胡海川，赵伟, 董林

(国家气象中心，北京100081)

1 引 言

随着数值模式的不断发展，各气象要素的预报效果有了明显的提升，但由于模式的动力框架、物理参数化、初始场误差等因素的影响，数值模式存在着不可避免的系统性误差，各要素的预报与实况观测仍有一定差距[1]。对于模式的预报问题，初始场的质量无疑是至关重要的，其生成是以气象观测提供的数据和信息为基础[2]。海上资料严重缺乏，无论海面还是高空资料都很稀少，这给构建高质量的初始场造成了很大的困难[3]，使得数值模式难以对海上气象要素进行准确刻画。海面风速直接影响航运安全及海上生产作业，因此需要对数值模式的预报结果进行后处理，以进一步提升10 m 风的预报效果。常用的风速订正方法以统计学方法为主，包括传统的统计学方法及机器学习方法，通过建立实况观测数据与数值模式预报的数学模型，实现对风速的客观订正[4]。相比于陆地开展的风速订正工作[5-12]，受限于海上观测资料的稀缺及卫星反演的洋面风场数据的较大误差[13-15]，海上风速订正工作开展的相对较少，且多集中在沿岸、海岛或近海小范围海域。陈德花等[16]利用BP 神经网络方法对MM5 模式在福建沿海站点的风速预报进行订正，经订正后的风速预报较订正前有一定改善，特别是对大风(>10 m/s)的预报能力提升明显。胡波等[17]利用高斯回归方法建立阵风与气象要素的概率模型，实现对浙江沿海海岛的阵风预报。李……