上海沿海极大风速预报方程的建立和应用

朱智慧，黄宁立，秦婷

(1.上海海洋气象台，上海201306；2.民航华东空管局气象中心，上海200335)

1 引言

上海沿海地区的长江口深水航道、洋山深水港等货运系统，对上海国际航运中心的建设和长三角地区的社会经济发展具有重要的意义，然而，这里也是我国海难频发的地区之一，海上大风是造成海难事故的重要原因[1-2]，因此提高海上大风的预报准确度十分必要。很多学者进行过海上大风预报的研究，并建立了一些有效的方法。陈锦冠等[3]分析了10 min平均最大风速与极大风速的关系，并建立了两种风速的回归方程。一些研究[4-5]利用人工神经网络方法建立了沿海的极大大风预报模型。涂小平等[6]利用KNN 方法建立了中国近海11-3月的日最大风速预报模型，该方法对近海测站日最大风速有较好的预报能力。林良勋等[7]用经验加统计的因子挑选方法，形成了一套应用日本数值预报模式输出、适用于广东海面强风预报的完全预报（PP）方法。

如今，数值模式成为现代气象业务的主要预报手段，但是数值模式预报的风为平均风，而日常的预报业务和服务需求更关注的是极大风速[8]。目前，利用数值模式预报的风场来估计极大风速，主要还是根据预报员的主观分析，缺少客观的评估方法，因此，分析上海沿海2 min平均风速和极大风速的关系，建立两者关系的客观方程，将有助于预报员更加准确的进行上海沿海的大风预报。

2 资料与方法

2.1 资料

本文所使用的资料为：

（1）上海沿海3 个浮标站的实测资料，分别为海礁浮标（122.93°E，30.41°N）、洋山浮标（122.05°E，30.62°N）、黄泽洋船标（122.56°E，30.51°N）。资料时间段为2010年1月1日—2011年3月15日，时间分辨率为1 h；

（2）上海台风研究所中尺度WRF模式20时（北京时）预报风速数据。数据时间段为2010年1月1日—2011年3月15日，空间分辨率为9 km，时间分辨率为1 h。在本文的分析中，均取离浮标站最近的WRF模式格点数据代表该站点的风速预报值。

2.2 回归分析方法

设y 为极大风速，x 为2 min平均风速，x，y 的关系由一元n 次回归方程确定，即：

为了分析不同回归方程的效果，本文分别建立了x 和y 的一元一次、一元二次、一元三次和一元四次回归方程。

2.3 预报评分方法

在风速预报进行检验时，将预报风速与实测风速的绝对误差Δv 作为评分标准[5,9]。即：Δv ≤1 m/s，TS=100；1 m/s＜Δv ≤2 m/s, TS=80；2 m/s＜Δv ≤3 m/s,TS=60；3 m/s＜Δv ≤4 m/s，TS=50；Δv ＞4 m/s，TS=0。

3 回归方程建立和拟合结果分析

3.1 回归方程建立

在日常的海洋预报中，预计未来将出现6级（≥10.8 m/s）以上大风就要考虑发布大风预警，而2 min平均风速达到5级（≥8.0 m/s）就可能出现6级阵风，因此本文针对5 级以上的2 min 平均风速和极大风速进行了分析。

剔除缺测数据和有误数据，本文得到的3 个浮标站的样本个数分别为：海礁浮标1974 个，洋山浮标636个，黄泽洋船标2158个。对海礁浮标和黄泽洋船标，取后500个数据进行试报，前面的数据用来建立单站回归方程，对洋山浮标，因为2 min平均风速5 级以上的样本数较少，取后200 个数据进行试报。

首先，计算了建立拟合方程的2 min 平均风速和极大风速的相关系数，见表1。

表1 各站点x 和y 的相关系数

从表1 中可以看到，3 个浮标的2 min 平均风速和极大风速都具有很高的相关性，通过了信度0.01的相关性检验（t0.01=0.24），这说明两种风速具有很明显的内在联系。

以海礁浮标为例，对x 和y 进行回归分析得一元一次、一元二次、一元三次和一元四次回归方程分别为：

计算实测极大风速和利用一元一次、一元二次、一元三次和一元四次回归方程求得的拟合极大风速的相关系数见表2。

表2 n 次回归方程拟合极大风速与实测极大风速的相关系数

从表2中可以看到，对海礁浮标，建立的一元一次、一元二次、一元三次和一元四次回归方程计算得到的极大风速与实测的极大风速具有很高的相关性，通过了信度0.01 的相关性检验，这说明几种回归方程的拟合效果都很好，其中，一元一次方程的拟合效果最好，拟合极大风速与实测极大风速的相关系数达到了0.9414。因此，在实际预报业务中，仅用一元一次回归方程就能取得很好的预报效果。其他两个浮标站的一元一次回归方程分别为：

洋山浮标：y1=1.29x-0.44

黄泽洋船标：y1=1.21x-0.07

它们的拟合极大风速与实测极大风速的相关系数分别为0.92 和0.95，这说明，对这几个浮标站，一元一次回归方程都能很好得反映2 min平均风速和极大风速的关系。

从图1 中可以看到，随着2 min 平均风速的增大，极大风速也基本呈线性增长，两者的分布形态呈现较好的线性相关性，回归方程很好的反映了两种风速的线性关系。

图1 实测极大风速与拟合极大风速（海礁浮标）

3.2 极大风速拟合方程误差分析

分析3个浮标站的拟合极大风速和实测极大风速的误差，结果见表3，表中正偏差代表预报值比观测值大，负偏差代表预报值比观测值小。

从表3中可以看到，3个浮标实测数据与拟合数据的平均绝对误差均小于1 m/s，但对一些较大的值，拟合效果较差，黄泽洋船标的最大绝对误差达到了12.8 m/s。3 个浮标的拟合数据都是以正偏差为主，这说明拟合方程以偏大的情形居多。3 个浮标中，Δv ＞2 m/s 的样本数都在5%以下，Δv ＞4 m/s和Δv ＞6 m/s 的样本数最多分别只有0.3 %和0.1%，由此可见，对3个浮标站，回归方程的拟合效果都比较理想。

3.3 上海沿海极大风速通用预报方程的建立

利用3 个浮标都有实测数据的时次，共计417 个样本，建立上海沿海2 min平均风速和极大风速的通用一元一次回归方程，结果如下：

可以看到，上海沿海2 min 平均风速和极大风速通用回归方程与单站计算的回归方程的系数a0和a1比较一致，因此在实际业务中，对上海沿海极大风速进行估计时，可以采用通用回归方程。

表3 实测极大风速与拟合极大风速误差分析

4 数值模式试报结果分析

通过以上的分析，已经得到了利用2 min 平均风速计算极大风速的客观方程，在实际业务中，只要利用数值模式输出的10 m 风速就可以进行极大风速的估算。但是数值模式与实况相比，会有误差，因此在使用数值模式的预报结果前，首先要对数值模式的预报结果进行检验。利用3 个浮标2010年1月1日—2011年3月15日的观测数据对WRF 模式的0—24 h 风速预报进行检验，样本均为2 min 平均风速5 级以上的观测数据和对应时次的模式预报数据，结果给于表4。

表4 WRF模式0—24 h风速预报检验

从表4 中可以看到，WRF 模式对3 个浮标站的风速预报都与实况比较接近，相关系数分别达到了0.72、0.56 和0.52，超 过 了 信 度0.01 的 检 验（t0.01=0.24）。其中，对海礁浮标的预报效果最好，平均绝对误差为1.4 m/s，Δv ＞2 m/s 的样本数仅占23.2%，而Δv ＞4 m/s 和Δv ＞6 m/s 的样本数则只有4.6 %和0.9 %，预报评分为82；对洋山浮标的预报效果最差，平均绝对误差为2.5 m/s，Δv ＞2 m/s 的样本数为51.0%，而Δv ＞6 m/s的样本数为5.0%，预报评分为76，此外，WRF 模式对洋山浮标的预报正偏差显著，样本数达到了93.9 %。

利用建立的单站极大风速预报方程和300 个WRF模式0—24 h风速预报样本，对0—24 h极大风速进行试报，并与实测极大风速进行对比，结果见图2和表5。

图2 实测极大风速与预报极大风速（海礁浮标）

从图2 中可以看到，海礁浮标实测极大风速与预报极大风速具有较为一致的变化，对大部分的样本，两者的数值都比较接近。预报极大风速与实测极大风速相比，既有偏大又有偏小，而且对少数样本偏差较大。

从表5中可以看到，3个浮标实测极大风速与预报极大风速都具有较好的相关性，相关系数分别为0.75、0.50 和0.64，平均绝对误差均在2.0 m/s 以下，最大1.9 m/s。3 个浮标中，海礁浮标和黄泽洋船标的预报极大风速以负偏差为主，洋山浮标以正偏差为主。3个浮标中，Δv ＞2 m/s的样本数都在40%以下，最多的洋山浮标为37.8%；Δv ＞4 m/s 的样本数都在10%以下，最多的洋山浮标为9.3%；Δv ＞6 m/s的样本均在4%以下，最多的洋山浮标为3.1%。3个浮标极大风速预报的预报评分均在74 分以上。由此可见，对3个浮标站，利用建立的极大风速客观预报方程和数值模式结果进行的的极大风速预报效果都比较理想。

5 结论与讨论

通过对上海沿海2 min 平均风速与极大风速的关系进行分析，并利用WRF模式预报结果进行极大风速试报，本文主要得出以下结论：

（1）上海沿海2 min 平均风速与极大风速具有明显的线性相关性。对这几个浮标站，单站一元一次回归方程都能很好得反映2 min平均风速和极大风速的关系。3个浮标实测数据与拟合数据的平均绝对误差均小于1 m/s。3个浮标的拟合数据都是以正偏差为主，这说明拟合方程以偏大的情形居多。3 个浮标中，Δ v ＞2 m/s 的样本数都在5 %以下；

表5 实测极大风速与预报极大风速误差分析

（2）上海沿海2 min 平均风速和极大风速的通用回归方程和单站回归方程具有较为一致的回归系数，在实际业务中，对沿海极大风速进行估计时，可以采用通用回归方程；

（3）WRF模式对3个浮标站的风速预报都与实况比较接近，平均绝对误差均小于2.5 m/s, 预报评分在75 分以上，利用WRF 模式风速预报的极大风速与实测极大风速都具有较好的相关性，相关系数分别为0.75、0.50 和0.64，平均绝对误差均在2 m/s以下。3 个浮标中，预报极大风速和实测极大风速Δ v ＞4 m/s的样本数都在10%以下，Δ v ＞6 m/s的样本均在4%以下。3 个浮标极大风速预报的预报评分均在74分以上。说明对3个浮标站，利用建立的极大风速客观预报方程和WRF 模式结果进行的的极大风速预报效果都比较理想。随着未来数值模式预报准确度的提高，利用这种客观方法计算的极大风速也将更加准确。

[1]黄少军,薛波,石磊,等.渤海海峡客滚船海难事故与大风事件关系分析[J].气象与环境学报,2006，22(3):30-32.

[2]刘学萍.烟台海域海难事故气象条件分析及预防对策[J].气象,2001,27(3):55-57.

[3]陈锦冠,林少冰.10分钟平均最大风速与极大风速评估方程的建立[J].气象,2001,27(10):38-41.

[4]胡波, 杜惠良. 浙江省沿海海面日极大风预报[J]. 海洋预报,2006,23(S):64-67.

[5]陈德花,刘铭,苏卫东,等.BP 人工神经网络在MM5 预报福建沿海大风中的释用[J].暴雨灾害,2010,29(3):263-267.

[6]涂小萍,赵声蓉,曾晓青,等.KNN方法在11-3月中国近海测站日最大风速预报中的应用[J].气象, 2008,34(6):67-72.

[7]林良勋,程正泉,张兵,等.完全预报（PP）方法在广东冬半年海面强风业务预报中的应用[J].应用气象学报,2004,15(4):485-490.

[8]黄世成,周嘉陵,程婷,等.工程区台风大风灾害评估方法的研究与应用[J].防灾减灾工程学报,2009,29(3):329-335.

[9]朱智慧,黄宁立.全球谱模式T639产品在南汇站风速预报中的统计释用[J].大气科学研究与应用,2011,40:30-37.