中国气象学会主办。
文章信息
- 卢冰, 王薇, 杨扬, 仲跻芹, 陈敏. 2019.
- LU Bing, WANG Wei, YANG Yang, ZHONG Jiqin, CHEN Min. 2019.
- WRF中土壤图及参数表的更新对华北夏季预报的影响研究
- Updated soil map and soil hydrologic parameters for WRF and their influences over North China during the warm season
- 气象学报, 77(6): 1028-1040.
- Acta Meteorologica Sinica, 77(6): 1028-1040.
- http://dx.doi.org/10.11676/qxxb2019.066
文章历史
-
2018-09-27 收稿
2019-07-11 改回
2. 美国国家大气研究中心, 科罗拉多, 博尔德, 80307
2. National Center for Atmospheric Research, Boulder, CO 80307, U.S.A
WRF(Weather Research and Forecasting)模式(Skamarock, et al, 2008)是快速发展的中小尺度气象模式,被广泛应用于大气、海洋和环境等多个领域的研究和业务预报中(陈敏等,2011; 吴雪剑等,2018)。陆面过程子模式的目的是为天气或气候模式提供必要的下垫面条件,给大气模式提供陆面与大气之间的能量和物质交换通量。其准确度直接影响模式对大气边界层特征的模拟,对大气环流和气候产生一定的影响(戴永久等,1997;孙菽芬,2005;詹艳玲等,2012;陈海山等,2014;曾剑等,2016)。WRF中有多个陆面过程参数化方案,其中,Noah(Pan, et al, 1987;Chen, et al,2001)是最常用的陆面参数化方案之一。Noah方案包括一个单层植被模型和4层土壤模型,土壤层厚度分别为0.1、0.3、0.6及1 m,总深度为2 m,该模式分别采用热扩散方程及一维理查德方程计算土壤温度和土壤湿度。
陆面模式模拟结果的不确定性不仅与所使用的参数化方案、初始场和驱动场的质量有关,还取决于各种陆面信息输入数据的准确性及参数的准确性和代表性(李得勤等,2015)。WRF需要的陆面输入数据包括地形高度、土地利用类型、植被覆盖度、土壤类型等,反照率和叶面积指数可直接输入模式,或通过参数表中的最大、最小值以及植被覆盖度的变化计算得到。土地利用类型和植被覆盖度决定了模式网格点对应的发射率、植被根深、植被阻抗、粗糙度、气孔阻力和辐射应力函数等。在默认的查表法中,土壤类型决定了土壤的饱和含水量、饱和水传导率、饱和水势、饱和水扩散率、田间持水量、萎蔫点含水量、矿物质含量和参数b等土壤水文参数。土壤湿度和温度的模拟与预报一定程度上依赖于土壤水文参数,对陆面参数的合理校准可以在一定程度上改进模式的模拟效果。因此,可以通过提高这些地表特征参数的准确性以及参数表的优化来提高陆面模拟的准确度,从而提高WRF对当地的预报性能。
虽然土壤-植被-大气传输模式已日益发展成熟,但天气-气候生态水文模式中的土壤信息依然很缺乏。一方面,对土壤质地数据集的更新工作很少,特别是在中国区域,主要是由于数据采集、收集和制作难度大、周期长。Dai等(2013)根据中国原始观测数据建立了中国区域30″分辨率的土壤成分图,Shangguan等(2014)融合不同区域和国家的土壤质地数据集建立了全球土壤质地数据集,Dy等(2016)将Dai等(2013)制作的全球土壤数据类型集在WRF中使用,研究了土壤图更新对土壤湿度和香港、广东地区2 m温度模拟的作用。2017年WRF公布的土壤图中增加了“bnu_soil_30 s”全球土壤类型数据集选项(下文中简称北京师范大学土壤类型数据集),在WRF中可直接使用Dai等(2013)制作的中国区域30″土壤图数据。Lin等(2016)对台湾地区的土壤质地进行更新后有利于改进陆-气耦合效果。
WRF默认的土壤类型数据集是1991年美国国家农业部制作的,将土壤根据各成分的含量分为12种基本类型。该套数据集在美国本土的空间分辨率可达30″,但其他区域的数据则使用联合国粮食与农业组织(FAO)提供的全球5′分辨率的数据。该组数据集在中国区域仅采用1:500万的土壤分布图,使用的土壤剖面数据来源于世界排放清单项目中的60个剖面。因此,该组数据在中国区域的正确和准确度存在较大的质疑。北京师范大学土壤类型数据集的建立是基于1:100万的中国土壤分布图和近9000个土壤剖面的原始数据库,在剖面数据的集成和检查中实施严格的质量控制,将土壤粒径数据从中国制和国际制转换为美国制,并采用类型连接法和距离连接法形成最终的新的中国土壤属性数据集(Shangguan, et al,2014)。北京师范大学土壤类型数据集包含8层不同土壤深度的数据,驱动WRF需要的表层土壤类型由前5层数据制作得到,WRF需要的底层土壤类型则由第5—7层数据制作而成。
另一方面,土壤的物理性质对陆面过程的模拟也有重要影响,而反映这些物理性质的参数化大多无法直接观测,一般在实验室中完成,很难还原真实的野外土壤状况。因此,土壤参数表的准确性和代表性依然存在问题。在对1448种土壤样本进行统计分析的基础上,Cosby等(1984)建立了土壤的湿度参数与土壤成分的关系式,并在陆面模式中得到应用。在通用陆面模式CoLM(Dai, et al, 2003)中,通过土壤中砂粒、粉粒和粘粒三种成分含量来确定土壤的物理参数。尽管在2018年6月发布的WRFv4.0中Noah-MP陆面方案可选择自带的土壤参数表或者选择根据土壤成分含量计算参数值来确定土壤水文参数,但在Noah陆面方案中依然是根据土壤参数表得到每种土壤类型对应的参数值,土壤参数查表法在未来仍然是主要方向。该土壤水文参数表随着Noah方案的发展也在不断地修改并增加新的变量。Kishné等(2017)根据美国德克萨斯州及其附近6749个土壤物理性质测量样本重新评估了Noah默认的土壤水文参数表,发现Noah默认土壤参数值中的田间含水量和萎蔫点含水量存在一定程度的低估,并通过观测样本对Noah默认土壤参数表进行了修正(表 1)。
土壤序号 | 土壤类型 | 参数b | 表层蒸发停止点含水量Θd (m3/m3) | 饱和含水量Θs (m3/m3) | 田间持水量Θref (m3/m3) | 饱和水势Ψs(m) | 饱和水传导率Ks (m/s) | 饱和水扩散率Ds (m2/s) | 萎蔫点含水量Θw (m3/m3) |
1 | 砂土 | 2.79 (3.36) |
0.010 (0.004) |
0.339 (0.402) |
0.236 (0.086) |
0.069 (0.047) |
1.07×10-6 (2.4010-5) |
6.08×10-7 (9.36×10-6) |
0.010 (0.024) |
2 | 壤砂土 | 4.26 (4.06) |
0.028 (0.010) |
0.421 (0.396) |
0.383 (0.142) |
0.036 (0.063) |
1.41×10-5 (1.72×10-5) |
5.14×10-6 (1.11×10-5) |
0.028 (0.057) |
3 | 砂壤土 | 4.74 (4.85) |
0.047 (0.016) |
0.434 (0.413) |
0.383 (0.213) |
0.141 (0.105) |
5.23×10-6 (1.01×10-5) |
8.05×10-6 (1.18×10-5) |
0.047 (0.081) |
4 | 粉壤土 | 5.33 (5.72) |
0.084 (0.023) |
0.476 (0.456) |
0.360 (0.303) |
0.759 (0.399) |
2.81×10-6 (2.20×10-6) |
2.39×10-5 (9.99×10-6) |
0.084 (0.123) |
5 | 粉土 | 5.33 (4.18) |
0.084 (0.010) |
0.476 (0.438) |
0.383 (0.346) |
0.759 (0.568) |
2.81×10-6 (1.30×10-6) |
2.39×10-5 (7.78×10-6) |
0.084 (0.064) |
6 | 壤土 | 5.25 (6.01) |
0.066 (0.022) |
0.439 (0.440) |
0.329 (0.274) |
0.355 (0.219) |
3.38×10-6 (4.12×10-6) |
1.43×10-5 (1.20×10-5) |
0.066 (0.128) |
7 | 砂粘壤土 | 6.66 (7.03) |
0.067 (0.029) |
0.404 (0.416) |
0.314 (0.288) |
0.135 (0.139) |
4.45×10-6 (7.08×10-6) |
9.90×10-6 (1.58×10-5) |
0.067 (0.168) |
8 | 粉粘壤土 | 8.72 (8.49) |
0.120 (0.039) |
0.464 (0.457) |
0.387 (0.350) |
0.617 (0.517) |
2.04×10-6 (1.48×10-6) |
2.37×10-5 (1.41×10-5) |
0.120 (0.212) |
9 | 粘壤土 | 8.17 (8.20) |
0.103 (0.036) |
0.465 (0.449) |
0.382 (0.335) |
0.263 (0.288) |
2.45×10-6 (3.02×10-6) |
1.13×10-5 (1.52×10-5) |
0.103 (0.196) |
10 | 砂粘土 | 10.73 (8.98) |
0.100 (0.037) |
0.406 (0.425) |
0.338 (0.355) |
0.098 (0.171) |
7.22×10-6 (5.13×10-6) |
1.87×10-5 (1.93×10-5) |
0.100 (0.239) |
11 | 粉粘土 | 10.39 (10.24) |
0.126 (0.052) |
0.468 (0.467) |
0.404 (0.392) |
0.324 (0.588) |
1.34×10-6 (1.27×10-6) |
9.64×10-6 (1.61×10-5) |
0.126 (0.264) |
12 | 粘土 | 11.55 (11.56) |
0.138 (0.058) |
0.468 (0.506) |
0.412 (0.428) |
0.468 (0.483) |
9.74×10-7 (1.66×10-6) |
1.12×10-5 (1.74×10-5) |
0.138 (0.285) |
注:括号内的值为修正值(Kishné, et al, 2017)。 |
为了分析土壤质地属性和土壤参数表的更新对数值天气预报的影响,本研究基于WRFv3.8.1模式和Noah陆面过程方案开展模拟试验。首先对比WRF默认土壤类型数据集和北京师范大学土壤类型数据集在中国区域的差异,以及对比修正后的土壤参数表(Kishné, et al, 2017)和默认土壤参数表中重要参数的变化。再通过较长时间的数值模拟,定量分析评估土壤质地属性和土壤参数表的更新对夏季华北地区预报性能的影响。
2 土壤质地类型和土壤参数表的更新 2.1 土壤类型数据集的更新WRF默认土壤类型数据集与北京师范大学土壤类型数据集在中国区域的表层土壤类型分布如图 1所示,后者所用的土壤数据分辨率明显提高,且在中国区域以壤土为主,而两套数据的差异主要在中国东部。新疆和内蒙古地区沙漠地带的土壤类型由砂土变成壤砂土,沙漠边缘则更新为粉壤土;西藏西北部更新为砂壤土。长江流域以南地区,WRF默认土壤类型以粘壤土为主,粘土和砂粘壤土次之,更新后,则以壤土为主,粘壤土、粘土和粉粘土各占一小部分。在华北和东北地区,更新前以粘壤土为主,更新后以壤土为主,还有小部分地区变为砂壤土、粉粘壤土或粉壤土。两套土壤类型数据集在WRF模式中的底层土壤类型分布特征与顶层相似,不再重复对比。
2.2 土壤水文参数表的更新Noah陆面模式中,土壤湿度方程的表达式为(Chen, et al,2001)
(1) |
式中,Θ是土壤含水量,土壤水扩散率D和水分传导率K是Θ的函数,FΘ表示土壤水的源汇项。水分传导率K(Θ)=KS(Θ/ΘS)2b+3,土壤水扩散率D=K(Θ)(∂Ψ/∂Θ),且
地表蒸发量E包含3部分(Chen, et al,2001)
(2) |
式中,Edir为裸土蒸发,Ec为叶面截留蒸发,Et为植被蒸腾。裸土蒸发的表达式为
(3) |
式中,
(4) |
式中,Wc为冠层蓄水量,S为最大冠层容量,n取0.5。植被蒸腾计算式为
(5) |
式中,Bc是冠层阻力的函数,与Θref和Θw有一定的关系。
与WRF自带的土壤参数表相比,Kishné等(2017)参数表的修正体现在:(1)增大了大部分土壤类型的参数b和饱和水传导率;(2)绝大部分类型土壤的田间持水量减小而萎蔫点含水量增大。更新土壤类型数据集和土壤参数表对土壤参数值带来较大的变化,因而产生的土壤湿度预报差异也较大。图 2—4分别给出了饱和水传导率、田间持水量和萎蔫点含水量在两项更新前后的对比。
同时更新土壤类型和土壤参数表后,中国区域内饱和土壤导水率都有所增大,且北方增幅比南方大,在参数b也增大同时土壤含水量保持不变的情况下,水分传导率(K)变大,土壤中水分的渗透能力更强。田间持水量在两项更新后,在北方减小而在南方增大,萎蔫点含水量则全部明显减小。根据式(3),在华北区域(小方框内),田间持水量减小而萎蔫点含水量同时也减小的情况下,由于田间持水量量级更大,因此土壤裸土蒸发计算公式中的系数β将增大,Noah陆面过程中裸土的蒸发能力将增强,地表向大气输送的潜热应该增多。这仅是对单独某个土壤参数进行的分析,实际上土壤温、湿度模拟对土壤水文参数的敏感程度很高,陆面过程的非线性作用很强,陆-气的耦合效果同时还取决于大气的模拟,因此,需要基于WRF模式开展数值模拟研究,详细分析更新土壤类型和土壤参数表对模拟性能的影响。
3 数值试验设计和结果分析 3.1 数值模拟试验配置与设计为了进一步评估土壤类型和土壤参数表的更新对WRF模式模拟性能的影响,基于WRFv3.8.1进行了3组试验。3组数值试验的模拟区域如图 1所示,大区域的分辨率为9 km,小区域分辨率为3 km,模拟时间为2017年6月1日—8月31日,每天08时(北京时,下同)采用欧洲中心分析场做初值、欧洲中心预报场做边界条件进行冷启动,进行24 h预报。主要的物理过程方案包括Noah陆面过程、YSU边界层方案、RRTMG长短波辐射方案、Thompson微物理过程及Kain-Fritsch积云参数化方案(9 km区域打开,3 km区域不使用积云参数化)。3组试验名称和差异如下:(1)对照(CTRL)试验,使用WRF默认土壤类型数据集和默认土壤参数表;(2)土壤类型(BNU Soil Type)试验,使用北京师范大学土壤类型数据集和默认土壤参数表,研究土壤类型数据集的更新对预报效果的影响;(3)土壤参数(New)试验,使用北京师范大学土壤类型数据集和更新后的土壤水文参数表。
3.2 模拟结果分析模式土壤温度和土壤湿度的空间分布与地形高度以及土地利用类型是对应的(图 5)。华北平原地区白天的表层土壤温度平均值约为32℃,土壤含水量约为0.25 m3/m3;内蒙古中部、陕西北部及宁夏北部等植被稀少地区的土壤温度较高,部分地区达到38℃,而土壤含水量很低;山西、河北北部、沈阳等森林覆盖山区的土壤温度较低,土壤湿度较大。
模式默认的土壤类型数据集更新为北京师范大学数据集后,表层土壤温度降低区域对应湿度降低区域,反之亦然。表层土壤温度降低区域与土壤类型从粘壤土或砂粘壤土更新为壤土的区域相对应;表层土壤温度升高区域对应着土壤类型从壤土更新为粉壤土。陕西与内蒙古交界及内蒙古境内有几处表层土壤温度明显降低而湿度明显增大的区域,在WRF默认土壤数据中表现为砂土,更新后变为壤砂土或粉壤土,砂土的水文参数明显不同于其他类型的土壤质地,因此更新后变化显著。进一步更新土壤参数表后,3 km分辨率区域内大部分地区的表层土壤温度都降低,比仅更新土壤类型试验降低幅度更大;同时表层土壤湿度更低,说明土壤中更多的水分通过蒸发和植被蒸腾作用输送到大气中。
地面接收到的净短波辐射的部分能量通过感热和潜热的方式输送到大气中,感热能量和潜热能量的分配与多种因素有关,其中,地表植被覆盖度和土壤湿度起到重要的作用。在3 km分辨率区域内,夏季白天,植被覆盖度高及土壤湿度大的东部以潜热为主(图 6),植被覆盖稀少及土壤湿度小的西部以感热为主,城市地区因为地表的特殊性则以感热为主。更新北京师范大学土壤类型数据集后,土壤类型从粘壤土或砂粘壤土更新为壤土区域的感热减少,潜热增多;从壤土更新为粉壤土区域的感热增多而潜热减少。进一步更新土壤参数表后,3 km分辨率区域内整体感热减少、潜热增多的趋势更为明显。更新土壤类型数据集和更新土壤参数表后,陆面向大气输送的感热和潜热的变化趋势与表层土壤温、湿度的变化趋势吻合。
3.3 陆面过程的模拟与分析为了验证土壤类型数据和土壤水文参数表的更新对陆面过程模拟的定量贡献,在上述结果的定性分析基础上,选取典型区域的两个代表站点进行比较和分析。第一个站点位于内蒙古地区,在图 5中表现为更新后土壤温、湿度差异显著的区域。该站点更新前的土壤类型为砂土,更新后为砂壤土,这两种土壤类型的水文参数属性差异较大。3组试验的日平均模拟结果与观测的对比显示(图 7),初始时刻表层(10 cm)的土壤温度与实况较为吻合,但土壤含水量明显比实况偏高,这与全球模式分析场在该点的不确定性和降尺度插值有一定关系。砂土的田间持水量仅为0.236 m3/m3,不足以支撑初始场中表层土壤高达0.39 m3/m3的含水量,模式开始积分后表层含水量迅速下降达到平衡,之后对照试验的土壤含水量的模拟与实况较为吻合。但在对照试验中,白天表层土壤温度明显偏高且幅度超过5℃,夜间则表现为偏低。另外,对照试验中的感热大于潜热,2 m气温偏高和2 m湿度偏低。更新土壤类型数据后,砂壤土的蓄水能力比砂土大,因此,土壤湿度下降幅度小,白天土壤温度的偏高幅度减小。与之对应的是潜热通量大幅度增大(2 m湿度增大)而感热通量减小(2 m温度降低),且白天地表向土壤的感热也减小(土壤温度降低)。在此基础上进一步更新土壤水文参数表后,表层土壤湿度、潜热和2 m湿度有小幅度的变化。与实况观测进行比较可以看到,该站点土壤类型的更新对表层土壤的温度和2 m温、湿度都有较大的正贡献。更新后该点的土壤湿度与实况的差距反而更大了,与土壤湿度的初始值有一定的关系。土壤质地的更新对该点的地表热平衡带来较大的影响,以14时为例,更新土壤类型数据后,地表净辐射增多约12 W/m2, 向上感热减少30 W/m2,向上潜热增多78 W/m2,地表向土壤的感热减少36 W/m2,这与该站点的土壤表层温度、2 m气温和2 m湿度是相对应的。地表净辐射的增加与地表温度降低后发射的长波辐射减少有关。还有一种可能是与大气低层的水汽有关,当更新土壤质地后潜热随之增加,大气边界层上部的水汽含量增加,而水汽亦是一种温室气体,增加向下的反辐射,使地表净辐射增加。简而言之,在地表热平衡中,土壤质地的更新对地表净能量收支和能量的分配有很大的影响。
另一个典型分析站点位于三省交界处的山东境内,默认的土壤类型为粘壤土,更新后为壤土类型,这是北京师范大学土壤类型数据集中的主要变更内容之一。3组试验的日平均模拟结果与实况的对比(图 8)显示。与内蒙古站点相同,全球模式的土壤湿度较观测偏高。更新土壤类型后带来了土壤水文参数的变化,导致裸土蒸发增强,表层土壤含水量降低,陆面向大气潜热增强(2 m湿度增大),感热减小(2 m温度降低),向土壤的感热减小(表层土壤温度降低)。进一步更新土壤水文参数表后,式(3)中的Θref-Θw减小,β增大,导致裸土蒸发能力增强,引起向大气的潜热增大(2 m湿度增大),感热进一步减小(2 m温度降低)。虽然该站点的裸土蒸发变大了,但是对应的表层土壤含水量反而升高了,这是由于更深土壤层进行了相应的补充,土壤参数(New)试验中土壤第3和第4层的土壤含水量比土壤类型(BNU Soi lType)试验的要略微偏小。从该站点的平均日变化曲线可以看到,更新土壤类型和土壤水文参数表都有利于提高模式对近地层2 m温、湿度的模拟。
3.4 地面要素预报的检验陆面过程对近地面及边界层的模拟结果有很大影响,高空观测本身非常稀少,故而分布广而密的地面观测资料是检验陆面过程对大气预报效果的重要参考信息。3 km分辨率区域内有748个中国国家级地面观测站(分布如图 9),并给出2017年6—8月试验期间对照试验中地面2 m温度和地面2 m比湿的站点平均预报偏差分布。图 9显示预报9 h后(17时)的地面要素预报偏差,主要特征表现为暖干和冷湿。整个3 km分辨率区域内是以暖偏差为主,平均2 m温度预报偏差为1.15℃,除了森林覆盖外,大部分站点的地面湿度比实况偏低,华北平原地区和内蒙古、宁夏、山西部分站点尤为严重,全部站点2 m比湿的预报偏差为-0.3 g/kg。白天其他时次的预报偏差与之相似,不再赘述。到了夜间,偏差趋势有所缓解但依然存在,日出以后偏差又恢复到白天的特征。
图 10显示了更新土壤类型数据集和进一步更新土壤参数表后2 m温度与2 m比湿的差异。与上文对比表层土壤温、湿度、地面向上感热和潜热的结果对应,更新土壤类型和参数表后,WRF模式预报从陆面到大气低层,主要变化特征和对应机制为:土壤的田间持水量减小后,土壤中的水分更容易通过蒸发和植被蒸腾作用输送到大气中,使得地面向大气的潜热增多,大气中湿度增大;当地面得到的净短波辐射能量更多地分配给潜热后,地面向上输送的感热减少,大气近地层的温度降低。结合对照试验的地面预报要素偏差分布,后两组更新试验中2 m温度降低和2 m比湿增大的区域有利于修正对照试验中的偏差分布。
定量评估更新土壤类型和参数表后对地面2 m温度和2 m比湿的预报效果,给出相对于对照试验,后两组更新试验不同预报时效的均方根误差提高幅度
陆面过程对数值天气模拟与预报具有重要影响,陆面资料输入数据和陆面参数的准确性是陆面模式模拟不确定性的因素之一。对比了WRF默认土壤属性数据集和新的北京师范大学土壤类型数据集在中国区域的差异,同时还分析了WRF默认土壤水文参数表与修正后的土壤水文参数表的不同以及它们对数值模拟的可能影响。进一步基于WRFv3.8.1及其中的Noah陆面过程方案,开展了数值模拟试验,研究土壤类型数据集和土壤水文参数表的更新对华北地区夏季预报性能的影响。主要结论有:
(1) 更新土壤属性及土壤水文参数表后,华北地区表层土壤温度降低而土壤湿度降低,陆面向大气输出的感热减小而潜热增大,大气底层温度降低而湿度升高。大气底层的变化能够一定程度上减弱WRF模式在华北地区的预报偏差。
(2) 2017年夏季华北地区地面2 m温、湿度的站点检验结果可以看到:土壤类型数据集及土壤参数表的更新都能提高地面要素的预报技巧,24 h内2 m温度和2 m比湿的预报准确率分别提高3.4%和2.9%。
土壤水文参数表的修正是基于美国土壤观测站得到,这些参数在中国的一致性和代表性依然存在问题,随着卫星遥感以及中国地表通量观测网的建立,将为区域尺度的土壤参数校准和优化提供更好的依据。此外,本研究仅分析了土壤属性及水文参数表的更新对陆-气耦合的影响进而对地面要素预报的影响,土壤温、湿度预报对不同尺度的降水也有一定的反馈作用,但它们之间的关系更为复杂,有待更深入的研究。
陈海山, 倪悦, 苏源. 2014. 两次暴雨过程模拟对陆面参数化方案的敏感性研究. 气象学报, 72(1): 79-99. Chen H S, Ni Y, Su Y. 2014. Sensitivity of heavy rainfall events simulation to land surface parameterization scheme as simulated via the two cases. Acta Meteor Sinica, 72(1): 79-99. (in Chinese) |
陈敏, 范水勇, 郑祚芳, 等. 2011. 基于BJ-RUC系统的临近探空及其对强对流发生潜势预报的指示性能初探. 气象学报, 69(1): 181-194. Chen M, Fan S Y, Zheng Z F, et al. 2011. The performance of the proximity sounding based on the BJ-RUC system and its preliminary implementation in the convective potential forecast. Acta Meteor Sinica, 69(1): 181-194. (in Chinese) |
戴永久, 曾庆存, 王斌. 1997. 一个简单的陆面过程模式. 大气科学, 21(6): 705-716. Dai Y J, Zeng Q C, Wang B. 1997. A simple land surface model for use in AGCM. Scientia Atmos Sinica, 21(6): 705-716. DOI:10.3878/j.issn.1006-9895.1997.06.08 (in Chinese) |
李得勤, 段云霞, 张述文, 等. 2015. 土壤湿度和土壤温度模拟中的参数敏感性分析和优化. 大气科学, 39(5): 991-1010. Li D Q, Duan Y X, Zhang S W, et al. 2015. Quantifying parameter sensitivity and calibration in simulating soil temperature and moisture. Chinese J Atmos Sci, 39(5): 991-1010. (in Chinese) |
孙菽芬. 2005. 陆面过程的物理、生化机理和参数化模型. 北京: 气象出版社, 1-21. Sun S F. 2005. The Physical, Biochemical Mechanism and Parameterized Model of Land Surface Process. Beijing: China Meteorological Press, 1-21. (in Chinese)
|
吴雪剑, 费建芳, 黄小刚, 等. 2018. 陆地下垫面与环境气流对锋面气旋发展过程影响的理想试验. 地球物理学报, 61(8): 3149-3159. Wu X J, Fei J F, Huang X G, et al. 2018. Ideal numerical simulations for influence of the land surface and ambient airflow on the frontal cyclone development. Chinese J Geophys, 61(8): 3149-3159. (in Chinese) |
曾剑, 张强, 王春玲. 2016. 东亚夏季风边缘摆动区陆面能量时空分布规律及其与气候环境的关系. 气象学报, 74(6): 876-888. Zeng J, Zhang Q, Wang C L. 2016. Spatial-temporal pattern of surface energy fluxes over the East Asian summer monsoon edge area in China and its relationship with climate. Acta Meteor Sinica, 74(6): 876-888. (in Chinese) |
詹艳玲, 林朝晖. 2012. 6月长江中下游降水和春季东亚季风区土壤湿度的关系. 气象学报, 70(2): 236-243. Zhan Y L, Lin Z H. 2012. The relationship between June precipitation over mid-lower reaches of the Yangtze River Basin and spring soil moisture over the East Asian monsoon region. Acta Meteor Sinica, 70(2): 236-243. (in Chinese) |
Chen F, Dudhia J. 2001. Coupling an advanced land surface-hydrology model with the Penn state-NCAR MM5 modeling system. Part Ⅰ:Model implementation and sensitivity. Mon Wea Rev, 129(4): 569-585. |
Cosby B J, Hornberger G M, Clapp R B, et al. 1984. A statistical exploration of the relationships of soil moisture characteristics to the physical properties of soils. Water Resour Res, 20(6): 682-690. DOI:10.1029/WR020i006p00682 |
Dai Y J, Zeng X B, Dickinson R E, et al. 2003. The common land model. Bull Amer Meteor Soc, 84(8): 1013-1023. DOI:10.1175/BAMS-84-8-1013 |
Dai Y J, Shangguan W, Duan Q Y, et al. 2013. Development of a China dataset of soil hydraulic parameters using pedotransfer functions for land surface modeling. J Hydrometeor, 14(3): 869-887. DOI:10.1175/JHM-D-12-0149.1 |
Dy C Y, Fung J C H. 2016. Updated global soil map for the Weather Research and Forecasting Model and soil moisture initialization for the Noah land surface model. J Geophys Res:Atmos, 121(15): 8777-8800. DOI:10.1002/2015JD024558 |
Kishné A S, Yimam Y T, Morgan C L S, et al. 2017. Evaluation and improvement of the default soil hydraulic parameters for the Noah Land Surface Model. Geoderma, 285: 247-259. DOI:10.1016/j.geoderma.2016.09.022 |
Lin T S, Cheng F Y. 2016. Impact of soil moisture initialization and soil texture on simulated land-atmosphere interaction in Taiwan. J Hydrometeor, 17(5): 1337-1355. DOI:10.1175/JHM-D-15-0024.1 |
Pan H L, Mahrt L. 1987. Interaction between soil hydrology and boundary-layer development. Bound Layer Meteor, 38(1-2): 185-202. DOI:10.1007/BF00121563 |
Shangguan W, Dai Y J, Duan Q Y, et al. 2014. A global soil data set for earth system modeling. J Adv Model Earth Syst, 6(1): 249-263. DOI:10.1002/2013MS000293 |
Skamarock W C, Klemp J B, Dudhia J, et al. 2008. A Description of the Advanced Research WRF Version 3. Boulder, Colorado, USA: National Center for Atmospheric Research
|