WRF模式输出变量全解析与实战应用指南

第一次打开WRF模式输出的wrfout文件时，上百个变量名和复杂的维度结构确实容易让人望而生畏。U、V、T、QVAPOR、RAINC...这些看似简单的缩写背后，隐藏着丰富的气象信息和物理过程。本文将打破传统变量列表的枯燥形式，从实际天气分析场景出发，带您系统掌握WRF输出变量的核心要义。

1. 气象要素分类解析

1.1 风场相关变量

风场变量是WRF输出中最基础也最重要的组成部分，理解它们的结构和物理意义对后续分析至关重要：

• U/V/W ：分别代表东西、南北和垂直方向的风速分量（m/s）
  • U的维度为(bottom_top, south_north, west_east_stag)
  • V的维度为(bottom_top, south_north_stag, west_east)
  • W的维度为(bottom_top_stag, south_north, west_east)

# Python读取U变量示例
import netCDF4 as nc
ds = nc.Dataset('wrfout_d01_2020-06-01_00:00:00')
u = ds.variables['U'][:]  # 获取所有时次的U变量
u_850 = u[0,10,:,:]  # 获取第一个时次850hPa附近的U分量

注意：风场变量在网格上是交错的（staggered grid），U在x方向交错，V在y方向交错，W在垂直方向交错。进行风场分析时通常需要插值到质量点。

1.2 温湿度场变量

温湿度变量反映了大气的基本热力状态，是天气分析的核心要素：

变量名	描述	单位	维度
T	扰动位温	K	(Time, bottom_top, south_north, west_east)
TH2	2m高度位温	K	(Time, south_north, west_east)
QVAPOR	水汽混合比	kg/kg	(Time, bottom_top, south_north, west_east)
Q2	2m高度比湿	kg/kg	(Time, south_north, west_east)

; NCL计算相对湿度示例
T = wrf_user_getvar(nc_file,"T",0)  ; 获取位温
P = wrf_user_getvar(nc_file,"P",0)  ; 获取扰动气压
PB = wrf_user_getvar(nc_file,"PB",0) ; 获取基态气压
QVAPOR = wrf_user_getvar(nc_file,"QVAPOR",0) ; 获取水汽混合比
rh = wrf_rh(QVAPOR, P+PB, T)  ; 计算相对湿度

1.3 降水相关变量

WRF提供了多种降水变量，区分不同物理过程产生的降水：

• RAINC ：积云对流降水累积量（mm）
• RAINNC ：网格尺度降水累积量（mm）
• SNOWNC ：格点降雪和冰累积量（mm）
• GRAUPELNC ：霰（雪丸）累积量（mm）

# 计算总降水量
rainc = ds.variables['RAINC'][0,:,:] 
rainnc = ds.variables['RAINNC'][0,:,:]
total_rain = rainc + rainnc  # 总降水量为对流降水与格点降水之和

2. 垂直坐标系统解析

WRF采用独特的eta垂直坐标系统，理解这些变量对正确解释垂直剖面至关重要：

• ZNU ：半层（质量点）eta坐标值（无单位）
• ZNW ：整层（w点）eta坐标值（无单位）
• PH/PHB ：扰动位势和基态位势（m²/s²）
• P/PB ：扰动气压和基态气压（Pa）

# 计算实际高度（米）
ph = ds.variables['PH'][0,:,:,:] 
phb = ds.variables['PHB'][0,:,:,:]
height = (ph + phb)/9.81  # 将位势转换为几何高度

3. 地表与土壤变量

地表过程变量对边界层分析和陆面过程研究特别重要：

• TSK ：地表皮肤温度（K）
• SOILT ：土壤温度（K）
• SMOIS ：土壤湿度（m³/m³）
• HFX ：感热通量（W/m²）
• LH ：潜热通量（W/m²）

; 绘制土壤温度垂直剖面
smois = wrf_user_getvar(nc_file,"SMOIS",0)  ; 获取土壤湿度
soil_levels = (/5,20,40,60,100/)  ; 土壤层深度(cm)
wrf_contour(wks, smois(0,:,:), opts)  ; 绘制表层土壤湿度

4. 辐射与能量平衡变量

辐射变量对理解地表能量收支和大气辐射过程非常关键：

• SWDOWN ：向下短波辐射（W/m²）
• GLW ：向下长波辐射（W/m²）
• OLR ：向外长波辐射（W/m²）
• ALBEDO ：反照率（无单位）

# 计算净辐射
swdown = ds.variables['SWDOWN'][0,:,:]
glw = ds.variables['GLW'][0,:,:]
albedo = ds.variables['ALBEDO'][0,:,:]
net_rad = swdown*(1-albedo) + glw - olr

5. 实用分析与诊断技巧

5.1 变量组合分析

实际应用中，经常需要组合多个变量进行诊断分析：

• 风速计算 ： wind = sqrt(U² + V²)
• 相对湿度计算 ：需要T、P、QVAPOR组合
• 位涡计算 ：需要U、V、T、P等变量

; 计算10m风速
u10 = wrf_user_getvar(nc_file,"U10",0)
v10 = wrf_user_getvar(nc_file,"V10",0)
wind10 = sqrt(u10^2 + v10^2)

5.2 常见问题排查

• 变量缺失 ：检查namelist.output中的输出设置
• 单位混淆 ：特别注意位温(K)和温度(℃)的区别
• 维度错误 ：注意交错网格变量的维度匹配

提示：使用wrf-python或NCL的wrf_user_getvar函数可以自动处理许多网格和单位转换问题。

6. 可视化实战案例

6.1 强降水过程分析

# 绘制强降水区域叠加风场
import matplotlib.pyplot as plt
from wrf import getvar, to_np

total_rain = getvar(ds, "RAINNC") + getvar(ds, "RAINC")
u10 = getvar(ds, "U10")
v10 = getvar(ds, "V10")

plt.contourf(to_np(total_rain), levels=np.arange(0,50,5))
plt.barbs(to_np(u10[::5,::5]), to_np(v10[::5,::5]))
plt.colorbar(label="Total Precipitation (mm)")

6.2 边界层结构分析

; 绘制边界层高度时间序列
pblh = wrf_user_getvar(nc_file,"PBLH",-1)  ; 获取所有时次PBLH
times = wrf_user_getvar(nc_file,"times",-1) ; 获取时间坐标

plot = gsn_csm_xy(wks,times,pblh(50,50),res)  ; 绘制单点时间序列

在实际业务和科研中，WRF输出变量的灵活运用需要结合具体分析目标。建议从几个关键变量入手，逐步扩展到更复杂的诊断分析。遇到不熟悉的变量时，可以先用ncdump查看其描述和单位，再通过小范围测试理解其物理意义。