基于SVM的我國北部沿岸海上風速估算方法研究*

渠鴻宇 胡海川 黃 彬

國家氣象中心,北京 100081

提 要：沿岸海上觀測站點稀少,而沿岸陸地觀測站點相對密集,開展海陸分布導(dǎo)致的海陸風速差異特征研究,實現(xiàn)由陸地觀測風速估算海上風速,有助于提高海上大風預(yù)報服務(wù)能力。利用我國北方地區(qū)兩組浮標及其鄰近陸地觀測站點的2016—2020年逐小時平均風速和陣風風速數(shù)據(jù),統(tǒng)計分析海陸風速差異特征及規(guī)律,采用支持向量機方法,構(gòu)建了基于陸地平均風速、陸地陣風風速、海陸站點距離、月份及觀測時次的海上風速估算模型。利用另外兩組海陸觀測站2021年觀測數(shù)據(jù)對估算模型進行檢驗,結(jié)果表明:對于6級及以上的平均風速和7級及以上的陣風風速,模型具有較高的估算準確率,模型估算的兩個檢驗組的海上站點平均風速(陣風風速)RMSE分別為2.40 m·s-1(3.20 m·s-1)和2.35 m·s-1(2.57 m·s-1),較ERA5分別減少了24%(14%)和23%(20%)。在一次溫帶氣旋和冷空氣共同影響的大風過程中,模型估算的兩個檢驗組的海上平均風速(陣風風速)平均絕對誤差分別為1.6 m·s-1(2.3 m·s-1)和1.1 m·s-1(1.5 m·s-1),在極值時刻的平均風速(陣風風速)誤差分別為-1.3 m·s-1(-0.6 m·s-1)和-1.2 m·s-1(-3.1 m·s-1),均優(yōu)于ERA5計算結(jié)果。基于支持向量機的海上風速估算模型能夠利用陸地觀測風速估算出較為準確的海上大風,可降低海上觀測資料不足的影響,具有一定的應(yīng)用前景。

引 言

海上大風是主要的海洋氣象災(zāi)害之一(許小峰等,2009),開展海上大風的研究及預(yù)報對保證海上作業(yè)安全,提高海洋作業(yè)效率及減少開支具有重要意義(尹盡勇等,2012)。隨著數(shù)值模式的飛速發(fā)展,海面風場預(yù)報取得長足進步(李敏等,2009),但受動力框架、初始場誤差、物理參數(shù)化方案等因素影響,模式海面風預(yù)報與實況仍有一定差距(Toth et al,2001;Mu et al,2002;季曉陽等,2005;胡海川等,2021)。為了進一步提升海上大風預(yù)報能力,林良勛等(2004)、吳曼麗等(2012)、薄文波等(2013)、胡波(2019)、潘靜等(2022)諸多學者開展了海上大風統(tǒng)計或動力統(tǒng)計預(yù)報方法的研究工作,但由于海洋觀測資料稀缺,上述方法中多以沿岸、海島等陸地下墊面觀測站數(shù)據(jù)近似代表海上資料。為進一步提升海上大風預(yù)報準確率,應(yīng)將由下墊面不同所導(dǎo)致的海陸風速差異考慮其中,基于海陸風速差異特征及規(guī)律,利用較密集的陸地站點觀測風速估算出更真實的海上風速后,再建立海上大風統(tǒng)計或動力統(tǒng)計預(yù)報模型。井傳才等(1995)、張新玲和吳增茂(1998)和劉京雄等(2004)分析海陸平均風速差異特征及規(guī)律,并基于線性、指數(shù)及對數(shù)函數(shù)擬合方法,使用海島站、石油平臺站、船舶站等陸地平均風速估算海上平均風速。但由于海島站下墊面依然為陸地,石油平臺站測風高度過高以及船舶觀測資料連續(xù)性較差等問題(陳洪濱等,2019),基于上述站點進行海陸風速差異特征研究和建立由陸地風速估算海上風速模型會存在一定不足。浮標觀測數(shù)據(jù)具有連續(xù)、實時、可靠的特點(王波等,2014),更適合用來研究海陸風速差異特征,構(gòu)建由陸地風速估算海上風速模型。另外,相比于平均風速,強陣風更容易造成生命財產(chǎn)損失(Nakamura et al,2007;胡海川等,2022),因此同樣需要研究海陸陣風風速差異,并構(gòu)建海上陣風風速的估算模型。

支持向量機(support vector machine,SVM)是建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上的機器學習方法,相比傳統(tǒng)算法,其在解決小樣本、非線性、高維問題中具有特有的優(yōu)勢(丁世飛等,2011),已被廣泛應(yīng)用于降水、雷暴大風、臺風等氣象要素的預(yù)報研究之中(Lin et al,2009;施蕭等,2012;錢燕珍等,2012;Nayak and Ghosh,2013;Mercer et al,2013;黃威和牛若蕓,2017;楊璐等,2018;Pour et al,2018)。SVM的基本思想是升維和線性化。通過非線性映射函數(shù),把樣本空間映射到一個高維的特征空間,使得在高維空間中可以應(yīng)用線性學習的方法解決原始樣本空間中的非線性問題。同時,通過應(yīng)用核方法(kernel method),無需求解復(fù)雜的映射函數(shù)即可求得內(nèi)積,大大減小了計算復(fù)雜度。

利用2016—2020年逐小時平均風速和陣風風速數(shù)據(jù),選取兩組位于我國北部沿岸的浮標和與其鄰近的陸地觀測站點,研究由海陸分布導(dǎo)致的海陸平均風速和陣風風速差異特征及規(guī)律,采用SVM回歸方法構(gòu)建沿岸海上風速估算模型,以實現(xiàn)利用沿岸陸地風速獲取較準確的沿岸海上風速。使用另外兩組海陸觀測站點2021年數(shù)據(jù)對海上風速估算模型進行檢驗,驗證其在應(yīng)用中的效果。

1 資 料

本文所用資料包括2016—2021年中國氣象局地面實況觀測數(shù)據(jù)中的逐小時風速數(shù)據(jù)(2 min平均)和小時內(nèi)極大風速(3 s平均)數(shù)據(jù)(精度為0.1 m·s-1)。選取曹妃甸浮標站和曹妃甸工業(yè)區(qū)站記為第一訓(xùn)練組,煙臺港浮標站和煙臺港務(wù)局站記為第二訓(xùn)練組,選取曹妃甸浮標站和曹妃甸零公里國家無人觀測站記為第一檢驗組,董家口浮標站和日照水上運動基地站記為第二檢驗組(表1),各站點位置如圖1所示。其中訓(xùn)練組中的2016—2020年數(shù)據(jù)(記為訓(xùn)練集)用于特征分析和模型訓(xùn)練,檢驗組中的2021年數(shù)據(jù)(記為測試集)用于檢驗。兩組訓(xùn)練組海陸站點直線距離分別為24.4 km、7.7 km,兩組檢驗組的海陸站點直線距離分別為37.6 km、35.4 km,盡量保證了海陸站點受相同的天氣系統(tǒng)影響(呂美仲等,2004)。同時,沿岸陸地站點的高度均小于10 m,避免了海拔高度對海陸風速差異研究的影響(趙鳴和苗曼倩,1992)。

注:藍、綠色分別為沿岸海上、陸地站點。

表1 訓(xùn)練組站點和檢驗組站點的名稱及站號Table 1 Name and station number of training group and test group

篩選海陸平均風速均大于3級(≥3.4 m·s-1)的情況作為研究對象,共獲取成對的海陸平均風速和陣風風速樣本14 350對,其中2016—2020年的訓(xùn)練組數(shù)據(jù)共9809對,2021年檢驗組數(shù)據(jù)共4541對。

為橫向比較估算模型準確度,采用雙線性插值法,將2021年ERA5(Hersbach et al,2018)逐小時的10 m風數(shù)據(jù)和陣風數(shù)據(jù)(空間分辨率為0.25° × 0.25°)插值到檢驗組的海上站點處,進行ERA5風速與海上站點實測風速和模型估測風速的對比分析。

2 差異分析

2.1 整體差異

圖2展示了2016—2020年兩組海陸站點平均風速和陣風風速的散點分布,圖中紅色虛線為線性擬合線,k為線性擬合斜率。如圖2所示,兩組海陸站點中的平均風速與陣風風速的散點均主要集中在對角線左側(cè),且線性擬合斜率均大于1,表明海上的平均風速和陣風風速均大于陸地。對于同一訓(xùn)練組海陸站點中的平均風速及陣風風速分布而言,平均風速與對角線的偏差更大。兩組海陸站點中的平均風速線性擬合斜率分別為1.88和1.48,陣風風速的線性擬合斜率分別為1.32和1.10,表明海陸下墊面的差異對平均風速影響更為顯著,而陣風風速的海陸差異相對較小。無論是平均風速還是陣風風速,第二訓(xùn)練組海陸站點的線性擬合斜率均小于第一訓(xùn)練組,平均風速擬合斜率偏小0.4,陣風風速擬合斜率偏小0.21。這可能與海陸站點間的距離有關(guān),距離越近,海陸風速差異有減小的趨勢,因此在構(gòu)建海上風速估算模型中需要考慮到海陸站點距離。

注:黑色虛線:對角線,紅色虛線:線性擬合線,k:線性擬合斜率,填色:頻次。

無論是海上還是陸地,陣風因子(在時距T0的時間段內(nèi)持續(xù)時間為τ的最大風速與時距為T0的平均風速之比,本文中T0為2 min,τ為3 s)(Monahan and Armendariz,1971),都會隨風速的增大呈減小的趨勢,但由于下墊面的差異,也會導(dǎo)致陣風因子的差異。通過對比2016—2020年第一訓(xùn)練組海陸站點不同平均風速下的陣風因子可以看出(圖3),在不同平均風速下,陸地陣風因子的最大值、最小值、平均值等均大于海上。在平均風速為3級的情況下,陸地陣風因子平均值為2.00,海上則為1.52;在平均風速為6級情況下,陸地陣風因子平均值為1.49,明顯大于海上(1.30)。對于相同風速,陸地陣風因子的分布更為離散,平均風速在3～6級時,陸地陣風因子四分位差分別較海上偏大0.15、0.18、0.13和0.06。第二訓(xùn)練組海陸站點的情況與第一訓(xùn)練組基本相同(圖略)。海陸分布的差異會導(dǎo)致陸地上平均風速及陣風風速均小于海上。相比于陣風風速,平均風速受海陸分布影響更為顯著,因而導(dǎo)致陣風因子的明顯差異。相同平均風速情況下,陸地陣風因子更大且分布更為離散。

注:三角:平均值,橫坐標括號內(nèi)數(shù)字:樣本數(shù)。

2.2 季節(jié)影響

圖4為2016—2020年第一訓(xùn)練組海陸站點在不同季節(jié)下平均風速和陣風風速均值及兩者比值。如圖所示,海上與陸地平均風速和陣風風速的比值均在秋、冬季較大,春、夏季較小,平均風速和陣風風速比值的極差分別為0.61和0.43,表明海陸下墊面差異導(dǎo)致的海陸平均風速和陣風風速差異具有顯著的季節(jié)變化特征。沿岸陸地風速的季節(jié)變化并不顯著,平均風速極差僅為0.21 m·s-1,陣風風速極差僅為0.74 m·s-1;而沿岸海上風速具有明顯的季節(jié)變化,平均風速極差為2.39 m·s-1,陣風風速極差為3.46 m·s-1,顯著大于陸地風速極差,海上站點平均風速和陣風風速均在秋、冬季較強,春、夏季較弱,使得海陸風速差異也表現(xiàn)出類似的季節(jié)變化。第二訓(xùn)練組海陸站點的情況與第一訓(xùn)練組基本相同(圖略)。因此在構(gòu)建海上風速估算模型中需要加入月份作為預(yù)報因子,以提高海上風速估算的準確率。

圖4 2016—2020年第一訓(xùn)練組海陸站點(a)平均風速和(b)陣風風速的均值及兩者比值的季節(jié)變化Fig.4 Seasonal variation of mean value of (a) mean wind speed, (b) gust speed and the ratio of the first training group of sea and land stations from 2016 to 2020

2.3 日變化

圖5為2016—2020年第一訓(xùn)練組海陸站點的平均風速和陣風風速均值及兩者比值的日變化。如圖所示,海上與陸地平均風速和陣風風速的比值均在凌晨偏大,午后偏小,平均風速和陣風風速比值的極差分別為0.73和0.44,表明海陸下墊面差異導(dǎo)致的海陸平均風速和陣風風速差異具有顯著的日變化特征。沿岸陸地風速的日變化并不顯著,平均風速極差僅為0.22 m·s-1,陣風則僅為0.69 m·s-1;而沿岸海上風速具有明顯的日變化,平均風速極差為2.93 m·s-1,陣風則為4.19 m·s-1,顯著大于陸地風速極差,海上站點風速較大值出現(xiàn)在凌晨,較小值出現(xiàn)在午后,使得海陸風速比值也表現(xiàn)出類似的日變化。第二訓(xùn)練組海陸站點的情況與第一訓(xùn)練組基本相同(圖略)。因此在構(gòu)建海上風速估算模型時需要加入觀測時次作為預(yù)報因子,以提高海上風速估算準確率。

圖5 2016—2020年第一訓(xùn)練組海陸站點(a)平均風速和(b)陣風風速均值及兩者比值的日變化Fig.5 Daily variation of mean value of (a) mean wind speed, (b) gust speed and the ratio of the first training group of sea and land stations from 2016 to 2020

3 估算模型

利用2016—2020年數(shù)據(jù)建立基于SVM回歸方法的海上平均風速和陣風風速估算模型。數(shù)據(jù)預(yù)處理以及模型訓(xùn)練、優(yōu)化、估算和檢驗流程如圖6所示,其中數(shù)據(jù)預(yù)處理中采用Z-Score標準化方法對連續(xù)型估算因子(如平均風速、陣風風速和海陸站點距離)進行標準化處理,使用訓(xùn)練集估算因子的均值和標準差對測試集估算因子進行標準化;離散型估算因子(如月份、時次)均為有序型離散變量,直接使用相應(yīng)的月份或時次數(shù)值表示,無需進行額外的編碼以及標準化處理。

圖6 數(shù)據(jù)預(yù)處理以及估算模型的訓(xùn)練、優(yōu)化、估算和檢驗流程圖Fig.6 Flow chart of data preprocessing and training, optimization, estimation and test of estimation model

w·φ(xi)+b=0

(1)

(2)

(3)

(4)

式中:w和b分別為權(quán)重向量和頻數(shù),φ(x)代表由低維到高維的映射函數(shù),模型求解可表示為在限制條件[式(3)和式(4)]下,求解損失函數(shù)[式(2),其中C為超參數(shù)]最小。式(2)中的第一項為權(quán)重系數(shù)的L2范數(shù),在確定的ε下,其盡可能的小可允許更多的樣本誤差小于ε;C用來調(diào)節(jié)對偏差大于ε樣本點的懲罰程度,C越大,模型對這些離散點越敏感,會提高訓(xùn)練集準確度,但容易過擬合,泛化能力差。

SVM回歸模型的訓(xùn)練和預(yù)測需要計算升維后向量的內(nèi)積,使用核方法可實現(xiàn)隱式求解高維向量內(nèi)積,大大減小了計算的復(fù)雜度。SVM回歸模型常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)和徑向基核函數(shù)(又名高斯核函數(shù))。線性核函數(shù)具有參數(shù)少、速度快的優(yōu)勢,但無法實現(xiàn)升維,主要用于線性可分的問題。多項式核函數(shù)和徑向基核函數(shù)都能實現(xiàn)升維從而解決非線性問題,但前者由于參數(shù)多(三個),學習復(fù)雜度高。相比而言,徑向基核函數(shù)參數(shù)較少(僅一個超參數(shù)),可隱式計算被映射到無限維空間的兩個向量的內(nèi)積,是應(yīng)用最廣泛的核函數(shù)。由于使用陸地風速估算海上風速并非簡單的線性過程(劉京雄等,2004),因此SVM回歸模型采用徑向基核函數(shù),如式(5)所示。

K(x1,x2)=e-γ||x1-x2||2γ>0

(5)

式中:x1,x2表示原始樣本空間中的任意兩個樣本的輸入向量,γ為超參數(shù),其中γ越大,高斯核函數(shù)變化越劇烈,模型對噪聲樣本越敏感,越容易過擬合。

為找出最優(yōu)的超參數(shù)(核函數(shù)超參數(shù)γ、懲罰項C和損失距離ε),結(jié)合貝葉斯優(yōu)化的最佳參數(shù)智能搜索方法,使用交叉驗證法(Kohavi,1995)(取2016—2020年訓(xùn)練組數(shù)據(jù)的其中一年作為驗證集,其余4年為訓(xùn)練集,重復(fù)5次),以所有驗證集的均方根誤差(root mean square error,RMSE)作為評估指標,對超參數(shù)進行優(yōu)化,從而得到最終優(yōu)化后的模型。

為了找出最優(yōu)的估算因子組合,結(jié)合上述的差異特征分析,使用表1所示的估算因子組合,分別建模,并使用交叉驗證法尋求最優(yōu)超參數(shù),各模型所有驗證集的RMSE如表2所示(按平均風速RMSE降序排序)。

表2 以不同估算因子組合構(gòu)建模型的平均風速和陣風風速估算的RMSE(單位:m·s-1)Table 2 The root mean square error of the mean wind speed and gust speed of all validation sets of the model constructed with different combinations of estimation factors (unit: m·s-1)

從表2中可以看出,無論是平均風速還是陣風風速估算模型,僅使用沿岸陸地平均風速估算海上風速的RMSE(平均風速RMSE為2.577 m·s-1,陣風風速RMSE為3.220 m·s-1)均高于僅使用沿岸陸地陣風風速估算海上風速的RMSE(平均風速RMSE為2.293 m·s-1,陣風風速RMSE為2.684 m·s-1),這與上文分析得到的海陸下墊面的差異對平均風速影響更為顯著,而陣風風速的海陸差異相對較小相對應(yīng);當模型同時使用陸地平均風速和陣風風速作為預(yù)報因子組合時,平均RMSE較模型僅使用一個要素時均有所降低,說明應(yīng)同時考慮陸地平均風速和陣風風速。在使用以上估算因子組合基礎(chǔ)上,逐步增加海陸站點距離、月份以及時次分別建模,三個模型驗證集RMSE均有進一步降低,平均風速RMSE分別為2.079、1.980、1.738 m·s-1,陣風風速RMSE分別為2.497、2.204、2.044 m·s-1,這進一步說明了海陸風速差異與海陸站點距離存在相關(guān)性,且具有季節(jié)和日變化,在估算因子中增加海陸站點距離、月份以及時次可進一步提高估算模型的準確率。

綜上所述,最佳估算因子組合為沿岸陸地平均風速及陣風風速、海陸站點距離、月份、時次,使用該估算因子組合,構(gòu)建的平均風速估算模型的超參數(shù)C為2.030,γ為0.206,ε為0.446,構(gòu)建的陣風風速估算模型的超參數(shù)C為2.095,γ為0.164,ε為0.113。

4 檢驗評估

4.1 誤差檢驗

由于海上大風較高的破環(huán)力,是海上風預(yù)報服務(wù)和研究的重點,因此誤差檢驗僅針對6級及以上的平均風以及7級及以上的陣風(按海上風分級)。圖7為兩個檢驗組海上站點6級及以上平均風速和7級及以上陣風風速的模型估算的與ERA5計算的相對誤差散點分布。由圖可見,平均風速和陣風風速的相對誤差散點的橫坐標值均整體小于縱坐標值,且較多的樣本點位于對角線之上。對于兩個檢驗組的海上站點,ERA5計算的平均風速的平均相對誤差分別為20.2%和18.1%,而模型估算的分別為13.9%和14.6%;ERA5計算的陣風風速平均相對誤差分別為15.1%和13.6%,而模型估算的分別為13.6%和12.4%(表3);模型估算的平均風速相對誤差較ERA5小的樣本點占比分別為73.5%和63.0%,模型估算的陣風風速則分別為57.0%和53.0%。

圖7 2021年模型估算與ERA5計算的(a,b)6級及以上平均風速和(c,d)7級及以上陣風風速的相對誤差散點分布(a,c)第一檢驗組,(b,d)第二檢驗組Fig.7 Scatter diagram of relative errors estimated by the model and ERA5 for the (a, b) mean wind speed ≥ scale 6 and (c, d) gust speed ≥ scale 7 in 2021(a, c) the first test group, (b, d) the second test group

表3 2021年模型估算與ERA5計算的6級及以上平均風速和7級及以上陣風風速的RMSE和平均相對誤差Table 3 Root mean square errors and mean relative errors estimated by the model and ERA5 for the mean wind speed ≥ scale 6 and gust speed ≥ scale 7 in 2021

對于兩個檢驗組海上站點6級及以上的平均風速,ERA5的RMSE分別為3.16 m·s-1和3.05 m·s-1,模型估算的RMSE分別為2.40 m·s-1和2.35 m·s-1,相較于ERA5計算結(jié)果,模型估算海上平均風速RMSE分別減少了24%和23%(表3);對于兩個檢驗組海上站點7級及以上的陣風風速,ERA5的RMSE分別為3.70 m·s-1和3.21 m·s-1,模型估算的RMSE分別為3.20 m·s-1和2.57 m·s-1,相較于ERA5計算結(jié)果,模型估算的陣風風速RMSE分別減少了14%和20%(表3)。

進一步對6級及以上的平均風速以及7級及以上的陣風風速進行分級檢驗,檢驗結(jié)果如圖8所示。由圖可見,無論是ERA5計算還是模型估算結(jié)果在大部分風級下均較實測偏小,但模型估算的平均誤差較ERA5計算更接近于0 m·s-1。在不同風級下,模型估算的兩個檢驗組海上站點的平均風速的平均誤差為-2.32～0.38 m·s-1,陣風風速的平均誤差為-3.14～0.92 m·s-1,而ERA5計算的平均風速的平均誤差為-4.77～-1.80 m·s-1,陣風風速的平均誤差為-5.94～-1.39 m·s-1。同時,對于大多數(shù)風級,模型估算的海上風速的RMSE均較ERA5偏小,在不同風級下,前者估算的海上平均風速RMSE為2.25～2.79 m·s-1,陣風風速RMSE為2.54～3.67 m·s-1。

圖8 2021年ERA5計算和模型估算的(a,b)平均風速和(c,d)陣風風速在各風級下的(a,c)平均誤差和(b,d)RMSEFig.8 (a, c) Mean error and (b, d) RMSE of (a, b) mean wind speed and (c, d) gust speed calculated by ERA5 and estimated by model under different wind scales in 2021

綜上所述,對于6級及以上的平均風以及7級及以上的陣風, SVM回歸模型估算的海上風速具有較高的準確率,且優(yōu)于ERA5計算結(jié)果,可見該模型能較好地估算出海上大風。

4.2 個例對比

2021年11月21—22日(北京時,下同),受冷空氣和溫帶氣旋的共同影響,渤海、渤海海峽、黃海、東海、臺灣海峽、臺灣以東洋面、巴士海峽、南海北部海域、北部灣出現(xiàn)了8～9級、陣風10級的大風(聶高臻和黃彬,2022)。

圖9為兩個檢驗組在21日12時至22日12時實測到的風速時間序列,可以看出,海陸風速差異明顯,且模型估算的海上風速較ERA5計算更接近實測。對于第一檢驗組,海上實測的平均風速和陣風風速均值分別為15.8 m·s-1和21.5 m·s-1,遠大于其對應(yīng)的陸地站點實測風速,模型估算的平均風速和陣風風速平均絕對誤差分別為1.6 m·s-1和2.3 m·s-1,較ERA5(分別為3.4 m·s-1和4.9 m·s-1)偏小。此次過程的最大平均風速和陣風風速出現(xiàn)在21日20時,分別為21.4 m·s-1和25.9 m·s-1,同一時刻模型的估算偏差分別為-1.3 m·s-1和-0.6 m·s-1,小于ERA5在此時的風速偏差(分別為-6.9 m·s-1和-5.0 m·s-1)。對于第二檢驗組,模型估算的風速同樣整體優(yōu)于ERA5,前者平均風速和陣風風速平均絕對誤差分別為1.1 m·s-1和1.5 m·s-1,后者為2.1 m·s-1和1.8 m·s-1,在最大風速時刻(21日23時),前者的平均風速和陣風風速誤差為-1.2 m·s-1和-3.1 m·s-1,后者為-3.2 m·s-1和-3.6 m·s-1。綜上所述,SVM回歸模型估算風速較準確地反映了此次冷空氣和溫帶氣旋造成的兩個檢驗組海上站點的大風風速變化,且準確率整體優(yōu)于ERA5。

圖9 2021年11月21日12時至22日12時(a,b)第一檢驗組和(c,d)第二檢驗組站點的陸地實測風速、海上實測風速、ERA5風速以及模型估算風速對比(a,c)平均風速,(b,d)陣風風速Fig.9 Comparison of the measured land wind speed, the measured sea surface wind speed, ERA5 wind speed and the model estimated wind speed of (a, b) the first and (c, d) the second test groups from 12:00 BT 21 to 12:00 BT 22 November 2021(a, c) mean wind speed, (b, d) gust speed

5 結(jié)論與討論

利用位于我國北部沿岸的兩組浮標及其鄰近陸地觀測站2016—2020年逐小時平均風速和陣風風速數(shù)據(jù),統(tǒng)計分析了海陸風速差異特征及規(guī)律,基于SVM回歸方法,使用沿岸陸地平均風速及陣風風速、海陸站點距離、月份、時次作為估算因子組合,構(gòu)建了沿岸海上平均風速和陣風風速估算模型,并使用另外兩組海陸站點的2021年數(shù)據(jù)對估算結(jié)果進行檢驗。主要得到以下結(jié)論:

(1)海陸下墊面差異對平均風速分布的影響顯著大于陣風風速,兩組站點的海陸平均風速的線性擬合斜率分別為1.88和1.48,海陸陣風風速擬合斜率分別為1.32和1.10;海陸風速差異具有顯著的季節(jié)變化和日變化,第一訓(xùn)練組站點,不同季節(jié)的海陸平均風速和陣風風速比值極差分別為0.61和0.43,不同時次的海陸平均風速和陣風風速比值極差分別為0.73和0.44,第二訓(xùn)練組情況類似;另外,相同平均風速情況下,陸地陣風因子較海上陣風因子更大且分布更離散。

(2)使用2021年兩個檢驗組數(shù)據(jù)對模型估算結(jié)果進行檢驗發(fā)現(xiàn),對于6級及以上的平均風速和7級及以上的陣風風速,模型具有較高準確率,且優(yōu)于ERA5計算結(jié)果。對于兩個檢驗組海上站點6級及以上的平均風速,模型估算的RMSE分別為2.40 m·s-1和2.35 m·s-1,相較ERA5分別減少了24%和23%;對于兩個檢驗組海上站點7級及以上的陣風風速,模型估算的RMSE分別為3.20 m·s-1和2.57 m·s-1,較ERA5分別減少了14%和20%。對一次溫帶氣旋和冷空氣共同影響的大風過程進行檢驗發(fā)現(xiàn),模型估算風速較準確地反映出了兩個海上站點的大風風速變化。此次過程中,模型估算的兩個檢驗組海上站點的平均風速的平均絕對誤差分別為1.6 m·s-1和1.1 m·s-1,陣風風速平均絕對誤差分別為2.3 m·s-1和1.5 m·s-1,均優(yōu)于ERA5計算結(jié)果。

通過一系列分析,本文統(tǒng)計了海陸下墊面差異導(dǎo)致的海陸風速差異特征及規(guī)律,并使用SVM回歸模型,以沿岸陸地平均風速及陣風風速、海陸站點距離、月份、時次為估算因子組合,較準確地估算了沿岸海上大風。為使用豐富的沿岸陸地風速觀測數(shù)據(jù)推測沿岸海上大風,從而彌補海上觀測資料不足,提供了一種可靠、便于應(yīng)用的方法。值得注意的是,受制于海上觀測資料有限,以及海陸站點距離和海拔高度的要求,本文選取的站點均位于我國北部沿岸,因此研究結(jié)論僅適用于我國北部沿岸地區(qū)。另外,基于統(tǒng)計結(jié)果,將月份、時次作為離散的分類型預(yù)報因子加入模型中并不具備物理意義。隨著海上觀測數(shù)據(jù)的不斷豐富,后期可開展我國近海其他海區(qū)的海陸風速差異特征研究,并進一步分析不同天氣系統(tǒng)下的海陸風速差異特征,深入分析其背后的物理機制,結(jié)合物理機制和統(tǒng)計學規(guī)律,構(gòu)建針對我國近海全海域且更加準確的估算模型。