Page 128 - 《高原气象》2026年第4期
P. 128

高     原      气     象                                 45 卷
              1058
             睿等, 2024)。若对多站点或大范围格点整体建                           确定性模式 08:00(北京时, 下同)、 20:00 起报, 预
             模, 虽能减少超参数选取的计算量, 却会平滑阵风                           报时效为24 h的 10 m风场与最大阵风风速数据、 中
             的局地特性, 导致局地强阵风的低估更显著。研究                            国气象局地面观测的小时最大阵风风速和风向数
             指出, 下垫面会显著影响阵风的预报难度, 使相同                           据。其中, 10 m风场预报数据为对应预报时刻的风
             方法在不同地区预报效果差异明显, 且下垫面条件                            速风向, 最大阵风风速预报数据为预报时刻前3 h内
             越复杂, 强阵风的低估程度越突出(Letson et al.,                    的最大阵风风速。ECMWF 模式的空间分辨率为

             2018; 胡海川等, 2023)。若分站点建模型以体现                       0. 125°×0. 125°, 阵风风速观测数据保留小数点后
             局地性, 减少强阵风的低估, 又会大幅增加超参数                           一位。选取四川及周边(97°E -109°E, 26°N -35°N)
             选取的计算成本。                                           358 个国家级观测站点作为代表站点(图 1)。该研
                  阵风系数方法通过计算预报时段内最大阵风                           究区域内地形复杂, 海拔差异显著, 这使得不同站
             风速与平均风速的比值, 定量风速脉动, 进而实现                           点阵风预报难度差异明显, 有利于验证所构建方法
                                                                的有效性及其在不同站点中的适用性。2022年 1月
             阵风预报。该方法虽无法体现湍流或对流系统中
                                                                至 2023 年 12 月的数据用于构建阵风参数化方法,
             下沉气流对地面阵风的影响(Brasseur, 2001; 胡海
                                                                2024 年 1 -11 月的数据用于预报效果检验。在建模
             川 等 ,  2022;  胡 海 川 和 代 刊 ,  2024;  王 彦 淇 等 ,
                                                                                                      -1
                                                                和检验数据中, 358 个站点出现 13. 9 m·s 及以上
             2025), 但凭借计算简便, 实用性强, 可快速实现多
                                                                阵风的样本分别为 2162 个和 1135 个, 对应占比分
             站点建模的优势, 至今仍被广泛关注(毕雪岩等,
                                                                别为0. 42%和0. 49%。
             2022; Lang et al., 2022; 杨璐等, 2023; 诸葛丰林
             等, 2024)。然而, 当地面平均风速相同时, 该方法
             输出的阵风预报值完全一致。实际中, 平均风速相
             等时, 对应的 u、 v 风分量往往差异显著, 阵风也随
             之不同, 单一阵风预报结果与实际情况不符。叠加
             地形作用与数值模式预报误差后, 阵风系数方法的
             预报偏差会进一步增大。基于u、 v风分量构建阵风
             参数化方案, 既能体现不同风分量组合对应的阵风
             差异, 也可更精准刻画地形影响, 对提升阵风预报
             效果具有重要意义。此外, 阵风系数方法多采用全
             样本建模的方式, 而风速样本分布不均衡会导致模
             型结果倾向于大样本数据, 导致强阵风的低估(周                              图1 四川及周边地区358个国家级观测站点(圆点)与
             萱和吴伟丽, 2024)。针对阵风系数方法的上述不                                       海拔(填色, 单位: m)分布
             足, 本文在平均风分量的基础上, 采用降低大样本                            Fig. 1 Distribution of 358 national meteorological observa‐
                                                                   tion stations (dots) and elevation (shading, unit: m)
             数据影响的方式构建阵风风速参数化模型, 以期进
                                                                           in Sichuan and surrounding areas
             一步提升强阵风的预报效果。
                                                                    文中涉及的地图是基于中华人民共和国自然
                  本文将欧洲中期天气预报中心(ECMWF)确定
                                                                资源部地图技术审查中心标准地图服务系统下载
             性模式的 10 m 风场预报数据作为平均风数据, 并
                                                                的审图号为 GS 京(2024)0236 号的中国地图制作,
             结合同时期中国气象局地面观测的小时内最大阵
                                                                底图无修改。
             风风速、 风向数据, 针对四川及周边多个国家级气
             象观测站点开展研究。在分析传统阵风系数方法                              3  传统阵风系数方法
             的基础上, 构建基于平均风分量的阵风参数化模
                                                                    本文采用最小二乘法分别计算不同站点的阵
             型, 并利用 2024 年 1 -11 月数据验证该方法的实际
                                                                风系数, 公式如下(胡海川和代刊, 2024):
             预报效果。
                                                                                     n
              2  资料来源                                                          GF =  ∑ V 10i × V Gi       (1)
                                                                                    i = 1
                                                                                        n
                                                                                           2
                  本文采用 2022 年 1 月至 2024 年 11 月 ECMWF                                   ∑ V 10i
                                                                                       i = 1
   123   124   125   126   127   128   129   130   131   132   133