中国沙漠
img

官方微信

高级检索
作者投稿 专家审稿 编辑办公

中国沙漠, 2024, 44(1): 61-74 doi: 10.7522/j.issn.1000-694X.2023.00068

祁连山及周边地区气温与降水的动力降尺度模拟

李霞,1,2, 杨保,1

1.中国科学院西北生态环境资源研究院 沙漠与沙漠化重点实验室，甘肃 兰州 730000

2.中国科学院大学，北京 100049

Dynamic downscaling simulation of temperature and precipitation in the Qilian Mountains and its surrounding areas

Li Xia,1,2, Yang Bao,1

1.Key Laboratory of Desert and Desertification，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

2.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 杨保（E-mail： yangbao@lzb.ac.cn）

收稿日期: 2023-03-12   修回日期: 2023-05-16  

基金资助: 国家重点研发计划项目.  2022YFF0801102

Received: 2023-03-12   Revised: 2023-05-16  

作者简介 About authors

李霞（1998—），女，四川达州人，硕士研究生，主要从事区域气候研究E-mail：lx0305dt@163.com , E-mail：lx0305dt@163.com

摘要

祁连山及其周边地区是季风-西风交互作用的敏感区，气候变化机制复杂。在研究区域进行了为期一年的参数化方案组合敏感性试验，从5组方案组合中选出模拟效果最佳的参数化方案组合，利用偏差校正过的CMIP6数据驱动最佳参数化方案组合设置下的区域气候模式WRF，对祁连山及周边地区开展了2005—2014年间为期10 a的动力降尺度模拟。结果显示：（1）WRF模式对气温的模拟普遍较好，不同的参数化方案组合对气温的模拟影响不大。WRF模式对降水的模拟受参数化方案组合影响较大，模拟精度整体较气温差。参数化方案组合的敏感性试验结果显示：Thompson云微物理方案、Grell-D积云对流方案、RRTM-Dudhia辐射物理方案和 Noah 陆面过程方案的参数化方案组合最适用于祁连山及周边地区。地形资料敏感性试验结果显示高分辨率地形数据集对气温与降水的模拟未见明显改善。（2）模拟气温与降水的空间分布特征基本能够再现真实观测数据的空间分布特征。气温与降水的空间分布受海拔影响很大，在高海拔地区气温比周围低海拔地区偏低，降水量则是偏高，模拟气温与观测气温之间的相关性好于对降水的模拟。模拟偏差主要表现在对气温的模拟普遍存在低估，对降水量的模拟存在高估。在站点尺度上，模拟温度和降水与观测温度和降水都有着几乎一致的正态分布，各站点上的温度模拟偏差主要出现在冬季，降水模拟偏差则出现在夏季。

关键词： WRF ; 祁连山 ; 参数化方案评估 ; 动力降尺度

Abstract

The study region is located in the Qilian Mountains and its surrounding areas， which are sensitive zone for monsoon-westerly interaction， and have complex climate change mechanisms. In this paper， a one-year sensitivity test was conducted to select the optimum parameterization scheme combination from five sets of schemes. With the optimum parameterization setting， a ten-year dynamic downscaling simulation of the study region was carried out over the period 2005-2014 using the regional climate model WRF driven by bias-corrected CMIP6 data. The results show that： （1） The WRF model is capable to simulate the air temperature well； different Parameterization scheme combinations perform weak effect on the simulation of temperature whilst the simulation of precipitation by the WRF model is more influenced by the parametric scheme combinations； and the simulation accuracy of precipitation is generally poorer than that of temperature. Sensitivity tests on the Parameterization scheme combinations show that the parametric scheme combination of the Thompson cloud microphysics scheme， Grell-D cumulus convection scheme， RRTM-Dudhia radiation physics scheme， and Noah land surface process scheme is the most suitable for the Qilian Mountains and surrounding areas. The results of the sensitivity tests on topographic data show no significant improvement in the simulation of temperature and precipitation. （2） The spatial distribution characteristics of simulated temperature and precipitation are generally able to reproduce the observed datasets. The spatial distribution of temperature and precipitation is greatly influenced by the altitude， with lower temperature but more precipitation at the higher altitudes than the surrounding lower altitudes； the correlation coefficients between the simulated and observed temperature is much significant than that on precipitation. Simulation biases are mainly identified in the underestimation of temperature but overestimation of precipitation. At the station sites， both simulated temperature and precipitation have almost identically normal distribution patterns for observed temperature and precipitation， specifically with deviations in winter temperature and summer precipitation simulations at each station.

Keywords： WRF ; the Qilian Mountains ; parametric scheme evaluation ; dynamic downscaling

PDF (9191KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李霞, 杨保. 祁连山及周边地区气温与降水的动力降尺度模拟. 中国沙漠[J], 2024, 44(1): 61-74 doi:10.7522/j.issn.1000-694X.2023.00068

Li Xia, Yang Bao. Dynamic downscaling simulation of temperature and precipitation in the Qilian Mountains and its surrounding areas. Journal of Desert Research[J], 2024, 44(1): 61-74 doi:10.7522/j.issn.1000-694X.2023.00068

0 引言

祁连山处于青藏高原和蒙古高原的交会地带，是东亚季风区与西北内陆干旱区的过渡地带，是气候变化敏感区域。祁连山作为中国西北地区的“高山水塔”，其水源涵养功能对维系河西走廊、柴达木盆地和三大内陆河流域等周边地区的生态环境以及人民生产生活有着重要影响。因此，开展祁连山及周边地区的气候变化模拟研究，对于认识其变化规律和机制及预估未来趋势具有重要意义。

气候模型是研究全球及区域气候的重要工具，来自“国际耦合模式比较计划第六阶段”（Coupled Model Intercomparison Project Phase 6，CMIP6）的全球气候模式是未来气候变化情景预估和气候模拟的重要工具和手段。全球气候模式模拟结果的分辨率一般大于100 km，直接使用粗分辨率的全球气候模式分析区域气候特征可能存在问题，尤其在山区，地形特征被严重平滑，使得对中小尺度物理过程的再现变得十分困难［1-3］。但是区域气候模式由于其空间分辨率较高的优势，能够很好地解决空间尺度问题以及满足区域气候预报信息的需要，能够产生比全球气候模式更加真实的变化特征，将分辨率较低的全球气候模式嵌套高分辨率的区域气候模式，以此获取描述区域气候特征的高分辨率预测信息的动力降尺度方法在将大尺度信息转化为区域尺度上发挥着重要作用［4-6］。

WRF（Weather Research and Forecasting）模式是由美国国家环境预报中心（National Centers for Environmental Prediction， NCEP）、美国国家大气研究中心（National Center for Atmospheric Research， NCAR）以及多个大学、研究所和业务部门联合研发的中尺度数值天气模型，是目前应用最广泛的区域气候模式。因为WRF模式为适应不同的模拟需求，针对不同物理过程自带有多种参数化方案，不同的参数化方案在模拟中的侧重点不同，所以模拟效果也相差较大，不同的参数化方案组合在不同地区的适用情况不一致。Wang等［7］在对中亚地区进行长期模拟前对云微物理、积云对流和边界层参数化方案组合进行敏感性试验，最终选定Thompson-TDK-YSU组合为最佳参数化方案组合。Pérez等［8］在分析WRF模式对地形复杂地区加那利群岛的区域气候模拟能力时发现，温度和降水模拟的最佳参数化方案组合为WDM6-KF-YSU。在西班牙南部的地形复杂区，则是WSM3-BMJ-YSU组合与观测结果相比最好［9］。

上述研究中在各种复杂地形区域适用的参数化方案组合不尽相同，目前针对地形复杂、高差异质性大的祁连山及周边地区气温与降水的模拟已有大量研究结果。研究表明，在祁连山无论使用何种区域气候模式、驱动数据和参数化方案组合，对降水与温度模拟等地表物理量的模拟均普遍存在偏差，相对降水而言，对温度的模拟普遍较好一些［10-11］。

首先，这是因为用于驱动WRF模式的再分析数据和大气环流模式数据在祁连山地区存在偏差，这种起始误差随着积分时间不断累积会导致模拟结果也出现偏差［12-13］。其次，WRF模式中各参数化方案只是近似作为大气物理过程，因此也具有误差和不确定性［14-16］。目前在祁连山温度模拟上出现的偏差，可能与WRF模式中长、短波辐射方案有关，Varga等［17］指出辐射方案会高估入射太阳辐射从而导致模拟温度的冷偏差。不同的长、短波辐射方案所描述的大气中辐射传输不同，则最终模拟得到的温度与实际温度之间的偏差大小也不同。另外有大量研究表明云微物理和积云对流参数化方案在降水的模拟中起到了重要作用［18-25］。不同的云微物理参数化方案对水凝物类型转化、降水粒子下落处理和各项微物理过程的模拟有很大不同，对降水模拟的偏差就在这个过程中产生，例如有研究认为冰相粒子融化或雨滴搜集云滴的高估可能是降水模拟值偏强的重要原因［26-27］。不同的积云对流参数化方案选择的闭合假设不同、考虑的重点不同，则对降水的模拟效果也不同［28］。此外，因祁连山降水受西风环流的直接影响，区域气候模式模拟的大气环流背景场是否准确，也会影响模拟降水的空间分布［29-30］。在祁连山及周边地区应用最多且模拟效果较好的云微物理参数化方案为WSM6和Thompson方案，积云对流参数化方案常使用Grell-Devenyi和Kain-Fritsch方案，这两种方案均适用于高分辨率模拟［4，19，31-33］。在研究区域常用的长、短波辐射方案是RRTM-Dudhia方案以及CAM-CAM方案［34-38］。

基于以上讨论，由于不同物理过程的不同参数化方案对模拟有较大影响，且在不同物理过程参数化方案组合设置下模拟的效果也存在差异，所以上述对降水和温度敏感的常用参数化方案中可排列出的多种组合是否都能适用于WRF在祁连山地区的模拟，以便在祁连山地区开展长期模拟，这是一个值得研究的问题。

另外，由于本文研究区域内地形复杂，WRF模式中对地形的平滑处理，可能会导致模拟的降水偏差加大，且WRF模式默认的地形高度与实际地形高度之间存在的误差对温度模拟效果有一定影响，所以进行地形数据替换试验是必要的尝试［39-40］。

所以在对祁连山及周边地区开展动力降尺度研究之前，通过对参数化方案组合进行敏感性试验进而对各组合模拟结果进行评估后，选出在研究区域表现最好、最适合的参数化方案组合，并进行地形数据替换试验，最后在最佳参数化方案和地形数据的设置下开展动力降尺度研究，对提高研究结果的代表性很有必要。

1 实验设置

1.1　模式设置

使用WRFV4.0版本进行数值模拟，采用双向三重嵌套，网格距分别为54、18、6 km，格点数分别为152×105、151×124、211×145，模拟区域中心位置坐标为35°N、100°E。如图1所示，第一重模拟区域覆盖了中国在内的大部分亚洲地区，第二重模拟区域覆盖了青藏高原东部的大部分地区，第三重模拟区域即本文研究区域，覆盖了祁连山和柴达木盆地、三大内陆河流域等周边地区。模式垂直分层35层，模式层顶气压为50 hPa。参数化组合敏感性试验的模拟时段选取2012年9月至2013年11月，2012年9—11月作为模式预热期（Spin-up），不参与后续分析，历时10 a的动力降尺度模拟时段为2004年9月至2014年11月。以往研究表明，将长期连续积分分割为多个较短的积分，也就是分割模拟时间，进行多次的初始场更新，可以减少长时间积分带来的系统误差，避免模式偏离长期强迫，使模拟性能优于连续模拟［41-44］。本研究中10 a的动力降尺度模拟将分10次完成，一次仅模拟1 a，每次模拟时段为当年1—11月以及上一年9—12月，前3个月的预热期模拟结果舍去不参与分析。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   WRF模拟嵌套区域、海拔和气象站点分布

Fig.1   WRF simulation of nested areas， altitude and weather station distribution


敏感性试验的参数化方案组合设置如表1所列。其中，WSM6（WRF Single-Moment 6-class）方案是对WSM5方案的补充和扩展，增加了与霰粒子相关的微物理过程 ，预报变量包括云水、雨、云冰、雪、霰的混合比［45］。Thompson 方案是一个考虑冰、雪、霰过程的新物理方案，通常用于高分辨率数值模拟［46］。

表1   参数化方案组合

Table 1  Parametric programme combinations

方案云微物理过程积云对流长波辐射短波辐射边界层近地层陆面过程
Case AWSM6Kain-FritschCAMCAMYSUMM5Noah
Case BWSM6Kain-FritschRRTMDudhiaYSUMM5Noah
Case CWSM6Grell-DevenyiRRTMDudhiaYSUMM5Noah
Case DThompsonGrell-DevenyiRRTMDudhiaYSUMM5Noah
Case EThompsonKain-FritschRRTMDudhiaYSUMM5Noah

新窗口打开| 下载CSV


Kain-Fritsch方案采用一个简单云模式，考虑了气流的上升、下沉和卷入、卷出，以及浅对流过程［47］。Grell-Devenyi方案是由Grell等［48］提出的一个多封闭、多参数、集成了典型的144个次网格成员的方案。定量给出了不同的空气对云运动和卷入、卷出的参数以及降水率，通过计算每个网格点上多个积云方案，然后对结果的平均值进行计算，方案默认采用平等权重，但可以进行平均加权计算对积云方案结果优化。

RRTM方案来自于 MM5模式 ，是一种利用一个预先处理的对照表来表示由于水汽、 臭氧、 二氧化碳和其他气体 ，以及云的光学厚度引起的长波过程的有效并精确的模式［49］。Dudhia方案来自于MM5模式，对短波辐射通量向下进行简单积分。能够有效计算水汽吸收、云的反射与吸收和晴空散射［50］。CAM方案来自于CAM3气候模式，并用于CCSM方案，其中考虑到气溶胶和痕量气体。主要用于进行气候模拟，能够处理几种气溶胶和痕量气体的光学特征，该方案特别适合用于区域气候模拟［51］。

MM5相似理论近地面层方案（Monin-Obukhov方案）常与 MRF或 YSU边界层方案联合使用［52］。YSU（Yonsei University）方案是使用非局部涡扩散系数来解释湍流通量的一阶方案［53］。Noah 陆面模式含有4个不同层次上土壤温度和湿度、积雪覆盖面积和冻土物理过程。每层深度为10、30、60、100 cm，能对冠层湿度和雪盖进行预报，为边界层提供感热和潜热通量［54］。

1.2　数据及处理过程

WRF模式的驱动使用了3套不同的数据，驱动数据包括近地表温度、海平面气压、海温、空气温度、径向风、纬向风、相对湿度、位势高度、土壤湿度、土壤温度等。第一套是NCEP-FNL再分析资料，水平分辨率为1°×1°，时间间隔为6 h；第二套为ERA-Interim再分析资料，水平分辨率为0.5°×0.5°，时间间隔为6 h；第三套则是一套CMIP6多模式集合误差订正数据，水平分辨率为1.25°×1.25°，时间间隔为6 h［55-57］。第一套和第二套数据都是同化了各种来源例如地面、卫星和无线电探空等观测资料以及进行了质量控制的再分析资料，而第三套数据是全球气候模型的模拟结果。在进行各参数化方案组合的敏感性试验时，驱动场数据的质量对模式模拟结果的质量有很大影响，通过对利用两套再分析资料驱动WRF模式得到的模拟结果进行评估，而后选出的最佳参数化方案组合更适用于祁连山及周边地区的模拟。对CMIP6数据驱动WRF模式得到的各试验模拟结果的评估作为辅助参考。

地形高度数据共使用了两套数据，在进行参数化方案组合的敏感性试验时地形资料选用的是WRF自带的分辨率为0.9 km的MODIS地形高度数据，另一套则是分辨率为0.09 km的SRTM（Shuttle Radar Topography Mission）数字高程数据。由于地形高度数据与模拟区域内实际海拔之间存在偏差，为提高模拟精度，对模拟气温需进行地形效应校正，统一使用标准大气温度直减率系数6.5 ℃·km-1作为地形校正系数［4，58］。

在评估各试验模拟结果之前，将WRF模式模拟结果通过反距离权重法插值到42个观测站点上并计算日平均温度与日降水量数据。为探寻WRF模式在不同季节中的模拟能力，进一步地将日尺度数据处理为季节平均数据。

对5组参数化方案组合以及两组不同地形高度数据设置下的模拟结果进行评估的观测数据是来自国家气象信息中心的中国地面气候资料日值数据集（V3.0），时间分辨率为1 d，在剔除了模拟时间段内缺测、错误数据大于10%的站点之后，从中提取了研究区域内42个站点的逐日温度和降水数据并处理为季节平均数据。在历时10 a的动力降尺度模拟阶段则是利用分辨率为0.25°×0.25°的CN05.1数据对模拟场的温度和降水进行分析评估［59］。

1.3　评估方法

本文从两个场的空间相关系数（R）、模拟场的标准差与观测场的标准差之比（σ）、中心化均方根误差（RMSE）、归一化平均偏差（PB）和绝对偏差（MAE）这5个统计量来比较模式模拟结果与观测场的吻合程度。

R=1N∑i=1N(Mi-M¯)(Oi-O¯)1N∑i=1N(Mi-M¯)21N∑i=1N(Oi-O¯)2
σ=1N∑i=1N(Mi-M¯)21N∑i=1N(Oi-O¯)2
RMSE=1N∑i=1N[(Mi-M¯)-(Oi-O¯)]2
PB=∑i=1N(Mi-Oi)∑i=1NOi×100%
MAE=1n∑i=1N|Mi-Oi|

式中：Mi和Oi分别是第i个模拟值和观测值；M¯和O¯分别是模拟值和观测值的平均值；N为样本数。

2 结果

2.1　日平均温度

图2为来自不同驱动数据的4个季节模拟与观测气温之间对比结果的泰勒图，在泰勒图中标注点到原点的连线与横轴的余弦值表示模拟值与观测值之间的空间相关系数（R），标注点到原点的距离表示模拟值与观测值的标准差之比（σ），而标注点到横轴参考点（REF）的距离则为模拟值与观测值的均方根误差的相对大小（RMSE），模拟值与观测值之间的归一化平均偏差大小（PB）则由标志点的形状大小表示［60］。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   冬、春、夏、秋季平均的日平均温度泰勒图

Fig.2   Average daily temperatures averaged over the four seasons of winter， spring， summer and autumn Taylor diagram


如图2所示，总体上各个试验模拟结果中的日平均温度在各个评估指标上均表现为冬季最差，其余3个季节表现较好，在空间相关系数方面，冬季的空间相关系数为0.80~0.90，其余三季平均温度的空间相关系数为0.95~0.99，均通过99.9%的置信检验。冬季的标准差之比均为1.30~1.50，而其余三季为0.80~1.30。除此之外，冬季的标志点也较其余三季大，说明冬季偏差较其余三季大。

在各个季节中不同参数化方案之间的差异并不大，在冬季，FNL驱动得到的模拟值与观测值之间空间相关系数最小值出现在Case A方案中，最大值出现在Case D方案中；标准差之比最远离1的值出现在Case D方案中，最接近1的值出现在Case B方案中；中心化均方根误差最大值出现在Case A方案中，最小值出现在Case B方案中；归一化平均偏差最大值出现在Case A方案中，最小值出现在Case E方案中。

ERA驱动得到的模拟值与观测值之间的空间相关系数最小值出现在Case A方案中，最大值出现在Case B方案中；标准差之比最远离1的值出现在Case A方案中，最接近1的值出现在Case E方案中；中心化均方根误差最大值出现在Case A方案中，最小值出现在Case B方案中；归一化平均偏差最大值出现在Case A方案中，最小值出现在Case E方案中。

CMIP6的动力降尺度结果与观测值之间的空间相关系数最小值出现在Case A方案中，最大值出现在Case D方案中；标准差之比最远离1的值出现在Case B方案中，最接近1的值出现在Case C方案中；中心化均方根误差最大值出现在Case A方案中，最小值出现在Case D方案中；归一化平均偏差最大值出现在Case D方案中，最小值出现在Case B方案中。

从泰勒图上看，两套再分析资料驱动得到的各试验模拟数据与观测数据之间的评估表现类似，其中Case A方案对温度的模拟整体较其他4个方案差，Case B、D、E方案对温度的模拟整体较好，且比较稳定。CMIP6的动力降尺度结果的评估结果也显示在Case B、D方案设置下温度的动力降尺度结果较好。

2.2　日降水

与温度评估结果不同，日降水各个试验的评估指标之间的差异较大（图3），但总体上依旧呈现为冬季模拟效果差于其他3个季节。在空间相关系数方面，冬季的空间相关系数为0.13~0.63，其余三季的空间相关系数为0.47~0.88，除Case B、D、E方案下冬季的CMIP6降水动力降尺度结果外，其余均通过了99.9%的置信检验。冬季的标准差之比均大于2.5，在其余三季中，除了FNL驱动的Case A、B、C、E方案的夏季模拟、Case B方案的秋季模拟和ERA驱动的Case B、C、E方案的夏秋季模拟、Case A方案的秋季模拟外都小于2.5。冬季的中心化均方根误差控制在以横轴参考点为圆心的第五个同心圆附近，而除了FNL驱动的Case A、C、E方案的夏季模拟和ERA驱动的Case B、C、E方案的夏季模拟，其余三季大部分控制在第4个同心圆内外，冬季的标志点明显较其余三季大，归一化平均偏差均大于200%，对降水的模拟整体上存在高估。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   冬、春、夏、秋季平均的日降水泰勒图

Fig.3   Average daily precipitation for the four seasons of winter， spring， summer and autumn Taylor diagram


根据两套再分析资料驱动得到的各试验模拟数据的评估表现，在冬、夏、秋季中Case D方案的模拟结果在均方根误差、标准差方面都最接近观测的实际结果，在空间相关系数以及偏差方面和其他方案的模拟结果之间相差较小，因此可知Case D方案在祁连山及周边地区降水的模拟中表现良好且最为稳定。

2.3　地形资料敏感性试验

在Case D方案设置下，以FNL数据为驱动数据，分别使用SRTM的0.09 km高分辨率地形数据集和WRF默认0.9 km分辨率地形数据进行模拟，利用观测数据评估的结果如表2~3显示。替换地形数据后对温度的模拟在相关系数方面变化不大；在均方根误差方面除春季模拟外均增大；在标准差方面，冬春季模拟减小、夏秋季增大；四季的平均偏差均减小。对降水的模拟在相关系数方面除秋季外均增大；在均方根误差和标准差方面除春季模拟外均增大；四季的平均偏差均增大。总体上并未明显改善，后续继续使用WRF默认地形数据。

表2   两套地形资料的模拟温度评估结果

Table 2  Results of simulated temperature assessment for two sets of topographic data

TM地形资料冬季春季夏季秋季
R默认0.85140.98340.98110.9694
SRTM30.84560.98480.98000.9700
RMSE默认2.15290.97021.25081.0850
SRTM32.15830.91221.30011.0944
σ默认1.44501.05481.18081.0627
SRTM31.43361.04441.18961.0751
PB默认23.13%-43.57%-4.77%10.32%
SRTM322.61%-43.27%-4.49%4.99%

新窗口打开| 下载CSV


表3   两套地形资料的模拟降水评估结果

Table 3  Results of simulated precipitation assessment for two sets of topographic data

PR地形资料冬季春季夏季秋季
R默认0.56000.74390.74880.8537
SRTM30.56350.76710.76100.8501
RMSE默认0.12200.57011.95090.5111
SRTM30.12810.55272.54440.5176
σ默认2.60451.84882.36391.9915
SRTM32.72831.84212.94362.0027
PB默认278.60%79.12%89.90%62.41%
SRTM3283.58%85.68%114.29%67.88%

新窗口打开| 下载CSV


3 2005—2014年CMIP6数据动力降尺度结果

3.1　区域尺度

3.1.1　温度

图4为2005—2014年在Case D方案设置下CMIP6数据的年平均温度动力降尺度结果。WRF模拟的温度空间分布能够很好地再现观测温度的空间分布，均呈现出在祁连山区域年平均温度较周围区域低的情况，海拔对温度的空间分布影响很大，年平均温度最低值出现在祁连山西北部以及柴达木盆地以南的区域，最高值出现在河西走廊西部区域（图4）。模拟场与观测场之间的差值空间分布显示，在祁连山东南部以及北坡一带，WRF模拟的年平均温度与实际观测值之间相差最小，相差最大值出现在柴达木盆地区域，在大部分区域上模拟温度偏低。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2005—2014年观测（A）和模拟（B）年平均温度及两者之间差值（C）的空间分布

Fig.4   Spatial distribution of observed （A） and modelled （B） annual mean temperatures and spatial distribution of the difference between the two （C） for 2005-2014


在日尺度上，模拟温度与观测温度之间的相关系数在整个模拟区域上均大于0.8（通过P<0.05的显著性检验），相关系数最小值出现在祁连山西北部，最大值则出现在祁连山西北部以北的部分区域。均方根误差和绝对偏差的空间分布十分相似，最大值出现区域与相关系数最小值所在区域近于重合，祁连山主体部分均方根误差小于5 ℃，绝对偏差小于4 ℃。在月尺度上，模拟温度与观测温度之间的相关系数在整个模拟区域上均大于0.9（通过P<0.05的显著性检验），相关系数最小值出现在祁连山西北部，最大值则出现在柴达木盆地。均方根误差和绝对偏差的空间分布十分相似，最大值出现区域与相关系数最小值所在区域近于重合，祁连山主体部分均方根误差小于3 ℃，绝对偏差小于3 ℃（图5）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   日（A、B、C）、月（D、E、F）尺度温度空间相关系数、均方根误差及绝对偏差空间分布

Fig.5   Spatial distribution of daily（A， B， C） and monthly （D， E， F） scale temperature spatial correlation coefficients， root mean square errors and absolute deviations


3.1.2　降水

图6为2005—2014年在Case D方案设置下CMIP6数据的年平均降水量动力降尺度结果。WRF能够很好地模拟出研究区域的降水高值中心即祁连山东部区域，10 a平均降水量普遍在600 mm左右，降水低值中心在柴达木盆地区域，10 a平均降水量普遍在100 mm左右，降水的空间分布在祁连山脉上呈现东高西低的走向（图6）。结合地形图来看，降水的空间分布基本符合海拔的空间分布特征，模拟场与观测场之间的差值空间分布显示，在祁连山东南部以及以南的高原地区，WRF模拟的年降水量与实际观测值之间相差最小，相差最大值出现在祁连山西北部区域，WRF模拟的降水场普遍高估了20 mm以内。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2005—2014年观测（A）和模拟（B）年平均降水量及两者之间差值（C）的空间分布

Fig.6   Spatial distribution of observed （A） and simulated （B） mean annual precipitation and the difference between the two （C） for 2005-2014


在日尺度上，模拟降水与观测降水之间的相关系数在整个模拟区域上的分布与年累积降水量的空间分布较为一致，在降水量较多的区域，模拟降水与观测降水之间的相关性更好，相关系数最大值则出现在祁连山中段以及部分高原地区，相关性最差的区域为祁连山与高原之外的柴达木盆地及河西走廊一带。均方根误差和绝对偏差的空间分布十分相似，最大值出现区域与相关性较好的区域较为接近，祁连山主体部分均方根误差大于4 mm，绝对偏差大于1.8 mm（图7）。在月尺度上，模拟降水与观测降水之间相关系数空间分布与年累积降水量的空间分布较为一致，在降水量较多的区域，模拟降水与观测降水之间的相关性更好，在祁连山中段以及部分高原地区相关系数最大能达到0.8（通过P<0.05的显著性检验），相关性最差的区域为祁连山与高原之外的柴达木盆地及河西走廊一带。均方根误差和绝对偏差的空间分布十分相似，最大值出现区域与相关性较好的区域较为接近，祁连山主体部分均方根误差大于25 mm，绝对偏差大于18 mm。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   日（A、B、C）、月（D、E、F）尺度降水空间相关系数、均方根误差及绝对偏差空间分布

Fig.7   Spatial distribution of daily （A， B， C） and monthly （D， E， F） scale precipitation spatial correlation coefficients， root mean square errors and absolute deviations


3.2　站点尺度

在祁连山（托勒、野牛沟）及周边地区（五道梁、曲麻莱、托托河）分别选取了5个站点进行温度和降水的动力降尺度模拟研究，利用Quantile-Quantile图［61］进行分析。如图8所示，Q-Q图所展示的信息中，横轴是观测值，纵轴是模拟值，红色直线代表拟合直线，黑色直线为1∶1线，红色直线越接近黑色直线，表明模拟值与观测值越接近，模拟效果越好，灰色阴影范围为90%置信区间。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   5个站点气温（左）、降水（右）Quantile-Quantile图（灰色阴影范围为90%置信区间）

Fig.8   Quantile-Quantile plots of temperature （left） and precipitation （right） at five sites （Gray shaded region indicates 90% confidence intervals）


在温度方面，2005—2014年模拟期间5个站点Q-Q图的R2均达到0.99以上，所有分位数点都很好地分布在红色直线周围，且红色拟合直线与黑色1∶1线几近重合在一起，这说明模拟温度与观测温度显示为同一种正态分布。在五道梁、托托河和曲麻莱站点，在低分位数段存在向下偏移的状况，这说明模式对低温的模拟存在一定程度的冷偏差。

在降水方面，2005—2014年模拟期间5个站点Q-Q图的R2均达到0.95以上，可发现除个别极值外，绝大部分分位数点很好地分布在红色直线周围，其中在中低分位段的分位点还同时紧靠着黑色1∶1线，而高分位段的分位点在不同站点间存在不同程度的偏移，可见模式模拟降水存在偏差的状况，主要出现在夏季降水的模拟中。

4 讨论

本文在进行参数化方案的敏感性试验时发现，对模拟气温以及降水的评估结果均显示WRF模式对祁连山及其周边地区冬季气温与降水的模拟稍差于其他3个季节，在模拟气温方面，有研究发现在高原上WRF模式对冬季和春季反照率的高估会导致模拟时出现低温偏差，这对冬季气温模拟有很大影响［31，62］。在降水方面，这与祁连山区气象站点在冬季的固态降水观测存在误差，复杂山区的观测数据不具有很好的代表性以及6 km分辨率的模拟数据插值到站点上存在误差等有一定关系。另外，不同的积云对流和云微物理参数化方案对降水的影响很显著，本文通过评估选出的最佳参数化方案组合中云微物理方案为Thompson，这与张文煜等［19］在对祁连山一次降水过程进行数值模拟研究，并对其微物理结构特征进行分析后选出的最优云微物理方案一致。WRF模式模拟的降水对于Kain-Fritsch和Grell-Devenyi积云参数化方案的选择很敏感，Grell-Devenyi方案在青藏高原比Kain-Fritsch更有优势，这与在参数化组合敏感性试验中选出的方案一致［63］。

针对历时10 a动力降尺度模拟气温与降水的评估分析中存在的问题，过往已有研究发现在青藏高原近地表气温模拟时存在的系统性冷偏差是由于WRF模式对冬季和春季反照率的高估导致了较大的低温偏差，以及WRF中土壤类型设置得不适当会影响感热通量和潜热通量的分配，导致不同的局部环流，并进一步影响降水和温度，在模拟时产生冷湿偏差［62，64］。对于此类问题，将中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer， MODIS）数据与WRF模型相结合，使用MODIS数据中的GVF、反照率等数据产品更新WRF模式中的相关数据对改善气温模拟中存在的冷偏差问题有一定帮助［62，65］。模拟降水存在的湿偏差常常存在于粗分辨率模拟中，因为粗分辨率的气候模型无法充分解决复杂地形区的小规模陆气相互作用，但很多研究发现，提高模拟分辨率后，这种现象依旧存在［3，66-67］。地形降水是祁连山地区的主要降水过程，针对高原区进行动力降尺度研究时发现，模拟结果总是高估降水，高原上对降水模拟普遍存在的湿偏差可能与WRF模式对中小尺度地形抬升作用的描述过强有关。除此之外，这可能还与积云对流参数化方案本身有关，它被认为是偏差的主要来源，Gao等［67］通过使用绕开积云对流参数化方案而开发的对流允许模型模拟高原降水，为改善降水模拟存在的湿偏差问题提供了新思路［4，68-69］。在降水量较多的地区例如祁连山区，WRF更能模拟出接近观测的降水值，在降水较少的地区出现弱负相关情况可能是由于降水量较少，WRF模拟的偏差会被放大。

5 结论

WRF模式对气温的模拟普遍较好，不同的参数化方案组合对气温的模拟影响不大，CAM长短波辐射物理方案的组合对气温的模拟效果稍差于RRTM长波辐射物理方案和Dudhia短波辐射物理方案的组合。

WRF模式对降水的模拟受参数化方案组合影响较大，其模拟精度整体较气温差，Thompson云微物理方案和Grell-Devenyi积云参数化方案的组合对祁连山及周边地区降水的模拟更好，即Case D方案为最佳参数化方案组合。高分辨率地形数据集对气温与降水的模拟未见明显改善。

CMIP6数据动力降尺度结果显示模拟气温与降水的空间分布特征基本能够再现真实的观测数据的空间分布特征。气温与降水的空间分布受海拔影响很大，在高海拔地区气温比周围低海拔地区偏低，降水量则是偏高。模拟气温与观测气温之间的相关性好于降水，对气温的模拟普遍存在低估，对降水量的模拟存在高估。在站点尺度上，模拟温度和降水与观测温度和降水都有着几乎一致的正态分布，各站点上的温度模拟偏差主要出现在冬季，降水模拟偏差则出现在夏季。

参考文献

Xu Z X， Rhoades A M， Johansen H，et al.

An intercomparison of GCM and RCM dynamical downscaling for characterizing the hydroclimatology of California and Nevada

［J］.Journal of Hydrometeorology，2018，19（9）：1485-1506.

[本文引用: 1]

Corte-Real J， Zhang X B， Wang X L.

Downscaling GCM information to regional scales：a non-parametric multivariate regression approach

［J］.Climate Dynamics，1995，11：413-424.

Lin C G， Chen D L， Yang K，et al.

Impact of model resolution on simulating the water vapor transport through the central Himalayas：implication for models' wet bias over the Tibetan Plateau

［J］.Climate Dynamics，2018，51：3195-3207.

[本文引用: 2]

许建伟，高艳红.

WRF模式对夏季黑河流域气温和降水的模拟及检验

［J］.高原气象，2014，33（4）：937-946.

[本文引用: 4]

Srinivas C V， Hariprasad D， Rao D V B，et al.

Simulation of the Indian summer monsoon regional climate using advanced research WRF model

［J］.International Journal of Climatology，2013，33（5）：1195-1210.

Gao Z B， Yan X D， Dong S Y，et al.

Object-based evaluation of rainfall forecasts over eastern China by eight cumulus parameterization schemes in the WRF Model

［J］.Atmospheric Research，2023：106618.

[本文引用: 1]

Wang Y L， Feng J M， Luo M，et al.

Uncertainties in simulating central Asia：sensitivity to physical parameterizations using Weather Research and Forecasting model

［J］.International Journal of Climatology，2020，40（14）：5813-5828.

[本文引用: 1]

Pérez J C， Díaz J P， González A，et al.

Evaluation of WRF parameterizations for dynamical downscaling in the Canary Islands

［J］.Journal of Climate，2014，27（14）：5611-5631.

[本文引用: 1]

Argüeso D， Hidalgo-Muñoz J M， Gámiz-Fortis S R，et al.

Evaluation of WRF parameterizations for climate studies over southern Spain using a multistep regionalization

［J］.Journal of Climate，2011，24（21）：5633-5651.

[本文引用: 1]

Gou D L， Sun J Q， Yu E T.

Evaluation of CORDEX regional climate models in simulating temperature and precipitation over the Tibetan Plateau

［J］.Atmospheric and Oceanic Science Letters，2018，11（3）：219-227.

[本文引用: 1]

Wang X J， Pang G J， Yang M X.

Precipitation over the Tibetan Plateau during recent decades：a review based on observations and simulations

［J］.International Journal of Climatology，2018，38（3）：1116-1131.

[本文引用: 1]

韩林君，白爱娟，蒲学敏.

基于CMIP6的祁连山气候变化特征预估

［J］.高原气象，2022，41（4）：864-875.

[本文引用: 1]

任婧，张文煜，黄颖，等.

祁连山区再分析降水数据的适用性分析

［J］.兰州大学学报（自然科学版），2023，59（1）：23-28.

[本文引用: 1]

Gallus W A， Bresch J F.

Comparison of impacts of WRF dynamic core，physics package，and initial conditions on warm season rainfall forecasts

［J］.Monthly Weather Review，2006，134（9）：2632-2641.

[本文引用: 1]

Jankov I， Gallus Jr W A， Segal M，et al.

Influence of initial conditions on the WRF-ARW model QPF response to physical parameterization changes

［J］.Weather and Forecasting，2007，22（3）：501-519.

Crétat J， Pohl B， Richard Y，et al.

Uncertainties in simulating regional climate of Southern Africa：sensitivity to physical parameterizations using WRF

［J］.Climate Dynamics，2012，38：613-634.

[本文引用: 1]

Varga Á J， Breuer H.

Sensitivity of simulated temperature，precipitation，and global radiation to different WRF configurations over the Carpathian Basin for regional climate applications

［J］.Climate Dynamics，2020，55（9/10）：2849-2866.

[本文引用: 1]

尹金方，王东海，翟国庆.

区域中尺度模式云微物理参数化方案特征及其在中国的适用性

［J］.地球科学进展，2014，29（2）：238-242.

[本文引用: 1]

张文煜，任婧，付丹红，等.

祁连山一次降水过程云模式模拟参数的选择及微物理结构特征分析

［J］.干旱区研究，2022，39（6）：1717-1727.

[本文引用: 2]

于伟，彭杨，姚礼双，等.

WRF模式不同参数化方案对长江上游降雨模拟的影响

［J/OL］.中国农村水利水电：1-15［2023-03-12］..

张宝庆，田磊，赵西宁，等.

植被恢复对黄土高原局地降水的反馈效应研究

［J］.中国科学：地球科学，2021，51（7）：1080-1091.

Navale A， Singh C， Budakoti S，et al.

Evaluation of season long rainfall simulated by WRF over the NWH region：KF vs.MSKF

［J］.Atmospheric Research，2020，232：104682.

Liu Y， Chen X， Li Q，et al.

Impact of different microphysics and cumulus parameterizations in WRF for heavy rainfall simulations in the central segment of the Tianshan Mountains，China

［J］.Atmospheric Research，2020，244：105052.

Gao S B， Huang D L， Du N Z，et al.

WRF ensemble dynamical downscaling of precipitation over China using different cumulus convective schemes

［J］.Atmospheric Research，2022，271：106116.

Lv M Z， Xu Z F， Yang Z L.

Cloud resolving WRF simulations of precipitation and soil moisture over the central Tibetan Plateau：an assessment of various physics options

［J］.Earth and Space Science，2020，7（2）：e2019EA000865.

[本文引用: 1]

周志敏，崔春光，胡扬，等.

一次梅雨锋暴雨过程数值模拟的云微物理参数化敏感性研究

［J］.大气科学，2021，45（6）：1292-1312.

[本文引用: 1]

童颖睿，闵锦忠.

云微物理方案参数扰动对华北“7.20”暴雨的集合预报试验

［J］.气象科学，2022，42（2）：213-224.

[本文引用: 1]

刘东海，黄静，刘娟，等.

国内外典型中尺度数值预报模式参数化方案的综述与展望

［J］.地球科学进展，2023，38（4）：349-362.

[本文引用: 1]

徐娟娟，王可丽，江灏，等.

西风与季风扰动对黑河流域降水影响的数值模拟

［J］.冰川冻土，2010，32（3）：489-496.

[本文引用: 1]

宁贵财，尚可政，王式功，等.

贺兰山对银川一次致灾暴雨过程影响的数值模拟

［J］.中国沙漠，2015，35（2）：464-473.

[本文引用: 1]

肖林鸿，高艳红， Chen Fei，等.

青藏高原极端气温的动力降尺度模拟

［J］.高原气象，2016，35（3）：574-589.

[本文引用: 2]

Yang J H， Duan K Q.

Effects of initial drivers and land use on WRF modeling for near-surface fields and atmospheric boundary layer over the northeastern Tibetan Plateau

［J］.Advances in Meteorology，2016（2016）：1-16.

Zhang X Z， Xiong Z， Zheng J Y，et al.

High-resolution precipitation data derived from dynamical downscaling using the WRF model for the Heihe River Basin，northwest China

［J］.Theoretical and Applied Climatology，2018，131：1249-1259.

[本文引用: 1]

Iacono M J， Delamere J S， Mlawer E J，et al.

Radiative forcing by long‐lived greenhouse gases：calculations with the AER radiative transfer models

［J］.Journal of Geophysical Research：Atmospheres，2008，113（D13）：D13103.

[本文引用: 1]

徐蓉蓉，梁信忠，段明铿.

CWRF对青藏高原气温和降水模拟效果的综合评估

［J］.大气科学学报，2021，44（1）：104-117.

Gao Y H， Chen F， Miguez-Macho G，et al.

Understanding precipitation recycling over the Tibetan Plateau using tracer analysis with WRF

［J］.Climate Dynamics，2020，55：2921-2937.

Qian X， Yao Y Q， Wang H S，et al.

Validation of the WRF model for estimating precipitable water vapor at the Ali Observatory on the Tibetan Plateau

［J］.Publications of the Astronomical Society of the Pacific，2020，132（1018）：125003.

Dai Y F， Wang L， Yao T D，et al.

Observed and simulated lake effect precipitation over the Tibetan Plateau：an initial study at Nam Co Lake

［J］.Journal of Geophysical Research：Atmospheres，2018，123（13）：6746-6759.

[本文引用: 1]

智协飞，吴佩，俞剑蔚，等.

GFS模式地形高度偏差对地面2 m气温预报的影响

［J］.大气科学学报，2019，42（5）：652-659.

[本文引用: 1]

于晓晶，赵勇.

地形对天山夏季降水影响的模拟

［J］.中国沙漠，2016，36（4）：1133-1143.

[本文引用: 1]

Castro C L， Pielke Sr R A， Leoncini G.

Dynamical downscaling：assessment of value retained and added using the Regional Atmospheric Modeling System （RAMS）

［J］.Journal of Geophysical Research：Atmospheres，2005，110（D5）.

[本文引用: 1]

Lo J C F， Yang Z L， Pielke Sr R A.

Assessment of three dynamical climate downscaling methods using the Weather Research and Forecasting（WRF）model

［J］.Journal of Geophysical Research：Atmospheres，2008，113（D9）：D09112.

García-Díez M， Fernández J， Vautard R.

An RCM multi-physics ensemble over Europe：multi-variable evaluation to avoid error compensation

［J］.Climate Dynamics，2015，45（11/12）：3141-3156.

Hahmann A N， Vincent C L， Peña A，et al.

Wind climate estimation using WRF model output：method and model sensitivities over the sea

［J］.International Journal of Climatology， 2015，35（12）：3422-3439.

[本文引用: 1]

Hong S Y， Lim J O J.

The WRF single-moment 6-class microphysics scheme （WSM6）

［J］.Asia-Pacific Journal of Atmospheric Sciences，2006，42（2）：129-151.

[本文引用: 1]

Thompson G， Field P R， Rasmussen R M，et al.

Explicit forecasts of winter precipitation using an improved bulk microphysics scheme.Part II：implementation of a new snow parameterization

［J］.Monthly Weather Review，2008，136（12）：5095-5115.

[本文引用: 1]

Kain J S.

The Kain-Fritsch convective parameterization：an update

［J］.Journal of Applied Meteorology，2004，43（1）：170-181.

[本文引用: 1]

Grell G A， Dévényi D.

A generalized approach to parameterizing convection combining ensemble and data assimilation techniques

［J］.Geophysical Research Letters，2002，29（14）：381-384.

[本文引用: 1]

Mlawer E J， Taubman S J， Brown P D，et al.

Radiative transfer for inhomogeneous atmospheres：RRTM，a validated correlated‐k model for the longwave

［J］.Journal of Geophysical Research：Atmospheres，1997，102（D14）：16663-16682.

[本文引用: 1]

Dudhia J.

Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model

［J］.Journal of Atmospheric Sciences，1989，46（20）：3077-3107.

[本文引用: 1]

Collins W D， Rasch P J， Boville B A，et al.

Description of the NCAR community atmosphere model （CAM 3.0）

［J］.NCAR Technical Note，2004，226：1326-1334.

[本文引用: 1]

Chen F， Dudhia J.

Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system.Part I：model implementation and sensitivity

［J］.Monthly Weather Review，2001，129（4）：569-585.

[本文引用: 1]

Hong S Y， Noh Y， Dudhia J.

A new vertical diffusion package with an explicit treatment of entrainment processes

［J］.Monthly Weather Review，2006，134（9）：2318-2341.

[本文引用: 1]

Stauffer D R， Seaman N L.

Use of four-dimensional data assimilation in a limited-area mesoscale model.Part I：experiments with synoptic-scale data

［J］.Monthly Weather Review，1990，118（6）：1250-1277.

[本文引用: 1]

Kalnay E， Kanamitsu M， Kistler R，et al.

The NCEP/NCAR 40-year reanalysis project

［J］.Bulletin of the American Meteorological Society，1996，77（3）：437-472.

[本文引用: 1]

Berrisford P， Dee D， Fielding K，et al.

The ERA-interim archive

［J］.ERA Report Series，2009（1）：1-16.

Xu Z F， Han Y， Tam C Y，et al.

Bias-corrected CMIP6 global dataset for dynamical downscaling of the historical and future climate （1979-2100）

［J］.Scientific Data，2021，8（1）：293.

[本文引用: 1]

胡芩，姜大膀，范广洲.

CMIP5全球气候模式对青藏高原地区气候模拟能力评估

［J］.大气科学，2014，38（5）：924-938.

[本文引用: 1]

Wu J， Gao X J， Giorgi F，et al.

Changes of effective temperature and cold/hot days in late decades over China based on a high resolution gridded observation dataset

［J］.International Journal of Climatology，2017，37：788-800.

[本文引用: 1]

Taylor K E.

Summarizing multiple aspects of model performance in a single diagram

［J］.Journal of Geophysical Research：Atmospheres，2001，106（D7）：7183-7192.

[本文引用: 1]

White S M， Ravelo A C， Polissar P J.

Dampened El Niño in the early and mid‐Holocene due to insolation‐forced warming/deepening of the thermocline

［J］.Geophysical Research Letters，2018，45（1）：316-326.

[本文引用: 1]

Meng X， Lyu S， Zhang T，et al.

Simulated cold bias being improved by using MODIS time-varying albedo in the Tibetan Plateau in WRF model

［J］.Environmental Research Letters，2018，13（4）：044028.

[本文引用: 3]

Huang D， Gao S B.

Impact of different cumulus convective parameterization schemes on the simulation of precipitation over China

［J］.Tellus A：Dynamic Meteorology and Oceanography，2017，69（1）：1406264.

[本文引用: 1]

Yue S Y， Yang K， Lu H，et al.

Representation of stony surface‐atmosphere interactions in WRF reduces cold and wet biases for the southern Tibetan Plateau

［J］.Journal of Geophysical Research：Atmospheres，2021，126（21）：e2021JD035291.

[本文引用: 1]

Yan D D， Liu T Y， Dong W J，et al.

Integrating remote sensing data with WRF model for improved 2-m temperature and humidity simulations in China

［J］.Dynamics of Atmospheres and Oceans，2020，89：101127.

[本文引用: 1]

Gao Y H， Xu J， Chen D.

Evaluation of WRF mesoscale climate simulations over the Tibetan Plateau during 1979-2011

［J］.Journal of Climate，2015，28（7）：2823-2841.

[本文引用: 1]

Gao Y H， Chen F， Jiang Y.

Evaluation of a convection-permitting modeling of precipitation over the Tibetan Plateau and its influences on the simulation of snow-cover fraction

［J］.Journal of Hydrometeorology，2020，21（7）：1531-1548.

[本文引用: 2]

Ji Z M， Kang S C.

Double-nested dynamical downscaling experiments over the Tibetan Plateau and their projection of climate change under two RCP scenarios

［J］.Journal of the Atmospheric Sciences，2013，70（4）：1278-1290.

[本文引用: 1]

Li P X， Furtado K， Zhou T J，et al.

Convection‐permitting modelling improves simulated precipitation over the central and eastern Tibetan Plateau

［J］.Quarterly Journal of the Royal Meteorological Society，2021，147（734）：341-362.

[本文引用: 1]

/

〈 〉

©2018中国沙漠 编辑部

地址: 兰州市天水中路8号 (730000)

电话：0931-8267545

Email：caiedit@lzb.ac.cn;desert@lzb.ac.cn

甘公网安备 62010202000688号      陇ICP备2021001824号-9
访问总数:    当日访问:    当前在线: