黃渤海海區風速推算方法及效果評估*

曲巧娜 吳 煒

1 山東省氣象防災減災重點實驗室,濟南 250031

2 山東省氣象科學研究所,濟南 250031

提 要：為了彌補海上風場監測數據不足,提高對黃渤海海上風場監測能力,針對不同大氣環流形勢,基于較為穩定的74個沿海和海島站等陸基站2017—2020年風場觀測資料,以及同時段具有一定連續性的21個浮標站和船舶站等海基站觀測數據,采用多元線性回歸方法,建立由陸基站推算海區風速的模型。利用2021年實況資料對推算結果進行檢驗評估。結果表明:分別針對全部風力等級和6級及以上大風建立的風速推算模型(以下分別簡稱CM模型和HM模型)均具有較高的可靠性,其中HM模型對大風推算的準確率更高;8種天氣類型中共5種類型發生大風的概率高于60%,其中對西北高東南低類型的推算效果最好,對西高東低型、西南高東北低型和西北低東南高型的6～7級大風推算效果較好,對8級及以上大風的推算效果略差;不同海區大風的推算結果中,對黃渤海大部分海區推算的風速略偏小,僅對渤海西南部海區的部分站點推算的風速略偏大;對黃海北部海區風速推算的平均絕對誤差最小(0.95 m·s-1),對其他海區風速推算的平均絕對誤差在1.32～1.70 m·s-1;在海區觀測不連續、不穩定的情況下,推算的風速能夠對海上風場資料進行有效的補充。該推算方法易于業務化應用,可隨不同海區觀測資料的增加而進一步優化,對海洋觀測布局設計也有一定的參考作用。

引 言

黃渤海海區屬于溫帶海洋性氣候,是惡劣的海洋天氣及衍生的海洋災害頻發的海區(解以揚等,2014),其中海上大風是引發海難事故最活躍的風險因子,同時黃渤海海區是中國對外貿易往來的重要通道之一,海上經濟活動活躍,精細化大風預報服務是海洋經濟安全高效發展的重要保障,海洋防災減災和氣象預報預警業務對實況資料的需求十分迫切。然而,廣闊的海面上氣象觀測資料稀少。少量的浮標站、船舶站可直接獲取海面風場資料,但保障較差;借助衛星可獲得大范圍風場反演資料,但時間不連續且易受天氣影響,提高監測能力一直是研究的目標之一。實際業務中,沿海和海島等陸基站資料的連續性好、質量較高,是海上大風的重要參考,在忽略海陸差異的前提下,常被作為鄰近海區的“指標站”;另外,數值預報產品及再分析資料也是一個重要的參考,但是模式對于海區風的預報誤差較大,再分析資料(ERA、CFSR等)的大風風速往往比實況偏小(敖雪等,2018;范蘇丹等,2017;孟憲貴等,2018;陳君芝等,2023)。渤海和黃海北部海岸線較長,尤其是渤海為我國內海,面積較小且被海岸環繞,沿海自動氣象站較多。如何利用沿海、海島等陸基站實況資料和數值預報產品,對海區的風場實況資料進行估算一直是科研和業務工作關心的重要課題。

以往的研究通過多種方法對海上大風風速進行訂正,以海陸差異的定量分析及對模式產品的釋用為主。趙強等(2008)、李燕等(2013)和曲巧娜等(2016)通過將一段時間內不同影響系統或不同風向下的沿海站資料分別與大中型客貨輪站、浮標站、救助船站等資料進行對比,得出了渤海、黃海北部等部分海域與陸地大風差異的定量分析;趙金霞等(2014)對塘沽站和A平臺站分別建立了極大風速和日最大風速之間的回歸方程。另外,何群英等(2007)采用動力推算和熱力訂正的方法對MM5模式模擬結果進行訂正;吳曼麗等(2013)應用卡爾曼濾波原理對中尺度數值預報產品進行釋用,制作環渤海風的客觀化定量預報產品;王亞男等(2019)使用遞減平均法和渤海28個石油平臺站、浮標站資料,對ROAD模式渤海區域10 m風速預報進行誤差訂正;楊曉君等(2019)采用歐洲中期天氣預報中心(ECMWF)數值預報等模式產品,建立渤海BP神經網絡海風預報模型;申華羽等(2020)利用浙江沿海觀測站資料與ECMWF細網格10 m風預報進行不同風向下大風誤差對比,進而推測海上大風;劉彬賢等(2018)基于A平臺資料,運用集合最優百分位法對ECMWF集合預報的大風進行了訂正;胡海川和周軍(2019)基于集合平均、第75%分位值等統計量及不同量級風速發生的頻率建立了渤海極大風預報客觀訂正方法。以上研究中,有的使用沿海站資料與浮標站、救助船站等資料對比分析了在不同影響系統或風向下海陸大風的差異性,但以定量分析為主;有些通過訂正模式產品以獲取海區風場信息,較少考慮影響系統及不同環流下數值預報的誤差特征;有些研究采用的海基站點較少,沒有充分利用海區周邊的實況信息,因此應用范圍有限。本文利用多年的浮標站、船舶站、石油平臺站等海基觀測資料,以連續、可靠的沿海和海島等陸基站與數值預報產品等資料為基礎,針對不同的大氣環流類型,建立由沿海和海島站風速實況推算海區風速實況的計算模型,從而實時獲取黃渤海大范圍、較為連續可靠的海區風場信息,作為海上監測的補充手段,更好地滿足氣象監測預警需求。

1 資料與檢驗指標

1.1 資料來源

使用的資料包括黃渤海沿海自動站、海島站等陸基站以及海上浮標站、石油平臺站、船舶站等海基站實況資料和ECMWF第五代全球再分析資料(以下簡稱ERA5)。使用2017—2021年逐時觀測資料進行陸基站推算海區風速模型的建立和檢驗,其中,2017年1月至2020年12月的資料用于建立推算模型,2021年1—12月的資料進行檢驗。ERA5再分析資料用于天氣分型和觀測資料質量控制,選取2017年1月至2021年12月海平面氣壓場和10 m風場資料,空間范圍為30°～42°N、117°～128°E,資料時間分辨率為1 h,空間分辨率為0.25°×0.25°。

1.2 站點資料特征分析

1.2.1 站點觀測資料的時空分布特征

沿海自動站和大部分海島站因維護較好,資料連續性好,較為可靠,將其作為“預報因子”推算海區風速;浮標站、石油平臺站、船舶站等海基站位于不同海區,是海上大風監測數據的主要來源,將其作為“預報量”,針對此類站點所在海區建立推算模型。海基站具有較好的海區代表性,但由于建設和運行成本高、保障難度大,因此站點數量少,資料連續性較差。如為避免海冰導致設備毀壞,部分浮標站冬季將返回廠家維護而停止觀測,而冬季正是大風最為頻繁的季節;船舶站為北海救助局的救助船觀測資料,在一定時期內錨定在固定位置,經常根據需要進行調整。

本文初選了黃渤海地區共109個自動站資料,考慮到陸基站的數量相對較多,剔除了缺測率達20%以上的站點,入選的陸基站(沿海站48個、海島站26個)共74個;由于海基站點稀缺,僅剔除1個缺測率達90%的站點。其余的20個海基站中,17個站的位置穩定(圖1a中綠色圓點);2個站的位置變動分別為0.16個經度和0.19個經度(圖1a中藍色方形),由于變動較小,忽略其影響;1個站的位置變動較大(圖1a中紅色三角形),將其作為2個站點處理,因此選取的海基站共計21個。最終共選取了95個自動站,具體位置如圖1b所示。

圖1 黃渤海地區自動站分布示意圖Fig.1 Distribution of automatic stations around Yellow Sea and Bohai Sea Area

1.2.2 海基站觀測資料的質量控制

由于海陸分布、站點地理環境較為復雜,海上站點密度較小,觀測資料質量控制的難度較大。而海基站觀測系統維護保障較差,異常的風速和風向常被作為判斷故障的依據。本文將以下顯著不合理的數據認定為疑誤數據予以剔除:一是風速過大并超過一定閾值,或風速持續為零;二是風速不太小的情況下,風向卻與環境風場差異較大,與環流形勢不匹配。本文對ERA5 2020—2021年再分析資料檢驗表明,ERA5風向具有較高的可靠性,在不區分風力的情況下,與海基站相比,59%樣本風向差在30°以內,78%的樣本風向差小于60°;在6級及以上大風條件下,風向差在30°以內的占71%,60°以內的樣本達85%,未有超過120°的站點。判斷海基站風向異常的具體做法是將ERA5風場資料采用雙線性方法插值到觀測站點,當ERA5風力≥6級時,若觀測風向與ERA5風向的夾角大于120°,則認為該觀測資料是錯誤資料予以剔除。另外,本研究主要針對系統性大風進行推算,當有局地對流天氣發生時,對流大風的風向可能與環境風場存在較大的差異,因此也可通過風向數據予以部分剔除。

1.3 檢驗指標

本文使用決定系數(R2)、均方根誤差(RMSE)、偏差(Bias)等指標進行檢驗和對比,R2定義如下:

(1)

2 推算方法

2.1 環流分型方法

黃渤海海岸線復雜,受海陸分布和地形影響,不同海區風場差異較大,在不同的大氣環流下呈現不同的特征,因此需要將天氣形勢進行分型,對不同類型的環流分別建立推算模型。采用ERA5的海平面氣壓場進行環流分型,時間為2017年1月1日至2020年12月31日,時間間隔為1 h,共35 064個樣本。在計算天氣形勢分類之前對數據進行處理,為了部分消除中小尺度對天氣形勢分類的影響,降低了資料的空間分辨率,運用雙線性插值方法將資料插值到0.5°×0.5°的規則格點上;另外,考慮不同季節海平面氣壓平均值存在一定差異,而風場主要與氣壓梯度有關,因此,將每個樣本減去其空間平均值。天氣形勢分類的目的是找出氣象要素場的若干分布模型類型,同一類的氣象要素場分布特征相似,而不同類型的氣象要素場分布有顯著的差別(Huth et al,2008)。在歐洲國家科技領域合作研究(COST733)中,針對不同的天氣形勢分類方法開展了若干對比研究,結果表明,沒有唯一最優的方法,其中k-means及相關方法得分較高(Huth,2010;Beck and Philipp,2010;Cahynová and Huth,2010)。k-means方法是一種非層級聚類算法,將一定數量的樣本分為相互獨立、互不包含的類別。使用k-means方法計算得到的距離,既可以用于分類,也可以用于計算類型歸屬。本文的計算方法和符號表達主要參考了文獻Hoffmann and Schlünzen(2013)。

在k-means方法中,兩個樣本的相似性由歐拉距離平方SED來表示:

SED=‖x1-x2‖2

(2)

式中:x1和x2為兩個氣象要素場。樣本簇內距離平方和記為WSS:

(3)

式中:x為簇Ci中的所有樣本,zi為第i個簇的中心點(CC),k為簇的數量。

k-means方法在分類過程中,采用迭代方式,確定最小的WSS。首先是初始劃分,選擇k個中心點,計算每個樣本和中心點的距離SED,所有的樣本被指定屬于離其最近的中心點;然后將屬于同一簇的樣本計算平均值,得到該簇新的中心點坐標;重復上述步驟,以新的中心點重新計算距離分配樣本,并重新確定新的中心點坐標。如此迭代計算,直到各簇樣本不再發生變化。

圖2 Y-天氣類型數曲線圖Fig.2 Graph of Y-weather type number

8種天氣類型的海平面氣壓距平分別呈現以下特征:Ⅰ型(圖3a)為西南低東北高;Ⅱ型(圖3b)為西高東低;Ⅲ型(圖3c)和Ⅵ型(圖3f)均為西北低東南高,Ⅲ型的氣壓梯度顯著大于Ⅵ型;Ⅳ型(圖3d)為均壓場;Ⅴ型(圖3e)和Ⅷ型(圖3h)均為西北高東南低,Ⅷ型的氣壓梯度大于Ⅴ型,對應強冷空氣;Ⅶ型(圖3g)為西南高東北低。

注:黑線為海平面氣壓距平(單位: hPa)。

8種天氣類型中(全部樣本),出現次數最多的天氣類型是Ⅳ型,其次是Ⅵ型,占比最低的是Ⅱ型和Ⅷ型。以海基站中最大風力作為該時次的海上風力,統計得出不同風力下8種天氣類型的占比(表1)。風力≥6、7級時,均為Ⅲ型占比最高,其次分別是Ⅵ型(≥6級,13.3%)和Ⅴ型(≥7級,15.9%),偏南大風的占比較高;風力≥8、9級則是Ⅴ型占比最高,其次是Ⅷ型,偏北大風尤其是偏東北大風占比最高。此外,分別統計8種天氣類型下發生6級及以上大風的概率可知,Ⅷ型發生大風的概率最高,達94.7%,其次是Ⅲ型和Ⅱ型為70%以上,Ⅴ型和Ⅶ型為60%～70%,最少的是Ⅳ型(17.2%)。因此基于不同天氣形勢進行海區大風的推算是非常必要的。

表1 2017—2021年不同風力等級對應的8種天氣類型占比Table 1 Proportion of eight weather types at different wind force scales in 2017-2021

2.2 風速模型

使用2017—2020年的觀測資料,針對海基站,逐站、逐環流類型建立沿岸風場向海區風場轉化推算的模型,并使用2021年資料對推算模型的質量進行檢驗。本文嘗試了多元線性回歸、逐步回歸等方法,經過試驗對比,發現多元線性回歸預報的誤差最小,因此使用多元線性回歸方法建立推算模型。由于在不同風速環境下,海基和陸基站風速的線性關系可能存在一定的差異,因此建立兩種模型,并分別進行檢驗和分析:一是對全部風力等級建立模型(以下簡稱CM模型);二是針對海區大風的服務需求,將6級及以上的大風建立模型(以下簡稱HM模型)。推算模型的回歸因子是74個陸基站風速,預報因子是21個海基站風速。線性擬合對資料樣本長度有一定的要求,如果樣本數太小,模型質量可能不高,但如果要求樣本數過高,建模則會存在困難。本文設定了最低樣本數,若某海基站、某天氣形勢下樣本數小于該值,則放棄建立推算方程。最小樣本數是通過批量試驗來確定的,從100～800以10為間隔逐一進行建模和預報試驗。其中,當最低樣本數為400個時,HM模型的預報均方根誤差最小;而對于CM模型,最小樣本數為540個時,預報均方根誤差為次小值,該樣本數也較為合理。因此,將540個和400個分別作為CM和HM模型的最小樣本值。CM模型共建立了161個方程,由于大風僅出現在部分環流形勢下,發生次數和樣本數量少,方程數量大幅減少,HM模型僅包含31個方程。以上方程均通過了F顯著性檢驗(P<0.01)。需要說明的是,受樣本數量的限制,本文建立的模型數量有限,尚不能覆蓋全部21個海基站和8種天氣類型。以CM模型2021年應用試驗為例,全年獲取的21個海基站逐1 h 觀測資料數量為132 721個,缺測率約為27.9%,而風速推算的數據量為181 531個(推算率為98.7%),推算數據對實際觀測數據有顯著的補充作用。

3 結果分析

3.1 不同天氣類型下的風速推算效果對比檢驗

利用2021年1—12月海基站逐1 h實況資料對推算風速進行了檢驗,采用散點分布、決定系數(R2)、均方根誤差(RMSE)、偏差(Bias)等指標分別對8種天氣類型下的風速推算結果進行分析。由CM和HM模型的檢驗指標對比分析(表2)可知,CM模型對全部樣本推算的風速的R2為0.67,RMSE為2.05 m·s-1,Bias為0.01 m·s-1,整體比實況略偏小。對6級及以上大風推算,HM模型的RMSE和Bias分別為2.11 m·s-1和-0.34 m·s-1,均比CM模型推算的RMSE和Bias(分別為3.25 m·s-1和-2.03 m·s-1)偏小,可見,HM模型對大風天氣的預報質量明顯高于CM模型。

表2 CM、HM模型以及大風發生概率較高的5種天氣類型風速推算結果檢驗指標Table 2 Test index of wind speed calculation results by CM and HM models and five weather types with high probability of strong wind

由推算結果與實況風速的散點分布(圖4)可知,CM模式對4級以下風速推算,在對角線上方的散點略多于下方,即推算比實況偏大的站次略偏多;對4～6級風速的推算,對角線下方的散點略多于上方,即推算風速比實況偏小的站次略偏多;對于7級及以上風速的推算,推算風速比實況偏小的站次大于偏大站次。HM模型對于6～7級風速的推算偏大和偏小的數量較為接近,且集中在對角線附近,對于8級風速推算的偏小散點大于偏大散點,對于9～10級的風速推算與CM模型相似,以偏小為主。

注:實線為對角線,虛線為擬合線。

將8種天氣類型的CM模型推算結果進行對比(圖5)可看出,Ⅴ型(圖5e)和Ⅷ型(圖5h)推算結果最接近對角線位置,效果最好;其次是Ⅱ型(圖5b)對3～6級風速的推算接近對角線,效果非常好,對7～8級風速推算的偏小散點數量大于偏大散點,對9級風速的推算基本以偏小為主;Ⅰ型(圖5a)、Ⅲ型(圖5c)和Ⅶ型(圖5g)的推算效果為:對3～5級風速的推算接近對角線位置,對6～7級風速推算的偏小散點數量大于偏大散點,對8級及以上風速的推算基本偏小;推算效果較差的是Ⅳ型(圖5d)和Ⅵ型(弱)(圖5f),此兩種類型出現6級以上大風的概率較小(分別為17.2%和40.3%,表1),對6級以下風速的推算效果較好,對6級及以上的推算基本以偏小為主。由表2可知,以上天氣類型中R2最大的為CM-Ⅴ型(0.75),其次是CM-Ⅷ型(0.72)和CM-Ⅱ型(0.71);RMSE最小的為CM-Ⅴ型(4.66 m·s-1)、CM-Ⅶ型(5.15 m·s-1)和CM-Ⅱ型(5.35 m·s-1)較小;Bias僅CM-Ⅶ型較大(-0.19 m·s-1),其他類型均小于0.11,且推算值均比實況偏小。

注:實線為對角線,虛線為擬合線。

通過以上分析可得出,CM-Ⅴ型和CM-Ⅷ型對全部樣本的風速推算效果最好,其次是CM-Ⅱ型,CM-Ⅰ型、CM-Ⅲ型和CM-Ⅶ型相差不大,最差的是CM-Ⅳ型和CM-Ⅵ型。

對比5種發生6級及以上大風概率較高天氣類型(大于60%)的HM模型推算結果可知,同樣為對Ⅷ型(圖6e)和Ⅴ型(圖6c)的推算效果最好,推算的6～8級風速散點接近對角線位置,9～10級風速以偏小為主;對Ⅱ型(圖6a)、Ⅶ型(圖6d)和Ⅲ型(圖6b)6～7級風速的推算效果相差不大,均接近對角線位置,Ⅱ型推算的8～9級風速以偏小為主,Ⅶ型的8級及以上大風較少且推算的風速偏小,Ⅲ型的8～10級大風在3種類型中最多且推算的風速基本偏小。

注:實線為對角線,虛線為擬合線。

表2給出了CM模型中對6級及以上大風推算的RMSE和Bias檢驗最小的是CM-Ⅷ型(5.70 m·s-1、-0.72 m·s-1),其次是CM-Ⅴ型(8.46 m·s-1、-1.62 m·s-1)、CM-Ⅱ型(9.24 m·s-1、-1.73 m·s-1),其他類型RMSE大于10.00 m·s-1,Bias大于2.00 m·s-1,推算的風速均比實況偏小。HM模型中推算的R2較大的是HM-Ⅴ型(0.61),RMSE較小的是HM-Ⅶ型(3.55 m·s-1)、HM-Ⅲ型(3.74 m·s-1)和HM-Ⅴ型(4.10 m·s-1),Bias較小的是HM-Ⅶ型(-0.08 m·s-1)、HM-Ⅷ型(-0.21 m·s-1)和HM-Ⅴ型(-0.22 m·s-1)。2個模型均存在風速估計偏小的問題,HM模型偏小的幅度顯著小于CM模型。因此,對于海上大風使用6級及以上大風資料建立HM模型,可以得到更加準確的推算結果。

3.2 不同海區大風推算效果對比檢驗

為分析推算模型在不同海區大風過程中的應用效果,選取2021年海基站6級及以上大風觀測數據,對推算結果進行檢驗。為保證統計的有效性,剔除缺測嚴重的站點,選取了樣本數在41～1090的14個海基站點數據。從平均誤差(圖7a)和平均絕對誤差(圖7b)的分布可以看出,對渤海北部海區風速推算偏小,3個海基站的平均絕對誤差為1.32、1.67、1.70 m·s-1;位于渤海西南部的5個海基站的推算中2個偏小、3個偏大,平均絕對誤差分別為1.37、1.78、1.36、1.48、1.67 m·s-1;對渤海東部海區接近渤海海峽區域推算的風速偏小,2個海基站的平均絕對誤差分別為1.54 m·s-1和1.61 m·s-1;對黃海北部海區的推算偏小,平均絕對誤差為0.95 m·s-1;對黃海中部海區的推算偏小,3個海基站的平均絕對誤差為1.41、1.58、1.67 m·s-1。由海基站的海區分布推算效果檢驗能夠得出,對黃渤海大部分區域推算的風速偏小,僅對渤海西南部海區部分站點推算的風速偏大;推算的黃海北部海區風速平均絕對誤差最小,對其他海區風速推算的平均絕對誤差相差不大,在1.32～1.70 m·s-1。

圖7 海基站推算風速的(a)平均誤差(單位:m·s-1)和(b)平均絕對誤差(單位:m·s-1)Fig.7 (a) Average error (unit: m·s-1 ) and (b) mean absolute error (unit: m·s-1 ) of calculated wind speed at the sea-based station

3.3 大風過程推算結果個例分析

在以上研究中,采用數值預報產品中的海平面氣壓場判斷環流的類型,運用已建立的方程根據實時的沿海和海島自動站風速推算海區風速,由此建立海區風速的實時推算模型,以下將推算的海區風速與數值預報產品中的風向結合,繪制海區的實時風場分布圖。通過對比2021年5次大風過程,對推算的效果進行評估。

原題呈現 (2018年荊門)如圖1，等腰Rt△ABC中，斜邊AB的長為2，O為AB的中點，P為AC邊上的動點，OQ⊥OP交BC于點Q，M為PQ的中點，當點P從點A運動到點C時，點M所經過的路線長為( ).

圖8是推算的6級及以上大風發生概率較高的5種類型海區風場與實況對比。2021年1月28日13時(北京時,下同)Ⅱ型(圖8a)個例中,推算多個站平均風速為15.8 m·s-1,實況風速為16.2 m·s-1,平均絕對誤差為1.6 m·s-1;2021年4月15日18時Ⅲ型(圖8b)推算的多個站平均風速為14.6 m·s-1,實況風速為14.4 m·s-1,平均絕對誤差為1.1 m·s-1; 2021年10月4日18時Ⅴ型(圖8c)推算的多個站平均風速為15.2 m·s-1,實況風速為15.9 m·s-1,平均絕對誤差為1.1 m·s-1;2021年5月7日04時Ⅶ型(圖8d)個例中,推算的多個站平均風速為13.7 m·s-1,實況風速為12.8 m·s-1,平均絕對誤差為1.6 m·s-1;2021年10月16日09時Ⅷ型(圖8e)推算的多個站平均風速為15.7 m·s-1,實況風速為15.9 m·s-1,平均絕對誤差為0.9 m·s-1。可以看出,5次過程中3次推算的風速比實況偏小,2次偏大,平均絕對誤差較小,在0.9～1.6 m·s-1,推算風速與實況風速基本一致。從推算的海區風場中能夠直觀地看出渤海、黃海北部和中部的海上大風分布,為海洋氣象服務提供支持。

海區風速推算方法,除推算結果較為準確外,還具有以下優勢:一是適應能力強,易于業務應用,由于采用的是多元擬合方法建立方程,建模耗時非常小,當某陸基站資料出現缺測等異常情況時,可以剔除后重新快速建立計算方程并完成海區風速推算,不影響業務實時應用;二是可擴展性強,對于尚未建立預報方程的海區,隨著資料的積累,可不斷補充和完善,對于已經有足夠資料積累的海區,可以考慮適當調整船舶、浮標等觀測系統的部設,如移動到資料缺乏的海區,以更好地發揮作用。在有條件的情況下,也可對部分海區開展一段時期的試驗觀測以積累數據集。

4 結論與討論

針對渤海和黃海海區海上大風觀測資料稀缺問題,為有效補充海區風場實況獲取能力,本文采用較為可靠的沿海和海島等陸基站風速資料以及具有一定連續性的浮標站、船舶等海基站風場資料,建立了由陸基風場向海區風場的推算模型,并將推算結果進行檢驗,主要結論如下。

(1)在渤海和黃海北部被岸線環繞的海區,沿海氣象站點較為密集的情況下,使用陸基站實況風速資料推算海區的風速是可行的。在海區觀測不連續、不穩定的情況下,推算結果能夠對海上風場資料進行有效的補充。以2021年21個海基站為例,使用CM模型可使海區數據獲取率由72.1%提高到98.7%。

(2)根據海平面氣壓場對渤海、黃海北部區域的環流形勢進行分類,并針對每一類環流,使用74個陸基站采用多元線性回歸方法建立了21個海區站點的風速推算模型。檢驗表明,CM模型和HM模型均具有較高的可靠性,推算得到的風速均方根誤差較小;在大風條件下,HM模型可得到更加準確的結果。

本文提出的海區大風推算方法具有較好的業務應用能力,但需要指出的是,本文對天氣類型的劃分主要針對天氣尺度環流,推算模型對系統性大風天氣具有很好的推算效果,但是對于局地對流性大風不具備推算能力。隨著海上觀測資料不斷增加,觀測模型可進一步細化和完善,準確率進一步提高;隨著觀測站點部設范圍不斷擴大,可以為更多海區建立推算模型,增強海上風場數據獲取能力。