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

