周志敏 崔春光 胡揚 康兆萍

1 中國氣象局武漢暴雨研究所暴雨監(jiān)測預警湖北省重點實驗室，武漢 430205

2 中國氣象科學研究院災害天氣國家重點實驗室，北京 100081

1 引言

梅雨鋒暴雨是我國長江中下游地區(qū)夏季汛期的主要氣象災害，其具有持續(xù)時間長和突發(fā)性強的特征，往往產生大范圍洪澇災害，給該流域經濟和人民生命財產安全帶來嚴重威脅和損失。由于對大氣環(huán)流的短時突變、強對流天氣系統(tǒng)發(fā)生、發(fā)展的機理缺乏深入了解，故針對暴雨的落區(qū)、突發(fā)時間、強度突變等預報難度較大。

針對梅雨鋒暴雨的研究，過去幾十年的工作積累了不少成果。有些研究側重于動力、熱力條件的資料分析和模擬研究，如環(huán)流特征，溫度場，風場結構、中尺度擾動和水分及能量收支、不穩(wěn)定理論和位渦與輻射冷卻的診斷分析、高低空急流的耦合作用等（孫淑清, 1982; Yu et al., 1988; 祁秀香等,2015; 楊舒楠等, 2017）；有些研究側重于梅雨鋒暴雨系統(tǒng)的結構特征及形成與維持（王建捷和陶詩言, 2002; 鄭婧等, 2015; 諶偉等, 2017）和梅雨鋒上的渦旋系統(tǒng)（陸漢城等, 2002; 谷文龍等, 2010; 劉夢娟等, 2017）。越來越多的研究人員發(fā)現，要提高梅雨鋒暴雨的預報水平，必須重視其中的云微物理過程（孫建華和趙思雄, 2000）。因為云微物理過程對環(huán)境的動力、熱力過程有著不可忽視的反饋作用，尤其是水成物相態(tài)變化釋放（吸收）潛熱對熱力和動力過程有著重要影響。

目前為止，在沒有針對云系相關的非常規(guī)探測資料時，除了降水之外，主要從宏觀熱力和動力方面對模式結果進行評估檢驗。然而，這是不完善的，模式的云的微物理屬性同樣需要與觀測進行比較。由于觀測的局限性，無論是利用飛機、衛(wèi)星，還是云雷達等非常規(guī)探測設備，都無法針對特定云系做完美的跟蹤觀測。因此，梅雨鋒暴雨系統(tǒng)中的云微物理過程無法追蹤。由于模式結果具有時間和空間上的連續(xù)性，就研究云的屬性及變化過程而言，數值模式可以作為一個重要的輔助工具。當然，該工具也存在一定不足。因為云微物理參數化是影響天氣過程模擬效果的重要因素之一，但云微物理參數化本身卻存在不確定性，且該不確定性至少由三個原因產生：

首先，云微物理參數化的不確定性來自對水成物屬性的定義。由于冰相粒子形狀復雜，密度范圍較廣，對其增長有著重要影響（Morrison and Milbrandt, 2015）。根據冰相粒子的處理方式不同，云微物理參數化方案可以被分為兩類。一類是傳統(tǒng)方式，水成物被分為云滴、雨滴、冰晶、雪和霰（雹）等（Lin et al., 1983; Rutledge and Hobbs,1984），并且水成物的特征，如群密度、下落末速度、粒子形狀等都已經在方案中預設；云滴和雨滴均假設為球體，盡管雨滴在空中運動時存在形變，但大體上假設是合理的；冰相粒子則相對復雜，尤其是雪粒子，存在盤狀、針狀、多邊形等形態(tài)。有的方案將雪粒子視為球體（Morrison et al., 2005），有的方案將雪粒子視為球體和非球體進行考慮（Milbrandt and Yao, 2005a, 2005b），有的方案對雪粒子分檔進行處理（Thompson et al., 2008）；同時，由于云微物理參數化方案考慮不同冰相粒子之間的相互轉換，預設的冰相粒子屬性差異在此過程中，必將產生新的不確定性（Morrison and Milbrandt, 2015）。另一類云微物理參數化方案將冰相粒子合成一類進行考慮（Lin and Colle, 2011;Morrison and Milbrandt, 2015），以期減少不同冰相粒子之間相互轉換帶來的不確定性。但是，該方法帶來的水成物聚合、凇附效率等方面的不確定性對數值模式的性能產生影響（Morrison and Milbrandt, 2015）。

其次，云微物理參數化的不確定性來自不同方案對云微物理過程處理的差異。有的方案關注大尺度抬升和中尺度輻合造成的鋒面降水（Rutledge and Hobbs, 1984），有的方案側重于積雨云的降水過程（胡志晉和何觀芳, 1987），有的方案側重于冰雹云（許煥斌和王思微, 1985; 孔凡鈾等, 1990，郭學良等, 2001），有的方案側重于積層混合云（劉公波等, 1994; 樓小鳳, 2002），有的方案強調云凝結核和冰核的重要性及其對長短波輻射的影響（Morrison et al., 2009）。由于研究側重點不同，故參數化方案中對云微物理過程的處理方式也有所差異。為了比較不同云微物理參數化方案的結果，研究人員做了大量工作：孫晶和王鵬云（2003）認為MM5 模式中的Reisner 霰方案對華南暴雨具有較好的模擬能力。樓小鳳（2002）等對比并詳細分析了Goddard、Reisner 和Schultz 方案的物理并指出，模擬臺風最低氣壓和地面最大風速時，Reisner方案并不存在優(yōu)勢。閆之輝和鄧蓮堂（2007）對比分析了各種微物理參數化方案對降水預報的影響，認為Lin 方案總體預報結果較好。尹金方（2014）調研了十余年來中尺度模式云微物理參數化方案在中國范圍內敏感性試驗研究成果后也認為，WRF模式中Lin 方案的效果較好。而朱格利等（2014）利用WRF 模式中不同云微物理參數化方案對華南一次暴雨過程進行數值模擬和性能分析后發(fā)現，Lin 方案的模擬效果最差。因此，不同云微物理參數化方案的模擬性能隨著個例的不同而呈現出差異。

最后，云微物理參數化的不確定性來自方案的設計思路。嚴格意義上來講，一個完美的數值模式除了準確描述宏觀熱、動力場之外，還必須完美描述微觀場的變化過程。許煥斌和尹金方（2017）提出了“人工影響天氣數值模式”的概念，因為其它數值模式（氣候、環(huán)境、天氣及單一云—降水微物理模式等）一般只關注云場、地面降水、潛熱加熱項等，而人工影響天氣模式關心云體內部結構，需要顯式地描述云。云體結構及其演變是宏微觀場相互作用的結果，參數化方法需具有動態(tài)描云體演變的功能。本質上，這個概念不僅僅適用于“人工影響天氣數值模式”，也應該適用于其它模式。而事實是，現有模式的云微物理參數化方案往往是一個靜態(tài)的概念，云體演變過程中，參數化方法固定不變，如很多云微物理參數化方案將部分水成物轉換臨界值取為定常值，這種不足主要由于現階段研究人員對降水系統(tǒng)里面的云微物理過程認識不足所致。隨著探測技術的逐步提升，對云微物理過程認識的逐步深入，有些武斷的假設將參照大量觀測資料，重新進行嚴謹地參數化表述。

盡管云微物理參數化方案存在諸多不確定性，但在現有條件下，為了做好云微物理參數化方案的本地化工作，提高梅雨鋒暴雨的預報水平，我們有必要深入了解不同方案中的云微物理參數化過程差異。目前，很多研究人員已經通過水成物的源匯項收支比較了相關降水機制（Cui and Li, 2006; Wang et al., 2007; Cui, 2008; Huang et al., 2019），但相關研究主要聚焦于熱帶降水系統(tǒng)，在梅雨鋒暴雨方面的分析相對較少。

本文期望從水成物源匯項差異的角度出發(fā)，通過一次梅雨鋒暴雨過程的數值模擬研究，分析不同云微物理參數化方案對梅雨鋒暴雨的影響，從而為改善云微物理方案做一些前期工作。本文將在第二部分介紹使用數據和方法，第三部分介紹本文所用個例的概況，第四部分對模擬結果進行討論，最后在第五部分進行總結和討論。

2 數據和方法

2.1 數據

本文使用的降水數據是CMORPH，分辨率為0.1°×0.1°（王新華等, 2006），該數據已經過質量控制。歐洲中心的第五代再分析資料ERA5 作為模式的背景場，該數據水平分辨率為0.25°×0.25°，時間分辨率為1 h，垂直方向共37 層（從1000 hPa到10 hPa）。

2.2 研究方法

本文的數值模擬采用了中尺度數值模式WRF的V3.4.1 版本，雙層嵌套（見圖1），中心經緯度為（31.5°N，110°E）。為盡可能減少模式的“spinup”現象，模式運行從2018 年6 月29 日12:00（協調世界時，下同）開始，止于6 月30 日11:00。并且為了對背景場進行約束，對外層網格采用了“nudging-微調逼近”約束，約束的時間周期和模式運行周期同步。模式采用了三個云微物理參數化方案（Morrison and Milbrandt, 2005; Milbrandt and Yao, 2005a, 2005b; Thompson et al., 2008）進行比較和評估。模式結果1 小時輸出一次。模式設置如表1。

圖1 模式模擬區(qū)域，紅色實心圓表示模式外層區(qū)域中心點Fig. 1 Geographical domain used in WRF model runs. The red solid circle indicates the central point of the outer domain

表1 模式參數設置Table 1 The settings of model parameters

2.3 分析方法

本文選擇了梅雨鋒背景下的一次過境湖北省的強降水過程進行分析，分析的側重點在于導致降水差異的不同云微物理方案中的云微物理過程差異。由于不同云微物理參數化方案的主要差異在于對冰相粒子的考慮（Morrison and Milbrandt, 2015），為減少冰相粒子之間相互轉換帶來的復雜性，本文首先將冰相粒子作為一個整體進行考慮，比較不同方案的差異，然后再分析雪粒子和霰粒子與云滴、雨滴之間的碰并過程。根據分析需求，本文考慮的云微物理過程見表2。

表2 本文所用的微物理過程Table 2 The microphysical source/sink terms

3 概況（天氣形勢）

本次過程始于2018 年6 月28 日22:00，時斷時續(xù)，一直持續(xù)到7 月1 日。該過程在湖北境內的連續(xù)時段為2018 年6 月29 日22:00 至30 日11:00。30 日12:00～16:00，雨帶南壓到湖南省北部，但是17:00 開始，湖北東部又開始發(fā)生明顯降水。為了持續(xù)跟蹤降水系統(tǒng)，選擇2018 年6 月29 日22:00 至30 日11:00 進行考慮。在該時段，最大累積降水強度為189 mm（基于CMORPH 數據）。圖2 為2018 年6 月29 日22:00 至30 日11:00 基于ERA5 再分析場的不同高度層的風場及水汽場等的平均分布情況，各層環(huán)流及其配置有利于湖北區(qū)域產生強降水過程。

如圖2a 所示，200 hPa 高度上，湖北、河南一帶位于高空急流入口區(qū)右側，處于次級環(huán)流的高空輻散區(qū)，對應次級環(huán)流的上升支。我國中東部地區(qū)低層則主要受到西南季風的影響（圖2b 和c）。從圖2b 可知，700 hPa 高度上，貴州北部存在溫度大值區(qū)，湖北南部及西部存在一條切變線，在暖平流的配合下，有利于上升運動的產生和不穩(wěn)定層結的建立。從圖2c 可知，850 hPa 高度上，湖北省受多個方向的水汽通量影響，主要來源是西南氣流輸送的水汽，其在湖北中部（31°N，112°～114°E）形成很強的輻合中心。湖北省北部的水汽來自東部，但對應水汽的輻散區(qū)。

圖2 2018 年6 月29 日22:00 至30 日11:00（協調世界時，下同）基于ERA5 再分析場的相關物理量時間平均分布：（a）200 hPa 風矢量（單位：m s-1）和緯向風速（填色，單位：m s-1）；（b）700 hPa 風矢量（單位：m s-1）和溫度（填色，單位：°C）；（c）850 hPa 水汽通量（單位：g s-1 hPa-1 cm-1）和水汽通量散度（填色，單位：10-7 g s-1 hPa-1 cm-2）Fig. 2 The time means (2200 UTC 29 June to 1100 UTC 30 June 2018) of (a) wind vectors (units: m s-1) and zonal wind velocity (shaded; units: m s-1) at 200 hPa, (b) wind vectors (units: m s-1) and air temperature (units: °C) at 700 hPa, and (c) moisture flux (units: g s-1 hPa-1 cm-1) and moisture flux divergence (shaded; units: 10-7 g s-1 hPa-1 cm-2) at 850 hPa based on the ERA5 reanalysis

4 模擬結果分析

4.1 天氣形勢模擬比較

圖3 為2018 年6 月29 日22:00 至30 日11:00基于不同云微物理參數化方案、不同高度層的風場及水汽場的平均分布情況。對比圖2 和圖3 可知，三個方案模擬的熱、動力場，大體上和再分析場相近。從圖3a1、b1 和c1 可知，三個方案均模擬出了200 hPa 上的西風急流，且湖北省均處于高空急流入口區(qū)右側。Thompson 方案中，在安徽和江蘇北部，西風急流較再分析場更強，也強于其它兩個方案。同時，在湖北中部地區(qū)的風場較再分析場及其它兩個方案略弱。在700 hPa 高度上（見圖3a2-c2），Thompson 方案的溫度梯度較大，溫度平流略強，其次是Morrison 方案，MY 方案相對更弱。此外，三個方案模擬的850 hPa 水汽通量差別不大，水汽來源主要是西南季風輸送；但水汽輻合區(qū)的位置則存在明顯差異。Morrison 方案中，最強的水汽輻合區(qū)呈“水平分布”，位于湖北中部偏南（30°N，112°～114°E）。Thompson 方案中的主要水汽輻合區(qū)大體呈“西北—東南”方向分布（30°～32°N，112°～114°E）。MY 方案中的水汽輻合區(qū)相對其它兩個方案來說，較為零散，在湖北區(qū)域沒有明顯的水汽輻合帶。

圖3 同圖2，但為不同方案的模擬結果：（a1-a3）Morrison 方案；（b1-b3）Thompson 方案；（c1-c3）MY 方案Fig. 3 Same as Fig. 2 but for the model output based on the (a1-a3) Morrison, (b1-b3) Thompson, and (c1-c3) MY microphysical schemes

綜上所述，三個方案均較好再現了本次過程的天氣尺度熱力、動力背景場，因此，我們要分析的不同云微物理參數化方案對局地降水影響的可信度也較高。三個方案之所以能大致模擬出大尺度過程，原因之一可能是因為在該區(qū)域使用的是顯式云微物理參數化方案，而顯式方案對相對均勻的大尺度云系具有較好的描述能力（許煥斌和尹金方, 2017）。顯式方案對非均勻的中小尺度對流系統(tǒng)描述能力弱于隱式方案，當系統(tǒng)中的非均勻性中小尺度系統(tǒng)較強時，大尺度系統(tǒng)的描述就會相對較差。因此，三個方案的結果中，與大尺度場存在差異的區(qū)域，部分原因可能就是顯示方案的不足所致（嚴格來說，這是一個綜合的結果，還與熱、動力場及其它物理過程對云微物理過程的反饋有關）。

圖4 為2018 年6 月29 日22:00 至30 日11:00不同云微物理參數化方案模擬的700 hPa 位勢高度場的標準差及垂直氣流。從圖4a1-c1 可知，Thompson方案中，700 hPa 位勢高度場的標準差在湖北中部存在一個大值中心，而其它兩個方案的結果則沒有明顯的中心，且在該時段內湖北省內的高度場的標準差基本小于10 gpm。這說明Thompson 方案中的局地環(huán)流變化（例如系統(tǒng)的發(fā)展、消亡或移動等）更劇烈。相應地，低層的垂直速度更大（圖4b2）。值得注意的是，對比圖4a2-c2 與圖3a3-c3 可知，垂直速度的大值區(qū)除了和位勢高度標準差的大值區(qū)相對應之外，和水汽輻合區(qū)也存在較好的對應關系。

圖4 2018 年6 月29 日22:00 至30 日11:00（a1、a2）Morrison 方案、（b1、b2）Thompson 方案、（c1、c2）MY 方案模擬700 hPa 位勢高度場的標準差（第一行，單位：gpm）及垂直氣流（第二行，單位：m s-1）空間分布Fig. 4 Spatial distribution of the standard deviation of the geopotential height (top line, units: gpm) and vertical airflow (bottom line, units: m s-1) at 700 hPa during 2200 UTC 29 June to 1100 UTC 30 June 2018 based on the model output of (a1, a2) Morrison, (b1, b2) Thompson, and (c1, c2) MY microphysical schemes

圖5 為湖北地區(qū)（選擇108.35°E～116.25°E 范圍）的平均經向環(huán)流及西風的垂直剖面圖。通過圖3 和圖5 可知，三個方案中，高空西風急流的南側都存在著上升氣流，但高空急流下方上升氣流并不強。Thompson 中的垂直氣流在中低層最強，且西風氣流大值區(qū)的延伸范圍最大，向下伸展高度最低（圖5b）。Morrison 方案中的上升氣流和MY方案差別不大（圖5a 和c），前者略強，低層西風急流伸展范圍也略廣。

圖5 2018 年6 月29 日22:00 至30 日11:00（a）Morrison 方案、（b）Thompson 方案、（c）MY 方案模擬湖北地區(qū)（108.35°E～116.25°E）的時間平均經向環(huán)流（風矢圖，單位：m s-1）及西風（填色，單位：m s-1）的垂直剖面Fig. 5 Vertical section of the time-averaged meridional circulation (vectors, units: m s-1) and zonal wind (shaded, units: m s-1) based on the model output of (a) Morrison, (b) Thompson, and (c) MY microphysical schemes during 2200 UTC 29 June to 1100 UTC 30 June 2018

4.2 降水及水成物分析

圖6 為2018 年6 月29 日22:00 至30 日11:00的累積降水的觀測和模擬結果。紅色方框基本覆蓋整個湖北省，即為本文的重點研究范圍。從圖6 可知，三個方案均模擬出了降水的覆蓋區(qū)域，但同時覆蓋范圍更廣。在紅色方框范圍（下文分析均基于此區(qū)域開展），從累積降水大于75 mm 的范圍比較來看，Thompson 方案模擬的降水最強，Morrison和MY 差別不太大。不同方案之間的降水極值區(qū)分布差異較大，Morrison 方案模擬得到的強降水區(qū)覆蓋范圍與觀測更為吻合。

圖7 為模擬和觀測逐時降水強度（Rain Rate，簡稱RR）的概率分布圖。從圖7 可知，三個方案的模擬結果均高估了雨強。Thompson 方案的模擬結果在RR＜60 mm h-1范圍基本最大，但超過該范圍后，MY 的降水模擬值最大。當RR 處于30 到35 mm h-1范圍，MY 方案的模擬值小于Morrison方案。當RR 在其它范圍，Morrison 則小于MY 方案。RR 的觀測值最大約為55 mm h-1，但三個方案的RR 模擬最大值幾乎為觀測值的一倍。

圖8 為2018 年6 月29 日22:00 至30 日11:00降水的觀測和模擬的區(qū)域（圖6 所示紅色方框區(qū)域，下同）平均值時間變化。從圖8 可知，模擬和實測降水在大部分時段較為相似（如2018 年6 月29日22:00 至30 日04:00，6 月30 日09:00 至11:00），但模擬降水明顯強于觀測結果。雨滴含量與降水的時變曲線也大體相似，但其峰值出現時間并不一致，后者出現峰值的時間更早。從三個方案的比較結果來看，Thompson 方案模擬的降水最強（與圖6 保持一致），其次是Morrison 方案，MY 方案模擬的降水相對最弱，但其在部分時段強于Morrison方案，其變化相對劇烈。Thompson 方案模擬的雨滴含量在部分時段少于Morrison 方案，MY 方案模擬的雨滴含量在整個模擬時段均最小。雨強和雨滴含量之所以不完全匹配，原因之一是雨滴含量是高度上的積分值，而雨強僅僅是模式最底層的結果。另一個原因是，雨滴的分布還受動力場影響，如平流項及湍流混合項均對其分布有著一定作用。盡管如此，兩者在大部分時段依然保持相似變化。

圖8 2018 年6 月29 日22:00 至30 日11:00 降水的（a）小時區(qū)域（圖6 紅色方框所示區(qū)域）平均（單位：mm）及（b）雨滴含量（單位：g m-3）平均值的時間變化曲線Fig. 8 Time series of the (a) area-averaged (area indicated by red rectangle in Fig.6) hourly rainfall intensity (units: mm) and (b) rainwater content(units: g m-3) during 2200 UTC 29 June to 1100 UTC 30 June 2018

從累計降水量值及其分布區(qū)域來說，Morrison方案的模擬效果相對最優(yōu)；從小時降水來說，Morrison 和Thompson 方案在不同時段分別占優(yōu)，但模擬效果均強于Thompson 方案。因此，綜合來看，Morrison 方案在本次模擬過程中效果相對最優(yōu)。

圖9 為三個方案水成物含量（小時累積）區(qū)域平均值隨時間和高度的分布。盡管圖8 中三個方案的平均降水演變趨勢具有相似性，但水成物的演變卻存在明顯差別。從云滴分布來看（圖9a1-c1），三個方案不僅極值中心出現的時間有差異，在分布高度上也存在差異。Morrison 方案中，云滴的5 g m-3等值線超過-10°C 以上高度，極值為17.3 g m-3；Thompson 方案中，該等值線在-10°C 高度層以下，極值為15.65 g m-3，與Morrison 方案差別不大。而MY 方案中，云滴的5 g m-3等值線伸展到了300 hPa 高度附近（-30°C）。并且，極值為26.4 g m-3，明顯大于其它兩個方案。對三個方案模擬的雨滴來說，其5 g m-3等值線均在零度層以上，但三個方案中的雨滴含量演變及極值也存在較大差異，Morrison、Thompson、和MY 方案的雨滴含量極值分別為37.5 g m-3、57.0 g m-3和34.4 g m-3。

冰相粒子的演變及垂直分布比液態(tài)粒子的差異更大。Thompson 方案中模擬的冰粒子最少（圖9b1），整個時段、所有高度上冰粒子平均含量均小于3 g m-3的區(qū)域；Morrison 方案中，存在小部分大于3 g m-3的區(qū)域；MY 中的冰粒子分布高度及時間跨度遠大于其它兩個方案，且最大冰粒子平均含量為45.4 g m-3，位于-40°C 高度以上。在雪粒子的演變過程中，MY 方案中存在兩個極值中心（圖9b3），其它方案只有一個。然而，Morrison 和Thompson 方案中，極值中心的強度及分布高度區(qū)間存在較大差異（圖9b1 和b2）。Morrison 方案中的雪粒子平均含量極值所在高度位于0～-10°C 區(qū)間，且極值不超過40 g m-3，而Thompson 中的雪粒子平均含量極值所在高度位于-10°C～-20°C 區(qū)間，且極值超過100 g m-3。MY 方案中的雪粒子平均含量極值與Morrison 方案模擬結果相近。就霰粒子而言，三個方案的模擬結果差異也較大。Morrison 方案中，霰粒子平均含量在兩個時段存在極值，最大極值為37.8 g m-3；Thompson 方案中的霰粒子平均含量最少，僅為16.4 g m-3；MY 方案中的霰粒子平均含量略少于Morrison 方案，為36.8 g m-3。

圖9 2018 年6 月29 日22:00 至30 日11:00 Morrison 方案（左列）、Thompson 方案（中間列）以及MY 方案（右列）中水成物的區(qū)域平均值隨時間演變：冰晶（第一行）；雪粒子（第二行）；霰粒子（第三行）。填色表示冰相粒子含量（單位：g m-3）；黑色實線為平均溫度，等值線從0°C～-40°C，間隔10°C；紅色實線表示云滴含量，等值線從5～35 g m-3，間隔5 g m-3；藍色實線表示雨滴含量，等值線從5～55 g m-3，間隔5 g m-3。Fig. 9 Time evolution (during 2200 UTC 29 June to 1100 UTC 30 June 2018) of area-averaged vertical profiles of ice (top line), snow (second line),and graupel (bottom line) hydrometeors by Morrison (left column), Thompson (middle column), and MY (right column) scheme, respectively. The shaded area indicates the distribution of ice phase hydrometeors (units: g m-3). The black solid lines indicates the average temperature, and the contours are from 0°C to -40°C with 10°C of intervals. The red dashed lines indicate the cloud droplet content (units: g m-3), and the contours are from 5 g m-3 to 35 g m-3 with 5 g m-3 of intervals. The blue dashed lines indicate the raindrop content (units: g m-3), and the contours are from 5 g m-3 to 55 g m-3 with 5 g m-3 of intervals

綜上所述，三個方案模擬的水成物存在較大差異，Thompson 方案中雪粒子含量明顯偏多，冰晶和霰相對較少；MY 方案中冰晶粒子含量最多，其次為Morrison 方案，兩者的霰粒子含量均多于雪粒子。液態(tài)粒子（尤其云滴）的分布及演變均存在較大差異，由于過冷水是影響凇附過程等的關鍵因素，因此，該差異是冰相粒子分布及演變存在不同的重要原因之一。

4.3 液態(tài)粒子主要源匯項特征分析

雨滴含量差異是導致降水差異的最直接原因。從圖8 可知，通過雨滴含量的分析，能大體上了解雨強的變化趨勢，為了分析雨滴含量的變化趨勢，特對雨滴的源匯項進行了分析。圖10 表示雨滴的五個主要源匯項在空間平均的時變曲線。從圖10可知，冰相粒子融化項Mlt 及雨滴對云滴的搜集項CLcr 項是雨滴的核心源項，云滴向雨滴的自動轉化項Auto 相對于其它項來說基本忽略不計。并且，三個方案中的CLcr 項都大于Mlt 項。Morrison方案模擬的CLcr 項極值最大，其次是Thompson方案，MY 中的CLcr 項極值最小。Thompson 方案中的雨滴蒸發(fā)和凇附效應最強，其次是Morrison方案，MY 中的雨滴蒸發(fā)項Evap 最弱。除云滴自動轉化外，其它四個源匯項隨時間演變大體上有著相似性，但三個方案也存在差異。Morrison 和MY 方案中，四個主要源匯項大致在2018 年6 月30 日07:00 達到極值，而Thompson 方案中，四個主要源匯項達到極值的時間為2018 年6 月30 日08:00。

從圖10 可知，盡管不同方案的主要雨滴源匯項量值有些差異，但其隨時間的演變仍具有一定相似性。圖11 為不同方案中雨滴主要源匯項總量區(qū)域平均的垂直分布比較（這里考慮了源匯項的正負，圖10 主要考慮量值比較）。由圖11 可知，三個方案的融化總量極值所在高度一致，Morrison 模擬的融化量極值最大，Thompson 方案略小，MY 方案最小。在冰相粒子對雨滴的搜集作用上，三個方案出現較大差異。Morrison 和MY 均認為，在碰并過程中，雨滴是冰相粒子增長的源，從量值來看，Morrison 方案中雨滴貢獻明顯大于MY 方案，但其極值所在高度更低。而Thompson 方案則認為，零度層以上，雨滴作為冰相粒子的增長源；而零度層以下，冰相粒子和雨滴的碰并將成為雨滴增長的源，即雨滴搜集到的冰相粒子將轉化為與雨滴。三個方案的雨滴搜集云滴過程形態(tài)也較為相似，但Thompson 方案中，該過程最強，MY 方案中最弱。Morrison 和MY 方案中的雨滴蒸發(fā)項垂直分布較為相似，從零度層高度往下直到750 hPa 左右高度，蒸發(fā)逐步增強。750 hPa 高度以下，蒸發(fā)變化較小。Thompson 方案的雨滴蒸發(fā)過程則明顯強于其它兩個方案，且從零度層往下至近地層，蒸發(fā)量逐步增大，這與其它兩個方案存在顯著差異。

圖10 2018 年6 月29 日22:00 至30 日11:00 的主要雨滴源匯項空間平均值（單位：g m-3）的時間變化：（a）Morrison 方案；（b）Thompson方案；（c）MY 方案Fig. 10 Time series of the volumetrically averaged content (units: g m-3) of the main source and sink terms of rain during 2200 UTC 29 June to 1100 UTC 30 June 2018 by (a) Morrison, (b) Thompson, and (c) MY schemes

圖11 不同方案的雨滴主要源匯項總量（單位：g m-3）區(qū)域平均值的的垂直分布：（a）Morrison 方案；（b）Thompson 方案；（c）MY方案Fig. 11 Vertical profiles of area-averaged content (unit: g m-3) of the key sink and source termsof raindrop by (a) Morrison, (b) Thompson, and (c)MY schemes

圖12 為不同方案的Mlt、CLcr 及Evap 項在湖北省區(qū)域的高度平均分布。對比圖6 可知，圖12中三個關鍵源匯項的大值區(qū)大體對應了累積降水的大值區(qū)（尤其強降水區(qū)）。盡管圖10 中，不同方案的Mlt、CLcr 及Evap 項變化趨勢較為相似，差別主要體現在量值上，但圖12 顯示，上述三個源匯項的空間分布在不同方案中也存在較大差異，CLcr 項對雨滴的增長貢獻明顯強于Mlt 項，區(qū)域極值也更大。Morrison 方案中，CLcr 及Mlt 項呈水平分布，因此最強降水區(qū)及最強蒸發(fā)區(qū)也呈水平分布。Thompson 方案中，CLcr 和Mlt 項呈“西北—東南”走向，因此最強降水區(qū)及最強蒸發(fā)區(qū)也呈“西北—東南”分布。MY 方案中的雨帶分部相對復雜，一條從鄂西北開始延伸，另一條在湖北南部，CLcr、Mlt 和Evap 項分別與其有著良好對應關系。這些差異導致不同方案中模擬降水的位置和強度差異。冰相粒子融化或雨滴搜集云滴的高估可能是造成區(qū)域平均降水模擬值偏強的重要原因之一。

圖12 2018 年6 月29 日22:00 至30 日11:00 Morrison 方案（第一行）、Thompson 方案（第二行）以及MY 方案（第三行）中源項Mlt（左列）、CLcr（中間列）及匯項Evap（右列）的高度平均分布，單位：g m-3Fig. 12 Distribution of the height-averaged total amount of Mlt (left column), CLcr (middle column) source terms, and (c) Evap sink term (right column) of rain during 2200 UTC 29 June to 1100 UTC 30 June 2018 by Morrison (top line), (b) Thompson (second line), and MY (bottom line)schemes, units: g m-3

需要注意的是，Evap 項的空間分布并非和Mlt 或CLcr 項一一對應，因為其主要對應的是雨滴含量，而影響雨滴含量分布的因子除了微物理過程項之外，還有平流項、湍流混合項等（主要針對小粒子）。

云滴是影響降水的另一個重要因子。圖13 為云滴的三個關鍵源匯項區(qū)域平均的垂直分布圖。從圖13 可知，三個方案中的主要云滴源匯項的垂直分布存在相似之處，云滴凝結的峰值高度均分別位于在750 hPa 及550 hPa 左右高度，雨滴搜集云滴的峰值高度也大致相似，位于600 hPa 高度附近。但三者也存在明顯差異，Thompson 中（圖13b），水汽凝結明顯強于其它兩個方案，峰值為9.24 g m-3，次峰值為5.8 g m-3；而Morrison 方案中（圖13a），水汽凝結峰值為4.94 g m-3，次峰值為3.67 g m-3；MY 方案中（圖13c），盡管水汽凝結峰值略小于Morrison 方案，為4.82 g m-3，但次峰值明顯大于Morrison 方案，為4.16 g m-3。除了凝結總量之外，三個方案中水汽凝結在高層也存在明顯差異。MY方案中，300 hPa 以上水汽凝結明顯，最大凝結高度高于250 hPa，Morrison 方案中的最大凝結高度略低于250 hPa，而Thompson 方案中的最大凝結高度略高于300 hPa，且300 hPa 以上高度凝結量極少。該現象是圖9 中云滴能夠在400 hPa 高度以上仍存在大值中心的重要原因?？傮w而言，MY 方案中的凝結效應略強于Morrison 方案。

圖13 不同方案的云滴主要源匯項總量（單位：g m-3）)區(qū)域平均值的的垂直分布：（a）Morrison 方案；（b）Thompson 方案；（c）MY方案Fig. 13 Vertical profiles of area-averaged content (unit: g m-3) of the key sink and source termsof cloud droplet by (a) Morrison, (b) Thompson, and(c) MY schemes

由于Thompson 方案中水汽凝結效應最強，因此，該方案中雨滴搜集云滴的總量顯著多于其它兩個方案，且峰值高度相近。盡管Morrison 方案中的水汽凝結略弱于MY 方案，但雨滴搜集云滴的量仍明顯高于MY 方案。對于冰相粒子搜集云滴來說（Col2 包含冰相粒子直接搜集云滴，與Col1類似，只是專門針對云滴而言），Thompson 方案依然最強，MY 方案其次，Morrison 方案略微弱于Morrison 方案。三者的極值高度存在較大差異。Thompson 方案中，Col2 的極值高度最低，略高于500 hPa 高度；Morrison 方案中，Col2 極值高度在500 hPa 附近；MY 方案中，Col2 極值高度位置僅略低于400 hPa。

由以上分析可知，Thompson 方案中，凝結效應、雨滴搜集云滴增長及云滴對冰粒子增長的貢獻均最強；MY 方案中的凝結效應及云滴對冰相粒子增長的貢獻強于Morrison 方案，但后者雨滴搜集云滴增長強于前者，兩者凝結效應及雨滴對云滴搜集增長的峰值高度相近，但云滴對冰相粒子貢獻的極值高度則存在明顯差異。

4.4 冰相粒子主要源匯項特征分析

圖14 為冰相粒子的主要源匯項平均值時間變化的比較。從前文可知，就本次過程而言，冰相粒子的融化是影響雨滴增長的關鍵因素之一。因此，首先將不同方案的冰相粒子都作為一個整體進行比較。在輸出冰相粒子源匯項之后發(fā)現，冰相粒子融化、水汽凝華及冰相粒子與雨滴和云滴的碰并過程是冰相粒子增長的重要來源。下文將分別對其進行比較。就Mlt 項來說，Morrison 方案模擬含量最多，MY 和Thompson 方案差別不大（圖14a）。就VD和Col1 項而言，Thompson 方案模擬量最多，其次是Morrison 方案，MY 方案模擬相對最少（圖14b和c）。三個方案中的Col2 值大于Col1（圖14d），一個重要原因在于，水汽在較高處凝結成云滴（圖13），然后云滴和冰相粒子發(fā)生碰并過程。而雨滴與冰相粒子的碰并過程發(fā)生在相對低的高度，盡管雨滴含量相對較大，但參與凇附過程幾率相對較小，故三個方案中的Col2 項均強于Col1 項。尤其是MY 方案，Col2 值數倍于Col1 值，而Thompson方案中兩者差值相對較小。

圖14 2018 年6 月29 日22:00 至30 日11:00 不同方案冰相粒子主要（a）匯項Mlt 及源項（b）VD、（c）Col1、（d）Col2 空間平均值（單位：g m-3）的時間變化Fig. 14 Time series of the volumetrically averaged content (units: g m-3) of the distribution of the height-averaged total amount of the (a) sink term Mlt and source term (b) VD, (c) Col1, (d) Col2 of rain during 2200 UTC 29 June to 1100 UTC 30 June 2018 by different schemes

圖15 為Col2 和VD 項的垂直分布（冰相粒子融化項Mlt 及冰相粒子對雨滴的碰并搜集Col1 已在圖11 中討論，不再贅述）。從圖15a 和b 可知，Morrison 和Thompson 方案中，Col2 的極值高度差別不大，略低于MY 方案。Morrison 和MY 方案中的Col2 極值差別不大，約為Thompson 方案極值的一半。對VD 來說，Morrison 和Thompson 方案的形態(tài)相似，極值高度在350 hPa 附近，但前者數值約為后者一半。MY 方案中，VD 的分布形態(tài)表現出較大差異，廓線明顯窄于其它兩個方案，并且極值高度在250 hPa 附近，顯著高于其它兩個方案。需要說明的是，MY 方案中，凝華增長效應在中底層為負值，這是因為該高度區(qū)間的區(qū)域平均表現為升華。由圖15b 可知，Thompson 方案中的升華效應最強。事實上，該方案的凝華效應也表現為最強。Morrison 和Thompson 方案中，Col2 的極值高度低于VD 的極值高度，MY 方案則恰好相反。

圖15 同圖11，但為云滴主要源匯項（CLcr, Col2, Cond）Fig. 15 Same as Fig.11 but for key sink and source of the cloud droplet (CLcr, Col2, and Cond)

事實上，三個方案中Col2 和VD 的差異揭示了導致冰相粒子分布差異的重要原因之一（其它兩個原因在前面已經描述）。下文將從不同冰相粒子的角度進行分析。

圖16 為冰晶、雪和霰粒子的凝華/升華效應。從圖16 可知，三個方案的凝華/升華效應存在顯著差異。Morrison 方案中，雪粒子凝華和升華效應均強于霰粒子，冰晶粒子的凝華效應較小，升華效應幾乎可以忽略不計（圖16a）。Thompson 方案中，雪粒子的升華效應占主導地位，其它兩類冰相粒子的貢獻與其相比微乎其微（圖16b）。MY 方案中，冰晶的凝華效應略弱于雪粒子，從其廓線形態(tài)來看，冰晶粒子的凝華差異是導致圖16 中冰相粒子與其它兩個方案顯著差異的重要原因，也是圖9 中MY 方案冰相粒子明顯多于其它方案的關鍵原因。

圖16 不同方案的冰晶、雪和霰粒子的凝華/升華項總量（單位：g m-3）區(qū)域平均值的的垂直分布：（a）Morrison 方案；（b）Thompson方案；（c）MY 方案Fig. 16 Vertical profiles of area-averaged content (units: g m-3) of the the deposition/sublimation of ice, snow, and graupel by (a) Morrison,(b) Thompson, and (c) MY schemes

圖17 為不同云微物理參數化方案中冰相粒子同云滴、雨滴之間的凇附（碰并）過程。從圖14可知，不同云微物理參數化方案中冰相粒子與云滴和雨滴之間的碰并過程存在較大差異。圖17 試圖對產生該差異的原因進行初步解釋。Morrison 和MY 中，CLcg 占主導地位（圖14a 和c），MY 方案中其它碰并過程相對CLcg 項來說幾乎可以忽略不計，而Morrison 方案中，其它凇附過程的貢獻相對MY 方案來說，依然較為明顯。Thompson 方案與其它兩個方案有著顯著區(qū)別（圖14c）：CLcs貢獻最大，并且，CLrg 強于CLrs 項。

圖17 2018 年6 月29 日22:00 至30 日11:00（a）Morrison、（b）Thompson、（c）MY 方案主要凇附項空間平均值（單位：g m-3）的時間變化Fig. 17 Time series of the volumetrically averaged content (units: g m-3) of riming terms during 2200 UTC 29 June to 1100 UTC 30 June 2018 by (a)Morrison, (b) Thompson, (c) MY schemes

圖18 為雪粒子（霰粒子）搜集云滴（雨滴）增長總量區(qū)域平均的垂直廓線。從圖18 所示的雪粒子（霰粒子）搜集雨滴（云滴）增長廓線圖可知，以上四個微物理過程在三個方案中存在明顯差異。Morrison 方案中（圖18a），CLcg 效應最明顯，但CLrg 的極值略大于CLcg，CLcs 效應強于CLrs，但前者極值小于后者。從圖18a 可知，霰粒子搜集液態(tài)粒子的增長大于雪粒子與液態(tài)粒子的碰并增長，這是圖9a2 和圖9a3 所示霰粒子方案中霰粒子含量大于雪粒子的重要原因之一。Thompson 方案中（圖18b），CLcs 效應顯著強于其它幾個過程，并且CLrg 存在負值區(qū)。如前所述，這是因為Thompson 方案處理雨滴與冰相粒子的碰并時與其它方案存在差異，該方案在零度層以上，兩者碰并將有助于冰相粒子增長，而零度層以下，兩者碰并將貢獻于雨滴增長。從CLrg 的垂直廓線來看，霰粒子因搜集雨滴的增長不明顯，而零度層以下兩者的碰并主要貢獻于雨滴增長。這是圖18b3 中霰粒子較少的重要原因之一。MY 方案中（圖18c），CLcs、CLrs 和CLrg 的量值明顯小于CLCg（存在量級差別）。圖18c2 和圖18c3 中，霰粒子大于雪粒子的含量。霰粒子對云滴的搜集作用對其有著重要貢獻。

圖18 同圖11，但為雪粒子（霰粒子）搜集雨滴（云滴）的增長（CLcs、CLrs、CLcg 和CLrg）Fig. 18 Same as Fig.11, but for the accretion (CLcs, CLrs, CLcg, and CLrg) of raindrops (cloud droplets) by the snow (graupel)

5 結論與討論

本文通過WRF（3.4.1）模式，針對2018 年6月29～30 日一次梅雨鋒背景下的暴雨過程進行數值模擬，分別采用Morrison、Thompson 和MY 方案進行對比分析。結果發(fā)現，三個方案模擬的背景場在天氣尺度上都與再分析資料一致，能夠再現出有利于強降水發(fā)生的環(huán)流場。但不同云微物理過程對梅雨期暴雨的局地環(huán)流有著顯著影響，且不同方案存在顯著的差異。

Thompson 方案產生更強的局地環(huán)流系統(tǒng)的變率和上升氣流。由于天氣尺度環(huán)流的一致性，這些差異直接與云物理參數化方案的差異有關，同時也與因云微物理方案差異而導致的其它過程有關。這些來自多個方面的相互作用可能是非線性的，屬于云微物理參數化方案的間接影響。三個方案的模擬降水均有所夸大，小時降水率、小時累計降水量均始終大于觀測值?？傮w來看，Morrison 方案的模擬效果相對最優(yōu)。各方案模擬的水成物存在較大差異。Thompson 方案中雪粒子含量明顯偏多，冰晶和霰相對較少；MY 方案中冰晶粒子含量最多，其次為Morrison 方案，兩者的霰粒子含量均多于雪粒子。液態(tài)粒子（尤其云滴）的分布及演變均存在較大差異。零度層以上，MY 方案中的云滴含量最多，其次是Morrison 方案，Thompson 方案相對最少，而不同方案的雨滴在該高度區(qū)間的差異相對較小，即過冷水的差異（針對區(qū)域平均而言）主要體現在過冷云滴上。

冰相粒子融化、雨滴對云滴搜集作用是雨滴的關鍵源項，雨滴蒸發(fā)是最重要的匯項，以上三個物理量在不同云微物理方案中存在空間上的差異，這是導致降水空間分布差異的直接原因?？偟膩碚f，雨滴對云滴搜集效應大于冰相粒子融化。冰相粒子對雨滴的搜集效應相對較弱，但不同方案差異大。Thompson 方案中的雨滴蒸發(fā)項顯著大于其它兩個方案，在底層表現得最為明顯。Morrison 方案中，冰相粒子在零度層以下高度并不直接轉換為雨滴，而是用于提高冰相粒子融化率并增加參與碰并雨滴的脫落（shedding）；MY 方案中，兩者碰并僅發(fā)生在零度層以上高度。凇附過程的主要影響因子包括碰并粒子的數濃度、直徑、下落末速度等。與此同時，過冷水的時空分布差異也將對其產生影響。對不同方案來說，凇附相關的云微物理過程存在較大差異。Morrison 方案中雨滴貢獻明顯大于MY方案。而Thompson 方案中，零度層以上，僅少量雨滴作為冰相粒子的增長源；零度層以下，冰相粒子在碰并過程中直接轉換為雨滴。MY 方案中，過冷云滴能到達的最高處高于其它兩個方案，因此凇附過程發(fā)生在相對較高處（圖18）。并且，相對于其它淞附過程來說，零度層以上豐富的云滴和霰粒子之間的碰凍絕對占優(yōu)。而Thompson 方案中，雪粒子含量最多，其與過冷云滴之間的碰凍明顯大于其它淞附過程。由于凇附過程是冰相粒子的關鍵來源之一，故不同方案中過冷水的差異最終將影響冰相粒子的分布。同時，這種差異將通過其它云微物理過程及熱動力過程進行反饋。

Thompson 方案中，由于更多冰相粒子融化成雨滴，且零度層以下的水汽凝結效應最強，由于更多云滴參與碰并，因此雨滴搜集更多云滴，使得該方案模擬的雨滴含量最多，降水最強。該方案中水汽主要凝華為雪，且其在與過冷水碰并增長過程中占主導地位，因此該方案中模擬的雪最多。并且，從圖18 可知，零度層以下高度，該方案中被雨滴搜集的冰相粒子為霰，且零度層以上高度，極少量霰通過凇附方式增長。這也是Thompson 方案中霰粒子含量少于雪粒子的原因之一。盡管MY 方案中水汽凝結量多于Morrison 方案，但由于后者冰相粒子融化效應更強，生成的雨滴更多，導致雨滴搜集了更多云滴。Morrison 和MY 方案中，霰粒子含量均大于雪粒子，但兩者形成的關鍵原因并不同。Morrison 方案中，凝華形成的霰粒子含量大于雪粒子，且霰的凇附效應強于雪。而MY 方案中，凝華形成的雪粒子含量大于霰，但霰粒子的凇附增長起主導地位，且大于凝華效應，從而使得霰粒子含量大于雪粒子。該方案中，水汽凝華在約300 hPa 以上高度形成大量冰晶，顯著強于其它方案，這是該方案中高層冰晶粒子明顯大于其它方案的重要原因之一。

從以上討論可以發(fā)現，云微物理過程通過不同方式影響降水。但是，對降水來說，最直接的影響還是雨滴源匯項本身。由于冰相粒子融化及雨滴搜集云滴增長的大值區(qū)與累積降水分布的大值區(qū)相匹配。因此，冰相粒子融化或雨滴搜集云滴效應的高估，可能是造成區(qū)域平均降水模擬值偏強的重要原因之一。僅從降水比較來看，Morrison 方案在本次模擬過程中的結果相對最優(yōu)。由于缺少云微物理觀測資料，暫無法從微觀方面對三個方案進行比較。

需要說明的是，冰晶向雪的轉換也是重要的云微物理過程之一。但在凝華和凇附過程中，冰相粒子變化量數倍于該過程（圖略），并且，本文側重于將冰相粒子作為一個整體進行考慮，故暫不討論冰相粒子之間轉換相關的云微物理量。

不同云微物理參數化方案中，影響模擬結果的重要因素之一就是冰相粒子的處理（Morrison and Milbrandt, 2015; Zhou et al., 2020）。因為對暖云過程而言，云滴和雨滴均假設為球體，不同方案之間差異并不大。而在冷云過程中，冰相粒子的定義（形狀、下落末速度、密度等）在不同方案中存在一定差異，這將導致冰相粒子的模擬結果存在差異。這種差異除了體現在地表累積降水中，更體現在冰相粒子的空間分布上。

云微物理參數化方案的敏感性研究工作，除了了解不同方案之間的差異之外，最關鍵的是希望最終能夠在此基礎上進行改進。本文的模擬結果表明，三個方案的模擬降水相對于觀測來說有所夸大。僅從云微物理過程的影響來說，改進參數化方案可以考慮從減小融化量、雨滴搜集云滴量、或者增加蒸發(fā)量等等方面開展工作。但是，熱動力方面的影響同樣不可忽視。實際上，云微物理過程對背景場的熱動力過程有著重要反饋作用（孫建華和趙思雄,2000），云微物理參數化差異會導致背景場的差異。加熱場的異常可以影響局地位渦的分布（Ertel,1942; Hoskins et al., 1985）；與不同微物理過程有關的異常加熱場的疊加更可以形成復雜的位渦分布，并且隨著氣流的上升和平流作用甚至可以影響高層和下游的環(huán)流變化（Joos and Wernli, 2012; Joos and Forbes, 2016; Crezee et al., 2017; Attinger et al.,2019），該變化又將對云微物理過程有著重要影響。

因此，為了改進云微物理參數化，除了深入了解不同云微物理參數化的差異，做更多敏感性工作之外，還必須跟蹤云微物理過程與熱動力過程之間的相互作用，以便更精準地調整相關云微物理過程參數化。同時，外場試驗的開展也非常有必要。對梅雨鋒暴雨而言，從宏觀和微觀角度對模式熱動力場及微物理過程進行驗證、約束和修改有著重要意義。

本文屬個例研究，更多的個例差異、更詳細的影響機制還有待于后續(xù)進一步研究。