WRF模式输出变量太多看不懂？这份保姆级变量速查手册（含U/V/W/PH/T等核心变量详解）

WRF模式核心变量解析与实战速查指南

第一次打开WRF模式的NetCDF输出文件时，那种面对上百个神秘变量的眩晕感我至今记忆犹新。U、V、W、PH、T...这些看似简单的字母组合背后，藏着整个大气系统的运行密码。本文将带你穿透代码迷雾，直击WRF输出的核心变量群。

1. 风场变量：大气运动的DNA

风场变量是WRF输出的基石，理解它们就能把握大气流动的脉搏。U和V分别代表东西向和南北向的风速分量，但要注意它们的网格位置不同：

# 使用xarray读取风场变量示例 import xarray as xr ds = xr.open_dataset('wrfout_d01_2020-01-01') u = ds['U'] # 西东风分量(位于网格西面边界) v = ds['V'] # 南风分量(位于网格南面边界)

垂直速度W则更为特殊，它位于模型层的交界处（半层）。实际分析时，我们常需要计算全风速：

# 计算水平风速大小 wind_speed = (u**2 + v**2)**0.5

关键风场变量速查表：

注意：直接使用U和V变量时，需要考虑它们的交错网格特性。可视化前通常需要插值到质量点网格。

2. 热力学变量：大气的温度密码

温度相关变量构成了WRF的热力学骨架。T代表扰动位温（θ-θ₀），要得到实际位温需要加上基础位温场：

# 计算真实位温 theta = ds['T'] + 300.0 # 假设基础位温θ₀=300K

地表温度变量特别值得关注：

• TSK：地表皮肤温度（瞬时值）
• T2：2米高度气温（诊断量）
• TH2：2米高度位温（诊断量）

热力学核心变量对比：

一个实际案例：如何计算相对湿度？

# 计算相对湿度的简化示例 pressure = ds['P'] + ds['PB'] # 总气压 temperature = (ds['T']+300)/((1000/pressure)**0.286) # 换算为温度 qv = ds['QVAPOR'] # 水汽混合比 es = 6.112 * np.exp(17.67*(temperature-273.15)/(temperature-29.65)) # 饱和水汽压 e = qv * pressure / (0.622 + qv) # 实际水汽压 rh = e / es * 100 # 相对湿度(%)

3. 水物质与降水变量：天气现象的显影剂

WRF中的水物质变量犹如大气的"化学成分表"，从水汽到各类降水粒子应有尽有：

# 水物质变量典型结构 qcloud = ds['QCLOUD'] # 云水混合比(kg/kg) qrain = ds['QRAIN'] # 雨水混合比(kg/kg) qsnow = ds['QSNOW'] # 雪混合比(kg/kg)

降水变量分为两类：

• 积云对流降水（RAINC）：由积云参数化方案产生
• 格点尺度降水（RAINNC）：由微物理过程直接产生

# 计算总降水量 total_rain = ds['RAINC'] + ds['RAINNC']

水物质变量使用技巧：

• 诊断云区时，结合QCLOUD>0.01g/kg的区域
• 分析强对流时，关注QRAIN的垂直分布
• 冬季降雪需重点检查QSNOW和SNOWNC

提示：使用降水变量时注意累积性质，后一时段值包含前一时段的量。计算瞬时降水率可用时间差分。

4. 地表与土壤变量：陆气交互的界面层

地表过程变量是连接大气与陆面的桥梁。土壤温度（TSLB）和土壤湿度（SMOIS）通常有4层数据：

# 提取第一层土壤数据(最表层) soil_temp = ds['TSLB'][:,0,:,:] # 土壤温度 soil_moisture = ds['SMOIS'][:,0,:,:] # 体积含水量

关键地表变量解析：

典型土壤层级参数：

# WRF默认土壤层设置 soil_depths = [0.1, 0.3, 0.6, 1.0] # 单位：米 soil_thickness = [0.1, 0.2, 0.3, 0.4] # 各层厚度

5. 辐射与云微物理变量：能量流动的追踪器

辐射变量记录了大气的能量收支状况：

# 关键辐射变量 sw_down = ds['SWDOWN'] # 向下短波辐射(W/m²) lw_down = ds['GLW'] # 向下长波辐射(W/m²) net_radiation = sw_down * (1 - ds['ALBEDO']) + lw_down - ds['EMISS']*5.67e-8*ds['TSK']**4

云微物理变量则揭示了降水形成的微观过程：

# 云水路径计算示例 import numpy as np dp = -ds['PB'].diff('bottom_top') / 9.81 # 层厚(质量加权) lwp = (ds['QCLOUD'] * dp).sum(dim='bottom_top') # 液态水路径(kg/m²)

辐射变量应用场景：

• SWDOWN：评估太阳能资源
• OLR：分析高云和深对流
• ALBEDO：研究冰雪反馈

6. 坐标与网格变量：数据空间的定位系统

WRF的坐标系统变量常被忽视，却是数据处理的基石：

# 获取垂直坐标信息 znu = ds['ZNU'] # 质量层eta值(0-1) znw = ds['ZNW'] # 交界层eta值(0-1)

地图因子（MAPFAC）处理技巧：

# 地图因子校正示例 dx = 3000 # 网格距(m) actual_distance = dx / ds['MAPFAC_M'] # 实际地面距离

关键网格变量备忘单：

7. 实用数据处理技巧与可视化示例

从原始变量到科研图表，需要一些实用技巧：

# 计算涡度的示例 import metpy.calc as mpcalc from metpy.units import units u = ds['U'].metpy.quantify() v = ds['V'].metpy.quantify() vorticity = mpcalc.vorticity(u, v)

常用诊断量计算速查：

# 位势高度计算 height = (ds['PH'] + ds['PHB']) / 9.81 # 转换为米 # 比湿计算 qv = ds['QVAPOR'] specific_humidity = qv / (1 + qv) # kg/kg

可视化案例——绘制500hPa高度场：

import matplotlib.pyplot as plt # 插值到等压面 z500 = height.interp(bottom_top=15) # 假设第15层接近500hPa plt.contourf(ds['XLONG'], ds['XLAT'], z500[0], levels=20) plt.colorbar(label='位势高度(m)') plt.title('500hPa高度场')

注意：实际应用中应先计算气压垂直坐标，再精确插值到500hPa等压面

8. 变量选择策略与常见问题排查

根据研究目标选择变量组合：

• 台风分析：U/V/W、T、QVAPOR、RAINNC
• 边界层研究：PBLH、HFX、LH、UST
• 辐射平衡：SWDOWN、GLW、ALBEDO
• 土壤湿度研究：SMOIS、TSLB、GRDFLX

常见问题处理：

1. 变量缺失？检查namelist.output设置
2. 数值异常？确认物理方案兼容性
3. 单位混乱？查阅WRF官方文档
4. 网格不匹配？使用cdo/nco工具调整

# 检查变量是否存在 if 'QCLOUD' not in ds: print("警告：未输出云水变量，需检查微物理方案设置")

经过多年WRF数据分析，我发现最常出问题的往往是地图因子和网格交错相关的计算。记得第一次做涡度分析时，因为忽略了U/V变量的交错特性，结果完全失真。后来建立了一套变量检查清单，在分析前先确认：

1. 变量定义（描述和单位）
2. 网格位置（质量点还是交错网格）
3. 时间性质（瞬时量还是累积量）
4. 是否需要与其他变量组合使用