黃渤海海區(qū)風(fēng)速推算方法及效果評(píng)估*

曲巧娜 吳 煒

1 山東省氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室,濟(jì)南 250031

2 山東省氣象科學(xué)研究所,濟(jì)南 250031

提 要：為了彌補(bǔ)海上風(fēng)場(chǎng)監(jiān)測(cè)數(shù)據(jù)不足,提高對(duì)黃渤海海上風(fēng)場(chǎng)監(jiān)測(cè)能力,針對(duì)不同大氣環(huán)流形勢(shì),基于較為穩(wěn)定的74個(gè)沿海和海島站等陸基站2017—2020年風(fēng)場(chǎng)觀測(cè)資料,以及同時(shí)段具有一定連續(xù)性的21個(gè)浮標(biāo)站和船舶站等海基站觀測(cè)數(shù)據(jù),采用多元線性回歸方法,建立由陸基站推算海區(qū)風(fēng)速的模型。利用2021年實(shí)況資料對(duì)推算結(jié)果進(jìn)行檢驗(yàn)評(píng)估。結(jié)果表明:分別針對(duì)全部風(fēng)力等級(jí)和6級(jí)及以上大風(fēng)建立的風(fēng)速推算模型(以下分別簡(jiǎn)稱CM模型和HM模型)均具有較高的可靠性,其中HM模型對(duì)大風(fēng)推算的準(zhǔn)確率更高;8種天氣類型中共5種類型發(fā)生大風(fēng)的概率高于60%,其中對(duì)西北高東南低類型的推算效果最好,對(duì)西高東低型、西南高東北低型和西北低東南高型的6～7級(jí)大風(fēng)推算效果較好,對(duì)8級(jí)及以上大風(fēng)的推算效果略差;不同海區(qū)大風(fēng)的推算結(jié)果中,對(duì)黃渤海大部分海區(qū)推算的風(fēng)速略偏小,僅對(duì)渤海西南部海區(qū)的部分站點(diǎn)推算的風(fēng)速略偏大;對(duì)黃海北部海區(qū)風(fēng)速推算的平均絕對(duì)誤差最小(0.95 m·s-1),對(duì)其他海區(qū)風(fēng)速推算的平均絕對(duì)誤差在1.32～1.70 m·s-1;在海區(qū)觀測(cè)不連續(xù)、不穩(wěn)定的情況下,推算的風(fēng)速能夠?qū)Ｉ巷L(fēng)場(chǎng)資料進(jìn)行有效的補(bǔ)充。該推算方法易于業(yè)務(wù)化應(yīng)用,可隨不同海區(qū)觀測(cè)資料的增加而進(jìn)一步優(yōu)化,對(duì)海洋觀測(cè)布局設(shè)計(jì)也有一定的參考作用。

引 言

黃渤海海區(qū)屬于溫帶海洋性氣候,是惡劣的海洋天氣及衍生的海洋災(zāi)害頻發(fā)的海區(qū)(解以揚(yáng)等,2014),其中海上大風(fēng)是引發(fā)海難事故最活躍的風(fēng)險(xiǎn)因子,同時(shí)黃渤海海區(qū)是中國(guó)對(duì)外貿(mào)易往來的重要通道之一,海上經(jīng)濟(jì)活動(dòng)活躍,精細(xì)化大風(fēng)預(yù)報(bào)服務(wù)是海洋經(jīng)濟(jì)安全高效發(fā)展的重要保障,海洋防災(zāi)減災(zāi)和氣象預(yù)報(bào)預(yù)警業(yè)務(wù)對(duì)實(shí)況資料的需求十分迫切。然而,廣闊的海面上氣象觀測(cè)資料稀少。少量的浮標(biāo)站、船舶站可直接獲取海面風(fēng)場(chǎng)資料,但保障較差;借助衛(wèi)星可獲得大范圍風(fēng)場(chǎng)反演資料,但時(shí)間不連續(xù)且易受天氣影響,提高監(jiān)測(cè)能力一直是研究的目標(biāo)之一。實(shí)際業(yè)務(wù)中,沿海和海島等陸基站資料的連續(xù)性好、質(zhì)量較高,是海上大風(fēng)的重要參考,在忽略海陸差異的前提下,常被作為鄰近海區(qū)的“指標(biāo)站”;另外,數(shù)值預(yù)報(bào)產(chǎn)品及再分析資料也是一個(gè)重要的參考,但是模式對(duì)于海區(qū)風(fēng)的預(yù)報(bào)誤差較大,再分析資料(ERA、CFSR等)的大風(fēng)風(fēng)速往往比實(shí)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(zhǎng),尤其是渤海為我國(guó)內(nèi)海,面積較小且被海岸環(huán)繞,沿海自動(dòng)氣象站較多。如何利用沿海、海島等陸基站實(shí)況資料和數(shù)值預(yù)報(bào)產(chǎn)品,對(duì)海區(qū)的風(fēng)場(chǎng)實(shí)況資料進(jìn)行估算一直是科研和業(yè)務(wù)工作關(guān)心的重要課題。

以往的研究通過多種方法對(duì)海上大風(fēng)風(fēng)速進(jìn)行訂正,以海陸差異的定量分析及對(duì)模式產(chǎn)品的釋用為主。趙強(qiáng)等(2008)、李燕等(2013)和曲巧娜等(2016)通過將一段時(shí)間內(nèi)不同影響系統(tǒng)或不同風(fēng)向下的沿海站資料分別與大中型客貨輪站、浮標(biāo)站、救助船站等資料進(jìn)行對(duì)比,得出了渤海、黃海北部等部分海域與陸地大風(fēng)差異的定量分析;趙金霞等(2014)對(duì)塘沽站和A平臺(tái)站分別建立了極大風(fēng)速和日最大風(fēng)速之間的回歸方程。另外,何群英等(2007)采用動(dòng)力推算和熱力訂正的方法對(duì)MM5模式模擬結(jié)果進(jìn)行訂正;吳曼麗等(2013)應(yīng)用卡爾曼濾波原理對(duì)中尺度數(shù)值預(yù)報(bào)產(chǎn)品進(jìn)行釋用,制作環(huán)渤海風(fēng)的客觀化定量預(yù)報(bào)產(chǎn)品;王亞男等(2019)使用遞減平均法和渤海28個(gè)石油平臺(tái)站、浮標(biāo)站資料,對(duì)ROAD模式渤海區(qū)域10 m風(fēng)速預(yù)報(bào)進(jìn)行誤差訂正;楊曉君等(2019)采用歐洲中期天氣預(yù)報(bào)中心(ECMWF)數(shù)值預(yù)報(bào)等模式產(chǎn)品,建立渤海BP神經(jīng)網(wǎng)絡(luò)海風(fēng)預(yù)報(bào)模型;申華羽等(2020)利用浙江沿海觀測(cè)站資料與ECMWF細(xì)網(wǎng)格10 m風(fēng)預(yù)報(bào)進(jìn)行不同風(fēng)向下大風(fēng)誤差對(duì)比,進(jìn)而推測(cè)海上大風(fēng);劉彬賢等(2018)基于A平臺(tái)資料,運(yùn)用集合最優(yōu)百分位法對(duì)ECMWF集合預(yù)報(bào)的大風(fēng)進(jìn)行了訂正;胡海川和周軍(2019)基于集合平均、第75%分位值等統(tǒng)計(jì)量及不同量級(jí)風(fēng)速發(fā)生的頻率建立了渤海極大風(fēng)預(yù)報(bào)客觀訂正方法。以上研究中,有的使用沿海站資料與浮標(biāo)站、救助船站等資料對(duì)比分析了在不同影響系統(tǒng)或風(fēng)向下海陸大風(fēng)的差異性,但以定量分析為主;有些通過訂正模式產(chǎn)品以獲取海區(qū)風(fēng)場(chǎng)信息,較少考慮影響系統(tǒng)及不同環(huán)流下數(shù)值預(yù)報(bào)的誤差特征;有些研究采用的海基站點(diǎn)較少,沒有充分利用海區(qū)周邊的實(shí)況信息,因此應(yīng)用范圍有限。本文利用多年的浮標(biāo)站、船舶站、石油平臺(tái)站等海基觀測(cè)資料,以連續(xù)、可靠的沿海和海島等陸基站與數(shù)值預(yù)報(bào)產(chǎn)品等資料為基礎(chǔ),針對(duì)不同的大氣環(huán)流類型,建立由沿海和海島站風(fēng)速實(shí)況推算海區(qū)風(fēng)速實(shí)況的計(jì)算模型,從而實(shí)時(shí)獲取黃渤海大范圍、較為連續(xù)可靠的海區(qū)風(fēng)場(chǎng)信息,作為海上監(jiān)測(cè)的補(bǔ)充手段,更好地滿足氣象監(jiān)測(cè)預(yù)警需求。

1 資料與檢驗(yàn)指標(biāo)

1.1 資料來源

使用的資料包括黃渤海沿海自動(dòng)站、海島站等陸基站以及海上浮標(biāo)站、石油平臺(tái)站、船舶站等海基站實(shí)況資料和ECMWF第五代全球再分析資料(以下簡(jiǎn)稱ERA5)。使用2017—2021年逐時(shí)觀測(cè)資料進(jìn)行陸基站推算海區(qū)風(fēng)速模型的建立和檢驗(yàn),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(jìn)行檢驗(yàn)。ERA5再分析資料用于天氣分型和觀測(cè)資料質(zhì)量控制,選取2017年1月至2021年12月海平面氣壓場(chǎng)和10 m風(fēng)場(chǎng)資料,空間范圍為30°～42°N、117°～128°E,資料時(shí)間分辨率為1 h,空間分辨率為0.25°×0.25°。

1.2 站點(diǎn)資料特征分析

1.2.1 站點(diǎn)觀測(cè)資料的時(shí)空分布特征

沿海自動(dòng)站和大部分海島站因維護(hù)較好,資料連續(xù)性好,較為可靠,將其作為“預(yù)報(bào)因子”推算海區(qū)風(fēng)速;浮標(biāo)站、石油平臺(tái)站、船舶站等海基站位于不同海區(qū),是海上大風(fēng)監(jiān)測(cè)數(shù)據(jù)的主要來源,將其作為“預(yù)報(bào)量”,針對(duì)此類站點(diǎn)所在海區(qū)建立推算模型。海基站具有較好的海區(qū)代表性,但由于建設(shè)和運(yùn)行成本高、保障難度大,因此站點(diǎn)數(shù)量少,資料連續(xù)性較差。如為避免海冰導(dǎo)致設(shè)備毀壞,部分浮標(biāo)站冬季將返回廠家維護(hù)而停止觀測(cè),而冬季正是大風(fēng)最為頻繁的季節(jié);船舶站為北海救助局的救助船觀測(cè)資料,在一定時(shí)期內(nèi)錨定在固定位置,經(jīng)常根據(jù)需要進(jìn)行調(diào)整。

本文初選了黃渤海地區(qū)共109個(gè)自動(dòng)站資料,考慮到陸基站的數(shù)量相對(duì)較多,剔除了缺測(cè)率達(dá)20%以上的站點(diǎn),入選的陸基站(沿海站48個(gè)、海島站26個(gè))共74個(gè);由于海基站點(diǎn)稀缺,僅剔除1個(gè)缺測(cè)率達(dá)90%的站點(diǎn)。其余的20個(gè)海基站中,17個(gè)站的位置穩(wěn)定(圖1a中綠色圓點(diǎn));2個(gè)站的位置變動(dòng)分別為0.16個(gè)經(jīng)度和0.19個(gè)經(jīng)度(圖1a中藍(lán)色方形),由于變動(dòng)較小,忽略其影響;1個(gè)站的位置變動(dòng)較大(圖1a中紅色三角形),將其作為2個(gè)站點(diǎn)處理,因此選取的海基站共計(jì)21個(gè)。最終共選取了95個(gè)自動(dòng)站,具體位置如圖1b所示。

圖1 黃渤海地區(qū)自動(dòng)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(cè)資料的質(zhì)量控制

由于海陸分布、站點(diǎn)地理環(huán)境較為復(fù)雜,海上站點(diǎn)密度較小,觀測(cè)資料質(zhì)量控制的難度較大。而海基站觀測(cè)系統(tǒng)維護(hù)保障較差,異常的風(fēng)速和風(fēng)向常被作為判斷故障的依據(jù)。本文將以下顯著不合理的數(shù)據(jù)認(rèn)定為疑誤數(shù)據(jù)予以剔除:一是風(fēng)速過大并超過一定閾值,或風(fēng)速持續(xù)為零;二是風(fēng)速不太小的情況下,風(fēng)向卻與環(huán)境風(fēng)場(chǎng)差異較大,與環(huán)流形勢(shì)不匹配。本文對(duì)ERA5 2020—2021年再分析資料檢驗(yàn)表明,ERA5風(fēng)向具有較高的可靠性,在不區(qū)分風(fēng)力的情況下,與海基站相比,59%樣本風(fēng)向差在30°以內(nèi),78%的樣本風(fēng)向差小于60°;在6級(jí)及以上大風(fēng)條件下,風(fēng)向差在30°以內(nèi)的占71%,60°以內(nèi)的樣本達(dá)85%,未有超過120°的站點(diǎn)。判斷海基站風(fēng)向異常的具體做法是將ERA5風(fēng)場(chǎng)資料采用雙線性方法插值到觀測(cè)站點(diǎn),當(dāng)ERA5風(fēng)力≥6級(jí)時(shí),若觀測(cè)風(fēng)向與ERA5風(fēng)向的夾角大于120°,則認(rèn)為該觀測(cè)資料是錯(cuò)誤資料予以剔除。另外,本研究主要針對(duì)系統(tǒng)性大風(fēng)進(jìn)行推算,當(dāng)有局地對(duì)流天氣發(fā)生時(shí),對(duì)流大風(fēng)的風(fēng)向可能與環(huán)境風(fēng)場(chǎng)存在較大的差異,因此也可通過風(fēng)向數(shù)據(jù)予以部分剔除。

1.3 檢驗(yàn)指標(biāo)

本文使用決定系數(shù)(R2)、均方根誤差(RMSE)、偏差(Bias)等指標(biāo)進(jìn)行檢驗(yàn)和對(duì)比,R2定義如下:

(1)

2 推算方法

2.1 環(huán)流分型方法

黃渤海海岸線復(fù)雜,受海陸分布和地形影響,不同海區(qū)風(fēng)場(chǎng)差異較大,在不同的大氣環(huán)流下呈現(xiàn)不同的特征,因此需要將天氣形勢(shì)進(jìn)行分型,對(duì)不同類型的環(huán)流分別建立推算模型。采用ERA5的海平面氣壓場(chǎng)進(jìn)行環(huán)流分型,時(shí)間為2017年1月1日至2020年12月31日,時(shí)間間隔為1 h,共35 064個(gè)樣本。在計(jì)算天氣形勢(shì)分類之前對(duì)數(shù)據(jù)進(jìn)行處理,為了部分消除中小尺度對(duì)天氣形勢(shì)分類的影響,降低了資料的空間分辨率,運(yùn)用雙線性插值方法將資料插值到0.5°×0.5°的規(guī)則格點(diǎn)上;另外,考慮不同季節(jié)海平面氣壓平均值存在一定差異,而風(fēng)場(chǎng)主要與氣壓梯度有關(guān),因此,將每個(gè)樣本減去其空間平均值。天氣形勢(shì)分類的目的是找出氣象要素場(chǎng)的若干分布模型類型,同一類的氣象要素場(chǎng)分布特征相似,而不同類型的氣象要素場(chǎng)分布有顯著的差別(Huth et al,2008)。在歐洲國(guó)家科技領(lǐng)域合作研究(COST733)中,針對(duì)不同的天氣形勢(shì)分類方法開展了若干對(duì)比研究,結(jié)果表明,沒有唯一最優(yōu)的方法,其中k-means及相關(guān)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(jí)聚類算法,將一定數(shù)量的樣本分為相互獨(dú)立、互不包含的類別。使用k-means方法計(jì)算得到的距離,既可以用于分類,也可以用于計(jì)算類型歸屬。本文的計(jì)算方法和符號(hào)表達(dá)主要參考了文獻(xiàn)Hoffmann and Schlünzen(2013)。

在k-means方法中,兩個(gè)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(gè)氣象要素場(chǎng)。樣本簇內(nèi)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(gè)簇的中心點(diǎn)(CC),k為簇的數(shù)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(gè)中心點(diǎn),計(jì)算每個(gè)樣本和中心點(diǎn)的距離SED,所有的樣本被指定屬于離其最近的中心點(diǎn);然后將屬于同一簇的樣本計(jì)算平均值,得到該簇新的中心點(diǎn)坐標(biāo);重復(fù)上述步驟,以新的中心點(diǎn)重新計(jì)算距離分配樣本,并重新確定新的中心點(diǎn)坐標(biāo)。如此迭代計(jì)算,直到各簇樣本不再發(fā)生變化。

圖2 Y-天氣類型數(shù)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(xiàn)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(chǎng);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(duì)應(yīng)強(qiáng)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(xiàn)次數(shù)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(fēng)力作為該時(shí)次的海上風(fēng)力,統(tǒng)計(jì)得出不同風(fēng)力下8種天氣類型的占比(表1)。風(fēng)力≥6、7級(jí)時(shí),均為Ⅲ型占比最高,其次分別是Ⅵ型(≥6級(jí),13.3%)和Ⅴ型(≥7級(jí),15.9%),偏南大風(fēng)的占比較高;風(fēng)力≥8、9級(jí)則是Ⅴ型占比最高,其次是Ⅷ型,偏北大風(fēng)尤其是偏東北大風(fēng)占比最高。此外,分別統(tǒng)計(jì)8種天氣類型下發(fā)生6級(jí)及以上大風(fēng)的概率可知,Ⅷ型發(fā)生大風(fēng)的概率最高,達(dá)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(shì)進(jìn)行海區(qū)大風(fēng)的推算是非常必要的。

表1 2017—2021年不同風(fēng)力等級(jí)對(duì)應(yīng)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(fēng)速模型

使用2017—2020年的觀測(cè)資料,針對(duì)海基站,逐站、逐環(huán)流類型建立沿岸風(fēng)場(chǎng)向海區(qū)風(fēng)場(chǎng)轉(zhuǎn)化推算的模型,并使用2021年資料對(duì)推算模型的質(zhì)量進(jìn)行檢驗(yàn)。本文嘗試了多元線性回歸、逐步回歸等方法,經(jīng)過試驗(yàn)對(duì)比,發(fā)現(xiàn)多元線性回歸預(yù)報(bào)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(fēng)速環(huán)境下,海基和陸基站風(fēng)速的線性關(guān)系可能存在一定的差異,因此建立兩種模型,并分別進(jìn)行檢驗(yàn)和分析:一是對(duì)全部風(fēng)力等級(jí)建立模型(以下簡(jiǎn)稱CM模型);二是針對(duì)海區(qū)大風(fēng)的服務(wù)需求,將6級(jí)及以上的大風(fēng)建立模型(以下簡(jiǎn)稱HM模型)。推算模型的回歸因子是74個(gè)陸基站風(fēng)速,預(yù)報(bào)因子是21個(gè)海基站風(fēng)速。線性擬合對(duì)資料樣本長(zhǎng)度有一定的要求,如果樣本數(shù)太小,模型質(zhì)量可能不高,但如果要求樣本數(shù)過高,建模則會(huì)存在困難。本文設(shè)定了最低樣本數(shù),若某海基站、某天氣形勢(shì)下樣本數(shù)小于該值,則放棄建立推算方程。最小樣本數(shù)是通過批量試驗(yàn)來確定的,從100～800以10為間隔逐一進(jìn)行建模和預(yù)報(bào)試驗(yàn)。其中,當(dāng)最低樣本數(shù)為400個(gè)時(shí),HM模型的預(yù)報(bào)均方根誤差最小;而對(duì)于CM模型,最小樣本數(shù)為540個(gè)時(shí),預(yù)報(bào)均方根誤差為次小值,該樣本數(shù)也較為合理。因此,將540個(gè)和400個(gè)分別作為CM和HM模型的最小樣本值。CM模型共建立了161個(gè)方程,由于大風(fēng)僅出現(xiàn)在部分環(huán)流形勢(shì)下,發(fā)生次數(shù)和樣本數(shù)量少,方程數(shù)量大幅減少,HM模型僅包含31個(gè)方程。以上方程均通過了F顯著性檢驗(yàn)(P<0.01)。需要說明的是,受樣本數(shù)量的限制,本文建立的模型數(shù)量有限,尚不能覆蓋全部21個(gè)海基站和8種天氣類型。以CM模型2021年應(yīng)用試驗(yàn)為例,全年獲取的21個(gè)海基站逐1 h 觀測(cè)資料數(shù)量為132 721個(gè),缺測(cè)率約為27.9%,而風(fēng)速推算的數(shù)據(jù)量為181 531個(gè)(推算率為98.7%),推算數(shù)據(jù)對(duì)實(shí)際觀測(cè)數(shù)據(jù)有顯著的補(bǔ)充作用。

3 結(jié)果分析

3.1 不同天氣類型下的風(fēng)速推算效果對(duì)比檢驗(yàn)

利用2021年1—12月海基站逐1 h實(shí)況資料對(duì)推算風(fēng)速進(jìn)行了檢驗(yàn),采用散點(diǎn)分布、決定系數(shù)(R2)、均方根誤差(RMSE)、偏差(Bias)等指標(biāo)分別對(duì)8種天氣類型下的風(fēng)速推算結(jié)果進(jìn)行分析。由CM和HM模型的檢驗(yàn)指標(biāo)對(duì)比分析(表2)可知,CM模型對(duì)全部樣本推算的風(fēng)速的R2為0.67,RMSE為2.05 m·s-1,Bias為0.01 m·s-1,整體比實(shí)況略偏小。對(duì)6級(jí)及以上大風(fēng)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(duì)大風(fēng)天氣的預(yù)報(bào)質(zhì)量明顯高于CM模型。

表2 CM、HM模型以及大風(fēng)發(fā)生概率較高的5種天氣類型風(fēng)速推算結(jié)果檢驗(yàn)指標(biāo)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(jié)果與實(shí)況風(fēng)速的散點(diǎn)分布(圖4)可知,CM模式對(duì)4級(jí)以下風(fēng)速推算,在對(duì)角線上方的散點(diǎn)略多于下方,即推算比實(shí)況偏大的站次略偏多;對(duì)4～6級(jí)風(fēng)速的推算,對(duì)角線下方的散點(diǎn)略多于上方,即推算風(fēng)速比實(shí)況偏小的站次略偏多;對(duì)于7級(jí)及以上風(fēng)速的推算,推算風(fēng)速比實(shí)況偏小的站次大于偏大站次。HM模型對(duì)于6～7級(jí)風(fēng)速的推算偏大和偏小的數(shù)量較為接近,且集中在對(duì)角線附近,對(duì)于8級(jí)風(fēng)速推算的偏小散點(diǎn)大于偏大散點(diǎn),對(duì)于9～10級(jí)的風(fēng)速推算與CM模型相似,以偏小為主。

注:實(shí)線為對(duì)角線,虛線為擬合線。

將8種天氣類型的CM模型推算結(jié)果進(jìn)行對(duì)比(圖5)可看出,Ⅴ型(圖5e)和Ⅷ型(圖5h)推算結(jié)果最接近對(duì)角線位置,效果最好;其次是Ⅱ型(圖5b)對(duì)3～6級(jí)風(fēng)速的推算接近對(duì)角線,效果非常好,對(duì)7～8級(jí)風(fēng)速推算的偏小散點(diǎn)數(shù)量大于偏大散點(diǎn),對(duì)9級(jí)風(fēng)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(duì)3～5級(jí)風(fēng)速的推算接近對(duì)角線位置,對(duì)6～7級(jí)風(fēng)速推算的偏小散點(diǎn)數(shù)量大于偏大散點(diǎn),對(duì)8級(jí)及以上風(fēng)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(xiàn)6級(jí)以上大風(fēng)的概率較小(分別為17.2%和40.3%,表1),對(duì)6級(jí)以下風(fēng)速的推算效果較好,對(duì)6級(jí)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(shí)況偏小。

注:實(shí)線為對(duì)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(duì)全部樣本的風(fēng)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(duì)比5種發(fā)生6級(jí)及以上大風(fēng)概率較高天氣類型(大于60%)的HM模型推算結(jié)果可知,同樣為對(duì)Ⅷ型(圖6e)和Ⅴ型(圖6c)的推算效果最好,推算的6～8級(jí)風(fēng)速散點(diǎn)接近對(duì)角線位置,9～10級(jí)風(fēng)速以偏小為主;對(duì)Ⅱ型(圖6a)、Ⅶ型(圖6d)和Ⅲ型(圖6b)6～7級(jí)風(fēng)速的推算效果相差不大,均接近對(duì)角線位置,Ⅱ型推算的8～9級(jí)風(fēng)速以偏小為主,Ⅶ型的8級(jí)及以上大風(fēng)較少且推算的風(fēng)速偏小,Ⅲ型的8～10級(jí)大風(fēng)在3種類型中最多且推算的風(fēng)速基本偏小。

注:實(shí)線為對(duì)角線,虛線為擬合線。

表2給出了CM模型中對(duì)6級(jí)及以上大風(fēng)推算的RMSE和Bias檢驗(yàn)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(fēng)速均比實(shí)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(gè)模型均存在風(fēng)速估計(jì)偏小的問題,HM模型偏小的幅度顯著小于CM模型。因此,對(duì)于海上大風(fēng)使用6級(jí)及以上大風(fēng)資料建立HM模型,可以得到更加準(zhǔn)確的推算結(jié)果。

3.2 不同海區(qū)大風(fēng)推算效果對(duì)比檢驗(yàn)

為分析推算模型在不同海區(qū)大風(fēng)過程中的應(yīng)用效果,選取2021年海基站6級(jí)及以上大風(fēng)觀測(cè)數(shù)據(jù),對(duì)推算結(jié)果進(jìn)行檢驗(yàn)。為保證統(tǒng)計(jì)的有效性,剔除缺測(cè)嚴(yán)重的站點(diǎn),選取了樣本數(shù)在41～1090的14個(gè)海基站點(diǎn)數(shù)據(jù)。從平均誤差(圖7a)和平均絕對(duì)誤差(圖7b)的分布可以看出,對(duì)渤海北部海區(qū)風(fēng)速推算偏小,3個(gè)海基站的平均絕對(duì)誤差為1.32、1.67、1.70 m·s-1;位于渤海西南部的5個(gè)海基站的推算中2個(gè)偏小、3個(gè)偏大,平均絕對(duì)誤差分別為1.37、1.78、1.36、1.48、1.67 m·s-1;對(duì)渤海東部海區(qū)接近渤海海峽區(qū)域推算的風(fēng)速偏小,2個(gè)海基站的平均絕對(duì)誤差分別為1.54 m·s-1和1.61 m·s-1;對(duì)黃海北部海區(qū)的推算偏小,平均絕對(duì)誤差為0.95 m·s-1;對(duì)黃海中部海區(qū)的推算偏小,3個(gè)海基站的平均絕對(duì)誤差為1.41、1.58、1.67 m·s-1。由海基站的海區(qū)分布推算效果檢驗(yàn)?zāi)軌虻贸?對(duì)黃渤海大部分區(qū)域推算的風(fēng)速偏小,僅對(duì)渤海西南部海區(qū)部分站點(diǎn)推算的風(fēng)速偏大;推算的黃海北部海區(qū)風(fēng)速平均絕對(duì)誤差最小,對(duì)其他海區(qū)風(fēng)速推算的平均絕對(duì)誤差相差不大,在1.32～1.70 m·s-1。

圖7 海基站推算風(fēng)速的(a)平均誤差(單位:m·s-1)和(b)平均絕對(duì)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(fēng)過程推算結(jié)果個(gè)例分析

在以上研究中,采用數(shù)值預(yù)報(bào)產(chǎn)品中的海平面氣壓場(chǎng)判斷環(huán)流的類型,運(yùn)用已建立的方程根據(jù)實(shí)時(shí)的沿海和海島自動(dòng)站風(fēng)速推算海區(qū)風(fēng)速,由此建立海區(qū)風(fēng)速的實(shí)時(shí)推算模型,以下將推算的海區(qū)風(fēng)速與數(shù)值預(yù)報(bào)產(chǎn)品中的風(fēng)向結(jié)合,繪制海區(qū)的實(shí)時(shí)風(fēng)場(chǎng)分布圖。通過對(duì)比2021年5次大風(fēng)過程,對(duì)推算的效果進(jìn)行評(píng)估。

原題呈現(xiàn) (2018年荊門)如圖1，等腰Rt△ABC中，斜邊AB的長(zhǎng)為2，O為AB的中點(diǎn)，P為AC邊上的動(dòng)點(diǎn)，OQ⊥OP交BC于點(diǎn)Q，M為PQ的中點(diǎn)，當(dāng)點(diǎn)P從點(diǎn)A運(yùn)動(dòng)到點(diǎn)C時(shí)，點(diǎn)M所經(jīng)過的路線長(zhǎng)為( ).

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

海區(qū)風(fēng)速推算方法,除推算結(jié)果較為準(zhǔn)確外,還具有以下優(yōu)勢(shì):一是適應(yīng)能力強(qiáng),易于業(yè)務(wù)應(yīng)用,由于采用的是多元擬合方法建立方程,建模耗時(shí)非常小,當(dāng)某陸基站資料出現(xiàn)缺測(cè)等異常情況時(shí),可以剔除后重新快速建立計(jì)算方程并完成海區(qū)風(fēng)速推算,不影響業(yè)務(wù)實(shí)時(shí)應(yīng)用;二是可擴(kuò)展性強(qiáng),對(duì)于尚未建立預(yù)報(bào)方程的海區(qū),隨著資料的積累,可不斷補(bǔ)充和完善,對(duì)于已經(jīng)有足夠資料積累的海區(qū),可以考慮適當(dāng)調(diào)整船舶、浮標(biāo)等觀測(cè)系統(tǒng)的部設(shè),如移動(dòng)到資料缺乏的海區(qū),以更好地發(fā)揮作用。在有條件的情況下,也可對(duì)部分海區(qū)開展一段時(shí)期的試驗(yàn)觀測(cè)以積累數(shù)據(jù)集。

4 結(jié)論與討論

針對(duì)渤海和黃海海區(qū)海上大風(fēng)觀測(cè)資料稀缺問題,為有效補(bǔ)充海區(qū)風(fēng)場(chǎng)實(shí)況獲取能力,本文采用較為可靠的沿海和海島等陸基站風(fēng)速資料以及具有一定連續(xù)性的浮標(biāo)站、船舶等海基站風(fēng)場(chǎng)資料,建立了由陸基風(fēng)場(chǎng)向海區(qū)風(fēng)場(chǎng)的推算模型,并將推算結(jié)果進(jìn)行檢驗(yàn),主要結(jié)論如下。

(1)在渤海和黃海北部被岸線環(huán)繞的海區(qū),沿海氣象站點(diǎn)較為密集的情況下,使用陸基站實(shí)況風(fēng)速資料推算海區(qū)的風(fēng)速是可行的。在海區(qū)觀測(cè)不連續(xù)、不穩(wěn)定的情況下,推算結(jié)果能夠?qū)Ｉ巷L(fēng)場(chǎng)資料進(jìn)行有效的補(bǔ)充。以2021年21個(gè)海基站為例,使用CM模型可使海區(qū)數(shù)據(jù)獲取率由72.1%提高到98.7%。

(2)根據(jù)海平面氣壓場(chǎng)對(duì)渤海、黃海北部區(qū)域的環(huán)流形勢(shì)進(jìn)行分類,并針對(duì)每一類環(huán)流,使用74個(gè)陸基站采用多元線性回歸方法建立了21個(gè)海區(qū)站點(diǎn)的風(fēng)速推算模型。檢驗(yàn)表明,CM模型和HM模型均具有較高的可靠性,推算得到的風(fēng)速均方根誤差較小;在大風(fēng)條件下,HM模型可得到更加準(zhǔn)確的結(jié)果。

本文提出的海區(qū)大風(fēng)推算方法具有較好的業(yè)務(wù)應(yīng)用能力,但需要指出的是,本文對(duì)天氣類型的劃分主要針對(duì)天氣尺度環(huán)流,推算模型對(duì)系統(tǒng)性大風(fēng)天氣具有很好的推算效果,但是對(duì)于局地對(duì)流性大風(fēng)不具備推算能力。隨著海上觀測(cè)資料不斷增加,觀測(cè)模型可進(jìn)一步細(xì)化和完善,準(zhǔn)確率進(jìn)一步提高;隨著觀測(cè)站點(diǎn)部設(shè)范圍不斷擴(kuò)大,可以為更多海區(qū)建立推算模型,增強(qiáng)海上風(fēng)場(chǎng)數(shù)據(jù)獲取能力。