WRF模式中关于eta_levels的设置以及对应的高度

简介: WRF模式中关于eta_levels的设置以及对应的高度

为什么要设置eta_levels呢?



在一般的模式研究中,当涉及到下垫面对于模拟的影响,就会使用到eta_levels。


  • 不同的地区的下垫面不同,有的是平原、有的是高原、有的是湖泊有的是高山。地面的海拔高度不同,所以按照位势高度来分层,对于模拟结果会有较大影响
  • 以青藏高原为例,对于模式模拟的结果会造成较大的误差。


eta_levels的计算公式


eta=(P-Ptop)/(Pbot-Ptop)


  • P代表某一层的气压,也就是你需要研究的那一层,Ptop(p_top_requested)代表模式顶层气压,Pbot代表海平面气压或地面气压。(WRF中好像是10hpa,不太确定)。从表达式可以看出,地面的eta值就是1,顶层就是0。这样一来,无论某个地区的下垫面的海拔高度是多少,它的eta坐标值都统一成1。
  • 模式默认的pbot = 1000hPa ,ptop = p_top_requested , ZNW变量是模式设置的eta levels
  • 当然,在模式的结果分析中,我们更想知道的是某个eta坐标对应的位势高度,比如说我们要研究离地60m高度的风速,就有必要进行二者转换。


转换公式如下所示:


gmp=(PH+PHB)/9.81-HGT


  • PH和PHB以及HGT都是模式结果中已有的变量。HGT是当地地面海拔高度。

对于WRF,README.namelist 给了两种默认eta levels的设置,28层和35层的~


eta_levels                          = 1.000, 0.990, 0.978, 0.964, 0.946,
                                       0.922, 0.894, 0.860, 0.817, 0.766,
                                       0.707, 0.644, 0.576, 0.507, 0.444,
                                       0.380, 0.324, 0.273, 0.228, 0.188,
                                       0.152, 0.121, 0.093, 0.069, 0.048,
                                       0.029, 0.014, 0.000,
eta_levels                          = 1.000, 0.993, 0.983, 0.970, 0.954,
                                       0.934, 0.909, 0.880, 0.845, 0.807,
                                       0.765, 0.719, 0.672, 0.622, 0.571,
                                       0.520, 0.468, 0.420, 0.376, 0.335,
                                       0.298, 0.263, 0.231, 0.202, 0.175,
                                       0.150, 0.127, 0.106, 0.088, 0.070,
                                       0.055, 0.040, 0.026, 0.013, 0.000


d5aa4b3b361f423b91f3c36d2d98bf03.png


链接:eta_levels

此外,ncl有函数wrf_user_intrp3d可以将wrf输出结果插值到指定的气压层

此外,这里给出49层的eta_levels,仅供参考:


 e_vert                              = 49,     49,   49,
 dzstretch_s                         = 1.1
 p_top_requested                     = 1000,
 num_metgrid_levels                  = 38,
 num_metgrid_soil_levels             = 4,
 parent_grid_ratio                   = 1,     3,     3,
 parent_time_step_ratio              = 1,     3,     3,
 feedback                            = 1,
 smooth_option                       = 0
 eta_levels                          = 1.000, 0.998, 0.996, 0.993, 0.989, 0.983, 0.975,
                                       0.965, 0.955, 0.945, 0.930, 0.915, 0.900, 0.875,
                                       0.850, 0.825, 0.800, 0.775, 0.750, 0.725, 0.700,
                                       0.675, 0.650, 0.625, 0.600, 0.575, 0.550, 0.525,
                                       0.500, 0.475, 0.450, 0.425, 0.400, 0.375, 0.350,
                                       0.325, 0.300, 0.275, 0.250, 0.225, 0.200, 0.175,
                                       0.150, 0.125, 0.100, 0.075, 0.050, 0.025, 0.000,


相关文章
WRF模式案例运行初体验--飓风示例全过程记录
本文主要记录一下首次学习WRF并运行官网案例的全过程。
WRF模式案例运行初体验--飓风示例全过程记录
|
机器学习/深度学习 PyTorch 算法框架/工具
详解三种常用标准化Batch Norm & Layer Norm & RMSNorm
通过本文的介绍,希望您能够深入理解Batch Norm、Layer Norm和RMSNorm的原理和实现,并在实际应用中灵活选择和使用,提升深度学习模型的性能和稳定性。
3877 5
|
Linux API Python
wrf模式学习记录--使用ERA5数据驱动WRF模式三层嵌套:数据下载以及模式处理
wrf模式学习记录--使用ERA5数据驱动WRF模式三层嵌套:数据下载以及模式处理
wrf模式学习记录--使用ERA5数据驱动WRF模式三层嵌套:数据下载以及模式处理
|
编解码 Shell Linux
使用GFS数据驱动WRF模式场--2层嵌套 全过程学习记录
使用GFS数据驱动WRF模式场--2层嵌套 全过程学习记录
使用GFS数据驱动WRF模式场--2层嵌套 全过程学习记录
|
机器学习/深度学习 Serverless 计算机视觉
NeRF 模型评价指标PSNR,MS-SSIM, LPIPS 详解和python实现
NeRF 模型评价指标PSNR,MS-SSIM, LPIPS 详解和python实现
5960 0
使用salem处理wrfout数据,进行切片、并插值到等压面
最近,有学习到通过salem处理wrfout数据,非常的简单快捷,读取的变量也比较方面。也可以快速出图,下面简单对比一下xarray和salem读取wrfout文件的区别:
使用salem处理wrfout数据,进行切片、并插值到等压面
|
编解码
wrf模式学习记录--如何计算三层嵌套中的e_sn/e_we/ i_parent_start/ j_parent_start
在此记录一下关于wrf模式中如何计算嵌套网格的格点数,即e_sn / e_we
wrf模式学习记录--如何计算三层嵌套中的e_sn/e_we/ i_parent_start/ j_parent_start
|
编解码 Python
python 如何绘制全球风场(以2020年月均数据为例)
python 如何绘制全球风场(以2020年月均数据为例)
python 如何绘制全球风场(以2020年月均数据为例)
|
编解码 Shell
在集群上使用ERA5数据驱动WRF模式---一层嵌套记录
在集群上使用ERA5数据驱动WRF模式---一层嵌套记录
在集群上使用ERA5数据驱动WRF模式---一层嵌套记录
|
数据处理 Python Windows
python 如何读取GFS数据(.grib文件)
python 如何读取GFS数据(.grib文件)
python 如何读取GFS数据(.grib文件)

热门文章

最新文章