速与横向扩展, 同时增强的扩散作用降低了单位面积的释放密度[图11(a)~(d)]。因此, 在1 km的中微尺度过分辨率中的林火模拟, 使用 YSU 边界层方案能更稳定地表现出地形与热力条件对火势蔓延的耦合影响, 而开启 LES 模拟反而可能引入额外的不确定性。因此, 在尚未进入显著湍流显性解析区(< 500 m)之前, YSU 等非局地边界层方案更适合林火蔓延模拟的中尺度配置。
表6 不同试验燃烧最旺盛阶段火头处林火蔓延特征变量统计

Table 6 Statistics on variables characterizing the spread of forest fires at the head of the fire during the most intense phase of burning in different experiments

试验名称 ROS_max/(m·s-1 Length_max/m HFX_max/(W·m-2 QFX_max/(W·m-2
控制试验: CTL 1.0346 0.3620 135562.40 12441.91
试验1: TOPO_30s 1.3445 0.9236 140987.80 12939.86
试验2: ZSF_30s 1.1186 0.5912 32346.03 12968.72
试验3: LU_30s 1.9112 0.9265 157812.20 15306.00
试验4: FUEL_1s 1.4363 0.8363 152130.20 13962.50
试验5: CMA-RA_st&sm 1.4458 0.4074 300031.20 27536.85
试验6: LES 1.0249 0.3492 127199.90 11674.40

ROS_max为火头处火线蔓延速率(单位: m·s-1); Length_max为火头处火焰高度(单位: m); HFX_max和QFX_max分别为火头处释放的感热通量(单位: W·m-2)和水汽通量(单位: W·m-2), 粗体表示对各物理量影响较大的试验[ROS_max represents the fireline spread rate at the fire front (unit: m·s⁻¹); Length_max represents the fireline height at the fire front (unit: m); HFX_max and QFX_max represent the heat flux (unit: W·m⁻²) and water vapor flux (unit: W·m⁻²) released at the fire front, respectively.Bold text indicates experiments with significant influence on each physical quantity]

图11 不同试验燃烧最旺盛期林火蔓延特征变量空间变化

(a)火线蔓延速率(单位: m·s⁻¹); (b)火线火焰高度(单位: m); (c)火头释放热通量(单位: W·m⁻²); (d)火头释放水汽通量(单位: W·m⁻²)。阴影区为海拔(单位: m), 叠加10 m高度风场

Fig.11 Spatial variation of forest fire spread characteristic variables in different experimental burning peak stages.(a) represent the fireline spread rate (unit: m·s-1); (b) represent the fireline flame height (unit: m); (c) and (d) represent the heat flux (unit: W·m-2) and water vapor flux (unit: W·m-2) released at the head of the fire, respectively.The shaded area represents the altitude (unit: m).Superimposed on the 10 m height wind field

3.3.2 过火面积评估

图12对比了火势结束后不同试验的数值模拟与遥感反演的燃烧面积。从图12中可以看出, OBS火区形态不规则, 主要分布在图像中部偏西南。各试验与OBS在空间分布上均有一定重叠, 但火烧迹地的范围和边界差异明显, 表明模型对初始条件、 地形分辨率、 燃料类型、 土地分类等因素高度敏感。
图12 燃尽阶段不同试验的数值模拟及遥感反演的过火区疤痕图

Fig.12 Overfire zone scar maps of numerical simulation and remote sensing retrieval for different tests in the burnout stage

控制试验(CTL)与OBS的重叠度最高, 能够较好地再现核心火区(西南至中部)的范围和边界, 体现出较强的基本模拟能力。试验3(LU_30s)和试验4(FUEL_1s)显著高估过火面积, 边界过度扩张, 可能与燃料负荷设定过大或土地覆盖参数配置不当有关。试验5(CMA-RA_st&sm)在西部和北部边界更贴近OBS, 但在南缘存在欠烧, 说明其在边界控制方面更为保守。试验6(LES)在东南和西南方向明显扩展, 总体火烧面积高于OBS, 说明1 km分辨率并不适用于LES模拟。试验1(TOPO_30s)和试验2(ZSF_30s)在核心区域表现稳定, 但在东南方向上仍略有欠烧, 表明高分辨率地形处理对局地火传播模拟具有一定的改善作用。
为了定量评估所模拟的过火面积, 将燃烧区域划分为三类: 模拟与观测重叠区a; 仅模拟燃烧区b; 仅观测燃烧区c。基于这三类区域, 通常采用 KAPPA 系数(KC)(Congalton, 1991)和空间相关系数(SC)(Legendre et al, 1998)对燃烧面积进行评估。其中KC用于量化模拟与观测的一致性, 其计算公式如下:
K C = N i , j = 1 r x i j - i , j = 1 r ( x i +   x + j ) / N 2 - i , j = 1 r ( x i + x + j )
式中: N为混淆矩阵总像素数; r为混淆矩阵行数; xij 为混淆矩阵行i和列j的像素数; xi +为模拟混淆矩阵中abc区域的像素数; x+j 为观测值中abc区域的像素数。SC用于描述模拟与观测的相关性, 其计算公式如下:
S C = 2 a / ( 2 a + b + c )
为了定量评估模拟效果, 基于燃烧面积指数(BAI)方法提取高分1号影像的火烧迹地面积。BAI通过计算每个像素与参考光谱点的距离来识别烧后区域, 其中红外和近红外参考反射率值分别设为 0.06 和 0.1, 以增强烧毁区域的木炭信号(Sun et al, 2019)。计算公式如下:
B A I = 1 / [ ( 0.1 - ρ R ) 2 + ( 0.06 - ρ N I R ) 2 ]
式中: ρ R ρ N I R分别代表红外和近红外反射率。通过计算火灾前后地表植被的BAI平均值, 得到遥感反演的火灾面积为7.93 km2
表7显示不同试验的过火面积模拟精度差异明显。控制试验(CTL)表现最佳(KC=0.57, SC=0.70), 其模拟面积与观测高度一致。试验5(CMA-RA_st&sm)次之, 表明高精度土壤温湿度(CLDAS)有助于提升边界模拟精度。试验1(TOPO_30s)与试验2(ZSF_30s)表现稳定, 体现地形处理的改进具备一定效果。相较之下, 试验3(LU_30s)和试验4(FUEL_1s)存在显著高估, 试验6(LES)虽重叠面积适中, 但仍偏高估, KC和SC均较低。总体而言, 模拟结果受土地利用、 燃料、 地形、 初始场设置影响显著, 合理配置可有效提升模拟的空间一致性。
表7 不同试验过火面积的模拟精度评估

Table 7 Evaluation of the simulation accuracy of overfire areas of different tests

试验名称

模拟的

总面积/km2

重叠的

面积/km2

模拟过度的

面积/km2

模拟不足的

面积/km2

KC SC
控制试验: CTL 7.54 6.23 1.31 3.00 0.57 0.70
试验1: TOPO_30s 6.44 5.57 0.87 3.36 0.55 0.69
试验2: ZSF_30s 6.66 5.64 1.02 3.29 0.56 0.69
试验3: LU_30s 20.82 6.53 14.29 1.4 0.30 0.51
试验4: FUEL_1s 12.89 6.71 6.18 1.22 0.53 0.67
试验5: CMA-RA_st&sm 5.10 4.39 0.71 3.54 0.54 0.68
试验6: LES 9.30 5.44 3.86 2.49 0.47 0.63

4 结论

本文利用WRF-SFIRE模式, 采用四层网格嵌套, 开展华北地区复杂地形下的高分辨率局地林火模拟试验, 并且针对一次由山西省入侵河北省的林火蔓延代表性案例, 在气象背景场模拟准确的前提验证下, 进行了林火蔓延期间火行为时空特征模拟。试验中引入GDEMV3 30 m地形数据、 GLC_FCS30_2020 30 m土地利用数据、 ESA WorldCover 10 m 2020 v100地表覆盖数据集和CLDAS中国气象局陆面同化数据的土壤温湿度产品, 并设计了7组敏感性试验, 研究不同分辨率地形、 土地利用、 燃料数据及CLDAS土壤温湿度初始场对林火模拟的影响。另外, 对1 km分辨率下进行大涡模拟对林火模拟的适用性进行探讨。主要结论如下:
(1) 模拟结果在气象要素的日变化趋势、 风向频率分布与概率密度形态、 风速等级结构及气温昼夜变化等方面均与实况观测表现出良好一致性, 其中风速模拟呈现出系统性高估, 且模型在不同试验中均能刻画出风速日间增强, 夜间减弱的基本特性, 以及温度昼暖夜凉的变化规律。在此基础上, 林火蔓延过程呈现出启动、 平稳、 加速与衰退的典型阶段划分, 过火区的空间形态与时间演变序列较好地反映了实际火势发展的规律, 且模拟的火场空间范围与遥感反演结果基本吻合, 进一步验证了WRF-SFIRE模式在复杂地形条件下模拟局地林火过程的能力与适用性。
(2) 更新地形、 土地利用和燃料数据均可在不同程度上提升模拟精度。试验3(LU_30s)与试验4(FUEL_1s)显示, 粗分辨率土地利用与燃料参数导致地表摩擦估计失真, 进而影响近地面风速与火势传播速率, 对过火区的模拟存在明显高估。试验1(TOPO_30s)与试验2(ZSF_30s)中, 火场地形粗化造成坡度信息丢失, 热通量集中释放, 模拟出不合理的火焰高度和热强度分布。因此, 高分辨率地形与下垫面数据对于提升风场结构还原度和火行为反馈机制具有关键意义。
(3) 高精度陆面同化数据(CLDAS)对气温模拟改善效果显著。试验结果表明, 控制试验(CTL)中使用CLDAS土壤温湿度驱动下, 2 m气温模拟偏差显著低于CMA-RA背景场驱动的试验5(CMA-RA_st&sm)。这归因于CLDAS数据提供了更真实的地表热力状态, 使模式计算的显热与潜热通量更加合理, 从而改善了地表温度模拟及热通量反馈对火行为的影响。
(4) 在1 km分辨率下开启大涡模拟(LES)未能带来显著改善。相较于YSU方案, LES试验中风向模拟误差显著扩大, 表现出风场波动性增强、 模拟不稳定的特征, 甚至出现非主导方向的离散频率增强现象。这是由于LES解析出更多细尺度湍流结构, 但在尚未进入解析湍流主导尺度前, 过渡分辨率下的解析能力与不稳定反馈反而降低了模型的整体一致性, 因而在1 km分辨率中并不建议使用LES进行林火过程模拟。
综上所述, WRF-SFIRE在高分辨率林火模拟中展现出良好的适应性, 高精度地形、 土地利用、 燃料类型及陆面同化数据可有效提升模拟精度。在1 km分辨率下, 大涡模拟的效果有限, 应根据研究尺度合理选择边界层方案。
考虑到业务需求, 本文未将气象场降尺度至1 km以下, 其在更精细分辨率下的模拟性能仍需进一步验证。此外, 本文所采用的燃料参数基于Anderson分类体系(Anderson, 1982), 其与本地实际燃料条件的一致性尚待考证。在模拟验证方面, 本文主要依赖地面气象观测站, 仍显单一, 未来应结合无人机、 测风激光雷达、 涡动相关系统等多源观测手段, 开展FireFlux类综合观测实验, 引入垂直速度、 热通量与湍流动能等变量进行系统检验, 以支撑WRF-SFIRE模式在我国林火预测业务中的持续开发与模式评估。
Anderson H E1982.Aids to Determining Fuel Models For Estimating Fire Behavior[J].The Bark Beetles, Fuels, and Fire Bibliography, 143.

Beezley J D Kochanski A Kondratenko V Y, et al, 2010.Simulation of the Meadow Creek fire using WRF-Fire[C]//AGU Fall Meeting Abstracts, 1: 1478.

Chen F Dudhia J2001.Coupling an advanced land surface-hydrology model with the Penn state-NCAR MM5 modeling system.part II: preliminary model validation[J].Monthly Weather Review129(4): 587-604.DOI: 10.1175/1520-0493(2001)129<0587: caalsh>2.0.co;2 .

Chen J Zheng W Liu C2017.Application of grassland fire monitoring based on Himawari-8 geostationary meteorological satellite data[J].Nat.Disasters, 26, 197-204.

Chen Y He Y Mo J, et al., 2019.Evaluation of cold dew wind monitoring precision for late gee based on CLDAS data in Guangxi[J].Agricultural Biotechnology8(1): 194-198.

Congalton R G1991.A review of assessing the accuracy of classifications of remotely sensed data[J].Remote Sensing of Environment37(1): 35-46.DOI: 10.1016/0034-4257(91)90048-B .

Doubrawa P Montornes A Barthelmie R J, et al, 2018.Analysis of different gray zone treatments in WRF-LES real case simulations[J].Wind Energy Science Discussions, 2018: 1-23.

Iacono M J Delamere J S Mlawer E J, et al, 2008.Radiative forcing by long-lived greenhouse gases: calculations with the AER radiative transfer models[J].Journal of Geophysical Research: Atmospheres113(D13): 2008JD009944.DOI: 10.1029/2008JD009944 .

Janjić Z2002.Nonsingular Implementation of the Mellor-Yamada Level 2.5 Scheme in the NCEP Meso model (NCEP Office Note No.437)[J].NCEP Camp Springs Md, 61.

Kain J S2004.The kain-fritsch convective parameterization[J].Journal of Applied Meteorology (1988-2005), 43(1): 170-181.

Kochanski A K Beezley J D Mandel J, et al, 2013.Air pollution forecasting by coupled atmosphere-fire model WRF and SFIRE with WRF-Chem[EB/OL].arXiv: 1304.7703.

Kochanski A K Jenkins M A Yedinak K, et al, 2016.Toward an integrated system for fire, smoke and air quality simulations[J].International Journal of Wildland Fire25(5): 534-546.DOI: 10.1071/wf14074 .

Legendre P Legendre L1998.Numerical Ecology.2nd Ed[M].Amsterdam: Elsevier, 481-574.

Liang X Jiang L P Pan Y, et al, 2020.A 10-yr global land surface reanalysis interim dataset (CRA-interim/land): implementation and preliminary evaluation[J].Journal of Meteorological Research34(1): 101-116.DOI: 10.1007/s13351-020-9083-0 .

Liu Y J Miao S G Zhang H B2024.Sensitivity simulations of the 30 March 2020 Xichang wildfire in southwest China based on the WRF-fire model[J].Journal of Meteorological Research38(4): 826-843.DOI: 10.1007/s13351-024-3171-5 .

Mandel J Amram S Beezley J D, et al, 2014.Recent advances and applications of WRF-SFIRE[J].Natural Hazards and Earth System Sciences14(10): 2829-2845.DOI: 10.5194/nhess-14-2829-2014 .

Mandel J Beezley J D Kochanski A K2011.Coupled atmosphere-wildland fire modeling with WRF 3.3 and SFIRE 2011[J].Geoscientific Model Development4(3): 591-610.DOI: 10.5194/gmd-4-591-2011 .

Mandel J Beezley J D Kochanski A K2011.Coupled atmosphere-wildland fire modeling with WRF 3.3 and SFIRE 2011[J].Geoscientific Model Development4(3): 591-610.DOI: 10.5194/gmd-4-591-2011 .

Marlon J R Bartlein P J Carcaillet C, et al, 2008.Climate and human influences on global biomass burning over the past two millennia[J].Nature Geoscience1(10): 697-702.DOI: 10.1038/ngeo313 .

METI, NASA, 2009.ASTER GDEM Readme File-ASTER GDEM Versionl[M/OL].[2025].

Noh Y Cheon W G Hong S Y, et al, 2003.Improvement of the K-profile model for the planetary boundary layer based on large eddy simulation data[J].Boundary-Layer Meteorology107(2): 401-427.DOI: 10.1023/A: 1022146015946 .

Peace M Mattner T Mills G, et al, 2016.Coupled fire-atmosphere simulations of the rocky river fire using WRF-SFIRE[J].Journal of Applied Meteorology and Climatology55(5): 1151-1168.DOI: 10.1175/jamc-d-15-0157.1 .

Rogers E Black T Ferrier B, et al, 2001.Changes to the NCEP Meso Eta Analysis and Forecast System: increase in resolution, new cloud microphysics, modified precipitation assimilation, modified 3DVAR analysis[J].NWS Technical Procedures Bulletin, 488: 15.

Seong J H Han S O Jeong J H, et al, 2013.Study on sensitivities and fire area errors in WRF-fire simulation to different resolution data set of fuel and terrain, and surface wind[J].Atmosphere23(4): 485-500.DOI: 10.14191/atmos.2013.23.4.485 .

Vejmelka M Kochanski A K Mandel J2013.Data assimilation of fuel moisture in WRF-SFIRE[EB/OL].arXiv: 1309.0159.

Vejmelka M Kochanski A K Mandel J2016.Data assimilation of dead fuel moisture observations from remote automated weather stations[J].International Journal of Wildland Fire25(5): 558-568.DOI: 10.1071/wf14085 .

Zanaga D Kerchove V D Keersmaecker D, et al, 2021.ESA WorldCover 10 m 2020 v100.[M/OL].[2025].

Zhang X Bao J W Chen B D, et al, 2018.A three-dimensional scale-adaptive turbulent kinetic energy scheme in the WRF-ARW model[J].Monthly Weather Review146(7): 2023-2045.DOI: 10.1175/mwr-d-17-0356.1 .

Zhang X Liu L Y Chen X D, et al, 2021.GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery[J].Earth System Science Data13(6): 2753-2776.DOI: 10.5194/essd-13-2753-2021 .

Zhou B W Simon J S Chow F K2014.The convective boundary layer in the terra incognita[J].Journal of the Atmospheric Sciences71(7): 2545-2563.DOI: 10.1175/jas-d-13-0356.1 .

包逸群, 吕世华, 刘子莎, 2025.CLM5.0模式加密土壤分层方案对黄河源区玛多站土壤温湿度的模拟[J].高原气象44(3): 591-603.DOI: 10.7522/j.issn.1000-0534.2024.00096.Bao Y Q

S H Liu Z S2025.Simulation of soil temperature and humidity at mado station by CLM5.0 model encrypted soil layering scheme[J].Plateau Meteorology44(3): 591-603.DOI: 10.7522/j.issn.1000-0534.2024.00096 .

崔园园, 覃军, 敬文琪, 等, 2018.GLDAS和CLDAS融合土壤水分产品在青藏高原地区的适用性评估[J].高原气象37(1): 123-136.

Cui Y Y Qin J Jing W Q, et al, 2018.Applicability evaluation of merged soil moisture in GLDAS and CLDAS products over Qinghai-Tibetan Plateau[J].Plateau Meteorology37(1): 123-136.

董琪如, 2017.基于WRF-Fire模式的蒙古国入境大火数值模拟研究[D].南京: 南京信息工程大学.Dong Q R, 2017.Simulation of the Evolution of the Wildfire from Mongolia to China Using WRF-Fire Model[D].Nanjing: Nanjing University of Information Science & Technology.

董泽新, 吴硕岩, 叶芳, 等, 2025.基于WRF模式的CFD与LSTM技术对低空风切变数值模拟研究[J].高原气象44(2): 546-562.DOI: 10.7522/j.issn.1000-0534.2024.00119.Dong Z X

Wu S Y Ye F, et al, 2025.Numerical simulation of low-level wind shear using CFD and LSTM technology based on the WRF model[J].Plateau Meteorology44(2): 546-562.DOI: 10.7522/j.issn.1000-0534.2024.00119 .

高焕昕, 2023.基于CLDAS的大气野火耦合模式在林火预报中的应用研究[D].成都: 成都信息工程大学.Gao H X, 2023.Application of the Coupled Atmosphere-Wildland Fire Environment Modeling System Based on CLDAS in Forest Fire Forecasting[D].Chengdu: Chengdu University of Information Science and Technology.

胡芩, 齐冬梅, 周长艳, 等, 2025.若尔盖生态区CMIP6高分辨率模式气候模拟状况及未来多情景预估[J].高原气象44(2): 279-291.DOI: 10.7522/j.issn.1000-0534.2024.00055.Hu Q

Qi D M Zhou C Y, et al, 2025.Climate simulation and future scenario projection for the zoige ecological region by CMIP6 high-resolution models[J].Plateau Meteorology44(2): 279-291.DOI: 10.7522/j.issn.1000-0534.2024.00055 .

晋伟, 奥银焕, 文小航, 等, 2023.黄土高原不同作物下垫面陆气水热交换的模拟研究[J].高原气象42(3): 671-686.DOI: 10.7522/j.issn.1000-0534.2022.00078.Jin W

Ao Y H Wen X H, et al, 2023.Simulation of land-atmosphere water and heat exchange over the underlying surface of different crops on the Loess Plateau[J].Plateau Meteorology42(3): 671-686.DOI: 10.7522/j.issn.1000-0534.2022.00078 .

李叶晴, 师春香, 沈润平, 等, 2023.基于WRF-LES的门头沟地区近地面风场模拟与边界层方案敏感性研究[J].高原气象42(3): 758-770.DOI: 10.7522/j.issn.1000-0534.2022.00084.Li Y Q

Shi C X Shen R P, et al, 2023.Simulation of near-surface wind over Mentougou with WRF-LES and sensitivity study of planetary boundary layer schemes[J].Plateau Meteorology42(3): 758-770.DOI: 10.7522/j.issn.1000-0534.2022.00084 .

刘梦杰, 张卫星, 张镇驿, 等, 2021.CRA40在中国地区GNSS水汽反演中的适用性评估与分析[J].南京信息工程大学学报(自然科学版)13(2): 138-144.DOI: 10.13878/j.cnki.jnuist.2021.02.002.Liu M J

Zhang W X Zhang Z Y, et al, 2021.On the applicability of CRA40 in GNSS precipitable water vapor retrieval over China[J].Journal of Nanjing University of Information Science & Technology (Natural Science Edition)13(2): 138-144.DOI: 10.13878/j.cnki.jnuist.2021.02.002 .

齐亚杰, 陈敏, 仲跻芹, 等, 2020.RMAPS-ST耦合城市冠层模式后对华北地面气象要素的短期预报评估[J].干旱气象38(5): 859-868.

Qi Y J Chen M Zhong J Q, et al, 2020.Effect evaluation of short-term forecast of surface meteorological elements by using RMAPS-ST coupled urban canopy model in North China[J].Journal of Arid Meteorology38(5): 859-868.

师春香, 张帅, 孙帅, 等, 2018.改进的CLDAS降水驱动对中国区域 积雪模拟的影响评估[J].气象44(8): 985-997.DOI: 10.7519/j.issn.1000-0526.2018.08.001.Shi C X

Zhang S Sun S, et al, 2018.Effect of improved precipitation CLDAS on snow simulation in China[J].Meteorological Monthly44(8): 985-997.DOI: 10.7519/j.issn.1000-0526.2018.08.001 .

粟运, 师春香, 毛文书, 等, 2022.基于CLDAS-Prcp多源融合降水产品的WRF-Hydro模式在綦江流域的水文效用[J].高原气象41(3): 617-629.DOI: 10.7522/j.issn.1000-0534.2021.00073.Su Y

Shi C X Mao W S, et al, 2022.Hydrological utility of CLDAS-prcp multi-source fusion precipitation products in Qijiang River Basin-taking WRF-hydro model as an example[J].Plateau Meteorology41(3): 617-629.DOI: 10.7522/j.issn.1000-0534.2021.00073 .

孙桂芬, 覃先林, 刘树超, 等, 2019.典型植被指数识别火烧迹地潜力分析[J].国土资源遥感31(1): 204-211.

Sun G F Qin X L Liu S C, et al, 2019.Potential analysis of typical vegetation index for identifying burned area[J].Remote Sensing for Land & Resources31(1): 204-211.

孙小龙, 宋海清, 李平, 等, 2015.基于CLDAS资料的内蒙古干旱监测分析[J].气象41(10): 1245-1252.

Sun X L Song H Q Li P, et al, 2015.Analysis of drought monitoring in Inner Mongolia based on CLDAS data[J].Meteorological Monthly41(10): 1245-1252.

王旻燕, 姚爽, 姜立鹏, 等, 2018.我国全球大气再分析(CRA-40)卫星遥感资料的收集和预处理[J].气象科技进展8(1): 158-163.

Wang M Y Yao S Jiang L P, et al, 2018.Collection and pre-processing of satellite remote-sensing data in CRA-40(CMA’s global atmospheric ReAnalysis)[J].Advances in Meteorological Science and Technology8(1): 158-163.

王秀智, 杨启东, 何帅辰, 等, 2024.WRF模式多参数化方案对东南亚低纬高原陆气耦合强度的模拟评估[J].高原气象43(4): 995-1010.DOI: 10.7522/j.issn.1000-0534.2024.00070.Wang X Z

Yang Q D He S C, et al, 2024.Evaluation of land-atmosphere coupling strength in low-latitude highland of Southeast Asia by WRF model parameterization schemes[J].Plateau Meteorology43(4): 995-1010.DOI: 10.7522/j.issn.1000-0534.2024.00070 .

王宇虹, 陈仲榆, 杨晓丹, 等, 2024.重庆两场森林火灾蔓延特征的数值模拟[J].气象科技52(2): 205-217.DOI: 10.19517/j.1671-6345.20230100.Wang Y H

Chen Z Y Yang X D, et al, 2024.Numerical simulation study on spread characteristics of two wildfires in Chongqing[J].Meteorological Science and Technology52(2): 205-217.DOI: 10.19517/j.1671-6345.20230100 .

文章导航

/