1 引言
下垫面， 广义上指的是大气与其下边界的固态地面或液态水面的分界面， 是整个大气的主要热源和水汽源， 也是低层大气运动的边界面（黄良美等， 2007）。其对大气的影响主要体现在两个方面： 一是动力作用， 如地形的起伏可以通过对气流的阻挡而产生扰流或爬坡运动， 从而改变局地风场的方向和强度； 二是热力作用， 由于下垫面的地表特性不同， 地表反照率的不均一性可能会导致辐射的变化， 从而影响局地气温的空间分布（周其华等， 2005）。陆地作为人类生存的唯一栖息地， 其上的各种物理化学过程是整个地球气候系统研究中最重要也最基本的过程之一（Hong et al， 2009）。同时， 陆地表面上各种下垫面的类型及其变化也成为了全球变化研究的核心内容之一（傅伯杰等， 2005； 陈海山等， 2015）。
数值模式是天气预报、 天气过程机理等研究重要的技术手段之一， 多年来不断被研究人员用于局地天气预报， 区域降水， 空气污染和气候变化等研究和业务预报之中（Feng et al， 2012； 沈新勇等， 2019； 张宏文和高艳红， 2020）。不同地区、 不同天气条件、 不同天气分型下WRF（Weather Research and Forecasting）模式模拟的性能存在一定的差异， 这种差异与模式的空间分辨率、 初始边界场、 模拟时长、 参数化方案的选择等很多因素有关， 其中陆面过程对近地面和边界层气象场模拟有很大影响， 这也对相关的业务系统带来了极大的挑战（张宇等， 2010； Ruiz et al， 2005； 单帅等， 2020）。先前的研究多集中在陆面参数化方案和陆面参数对模式模拟的影响上（Miao et al， 2007）， 而对于陆面资料本身的分辨率和时效性的研究却较少。陆面资料作为数值模式重要的输入资料， 其准确性也是直接影响模式模拟效果的重要因素之一， 也成为了研究人员主要关注的问题之一。
下垫面资料影响反照率、 发射率、 热惯性等因素。Hong et al（2009）比较了植被覆盖度和土壤湿度对WRF模式模拟的影响， 发现不同的植被覆盖度和不同的土壤湿度均会对模式结果造成明显影响， 模拟结果对植被覆盖度的改变更加敏感。杨鹏等（2013）在研究了城市化对热岛效应的影响， 发现植被比例增大时有助于降低城市热岛效应。沈润平等（2019）使用了高分辨率的大气强迫和植被功能型数据对青藏高原的土壤温度进行了模拟， 发现使用了高分辨率的土壤资料能够改善模式模拟土壤湿度的极值， 对土壤温度的空间分布的模拟也更加接近观测值。周林帆等（2020）对西安城市下垫面进行研究时发现， 城市化作用会抑制低层风速的大小， 对西安地区风场影响较大。卢萍和陈章（2008）对成都的陆面信息进行更新后， 模拟研究发现热岛效应出现了明显的增强， 更能反映当地的真实情况。孙继松（2005）运用了大气动力学方程对太行山东侧低空不同垂直分布气流对降雨落区的影响进行分析， 发现地形对垂直气流与降雨落点有直接的影响。张朝林等（2007）在引入精细的下垫面信息后模拟发现精细的下垫面信息改进了降雨的模拟。综上所述， 模式中引入更加精细的下垫面信息将影响陆面过程和陆气相互作用， 进而对天气系统模拟的改进产生重要的非线性影响（郭炜， 2015）。
海南作为我国的经济特区和自由贸易的实验区， 自20世纪90年代以来城市化的速度已达到了全国前列。大规模的工业化和城市化使得海南的地表特征发生了显著且不可逆的变化。基于下垫面对气象场模拟的重要影响， 引入精细的下垫面信息是提高当地天气预报准确率的重要手段之一。本研究拟建立海南地区高时空分辨率的下垫面数据集并输入到WRF中尺度气象模式， 通过敏感性试验科学评估了高精度下垫面资料对WRF模式模拟海南地区气象场的影响。
2 数据选取与方法介绍
2.1 模式介绍与设置
WRF模式是由美国国家大气研究中心（NCAR， National Center for Atmospheric Research）和国家环境预报中心（NCEP， National Centers for Environmental Prediction）等部门联合开发的新一代中尺度数值天气预报系统， 分为ARW（Advanced Research WRF）和NMM（Nonhydrostatic Mesoscale Model）两个动力核。本文选用WRF-ARW V3.8.1对海南地区气象场进行模拟。模式采用三重双向嵌套方式， 中心经度/纬度为111.00°E/23.34°N， 嵌套区域水平分辨率分别为25 km（100×100个格点）、 5 km（301×301个格点）和1 km（316×316个格点）。最外层嵌套区域包含我国南部地区， 印度支纳半岛北部和我国南海的北部， 第二重嵌套区域包含华南大部分地区其周边海域， 最内层嵌套区域包含整个海南省及其周边海域［图1 （a）］。垂直方向分为36层， 模式层顶气压为50 hPa。三重嵌套区域积分时间步长分别为100 s、 20 s和4 s。选取2013年2月和7月两个月作为冬季和夏季的代表月进行模拟， 每次模拟的前三天作为模式的起转时间， 不参与后续分析。模式的初始场和侧边界条件由美国NCEP的FNL（Final Analyses）资料提供， FNL资料时间分辨率为6 h， 空间分辨率为 。文中涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2019）1823号的中国地图制作， 底图无修改。
对于不同的研究区域， 很难确定一个最优参数化方案的组合（Mooney et al， 2013）。在参考先前研究的基础上（张碧辉等， 2012； Jiménez et al， 2012）， 本文所采用物理参数化方案包括： WSM6（WRF Single-Moment 6-class）微物理过程方案、 YSU（Yonsei University）边界层方案、 RRTM（Rapid Radiative Transfer Model）长波辐射方案、 Dudhia短波辐射方案、 KF（Kain-Fritsch）积云方案（仅第一重嵌套使用）和Noah陆面过程方案。
制作高分辨率陆面资料数据集， 包括SRTM3（Shuttle Radar Topography Mission）地形、 基于IGBP（International Geosphere Biosphere Programme）分类标准处理得到的2013年MODIS（Moderate Resolution Imaging Spectroradiometer）土地利用、 基于2013年MODIS植被归一化指数（NDVI， Normalized Difference Vegetation Index）计算得到的植被覆盖度资料和HWSD（Harmonized World Soil Database）土壤类型数据， 用以替换WRF模式的默认数据， 并通过敏感性实验模拟研究采用精细化下垫面资料后对模拟气象场的影响。设计了6组数值模拟试验： BASE试验， 使用默认的下垫面资料； SEN1试验， 更新植被覆盖度资料； SEN2试验， 更新土地利用资料； SEN3试验， 更新地形资料； SEN4试验， 更新土壤类型资料； SEN5试验， 全部采用更新的下垫面资料（表1 ）。
表1 数值模式试验Table 1 Numerical simulation test |
| 数值试验 | 植被覆盖度 | 土地利用 | 地形 | 土壤类型 |
|---|---|---|---|---|
| BASE | MODIS FPAR | 2001年MODIS | GMTED2010 | FAO 5 min |
| SEN1 | 2013年MODIS | 2001年MODIS | GMTED2010 | FAO 5 min |
| SEN2 | MODIS FPAR | 2013年MODIS | GMTED2010 | FAO 5 min |
| SEN3 | MODIS FPAR | 2001年MODIS | SRTM3 | FAO 5 min |
| SEN4 | MODIS FPAR | 2001年MODIS | GMTED2010 | HWSD |
| SEN5 | 2013年MODIS | 2013年MODIS | SRTM3 | HWSD |
2.2 下垫面数据集
所选用的高精度下垫面数据集如包括： SRTM3地形资料， 水平分辨率为90 m； 基于IGBP分类标准处理得到的2013年MODIS土地利用资料， 水平分辨率为1 km； 基于MODIS植被归一化指数计算得到的2013年植被覆盖度资料， 水平分辨率为500 m； HWSD土壤类型资料， 水平分辨率为1 km。利用MODIS重投影工具软件（MRT， MODIS Reprojection Tool）将MODIS土地利用数据和NDVI数据产品转化为等经纬度的二进制数据， 并基于像元二分模型法将NDVI转换成植被覆盖度， 随后利用MATLAB软件将制作好的高精度数据集转换为WRF可读取的静态数据。
自WRFV3.8以后， WRF内的静态数据源的选择便发生了改变， 其中最典型的就是地形资料和植被覆盖资料的改变。对于地形资料， WRF使用的默认数据源由原本USGS（United States Geological Survey）于1996年制作的GTOPO30地形资料， 更新为由USGS发布的GMTED2010（Global Multiresolution Terrain Elevation Data）数据， 分辨率为225 m。作为新一代的WRF静态资料， GMTED2010在垂直方向的精度提升较为明显（Djamel and Hammadi， 2014）， 从海南地区WRF默认的地形［图2 （a）］中可以看出， 海南的地势中部高边缘低， 成金字塔形状分布。而SRTM3数据是由美国航空航天局（NASA， National Aeronautics and Space Administration）和国防部国家测绘局（NIMA， National Imagery and Mapping Agency）联合测量的高精度地形资料（Sadeh et al， 2013）， 其利用雷达进行地形测绘能够得到地表80%以上的数据， 覆盖60°N -56°S的区域， 数据的水平分辨率达到了90 m（吕雪芹等， 2008）。研究指出GMTED2010数据的均方根误差为23~36 m， 而SRTM3数据仅为16 m（Lin et al， 2010）， 即SRTM3数据的精度要高于GMTED2010数据（李晓丽等， 2020）。从SRTM3数据与WRF默认地形资料之间的偏差［图2 （b）］中可以看出， 二者大部分区域的偏差小于20 m， 但在山地等复杂地形处， 二者的偏差较大， 最大差异达到了78 m。通过与气象观测站的海拔对比， 发现SRTM3地形较GTOP30地形资料的海拔误差减少了5%， 说明SRTM3数据更能准确地代表海南地区的实际地形特征。
图2 WRF模式默认地形（a）及SRTM与默认地形的差异（b）， WRF模式默认的植被覆盖度（c）和更新的植被覆盖度（d）， WRF模式默认的土地利用（e）和更新的土地利用（f）， WRF模式默认的土壤类型（g）和更新的土壤类型（h）资料的对比Fig.2 The default terrain （a） and the difference between SRTM and default terrain （b）， the comparison of default vegetation fraction （c） and newly vegetation fraction （d）， default land use （e） and newly land use （f）， default soil type （g） and newly soil type （h） |
而对于植被覆盖资料， WRF默认的植被覆盖数据由基于1986 -1991年AVHRR（Advanced Very High Resolution Radiometer）NDVI卫星资料产品反演的0.144°分辨率全球逐月植被覆盖度资料， 替换为由台湾中央气象局和NCAR提供的2001 -2010年MODIS FPAR（Fraction of Photosynthetically Active Radiation）月平均植被覆盖率资料。由于植被覆盖存在较明显的年际变化特征（刘宪锋等， 2015； 孙红雨等， 1998）， 本文使用2013年的MODIS NDVI数据反演出的植被覆盖度资料替换模式默认的植被覆盖度资料， 时效性更好。从WRF默认的植被覆盖度和更新后的植被覆盖度数据［图2 （c）， 图2 （d）］中可以看出， 二者空间分辨率都较高， 但是更新后的植被覆盖数据在城市和森林区域的植被覆盖度减少， 这也符合海南城市化快速发展的特征。
WRF模式默认的土地利用资料有两种， 由美国地质勘测部门USGS制作的AVHRR土地利用资料和由美国波士顿大学制作的2001年MODIS土地利用资料。从所选用为默认的MODIS土地利用资料和更新的2013年MODIS土地利用数据［图2 （e）， 图2 （f）］可以看出， 两种土地利用资料在空间变化上相似， 但是更新后的数据对默认的数据的农田分类进行了较大的订正， 在城市地区二者分类也存在较大的差异（César et al， 2009； Wan and Li， 2008）。这是由于本文所使用的MODIS土地利用资料的版本为V6， 对比之前的版本， 第六版采用了6个分类方案， 并增加了一个全新的分类标准， 即基于FAO（Food and Agricultural Organization）组织所颁布的LCCS（Land Cover Classification System）分类标准， 反照率的计算上也选取了新的方法， 导致V5和V6数据中土地利用分类的发生明显变化。也有研究指出相对于V5版本， 使用V6版本反演出的土地利用结果精度更高且拟合程度较好（Schaaf et al， 2002； 魏轶男等， 2016）。
WRF默认使用的FAO资料的分辨率只有5 min， 而要进行更加准确的环境和气候变化的模拟则需要大量的精确的土壤数据（Stoorvogel et al， 2017）。世界土壤数据库（HWSD）的建立正好解决了这个问题， 该数据是通过整合联合国粮食与农业组织（FAO）、 世界土壤参考信息中心（ISRIC， World Soil Information）、 国际应用系统分析研究所（IIASA， International Institute for Applied Systems Analysis）和中国科学院南京土壤研究所（ISSCAS， Institute of Soil Science， Chinese Academy of Sciences）等数据联合制作发布。图2 （g）和图2 （h）为WRF默认的土壤类型和HWSD土壤类型的对比， HWSD土壤类型将原有大部分黏壤土更新为了砂质黏壤土， 且更新后的土壤类型对海南地区的土壤类型进行了更加细致的划分。
2.3 模式评估
基于国家气象信息中心提供海南地区18个自动气象站［图1 （b）］的逐时2 m温度（T2）、 2 m相对湿度（RH2）和10 m风速（WS）观测数据， 采用相关系数R、 均方根误差RMSE（root mean square error）、 平均偏差MB（Mean Bias）、 准确率HR（hit rate）和认同指数IA（index of agreement）五种统计参数用以评估WRF模式近地面气象场的模拟效果。其中HR的计算与标准值的设定有关， 本文所选定的T2， RH2， WS的标准值分别为2 ℃， 10%和1 m·s-1（Zhang et al， 2011）。
统计参数公式如下：
式中： F与O分别是模拟值和观测值； 和 分别是模拟值和观测值的平均值； N为样本总数； 为样本满足的条件的数量； S为标准值。
利用bootstrap方法， 检验采用更新的下垫面资料前后WRF模拟气象场RMSE的差异是否显著（p<0.05）。当采用更新下垫面资料后WRF模拟气象要素的RMSE小于采用模式下垫面资料时模拟气象要素的RMSE， 且两者存在显著差异， 说明更新的下垫面资料可以显著改进气象场模拟（方杰和张敏强， 2012）。
3 结果与讨论
3.1 近地面温度
从模式模拟海南省2013年2月和7月的平均2 m温度的空间分布［图3 （a）， 图4 （a）］中可以看出， 海南地区近地面气温分布的水平梯度较大， 海南中南部以五指山和鹦哥岭为主的地势较高地区的平均温度较低， 2 m温度随着地形下降逐渐升高， 城市区域温度升高较为明显， 说明地形、 土地利用等下垫面特征是影响温度分布的重要因子。
图3 BASE试验模拟2013年2月平均2 m温度（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟2 m温度的差异（单位： ℃）Fig.3 The 2 m average temperature of BASE （a）， and the mean 2 m temperature change between BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in February 2013.Unit： ℃ |
图4 BASE试验模拟2013年7月平均2 m温度（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟2 m温度的差异（单位： ℃）Fig.4 The 2 m average temperature of BASE （a）， and the mean 2 m temperature change between BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in July 2013.Unit： ℃ |
采用2013年的MODIS NDVI反演的植被覆盖度后（SEN1）， 海南偏北部地区植被覆盖度有所增加［图2 （c）， d）］， 导致植被蒸腾作用加强， 潜热增加， 感热减小， 进而使近地面气温降低［图3 （b）， 图4 （b）］； 而海南中部和南部大部分地区植被覆盖度减少， 导致植被蒸腾作用减弱， 潜热减少， 感热增加， 使近地面气温升高［图3 （b）， 图4 （b）］。从WRF模拟T2的RMSE来看， 采用新的植被覆盖度后， 2（7）月有33.3%（88.9%）的站点模拟T2的RMSE误差减小， 但变化不显著（p<0.05）［图5 （a）， 图6 （a）］。
图5 BASE试验与敏感性试验（SEN1~SEN5）模拟的2013年2月各气象因子RMSE的比较圆点代表各气象站点， 菱形代表有改进， 空心圆代表模拟效果变差， 星号代表RMSE变化显著 Fig.5 Comparison of RMSE between BASE and sensitivity simulation （SEN1-SEN5） for different meteorological factors in February 2013 |
图6 BASE试验与敏感性试验（SEN1~SEN5）模拟2013年7月各气象因子RMSE的比较圆点代表各气象站点， 菱形代表有改进， 空心圆代表模拟效果变差， 星号代表RMSE变化显著 Fig.6 Comparison of RMSE between BASE and sensitivity simulation （SEN1~SEN5） for different meteorological factors in July 2013. Dots represent weather stations， diamonds represent improvements， open circles represent worsening simulation effects， and asterisks represent significant changes in RMSE |
模式默认的土地利用资料， 海南大部分地区属于农地类型［图2 （e）］， 与卫星影像结果有很大偏差。2013年MODIS土地利用数据对此有很大的修正， 土地利用类型更正为热带稀林草地和有林草地［图2 （f）］。采用2013年的MODIS土地利用资料后（SEN2）， 叶面积指数减小（热带稀林草地和有林草的叶面积指数小于农地的叶面积指数）， 植被蒸腾作用减弱， 感热通量增大， 导致WRF模式模拟海南大部分地区（海口除外）的T2升高［图3 （c）和图4 （c）］。另外， 与模式默认的土地利用资料相比， 海南水域面积减少， 城市面积增加， 也是导致模拟T2增加的原因之一。采用新的土地利用资料后， 2（7）月有83.3%（66.7%）的站点模拟T2误差减小， 其中冬季27.8%的站点模拟T2的RMSE显著减小（p<0.05）［图5 （b）， 图6 （b）］， HR增加了3.3%（1.0%）。夏季的改进效果不如冬季明显， 这可能与海南极易受到台风和热带风暴的影响有关。有研究表明WRF模式在模拟小尺度的天气形势时， 所提供的边界条件的误差较大， 导致使用的积云尺度和中尺度之间的能谱差距与实际大气存在一定的差距（Davis and Bosart， 2002； Trivedi et al， 2010）。而夏季这种频发的现象所造成的系统性误差所带来的影响与更新土地利用所造成的影响互相抵消， 这也可能是夏季温度的改进效果不如冬季显著的原因之一。从不同敏感性试验结果来看（表2 ， 表3 ）， 土地利用的变化对模拟平均T2影响最大， 对模拟T2的改进效果最明显。
表2 2013年2月模式模拟的T2， RH2， WS的统计结果Table 2 Statistic performance of simulated T2， RH2 and WS in February 2013 |
| R | RMSE | MB | HR/% | IA | ||
|---|---|---|---|---|---|---|
| T2 | BASE | 0.870 | 1.728 ℃ | -0.863 ℃ | 76.90 | 0.902 |
| SEN1 | 0.870 | 1.723 ℃ | -0.852 ℃ | 77.27 | 0.903 | |
| SEN2 | 0.875 | 1.617 ℃ | -0.685 ℃ | 80.21 | 0.915 | |
| SEN3 | 0.868 | 1.728 ℃ | -0.852 ℃ | 77.11 | 0.902 | |
| SEN4 | 0.869 | 1.714 ℃ | -0.827 ℃ | 77.36 | 0.904 | |
| SEN5 | 0.875 | 1.603 ℃ | -0.650 ℃ | 80.56 | 0.916 | |
| RH2 | BASE | 0.799 | 8.584 % | 3.109 % | 78.17 | 0.861 |
| SEN1 | 0.802 | 8.520 % | 3.068 % | 78.46 | 0.864 | |
| SEN2 | 0.798 | 8.196 % | 1.675 % | 80.45 | 0.881 | |
| SEN3 | 0.800 | 8.563 % | 3.038 % | 78.33 | 0.862 | |
| SEN4 | 0.800 | 8.478 % | 2.862 % | 78.70 | 0.864 | |
| SEN5 | 0.810 | 8.060 % | 1.506 % | 81.32 | 0.885 | |
| WS | BASE | 0.522 | 2.382 m·s-1 | 1.464 m·s-1 | 33.90 | 0.636 |
| SEN1 | 0.529 | 2.315 m·s-1 | 1.396 m·s-1 | 35.14 | 0.646 | |
| SEN2 | 0.522 | 2.328 m·s-1 | 1.393 m·s-1 | 35.23 | 0.643 | |
| SEN3 | 0.525 | 2.388 m·s-1 | 1.472 m·s-1 | 33.04 | 0.637 | |
| SEN4 | 0.522 | 2.386 m·s-1 | 1.471 m·s-1 | 33.48 | 0.635 | |
| SEN5 | 0.533 | 2.291 m·s-1 | 1.365 m·s-1 | 35.96 | 0.652 | |
表3 2013年7月模式模拟的T2， RH2， WS的统计结果Table3 Statistic performance of simulated T2， RH2 and WS in July 2013 |
| R | RMSE | MB | HR/% | IA | ||
|---|---|---|---|---|---|---|
| T2 | BASE | 0.790 | 1.829 ℃ | 0.381 ℃ | 77.17 | 0.864 |
| SEN1 | 0.793 | 1.720 ℃ | 0.471 ℃ | 79.78 | 0.878 | |
| SEN2 | 0.789 | 1.784 ℃ | 0.633 ℃ | 78.18 | 0.870 | |
| SEN3 | 0.790 | 1.717 ℃ | 0.388 ℃ | 80.05 | 0.879 | |
| SEN4 | 0.790 | 1.716 ℃ | 0.402 ℃ | 79.96 | 0.879 | |
| SEN5 | 0.791 | 1.711 ℃ | 0.756 ℃ | 79.94 | 0.880 | |
| RH2 | BASE | 0.702 | 10.047 % | 0.026 % | 72.45 | 0.827 |
| SEN1 | 0.724 | 9.221 % | -0.459 % | 76.05 | 0.847 | |
| SEN2 | 0.703 | 9.839 % | -1.753 % | 73.43 | 0.832 | |
| SEN3 | 0.718 | 9.297 % | 0.005 % | 75.35 | 0.843 | |
| SEN4 | 0.722 | 9.215 % | -0.050 % | 75.76 | 0.845 | |
| SEN5 | 0.720 | 9.270 % | -2.453 % | 75.31 | 0.844 | |
| WS | BASE | 0.511 | 2.184 m·s-1 | 1.246 m·s-1 | 36.37 | 0.620 |
| SEN1 | 0.515 | 2.135 m·s-1 | 1.310 m·s-1 | 37.99 | 0.628 | |
| SEN2 | 0.506 | 2.144 m·s-1 | 1.330 m·s-1 | 37.11 | 0.623 | |
| SEN3 | 0.518 | 2.089 m·s-1 | 1.259 m·s-1 | 39.03 | 0.635 | |
| SEN4 | 0.518 | 2.075 m·s-1 | 1.239 m·s-1 | 39.20 | 0.636 | |
| SEN5 | 0.515 | 2.086 m·s-1 | 1.380 m·s-1 | 39.28 | 0.634 | |
地形对温度的影响较为复杂， 由于不同地形数据的海拔差异， 导致不同地区的受到的湍流和太阳辐射量均不相同， 进而导致了模拟温度的差异。采用SRTM3地形资料后， 2（7）月有55.6%（72.2%）的站点模拟T2误差减小， 但RMSE的变化不显著（p<0.05）［图5 （c）， 图6 （c）］。
土壤类型差异对于模拟温度的影响较小， 不同土壤类型资料导致模拟平均温度变化的幅度均在0.5 ℃以下［图3 （e）， 图4 （e）］。采用HWSD土壤类型资料后， WRF模拟海南沿海地区T2升高， 内陆地区T2降低， 2（7）月有61.1%（44.4%）的站点模拟T2误差减小， 但RMSE的变化不显著（p<0.05）［图5 （d）， 图6 （d）］。
更新4种陆面资料（SEN5）较更新单一陆面资料（SEN1~SEN4）模拟的升温效果更为明显， 且夏季的升温幅度高于冬季［图3 （f）， 图4 （f）］。与BASE试验相比， SEN5试验模拟2（7）月T2的IA从0.90（0.86）提升至0.92（0.88）， RMSE降低了7.2%（6.5%）（表2 和表3 ）， 83.3%（72.2%）的站点模拟T2的RMSE显著减小（p<0.05）［图5 （e）， 图6 （e）］， 模式的HR提高了3.7%（2.8%）， 说明引入高精度下垫面资料能够较好地改进模式对于T2的模拟能力。
3.2 近地面相对湿度
从BASE试验模拟海南地区2013年2月和7月平均RH2的空间分布及敏感性试验与BASE试验模拟RH2差异的分布［图7 （a）， 图8 （a）］可以看出， 整体而言， 模式模拟的RH2与下垫面特征紧密相关： 平原地区RH2大于山脉丘陵， 水体的RH2大于陆地， 城市区域的RH2大于郊区。冬季以五指山至鹦哥岭为界， RH2由北向南递减。夏季的RH2大于冬季， 但是分布情况与冬季相反， 可能是因为夏季海南西部受到强烈海风影响有关（图10 ）。强烈的海风带来了丰盈的水汽， 将空气中的凝结核进一步向中部运输， 受到地形的阻隔作用， 在中部山脉汇聚使得海南中部山脉迎风坡的RH2略微偏高。
图7 BASE试验模拟2013年2月平均2 m相对湿度（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟2 m相对湿度的差异（单位： %）Fig.7 The 2 m average relative humidity of BASE （a）， and the mean 2 m relative humidity change of BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in February 2013.Unit： % |
图8 BASE试验模拟2013年7月平均2 m相对湿度（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟2 m相对湿度的差异（单位： %）Fig.8 The 2-m average relative humidity of BASE （a）， and the mean 2-m relative humidity change of BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in July 2013.Unit： % |
图9 BASE实验模拟2013年2月平均10 m风速（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟10-m风速的差异（单位： m·s-1）Fig.9 The 10 m average wind of BASE （a）， and the mean 10 m wind speed change of BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in February 2013.Unit： m·s-1 |
图10 BASE实验模拟2013年7月平均10 m风速（a）和各敏感性试验［SEN1（b）， SEN2（c）， SEN3（d）， SEN4（e）和SEN5（f）］与BASE试验模拟10-m风速的差异（单位： m·s-1）Fig.10 The 10 m average wind of BASE （a）， and the mean 10 m wind speed change of BASE and different sensitivity tests： SEN1 （b）， SEN2 （c）， SEN3 （d）， SEN4 （e） and SEN5 （f） in July 2013.Unit： m·s-1 |
从SEN1与BASE试验模拟RH2差异的分布［图7 （a）， 图8 （a）］可以看出， 更新植被覆盖度后， 冬季植被覆盖率的减少（增加）， 导致植被的蒸腾作用降低（升高）， 由蒸腾而散失至空气中的水汽也相应减少（增加）， 相应地在RH2上也出现对应的降低（升高）。夏季的情况较为复杂， 海南夏季温度升高， 极易受到台风等极端天气的影响， 更新植被覆盖度后的总体植被覆盖度减少使得当地的RH2模拟偏低。从RMSE来看， 采用精细化的植被覆盖度资料后， 2（7）月有44.4%（88.9%）的站点模拟的RH2的误差减少， 但RMSE变化不显著（p<0.05）［图5 （f）， 图6 （f）］。
与BASE试验相比， SEN2模拟的RH2在大部分区域偏低， 这可能与2013年MODIS土地利用存在大量的耕地向有林草地和热带稀林草地订正有关。先前的研究指出耕地的蒸散量要大于草地， 且耕地会随着农作物生长状态而表现出不同的气候效应， 当有农作物生长时， 受到农作物的呼吸作用， 植物体内的水分通过蒸腾作用散发到空气之中， 从而会影响当地的湿度（朱西存和赵庚星， 2009； 纪迪等， 2013）。这种下垫面的变化导致模式模拟RH2下降， 2（7）月MB对比BASE降低了1.4%（2.5%）。更新土地利用资料后， 2月和7月均有88.9%的站点模拟的RH2的RMSE减少， 其中冬（夏）季27.8%（38.9%）的站点模拟的RH2的RMSE显著减小（p<0.05）［图5 （g）， 图6 （g）］， HR提升了2.3%（1.0%）。
地形更新对RH2的影响不大， 更新后的RH2的模拟情况较为复杂， 但平均值的变化在1.5%以下［图7 （d）， 图8 （d）］。采用SRTM3地形资料后， 2（7）月有72.2%（61.1%）的站点模拟RH2的RMSE减小， 但RMSE的变化不显著（p<0.05）［图5 （h）， 图6 （h）］。地形更新引起模式模拟的温度和风速发生变化， 进而导致RH2也发生变化。
土壤类型更新导致海南地区土壤类型由黏壤土向砂质壤土变化。使用HWSD土壤资料后， 除海南岛中心和北部部分区域， 大部分区域模拟RH2下降［图7 （e）， 图8 （e）］。研究指出砂壤土的土壤颗粒较大， 且透水性好于黏壤土， 水分不易保持， 黏壤土的含水量为22%左右， 砂壤土仅为13%左右（李艳丽等， 2009）。由黏壤土向砂壤土的变化会导致模式模拟RH2降低［图7 （h）， 图8 （h）］。更新的土壤类型数据后， 2（7）月有83.3%（72.2%）的站点模拟RH2的RMSE减少， 但变化不显著（p<0.05）［图5 （i）， 图6 （i）］。
从SEN5试验与BASE试验模拟RH2差异的分布［图7 （f）， 图8 （f）］中可以看出， 更新4种陆面资料后模式模拟的RH2降低较为明显， 且差异的分布与更新土地利用的影响较为一致。这说明RH2的变化受多方面的影响， 但其中土地利用的更新对RH2的变化的影响最大。在替换了下垫面资料后， 除了SEN1试验， 其他敏感性试验均出现了RH2减小的现象， 变化幅度在10%以内。综合而言， 引入高精度的下垫面数据可以改进WRF模式模拟RH2的效果， 2（7）月模拟RH2的R和IA从0.80（0.70）和0.86（0.83）提升至了0.81（0.72）和0.89（0.84）， RMSE降低了6.1%（7.7%）（表2 ， 表3 ）， 且所有站点模拟RH2的RMSE均有一定的减小， 其中88.9%（83.3%）的站点模拟RH2的RMSE显著减小（p<0.05）［图5 （j）， 图6 （j）］， 模式整体的HR提升了3.2%（2.9%）。
3.3 近地面风速
采用2013年的MODIS植被覆盖数据后［图9 （b）， 图10 （b）］， 冬季由于森林的减少导致地表粗糙度的降低， 使得中部的WS模拟结果有所上升， 而在植被覆盖略微增加的区域， 模拟WS略有降低； 夏季， 由于海南地区独特的地理位置， 极易受到海洋和台风的影响， 更新的MODIS植被覆盖度后海南西南部植被覆盖度有所降低［图2 （c）， （d）］， 这使得植被对海风的阻隔效应减弱， 海风得以继续向内陆侵袭， 海风的辐合带也随之延后， 夏季海岸处WS模拟偏大， 但植被的阻隔效应较地形影响小， 导致模拟风速的增加较小（王莹等， 2018）。对比默认植被覆盖数据， 采用新的植被覆盖度资料后， 2（7）月有16.7%（27.8%）的站点模拟的WS的RMSE减少， 但RMSE变化不显著（p<0.05）［图5 （k）， 图6 （k）］。
更新土地利用后， 模式模拟冬季和夏季WS的效果相似［图9 （c）， 图10 （c）］。与BASE试验相比， 在海南中部SEN2模拟WS增加。模拟WS增大区域的土地利用类型大部分由从常绿阔叶林转变为了有林草地［图2 （e）， （f）］， 这种变化使下垫面的粗糙度降低， 从而造成风速的增加。在海南四周地区存在大量的耕地向有林草地和热带稀林草地的订正， 这种变化使得海南四周下垫面的粗糙度增大， 从而使海南四周模拟的风速降低。采用新的土地利用资料后， 2（7）月有38.4%（33.3%）的站点模拟的WS的RMSE减少， 但变化不显著（p<0.05）［图5 （l）， 图6 （l）］。
地形更新对风场的变化较为复杂， 使用SRTM3地形资料后， 绕行和抬升的作用也随之改变［图9 （d）， 图10 （d）］。和引入HSWD土壤类型资料、 MODIS植被覆盖资料的变化类似， 更新地形资料后模拟WS的变化幅度较小。从图5 和图6 上也可以看出， 使用不同的下垫面资料对模式模拟WS的改进效果均不够明显， 说明风速的模拟对陆面资料的敏感度较低， 与前人研究较为类似（何建军等， 2014）。也有研究指出（彭珍和胡非， 2006； 姜平等， 2019）， 粗糙度是影响风速变化较为重要的因子， 而粗糙度则受到下垫面影响， 下垫面变化导致地表能量平衡发生变化， 从而影响近地面湍流， 进而影响动能的分布。与BASE试验相比， SEN5模拟WS在海南中部有较大的偏高， 且夏季WS的升高现象在面积和数值上都要大于冬季［图9 （f）和图10 （f）］。2（7）月94.4%（88.9%）的站点模拟WS的RMSE减少， 其中33.3%（27.8%）的站点模拟WS的RMSE显著减小（p<0.05）［图5 （o）， 图6 （o）］。更新四种陆面资料后， 模式模拟WS的RMSE较BASE试验降低了3.8%（4.5%）， HR提升了2.1%（2.9%）（表2 ， 表3 ）。综合而言， 风速的变化和下垫面的改变紧密相关， 使用精细化下垫面资料可以一定程度改进风速模拟。
4 结论和讨论
利用分辨率高且时效性好的陆面资料（SRTM3地形资料， 基于2013年MODIS NDVI的植被覆盖资料， 2013年MODIS土地利用资料， HWSD土壤类型资料）替换WRF模式默认的陆面资料， 模拟研究了引入高精度下垫面资料后对海南地区气象场模拟的影响。得到以下主要结论：
（1） 使用默认的陆面资料， WRF模式能较好地模拟出海南近地面气象场的时空分布特征， 采用高精度且时效性好的下垫面资料后， 可以提高WRF模式在海南地区的模拟能力， 其中更新土地利用对模式模拟结果的改进最为明显。
（2） 2 m温度和2 m相对湿度对陆面资料的精度较为敏感， 引入高精度下垫面资料后， 冬（夏）季WRF模拟2 m温度和2 m相对湿度的RMSE减低了7.2%（6.5%）和6.1%（7.7%）， HR提高了3.7%（2.8%）和3.2%（2.9%）。
（3） 10 m风场的模拟结果受陆面资料分辨率和时效性的影响不敏感， 采用更新的下垫面数据后， 冬（夏）季WRF模拟的10 m风速的RMSE降低了3.8%（4.5%）， HR提升了2.1%（2.9%）。
综合而言， 在海南地区采用高精度的下垫面资料后， 可以较好地提高WRF模式模拟近地面气象场的准确率。但需要指出， 不同地区不同季节高精度资料对中尺度模式模拟结果均存在着不同程度的影响， 受制于计算资源的限制， 本文的数值模拟仅选取冬季和夏季的各一个月， 今后仍需要进行长期的模拟以研究陆面资料的精度对模拟结果的年际变化和季节变化的影响， 为认识WRF模式的模拟性能和提高业务预报水平提供指导。