多层城市冠层模型参数优化及对京津冀城市群的高温模拟

王玉洁 向洋陆波

1南京信息工程大学气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室/气象灾害教育部重点实验室,南京 210044

2南京信息工程大学大气科学学院,南京 210044

3国家气候中心,北京 100081

1 引言

近年来，城市化造成的下垫面改变和人为热排放等因素产生的城市热岛效应，使得城市高温热胁迫显著放大（Chen et al.,2011;Sun et al.,2014;Zhao et al.,2014;Oleson et al.,2015;Perkins,2015），在全球气候变化背景下，未来城市极端高温风险将加剧（Yin et al.,2013;Sun et al.,2014）。研究城市极端高温相关作用机理，为应对极端高温风险提供科学支撑、对经济社会可持续发展具有重要意义 （Bai et al.,2018;翟盘茂等，2019）。

单纯利用观测数据很难深入分析城市化气候效应，特别是很难进行相关机理研究（杨续超等，2015），因此，数值模式成为量化和解释城市化影响、探寻极端高温物理机制等研究的重要手段。目前，WRF耦合的单层城市冠层模块（Urban Canopy Model,UCM）（Kusaka and Kimura,2004）被广泛应用于城市高温热浪模拟（Grossman-Clarke et al.,2010;Chen et al., 2011;Li and Bou-Zeid,2013;

崔耀平等,2015;Chen and Frauenfeld,2016）。但UCM对城市建筑高度参差不齐、垂直方向建筑密度非均匀等特征未能描述，对不同层次上城市湍流的影响未予以区分，未考虑人为热的动态变化。物理过程更加复杂的多层城市冠层模块（Building Environment Parameterization,BEP），显式求解三维城市表面对温度、动量及湍流的影响，弥补了UCM的部分不足（Martilli,2002;Dupont et al.,2004），然而其对人为热，尤其是建筑排热的处理仍然比较简单（Zhang et al.,2009;Wang et al.,2012）。近年来，建筑能量模型（Building Energy Model,BEM）被引入到多层城市冠层模块（BEP/BEM）中（Salamanca et al.,2010）。与UCM中给定人为热加热典型值和加热廓线来表征人为热不同，BEM通过建筑物内外热交换来动态计算人为热，也即是说BEM能够刻画人为热的时间、空间变化规律。过去的研究结果显示，耦合了建筑能量模型的多层城市冠层模型（BEP/BEM）可显著改善模式对城市表面热通量的模拟（Salamanca et al.,2010; Chen et al., 2011）。物理过程更加完善的BEP/BEM，对精确模拟城市极端高温等相关研究具有很大的应用潜力。然而，BEP/BEM较复杂的耦合过程不可避免地引入了更多的参数和更大的自由度，其默认参数设置多是基于特定城市形态或者理想试验得来的，因此，在针对不同地区城市进行相关数值试验前，对BEP/BEM中一些默认参数进行本地优化就显得尤为必要（杨旺明等,2014;杨续超等,2015）。

京津冀城市群是我国三大超级城市群之一，京津冀协调发展是国家重大战略。近年来研究表明，京津冀极端高温事件频发，尤其是极端高温强度增强趋势城区明显大于郊区（赵俊虎等,2011;王君等,2013;杨萍等,2013）。在全球变暖背景下，京津冀城市化对极端高温的贡献和作用机理，目前并不十分清楚。为此，本文拟通过参数敏感性试验，开展关于耦合了多层城市冠层模型的中尺度数值模式（以下简称WRF/BEP/BEM）对京津冀高温模拟的参数优化研究，为进一步开展京津冀城市群极端高温相关的机理研究提供支撑。

2 资料和方法

2.1 观测资料和城乡站点选取

京津冀地区位于华北北部（36.07°N～42.65°N，113.46°E～119.79°E），包括北京、天津等特大城市以及河北省，区域面积21.6×104km2，人口1.1亿，东临渤海，西接太行，北靠燕山，“两山一海”间以平原为主（以下称平原地区），地理位置十分特殊，属温带季风气候。

本文使用的资料包括：来自中国气象局国家信息中心地面要素数据集（Yang and Li, 2014）的京津冀地区174站经质量控制后的均一化地面2 m高度逐小时气温资料，美国国家环境预测中心气候预测系统6 h一次再分析资料（Climate Forecast System Version 2，CFSRv2，https://rda.ucar.edu/datasets/ds09 4.0/[2020-06-10]），欧洲中期天气预报中心第五代全球大气逐小时再分析资料（the fifth generation of atmospheric reanalyses of the global climate,ERA5,https://cds.climate.copernicus.eu/cdsapp#!/data set/reanalysis-era5-single-levels?tab=overview[2020-06-10]），最优插值海表温度产品（Optimum Interpolation Sea Surface Temperatur,OISST,https://www.ncdc.noaa.Gov/oisst[2020-05-15]）以及中国科学院资源环境科学数据中心研发的中国土地利用变化遥感监测数据集 （徐新良等,2018）。

城乡站点分类根据2015年土地利用城市建筑物分类数据（图1灰色区域所示，水平分辨率为1 km×1 km），将站点经纬度坐标对应的1 km×1 km像元是城市地表的站点定义为城市站，共计110站（图1红色实心圆所示），将站点经纬度坐标对应的1 km×1 km像元为非城市地表的站点定义为乡村站，共64站（图1蓝色空心圆所示），区分城、乡站点的主要目的，是为了将模式模拟中调用了城市冠层模型的网格中的站点挑选出来，以便更准确地评估城市冠层模型对城市气候的刻画能力。

图1 京津冀地区气象站点分布（灰色表示城市区域）Fig.1 Distribution of meteorological stations in Beijing-Tianjin-Hebei(gray denotes urban area)

利用国家气候中心整理的土地利用规划、道路、遥感影像、人口、行政区划等数据进一步将城市分为低密度居民区、高密度居民区和商业区3种土地利用类型。商业用地和居住用地主要依据土地利用规划来区分，县、乡镇居住区统一归为低密度居民区，地级以上城市平均人口密度不超过8500人/km2，其对应的居民区为低密度居民区，大于8500人/km2为高密度居民区。

将京津冀地区内所有站点空间平均后超过35°C的日最高气温定义为极端高温。连续两日及以上日最高气温超过35°C定义为一次极端高温事件。根据极端高温事件定义，依次挑选出京津冀地区近10年来五次典型的极端高温事件，分别为2010年7月3～6日、2015年7月11～13日、2018年6月27～30日、2017年7月10～14日及2018年8月1～4日5次极端高温过程。其中，2010年7月6日区域平均日最高气温达38.74°C，为近10年最高；2015年7月13日区域平均日最高气温达37.98°C，为近10年次高，近5年最高；2017年7月10～14日的极端高温事件为近10年来持续时间最长的一次高温过程（图2）。利用以上5次极端高温事件对参数本地优化后的WRF/BEP/BEM的高温模拟能力进行独立样本检验。选取京津冀气温较常年同期明显偏高的2015年6月1～10日进行参数敏感性试验。选取12:00（北京时间，下同）至16:00作为高温时段。

图2 2010～2019年夏季（JJA）京津冀地区站点平均地表2 m高度日最高气温时间变化（虚线表示35°C）Fig.2 Time series of the regional average summer(JJA)daily maximum of 2-m temperature in Beijing-Tianjin-Hebei from 2010 to 2019(dashed line indicates 35°C)

2.2 模式嵌套及物理过程

本研究运用WRF（ARW4.0）/BEP/BEM，采用三重嵌套，D01、D02、D03水平网格分辨率分别为9 km、3 km和1 km，模式最内层嵌套区域 （D03）网格数为840（纬向）×660（经向），包含整个京津冀地区（图3），垂直分层38层，其中200 m内10层。D02和D03模拟区域不采用积云对流参数化方案。采用的物理过程主要有RRTM长短波辐射方案、MYJ（Mellor-Yamada-Janjic）行星边界层方案、Noah陆面过程模式（耦合BEP/BEM），模式其他物理过程参数化方案见表1。

表1 WRF物理参数化方案Table 1 Physical parameterization schemes in WRF

图3 模式模拟嵌套区域范围示意图（填色表示高度，单位：m）Fig.3 Schematic illustration of simulation domains(color fillings represent elevations,units:m)

2.3 模式驱动场

模式初边值误差影响模式模拟精度。在数值试验前，甄选出精度较高的再分析资料来驱动区域模式十分必要。为此，首先比较了CFSRv2和ERA5对京津冀2015年6～7月地表气温的刻画情况。表2分别为CFSRv2和ERA5地表2 m气温与实际观测的对比，从表中可以发现CFSRv2误差较ERA5大，其中，14:00 CFSRv2气温较实际观测偏高2°C以上，02:00则偏低约1.7°C，ERA5再分析资料虽较实际观测略偏低，但误差明显小于CFSRv2，更接近实际观测。因此，本文数值试验均采用ERA5作为驱动场。

表2 2015年6月1日至7月31日研究区域内站点再分析2 m气温平均值与观测对比Table 2 Comparison of reanalyzed and observed 2-m temperature averaged from 1 Jun to 31 Jul 2015

3 参数优化及敏感性试验

3.1 参数选取及本地优化

地表反照率、比辐射率是表征不同区域、不同下垫面辐射特性的重要参量，是影响地表辐射收支的关键参数；城市人为热排放受地理位置、城市规模、人口密度、建筑形态、建筑材料等因素影响，且地表感热通量和地表气温对人为热十分敏感（何晓凤等,2007），特别是京津冀地区，人为热加热在地气系统能量平衡中起着重要作用（郑玉兰等,2015, 2017;王咏薇等,2018）。此外，城市表面热力性质（热容、热传导系数）对城市表面温度和储热产生重要影响，并且影响建筑能量模型（BEM）对建筑排热的估算。以下从观测资料和已有研究，来分析、选取多层城市冠层模型中地表反照率、比辐射率、人为热、城市地表热力性质等重要参数的取值，并结合参数敏感性试验来对每一项参数取值的合理进行验证。

以往的研究中，地表反照率取值差异显著。单层城市冠层模型地表反照率默认值多为0.20。绝大部分卫星反演产品也多显示京津冀地区地表反照率约为0.15（冯智明等,2018;徐震宇等,2020）。江晓燕等（2007）在运用GRAPES研究北京城市下垫面反照率变化对北京市热岛过程的影响中，依据2004年10月中国科学院大气物理所铁塔280 m高度正午前后测得的观测数据，将地表反照率设为0.15。崔耀平等（2012）综合Oke（1987）与周淑贞和束炯（1994）的研究成果，认为北京道路、房屋的反照率分别取值为0.125、0.224较合理。王成刚等（2008）认为卫星反演明显低估了城市地表反照率，他们通过架设在高楼屋顶的试验装置测得南京高楼屋顶水泥地表夏季平均反照率为0.34。由于中国科学院大气物理所铁塔（280 m）和卫星反演数据均是短波辐射经城市街谷（又称街渠，指城市街道及两侧建筑形成的类似“峡谷”形状的两边高、中间低的城市空间形态）多次反射后的结果 （一般称为有效反照率），并不能代表城市地表真实的反照率，而王成刚等（2008）的观测结果是在高楼屋顶测得的，较好地避免了短波反射等因素对观测结果的影响，可作为真实城市地表反照率的参考。根据WRF/BEP/BEM所描述的城市冠层物理过程可知，地表反照率取值需更接近真实表面反照率，这里，城市表面分为屋顶、墙面和道路，以往研究大多将屋顶、墙面和道路反照率用一个值来表示。综上所述，本文在王成刚等（2008）研究的基础上，同时考虑了反照率随纬度的变化，将京津冀城市屋顶、墙面、道路反照率分别调整为0.36、0.36、0.36。

地表比辐射率有0.01的变化，估算的地表温度就会产生0.2°C的误差（李超等,2009）。翟俊等（2013）基于EOS-MODIS卫星地表比辐射率产品（MOD11A2），分析了2000～2011年中国地表比辐射率的时空分布特征，发现全国地表比辐射率取值区为0.96～0.98。而卫星反演产品MOD11C3结果多介于0.95～0.98之间（王新生等,2012）。国内学者的研究中，通常多将城镇（建筑表面）的比辐射率设置为0.97（郑国强等,2010;肖瑶等,2012;柳菲和李平,2016）。基于卫星反演产品和已有研究成果，本文将屋顶、墙面、道路比辐射率由模式默认的0.90、0.90、0.95分别调整为0.95、0.95、0.97。

在UCM中人为热只有日循环。Salamanca et al. （2010）将BEM引入到BEP中，为显示动态求解建筑物排热（重要的人为热）提供了可能。BEM通常需要输入建筑形态参数、气象因素、窗墙比、建材热力性质参数（热容和热传导系数）、设备功率和设备加热廓线、空调设备运行时段、室内人员密度等来显示求解建筑排热并估算人为热。郑玉兰等（2015）研究发现建筑形态参数、建筑热力性质参数和空调目标温湿度等都对BEM动态计算建筑物排热产生显著影响。本研究对以往研究中较少涉及的设备加热廓线和设备峰值进行了优化，其中，低密度住宅区、高密度住宅区和商业区的设备峰值由默认值16 W/m2、20 W/m2、36 W/m2分别调整为10 W/m2、15 W/m2、25 W/m2。

此外，本文基于已有研究，还对屋顶、墙面、道路建筑材料的热容和热传导系数进行了本地化处理（陈德鹏等,2007;Ikeda and Kusaka,2010;彭友君和彭博,2016）；根据京津冀楼层数（10～15层居多）等形态参数及街道布局，调整了建筑形态参数中的建筑物高度（30～45 m）和街道宽度（10～15 m）。

总之，对BEP/BEM参数选取和优化的思路是，首先根据城市冠层模型控制方程组和参数敏感性测试，筛选出对模式模拟结果有显著影响的重要参数，将其中有观测事实的参数（如反照率）根据观测事实优先确定下来，对于缺乏观测的参数（如BEM中设备峰值等）通过参数敏感性试验，根据不同参数条件模式模拟的气象要素（如地表气温）与观测值之间的离散程度，来最终确定最优参数取值。参数敏感性试验详情见3.2节，最终筛选出的参数及本地化取值详细信息见表3。

3.2 试验设计

相较于模式默认参数设置，本地化参数设置 （见表3）是否合理，需要通过参数敏感性试验，并结合观测资料来进一步验证参数调整的合理性。由于多层城市冠层模型（BEP/BEM）参数较多，限于篇幅，这里仅给出反照率、比辐射率和城市人为热的敏感性试验测试结果。数值试验包括1组参照试验（exp0）和3组敏感性试验。表3中本地化参数作为exp0中对应参数的取值；第一组敏感性试验（exp1）将屋顶、墙面、道路地表反照率调整为0.1、0.1、0.1（部分已有研究取值范围接近0.1，如江晓燕等, 2007; 崔耀平等, 2012），其余参数与exp0相同；第二组敏感性试验（exp2）将屋顶、墙面、道路表面比辐射率设为模式默认值0.9、0.9、0.95，其余参数与exp0相同；第三组敏感性试验（exp3）将设备加热峰值设为模式默认取值16 W/m2、20 W/m2、36 W/m2，设备加热廓线取值见表4，其余参数与exp0相同。选取京津冀温度较常年同期明显偏高的2015年6月1～10日进行数值试验，并对12:00至16:00结果进行分析（详细试验设计见表4）。

表3 研究区域内站点本地化多层城市冠层模型主要参数Table 3 Detailed parameters of localized multi-layer urban canopy model

表4 参数敏感性试验设计方案Table 4 Design schemes of parameter sensitivity tests

3.3 本地化参数模拟结果评估

首先，分别计算exp0、exp1、exp2、exp3模拟的高温时段地表2 m气温（用Texpi表示，i=0，1，2，3）相对于实际观测（用To表示）的绝对误差为

其中，表示expi模拟值距观测值的平均偏离幅度，当模拟值越逼近观测，其绝对误差数值越小。再分别比较3组敏感性试验的绝对误差和参照试验绝对误差的差异，即

当ABS_ERR＞0时，表示敏感性试验模拟值偏离观测的幅度较参照试验的偏离幅度大，则参照试验中参数调整更合理；当ABS_ERR＜0时，表示敏感性试验模拟值偏离观测的幅度较参照试验的偏离幅度小，则参照试验中参数调整不合理。

3.3.1 地表反照率

图4a实心圆点表示exp1模拟的地表2 m气温 （12:00至16:00）与该时段实际观测的绝对误差 （ERR1），与exp0模拟的地表2 m气温与实际观测的绝对误差（ERR0）二者之间的差异（ERR1－ERR0）。从图中可以看出，当地表反照率由exp0的0.36降低为exp1的0.1，绝大部分站点ERR1－ERR0＞0°C（图4a暖色实心圆表示），即绝大部分站点exp1模拟的地表气温更加偏离实际观测，其中，约80%的站点ERR1－ERR0＞0.5°C，约40%的站点ERR1－ERR0＞1°C（表5）；ERR1与ERR0差异最大的站点主要分布在北京、石家庄及河北南部等大中城市（图4a）。将反照率设置为模式默认的0.2时，绝大部分站点模拟的地表气温与观测的偏离幅度仍然大于参照试验与观测的偏离幅度。当反照率设置0.3（接近实测值）时，模拟的地表气温与观测的偏离幅度接近参照试验与观测的偏离幅度（图略）。由此可见，模式模拟结果对反照率较敏感，当地表反照率为0.36时，参数取值更合理。

3.3.2 地表比辐射率

图4b为exp2模拟地表2 m气温与实际观测的绝对误差（ERR2），与exp0模拟的地表2 m气温 （12:00至16:00）与实际观测的绝对误差（ERR0）的差异（ERR2－ERR0）。如图4b所示，绝大部分站点处ERR2－ERR0＞0°C（暖色实心圆），其中75%的城市站点ERR2－ERR0＞0.5°C（表5），主要分布在石家庄及河北南部城市区域，而河北西部和北部山区二者差异较小。可见，参照试验地表比辐射率的取值较模式默认值更合理。

3.3.3 人为热

图4c为exp3模拟的地表2 m气温与观测的绝对误差，与参照试验模拟值与观测的绝对误差之间的差异。暖色实心圆表示绝大部分站点ERR3－ERR0＞0°C，其中65%的城市站点ERR3－ERR0＞0.5°C（表5），尤以北京、石家庄最显著。模式默认的设备峰值和加热廓线存在夸大的可能。

表5 不同敏感性试验与参照试验绝对误差差异的不同等级占比Table 5 Proportion of different grades of absolute error difference between different sensitivity tests and reference test

图4 2015年6月1～10日不同参数敏感性试验和参照试验模拟的地表2 m气温与观测之间的绝对误差差异的空间分布（单位：°C）： （a）敏感性试验1（exp1）与参照试验（exp0）绝对误差的差异；（b）敏感性试验2（exp2）与参照试验（exp0）绝对误差的差异； （c）敏感性试验3（exp3）与参照试验（exp0）绝对误差的差异。灰色阴影区域表示城市下垫面，下同Fig.4 Spatial distributions of absolute error differences between the observed 2-m surface and simulated temperature by different sensitive tests and the reference test from 1-10 Jun 2015(°C):(a)Difference in the absolute error between sensitivity test 1(exp1)and reference test(exp0);(b)difference in the absolute error between sensitivity test 2(exp2)and reference test(exp0);(c)difference between the absolute error of sensitivity test 3(exp3)and reference test (exp0).Gray shaded area represents the underlying surface of cities, the same below

以上选取的参数敏感性试验表明，对京津冀高温模拟而言，WRF/BEP/BEM的参数本地优化（参照试验）是合理的。重要参数的本地优化，使得城市表面能量收支及人为热估算更加准确，是参照试验模拟结果与观测更加接近的重要原因。一方面，参数本地优化使BEP/BEM计算城市表面获得的能量更加准确。由于地表反照率和比辐射率是表征城市表面吸收长、短波或发射长波辐射能力的关键参数，基于观测事实和已有研究对这些参数进行本地优化后，参照试验克服了模式默认值导致城市表面反射太阳短波辐射偏少（吸收太阳短波辐射偏多）的缺点，使得进入城市表面的根本能量来源更加准确。另一方面，参数本地优化使BEP/BEM计算城市表面的能量支出更加准确。城市表面热力性质参数（热容和热传导系数）是影响城市表面储热、表面温度及城市表面与相邻大气之间热量交换的重要参数。与实测事实相比，模式默认的热力性质参数取值偏小，导致白天城市表面快速升温，城市表面向相邻大气的感热输送明显偏大，最终导致模式模拟的地表气温与观测相比明显偏高。参照试验热力性质参数（热容和热传导系数）本地优化后，模拟的地表气温与观测的偏离幅度明显减小，提高了模式对高温的模拟能力。此外，对反照率、建筑物高度、城市表面热力性质参数的本地优化还有助于BEM更好地估算城市人为热。

4 本地化WRF/BEP/BEM对京津冀高温过程模拟的个例检验

上一节通过参数敏感性试验分别对单一参数取值合理性进行了验证。本部分进一步通过个例分析，对本地化的WRF/BEP/BEM整体模拟能力进行评估（以下简称“本地化WRF/BEP/BEM”）。选取京津冀地区近10年来五次极端高温过程作为模拟对象，分别简称EVENT100706、EVENT150713、EVENT180627、EVENT170711和EVENT180803，并将本地优化WRF/BEP/BEM对5次极端高温的模拟（12:00至16:00）与同期ERA5再分析资料进行比较，将对城市物理过程进行不同复杂程度处理的两种模拟结果分别与观测进行比较，有助于评估本地优化的城市冠层模块（BEP/BEM）在改进城市气候模拟中的作用。

首先将本地化WRF/BEP/BEM模拟的EVENT 100706高温时段地表2 m气温与同期ERA5再分析资料结果分别空间插值到京津冀区域110个城市观测站点位置上，两者与实测之差分别见图5a和图5b。从图5a可看出，本地化WRF/BEP/BEM较好地模拟出了EVENT100706。整体看，本地化WRF/BEP/BEM低估了河北南部气温，北京略偏低；65%的站点模拟值与观测值的绝对误差小于1.5°C，其中48%的站点模拟值与观测值的绝对误差小于1°C，23%的站点绝对误差小于0.5°C（表6)。

从图5b可看出，ERA5明显低估了京津冀地区西部和北部山区的极端高温，高估了平原地区 （“两山一海”之间的平原地带）的极端高温，尤其是显著高估了北京、石家庄等大城市的极端高温。45%的站点ERA5与观测值的绝对误差超过2°C （其中3%的站点介于-5～-2°C，42%的站点介于2～5°C）；31%和18%的站点绝对误差分别小于1°C和0.5°C。本 地 化WRF/BEP/BEM模 拟EVENT100706的平均误差为-0.2°C，标准差为1.4°C；ERA5再分析得到的EVENT100706的平均误差为1.5°C，标准差为1.9°C（表6）。本地化WRF/BEP/BEM模拟的高温的标准差较ERA5减小26.3%。

图5 2010年7月3～6日（a）模式模拟的极端高温、（b）ERA5再分析资料极端高温与实际观测之差的空间分布（单位：°C）Fig.5 Spatial distributions of the differences of (a)the simulated extreme high temperature and(b)observed extreme high temperature from ERA5 reanalyses data from 3-6 Jul 2010(°C)

图6a、图6b分别为本地化WRF/BEP/BEM对EVENT150713的模拟结果和同期ERA5再分析资料与实际观测之差的空间分布。从图6a可看出，本地化WRF/BEP/BEM较好地模拟出了此次过程，北部山区较实际观测略偏低，平原地区略偏高；80%的站点本地化WRF/BEP/BEM模拟值与观测值的绝对误差小于1.5°C，其中55%的站点模拟值与观测值的绝对误差小于1°C，26%的站点绝对误差小于0.5°C（表6）。从图6b可看出，ERA5也低估了京津冀地区西部和北部山区的极端高温，高估了平原地区的极端高温，且高估程度比本地化WRF/BEP/BEM模拟结果更加明显。52%的站点ERA5与观测值的绝对误差超过2°C（其中10%介于－5～－2°C，42%介于2～5°C）；25%和7%的站点绝对误差分别小于1°C和0.5°C。本地化WRF/BEP/BEM模拟EVENT150713的平均误差为0.9°C，标准差为0.8°C；ERA5再分析得到的EVENT150713的平均误差为1.3°C，标准差为2.1°C （表6）。本地化WRF/BEP/BEM模拟的高温的标准差较ERA5减小61.9%。

表6 研究区域内五次极端高温过程不同温度误差等级站数与总站数之比Table 6 Ratio of the number of stations at different temperature error levels to the total number of stations for five extreme high temperature events

图6同图5，但为2015年7月11～13日Fig.6 Same as Fig.5, but for 11-13 Jul 2015

图7a、图7b分别为本地化WRF/BEP/BEM对EVENT180627的模拟结果和同期ERA5再分析资料与实际观测之差的空间分布。从图7a可看出，除本地化WRF/BEP/BEM较明显高估了华北南部气温外，其余地区模式模拟与实际观测比较接近。90%的站点本地化WRF/BEP/BEM模拟值与观测值的绝对误差小于1.5°C，其中75%的站点模拟值与观测值的绝对误差小于1°C，49%的站点绝对误差小于0.5°C（表6）。从图7b可看出，ERA5同样低估了京津冀地区西部和北部山区的极端高温，高估了北京的极端高温，其余地区与观测接近。71%的站点ERA5与观测值的绝对误差小于1.5°C，其中57%和36%的站点绝对误差分别小于1°C和0.5°C。本地化WRF/BEP/BEM模拟EVENT180627的平均误差为0.3°C，标准差为0.9°C；ERA5再分析得到的平均误差为-0.2°C，标准差为1.5°C （表6）。本地化WRF/BEP/BEM模拟的高温的标准差较ERA5减小40.0%。

图7 同图5，但为2018年6月27～30日Fig.7 Same as Fig.5, but for 27-30 Jun 2018

本地化WRF/BEP/BEM对EVENT170711的模拟结果和同期ERA5再分析资料与实际观测之差的空间分布见图8。从图8a可看出，本地化WRF/BEP/BEM高估了北京南部、保定、天津西北部的气温，其余地区模式模拟与实际观测比较接近。83%的站点本地化WRF/BEP/BEM模拟值与观测值的绝对误差小于1.5°C，其中65%的站点模拟值与观测值的绝对误差小于1°C，35%的站点绝对误差小于0.5°C（表6）。从图8b可看出，ERA5低估了京津冀地区西部和北部山区的极端高温，高估华北南部的极端高温，其余地区与观测接近。61%的站点ERA5与观测值的绝对误差小于1.5°C，其中43%和27%的站点绝对误差分别小于1°C和0.5°C。本地化WRF/BEP/BEM模拟EVENT170711的平均误差为0.5°C，标准差为1.0°C；ERA5再分析得到的平均误差为-0.1°C，标准差为1.7°C（表6）。本地化WRF/BEP/BEM模拟的高温的标准差较ERA5减小41.2%。

图8 同图5，但为2017年7月10～14日Fig.8 Same as Fig.5, but for 10-14 Jul 2017

图9为本地化WRF/BEP/BEM对EVENT180803的模拟结果和同期ERA5再分析资料与实际观测之差的空间分布。从图9a可看出，本地化WRF/BEP/BEM较好地模拟出此次极端高温过程。96%的站点本地化WRF/BEP/BEM模拟值与观测值的绝对误差小于1.5°C，其中88%的站点模拟值与观测值的绝对误差小于1°C，56%的站点绝对误差小于0.5°C（表6）。从图9b可看出，ERA5除较明显低估了京津冀地区西部和北部山区的极端高温外，其余地区与观测接近。82%的站点ERA5与观测值的绝对误差小于1.5°C，65%和36%的站点绝对误差分别小于1°C和0.5°C。本地化WRF/BEP/BEM模拟EVENT180803的平均误差为0.1°C，标准差为0.7°C；ERA5再分析得到的平均误差为-0.2°C，标准差为1.1°C（表6）。本地化WRF/BEP/BEM模拟的高温的标准差较ERA5减小36.3%。

图9 同图5，但为2018年8月1～4日Fig.9 Same as Fig.5, but for 1-4 Aug 2018

5 结论与讨论

数值模式对城市极端高温刻画能力不足是当前数值模拟面临的难点问题。城市冠层模型参数取值是影响模式模拟能力的重要因素之一。本文根据已有观测事实和研究成果，对多层城市冠层模式WRF/BEP/BEM中地表反照率、地表比辐射率、人为热 （通过本地优化BEM输入参数来实现）等重要参数进行了适合于京津冀城市模拟的本地优化，并开展了相关参数敏感性试验；通过对京津冀高温个例的模拟，检验了参数优化后的WRF/BEP/BEM对京津冀城市高温的模拟能力，主要结论如下：

（1）基于已有观测和研究，在模型WRF/BEP/BEM中设置不同城市冠层参数，通过大量参数敏感性试验，最终确定了一套适用于京津冀城市模拟的参数设置。在这些参数配置下，WRF/BEP/BEM对京津冀极端高温模拟的误差较小。

（2）本地化WRF/BEP/BEM较好地模拟了2010年以来京津冀地区EVENT100706、EVENT150713、EVENT180627、EVENT170711和EVENT180803五次极端高温过程，模拟结果与观测的平均误差分别为-0.2°C、0.9°C、0.3°C、0.5°C和0.1°C，标准差分别为1.4°C、0.8°C、0.9°C、1.0°C和0.7°C。五次高温模拟的标准差（与观测的平均偏离幅度）分别较ERA5减小26.3%、61.9%、40.0%、41.2%和36.3%。

基于适用京津冀大城市的地表反照率、比辐射率、设备峰值、建筑物高度、街道宽度、建筑材料的热容和热传导系数等参数，对京津冀大中城市的高温模拟具有很好的应用前景，对进一步开展京津冀城市化对极端高温的机理研究具有重要意义。但对小城市（县级市、乡镇），特别是山区（河北北部）模拟能力的改进相对有限，小城市水平尺度小，平流作用对城市气候模拟结果的影响较强，以及城市冠层模型无法区分不同规模城市的人口密度、空调制冷时段等的差异，是导致模拟能力改进有限的重要原因，需要进一步优化完善。此外，城市冠层模型参数众多，尤其是建筑能量模型（BEM）中空调能效比、新风系数、窗墙比等参数精确取值，还有待于进一步研究。

致 谢感谢国家气候中心孙朝阳博士在土地覆被/利用数据及分析方面给予的大力支持和帮助!