主流海表風(fēng)場資料在舟山群島近海的性能評估*

劉紫薇 趙帥康 魏笑然 白曄斐,2①

(1. 浙江大學(xué)海洋學(xué)院 浙江舟山 316021; 2. 海南浙江大學(xué)研究院 海南三亞 572024)

全球近海面風(fēng)場是影響人類海上活動的重要因素之一。在能源領(lǐng)域, 風(fēng)能作為世界上發(fā)展最快的能源技術(shù)(Huanget al, 2015), 具有分布廣泛、可持續(xù)利用的特點(Leunget al, 2012)。在全球變暖嚴(yán)重威脅人類可持續(xù)發(fā)展的背景下(徐冠華等, 2013), 風(fēng)能是應(yīng)對資源危機的最佳選擇(Kumaret al, 2016)。在交通領(lǐng)域, 海上強風(fēng)不僅會降低船速, 加劇燃油消耗, 從而增加溫室氣體排放量(吳力川等, 2012), 還會導(dǎo)致碰撞、傾覆、擱淺等船運事故(程宏林等, 1996)。在安全領(lǐng)域, 近40 年來臺風(fēng)強度逐漸增強(Guanet al,2018), 東南沿海臺風(fēng)、風(fēng)暴潮、寒潮等災(zāi)害頻發(fā)(李敏等, 2009), 嚴(yán)重影響人民生命財產(chǎn)安全(Xuet al,2015)。因此, 準(zhǔn)確描述近海面風(fēng)場對發(fā)展清潔能源、保障海上運輸、有效防災(zāi)減災(zāi)等具有重要意義。

隨著計算機技術(shù)、數(shù)據(jù)同化技術(shù)和天氣預(yù)報模型的快速發(fā)展, 全球再分析風(fēng)場數(shù)據(jù)集融合陸基氣象觀測數(shù)據(jù)、?；d或浮標(biāo)數(shù)據(jù)和天基衛(wèi)星遙感數(shù)據(jù),已成為海上風(fēng)場研究的主流工具(Ramonet al, 2019)。再分析數(shù)據(jù)被廣泛應(yīng)用于風(fēng)能資源分布和評估(王國松等, 2014)、風(fēng)電場規(guī)劃設(shè)計(葉小嶺等, 2019)、災(zāi)害天氣時空變化特征(李愛蓮等, 2021)和船運安全航行(Satoet al, 2020)。在應(yīng)用中一些學(xué)者逐步發(fā)現(xiàn)各種風(fēng)場產(chǎn)品在不同海域的性能并不相同(李正泉等, 2016)。Alvarez 等(2014)對比研究比斯開灣南部5 種風(fēng)場數(shù)據(jù), 包括: ECMWF 全球大氣臨時再分析數(shù)據(jù)(ECMWF atmospheric reanalysis Interim, ERA-Interim)、現(xiàn)代研究與應(yīng)用回顧性分析數(shù)據(jù)(modern-era retrospective analysis for research and applications,MERRA)、NECP 全球高分辨率再分析數(shù)據(jù)(climate forecast system reanalysis, CFSR)、快速散射計(quick scatterometer, QuikSCAT)和美國宇航局物理海洋學(xué)分布存檔中心的多衛(wèi)星融合資料(cross-calibrated multi-platform, CCMP), 發(fā)現(xiàn)CCMP 數(shù)據(jù)集的誤差值最低; 劉解明等(2020)對比北半球海域4 種表層風(fēng)場資料, 包括: CFSR/CFSv2(國家環(huán)境預(yù)測中心第二版全球高分辨率再分析數(shù)據(jù), climate forecast system version 2)、ERA-Interim、全球業(yè)務(wù)最終分析資料(final operational global analysis, FNL)和CCMP, 也得到相同的結(jié)論; Peng 等(2011)在比較不同類型風(fēng)場資料在赤道海域的適用性時發(fā)現(xiàn)CFSR 再分析資料相關(guān)性始終最高, 且總均方根誤差最小。

為找到適合于我國各海區(qū)的近海表風(fēng)場再分析產(chǎn)品, 國內(nèi)學(xué)者也開展了一定的研究。曠芳芳等(2015)就2011 年臺灣海峽處的3 個浮標(biāo)觀測資料與3 種海面風(fēng)場資料進(jìn)行對比后發(fā)現(xiàn), CCMP 和NCEP 資料比ERA 資料更接近觀測。敖雪等(2018)對1981～2015 年遼寧省海岸帶3 種再分析資料進(jìn)行了對比分析, 認(rèn)為CFSR 資料的可信度較好, 日本 55 年再分析數(shù)據(jù)(Japanese 55-year reanalysis, JRA-55)資料次之, ERA資料誤差較大。然而, 侯敏等(2017)、Wang 等(2020)的結(jié)果卻與之不同, 他們均在中國海域得出JRA-55和ERA-Interim 的風(fēng)速比CCMP 和CFSR 更接近實測值。其中, CCMP 數(shù)據(jù)與實測數(shù)據(jù)具有很好的一致性,可有效彌補實地觀測數(shù)據(jù)的不足(張鵬等, 2011; 鄭崇偉, 2011)。我國東海海域雖有相關(guān)研究, 但工作多集中在爭議較少的遠(yuǎn)海區(qū)域(毛科峰等, 2012), 在近海海域的認(rèn)識仍有待提高; 同時ECMWF 發(fā)布的哥白尼大氣監(jiān)測服務(wù)(the Copernicus atmosphere monitoring Service, CAMS)資料也尚未在近海與其他廣泛使用的產(chǎn)品進(jìn)行性能比較。綜上可見, 各再分析數(shù)據(jù)集在描述近海表風(fēng)場時呈現(xiàn)一定共性, 但在不同海域和時間尺度上存在顯著差異, 因此應(yīng)分區(qū)域、分要素、分季節(jié)地評估和選擇合適的資料。

隨著我國“一帶一路”戰(zhàn)略的提出, 舟山港成為港口內(nèi)外條件和航線網(wǎng)絡(luò)中競爭力很強的重要樞紐(陳芙英等, 2021), 隨之而來的風(fēng)電、橋梁、石化、船運等產(chǎn)業(yè)對群島海域高精度風(fēng)場的需求劇增(王瓊等,2020)。鑒于此, 本研究基于2018 年全年單點浮標(biāo)觀測資料, 分析舟山群島近海面風(fēng)場的季節(jié)變化規(guī)律,綜合評估ERA5、CFSv2、CCMP、JRA-55、第二版現(xiàn)代研究與應(yīng)用回顧性分析數(shù)據(jù)(modern-era retrospective analysis for research and applications version 2,MERRA-2)和CAMS 這6 種全球再分析風(fēng)場資料的性能, 以期發(fā)現(xiàn)適合于描述舟山群島近海面風(fēng)場的再分析數(shù)據(jù)集, 為開發(fā)適用于舟山群島近海的高精度長周期風(fēng)場數(shù)據(jù)產(chǎn)品奠定基礎(chǔ)。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)集

1.1.1 觀測數(shù)據(jù) 現(xiàn)階段衛(wèi)星數(shù)據(jù)仍存在同步軌道位置有限、覆蓋范圍不足、空間分辨率較低、近海岸反演的精度較差、傳輸時延大以及自身誤差等問題(常蕊等, 2014; 姚日升等, 2016), 因此, 實地長期觀測數(shù)據(jù)相比衛(wèi)星數(shù)據(jù)而言, 更適合為風(fēng)場的研究提供參考。本研究采用位于舟山東南部開闊海域的蝦峙門外錨地觀測點(圖1)所提供的2018 年全年風(fēng)速和風(fēng)向記錄作為基準(zhǔn)數(shù)據(jù)。舟山近海春夏季以東南風(fēng)為主,秋冬季則以西北風(fēng)為盛, 2018 年該海域共受到7 次臺風(fēng)影響(軌跡如圖1), 因而, 風(fēng)場演變復(fù)雜, 有利于驗證各風(fēng)場產(chǎn)品在復(fù)雜海洋環(huán)境下的可靠性。

圖1 蝦峙門觀測站點地理位置與臺風(fēng)路徑圖Fig.1 Location of Xiazhimen observation station and typhoon trajectories

1.1.2 ERA5 ERA5 數(shù)據(jù)集是在歐盟資助下由ECMWF 打造, 繼ERA-15, ERA-40 和ERA-Interim 之后的第五代全球大氣再分析數(shù)據(jù)(Hersbachet al,2020)。該數(shù)據(jù)集利用 ECMWF 綜合預(yù)報系統(tǒng)(integrated forecasting system, IFS)中的四維變分?jǐn)?shù)據(jù)同化(four-dimensional variational data assimilation,4D-Var)技術(shù)和模型預(yù)報產(chǎn)生, 包含了1950 年以后全球大氣、陸地表面和海浪的詳細(xì)記錄, 垂向包含從地表至0.01 hPa (距地面約80 km)共137 個模式層。

1.1.3 JRA-55 JRA-55 數(shù)據(jù)集是由日本氣象廳(Japan Meteorological Agency, JMA)提供的第二個全球大氣再分析項目(Kobayashiet al,2015), 是前序JRA-25 數(shù)據(jù)集的升級版。該再分析數(shù)據(jù)集涵蓋了55 a,可以追溯到1958 年全球無線電探空儀觀測系統(tǒng)建立的時期, 是自歐洲中期天氣預(yù)報中心ERA-40 再分析數(shù)據(jù)以來覆蓋過去半個世紀(jì)的首個全面再分析數(shù)據(jù),也是首個在這一時期應(yīng)用4D-Var 分析的再分析數(shù)據(jù)。

1.1.4 CFSv2 CFSv2 數(shù)據(jù)集是NCEP 發(fā)布的第二版全球高分辨率的再分析產(chǎn)品, 該版本在前序CFSR的基礎(chǔ)上對系統(tǒng)的同化和預(yù)報模型組件進(jìn)行了升級(Sahaet al, 2014), 是第三個利用全球高分辨率大氣-海洋-陸地表面-海冰耦合系統(tǒng)的再分析數(shù)據(jù), 垂向包含64 層, 對32 a 時間(1979～2010 年)進(jìn)行過耦合再分析, 為29 a 時間(1982～2010 年)綜合再預(yù)測提供初始條件。

1.1.5 CCMP CCMP 風(fēng)場資料是以ECMWF 的再分析和業(yè)務(wù)資料作為背景場, 利用 (變分分析方法(variational aanlysis method, VAM), 融合第二代高級地球觀測衛(wèi)星(advanced earth observing satellite 2nd generation, ADEOS-Ⅱ)、QuikSCAT、熱帶降雨測量任務(wù)微波成像儀(tropical rainfall measuring mission microwave imager, TRMM TMI)、特殊傳感器微波成像儀(special sensor microwave imager, SSM/I)、高級微波掃描輻射計-地球觀測系統(tǒng)(advanced microwave scanning radiometer-earth observing system, AMSR-E)等多種衛(wèi)星探測海面風(fēng)產(chǎn)品以及部分船舶、浮標(biāo)觀測資料, 再經(jīng)海洋系泊浮標(biāo)對輻射計和散射計數(shù)據(jù)驗證而得到的一種高時空分辨率多衛(wèi)星融合資料, 目前在國內(nèi)外得到廣泛應(yīng)用(Atlaset al, 2011)。

1.1.6 MERRA-2 MERRA-2 數(shù)據(jù)集(Molodet al,2015)是 NASA 全球模擬和同化辦公室(the global modeling and assimilation office, GMAO)制作的衛(wèi)星時代全球大氣再分析的最新版本, 是使用第 5 版Goddard 地球觀測系統(tǒng)模型(the goddard earth observing system model version 5 , GEOS-5)及其大氣數(shù)據(jù)同化系統(tǒng)(atmospheric data assimilation system, ADAS)得到的大氣再分析數(shù)據(jù)集。該再分析數(shù)據(jù)集是MERRA再分析數(shù)據(jù)集的高級版本, 涵蓋了1980 年至今的時期, 最高水平精度7 km。

1.1.7 CAMS CAMS 全球再分析EAC4 (ECMWF atmospheric composition reanalysis 4)數(shù)據(jù)集(Innesset al, 2019)是基于早期大氣成分和氣候再分析(the monitoring atmospheric composition and climate,MACC)基礎(chǔ)上的第四代ECMWF 大氣成分全球再分析數(shù)據(jù)集, 使用 ECMWF 綜合預(yù)報系統(tǒng)(IFS)中的4D-Var 數(shù)據(jù)同化得到, 垂向60 層, 時間范圍從2003年起至2020 年, 還可提供臭氧、一氧化碳、二氧化氮和氣溶膠光學(xué)深度等數(shù)據(jù), 被廣泛應(yīng)用于計算氣候?qū)W、研究趨勢、評估模式等。

1.2 研究方法

由于各再分析資料在全年和不同季節(jié)時間尺度的表現(xiàn)情況存在差異(謝瀟等, 2011), 且不同季節(jié)所蘊含的大氣動力過程特征不一, 故本文將2018 年按季節(jié)分為春(3～5月)夏(6～8 月)秋(9～11 月)冬(12～2 月)4個部分, 將各再分析資料進(jìn)行時空插值從而得到與觀測點相同位置和相同時間精度的時間序列, 在全年尺度和季節(jié)尺度分別進(jìn)行6 種統(tǒng)計指標(biāo)的誤差分析, 從而評估各再分析資料在舟山群島海域的適用性。

1.2.1 數(shù)據(jù)匹配 各再分析資料在空間和時間的分辨率不盡相同(表1), 為與觀測資料進(jìn)行匹配比較,本研究采用三次樣條插值方案將所有再分析資料的時間精度統(tǒng)一至1 h, 空間精度統(tǒng)一至0.125°×0.125°。

表1 表層10 m 風(fēng)場資料產(chǎn)品的數(shù)據(jù)特征Tab.1 Characteristics of surface 10 m wind field data products

1.2.2 計算方法 本研究共選取5 種通用指標(biāo)來衡量再分析風(fēng)場產(chǎn)品與實測數(shù)據(jù)之間的差異, 包括平均絕對誤差(EM)、均方根誤差(ERMS)、偏差率(B)、離散指數(shù)(IS)和相關(guān)系數(shù)(R), 其計算公式如下:

其中, 權(quán)重系數(shù)k1和k2在風(fēng)速誤差分析中分別為103和10, 在風(fēng)向誤差分析中分別為104和102。給定相應(yīng)的倍數(shù)可增加該指標(biāo)在整體中的權(quán)重, 使其與其他指標(biāo)在同一量級。

2 結(jié)果與分析

2.1 風(fēng)速對比與誤差分析

根據(jù)圖2a～2f 中各再分析風(fēng)場產(chǎn)品與實測數(shù)據(jù)在2018 年的風(fēng)速時間序列對比, 我們開展誤差分析, 在全年和4 個季節(jié)時間尺度分別計算EM、ERMS、B、IS、R和指標(biāo), 統(tǒng)計結(jié)果如表2。

表2 蝦峙門站點處風(fēng)速誤差表Tab. 2 Errors of wind speed in different datasets at Xianzhimen station

續(xù)表

圖2 蝦峙門站點處實測數(shù)據(jù)分別與ERA5 (a)、CFSv2 (b)、CCMP (c)、JRA-55 (d)、MERRA-2 (e)、CAMS (f)數(shù)據(jù)的風(fēng)速時間序列對比圖Fig.2 Comparison in wind speed time series of the measured data to those of ERA5 (a), CFSv2 (b), CCMP (c), JRA-55 (d), MERRA-2(e), and CAMS (f) data at Xianzhimen station

結(jié)合圖表結(jié)果可知, 各風(fēng)場數(shù)據(jù)在全年整體趨勢上與實測資料基本吻合, 但普遍存在高風(fēng)速無法準(zhǔn)確刻畫的問題(毛科峰等, 2012), 如ERA5、CCMP、JRA-55、MERRA-2 和CAMS 均會對部分高風(fēng)速的估值偏低; 而較為特殊的, CFSv2 可較好地刻畫高風(fēng)速極值, 但對中低風(fēng)速的擬合不理想。從各季節(jié)來看,CCMP、CAMS、MERRA-2 在春夏季的擬合效果相對較好, 而CFSv2 欠佳, 這主要由于春夏季風(fēng)速整體較低。ERA5 在秋季的性能最好, 而CCMP、JRA-55 和ERA5 在冬季表現(xiàn)較優(yōu)。因而, 我們推薦在春冬兩季使用CCMP; 夏季建議使用MERRA-2; 秋季臺風(fēng)多發(fā), ERA5 受臺風(fēng)影響的程度較小, 性能較好。

2.2 風(fēng)向?qū)Ρ扰c誤差分析

根據(jù)圖3a～3f 中各再分析風(fēng)場產(chǎn)品與實測數(shù)據(jù)在2018 年的風(fēng)向時間序列對比, 我們開展同風(fēng)速類似的誤差分析, 其統(tǒng)計結(jié)果如表3。

表3 蝦峙門風(fēng)向誤差表Tab.3 Errors of wind direction in different datasets at Xianzhimen station

圖3 蝦峙門站點處實測數(shù)據(jù)分別與ERA5 (a)、CFSv2 (b)、CCMP (c)、JRA-55 (d)、MERRA-2 (e)、CAMS (f)數(shù)據(jù)的風(fēng)向時間序列對比圖Fig. 3 Comparison in wind direction time series of the measured data to those of ERA5 (a), CFSv2 (b), CCMP (c), JRA-55 (d),MERRA-2 (e), and CAMS (f) data at Xianzhimen station

結(jié)合圖表結(jié)果可知, 在全年時間尺度各風(fēng)場數(shù)據(jù)在整體趨勢上與實測資料基本吻合, 但誤差量級相對較大, 如4 月初、6 月和7 月等都存在15°～30°的偏差, 而8 月上旬和11 月下旬也存在20°～60°的偏差。風(fēng)速擬合性能不佳的CFSv2 再分析數(shù)據(jù)在全年風(fēng)向擬合的結(jié)果優(yōu)于其他風(fēng)場產(chǎn)品, 其次是ERA5。從各季節(jié)來看, 由于秋冬季30°N 附近的大氣運動較為劇烈, 因此各項誤差指標(biāo)較春夏季普遍偏高。CFSv2在各季節(jié)的綜合指標(biāo)均為最小。除CFSv2 外, ERA5在春夏季的性能較好, CAMS 在秋冬季的性能略優(yōu)。CCMP、JRA-55 和MERRA-2 在風(fēng)向上的綜合指標(biāo)與上述3 種風(fēng)場產(chǎn)品的差距較大。綜上所述, CFSv2 適合應(yīng)用在舟山群島近海的風(fēng)向研究中, 其次是ERA5。

3 討論

為進(jìn)一步研究舟山群島近海表風(fēng)場的風(fēng)速與風(fēng)向分布特征, 我們以風(fēng)玫瑰圖的形式展示蝦峙門站點處實測數(shù)據(jù)和各再分析風(fēng)場產(chǎn)品在2018 年全年的比例分布(圖4), 其中風(fēng)速以5 m/s 為一個區(qū)間, 共分為低、中低、中高和高風(fēng)速共4 個量級, 而風(fēng)向羅盤以22.5°為一個區(qū)間, 共分16 個方位。如圖4a 所示,蝦峙門海域風(fēng)場整體呈南北走向, 北向風(fēng)場比重大于南向風(fēng)場: 北向風(fēng)場以北向和北西北向為盛, 風(fēng)速可高于15 m/s; 南向風(fēng)場以南風(fēng)和南西南風(fēng)為主, 風(fēng)速都在15 m/s 以下。在全年8 671 組實測風(fēng)速數(shù)據(jù)中,低速、中低速、中高速和高速的占比分別為39%、43%、16%和2%。在低風(fēng)速區(qū)間, JRA-55 的風(fēng)速占比與實測最為接近, 為43%。在中低風(fēng)速區(qū)間, 各再分析產(chǎn)品的占比類似, 均處于48%～52%內(nèi)。在中高風(fēng)速區(qū)間, EAR5 的風(fēng)速占比為13%, 與實測較為接近。對于高風(fēng)速, CFSv2 的占比偏高, 而其余各資料的占比又偏低, 與實測資料的差距較大。在全年8 671 組實測風(fēng)向數(shù)據(jù)中, 第一象限(0°～90°)、第二象限(90°～180°)、第三象限(180°～270°)和第四象限(270°～360°)內(nèi)風(fēng)向的占比分別為32%、30%、18%和20%。在第一象限中, 各再分析資料普遍占比偏高,CFSv2 (34%)最為接近實測數(shù)據(jù)占比。在第二象限中,各再分析資料普遍占比偏低, CFSv2 (24%)最為接近實測數(shù)據(jù)占比。在第三象限中, 各再分析資料普遍占比偏低, EAR5 (14%)最為接近實測數(shù)據(jù)占比。在第四象限中, 各再分析資料普遍占比偏高, JRA-55 (27%)最為接近實測數(shù)據(jù)占比。綜合風(fēng)速和風(fēng)向分布, 我們發(fā)現(xiàn)各再分析資料在中低風(fēng)速比重偏多; 在風(fēng)向分布上呈現(xiàn)整體偏東的趨勢, 特別在 90°～135°和270°～315°區(qū)間最為明顯, 這與韓玉康等(2019)在呂宋海峽處對3 種海面風(fēng)場資料(ERA-Interim、CCMP、CFSR)的比較與評估發(fā)現(xiàn)相同。

圖4 蝦峙門站點處實測數(shù)據(jù)(a)、ERA5 (b)、CFSv2 (c)、CCMP (d)、JRA-55 (e)、MERRA-2 (f)、CAMS (g)數(shù)據(jù)集的風(fēng)玫瑰圖Fig.4 The wind rose diagram of measured data (a), ERA5 (b), CFSv2 (c), CCMP (d), JRA-55 (e), MERRA-2 (f), and CAMS (g) at Xiazhimen station

4 結(jié)論

本文基于2018 年全年單點浮標(biāo)觀測數(shù)據(jù), 利用EM、ERMS、IS、B、E和R在內(nèi)的6 個統(tǒng)計指標(biāo), 在舟山群島近海對ERA5、CFSv2、CCMP、JRA-55、MERRA-2 和CAMS 六種風(fēng)場資料進(jìn)行誤差分析與評估, 并通過線性趨勢檢驗和風(fēng)玫瑰圖研究了各風(fēng)場產(chǎn)品全年分布及季節(jié)變化特征, 主要結(jié)論如下:

(1) 不同風(fēng)場產(chǎn)品的同化系統(tǒng)差異使得這些風(fēng)場產(chǎn)品的模擬能力有所不同, 根據(jù)線性趨勢及對全年的誤差分析可知, ERA5 對風(fēng)速的再現(xiàn)能力最優(yōu),其次為JRA-55。

(2) 不同風(fēng)場產(chǎn)品中不同要素間的可信度有所差別,在風(fēng)速方面, ERA5 的再現(xiàn)情況較優(yōu), 其次為JRA-55。在風(fēng)向方面, CFSv2 的擬合情況較好, 其次是ERA5。

(3) 不同風(fēng)場產(chǎn)品在不同季節(jié)的模擬能力也有所差異, 對于風(fēng)速, CCMP 在春冬兩季的再現(xiàn)能力較好, CAMS 在夏季的再現(xiàn)情況較優(yōu), ERA5 在秋季的模擬效果最佳; 對于風(fēng)向, CFSv2 在各季節(jié)的模擬能力均為最好。

(4) 同一種風(fēng)場產(chǎn)品的風(fēng)速在不同大小區(qū)間的模擬能力也有所不同, JRA-55 再分析數(shù)據(jù)對低風(fēng)速、中低風(fēng)速和高風(fēng)速的模擬情況較好, ERA5 對中高風(fēng)速的模擬情況較優(yōu)。

(5) 從風(fēng)玫瑰圖發(fā)現(xiàn)實測站點處北風(fēng)和南風(fēng)分布最多, 西風(fēng)和東風(fēng)分布較少, 高風(fēng)速集中在北向和西北向。對于風(fēng)向的模擬情況來說, 各風(fēng)場資料都有著向東的偏差, CFSv2 與ERA5 再分析數(shù)據(jù)的模擬程度較好。