智能网格10m阵风产品对海南洋浦港适用性评估分析

赵蕾 陈亮 刘康 张天圣

智能网格10m阵风产品对海南洋浦港适用性评估分析

赵蕾1,2陈亮1,2刘康3张天圣1,2

（1. 海南省南海气象防灾减灾重点实验室 海南海口 570203；2. 海南省气象服务中心 海南海口 570203；3. 中国民用航空飞行学院遂宁分院 四川遂宁 629000）

为了更好地开展海南洋浦港预报气象服务，利用智能网格10 m风场预报产品对2018年3月8日至2020年3月8日，每日12时（世界时）起报的智能网格10 m阵风产品逐3、6、12、24、48、72 h在洋浦港的适用性进行评估，通过最临近插值法将格点预报插值到洋浦港海岛自动站，并采用不同误差分析方法，将格点预报与同期自动站观测实况数据进行对比。结果表明：不同时效、不同风力条件下，智能网格对6 级及以下阵风预报效果最好；风速大于6级时，由于样本数量较少，准确率呈递减趋势，风力等级越大漏报率越高，可信度需进一步验证。不同天气型、不同时效，预报值与自动站实况数据相比，有明显的差异；台风影响下，风力等级预报准确率最高，冷空气影响次之，热对流天气很难捕捉，且随着时效增大，准确率越低，很难预测。另外，随着阵风等级增大，预报值存在较多的漏报，尤其是7级及以上大风有低估的效果，其中很难预测热对流天气造成的大风。

智能网格；洋浦港；最临近插值法；误差分析方法

沿海大风是海上作业、船舶航行中最重要的气象因素，尤其是阵风的影响，由于海上观测资料稀少，对海上大风预报检验一直是一个难点，早期海上大风预报主要方法为经验预报[1]和统计预报[2-5]，如郭冬艳等[6]、辛吉武等[7]研究了琼州海峡南北沿岸自动站2007年9月至2010年8月风向、风速资料，并分析了最大风和极大风2种大风事件标准下的海峡沿岸大风分布规律，对研究海上大风预报有指导意义。杨程[8]等基于偏最小二乘回归方法对冬季浙江省中尺度区域模式预报的近地面风速进行订正和评估。当风速超过7级就会给海上作业带来安全隐患，因此对海上精细化预报需求越来越迫切。目前海上观测资料大多来自于船舶、浮标站、海岛站等，但这些资料的空间范围小，不能满足实际气象服务需求。近年来，海面风的监测和研究随着卫星遥感的逐渐成熟也得到一定的发展，国内很多学者用ASCAT资料反演风，在国内外得到了广泛的研究和应用。如姚日升等[9]对浙江近海冬季大风风速的推算和ASCAT风速的订正方法进行较深入的探讨，张增海等[10]将ASCAT散射计风场在我国近海进行初步检验和应用。随着用户需求提高，对精细化和准确率也提出了越来越高的要求；随着数值预报技术的发展，高分辨率的数值预报产品和数值产品释用方法已成为近年来的研究热点。吴俞等[11]将ECMWF细网格数值预报在中国南海做过预报检验，认为EC对夏季南海海域的24 h风速预报较稳定，预报时效越长，均方根误差和方差增大。方艳莹等[12]就不同天气系统下EC细网格对浙江沿海10 m风预报性能进行了评估，发现预报场和观测站点的相关性与站点地理位置、海拔高度及地形等都有较大关系。万瑜等[13]用ECMWF细网格数值预报产品在乌鲁木齐东南大风预报中进行释用，发现细网格850 hPa风矢量、10 m高度上的风等要素预报，对乌鲁木齐南郊东南大风的起止时间、风速量级及落区的预报有较好指示意义。

智能网格预报产品具有高时空分辨率特征，成为日常预报不可或缺的主要参考依据，其预报效果如何，有必要对10 m阵风预报进行检验，了解其误差特点，为今后人工订正提高参考依据，从而更好地提高海洋气象服务保障。为了更好地开展港口及沿岸气象服务。本研究利用智能网格10 m的阵风产品对海南洋浦港适用性进行评估分析。

1 资料和方法

1.1 资料来源

将站点观测值作为真实大气状态值，以此来检验评估智能网格预报的表现。本研究采用的是由中国气象局下发的1 km智能网格预报（下称智能网格预报10 m阵风），空间分辨率为1 km，时间分辨率为1 h，资料时间为2018年3月8日至2020年3月8日的，站点实况来源于同期洋浦港原油码头自动站实况数据。

1.2 方法

1.2.1 插值方法

采用KNN插值方法，该方法将临近点插值到站点。采用欧式距离计算公式计算二维空间2个点距离：

然后选择出距离最小的点，即最临近插值方法。

1.2.2 检验方法

其中用到的统计方法有：

式中，为预报值，为实况值。

首先将洋浦港原油码头自动站的观测资料与同期智能网格预报10 m阵风预报进行对比，对比前先采用欧拉计算公式，计算出离洋浦港原油码头自动站最近的网格点，将该点的预报值作为洋浦港原油码头的预报值（即临近插值方法），再与同期洋浦港原油码头自动站实测的风速进行对比分析。

2 智能网格预报与洋浦港原油码头自动站的对比分析

2.1 原油码头自动站阵风实况分布特征

首先对原油码头自动站逐时极大风实况资料进行分析，原油码头小于5级阵风出现概率最多，约占82.3%（图1），样本数量较多；其次是6级，占12.3%；7级及以上出现概率较低，样本数量较少，且极大风最大值为30.4 m/s（11级），受台风影响。另外统计了不同等级阵风月分布情况，5级及以下阵风的月分布比较均匀，波动不大；6级阵风主要出现在6—8月、10、12月，7级阵风主要出现在8和12月，8级阵风主要出现在6—8月；8级以上只出现在4、6、7、8和9月，其中4和8月最多，主要受局地热对流天气影响。

图1 原油码头自动站不同级别阵风出现概率分布

2.2 风速预报误差分析

根据2018年3月8日至2020年3月8日每日12时（世界时）起报的模式10 m阵风产品72 h内逐6、12、24、48和72 h预报，插值到洋浦港附近原油码头自动站，与实测风速进行对比分析。实际预报服务中，按照风力等级向行业用户提供服务需求，因此将风速转换成对应的风力等级。

由表1可以看出，3 h预报平均误差为正值，智能网格预报较实况略偏大；6、12、48和72 h平均误差为负值，说明智能网格预报比实况偏小，平均误差随着预报时效的增大而增大；3～48 h离散指数在0.15～0.21，离散程度较小，且随时间离散指数变化幅度不大；72 h离散指数较大，说明智能网格预报相对实况，离散程度较大，较发散。

表1 原油码头测站智能网格10 m的阵风预报产品误差

图2是不同时效风力等级预报准确率、空报率和漏报率，不同时效下，0～6级以下预报准确率较高，预报误差较小，6级以上阵风预报准确率呈递减趋势。6级以下12 h空报率最低，3和6 h空报率的趋势接近，24 h空报率最高；6级及以上，3、6和12 h空报率趋势接近，24 h空报率最高，但随着阵风级别增大，空报率呈现下降趋势。以不同时效漏报率的趋势可以看到，3、6和12 h漏报率趋势线几乎重合，24 h漏报率较低，且随着阵风级别增大，漏报率均呈现快速上升趋势。

A. 不同时效准确率；B. 不同时效空报率；C. 不同时效漏报率。

综上所述，不同时效下，智能网格对6 级及以下阵风预报，结果与实测风速最为接近，预报效果最好；风速大于6级时，由于样本数量较少，准确率呈递减趋势，风力等级越大漏报率越高，可信度需进一步验证。

3 智能网格预报10 m风在不同天气系统下的风场检验

根据实际服务需求，不同阵风大小对洋浦港口作业影响程度不同，6级及以下阵风对港口作业无影响，7级对装有化学药品的船只和装卸有影响，当阵风达到8级及以上将停止作业。因此依据影响程度，本研究将重点验证7级及以上阵风检验情况。

影响洋浦港附近海区大风的天气系统主要受南下的冷空气、台风和局地热对流3种天气影响。海南省受冷空气影响时间主要集中在11月到次年3月，因此统计2018年3月8日至2020年3月8日（包含1、2、11和12月）期间，不同等级阵风准确率、空报率和漏报率（表2）。用户一般需要1～3 d预报，因此重点检验24、48和72 h。有冷空气影响时，洋浦港沿海智能网格10 m阵风预报值与实况相比，随着预报时效的增大而增大，其中0～6级预报准确率最高，风力等级随之增大，预报准确率降低。

表2 冷空气影响下原油码头测站不同风力预报误差

对台风天气系统的判定：影响海南岛或者进入北部湾的台风，不考虑其强度，经统计，在2018年3月8日至2020年3月8日期间，影响的台风有12个。日常洋浦港用户对台风预报需求为3 d左右，因此主要验证24、48和72 h（表3）；在台风影响期间，各风力等级预报准确率的规律与冷空气影响期间类似，但预报准确率整体高于冷空气期间预报的阵风产品。

对热对流天气的判定：海南岛一般受副热带高压环流控制，天气静稳，但午后易出现热对流。主要出现在4—9月。由于热对流预报难点较大，同时结合实际服务需求，停港作业至少需要6 h，因此，主要检验短临3和6 h预报与实况对比情况（表4）。将智能网格预报与实况进行对比发现，对于局地热对流天气，智能网格预报很难捕捉到大风信息，并且风力等级越大，准确率越低。正因为如此，今后针对热对流天气产生大风天气，需要结合实时观测数据、个人预报服务经验进行人工订正。

表3 台风影响下原油码头测站不同风力预报误差

表4 热对流影响下原油码头测站不同风力预报误差

通过上述对比分析发现，台风影响期间，风力预报等级准确率最高，冷空气影响次之，热对流天气很难捕捉，且随着时效增大，准确率越低，很难预测。智能网格预报对于7级及以上热对流造成的大风有低估的效果，因此今后要加强热对流天气短临预测。

4 结论

本研究将高分辨率的智能网格阵风预报在洋浦港进行预报性能检验，结论如下。

（1）不同时效，不同风力条件下，智能网格对6 级及以下阵风预报，结果与实测风速最为接近，预报效果最好；风速大于6级时，由于样本数量较少，准确率呈递减趋势，风力等级越大漏报率越高，可信度需进一步验证。

（2）台风影响期间，智能网格阵风预报等级准确率最高，冷空气影响次之，热对流天气很难捕捉，且随着时效增大，准确率越低，很难预测。智能网格预报对于7级及以上热对流造成的大风有低估的效果。总体而言，智能网格阵风预报在台风和冷空气影响期间，预报效果较好，可为该港口的阵风预报订正提供有价值的参考。

本研究仅对智能细网格10 m阵风的预报性能进行了初步研究，为今后进行实际阵风的预报服务提供有意义的参考。但如何对港口大风预报进行订正，有待进一步研究。

[1] 刘京雄, 唐文伟, 朱持则, 等. 浙闽沿海和台湾海峡海域冬季大风风速计算方法探讨[J]. 台湾海峡, 2004, 23(1): 8-13.

[2] 毛绍荣, 林镇国, 梁健, 等. 广东沿海强东北季风的概率预报方法[J]. 热带气象学报, 2003, 19(1): 94-100.

[3] 周伟隆, 陈往溪, 肖巍. 粤东海面冷空气强风的统计分析与预报[J]. 广东气象, 2005(4): 20-22.

[4] 颜梅, 范宝东, 满柯, 等. 黄渤海大风的客观相似预报[J]. 气象科技, 2004, 32(6): 467-470.

[5] 赵金霞, 曲平, 何志强, 等. 渤海湾大风的特征及其预报[J]. 气象科技, 2014, 42(5): 847-851.

[6] 郭冬艳, 姜涛, 陈有龙. 等. 琼州海峡沿岸大风分布规律及影响系统分析[J]. 气象, 2011, 37(11): 1 372-1 379．

[7] 辛吉武, 翁小芳, 许向春, 等. 琼州海峡南北海岸带大风的天气气候特征[J]. 气象, 2009, 35(11): 71-77.

[8] 杨程, 姜瑜君, 余贞寿, 等. 基于偏最小二乘回归的区域换式风速预报订正技术研究[J]. 气象, 2019, 45(5): 676-684.

[9] 姚日升, 涂小萍, 丁烨毅, 等. 华东沿海ASCAT反演风速的检验和订正[J]. 应用气象学报, 2015, 26(6): 735-742.

[10] 张增海, 曹越男, 刘涛, 等. ASCAT散射计风场在我国近海的初步检验与应用[J]. 气象, 2014, 40(4): 473-481.

[11] 吴俞, 冯文, 李勋, 许向春, 等. ECMWF细网格10 m风场产品在南海海域的预报检验[J]. 西南师范大学学报(自然科学版), 2015, 40(9): 204-212.

[12] 方艳莹, 申华羽, 涂小萍, 等. ECMWF细网格对浙江沿海10 m风预报性能评估[J]. 中国农学通报, 2019, 35(13): 119-125.

[13] 万瑜, 曹兴, 窦新英, 等. ECMWF细网格数值预报产品在乌鲁木齐东南大风预报中的释用[J]. 沙漠与绿洲气象, 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

中国气象局公服气象服务中心创新基金项目（No.M2021013）：基于机器学习的港口大风预报服务产品研发。

赵蕾（1982—），女，高级工程师，主要研究方向为气象服务，E-mail：zhaolei328@163.com。

陈亮（1981—），男，高级工程师，主要研究方向为气象服务，E-mail：c_ray16@163.com。

（责任编辑 林海妹）