高分辨地形对华南区域GRAPES 模式地面要素预报影响的研究

朱文达， 陈子通， 张艳霞，杨静，张媛

(1. 贵州省气象台，贵州贵阳550001；2. 中国气象局广州热带海洋气象研究所／广东省区域数值天气预报重点实验室，广东 广州510641；3. 民航贵州空管分局，贵州 贵阳550012)

1 引 言

地形是影响模式地面要素预报的重要因子，许多地球表面的物理过程受到地形的控制或强烈影响，对于给定分辨率的模式，高分辨实际地形较粗分辨率实际地形有更好的预报效果[1]。在一定的动力框架条件下，模式地形存在有效尺度问题，刘一等[2]从模式动力框架部分开展理想数值试验，研究发现6 倍格距的地形尺度可以认为是区域GRAPES (Global/Regional Assimilation and Prediction System) 模式的最高有效分辨率地形尺度，6 倍以下尺度地形激发的“噪音”对预报有害。基于GRAPES 发展初期的动力框架和华南区域模式的分辨率，美国地质勘探局 (United States Geological Survey，简写USGS)发展的Topo10m地形数据符合6 倍格距的地形尺度。随着GRAPES 数值模式的不断发展，国内的专家在模式坐标和动力框架方面做了大量改进工作。李超[3]在高度地形追随坐标Gal 坐标面上引入地形影响平滑算子和随高度衰减系数[4]，通过批量试验证实，新垂直坐标有效改进模式预报效果，尤其对复杂地形区域的位势高度场预报有显著改善。陈子通等[5]在中国南海台风模式中，设计了新的技术方案，考虑温度、水汽的物理反馈对气压的影响，将间接导出的气压反馈值返回动力场；同时在第一项技术改进的基础上，将物理反馈值作为模式Helmholtz 方程的右端项参与隐式求解，使得物理反馈在动力约束条件下实现与动力过程耦合，实现模式预报精度的提高。陈子通等[6]发展完善了中国南海台风模式(TRAMS-V2.0)，采用半隐式半拉格朗日时间差分方案，借助Helmholtz 方程进行隐式求解，并在原模式的基础上，采用三维静力参考大气、非线性项分步计算、物理过程倾向隐式处理及与动力过程耦合等技术，形成新的模式动力过程计算方案。苏勇等[7]重新推导了引入三维参考大气之后的模式动力学方程组求解过程，在GRAPES_GFS 的动力框架中引入不随时间变化且满足静力平衡的三维参考大气，通过若干个理想试验验证了方案的可行性，同时发现新的三维参考大气可以有效提高模式动力框架的计算精度。

虽然模式的动力框架得到更新、模式坐标也进行了改进，但复杂地形区域地面要素预报精度仍是模式发展的重大挑战，目前华南区域GRAPES 模式使用的Topo10m地形数据在青藏高原东侧复杂地形下2m气温预报仍存在较大偏差[8]。伴随遥感手段的发展，地形数据分辨率的不断提高，高分辨地形数据在Weather Research and Forecasting Model(简写WRF)中的应用效果被评估。Wen 等[9]将Shuttle Radar Topography Mission(简写SRTM)地形数据引入WRF 中，模拟中国区域的2m气温和近地面要素，模拟结果的均方根误差和偏差空间分布更接近全球陆地资料同化系统(Global Land Data Assimilation System ，简写GLDAS)的结果。He 等[10]通过对比包括SRTM 在内的多种地形数据对中国区域地表气温和降水模拟的影响，发现地形数据对于气温的影响要远高于降水。Meij 等[11-12]通过WRF 模拟Topo 30 s 地形数据和SRTM 地形数据对2m气温、10m风速和降水的影响发现，使用SRTM 地形数据试验的2m气温和10m风速结果更接近实况，同样降水也有平均1%的提高。Kirthiga 等[13]通过SRTM 地形 数 据 和 Moderate Resolution Imaging Spectroradiometer (简写MODIS) 陆面数据更新了微气象天气模拟的地表信息，发现在24h预报时效内，气温、相对湿度、太阳辐射和风速等近地面变量模拟结果有15%～30%的提升。Nunalee 等[14]对比了不同分辨率的地形数据模拟结果，证实地形数据的差异可以导致完全不同的地形尾流机制，比如有无涡旋分离的问题。

高分辨地形数据在WRF 模拟中能够提高地面要素、通量、辐射等物理作用的精度，但也容易引起动力过程计算的虚假扰动，即“噪音”问题，国内的专家对此开展了研究。屠妮妮等[15]和何光碧等[16]通过切比雪夫多项式截断的方式分别对GRAPES 和WRF 模式开展了高分辨地形平滑对降水等地面要素影响的研究，结果表明地形平滑后对高原东侧复杂地形条件下的降水预报有一定的正作用。王光辉等[17]通过高阶低通隐式正切滤波器选择性地滤除地形坡度所引起的不同尺度的噪音，同时增加了模式水平扩散方案，通过个例模拟证实其能够改善预报在山区地形条件下的分布。

基于WRF 模式的研究结果，SRTM 地形数据能够提高地面要素的精度，适当的滤波平滑能够提高预报效果。对于华南区域GRAPES 模式，是否也存在这样的结论？因此，本研究引入SRTM 高分辨地形数据和平滑方案，通过批量模拟试验，应用站点检验方法[18]分析当前动力框架背景下，高分辨地形对地面要素预报精度的影响，同时研究SRTM 地形平滑处理对地面要素预报效果的影响。

2 数据和方法

2.1 模式地形数据

研究中新引入高分辨地形数据来自航天飞机雷达地形探测任务 (Shuttle Radar Topography Mission，简写SRTM)90m数字高程模型资料(Digital Elevation Mode，简写DEM)。该地形资料由2000年美国太空总署(NASA)和国防部国家测绘局(NIMA) 基于“奋进”号航天飞机上搭载的SRTM 系统获取60 °N 和54 °S 之间雷达影像数据制作，其中一种SRTM 成果是分辨率为3 ″×3 ″的SRTM 3。SRTM 3 全球数据已于2004年初公开发布，SRTM 3 的高程基准是EGM96 大地水准面，平面基准是WGS84。SRTM 3 的标称绝对高程精度是±16m，标称绝对平面精度是±20m[19-20]。SRTM 3 经历多次算法升级修订[21]，目前最新版本为SRTM v4.1。Hirt 等[22]认为在植被较少地区SRTM v4.1 的误差最小(6m)。Mouratidis 等[23]验证了希腊北部地区4 个版本SRTM 3 DEM 的质量，其中SRTM v4 的中误差为6.4m，与欧亚地区SRTM 标定的误差基本一致[24]。

应用美国环境系统研究所(Environment System Research Institute，简写ESRI)的ArcGIS 软件，对源于中国科学院计算机网络信息中心国际科学数据镜像网站 (http://www.gscloud.cn)的SRTM v4.1 数据格式进行了栅格化转换，随后将栅格资料转换为ASCII 文本格式，再利用WPS(WRF Pre-Processing System) 的格式转化程序，将ASCII 文件转换为静态地理资料(Static Geographical Datasets，简写SGD) 标准二进制文件，实现模式对SRTM v4.1 数据的读取，本文中将该套数据简称为SRTM 3 s。高质量、高分辨率地形数据对区域GRAPES 模式地面要素预报精度有重大影响，同时对数值模式后处理[25]、物理过程参数化研究[26]、地形对观测的影响[27]等工作也具有极其重要的价值。

研究中还使用了由USGS 发布的WRF 模式内置地形数据Topo10m和Topo 30 s。 Topo30 s数据为全球覆盖数据，但其数据精度相较SRTM 3数据仍存在一定差距[28]。

2.2 地形数据插值方法

选用GRAPES 模式内置的地形数据插值处理方案[29]，首先是4 点(16 点)权重平均插值方案，对于模式网格点P(x，y)周围距离最近的地形数据4点(16 点)为ai,j，xi、yi是ai,j的横、纵坐标，相应的4点权重插值的权重wi,j为：

16 点权重插值的权重wi，j为：

可以得出网格点P(x，y)的4 点(16 点)权重平均插值结果为：

同时，还采用了网格单元平均插值方案(grid-cell average interpolator)[29]，该插值方案对地形数据分辨率高于模式网格分辨率的情况有一定的处理优势。网格单元平均方法的操作在图1 中示出，其中模式网格单元的内插值(表示为大矩形)由所有填色地形数据网格单元值的简单平均值给出。

图1 网格单元平均插值方案示意图[29]

2.3 模式站点检验数据和方法

采用基于站点的模式预报结果检验方法[18]，站点实况数据为华南区域中心收录的地面观测SYNOP 资料，模式格点预报数据通过双线性插值到站点，得到站点上的模式预报值。对于2m气温和10m风速进行绝对误差(Absolute Error，简写AE)和平均绝对误差(Mean Absolute Error，简写MAE)的统计，公式如下：

其中，xi为站点上的模式预报值，x^i为站点观测实况，n 为参与检验的总站点数。

3 模式介绍和试验设计

3.1 模式介绍

模式采用广东省区域数值天气预报重点实验室升级的GRAPES 最新版本GRAPES-GZ 3 km，该模式是基于GRAPES-meso 的非静力全弹性模式，采用半隐式半拉格朗日时间平流方案，经-纬度格点的网格设计，水平方向取Arakawa-C 网格，垂直方向采用Charney-Philips 垂直分层设置，垂直坐标为高度地形追随坐标。采用MRF 边界层方案、WSM6 微物理过程、RRTMG 短波和长波辐射方案、SMS 陆面过程方案、SAS 积云参数化方案等。模式的覆盖范围：96.00～123.36 °E，16.00～36.36 °N。水平格距为0.03 °，垂直分为65 层，模式层顶30 000m，积分步长为50 秒。

3.2 试验设计

设计4 组对比试验，改变模式静态数据中的地形数据，对比不同试验的地面要素预报效果(表1)。Control 试验采用当前业务运行模式地形Topo10m，对比试验采用了模式内置地形Topo30 s和 新 引 入 的SRTM3 s。Topo10m、Topo30 s、SRTM 3 s 采用网格单元平均插值方案，SRTM3 s w4、SRTM 3 s w16 分别采用4 点和16 点权重平均插值方案。模式采用和业务运行一致的ECMWF 0.125 °预报资料作为驱动资料，研究中采用世界时，试验模拟的时间为2017年6月1—30日，分别在00h、12h起报，每次共积分48h。根据检验的需求，对模式预报资料进行时间提取，以24h预报时效内逐6h资料和48h预报时效资料作为2m气温、10m风速的预报资料；以24h、48h预报时效的逐24h累积降水作为降水预报资料。

4 检验结果分析

表1 试验设计表

4.1 模式地形数据改善效果分析

模式地形的海拔高度通过双线性插值对应到站点检验所用的地面观测SYNOP 站点上，分析海拔偏差的空间分布(图2)。Control 试验Topo10m地形数据的海拔偏差(图2a)在模式西部区域和我国东部沿海出现了较大波动，具体为青藏高原东侧地形复杂的四川、云南、贵州等地和福建、浙江南部丘陵地带。30 s 试验(图2b)和3 s 试验(图2c)地形数据的海拔偏差空间分布较Control 试验有明显改善，尤其是在云南、贵州、福建、广东北部、重庆、湖北西部等地区的改善效果最明显，w16 试验(w4 试验)(图略)地形数据海拔偏差分布结果同3 s 试验。目前数值预报模式模拟已有很多相关的研究成果[30-33]。运用箱须图[34-35]对绝对海拔偏差进行分位数统计(图2d)，Control 试验Topo10m地形数据的上边缘为494.63m，0.75 分位为213.88m，0.50 分位为91.77m；对应30 s 试验地形数据分别为150.98m、65.88m、23.52m；3 s 试验地形数据分别为160.41m、68.37m、23.01m。对于SRTM 3 s地形数据采用16 点(4 点)权重平均插值方案的试验w16 (w4)，其对应的分位值分别为138.06m、59.68m、22.08m(143.18m、61.85m、21.99m)。

图2 模式地形高度减实况站点海拔偏差空间分布和绝对海拔偏差箱须图 单位：m。a. Topo10m；b. Topo30 s；c. SRTM3 s；d. 各试验绝对海拔偏差箱须图。

无论从海拔偏差的空间分布还是分位数统计，对比试验的地形数据都较Control 试验有明显的改善，复杂地形区域的改善效果更为显著；同时可以发现，采用16 点权重平均插值方案的w16 试验绝对海拔偏差大部分分位数的值是最小的，但0.50 分位w4 试验最优。

4.2 站点检验结果

4.2.1 批量试验检验结果

选定2m气温、10m风速作为传统站点检验的要素，参与检验的站点数量最多为1 058 站。2m气温和10m风速主要计算00h、06h、12h、18h、24h、48h预报时效的MAE。处理批量模拟结果的站点检验，计算每个起报场的相同预报时效站点2m气温、10m风速MAE，将所得到的结果进行箱须图统计(图3)，分析不同试验的站点MAE分布情况。

图3 地面要素站点MAE 箱须图 横坐标为试验和预报时效，纵坐标为要素MAE。a. 2m气温MAE 箱须图，单位：℃；b. 10m风速MAE 箱须图，单位：m/s。

2m气温和10m风速的站点MAE 箱须图统计(图3)，选用0.75 分位和0.50 分位值作为对比参数。除00h外，其它预报时效对比试验一致表现出MAE 下降的趋势。2m气温MAE 在预报时效06h、12h、24h、48h箱须图各个分位值相较Control 试验下降最多为w16 试验，24h预报时效下降幅度最显著，其中0.75 分位MAE 下降0.42 ℃，0.50 分位MAE 下降0.25 ℃。在18h预报时效30 s 试验0.75 分位和0.50 分位的MAE下降幅度最大，分别达到0.21 ℃和0.24 ℃。相较Control 试验，10m风速MAE 箱须图总体趋势同2m气温，w16 和w4 试验相较其它试验分位数值下降更显著，下降幅度最大出现在w16 试验48h预报时效的0.75 分位，达到0.35m/s。10m风速箱须图各分位值MAE 下降最多的为w16 试验，尽管部分w4 试验的分位值低于w16 试验，但数值不超过0.02m/s。以上的统计表明，对比试验对于2m气温和10m风速MAE 改善明显，分位数值下降数量和最大降幅大部分集中在w16 试验。

通过对2m气温、10m风速MAE 箱须图统计分析，对比试验相较于Control 试验，2m气温和10m风速的MAE 在对比试验中有大幅度的改善，分位数值下降数量最多和下降幅度最大66.67%集中于w16 试验。w16 试验是SRTM 3 s高分辨地形数据插值处理得到的静态数据试验，模式基于高分辨地形平滑后所得的结果相较于Topo10m和30 s 粗分辨的原始地形数据结果有一定优势，这和高学杰等[1]研究的结论一致。对24h累积降水，开展晴雨和分级降水评估(图略)，对比试验的降水评分与Control 试验结果相当，个别量级出现评分提高的情况。

同时可以发现，2m气温的预报结果在06h出现振荡，而10m风速的结果则相对较稳定，可能的原因是地形数据的改变导致模式地表信息变化，使得地表辐射、通量物理作用精度得到提高，但也产生动力过程计算的虚假扰动，进而导致模式调整过程中2m气温出现振荡；而影响地面风速变化的主要因素是土地覆被信息的地表粗糙度等因子，地形数据的改变，会对坡度、地形海拔等信息产生影响，间接地大范围改变了地表粗糙度信息，因而10m风速预报结果出现改善却未出现明显振荡，这和Kirthiga 等[13]研究的结论一致。

图4 个例2m气温和10m风速模拟结果对比a. 个例站点选取，横坐标为经度，纵坐标为纬度，填色为海拔高度，▲为选取站点空间分布；b. 个例站点海拔对比，横坐标为站号，纵坐标为站点海拔高度，单位：m；c. Control 试验24h预报时效站点2m气温AE 时间序列，横坐标为预报次数，单位：次，纵坐标为温度，单位：℃，2 个时次的观测数据缺失，导致线条出现断点；d．同c，但为w16 试验；e. Control 试验24h预报时效站点10m风速AE 时间序列，纵坐标为风速，单位：m/s；f．同e，但为w16 试验。

4.2.2 个例试验检验结果

选取模式西部地形复杂区域5 个站点作为个例检验的站点(图4a)，取6月1—30日00h和12h起报场的相同预报时效模式结果与站点SYNOP数据做AE，得到整个模拟时段的2m气温和10m风速不同预报时效AE 的时间序列，各预报时效结果基本一致，仅选用24h预报时效(图4c～4f)进行分析。基于前文批量试验检验的结果，主要分析Control 和w16 试验预报结果与SYNOP 观测值的AE。通过站点海拔高度的对比(图4b)可以发现，在所选取的5 个站点中，Control 试验相较于SYNOP 站点海拔存在257～749m的明显偏高情况；w16 试验站点海拔和SYNOP 基本一致，仅有6～22m的绝对偏差，w16 试验的个例站点海拔更接近实际海拔。

2m气温的站点时间序列对比(图4c～4d)可以发现，Control 试验(图4c)2m气温站点AE 存在较大波动，5 站在整个模拟时段内的最大AE 为4.76～12.96 ℃，最小AE 为0.06～0.37 ℃，平均AE 为2.28～4.37 ℃，AE 整体趋势反映出预报结果较实况存在较大偏差。对应的w16 试验(图4d)，5 站在整个模拟时段内AE 的整体趋势反映预报结果和实况相对更接近，最大AE 为2.20 ～10.44 ℃，最小AE 为0.00～0.07 ℃，平均AE 为0.79～1.78 ℃，相较Control 试验存在明显的改善。

10m风速的站点时间序列对比(图4e～4f)可以发现，Control 试验(图4e)10m风速站点AE 存在大幅度的波动，5 站在整个模拟时段内的风速最大AE 为5.58～9.52m/s，最小AE 为0.03～0.26m/s，平均AE 为2.14～4.19m/s。对应的w16 试验(图4f)，最大AE 为2.92～10.30m/s，最小AE 为0.004～0.05m/s，平均AE 为0.87～2.28m/s。w16试验10m风速四川省凉山德昌站存在较大波动，其余站点都相较Control 试验有明显的改善。

模式西部复杂地形区域站点2m气温和10m风速预报AE 时间序列对比表明，高精度地形数据的更新，使得模式地形高度更接近实际地形，2m气温和10m风速的预报得到显著改善，同时w16 试验结果更能体现站点2m气温的日变化特征[36]。

5 地面要素改善原因分析

5.1 2m气温和10m风速MAE 改善原因分析

Control 试验的地形数据在西南区域明显偏高，尤其是在四川西部和云贵高原等地区。基于整个模拟试验地面要素MAE 的空间分布情况，分析其改善原因。选取6月1—30日00h和12h起报场的相同预报时效模式结果与站点SYNOP 数据做MAE，得到整个模拟时段的2m气温和10m风速不同预报时效MAE 的空间分布，各个时效结果基本一致，仅选用24h预报时效(图5)进行分析。

分析2m气温的MAE 空间分布，可以发现Control 试验的预报结果(图5a)在地形偏高区域出现大范围的2m气温MAE 大值点，云南、四川南部和西藏东南部部分站点2m气温MAE 在4 ℃以上，个别站点超过5 ℃。基于SRTM 3s 高分辨地形数据的w16 试验，随着模式西部区域海拔偏差得到改善，相应的2m气温MAE(图5b)也出现大幅度下降，MAE 超过4 ℃的站点也大幅度减少，西部复杂地形区域大部分站点MAE 控制在1.5 ℃以下。

10m风速MAE 空间分布的结论和2m气温结果相同，Control 试验的10m风速MAE (图5c)在地形复杂区域有明显的大值点，主要分布在云南、四川南部、贵州中西部、广西西部、福建、江西和海南的个别站点。w16 试验(图5d)10m风速MAE 在云南、四川南部、广西西部、福建、浙江、贵州和海南等地的站点出现明显的下降，风速MAE改善最明显的地区和地形改善显著区有较好的对应。

影响模式地面要素2m气温和10m风速预报精度的因素众多，模式地形和实际地形的差异是2m气温预报产生偏差的重要原因之一[37-38]。随着w16 试验模式地形数据的改善，2m气温和10m风速预报精度也得到了提高，预报改善区域和模式地形海拔高度改善区域重合，基本集中在地形复杂的高原东部和东部沿海地区。通过以上分析，可以发现对比试验模式地形数据的改善是2m气温和10m风速MAE 下降的原因，地形复杂区域的贡献尤为突出。

图5 Control 试验同w16 试验2m气温和10m风速MAE 空间分布对比a. Control 试验模式24h预报时效2m气温MAE 空间分布；b. 同a，但试验为w16；c. Control 试验模式24h预报时效10m风速MAE 空间分布；d. 同c，但试验为w16。

5.2 10m风向改善情况

复杂地形条件下，模式对10m风的预报存在较大偏差[39]，华南区域GRAPES 模式西部区域为青藏高原东侧复杂地形区，东部沿海区域也为复杂地形区，因此Control 试验的10m风速MAE各分位值都较大(图3b)。用Control 试验10m风速绝对偏差减去w16 试验，得到w16 试验10m风速改善情况(图6a)，风速改善显著区域集中在模式西部的云南、贵州、四川南部、西藏东南部区域和东部沿海地区。这和前文整个模拟时段的MAE 空间分布的结论一致。

复杂地形区域10m风速预报精度得到了改善，风向的预报精度是否也得到了提高？选取地形复杂且地形数据改善显著的云南及其周边区域(图6a 矩形框区域)为分析区域，区域内共137 站，通过个例分析风向在Control 试验和w16 试验中的预报精度。个例的24h和48h预报时效结果(图略) 表明，Control 试验表现为一致的西风和西南偏西风，和实况的多风向、均匀分布相差较大，w16 试验风向出现改变，虽然仍以西南风、西南偏西风占多，但其风向分布更接近实况风向。采用风向玫瑰图(wind rose)[40-42]统计分析关注区域的个例24h预报时效风向分布情况(图6b～6d)，可以发现SYNOP 站点观测的风向(图6b)分布相对均衡，西南风、西南偏西、西南偏南和北风都达到或超过10%，其余12 个风向站数分布相对均匀。对于Control 试验(图6c)，西风站数占35%，西南偏西风站数接近38%，其余14 个风向的站数总计不到28%，和实况风向的分布存在较大偏差。相应的，w16 试验(图6d)虽然仍是西南风、西南偏西风占主导，距离实况的西南风和西南偏西风站数比例仍存在一定差距，但其站数比例相对Control 试验已经大幅度下降，且西南偏南风的站数比和实况较接近。统计发现，w16 试验的风向分布尽管比例上较实况仍存在一定差异，但相较Control 试验已经有较大的改善，这和风向偏差空间分布(图略)的结论是一致的。其它预报时效表现为基本一致的结论(图略)。

通过试验结果和个例的分析可以得出，高分辨地形数据的引入，能够提高模式10m风向预报精度，地形地貌复杂的区域，高分辨地形在改善10m风速预报的同时，风向预报也更接近实况，这和王咏薇等[43]的研究结果一致。

图6 Control 试验和w16 试验2017060300 个例10m风速和风向结果对比a. 模式范围24h预报场Control 试验与站点实况10m风速绝对偏差减去w16 试验的空间分布，矩形框为偏差较大区，也是风向偏差重点分析区域，单位：m/s；b. 重点分析区域SYNOP 资料的16 向wind rose(风向玫瑰图)，填色表示风速，风矢端数值为该风向的平均风速；c. Control 试验24h预报时效重点分析区域16 向wind rose；d. 同c，但为w16 试验。

6 结论和讨论

华南区域GRAPES 模式完成了改进高度地形追随坐标、更新模式动力过程计算、引入新的三维参考大气等多项更新升级，这使得模式利用高分辨地形数据变得可能。引入新的地形数据和滤波平滑处理方案，通过多组对比试验，基于传统检验方法，分析高分辨地形数据对模式地面要素预报的影响，得出以下结论。

(1) 模式内置的Topo30 s 地形、新引入的SRTM 地形和基于SRTM 的多种平滑插值得到的地形，相对于模式业务使用的Topo10m地形无论从海拔偏差的空间分布还是分位数统计，都有明显的改善，在复杂地形区域的改善效果也更显著，16 点权重平均插值方案对于模式地形改善更显著。

(2) 高分辨地形试验2m气温和10m风速的MAE 有大幅度的改善，分位数统计和MAE 的空间分布特征都表明引入高分辨地形数据对于地面要素的预报精度有一定提高。但同时也发现适当的平滑能够减少模式动力过程计算的虚假扰动，进一步改善预报精度和降低模式结果的振荡。

(3) 高分辨地形对模式静态数据的改善是2m气温和10m风速MAE 下降的主要原因，模式地形改善幅度大的地区对于MAE 改善的贡献高于其他区域；风速得到改善的同时，风向预报的精度也得到了提高。

模式地形是影响预报精度的重要参数，青藏高原东侧复杂地形是华南区域GRAPES 模式天气系统和地面要素预报的重大挑战。研究同时也发现，经过一定滤波平滑能有效处理高分辨地形数据在动力过程计算时产生的“噪声”，虽然高分辨地形数据对模式预报精度有一定的改善，但也应认识到，仍需要大量数值模拟试验来研究选择何种地形处理技术降低高分辨地形“噪声”对动力计算过程等方面的影响，从而进一步提高模式稳定性和地面要素预报的精度。