Page 134 - 《高原气象》2026年第4期
P. 134
高 原 气 象 45 卷
1064
5 方法检验
为验证本文所构建的阵风风速参数化方法的
实际应用效果, 利用 2024 年 1 -11 月的数据开展独
立样本检验, 并将其与另外 3 种阵风预报方法对
比。本次对比聚焦模型构建过程中的三个核心问
题: 一是在构建模型前将阵风观测风向调整至与数
值模式预报风向一致, 是否对强阵风的预报有积极
作用; 二是分别针对 u、 v 风的参数化方案, 是否比
直接基于数值模式预报的 10 m 风速的参数化方案
更能捕捉预报细节, 进而提升效果; 三是基于样本
分位数计算阵风系数能否提升强阵风预报效果。
具体对比方案如表 1所示: 方案一(Gust1)为本文中
构建的参数化方案; 方案二(Gust2)与方案一构建
图8 2022年1月至2023年12月道孚站阵风观测的u风速 流程一致, 但在模型构建前未将观测数据进行风向
与u风速平方的累计密度分布 调整, 通过与方案一的对比能够验证该风向调整的
Fig. 8 The cumulative density distributions of u wind speed 有效性; 方案三(Gust3)直接基于数值模式预报的
and its square observed in gusts at Daofu Station from 10 m风速, 并同样选取第5~100分位数(间隔5分位
January 2022 to December 2023
数, 共 20 个分位点)计算阵风系数, 通过与方案一
有助于提升预报的稳定性, 但建模过程中仍存在 的对比, 明确考虑 u、 v风进行参数化与直接基于风
小阵风样本占主导地位的情况。在 2022 年 1 月至 速进行参数化的优劣; 方案四(Gust4)为整体阵风
-1
2023 年 12 月的观测数据中, 13. 9 m·s 以下的阵 系数方法, 通过与方案三的对比可验证基于样本分
风占比超 99%, 这种极端不均衡的样本分布会导 位数计算阵风系数对强阵风预报的提升作用。
图 10为 2024年 1 -11月 4种阵风参数化方法对
致建模过程过度偏向小阵风, 削弱强阵风的拟合
于 358 个站点整体预报的平均误差[图 10(a)]与均
能力。为解决这一问题, 本文并未采用全样本, 而
方根误差[图 10(b)], 不同风速区间对应的样本数
是基于经风向调整后阵风观测的 u、 v 风速平方与
自 左 至 右 依 次 为 34962、 104573、 52952、 24617、
数值模式预报的 u、 v 风速平方的第 5~100 分位数,
9406、 3132、 1135 个。如图 10 所示, 对于 5. 4 m·s -1
以间隔 5 分位数的方式选取共计 20 个分位点, 将
及以下的阵风, Gust1 在两项误差指标中均无优
每个选点作为对应区间的典型值参与阵风系数的
势, 表现与 Gust2 接近, 而 Gust4 的预报效果最优,
计算。该方案的优势在于通过分位数划分减少小
这与小阵风样本占比高, 传统阵风系数方法在大样
阵风样本的过度干扰, 避免传统阵风系数方法采
本区间拟合更充分的特点相符。当阵风风速≥5. 5
用全部样本计算阵风系数时为了追求整体偏差最
m·s , Gust1 的优势逐渐凸显, 误差排序为 Gust1<
-1
小而忽视强阵风的缺陷, 同时借助高分位数点捕
Gust2<Gust3<Gust4, 其 中 阵 风 风 速 ≥13. 9 m·s ,
-1
捉强阵风特征, 从而提升模型对小样本数据的敏
Gust1 较 Gust4 的均方根误差减少 16%。上述结果
感性。
表明, 本文针对传统阵风系数方法所提出的三项改
最终, 在数值模式预报 10 m 的 u、 v 风正负号 进措施, 均能有效降低强阵风的预报误差。进一步
的情况下, 基于特定分位数计算数值模式预报 10 m 对比可见, Gust1 与 Gust2 的误差差异小于 Gust1 与
的u、 v风速平方与经风向一致性调整后阵风观测的 Gust3、 Gust3 与 Gust4 的误差差异, 这说明在强阵
u、 v 风速平方间的阵风系数。图 9 中展示了利用 风预报改进中, 模型构建前将观测阵风风向调整至
2022 年 1 月至 2023 年 12 月数据, 针对道孚站计算 与数值模式预报风向一致的措施, 对强阵风预报效
的阵风系数。同样, 针对图 1 中其余 357 个站点, 果提升程度略低于另外两项。
-1
均按此方法分别构建预报模型。 为进一步验证 Gust1≥5. 5 m·s 阵风预报中的

