復雜地形下高精度風場融合預報訂正技術在冬奧會賽區風速預報中的應用研究*

楊 璐 宋林燁 荊 浩 陳明軒 曹偉華 吳劍坤

1 北京城市氣象研究院，北京 100089

2 北京市氣象臺，北京 100089

提 要： 幾乎所有的數值預報模式都存在系統偏差。雖然目前利用統計訂正方法降低個別站點的風速偏差已經取得了一些成功，但基于站點的訂正具有空間局限性，仍迫切需要基于格點開展復雜地形下高精度風場的融合預報偏差訂正。本研究提出了一種復雜地形下北京冬奧賽區不同海拔高度高精度風場的融合預報訂正技術。首先利用冬奧山地賽區及周邊133個自動氣象站風場實況觀測資料與睿圖-睿思系統高精度風場預報數據相結合，利用統計偏差訂正方法，獲取各站點1～12 h的平均系統偏差，然后再將地形降尺度后的中國氣象局北京快速更新循環數值預報系統高分辨率風場利用格點偏差訂正系數優化后作為背景場融合觀測資料，更好地捕捉局地地形對山區風場的影響。結果表明，本方法極大程度降低了風速的系統性偏差，風速預報誤差顯著降低，12 h風速平均絕對誤差和均方根誤差降低率最高達40%以上。經過適當的修改，這種方法也可以應用于對其他變量的偏差訂正上。

引 言

風的預報是精細化預報產品的重要組成部分，也是政府和公眾重點關注的預報要素之一。復雜地形條件下，風場微尺度的高度非均一性特征(劉敏等，2010)，對估計潛在風能源生產、建筑發展規范和評估及與潛在大風有關的災害(楊璐等，2018a；2018b)非常重要。2022年北京冬季奧運會(簡稱冬奧會)(Chen et al, 2018)舉辦時間臨近，冬奧會雪上項目賽區地處山地，地形比較復雜，而風的預報結果對冬奧會室外賽事至關重要，大風天氣可能會導致冬奧會多項賽事及賽事運維服務都受到明顯影響。

目前大多數風場預報產品，都來自于區域或全球尺度數值天氣預報模式，因其擁有豐富的物理參數化方案，能很好地捕捉中尺度天氣事件，模擬氣象場的平均狀態；但基于動力過程的預報本身存在初始條件偏差和模式自身的不確定性，使得數值模式目前還不具備捕捉大氣小尺度特征和微尺度湍流運動能力(Winstral et al, 2017)。復雜地形下風場預報的準確率也一直是風能研究和氣象研究領域的難點和重點(程雪玲等，2015；李艷等，2015)。

中國氣象局北京快速更新循環數值預報系統(CMA北京模式，CMA-BJ)，是目前華北區域的中尺度區域數值預報業務系統，采用快速更新循環同化預報方式運行，以歐洲中期天氣預報中心(ECMWF)的全球預報為背景場(以下簡稱EC)冷啟動，同化包括地面、探空、飛機報、地基GPSZTD等在內的觀測資料，每3 h滾動更新預報(范水勇等,2009;童文雪等,2018)。CMA-BJ模式輸出的近地面風場，是基于模式地形，通過使用有效的(地形)粗糙度和邊界層方案，對復雜地形的影響進行參數化設置，但實際上這種參數化方案只是有效模擬了天氣尺度系統下的地形拖曳。而在復雜地形下，許多站點位于山區，狹窄峽灣、山谷眾多，風場在微尺度上動態及非線性的流動特性(Wood, 2000)都可能對局地風產生極大影響。

目前，使用動力降尺度方法(Lee and Lundquist, 2017；劉郁玨等,2019)來獲取更高分辨率風場產品及風速偏差訂正的嘗試。雖然在一些特定的個例測試中已取得了一些成功，但由于缺乏批量檢驗以及計算資源需求過大的原因，對于模式參數方案的特定配置還沒有被納入常規的模式預報框架中(Wagenbrenner et al,2016)，暫時無法滿足精細化預報的業務需求。能夠捕捉天氣系統精細結構信息的高時空分辨率綜合氣象觀測資料、多源實況融合分析技術以及多尺度數值預報模式的快速發展和支撐，為精細化網格預報發展提供了堅實的基礎和必要的前提條件(金榮花等，2019)。在模式預報基礎上利用實況觀測資料進行空間和時間上的統計降尺度和偏差訂正(曹勇等，2016; Michelangeli et al, 2009; Curry et al, 2012; 江瀅等, 2013; Winstral et al, 2017; 于麗娟等，2017)是非常必要和有效的，而且相比動力降尺度方法計算量更小。但目前基于統計訂正的研究主要是針對低海拔到中海拔高度地區的低風速區域，或者只包含少量的高海拔高度地區的大風區域(Huang et al, 2015; Trubilowicz et al, 2016)。而且之前的許多研究都是基于站點的訂正(Kirchmeier et al, 2014)，但是，基于站點的訂正具有空間局限性(Winstral et al, 2017)，因此迫切需要基于整個模型網格開展偏差訂正(曾曉青等，2019)。

睿圖-睿思(RMAPS-RISE)系統(陳康凱等，2020)，基于CMA-BJ模式和自動氣象站觀測資料，利用多源數據融合技術、偏差訂正技術(楊璐等，2019；程叢蘭等，2019；宋林燁等，2019)及高分辨率地形降尺度技術，可以實現10分鐘更新、百米級空間尺度的冬奧會賽區風場臨近、短時預報。睿圖-睿思風場一方面能夠繼承CMA-BJ模式完備的參數化方案，將具有中尺度動力特征的初始風場降尺度到更精細的網格點上，并利用松弛迭代算法保持風場的質量守恒，更好地描述復雜地形特征下高分辨率格點流場的動量和能量；另一方面又能夠在百米級尺度高精度地形條件下更快地吸收和融合觀測資料，顯著提升了復雜地形下風場的預報能力。但基于觀測資料融合和地形降尺度的偏差訂正技術對于風場預報能力的提升主要體現在短時臨近預報時效內，6 h以后風場預報基本為地形降尺度后的數值預報結果，預報性能較CMA-BJ模式改進有限。而CMA-BJ模式在復雜地形區域對近地面風速模擬又存在較大系統性偏差，呈現出對平原、山谷風速高估及對山腰、山頂地區風速低估的現象(劉郁玨等, 2019)。Neilley and Hanson(2004)提出消除系統偏差是數值模式釋用方法降低整體誤差的最有效途徑。

本研究綜合考慮多源實況融合分析技術與復雜地形下高精度風場偏差訂正技術，利用冬奧會山地賽場區域及其周邊地區不同海拔高度上收集的133個自動氣象站風場實況觀測資料與睿圖-睿思系統高精度風場預報數據相結合，利用統計偏差訂正方法，獲取復雜地形下133個站點1～12 h的平均系統偏差，將降尺度后的高分辨率風場利用格點偏差訂正系數優化后再作為背景場融合觀測資料，以實現復雜地形下不同海拔高度上高精度風場的融合訂正優化，更好地捕捉局地地形對山區風場的平均影響。研究包括大量山區站點的大風天氣，而且適用于整個冬奧賽區高分辨率格點場的訂正。

1 資 料

文中所發展的統計偏差訂正方法將最終應用于睿圖-睿思系統冬奧會賽區百米級分辨率10 m風場預報性能的改進。睿圖-睿思系統是北京城市氣象研究院研發的短時臨近融合預報系統，具有快速更新、資料融合、無縫隙、集合集成預報這幾個重要特點。睿圖-睿思系統以2022年北京冬奧會山地賽場區域及其周邊地區(100 km×100 km)作為運算范圍，覆蓋了張家口崇禮和北京延慶海陀山這兩個冬奧會重點高山賽區(圖1)，目前已形成了冬奧會重點區域百米級分辨率0～12 h短時臨近無縫隙精細分析和預報實時產品，數據格點分辨率為100 m，逐10 min快速更新循環，在2019—2020年冬季冬奧會測試賽和預報員冬訓期間提供了支持，尤其為 0～3 h 的地面2 m溫度、10 m風場短時臨近預報提供了很好的技術支撐。

文中選取的資料包括2020年1—3月睿思系統冬奧賽區高精度風場融合預報訂正技術改進前后的2 min平均10 m風場格點預報產品，以及研究范圍內參與融合和用于格點偏差訂正的133個自動氣象站實況觀測資料(圖1a)，其中包括冬奧會延慶賽區13個和張家口云頂和古楊樹賽區 11個重點關注站點。自動氣象站觀測數據雖然精度高、時效性強，但也存在缺測、誤測等問題。因此，文中對所用的觀測資料進行了質量控制和篩選(竇以文等，2008)。資料質量控制所用的方法是：①缺測檢查，剔除冬奧賽區自動氣象站點缺測率超過50%的天數(如2月13—15日；2月25—26日)；②時間連續性檢查，剔除連續性較差(相鄰兩個時刻風速差大于10 m·s-1，小于0.5 m·s-1；風向變化小于10°)的站點(如2月19日競速2)；③內部一致性檢查，剔除同一測站同時測得的參數不一致(風速為0，風向必須為靜風；風向為靜風時，風速必須為0)的觀測值(如2月18日競速2)(王伯明，2004)。

圖1 睿圖-睿思系統冬奧會區域(a)、延慶賽區(b)、張家口云頂(c)和古楊樹賽區(d)(圖中填色為地形高度,圓圈為賽區自動觀測站位置；圖1b中S1～S8表示競速1～8號站，G1～G3表示競技1～3號站，XHT和EHT分別表示小海陀和二海陀站；圖1c中D1～D6表示云頂1～6號站；圖1d中Y2～Y3為越野2～3號站，T2～T3為跳臺2～3號站，DL為冬兩1號站)Fig.1 The Winter Olympic Games area (a), Yanqing competition area (b), Yunding (c) and Guyangshu (d) competition areas in Zhangjiakou (The shaded area indicates terrain height, circle indicates the position of the automatic weather station; S1-S8, G1-G3, XHT and EHT indicate Jingsu 1-Jingsu 8, Jingji 1-Jingji 3, Xiaohaituo and Erhaituo in Fig.1b respectively; D1-D6 indicate Yunding 1-Yunding 6 in Fig.1c; Y2-Y3 indicate Yueye 2-Yueye 3, DL indicates Dongliang 1 in Fig.1d)

2 高精度風場偏差訂正方案

睿思系統風場的準確率一方面依賴于觀測資料，另一方面依賴于CMA-BJ模式背景場所提供的風場準確性。風場訂正包括兩方面：首先利用距離反比插值方法將CMA-BJ模式地形下3 km 分辨率的10 m風場產品(數值模式地形高度上的10 m風)插值到睿思更高分辨率和更精細的地形上，通過地形降尺度提升分辨率，用降尺度得到的睿思高精度地形高度上的風速(睿思高分辨率地形高度上的10 m風)去訂正CMA-BJ模式本身診斷出的10 m風；然后根據實況觀測資料經緯度和海拔高度信息確認觀測所在位置，取出對應位置背景場的風速，剔除地形因子及水面阻力等影響以后，用觀測場風場值訂正背景場值，計算格點場在觀測位置的誤差。

也就是說，針對每個觀測站，都從睿思格點中，找出一個最能代表觀測站的格點，與觀測站對應值作差，以反映格點數據與觀測站數據的差值ΔXk，如式(1)所示：

(1)

然后利用已知的這些差異，針對睿思系統研究范圍內的每個格點，水平距離在12.5 km以內最近的n個站點，將最近n個站點的差值進行加權融合，得到該點與觀測站數據的差值。站點的距離越近，其權重越大，其差值的置信度越高。對于睿思的某個格點(i,j),它與第k個自動氣象站的距離為rijk，則第(i,j)個格點的風場差分如式(2)所示：

(2)

(3)

但基于觀測資料融合和地形降尺度的偏差訂正技術對于風場模擬能力的提升主要體現在短時臨近預報時效內，風場1～6 h的臨近預報模塊是基于融合分析場的外推預報和數值模式預報的加權平均，當預報時效ti<6 h時，風場的計算如式(4)所示：

(4)

fT(ti)=max{0,min[1,1-(ti-2)]/4}

(5)

從權重系數公式可以得出，ti為0～6 h時，預報中外推預報的權重系數從1線性遞減至0。ti=3 h，權重系數降為0.75；如ti=3 h時，睿思預報風場計算公式如式(6)所示：

(6)

ti=6 h，權重系數衰減為0，所以當ti≥6 h，風場的計算方法如式(7)所示，即6 h及以后風場預報完全表現為CMA-BJ模式降尺度到睿思高分辨率后的結果。

(7)

研究表明，CMA-BJ模式在復雜地形區域對近地面風速模擬存在較大系統性偏差，呈現出對平原、山谷風速高估及對山腰、山頂地區風速低估的現象(劉郁玨等,2019)。根據睿思風場的訂正原理，若想進一步提升睿思風場的預報性能，可以嘗試從提升背景場預報性能入手，假設先消除背景場的系統偏差，再將其作為睿思系統的背景場，對于提升睿思風場預報性能可能會有一些幫助。

(8)

然后將S10k通過距離反比插值方法，插值到睿思高分辨率格點場上，獲取格點偏差訂正系數C10，如圖2和式(9)所示：

圖2 睿圖-睿思系統冬奧會區域格點偏差訂正系數C10Fig.2 Grid point bias correction coefficient C10 in the Winter Olympic Games area of RMAPS-RISE system

(9)

式中rijk與第(i，j)個格點與第k個地面測站的距離。為了最大程度地降低133個觀測站點上的系統偏差和預報誤差，偏差訂正系數插值到格點后，133個站點重新賦值為統計得到的站點偏差訂正系數，即這133個站不做插值和平滑處理。如延慶賽區競速1自動站海拔高度為2 177 m(山頂站)，統計得到的偏差訂正系數為1.6；競速5自動站海拔高度為1 669 m(山腰站)，統計得到的偏差訂正系數為0.99，競速8自動站海拔高度為1 289 m(山腳站)，統計得到的偏差訂正系數為0.4，張家口賽區云頂3自動站，海拔高度為2 076 m(山腰站)，與競速1海拔相差100 m，統計得到的偏差訂正系數為0.78。最后將降尺度后的高分辨率風場利用偏差訂正系數優化之后再作為背景場，利用多源數據融合技術進一步做融合訂正，更好地捕捉局地地形對山區風場的影響。訂正后的風場預報場計算公式如式(10)所示：

(10)

圖3分別給出了2020年1月18日10時冬奧會賽區CMA-BJ模式10 m風場，睿圖-短期模式地形降尺度后的10 m風場，睿思系統 10 m風場分析場，自動氣象站實況觀測10 m風場及睿思系統偏差訂正前后的10 m風場預報場，其中填色表示風速值大小。對比圖3a和3b可以看出，經過地形降尺度后的CMA-BJ模式風場繼承了CMA-BJ模式完備的參數化方案，將具有中尺度動力特征的初始風場(圖3a)降尺度到更精細的網格點上(圖3b)，能夠更好地描述復雜地形特征下高分辨率格點流場的動量和能量；在次千米級尺度高精度地形條件下進一步融合觀測資料后的睿思風場(圖3c)，可以在很大程度上彌補山區自動氣象站觀測網稀疏(圖3d)以及CMA-BJ模式預報產品分辨率不足(圖3a)的缺陷，為冬奧會賽事服務提供更加精細化的風場產品。而經過高精度風場偏差訂正后的睿思風場(圖3f)，能夠進一步消除CMA-BJ模式的系統性偏差，如圖3e紅色框區中，偏差訂正前，風速相比自動氣象站實況風場(圖3d)及睿思風場分析場(圖3d)明顯偏大，但經過偏差訂正后風速與實況更加吻合，能夠更好地捕捉局地地形對山區風場的平均影響。

圖3 2020年1月18日10時冬奧會區域CMA-BJ模式直接輸出的風場(a)，CMA-BJ模式降尺度至睿圖-睿思格點上的風場(b)，睿圖-睿思高精度風場分析場(c)，睿圖-睿思高精度風場偏差訂正前后風場與疊加的風速填色圖(e，f)及自動氣象站實況風場(d)Fig.3 Wind field directly output from CMA-BJ model (a), downscaling wind field of CMA-BJ model to RMAPS-RISE grid point (b), high-precision RMAPS-RISE wind analysis field (c), RMAPS-RISE wind field before (e) and after (f) bias correction, and the actual wind field of automatic weather station (d) in Winter Olympic Games area at 10 UTC 18 January 2020

3 結 果

利用高精度風場偏差訂正技術方案，回算2020年1—3月逐10 min更新、100 m分辨率的睿思風場產品，計算并輸出133個自動氣象站點上1～12 h預報時效觀測平均風速、睿思預報風速平均值、風速平均偏差、風速平均絕對偏差、風速平均絕對誤差及均方根誤差，與風場技術方案改進前同時期睿思風速預報結果進行對比分析。

3.1 偏差和絕對偏差

圖4給出了睿思系統風場技術方案改進前后所有站點1～12 h風速平均偏差和平均絕對偏差。從圖中偏差對比可以看出，改進前2020年1—3月睿思預報風速系統性偏大，1～6 h內偏差隨預報時效偏差不斷增加，6 h以后，偏差基本維持在1.4 m·s-1左右。經過統計偏差訂正后，風速系統性偏差基本消除，1～5 h內，風速系統性略偏小0.1 m·s-1左右；5 h以后，偏差基本為0。從圖中絕對偏差對比可以看出，改進后，風速絕對偏差較改進前大幅度降低，12 h以內都維持在0.5 m·s-1以下。

圖4 2020年1—3月冬奧會區域所有站點改進前后風速1～12 h偏差(實線)和絕對偏差(虛線)Fig.4 The 1-12 h wind speed deviation (solid line) and absolute deviation (dotted line) before (black line) and after (red line) correction at all stations in Winter Olympic Games area from January to March 2020

圖5和圖6給出了風場技術方案改進前后睿思區域所有站點、延慶賽區站點及張家口云頂和古楊樹賽區站點1～12 h風速平均偏差的空間分布圖。從站點偏差的空間分布圖可以看出，各個站點平均偏差程度不同，大部分站點表現為系統性偏大，小部分站點表現為系統性偏小，偏差值分布在[-4 m·s-1,4 m·s-1]區間，如：延慶賽區競速1睿思預報風場較觀測系統性偏小 3.1 m·s-1，改進后競速1系統性偏差降低為1.26 m·s-1；競速7較觀測系統性偏大2.88 m·s-1，改進后降低為0.48 m·s-1；崇禮賽區越野2睿思預報風場較觀測系統性偏大2.97 m·s-1，改進后降低為0.46 m·s-1；越野3較觀測系統性偏大3.40 m·s-1；改進后降低為1.03 m·s-1。

圖5 2020年1—3月冬奧會區域改進前(a)、后(b)所有站點1～12 h風速偏差空間分布Fig.5 Spatial distribution of 1-12 h wind speed deviation of all stations before (a) and after (b) correction at all stations in Winter Olympic Games area from January to March 2020

圖6 2020年1—3月延慶賽區(a，b)，張家口云頂(c，d)和古楊樹賽區(e，f)各站點改進前(a，c，e)、后(b，d，f)1～12 h風速偏差空間分布(圖中填色為地形高度)Fig.6 Spatial distribtion of 1-12 h wind speed deviation before (a, c, e) and after (b, d, f) correction in Yanqing competition area (a, b), Yunding (c, d) and Guyangshu (e, f) competition areas in Zhangjiakou from January to March 2020(Colored area indicates terrain height)

3.2 預報誤差和風速改善率

圖7給出了風場技術方案改進前后睿思系統范圍內所有站點1～12 h預報風速平均絕對誤差、均方根誤差以及風速平均絕對誤差和均方根誤差改善率。從圖7可以看出，風場技術方案改進前風速平均絕對誤差和均方根誤差在6 h前隨預報時效不斷增大，12 h以內平均絕對誤差在2.5 m·s-1以下，均方根誤差在3 m·s-1以下。經過高精度風場統計偏差訂正后，風速平均絕對誤差和均方根誤差降低明顯，12 h以內，平均絕對誤差降低至1.5 m·s-1以下，均方根誤差降低至1.7 m·s-1以下。越臨近的時次，風速誤差改善率越小，3 h前風速誤差改善率在20%以下，6 h以后達40%以上。這也進一步說明，基于觀測資料融合和地形降尺度的偏差訂正技術對于風場模擬能力的提升主要體現在短時臨近預報時效內，越臨近的時次，系統性偏差越小，偏差訂正效果越不明顯。

圖7 2020年1—3月冬奧會區域改進前后風速的1～12 h預報平均絕對誤差(實線)、均方根誤差(虛線)和誤差改善率(柱狀)(黑線表示改進前，紅線表示改進后，灰色和橙色柱狀分別表示平均絕對誤差、均方根誤差的改善率)Fig.7 The 1-12 h mean absolute error (solid line), root mean square error (dashed line) and improvement rate of wind speed (histogram) before (black) and after (red) correction at all stations in Winter Olympic Games area from January to March 2020(Gray and orange histograms indicate improvement rates of mean absolute error and root mean square error, respectively)

圖8給出了延慶賽區高山滑雪競速賽道三個站點(競速1、5、8)和高山滑雪競技賽道三個站點(競技1、2、3)的1～12 h風速平均絕對誤差和誤差改善率。從圖中可以看出，競速5和競技1，風場技術方案改進前后，平均絕對誤差變化不明顯。競速1、8、競技2和3，經過高精度風場統計偏差訂正后，平均絕對誤差降低明顯，其中競速1平均絕對誤差12 h以內由5 m·s-1降低為3 m·s-1，競速8、競技2和3，平均絕對誤差12 h以內降低為1 m·s-1以下。

圖8 2020年1—3月延慶賽區不同站點改進前后的1～12 h風速平均絕對誤差和誤差改善率(柱狀)(實線表示改進前，虛線表示改進后)Fig.8 The 1-12 h average absolute error and improvement rate (histogram) of wind speed error before (solid line) and after (dashed line) correction at different stations in Yanqing competition area from January to March 2020

3.3 競速1六級和八級以上大風風速和風向預報評分

延慶賽區高山滑雪競速1為高海拔山頂站，發生大風的概率較大，而大風事件會嚴重影響冬奧賽事的決策和賽程安排，所以文中特針對競速1六級以上和八級以上大風分別對照中國氣象局QX/T 229-2014風預報檢驗方法進行了風速和風向預報評分檢驗。

表1給出了競速1(山頂站)2020年1—3月六級(10.8 m·s-1)以上和八級(17.2 m·s-1)以上大風風速和風向評分。由于高精度風場偏差訂正技術方案只針對風速進行調整，所以風場技術方案改進前后對風向無明顯影響。從表中可以看出，經過高精度風場統計偏差訂正后，對于競速1，六級以上和八級以上大風風速評分，1～2 h相對技術方案調整前，略有降低(這主要與偏差訂正時，偏差訂正系數取的是1～12 h平均值，而實際上臨近時次由于自動氣象站融合訂正權重系數較大，系統偏差較后面時次要小很多，所以對于風速比較大的站點，偏差訂正以后，1～2 h會造成了一定的負訂正效果)。3 h后，六級以上和八級以上大風風速評分都有很大提高。六級以上大風，5 h前，風速評分基本在0.5以上，6 h后，基本接近0.5。八級以上大風，5 h前，風速評分基本在0.5以上，6 h后，基本在0.6以上。

時效/h六級以上風速改進前改進后風向改進前改進后八級以上風速改進前改進后風向改進前改進后10.710.640.970.960.460.400.990.9920.650.580.950.940.390.380.990.9830.500.570.940.930.230.420.980.9840.360.540.920.910.130.550.980.9650.240.510.910.910.040.560.980.9660.200.460.880.890.020.620.960.9570.190.460.870.890.020.610.950.9580.180.470.880.890.020.620.960.9590.180.470.880.880.020.620.960.95100.180.480.890.880.020.620.950.96110.180.470.890.880.020.620.950.96120.170.480.890.880.020.610.950.95

3.4 延慶賽區典型站點不同起報時效平均絕對誤差

圖9給出了延慶賽區競速1(山頂站)、競速5(山腰站)、競速8(山腳站)及競技3(山脊站)四個站點00、03、06、09、12、15、18時不同起報時效的平均絕對誤差。

圖9 2020年1—3月延慶賽區典型站點(競速1、5、8、競技3)不同起報時效(00、03、06、09、12、15、18、21 UTC)風速平均絕對誤差Fig.9 Average absolute error of different starting time (00， 03， 06， 09， 12， 15， 18， 21 UTC) of typical stations (Jingsu 1， 5， 8, Jingji 3) in Yanqing competition area from January to March 2020

競速1為高海拔山頂站，山谷風的方向主要受背景風場影響，白天和夜間均表現為偏西氣流，夜間山風更為強盛，風速略大于白天。從競速1站點不同起報時效平均絕對誤差可以看出，不同起報時效平均絕對誤差起伏較其他站點略大一些，00時起報的1～12 h預報(白天)平均絕對誤差在所有起報時次中最小，12 h以內，平均絕對誤差都在3 m·s-1以下；12時起報的1～12 h預報(夜間)平均絕對誤差在所有起報時次中最大，誤差最大的時刻出現在19時左右(平均絕對誤差為3.74 m·s-1)。其他三個站點，競速5為山腰站，競速8為山腳站，競技3為山脊站，不同起報時效平均絕對誤差起伏不大，尤其是競速8和競技3不同起報時次的12 h預報平均絕對誤差都較小，基本在1.3 m·s-1以下。

4 大風個例分析

2020年1月18—20日受西北干冷空氣影響，延慶賽區出現大風,云頂山頂降雪，局地短時低能見度現象。競速1自動站自18日10時開始2 min平均風速超過17.2 m·s-1，八級以上大風一直持續至19日05時；19日06時至20日風力等級一直維持在七級以上。

圖10分別給出了1月18—20日此次大風個例競速1、5、8，競技1、2、3睿思風場技術方案改進前后1～12 h風場預報的平均絕對誤差。

從圖10可以看出，風場技術方案改進后，對于冬奧延慶賽區預報重點關注站點，除競速5，其他站點平均絕對誤差都有很大程度的降低，競速1，12 h以內平均絕對誤差從6 m·s-1降低到了3 m·s-1以下；競技1，平均絕對誤差從3.5 m·s-1降低到了2.5 m·s-1以下；競技2、3和競速8，平均絕對誤差都降低到了1.5 m·s-1以下。

圖10 2020年1月18—20日延慶賽區典型站點睿思風場技術方案改進前后1～12 h預報風場的平均絕對誤差Fig.10 Average absolute error of 1-12 h forecast wind field before (solid line) and after (dashed line) correction of RISE wind field in Yanqing competition area in 18-20 January 2020

圖11和圖12分別給出了競速1和競速8站點1月18日03、05、07、10時不同起報時效睿思0～12 h 分析和預報場風場與實況觀測風場的時間序列圖。從圖中可以看出，整體來看，競速1睿思預報的風向與實況基本吻合，都為西北風，山谷風風向變化本身比較小，風力等級較大，風速大部分時次與實況偏差在2 m·s-1以內，個別時次偏差較大，為3～4 m·s-1。競速8為山腳站，實況風向基本為北東北或偏南風，而睿思預報風向大都為西北風或北東北風，風向誤差相對競速1號站較大，風力等級相比競速1小很多，風速與實況比較吻合。

圖11 2020年1月18日延慶賽區競速1站點03時(a)，05時(b)，07時(c)10時(d)不同起報時效睿思0～12 h分析和預報場風場(黑色)與實況觀測風場(紅色)的時間序列Fig.11 Time series of 0-12 h RISE analysis and forecast wind field (black) and observed wind field (red) of Jingsu 1 Station in Yanqing competition area at 03 UTC (a), 05 UTC (b), 07 UTC (c) and 10 UTC (d) 18 January 2020

圖12 同圖11，但為延慶賽區競速8站點Fig.12 Same as Fig.11, but for Jingsu 8 Station in Yanqing competition area

圖13給出了延慶賽區1月18日睿思風場03、05、07、10時格點分析場產品，可用于分析賽區整體的環流形勢，圖中紅色標注的S1～S8表示競速1～競速8，G1～G3表示競技1～3，XHT表示小海坨站，EHT表示二海坨站。從格點分析場可以看到，此次大風個例，受西北干冷空氣影響，競速1山頂站點風向維持為西北風，風速較其他站點明顯更大；競速5山腰站點風向也為偏北風；競速8山腳站點風速小，大小為1 m·s-1左右，風向為偏南風或偏東風；競技1山脊站，風向維持為西北偏西風，風速大小為6 m·s-1左右。

圖13 延慶賽區2020年1月18日03時(a)，05時(b)，07時(c)，10時(d)睿思風場格點分析場產品圖中填色為風速)Fig.13 Analysis products of RISE wind field with different forecasting times in Yanqing competition areaat 03 UTC (a), 05 UTC (b), 07 UTC (c) and 10 UTC (d) 18 January 2020(Colored area indicates wind speed)

5 結論與討論

本文描述了一種綜合考慮多源實況融合分析技術與復雜地形下高精度風場偏差訂正相結合的方法，利用北京冬奧會山地賽區及其周邊地區不同海拔高度上收集的133個自動加密氣象站風場實況觀測資料與睿圖-睿思系統高精度風場預報數據相結合，利用統計偏差訂正方法，獲取復雜地形下133個站點1～12 h的平均系統偏差，將降尺度后的高分辨率風場利用格點偏差訂正系數優化后再作為背景場融合觀測資料，以實現復雜地形下不同海拔高度高精度風場的融合訂正優化。通過批量對比檢驗、冬奧賽區站點檢驗、典型大風個例檢驗，結果表明：

(1)本方法極大程度地降低了睿圖-睿思高分辨率格點風速預報的系統性偏差和預報誤差，12 h內風速平均絕對誤差降低率最高達44.7%以上，均方根誤差降低率最高達42.5%。延慶賽區，競速5和競技1，風場技術方案改進前后，平均絕對誤差變化不明顯。競速1、8、競技2和3，技術方案改進后，平均絕對誤差降低明顯；其中競速8、競技2和3，技術方案改進后，平均絕對誤差在12 h預報時效以內基本維持在1 m·s-1以下。

(2)由于所有站點的偏差訂正系數取的都是1～12 h 平均值，而不是針對每個預報時效、不同風力等級給出一個偏差訂正系數，而實際上睿圖-睿思風場預報前2 h受自動氣象站融合訂正影響比較大，風速偏差要較后面預報時次小很多，所以在偏差訂正以后，對于平均風速比較大的站點，如競速1，在1～2 h會造成一定的負訂正效果；另外在不同風力等級區間，不同站點系統性偏差也會有所不同，對于風速預報訂正效果也會造成一定影響。因此，后續工作將進一步考慮發展不同站點、不同風力等級、不同預報時效的格點偏差系數統計研究。

(3)本風場技術方案受制于數值預報背景場的系統性偏差，若更換數值預報背景場，需要重新獲取各個站點的偏差訂正系數。技術方案經過適當修改，也可用于對更長預報時效或其他要氣象素場的偏差訂正。