数值模式 | WRF 对流参数化方案怎么选

数值模式 | WRF 对流参数化方案怎么选

前言

师弟跑华南前汛期的一个暴雨个例，回来跟我说效果不太行，降水中心位置和强度都跟实况对不上。他跑来问我，cu_physics 到底该选几。

我说不知道，而是这事本来就没有一个通用答案。同样的对流方案，在华南可能是这个表现，换到华北或者美国大平原可能就是另一回事。你要做的是先去翻翻文献，看看跟你同区域、同分辨率的前人是怎么做的，把几个可能的候选组合筛出来，然后批量跑一轮对比，用观测数据自己评。

他听完有点失望，大概是希望我直接甩给他一个数字，然后一下跑通结果。但搞数值模式这件事，你抄个数字，跑崩了都不知道往哪调。

言归正传。对流参数化方案到底是干嘛的？你的网格分辨率粗的时候，单个积雨云可能只占几个网格点甚至不到一个网格，模式根本算不清里面的垂直输送和相变过程。参数化方案就是帮你用一套简化的物理框架，把网格平均态和对流统计特征挂钩，把热量、水汽、动量合理地摊到网格里。

所以选什么方案，本质上是在问你「我的网格能不能解析对流，如果不能，该用哪套统计近似」。这里有两个前提必须先想清楚，分辨率和研究区域。缺了这两个信息，任何人的推荐都是瞎猜。

小小经验谈

我建议的 workflow 分三步走。

先翻文献。不是让你去啃 Arakawa 的原始论文，而是找跟你区域相近、分辨率相近的已发表研究。重点看他们的敏感性试验部分，通常会对比 3-5 套方案的降水评分、垂直速度、CAPE 变化这些指标。把被验证过表现还不错的方案记下来，这就是你的候选池。

这里有个检索技巧。在 Web of Science 或知网搜的时候，关键词用 cumulus parameterization scheme + 你的区域名 + WRF，再筛一下近五年的文献。老文献里常用的 Grell-Devenyi（cu_physics = 3）现在基本已经被后续方案取代了，看到这种可以直接跳过。近年的研究里，Grell-Freitas（5）、Multi-Scale Kain-Fritsch（11）、New Tiedtke（16）出现的频率明显更高，但这不意味着它们一定适合你，只是说明值得放进候选池。

再设计批量试验。不要一次只换一个参数，那样效率太低。我的做法是把所有候选方案的 cu_physics 编号列出来，保持其他物理方案不变，用同一个初始场、同一套边界条件，批量提交。每组的输出用同一套评估脚本去跑，这样对比才有意义。

namelist 里跟对流相关的参数不止 cu_physics 一个。这几个我建议你一起关注，批量试验的时候也保持一致，不要混着改。

cudt 是对流方案调用的时间步长，单位分钟，通常设为 5。粗分辨率可以放宽到 10，细网格保持 5。批量试验时所有组统一用一个值，不要一组 5 一组 10，那样你分不清到底是方案差异还是时间步差异。

这里插一句。WRF 论坛上有个用户问过 cudt 的困惑，文档说除了 Kain-Fritsch 以外所有方案都应该设成 0（每步都调用），但他跑 MSKF 的时候设了 5，也不确定到底对不对。这种细节问题其实挺常见的，文档和实际操作之间经常有缝隙，最好的做法就是批量试验里统一设同一个值，跑完觉得不稳再单独测时间步的影响。

ishallow 控制浅对流开关。有的方案自带浅对流，打开后对近地面温度和边界层湿度有影响。做能量平衡或极端高温相关研究时建议打开，但批量试验里统一开关，不要混着来。

cu_rad_feedback 是让对流云参与辐射计算。打开后云量和短波辐射会更合理，但计算量会涨。资源充足就打开，紧张就关掉，批量试验里保持一致。

下面给一个批量试验的 namelist 框架，外层 27 km，中层 9 km，内层 3 km，只改 cu_physics 这一行。

&physics
 cu_physics = X, X, 0,
 cudt = 5, 5, 0,
 ishallow = 1,
 cu_rad_feedback = .true.,
/

内层 3 km 关掉深对流，这是 WRF 官方论坛里开发团队明确说过的。他们的原话是，对于小于等于 3 km 的分辨率，不推荐开启 cumulus scheme，大于等于 10 km 才必须开。3 km 用得很多，直接把 cu_physics 设成 0 基本没问题。

说到灰区，这是批量试验前必须搞清的一个概念。你的网格落在 4-10 公里这个区间时，对流刚好处于「能看清一点但又看不全」的状态。WRF 用户指南把这个区间叫做 gray zone，并写了一段很有意思的话，如果可能的话尽量避免用这种分辨率的区域，但如果避免不了，最好用 Multi-scale Kain-Fritsch 或 Grell-Freitas，因为这两套方案内部考虑了尺度效应。

话又说回来。论坛上有个用户跑 9 km 外层加 3 km 内层的配置，老老实实按用户指南选了 GF 和 MSKF，结果 Grell-Freitas 在 wrf.exe 阶段直接段错误，MSKF 连 real.exe 都跑不完。反倒是老 KF 和 New Tiedtke 完美跑通。这个帖子我看了印象很深，因为它提醒我们一件事，指南推荐的不等于你的个例上能跑通的，更不等于效果最好的。有些方案在特定版本或特定地形下就是会出幺蛾子，你不亲自批量试一遍根本发现不了。

官方开发团队在论坛上的说法也很实在。他们承认 3-10 km 这个区间目前没有共识到底该不该开 cumulus，建议要么干脆避开这个分辨率，要么自己做简单测试来确定。换句话说，灰区之所以叫灰区，就是因为它真的是一片灰色地带，没有标准答案。

WRF 后来推的几套尺度感知方案内部会根据 dx 自动调整对流份额，dx 越大参数化占比越高，dx 越小越让网格自己去算。但这不意味着尺度感知方案一定比传统方案好，具体结果还是要靠你的批量试验去评。

最后一步是评估。批量跑完之后，怎么判断哪组最好？我的建议是至少看三个维度。

降水。用观测降水或 CMORPH、GPM 这些产品做空间相关系数和偏差评分。不要只看总量，还要看日变化相位和降水中心位置。有些方案总量对上了，但峰值时间差了三个小时，这在业务预报里可能是致命的。

对流环境。对比各组的 CAPE、CIN、抬升指数这些诊断量，看看哪组更接近探空或再分析资料。尤其是 CIN 的日变化，不同方案差异可能很大。

垂直结构。如果你有雷达或卫星云产品，对比各组的对流云顶高度、反射率垂直廓线。有些方案在降水量上得分不错，但垂直结构完全走样，这在研究对流物理机制的时候会很麻烦。

师弟按我说的去做了。他先筛了五篇华南暴雨的 WRF 敏感性试验文献，挑出三篇里共同提到的候选方案，又加了一篇里单独提到但效果不错的，凑了四个组合。然后改了四组 namelist，在超算上批量提交，跑完之后用 GPM 降水做评估。

最后胜出的是哪套方案？说实话我不知道，祝小伙子顺利吧

你跑 WRF 的时候，对流参数化是怎么选的？是抄了一个数字就开始跑，还是也做过批量对比？欢迎留言聊聊你的经验，或者你踩过的坑。

参考资料

• WRF Users Guide, Chapter 5, Physics Options
• WRF & MPAS-A Support Forum, regarding Cumulus parameterization schemes, thread 5519
• WRF & MPAS-A Support Forum, Cumulus, on or off for 5 km grid spacing, thread 16509
• WRF & MPAS-A Support Forum, Proper use of cumulus and microphysics options, thread 10737
• WRF & MPAS-A Support Forum, cu_physics=3, thread 13699
• Grell, G. A., & Freitas, S. R. (2014). A scale and aerosol-aware stochastic convective parameterization for weather and air quality modeling. Atmospheric Chemistry and Physics, 14(10), 5233-5250.
• Arakawa, A., Wu, C. M., & Kong, F. (2011). A gray zone problem in climate modeling and modeling of the gray zone. Journal of Climate, in press context