Page 75 - 2023年第54卷第11期

更加稳定。最内层网格完全覆盖研究区，相邻嵌套层的嵌套比例设为 １∶３，网格尺寸分别为 １、３和
９ｋｍ。１．０° × １．０°全球预报系统为预报提供了初始和横向边界条件。由于 ＧＦＳ没有经过同化分析处理，
因此在 ＷＲＦ模式中常作为预报降雨的初始驱动 ［２４］ ，流域的嵌套网格和雷达观测范围见图 ２。

图 ２ 阜平流域和紫荆关流域的网格嵌套方案

表 ３ ＷＲＦ模式主要物理参数化方案

序号 物理参数化方案 选择

１ 微物理过程 ＷＳＭ６
２ 长波辐射 ＲａｐｉｄＲａｄｉａｔｉｖｅＴｒａｎｓｆｅｒＭｏｄｅｌ（ＲＲＴＭ）

３ 短波辐射 Ｄｕｄｈｉａ
４ 陆面方案 Ｎｏａｈ

５ 边界层 Ｍｅｌｌｏｒ － Ｙａｍａ － ｄａ － Ｊａｎｊｉｃ（ＭＹＪ）
６ 积云对流方案 Ｋａｉｎ － Ｆｒｉｔｓｃｈ（ＫＦ） 图 ３ 基于数据同化的 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ
陆气耦合预报系统示意
参数化方案的选择借鉴了 Ｔｉａｎ等 ［２２］ 在相同研究流域的参数化方案敏感性试验结果。对同化试验
中使用的降雨产生有重大影响的参数化细节见表 ３。其中，１和 ３ｋｍ网格的积云对流方案被关闭，
ＷＲＦ － Ｈｙｄｒｏ模式仅在 ＷＲＦ最内层嵌套网格（即 １ｋｍ网格）上运行，并采用 １００ｍ分辨率的次网格进
行水文过程的模拟。陆面模式方案选择 Ｎｏａｈ，驱动数据输入步长和输出数据的时间间隔均为 １ｈ。研
究发现，在两个研究流域，数据同化对 ＷＲＦ模式预报降雨量及其时空分布的改进明显：数据同化前，
ＷＲＦ模式的预报降雨量远低于实际观测，数据同化后，各小时的预报降雨量均有所增加，同化雷达反
射率结合 ＧＴＳ传统气象监测数据对 ＷＲＦ预报降雨有明显的改进效果，且 １ｈ同化时间间隔和 １ｋｍ分
辨率的降雨输出可以使 ＷＲＦ模式更好地预报降雨的时间和空间分布情况。
因此，在本研究中，ＷＲＦ － Ｈｙｄｒｏ的输入由逐小时循环同化后的 ＷＲＦ预报降雨提供，基于数据同
化的陆气耦合流程见图 ３。
３．２ 径流预报偏差校正方法
３．２．１ ＬＳＴＭ实时校正模型 ＬＳＴＭ是一种特殊的循环神经网络，其允许先前输入的信息保存在网络的
３
— １ ３ ７ —