Page 138 - 《高原气象》2026年第4期
P. 138

高     原      气     象                                 45 卷
              1068
             小, 其平均误差与平均绝对误差分别为-5. 84 m·s⁻¹、                    型前将阵风观测风向调整至与数值模式预报 10 m
             7. 41 m·s⁻¹, 而本文方法为-6. 54 m·s⁻¹与8. 85 m·s⁻¹。       风一致, 分别对 u、 v风进行参数化以及基于分位数
             本文方法对强阵风预报误差更大的主要原因是 EC‐                           计算阵风系数三项改进措施, 均能降低强阵风的低

             MWF 模式阵风是在预报时段内最大平均风速基础                            估, 提升预报效果。本文方法对 13. 9 m·s⁻¹及以上
             上得到, 该方法仅基于数值模式在某一时刻的 10 m                         阵风预报准确率为 16. 1%, 远高于传统阵风系数方
             风场数据推测小时内最大阵风。在对比数据中, 出                            法的 6. 0%。在四川及周边地区的一次冷空气过程
             现了 ECMWF 模式阵风为 18. 5 m·s⁻¹, 而本文方法                  中, 本文方法同样展现出较好的预报性能。
             仅预报1. 9 m·s⁻¹的极端情况。因此, 未来需将本文                          虽然本文方法对强阵风的预报准确率略高于
             方法与数值模式输出的预报时段内最大平均风速                              ECMWF 模式中 3 h 内最大阵风预报产品, 但由于
             数据整合, 以进一步提升强阵风预报效果。                               本文使用数值模式在某一特定时刻预报的 10 m 风
                                                                场数据, 导致其对强阵风的低估程度高于 ECMWF
              6  结论
                                                                模式。中国气象局的 CMA-MESO 模式可提供预报

                  本文针对四川及其周边共计 358个国家级观测                        时段内 10 m 风速最大时所对应的 u、 v风预报产品,
             站点, 利用 2022 年 1 月至 2023 年 12 月 ECMWF 确             该产品能够更好把握预报时段内风速的极端性, 基
             定性模式预报时效为 24 h 的 10 m 风场数据、 中国                     于该产品并结合本文方法, 有望进一步提升强阵风
             气象局地面观测数据中的小时内最大阵风风速及                              的预报效果。
             风向数据, 在分析传统阵风系数方法局限性的基础
                                                                参考文献(References):
             上, 构建了基于平均风分量的阵风风速参数化模
             型。利用 2024 年 1 -11 月数据进行独立样本的检                      Brasseur  O,  2001.  Development  and  application  of  a  physical  ap‐
             验, 并对比多种阵风预报方法及 ECMWF 模式中的                            proach  to  estimating  wind  gusts[J].  Monthly  Weather  Review,
             3 h内最大阵风预报, 主要结论如下:                                   129(1):  5-25.  DOI:  10.  1175/1520-0493(2001)129<0005:
                                                                   daaoap>2. 0. co; 2.
                 (1)  阵风系数方法对四川及周边复杂地形下
                                                                Chinyoka S, Steeneveld G J, Hedde T, 2021. Using an Artificial Neu‐
             的强阵风存在明显低估。其中, 直接基于数值模式
                                                                   ral Network to improve operational wind prediction in a small un‐
             预报的 10 m 风速与阵风风速计算的整体阵风系数                             resolved  valley[J].  Weather  and  Forecasting,  36(6):  2259-
             方法, 较按 10 m 风速分级计算阵风系数的方法, 低                          2273. DOI: 10. 1175/waf-d-21-0054. 1.

             估程度略有改善。但受数值模式预报误差、 样本分                            Coburn  J,  Pryor  S  C,  2022.  Do  machine  learning  approaches  offer
             布不均衡, 以及未能充分考虑 10 m 的 u、 v 风分量                        skill improvement for short-term forecasting of wind gust occur‐
                                                                   rence and magnitude?[J]. Weather and Forecasting, 37(5): 525-
             差异对阵风预报的影响, 整体阵风系数方法在强阵
                                                                   543. DOI: 10. 1175/waf-d-21-0118. 1.
             风的预报中仍与观测存在较大差异。                                   European  Center  for  Medium-Range  Weather  Forecasts (ECMWF),
                 (2)  为克服传统方法的不足, 本文提出一种基                          2021.  IFS  Documentation  CY47R3-Part  IV:  Physical  processes
             于数值模式预报 10 m 的 u、 v 风数据, 分站点构建                       [R]. DOI: 10. 21957/eyrpir4vj.
             阵风参数化模型的方法。该方法首先将阵风观测                              Fovell  R  G,  Gallagher A,  2022. An  evaluation  of  surface  wind  and
                                                                   gust  forecasts  from  the  high-resolution  rapid  refresh  model[J].
             的风向调整至与数值模式预报的 10 m 风向一致,
                                                                   Weather  and  Forecasting,  37(6):  1049-1068.  DOI:  10.  1175/
             以消除风向上差异对阵风风速预报效果的影响。
                                                                   waf-d-21-0176. 1.
             随后在数值模式预报 10 m 的 u、 v 风不同正负号的                      Harris A R, Kahl J D W, 2017. Gust factors: meteorologically strati‐
             情况下, 分别计算经风向调整后阵风观测 u、 v风速                            fied  climatology,  data  artifacts,  and  utility  in  forecasting  peak

             平方与数值模式预报 10 m 的 u、 v 风速平方在特定                         gusts[J].  Journal  of Applied  Meteorology  and  Climatology,  56
             分位数上的阵风系数。该操作既充分考虑数值模                                (12): 3151-3166. DOI: 10. 1175/jamc-d-17-0133. 1.
                                                                Holman B P, Lazarus S M, Splitt M E, 2018. Statistically and dynam‐
             式预报 10 m 的 u、 v 风差异对阵风预报的影响, 又
                                                                   ically  downscaled,  calibrated,  probabilistic  10-m  wind  vector
             能通过分位数计算降低样本分布不均衡对强阵风
                                                                   forecasts  using  ensemble  model  output  statistics[J].  Monthly
             预报的干扰。                                                Weather Review, 146(9): 2859-2880. DOI: 10. 1175/mwr-d-
                 (3)  2024 年 1 -11 月的检验结果表明, 构建模                   17-0338. 1.
   133   134   135   136   137   138   139   140   141   142   143