胡海川 钱传海 渠鸿宇

1)(国家气象中心, 北京 100081)

2)(中国气象局气象发展与规划院, 北京 100081)

引 言

阵风是指数秒内风速的平均,风速脉动成因复杂[1-2],使准确预报阵风成为难题[3-5]。为提高阵风预报准确率,降低较大阵风对人们生产生活、交通运输及房屋建筑等方面的影响[6-7],诸多学者开展了阵风客观预报方法研究。欧洲中期天气预报中心(ECMWF)的阵风预报产品是业务预报的重要参考,其利用预报时段内的最大平均风速、850 hPa与950 hPa间的最大垂直风速变化,结合统计学参数得到3 h或6 h(时段)内最大阵风预报结果[8]。ECMWF阵风预报产品的优势在于其积分过程中利用最大平均风速或最大垂直风速变化推测预报时段内的最大阵风。但由于数值模式的预报误差[9-11]以及精细化预报服务需求的不断提升,使ECMWF阵风预报产品并不能满足实际需求[12]。在阵风客观预报方法中,通常利用某一时刻的观测或数值预报产品推测一定时段内的最大阵风[13-16]。但由于整点时刻的观测或预报产品对预报时段内最大阵风表征能力不足,导致对预报时段内最大阵风估测出现明显偏差。此外,下垫面等局地特性也导致相同的阵风预报方法在不同地区预报能力差异明显。为降低由上述原因所造成的预报误差,仍需要对阵风客观预报结果进行再次订正。

阵风系数方法是一种计算简便且应用广泛的阵风预报方法,通过计算预报时段内最大阵风与平均风速的比值,即阵风系数表征风速脉动的强弱,并基于历史数据统计出的阵风系数与数值预报产品中的地面风速数据进行阵风预测[17-20]。在计算阵风系数时,应使用一段时间内的平均风速,以保证阵风系数更具代表性[21-22]。但利用10 min或2 min 的平均风速估测预报时段内的最大阵风,均会出现较大偏差。研究表明:下垫面的复杂程度会影响10 m风速并显著增加阵风预报难度[23],因此利用10 min或2 min的平均风速估测陆地最大阵风的能力明显低于下垫面均一的海面。为降低下垫面等局地特性对阵风预报影响,提高阵风客观预报方法对预报时段内最大阵风的表征能力,本文以传统的阵风系数方法为例,利用2021年1月—2022年12月观测数据分析该方法在不同地区拟合能力差异的原因,并采用频率匹配方法[24-25]对拟合结果进行订正,通过对现有观测数据更加准确的描述和解释,为阵风预报能力的提升奠定基础。在冷空气、温带气旋、热带气旋等系统影响下[26-27],黄渤海及其邻近地区易出现较大阵风,其中渤海、渤海海峡、黄海北部海域沿岸陆地全年出现8级以上阵风的日数近70 d。此外,辽东半岛、山东半岛地形影响也使黄渤海及其邻近地区的大风预报成为业务难点[28],因此本文针对黄渤海及其邻近地区开展相关研究工作。

阵风系数方法自身存在一定局限性,该方法仅考虑平均风速与阵风间的一般性规律,不能完全反映高空气象要素对于地面阵风的影响,如湍流作用或对流天气中下沉气流的影响[29-30]。在平均风速基础上考虑高空气象要素影响的传统统计学阵风预报方法或机器学习方法均能提高阵风预报效果,但预报偏差仍不可避免。本文基于阵风系数方法开展相关统计,以期为阵风客观预报方法改进提供参考。

1 数 据

本文所用数据为2021年1月—2022年12月中国气象局逐小时地面气象观测数据中的小时内极大风数据(即小时内最大阵风,简称阵风)、整点观测时刻的阵风(即观测时刻3 s平均的瞬时风速,简称时刻阵风)及2 min平均风速数据,上述风速数据均保留1位小数。选取我国黄渤海及其邻近地区364个观测站,包括12个基准观测站和6个海上浮标观测站(图1)。利用12个基准观测站分析阵风系数方法在不同观测站中拟合能力的差异及原因,并尝试构建订正方法。若阵风系数方法拟合能力的分布具有一致性规律,基于12个基准观测站的统计分析结果可以适用于图1的全部观测站。因此本文将采用364个观测站进一步验证阵风系数方法拟合能力分布规律的通用性及订正方法的可行性,12个基准观测站信息如表1所示。此外本文还使用2022年中国气象局热带气旋最佳路径数据[31],用于对比订正方法在台风梅花(2212)影响期间阵风拟合效果。

表1 基准观测站信息Table 1 Benchmark observation station information

图1 黄渤海及其邻近地区364个代表站分布(数字为基准观测站序号)Fig.1 Distribution of 364 representative stations in the Yellow and Bohai Seas and adjacent areas(the number denotes the order of benchmark observation stations)

本文插图所涉及的国界基于审图号为GS(2019)3082号标准地图制作,底图无修改。

2 阵风系数方法及拟合误差评估

2.1 阵风系数计算

无论是传统的统计学方法还是机器学习、深度学习算法,样本分布不均衡均会导致拟合结果倾向于大样本数据,而降低小样本数据的拟合效果[32-33]。2021年1月—2022年12月黄渤海及其邻近地区12个基准观测站阵风总样本量为202072,其在0.3～1.5 m·s-1,1.6～3.3 m·s-1,3.4～5.4 m·s-1,5.5～7.9 m·s-1,8.0～10.7 m·s-1,10.8～13.8 m·s-1风速的样本量分别为9267,45490,58205,50935,25074,9473。13.9～17.1 m·s-1,17.2～20.7 m·s-1风速的样本量分别为2941及594,20.8～24.4 m·s-1风速的样本量仅为85。因此为降低样本分布不均衡对较大阵风拟合效果的影响,本文将平均风速以2 m·s-1为间隔分别采用最小二乘法计算阵风系数,即通过最小误差的平方和寻求不同平均风速下的最佳阵风系数,公式如下:

(1)

式(1)中,FG表示不同平均风速的阵风系数,Wi为整点观测时刻2 min平均风速,Gmax_i为与Wi同一观测时刻的小时内最大阵风,n为2 m·s-1间隔的不同平均风速的样本量。经计算,2021年1月—2022年12月12个基准观测站不同平均风速的阵风系数随平均风速增大而减小并趋于稳定,这与前人阵风系数的研究结论一致[20,34]。观测站不同阵风系数也差异明显,当平均风速为10～12 m·s-1时,观测站6的阵风系数为1.472,而观测站12的阵风系数高达1.874,对于11 m·s-1的平均风速,上述两个观测站对应的阵风拟合结果相差近4.5 m·s-1,表明阵风系数在一定程度上已经包含了观测站的局地性特征(图略)。

2.2 拟合误差评估

将2021年1月—2022年12月12个基准观测站点的阵风系数进行回算,公式如下:

G′max=FG×W。

(2)

式(2)中,G′max表示对于不同观测站小时内最大阵风拟合结果。观测站1、观测点12分别为不同海域的沿海观测站,观测站6为12个基准观测站中海拔高度最高的站,观测站9的海拔高度为42 m,最为接近12个基准观测站的平均海拔高度(46 m)。因此分别对比观测站1,6,9,12的G′max与Gmax散点分布(图2),其中棕色虚线为两者的一元回归拟合线。由图2可知,观测站6的G′max与Gmax间拟合度R2为0.8096,明显高于其他站;观测站9的R2最小,为0.6731。拟合度越趋近于1拟合效果越好,因此阵风系数方法对于观测站6的拟合效果最好,观测站1次之,观测站9的拟合效果最差。由于下垫面等局地性因素导致相同方法在不同观测站出现拟合能力的差异,且不同观测站Gmax分布存在差异,因此需要针对不同风速级别进一步分析。

图2 2021年1月—2022年12月阵风系数方法拟合结果与小时内最大阵风散点图Fig.2 Scatter plots of gust factor fitting results and hourly maximum gust from Jan 2021 to Dec 2022

续图2

对于2021年1月—2022年12月12个基准观测站G′max在不同风速级别的平均误差,当风速低于5.5 m·s-1时,阵风系数方法对不同观测站的拟合结果均表现为正偏差;当风速不低于5.5 m·s-1时,阵风系数方法对于不同观测站的拟合结果主要表现为负偏差,且随风速的增加,负偏差明显增大。在12个基准观测站中,观测站9在风速为5.5～7.9 m·s-1,8.0～10.7 m·s-1,10.8～13.8 m·s-1时的负偏差均为最大,分别为-0.5 m·s-1,-1.25 m·s-1以及-2.48 m·s-1。观测站1和观测站12在上述3个风速级别的负偏差小于观测站9,却明显高于观测站6(图略)。对比分析表明,阵风系数方法对于不同观测站的拟合效果与在较大风速级别的偏差有较好对应关系。除观测站1,6,9,12外,12个基准观测站中的其余站与上述情况基本一致。拟合能力对应预报效果,为提升较大级别阵风的预报效果,需要分析阵风系数方法对于不同观测站拟合能力差异的原因并寻求订正方法。

3 订正方法建立及应用

3.1 差异系数

计算阵风系数使用小时内最大阵风,但不同观测站的局地特性是否会导致G′max更接近时刻阵风(G),而不是小时内最大阵风Gmax,进而造成明显的拟合差异需要探讨。分别计算不同观测站在不同风速级别更接近时刻阵风的比例,即|G′max-G|<|G′max-Gmax|的比例。图3为2021年1月—2022年12月12个基准观测站在不同风速级别的平均误差与其G′max更接近G的比例分布,其中虚线为两者的一元回归线。12个基准观测站的负偏差随着风速增加而明显增大,较好地对应G′max更接近G的比例。观测站6在风速为8.0～10.7 m·s-1,10.8～13.8 m·s-1时的负偏差明显小于观测站9,其对应G′max更接近G的比例分别为22.42%,29.32%,明显小于观测站9的31.42%,61.49%。上述分析表明:随着风速增加,阵风系数方法的拟合结果倾向时刻阵风的比例逐渐增加,该比例与各个观测站在不同阵风级别的平均误差对应关系较好。

图3 2021年1月—2022年12月12个基准观测站在不同风速级别下平均误差与接近时刻阵风比例散点图Fig.3 Scatter plot of mean error and the ratio of closer to instantaneous gust at different wind speed magnitudes for 12 benchmark observation stations from Jan 2021 to Dec 2022

阵风系数方法对不同观测站的整体拟合效果对应其在不同风速级别的平均误差,而不同风速级别的平均误差与其倾向时刻阵风的比例有关,因此本文定义小时内最大阵风与时刻阵风间的差异为差异系数,并尝试用其定量表征阵风系数方法拟合能力的差异。差异系数计算公式如下:

(3)

式(3)中,V表示差异系数,l为不同观测站的样本量。差异系数的本质是利用最小二乘法统计不同观测站小时内最大阵风在时刻阵风基础上的增幅。图4为利用2021年1月—2022年12月12个基准观测站的差异系数V与G′max,Gmax间一元线性回归拟合度R2的分布,其中虚线为V与R2间的一元回归线。由图4可知,总体上观测站的V越小,R2越大;V越大,R2越小,表明观测站的差异系数越大,阵风系数方法的拟合效果越差,其拟合结果在较大级别阵风中的负偏差越大,相反,观测站的差异系数越小,拟合效果越好。差异系数与阵风系数方法拟合结果间有较好对应关系,因此可以利用差异系数定量评估阵风系数方法的拟合能力,并实现对阵风系数方法拟合结果的订正。

图4 2021年1月—2022年12月不同观测站差异系数、阵风系数拟合结果与小时内最大阵风间的拟合度散点图Fig.4 Scatter plot of the difference coefficient and goodness of fit between gust factor fitting results and hourly maximum gust at different observation stations from Jan 2021 to Dec 2022

3.2 频率匹配

频率匹配方法是一种用于系统性偏差订正的方法,通过调整预报数据的分布频率与观测数据的频率达成一致,实现预报结果的调整。该方法不必分析系统性误差的复杂来源,简单易行,且能够取得较好的应用效果[35-37]。本文采用频率匹配的思路对G′max进行订正,使其累计频率分布与观测Gmax的累计频率分布最为接近。由于差异系数与阵风系数拟合效果具有较好对应关系,因此可以针对12个基准观测站进行整体订正,利用差异系数体现不同观测站的订正差异。首先计算12个基准观测站整体的G′max与Gmax在不同风速阈值下的累计频率,公式如下:

(4)

式(4)中,P为累计频率,A为G′max或Gmax大于某一风速阈值时的样本量,B为总样本量。在2021年1月—2022年12月12个基准观测站阵风系数拟合结果与观测累计频率的分布(图略)中,对风速大于8.0 m·s-1的阵风,G′max的累计频率明显小于Gmax的累计频率,随着阵风风速增加,G′max与Gmax的样本量均显著减少,导致G′max与Gmax间累计频率的差异变小。若直接利用G′max与Gmax的累计频率进行订正,在较大阵风级别下G′max与Gmax间较小的累计频率差异会影响大级别阵风的订正效果。为突出大级别阵风的重要性,将G′max与Gmax的累计频率进行自然对数处理,利用对数函数在其定义域单调递增的特性,改变数据分布的同时并不会改变数据间的相对关系。累计频率数值越小,经过自然对数处理后的负值就越大。对于小级别阵风,较大的累计频率差异会缩小,而较大阵风的细小差异会放大,因此随着风速增加,阵风系数拟合结果与观测间累计频率分布差异就越明显。通过自然对数处理的频率匹配方法能够有效提高大级别阵风的订正效果。

本文的订正可以表示如下:

G″max=G′max×(C×V+1)。

(5)

式(5)中,G″max表示对阵风系数拟合结果订正后的数值,V为不同观测站的差异系数,C为需要求解的订正系数。当C为某一个数值时,使经自然对数处理后阵风系数拟合结果的累计频率与观测累计频率的距离平方和达到最小时即可求解出C,公式如下:

(6)

式(6)中,D表示经自然对数处理后阵风系数拟合结果的累计频率与观测累计频率间的距离平方和,Pi表示某一风速阈值下观测的累计频率,Pc,i表示C为不同值时,G″max在某一风速阈值下的累计频率,m表示风速阈值划分数量。图5为12个基准观测站的C在0～1之间以0.01步长增加时D的分布。由图5可知,随着C的增加,D呈现先减小后增加的趋势,当C为0.23时,D最小,因此基于12个基准观测站的订正系数为0.23。本文在差异系数及频率匹配基础上构建的阵风估测改进方法简称GECO(gust estimation correction)方法。

图5 2021年1月—2022年12月12个基准观测站的C在0～1之间以0.01步长增加时D的分布Fig.5 Distribution of D values for C values ranging from 0 to 1 with a step size of 0.01 for 12 benchmark observation stations from Jan 2021 to Dec 2022

图6a为12个基准观测站G′max,G″max与Gmax经自然对数处理后累计频率密度的分布。由图6a可知,阵风较大时,经自然对数处理后G′max与Gmax间的累计频率存在明显差异,而经GECO方法订正后的G″max与Gmax基本一致。本文在阵风系数拟合结果基础上考虑不同观测站的差异系数及12个基准观测站整体的订正系数重点提升大级别阵风的拟合效果,因此对于较小的阵风而言,订正后的误差可能大于订正前。由图6b可知,对于风速为7.9 m·s-1及以下的阵风,订正后12个基准观测站整体的平均误差及平均绝对偏差均略高于订正前。订正前风速为5.5～7.9 m·s-1阵风的平均绝对偏差为0.93 m·s-1,而订正的平均绝对偏差为1.16 m·s-1。对于风速为8.0 m·s-1及以上的阵风,总体的平均偏差与平均绝对偏差均改善明显。其中对于风速为10.8～13.8 m·s-1,13.9～17.1 m·s-1,17.2～20.7 m·s-1,20.8～24.4 m·s-1的阵风,订正后的均方根误差减少率分别为8.73%,13.29%,15.69%,16.82%(图略)。虽然GECO方法会造成小级别阵风拟合误差略有增加,但可以明显改善大级别阵风的拟合效果。

图6 2021年1月—2022年12月12个基准观测站经自然对数处理后的累计频率分布(a)及差值对比(b)Fig.6 Cumulative frequency distribution(a) and error comparison(b) after natural logarithm transformation for 12 benchmark observation stations from Jan 2021 to Dec 2022

续图6

本研究基于12个基准观测站整体构建GECO方法,因此还需验证其是否适用于每个观测站。表2为12个基准观测站中阵风风速不小于12 m·s-1时订正前后的误差对比。由表2可知,对于风速为12 m·s-1及以上的阵风,12个基准观测站经GECO方法订正后的负偏差均较订正前明显降低,除观测站6和观测站7外,其余观测站的均方根误差减少率均超过10%。上述对比表明,GECO方法适用于不同观测站提升大级别阵风的拟合效果。

表2 2021年1月—2022年12月订正前后12个基准观测站对于风速为12 m·s-1及以上阵风拟合误差对比Table 2 Comparison of fitting errors before and after correction for 12 benchmark observation stations with gusts no less than 12 m·s-1 from Jan 2021 to Dec 2022

3.3 方法应用

差异系数能够定量表征阵风系数方法在不同观测站拟合能力的差异,因此基于12个基准观测站构建的GECO方法同样适用于图1的364个观测站。利用2021年1月—2022年12月数据分别计算剩余352个观测站的阵风系数及差异系数,采用基于12个基准观测站求解出的订正系数0.23对阵风系数拟合结果进行订正。对364个观测站而言,经GECO方法订正后再经自然对数处理的G″max与Gmax的累计频率较为一致,与图6a中的情况基本相同(图7a)。同时,对于364个观测站的平均误差与平均绝对偏差,订正后的结果虽然造成风速为7.9 m·s-1及以下阵风误差略有增加,但能明显改善大级别阵风的拟合效果。其中对于风速为20.8～24.4 m·s-1的阵风,订正前的平均误差与平均绝对偏差分别为-4.37 m·s-1和4.59 m·s-1,GECO方法订正后分别为-2.96 m·s-1和3.96 m·s-1(图7b)。对于不同观测站出现风速为12 m·s-1及以上、16 m·s-1及以上的阵风,订正后平均均方根误差减少率分别为12.3%和11.5%(图略)。

图7 2021年1月—2022年12月364个观测站经自然对数处理后的累计频率分布(a)及差值对比(b)Fig.7 Cumulative frequency distribution(a) and error comparison(b) after natural logarithm transformation for 364 observation stations from Jan 2021 to Dec 2022

海上观测数据稀少,本文使用6个浮标观测站近似代表海上(图1)。受海陆不同下垫面影响,阵风系数方法对于陆地和海上阵风的拟合误差出现明显差异。由表3可知,2021年1月—2022年12月黄渤海及其邻近地区陆地358个观测站出现风速为10.8～13.8 m·s-1,13.9～17.1 m·s-1,17.2～20.7 m·s-1阵风的样本量分别为48706,10374,1483,而6个浮标观测站在上述风速级别下的样本量分别为4433,1866,544。由于样本量的差异,分别对比阵风系数方法对于陆地和海上阵风拟合误差的标准差和平均值。对于风速为10.8～13.8 m·s-1,13.9～17.1 m·s-1,17.2～20.7 m·s-1的阵风,阵风系数方法对于陆地阵风拟合误差的标准差及负偏差明显大于海上。这表明与下垫面较为均一的海面相比,阵风系数方法对于陆地大级别阵风的拟合存在更多不确定性,且更容易出现较观测偏小的情况。陆地358个观测站的平均差异系数为 0.44 明显高于6个浮标观测站的平均差异系数0.30,因此对应陆地阵风的订正幅度明显大于海上,进而提升大级别阵风的拟合效果。

表3 2021年1月—2022年12月阵风系数方法对陆地及浮标观测站拟合误差对比Table 3 Comparison of fitting errors of gust factor method for land and buoy observation stations from Jan 2021 to Dec 2022

在6个浮标观测站中位于渤海湾北部浮标观测站(站号54641)的差异系数最小,仅为0.16。而上海徐家汇站(站号58367)差异系数为陆地358个观测站中最大(0.88)。通过对比渤海湾北部浮标观测站与上海徐家汇站订正前后拟合误差的回归线表明,阵风系数方法对于浮标观测站的拟合效果较好,GECO方法对其的订正幅度也较小,而徐家汇站拟合效果较差,订正前大级别阵风拟合效果差异明显(图略)。

选取2022年第12号台风梅花(2212)验证文中订正方法在天气过程中的应用效果。2022年9月14日20:00(北京时,下同)台风梅花的中心位于浙江舟山附近(图8),中心附近最大风力为40 m·s-1,15日20:00其中心位于黄海中西部海域,台风中心附近最大风力为23 m·s-1,16日20:00台风中心位于辽宁北部,强度减弱为热带低压级(15 m·s-1)。文中选取14日20:00—16日20:00的6 h间隔(共计9个时次)观测数据对比GECO方法对364个观测站订正前后阵风系数方法的拟合效果。

图8 台风梅花(2212)路径Fig.8 Track of Typhoon Muifa(2212)

9月14日20:00—16日20:00在台风梅花(2212)影响期间,黄渤海及其邻近地区小时内最大阵风极大值如图9a所示,其中较大的阵风极大值主要集中于上海、江苏东部、山东半岛及辽东半岛地区。对于图9a中的阵风,阵风系数方法的拟合结果出现正偏差的观测站为75个,大部分观测站阵风表现为负偏差(图9b)。经GECO方法订正后的拟合结果出现正偏差的观测站为145个,且对于上海、山东半岛、辽东半岛地区的较大阵风表现更优(图9c)。虽然经GECO方法订正后的拟合结果仍存在较多负偏差的观测站,但其偏离程度明显小于阵风系数方法。订正后仍存在负偏差的观测站的平均误差为-1.87 m·s-1,明显小于阵风系数方法的-2.71 m·s-1。15日20:00距台风中心30 km左右的浮标观测站(站号54862)观测到的阵风风速为26.1 m·s-1,阵风系数方法的拟合结果为23.2 m·s-1,而经CEGO方法订正后的结果为24.8 m·s-1,与观测更为接近。

图9 2022年9月14日20:00—16日20:00台风梅花(2022)影响期间小时内最大阵风极大值(a)、阵风系数方法(b)及经GECO方法订正后(c)拟合结果为正偏差的观测站分布Fig.9 Maximum hourly gust during the impact of Typhoon Muifa from 2000 BT 14 Sep to 2000 BT 16 Sep in 2022(a),the distribution of stations with positive bias in fitting results of gusts by applying the gust factor method(b) and GECO method(c)

由台风梅花(2212)影响期间364个观测站订正前后的均方根误差对比可知,对于风速为7.9 m·s-1及以下的阵风,订正后的均方根误差略高于订正前,而对于风速为8.0 m·s-1及以上的阵风,订正后的均方根误差改善明显(图略)。上述的误差分布与利用2021年1月—2022年12月全部数据进行检验的结果基本一致,因此再次证明差异系数可以定量表征不同观测站局地特征对阵风系数拟合能力的影响,利用12个基准观测站构建GECO方法同样适用于黄渤海及其邻近地区的364个观测站,能够为进一步改进阵风预报方法提供参考。

4 小结与讨论

本文利用2021年1月—2022年12月观测数据统计分析黄渤海及其邻近地区阵风系数方法对于不同观测站阵风的拟合差异及原因,并基于差异系数及频率匹配构建的GECO方法对阵风系数方法拟合结果进行订正,得出以下主要结论:

1) 观测站的局地性特征会导致阵风系数方法在不同观测站的拟合能力出现明显差异。虽然计算阵风系数时使用的数据为小时内最大阵风,但随着风速增大,阵风系数方法的拟合结果更接近时刻阵风,而非小时内最大阵风。

2) 不同观测站小时内最大阵风与时刻阵风间的差异系数越大,阵风系数方法对大级别阵风拟合的负偏差越大,因此可以通过差异系数定量表征不同观测站局定特性对阵风系数拟合结果的影响。为进一步提高阵风系数方法对大级别阵风的拟合效果,采用自然对数处理后的累计频率进行订正。差异系数决定了订正幅度,对于差异系数较小的观测站,订正前后变化不明显,而对于差异系数较大的站,订正后大级别阵风拟合效果明显提升。

3) 本文基于12个基准观测站构建的GECO方法适用于黄渤海及其邻近地区的364个观测站。对于2021年1月—2022年12月全部观测站出现风速为12 m·s-1及以上、16 m·s-1及以上的阵风,订正后的均方根误差分别减少12.3%和11.5%。2022年9月14—16日在台风梅花(2212)影响期间,订正前后的误差分布情况与利用全部数据检验的结果基本一致,该方法能够提升阵风的估测能力,为改进阵风预报方法提供参考。

本文基于观测数据,以阵风系数方法为例探讨阵风估测能力提升技术。在实际预报工作中,需要重新计算GECO方法的订正系数,新的订正系数不仅考虑数值模式预报误差[38]的影响同时也考虑了不同阵风预报方法的误差特性,因此GECO方法订正前后差异更加明显。对于较多观测站或大范围格点的阵风预报订正,采用GECO方法能够在较小计算量情况下提升大级别阵风的预报效果。差异系数随月份不同而有所差异,因此今后可以分季节计算差异系数以寻求更优的订正效果。