Page 127 - 《高原气象》2026年第4期
P. 127

第 45 卷  第 4 期                        高     原     气    象                             Vol. 45  No. 4
                 2026 年 8 月                       PLATEAU METEOROLOGY                               August, 2026


               胡海川, 杨康权, 邢星, 2026. 基于平均风分量的阵风风速参数化方法研究[J]. 高原气象, 45(4): 1057-1071. Hu Haichuan,
               Yang Kangquan, Xing Xing, 2026. Research on gust wind speed parameterization method based on mean wind components[J].Pla‐
               teau Meteorology, 45(4): 1057-1071. DOI: 10. 7522/j. issn. 1000-0534. 2025. 00132. CSTR: 32265. 14. gyqx. CN62-1061/P.
               2025. 00132.




                       基于平均风分量的阵风风速参数化方法研究



                                                      1
                                             胡海川 , 杨康权            2, 3 , 邢 星    4
                                                  (1.  国家气象中心,  北京  100081;
                           2.  中国气象局成都高原气象研究所  高原与盆地暴雨旱涝灾害四川省重点实验室,  四川  成都    610213;
                                         3.  中国气象科学研究院  青藏高原气象研究院,  北京    100081;
                                                 4.  华风气象传媒集团,  北京    100081)

                       摘要: 为提升强阵风预报效果、 降低大风灾害风险, 本文针对四川及周边 358 个国家级观测站点, 利用
                       2022 年 1 月至 2023 年 12 月欧洲中期天气预报中心(ECMWF)24 h 预报时效的 10 m 风场数据、 中国气象
                       局地面观测的小时最大阵风风速及风向数据, 在分析传统阵风系数方法局限性的基础上, 提出一种基于
                       平均风分量的阵风风速参数化方法, 并利用 2024年 1 -11月数据进行独立样本检验。该方法首先将阵风
                       观测风向调整至与数值模式预报风向一致, 再按模式预报 u、 v风的正负号分类, 计算经风向调整后的阵
                       风观测与模式预报 u、 v风速平方在特定分位数上的阵风系数, 最终构建参数化模型。检验结果表明: 建
                       模前将阵风观测风向调整至与数值模式预报风向一致、 分别针对 u、 v 风进行参数化以及基于分位数计
                       算阵风系数三项改进措施, 均能有效降低强阵风低估; 在预报误差和准确率等指标中, 该方法对 13. 9
                       m·s 及以上阵风的预报表现最优, 预报准确率为 16. 1%, 远高于传统阵风系数方法的 6. 0%; 在 2024年
                          -1
                       3月冷空气大风过程验证中, 同样表现出优于传统方法的预报性能。
                       关键词: 阵风预报; 阵风系数; 强阵风; 平均风分量; 阵风参数化; 样本不均衡
                       文章编号: 1000-0534(2026)04-1057-15   中图分类号: P407. 2   文献标识码: A
                       DOI: 10. 7522/j. issn. 1000-0534. 2025. 00132
                       CSTR: 32265. 14. gyqx. CN62-1061/P. 2025. 00132


               1  引言                                             湍流涡旋尺度过小, 在中尺度模式中也无法被有效
                                                                 解析, 需以参数化形式实现预报(Fovell and Galla‐
                   阵风因其突发性与瞬时性, 相较于数分钟平均
                                                                 gher, 2022)。因此阵风的预报始终是气象预报领
               风 速 更 易 引 发 大 风 灾 害(Sheridan,  2018;  Kahl,
                                                                 域的难点。
               2020; Schulz and Lerch, 2022)。中央气象台在针
                                                                     机器学习方法因在处理非线性问题中的优势,
               对陆地区域发布大风蓝色预警标准中, 将 7 级阵风
                                                                 已 被 广 泛 应 用 于 阵 风 预 报(Coburn  and  Pryor,
              (13. 9 m·s )作为关键参考指标, 该阈值以上的阵
                        -1
               风破坏力明显, 提升其预报准确率对降低大风灾害                           2022; Hu et al., 2024; Jahan et al., 2024), 但其在
               风险具有重要意义。阵风受平均风速、 边界层湍                            实际应用中仍存在一定局限性。机器学习方法的
               流、 地表粗糙度、 大气稳定度以及地形气流等多因                          预测精度与泛化性依赖超参数, 而这类参数无法通
               素综合影响(Harris and Kahl, 2017), 且驱动阵风的              过模型自主学习得到, 却对最终结果至关重要(张


                  收稿日期: 2025⁃06⁃17; 定稿日期: 2025⁃12⁃10
                  资助项目: 中国气象局重点创新团队智能预报技术团队项目(CMA2022ZD04); 四川省气象局重点创新团队(SCQXZDCXTD202401)
                  作者简介: 胡海川(1988 -), 男, 北京人, 高级工程师, 主要从事大风客观预报方法研究. E-mail: huhc1988@sina. com
                  通信作者: 杨康权(1985 -), 男, 广东吴川人, 正高级工程师, 主要从事中小尺度天气研究及数值模式释用.
                         E-mail: yangkangquan@aliyun. com
                  © Editorial Department of Plateau Meteorology (CC BY-NC-ND)
   122   123   124   125   126   127   128   129   130   131   132