全球陆地56%的面积为山地，中国陆地面积的2/3为山地。山地区域地形起伏多变，气温、风速、比湿、辐射等气象要素分布呈现非均一性，形成了独具特点的山地气候[1]。青藏高原山脉纵横、地形陡峭，地面站点观测能力有限，因而需要采用降水遥感数据、气候模式格点产品数据开展高原大尺度降水研究。随着区域气候模式的广泛应用，2010年以来针对青藏高原的气候模拟研究逐步开展，模拟工具包括天气研究与预报(weather research and forecasting, WRF)模式、RegCM4(regional climate mode version 4, RegCM4)模式、MM5(the fifth generation mesoscale model, MM5)模式等。但由于气候模式分辨率较低等原因，总体而言这些模式对青藏高原降水模拟都存在系统性偏差[2]。相比于全球气候模式低分辨率网格，区域气候模式网格分辨率在10 km量级到km量级，可以较好地刻画区域气候过程。然而，无论是全球气候模式还是区域气候模式，对青藏高原的降水模拟都存在系统性高估[3-7]。为此，国内外学者对区域气候模式改进作了诸多尝试，如改进陆面过程模块中的积雪、湖泊、土壤类型、冻土等方案，以提高区域气候模式对青藏高原降水的模拟能力[8-11]。由于青藏高原具有极端复杂的地表特征，目前采用地形重力波拖曳力法、地形湍流拖曳力法、马赛克方法等描述局地地形对气象过程的影响[12-20]。采用以上方法进行模拟虽然能够考虑局地尺度地形作用，但由于区域气候模式的水平分辨率通常大于20 km，难以较好地刻画复杂地形区的局部地形变化。
随着超级计算机计算能力的提升，国内外学者相继开展了小于10 km格距的高分辨率区域气候模式模拟，包括对流解析模拟(convection-permitting modeling, CPM)。对流解析模拟指网格分辨率小于5 km的区域气候模式模拟，该方法可以在网格尺度解析深对流过程，不需要开启对流参数化方案，目前已在美国落基山脉、欧洲阿尔卑斯山脉等高山地区得到应用。目前，已有众多学者在青藏高原逐步开展了km尺度的区域气候模式模拟，这些研究一致表明，对流解析模拟能更好地刻画地形对水汽输送、对流过程的影响，进而能够减小区域气候模式的降水模拟正偏差[21-25]。荷兰和印度学者在喜马拉雅山南坡开展了0.33 ~1 km分辨率的区域气候模拟[26-30]；清华大学团队在亚东河谷开展了1.5 km分辨率的气候模拟，并在超高分辨率气候模式模拟方面取得了一些进展[31]。虽然区域气候模式水平分辨率已经得到提高，但模式采用的物理参数化方案依然为全球气候模式的方案，适用于高分辨率区域气候模式的物理参数化方案还需要进一步研究。
气候模式的地表太阳辐射参数化方案主要包括平面太阳辐射方案、二维太阳辐射方案、三维太阳辐射方案。平面太阳辐射方案较为简便，因而经常在全球气候模式中应用，但不能刻画地形对辐射的影响；二维太阳辐射方案考虑了地形坡度、坡向影响，但会高估日出和日落前后的地表辐射；三维太阳辐射方案全面考虑了三维地形的影响，但计算存储量较大、计算效率低[19]。WRF模式是美国大气研究中心(Nation Center for Atmospheric Research, NCAR)研发的中尺度区域气候模式，虽然已在青藏高原气候模拟研究中得到应用，但存在系统性的降水高估、气温低估现象[22]。为了提升WRF模式在青藏高原的气候模拟能力，学者对陆面过程中的积雪冻土、湖泊水文、粗糙度等方面进行了改进，但较少关注WRF模式的地表太阳辐射方案。随着模式分辨率的提高，地表非均匀性对太阳辐射通量计算的影响更为明显，WRF模式目前采用的简化地形辐射效应方法计算太阳辐射通量可能存在较大偏差，尤其是在地形复杂区域。
为此，本文在青藏高原地区搭建高分辨率WRF模式，并引入适用于高分辨率WRF模式的地表太阳辐射参数化方案，探讨地表太阳辐射参数化方案对高原河谷能量交互、降水过程的影响，以提高WRF模式在青藏高原的气候模拟性能。
1 研究方法 1.1 WRF模式地表太阳辐射参数化Barlage等[32]研发了考虑地形坡度、坡向影响的地表太阳辐射(短波辐射)方案，并在Noah陆面模块中引入了考虑地表信息对地表短波辐射分配的影响的计算因子。目前WRF模式中的辐射计算采用Zängl和Garnier提出的太阳辐射计算公式，该方法将地表太阳辐射分为太阳直接辐射和散射辐射。太阳散射辐射根据散射因子与太阳入射辐射计算得到，而太阳直接辐射则与地形坡度、坡向、太阳方位角等有关：
| $ E_{\mathrm{t}}=E_{\text {dir }}+E_{\text {dif }} . $ | (1) |
| $ E_{\text {dir }}=E_{0}\left(1-f_{\text {dif }}\right) \frac{\cos I}{\cos Z} . $ | (2) |
| $ E_{\text {dif }}=E_{0} f_{\text {dif }} . $ | (3) |
其中：Et为太阳总辐射(W·m-2)，Edir为太阳直接辐射(W·m-2)，Edif为太阳散射辐射(W·m-2)，fdif为散射辐射系数，E0为全部入射太阳辐射(W·m-2)，cos I、cos Z分别为太阳相对坡面的入射天顶角余弦和太阳入射天顶角余弦。式(2)建立了太阳辐射与地形坡度、坡向的关系，反映了地形变化对太阳直接辐射分配的影响。
该方法属于二维太阳辐射参数化方案，由于公式简单且易于耦合，因此在陆面模块中得到较多应用。然而，由于该方法只考虑了地形坡度、坡向对太阳辐射的影响，对地形辐射效应进行了适当简化(忽略了周围地形的反射、遮蔽效应)，因此会导致日出和日落时的地表太阳辐射模拟结果偏高[19]。
1.2 山区太阳辐射效应理论山区太阳辐射理论将辐射方案与地形特征信息建立关系，是典型的三维地形太阳辐射效应理论。根据该理论[31]，地表入射太阳总辐射分为太阳直接辐射(Edir)、散射辐射(Edif)、周边地形反射辐射(Eref)，
| $ E_{\mathrm{t}}=E_{\mathrm{dir}}+E_{\mathrm{dif}}+E_{\mathrm{ref}} . $ | (4) |
在山区复杂地形环境中，太阳直接辐射与地形坡面入射角和地形遮蔽系数有关，
| $ E_{\mathrm{dir}}= \begin{cases}V_{\mathrm{a}} \tau_{\mathrm{b}} E_{\mathrm{ac}}\left(\frac{r_{0}}{r}\right)^{2} \cos I, & \cos I>0 ; \\ 0, & \cos I \leqslant 0 .\end{cases} $ | (5) |
式中: Eac为太阳常数(W·m-2)；Va为遮蔽系数，表示格点受山体阴影遮蔽的程度，WRF模式中已设置考虑山体阴影遮蔽效应方案(topo_shading=1)，与式(5)中遮蔽系数同效；
在山区太阳辐射理论[31]中，太阳散射辐射是各向异性的，而水平面上的散射辐射是各向同性的，这会导致对晴空天气下散射辐射的模拟值偏低。因此，本文采用式(6)计算方法来考虑散射辐射的各向异性，
| $ E_{\mathrm{dif}}=\left\{\begin{array}{l} E_{\mathrm{dif}}^{\prime}\left[V_{\mathrm{a}} \frac{E_{\mathrm{dir}}^{\prime}}{E_{\mathrm{ac}}} \frac{\cos I}{\cos Z}+\frac{1}{2} V_{\mathrm{d}}(1+\cos s)\left(1-\frac{E_{\mathrm{dir}}^{\prime}}{E_{\mathrm{ac}}}\right)\right], \\ \;\;\;\;\;\cos I>0 ; \\ E_{\mathrm{dif}}^{\prime}\left[\frac{1}{2} V_{\mathrm{d}}(1+\cos s)\left(1-\frac{E_{\mathrm{dir}}^{\prime}}{E_{\mathrm{ac}}}\right)\right], \cos I \leqslant 0 . \end{array}\right. $ | (6) |
式中：E′ dir为水平面上太阳直接辐射；E′ dif为水平面上的散射辐射；cos s为坡度的余弦；Vd为各向同性散射条件下天空视角因子。
1.2.3 周围地形反射辐射周围地形反射辐射的计算方法[33]为
| $ E_{\text {ref }}=0.5\left(E_{\text {dir }}^{\prime}+E_{\text {dif }}^{\prime}\right) \rho(1-\cos s) . $ | (7) |
式中：ρ为格点反射率，数据预处理(WRF preprocessing system, WPS)中保存了地表反射率数据。
由此看出，山区太阳辐射方案考虑了地形非均质性，在太阳直接辐射、散射辐射、周围地形反射辐射的计算中都引入了地形地貌参数。本研究利用以上方法对WRF模式默认的地表太阳辐射方案进行改进，以期在模式中强化地形效应对辐射分布的影响，进而优化山区太阳辐射的模拟效果。
2 研究区域及模型设置 2.1 研究区域和模型设置亚东河谷位于喜马拉雅山脉中段，是研究山区复杂地形的理想区域。亚东河谷区域沟壑纵横，河谷深切，坡度变化剧烈，具有复杂的地质地貌，同时具有典型的高原山地气候。
河谷地处高原山区，气象观测站点较少，研究区域内有9个地面观测站可以提供降水数据，用于WRF模式模拟结果验证。本研究降水数据来自“亚东降水观测网数据集(2016—2019)”(国家青藏高原科学数据中心)，该套数据集提供了2016—2019年逐小时降水数据。9个地面观测站点沿着亚东河谷从南向北分布，海拔变化剧烈。气象观测数据以及辐射通量数据来自中国科学院珠穆朗玛大气与环境综合观测研究站(简称“珠峰观测站”) (28.21° N, 86.56 ° E)，珠峰观测站位于亚东河谷以西约200 km，海拔4 276 m，是距离亚东河谷最近的综合观测研究站。
WRF模式设置采用3层嵌套：第1层(D01)主要覆盖亚洲中部地区，第2层(D02)覆盖喜马拉雅山脉中段，第3层(D03)主要覆盖亚东河谷地区。最内层D03(约为86.5~91.5°E, 24.5~29.5°N)从印度平原往北延伸到拉萨河谷(图 1a)，中心位于亚东河谷，包含500×500个格点。该地区地貌险峻多变，是研究复杂山区地形的理想区域(图 1b)。在分析模拟结果时，D03中心的亚东河谷为主要关注地区(图 1c)。在复杂下垫面区域，小于1 km的模式分辨率对模型计算步长要求较为精细，而且在地形高程落差大的区域会出现求解异常，模型极易终止计算，目前采用1 km水平网格分辨率已经可以满足模拟要求；另外，WRF模式采用由美国地质调查局(U.S. Geological Survey, USGS)制作的地形高程，网格分辨率约为1 km。因此，本研究采用25、5、1 km (D01、D02、D03)的网格分辨率，计算步长设置为5 s，以保持模型计算稳定性。
|
| 图 1 研究区域及WRF模式设置 |
本文设置CTRL和Rad 2个情景实验方案(表 1)：CTRL方案采用WRF默认的水平面太阳辐射参数化方案，属于二维太阳辐射方案；Rad方案采用三维太阳辐射方案，可以更好地表达复杂地形的短波辐射日内发展过程，从而提升高原山区地表热力过程模拟效果。
WRF模式的各个物理过程具有多个可选的参数化方案，在参考国内外相关研究的基础上，本文采用的参数化方案如表 2所示。
Thompson微物理过程方案对固态水凝物(冰晶、雪、霰、冰雹)刻画较为完整，对山区降水模拟较为稳定。由于山区地形复杂，地表风场瞬息多变，山区风场的准确模拟对行星边界层方案要求较高，而YSU行星边界层方案对山区地表风速模拟较为稳定。短波辐射和长波辐射分别采用广泛认可的Dudhia和RRTM方案。Noah LSM陆面过程能够较好地描述地气之间的能量、水量、热力传递，在藏东南地区[40]已得到大量应用。由于本研究的第2、3层嵌套区域网格分辨率都低于10 km，可以解析对流降水，因此关闭积云过程参数化方案。为下一步探讨水平分辨率对地表太阳辐射参数化方案的影响，保持3层嵌套区域的参数化方案一致，第1层嵌套区域(25 km)也关闭积云过程参数化方案。模拟时段为2018年7月28日00:00至30日00:00(北京时间)，驱动数据采用由美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)提供的全球再分析(final analysis，FNL)数据。
2.2 方案验证青藏高原在夏季存在低涡系统，印度平原暖湿水汽源源不断向北传输，爬坡越过喜马拉雅山脉，进入青藏高原腹地。水汽在爬升山脉过程中，受到地形抬升作用在山坡形成降水。两个情景实验方案的降水模拟结果如图 2a和2b所示，亚东河谷外降水主要分布在坡面，河谷内降水主要分布在海拔较高的分水岭附近，河谷内低海拔地区降水最少，沿着亚东河谷形成一条少雨带。这是由于在研究范围内，河谷地势较低，坡面到分水岭的海拔较高，高海拔区域水汽受到地形抬升作用更容易形成降水带，因此河谷降水较少(~10 mm)、山坡降水较多(~50 mm)。Rad方案由于耦合了三维地形辐射效应方法，改变了地表辐射和能量分配，降水模拟结果呈现出在河谷减少、山坡增多的分布特征(图 2c)。
|
| 图 2 CTRL方案与Rad方案的模型验证结果 |
为了便于安装和维护，研究区内布设的9个地面观测站点都位于交通便利的河谷地区(图 1c)。本次模拟的降水分为2个阶段，分别发生在28日、29日午后。如图 3所示，CTRL方案对降水总量与峰值的模拟结果都出现了一定偏差，对第2阶段的最大小时降水量的模拟值明显偏高，模拟降水强度峰值发生时间较实测延后了3 h。在2个降水阶段，采用Rad方案模拟的降水量均小于CTRL方案(尤其是第1阶段)，Rad方案第1阶段降水量的模拟结果与实测值更为吻合；第2阶段模拟的降水强度峰值出现时间较CTRL方案提前，与实测结果更接近(相差2 h)。从统计数据上看(表 3)，站点实测平均降水量为7.6 mm，CTRL方案和Rad方案的模拟结果分别为15.7、12.1 mm；Rad方案模拟的降水量与实测数据的相关系数达到0.46。总体来看，Rad方案对高原山区降水的模拟效果更好。
|
| 图 3 实测降水量、CTRL方案与Rad方案模拟降水量变化过程 |
由于亚东河谷内太阳辐射通量观测数据较为稀缺，本文采用珠峰观测站观测的太阳短波辐射数据作为验证数据。珠峰观测站位于地势比较平坦开阔的谷地地区，上午7:00开始接收到太阳辐射，然后太阳辐射逐渐增强，午间15:00左右达到最大值，再后逐渐减小，21:00太阳辐射消失。采用二维地形辐射效应的CTRL方案高估了日出、日落期间的太阳辐射，低估了午间的太阳辐射，模拟结果与实测数据的相关系数为0.88。耦合三维地形辐射效应的Rad方案减小了日出、日落期间的高估，增加了午间的太阳辐射估值，模拟结果与实测数据的相关系数为0.95。午间时段，位于谷地的珠峰观测站除了接收太阳直接辐射、散射辐射之外，还受到周围地形反射辐射的影响，由于CTRL方案中没有考虑地形反射辐射影响，导致午间时段的太阳辐射存在模拟值偏低的现象。
3 模拟结果分析 3.1 地形辐射效应对太阳辐射和局地环流的影响本文在耦合了三维地形辐射效应方案后，分析了改进方案对地表太阳辐射、气温、局地环流、水汽的模拟效果。
3.1.1 地表太阳辐射如图 4所示，在刻画太阳辐射方面，更为复杂的耦合三维地形辐射效应的Rad方案相比于CTRL方案体现出了更多的地形效应。本文模拟结果表明，二维太阳辐射方案会高估日出、日落期间的辐射，而Rad方案模拟结果中上午(10:00)和下午(19:00)的太阳辐射量较低，有效降低了模式的辐射高估现象；午间(15:00)的太阳辐射普遍增多，谷地地区同时接收了太阳直接辐射、散射辐射和反射辐射，因此Rad方案模拟的河谷地区辐射量较高，弥补了CTRL方案在午间时段对太阳辐射的低估(图 4b和4e)。
|
| 图 4 Rad与CTRL方案太阳辐射模拟差值(灰色实线为亚东河谷边界线) |
3.1.2 局地环流
图 5为Rad与CTRL方案得到的河谷横剖面的气温差值，剖面位置如图 4a中的直线ab所示。上午(10:00)太阳位于东面，河谷西侧坡面接收更多能量，气温在西侧升高更明显；午间(15:00)河谷和周边接收太阳直接辐射，大量能量聚集在谷地周边，气温升高(约1 ℃)；下午(19:00)太阳位于西面，河谷东侧坡面继续接收太阳辐射，东侧坡面的能量聚集较多。总体而言，采用Rad方案会降低日出、日落期间河谷气温模拟值，明显提高了坡面气温模拟值。
|
| 图 5 Rad与CTRL方案模拟的气温差值沿ab剖面分布(不规则灰色实线为山体边缘) |
图 6为Rad与CTRL方案得到的沿河谷横剖面的垂向风速差值。图中：矢量箭头及长度代表风场差值方向及大小，底部图例为垂向风速差值的大小，其他要素与图 5一致。上午(10:00)河谷坡面开始接收太阳辐射，更热的坡面聚集能量，产生上升气流，上坡风(谷风)增强；午间(15:00)坡面上能量聚集达到最高，上升气流(~1 m/s)旺盛，上坡风(谷风)沿着坡面吹向山峰；午后(19:00)太阳辐射减弱，上坡风(谷风)减弱。由此可见，复杂地形的地表辐射差异不仅影响能量分配，还影响局地环流(谷风)，对日间上坡风(谷风)具有明显的增强效果。
|
| 图 6 Rad与CTRL方案模拟的风速差值沿ab剖面的垂向分布 |
图 7为Rad与CTRL方案得到的河谷横剖面的垂向水汽混合比差值，其他要素与图 5一致。上午(10:00)坡面最先接收太阳辐射，坡面加热形成上升气流，增强的上坡风(谷风)将河谷近地面水汽携带到山峰，河谷水汽混合比减少(图 7a和7d)；午间(15:00)上坡风增强效应更明显，将河谷更多的水汽带到山峰，山峰水汽混合比增加明显(图 7b和7e)；下午(19:00)上坡风减弱，河谷水汽减弱幅度变小(图 7c和7f)。综上可知，地形辐射效应通过增加坡面太阳辐射，使得坡面加热升温，产生上升气流，形成更强的上坡风(谷风效应)，携带低海拔地区(河谷、坡面)的水汽到更高海拔的地区，重新分配了区域水汽，从而影响局地降水。
|
| 图 7 Rad与CTRL方案模拟的水汽混合比差值沿ab剖面的垂向分布 |
3.2 地形辐射效应对降水的影响
Rad方案由于耦合了三维地形辐射效应方案，改变了WRF模式中地表太阳辐射以及水汽分配。采用Rad方案模拟的山谷坡面因接收了更多太阳辐射得到加热，产生强烈的上升气流，增强了日间谷风(谷风效应)，导致更多水汽输送到山峰。由于下垫面与大气边界层存在频繁的水汽交换，边界层水汽含量直接影响到区域云量、水热变化过程，故Rad方案对河谷降水分布模拟结果也有重要影响。
表 4为以500 m海拔差为单位分析的河谷不同高程带气象要素(辐射、气温、风速、降水量)差值分布情况。从差值分布情况可以看出，河谷平均接收太阳辐射差值为22.71 W/m2，坡面到峰顶(>3 500 m)比河谷(＜3 500 m)接收更多太阳辐射(辐射变化幅度分别为21.02~31.49 W/m2和18.18~19.88 W/m2)；相应地，坡面增温幅度更大(0.09~0.20 ℃)，河谷增温幅度较小(0.03~0.05 ℃)；坡面由于气温升高，产生更强烈的局地上升气流，增加地表风速(0.02~0.08 m/s)，河谷风速也略有增加(0.05 m/s)，但极低海拔区(＜3 000 m)风速减小(-0.03 m/s)；日间太阳辐射分布的差异导致坡面形成了更强的谷风，将河谷等低海拔地区的水汽输送到较高海拔，导致河谷地区降水量减少(-4.54~-3.34 mm)，坡面、山峰降水量增多(0.59~2.82 mm)。
| 物理量 | 高程/m | 平均 | ||||
| ＜3 000 | [3 000, 3 500] | [3 500, 4 000] | [4 000, 4 500] | ＞4 500 | ||
| 辐射/(W·m-2) | 18.18 | 19.88 | 23.00 | 21.02 | 31.49 | 22.71 |
| 气温/℃ | 0.03 | 0.05 | 0.09 | 0.12 | 0.20 | 0.10 |
| 风速/(m·s-1) | -0.03 | 0.05 | 0.05 | 0.02 | 0.08 | 0.03 |
| 降水量/mm | -4.54 | -3.34 | 2.82 | 2.47 | 0.59 | -0.40 |
图 8为CTRL和Rad方案在不同高程的降水量模拟结果，海拔3 500 m为降水过程变化的等高线。在低海拔区域(＜3 500 m)，模拟的第1阶段降水量都是夜间单峰过程，但Rad方案较CTRL方案降水量模拟结果偏低(图 8a和8b)，在降水强度较大时段更为明显；但在高海拔区域(>3 500 m)，第1阶段降水量的模拟结果呈现出以下午和夜间为峰值的双峰过程(图 8c、8d和8e)，Rad方案模拟的降水量逐渐高于CTRL方案。Ouyang等[31]基于2016至2019年亚东河谷地面观测降水资料，证实了亚东河谷季风期降水量的日内变化以3 500 m为分界线，这一现象的存在与地形效应、水汽输送有关。
|
| 图 8 CTRL和Rad方案在不同高程的降水量模拟结果变化 |
3.3 三维地形太阳辐射效应影响机理
在峡谷深切的高原山区，地表太阳辐射分配与地形高度有关，河谷区域海拔较低，接收太阳辐射量少于坡面(见图 9)。图 9中：黄色实线为太阳辐射方向，蓝色实线为风场方向。日间，山体坡面接收更多辐射得到加热，产生上升气流，在坡面形成更强上坡风(谷风)，将河谷水汽携带到坡面以上，水汽在坡面以上区域爬升并形成降水，导致河谷区域降水减少、坡面以上区域降水增多。以上影响机理适用于南北走向河谷地形，东西走向河谷(拉萨河谷)受到地形遮挡影响的面积较小，影响机理可能不同，还需进一步探讨。
|
| 图 9 三维地形太阳辐射效应影响机理示意图 |
4 结论
本文在WRF模式陆面过程模块耦合地形热力效应方案，将二维太阳辐射方案改进为三维太阳辐射方案，采用山区太阳辐射理论，对太阳辐射直射、辐射散射、地形反射过程的计算进行改进，并在亚东河谷开展高分辨率模拟研究。
结果表明，采用Rad方案模拟的降水结果与实测结果更接近(实测降水量为7.6 mm，CTRL方案和Rad方案的模拟结果分别为15.7 mm、12.1 mm)。总体来看，采用Rad方案模拟得到的太阳辐射数据与实测数据的相关系数高达0.95，在刻画太阳辐射方面体现出了更多的地形效应，降低了WRF模式对日出、日落期间太阳辐射量的高估以及对午间太阳辐射量的低估。日间，山体坡面接收更多辐射得到加热(不同高程带气温增高范围为0.09~0.20 ℃)，产生上升气流，在坡面形成更强上坡风(不同高程带风速缯大范围为0.02~0.08 m/s)，将河谷水汽携带进入坡面以上，水汽爬升并形成降水，导致河谷区域降水减少(不同高程带降水量减少范围为-4.54~-3.34 mm)、坡面以上区域降水增多(不同高程带降水量增多范围为0.59~2.82 mm)。
本文在亚东河谷开展高分辨率WRF模式模拟研究，但受限于河谷观测数据较少，主要采用场次降水观测数据与模拟结果进行对比。虽然观测数据有限，但基本可以解释地形效应对高原山区降水的影响机理，可为山区降水模拟研究提供一定参考。
| [1] |
傅抱璞. 山地气候要素空间分布的模拟[J]. 气象学报, 1988, 46(3): 319-326. FU B P. Simulation of the distribution of climatic elements in mountainous areas[J]. Acta Meteorologica Sinica, 1988, 46(3): 319-326. (in Chinese) |
| [2] |
高艳红, 许建伟, 张萌, 等. 青藏高原气候动力降尺度: 从1/4度到公里尺度[J]. 中国科学: 地球科学, 2022, 65(12): 2342-2352. GAO Y H, XU J W, ZHANG M, et al. Regional climate dynamical downscaling over the Tibetan Plateau: From quarter-degree to kilometer-scale[J]. Scientia Sinica: Terrae, 2022, 65(12): 2342-2352. (in Chinese) |
| [3] |
GAO Y H, XU J W, CHEN D L. Evaluation of WRF mesoscale climate simulations over the Tibetan Plateau during 1979-2011[J]. Journal of Climate, 2015, 28(7): 2823-2841. DOI:10.1175/JCLI-D-14-00300.1 |
| [4] |
GAO Y H, LEUNG L R, ZHANG Y X, et al. Changes in moisture flux over the Tibetan Plateau during 1979-2011:Insights from a high-resolution simulation[J]. Journal of Climate, 2015, 28(10): 4185-4197. DOI:10.1175/JCLI-D-14-00581.1 |
| [5] |
江志红, 陈威霖, 宋洁, 等. 7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估[J]. 大气科学, 2009, 33(1): 109-120. JIANG Z H, CHEN W L, SONG J, et al. Projection and evaluation of the precipitation extremes indices over China based on seven IPCC AR4 coupled climate models[J]. Chinese Journal of Atmospheric Sciences, 2009, 33(1): 109-120. (in Chinese) |
| [6] |
SU F G, DUAN X L, CHEN D L, et al. Evaluation of the global climate models in the CMIP5 over the Tibetan Plateau[J]. Journal of Climate, 2013, 26(10): 3187-3208. DOI:10.1175/JCLI-D-12-00321.1 |
| [7] |
LI P X, FURTADO K, ZHOU T J, et al. Convection-permitting modelling improves simulated precipitation over the central and eastern Tibetan Plateau[J]. Quarterly Journal of the Royal Meteorological Society, 2021, 147(734): 341-362. DOI:10.1002/qj.3921 |
| [8] |
WANG Y, YANG K, ZHOU X, et al. Synergy of orographic drag parameterization and high resolution greatly reduces biases of WRF-simulated precipitation in central Himalaya[J]. Climate Dynamics, 2020, 54(3): 1729-1740. |
| [9] |
LIU L, MA Y M, MENENTI M, et al. Improved parameterization of snow albedo in Noah coupled with weather research and forecasting: Applicability to snow estimates for the Tibetan Plateau[J]. Hydrology and Earth System Sciences, 2021, 25(9): 4967-4981. DOI:10.5194/hess-25-4967-2021 |
| [10] |
LI W K, GUO W D, QIU B, et al. Influence of Tibetan Plateau snow cover on East Asian atmospheric circulation at medium-range time scales[J]. Nature Communications, 2018, 9(1): 4243. DOI:10.1038/s41467-018-06762-5 |
| [11] |
YUE S Y, YANG K, LU H, et al. Representation of stony surface-atmosphere interactions in WRF reduces cold and wet biases for the Southern Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2021, 126(21): e2021JD035291. DOI:10.1029/2021JD035291 |
| [12] |
LI D, BOU-ZEID E, BARLAGE M, et al. Development and evaluation of a mosaic approach in the WRF-Noah framework[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(21): 11918-11935. |
| [13] |
陈广宇, 韦志刚, 董文杰, 等. 中国西部陆面过程次网格地形参数化的改进对区域气温和降水模拟的影响研究[J]. 大气科学, 2019, 43(4): 846-860. CHEN G Y, WEI Z G, DONG W J, et al. Effects of improvement of land surface subgrid topographic parameterization on regional temperature and precipitation simulation in western China[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(4): 846-860. (in Chinese) |
| [14] |
JIMÉNEZ P A, DUDHIA J. Improving the representation of resolved and unresolved topographic effects on surface wind in the WRF model[J]. Journal of Applied Meteorology and Climatology, 2012, 51(2): 300-316. DOI:10.1175/JAMC-D-11-084.1 |
| [15] |
顾春雷, 方德贤, 周洋, 等. 次网格坡地辐射参数化对RegCM4.1模式模拟东亚夏季气候的影响[J]. 气象科学, 2018, 38(5): 585-595. GU C L, FANG D X, ZHOU Y, et al. Effects of subgrid orographic radiation parameterization on RegCM4.1's performance in simulating the climate of East Asia in summer[J]. Journal of the Meteorological Sciences, 2018, 38(5): 585-595. (in Chinese) |
| [16] |
ZHANG X D, HUANG A N, DAI Y J, et al. Influences of 3D sub-grid terrain radiative effect on the performance of CoLM over Heihe River Basin, Tibetan Plateau[J]. Journal of Advances in Modeling Earth Systems, 2022, 14(1): e2021MS002654. DOI:10.1029/2021MS002654 |
| [17] |
HAO D L, BISHT G, GU Y, et al. A parameterization of sub-grid topographical effects on solar radiation in the E3SM land model (version 1.0): Implementation and evaluation over the Tibetan Plateau[J]. Geoscientific Model Development, 2021, 14(10): 6273-6289. DOI:10.5194/gmd-14-6273-2021 |
| [18] |
HUANG A N, GU C L, ZHANG Y C, et al. Development of a clear-sky 3D sub-grid terrain solar radiative effect parameterization scheme based on the mountain radiation theory[J]. Journal of Geophysical Research: Atmospheres, 2022, 127(13): e2022JD036449. DOI:10.1029/2022JD036449 |
| [19] |
GU C L, HUANG A N, ZHANG Y C, et al. The wet bias of RegCM4 over Tibet Plateau in summer reduced by adopting the 3D sub-grid terrain solar radiative effect parameterization scheme[J]. Journal of Geophysical Research: Atmospheres, 2022, 127(21): e2022JD037434. DOI:10.1029/2022JD037434 |
| [20] |
ZHOU X, YANG K, WANG Y. Implementation of a turbulent orographic form drag scheme in WRF and its application to the Tibetan Plateau[J]. Climate Dynamics, 2018, 50(7-8): 2443-2455. DOI:10.1007/s00382-017-3677-y |
| [21] |
NORRIS J, CARVALHO L M V, JONES C, et al. The spatiotemporal variability of precipitation over the Himalaya: Evaluation of one-year WRF model simulation[J]. Climate Dynamics, 2017, 49(5-6): 2179-2204. DOI:10.1007/s00382-016-3414-y |
| [22] |
LIN C G, CHEN D L, YANG K, et al. Impact of model resolution on simulating the water vapor transport through the central Himalayas: Implication for models' wet bias over the Tibetan Plateau[J]. Climate Dynamics, 2018, 51(9-10): 3195-3207. DOI:10.1007/s00382-018-4074-x |
| [23] |
OU T H, CHEN D L, CHEN X C, et al. Simulation of summer precipitation diurnal cycles over the Tibetan Plateau at the gray-zone grid spacing for cumulus parameterization[J]. Climate Dynamics, 2020, 54(7-8): 3525-3539. DOI:10.1007/s00382-020-05181-x |
| [24] |
WANG W L, YANG K, ZHAO L, et al. Characterizing surface albedo of shallow fresh snow and its importance for snow ablation on the interior of the Tibetan Plateau[J]. Journal of Hydrometeorology, 2020, 21(4): 815-827. DOI:10.1175/JHM-D-19-0193.1 |
| [25] |
ZHOU X, YANG K, OUYANG L, et al. Added value of kilometer-scale modeling over the third pole region: A CORDEX-CPTP pilot study[J]. Climate Dynamics, 2021, 57(7-8): 1673-1687. DOI:10.1007/s00382-021-05653-8 |
| [26] |
WANG X, TOLKSDORF V, OTTO M, et al. WRF-based dynamical downscaling of ERA5 reanalysis data for High Mountain Asia: Towards a new version of the High Asia refined analysis[J]. International Journal of Climatology, 2021, 41(1): 743-762. DOI:10.1002/joc.6686 |
| [27] |
COLLIER E, IMMERZEEL W W. High-resolution modeling of atmospheric dynamics in the Nepalese Himalaya[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(19): 9882-9896. DOI:10.1002/2015JD023266 |
| [28] |
KARKI R, UL HASSON S, GERLITZ L, et al. Quantifying the added value of convection-permitting climate simulations in complex terrain: A systematic evaluation of WRF over the Himalayas[J]. Earth System Dynamics, 2017, 8(3): 507-528. DOI:10.5194/esd-8-507-2017 |
| [29] |
BONEKAMP P N J, COLLIER E, IMMERZEEL W W. The impact of spatial resolution, land use, and spinup time on resolving spatial precipitation patterns in the Himalayas[J]. Journal of Hydrometeorology, 2018, 19(10): 1565-1581. DOI:10.1175/JHM-D-17-0212.1 |
| [30] |
SINGH J, SINGH N, OJHA N, et al. Effects of spatial resolution on WRF v3.8.1 simulated meteorology over the central Himalaya[J]. Geoscientific Model Development, 2021, 14(3): 1427-1443. DOI:10.5194/gmd-14-1427-2021 |
| [31] |
OUYANG L, LU H, YANG K, et al. Characterizing uncertainties in ground "truth" of precipitation over complex terrain through high-resolution numerical modeling[J]. Geophysical Research Letters, 2021, 48(10): e2020GL091950. DOI:10.1029/2020GL091950 |
| [32] |
BARLAGE M, CHEN F, TEWARI M, et al. Noah land surface model modifications to improve snowpack prediction in the Colorado Rocky Mountains[J]. Journal of Geophysical Research: Atmospheres, 2010, 115(D22): D22101. |
| [33] |
李净, 李新. 基于DEM的坡地太阳总辐射估算[J]. 太阳能学报, 2007, 28(8): 905-911. LI J, LI X. Estimating solar radiation on slope using DEM[J]. Acta Energiae Solaris Sinica, 2007, 28(8): 905-911. DOI:10.3321/j.issn:0254-0096.2007.08.019 (in Chinese) |
| [34] |
THOMPSON G, FIELD P R, RASMUSSEN R M, et al. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part Ⅱ: Implementation of a new snow parameterization[J]. Monthly Weather Review, 2008, 136(12): 5095-5115. DOI:10.1175/2008MWR2387.1 |
| [35] |
HONG S Y, NOH Y, DUDHIA J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. American Meteorological Society, 2006, 134(9): 2318-2341. |
| [36] |
DUDHIA J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. American Meteorological Society, 1989, 46(20): 3077-3107. |
| [37] |
MLAWER E J, TAUBMAN S J, BROWN P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D14): 16663-16682. DOI:10.1029/97JD00237 |
| [38] |
CHEN F, DUDHIA J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part Ⅰ: Model implementation and sensitivity[J]. American Meteorological Society, 2001, 129(4): 569-585. |
| [39] |
CHEN F, DUDHIA J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part Ⅱ: Preliminary model validation[J]. Monthly Weather Review, 2001, 129(4): 587-604. DOI:10.1175/1520-0493(2001)129<0587:CAALSH>2.0.CO;2 |
| [40] |
MA S P, ZHOU L B, LI F, et al. Evaluation of WRF land surface schemes in land-atmosphere exchange simulations over grassland in Southeast Tibet[J]. Atmospheric Research, 2020, 234: 104739. DOI:10.1016/j.atmosres.2019.104739 |