成都市地面相对湿度变化特征及模拟研究

Variation Characteristics and Numerical Simulation of Surface Relative Humidity in Chengdu

摘要: 地面空气湿度广泛影响地球生态系统和人类生活，在诸多领域具有重要意义，本文利用成都市2020~2024年期间地面相对湿度观测数据，运用统计和数值模拟相结合的方法研究其演变特征，结果表明：2020~2024年成都市平均地面空气相对湿度为79.32%，近五年呈明显下降趋势，五年降幅为2.6%；相对湿度季节变化和日变化显著，季节变化呈“秋高春低”，日变化呈现“先降后升”趋势，二阶多项式和正弦函数可较好拟合其变化特征；WRF模式模拟试验中，陆面过程选取Noah参数化方案时，模拟的相对湿度与观测值吻合度最高，该方案可应用于成都地区缺少地面观测数据的区域，为气象研究、环境治理和农业生产等方面提供数据基础。

Abstract: Surface air humidity widely influences global ecosystems and human life, holding significant importance in numerous fields. This study utilizes surface relative humidity observation data in Chengdu from 2020 to 2024, employing a combination of statistical and numerical simulation methods to investigate its evolution characteristics. The results show that the average surface air relative humidity in Chengdu from 2020 to 2024 was 79.32%, exhibiting a remarkable downward trend in the past five years with a five-year decline of 2.6%. The relative humidity demonstrates significant seasonal and diurnal variations: the seasonal variation shows a pattern of “high in autumn and low in spring,” while the diurnal variation follows a “first decrease then increase” trend. Second-order polynomials and sine functions can effectively fit these variation characteristics. In WRF model simulation experiments, when the Noah parameterization scheme is selected for land surface processes, the simulated relative humidity shows the highest consistency with observed values. This scheme can be applied to areas lacking ground observation data in Chengdu, providing a data foundation for meteorological research, environmental governance, agricultural production, and other aspects.

1. 引言

世界气象组织(WMO)指出，近50年全球平均气温升高速率是过去2000年中最快的，极端天气事件频率和强度显著增加[1]，在此背景下，区域气候要素的演变特征研究尤为重要。中国作为受气候变化影响显著的国家之一，我国的区域性重大干旱事件也明显增多，特别是地处西南的亚热带气候湿润区[2]，西南地区因其复杂地形和独特气候系统成为研究热点。四川省成都市地处四川盆地西部，受季风气候和地形抬升作用影响，四川盆地多雾同四川盆地的地理环境所形成的近地层空气湿度大密切相关[3]，其空气湿度变化具有显著的区域特征。此外，成都市作为中国西南重要的农业基地，空气湿度对作物蒸腾作用和病虫害发生具有直接影响，湿度等气象因子与根肿病发病率关系最密切[4]。因此，探究成都市地面空气湿度的演变规律，对气候适应、环境治理和农业生产均具有重要价值。

空气湿度作为关键气象参数，其时空变化特征一直是气象学研究的重点[5]。张宇等(2015)发现，城市地表湿度显著区对城市热岛效应起到了有效的调控作用[6]；而潘小乐(2007)指出，不同相对湿度条件下气溶胶颗粒物的亲水增长对散射特性存在一定影响[7]。但是，对于近年来成都地区地面空气湿度研究相对较少，在全球变暖的背景下的成都城市空气湿度演变是否有新的变化特征，还有待进一步研究。本文拟通过统计分析近5年最新观测资料，总结归纳成都市地面湿度演变特征，并开展WRF (Weather Research and Forecasting)模式模拟试验，建立适合成都市最优参数化方案，本研究可为后续区域气候研究、环境治理等方面提供了理论依据。

2. 资料与方法

本文所用的地面气象数据来源于成都市气象局，获取56187温江站国家基本气象站点2020年1月至2024年12月地面逐时的观测资料，站点经度为103˚87'，纬度为30˚75'，海拔高度范围为548 m，所有资料均进行严格的质量监控，将异常值处理后再对数据进行统计分析；选用WRF模式，利用NCEP的FNL资料作为模式的驱动资料开展模拟试验，应用均方根误差(RMSE)和相关系数(R²)评估模拟精度，分析三种常用的陆面过程方案在成都地区的适用性，选取最适合成都地面空气湿度模拟的参数化方案。

3. 地面相对湿度特征

3.1. 年际变化特征

从图1的年际变化来看，2020~2024年成都市平均地面空气相对湿度为79.32%，近五年呈持续下降趋势，并通过置信度为90%的显著性检验，五年间整体降幅为2.6%。采用线性拟合函数(y = kx + b) (x为年份，y为相对湿度，k = −0.628，b = 1349.518)对年变化趋势进行量化。通过拟合，红色线性曲线清晰呈现相对湿度的递减方向，其中负斜率k量化了递减速率，其中R²为0.855，拟合效果较为理想。

Figure 1. Annual variation of relative humidity from 2020 to 202

图1. 2020~2024相对湿度年变化情况

3.2. 季节变化特征

图2(a)为相对湿度季节变化及多项式(表1)拟合结果，其中R²为0.869，拟合效果较为理想，可较好地反应成都地区相对湿度的季节变化特征，所用二阶多项式拟合函数为：

$y=Intercept+{\displaystyle {\sum }_{i=1}^2{B}_i\ast x^i}\left(i=1,2\right)$ (1)

成都地区秋季相对湿度最高为83.44%，春季较低为75.16%，冬季夏季次之，相对湿度呈现“秋高春低”的季节特征。这与成都气候特征相关，秋季在华西秋雨的影响下，大气中水汽质量较大，并且秋季气温开始下降，空气的饱和水气压下降，相对湿度是空气实际水气压除以饱和水气压，所以计算出最大的相对湿度出现在秋季；而在春季，虽然空气中水汽质量较冬季大，但春季开始增温，空气饱和水气压上升，所以计算出的相对湿度最小。图2(b)中2020~2024年成都市相对湿度季节变化曲线，各年份呈现统一的季节波动规律，但数值存在差异，2021年秋季相对湿度最高，为84.30%，2020年春季最低，为71.23%。

Table 1. Fitting parameters for seasonal variations of relative humidity

表1. 相对湿度季节变化各项拟合参数

Intercep		65.11732
B (多项式系数)	B1	−35.82358044
	B2	1.027204952

Figure 2. Seasonal variation of relative humidity from 2020 to 2024

图2. 2020~2024相对湿度季节变化情况

3.3. 日变化特征

图3(a)表示了相对湿度日变化特征，相对湿度在7时达到峰值，为92.78%，17时达到谷值，为61.47%，呈现明显的单峰形态。这一特征本质上主要是由温度的日变化导致的，显著的温度日变化导致饱和水气压变化，从而导致相对湿度出现明显日变化特征，与此同时，也与水汽蒸发凝结等物理过程有关。针对该周期性规律，采用正弦函数进行拟合(其参数见表2)，拟合方程为：

$y=y_0+A\ast \sin \left(pi\ast \left(x-x_c\right)/w\right)$ (2)

Table 2. Fitting parameters for diurnal variations of relative humidity

表2. 相对湿度日变化各项拟合参数

y0	78.97837
xc	−0.83717
w	10.8472
A	16.29799

从拟合效果看，$R^2$ 的值为0.949，较好复现了相对湿度日变化的峰值、谷值位置，还准确捕捉了波动趋势，拟合效果良好，可很好地反映出成都地区相对湿度日变化特征。图3(b)为每年的相对湿度日变化曲线，变化趋势一致，但具体数值有一定差异，反映出相对湿度演变具有一定的年际差异。

Figure 3. Daily variation of relative humidity from 2020 to 2024

图3. 2020~2024相对湿度日变化情况

4. 相对湿度模拟研究

由于观测站点空间分辨率有限，可以借助数值模式，把相对湿度数据合理地从点到面的扩展，为更多无观测的区域提供基础数据。本文采用WRF模式开展数值模拟试验，该模式由美国国家大气研究中心(NCAR)、国家环境预报中心(NCEP)等机构联合开发，是一款面向大气科学研究与业务预报的中尺度数值模式，其设计聚焦于高分辨率、可扩展的气象模拟，为精细化气象要素分析提供重要平台。模式中有众多参数化方案可供选择，其中陆面过程方案对地面气象要素模拟影响最大。

大气与下垫面的相互作用是通过大气与下垫面之间的动量、热量和水汽交换实现的，该过程称为陆面过程，下垫面对大气环流的影响除了陆面过程外，还受大气低层的动量输送、热量输送、水汽输送、摩擦效应等边界层特征的影响。本文通过不同陆面过程参数化方案对成都市地面相对湿度的开展模拟，以气象观测站一个点扩展成城市区域的一个面，为揭示区域湿度时空演变规律提供了多视角数据。本研究针对2023年11月30日至2024年3月1日期间，通过以下三种常用陆面参数化方案(TDS、Noah、RUC)对成都市地面空气相对湿度进行模拟，其他方案详见表3，模拟试验与实际观测数据进行对比分析，综合评估三套参数化方案的模拟效能，最终筛选出最优方案如下。

Table 3. WRF mode parameterization scheme

表3. WRF模式参数化方案

陆面过程	微物理	边界层	长波辐射	短波辐射
TDS	WSM3	MYJ	RRTM	Dudhia
Noah	WSM3	MYJ	RRTM	Dudhia
RUC	WSM3	MYJ	RRTM	Dudhia

从图4相对湿度模式资料与观测值对比折线图来看，三种模式在不同时段对相对湿度的模拟表现各有特点。在0时刻附近，TDS方案和RUC方案的模拟值与观测值较为接近，相对湿度均处于较高水平，约在90%~95%之间，而Noah方案的模拟值略低于观测值，约为85%。随着时间推进，在0~10时刻期间，各模式模拟值与观测值均呈现下降趋势。其中，Noah方案下降幅度最为显著，相对湿度从约85%降至50%左右，与观测值的变化趋势基本一致，但数值上存在一定偏差。TDS方案和RUC方案下降趋势相对缓和，TDS方案相对湿度降至75%~80%之间，RUC方案降至85%左右，二者与观测值相比，在数值上也存在一定差异。在10~20时刻期间，各模式模拟值与观测值均呈现上升趋势。RUC方案上升趋势较为明显，相对湿度从约85%上升至95%左右，与观测值的上升趋势和数值较为接近。TDS方案相对湿度从75%~80%上升至90%~95%之间，Noah方案从50%左右上升至85%左右，Noah方案虽然在上升趋势与观测值相符，但在数值上仍与观测值存在一定差距。

三种模式在一定程度上能够反映出相对湿度的日变化趋势，但在具体数值上与观测值均存在不同程度的偏差。为综合评估各模式表现，引入Pearson相关系数(r)和均方根误差(RMSE)作为评判指标，计算所用方程如下：

$r=\frac{{{\displaystyle \sum }}_{i=1}^n\left(x_i-\overline{x}\right)\left(y_i-\overline{y}\right)}{\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\overline{x}\right)}^2}\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(y_i-\overline{y}\right)}^2}}$ (3)

$RMSE=\sqrt{\frac{1}{n}{\displaystyle \sum }_{i=1}^n{\left(y_i-\widehat{y_i}\right)}^2}$ (4)

经计算，各模式相关参数所得结果如表4，Noah方案相关系数相对较高为0.977，表明该方案在整体变化趋势和数值上与观测值的吻合度相对较高，其均方根误差较小为4.416表明其方案的模拟值与观测值误差相对较小；TDS参数化方案次之；RUC无论是相关系数和均方根误差，表现均较差。由此可见，在开展成都地区地面相对湿度模拟时，陆面过程方案可选用Noah得到的模拟效果较好，地面相对湿度数据更加合理可信。

Table 4. Relative humidity model data and observed value parameters

表4. 相对湿度模式资料与观测值参数

	TDS	Noah	RUC
Pearson相关系数(r)	0.956	0.977	0.881
均方根误差(RMSE)	12.383	4.416	16.435

Figure 4. A line graph comparing the relative humidity model data with the observed values

图4. 相对湿度模式资料与观测值对比折线图

5. 结论

本文利用成都市2020~2024年地面相对湿度数据，分析了相对湿度的年际、季节以及日变化特征，直观展现湿度的分布规律，从而清晰地呈现空气湿度在不同时间尺度下的整体特征；同时结合WRF数值模式，开展模拟试验，取得以下主要结论：在湿度演变特征上，2020~2024年成都市平均地面空气相对湿度为79.32%，近5年呈持续下降趋势，五年降幅2.6%；相对湿度季节变化中，秋季最高为83.44%，春季最低为75.16，冬季和夏季次之，二阶多项式拟合可较好反映出季节变化特征；相对湿度日变化显著，7时达到最大92.78%，18时最低61.49%，正弦函数拟合可较好反映出日变化特征，各年份变化趋势相似，有一定数值差异；通过WRF模式模拟试验发现，Noah参数化方案在整体变化趋势和数值上与观测值的吻合度相对较高，可利用此方案开展成都地区的数值模拟，为其他没有观测站点的区域提供合理可信的地面相对湿度基础数据。

基金项目

资助课题：云南省重点研发计划项目(202203AC100006)；第二次青藏高原综合科学考察研究项目(2019QZKK010408)。

NOTES

^*通讯作者。