中國沿海風能年際變化的區(qū)域性特征成因及其預(yù)測

沈龍 羅京佳 金大超

摘要 基于ERA5的逐小時100 m風場數(shù)據(jù)，利用時間序列K-means聚類方法，將中國沿海冬季風能年際變化劃分為四個區(qū)域，分別為北中國海（North China Sea，NCS）、東海（East China Sea，ECS）、南海北部（Northern South China Sea，NSCS）及南海南部（Southern South China Sea，SSCS）。四個區(qū)域風能的年際變化受不同氣候模態(tài)的影響，其中NCS風能的年際變化與北極濤動（Arctic Oscillation，AO）有關(guān);ECS風能的年際變化與中部型ENSO及西伯利亞高壓有關(guān);SSCS和NSCS的年際變化則和東部型ENSO及大陸高壓的南北位置存在聯(lián)系。鑒于影響各區(qū)域風能年際變化的氣候模態(tài)具有較高的可預(yù)測性，進一步評估了多個氣候模式對中國沿海風能年際變化的預(yù)測技巧。結(jié)果表明，氣候模式對南中國海的風能年際變化預(yù)測技巧更高，這與氣候模式對ENSO的高預(yù)測技巧有關(guān)。氣候模式對北方海域風能年際變化的預(yù)測技巧較差，這和氣候模式不能較好地預(yù)測AO和西伯利亞高壓有關(guān)。

關(guān)鍵詞中國沿海風能;年際變化;北極濤動;ENSO;西伯利亞高壓;氣候預(yù)測系統(tǒng)評估

隨著人口的增長和社會經(jīng)濟的發(fā)展，化石能源的使用不僅對環(huán)境造成了影響，其有限性問題也逐漸顯露出來。因此，尋找環(huán)保的、可持續(xù)的替代能源解決方案變得尤為迫切（Algarni et al.，2023;Xia et al.，2023）?？稍偕茉慈缣柲堋L能、水能等，因其源源不斷的特點和對環(huán)境較小的影響，正成為能源領(lǐng)域的重要選項，并以其可持續(xù)性和環(huán)保性在全球范圍內(nèi)受到了廣泛的關(guān)注（Kung et al.，2021）。而風能作為一種可再生能源，發(fā)電成本預(yù)計將從2015年的5.5美分／千瓦時降至2030年的4.1～4.5美分／千瓦時。預(yù)計到2030年，風力發(fā)電可能成為最經(jīng)濟實惠的新能源發(fā)電方式之一，裝機容量也將迎來迅速的發(fā)展（Sahu et al.，2013;Williams et al.，2017）。

隨著風電產(chǎn)業(yè)的不斷發(fā)展，區(qū)域風能資源的時空分布對風力發(fā)電項目產(chǎn)量的影響受到了越來越多的關(guān)注。如國內(nèi)外許多學(xué)者對風能資源的氣候特性開展了大量的研究工作（李艷等，2010;Zheng et al.，2013;Chang et al.，2015;孫玉婷等，2017;宋超輝等，2019;Soukissian et al.，2021;Tian et al.，2021），揭示了風能資源豐富的地區(qū)，為風電機組的宏觀選址提供了科學(xué)依據(jù)和線索。此外，隨著近年來氣候變化問題的加劇，氣候變化對未來風能資源的影響也受到了越來越多的關(guān)注。研究表明，未來風能資源的變化存在顯著的區(qū)域及季節(jié)差異（Li et al.，2020;Wu et al.，2021;Zhuo et al.，2022;張佳等，2023）。上述研究結(jié)果為風電項目的前期規(guī)劃提供了重要的科學(xué)依據(jù)。但由于風力發(fā)電的不穩(wěn)定性，其產(chǎn)量和經(jīng)濟利潤容易受到風能年際變化的影響。因此，深入理解風能的年際變化對于風力發(fā)電產(chǎn)量長期的季節(jié)預(yù)測、進一步提高風力發(fā)電量的穩(wěn)定性至關(guān)重要（Bett et al.，2017;Clark et al.，2017;Krakauer and Cohan，2017;Lockwood et al.，2019）。

風能資源存在顯著的年際變化，這種年際變化和大氣環(huán)流異常存在密切聯(lián)系（Sun and Yan，2012;Berg et al.，2013;Hamlington et al.，2015;Yu et al.，2015，2020;Sherman et al.，2017）。東亞地區(qū)位于歐亞大陸東部，其大氣環(huán)流異常亦存在顯著的區(qū)域性特征（李麗平等，2015）。而這種局地大氣環(huán)流異常受多種因素的影響，包括人為因素（如氣溶膠排放）和自然變率的影響。如，東亞氣溶膠的增加會引起局地大氣異常環(huán)流，導(dǎo)致不同地區(qū)的降水及氣溫變化（Chen et al.，2018;Dong et al.，2019;鄭彬等，2021）。此外，西北太平洋對流層低層的環(huán)流系統(tǒng)和ENSO（El Nio-Southern Oscillation）存在密切聯(lián)系。在El Nio年，西北太平洋存在反氣旋式環(huán)流異常，而在La Nia年，西北太平洋存在氣旋式環(huán)流異常（Wang et al.，2000）。AO（Arctic Oscillation）和西伯利亞高壓（SH，Siberian High）是影響東亞中高緯度地區(qū)大氣環(huán)流的重要因子。AO可通過影響東亞大槽，影響冬季風強弱，SH則直接地影響東亞沿岸北風以及海平面氣壓（Wu and Wang，2002）

既然東亞地區(qū)環(huán)流異常的年際變化存在顯著的區(qū)域特征，而風能資源又與大氣環(huán)流異常存在密切的聯(lián)系。那么中國近海風能的年際變化是否存在區(qū)域性特征？如果存在，那么影響各區(qū)域風能資源的因子有哪些呢？這些影響因子又是如何調(diào)控中國近海不同區(qū)域風能年際變化的呢？氣候模態(tài)具有較高的可預(yù)測性，目前主流氣候模式對中國沿海風能的年際變化的預(yù)測技巧又是如何？本文將圍繞上述問題展開討論。

1 資料與方法

1.1 資料描述

采用了水平分辨率為0.25°的ERA5逐小時再分析資料（Hersbach et al.，2020）。與ERA-Interim及其他再分析資料相比較，ERA5與地表風觀測之間的均方根誤差最低、相關(guān)系數(shù)最高（Olauson，2018;Belmonte Rivas and Stoffelen，2019）。而ERA5的地表風場年際變率與觀測的年際變率最為接近（Ramon et al.，2019）。因此，使用了ERA5的100 m高度風場數(shù)據(jù)以計算風能密度。選用了ERA5的海平面氣壓、位勢高度及風場數(shù)據(jù)等用于診斷風能的年際變化。

為了揭示中國沿海風能各區(qū)域的影響因子，選用了美國國家海洋和大氣管理局（NOAA）冬季平均（12月—次年2月的平均值）的AO指數(shù)、Nio3指數(shù)和Nio4指數(shù)。由于本研究關(guān)注的是中國沿海風能的年際變化，因此提取了風能的年際變化分量。此外，還選用了英國氣象局的HadISST海表溫度資料，水平分辨率為1°×1°（Rayner et al.，2003）（表1）。

目前世界上主流氣候預(yù)測系統(tǒng)包括南京信息工程大學(xué)第一代氣候預(yù)測模式（NUIST-CFS1.0）、歐洲中期天氣預(yù)報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的SEAS5、德國氣象局（Deutscher Wetter Dienst，DWD）的GCFS2.1、歐洲-地中海氣候變化中心（Centro Euro-Mediterraneo sui Cambiamenti Climatici，CMCC）的CMCC-SPS3.5和日本氣象廳（Japan Meteorological Agency，JMA）的MRI-CPS3等。上述氣候預(yù)測系統(tǒng)對熱帶地區(qū)海表溫度和大氣環(huán)流具有較高的預(yù)測技巧，對中高緯度大氣環(huán)流亦具有一定的預(yù)測能力，被廣泛應(yīng)用于氣候預(yù)測和氣候變化研究中。然而，目前氣候模式對風能的預(yù)測能力尚不清楚，急需將這些模式應(yīng)用在實際的場景中，特別是在風能資源預(yù)測的實際場景中。因此選用了五個氣候預(yù)測系統(tǒng)（表2）1993—2016年冬季風場的歷史回報數(shù)據(jù)以評估它們對中國海上風能年際變化的預(yù)測技巧。

1.2 分析方法

1.2.1 風能密度的計算

風能密度為氣流在單位時間內(nèi)垂直通過單位面積的風能，它是描述一個地方風能潛力最方便、最有價值的量。風速每時每刻都在變化，瞬時風速值不適合計算風能密度，需用長期風速觀測資料才能反映其規(guī)律，故采用了平均風能密度的評估方法。平均風能密度與風速的三次方和空氣密度成正比，單位為w·m-2，其中空氣密度為1.225 kg·m-3。平均風能密度的公式如下：

其中：n為時次數(shù)量;ρ為空氣密度;V為風速大小;Wpd為平均風能密度。

基于風能密度公式，計算了1979—2020年逐小時風能密度，求取逐年冬季平均，進一步采用Butterworth高通濾波方法，將風能密度時間序列中超過5 a的低頻分量濾除，僅保留高頻部分以得到風能密度的年際分量。

1.2.2 時間序列K-means聚類方法

傳統(tǒng)的K-means聚類方法在捕捉時間序列的平滑子空間特征方面表現(xiàn)較弱，經(jīng)過改進的時間序列K-means（Time Series K-means，TSK-means）聚類方法能夠有效地提取時間序列內(nèi)部的次空間尺度信息，更適合處理具有較高復(fù)雜性的時間序列數(shù)據(jù)（Huang et al.，2016）。使用TSK-means方法將每個網(wǎng)格點標準化后的風能密度年際變化時間序列進行聚類，聚類具體步驟為：

1）選擇要分成的聚類簇（K值）。從風能密度數(shù)據(jù)集中隨機選擇k個格點作為初始聚類中心。這些格點將成為每個簇的風能年際變化的代表。

2）對于每個聚類簇，計算樣本（時間序列）與所有聚類中心之間的歐式距離，以衡量它們的相似程度。并將樣本分配到距離最近的聚類中心所代表的簇。

3）對于每個聚類簇，計算簇中所有樣本的平均值，將該平均值作為新的聚類中心。

4）重復(fù)執(zhí)行步驟2和步驟3，直到聚類中心不再發(fā)生顯著變化或達到預(yù)定的迭代次數(shù)，以確保聚類過程收斂，每個樣本都被分配到適當?shù)拇?，從而得到最終的聚類結(jié)果。

2 結(jié)果

2.1 冬季沿海風能年際變化的客觀分區(qū)

受東亞冬季風影響，中國沿海區(qū)域盛行偏北風（圖1a），30°N以北地區(qū)受西北風控制，氣候平均風速約為4.6m／s，而30°N以南地區(qū)，受東北風影響，氣候平均風速較高，約為8.0 m／s。類似于風速的空間分布，冬季南方海域的風能密度普遍高于北方海域。北方海域的平均風能密度約為503.8 W／m2，隨著距離海岸線的增加逐漸增大。相比之下，南方海域風能資源更為豐富，部分地區(qū)最大風能密度超過2 000 W／m2。南方海域有3個顯著的風能密度高值中心，分別位于臺灣海峽、呂宋海峽以及南沙群島以東的海域。

中國沿海區(qū)域的風能密度存在較強的年際變化特征，風能密度較大的地區(qū)存在較大的年際變率（圖1b）。圖1c采用TSK-means方法對中國沿海風能密度的年際變化進行客觀分區(qū)。首先，通過計算在不同聚類數(shù)下，樣本與其最近聚類中心之間的距離總和，即聚類誤差。我們既不希望聚類結(jié)果過于細致，也不希望聚類誤差過大，因此聚類數(shù)通常選擇在聚類誤差出現(xiàn)拐點處。在此例中，最佳聚類數(shù)確定為4（圖1d）。中國沿海風能資源年際變化分為4個顯著的聚類區(qū)域：北中國海（North China Sea，NCS）、東海（East China Sea，ECS）、南海北部（Northern South China Sea，NSCS）以及南海南部（Southern South China Sea，SSCS）?；诜治龅慕Y(jié)果，將各區(qū)域標準化的區(qū)域平均冬季風能密度年際分量定義為風能年際變化指數(shù)。

2.2 大尺度環(huán)流異常與風能年際變化的關(guān)系

由于風能與風速的三次方成正比，而東亞冬季風的年際變化又與大氣內(nèi)部變率（如北極濤動、西伯利亞高壓、北大西洋濤動）及外部強迫因子（如ENSO）存在關(guān)聯(lián)（Gong et al.，2001;Wu and Wang，2002;Kim et al.，2014）。因此為了找出中國沿海四個區(qū)域風能變化指數(shù)的潛在影響因子，將風能指數(shù)回歸到同期冬季的海溫異常場以及海平面氣壓異常場（圖2）。

回歸結(jié)果顯示，NCS風能與熱帶海溫并不存在顯著聯(lián)系（圖2a），和極地大部分地區(qū)的海平面氣壓呈正相關(guān)關(guān)系，與中緯度地區(qū)海平面氣壓呈負相關(guān)關(guān)系（圖2b）。這種異?？臻g分布與AO負位相的海平面氣壓場空間分布相似。計算了NCS指數(shù)與AO指數(shù)的相關(guān)系數(shù)為-0.39（表3），進一步表明NCS風能和AO存在負相關(guān)關(guān)系。AO指數(shù)回歸的環(huán)流場（圖3a）顯示，在AO正（負）位相時，中國東北地區(qū)反氣旋（氣旋）環(huán)流異常，其南側(cè)存在東南（西北）風異常，減弱（增強）了NCS地區(qū)的氣候態(tài)風速（圖1a），從而減弱（增強）了NCS地區(qū)的風能資源。

ECS風能指數(shù)和熱帶中太平洋海溫呈負相關(guān)關(guān)系，與熱帶西太平洋海溫呈正相關(guān)（圖2c），這和中太平洋型El Nio事件發(fā)生時對應(yīng)的海溫異常的空間分布相似，ECS風能指數(shù)和Nio4指數(shù)的相關(guān)為-0.29（表3）。Nio4指數(shù)回歸的環(huán)流場（圖3d）顯示，當中太平洋型厄爾尼諾（拉尼娜）事件發(fā)生時，西北太平洋將出現(xiàn)反氣旋（氣旋）環(huán)流異常，其西北側(cè)的西南風（東北風）與ECS區(qū)域氣候態(tài)風速相反（一致），減弱（增強）了ECS地區(qū)的風能。注意到，ECS還和西伯利亞地區(qū)海平面氣壓呈顯著的正相關(guān)關(guān)系（圖2d）。將西伯利亞地區(qū)（70°～105°E，60°～75°N）的標準化海平面氣壓定義為SH（Siberian High）指數(shù)，SH指數(shù)回歸的850 hPa風場以及位勢高度場（圖3b）顯示。強（弱）SH年，東亞—西北太平洋區(qū)域位勢高度負（正）異常存在兩個中心，分別位于東北亞和華南地區(qū)，其中華南氣旋（反氣旋）北側(cè)的偏東（西）風與ECS區(qū)域氣候態(tài)風速一致（相反），引起ECS區(qū)域風能密度增強（減弱）。綜上所述，ECS區(qū)域風能年際變化受中太平洋型ENSO和西伯利亞高壓影響。

NSCS和SSCS區(qū)域風能年際變化均和西太平洋海溫呈現(xiàn)正相關(guān)關(guān)系，和東太平洋海溫之間呈顯著負相關(guān)關(guān)系（圖2e、g），這和東太平洋型ENSO事件存在聯(lián)系，這兩個區(qū)域的風能指數(shù)和Nio3指數(shù)的相關(guān)系數(shù)分別為-0.56和-0.53（表3）。NSCS和SSCS區(qū)域風能還和菲律賓海的低壓系統(tǒng)存在顯著的負相關(guān)關(guān)系。需要說明的是，NSCS和歐亞大陸中緯度地區(qū)海平面氣壓呈正相關(guān)關(guān)系（圖2f），而SSCS則和歐亞高緯度地區(qū)的海平面氣壓呈負相關(guān)關(guān)系（圖2h）。為了揭示東太平洋型ENSO影響

NSCS和SSCS區(qū)域風能年際變化的機制，將Nio3指數(shù)回歸到850 hPa風場以及位勢高度場（圖3c）上，發(fā)現(xiàn)當東太平洋型El Nio（La Nia）事件發(fā)生時，菲律賓反氣旋（氣旋）將會偏南，其環(huán)流型北側(cè)的西南風（東北風）與南海區(qū)域氣候態(tài)風速相反（一致），導(dǎo)致NSCS和SSCS風能密度減弱（增強）。NSCS和SSCS區(qū)域風能指數(shù)回歸的環(huán)流場（圖4a、b）也顯示這兩個區(qū)域的風能和東太平洋型ENSO引起的西北太平洋環(huán)流異常存在聯(lián)系。

上述結(jié)果表明，東部型ENSO可通過菲律賓反氣旋（氣旋）異常調(diào)節(jié)NSCS和SSCS區(qū)域風能的年際變化。但這兩個區(qū)域風能年際變化仍存在差異，說明除了共同受東部型ENSO的影響，可能還有其他因子調(diào)控兩個區(qū)域風能的年際變化。濾除Nio3指數(shù)的NSCS和SSCS區(qū)域風能指數(shù)回歸的環(huán)流場顯示，濾去東部型ENSO信號后，菲律賓周圍的環(huán)流異常顯著減弱（圖4c、d），進一步說明了東部型ENSO可通過菲律賓氣旋（反氣旋）調(diào)節(jié)NSCS、SSCS區(qū)域的風能年際變化。注意到，濾除ENSO信號后，NSCS區(qū)域風能和大陸高壓異常存在聯(lián)系（圖4c），而當該高壓異常南移至西北太平洋區(qū)域則會增強SSCS區(qū)域的風能（圖4d）。這說明除了東部型ENSO對NSCS和SSCS區(qū)域風能的共同影響外，大陸異常高壓南北位置也是影響NSCS和SSCS區(qū)域風能年際變化的重要影響因子。

2.3 聚類區(qū)域風能年際變化的多模式預(yù)測技巧評估

中國冬季沿海100 m風能密度的氣候態(tài)空間分布（圖5）顯示，沿海風能密度呈現(xiàn)“南多北少”的空間分布型，南海區(qū)域為我國冬季海上風能資源最為豐富的地區(qū)，臺灣海峽、呂宋海峽、南沙群島以西海域等區(qū)域為風能資源極大值區(qū)域（圖5a）。5種氣候模式都可以預(yù)測出我國沿海風能資源“南多北少”的空間分布特征，但是各模式的預(yù)測能力存在差異性。對于南方海域，CMCC和JMA模式高估了南海的風能資源（圖5b、f），而NUIST和DWD模式則低估了南海的風能資源（圖5c、e）。相較其他模式，SEAS5模式的預(yù)測結(jié)果最接近觀測的風能密度空間分布（圖5d）。對于北方海域，除SEAS5模式外的其他氣候模式均高估了北方海域風能資源。各模式預(yù)測的中國冬季近海100 m風能密度的RMSE顯示，模式對臺灣海峽、呂宋海峽以及南沙群島以西海域等區(qū)域風能資源豐富的區(qū)域模擬結(jié)果和觀測存在較大偏差（圖6）。其中，CMCC模式對中國海域風能資源預(yù)測誤差最大（圖6a），而SEAS5模式的預(yù)測誤差最小（圖6c）。

圖7展示了冬季中國沿海風能密度年際變化的ACC預(yù)測技巧?？傮w來說，大多數(shù)氣候模式在南方海域的預(yù)測技巧優(yōu)于北方海域。值得注意的是，在菲律賓以西洋面及臺灣地區(qū)西南方向海域，5種模式的預(yù)測技巧顯著低于周圍海域。這可能是由于這些區(qū)域受地形阻擋和盛行風向的影響，處于背風坡區(qū)域，因此風速的年際變化受冬季風影響小，而大尺度氣候模式往往對這種小尺度因素影響下的區(qū)域風能年際變化預(yù)測技巧較差。對于北方海域，各模式的預(yù)測技巧存在差異性，CMCC與SEAS5模式對北方海域風能年際變化的預(yù)測技巧較高（圖7a、c），DWD與JMA模式對黃海海域的預(yù)測技巧較高、東海海域的預(yù)測技巧較低（圖7b、e），而NUIST模式對東海海域預(yù)測的技巧較高，對渤海以及黃海海域預(yù)測技巧較低（圖7d）。

2.4 氣候模式對影響中國沿海風能年際變化影響因子的評估

2.2節(jié)的分析指出中國沿海風能和AO、SH及ENSO有關(guān)，那么各氣候模式對風能年際變化的預(yù)測技巧是否來源于其對影響因子的高預(yù)測技巧呢？圖8為Nio3.4指數(shù)回歸的ERA5及模式預(yù)測的風能密度年際變化的空間分布。結(jié)果顯示，ENSO正位相可引起南海區(qū)域風能年際變化負異常（圖8a），這種關(guān)系與El Nio （La Nia）引起的菲律賓反氣旋（氣旋）有關(guān)（圖9a）。

5種氣候模式均可較為準確地再現(xiàn)南海區(qū)域風能與ENSO間的關(guān)系（圖8b—f），同時也可以較好地預(yù)測出ENSO對對流層低層環(huán)流異常的影響（圖9b—f），因此這5種模式均展現(xiàn)出對南海區(qū)域風能年際變化較高的預(yù)測技巧。

ERA5和模式預(yù)測的AO指數(shù)回歸的風能密度年際變化空間分布（圖10）顯示，AO可影響中國沿海風能年際變化呈現(xiàn)南北反位相的空間分布型，AO正異常時，黃渤海區(qū)域風能負異常、南海區(qū)域風能正異常;反之亦然。盡管5種氣候模式均可再現(xiàn)AO引起南海區(qū)域風能異常的現(xiàn)象，但不能通過顯著性檢驗（圖10b—f）。僅有DWD模式能夠捕捉到AO與黃渤海區(qū)域風能的關(guān)系，其他模式均低估了黃海區(qū)域風能與AO的關(guān)系。觀測資料分析結(jié)果（圖11a）顯示，AO正（負）位相時，高緯度地區(qū)呈現(xiàn)一致的位勢高度負（正）異常，歐洲、中國東北地區(qū)及東北太平洋等中緯度地區(qū)，為位勢高度正（負）異常。DWD模式可以較好地模擬出AO和北半球中高緯度地區(qū)環(huán)流異常的關(guān)系（圖11c），而SEAS5模式并不能預(yù)測出AO與中高緯度位勢高度異常的關(guān)系（圖11d），CMCC與NUIST模式對AO和中國東北區(qū)域位勢高度異常的關(guān)系有較好的預(yù)測技巧。

3 結(jié)論

利用TSK-means聚類方法，將中國冬季沿海風能年際變化分為四個區(qū)域，分別為NCS（北中國海）、ECS（東中國海）、NSCS（南海北部）、SSCS（南海南部），研究發(fā)現(xiàn)不同海域風能資源年際變化與不同氣候模態(tài)和大尺度環(huán)流間存在聯(lián)系（圖12）。在此基礎(chǔ)上，進一步評估了5種國內(nèi)外主流氣候模式對中國沿海風能年際變化的預(yù)測技巧，并進一步分析了模式的預(yù)測技巧來源，得到以下結(jié)論。

1）冬季NCS區(qū)域風能年際變化與AO有關(guān)。當處于AO正位相時，東北亞地區(qū)會存在反氣旋環(huán)流異常，環(huán)流異常在NCS區(qū)域東南風異常，減弱了氣候態(tài)風速（西北風），使得NCS區(qū)域風能資源減少;反之，AO負位相時，東北亞地區(qū)出現(xiàn)的氣旋式環(huán)流異常引起NCS區(qū)域風能資源增多。

2）冬季ECS區(qū)域風能年際變化與中太平洋型ENSO有關(guān)。當中太平洋型拉尼娜發(fā)生時，東海區(qū)域存在東北風異常，該東北風異常與東海氣候態(tài)風向一致，使得東海的風能增大;反之亦然。此外，ECS區(qū)域風能還和西伯利亞高壓存在聯(lián)系，強（弱）西伯利亞高壓年，下游出現(xiàn)氣旋（反氣旋）性異常，東中國海位于西伯利亞高壓與氣旋（反氣旋）環(huán)流之間，存在偏北風（偏南風）異常，使得ECS區(qū)域風能增大（減?。?/p>

3）EP型ENSO可以通過引起菲律賓周圍的反氣旋（氣旋）環(huán)流異常，從而影響NSCS和SSCS區(qū)域風能資源的年際變化。除了EP型ENSO的影響以外，大陸高壓的位置亦可以直接影響NSCS和SSCS區(qū)域風能的年際變化。當大陸高壓偏北時，NSCS區(qū)域風能影響較大;而當大陸高壓偏南時，SSCS區(qū)域風能影響較大。

4）相較于北方海域，氣候模式普遍對南方海域的風能年際變化具有更高的預(yù)測技巧。這種高預(yù)測技巧源于氣候模式對ENSO及其和東亞地區(qū)環(huán)流異常的關(guān)系具有較好的預(yù)測技巧。對于北方海域，各模式間的預(yù)測技巧存在較大差異，但是均對AO與北方海域風能的關(guān)系存在低估，同時不能較好地模擬出AO和對流層低層大氣環(huán)流異常的關(guān)系，模式對于北方海域風能年際變化預(yù)測技巧仍存在進一步改進的空間。

參考文獻（References）

Algarni S，Tirth V，Alqahtani T，et al.，2023.Contribution of renewable energy sources to the environmental impacts and economic benefits for sustainable development［J］.Sustain Energy Technol Assess，56：103098.doi：10.1016／j.seta.2023.103098.

Belmonte Rivas M，Stoffelen A，2019.Characterizing ERA-Interim and ERA5 surface wind biases using ASCAT［J］.Ocean Sci，15（3）：831-852.doi：10.5194／os-15-831-2019.

Berg N，Hall A，Capps S B，et al.，2013.El Nio-Southern Oscillation impacts on winter winds over southern California［J］.Climate Dyn，40（1）：109-121.doi：10.1007／s00382-012-1461-6.

Bett P E，Thornton H E，Lockwood J F，et al.，2017.Skill and reliability of seasonal forecasts for the Chinese energy sector［J］.J Appl Meteorol Climatol，56（11）：3099-3114.doi：10.1175／jamc-d-17-0070.1.

Chang R，Zhu R，Badger M，et al.，2015.Offshore wind resources assessment from multiple satellite data and WRF modeling over South China Sea［J］.Remote Sens，7（1）：467-487.doi：10.3390／rs70100467.

Chen G X，Wang W C，Chen J P，2018.Circulation responses to regional aerosol climate forcing in summer over East Asia［J］.Climate Dyn，51（11）：3973-3984.doi：10.1007／s00382-018-4267-3.

Clark R T，Bett P E，Thornton H E，et al.，2017.Skilful seasonal predictions for the European energy industry［J］.Environ Res Lett，12（2）：024002.doi：10.1088／1748-9326／aa57ab.

Dong B W，Wilcox L J，Highwood E J，et al.，2019.Impacts of recent decadal changes in Asian aerosols on the East Asian summer monsoon：Roles of aerosol-radiation and aerosol-cloud interactions［J］.Clim Dyn，53（5）：3235-3256.doi：10.1007／s00382-019-04698-0.

Gong D Y，Wang S W，Zhu J H，2001.East Asian winter monsoon and Arctic oscillation［J］.Geophys Res Lett，28（10）：2073-2076.doi：10.1029／2000gl012311.

Hamlington B D，Hamlington P E，Collins S G，et al.，2015.Effects of climate oscillations on wind resource variability in the United States［J］.Geophys Res Lett，42（1）：145-152.doi：10.1002／2014gl062370.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Huang X H，Ye Y M，Xiong L Y，et al.，2016.Time series k-means：a new k-means type smooth subspace clustering for time series data［J］.Inf Sci，367／368：1-13.doi：10.1016／j.ins.2016.05.040.

Kim J W，Yeh S W，Chang E C，2014.Combined effect of El Nio-Southern Oscillation and Pacific Decadal Oscillation on the East Asian winter monsoon［J］.Climate Dyn，42（3）：957-971.doi：10.1007／s00382-013-1730-z.

Krakauer N，Cohan D，2017.Interannual variability and seasonal predictability of wind and solar resources［J］.Resources，6（3）：29.doi：10.3390／resources6030029.

Kung C C，Lee T J，Chen L J，2021.Economic growth and environmental sustainability from renewable energy applications［J］.Energy Explor Exploit，39（2）：531-535.doi：10.1177／0144598720964207.

Li D L，F(xiàn)eng J L，Dosio A，et al.，2020.Historical evaluation and future projections of 100-m wind energy potentials over CORDEX-east Asia［J］.J Geophys Res：Atmos，125（15）：e2020JD032874.doi：10.1029／2020jd032874.

李麗平，宋哲，吳楠，2015.三類厄爾尼諾事件對東亞大氣環(huán)流及中國東部次年夏季降水的影響［J］.大氣科學(xué)學(xué)報，38（6）：753-765. Li L P，Song Z，Wu N，2015.Effects of three types of El Nio events on atmospheric circulation over East Asia and following summer precipitation in Eastern China［J］.Trans Atmos Sci，38（6）：753-765.doi：10.13878／j.cnki.dqkxxb.20130723001.（in Chinese）.

李艷，耿丹，董新寧，等，2010.1961—2007年重慶風速的氣候變化特征［J］.大氣科學(xué)學(xué)報，33（3）：336-340. Li Y，Geng D，Dong X N，et al.，2010.Climate change of wind speed in Chongqing from 1961 to 2007［J］.Trans Atmos Sci，33（3）：336-340.doi：10.13878／j.cnki.dqkxxb.2010.03.010.（in Chinese）.

Lockwood J F，Thornton H E，Dunstone N，et al.，2019.Skilful seasonal prediction of winter wind speeds in China［J］.Climate Dyn，53（7）：3937-3955.doi：10.1007／s00382-019-04763-8.

Olauson J，2018.ERA5：the new champion of wind power modelling？［J］.Renew Energy，126：322-331.doi：10.1016／j.renene.2018.03.056.

Ramon J，Lledó L，Torralba V，et al.，2019.What global reanalysis best represents near-surface winds？［J］.Quart J Roy Meteor Soc，145（724）：3236-3251.doi：10.1002／qj.3616.

Rayner N A，Parker D E，Horton E B，et al.，2003.Global analyses of sea surface temperature，sea ice，and night marine air temperature since the late nineteenth century［J］.J Geophys Res： Atmos，108（D14）：4407.doi：10.1029／2002JD002670.

Sahu B K，Hiloidhari M，Baruah D C，2013.Global trend in wind power with special focus on the top five wind power producing countries［J］.Renew Sustain Energy Rev，19：348-359.doi：10.1016／j.rser.2012.11.027.

Sherman P，Chen X Y，McElroy M B，2017.Wind-generated electricity in China：decreasing potential，inter-annual variability and association with changing climate［J］.Sci Rep，7（1）：16294.doi：10.1038／s41598-017-16073-2.

宋超輝，王楠，王闊，等，2019.基于1988—2017年CCMP數(shù)據(jù)的浙江沿海海表風速變化及成因［J］.大氣科學(xué)學(xué)報，42（4）：562-570. Song C H，Wang N，Wang K，et al.，2019.Variation and cause of sea surface wind speed in Zhejiang coastal area based on CCMP data from 1988 to 2017［J］.Trans Atmos Sci，42（4）：562-570.doi：10.13878／j.cnki.dqkxxb.20180816001.（in Chinese）.

Soukissian T H，Karathanasi F E，Zaragkas D K，2021.Exploiting offshore wind and solar resources in the Mediterranean using ERA5 reanalysis data［J］.Energy Convers Manag，237：114092.doi：10.1016／j.enconman.2021.114092.

Sun C，Yan X M，2012.Interannual variations of surface winds over China marginal seas［J］.Chin J Oceanol Limnol，30（6）：922-932.doi：10.1007／s00343-012-2157-9.

孫玉婷，粘新悅，閔錦忠，等，2017.中國沿海風能分布特征及其影響因子的數(shù)值模擬［J］.大氣科學(xué)學(xué)報，40（6）：823-832. Sun Y T，Nian X Y，Min J Z，et al.，2017.Distribution characteristics of wind energy along the coast of China and numerical simulation on impact factors［J］.Trans Atmos Sci，40（6）：823-832.doi：10.13878／j.cnki.dqkxxb.20150608001.（in Chinese）.

Tian Y C，kou L，Han Y D，et al.，2021.Evaluation of offshore wind power in the China Sea［J］.Energy Explor Exploit，39（5）：1803-1816.doi：10.1177／0144598721992268.

Wang B，Wu R G，F(xiàn)u X，2000.Pacific-East Asian teleconnection：how does ENSO affect East Asian climate？［J］.J Climate，13（9）：1517-1536.doi：10.1175／1520-0442（2000）013<1517：peathd>2.0.co;2.

Williams E，Hittinger E，Carvalho R，et al.，2017.Wind power costs expected to decrease due to technological progress［J］.Energy Policy，106：427-435.doi：10.1016／j.enpol.2017.03.032.

Wu B Y，Wang J，2002.Winter Arctic oscillation，Siberian high and East Asian winter monsoon［J］.Geophys Res Lett，29（19）：1897.doi：10.1029／2002gl015373.

Wu J，Han Z Y，Yan Y P，et al.，2021.Future changes in wind energy potential over China using RegCM4 under RCP emission scenarios［J］.Adv Clim Change Res，12（4）：596-610.doi：10.1016／j.accre.2021.06.005.

Xia R X，Long Z M，Xing L C，et al.，2023.Achieving sustainable development through economic growth，energy consumption，and agricultural productivity in China［J］.Sustain Dev，31（5）：3428-3442.doi：10.1002／sd.2593.

Yu J，Zhou T J，Jiang Z H，2020.Interannual variability of the summer wind energy over China：a comparison of multiple datasets［J］.Wind Energy，23（8）：1726-1738.doi：10.1002／we.2512.

Yu L J，Zhong S Y，Bian X D，et al.，2015.Temporal and spatial variability of wind resources in the United States as derived from the climate forecast system reanalysis［J］.J Climate，28（3）：1166-1183.doi：10.1175／jcli-d-14-00322.1.

張佳，樂旭，田晨光，等，2023.基于CMIP6多模式集合的未來中國風功率預(yù)估［J］.大氣科學(xué)學(xué)報，46（3）：402-414. Zhang J，Yue Xu，Tian C G，et al.，2023.Estimation of future wind power density in China based on ensemble CMIP6 simulations［J］.Trans Atmos Sci，46（3）：402-414.doi：10.13878／j.cnki.dqkxxb.20221017008.（in Chinese）.

鄭彬，黃燕燕，谷德軍，等，2021.華南黑碳氣溶膠濃度與南海夏季風關(guān)系的年代際突變［J］.大氣科學(xué)學(xué)報，44（4）：507-517. Zheng B，Huang Y Y，Gu D J，et al.，2021.Interdecadal change in the relationship between black carbon aerosol over southern China and South China Sea summer monsoon［J］.Trans Atmos Sci，44（4）：507-517.doi：10.13878／j.cnki.dqkxxb.20191108012.（in Chinese）.

Zheng C W，Pan J，Li J X，2013.Assessing the China Sea wind energy and wave energy resources from 1988 to 2009［J］.Ocean Eng，65：39-48.doi：10.1016／j.oceaneng.2013.03.006.

Zhuo C，Junhong G，Wei L，et al.，2022.Changes in wind energy potential over China using a regional climate model ensemble［J］.Renew Sustain Energy Rev，159：112219.doi：10.1016／j.rser.2022.112219.