1 引言
陆面过程是陆气相互作用的关键一环， 其涉及地气能量交换、 地表径流响应、 地表土壤生态过程， 对气候预测、 天气预报、 水文预报都具有重要的价值（王黎欢等， 2024）。降水相态是陆面过程的重要影响因子， 地表积雪反照率远高于湖泊、 湿地、 河流等以液态水为主体的其他下垫面（王梓月等， 2025； Miao et al， 2024； 牛瑞佳等， 2023）， 积雪覆盖也会显著改变地表的粗糙度（吴笛等， 2022）， 进而改变地表与大气之间的能量交换（Liu et al， 2023）。在水文调节上， 固态积雪可延缓地表径流与下渗等水循环过程， 借由产流作用于河道径流（Uzun et al， 2021）。在生态调节上， 低温积雪调节土壤温度与水分（黄克秀等， 2025）， 则通过干预植被生长和土壤生物过程（马迪等， 2024； Zhang et al， 2018）。简而言之， 降水的不同相态因其截然不同的陆面响应对地球系统各部分具有深远影响（Jin et al， 2023； Fu et al， 2020）， 这种现象在模型难以准确预测雨雪的中高纬度地区影响尤为显著（Jennings et al， 2018）， 因此， 在该地区进行模式降水拆分参数化研究具有重要的科学意义。
模型校准需要高精度的降水相态观测数据， 然而现有数据受限于观测站点不均与雷达遥感反演等客观因素（Chen et al， 2016； Song and Liu， 2021； You et al， 2021）， 难以同时满足时空连续的研究需求。再分析数据及机器学习产品虽能弥补上述缺点， 但数据集通常存在不确定性。前者受模型参数化限制， 难以描述次网格过程， 效果有限（de Padua et al， 2024）； 后者则制约于训练数据数量、 质量及算法本身等， 在训练集外的区域表现不佳（Hoopes et al， 2023）。同时， 由于陆面模型长期模拟时通常只能获得近地面气象要素， 多数模型降水相态参数化方案采用基于温度等易获取变量的简化判别方式（Behrangi et al， 2018； Jennings et al， 2018）， 这些局限性致使模型模拟偏离观测。
降水相态的转化受到热力与微物理因素共同控制， 单温度阈值方案难以合理展现真实过程， 这种不足在气温接近0 ℃的过渡带， 即雨雪混合现象普遍时更为明显。水凝物与环境的湿度差异影响其表面的蒸发冷却， 在不同参数化方案判断相态时可导致显著差异（Wang et al， 2019）； 大气温度层结同样影响两者之间的热交换过程， 改变降水相态的结果（Nakamura et al， 2025； Sims et al， 2015）； 大气稳定度（Zhou et al， 2024）、 大气温度零线高度（Nakamura et al， 2025）、 大气湿度廓线、 水凝物下落速度与体积、 水凝物之间的相互作用（Zhang et al， 2024； 李桉孛等， 2024）等要素的变化都会明显增加过渡区的判别误差。这种误差通过积雪传播到模型下游输出， 对模型性能产生显著影响（Wang et al， 2016）， 增加模型在模拟气候以及极端气候事件的不确定性（Bhatti et al， 2016； Harpold et al， 2017 b）。因此， 改善降水相态参数化方案是提升陆面过程模拟精度的重要前提。
针对温度单阈值方案， 已有多项研究提出了改进的参数化方案。Lawrence et al（2019）在CLM5模型中提出了一种相态随温度渐变的方案； Wang et al（2019）基于全球站点统计结果， 用湿球温度替换温度， 提出了湿球温度方案； Harder et al（2014）基于水凝物表面与环境之间的干湿能量平衡， 提出了水凝物温度方案， 改善了盆地的积雪与径流模拟。尽管上述方案通过纳入气象要素提高了方案的物理合理性， 但适用性与模型表现仍存在局限。部分方案设置了固定上下限阈值， 这与全球观测统计的结论不一致（Jennings et al， 2018）； 多个包含湿度的参数化方案局限于站点统计验证或特定小流域模式验证， 在大尺度的应用尚待系统评估（Sims et al， 2015）； 尤其在复杂地形区域， 各方案的积雪模拟效果即陆面响应还不清晰（Kim et al， 2021）。所以有必要在统一框架下， 系统评估不同降水相态方案及方案对模式模拟的影响（Harpold et al， 2017a）。
综上所述， 现有降水相态参数化方案的区域适用性和模型输出仍存在明显不确定性。一方面， 降水拆分与积雪模拟中各方案展现的误差来源需要系统评估； 另一方面， 现有研究只采用纯数据统计或模式模拟中的一种， 而非同时从观测与模型两个角度开展综合检验。因此， 本文汇集多个参数化方案， 结合站点尺度观测数据与陆面模型输出， 在统一框架中系统评估其降雪预测与积雪模拟能力， 并进一步分析方案与观测的偏差给出物理解释， 为方案改进与模式发展提供依据。
2 数据来源与方法介绍
2.1 雨雪拆分参数化方案介绍
除再分析数据自带的雨雪拆分结果外， 研究还选取4种主流雨雪拆分方案一起比较。方案通过不同判别变量将总降水划分为固态与液态两种。使用的主要诊断变量可分为气温、 湿球温度、 水凝物温度三类。为便于讨论，文中以作者姓氏或参量字母为方案代号前缀，已发表年份为后缀，例如L19、Sh56、W19、H13。其中， 两种基于气温的方案分别为温度渐变方案（Lawrence et al， 2019， 以下简称L19）和根据降水量观测推导出的温度突变方案Sh56。两者的函数形式如下：
此外， 另有两种同时考虑湿度和温度以及气压的参数化方法， Wang et al（2019）提出的湿球温度渐变方案，以下简称W19以及Harder and Pomeroy（2014）根据干湿能量平衡提出的水凝物温度渐变方案H13， 其具体函数形式如下：
式中： F为降雨（液态）占总降水的比例； 为气温； 、 为驱动数据中的气温结合气压以及湿度计算出的水凝物温度（Harder and Pomeroy， 2013）以及湿球温度（单位： ℃）。简化后其计算过程如下：
式中： 为水汽扩散系数； 为热传导系数； 与 为升华（气化）潜热； 与 分别为环境大气密度以及饱和大气密度； 为定压比热容； 与 分别为环境大气比湿以及饱和大气比湿； 式（6） 各项都是随温度变化的参数， 式（5） 计算时各参数为定值。两者基于不同的思路， 通过迭代的方式协同考虑湿度、 温度、 气压三个气象要素， 综合表征环境对水凝物的影响。
2.2 站点数据
研究使用的站点观测数据来源于2010 -2019年MICAPS观测， 涵盖了气温、 相对湿度、 气压、 降水量、 地表天气现象以及站点经纬度等基本要素。MICAPS系统以3 h为时间间隔进行观测， 能够提供高时间分辨率的系统化气象数据， 并覆盖北半球绝大部分地区。为确保数据质量并提高评估结果的可靠性， 本研究采用以下标准对原始数据进行筛选： （1）区域代表性： 为保障样本具有充分的代表性， 仅保留位于中高纬度地区（纬度≥35°）的观测站点数据； （2）温度区间筛选： 为聚焦雨雪相变的关键过渡区间， 筛选保留气温介于-6~6 ℃之间的站点观测时次； （3） 数据量控制： 剔除观测记录数量不足（10年间少于200时次）的站点， 以确保统计分析的可靠性。经数据筛选后， 获得了3852个站点共1871275时次高质量数据集。基于此， 按0.25 ℃温度分箱（Behrangi et al， 2018）统计各区间降雪概率分布。上述观测与统计结果主要用于评估不同拆分方案对降雪发生概率的刻画能力。
2.3 模式模拟
文中采用CoLM2024 作为陆面过程数值模拟平台， 模型在水文和积雪等关键模块进行了扩展与更新， 已有研究可以证明其在能量分配与再现地表状态时的可靠性（Bai et al， 2024）。在积雪模拟方面， 模型包含BATS地表积雪反照率方案（Wilson et al， 1986 ）、 Andrew新雪密度方案（Van et al， 2017）以及积雪层液态水迁移以及杂质影响等关键参数过程， 充分考虑太阳高度角、 雪龄、 风速、 温度等要素。同时， 研究包含的雨雪拆分方案已被整合到陆面模型中， 进而可以在统一模型框架下开展对比实验。
模式以ERA5再分析数据作为驱动数据， 该数据集基于先进的数值天气预报模型， 并通过同化多源观测资料进行再处理， 提供了包括风速、 气温、 比湿、 气压、 总降水、 总降雪、 长波辐射和短波辐射等关键气象要素。此外， 研究还采用了全球洪水预警系统数据集提供的分辨率为0.1°的高程数据（https： //confluence.ecmwf.int/display/CEMS/Auxiliary%2BData）， 该数据集通过融合遥感技术和地面测量数据获得， 与模式输出的分辨率近似， 偏差小。研究通过该数据使分析模拟结果在不同高度的误差分布。积雪验证数据为Broxton et al （2016）开发的高分辨率雪水当量数据集， 该数据集整合了SNOTEL（Snowpack Observation Technology and Evaluation Logger）和COOP（Cooperative Observer Program）两个观测网络的雪深与积雪当量观测记录； 并通过引入4 km网格分辨率的PRISM（Parameter-elevation Regressions on Independent Slopes Model）降水和温度数据进行订正和校准， 有力保证了数据的空间代表性和准确性。
在具体实验设计上， 研究采用ERA5再分析数据作为模式驱动场， 进行2005 -2019年共15年的离线模拟。为确保模式状态与实际地表条件接近， 采用前5年（2005 -2009年）作为模式预热（spin-up）期， 并通过重复模拟一次进行调整， 使模式的土壤水分、 能量平衡等关键状态变量趋于稳定。模式模拟得到的2010 -2019年雪水当量数据将与上述格点数据对比分析， 用于分析方案间误差来源， 并进一步结合高程数据分析不同海拔下方案的误差特征。
3 结果与分析
3.1 站点尺度
图2（a）显示， 观测降雪概率在-0.25~3.75 ℃逐渐由高值变为低值， 证明雨雪相态的转变具有一个较宽的过渡带。在降水相态方案中， W19和H13这对方案的拟合过渡带（4 ℃）更接近观测值， 而未考虑湿度的方案相较之下曲线更为陡峭（1.5 ℃）， 且偏离关键温度阈值点， 更容易在这个敏感的区间造成降雪概率的系统性高估或低估， 影响后续降雪量估计。为定量比较方案表现， 研究进一步计算了-1~4 ℃内模拟值与观测值之间的差异［图2（b），图中箱体表示第25~75百分位范围，中线表示中位数，延伸虚线表示非异常值范围，用于表征各方案误差的集中程度、离散范围及偏高或偏低特征］。结果表明， H13方案误差集中且RMSE最小（0.07）， 而Sh56方案误差最为分散且RMSE最大（0.15）， 偏差中位数说明， H13和L19方案总体上低估了降雪概率， 而W19和Sh56方案则表现出整体高估的特征。上述统计结果说明， 温度结合湿度可以提高方案对降雪概率的判断准确性， 在雨雪过渡带具有更高精度。
3.2 区域模拟比较
图3展示了2010 -2019年冬季观测数据和各方案模型输出的雪水当量多年均值及其差值分布。从图3中可以看出， 其空间特征在不同区域存在显著差异： 在地形平坦的中部平原地区， 由于降雪稀少， 观测和模拟的雪水当量均较低， 各方案间的差异较小， 表现一致。在五大湖及东部沿海高纬度地区， 观测雪水当量明显高于邻近平原区域， 模式模拟与观测差距也增大， 模拟结果普遍低估了雪水当量。统计表明， 西部地区（35°N -50°N， 125°W - 110°W）雪水当量观测均值达到64.36 mm， 远高于东部地区（35°N -50°N， 95°W -70°W）的35.7 mm。西部的科迪勒拉山系， 特别是洛基山脉周边的高海拔区域， 由于气温较低、 降雪量大且积雪融化缓慢等因素， 积雪较多。在这些高海拔区域（45°N以南）， 模式同样表现出普遍低估， 但随着积雪区向高纬度延伸， 部分地区的模拟结果开始出现高估现象。
图3 2010 -2019年冬季观测雪水当量均值（a）， 与其他方案（W19、 L19、 H13、 Sh56及ERA5降雪驱动）与观测均值的差值（b， c， d， e， f）（单位： mm）Fig.3 Winter mean snow water equivalent （SWE） observations for 2010 -2019（a）， and the differences between observations and other schemes （W19， L19， H13， Sh56， and ERA5 snowfall-driven simulations） shown in panels （b， c， d， e， f）， respectively.Unit： mm |
进一步分析的结果表明， 在整个美国区域内， 积雪日均值大于1 mm的格点， 所有参数化方案均表现出对积雪的系统性低估。其中， L19与H13方案的低估幅度最大， 约为30%； W19、 Sh56方案及直接输入降雪驱动的方案分别低估了24%、 24%和28%。分地区而言， 在降雪积雪较多的西部地区， L19与H13方案分别低估了15%和14%， 而W19、 Sh56方案的低估幅度减小至3%， 直接输入降雪驱动则出现约8%的高估。在东部地区， 相对误差更大， W19与Sh56方案低估约39%， L19与H13方案低估约44%， 直接输入降雪驱动的方案低估幅度最大， 达54%。这种相对偏差的增大可能与东部地区较低的雪水当量有关。
考虑到积雪模拟均值可能因不同时次产雪的正负误差相互抵消而掩盖模式性能的真实差异， 研究进一步计算了各方案模拟积雪时间序列与观测的RMSE。如图4所示， 积雪模拟误差主要集中在积雪量大、 地形复杂的西部地区。在该区域， W19方案表现相对较优， 平均RMSE为41.7 mm， 优于L19和H13方案（43 mm）， 与Sh56方案（42 mm）相近， 但略逊于直接输入降雪驱动的方案（40.9 mm）。在东部地区， 各方案的模拟误差差异较小且RMSE相对更低， 其中五大湖附近的模拟误差在16~17 mm之间， W19方案表现最好（16 mm）， 而直接输入再分析降雪驱动方案的误差最大（17.2 mm）。
图4 2010 -2019年冬季观测雪水当量均值（a）与W19方案的RMSE分布（b）， 以及W19方案与其他方案（L19、 H13、 Sh56、 ERA5降雪驱动）RMSE的差异（c， d， e， f）（单位： mm）Fig.4 （a） Winter mean snow water equivalent （SWE） observations for 2010 -2019， （b） RMSE distribution of the W19 scheme， and the differences in RMSE between the W19 scheme and other schemes （L19， H13， Sh56， and ERA5 snowfall-driven simulations） shown in panels （c， d， e， f）， respectively.Unit： mm |
4 误差分析
以上结果充分说明了方案间模拟效果有显著差异， 且这种差异受到地形和积雪等因素共同影响， 同时， 模拟表现最佳方案仍与观测之间存在明显偏差。因此， 该小节将从方案间误差与方案相对观测误差两个角度展开分析， 并基于此讨论方案差异来源。
4.1 方案间误差
在统一的模型设置框架与驱动数据条件下， 模型积雪输出差异主要来自于参数化方案， 而方案的不同首先作用在降雪量的时空分布上。图5展现了各方案降雪量在冬季的多年均值， 图中信息说明， 在北美西部地区， W19方案与ERA5再分析降雪数据直接驱动提高了区域降雪量， 分别为1.15 mm·d-1和1.28 mm·d-1， 高于L19等其他方案， 从而改善了区域原本积雪低估模拟结果。尤其是后者， 其在内华达山脉以及高于45°N的洛基山脉地区改善更为明显， 降低了区域积雪模拟误差（RMSE降低约20 mm）。
图5 2010 -2019年冬季平均相对湿度（a， 单位： %）， 与W19方案平均降雪量分布（b）及W19与其他方案（L19、 H13、 Sh56、 ERA5降雪驱动）的差异（c， d， e， f）（单位： mm·d-1）Fig.5 Winter mean relative humidity for 2010 -2019 （unit： %， a）， （b） snowfall distribution of the W19 scheme， and the differences between the W19 scheme and other schemes （L19， H13， Sh56， and ERA5 snowfall-driven simulations） shown in panels （c， d， e， f） respectively （unit： mm·d-1） |
然而， 再分析降雪驱动方案在上述地区的周边， 因过高产雪引入了新的模拟偏差。而东部地区则与西部相反， 模型整体日均降雪量远低于西部， 再分析直接驱动日均降雪（0.81 mm·d-1）却出现远低于其他方案（Sh56： 1.01 mm·d-1； W19： 0.99 mm·d-1）的现象， 这种大面积的降雪低估现象引起积雪误差增大， 在40°N以上的复杂地形区（阿巴拉契亚山脉地区）最为明显。与此同时， 相较再分析降雪驱动方案， W19在东西部之间表现出更平衡的空间适应性。
区域积雪的模拟效果并不单纯取决于降雪量的高低， 而需要侧重于对整体降雪空间分布的刻画。尽管西部地区再分析降雪驱动方案通过提高降雪量， 改善了部分区域的模拟， 但这种高产雪带来了新的误差， 限制了地区RMSE的进一步改进。再加上方案在东部地区存在明显低估现象， 其模拟效果仍具有较大局限性。相比之下， W19与Sh56方案降雪空间分布更为合理， 既缓解了西部低估问题， 也在东部保持了较好的模拟准确性， 总体区域适应性更强。
鉴于W19方案在站点观测统计与区域数值模拟两方面均表现较优， 研究进一步分析其与余下方案之间产生差异的可能来源。从图5（a）可见， W19、 H13、 L19方案间降雪输出具有显著差异的地区， 环境场相对湿度通常较高， 这说明湿度可能是偏差主导因子之一。格点数据统计表明， 方案间降雪量差异随相对湿度升高而增大。具体而言， 相对湿度均值高于70%的格点， 日均降雪量差异均值（0.08 mm·d-1）远高于相对湿度小于70%的格点（0.05 mm·d-1）； 尤其是降雪具有较大差异的格点（0.2 mm·d-1）中， 超9成格点相对湿度高于70%。简而言之， 相对湿度放大了方案间差异， 需要进一步分析方案对该要素的响应方式。
为厘清各方案中湿度的作用机制差异， 研究利用站点观测数据， 比较了不同方案在不同湿度条件下的降雪概率特征。结果表明， 方案间差异不仅取决于是否引入湿度、 还与温湿指标以及函数形式相关。基于图6（a）与图2（a）可知， 虽然W19和H13两方案均引入了湿度， 但前者在不同湿度条件下降雪概率整体都高于后者（10%）， 这说明不同指标以及函数形式会改变方案对湿度效应的反馈强度； W19方案相较于L19方案， 其采用的湿球温度更接近下落水凝物的实际热力状态， 能更好表征湿度对降雪形成的调节作用。在相对湿度较高时（高于95%）， 各方案降雪概率趋于一致； 而在相对湿度较低时（低于85%）， 蒸发冷却使湿球温度显著低于气温， 放大了同时考虑温湿度与只考虑温度这两类方案的概率计算差异， 提高了部分相对高温降水事件下降雪的发生概率。该结论反映的是降雪概率判别对湿度的敏感性， 而非针对模型降雪累计后的区域积雪差别， 两者并不等同。综上所述， W19方案在多样化环境湿度表现出的优点， 源于其能够更敏锐地表征非饱和环境中的热力变化。
需要指出的是， Sh56方案虽然仅考虑单一气温要素， 但整体模型输出效果与W19方案接近， 这可能源于前者在0~2 ℃的关键过渡区间内赋予了较高的降雪概率， 从而在当前模拟区域内获得了较好的模拟效果。然而， Sh56方案这种过于依赖特定温度区间经验设定的设置， 在物理基础与更为复杂环境条件下的稳定性仍相对较弱， 不及明确纳入湿度效应的W19方案。
4.2 观测与模拟间误差
为深入分析方案模型输出与观测之间的偏差来源， 以W19方案为例比较了两者的积雪差异（图7，图中箱体表示第25~75百分位范围，中线表示中位数，延伸虚线表示非异常值范围，用于反映误差随积雪加深和海拔升高的整体变化及离散程度）。从图7中可以看出， 模拟误差随观测雪水当量的增加而显著放大。在积雪观测均值介于20~50 mm的格点上， W19方案的RMSE为23 mm； 而当观测均值上升至50~100 mm时， RMSE分别迅速提高到62~80 mm。可知， 方案在中低积雪区能够稳定刻画积雪变化， 在积雪较深的区域模拟误差显著增加。积雪形成需要高降雪输入以及低温储存等条件， 这类环境更容易累积模型偏差， 低温寒冷地区正是这些特征的典型代表。
除积雪量外， 海拔也是影响模拟误差的重要因子（图7）。高海拔复杂地形区的模型输出表现出更大偏差， 其主要集中在太平洋沿岸的科迪勒拉山系等地区。图4（b）中， 低海拔格点（小于1000 m）模型积雪输出的RMSE均值约为11 mm； 随着海拔分别逐渐抬升至1500 m与2000 m以上时， RMSE均值达到34 mm和45 mm。这种趋势与积雪量增大所带来误差的结论基本一致， 两者之间的相关系数为0.86。高海拔地区通常就具有深厚积雪， 以及更复杂的地形大气相互作用与空间异质性， 使得模拟不确定性高， 其原因大致可归为以下几个方面： 其一是模型所用的参数化方案高度简化， 相态的判别主要依赖温度。然而在这些地区， 温度层结与湿度层结等热力结构以及复杂地形等要素影响不可忽视， 与温度共同作用， 使得问题更加复杂； 还有可能是模型的空间分辨率有限， 无法充分解析次网格地形下的降水和积雪融化等物理过程； 另外， 高海拔地区气候条件变化迅速且观测数据稀缺， 使得基于历史数据所得方案参数或再分析数据不准确， 加剧了模拟和观测之间的偏差。
5 结论与讨论
本文从站点观测和模式区域模拟两个层面对不同降水相态拆分方案进行了系统评估。总体上， 引入湿球温度并采用渐进拟合方式的方案表现优于单温度阈值方案， 其中W19方案在模式积雪模拟中更为稳健， 但高海拔深厚积雪区仍存在较大误差。
研究主要结论如下：
（1） 在站点尺度上， 考虑湿度的方案（W19和H13）在降雪概率变化的过渡区间与观测更为接近， 降雪到降雨的转化区间接近于［0~4］ ℃， 且表现出更好的相关性； 在降雪预测中， H13方案表现最优， 其RMSE为0.07， 而Sh56方案表现最差， RMSE（0.15）约为H13方案的2倍， 具体而言W19和Sh56方案倾向于高估降雪比例， 而其他方案（如H13和L19）则表现为低估。
（2） 在区域尺度上， 各方案模型输出普遍低估SWE， W19和Sh56方案较优， 直接降雪驱动在西部区域改善了模拟， 却受空间分布偏差限制。H13和L19方案的低估最为显著， 均值相对误差高达30%， W19和Sh56方案表现相对较好， 将低估幅度降至24%； 在海拔高且积雪厚的美国西部地区， H13和L19方案的低估超过14%， 而W19和Sh56方案仅低估3%， 直接输入再分析降雪驱动的方法则出现约8%的高估； 在东部地区， 多个参数化方案的相对误差相近， 均低估约40%， 但直接输入再分析降雪驱动的方法低估达到54%， 与其他方案有较大差异。
（3） 模型积雪输出的差异主要源于方案对降雪量的判定， W19方案依托湿球温度以及渐变拟合的方式， 在不同湿度条件下能够更准确地预测降雪量， 从而改善了模拟效果。Sh56方案虽仅基于温度因素， 但其在关键温度区间［0~2］ ℃内有较高的降雪概率， 使其模拟结果接近W19； 直接输入降雪驱动的方法虽然在某些低估区域改善了模拟效果， 但其不合理的产雪空间分布导致西部局部积雪过多而东部区域偏少， 限制了整体模拟效果的改进。
（4） 模型积雪误差主要集中在海拔高、 积雪深的复杂地形区域。W19方案通过调整降雪比例在一定程度上改善了积雪模拟， 但积雪模拟均值仍存在低估现象， 这种模拟误差与雪水当量以及海拔呈显著正相关， 说明高寒地区是误差的主要来源。这些不足可能源于参数化方案的简化、 物理机制的缺失、 模式分辨率的不足以及次网格过程等。因此， 模型模拟陆面状态时需要引入温湿度廓线等高空气象要素， 以更好地刻画雨雪相态转变的大气效应； 还要将云团物理特性纳入降雪概率诊断， 以提升模式的整体可靠性和区域适用性； 条件允许下可以采用更高分辨率的模型， 以解析复杂地形下的局地过程， 并结合地面观测、 遥感数据和再分析数据， 以提高降雪模拟精度。
综上所述， 湿度效应是降雪拆分方案中需要考虑的物理机制， 其结合渐进拟合的函数形式得出的方案整体上优于温度阈值方案。在北美区域模式模拟中， W19方案具有更好的稳健性， 但在部分海拔高且积雪深的地区仍存在显著误差。未来需要进一步结合高空气象要素结构、 多源观测约束和高分辨率模拟等手段， 提升高寒复杂地区相态识别和积雪过程模拟能力。