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.

