趙蕾 陳亮 劉康 張?zhí)焓?/p>

智能網(wǎng)格10m陣風(fēng)產(chǎn)品對海南洋浦港適用性評估分析

趙蕾1,2陳亮1,2劉康3張?zhí)焓?,2

（1. 海南省南海氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室 海南?？?570203；2. 海南省氣象服務(wù)中心 海南?？?570203；3. 中國民用航空飛行學(xué)院遂寧分院 四川遂寧 629000）

為了更好地開展海南洋浦港預(yù)報氣象服務(wù)，利用智能網(wǎng)格10 m風(fēng)場預(yù)報產(chǎn)品對2018年3月8日至2020年3月8日，每日12時（世界時）起報的智能網(wǎng)格10 m陣風(fēng)產(chǎn)品逐3、6、12、24、48、72 h在洋浦港的適用性進(jìn)行評估，通過最臨近插值法將格點(diǎn)預(yù)報插值到洋浦港海島自動站，并采用不同誤差分析方法，將格點(diǎn)預(yù)報與同期自動站觀測實(shí)況數(shù)據(jù)進(jìn)行對比。結(jié)果表明：不同時效、不同風(fēng)力條件下，智能網(wǎng)格對6 級及以下陣風(fēng)預(yù)報效果最好；風(fēng)速大于6級時，由于樣本數(shù)量較少，準(zhǔn)確率呈遞減趨勢，風(fēng)力等級越大漏報率越高，可信度需進(jìn)一步驗(yàn)證。不同天氣型、不同時效，預(yù)報值與自動站實(shí)況數(shù)據(jù)相比，有明顯的差異；臺風(fēng)影響下，風(fēng)力等級預(yù)報準(zhǔn)確率最高，冷空氣影響次之，熱對流天氣很難捕捉，且隨著時效增大，準(zhǔn)確率越低，很難預(yù)測。另外，隨著陣風(fēng)等級增大，預(yù)報值存在較多的漏報，尤其是7級及以上大風(fēng)有低估的效果，其中很難預(yù)測熱對流天氣造成的大風(fēng)。

智能網(wǎng)格；洋浦港；最臨近插值法；誤差分析方法

沿海大風(fēng)是海上作業(yè)、船舶航行中最重要的氣象因素，尤其是陣風(fēng)的影響，由于海上觀測資料稀少，對海上大風(fēng)預(yù)報檢驗(yàn)一直是一個難點(diǎn)，早期海上大風(fēng)預(yù)報主要方法為經(jīng)驗(yàn)預(yù)報[1]和統(tǒng)計預(yù)報[2-5]，如郭冬艷等[6]、辛吉武等[7]研究了瓊州海峽南北沿岸自動站2007年9月至2010年8月風(fēng)向、風(fēng)速資料，并分析了最大風(fēng)和極大風(fēng)2種大風(fēng)事件標(biāo)準(zhǔn)下的海峽沿岸大風(fēng)分布規(guī)律，對研究海上大風(fēng)預(yù)報有指導(dǎo)意義。楊程[8]等基于偏最小二乘回歸方法對冬季浙江省中尺度區(qū)域模式預(yù)報的近地面風(fēng)速進(jìn)行訂正和評估。當(dāng)風(fēng)速超過7級就會給海上作業(yè)帶來安全隱患，因此對海上精細(xì)化預(yù)報需求越來越迫切。目前海上觀測資料大多來自于船舶、浮標(biāo)站、海島站等，但這些資料的空間范圍小，不能滿足實(shí)際氣象服務(wù)需求。近年來，海面風(fēng)的監(jiān)測和研究隨著衛(wèi)星遙感的逐漸成熟也得到一定的發(fā)展，國內(nèi)很多學(xué)者用ASCAT資料反演風(fēng)，在國內(nèi)外得到了廣泛的研究和應(yīng)用。如姚日升等[9]對浙江近海冬季大風(fēng)風(fēng)速的推算和ASCAT風(fēng)速的訂正方法進(jìn)行較深入的探討，張?jiān)龊５萚10]將ASCAT散射計風(fēng)場在我國近海進(jìn)行初步檢驗(yàn)和應(yīng)用。隨著用戶需求提高，對精細(xì)化和準(zhǔn)確率也提出了越來越高的要求；隨著數(shù)值預(yù)報技術(shù)的發(fā)展，高分辨率的數(shù)值預(yù)報產(chǎn)品和數(shù)值產(chǎn)品釋用方法已成為近年來的研究熱點(diǎn)。吳俞等[11]將ECMWF細(xì)網(wǎng)格數(shù)值預(yù)報在中國南海做過預(yù)報檢驗(yàn)，認(rèn)為EC對夏季南海海域的24 h風(fēng)速預(yù)報較穩(wěn)定，預(yù)報時效越長，均方根誤差和方差增大。方艷瑩等[12]就不同天氣系統(tǒng)下EC細(xì)網(wǎng)格對浙江沿海10 m風(fēng)預(yù)報性能進(jìn)行了評估，發(fā)現(xiàn)預(yù)報場和觀測站點(diǎn)的相關(guān)性與站點(diǎn)地理位置、海拔高度及地形等都有較大關(guān)系。萬瑜等[13]用ECMWF細(xì)網(wǎng)格數(shù)值預(yù)報產(chǎn)品在烏魯木齊東南大風(fēng)預(yù)報中進(jìn)行釋用，發(fā)現(xiàn)細(xì)網(wǎng)格850 hPa風(fēng)矢量、10 m高度上的風(fēng)等要素預(yù)報，對烏魯木齊南郊東南大風(fēng)的起止時間、風(fēng)速量級及落區(qū)的預(yù)報有較好指示意義。

智能網(wǎng)格預(yù)報產(chǎn)品具有高時空分辨率特征，成為日常預(yù)報不可或缺的主要參考依據(jù)，其預(yù)報效果如何，有必要對10 m陣風(fēng)預(yù)報進(jìn)行檢驗(yàn)，了解其誤差特點(diǎn)，為今后人工訂正提高參考依據(jù)，從而更好地提高海洋氣象服務(wù)保障。為了更好地開展港口及沿岸氣象服務(wù)。本研究利用智能網(wǎng)格10 m的陣風(fēng)產(chǎn)品對海南洋浦港適用性進(jìn)行評估分析。

1 資料和方法

1.1 資料來源

將站點(diǎn)觀測值作為真實(shí)大氣狀態(tài)值，以此來檢驗(yàn)評估智能網(wǎng)格預(yù)報的表現(xiàn)。本研究采用的是由中國氣象局下發(fā)的1 km智能網(wǎng)格預(yù)報（下稱智能網(wǎng)格預(yù)報10 m陣風(fēng)），空間分辨率為1 km，時間分辨率為1 h，資料時間為2018年3月8日至2020年3月8日的，站點(diǎn)實(shí)況來源于同期洋浦港原油碼頭自動站實(shí)況數(shù)據(jù)。

1.2 方法

1.2.1 插值方法

采用KNN插值方法，該方法將臨近點(diǎn)插值到站點(diǎn)。采用歐式距離計算公式計算二維空間2個點(diǎn)距離：

然后選擇出距離最小的點(diǎn)，即最臨近插值方法。

1.2.2 檢驗(yàn)方法

其中用到的統(tǒng)計方法有：

式中，為預(yù)報值，為實(shí)況值。

首先將洋浦港原油碼頭自動站的觀測資料與同期智能網(wǎng)格預(yù)報10 m陣風(fēng)預(yù)報進(jìn)行對比，對比前先采用歐拉計算公式，計算出離洋浦港原油碼頭自動站最近的網(wǎng)格點(diǎn)，將該點(diǎn)的預(yù)報值作為洋浦港原油碼頭的預(yù)報值（即臨近插值方法），再與同期洋浦港原油碼頭自動站實(shí)測的風(fēng)速進(jìn)行對比分析。

2 智能網(wǎng)格預(yù)報與洋浦港原油碼頭自動站的對比分析

2.1 原油碼頭自動站陣風(fēng)實(shí)況分布特征

首先對原油碼頭自動站逐時極大風(fēng)實(shí)況資料進(jìn)行分析，原油碼頭小于5級陣風(fēng)出現(xiàn)概率最多，約占82.3%（圖1），樣本數(shù)量較多；其次是6級，占12.3%；7級及以上出現(xiàn)概率較低，樣本數(shù)量較少，且極大風(fēng)最大值為30.4 m/s（11級），受臺風(fēng)影響。另外統(tǒng)計了不同等級陣風(fēng)月分布情況，5級及以下陣風(fēng)的月分布比較均勻，波動不大；6級陣風(fēng)主要出現(xiàn)在6—8月、10、12月，7級陣風(fēng)主要出現(xiàn)在8和12月，8級陣風(fēng)主要出現(xiàn)在6—8月；8級以上只出現(xiàn)在4、6、7、8和9月，其中4和8月最多，主要受局地?zé)釋α魈鞖庥绊憽?/p>

圖1 原油碼頭自動站不同級別陣風(fēng)出現(xiàn)概率分布

2.2 風(fēng)速預(yù)報誤差分析

根據(jù)2018年3月8日至2020年3月8日每日12時（世界時）起報的模式10 m陣風(fēng)產(chǎn)品72 h內(nèi)逐6、12、24、48和72 h預(yù)報，插值到洋浦港附近原油碼頭自動站，與實(shí)測風(fēng)速進(jìn)行對比分析。實(shí)際預(yù)報服務(wù)中，按照風(fēng)力等級向行業(yè)用戶提供服務(wù)需求，因此將風(fēng)速轉(zhuǎn)換成對應(yīng)的風(fēng)力等級。

由表1可以看出，3 h預(yù)報平均誤差為正值，智能網(wǎng)格預(yù)報較實(shí)況略偏大；6、12、48和72 h平均誤差為負(fù)值，說明智能網(wǎng)格預(yù)報比實(shí)況偏小，平均誤差隨著預(yù)報時效的增大而增大；3～48 h離散指數(shù)在0.15～0.21，離散程度較小，且隨時間離散指數(shù)變化幅度不大；72 h離散指數(shù)較大，說明智能網(wǎng)格預(yù)報相對實(shí)況，離散程度較大，較發(fā)散。

表1 原油碼頭測站智能網(wǎng)格10 m的陣風(fēng)預(yù)報產(chǎn)品誤差

圖2是不同時效風(fēng)力等級預(yù)報準(zhǔn)確率、空報率和漏報率，不同時效下，0～6級以下預(yù)報準(zhǔn)確率較高，預(yù)報誤差較小，6級以上陣風(fēng)預(yù)報準(zhǔn)確率呈遞減趨勢。6級以下12 h空報率最低，3和6 h空報率的趨勢接近，24 h空報率最高；6級及以上，3、6和12 h空報率趨勢接近，24 h空報率最高，但隨著陣風(fēng)級別增大，空報率呈現(xiàn)下降趨勢。以不同時效漏報率的趨勢可以看到，3、6和12 h漏報率趨勢線幾乎重合，24 h漏報率較低，且隨著陣風(fēng)級別增大，漏報率均呈現(xiàn)快速上升趨勢。

A. 不同時效準(zhǔn)確率；B. 不同時效空報率；C. 不同時效漏報率。

綜上所述，不同時效下，智能網(wǎng)格對6 級及以下陣風(fēng)預(yù)報，結(jié)果與實(shí)測風(fēng)速最為接近，預(yù)報效果最好；風(fēng)速大于6級時，由于樣本數(shù)量較少，準(zhǔn)確率呈遞減趨勢，風(fēng)力等級越大漏報率越高，可信度需進(jìn)一步驗(yàn)證。

3 智能網(wǎng)格預(yù)報10 m風(fēng)在不同天氣系統(tǒng)下的風(fēng)場檢驗(yàn)

根據(jù)實(shí)際服務(wù)需求，不同陣風(fēng)大小對洋浦港口作業(yè)影響程度不同，6級及以下陣風(fēng)對港口作業(yè)無影響，7級對裝有化學(xué)藥品的船只和裝卸有影響，當(dāng)陣風(fēng)達(dá)到8級及以上將停止作業(yè)。因此依據(jù)影響程度，本研究將重點(diǎn)驗(yàn)證7級及以上陣風(fēng)檢驗(yàn)情況。

影響洋浦港附近海區(qū)大風(fēng)的天氣系統(tǒng)主要受南下的冷空氣、臺風(fēng)和局地?zé)釋α?種天氣影響。海南省受冷空氣影響時間主要集中在11月到次年3月，因此統(tǒng)計2018年3月8日至2020年3月8日（包含1、2、11和12月）期間，不同等級陣風(fēng)準(zhǔn)確率、空報率和漏報率（表2）。用戶一般需要1～3 d預(yù)報，因此重點(diǎn)檢驗(yàn)24、48和72 h。有冷空氣影響時，洋浦港沿海智能網(wǎng)格10 m陣風(fēng)預(yù)報值與實(shí)況相比，隨著預(yù)報時效的增大而增大，其中0～6級預(yù)報準(zhǔn)確率最高，風(fēng)力等級隨之增大，預(yù)報準(zhǔn)確率降低。

表2 冷空氣影響下原油碼頭測站不同風(fēng)力預(yù)報誤差

對臺風(fēng)天氣系統(tǒng)的判定：影響海南島或者進(jìn)入北部灣的臺風(fēng)，不考慮其強(qiáng)度，經(jīng)統(tǒng)計，在2018年3月8日至2020年3月8日期間，影響的臺風(fēng)有12個。日常洋浦港用戶對臺風(fēng)預(yù)報需求為3 d左右，因此主要驗(yàn)證24、48和72 h（表3）；在臺風(fēng)影響期間，各風(fēng)力等級預(yù)報準(zhǔn)確率的規(guī)律與冷空氣影響期間類似，但預(yù)報準(zhǔn)確率整體高于冷空氣期間預(yù)報的陣風(fēng)產(chǎn)品。

對熱對流天氣的判定：海南島一般受副熱帶高壓環(huán)流控制，天氣靜穩(wěn)，但午后易出現(xiàn)熱對流。主要出現(xiàn)在4—9月。由于熱對流預(yù)報難點(diǎn)較大，同時結(jié)合實(shí)際服務(wù)需求，停港作業(yè)至少需要6 h，因此，主要檢驗(yàn)短臨3和6 h預(yù)報與實(shí)況對比情況（表4）。將智能網(wǎng)格預(yù)報與實(shí)況進(jìn)行對比發(fā)現(xiàn)，對于局地?zé)釋α魈鞖猓悄芫W(wǎng)格預(yù)報很難捕捉到大風(fēng)信息，并且風(fēng)力等級越大，準(zhǔn)確率越低。正因?yàn)槿绱?，今后針對熱對流天氣產(chǎn)生大風(fēng)天氣，需要結(jié)合實(shí)時觀測數(shù)據(jù)、個人預(yù)報服務(wù)經(jīng)驗(yàn)進(jìn)行人工訂正。

表3 臺風(fēng)影響下原油碼頭測站不同風(fēng)力預(yù)報誤差

表4 熱對流影響下原油碼頭測站不同風(fēng)力預(yù)報誤差

通過上述對比分析發(fā)現(xiàn)，臺風(fēng)影響期間，風(fēng)力預(yù)報等級準(zhǔn)確率最高，冷空氣影響次之，熱對流天氣很難捕捉，且隨著時效增大，準(zhǔn)確率越低，很難預(yù)測。智能網(wǎng)格預(yù)報對于7級及以上熱對流造成的大風(fēng)有低估的效果，因此今后要加強(qiáng)熱對流天氣短臨預(yù)測。

4 結(jié)論

本研究將高分辨率的智能網(wǎng)格陣風(fēng)預(yù)報在洋浦港進(jìn)行預(yù)報性能檢驗(yàn)，結(jié)論如下。

（1）不同時效，不同風(fēng)力條件下，智能網(wǎng)格對6 級及以下陣風(fēng)預(yù)報，結(jié)果與實(shí)測風(fēng)速最為接近，預(yù)報效果最好；風(fēng)速大于6級時，由于樣本數(shù)量較少，準(zhǔn)確率呈遞減趨勢，風(fēng)力等級越大漏報率越高，可信度需進(jìn)一步驗(yàn)證。

（2）臺風(fēng)影響期間，智能網(wǎng)格陣風(fēng)預(yù)報等級準(zhǔn)確率最高，冷空氣影響次之，熱對流天氣很難捕捉，且隨著時效增大，準(zhǔn)確率越低，很難預(yù)測。智能網(wǎng)格預(yù)報對于7級及以上熱對流造成的大風(fēng)有低估的效果。總體而言，智能網(wǎng)格陣風(fēng)預(yù)報在臺風(fēng)和冷空氣影響期間，預(yù)報效果較好，可為該港口的陣風(fēng)預(yù)報訂正提供有價值的參考。

本研究僅對智能細(xì)網(wǎng)格10 m陣風(fēng)的預(yù)報性能進(jìn)行了初步研究，為今后進(jìn)行實(shí)際陣風(fēng)的預(yù)報服務(wù)提供有意義的參考。但如何對港口大風(fēng)預(yù)報進(jìn)行訂正，有待進(jìn)一步研究。

[1] 劉京雄, 唐文偉, 朱持則, 等. 浙閩沿海和臺灣海峽海域冬季大風(fēng)風(fēng)速計算方法探討[J]. 臺灣海峽, 2004, 23(1): 8-13.

[2] 毛紹榮, 林鎮(zhèn)國, 梁健, 等. 廣東沿海強(qiáng)東北季風(fēng)的概率預(yù)報方法[J]. 熱帶氣象學(xué)報, 2003, 19(1): 94-100.

[3] 周偉隆, 陳往溪, 肖巍. 粵東海面冷空氣強(qiáng)風(fēng)的統(tǒng)計分析與預(yù)報[J]. 廣東氣象, 2005(4): 20-22.

[4] 顏梅, 范寶東, 滿柯, 等. 黃渤海大風(fēng)的客觀相似預(yù)報[J]. 氣象科技, 2004, 32(6): 467-470.

[5] 趙金霞, 曲平, 何志強(qiáng), 等. 渤海灣大風(fēng)的特征及其預(yù)報[J]. 氣象科技, 2014, 42(5): 847-851.

[6] 郭冬艷, 姜濤, 陳有龍. 等. 瓊州海峽沿岸大風(fēng)分布規(guī)律及影響系統(tǒng)分析[J]. 氣象, 2011, 37(11): 1 372-1 379．

[7] 辛吉武, 翁小芳, 許向春, 等. 瓊州海峽南北海岸帶大風(fēng)的天氣氣候特征[J]. 氣象, 2009, 35(11): 71-77.

[8] 楊程, 姜瑜君, 余貞壽, 等. 基于偏最小二乘回歸的區(qū)域換式風(fēng)速預(yù)報訂正技術(shù)研究[J]. 氣象, 2019, 45(5): 676-684.

[9] 姚日升, 涂小萍, 丁燁毅, 等. 華東沿海ASCAT反演風(fēng)速的檢驗(yàn)和訂正[J]. 應(yīng)用氣象學(xué)報, 2015, 26(6): 735-742.

[10] 張?jiān)龊? 曹越男, 劉濤, 等. ASCAT散射計風(fēng)場在我國近海的初步檢驗(yàn)與應(yīng)用[J]. 氣象, 2014, 40(4): 473-481.

[11] 吳俞, 馮文, 李勛, 許向春, 等. ECMWF細(xì)網(wǎng)格10 m風(fēng)場產(chǎn)品在南海海域的預(yù)報檢驗(yàn)[J]. 西南師范大學(xué)學(xué)報(自然科學(xué)版), 2015, 40(9): 204-212.

[12] 方艷瑩, 申華羽, 涂小萍, 等. ECMWF細(xì)網(wǎng)格對浙江沿海10 m風(fēng)預(yù)報性能評估[J]. 中國農(nóng)學(xué)通報, 2019, 35(13): 119-125.

[13] 萬瑜, 曹興, 竇新英, 等. ECMWF細(xì)網(wǎng)格數(shù)值預(yù)報產(chǎn)品在烏魯木齊東南大風(fēng)預(yù)報中的釋用[J]. 沙漠與綠洲氣象, 2014, 8(1): 32-38.

Applicability Assessment Analysis of the intelligent grid 10 m Gust of Wind Field Products in Yangpu Port of Hainan Province

ZHAO Lei1,2CHEN Liang1,2LIU Kang3ZHANG Tiansheng1,2

(1. Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou, Hainan 570203, China; 2. Hainan Provincial Meteorological Service Center, Haikou, Hainan 570203, China; 3. Suining Branch of Civil Aviation Flight University in China, Suining, Sichuan 629000, China)

The paper aims to improve meteorological services in Yangpu port of Hainan province. The intelligent grid 10m gust of wind field product was used to evaluate the applicability in Yangpu port from March 8 of 2018 to March 8 of 2020 at 12:00 daily for 3, 6, 12, 24, 48 and 72 hours. The grid prediction were interpolated to the automatic station of Yangpu port island by nearest interpolation method. Different error analysis methods were used to compare the grid prediction with the observation data of the automatic station in the same period. Under the different time effects and different wind conditions, the smart grid forecasts gusts of level 6 and below was the best. When the wind speed was greater than level 6, due to the limited number of samples, the accuracy rate showed a decreasing trend. The higher the wind level was, the omission rate was the higher. The reliability needs to be further verified. There were obvious differences between actual situation of the station and prediction in the different weather types and different time effects. The accuracy rate of wind forecast was the highest under the influence of typhoon and followed by cold air. Hot convective weather was difficult to catch. With the increasing of exposure time, the lower the accuracy was, the harder it was to predict. In addition, with the increasing of wind level, there were many missed gust values. It was an underestimated effect, especially strong winds above 7 level. It was difficult to predict the strong wind caused by hot convective weather.

intelligent grid; Yangpu port; nearest interpolation method; error analysis methods

P732

A

10.12008/j.issn.1009-2196.2022.10.023

2022-01-15；

2022-07-06

中國氣象局公服氣象服務(wù)中心創(chuàng)新基金項(xiàng)目（No.M2021013）：基于機(jī)器學(xué)習(xí)的港口大風(fēng)預(yù)報服務(wù)產(chǎn)品研發(fā)。

趙蕾（1982—），女，高級工程師，主要研究方向?yàn)闅庀蠓?wù)，E-mail：zhaolei328@163.com。

陳亮（1981—），男，高級工程師，主要研究方向?yàn)闅庀蠓?wù)，E-mail：c_ray16@163.com。

（責(zé)任編輯 林海妹）