曾瑾瑜，刘爱鸣，高珊，冷典颂，吴幸毓

（福建省气象台,福建福州350001）

福建省沿海冬半年东北大风的数值预报释用方法研究

曾瑾瑜，刘爱鸣，高珊，冷典颂，吴幸毓

（福建省气象台,福建福州350001）

基于福建省冬半年沿海32个自动站的极大风观测资料和WRF、EC细网格以及T639 3种模式预报的10m风场资料，将模式预报的风速与观测资料进行对比分析，结果表明：WRF和EC细网格的预报效果较好，有可参考性，T639可参考性不高。模式预报结果相比实况极大风速偏小，预报平均绝对误差由沿海向内陆逐渐减小，由中部向南北逐渐减小。择取预报效果较好的WRF和EC细网格模式，对沿海代表站点进行风速集成，建立集成预报方程，并进行集成订正。误差订正后，与误差较小的WRF模式相比，预报准确率提高了10%左右，改善效果显著，为提高福建省沿海冬半年东北大风的预报准确率提供定量的预报方法。

WRF；EC；T639；绝对误差；准确率；集成订正

1 引言

福建省沿海地区的大风主要出现于冬季风盛行的冬半年，从9月开始到次年的4月是大风日数最多的时段。大风的盛行风向比较集中，最多风向是东北大风。统计分析表明沿海地区由于受冷空气影响而出现大风的机会最多，其次是冷空气和台风共同作用形成的大风，第三的是台风引起的大风[1]。

回顾沿海大风的预报方法，早期以经验预报[2]和统计预报[3-5]居多，随着数值预报技术的发展和对大气边界层物理过程认识的不断深化，目前的主流预报模式已经达到相当高的预报水平，数值产品释用方法应运而生，PP法[6]和MOS法[7-12]是较常见的两种方法。多模式集成预报也是MOS方法的一种，它并不局限于一种模式，优点是可以发挥多种成员模式的优点，从而提高预报要素的准确率。杨育强等[13]开发的多模式集成预报系统在青岛奥帆赛期间为预报员精细化预报提供了重要的参考，系统融合了6种模式产品资料，权重系数根据检验的结果动态分配，经检验，风速的均方根误差为1.4m/s，风向的均方根误差为45°。国家气象中心开发的多模式集成海上大风预报系统，综合了欧洲中心（EC）细网格10 m风产品、T639 10 m风产品、T639 1000 hPa风产品，根据成山头站测风数据分大风（6级及以上）和小风分别建立预报方程，采用最小二乘法分配给各模式权重系数，经检验，多模式集成产品在大风风速预报时的平均误差和均方根误差均优于成员模式的预报效果[14]。刘鸿升等[15]利用欧洲中心中期数值预报结果,从不同侧面选取因子,建立了日最大平均风速的4种统计预报方程,在此基础上设计了几种集成方法对预报结果进行集成,表明最大值—阀值综合集成法取得了很好的效果,特别是2—3 d的大风预报准确度较高。

福建本省开展与沿海风有关的释用研究[2,16-18]偏少，目前在福建省业务运行中，数值模式提供风的预报产品，主要有中央气象台下发的EC-thin、T639的全球谱模式产品，本省引进的有限区域WRF

（Weather Research and Forecast）模式预报产品。为了进一步反映各种模式大风预报产品在福建沿海区域的预报性能，使得各模式预报产品能更好地在福建省得到应用，我们对其大风预报产品进行检验评估，分析不同地理位置对大风预报的影响。择取预报效果较好的模式进行风速集成，建立集成预报方程，并对误差进行集成订正。

2 资料与方法

2.1 实况资料

定义沿海大风为沿海出现极大风≥7级(≥13.9m/s)[19]。本方法主要是研究2011—2012年冷空气过程中造成福建沿海东北大风最多的10月到次年3月(即冬半年)的资料。从福建省风向的气候特点得知，福建省沿海冬半年以东北风为主，故本文的讨论重点是风速。在自动站大风资料的统计中，我们采用从2011—2012年福建省沿海32个代表区域自动站冬半年观测的极大风速的资料作为研究对象。使用的自动站资料为每小时一次的风速资料。

2.2 模式资料

选取3个模式包括全球模式（我国的T639模式、EC细网格模式）和福建引进开发的WRF中尺度数值模式，其中T639模式分辨率为1°×1°，数据格式是M icaps2类格式，输出间隔为3 h；EC细网格模式分辨率为0.25°×0.25°，数据格式是M icaps 11类格式，输出间隔为3 h；WRF模式水平采用正方形网格，分辨率为9 km×9 km，数据格式是netCDF格式，输出间隔为1 h。

2.3 检验方法

为统一预报时效，选取3个模式对20时起报的72 h预报时效内的10m风进行检验。为了考虑各模式结果检验的公平性，统一采用双线性插值方法将各模式格点资料插值到32个代表站上，对各模式和实况资料求0—72 h内的极大风。对模式而言，因模式输出的10m风是平均风，我们取平均风的最大值来进行研究对比，在24 h、48 h、72 h时效内分别取一最大风速值代表该时效内极大风预报；对实况而言，将24 h、48 h、72 h时效内风速的极大值作为日极大风速。

主要采用目前气象部门应用广泛的平均绝对误差（Mean Absolute Error,MAE）对上述数值模式10m风场预报产品进行检验分析，具体计算公式如下：

式中：Fi为第i站次预报风速（风向），Oi为第i站次实况风速（风向）。

3 模式误差对比分析

利用WRF、EC细网格、T639模式10m风速预报产品对2011—2012年冬半年逐日的极大风进行平均绝对误差的计算，分析海陆分布对风速预报的影响。

在32个沿海代表站中，有3个浮标站，分别位于北、中、南距海岸线50 km左右的海上，代表福建省的3个近海海区风力，其中平潭浮标和厦门浮标分别位于台湾海峡的北部和南部；13个代表站或位于海岛的边缘，或位于沿海岸线上，一面靠海，地势平坦开阔，具有较好的代表性，将其归类为海岛站；其余站点位置相对而言较为靠近内陆，以紧靠近海岸线的近海站和位于海岸线5 km以内的偏内陆站为主。

图1 32个沿海代表站点

32个代表站包含了不同地理位置的站点，能真实反映冬半年沿海大风的变化特征（见图1）。

总体来说，风速的平均绝对误差，WRF模式的误差随时效减小，以24 h的预报误差为最大，达3.10m/s（见图2）；而EC细网格模式和T639模式的误差均随时效增大，72 h的预报误差最大，平均绝对误差分别为4.22m/s和8.85m/s。从风速的模拟效果来看，预报效果最好的模式是WRF模式，其次是EC细网格模式，T639模式误差最大，可参考性最小。3个模式的预报风速与实况极大风速相比，总体来说都偏小。其中24—72 h时次风速偏小的, WRF模式分别占78.8%、72.8%、70.7%，EC细网格模式分别占93.8%、93.0%、93.1%，T639模式分别占96.2%、96.0%、96.0%。3个模式的风速平均绝对误差由沿海向内陆逐渐减小，依次是浮标站＞海岛站＞近海站＞偏内陆站。

图2 不同模式预报的风速平均绝对误差

32个代表站中，对于海上浮标站而言，空间分布为南北小于中部，这可能由于海面粗糙度不同引

起的，中部海域由于风速较大，海面粗糙度大于南北两地。

海岛站的平均绝对误差低于浮标站，空间分布特征EC和WRF比较一致，都是中部的莆田、北部的福州沿海以及宁德沿海较大，而T639则是中部的莆田、南部的漳州沿海以及北部的福州沿海较大，其他地区较小，最小的都是泉州。

对于近海站而言，风速误差小于海岛站。空间分布特征EC和WRF都是中部的莆田沿海较大，其次为南部漳州沿海和泉州沿海。T639是南部漳州沿海最大，其次中部的莆田沿海和南部的厦门沿海。

偏内陆站的风速误差最小。EC和WRF以北部的福州沿海和宁德沿海最大，其次是南部的厦门沿海。T639则是南部的厦门沿海最大，其次是漳州沿海。在实际应用时需根据局地地形情况考虑。

可以看出，风速误差由沿海向内陆逐渐减小，空间分布总的特点EC和WRF比较一致，是中部、北部沿海的误差最大，而T639是中部、南部沿海的误差最大，其他地区较小。

T639相对误差较大，是插值方法导致的，双线性插值法是取插值站点周围4个最近的模式格点进行双线性插值，由于T639分辨率较低，格距较大，在沿海地区，4个格点中可能有1个或2个在陆地上。而陆地上风的形成既与大型环流背景有关，又与中小尺度天气系统密切相联，并受地形、地貌、地理位置、观测环境等众多因素的影响，模式很难精细反映它们的变化，预报效果差。

4 误差订正

考虑到T639模式误差最大，可参考性最小，故主要选用WRF和EC细网格模式对32个代表站点进行风速集成。

4.1 加权集成法

会来的。一定会来的。信里讲了会来，就一定会来。何牦深信无疑。他随身带了一张凳子，每天坐在街口等欧阳橘红，怕她找不到竹溪街47号。

我们采用加权集成法[20]进行研究，基于误差概率权重的两种方法的集成记忆，设选中的两种方法的误差概率为P1、P2，其预报值为S1、S2，对这两种方法进行集成，则有

式中：S12为此2种方法的集成优选点；

为基于误差概率的第一种、第二种预报方法在集成中的权重系数，是归一化的。

应用到本文中，F1为WRF各个时效预报的风值，F2为EC细网格各个时效预报的风值。R1为WRF各个时效的风速误差，R2为EC细网格各个时效的风速误差，这个误差指的是预报风速和实际风速之差的绝对值的平均值即绝对误差的平均值，则得出风速集成预报方程：

式中：F12为WRF和EC细网格两种模式的集成优选预报风速；

式中：R12和R21为基于误差概率的WRF和EC细网格模式预报方法在集成中的权重系数。

4.2 集成优选预报风速误差分析

将32个代表站点研究时效内WRF各个时效预报的风速误差，EC细网格各个时效预报的风速误差代入式（4），对其回算，与实况对比检验，得出两种模式各个时效的集成优选预报风速误差。从不同的预报方法平均风速误差的对比可以看出（见表1），集成优选预报风速误差落在WRF和EC细网格的误差之间，比WRF大，比EC细网格小，效果并不明显，无明显订正意义。故要对式（4）进行订正。

第3节中已得出结论，模式的预报风速与实况极大风速相比，大部分偏小。我们令订正值

表1 各类预报方法平均绝对误差对比（单位/（m/s））

式中：D1，D2……Dn为实况极大风速与预报风速的差值，且差值必须是大于0的数，即取的是预报风速偏小数的偏小量是偏小量的总和，n是偏小量的个数，订正值C则是偏小量的平均值。计算出WRF和EC细网格各个时效的订正值（见表2和3）。

表2为WRF各个时效预报的订正值即C1，表3为EC细网格各个时效预报的订正值即C2。

表2 WRF各个时效预报的订正值（单位/（m/s））

我们将方程（4）订正为

为检验集成订正方程的可靠性，将C1和C2代入订正后的式（7），对研究时效内的风进行回算，与实况对比检验，得出两种模式各个时效订正后的集成优选预报风速误差。在表1中增列订正后的集成优选预报风速误差值，对比不同的预报方法平均风速误差。

每个站不同时效订正后的集成优选预报风速误差在1—3.25m/s之间，是最小的，比两个模式中

预报效果较好的WRF还要小，订正效果显著。

从表1可以明显看出：

（1）集成订正法的预报误差明显小于其它几家预报的误差，尤其是24 h预报的平均风速误差，得到了明显的改善，其平均绝对误差仅为1.71m/s，比误差较小的WRF预报改善了1.4m/s；

（2）在误差较小的WRF预报中，第24 h预报的平均绝对误差反而是3个时效内最大的，而集成订正方法则是：随着时效的增长，各家预报误差增长，随着预报时效的增长准确率有所下降。另外，集成订正方法预报的最大误差小于其它预报，可见，本集成订正法预报具有一定的稳定性；

（3）集成订正方法的平均预报准确率24 h、48 h、72 h分别达89%、87%、86%，与误差较小的WRF预报准确率的75%、76%、77%相比，分别改进了14%、11%、9%，改善效果是显著的。

4.4 预报检验

运用该集成订正预报方法形成的业务产品已经在福建省气象台业务化使用，取得了良好的效果。为检验该方法在实际业务预报中的可靠性，我们特别选取2013年12月份较强的一次冷空气大风过程，对其进行检验。

2013年12月14日20时（北京时，下同）—17日20时，受冷空气影响，福建省沿海出现7—8级，阵风9—10级大风。沿海共计16个县市47个站出现极大风≥9级的沿海大风，以福鼎海洋站的31.7m/s（11级）为最大。福建省气象台共发布6期大风黄色预警信号。

利用集成订正预报方法，对此次过程进行了预报，并回算检验。集成预报起报时间为2013年12月12日20时，预报时效为120 h，即预报时段为2013年12月12日20时—17日20时。

经过集成订正后的误差有明显改善，比预报误差较小的WRF模式直接释用方法改善了1m/s左右（见表4）。集成订正方法的平均风速预报准确率24 h、48 h、72 h分别达90%、89%、87%，订正效果十分显著。

在实际预报中，我们通常是预报几级风，并不预报数值，所以计算出来的集成风速值和集成订正风速值转换成风力级别。具体统计结果表明（见表5）离岸最远的3个浮标站，实况7级大风出现的持续天数达到5天，海岛站中位于中部的莆田西高和莆田三佛山，以及位于北部的台山站，同样达到5天，大风持续时间较长；而其他海岛站和近海站，大风出现的天数则相对较少。经对比实况与风力预报结果，我们发现，集成后预报的极大风普遍偏小，

预报出现极大风的天数普遍少于实况极大风；而集成订正后预报极大风情况良好，虽然部分站点存在风级偏大的情况，但与实况更为接近，其预报风级准确率的站数达到53.1%，远超集成预报的18.8%，相对于集成的效果有了明显的改善。

表4 集成和集成订正方法的平均绝对误差对比（单位/（m/s））

表5 风力预报结果与实况对比

5 总结

综合全文的分析，可以得出以下结论：

（1）将EC-thin、T639和WRF 3个模式（预报时效0—72 h）的地面10m风场预报数据插值到代表站上，将代表站风场资料与插值好的模式风场资料进行细致的对比与统计分析，可以看出，预报效果最好的模式是WRF模式，平均绝对误差为3—4m/s；其次是EC细网格模式，平均绝对误差为4—5m/s；T639模式误差最大，可参考性最小。3个模式的预报风速与实况极大风速相比，总体来说都偏小。风速误差由沿海向内陆逐渐减小，空间分布总的特点EC和WRF是中部、北部沿海的误差最大，而T639是中部、南部沿海的误差最大；

（2）择取预报效果较好的WRF和EC细网格模式，对沿海代表站点进行风速集成，建立集成预报方程，并进行集成订正。误差订正后，与误差较小的WRF模式相比，预报准确率提高了10%左右，改善效果显著，为提高福建省沿海冬半年东北大风的预报准确率提供定量的预报方法。

[1]林新彬,刘爱鸣,林毅,等.福建省天气预报技术手册[M].北京:气象出版社,2013:32.

[2]刘京雄,唐文伟,朱持则,等.浙闽沿海和台湾海峡海域冬季大风风速计算方法探讨[J].台湾海峡,2004,23(1):8-13.

[3]毛绍荣,林镇国,梁健,等.广东沿海强东北季风的概率预报方法[J].热带气象学报,2003,19(1):94-100.

[4]周伟隆,陈往溪,肖巍.粤东海面冷空气强风的统计分析与预报[J].广东气象,2005,(4):20-22.

[5]颜梅,范宝东,满柯,等.黄渤海大风的客观相似预报[J].气象科技,2004,32(6):467-470.

[6]林良勋,程正泉,张兵,等.完全预报(PP)方法在广东冬半年海面强风业务预报中的应用[J].应用气象学报,2004,15(4):485-493.

[7]叶燕华,王平鲁,孙兰东.用MOS法建立预报方程的试验流程[J].甘肃气象,2002,20(1):13-15.

[8]Facsim ile Products:M ax/M in Temperature Forecasts.National Weather Service Forecasting Handbook No.1(July 1979)U.S.[Z]. Departmentof Commerce NOAA NationalWeather Service,1979.

[9]刘还珠,赵声蓉,陆志善,等.国家气象中心气象要素的客观预报—MOS系统[J].应用气象学报,2004,15(2):181-191.

[10]陈豫英,陈晓光,马金仁,等.风的精细化MOS预报方法研究[J].气象科学,2006,26(2):210-216.

[11]陈贝,张勇,詹晓琴,等.MOS预报方法研究[J].四川气象,2005, 25(2):6-8.

[12]辜旭赞.湖北分县MOS预报系统建立与评分[J].气象,2008,34 (2):43-51.

[13]杨育强,高荣珍,马艳,等.海面风精细化集成预报系统在青岛奥帆赛期间的应用[J].气象,2008,34(S1):241-245.

[14]尹尽勇,徐晶,曹越男,等.我国海洋气象预报业务现状与发展[J].气象科技进展,2012,2(6):17-26.

[15]刘鸿升,余功梅.偏北大风的数值预报释用方法研究[J].气象科学,2002,22(1):100-106.

[16]陈春忠,曾文慧,吴婷婕,等.莆田市沿海冬季大风时空分布极为不均的成因探讨[C].福建省2012年气象学会年会论文集.福州:福建省气象学会,2012:71-75.

[17]叶宾宾,蓝秋萍,饶灶鑫,等.T213的1000HPa风场预报检验与应用[C].福建省2009年气象学会年会论文集.福州:福建省气象学会,2009:212-215.

[18]陈德花,刘铭,苏卫东,等.BP人工神经网络在MM 5预报福建沿海大风中的释用[J].暴雨灾害,2010,29(3):263-267.

[19]福建省气象局科技与预报处.关于印发《福建省灾害性天气预报服务用语暂行规定》的通知(闽气科预函〔2012〕8号文)[Z].福建：福建省气象局,2012.

[20]张菊芳,沈树勤,韩桂荣,等.优选概率权重训练法预报西太平洋副高脊线位置[J].气象,1990,25(2):19-22.

Study on interp retation of numericalp redictionmethod on northeastw inds along the coastof Fujian Province in w inter half year

ZENG Jin-yu,LIUAi-m ing,GAO Shan,LENG Dian-song,WU Xing-yu
（Fujian MeteorologicalObservatory，Fuzhou 350001 China）

Based on the hourly maximum w ind speed data from 32 automatic observation stations located at coastal islands,and modeled 10m w ind data from WRF,EC,T639,the comparison between modeled data and actual data were analyzed.The results showed that:the prediction effect ofWRF and EC thin is better,and the reference of T639 is poor.Prediction ofw ind speed is smaller than themaximum wind speed of observation.The spatial distribution of the errorofw ind speed gradually decreases from coastal to the inland,gradually decreases from the center to thenorth and south.Wind speed on the coastalstationswasdeveloped by integratingWRFand EC models which have good prediction effect.The integrated forecasting equation was established,and integrated revised.A fter error correction,compared with the WRF model whose error was smaller,the forecasting accuracy is improved by about 10%which are significantly improved.This method provides a quantitative forecastingmethod in order to improve the accuracy of prediction of northeastw indsalong the coast of Fujian inw interhalf year.

WRF；EC；T639；absolute error；accuracy；integrated revised

P732.4

A

1003-0239（2015）05-0061-08

2015-03-04

福建省气象局青年科技专项(2015q26)；福建省自然科学基金资助项目（2014J01147）；福建省气象局自研业务成果专项项目(2015z02)

曾瑾瑜（1984-），女，工程师，硕士，主要从事数值模拟和资料同化研究。E-mail：zjy10218@126.com

10.11737/j.issn.1003-0239.2015.05.008