中國沿海風能年際變化的區域性特征成因及其預測

沈龍 羅京佳 金大超

摘要 基于ERA5的逐小時100 m風場數據，利用時間序列K-means聚類方法，將中國沿海冬季風能年際變化劃分為四個區域，分別為北中國海（North China Sea，NCS）、東海（East China Sea，ECS）、南海北部（Northern South China Sea，NSCS）及南海南部（Southern South China Sea，SSCS）。四個區域風能的年際變化受不同氣候模態的影響，其中NCS風能的年際變化與北極濤動（Arctic Oscillation，AO）有關;ECS風能的年際變化與中部型ENSO及西伯利亞高壓有關;SSCS和NSCS的年際變化則和東部型ENSO及大陸高壓的南北位置存在聯系。鑒于影響各區域風能年際變化的氣候模態具有較高的可預測性，進一步評估了多個氣候模式對中國沿海風能年際變化的預測技巧。結果表明，氣候模式對南中國海的風能年際變化預測技巧更高，這與氣候模式對ENSO的高預測技巧有關。氣候模式對北方海域風能年際變化的預測技巧較差，這和氣候模式不能較好地預測AO和西伯利亞高壓有關。

關鍵詞中國沿海風能;年際變化;北極濤動;ENSO;西伯利亞高壓;氣候預測系統評估

隨著人口的增長和社會經濟的發展，化石能源的使用不僅對環境造成了影響，其有限性問題也逐漸顯露出來。因此，尋找環保的、可持續的替代能源解決方案變得尤為迫切（Algarni et al.，2023;Xia et al.，2023）。可再生能源如太陽能、風能、水能等，因其源源不斷的特點和對環境較小的影響，正成為能源領域的重要選項，并以其可持續性和環保性在全球范圍內受到了廣泛的關注（Kung et al.，2021）。而風能作為一種可再生能源，發電成本預計將從2015年的5.5美分／千瓦時降至2030年的4.1～4.5美分／千瓦時。預計到2030年，風力發電可能成為最經濟實惠的新能源發電方式之一，裝機容量也將迎來迅速的發展（Sahu et al.，2013;Williams et al.，2017）。

隨著風電產業的不斷發展，區域風能資源的時空分布對風力發電項目產量的影響受到了越來越多的關注。如國內外許多學者對風能資源的氣候特性開展了大量的研究工作（李艷等，2010;Zheng et al.，2013;Chang et al.，2015;孫玉婷等，2017;宋超輝等，2019;Soukissian et al.，2021;Tian et al.，2021），揭示了風能資源豐富的地區，為風電機組的宏觀選址提供了科學依據和線索。此外，隨著近年來氣候變化問題的加劇，氣候變化對未來風能資源的影響也受到了越來越多的關注。研究表明，未來風能資源的變化存在顯著的區域及季節差異（Li et al.，2020;Wu et al.，2021;Zhuo et al.，2022;張佳等，2023）。上述研究結果為風電項目的前期規劃提供了重要的科學依據。但由于風力發電的不穩定性，其產量和經濟利潤容易受到風能年際變化的影響。因此，深入理解風能的年際變化對于風力發電產量長期的季節預測、進一步提高風力發電量的穩定性至關重要（Bett et al.，2017;Clark et al.，2017;Krakauer and Cohan，2017;Lockwood et al.，2019）。

風能資源存在顯著的年際變化，這種年際變化和大氣環流異常存在密切聯系（Sun and Yan，2012;Berg et al.，2013;Hamlington et al.，2015;Yu et al.，2015，2020;Sherman et al.，2017）。東亞地區位于歐亞大陸東部，其大氣環流異常亦存在顯著的區域性特征（李麗平等，2015）。而這種局地大氣環流異常受多種因素的影響，包括人為因素（如氣溶膠排放）和自然變率的影響。如，東亞氣溶膠的增加會引起局地大氣異常環流，導致不同地區的降水及氣溫變化（Chen et al.，2018;Dong et al.，2019;鄭彬等，2021）。此外，西北太平洋對流層低層的環流系統和ENSO（El Nio-Southern Oscillation）存在密切聯系。在El Nio年，西北太平洋存在反氣旋式環流異常，而在La Nia年，西北太平洋存在氣旋式環流異常（Wang et al.，2000）。AO（Arctic Oscillation）和西伯利亞高壓（SH，Siberian High）是影響東亞中高緯度地區大氣環流的重要因子。AO可通過影響東亞大槽，影響冬季風強弱，SH則直接地影響東亞沿岸北風以及海平面氣壓（Wu and Wang，2002）

既然東亞地區環流異常的年際變化存在顯著的區域特征，而風能資源又與大氣環流異常存在密切的聯系。那么中國近海風能的年際變化是否存在區域性特征？如果存在，那么影響各區域風能資源的因子有哪些呢？這些影響因子又是如何調控中國近海不同區域風能年際變化的呢？氣候模態具有較高的可預測性，目前主流氣候模式對中國沿海風能的年際變化的預測技巧又是如何？本文將圍繞上述問題展開討論。

1 資料與方法

1.1 資料描述

采用了水平分辨率為0.25°的ERA5逐小時再分析資料（Hersbach et al.，2020）。與ERA-Interim及其他再分析資料相比較，ERA5與地表風觀測之間的均方根誤差最低、相關系數最高（Olauson，2018;Belmonte Rivas and Stoffelen，2019）。而ERA5的地表風場年際變率與觀測的年際變率最為接近（Ramon et al.，2019）。因此，使用了ERA5的100 m高度風場數據以計算風能密度。選用了ERA5的海平面氣壓、位勢高度及風場數據等用于診斷風能的年際變化。

為了揭示中國沿海風能各區域的影響因子，選用了美國國家海洋和大氣管理局（NOAA）冬季平均（12月—次年2月的平均值）的AO指數、Nio3指數和Nio4指數。由于本研究關注的是中國沿海風能的年際變化，因此提取了風能的年際變化分量。此外，還選用了英國氣象局的HadISST海表溫度資料，水平分辨率為1°×1°（Rayner et al.，2003）（表1）。

目前世界上主流氣候預測系統包括南京信息工程大學第一代氣候預測模式（NUIST-CFS1.0）、歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的SEAS5、德國氣象局（Deutscher Wetter Dienst，DWD）的GCFS2.1、歐洲-地中海氣候變化中心（Centro Euro-Mediterraneo sui Cambiamenti Climatici，CMCC）的CMCC-SPS3.5和日本氣象廳（Japan Meteorological Agency，JMA）的MRI-CPS3等。上述氣候預測系統對熱帶地區海表溫度和大氣環流具有較高的預測技巧，對中高緯度大氣環流亦具有一定的預測能力，被廣泛應用于氣候預測和氣候變化研究中。然而，目前氣候模式對風能的預測能力尚不清楚，急需將這些模式應用在實際的場景中，特別是在風能資源預測的實際場景中。因此選用了五個氣候預測系統（表2）1993—2016年冬季風場的歷史回報數據以評估它們對中國海上風能年際變化的預測技巧。

1.2 分析方法

1.2.1 風能密度的計算

風能密度為氣流在單位時間內垂直通過單位面積的風能，它是描述一個地方風能潛力最方便、最有價值的量。風速每時每刻都在變化，瞬時風速值不適合計算風能密度，需用長期風速觀測資料才能反映其規律，故采用了平均風能密度的評估方法。平均風能密度與風速的三次方和空氣密度成正比，單位為w·m-2，其中空氣密度為1.225 kg·m-3。平均風能密度的公式如下：

其中：n為時次數量;ρ為空氣密度;V為風速大小;Wpd為平均風能密度。

基于風能密度公式，計算了1979—2020年逐小時風能密度，求取逐年冬季平均，進一步采用Butterworth高通濾波方法，將風能密度時間序列中超過5 a的低頻分量濾除，僅保留高頻部分以得到風能密度的年際分量。

1.2.2 時間序列K-means聚類方法

傳統的K-means聚類方法在捕捉時間序列的平滑子空間特征方面表現較弱，經過改進的時間序列K-means（Time Series K-means，TSK-means）聚類方法能夠有效地提取時間序列內部的次空間尺度信息，更適合處理具有較高復雜性的時間序列數據（Huang et al.，2016）。使用TSK-means方法將每個網格點標準化后的風能密度年際變化時間序列進行聚類，聚類具體步驟為：

1）選擇要分成的聚類簇（K值）。從風能密度數據集中隨機選擇k個格點作為初始聚類中心。這些格點將成為每個簇的風能年際變化的代表。

2）對于每個聚類簇，計算樣本（時間序列）與所有聚類中心之間的歐式距離，以衡量它們的相似程度。并將樣本分配到距離最近的聚類中心所代表的簇。

3）對于每個聚類簇，計算簇中所有樣本的平均值，將該平均值作為新的聚類中心。

4）重復執行步驟2和步驟3，直到聚類中心不再發生顯著變化或達到預定的迭代次數，以確保聚類過程收斂，每個樣本都被分配到適當的簇，從而得到最終的聚類結果。

2 結果

2.1 冬季沿海風能年際變化的客觀分區

受東亞冬季風影響，中國沿海區域盛行偏北風（圖1a），30°N以北地區受西北風控制，氣候平均風速約為4.6m／s，而30°N以南地區，受東北風影響，氣候平均風速較高，約為8.0 m／s。類似于風速的空間分布，冬季南方海域的風能密度普遍高于北方海域。北方海域的平均風能密度約為503.8 W／m2，隨著距離海岸線的增加逐漸增大。相比之下，南方海域風能資源更為豐富，部分地區最大風能密度超過2 000 W／m2。南方海域有3個顯著的風能密度高值中心，分別位于臺灣海峽、呂宋海峽以及南沙群島以東的海域。

中國沿海區域的風能密度存在較強的年際變化特征，風能密度較大的地區存在較大的年際變率（圖1b）。圖1c采用TSK-means方法對中國沿海風能密度的年際變化進行客觀分區。首先，通過計算在不同聚類數下，樣本與其最近聚類中心之間的距離總和，即聚類誤差。我們既不希望聚類結果過于細致，也不希望聚類誤差過大，因此聚類數通常選擇在聚類誤差出現拐點處。在此例中，最佳聚類數確定為4（圖1d）。中國沿海風能資源年際變化分為4個顯著的聚類區域：北中國海（North China Sea，NCS）、東海（East China Sea，ECS）、南海北部（Northern South China Sea，NSCS）以及南海南部（Southern South China Sea，SSCS）。基于分析的結果，將各區域標準化的區域平均冬季風能密度年際分量定義為風能年際變化指數。

2.2 大尺度環流異常與風能年際變化的關系

由于風能與風速的三次方成正比，而東亞冬季風的年際變化又與大氣內部變率（如北極濤動、西伯利亞高壓、北大西洋濤動）及外部強迫因子（如ENSO）存在關聯（Gong et al.，2001;Wu and Wang，2002;Kim et al.，2014）。因此為了找出中國沿海四個區域風能變化指數的潛在影響因子，將風能指數回歸到同期冬季的海溫異常場以及海平面氣壓異常場（圖2）。

回歸結果顯示，NCS風能與熱帶海溫并不存在顯著聯系（圖2a），和極地大部分地區的海平面氣壓呈正相關關系，與中緯度地區海平面氣壓呈負相關關系（圖2b）。這種異常空間分布與AO負位相的海平面氣壓場空間分布相似。計算了NCS指數與AO指數的相關系數為-0.39（表3），進一步表明NCS風能和AO存在負相關關系。AO指數回歸的環流場（圖3a）顯示，在AO正（負）位相時，中國東北地區反氣旋（氣旋）環流異常，其南側存在東南（西北）風異常，減弱（增強）了NCS地區的氣候態風速（圖1a），從而減弱（增強）了NCS地區的風能資源。

ECS風能指數和熱帶中太平洋海溫呈負相關關系，與熱帶西太平洋海溫呈正相關（圖2c），這和中太平洋型El Nio事件發生時對應的海溫異常的空間分布相似，ECS風能指數和Nio4指數的相關為-0.29（表3）。Nio4指數回歸的環流場（圖3d）顯示，當中太平洋型厄爾尼諾（拉尼娜）事件發生時，西北太平洋將出現反氣旋（氣旋）環流異常，其西北側的西南風（東北風）與ECS區域氣候態風速相反（一致），減弱（增強）了ECS地區的風能。注意到，ECS還和西伯利亞地區海平面氣壓呈顯著的正相關關系（圖2d）。將西伯利亞地區（70°～105°E，60°～75°N）的標準化海平面氣壓定義為SH（Siberian High）指數，SH指數回歸的850 hPa風場以及位勢高度場（圖3b）顯示。強（弱）SH年，東亞—西北太平洋區域位勢高度負（正）異常存在兩個中心，分別位于東北亞和華南地區，其中華南氣旋（反氣旋）北側的偏東（西）風與ECS區域氣候態風速一致（相反），引起ECS區域風能密度增強（減弱）。綜上所述，ECS區域風能年際變化受中太平洋型ENSO和西伯利亞高壓影響。

NSCS和SSCS區域風能年際變化均和西太平洋海溫呈現正相關關系，和東太平洋海溫之間呈顯著負相關關系（圖2e、g），這和東太平洋型ENSO事件存在聯系，這兩個區域的風能指數和Nio3指數的相關系數分別為-0.56和-0.53（表3）。NSCS和SSCS區域風能還和菲律賓海的低壓系統存在顯著的負相關關系。需要說明的是，NSCS和歐亞大陸中緯度地區海平面氣壓呈正相關關系（圖2f），而SSCS則和歐亞高緯度地區的海平面氣壓呈負相關關系（圖2h）。為了揭示東太平洋型ENSO影響

NSCS和SSCS區域風能年際變化的機制，將Nio3指數回歸到850 hPa風場以及位勢高度場（圖3c）上，發現當東太平洋型El Nio（La Nia）事件發生時，菲律賓反氣旋（氣旋）將會偏南，其環流型北側的西南風（東北風）與南海區域氣候態風速相反（一致），導致NSCS和SSCS風能密度減弱（增強）。NSCS和SSCS區域風能指數回歸的環流場（圖4a、b）也顯示這兩個區域的風能和東太平洋型ENSO引起的西北太平洋環流異常存在聯系。

上述結果表明，東部型ENSO可通過菲律賓反氣旋（氣旋）異常調節NSCS和SSCS區域風能的年際變化。但這兩個區域風能年際變化仍存在差異，說明除了共同受東部型ENSO的影響，可能還有其他因子調控兩個區域風能的年際變化。濾除Nio3指數的NSCS和SSCS區域風能指數回歸的環流場顯示，濾去東部型ENSO信號后，菲律賓周圍的環流異常顯著減弱（圖4c、d），進一步說明了東部型ENSO可通過菲律賓氣旋（反氣旋）調節NSCS、SSCS區域的風能年際變化。注意到，濾除ENSO信號后，NSCS區域風能和大陸高壓異常存在聯系（圖4c），而當該高壓異常南移至西北太平洋區域則會增強SSCS區域的風能（圖4d）。這說明除了東部型ENSO對NSCS和SSCS區域風能的共同影響外，大陸異常高壓南北位置也是影響NSCS和SSCS區域風能年際變化的重要影響因子。

2.3 聚類區域風能年際變化的多模式預測技巧評估

中國冬季沿海100 m風能密度的氣候態空間分布（圖5）顯示，沿海風能密度呈現“南多北少”的空間分布型，南海區域為我國冬季海上風能資源最為豐富的地區，臺灣海峽、呂宋海峽、南沙群島以西海域等區域為風能資源極大值區域（圖5a）。5種氣候模式都可以預測出我國沿海風能資源“南多北少”的空間分布特征，但是各模式的預測能力存在差異性。對于南方海域，CMCC和JMA模式高估了南海的風能資源（圖5b、f），而NUIST和DWD模式則低估了南海的風能資源（圖5c、e）。相較其他模式，SEAS5模式的預測結果最接近觀測的風能密度空間分布（圖5d）。對于北方海域，除SEAS5模式外的其他氣候模式均高估了北方海域風能資源。各模式預測的中國冬季近海100 m風能密度的RMSE顯示，模式對臺灣海峽、呂宋海峽以及南沙群島以西海域等區域風能資源豐富的區域模擬結果和觀測存在較大偏差（圖6）。其中，CMCC模式對中國海域風能資源預測誤差最大（圖6a），而SEAS5模式的預測誤差最小（圖6c）。

圖7展示了冬季中國沿海風能密度年際變化的ACC預測技巧。總體來說，大多數氣候模式在南方海域的預測技巧優于北方海域。值得注意的是，在菲律賓以西洋面及臺灣地區西南方向海域，5種模式的預測技巧顯著低于周圍海域。這可能是由于這些區域受地形阻擋和盛行風向的影響，處于背風坡區域，因此風速的年際變化受冬季風影響小，而大尺度氣候模式往往對這種小尺度因素影響下的區域風能年際變化預測技巧較差。對于北方海域，各模式的預測技巧存在差異性，CMCC與SEAS5模式對北方海域風能年際變化的預測技巧較高（圖7a、c），DWD與JMA模式對黃海海域的預測技巧較高、東海海域的預測技巧較低（圖7b、e），而NUIST模式對東海海域預測的技巧較高，對渤海以及黃海海域預測技巧較低（圖7d）。

2.4 氣候模式對影響中國沿海風能年際變化影響因子的評估

2.2節的分析指出中國沿海風能和AO、SH及ENSO有關，那么各氣候模式對風能年際變化的預測技巧是否來源于其對影響因子的高預測技巧呢？圖8為Nio3.4指數回歸的ERA5及模式預測的風能密度年際變化的空間分布。結果顯示，ENSO正位相可引起南海區域風能年際變化負異常（圖8a），這種關系與El Nio （La Nia）引起的菲律賓反氣旋（氣旋）有關（圖9a）。

5種氣候模式均可較為準確地再現南海區域風能與ENSO間的關系（圖8b—f），同時也可以較好地預測出ENSO對對流層低層環流異常的影響（圖9b—f），因此這5種模式均展現出對南海區域風能年際變化較高的預測技巧。

ERA5和模式預測的AO指數回歸的風能密度年際變化空間分布（圖10）顯示，AO可影響中國沿海風能年際變化呈現南北反位相的空間分布型，AO正異常時，黃渤海區域風能負異常、南海區域風能正異常;反之亦然。盡管5種氣候模式均可再現AO引起南海區域風能異常的現象，但不能通過顯著性檢驗（圖10b—f）。僅有DWD模式能夠捕捉到AO與黃渤海區域風能的關系，其他模式均低估了黃海區域風能與AO的關系。觀測資料分析結果（圖11a）顯示，AO正（負）位相時，高緯度地區呈現一致的位勢高度負（正）異常，歐洲、中國東北地區及東北太平洋等中緯度地區，為位勢高度正（負）異常。DWD模式可以較好地模擬出AO和北半球中高緯度地區環流異常的關系（圖11c），而SEAS5模式并不能預測出AO與中高緯度位勢高度異常的關系（圖11d），CMCC與NUIST模式對AO和中國東北區域位勢高度異常的關系有較好的預測技巧。

3 結論

利用TSK-means聚類方法，將中國冬季沿海風能年際變化分為四個區域，分別為NCS（北中國海）、ECS（東中國海）、NSCS（南海北部）、SSCS（南海南部），研究發現不同海域風能資源年際變化與不同氣候模態和大尺度環流間存在聯系（圖12）。在此基礎上，進一步評估了5種國內外主流氣候模式對中國沿海風能年際變化的預測技巧，并進一步分析了模式的預測技巧來源，得到以下結論。

1）冬季NCS區域風能年際變化與AO有關。當處于AO正位相時，東北亞地區會存在反氣旋環流異常，環流異常在NCS區域東南風異常，減弱了氣候態風速（西北風），使得NCS區域風能資源減少;反之，AO負位相時，東北亞地區出現的氣旋式環流異常引起NCS區域風能資源增多。

2）冬季ECS區域風能年際變化與中太平洋型ENSO有關。當中太平洋型拉尼娜發生時，東海區域存在東北風異常，該東北風異常與東海氣候態風向一致，使得東海的風能增大;反之亦然。此外，ECS區域風能還和西伯利亞高壓存在聯系，強（弱）西伯利亞高壓年，下游出現氣旋（反氣旋）性異常，東中國海位于西伯利亞高壓與氣旋（反氣旋）環流之間，存在偏北風（偏南風）異常，使得ECS區域風能增大（減小）。

3）EP型ENSO可以通過引起菲律賓周圍的反氣旋（氣旋）環流異常，從而影響NSCS和SSCS區域風能資源的年際變化。除了EP型ENSO的影響以外，大陸高壓的位置亦可以直接影響NSCS和SSCS區域風能的年際變化。當大陸高壓偏北時，NSCS區域風能影響較大;而當大陸高壓偏南時，SSCS區域風能影響較大。

4）相較于北方海域，氣候模式普遍對南方海域的風能年際變化具有更高的預測技巧。這種高預測技巧源于氣候模式對ENSO及其和東亞地區環流異常的關系具有較好的預測技巧。對于北方海域，各模式間的預測技巧存在較大差異，但是均對AO與北方海域風能的關系存在低估，同時不能較好地模擬出AO和對流層低層大氣環流異常的關系，模式對于北方海域風能年際變化預測技巧仍存在進一步改進的空間。

參考文獻（References）

Algarni S，Tirth V，Alqahtani T，et al.，2023.Contribution of renewable energy sources to the environmental impacts and economic benefits for sustainable development［J］.Sustain Energy Technol Assess，56：103098.doi：10.1016／j.seta.2023.103098.

Belmonte Rivas M，Stoffelen A，2019.Characterizing ERA-Interim and ERA5 surface wind biases using ASCAT［J］.Ocean Sci，15（3）：831-852.doi：10.5194／os-15-831-2019.

Berg N，Hall A，Capps S B，et al.，2013.El Nio-Southern Oscillation impacts on winter winds over southern California［J］.Climate Dyn，40（1）：109-121.doi：10.1007／s00382-012-1461-6.

Bett P E，Thornton H E，Lockwood J F，et al.，2017.Skill and reliability of seasonal forecasts for the Chinese energy sector［J］.J Appl Meteorol Climatol，56（11）：3099-3114.doi：10.1175／jamc-d-17-0070.1.

Chang R，Zhu R，Badger M，et al.，2015.Offshore wind resources assessment from multiple satellite data and WRF modeling over South China Sea［J］.Remote Sens，7（1）：467-487.doi：10.3390／rs70100467.

Chen G X，Wang W C，Chen J P，2018.Circulation responses to regional aerosol climate forcing in summer over East Asia［J］.Climate Dyn，51（11）：3973-3984.doi：10.1007／s00382-018-4267-3.

Clark R T，Bett P E，Thornton H E，et al.，2017.Skilful seasonal predictions for the European energy industry［J］.Environ Res Lett，12（2）：024002.doi：10.1088／1748-9326／aa57ab.

Dong B W，Wilcox L J，Highwood E J，et al.，2019.Impacts of recent decadal changes in Asian aerosols on the East Asian summer monsoon：Roles of aerosol-radiation and aerosol-cloud interactions［J］.Clim Dyn，53（5）：3235-3256.doi：10.1007／s00382-019-04698-0.

Gong D Y，Wang S W，Zhu J H，2001.East Asian winter monsoon and Arctic oscillation［J］.Geophys Res Lett，28（10）：2073-2076.doi：10.1029／2000gl012311.

Hamlington B D，Hamlington P E，Collins S G，et al.，2015.Effects of climate oscillations on wind resource variability in the United States［J］.Geophys Res Lett，42（1）：145-152.doi：10.1002／2014gl062370.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Huang X H，Ye Y M，Xiong L Y，et al.，2016.Time series k-means：a new k-means type smooth subspace clustering for time series data［J］.Inf Sci，367／368：1-13.doi：10.1016／j.ins.2016.05.040.

Kim J W，Yeh S W，Chang E C，2014.Combined effect of El Nio-Southern Oscillation and Pacific Decadal Oscillation on the East Asian winter monsoon［J］.Climate Dyn，42（3）：957-971.doi：10.1007／s00382-013-1730-z.

Krakauer N，Cohan D，2017.Interannual variability and seasonal predictability of wind and solar resources［J］.Resources，6（3）：29.doi：10.3390／resources6030029.

Kung C C，Lee T J，Chen L J，2021.Economic growth and environmental sustainability from renewable energy applications［J］.Energy Explor Exploit，39（2）：531-535.doi：10.1177／0144598720964207.

Li D L，Feng J L，Dosio A，et al.，2020.Historical evaluation and future projections of 100-m wind energy potentials over CORDEX-east Asia［J］.J Geophys Res：Atmos，125（15）：e2020JD032874.doi：10.1029／2020jd032874.

李麗平，宋哲，吳楠，2015.三類厄爾尼諾事件對東亞大氣環流及中國東部次年夏季降水的影響［J］.大氣科學學報，38（6）：753-765. Li L P，Song Z，Wu N，2015.Effects of three types of El Nio events on atmospheric circulation over East Asia and following summer precipitation in Eastern China［J］.Trans Atmos Sci，38（6）：753-765.doi：10.13878／j.cnki.dqkxxb.20130723001.（in Chinese）.

李艷，耿丹，董新寧，等，2010.1961—2007年重慶風速的氣候變化特征［J］.大氣科學學報，33（3）：336-340. Li Y，Geng D，Dong X N，et al.，2010.Climate change of wind speed in Chongqing from 1961 to 2007［J］.Trans Atmos Sci，33（3）：336-340.doi：10.13878／j.cnki.dqkxxb.2010.03.010.（in Chinese）.

Lockwood J F，Thornton H E，Dunstone N，et al.，2019.Skilful seasonal prediction of winter wind speeds in China［J］.Climate Dyn，53（7）：3937-3955.doi：10.1007／s00382-019-04763-8.

Olauson J，2018.ERA5：the new champion of wind power modelling？［J］.Renew Energy，126：322-331.doi：10.1016／j.renene.2018.03.056.

Ramon J，Lledó L，Torralba V，et al.，2019.What global reanalysis best represents near-surface winds？［J］.Quart J Roy Meteor Soc，145（724）：3236-3251.doi：10.1002／qj.3616.

Rayner N A，Parker D E，Horton E B，et al.，2003.Global analyses of sea surface temperature，sea ice，and night marine air temperature since the late nineteenth century［J］.J Geophys Res： Atmos，108（D14）：4407.doi：10.1029／2002JD002670.

Sahu B K，Hiloidhari M，Baruah D C，2013.Global trend in wind power with special focus on the top five wind power producing countries［J］.Renew Sustain Energy Rev，19：348-359.doi：10.1016／j.rser.2012.11.027.

Sherman P，Chen X Y，McElroy M B，2017.Wind-generated electricity in China：decreasing potential，inter-annual variability and association with changing climate［J］.Sci Rep，7（1）：16294.doi：10.1038／s41598-017-16073-2.

宋超輝，王楠，王闊，等，2019.基于1988—2017年CCMP數據的浙江沿海海表風速變化及成因［J］.大氣科學學報，42（4）：562-570. Song C H，Wang N，Wang K，et al.，2019.Variation and cause of sea surface wind speed in Zhejiang coastal area based on CCMP data from 1988 to 2017［J］.Trans Atmos Sci，42（4）：562-570.doi：10.13878／j.cnki.dqkxxb.20180816001.（in Chinese）.

Soukissian T H，Karathanasi F E，Zaragkas D K，2021.Exploiting offshore wind and solar resources in the Mediterranean using ERA5 reanalysis data［J］.Energy Convers Manag，237：114092.doi：10.1016／j.enconman.2021.114092.

Sun C，Yan X M，2012.Interannual variations of surface winds over China marginal seas［J］.Chin J Oceanol Limnol，30（6）：922-932.doi：10.1007／s00343-012-2157-9.

孫玉婷，粘新悅，閔錦忠，等，2017.中國沿海風能分布特征及其影響因子的數值模擬［J］.大氣科學學報，40（6）：823-832. Sun Y T，Nian X Y，Min J Z，et al.，2017.Distribution characteristics of wind energy along the coast of China and numerical simulation on impact factors［J］.Trans Atmos Sci，40（6）：823-832.doi：10.13878／j.cnki.dqkxxb.20150608001.（in Chinese）.

Tian Y C，kou L，Han Y D，et al.，2021.Evaluation of offshore wind power in the China Sea［J］.Energy Explor Exploit，39（5）：1803-1816.doi：10.1177／0144598721992268.

Wang B，Wu R G，Fu X，2000.Pacific-East Asian teleconnection：how does ENSO affect East Asian climate？［J］.J Climate，13（9）：1517-1536.doi：10.1175／1520-0442（2000）013<1517：peathd>2.0.co;2.

Williams E，Hittinger E，Carvalho R，et al.，2017.Wind power costs expected to decrease due to technological progress［J］.Energy Policy，106：427-435.doi：10.1016／j.enpol.2017.03.032.

Wu B Y，Wang J，2002.Winter Arctic oscillation，Siberian high and East Asian winter monsoon［J］.Geophys Res Lett，29（19）：1897.doi：10.1029／2002gl015373.

Wu J，Han Z Y，Yan Y P，et al.，2021.Future changes in wind energy potential over China using RegCM4 under RCP emission scenarios［J］.Adv Clim Change Res，12（4）：596-610.doi：10.1016／j.accre.2021.06.005.

Xia R X，Long Z M，Xing L C，et al.，2023.Achieving sustainable development through economic growth，energy consumption，and agricultural productivity in China［J］.Sustain Dev，31（5）：3428-3442.doi：10.1002／sd.2593.

Yu J，Zhou T J，Jiang Z H，2020.Interannual variability of the summer wind energy over China：a comparison of multiple datasets［J］.Wind Energy，23（8）：1726-1738.doi：10.1002／we.2512.

Yu L J，Zhong S Y，Bian X D，et al.，2015.Temporal and spatial variability of wind resources in the United States as derived from the climate forecast system reanalysis［J］.J Climate，28（3）：1166-1183.doi：10.1175／jcli-d-14-00322.1.

張佳，樂旭，田晨光，等，2023.基于CMIP6多模式集合的未來中國風功率預估［J］.大氣科學學報，46（3）：402-414. Zhang J，Yue Xu，Tian C G，et al.，2023.Estimation of future wind power density in China based on ensemble CMIP6 simulations［J］.Trans Atmos Sci，46（3）：402-414.doi：10.13878／j.cnki.dqkxxb.20221017008.（in Chinese）.

鄭彬，黃燕燕，谷德軍，等，2021.華南黑碳氣溶膠濃度與南海夏季風關系的年代際突變［J］.大氣科學學報，44（4）：507-517. Zheng B，Huang Y Y，Gu D J，et al.，2021.Interdecadal change in the relationship between black carbon aerosol over southern China and South China Sea summer monsoon［J］.Trans Atmos Sci，44（4）：507-517.doi：10.13878／j.cnki.dqkxxb.20191108012.（in Chinese）.

Zheng C W，Pan J，Li J X，2013.Assessing the China Sea wind energy and wave energy resources from 1988 to 2009［J］.Ocean Eng，65：39-48.doi：10.1016／j.oceaneng.2013.03.006.

Zhuo C，Junhong G，Wei L，et al.，2022.Changes in wind energy potential over China using a regional climate model ensemble［J］.Renew Sustain Energy Rev，159：112219.doi：10.1016／j.rser.2022.112219.