1. 引言
1.1. 研究背景
青藏高原位于中国西南部，东起甘肃、青海、四川和西藏的边界，西至新疆，北邻昆仑山脉和喀喇昆仑山脉，南临喜马拉雅山脉。青藏高原总面积约250万平方公里，有着典型的高原气候特征，即干燥寒冷。该地区冬季漫长寒冷，而夏季则短暂且凉爽，昼夜温差明显。青藏高原不仅是世界上最大、海拔最高的高原，还被称为“世界屋脊”和“世界水塔”。该高原对全球环境变化具有高度敏感和显著影响力，特别是其热力和物理作用对局地及全球大气环流的影响不容忽视。降水是该地区水循环中极为关键的一环。然而准确地模拟青藏高原上的降水仍然是一个长期的世界性挑战。
降水是青藏高原上水循环最关键的组成部分之一。降水形成的雪水、雨水等，通过河流、湖泊等水体蓄存，为当地居民提供生活用水、农业灌溉用水以及发电等重要用水。高原降水在一定程度上能够调节高原地区的气候。适量的降水能够降低地表温度，改善气候环境，减缓土壤侵蚀，维护土地的生态环境。而准确地模拟青藏高原上的降水仍然是一个长期的世界性挑战；目前最先进的气候模型往往高估青藏高原上的降水量。参与耦合模式相互比较项目(CMIP3)第三阶段的18个模式的集合平均数与实际观测数据相比，高估了青藏高原的降水量高达100.0%，几乎所有全球气候模式(GCMs)都显著高估青藏高原的气候年平均降水量62.0~183.0%。
WRF (Weather Research and Forecasting)模型是由美国国家大气研究中心(NCAR)与美国气象环境预报中心(NCEP)等单位共同开发的新一代数值模拟和数据同化系统[1]孙敬哲等，2014。该模式广泛应用于商业气象预报和学术研究，已成为被广泛接受的“公共体模式”。得益于其领先的数据同化技术、强大的网格嵌套功能及多样的物理过程参数化选项，WRF模式在对流及中尺度降水模拟领域展现出卓越性能。它不仅适用于数值天气预报和特定天气事件的研究，还广泛用于区域气候模拟和大气化学分析[2]章国材。WRF模式被广泛应用于气象预报和短期天气预测。通过对大气动力学、热力学和湍流运动等过程的模拟，WRF模式可以生成未来数小时到数天的天气预报，包括降水量、降水类型和降水时空分布等信息。WRF模式还可用于模拟和研究气候变化对降水的影响。通过对未来气候情景的模拟，可以评估气候变化对降水量、降水分布和降水极端事件频率的影响，为气候变化适应和应对提供科学支持。所以，WRF模式在降水方面的运用涵盖了气象预报、极端降水事件研究、气候变化研究、区域气候模拟以及降水偏差修正等多个方面，在气象学、气候学以及水文学等领域，这具有重要的应用价值。模拟青藏高原的降水事件，并进一步预估未来情景下的降水事件，对于灾害预报预警和防灾减灾具有非常重要的科学意义和实际应用价值。
1.2. 研究现状
随着计算机技术和模式物理方案的不断改进，WRF模式在降水模拟技术上取得了显著进步。模式分辨率的提高、物理参数方案的优化以及对大气过程的更精细化模拟，使得WRF模式在降水模拟的精度和可靠性方面得到了极大的提升。
WRF模式在模拟和预测极端降水事件方面取得了重要成果。通过对极端降水事件的模拟研究，可以深入了解其形成机制、时空分布规律以及对区域水文灾害的影响，为城市防洪排涝、农业灾害减损等提供科学支持。WRF模式被广泛应用于气候变化对降水的影响研究。通过对未来气候情景的模拟，可以评估气候变化对降水量、降水分布和极端降水事件频率的影响，为气候变化适应和应对提供科学依据。
在WRF模式中，物理参数化方案对降水模拟的效果具有显著影响，然而不同的参数化方案之间存在不确定性。各种参数化方案在不同地理位置、季节以及降水类型下的适用性各异，因此，选择合适的参数化方案对模拟结果的准确性有着重要的影响，如何选择合适的参数化方案仍然是一个挑战。当前数值模型中的湿偏差可能是与模型动力学核心相关的水汽输送问题、模型物理参数化不足(如陆地表面模型的不确定性以及水平和垂直轴上相对粗糙的模型分辨率的综合结果。粗分辨率的气候模型不能充分解决陡峭地形区域上的小规模陆地–大气相互作用，从而导致通过喜马拉雅山中部的不切实际和过量的水蒸气输送，从而导致高估了青藏高原上方的降水量。先前的研究报告说，增加模式中的水平分辨率可以更好地表示青藏高原上的降水)，包括更好地描述地表气温和边界风场，这可能是由于地形分辨率提高所导致的结果。
众多研究者对WRF模式在区域降水模拟的应用进行了广泛研究。吕光辉等(2009) [3]研究人员则使用该模式模拟了2001年10月在新疆发生的异常降雨，发现虽然能够准确捕捉到主要的降雨带，但在降雨带的位置、强度及分布预测上各方案表现各异。随着分辨率的提升，模式的降水模拟能力得到加强，积云参数化方案对降水模拟的精确度也有显著影响。伍华平等(2009) [4]模拟了2007年6月1日至2日湖南南部的暴雨，结果表明，尽管各积云方案能较好地反映暴雨范围，但仍存在虚假暴雨中心的问题。陶健红等(2008) [5]使用WRF模拟甘肃河西西部的暴雪天气，证实了模式在中尺度天气系统预报上的有效性。然而，当前仍缺乏有效利用WRF模式的不同组合来优化对青藏高原降水高估的问题。青藏高原地形复杂且起伏大，不同地区的地形差异显著，这对模式的分辨率提出了较高要求。高分辨率虽能提升模拟精度，却也大幅增加计算成本，提出了对计算资源和模拟效率的更高需求。因此，如何在模拟中更有效地平衡地形复杂性与分辨率匹配，是未来研究的关键方向。不同的组合方案对不同个例的降水模拟存在差异，积云对流参数化方案的选择对模拟结果的影响最大，积云方案对于强降水的模拟结果相对于其他方案较优，积云对流参数化方案是局地降水预报的关键[6]。
1.3. 研究意义
青藏高原是亚洲主要河流的发源地，包括长江、黄河、澜沧江等。对青藏高原降水的研究可以帮助了解该地区的水资源分布、季节变化以及对下游地区水资源的供给情况，从而指导水资源的合理管理和利用。其降水状况的变化对于全球气候系统具有重要影响。通过研究降水量、降水分布和降水形式的变化，可以更好地理解全球气候变化趋势，并预测未来气候变化的可能影响。青藏高原是世界上陆地生物多样性最丰富的地区之一，也是珍稀濒危物种的重要栖息地。降水对于高原生态系统的稳定和动植物的生存具有重要作用。研究降水对高原生态环境的影响，有助于保护和管理该地区的生物多样性。农牧业是当地经济的重要支柱。降水是农业生产的关键因素之一，直接影响作物种植、草场生长等。了解降水的时空分布规律，可以指导农牧民的生产活动，提高农业生产的效益和抗灾能力。青藏高原地质灾害频发，如山体滑坡、泥石流等。降水是引发地质灾害的主要诱因之一，研究降水对地质灾害的影响，有助于预测和防范灾害发生，保障当地居民的生命财产安全。
通过利用WRF模式对青藏高原降水进行模拟，可以深入理解该地区气候系统的动力和热力过程，从而揭示降水形成机制和变化规律。青藏高原地形复杂，气候多变，是气象预报的难点之一。利用WRF模式进行降水模拟研究，可以优化模型参数、改进物理方案，提高对该地区降水的预报准确性和可靠性，为防灾减灾、农业生产、水资源管理等提供重要的气象信息支持。利用WRF模式对青藏高原降水进行模拟研究，不仅有助于深化对气候系统的理解，提高气象预报的准确性，还能够支持环境保护和资源管理，为应对气候变化提供科学依据，具有重要的科学和社会意义。
2. 资料与方法
2.1. 研究区域概况
Figure 1. Topographic map of the Yushu area
图1. 玉树地区地形图
玉树地区位居青藏高原东部，区域海拔普遍较高，平均海拔在4000米以上，个别区域甚至超越5000米，使其成为全球海拔最高的地区之一(如图1)。该区地形复杂多变，山脉起伏，沟壑交错，地形状况极为复杂。此外，横断山脉与青藏山脉在此交汇，共同塑造了壮观的自然景致。由于气候寒冷，玉树地区有许多冰川和高山湖泊。这些湖泊和冰川为该地区的生态系统提供了重要的水资源。由于地处高原，玉树地区降水相对较少。降水呈现明显的季节性分布，冬季降水量较大，夏季则较为干燥。春秋季节降水较为稀少。地形对降水分布有重要影响，山脉阻挡了大气中的水汽运动，使得玉树地区的降水呈现出明显的地形降水特点，沿山脉地区降水量较大，而山脉背风处则相对干燥。
2.2. 资料概况
本文研究数据来源于NCEP GDAS/FNL 0.25度每3 h一次的全球对流层分析和预报网格，以及micaps4.0资料，用此资料来研究玉树地区本次降水过程，以玉树地区为中心区域，区域范围为92˚E~102˚E、28˚N~38˚N，模拟网格距为10公里，起止时间为2019年7月28日00时至7月29日00时，通过区域站插值模式处理得到24 h累计降水分布图。本研究主要对青藏高原的玉树地区降水进行分析，所用的数据为地面气象台站观测资料以及美国气象环境预报中心的再分析数据。
2.3. 研究方法
2.3.1. WRF模式
WRF模式是由美国国家大气研究中心(NCAR)、国家大气海洋局预报系统实验室、国家大气环境研究中心(FSL, NCEP/NOAA)和俄克拉荷马大学暴雨分析预报中心等多单位联合发展起来的新一代非静力平衡、高分辨率、科研和业务预报统一的中尺度预报和资料同化模式(Skamarock W, et al., 2005)。WRF模式包含多种物理参数化方案，用于模拟大气中的辐射、湍流、云微物理等各种过程，以更准确地描述大气的动力学和热力学特性。用WRF4.0研究积云对流参数化方案与模式分辨率的不同组合对青藏高原降水模拟的影响。利用WRF模式对2019年7月28日到2019年7月29日青藏高原降水的过程进行模拟试验；将各积云参数化方案和不同网格分辨率组合，进行了模拟。本项目采用了NKF、BMJ、GD三种积云对流参数化方案，这些都是WRF模式中常用的对流参数化方案，它们用于模拟大气中的积云对流过程。以下是它们的简要介绍：
1. NKF (New Kain-Fritsch)方案：
NKF方案是由Kain和Fritsch在1990年代初开发的，旨在模拟热带地区的对流活动。它基于原始Kain-Fritsch (KF)方案的改进版本。该方案通过将垂直速度和混合比的方程耦合起来，以模拟对流的发展和扩散，还包括对地形和水平风的影响，适用于热带地区的天气预报和模拟，尤其在模拟强对流系统和短期降水方面表现良好。
2. BMJ (Betts-Miller-Janjic)方案：
BMJ方案由Betts、Miller和Janjic于1989年开发，旨在模拟中纬度地区的对流活动。它是WRF模式中最早的对流参数化方案之一。该方案采用了简化的对流层混合模型，包括了水平湍流扩散、大气辐射和大气辐射降解的影响，适用于中纬度地区的天气预报和模拟，特别是在模拟低空不稳定层的对流活动方面表现出色。
3. GD (Grell-Devenyi)积云对流方案：
GD方案由Grell和Devenyi在2002年开发，旨在提高WRF模式中对对流的模拟效果。该方案基于混合参数化和随机选择技术，通过解决传统参数化方案中的某些限制，提高了对流的模拟精度，适用于各种地区的天气预报和模拟，尤其是在模拟高空、低层和中层对流活动时表现较好。
这些对流参数化方案各有特点，适用于不同地区和气象条件下的模拟需求。选择合适的参数化方案对于模拟结果的准确性和可靠性至关重要。
研究内容：
1) 研究GD、BMJ和NKF三种积云对流参数化方案和不同网格分辨率等多种WRF模拟组合对青藏高原降水模拟的影响。
2) 研究在最适积云对流参数化方案下分辨率大小对降水模拟的影响。
利用WRF和NCL对数据进行模拟和可视化，本研究选取2019年7月28日至29日的高原降水过程进行个例预报对比试验，并与实时资料进行比较。
Figure 2. The selected simulation area
图2. 选取的模拟区域
模拟的中心点设在32˚N、96˚E，区域范围为92˚E~102˚E、28˚N~38˚N (如图2)。王田田(2016)等研究人员指出GD、NKF以及BMJ三种积云对流参数化方案相比其他方案更加适用于高原地区的降水的模拟，故本研究也选用NKF、BMJ和GD三种积云参数化方案，设置水平格点设置为100 × 100，网格距离分别为10 km和5 km，投影方式为Lambert。首先对此次暴雨过程进行了7次降水敏感性试验模拟，具体的模拟试验方案设置如表1所示。然后通过基本物理量的诊断分析评估不同方案组合的模拟效果，并选出最优方案组合。
Table 1. Simulate the parameterization scheme settings of the physical process of the experiment
表1. 模拟实验物理过程参数化方案设置
| 试验方案 |
参数化方案 |
分辨率 |
试验方案 |
参数化方案 |
分辨率 |
| 方案1 |
GD |
5 km |
方案5 |
NKF |
5 km |
| 方案2 |
GD |
10 km |
方案6 |
NKF |
10 km |
| 方案3 |
BMJ |
5 km |
方案7 |
无 |
|
| 方案4 |
BMJ |
10 km |
|
|
|
2.3.2. 天气学分析
利用micaps再分析资料，通过分析环流背景场(各层级高空图、区域站点降水资料等)综合分析本次降水。
3. 结果与讨论
3.1. 降水概况和环流特征
3.1.1. 降水概况
2019年7月28日至29日，中国青海省玉树地区发生了一次降水过程。玉树是青藏高原东部的一个地区，通常以其高海拔和恶劣的气候条件而闻名。从7月28开始，降水逐渐增强，并持续了数小时甚至数十小时。部分地区出现了短时强降水，降雨强度大，降水量可达到60毫米甚至更高。通过区域站降水资料经插值处理后得到相应时段24 h累积降水量分布(图2)可以看出，此次降水分布不太均匀，降水主要集中在玉树南部，大部分地区降水超过30 mm。
Figure 3. Total precipitation for one hour from 02:00 to 07:00 BT on 12 July 2023
图3. 2019年7月28日到29日于玉树的降水图
在7月28日至29日期间，青藏高原东部地区受到了较为强烈的东南季风和副高南支的影响(如图3)。这种气象环境导致了大气的湿度增加和不稳定性加强，为暴雨的形成提供了有利条件。在这种气象环境下，玉树地区出现了大范围的对流活动。由于地形复杂，地面加热不均匀以及地面和大气之间的相互作用，对流云团在这一地区频繁发展并带来了持续的降水。
玉树地区的地形起伏较大，山地和峡谷地形使得降水的分布不均匀，有些地区受到了更为剧烈的降雨影响，容易引发山洪和泥石流等地质灾害。大量的降水导致了地表水流急剧增加，小河、溪流迅速涨水，形成了洪水，部分地区甚至出现了内涝现象，造成交通中断和农田受损。综上所述，2019年7月28日至29日的暴雨天气过程在青藏高原玉树地区主要是由于气象条件的影响，特别是大范围对流活动的出现，加之地形因素，导致了持续性降水和洪涝灾害的发生。
3.1.2. 环流背景
(a)
(b)
(c)
(d)
Figure 4. 200 hPa and 500 hPa weather situation from 08:00 on July 28, 2019 to 20:00 on July 29, 2019
图4. 2019年7月28日 08时至7月29日20时200 hPa和500 hPa天气形势图
7月28日08时500 hPa玉树地区位于槽区，盛行槽前西南气流暖湿空气，贝湖低压中心后部偏西风冷空气，两股空气在玉树地区汇合产生对流性强降水(如图4)；20时副高脊线西伸至高原，槽区向河套平原缓慢移动，降水持续时间较短。200 hPa 08时玉树地区高空气流由偏西风转为偏南风，玉树南部、高原至四川盆地受高压控制；20时新疆北部槽加深，其南端到达青海北部。
3.1.3. 温度曲线
Figure 5. July 28 - 29, 2019 three-line chart
图5. 2019年7月28~29日三线图
根据玉树单站7月28日的实况数据，夜间观测到较低的露点温度和云底高度，以及较低的凝结高度，这些条件促进了云层的形成并增加了降水的概率(如图5)。此外，夜间降水量较高，达到12毫米，表明了降水的强度。相比之下，白天随着气温的上升和太阳辐射的增强，云底高度和抬升凝结高度也随之升高，但露点温度差增大，降水的可能性相对较低。
3.1.4. 比湿场分析
2019年7月青藏高原东部地区受到了东南季风和副高南支的共同影响。东南季风带来了大量暖湿气流，而副高南支则加强了大气的稳定性。这种气象环流条件为暴雨的形成提供了有利的大气环境。东南季风带来的暖湿气流与青藏高原东部地区的冷空气相遇，导致气温骤降、水汽凝结，形成了大范围的对流活动。这些对流活动是暴雨形成的直接动力。再加上玉树地区地形复杂，地势高低不平，山地和峡谷地形加剧了降水的形成和分布。山地和峡谷地形容易形成地形雨，使得空气被迫上升，冷却凝结形成降水，增强了降水的强度和持续时间。这些对流云团在玉树地区频繁出现，并伴随着持续性降水。低空暖湿气流与高空冷空气的交汇形成湿润的层结条件，也有利于大气中水汽的凝结和降水的形成。
3.2. 各个模拟的对比分析
3.2.1. 不同组合模拟结果对比
5 km水平分辨率下，各方案组合均能模拟出此次降雨过程。同一分辨率下，不同的积云对流参数化方案模拟的结果差异较明显，此次暴雨过程模拟结果对积云对流方案的选择较为敏感，这可能是由于此次暴雨过程是在大尺度环流背景下驱动的对流系统中发展的，此时，模式选用何种积云对流方案对模拟结果的影响不是很大，这也说明该地区降水物理过程的特殊性。
从图6可以看出，在5 km分辨率下，GD方案模拟的雨带走向几乎与实况一致，NKF方案模拟的雨带东部大致与实况一致；方案1和方案3很好地模拟出了雨带的降水，且模拟的强降水中心雨量与实况接近，方案1总体与实况拟合相对更好。
Figure 6. July 28, 2019 at 8 o’clock than wet field
图6. 2019年7月28日8点比湿场
(a) (b)
(c) (d)
Figure 7. Cumulative precipitation (unit: mm) simulated by Scheme 1, 3, 5 and 7 (a - d) from July 28 to 29, 2019 with a horizontal resolution of 5 km
图7. 2019年7月28日至29日方案1、3、5、7 (a - d)模拟的水平分辨率为5 km时累积降水量(单位：mm)
在相同分辨率下，不同积云对流参数化方案的模拟结果表现出明显差异，而在同一积云对流方案下，不同分辨率所模拟的结果差异相对较小。此次降水过程的模拟表明，结果对积云对流方案的选择比对分辨率方案的选择更为敏感。这可能是因为此次降水过程中的小尺度云物理过程起了决定性作用，不稳定的气象条件与对流云团的相互作用导致了持续降水。因此，在这种情况下，所选择的模式分辨率对模拟结果的影响相对较小，这也反映出该地区降水物理过程的特殊性。除了方案3之外，其他方案组合模拟出的雨带范围大体相同。高分辨率的应用能够准确突显强降水中心的具体位置与范围，使得大多数方案组合在模拟位置上较为精确。然而，除NKF方案之外，其他所有方案在不同分辨率下均倾向于高估降水量。分辨率为10 km和5 km的模拟效果与选择哪种积云对流方案相比不敏感。这里着重讨论水平分辨率为5 km下，模拟的28日至29日的24 h累计降水量与实况的对比(图7)。方案1、2中GD与不同分辨率的组合，所模拟出的降水雨带与实况基本吻合，强降水中心和降水量也基本一致，南部地区模拟出了50~60 mm的强降水区域，符合实际降水情况，模拟效果最好。由于GD方案基于混合参数化和随机选择技术，解决了传统参数化方案中的某些限制，提高了对流的模拟精度，适用于各种地区的天气预报和模拟，尤其是在模拟高空、低层和中层对流活动时表现较好。而本次暴雨主要受中小尺度对流系统影响，因此GD方案所描述的云物理过程较好地适用于此次降水过程。NKF方案组合对雨带范围的模拟结果与实况接近，基本模拟出了强降水中心，但降水强度略有偏差。BMJ方案组合模拟效果最差，主要降水雨带和降水强度与实际偏差较大，东南部的强降水也没有明确的表现。方案5和6 (NKF-5 km, NKF-10 km) (图7(c))模拟的总体范围和形势比较准确，但数值上与实况存在差距。雨带强降水中心范围较实况略小，在玉树南部地区模拟出了降水区域，但模拟的数值较实况有较小的偏差，约10~20 mm，强降水中心的位置略偏北，雨量较站点实测值小。方案3、4 (BMJ-5 km, BMJ-10 km) (图7(b))所模拟的雨带与实况出入较大，强降水中心位置不明显，且在30˚N以北几乎未模拟出降水，95˚E西部模拟出实况中不存在的强降水，模拟效果最差。
(a) (b)
(c) (d)
Figure 8. From July 28 to 29, 2019, the horizontal resolution of scheme 2, 4, 6, and 7 (a~d) simulations was 10 km accumulated precipitation (in mm)
图8. 2019年7月28日至29日方案2、4、6、7 (a~d)模拟的水平分辨率为10 km时累积降水量(单位：mm)
3.2.2. 分辨率对模拟结果的影响
通过比较不同水平分辨率下各方案组合模拟的降水量及落区分布(见图8)，相较于10 km分辨率的结果，发现5 km分辨率下的模拟结果更接近于实际观测的强降水中心降雨量。此外，各种方案组合在玉树地区均能够模拟出较小的强降水中心。虽然提高分辨率对降雨带的路径和范围影响不大，主要改善了降雨强度的模拟。特别是GD积云对流参数化方案，在5 km分辨率下，能够更精确地捕捉到强降水的位置和强度。因此，对于玉树地区这类强降水事件，5 km分辨率提供了更优的模拟效果。提升模型的水平分辨率能够有效增强降水模拟的准确性。
(a) (b)
(c) (d)
Figure 9. Cumulative precipitation of Cumulus convection parameterization scheme GD and BMJ with horizontal resolution of 5 km and 10 km (a~d) from July 28 to 29, 2019 (unit: mm)
图9. 2019年7月28日至29日积云对流参数化方案GD、BMJ在水平分辨率为5 km以及10 km (a~d)时累积降水量(单位：mm)
随着分辨率的提高，模拟精度提升最为明显是方案1、2 (GD方案组合) (如图9(a)、如图9(b))，降水量至少修正了20 mm；其次是方案3、4 (NKF方案组合)，虽然各种分辨率模拟的雨带范围与实况都有较大偏差，但随分辨率提高，雨强降低了10 mm，模拟降水量与实况更接近；方案3、4 (BMJ方案组合)的模拟效果最差，雨量偏大10~20 mm，与实况仍有较大偏差(如图9(c)、如图9(d))。由此得知，GD、NKF方案组合对分辨率比较敏感，BMJ方案组合对分辨率的敏感程度最低，这与各方案所刻画的降水物理过程有关。
3.3. 物理量场的对比分析
3.3.1. 各层温度场对比分析
暴雨的形成需要持续供应的水汽、强烈且持久的上升运动以及大气的垂直不稳定结构。为了更好地理解各方案组合对暴雨模拟的影响，我们选取温度、风场、湿度和CAPE等基本物理量进行具体诊断分析。根据前面的分析，方案GD在降水模拟方面表现明显更好，因此以下分析将重点讨论该组方案的模拟情况。
(a) (b)
Figure 10. Temperature field at different levels of the Cumulus convection parameterization scheme GD (a~b) from July 28 to 29, 2019 (unit: K)
图10. 2019年7月28日至29日积云对流参数化方案GD (a~b)不同层次的温度场(单位：K)
2019年7月28日08时100 hPa~700 hPa的温度场显示玉树地区处有一锋面，冷暖气团在此汇合，气旋活动特别活跃(如图10)。频繁的气旋活动易触发对流活动，释放不稳定层结中的不稳定能量，形成持续的强对流天气。
3.3.2. 各组合温度露点模拟结果分析
将模拟数据与玉树单站7月28日的实况数据对比发现(如图11)，模式对温度、露点模拟也与实况基本一致，夜间观测到较低的露点温度和云底高度，这些条件促进了云层的形成并增加了降水的概率。此外，夜间降水量较高，达到12毫米，表明了降水的强度。相比之下，白天随着气温的上升和太阳辐射的增强，云底高度和抬升凝结高度也随之升高，但露点温度差增大，降水的可能性相对较低。
Figure 11. Plots of temperature and dew point changes by combination and in real time on July 28 - 29, 2019
图11. 2019年7月28~29日各组合以及实况温度和露点变化图
3.3.3. 各组CAPE对比分析
(a) (b)
Figure 12. CAPE diagram of each combination at 08:00 and 20:00 on July 28, 2019 (unit: J/Kg)
图12. 2019年7月28日08时和20时各组合CAPE图(单位：J/Kg)
由图12可以看到，CAPE观测值从600 hPa到500 hPa先呈现上升趋势，在500 hPa附近达到最大值即3000 J/Kg，然后在450 hPa降低到最低(如图12(a)、图12(b))。大气的低层是由于地表加热和水汽蒸发，配合比湿图和温度场可以发现，空气比较暖湿，具有上升的倾向。当空气上升到600 hPa到500 hPa的范围时，空气块会因为比周围环境更暖而继续上升，从而积累更多的有效位能。空气块在上升过程中，水汽凝结释放潜热，使得空气块进一步变暖，加速上升，这一过程会导致CAPE值在中层高度(500 hPa附近)也就是对流层中不稳定性最强的层次和温度垂直梯度最大的位置之一达到最大。随着高度增加，空气上升过程中遇到的阻力增大，并且由于空气密度和温度的变化，空气块内的浮力逐渐减弱，这种情况下，有效位能逐渐被消耗。
通常CAPE值越高，表明大气越不稳定，对流活动越强烈，可能导致雷暴和强对流天气。由上图可以看到08时以及20时，在500 hPa高度上有效位能接近3000 J/Kg，属于高度不稳定，容易产生强雷暴和恶劣天气。根据台站资料可以发现，08时以及20时均有降水发生，也说明了此次模拟结果的准确性。
通过各组模拟数据与实况数据的有效位能进行对比可以得出，除了方案5 (NKF-5 km)以外，其余方案基本与实际一致。虽然NKF-5 km的分辨率相对较高，但在模拟对流性天气系统时，5公里的分辨率可能还不足以捕捉小尺度的对流过程和细微的温湿结构变化。更高分辨率的模型(如1公里或更小)可能更有效，因此方案可能倾向于产生更高的CAPE，这可能能解释NKF模拟的数值较实况有较大的偏差。
3.3.4. 风场的对比分析
Figure 13. Wind field diagram of each layer at 8 o’clock on July 28, 2019 during GD cumulus convection parameterization (unit: m/s)
图13. GD积云对流参数化时2019年7月28日8点各层风场图(单位：m/s)
700 hPa盛行偏西气流，配合温度场分析，该层有暖平流，低空暖平流有利于增加大气层结的不稳定性，为暴雨提供能量条件(如图13(a))。850 hPa存在一条切变线(如图13(b))，持续为玉树地区输送水汽，充足的水汽为暴雨提供物质条件。
4. 结论
结合区域气候站逐时降水实况资料和NCEP 0.25度的3小时全球再分析格点数据，采用WRF模型以及多种积云对流参数化方案，对2019年7月28日在玉树地区的降水事件进行了敏感性分析。这项研究的目的是评估不同物理过程参数化方案对暴雨模拟的影响。研究结果如下：
1) 积云对流方案的选择对暴雨落区和强度的模拟结果的影响较敏感，就模拟降水区域而言，采用GD积云化方案模拟的效果最好，模拟结果和实况数据的降水空间分布相似性大，BMJ方案模拟效果最不理想，但各方案均普遍高估降水。
2) 5 km下，各方案组合基本都能模拟出此次暴雨过程的雨带走向和落区范围，方案3 (BMJ-5 km)模拟的雨带雨量均略微偏大，强降水中心不突出。较粗网格(10 km)下，除了方案6 (NKF-10 km)以外，其他方案组合的模拟结果都与实况接近，雨带位置略微偏南，基本都模拟出了强降水中心，方案6模拟的雨带范围有不同程度偏小，雨量均不同程度偏大。方案1、2、4、5模拟的降雨落区更符合实际降水情况，方案1 (GD-5 km)模拟的雨量与站点实测值最为接近。
3) 对同一方案组合而言，随着模式水平分辨率的提高，能够提高降水的模拟精度，但是雨带走向和范围变化不大。
4) 模式能很好地模拟出降水雨阶段及降水结束后的演变情况，对温度、露点、CAPE和风场等物理量的模拟也与实况基本一致。但在CAPE的模拟中，除了方案5 (NKF-5 km)以外，其余方案基本与实际一致，NKF积云对流参数化方案还不足以捕捉小尺度的对流过程和细微的温湿结构变化，从而倾向于产生更高的CAPE，这种差异可能是方案6对降水模拟效果产生差异的原因。