主流海表風場資料在舟山群島近海的性能評估*

劉紫薇 趙帥康 魏笑然 白曄斐,2①

(1. 浙江大學海洋學院 浙江舟山 316021; 2. 海南浙江大學研究院 海南三亞 572024)

全球近海面風場是影響人類海上活動的重要因素之一。在能源領域, 風能作為世界上發展最快的能源技術(Huanget al, 2015), 具有分布廣泛、可持續利用的特點(Leunget al, 2012)。在全球變暖嚴重威脅人類可持續發展的背景下(徐冠華等, 2013), 風能是應對資源危機的最佳選擇(Kumaret al, 2016)。在交通領域, 海上強風不僅會降低船速, 加劇燃油消耗, 從而增加溫室氣體排放量(吳力川等, 2012), 還會導致碰撞、傾覆、擱淺等船運事故(程宏林等, 1996)。在安全領域, 近40 年來臺風強度逐漸增強(Guanet al,2018), 東南沿海臺風、風暴潮、寒潮等災害頻發(李敏等, 2009), 嚴重影響人民生命財產安全(Xuet al,2015)。因此, 準確描述近海面風場對發展清潔能源、保障海上運輸、有效防災減災等具有重要意義。

隨著計算機技術、數據同化技術和天氣預報模型的快速發展, 全球再分析風場數據集融合陸基氣象觀測數據、海基船載或浮標數據和天基衛星遙感數據,已成為海上風場研究的主流工具(Ramonet al, 2019)。再分析數據被廣泛應用于風能資源分布和評估(王國松等, 2014)、風電場規劃設計(葉小嶺等, 2019)、災害天氣時空變化特征(李愛蓮等, 2021)和船運安全航行(Satoet al, 2020)。在應用中一些學者逐步發現各種風場產品在不同海域的性能并不相同(李正泉等, 2016)。Alvarez 等(2014)對比研究比斯開灣南部5 種風場數據, 包括: ECMWF 全球大氣臨時再分析數據(ECMWF atmospheric reanalysis Interim, ERA-Interim)、現代研究與應用回顧性分析數據(modern-era retrospective analysis for research and applications,MERRA)、NECP 全球高分辨率再分析數據(climate forecast system reanalysis, CFSR)、快速散射計(quick scatterometer, QuikSCAT)和美國宇航局物理海洋學分布存檔中心的多衛星融合資料(cross-calibrated multi-platform, CCMP), 發現CCMP 數據集的誤差值最低; 劉解明等(2020)對比北半球海域4 種表層風場資料, 包括: CFSR/CFSv2(國家環境預測中心第二版全球高分辨率再分析數據, climate forecast system version 2)、ERA-Interim、全球業務最終分析資料(final operational global analysis, FNL)和CCMP, 也得到相同的結論; Peng 等(2011)在比較不同類型風場資料在赤道海域的適用性時發現CFSR 再分析資料相關性始終最高, 且總均方根誤差最小。

為找到適合于我國各海區的近海表風場再分析產品, 國內學者也開展了一定的研究。曠芳芳等(2015)就2011 年臺灣海峽處的3 個浮標觀測資料與3 種海面風場資料進行對比后發現, CCMP 和NCEP 資料比ERA 資料更接近觀測。敖雪等(2018)對1981～2015 年遼寧省海岸帶3 種再分析資料進行了對比分析, 認為CFSR 資料的可信度較好, 日本 55 年再分析數據(Japanese 55-year reanalysis, JRA-55)資料次之, ERA資料誤差較大。然而, 侯敏等(2017)、Wang 等(2020)的結果卻與之不同, 他們均在中國海域得出JRA-55和ERA-Interim 的風速比CCMP 和CFSR 更接近實測值。其中, CCMP 數據與實測數據具有很好的一致性,可有效彌補實地觀測數據的不足(張鵬等, 2011; 鄭崇偉, 2011)。我國東海海域雖有相關研究, 但工作多集中在爭議較少的遠海區域(毛科峰等, 2012), 在近海海域的認識仍有待提高; 同時ECMWF 發布的哥白尼大氣監測服務(the Copernicus atmosphere monitoring Service, CAMS)資料也尚未在近海與其他廣泛使用的產品進行性能比較。綜上可見, 各再分析數據集在描述近海表風場時呈現一定共性, 但在不同海域和時間尺度上存在顯著差異, 因此應分區域、分要素、分季節地評估和選擇合適的資料。

隨著我國“一帶一路”戰略的提出, 舟山港成為港口內外條件和航線網絡中競爭力很強的重要樞紐(陳芙英等, 2021), 隨之而來的風電、橋梁、石化、船運等產業對群島海域高精度風場的需求劇增(王瓊等,2020)。鑒于此, 本研究基于2018 年全年單點浮標觀測資料, 分析舟山群島近海面風場的季節變化規律,綜合評估ERA5、CFSv2、CCMP、JRA-55、第二版現代研究與應用回顧性分析數據(modern-era retrospective analysis for research and applications version 2,MERRA-2)和CAMS 這6 種全球再分析風場資料的性能, 以期發現適合于描述舟山群島近海面風場的再分析數據集, 為開發適用于舟山群島近海的高精度長周期風場數據產品奠定基礎。

1 數據與方法

1.1 數據集

1.1.1 觀測數據 現階段衛星數據仍存在同步軌道位置有限、覆蓋范圍不足、空間分辨率較低、近海岸反演的精度較差、傳輸時延大以及自身誤差等問題(常蕊等, 2014; 姚日升等, 2016), 因此, 實地長期觀測數據相比衛星數據而言, 更適合為風場的研究提供參考。本研究采用位于舟山東南部開闊海域的蝦峙門外錨地觀測點(圖1)所提供的2018 年全年風速和風向記錄作為基準數據。舟山近海春夏季以東南風為主,秋冬季則以西北風為盛, 2018 年該海域共受到7 次臺風影響(軌跡如圖1), 因而, 風場演變復雜, 有利于驗證各風場產品在復雜海洋環境下的可靠性。

圖1 蝦峙門觀測站點地理位置與臺風路徑圖Fig.1 Location of Xiazhimen observation station and typhoon trajectories

1.1.2 ERA5 ERA5 數據集是在歐盟資助下由ECMWF 打造, 繼ERA-15, ERA-40 和ERA-Interim 之后的第五代全球大氣再分析數據(Hersbachet al,2020)。該數據集利用 ECMWF 綜合預報系統(integrated forecasting system, IFS)中的四維變分數據同化(four-dimensional variational data assimilation,4D-Var)技術和模型預報產生, 包含了1950 年以后全球大氣、陸地表面和海浪的詳細記錄, 垂向包含從地表至0.01 hPa (距地面約80 km)共137 個模式層。

1.1.3 JRA-55 JRA-55 數據集是由日本氣象廳(Japan Meteorological Agency, JMA)提供的第二個全球大氣再分析項目(Kobayashiet al,2015), 是前序JRA-25 數據集的升級版。該再分析數據集涵蓋了55 a,可以追溯到1958 年全球無線電探空儀觀測系統建立的時期, 是自歐洲中期天氣預報中心ERA-40 再分析數據以來覆蓋過去半個世紀的首個全面再分析數據,也是首個在這一時期應用4D-Var 分析的再分析數據。

1.1.4 CFSv2 CFSv2 數據集是NCEP 發布的第二版全球高分辨率的再分析產品, 該版本在前序CFSR的基礎上對系統的同化和預報模型組件進行了升級(Sahaet al, 2014), 是第三個利用全球高分辨率大氣-海洋-陸地表面-海冰耦合系統的再分析數據, 垂向包含64 層, 對32 a 時間(1979～2010 年)進行過耦合再分析, 為29 a 時間(1982～2010 年)綜合再預測提供初始條件。

1.1.5 CCMP CCMP 風場資料是以ECMWF 的再分析和業務資料作為背景場, 利用 (變分分析方法(variational aanlysis method, VAM), 融合第二代高級地球觀測衛星(advanced earth observing satellite 2nd generation, ADEOS-Ⅱ)、QuikSCAT、熱帶降雨測量任務微波成像儀(tropical rainfall measuring mission microwave imager, TRMM TMI)、特殊傳感器微波成像儀(special sensor microwave imager, SSM/I)、高級微波掃描輻射計-地球觀測系統(advanced microwave scanning radiometer-earth observing system, AMSR-E)等多種衛星探測海面風產品以及部分船舶、浮標觀測資料, 再經海洋系泊浮標對輻射計和散射計數據驗證而得到的一種高時空分辨率多衛星融合資料, 目前在國內外得到廣泛應用(Atlaset al, 2011)。

1.1.6 MERRA-2 MERRA-2 數據集(Molodet al,2015)是 NASA 全球模擬和同化辦公室(the global modeling and assimilation office, GMAO)制作的衛星時代全球大氣再分析的最新版本, 是使用第 5 版Goddard 地球觀測系統模型(the goddard earth observing system model version 5 , GEOS-5)及其大氣數據同化系統(atmospheric data assimilation system, ADAS)得到的大氣再分析數據集。該再分析數據集是MERRA再分析數據集的高級版本, 涵蓋了1980 年至今的時期, 最高水平精度7 km。

1.1.7 CAMS CAMS 全球再分析EAC4 (ECMWF atmospheric composition reanalysis 4)數據集(Innesset al, 2019)是基于早期大氣成分和氣候再分析(the monitoring atmospheric composition and climate,MACC)基礎上的第四代ECMWF 大氣成分全球再分析數據集, 使用 ECMWF 綜合預報系統(IFS)中的4D-Var 數據同化得到, 垂向60 層, 時間范圍從2003年起至2020 年, 還可提供臭氧、一氧化碳、二氧化氮和氣溶膠光學深度等數據, 被廣泛應用于計算氣候學、研究趨勢、評估模式等。

1.2 研究方法

由于各再分析資料在全年和不同季節時間尺度的表現情況存在差異(謝瀟等, 2011), 且不同季節所蘊含的大氣動力過程特征不一, 故本文將2018 年按季節分為春(3～5月)夏(6～8 月)秋(9～11 月)冬(12～2 月)4個部分, 將各再分析資料進行時空插值從而得到與觀測點相同位置和相同時間精度的時間序列, 在全年尺度和季節尺度分別進行6 種統計指標的誤差分析, 從而評估各再分析資料在舟山群島海域的適用性。

1.2.1 數據匹配 各再分析資料在空間和時間的分辨率不盡相同(表1), 為與觀測資料進行匹配比較,本研究采用三次樣條插值方案將所有再分析資料的時間精度統一至1 h, 空間精度統一至0.125°×0.125°。

表1 表層10 m 風場資料產品的數據特征Tab.1 Characteristics of surface 10 m wind field data products

1.2.2 計算方法 本研究共選取5 種通用指標來衡量再分析風場產品與實測數據之間的差異, 包括平均絕對誤差(EM)、均方根誤差(ERMS)、偏差率(B)、離散指數(IS)和相關系數(R), 其計算公式如下:

其中, 權重系數k1和k2在風速誤差分析中分別為103和10, 在風向誤差分析中分別為104和102。給定相應的倍數可增加該指標在整體中的權重, 使其與其他指標在同一量級。

2 結果與分析

2.1 風速對比與誤差分析

根據圖2a～2f 中各再分析風場產品與實測數據在2018 年的風速時間序列對比, 我們開展誤差分析, 在全年和4 個季節時間尺度分別計算EM、ERMS、B、IS、R和指標, 統計結果如表2。

表2 蝦峙門站點處風速誤差表Tab. 2 Errors of wind speed in different datasets at Xianzhimen station

續表

圖2 蝦峙門站點處實測數據分別與ERA5 (a)、CFSv2 (b)、CCMP (c)、JRA-55 (d)、MERRA-2 (e)、CAMS (f)數據的風速時間序列對比圖Fig.2 Comparison in wind speed time series of the measured data to those of ERA5 (a), CFSv2 (b), CCMP (c), JRA-55 (d), MERRA-2(e), and CAMS (f) data at Xianzhimen station

結合圖表結果可知, 各風場數據在全年整體趨勢上與實測資料基本吻合, 但普遍存在高風速無法準確刻畫的問題(毛科峰等, 2012), 如ERA5、CCMP、JRA-55、MERRA-2 和CAMS 均會對部分高風速的估值偏低; 而較為特殊的, CFSv2 可較好地刻畫高風速極值, 但對中低風速的擬合不理想。從各季節來看,CCMP、CAMS、MERRA-2 在春夏季的擬合效果相對較好, 而CFSv2 欠佳, 這主要由于春夏季風速整體較低。ERA5 在秋季的性能最好, 而CCMP、JRA-55 和ERA5 在冬季表現較優。因而, 我們推薦在春冬兩季使用CCMP; 夏季建議使用MERRA-2; 秋季臺風多發, ERA5 受臺風影響的程度較小, 性能較好。

2.2 風向對比與誤差分析

根據圖3a～3f 中各再分析風場產品與實測數據在2018 年的風向時間序列對比, 我們開展同風速類似的誤差分析, 其統計結果如表3。

表3 蝦峙門風向誤差表Tab.3 Errors of wind direction in different datasets at Xianzhimen station

圖3 蝦峙門站點處實測數據分別與ERA5 (a)、CFSv2 (b)、CCMP (c)、JRA-55 (d)、MERRA-2 (e)、CAMS (f)數據的風向時間序列對比圖Fig. 3 Comparison in wind direction time series of the measured data to those of ERA5 (a), CFSv2 (b), CCMP (c), JRA-55 (d),MERRA-2 (e), and CAMS (f) data at Xianzhimen station

結合圖表結果可知, 在全年時間尺度各風場數據在整體趨勢上與實測資料基本吻合, 但誤差量級相對較大, 如4 月初、6 月和7 月等都存在15°～30°的偏差, 而8 月上旬和11 月下旬也存在20°～60°的偏差。風速擬合性能不佳的CFSv2 再分析數據在全年風向擬合的結果優于其他風場產品, 其次是ERA5。從各季節來看, 由于秋冬季30°N 附近的大氣運動較為劇烈, 因此各項誤差指標較春夏季普遍偏高。CFSv2在各季節的綜合指標均為最小。除CFSv2 外, ERA5在春夏季的性能較好, CAMS 在秋冬季的性能略優。CCMP、JRA-55 和MERRA-2 在風向上的綜合指標與上述3 種風場產品的差距較大。綜上所述, CFSv2 適合應用在舟山群島近海的風向研究中, 其次是ERA5。

3 討論

為進一步研究舟山群島近海表風場的風速與風向分布特征, 我們以風玫瑰圖的形式展示蝦峙門站點處實測數據和各再分析風場產品在2018 年全年的比例分布(圖4), 其中風速以5 m/s 為一個區間, 共分為低、中低、中高和高風速共4 個量級, 而風向羅盤以22.5°為一個區間, 共分16 個方位。如圖4a 所示,蝦峙門海域風場整體呈南北走向, 北向風場比重大于南向風場: 北向風場以北向和北西北向為盛, 風速可高于15 m/s; 南向風場以南風和南西南風為主, 風速都在15 m/s 以下。在全年8 671 組實測風速數據中,低速、中低速、中高速和高速的占比分別為39%、43%、16%和2%。在低風速區間, JRA-55 的風速占比與實測最為接近, 為43%。在中低風速區間, 各再分析產品的占比類似, 均處于48%～52%內。在中高風速區間, EAR5 的風速占比為13%, 與實測較為接近。對于高風速, CFSv2 的占比偏高, 而其余各資料的占比又偏低, 與實測資料的差距較大。在全年8 671 組實測風向數據中, 第一象限(0°～90°)、第二象限(90°～180°)、第三象限(180°～270°)和第四象限(270°～360°)內風向的占比分別為32%、30%、18%和20%。在第一象限中, 各再分析資料普遍占比偏高,CFSv2 (34%)最為接近實測數據占比。在第二象限中,各再分析資料普遍占比偏低, CFSv2 (24%)最為接近實測數據占比。在第三象限中, 各再分析資料普遍占比偏低, EAR5 (14%)最為接近實測數據占比。在第四象限中, 各再分析資料普遍占比偏高, JRA-55 (27%)最為接近實測數據占比。綜合風速和風向分布, 我們發現各再分析資料在中低風速比重偏多; 在風向分布上呈現整體偏東的趨勢, 特別在 90°～135°和270°～315°區間最為明顯, 這與韓玉康等(2019)在呂宋海峽處對3 種海面風場資料(ERA-Interim、CCMP、CFSR)的比較與評估發現相同。

圖4 蝦峙門站點處實測數據(a)、ERA5 (b)、CFSv2 (c)、CCMP (d)、JRA-55 (e)、MERRA-2 (f)、CAMS (g)數據集的風玫瑰圖Fig.4 The wind rose diagram of measured data (a), ERA5 (b), CFSv2 (c), CCMP (d), JRA-55 (e), MERRA-2 (f), and CAMS (g) at Xiazhimen station

4 結論

本文基于2018 年全年單點浮標觀測數據, 利用EM、ERMS、IS、B、E和R在內的6 個統計指標, 在舟山群島近海對ERA5、CFSv2、CCMP、JRA-55、MERRA-2 和CAMS 六種風場資料進行誤差分析與評估, 并通過線性趨勢檢驗和風玫瑰圖研究了各風場產品全年分布及季節變化特征, 主要結論如下:

(1) 不同風場產品的同化系統差異使得這些風場產品的模擬能力有所不同, 根據線性趨勢及對全年的誤差分析可知, ERA5 對風速的再現能力最優,其次為JRA-55。

(2) 不同風場產品中不同要素間的可信度有所差別,在風速方面, ERA5 的再現情況較優, 其次為JRA-55。在風向方面, CFSv2 的擬合情況較好, 其次是ERA5。

(3) 不同風場產品在不同季節的模擬能力也有所差異, 對于風速, CCMP 在春冬兩季的再現能力較好, CAMS 在夏季的再現情況較優, ERA5 在秋季的模擬效果最佳; 對于風向, CFSv2 在各季節的模擬能力均為最好。

(4) 同一種風場產品的風速在不同大小區間的模擬能力也有所不同, JRA-55 再分析數據對低風速、中低風速和高風速的模擬情況較好, ERA5 對中高風速的模擬情況較優。

(5) 從風玫瑰圖發現實測站點處北風和南風分布最多, 西風和東風分布較少, 高風速集中在北向和西北向。對于風向的模擬情況來說, 各風場資料都有著向東的偏差, CFSv2 與ERA5 再分析數據的模擬程度較好。