臺風影響期間文昌航天發射場淺層風預報技術研究

貴志成 王艷瑩 趙小平 甘思舊

（1 63796部隊，西昌 615000；2 民航海南空管分局，海口 570100）

0 引言

淺層風是近地面層中的風，近地面層是大氣邊界層最接近地表面的部分，約為距離地表10～100 m的大氣。航天發射任務中，火箭在垂直轉運和加注發射階段，遇到強淺層風天氣，可能會影響航天發射任務成敗，因此淺層風預報一直是航天氣象保障的重點。熱帶氣旋是最具破壞力的自然災害之一[1]，文昌航天發射場（以下簡稱場區）位于海南島東北海岸，年平均受到3.58個熱帶氣旋影響，大多數臺風都是從東南方向移近海南島，海南島東部海岸受臺風影響最嚴重，受到臺風影響時間也較長[2]。而出現強淺層風天氣個例中，熱帶氣旋造成的淺層風風速大、大風影響時間長、風速變化規律較復雜。夏秋季場區頻繁受到臺風影響，受臺風影響時淺層風變化特征一直是淺層風預報研究的重點和難點。日常淺層風預報保障中，臺風影響文昌場區時淺層風風速的定量化研究較不足，臺風開始影響的具體時間也較難把握，如2016年臺風莎莉嘉登陸萬寧時，24 h風速預報最大偏差為14.5 m/s。場區受臺風影響時，淺層風強風是造成設備設施的損壞、危害人員安全的主要因素，提高淺層風預報準確率可以為航天發射任務氣象保障提供支撐。

目前對臺風機理研究和臺風引發區域大風研究的主要方法是基于動力學的數值模擬分析[3-5]。孫學金等[6]利用WRF-LES模式對大氣邊界層內大尺度湍渦進行解析，提高了干旱湖區近地面風場數值模擬的真實性和準確性。馮慧敏等[7]利用數值預報資料進行鄭州市地面風的多模式預報試驗，發現在數值預報的基礎上，通過統計降尺度預報能進一步提高地面風預報準確率。

對基層氣象預報員來說，統計學方法在計算效率和應用層面上較數值模式更具優勢，在數據趨勢描述方面，線性回歸具有直觀性和簡潔性。黃奕武等[8]利用T639數據線性回歸方法，建立了臺風中心預報誤差與環境風整層垂直切變的24～120 h線性預估模型，且預估模型有較好的預估效果。農吉夫[9]也通過條件數分析方法，建立了西北太平洋臺風強度多元回歸模型。科研單位主要研究重點為臺風發生發展機理和臺風結構分析，地方業務單位主要進行地面風預報，對淺層風的預報技術研究較少。風力發電站有淺層風精確預報的需求，但是大多是向氣象公司尋求商業服務，利用統計學方法進行臺風影響時淺層風特征及其預報技術的研究相對較少，本文針對業務工作中的實際需求，以提高預報準確率為目的，通過統計分析的方法研究臺風影響場區時淺層風預報偏差的影響因子，進行因子設計試驗，建立受臺風影響時場區淺層風24 h預報回歸方程。

1 數據來源及統計范圍

淺層風實況數據是架設在文昌場區內的三個淺層風測風塔探測2015—2017年50 m高度10 min平均風向風速。資料統計范圍為2015年6月—2017年10月影響場區的9個臺風個例。

場區淺層風受臺風影響日的定義：

1）臺風開始影響日：淺層風風速比上一日平均風速增大4 m/s或以上。

2）臺風影響結束日：當日淺層風平均風速比前一日淺層風平均風速減小4 m/s且最大風速小于10 m/s，則前一日為臺風影響結束日。

2 淺層風預報偏差分析

2.1 預報概況

場區24 h淺層風預報共分為四段，分別為18：00—24：00、00：00—06：00、06：00—12：00、12：00—18：00。預報每個時段50 m高度最大風速和最大風對應風向。根據臺風影響場區的定義，共篩選出受臺風影響日數26 d，每天數據分為4段，共整理了臺風影響場區共26 d（104段）實況和預報數據。26 d淺層風24 h預報準確率為67 %，離淺層風精準精細預報的要求還有一定差距。

2.2 預報偏差的過程能力分析

臺風影響期間，由于淺層風風速較大，風向變化相對連續[10]，淺層風風向預報準確率高，按照風向的評分標準基本不會出現風向預報錯誤的情況，因此本文主要對風速預報偏差進行分析。

通過正態檢驗發現，淺層風預報偏差服從正態分布，且各數據間相互獨立，可以進行過程能力分析。過程能力指數反映過程在受控狀態下時，客戶要求與過程表現（產品質量或服務質量的變動程度）的比值，如果過程表現越能滿足顧客要求，則過程能力指數值越大[11]。

根據淺層風預報評定標準，設定目標為淺層風預報準確率大于80 %，假設24 h 4段淺層風預報和實況風速偏差均小于等于3 m/s時，預報準確率為84 %（在風向全部正確的情況下），滿足目標要求。因此將上下限規定為±3 m/s，即USL=3 m/s，LSL=?3 m/s。

通過計算得到各段淺層風預報偏差的能力直方圖（圖1），其中，Cp值反映過程的潛在能力，Cp值越大，則過程受控程度越高，Cpk反映過程的實際表現，能反映出工序偏離規格中心的問題，Cpk值越大，則過程偏移量越小。

淺層風預報平均絕對偏差為3.46 m/s，預報偏差組內標準差為4.72，平均偏差Cp值為0.21，Cpk值為0.13，4段淺層風預報偏差都存在正偏倚情況，即實況風速大于預報風速出現次數較多。

3 臺風關鍵因子的識別

從臺風特點出發，考慮臺風強度、臺風相對場區位置和臺風與場區距離三個影響因素與預報偏差的關系[12]，通過統計發現，臺風與場區距離對預報偏差有正相關關系，即臺風距離場區越近，越容易出現預報偏差。接下來將對臺風強度、臺風相對場區位置兩個要素與預報偏差的關系進行分析。

3.1 臺風強度與預報偏差的分析

從影響場區淺層風臺風強度對預報偏差的卡方檢驗來看（圖2），熱帶風暴級出現的頻數最高，且對預報偏差的貢獻率最大，其次為強熱帶風暴級影響場區時容易出現淺層風預報偏差。熱帶低壓級雖然出現頻數第二，但是對預報偏差的貢獻率較小，即熱帶低壓影響場區時淺層風預報偏差較小。總的來說不同強度臺風對預報偏差有顯著差異，但二者并不是呈正/負相關關系。

圖1 淺層風預報偏差的過程能力分析Fig. 1 Analysis of process forecast capability based on shallow layer wind forecast deviations

3.2 臺風方位與預報偏差的分析

影響海南島臺風生成源地為南海和西太平洋，臺風主要從海上向西或西北方向移動影響場區[13]，不同方位的臺風對場區淺層風的影響有一定差別，為了將不同方向移近并影響場區的臺風進行區分，對受臺風影響時淺層風風向進行劃分，將水平方向風向劃分為八個象限，角度分別為（0°≤第一象限＜45°、45°≤第二象限＜90°、90°≤第三象限＜135°、135°≤第四象限＜180°、180°≤第五象限＜225°、225°≤第六象限＜270°、270°≤第七象限＜315°、315°≤第八象限＜360°），按照八個象限對淺層風風向進行劃分，不同的象限反映出臺風相對于場區的方位。通過統計風向和預報偏差的卡方擬合度檢驗（圖3），發現場區受到臺風影響的風向主要在第一至第六象限，未出現第七、第八象限風向。場區淺層風風向為七、八象限時，臺風位于場區西北方向，很有可能已經登陸大陸地區，臺風登陸后強度減弱明顯，大風區影響范圍也顯著減小，因此對場區影響也不明顯。從圖中分析可以發現，風向為第一、第三象限時對淺層風偏差貢獻率最大，且出現頻率也較高，第六象限卡方值的貢獻較大，但主要為負貢獻。臺風影響場區時，南風（包括西南風、南風、東南風）比北風（包括西北風、北風、東北風）出現偏差的可能性更高，淺層風為北風時臺風位于場區東側海上，淺層風為南風時，臺風位于場區西側，很有可能已經登陸海南島，因此臺風中心距離場區位置相對于北風時更近，風速變化幅度更大，所以也更容易出現淺層風預報偏差。

4 臺風影響時淺層風預報方程建立與檢驗

圖3 影響場區淺層風預報偏差和風向的卡方擬合度檢驗Fig. 3 The goodness of Chi-Square fitting test between shallow wind forecast deviation and typhoon wind direction

臺風的預報主要依靠數值預報模式，數值預報模式對未來24 h內臺風強度的預報準確率可達80 %左右[14]，24 h內臺風路徑預報的偏差不超過100 km。淺層風預報中主要參考場區附近數值預報低層風速，在研究中發現，建立回歸方程時選取925 hPa高度風場作為回歸方程自變量有較好的顯著性。因此在建立回歸方程時考慮四個自變量，分別為925 hPa數值預報風速、臺風強度、臺風象限、臺風相對場區距離。

由于數值預報產品中925 hPa高度風場分辨率為0.25°×0.25°，場區位置沒有處于數值預報網格點中，因此選取場區周圍4個網格點進行數據分析（圖4），4個點的經緯度分別為場區左上（19.75°N，110.75°E）、左下（19.50°N，110.75°E）、右上（19.75°N，111.00°E）、右下（19.50°N，111.00°E），下文分別以a、b、c、d代表4個網格點，對4點數據進行單因子試驗設計。

4.1 數值預報風速的單因子檢驗

分別對選取的4點數據進行一天4段的相關性分析（表1），從表中可以看到，a、b、c、d點和四點平均與實況的相關系數均在0.6以上，且均通過水平為95 %的可信度檢驗，縱向來看，數值預報與第一段實況的相關系數最大為0.81，與第四段實況的相關系數最小為0.68，相關系數由第一段實況向第四段實況逐漸遞減。橫向比較a、b、c、d點和四點平均與實況的相關系數，發現各點之間相關系數差異較小，a點和四點平均與實況的相關系數略大。

圖4 場區位置及網格點的選取Fig. 4 Location of the site and grid selection

表1 數值預報與實況序列的相關系數Table 1 Correlation coefficient between numerical prediction and observed data

分析各點數據與實況風速偏差的基本統計量（表2），可以看到，b點的平均偏差值最小，四點平均偏差數據的標準差、標準誤差最小。綜合考慮相關系數與基本統計量結果，選取相關系數最大，且偏差的標準差、標準誤差最小的四點平均數據作為擬合方程中的基本數據。

表2 各點數值預報值與實況偏差的基本統計量 Table 2 Basic statistics of numerical prediction and observed data deviation in different grids

通過相關性檢驗可以發現，數值預報風速與實況風速有很高的相關性，而臺風強度、臺風方位、臺風距離與實況風速的相關性均不超過±0.3，因此在因子設計中主要分析這三個要因與實況風速的檢驗。

4.2 因子設計分析

為了確定因子對響應變量的影響，確定關鍵因素的適當設置以取得響應變量的變異最小化。對925 hPa數值預報風速、臺風強度、臺風方位（象限）、臺風與場區距離四個因子進行因子設計。考慮到進行因子設計、選定回歸模型后要進行模型效果檢驗，因此在進行因子分析時選取2015—2016年場區受臺風影響的17 d×4段共68段數據，在模型效果檢驗階段選擇2017年5次臺風的9 d×4段共36段數據進行效果檢驗。

因子設計階段共設計三組對照試驗（表3），通過因子逐步剔除的方法，將回歸方程中不顯著項剔除，方程中自變量能通過顯著性檢驗，則方程的穩定性較高，因此試驗1至試驗3的因子數量逐漸減少。在建立回歸方程過程中，首先考慮回歸方程的穩定性，其次考慮回歸方程擬合度。

對比三組試驗回歸效果（表4），其中S為殘差的標準差，R-Sq為回歸模型誤差占總誤差的百分比，取值范圍為0～100%，數值越大，表明回歸模型數據溫和越好。R-Sq（調整）為調整后的R-Sq，與R-Sq數值越接近，表明回歸模型越可靠。各試驗間S、R-Sq和R-Sq（調整）差距不大，但從因子的顯著性來看，試驗3中各因子都能通過顯著性檢驗，而且在回歸效果差距不大的情況下，選擇更少的因子可以節約計算量。

表3 試驗設計及各試驗回歸方程Table 3 Tests designs and the regression equations

表4 各試驗效果對比Table 4 Comparison of test results

4.3 試驗3可靠性分析

通過逐步剔除法找到試驗3為最理想回歸方程，對試驗3回歸方程的可靠性進行分析，回歸方程的顯著性檢驗P值為0.0，可以通過可信度為99 %的顯著性檢驗。從回歸方程的殘差圖中可以看到（圖5），圖5a為殘差正態性概率圖，累計的概率點列沿對角線分布，則說明殘差服從正態分布，且概率點越接近對角線分布，說明回歸效果越好。圖5b為響應變量對應的殘差圖，殘差點在橫軸上下隨機波動，即不存在某種連續性的波動趨勢。圖5c為殘差的正態分布圖，可以看到殘差分布集中的區域為?4～4。圖5d為按觀測值順序的殘差分布，殘差分布為隨機波動。通過對殘差圖的分析，認為試驗3回歸方程（Y=12.2+0.523×風速?0.0133×距離）穩定性較好，且方程結果不發散，是逐步剔除試驗中的最優選擇。

4.4 回歸方程效果檢驗

將2017年9d 36段風速數據代入試驗3回歸方程Y=12.2+0.523×風速?0.0133×距離，算出預報風速后與實況對比，對偏差進行過程能力分析（圖6），偏差的組內標準差為3.74，整體標準差為3.68，Cp值為0.27，Cpk值為0.19。

將試驗3的回歸驗證結果與淺層風預報偏差的過程能力分析進行對比（表5），回歸方程得到預報風速有8次偏差大于等于4 m/s。改進前預報偏差有12次風速大于等于4 m/s。建立回歸方程后得到的回歸風速標準差比改進前減小21 %，Cp值提高28 %，Cpk值提高46 %，說明運用回歸方程的預報準確率有提升、穩定性更好。

5 結論

本文通過分析2015—2017年臺風影響場區的26 d淺層風實況、24 h預報數據，分析預報偏差與臺風強度、臺風與場區方位的關系，找出建立回歸方程的4個因子（數值預報925 hPa風速、臺風強度、臺風方位、臺風與場區距離），通過因子試驗設計，找到顯著性和穩定性最高的淺層風預報回歸方程，并對最優回歸方程進行數據檢驗，通過研究發現：

1）不同臺風的強度、臺風的方位對淺層風預報偏差影響不同，這種影響為非線性關系。

2）場區周圍4點算數平均的數值預報925 hPa風場數據與實況偏差最小，最適合作為建立回歸方程的自變量之一。

3）利用2015—2016年72段數據，通過因子分析試驗發現，臺風強度、臺風方位兩個因子在回歸方程中顯著性不明顯，選取顯著性、穩定性最高，且標準差最小的試驗3方程作為淺層風預報回歸方程。

4）利用2017年36段數據對試驗3回歸方程效果進行檢驗，發現回歸方程能有效減小預報偏差，且減少較大誤差出現次數，回歸效果較好。

圖5 試驗3風速的殘差四合一圖Fig. 5 Four-in-one diagram of wind speed residuals in test 3

圖6 試驗3回歸方程的效果檢驗Fig. 6 The verification of regression equation in test 3

表5 試驗效果對比Table 5 Comparison of verified results

通過建立風速預報回歸方程，可以有效提高24 h預報準確率，但由于場區受臺風影響時淺層風數據積累不夠多，還需進行資料收集，通過增大樣本數據個數改善回歸方程。后續研究中還應進行回歸方程效果評定，針對臺風影響后期風速明顯減小時擬合效果不好的情況進行改進提高。