上海地区三类主要暴雨天气的云微物理和边界层敏感性模拟研究

bin和bulk微物理方案在我国飑线模拟中的敏感性研究殷蕾;平凡【摘要】分别利用weather research and forecasting (WRF)中尺度模式中的bulk和bin微物理参数化方案,对2014年7月12日发生在华东地区的一次飑线过程进行了数值模拟.结果表明:bulk方案基本模拟出了飑线初生、发展、成熟和消亡的生命史,但与实况存在1 ～2h的延迟,且强度偏弱;而bin方案模拟的雷达回波结构松散,组织化程度较低,更类似于现状对流.从模拟的地面降水看,bin方案模拟的雨带偏窄,且强降水区偏北;而bulk方案则基本模拟出了强降水区的位置.在此基础上进一步分析了两种方案模拟的各水凝物的垂直分布,结果表明bulk方案在高层产生了大量云冰,而bin方案中雪和霰粒子数量较多.【期刊名称】《科学技术与工程》【年(卷),期】2016(016)016【总页数】8页(P136-142,148)【关键词】飑线;微物理方案;SBM;bulk;敏感性研究【作者】殷蕾;平凡【作者单位】南京信息工程大学地理与遥感学院,南京210044;南京信息工程大学地理与遥感学院,南京210044;中国科学院大气物理研究所云降水物理与强风暴重点实验室,北京100029【正文语种】中文【中图分类】P457.9飑线是由许多活跃的雷暴单体排列成线状的中尺度对流系统，其过境处常伴有雷暴、大风、冰雹、龙卷等剧烈天气现象。

目前我国对这类强对流天气的预报能力还十分有限，一个重要原因是数值模式对云微物理过程的描述还有待完善。

目前模式中的云微物理参数化方案大致可分为两类：一类是传统的谱函数(bulk)方法，如Lin方案[1]；另一种是分档法(bin方法)，如Hebrew大学发展的微物理过程分档云模式(SBM Hebrew University cloud model, HUCM)。

简单说来谱函数参数化法是用一个经验函数(如gamma函数)来描述云中水凝物粒子的总体分布特征；而分档法则是根据水成物的相态、粒子大小、形状、密度等微物理特征将其分为几十或几百档，给出各个档粒子的预报方程及它们之间的相互转化关系[2]。

第34卷第3期2023年5月㊀㊀水科学进展ADVANCES IN WATER SCIENCE Vol.34,No.3May 2023DOI:10.14042/ki.32.1309.2023.03.007降雨数据时空精度对城市暴雨变异性及频率分析的影响庄㊀琦1,刘曙光1,2,周正正1,2(1.同济大学土木工程学院,上海㊀200092;2.中国气象局上海城市气候变化应对重点开放实验室,上海㊀200030)摘要:提升城市暴雨内涝防治精细化水平是解决城市洪涝问题的关键㊂采用16种不同时空分辨率的降雨产品,利用暴雨时空异质性评估指标和随机暴雨移置法,在上海地区定量评估降雨数据精度对暴雨事件时空变异性诊断和频率分析的影响㊂研究发现利用低精度降雨数据得到的年最大暴雨序列发生时间延迟㊁降水量低估,暴雨过程不均匀性提升㊁空间不均匀性降低;在不同重现期下,降雨数据精度对频率分析结果影响有显著差异,重现期越大,低精度数据带来的低估程度越大;时间精度的影响占主导地位,可达空间精度的5倍㊂在城市暴雨洪涝研究中有必要采用更高精度的降雨数据,建议与研究区域类似的小型城市地区在防洪设计中使用精度达(12h㊁0.05ʎ)或以上的降雨数据㊂关键词:城市极端降雨;时空分辨率;不确定性;频率分析;IDF 曲线;上海中图分类号:TV122㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)03-0398-11收稿日期:2023-01-29;网络出版日期:2023-04-19网络出版地址:https :ʊ /kcms /detail /32.1309.P.20230418.1444.002.html基金项目:国家自然科学基金资助项目(42271031;51909191)作者简介:庄琦(1997 ),女,江苏徐州人,博士研究生,主要从事城市水文㊁极端水文气象事件等方面的研究㊂E-mail:2110026@ 通信作者:周正正,E-mail:19058@ 在气候变暖及快速城市化的双重影响下,近年来中国地区性暴雨落区多与城市密集区重叠,城市防洪形势复杂严峻㊂极端暴雨事件在时间和空间尺度上的变异性[1]及频率变化显著[2],加之城市化流域面积相对较小㊁水文响应时间较快,城市洪涝管理精细化程度不高㊁设计标准不足等问题日益突显[3-5]㊂2019年发表在Water Resources Research 上的研究强调了城市水文学面临数据精度不足带来的挑战[6]㊂为匹配城市社会经济发展的需求㊁满足新阶段水利高质量发展要求,在城市地区亟待使用时空精度与发展目标相适配的观测数据来提升精细化城市水灾防御能力㊂降雨数据的时空精度(时空分辨率)很大程度上决定了对一场暴雨时空变异性的表达程度及频率分析的可靠程度[6]㊂国内外研究普遍发现使用精细时间分辨率的降雨数据能显著提高洪水模拟效果[7-8],而粗糙时间分辨率的降雨数据会造成暴雨量级(如最大雨强㊁累积雨量等)被低估,且暴雨过程(雨型)不准确,从而带来洪涝风险评估的偏差[9-10]㊂刘业森等[11]发现随着降雨数据空间分辨率降低,暴雨空间分布被坦化㊁洪峰计算误差随之增加;而Ochoa-rodriguez 等[12]发现降雨时间分辨率对洪水模拟结果的影响要超过空间分辨率,同时,随着流域面积的增加,降雨时空分辨率对计算结果的影响减弱;此外,Li 等[13]发现受多重水文气候因子的影响,不同时空分辨率下的暴雨洪水模拟精度会呈现出复杂的非线性特征㊂可见,降雨数据分辨率对暴雨以及洪水特征的刻画有重要影响,但是两者作用并非简单的线性关系,不同地区的结论尚不统一㊂系统化㊁定量化分析不同精度降雨数据对暴雨时空变异性及设计暴雨的影响仍是亟待深入探讨的重要问题㊂上海作为长三角一体化的核心城市,易受台风㊁暴雨㊁潮汐㊁洪水等多种灾害影响,是中国31个重点防洪城市之一㊂近年来,基于站点数据或单一精度卫星数据的研究已表明上海市极端暴雨事件的时空㊀第3期庄琦,等:降雨数据时空精度对城市暴雨变异性及频率分析的影响399㊀异质性变化及暴雨频率变化显著㊁城市洪涝灾害风险加剧[2,14-15],但未见该地区针对降雨数据精度的影响问题进行定量化探讨㊂基于此,本文在上海市区,构建16种不同时空分辨率组合的降雨数据,对比分析数据精度对暴雨时空变异性特征刻画能力㊁暴雨强度-历时-频率(IDF,Intensity-Duration-Frequency)曲线计算的影响,以期对降雨数据精度在城市暴雨 时-空-频 多维结构中的作用形成更为客观㊁定量的认识,并提出与研究地区最适宜的降雨数据分辨率范围,为提升城市水旱灾害防御能力㊁也为提升城市气象 三精 能力提供科学依据㊂1　研究区域及数据资料为研究小型城市区域降雨数据精度的适用性,本文选取上海市行政面积最小的黄浦区为研究区域,面积约为20.52km 2㊂利用美国国家航空航天局开发的GPM-IMERG 卫星降雨数据(Early V06B 版本,时间分辨率为1h,空间分辨率为0.1ʎ,https:ʊgpm.nasa.goc /data /directory)和47个上海市翻斗雨量计收集的逐时实测降雨数据,基于空间降尺度矫正技术获得2008 2017年上海市时空精度更高的格点降雨数据集(IMERG_CorSH,空间分辨率为0.01ʎ,时间分辨率为1h)作为本文的输入数据㊂图1㊀不同数据集降水空间分布及IMERG_CorSH 精度评估Fig.1Spatial distribution of different rainfall products and accuracy assessment of the IMERG_CorSH 原IMERG 数据(图1(a))与其他卫星降雨产品相比,在空间覆盖㊁捕获微雨和固态降水的性能上都有较大的优势,能更好地描绘降水量的空间分布,在缺资料及无资料地区具有明显优势[16],但与实测值相比,该数据集在中国不同地区仍存在异质性的观测误差[17-18]㊂从雨量站点获得的实测降雨数据(站点位置见图1(b))被认为是最准确的数据源,但受限于站点数量有限且位置固定,空间分辨率的精细程度不如IMERG 数据㊂为了融合两数据源的优势,应用经典的一元线性回归降尺度方法建立年尺度㊁0.1ʎ精度下归一化植被指数(NDVI)数据和卫星降雨的线性关系,基于此关系和0.01ʎ的NDVI 数据估计年尺度㊁0.01ʎ精度上降雨,采用时间分解方法分解得到小时尺度上的降雨数据,再基于地理偏差矫正技术(GDA)在小时尺度上进行降雨量级的修正,最终得到2008 2017年IMERG_CorSH 数据集(图1(c))㊂本文所用的空间降尺度矫正详细400㊀水科学进展第34卷㊀步骤及结果合理性见文献[19]㊂该数据集覆盖上海市,经验证,IMERG_CorSH与站点实测降水在年㊁月㊁日尺度上Pearson相关系数(C c)均超过0.85(图1(d) 图1(f),E MA为平均绝对误差,E RMS为均方根误差),小时尺度上Pearson相关系数也高达0.74(图1(g))㊂相比于IMERG数据,IMERG_CorSH数据大大减少了统计误差,且提供了0.01ʎ尺度上丰富的降雨信息㊁远高于雨量站的空间观测精度,可作为探究数据时空分辨率对城市极端暴雨的不确定性影响的重要数据基础㊂2㊀研究方法2.1㊀时空精度重构与极端暴雨事件提取以0.01ʎ㊁1h原始精度为参考,对IMERG_CorSH降雨数据进行时间(6h㊁12h㊁24h)㊁空间(0.02ʎ㊁0.05ʎ㊁0.1ʎ)尺度上的分辨率重构,最终获得16种具有不同时空分辨率组合的降雨产品㊂时间尺度上(图2(a)),利用一维滚动窗口求和方法[20]将原始逐一小时降雨序列重采样至6h㊁12h及24h㊂一维滚动窗口向前滚动的距离等于窗口长度,分别为6㊁12和24,相邻时刻滚动窗口不交叉,且时序重构过程保留原始降雨空间信息㊂同理,空间尺度上(图2(b)),利用二维滚动窗口求平均方法[12]将原始0.1ʎ数据重采样至0.02ʎ㊁0.05ʎ和0.1ʎ㊂二维滚动窗口向右㊁向下滚动距离等于滚动窗口边长,分别为2㊁5和10,相邻空间位置滚动窗口不交叉,空间重采样过程不改变时序信息㊂由于滚动窗口在时序上累加㊁空间上求平均此类采样过程并不损失或增加降雨信息,故时空分辨率重构过程不改变同场降雨的累积总雨量㊁面平均雨量,以此消除数据处理中的不确定性㊂本文使用的16种不同时空分辨率的组合见图2(c)㊂基于不同时空分辨率的降雨数据提取年最大24h降雨事件(2008 2017年)作为极端暴雨进行分析㊂目前针对年最大值序列的采样方法仍存在较大差异,国内一般采用正点统计法,选取当日08:00至次日08:00为1d降雨的起止时间㊂而实际上,自然降雨事件中强降水过程存在跨时㊁跨日的现象,正点统计采样可能导致完整的强降水过程被分割㊁降雨累积量被低估[21]㊂因此,本文利用自然降水过程统计方法对年最大24h事件进行采样,即基于24h为滑动窗口大小㊁数据时间分辨率大小为滑动步长,以保留更贴近真实的降雨起止过程,并讨论时空分辨率在极端暴雨分析计算中的不确定性影响㊂注:R(t)为时序t时刻降水量/mm;R(s)为空间上s格点处降水量/mm;ρ(s)为区域名为A的流域占s网格的面积权重;S4,A 为4号网格内流域A所占的面积;S4为4号网格面积;T为时序上滚动窗口长度;N为空间上滚动窗口包含的网格总数㊂图2㊀降雨数据时空分辨率重构方法示意Fig.2Schematic diagram of spatiotemporal resolution reconstruction of rainfall inputs㊀第3期庄琦,等:降雨数据时空精度对城市暴雨变异性及频率分析的影响401㊀2.2㊀暴雨时空变异性特征分析本文选取了一系列暴雨特征指标来表征暴雨事件的时空结构,包括累积暴雨量(R )㊁暴雨量极值(M )㊁暴雨变异系数(C v)㊁暴雨覆盖率(F )㊂其中,暴雨总量是计算研究区域内t h 降雨累积量,暴雨量极值㊁暴雨变异系数㊁暴雨覆盖率分别可以在时间㊁空间2个尺度上进行计算,计算公式见表1㊂表1㊀暴雨时空特征指标计算公式Table 1Formula of temporal and spatial characteristics of storms指标时间尺度空间尺度累积暴雨量/mmR =ðT 1ʏS A R (t ,s )d s 暴雨量极值/mm M t =max{R (t );t ɪ[0,T ]}M s =max{R (s );s ɪ[0,N ]}暴雨变异系数C v t =ðT t =1[R (t )-R (t )]2/(T -1)R (t )C v s =ðN s =1[R (s )-R (s )]2/(N -1)R (s )暴雨覆盖率F t =1TʏT (t |R (t ,s )>x )d t F s =1S A ʏS A (s |R (t ,s )>x )d s注:S A 为目标流域面积,km 2;R (t )为[0,T ]时刻内平均降水量,mm;R (s )为空间[0,N ]格点内平均降水量,mm;x 为暴雨阈值,mm,用来研究暴雨事件中大于某一阈值的降雨时长占比或降雨空间范围占比,本文中设1d 累积雨量达50mm 为阈值,为方便对比,在逐小时计算时累积雨量达(50/24)mm 计为x 值㊂2.3㊀暴雨频率分析及其不确定性随机暴雨移置(Stochastic Storm Transposition,SST)法是一种基于区域性概率重采样与地理移置相结合的地区性降雨频率分析方法㊂该方法利用与目标区域气候特征相同㊁降雨过程相似的邻域暴雨模拟延长本地样本序列,仅10a 历史数据即可获得可靠的频率分析结果[22]㊂SST 方法结合不同分辨率降雨数据能够提供考虑降雨时空结构㊁数据分辨率不确定性区间的暴雨频率分析结果㊂此处对基于SST 法的暴雨频率分析及其结果的不确定性量化作简要概括:(1)首先确定一个包括研究地区A 流域在内㊁与研究区域具有相似气候特征的暴雨移置区Aᶄ㊂本文所选取的研究地区㊁移置区范围与文献[15]一致,研究地区A 与移置区Aᶄ位置可参照该文献中的图1,移置区选择及结果合理性见文献[14-15]㊂(2)从n 年(如本文n =10,2008 2017年)降雨序列中筛选出发生在移置区Aᶄ内㊁历时为T r (本文取1㊁6㊁12㊁24h)的最大的m 场(本文m =200)暴雨,作为暴雨目录㊂(3)从暴雨目录中随机选择k 场暴雨事件,即假设一年内发生的暴雨事件数量为k ㊂k 服从泊松分布,分布的平均发生率为λ=m /n ㊂(4)对选定的k 个暴雨事件进行整体移动,计算目标流域A 内降雨历时为T r 的降雨累积量,并保留其中的最大值作为该年的年最大降水量㊂不同于传统方法,由于移置过程保留整个降雨场的时空信息,故该方法计算过程中考虑了尺度相关的暴雨时空分布结构对暴雨频率分析的影响㊂重复该过程N 次,即可构建长为N 年㊁历时为T r 的年最大序列㊂(5)对N 年㊁历时为T r 的年最大暴雨从大到小排序,进行频率分析,得到IDF 曲线㊂(6)本文以输入1h㊁0.01ʎ分辨率数据的频率分析结果为参考,选取相对误差(E )和时空不确定性系数(U )2个指标量化数据分辨率对频率分析结果的不确定性影响:E p ,st =(q p ,st -q p ,ref )q p ,ref ˑ100%(1)402㊀水科学进展第34卷㊀U p,st=q p,st_0.95-q p,st_0.05q p,ref_0.95-q p,ref_0.05(2)式中:q p,ref和q p,st分别为重现期p下利用分辨率为(1h㊁0.01ʎ)和(t h㊁sʎ)的数据所计算的IDF结果; q p,ref_0.95㊁q p,st_0.95,q p,ref_0.05㊁q p,st_0.05分别为各自对应IDF曲线上95%与5%分位数处的值,mm㊂3㊀结果与分析3.1㊀基于不同时空精度的暴雨事件提取基于16种不同时空精度数据所提取的年最大24h暴雨序列在发生时间和量级上存在较为显著的差异㊂在本节暴雨事件对比过程中,根据不同精度暴雨事件与(1h㊁0.01ʎ)事件的发生时间差异划分3种情况:若两者时间差为0h则视作无相位差的同场暴雨事件;若两者存在时间差且时间差<24h视作有相位差的同场暴雨事件;若两者存在时间差且时间差>24h则视为非同场暴雨事件㊂首先在发生时间上,其余15种分辨率的暴雨序列与(1h㊁0.01ʎ)结果相比,同场暴雨事件㊁有相位差的同场暴雨事件和非同场暴雨事件3种情况占比约为17%㊁70%和13%㊂各精度下暴雨事件的划分结果列于表2(因以(1h㊁0.01ʎ)精度为参考,故表中仅列出15种精度结果)㊂如(1h㊁0.02ʎ)精度下所提取的事件与(1h㊁0.01ʎ)精度下无差异;(6h㊁0.01ʎ)与(6h㊁0.02ʎ)精度下10a均为同场暴雨但普遍存在1~5h 相位差;12h精度下相位差进一步增加到1~17h,并伴随1~2a非同场暴雨;至(24h㊁0.01ʎ)~(24h㊁0.05ʎ)精度下10a间有20%场非同场暴雨,(24h㊁0.1ʎ)精度下则有30%非同场暴雨㊂由表2可见,随着降雨时空精度降低,同场暴雨事件发生起止时间差异越大,且非同场暴雨事件出现的概率越大㊂此外,表2中69.5%的有相位差暴雨事件起始时间后置于(1h㊁0.01ʎ)暴雨㊂尽管各精度下暴雨发生概率最大的时间均集中在7月中下旬(峰值位置发生时间标注于图3(a)),但随着时空分辨率的降低,暴雨发生最大概率时间后移4~19d左右,说明低分辨率捕捉的暴雨发生时间有日尺度上的滞后㊂表2㊀不同时空精度降雨数据提取的暴雨事件对比Table2Rainstorm events extracted from rainfall data with different spatiotemporal resolutions㊀㊀降雨量级分布上(图3(b)),随着时空分辨率的降低,雨量概率密度曲线尾部变薄㊁变短,而峰值处概率变高㊁分布更为集中,尾部风险被低估㊂图3(b)中,随着时空分辨率变低,雨量概率密度曲线的峰现位置前移,即年最大24h量级被低估2.9%~9.5%;同时峰值处概率密度提高5.5%~65%,即最大24h雨量分布更为 尖瘦 ㊂峰值处概率变高伴随着尾部变短㊁极值雨量漏估,尤其是累积雨量超过130mm的暴雨事件在粗糙分辨率下被严重低估,累积雨量超过180mm的暴雨在不同分辨率组合下被低估4%(出现在㊀第3期庄琦,等:降雨数据时空精度对城市暴雨变异性及频率分析的影响403㊀(6h㊁0.01ʎ)处)~60%(出现在(24h㊁0.05ʎ)及(24h㊁0.1ʎ)处),累积雨量220mm以上的暴雨在(24h㊁0.1ʎ)精度下完全被忽略㊂与(1h㊁0.01ʎ)相比,低分辨率数据提取的非同场暴雨事件占比变多㊁相位差变大造成了年最大24h累积雨量的低估甚至漏估㊂非同场暴雨事件显然会在降水量计算中带来显著差异,而即便是存在相位差的同场暴雨事件,降雨过程被粗糙分辨率分割带来的影响也不容忽视㊂如2013年,时间分辨率为24h时,与1h精度下事件相位差仅差15h,降水量级差异为72.4mm;2017年时间相位差仅差7h,降水量级差异为47.5mm,说明暴雨事件在此时极可能存在跨时㊁跨日的情况㊂使用粗糙的数据采样会将一个真实的强降水过程分割成2个(或多个)时间步长,导致低分辨率条件下提取的暴雨事件出现时间偏移㊁降水量被低估的情况㊂图3㊀不同时空分辨率的暴雨事件年内概率密度分布Fig.3Annual density distribution of extreme rainfall events with different spatiotemporal resolutions3.2㊀时空精度对刻画暴雨时空变异性特征的影响图4展示了基于16种不同时空精度数据所提取的年最大24h暴雨事件的时空特征变化㊂本节采用相对误差(见式(1),原公式中q p,ref为参照值,q p,st为其他精度条件下的输入值)评估不同精度条件下暴雨事件时空特征指标结果的差异:如图4中以(1h㊁0.01ʎ)精度暴雨事件计算得到的时空特征指标值作为参照值,再输入其他精度下暴雨时空特征指标值计算得到量化时空精度影响的相对误差(E st);以(1h㊁sʎ)(s取值分别为0.01㊁0.02㊁0.05㊁0.1)精度下的结果作为参照值计算不同空间尺度下量化时间精度影响的相对误差(E s);同理以(t h㊁0.01ʎ)(t取值分别为1㊁6㊁12㊁24)精度下的结果作为参照值计算不同时间尺度下量化空间精度影响的相对误差(E t)㊂从降水总量上看,随着时空精度的降低,降水总量也随之降低,如图4(a),在空间上,精度从0.01ʎ到0.1ʎ,相对误差E s为-2.2%;在时间上,从1h到24h,相对误差E t为-14.8%;最大误差出现在(24h㊁0.1ʎ)精度下,时空相对误差E st为-16%㊂暴雨量级的低估性在粗糙分辨率下(0.05~0.1ʎ,12~24h)更为显著㊂在其他时空特征上,不同特征指标受时间㊁空间精度的影响存在差异㊂如图4(b)㊁图4(d)和图4(g)所示,随时空精度降低,暴雨量的空间极值(M s)㊁空间变异系数(C v s)和暴雨时间覆盖率(F t)呈现单调递减趋势㊂数据精度由(0.01ʎ㊁1h)到(0.1ʎ㊁24h),M s㊁C v s㊁F t相对误差E st分别为-29.6%㊁-9.1%㊁-24.4%,即低时空分辨率将造成M s㊁C v s㊁F t的严重低估㊂从空间精度变化上看,精度从0.01ʎ到0.02ʎ,各项指标未受空间分辨率影响,M s㊁C v s㊁F t在0.01ʎ~0.02ʎ处E s值相同㊂而空间精度从0.02ʎ到0.05ʎ,下降梯度最大,M s㊁C v s㊁F t在0.02ʎ~0.05ʎ处E s分别下降14.3%㊁9%㊁4%㊂从时间精度变化上看,精度从6h到12h,变化梯度最大,M s㊁C v s㊁F t在6h~12h处E t分别下降15.2%㊁9.1%㊁7.5%㊂可见,时间精404㊀水科学进展第34卷㊀图4㊀基于不同时空分辨率降雨数据提取的暴雨事件时空结构诊断Fig.4Spatiotemporal structure diagnosis of extreme rainfall events based on rainfall data extraction withdifferent spatiotemporal resolutions度降低同样会影响对空间特征指标M s㊁C v s的描述,粗糙的时间分辨率亦无法合理刻画空间极值和空间不均匀性㊂与M s㊁C v s恰恰相反,随着时空精度降低,暴雨量时序极值(M t)㊁时间变异系数(C v t)呈现单调递增趋势㊂如图4(c)和图4(e),数据时空精度由(0.01ʎ㊁1h)降低到(0.1ʎ㊁24h)将造成M t㊁C v t分别被高估22%㊁24.4%㊂空间精度从0.01ʎ到0.02ʎ,M t㊁C v t在各时间分辨率下相对误差值E s不变;空间精度从0.02ʎ到0.1ʎ,M t㊁C v t指标随着时间分辨率降低而增加㊂与M s㊁C v s相同,M t㊁C v t指标亦在0.02ʎ~ 0.05ʎ㊁6~12h处变化梯度最为显著,M t㊁C v t在0.02ʎ~0.05ʎ处相对误差E s升高17.7%㊁14%,在6~12h处相对误差E t升高17.6%㊁12.1%㊂可见,粗糙精度的降雨数据会导致瞬时㊁局地暴雨极值量级被错误估计甚至遗漏㊂粗糙的时间分辨率影响空间局地暴雨极值量级,同样的,粗糙的空间分辨率也会影响短历时暴雨极值量级的估计㊂降雨数据时空精度对暴雨空间覆盖率(F s)的影响更为复杂,表现为F s随时空精度降低呈小幅波动下降趋势(E st=-2.5%,见图4(f))㊂F s指标在1~6h㊁12~24h时间精度下随空间分辨率降低分别下降0.9%㊁0.5%,在6~12h分辨率下又随空间分辨率降低小幅上升3.9%㊂空间分辨率对F s指标的影响表现为随空间分辨率降低波动上升1.4%,但在0.01ʎ~0.02ʎ处E s值未见变化㊂说明时空精度对暴雨空间覆盖率的影响呈现复杂的非线性关系㊂从影响程度上看,时间精度对暴雨时空变异性的影响强于空间精度㊂如对时序特征指标降雨总量(R)和F t,时间精度约为空间精度影响的6倍;而对空间极值指标M s,影响差异为2倍;对M t㊁F s㊁C v s指标,时间㊁空间精度影响作用相当;对于C v t而言,则以空间精度影响为主导㊂可见,时间和空间精度变化均对捕捉暴雨时空结构特征有不可忽视的影响㊂从指标类型上看,时间精度会影响空间指标,而空间指标也受时间精度的影响,尤其是在精细分辨率下影响更为显著㊂综上,粗糙时空精度的降雨数据会低估降水总量,倾向于捕捉时序不均匀性高㊁空间不均匀性低的暴雨事件㊂采用0.02ʎ㊁6h精度以内的数据对暴雨时空特征的刻画结果较为可靠㊂由于实际降雨过程具有随机㊀第3期庄琦,等:降雨数据时空精度对城市暴雨变异性及频率分析的影响405㊀性,不同降雨的雨型㊁时段雨强㊁持续时间等不同,因此,用精度粗糙的数据在描述降雨时空变化特征中不充分性㊁不确定性应被重视㊂同时,降水量级㊁时空结构特征在数据时空精度影响下的变化及其变化程度各有不同,采用不同分辨率计算的设计暴雨不确定性有待进一步研究㊂3.3㊀时空精度对暴雨频率的不确定性影响将16种具有不同时空分辨率的降雨数据输入SST模型,计算得到2~200a重现期下历时为24h的IDF 曲线,并将结果与(1h㊁0.01ʎ)分辨率下求得的IDF结果对比(图5(a))㊂相较于更精细的降雨数据,不同分辨率组合下的IDF结果具有不同程度的低估(E,见式(1))㊂6h㊁12h㊁24h数据对IDF的低估率平均值分别为3%㊁7%和14%,0.02ʎ㊁0.05ʎ㊁0.1ʎ对IDF的低估率分别为0.4%㊁4%和10%㊂时间尺度上,24h分辨率数据最大会造成设计值低估36%,使用6h以内分辨率的数据可以将误差控制在-0.4%~-4%之间㊂空间尺度上,0.1ʎ分辨率的数据相较于0.01ʎ的数据而言,误差在-31%~2%;使用0.05ʎ精度内的数据进行频率分析,所得结果误差范围为-0.3%~-17%;0.02ʎ与0.01ʎ数据所得的暴雨事件本身差异较小,故此处设计暴雨随机误差仅有-1%~1%㊂图5(a)中所展示的设计暴雨量级差异存在2个来源,一为数据时空精度误差,二为SST模拟不同降雨过程本身带来的随机误差(由于随机降雨场时空结构的变化),故图5(c)进一步剥离了不同重现期下降雨数据时空精度对IDF的影响,可见时空分辨率对IDF造成的不确定性占比接近50%,随着重现期增大(2~ 50a),时空分辨率造成的低估程度增加㊂50~200a重现期,受限于时序短(10a)㊁以及降雨事件本身的随机成分大,随机不确定性比重亦增大,分辨率不确定性占比略降低㊂可见,使用粗糙的降雨数据进行频率计算会造成设计暴雨量级的低估,且数据分辨率越低,量级低估程度越严重,随着重现期增大,时空分辨率导致的IDF不确定性亦增大㊂其中,时间分辨率的影响大约是空间分辨率的5倍左右(图5(b)和图5(d)),即时间分辨率的影响在该地区的极端暴雨时-空-频特征分析中占主导地位㊂图5㊀数据时空分辨率对IDF曲线的影响Fig.5Influence of rainfall spatial and temporal resolution on IDF curves图6为不同重现期下使用不同时空分辨率降雨数据进行计算的设计暴雨值与(1h㊁0.01ʎ)计算结果的相对误差散点图㊂时间㊁空间分辨率均粗糙的情况下(24h㊁0.1ʎ),结果误差最大,如T=200a时,误差达到-30%㊂而时间㊁空间分辨率中有一者较为精细时可降低结果的误差程度,如(1h㊁0.1ʎ)的数据所得结406㊀水科学进展第34卷㊀果的相对误差为-5%㊁(24h㊁0.01ʎ)结果的相对误差为-20%㊂图6中,精度在(12h㊁0.05ʎ)以内所得结果的相对误差存在一个较为平稳的平台面(Tɤ2a除外),可以认为该精度内设计结果差异不显著㊂尽管采用(0.02ʎ㊁6h)精度以内的数据对暴雨时空特征的刻画更为准确,但频率分析时,降雨量级㊁时空结构特征在数据时空精度变化下的影响相互交错且复杂,最终导致精度在(12h㊁0.05ʎ)以内的频率分析结果相对误差均较小㊂综上,以面积为20.52km2的典型城市地区黄浦区为例,建议水利工程设计中(Tȡ2a)使用精度在(12h㊁0.05ʎ)以内的降雨数据进行极端暴雨事件的频率计算,排水工程设计中(Tɤ2a)应使用精度更高的数据为宜㊂图6㊀不同重现期下降雨数据时空分辨率对暴雨设计值影响的3-D散点图Fig.63-D scatter plot of influence of spatial and temporal resolution of rainfall inputs on design storms under different return periods 4㊀结㊀㊀论本文基于16种不同时空分辨率的降雨数据,利用暴雨时空异质性评估指标和随机暴雨移置法在上海市黄浦区分析了降雨数据精度对城市暴雨时空变异性特征刻画㊁暴雨IDF曲线计算的影响㊂主要结论如下: (1)粗糙分辨率降雨数据会造成年最大暴雨序列的抽样存在误差,主要体现在暴雨发生时间出现误差(延迟)㊁降水量低估㊁暴雨过程在时序上的不均匀性增大㊁空间上的不均匀程度减小㊂在研究区域采用(0.02ʎ㊁6h)精度及以上的数据对暴雨时空变异性的刻画结果较为可靠㊂(2)降雨数据时间和空间分辨率的影响差异较大,时间分辨率对暴雨时空变异性刻画能力的影响强于空间分辨率㊂数据的时间分辨率不仅会影响暴雨的时序特征,也会影响暴雨事件的空间变化特征,同理数据空间分辨率亦会对暴雨事件的时序变化特征带来影响㊂(3)降雨数据分辨率越低㊁重现期越大,暴雨频率结果的低估程度越大㊂时间分辨率影响占主导作用,大约是空间分辨率的5倍㊂建议小型城市地区在水利工程设计中使用时间分辨率为12h㊁空间分辨率为0.05ʎ或更高精度的输入数据㊂。

周伟东,韩宁,戴建华,等.2022.上海地区暴雨预警评估及不同天气型暴雨预警差异分析[J].暴雨灾害，41(4):405-412ZHOU Weidong,HAN Ning,DAI Jianhua,et al.2022.Investigation of rainstorm warning and its difference under different synoptic condi-tions in Shanghai [J].Torrential Rain and Disasters,41(4):405-412上海地区暴雨预警评估及不同天气型暴雨预警差异分析周伟东1，韩宁1，戴建华2，陈浩1，岳彩军3，张瑞怡1(1.上海市气象服务中心，上海200030；2.上海中心气象台，上海200030；3.上海海洋中心气象台，上海200030)摘要：利用2010—2020年上海地区79个自动气象观测站逐小时观测资料和2016—2020年上海中心气象台和上海各区气象台发布的暴雨预警信号资料，采用趋势分析、累积频率等统计方法，分析了上海地区暴雨的时空分布特征，并且在对不同级别暴雨预警信号发布频次、预警时效进行统计分析的基础上，对不同天气形势下暴雨预警时效的差异进行了研究。

结果表明:上海地区6h 雨量标准的暴雨呈现显著上升趋势，其中暴雨蓝色预警上升趋势最为明显；7月6h 雨量标准的暴雨出现了明显的低谷，而1h 雨量标准的暴雨较6月仍然有所增加，显示出7月副高控制下上海地区多短时暴雨的特征。

上海午后暴雨一般持续时间相对较短，而持续时间较长的暴雨多出现在上午。

暴雨频次在中心城区和浦东靠近黄浦江地区存在大值中心，这可能与城市热岛效应有关。

上海地区暴雨预警信号发布时间呈现双峰型变化特征，第一峰值出现在中午12∶00，12∶00—17∶00预警信号发布相对集中，第二峰值出现在早晨06∶00，各级别预警信号持续时间平均为5.9h。

WRF模式模拟某新区风场及温度场利用NCEP再分析资料，选取YSU、MYJ、ACM2 3种不同的边界层参数化方案，通过WRF模式模拟某新区2014年1月8日-11日的温度场及风场的特征，与测风塔和自动站的实测数据对比，结果表明：WRF模式提供的3种边界层参数化方案都能较好地模拟出某新区冬季的地面温度场和流场特征，某新区西北部及东部的山丘环绕形成的夹山地貌导致城市夜间地面流场多为辐合，河谷地区风向为偏北风；白天流场多为辐散，谷地风向为偏南风。

这三种边界层参数化方案均能较好地模拟出某新区冬季温度场日变化特征，但对夜间地面温度的模拟结果均偏高。

关键词：边界层参数化方案，WRF模式，某新区，风场，温度场第一章引言中纬度行星边界层的厚度约为1~1.5km，是靠近地球表面的，受地面摩擦力影响较大的一层大气。

在大气边界层中，气体的垂直运动速度比其水平运动速度小好几个量级，然而就速度梯度而言，垂直方向上却比水平方向上要大得多。

大气边界层内气体运动的主要特点就是湍流性，在这一层大气中，强烈的风切变以及下垫面非均匀加热的作用，常会引起湍流的发生发展，而边界层内湍流的发生发展有利于污染物在该层内的扩散，近几年来，随着城市化的全面推进，大气污染等环境问题不断加剧，因此，对于大气边界层的研究是大气污染研究中的重要一环。

大气边界层的另一个特征是由热力作用导致的明显的日变化，白天和夜间的大气边界层结构有着显著的区别。

白天，太阳辐射到达地表后将其加热，地表温度上升，而边界层内的湍流运动使热量向上传递，大气层结处于不稳定状态，此时的边界层为对流边界层，边界层顶可到达几百米甚至几千米；而夜间正好相反，地面因长波辐射冷却后，热通量向下，大气层结处于十分稳定的状态，此时的边界层称为稳定边界层，边界层顶相对较低，约为二三百米的高度。

夜间的稳定边界层结构与白天的对流边界层结构相比有着显著的不同，值得一提的是，夜间大气经常在较低的高度上出现逆温层，该逆温层严重阻碍了物质和能量的扩散，是导致大气污染的一大原因。

【上海暴雨强度公式与设计雨型标准探析】在城市规划与设计中，暴雨强度公式和设计雨型标准是至关重要的参数。

特别是在像上海这样的我国地区，由于地理环境和气候特点的影响，暴雨频发，因此对暴雨强度公式和设计雨型标准的研究显得尤为重要。

一、上海暴雨强度公式1. 暴雨强度的概念暴雨强度是指在一定时间内，降雨量达到或超过一定数值的暴雨过程的平均降雨强度。

在城市防洪、排涝、建筑排水等工程设计中，暴雨强度是一个重要的设计参数。

2. 上海暴雨特点上海地处长江三角洲地区，属于亚热带季风气候，夏季多雷雨，降雨集中，强度大，且瞬时雨强大。

上海暴雨强度公式的研究对城市建设和生活具有重要意义。

3. 上海暴雨强度公式上海市的暴雨强度公式一直是工程设计中研究的重点。

根据上海气象资料，经过多次实测与数据分析，上海市编制了适合本地气候特点的暴雨强度公式，从而为城市防洪排涝工程提供了科学的依据。

二、设计雨型标准1. 设计雨型的概念设计雨型是指为城市防洪、排涝等水利工程建设而预先确定的一种代表性的降雨过程。

通过设计雨型，可以科学合理地预测暴雨时的径流量，从而为工程设计提供依据。

2. 上海设计雨型标准根据上海暴雨的实际情况和历史气象资料，上海制定了适合本地气候特点的设计雨型标准。

这一设计雨型标准不仅考虑了降雨量的大小，还兼顾了暴雨的时间分布、降雨过程的强度等多个因素，从而为城市防洪排涝工程的设计提供了科学依据。

三、个人观点与理解在城市建设中，暴雨是一个不容忽视的自然灾害因素，尤其对于像上海这样的城市而言，暴雨频发，防洪排涝工程的设计显得尤为重要。

暴雨强度公式和设计雨型标准的制定，不仅需要充分考虑本地的气候特点，还需要结合工程实际情况，以科学合理的方式来预测暴雨对城市的影响，从而保障城市的安全和稳定发展。

上海暴雨强度公式与设计雨型标准的研究，对于上海城市的规划与建设具有重要意义。

通过科学的研究与制定，可以为城市的防洪排涝工程提供可靠的依据，保障城市的安全和稳定发展。

WRF模式不同微物理过程对东北降水相态预报的影响崔锦;周晓珊;阎琦;张爱忠;李得勤;宋国云;陈雨【摘要】In order to study the impact of different microphysical processes of WRF model on precipitation phase forecasting,1 1 precipitation processes with precipitation phase change in the Northeast China from 2006 to 2008 were simulated based on WRF V3.1 and NCEP reanalysis data.Studies were carried out by three microphysical schemes,i.e.a WSM 6 scheme,a Goddard scheme and a New Thompson scheme.According to analysis of precip-itation phase and cloud microphysical characteristics,forecast differences existed in the different schemes were ob-tained.The results show that effects of different microphysical schemes on precipitation falling area and precipitati-on intensity are not significant,while precipitation phase is sensitive to microphysical schemes,especially for fore-casting of falling area of rain and sleet.The Goddard scheme is the best among all schemes according to results of overall forecast.The simulated cloud microphysical features of atmosphere in the bottom layer have significant differences among three schemes,which lead directly to the difference of precipitation phase forecast.%为了研究不同微物理过程对中尺度模式降水相态预报的影响，利用中尺度模式WRF（V3.1）和NCEP再分析资料，采用WSM 6方案、Goddard方案和New Thompson方案等3种不同微物理过程参数化方案，对2006-2008年东北地区存在降水相变的11次降水过程进行敏感性试验。

2种边界层参数化方案对1013号超强台风“鲇鱼”数值模拟的敏感性研究利用中国台湾地区“侵台台风之飞机侦察及投落送观测实验（DOTSTAR）”探空数据与WRF模式（3.8版本），针对1013号超强台风“鲇鱼”开展了边界层参数化方案的数值模拟敏感性研究。

结果表明，非局地YSU方案在台风强度、路径、螺旋雨带、内核尺度以及台风外围位温、水汽混合比、风向这些方面的模拟效果优于局地MYNN2方案；但在风速的模拟上，YSU方案与MYNN2方案没有明显的优劣之分。

由于大气运动学方程中存在着湍流通量项，使得方程组无法闭合，为了解决方程组的闭合问题，就需要引入边界层参数化方案[1]。

WRF模式作为一种主流的中尺度数值模式，其中一共引入了13种边界层参数化方案。

前人对于边界层参数化方案在降水[2-4]、边界层结构[5-8]、污染扩散[9-10]、台风[11-12]等方面的适用开展了大量的模拟研究。

笔者选取非局地YSU方案与局地MYNN2方案这2种常用的边界层参数化方案对1013号超强台风“鲇鱼”进行模拟与分析，以期为台风周边区域边界层热力与动力结构的数值模拟研究提供参考。

1 资料与方法1.1 DOTSTAR计划观测情况中国台湾地区“侵台台风之飞机侦察及投落送观测实验（DOTSTAR，Dropwindsonde Observations for Typhoon Surveillance near the TAiwan Region）”计划于2010年10月17日05∶40—09∶46共释放了16个探空仪对台风“鲇鱼”进行观测（图1）。

根据探空位置和台风中心之间的关系DOTSTAR观测航程大致可以分为3段：首先，第1个至第3个探空仪自西向东在台风西侧外围释放进行观测；接着，环绕台风中心外围释放了第4个至第13个探空仪；最后，在台风北侧释放了第14个至第16个探空仪。

于是大致上台风西侧有3个探空仪进行观测，环绕台风中心外围有10个探空仪进行观测，在台风北侧有3个探空仪进行观测。