伴随着城市化的过程，土地利用/覆盖类型发生了很大的转变.然而在中尺度气象模式WRF(Weather Research and Forecasting)中，土地覆被资料的更新往往跟不上土地覆被改变的速率，且在局部区域与当地实际覆被不符，造成了对某些相关变量有较大的模拟偏差(Jiang et al., 2008).采用与模拟时段实际情况更为接近的下垫面资料，是提高区域天气及空气污染模拟准确性的强有力支持.土地利用/覆盖类型决定了地表反照率、空气动力粗糙度等参数的取值：例如城市与植被覆盖的下垫面相比较，城市下垫面透水性差，地表径流量增大，水汽蒸发减小，地面粗糙度增加，地面反射率减小，从而影响模式中地表-大气系统的能量、物质和动量的交换过程(Gao et al., 2008).土地覆被资料的变化直接带来各土地利用类型景观空间分布格局的变化，从而使得区域低层大气的能量、水汽、局地环流等的格局改变，进而造成各气象要素、空气污染物的分布结构也随之改变(高媛媛等，2007).因此为了更准确的模拟天气和大气环境过程，对可及时更新的、与实况相符的下垫面资料有很高的需求.

目前WRF模式提供的土地覆被资料有两套，一套为美国地质调查局(United States Geological Survey，USGS)于1993年基于土地覆盖类型和植被覆盖类型发展的全球24种类型的30 s分辨率数据，而在WRF3.1版本后添加了基于MODIS的2001年30 s分辨率数据，其覆被类型按照IGBP(International Geosphere-Biosphere Programme)的标准分为20类，虽然在中国区域有了更高的整体分类精度，但在局部地区仍有较为明显的分类错误(冉有华等，2009).司徒淑娉等(2009)对比模式内置资料和中巴资源卫星影像解译的华南4种主要的植被类型，发现WRF内置的USGS资料中过分高估了水田类型的面积，而对阔叶林和针叶林面积有所低估.

作为我国城镇化发展最快的地区之一，珠三角地区已形成既有特大城市、又有中小城市和大量建制镇的城镇体系，珠三角地区的城市扩张对气候变化以及大气污染物的影响已经引起大气环境研究领域的关注(Weng， 2002，陈燕等， 2005，Wang， 2009，廖镜彪，2011).麦健华等(2011)对研究区域的城市部分进行了修改，并以此探讨了下垫面和人为热源改变对珠三角热岛效应的影响.陈巧俊等(2012)将WRF内置的MODIS资料中的城市部分融合到USGS资料中，研究了城市扩张对珠三角地区春季气象条件的改变及其对地面O₃浓度的影响.蒙伟光等(2010)对WRF中珠三角地区的城市部分按居民、城镇、工矿3种土地利用类型进行了区分，并用WRF/UCM对城市化热岛效应的影响做了探讨.然而由于城市的发展速度很快，在WRF中的两套土地覆被资料均与实际情况有比较大的差异.

因此为了解决这一问题，在本研究中将收集到的多套土地覆被资料与广东省年鉴和广东省林业厅的植被调查结果进行了对比，从中筛选出最接近珠三角地区土地覆被调查值的一套资料替换到WRF的静态地理资料(Static Geographical Datasets，SGD)中.同时在这一过程中，建立了一套从地理信息资料转换为WRF资料格式的模型接口，以期可以方便快捷的导入各类不同年度的土地调查、遥感反演数据集等资料到WRF模式中.在此基础上针对珠三角地区的气候特征，选取了容易出现较重污染的秋季，分别模拟了2010—2011年1、4、7、10月的地面气象场，并与珠三角地区18个站点的气象观测数据进行比较，以检验不同土地覆被对WRF模式模拟结果的影响，从而提醒利用WRF模式开展气象、环境模拟研究的人员注意土地利用类型等资料不准确所带来的模拟误差.

目前对于WRF模式的数据替换方法主要有两种：①在WRF模式预处理系统(WRF Preprocessing System，WPS)中替换，②在WRF主模块中替换(潘小多等，2012).然而以上两种替换方法均是在namelist.wps中建立好研究区域的网格之后进行，当研究区域有所改变时则需要重复进行资料替换，同时每次替换时均需要注意投影体系的改变，如研究区面积较大，则替换之后的资料往往与原网格建立时的资料在网格边界处有所不同，导致网格边界区域模拟误差的扩大.

为避免以上问题，在本研究中基于ArcGIS Model Builder设计了一套从获取到的地理信息资料到写入WPS前的静态地理资料(SGD)的转换接口.如图 1所示，将获取的各套地理信息资料通过投影变换、重采样、重分类、格式转换等步骤处理成SGD标准的二进制文件，而后设置GEOGRID.TBL中调用静态资料的位置和插值方法(Michael， 2010，NCAR，2012).在实际使用中，这一转换接口可以准确、快速的将不同来源的地理信息资料导入到WRF模式的静态地理资料(SGD)中.

图 1(Fig. 1)

图 1 资料转换接口流程 Fig. 1 Data Conversion Interface Process

本文收集的国内外主要的土地覆被资料如表 1所示.其中，USGS和MODIS为WRF内置的静态资料，USGS为美国地质调查局于1993年基于土地覆盖类型和植被覆盖类型发展的全球24种类型的30 s分辨率数据，由于该资料表征的时期与其他资料相差较远，因此在本研究中仅对内置的MODIS资料进行对比.在WRF3.1版本后添加的基于MODIS的2001年30 s分辨率数据，其覆被类型按照IGBP的标准分为20类.CAS2005资料来自地球系统科学数据共享网(www.geodata.cn)，是中国科学院遥感应用研究所主持建设的中国1 ∶ 25万土地覆盖遥感调查与监测数据库，其空间分辨率为100 m，分类方式是在世界粮农组织提出的土地覆盖分类体系L and Cover Classification System(LCCS)基础上基于陆地生态系统特点设计的25种分类系统，该资料在全国进行了实地验证，湿地、水体和聚落分类准确，农田、草地、森林的分类准确率在90%以上(张增祥等，2009).GLC2000资料是由欧盟联合研究中心(JRC，http://bioval.jrc.ec.europa.eu/)空间应用研究所采用SPOT的1999年11月—2000年12月中有代表性的10 d的NDVI合成数据制作的1 km全球土地覆被产品，采用LCCS分类体系，共有24类，该产品采用自下而上的生成流程，将全球划分为9个区域，每个区域由不同的科研团队完成，该产品没有采用统一的制作方法，区域特征体现较为明显(Bartholomé and Belward，2006).GLC2009资料是欧盟联合研究中心以MERIS传感器的13个波段作为输入信息制作的250 m分辨率产品，同样采用LCCS分类体系，共有23类(Arino et al., 2008).

表1(Table 1)

表1 土地覆被资料来源与概况 Table 1 Sources and overview of l and cover data

表1 土地覆被资料来源与概况 Table 1 Sources and overview of l and cover data 数据代码 年份 原始分辨率 传感器 分类体系(种类) CAS2005 2005 100 m Terra LCCS(25) GLC2000 2000 1 km SPOT LCCS(24) GLC2009 2009 250 m MERIS LCCS(23) MODIS 2001 500 m Terra IGBP(20) USGS 1993 1 km - USGS(24)

为方便对比，本研究中将表 1中所有资料的分辨率重采样为30 s，采样方法为面积占优法(朱良峰，2004)，而后全部按照USGS的24种覆被类型重新分类(分类对应关系如附表 1所示).其中，MODIS资料为模式内置资料，直接将WPS运行所得结果中LU_INDEX、LANDUSEF、LANDMASK这3个变量的值替换为新分类值即可(蔡佳玲等，2008).

将重采样为30 s且按USGS分类的MODIS、GLC2000、CAS2005、GLC2009分别与2010年广东省统计年鉴、2009年广东林业局森林调查报告进行对比(如表 2、图 2)，其中农业用地面积年鉴值为2010年珠三角9个城市有效灌溉面积和，4套资料的值为珠三角旱田与水田面积和；林业用地面积年鉴/统计值为珠三角2009年林业用地总面积(林媚珍等，2008)，4套资料的值为珠三角针叶林、阔叶林与混交林面积和；建成区面积年鉴值为2010年珠三角 建成区面积和，4套资料的值为珠三角城镇和乡 村有建筑(Urban and Built-up)面积和.

表2(Table 2)

表2 各资料在珠三角地区主要土地类型面积对比 Table 2 Areas of main types of l and in each dataset

表2 各资料在珠三角地区主要土地类型面积对比 Table 2 Areas of main types of l and in each dataset 数据代码 面积/km2 建成区 农业用地 林业用地 MODIS 9243 14886 23067 GLC2000 1224 14886 23265 CAS2005 5679 11214 32337 GLC2009 5157 8775 17046 年鉴/统计值 2666 4488 38369

图 2(Fig. 2)

图 2 4套资料与年鉴值主要土地覆盖类型在珠三角各地级市所占面积比例(a，建成区;b阔叶林;c，针叶林;d，混交林) Fig. 2 The area ratio of main types of l and cover in each city(a，built-up areas; b broadleaf forest; c needle leaf forest; d mixed forest)

从4套资料与年鉴值在珠三角各地级市所占面积比例情况来看(图 2a)，对于建成区，内置的MODIS资料在东莞、佛山、中山区域对建成区面积高估超过10倍，而在广州、惠州、江门、珠海对建成区面积高估约1倍，在肇庆和深圳相对合理；GLC2000在除东莞外的各地级市对建成区均有所低估，特别是在惠州、江门，其建成区面积为0，明显异于统计年鉴结果；而CAS2005、GLC2009在各区域对建成区均有所高估，但除东莞、佛山、江门、中山外，两套资料与年鉴值的偏差均小于250 km².

对阔叶林而言，4套资料在中山、珠海均低估很多(图 2b).其中，MODIS资料在东莞、广州、江门、深圳、中山、珠海对其低估1~3倍，而在惠州、肇庆则对其高估1倍，在佛山、江门与调查值的平均偏差最小；GLC2000在珠三角所有地区均对阔叶林低估，其中在佛山、广州低估10倍以上，特别在中山、珠海其阔叶林值为0；CAS2005在深圳、中山、珠海对阔叶林低估约1～10倍，而在东莞、佛山、广州对其高估，但在广州、惠州、肇庆与调查值的平均偏差较小；GLC2009在东莞、深圳、中山、珠海对阔叶林低估1~3倍，而在肇庆对其高估较多，在其余地区均与调查值的平均偏差较小.

对于针叶林来说，4套资料在深圳、中山、珠海均有所高估(图 2c).其中MODIS资料在佛山、惠州、江门、肇庆对针叶林低估约2～10倍，在东莞、深圳、中山、珠海等地则对其高估1～2倍，而在广州其最为接近调查值；GLC2000在所有地区均对针叶林有所高估，其中在广州、惠州、深圳、肇庆高估约2～4.5倍，而在东莞、佛山、中山、珠海该资料与调查值的平均偏差最小；CAS2005在东莞针叶林值为0，而在其余地区均有所高估，其中在惠州、江门、深圳、中山、珠海高估约1～8倍，但在肇庆该资料与调查值的平均偏差最小.GLC2009在佛山、惠州、肇庆对针叶林低估约3～7倍，在东莞、中山对其高估约3倍，而在江门、深圳其与调查值的平均偏差最小.

而对于混交林，MODIS资料在除惠州外的各区域均对其高估(图 2d)，CAS2005在深圳、肇庆对其有所高估，GLC2000和GLC2009则在各区域对混交林均低估，这可能与其解译过程中对阈值和训练样本的选择有关(Armel et al., 2011).

结合表 2可以看出，在整个珠三角地区内置的MODIS资料对建成区面积高估超过3倍，在部分城市高估超过10倍，这样的高估导致模拟城市化研究时，往往对地表温度等结果有所高估，收集到的资料中GLC2009和CAS2005资料对建成区面积虽然也有一定的高估，但在各城市高估的比例并不大.从农业用地上看，4套资料均对其有所高估，其中GLC2009与年鉴/统计值相差最小，作为模拟人类活动影响的基础资料较为准确.从林业用地上看，4套资料对林业用地普遍低估，而CAS2005与其面积最为接近.同时，本研究将4套资料与高分辨率的SPOT-5多光谱影像叠加进行人工目视比对，发现CAS2005在中山、珠海地区对水体有所高估，这可能是该资料在此区域的分类有错误导致.因此，在本研究中选取GLC2009资料作为替换资料放入WRF的静态地理资料(SGD)中.

本文的研究区域包括整个珠三角地区，是珠江水系的西江、北江和东江入海时冲击沉淀而成的一个三角洲，面积为41698 km²(李立勋等，2007)，范围在111°20′~115°30′E，21°30′~23°40′N之间.区域中部为冲击平原，地形较为平坦，珠三角城市群主要坐落于广州、佛山为中心的核心城市区，周边区域则为低山丘陵.在模拟区域内有18个常规地面气象观测站，如图 3所示.其中，高要、广州、增城、东莞、惠阳、中山、台山站位于珠三角城市群区域内，而其他站点则位于周边城市区.

本研究采用WRF3.4.1版模拟，使用两重1 ∶ 3嵌套，其中粗网格中心经纬度为23.055°N、113.402°E，网格数分别为130×110、151×109，对应的网格距为9 km、3 km.模式顶为100 hPa，垂直方向取27层.模拟时间为2010—2011年1、4、7、10月，每次模拟8 d，其中第1天为spin-up，7 d为有效模拟结果.初始和边界条件由1°×1°NCEP再分析资料提供.模式选取的物理参数化方案包括：Lin微物理过程参数化方案，Goddard短波辐射方案，rrtmg长波辐射方案，MYJ边界层方案，Noah陆面过程方案和BEP城市方案.在本研究中，用于对比土地覆被资料是：转换为USGS24种类型的内置MODIS资料和GLC2009资料.

图 3(Fig. 3)

图 3 研究区域地形、观测站点及嵌套网格设置示意图(图审字(2014)第1686号) Fig. 3 Nested grid settings and terrain，observation stations in study area

图 4呈现的是两套资料的第二重网格内土地覆被类型(LU_INDEX变量)的分布，其中黑线内的区域为珠三角核心城市区域.可以看到，在两套资料下珠三角地区的覆被类型分布均呈现明显的地带化.在内置的MODIS资料中，珠三角核心区域主要分布有城区、水田两种覆被类型，而周边区域则主要分布有常绿阔叶林、水田；而在GLC2009资料中，在珠三角核心区域则主要为城区、旱田水田混合，在周边区域为农田草地混合、灌木草地混合、常绿阔叶林、混交林等覆被类型，表明GLC2009资料的分类相比MODIS资料更倾向于混合型，这一点与观测到的珠三角地区植被分布形态是吻合的(司徒淑娉等，2010).

图 4(Fig. 4)

图 4 MODIS、GLC2009两套资料在珠三角区域的覆被类型分布(图审字(2014)第1686号) Fig. 4 The spatial distribution of MODIS and GLC2009 l and cover types in the Pearl River Delta region )

利用上述气象站点的观测数据对模拟结果进行验证，计算了两份资料模拟值与观测值的偏差(Bias)、均方根误差(Root-mean-square error，RMSE)、相关系数(r)、归一化处理后的两份资料模拟值(Normalized value，NV)，表 3是18个站点2 m温度、2 m相对湿度和10 m风速验证结果的平均值，其计算公式如下：

可以看出，土地覆被资料改变为GLC2009后，WRF模式模拟的2 m地表气温平均偏差比内置的MODIS资料减少了0.23 ℃，均方根误差减少了0.04；2 m水汽压平均偏差减少了0.03 hPa，均方根误差减少了0.05，相关系数有所增加；10 m风速平均偏差减少了0.21 m · s^-1，均方根误差减少了0.06，相关系数有所增加；但2 m相对湿度平均偏差增加了0.42%，均方根误差减少了0.15.说明珠三角区域土地覆被资料的改变对温度、风速、水汽压的模拟有所改善，在各站点模拟结果与观测值的离散程度减小，但对相对湿度的模拟略有变差.从MODIS改变为GLC2009资料，归一化处理后的10 m风速的改变最大，表明这一气象参数对于土地覆被格局变化最为敏感.

表3(Table 3)

表3 气象要素模拟值与观测值验证统计 Table 3 Statistics deviation between simulated and observed meteorological elements

表3 气象要素模拟值与观测值验证统计 Table 3 Statistics deviation between simulated and observed meteorological elements 要素 2 m温度 2 m相对湿度 10 m风速 2 m水汽压 观测值 21.19 ℃ 73.88% 2.28 m·s-1 19.85 hPa 覆被资料 MODIS GLC2009 MODIS GLC2009 MODIS GLC2009 MODIS GLC2009 模拟值 21.52 ℃ 21.27 ℃ 74.06% 74.89% 2.86 m·s-1 2.65 m·s-1 20.15 hPa 20.12 hPa Bias 0.32 ℃ 0.08 ℃ 0.60% 1.02% 0.59 m·s-1 0.38 m·s-1 0.31 hPa 0.28 hPa RMSE 1.67 1.63 7.73 7.58 1.28 1.13 1.60 1.55 r 0.83 0.83 0.76 0.76 0.59 0.60 0.82 0.82 NV 0.47 0.48 0.52 0.53 0.44 0.36 0.41 0.42

由MODIS到GLC2009，土地覆被类型的改变主要为在珠三角外围区域水田类型改变为其他类型，而在珠三角核心城市区域基本保持城区类型不变、其城区类型占覆被比例有所改变.对于验证站点来说，其覆被类型及城区类型所占比例如表 4所示，可以看出，MODIS对于测站附近的水田和城区有所高估，而在GLC2009中则有所改善，这与图 2所体现的结果是一致的.其中，东莞、高要、广州、惠阳、汕尾、台山、中山在两套资料中LU_INDEX均为城区类型(Urban and built-up l and )，但该类型所占比例有所不同，其中东莞、广州、惠阳、中山在GLC2009中城区类型所占比例有所降低，而高要、汕尾、台山则有所增高；其余站点的土地覆被则有类型变化，其转变形势主要为混交林地向农田/草地混合(新丰)、旱田(佛冈)的转变、水田向旱田(阳江)、旱田/水田混合(河源、罗定、增城)和农田/草地混合(广宁、紫金)、水田(清远)和灌丛(龙川、英德)改变为城市，这种改变的形势与Fan等通过判读TM及ETM+遥感影像对珠三角土地利用时间序列变化分析的结果基本一致(Fan et al., 2008).

表4(Table 4)

表4 各站点覆被改变情况及不同覆被资料模拟结果 Table 4 Change of l and cover data and the average simulation results of MODIS and GLC2009 in each site

表4 各站点覆被改变情况及不同覆被资料模拟结果 Table 4 Change of l and cover data and the average simulation results of MODIS and GLC2009 in each site 站点 覆被类型改变情况* 站点所属区域 城区占覆被比例 温度/℃ 相对湿度 风速/(m·s-1) 水汽压/hPa MODIS GLC2009 MODIS GLC2009 MODIS GLC2009 MODIS GLC2009 MODIS GLC2009 注：*覆被类型改变情况是指由MODIS资料更换为GLC2009资料时，站点所在网格的覆被类型变量(LU_INDEX)值的改变情况. 东莞 城区(不变) 核心城市区 100% 60.0% 22.17 21.91 71.82% 72.20% 1.72 2.08 19.93 21.97 广州 城区(不变) 核心城市区 100% 58.6% 22.02 21.73 72.47% 72.80% 1.67 1.86 17.89 19.95 惠阳 城区(不变) 核心城市区 77.8% 66.7% 21.50 21.31 71.44% 71.55% 2.41 2.41 22.51 23.54 中山 城区(不变) 核心城市区 83.3% 56.4% 22.41 22.00 73.82% 74.37% 1.74 2.20 20.46 23.81 高要 城区(不变) 核心城市区 41.7% 55.0% 21.93 21.72 72.09% 72.06% 2.28 2.02 20.16 20.91 汕尾 城区(不变) 周边丘陵区 80.0% 93.7% 21.81 21.79 75.74% 75.73% 2.76 2.38 23.51 23.51 台山 城区(不变) 核心城市区 66.7% 90.0% 22.14 21.84 76.90% 76.89% 2.41 2.37 20.25 21.53 清远 水田->城区 周边丘陵区 44.4% 47.0% 21.45 21.46 72.50% 71.87% 2.95 2.17 21.14 18.39 阳江 水田->旱田 周边丘陵区 0 0 22.14 22.05 79.40% 79.39% 4.71 4.10 23.71 23.92 河源 水田->旱田水田混合 周边丘陵区 0 0 21.01 20.78 72.82% 72.78% 3.47 3.39 20.98 21.85 罗定 水田->旱田水田混合 周边丘陵区 41.7% 16.0% 21.86 21.85 76.95% 76.86% 2.26 1.99 22.25 22.06 增城 水田->旱田水田混合 核心城市区 44.4% 0 21.93 21.56 74.87% 74.83% 3.85 4.05 18.94 20.27 广宁 水田->农田草地混合 周边丘陵区 0 19.0% 21.36 21.12 75.69% 75.62% 3.23 3.36 18.08 19.09 紫金 水田->农田草地混合 周边丘陵区 0 0 20.73 20.30 77.12% 77.00% 3.13 3.15 18.03 19.47 龙川 灌丛->城区 周边丘陵区 0 41.2% 20.67 20.30 71.75% 71.36% 2.75 1.98 20.34 20.25 英德 灌丛->城区 周边丘陵区 25.0% 25.0% 21.07 20.74 71.19% 71.33% 1.97 1.96 16.15 18.14 佛冈 混交林->旱田 周边丘陵区 0 0 20.74 20.84 73.06% 72.45% 4.36 2.72 20.44 17.78 新丰 混交林->农田草地混合 周边丘陵区 0 0 20.34 19.57 75.70% 75.67% 3.84 3.56 15.73 19.11

需要注意的是，清远站的土地覆被类型虽然由MODIS中的水田改变为GLC2009中的城区，但其城区所占比例在两套资料中均未超过50%；同时，通过与同期SPOT-5影像对比发现罗定、佛冈站实际周边区域主要为城区类型，而MODIS和GLC2009中对这两个区域的分类均有偏差，这是由于在本研究中，研究区域的网格为3 km，而土地覆被资料的分辨率为1 km，而在WPS中为了节省计算成本，对于高分辨率的资料重采样成较粗网格的过程是采用的临近四点线性插值方法(Four-point bi-linear interpolation)(Meijering，2002)，这种方法会将局部占优的土地覆被类型赋值给所在网格，同时，WPS会在重采样计算时生成一个三维变量(LANDUSEF)来表征每个网格内各种覆被类型所占比例，因此即使是与调查值最为接近的GLC2009资料，在模式中也呈现与各观测站点的周边实际环境(城市或农田混合)存在一定偏差的结果.

对于处于不同区域的测站，其模拟结果有所差异.由于模拟的各月份均相对独立，因此本研究对比各站点两套资料(GLC2009和MODIS)的模拟结果相对观测值的残差平方和(Residual Sum of Squares，RSS)，以表征GLC2009相比MODIS资料对各个测站模拟结果的改善情况.其计算公式为：

图 5为比较GLC2009资料和MODIS资料模拟结果的残差平方和大小后，所得到的GLC2009资料对各测站模拟的改善情况，即某一站点RSS_GLC2009-obs的值小于RSS_MODIS-obs的值，则表明GLC2009资料在 该站点的模拟结果有所改善.由图 5和表 4可以看出，对于2 m温度来说，除惠阳、汕尾、龙川这3个站点外，在其他15个站点GLC2009的残差平方和相比MODIS均有所降低，表明采用GLC2009资料后在这些站点模拟的结果与观测值拟合较好；对10 m风速来说，GLC2009在珠三角平原区域站点的模拟均优于MODIS，但在部分丘陵与平原交界站点相对MODIS而言模拟的拟合优度有所降低；对于2 m相对湿度来说，GLC2009资料的改善主要体现在模拟区域南北部，在中部部分城市如惠阳、东莞、广州等相比MODIS表现较差，但比较两套资料与观测值的Bias发现在这些城市两套资料的模拟偏差都比较大，说明引起偏差的主要原因可能并非土地覆盖；对2 m水汽压来说，GLC2009资料在除增城、东莞、中山、紫金、汕尾外的13个站点对2 m水汽压的模拟优于MODIS的结果.

图 5(Fig. 5)

图 5 基于残差平方和对比两套资料对测站模拟的改善情况(图审字(2014)第1686号)(a. 2 m温度; b. 10 m风速; c. 2 m相对湿度; d. 2 m水汽压) Fig. 5 The contrast result of residual sum of squares between GLC2009-Observation and MODIS-Observation(a. 2 m temperature; b. 10 m wind speed; c. 2 m relative humidity; d. 2 m water vapor pressure)

在WRF模式中耦合的Noah LSM陆面过程方案有9个受土地覆被类型及其比例直接影响的参数，分别是地表反照率(Albedo)、粗糙度(Z0)、植被覆盖率(SHDFAC)、底层数量(NROOT)、植被气孔阻抗(RS)、可见光辐射参数(RGL)、水汽压差参数(HS)、最大积雪深度(SNUP)和最大积雪反照率(MAXALB)(Chen，2007)，由于研究区域主要为亚热带低山丘陵和河口三角洲，且在研究时间内没有降雪，因此SNUP和MAXALB两个参数在此不起作用，而其他对研究区域产生作用的主要参数如表 5所示，其中反照率、植被覆盖率和可见光辐射参数主要影响地表能量收支平衡，粗糙度主要影响地表风的模拟，植被气孔阻抗和水汽压差参数则对水汽压的模拟产生影响(Chen and Jimy， 2001)，不同覆被类型之间的转换直接改变这些参数值的选取，不同覆被类型的比例则影响其自次网格向格点值的加权平均.

表5(Table 5)

表5 Noah LSM陆面过程方案中不同土地覆被类型(USGS-24)直接影响的主要物理参数 Table 5 Main physical parameters directly affected by different l and cover types(USGS-24)in Noah LSM l and surface scheme

表5 Noah LSM陆面过程方案中不同土地覆被类型(USGS-24)直接影响的主要物理参数 Table 5 Main physical parameters directly affected by different l and cover types(USGS-24)in Noah LSM l and surface scheme 类别代码 分类名称 Albedo Z0/cm SHDFAC RS /(s·m-1) RGL HS 1 Urban and built-up l and 15% 100 0.10 200 999 999.0 2 Dryl and Cropl and and Pasture 19% 7 0.80 40 100 36.25 3 Irrigated Cropl and and Pasture 15% 7 0.80 40 100 36.25 4 Mixed Dryl and /Irrigated Cropl and and Pasture 17% 7 0.80 40 100 36.25 5 Cropl and /Grassl and Mosaic 19% 15 0.80 40 100 36.25 6 Cropl and /Woodl and Mosaic 19% 15 0.80 70 65 44.14 7 Grassl and 19% 8 0.80 40 100 36.35 8 Shrubl and 25% 3 0.70 300 100 42.00 9 Mixed Shrubl and /Grassl and 23% 5 0.70 170 100 39.18 10 Savanna 20% 86 0.50 70 65 54.53 11 Deciduous Broadleaf Forest 12% 80 0.80 100 30 54.53 12 Deciduous Needleleaf Forest 11% 85 0.70 150 30 47.35 13 Evergreen Broadleaf Forest 11% 265 0.95 150 30 41.69 14 Evergreen Needleleaf Forest 10% 109 0.70 125 30 47.35 15 Mixed Forest 12% 80 0.80 125 30 51.93 16 Water Bodies 19% 0.1 0.00 100 30 51.75 17 Herbaceous Wetl and 12% 4 0.60 40 100 60.00 18 Wooden Wetl and 12% 5 0.60 100 30 51.93 19 Barren or Sparsely Vegetated 12% 1 0.01 999 999 999.0 20 Herbaceous Tundra 16% 4 0.60 150 100 42.00 21 Wooded Tundra 16% 6 0.60 150 100 42.00 22 Mixed Tundra 16% 5 0.60 150 100 42.00 23 Bare Ground Tundra 17% 3 0.30 200 100 42.00 24 Snow or Ice 70% 0.1 0.00 999 999 999.0

反照率、植被覆盖率和可见光辐射参数影响地表能量收支平衡，不同覆被类型之间的转换直接改变这些参数数值的选取，从而带来地表上行辐射的改变，而地表能量收支平衡的改变则造成地面温度的改变.在陆面方案中，对城市区域和非城市区域地表变量的计算是分开的(曾剑和张强，2012)：对于植被覆盖主导的区域来说，2 m气温的变化主要受反照率的变化影响(何建军等，2012).对阳江、罗定、河源、增城站，结合表 4、表 5可以看到其覆被类型由MODIS资料中的水田改变为GLC2009中的旱田、旱田/水田混合，这种覆被类型改变在模式中导致其所在区域反照率由15%升至17%和19%，其他参数均未改变，使得其2 m气温有所下降，这是由于反照率的上升导致地表上行短波辐射增加(Chen et al., 2010)，但因植被蒸腾吸收热量，降温的幅度较小，这与李雨鸿等引入MODIS反照率产品模拟北京气温时得到的结果是一致的(李雨鸿等，2012)；对于由水田改变为农田/草地混合的广宁、紫金站，其覆被类型的改变在模式中导致反照率由15%升至19%，使得其2 m气温下降幅度略大于阳江、罗定、河源、增城站；对于由混交林地改变为农田/草地混合的新丰站，其在模式中反照率由12%升至19%，粗糙度由80 cm降至15 cm，RGL由30改为100，使得其2 m气温的模拟下降幅度最大，达到0.78 ℃.

而对于城市区域，其能量收支平衡方程为Q^*+Q_F=Q_H+Q_E+Q_S+Q_A，其中Q^*、Q_H、Q_E分别为净辐射、感热通量、潜热通量，Q_F为人为加热通量，Q_S为局地热存储量，Q_A则为气柱内热量平流(蒋维楣等，2009).在计算过程中，Q_F由BEP城市方案计算，LSM负责计算其他能量项，城市区域的单个格点值为以上得到的次网格值的加权平均(Chen et al., 2004)，对于由其他类型改变为城市类型的情况，其计算项中增加了人为加热通量，同时植被覆盖率(SHDFAC)降低.而对于覆被类型不变的地区，各种土地覆被类型在城市区域所占比例则为影响模拟结果的重要因素.两套资料温度模拟结果的差异，受其土地覆被资料格局的改变及各覆被类型所占比例改变的共同影响.对于东莞、广州、中山、高要、台山这些土地覆被类型保持为城市类型的站点，GLC2009的模拟结果比MODIS结果更为接近观测值，表明其城市类型所占比例选取更为合适.

地表粗糙度对10 m风速的模拟起主要的影响作用，对于珠三角地区来说，在核心城市区域，其主要覆被为城区和森林等粗糙度较高的类型，而在城市周边区域则为农田、草地等粗糙度较低的类型，使得城市近地风场受局地热力效应影响明显(冯娴慧和魏清泉，2011).从MODIS资料到GLC2009资料，对于覆被类型保持为城区的站点，其对于风速的模拟结果与城区类型所占比例的改变情况相呼应，即城区所占比例增高，风速的模拟值下降.但由于观测站点附近城区所占比例很难准确估计，因此在城市化比例很高的区域如东莞、广州、惠阳、中山，GLC2009资料城区类型所占比例较MODIS资料有所下降，使得风速的模拟结果有所上升，与观测值的偏差有所增大.而在城市化水平较低的区域如高要、汕尾和台山，使用GLC2009资料模拟的风速结果则有所改善；对于部分处于山地附近的站点，地形影响的动力过程成为主导，导致风速变化较为复杂，两套资料模拟的结果均比较差(Ruiz et al., 2011).

对于2 m水汽压和2 m相对湿度来说，覆被类型的改变直接改变了RS和HS，其中HS影响水汽压亏损量的计算，从而和RS一起对冠层气孔阻抗产生影响(Chen et al., 1996)，而冠层气孔阻抗的减小可以引起蒸腾作用增强，潜热增加，使近地面温度降低，相对湿度增加(石建红等，2009).例如阳江、罗定、河源、增城这4个站点，在MODIS资料中均为水田类型，而在GLC2009资料中为旱田、旱田/水田混合类型，其RS和HS在两套资料中一致，最终两套资料对其模拟的水汽压差异小于0.1 hPa；而对于覆被类型保持为城市的站点来说，从MODIS资料到GLC2009资料，城区类型占覆被比例下降的站点对水汽压的模拟结果有所上升，而城区类型比例上升的站点，其水汽压模拟结果下降，这与BEP城市方案中水汽压的计算方法有关(Martilli，2002).因受到地表温度模拟结果降低的影响，所有保持城市类型的站点对2 m相对湿度模拟结果均有所上升.值得注意的是，GLC2009及MODIS两套资料模拟的2 m相对湿度的偏差均比较高，这可能是由于相对湿度更多的受制于土壤含水量及其蒸发量的制约，而在WRF内置资料中的土壤类型分布资料非常粗糙和不准确，在进一步的研究中需要对其进行修正(Hong et al., 2009).

1)本研究对WRF内置土地覆被资料及国内外主要的土地覆被遥感产品与实地调查结果进行对比，发现内置的MODIS资料对建成区面积高估超过3倍，而GLC2009在各个行政区域与建成区统计值基本吻合、与对农业、林业用地的统计值相差较小，作为模拟的基础资料较为准确.同时，基于ArcGIS Model Builder设计的从地理信息资料到写入WPS前的静态地理资料(SGD)的模型接口在工作中表现良好，可以满足快速导入不同来源下垫面资料的需求.

2)土地覆被由MODIS到GLC2009的改变主要为在珠三角外围区域由水田类型改变为其他类型，而在珠三角核心城市区域基本保持城区类型不变、其城区类型占覆被比例有所改变.从整体上看，土地覆被资料的更新能够改善模式对珠三角区域的温度、风速和水汽压的模拟，且其中10 m风速对于土地覆被格局的改变最为敏感.

3)这种模拟结果的变化与土地覆被情况有密切联系，土地覆被类型及其比例的改变直接影响地表反照率、粗糙度、植被覆盖率、气孔阻抗、可见光辐射和水汽压差等参数，而这些参数在陆面过程方案和城市方案中会对地表能量收支平衡和水汽平衡产生影响，而能量和水汽平衡的改变将会对模拟场中空气污染物的扩散和传输造成影响.因此在未来的研究中将测试各陆面过程方案参数、污染物分布对覆被资料的响应.此外，仅改变土地覆被资料对复杂下垫面的模拟并不完全准确，需要在计算代价可接受范围内对土壤和地形等资料进行修正和精细化处理，使其更符合实际情况，为气象和环境模拟提供良好的保障.

附表1(Apppendix I)

附表1 各土地覆被资料转换至USGS类别对照表 Apppendix I The transformation relationship from each land cover data category to USGS category

附表1 各土地覆被资料转换至USGS类别对照表 Apppendix I The transformation relationship from each land cover data category to USGS category