新疆博斯騰湖湖陸風效應為主導的地面弱風預報方法

苗青建，矯東霖，陳江云，徐 唱，吳思江，羅 超，劉 杰，武 越，嚴 鵬

（西北核技術研究所，新疆 烏魯木齊841700）

新疆博斯騰湖地處焉耆盆地，其東面和南面均為沙漠和戈壁灘，西面和北面為平原地帶，植被豐富且有大面積農田，靠近湖邊為稠密的紅柳、駱駝刺等植被，四周地勢向湖區(qū)傾斜，復雜的地形地貌是導致局地小氣候的主要因素。湖陸風是熱力作用下的中尺度環(huán)流系統(tǒng)，湖面與陸面顯著的溫度差異是湖陸風主要的形成原因[1-6]。一般離湖越近，湖陸風越明顯，研究地面弱風預報對認識局地天氣特征和大氣循環(huán)規(guī)律有一定的幫助，同時對國防科研飛行器飛行試驗關心的弱風環(huán)境的短臨預報具有重要的意義[7]。

國內對博斯騰湖區(qū)域風場的研究文獻相對較少，特別是湖區(qū)周邊地面風的預報更是少見，王蓉等[8]、劉電英等[9]分別利用博斯騰湖和鄱陽湖多個氣象觀測站資料討論了湖陸風特征，發(fā)現(xiàn)博斯騰湖湖區(qū)、鄱陽湖湖陸風現(xiàn)象明顯，博斯騰湖冬季湖面結冰，冬季與陸面溫差小于夏季與陸面溫差，導致湖陸風夏半年強，而冬半年弱，夏半年的持續(xù)時間也長于冬半年。吳增福等[10]分析了高郵湖湖陸風的氣候特點，探討了不同天氣系統(tǒng)影響時湖陸風速的差異，應用線性分析的統(tǒng)計學理論建立湖上風速的預報方程，歷史擬合率和試報結果表明不同天氣系統(tǒng)影響時，是預報湖面風速的較好工具。強冷空氣過程打破了湖陸風影響機制，陸鴻賓等[11]采用濾去大尺度系統(tǒng)的影響的方法計算了風向頻率和風速，得出了較好的結論。本文利用博斯騰湖東南陸地2017年5—9月6套自動觀測站風場資料，只研究夏半年晴好天氣下的湖陸風效應問題，計算區(qū)域風向一致性和概率密度，分析和探討地面弱風（本文定義風速≤3 m/s為弱風）的預報問題。

1 博斯騰湖地形及自動站位置

博斯騰湖是我國最大的內陸淡水湖，東西長55 km，南北寬25 km，湖區(qū)水域面積約1228 km2，湖面海拔高度約1048 m，周邊地形地貌詳見圖1。圖1中矩形框線內為6套自動觀測站架設區(qū)域，中部架設2套自動觀測站，四周各架設1套自動觀測站，北面湖邊站距湖岸約0.2 km，南邊站距湖岸約12 km，各站于2016年7月開始觀測。

圖1 博斯騰湖地形及自動觀測站分布

2 數(shù)據(jù)計算

2.1 風場日變化

圖2是2017年7月湖邊自動觀測站風向風速日變化圖。可以看出，博斯騰湖東南區(qū)域夜間以偏南風為主，風向由陸地吹向湖面，白天盛行西北風，風向由湖面吹向陸地，風向轉換時間在08—10時和21時前后，白天風速大于夜間，湖風強盛時間在15—18時，風速較小時段與風向轉換時段基本吻合。通過以上分析發(fā)現(xiàn)，博斯騰湖東南湖陸風現(xiàn)象明顯，湖風強于陸風。

2.2 數(shù)據(jù)甄選

（1）計算機初選

所用資料為2017年5—9月每10 s采集一組的溫度、濕度、風向、風速和氣壓自動觀測站數(shù)據(jù)。根據(jù)本地氣候特征，夏半年日溫差范圍一般出現(xiàn)在8~20℃，本文選取10℃以上日溫差，主要考慮一是可以剔除冷空氣影響的天氣過程，二是兼顧湖邊自動觀測站（距離湖體較近導致日溫差小于其他站點）以免漏掉數(shù)據(jù)。

（2）人工精選

計算機初選只考慮了日溫差因素，對短時強對流天氣下而日溫差又較大的數(shù)據(jù)文件無法有效甄別，因此，再利用天氣圖和顯示軟件對初選數(shù)據(jù)逐一普查，可精準判別符合湖陸風特征的數(shù)據(jù)文件，最終選取晴好天氣下的風場數(shù)據(jù)形成資料庫。

2.3 區(qū)域一致性系數(shù)

計算一致性系數(shù)時，選取所有測站各時刻最大風向差作為邊界輸入條件。最大風向差太小，容易濾掉由于地形原因導致的正常風向偏差數(shù)據(jù)；最大風向差太大，就失去了研究意義[12]，所以本文選取最大風向差在30°~90°并以10°間隔逐一計算。一致性系數(shù)計算主要公式如式（1）所示。

其中，N為區(qū)域內總的測站數(shù)，Σxi為區(qū)域內測站風向在（ρ1，ρ2）之間的測站數(shù)，（ρ2-ρ1）為設定的扇形區(qū)域角度，一般情況下為一個給定的值。ρ1，ρ2∈（0，360），ρ為ρ1、ρ2在整個360°區(qū)域內變化得到的最大值。

計算方法是按月計算，把甄選后的數(shù)據(jù)文件分別放在對應月的文件夾中，利用程序讀出所有站點相同日期相同時刻的風向數(shù)據(jù)進行比較計算，最后得出按日期和時間排列的一致性系數(shù)數(shù)據(jù)文件。

2.4 概率密度

利用2.3中的計算結果統(tǒng)計各月一致性系數(shù)的概率密度，方法是逐小時計算[13-14]，如0—1時的數(shù)據(jù)統(tǒng)一計算在0時，以此類推。根據(jù)風場日變化規(guī)律，風向、風速的穩(wěn)定性一般持續(xù)2 h左右，對概率密度數(shù)據(jù)的計算無需按分鐘給出，這樣得出的結果為24個數(shù)據(jù)。概率密度通用計算公式如（2）所示：

其中，ai，bi為風向區(qū)間，j為風向分割點數(shù)，如0°~180°范圍 10°為間隔的 ai=20、bi=30， 則 j=18，n 為站點數(shù)。

圖2 2017年7月博斯騰湖東南湖岸風場日變化分布（a為風速；b為風向）

試驗方法：對2.3中最大扇形風向差為30°、40°、50°、60°、70°、80°、90°的數(shù)據(jù)分別求概率密度，得出出現(xiàn)在該角度差內以時間為序列的最大概率密度對應的站點比例，即為各時間段區(qū)域風向的穩(wěn)定性，然后對不同角度差內區(qū)域風向穩(wěn)定性結合風速規(guī)律進行日變化模式比較，最終選取以60°最大風向差作為模式輸入邊界條件。

以2017年8月17—18時為例說明選取60°為控制條件的原因。由表1可以看出，從60°開始增大控制條件后得出概率密度的數(shù)據(jù)非常接近，30°和40°角度差的概率密度有分散的趨勢，50°次之。另外，上文2.2中所述的角度差選取原則，在17—18時的扇形角度差選取60°比較合適。通過計算其他時間的角度差選取與上述結果比較一致，因此，以60°作為數(shù)據(jù)計算控制條件。

表1 2017年8月17—18時各扇形角度差概率密度對應測站數(shù)量

2.5 建立模型

對2.4中得出的各月各時段最大概率密度分別對應的一致性系數(shù)進行選取，形成以時間變化的數(shù)據(jù)序列，用傅里葉變換方程進行擬合，得出各月區(qū)域一致性系數(shù)日變化模型（圖3）。

由圖3可知，5—9月區(qū)域一致性系數(shù)日變化趨勢基本一致。區(qū)域一致性系數(shù)較小的時間一般出現(xiàn)在08—10時和21時前后，較大的時間出現(xiàn)在23時至次日03時和15—18時，各月均出現(xiàn)了清晨、午后、傍晚和夜間4個特征時段。

根據(jù)圖3和表2可以確定夏半年區(qū)域一致性系數(shù)日變化模型的4個典型時間段指標值，分別為＜60、≥80、50~70、50~80。 各月相同時間區(qū)域一致性系數(shù)（或系數(shù)區(qū)間）略有差別，主要原因是季節(jié)太陽輻照度、日出日落時間的不同，其次是使用的歷史樣本較少。

表2 5—9月典型時間段區(qū)域一致性系數(shù)分布

3 地面弱風預報方法

3.1 區(qū)域一致性系數(shù)方程

表3為各月以時間為變量的區(qū)域一致性系數(shù)方程，通過時間輸入可以得出對應時間的區(qū)域一致性系數(shù)，由于區(qū)域一致性系數(shù)的大小和風場有一個很好的對應關系，再結合大背景環(huán)流形勢和局地觀測數(shù)據(jù)進行弱風時段預報。

圖3 2017年5—9月區(qū)域一致性系數(shù)日變化曲線（a~e分別代表 5、6、7、8、9 月）

表3 5—9月區(qū)域一致性系數(shù)方程

3.2 模式檢驗

為避開模式計算所用數(shù)據(jù)來驗證模型本身的問題，本文選用符合條件的2016年7月12日、8月3日和9月3日以及2018年5月17日、6月2日風場數(shù)據(jù)分別代表5—9月。對表3中各月方程以0.5 h為間隔代入，求出逐時刻一致性系數(shù)，與風場數(shù)據(jù)繪制在同一張圖上進行對比驗證。

3.2.1 區(qū)域一致性檢驗

由圖4可以看出，6套自動觀測站實測風速日變化均與區(qū)域一致性系數(shù)日變化趨勢基本一致，即風速較大時區(qū)域一致性系數(shù)較大，風速較小時區(qū)域一致性系數(shù)通常較小。

由圖5可以看出，6套自動觀測站風向也在區(qū)域一致性系數(shù)較大時段較為一致，6站之間風向變化范圍基本在90°以內，在湖風強盛時風向差在60°以內，而區(qū)域一致性系數(shù)較小的時段，風向變化幅度在120°~180°。檢驗結果可以說明區(qū)域一致性系數(shù)與風場變化有較好的相關性。

表4是上述各單日風向風速數(shù)據(jù)與模型數(shù)據(jù)相關系數(shù)計算結果。可以得出，2018年5月17日相關系數(shù)達到了0.5以上中等相關，其次為2016年9月3日和2018年6月2日，2016年8月3日相關性最差，而且風向出現(xiàn)了負相關，原因是8月3日05—09時各自動觀測站均出現(xiàn)了較為一致的偏南風，導致夜間風向一致性系數(shù)較大，與本文2.5中8月模型特征相反。本文只選擇了1日進行對應月模型相關性檢驗，具有個例現(xiàn)象，但整體來說，風速相關性好于風向。

表4 單日風向風速數(shù)據(jù)與模式數(shù)據(jù)的相關系數(shù)

圖4 5—9月風速與區(qū)域一致性系數(shù)（a~e分別代表 5、6、7、8、9 月）

3.2.2 冷空氣影響下的模型分析

為進一步確認以湖陸風效應為主導的區(qū)域一致性系數(shù)日變化模型的獨特性，現(xiàn)對冷空氣影響下的風場數(shù)據(jù)以同樣的方法進行計算，得出冷空氣影響下的各月區(qū)域一致性系數(shù)日變化模型。

圖6是冷空氣影響下各月區(qū)域一致性系數(shù)日變化曲線。可以看出，冷空氣影響下的區(qū)域風向穩(wěn)定且一致，打破了由湖、陸溫度差引起的局地風場變化機制，與本文2.5中模型數(shù)據(jù)特征不符，不存在湖陸風效應下特有的典型弱風時段。

3.2.3 結果

通過對比分析發(fā)現(xiàn)，區(qū)域一致性系數(shù)的大小可以反映區(qū)域風場的穩(wěn)定性，一致性系數(shù)較大說明區(qū)域風向較一致，風速較大，反之說明區(qū)域風向較亂，風速較小。由此可以推斷，在天氣系統(tǒng)穩(wěn)定的情況下，博斯騰湖東南區(qū)域一致性系數(shù)和風場變化具有較好的對應關系。

區(qū)域一致性系數(shù)方程以時間作為變量，基本揭示了以湖陸風效應為主導的風場基本規(guī)律，但具體到特定日的區(qū)域風速震蕩就有一個偏差問題，主要原因可能是6套自動觀測站海拔高度、周邊地理環(huán)境和距離湖岸有較大差異引起的[15]，不能簡單判斷區(qū)域一致性系數(shù)大風速就一定大，如在弱冷空氣東灌時，區(qū)域一致性系數(shù)也較大，而風速較小，這就需要預報員進行綜合分析和技術訂正，做出預報。

圖5 5—9月風向與區(qū)域一致性系數(shù)

圖6 冷空氣影響下2017年5—9月區(qū)域一致性系數(shù)日變化曲線（a~e分別代表 5、6、7、8、9 月）

3.3 弱風預報方法

弱風預報思路見圖7。首先確認大背景環(huán)流形勢為脊或淺脊控制，新疆大部地區(qū)特別是南疆無明顯冷空氣活動；其次用月預報方程進行一致性系數(shù)計算，得出未來24 h內特定時段的區(qū)域一致性系數(shù)；然后分析區(qū)域一致性系數(shù)對應風速區(qū)間，結合月或旬的風場規(guī)律給出對應時段風速值（或風速區(qū)間）；最后綜合判斷可能影響局地天氣的短時中小尺度因素，如周邊中低云的發(fā)展移向、溫度平流等進行必要的訂正，進而得出預報結論。對弱風時段預報來說，時間相對固定，即08—10時和20—22時弱風出現(xiàn)的概率最大，但預報時還要充分考慮各種影響因素，進行弱風時段提前或推后預報。

圖7 弱風時段預報思路

以7月為例得出弱風預報參考指標（表5）：一致性系數(shù)＜50出現(xiàn)弱風的概率較大，風速一般在3 m/s以下。另外，根據(jù)區(qū)域一致性系數(shù)的日變化模式，特別是夜間一致性系數(shù)是一個震蕩變小的趨勢，抓住局地天氣變化過程中的高影響因素，也可預報弱風在夜間的出現(xiàn)時段。該模型能夠揭示以湖陸風效應為主導的地面風場變化規(guī)律，但需要特定的環(huán)流形勢等作為前提條件。

表5 7月弱風時段預報參考指標

4 結論與討論

本文通過對2017年5—9月博斯騰湖東南自動觀測站區(qū)域風場一致性系數(shù)計算和分析，得到主要結論如下：

（1）博斯騰湖東南陸地湖陸風現(xiàn)象明顯，弱風時段一般出現(xiàn)在06—10時和21時前后，基本確定了弱風預報參考指標，初步提出了弱風時段的預報思路。

（2）以湖陸風效應為主導的5—9月區(qū)域風向一致性系數(shù)模型能夠較好地反映區(qū)域風場變化特點，一致性系數(shù)＜50說明區(qū)域風向較亂，風速較小；一致性系數(shù)＞80說明區(qū)域風向一致，風速一般較大。

（3）5—9月一致性系數(shù)預報方程是以時間作為變量進行使用，在高壓脊或淺脊大背景下，綜合考慮局地高影響因素，參考弱風預報指標進行弱風時段的具體預報。

湖陸風效應對博斯騰湖流域地面風影響顯著，以此為基礎得出的預報模式能夠較好地反映風場特點，但由于使用資料時間長度較短，還不能精細說明風場變化，如風速大到什么程度一致性系數(shù)趨于明顯增大，建立旬或候的模型是否更精確等等，都需要今后做大量的研究工作進一步驗證。另外，本文使用的資料僅為2017年數(shù)據(jù)，不具有普遍性，在應用時需要注意資料的局限性。

致謝：本文得到了寧輝研究員、王雷高級工程師的指導和幫助，在此表示感謝！