強(qiáng)風(fēng)事件識(shí)別及預(yù)報(bào)訂正方法研究*

韓樂(lè)瓊 何曉鳳 張雪松 肖擎曜 陳 笑

1 北京玖天氣象科技有限公司,北京 100081 2 華風(fēng)氣象傳媒集團(tuán),北京 100081 3 中廣核風(fēng)電有限公司,北京 100070

提 要: 以如東海上風(fēng)電場(chǎng)升壓站激光雷達(dá)測(cè)風(fēng)資料為基礎(chǔ),提出了一種強(qiáng)風(fēng)事件識(shí)別方法,設(shè)計(jì)并比較了三種預(yù)報(bào)強(qiáng)風(fēng)事件識(shí)別方案?；跊Q策樹(shù)和一元線性回歸方法,分別開(kāi)展了針對(duì)強(qiáng)風(fēng)事件的訂正方法研究。結(jié)果發(fā)現(xiàn):三種預(yù)報(bào)強(qiáng)風(fēng)事件識(shí)別方案中,等分位閾值方案明顯更優(yōu),事件命中率達(dá)到76.1%,匹配時(shí)長(zhǎng)命中率達(dá)到87.6%;采用消偏閾值方案和等分位閾值方案預(yù)報(bào)的強(qiáng)風(fēng)事件時(shí)長(zhǎng)會(huì)更接近觀測(cè)強(qiáng)風(fēng)事件時(shí)長(zhǎng);等分位閾值方案識(shí)別的事件基本可以覆蓋到各次觀測(cè)強(qiáng)風(fēng)事件的全程;兩個(gè)訂正模型相對(duì)于模式預(yù)報(bào)都有一定提升與改進(jìn),其中決策樹(shù)比一元線性回歸模型更優(yōu),其平均絕對(duì)誤差、相對(duì)誤差和均方根誤差明顯更小。

引 言

風(fēng)是對(duì)多行業(yè)生產(chǎn)安全有直接影響的基本氣象要素,準(zhǔn)確的近地層風(fēng)速預(yù)報(bào)對(duì)企業(yè)提質(zhì)增效保安全具有重要的作用。隨著數(shù)值天氣預(yù)報(bào)(numerical weather prediction,NWP)技術(shù)的快速發(fā)展,基于NWP的風(fēng)速預(yù)報(bào)產(chǎn)品越來(lái)越多地應(yīng)用于各行各業(yè)的生產(chǎn)決策、重大活動(dòng)的氣象保障中。在港口氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估方面,一些研究采用模式風(fēng)場(chǎng)預(yù)報(bào)產(chǎn)品作為驅(qū)動(dòng),模擬了風(fēng)暴潮及其增水過(guò)程的水位變化,并基于此開(kāi)展了災(zāi)害性天氣下港口的氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估(曹越男等,2014;閆麗鳳等,2008)。針對(duì)易受大風(fēng)天氣影響的重大室外賽事活動(dòng),國(guó)內(nèi)外基于不同數(shù)值預(yù)報(bào)產(chǎn)品開(kāi)展了較多的賽場(chǎng)風(fēng)速預(yù)報(bào)及訂正技術(shù)研究,致力于提高區(qū)域模式的風(fēng)速預(yù)報(bào),為重大賽事提供氣象保障(王令等,2008;陳超君等,2012;Kiktev et al,2015;楊璐等,2022;邱貴強(qiáng)等,2023;劉郁鈺等,2023)。

隨著新能源行業(yè)的興起,NWP在風(fēng)能資源精細(xì)化評(píng)估和氣候模擬中也開(kāi)始發(fā)揮重要作用,國(guó)內(nèi)外在該方向均有大量研究成果與工程實(shí)踐。一些學(xué)者基于數(shù)值預(yù)報(bào)產(chǎn)品研究了我國(guó)近海風(fēng)能資源高分辨率模擬方法,分析了近海風(fēng)能資源分布狀況,部分研究側(cè)重于評(píng)估NWP產(chǎn)品在不同區(qū)域的風(fēng)速預(yù)報(bào)能力,為區(qū)域風(fēng)能模式預(yù)報(bào)的業(yè)務(wù)化應(yīng)用奠定了基礎(chǔ)(周榮衛(wèi)等,2010;何曉鳳等,2014;申華羽等,2020);國(guó)外學(xué)者也利用NWP產(chǎn)品采用動(dòng)力降尺度方法或著眼于提高某類(lèi)天氣事件的預(yù)報(bào)能力來(lái)評(píng)估局地風(fēng)能資源(Gioli et al,2014;Storm et al,2009);還有許多學(xué)者分別基于不同NWP產(chǎn)品開(kāi)展了在各地風(fēng)能預(yù)報(bào)中的實(shí)踐工作(李艷等,2009;Traiteur et al,2012;Cheng and Steenburgh,2015;劉郁玨等,2019;Liu et al,2021)。

雖然現(xiàn)階段不同的NWP風(fēng)速產(chǎn)品廣泛應(yīng)用于各行各業(yè)并起到了一些效果,但是因NWP的初值準(zhǔn)確性、物理過(guò)程參數(shù)化方案的近似性、求解過(guò)程的近似和截?cái)嗵幚?、地形與實(shí)際情況的偏差等,均會(huì)導(dǎo)致近地層風(fēng)速的預(yù)報(bào)結(jié)果存在較大偏差,為企業(yè)用戶(hù)做決策帶來(lái)較大的困擾。鑒于這種情況,多位學(xué)者開(kāi)展了基于局地觀測(cè)數(shù)據(jù)的預(yù)報(bào)風(fēng)速訂正技術(shù)研究,部分學(xué)者利用傳統(tǒng)線性方法進(jìn)行統(tǒng)計(jì)訂正(常蕊等, 2013; 肖擎曜等,2017),通過(guò)多種試驗(yàn)設(shè)計(jì)提高了局地風(fēng)速的預(yù)報(bào)能力;也有部分學(xué)者通過(guò)對(duì)同一風(fēng)電場(chǎng)運(yùn)用多種方法做訂正試驗(yàn),研究傳統(tǒng)線性方法和機(jī)器學(xué)習(xí)方法的表現(xiàn)差異(江瀅等,2013;Bédard et al,2013)。此外,還有許多學(xué)者采用諧波分析、向量機(jī)方法、K近鄰法、卡爾曼濾波、均生函數(shù)法、線性回歸法、相似分析法等方法(戚雙斌等,2009;程興宏等,2012;Lin et al,2015;Zjavka,2015;丁煌等,2013;張鐵軍等,2018;王彬?yàn)I等,2016;王在文等,2019;楊程等,2019)開(kāi)展了風(fēng)速預(yù)報(bào)訂正方法研究與應(yīng)用。這些工作顯著減小了預(yù)報(bào)誤差中的系統(tǒng)性偏差,對(duì)預(yù)報(bào)產(chǎn)品精度的提升起到了積極作用,但是對(duì)于降低強(qiáng)風(fēng)時(shí)段的預(yù)報(bào)誤差效果有限。

此外,不同的企業(yè)生產(chǎn)場(chǎng)景對(duì)風(fēng)速有不同的閾值要求,比如風(fēng)速超過(guò)10 m·s-1時(shí)可能威脅海上施工的作業(yè)安全,風(fēng)速超過(guò)25 m·s-1時(shí)部分風(fēng)力發(fā)電機(jī)組需要停機(jī)等。對(duì)特定企業(yè)而言,最關(guān)注的是影響其生產(chǎn)安全的風(fēng)速區(qū)間內(nèi)的風(fēng)速預(yù)報(bào)能力,當(dāng)預(yù)報(bào)風(fēng)速值接近該閾值時(shí),由于預(yù)報(bào)不確定性的存在,企業(yè)往往最難決策,因此對(duì)超過(guò)閾值的事件出現(xiàn)與否的預(yù)報(bào)準(zhǔn)確性提出了很高的要求,而對(duì)其他風(fēng)速段預(yù)報(bào)準(zhǔn)確性的要求反而并不那么高。這種情況下,需要面向特定生產(chǎn)場(chǎng)景定義普適性的強(qiáng)風(fēng)事件,并將這類(lèi)事件從預(yù)報(bào)序列中剝離出來(lái)有針對(duì)性的進(jìn)行訂正,才能更好地將其應(yīng)用于企業(yè)實(shí)際生產(chǎn)中。

本文首先基于海上風(fēng)電安全施工對(duì)風(fēng)速的具體要求,應(yīng)用滑動(dòng)平均函數(shù),提出了一種影響海上施工安全的持續(xù)性強(qiáng)風(fēng)事件識(shí)別方法,并在充分評(píng)估、分析風(fēng)速預(yù)報(bào)產(chǎn)品強(qiáng)風(fēng)預(yù)報(bào)能力的基礎(chǔ)上,結(jié)合實(shí)況與預(yù)報(bào)數(shù)據(jù),基于所提出的強(qiáng)風(fēng)識(shí)別方法的關(guān)鍵參數(shù),設(shè)計(jì)了三種預(yù)報(bào)識(shí)別方案,并評(píng)估比較了三種預(yù)報(bào)強(qiáng)風(fēng)事件,隨后基于決策樹(shù)和一元線性回歸方法,分別開(kāi)展了針對(duì)上述強(qiáng)風(fēng)事件的訂正方法研究。

1 資 料

本文觀測(cè)數(shù)據(jù)源自江蘇省南通市如東縣近海某風(fēng)電場(chǎng)激光雷達(dá)測(cè)風(fēng)資料(以下簡(jiǎn)稱(chēng)如東站),激光雷達(dá)安裝于該風(fēng)電場(chǎng)的海上升壓站,其距離海平面35 m,選用激光雷達(dá)10 m高度層風(fēng)速觀測(cè)序列,故觀測(cè)點(diǎn)距離平均海面的實(shí)際高度約為45 m。觀測(cè)資料采集期為2018年1月1日至12月31日,為了與模式預(yù)報(bào)輸出風(fēng)速時(shí)間對(duì)應(yīng),提取了每個(gè)整點(diǎn)時(shí)刻的10 min平均風(fēng)速觀測(cè)數(shù)據(jù),并對(duì)觀測(cè)風(fēng)速做極值質(zhì)量控制、僵值質(zhì)量控制和均一性檢驗(yàn)等,最后根據(jù)檢驗(yàn)結(jié)果剔除了異常值和缺測(cè)數(shù)據(jù)。

本文預(yù)報(bào)資料來(lái)自GDFS(Grid Data Forecast System)(陳笑等,2018)。GDFS是基于多模式預(yù)報(bào)產(chǎn)品的集成預(yù)報(bào)系統(tǒng)(以下簡(jiǎn)稱(chēng)模式),其空間分辨率為0.025°×0.025°,時(shí)間分辨率為1 h,預(yù)報(bào)時(shí)效為72 h,每天起報(bào)2次。該模式基于全國(guó)7萬(wàn)多個(gè)自動(dòng)站實(shí)時(shí)觀測(cè)資料和ECMWF、CMA-MESO、RMAPS_Wind等多個(gè)業(yè)務(wù)化數(shù)值預(yù)報(bào)系統(tǒng)的預(yù)報(bào)產(chǎn)品,通過(guò)動(dòng)態(tài)誤差權(quán)重法實(shí)現(xiàn)了集成預(yù)報(bào)。本文直接采用該模式每天08時(shí)起報(bào)的50 m高度層的前24 h預(yù)報(bào)風(fēng)速數(shù)據(jù)開(kāi)展研究。鑒于海上的下墊面較光滑,風(fēng)速的空間變化在一定范圍內(nèi)較小,故未對(duì)格點(diǎn)數(shù)據(jù)做插值,而是直接選用距離觀測(cè)地點(diǎn)最近的模式格點(diǎn)數(shù)據(jù),并將觀測(cè)資料與該格點(diǎn)的預(yù)報(bào)數(shù)據(jù)進(jìn)行逐時(shí)匹配。

2 強(qiáng)風(fēng)事件的定義與識(shí)別方法研究

2.1 強(qiáng)風(fēng)事件的定義

根據(jù)海上施工作業(yè)經(jīng)驗(yàn), 10 m·s-1是影響施工安全的重要風(fēng)速閾值,連續(xù)超過(guò)該閾值的強(qiáng)風(fēng)過(guò)程會(huì)導(dǎo)致施工無(wú)法進(jìn)行,因此認(rèn)為連續(xù)幾個(gè)小時(shí)平均風(fēng)速超過(guò)10 m·s-1即為一次海上安全施工高影響持續(xù)性強(qiáng)風(fēng)事件,通過(guò)以下具體流程識(shí)別強(qiáng)風(fēng)事件。

首先對(duì)風(fēng)速序列做滑動(dòng)窗口為5 h的滑動(dòng)平均,公式如下:

(1)

對(duì)滑動(dòng)平均后得到的新序列做判斷,當(dāng)風(fēng)速超過(guò)給定風(fēng)速閾值(針對(duì)本文研究的影響海上施工安全的持續(xù)性強(qiáng)風(fēng)事件,觀測(cè)強(qiáng)風(fēng)事件閾值為10 m·s-1),定義為一個(gè)強(qiáng)風(fēng)時(shí)次。當(dāng)強(qiáng)風(fēng)時(shí)次連續(xù)出現(xiàn)大于等于3 h,則記為一次強(qiáng)風(fēng)事件。第一個(gè)強(qiáng)風(fēng)時(shí)次為強(qiáng)風(fēng)事件的開(kāi)始時(shí)間,最后一個(gè)強(qiáng)風(fēng)時(shí)次為結(jié)束時(shí)間?？紤]到兩次強(qiáng)風(fēng)事件相距較近時(shí),小風(fēng)窗口太短無(wú)法完成施工,因此將后一次事件開(kāi)始時(shí)間與前一次事件結(jié)束時(shí)間的差小于等于3 h的兩次強(qiáng)風(fēng)事件合并為一次強(qiáng)風(fēng)事件。

2.2 強(qiáng)風(fēng)事件識(shí)別及特征分析

為開(kāi)展本文研究工作,首先需在風(fēng)速的觀測(cè)和預(yù)報(bào)序列中識(shí)別出強(qiáng)風(fēng)事件,再開(kāi)展特征分析和后續(xù)訂正技術(shù)研究。

首先嚴(yán)格根據(jù)上文定義,從觀測(cè)數(shù)據(jù)中進(jìn)行海上觀測(cè)強(qiáng)風(fēng)事件識(shí)別,結(jié)果顯示2018年該海上風(fēng)電場(chǎng)區(qū)域共出現(xiàn)觀測(cè)強(qiáng)風(fēng)事件71次,總時(shí)長(zhǎng)為1374 h,事件平均時(shí)長(zhǎng)約為19.35 h。

從預(yù)報(bào)風(fēng)速序列中識(shí)別強(qiáng)風(fēng)事件時(shí),首先需要了解模式預(yù)報(bào)風(fēng)速的基本情況。統(tǒng)計(jì)結(jié)果顯示,如東站2018年風(fēng)速觀測(cè)均值為7.01 m·s-1,預(yù)報(bào)均值為6.29 m·s-1,預(yù)報(bào)比觀測(cè)系統(tǒng)性偏小0.72 m·s-1,預(yù)報(bào)與觀測(cè)的相關(guān)性較高,相關(guān)系數(shù)達(dá)到0.86,表明預(yù)報(bào)能較好地反映出實(shí)際風(fēng)速的波動(dòng)轉(zhuǎn)折。從逐時(shí)預(yù)報(bào)誤差的頻率和累計(jì)頻率統(tǒng)計(jì)(圖1a)可以看出,如東站預(yù)報(bào)偏小的頻率明顯大于預(yù)報(bào)偏大的頻率,預(yù)報(bào)偏小占67.4%,頻率峰值對(duì)應(yīng)的誤差范圍為偏小0.5～1 m·s-1,偏小2 m·s-1以上達(dá)20.6%。針對(duì)本文研究側(cè)重的強(qiáng)風(fēng)段,篩選出觀測(cè)風(fēng)速大于等于10 m·s-1的相對(duì)強(qiáng)風(fēng)時(shí)次,提取出對(duì)應(yīng)時(shí)次的預(yù)報(bào),可計(jì)算得到強(qiáng)風(fēng)段誤差分布情況(圖1b),強(qiáng)風(fēng)段預(yù)報(bào)偏小頻率達(dá)94.1%,頻率峰值對(duì)應(yīng)的誤差范圍偏小2～2.5 m·s-1,且偏小2 m·s-1以上的達(dá)到58.9%,即強(qiáng)風(fēng)時(shí)段預(yù)報(bào)偏小的情況更為明顯。

圖1 2018年如東站(a)所有時(shí)段和(b)觀測(cè)風(fēng)速≥10 m·s-1時(shí)段的預(yù)報(bào)與觀測(cè)風(fēng)速的誤差頻率和累計(jì)頻率分布Fig.1 Distribution of frequency and cumulative frequency of wind speed error forecast and observed during (a) all time periods and (b) periods with observed wind speed ≥10 m·s-1 at Rudong Station in 2018

基于模式預(yù)報(bào)風(fēng)速總體偏小且強(qiáng)風(fēng)時(shí)段顯著偏小的特征,對(duì)預(yù)報(bào)風(fēng)速序列進(jìn)行強(qiáng)風(fēng)事件識(shí)別時(shí),開(kāi)展了三種敏感性識(shí)別方案的對(duì)比,以得到與實(shí)況強(qiáng)風(fēng)事件匹配度更高的預(yù)報(bào)強(qiáng)風(fēng)事件,這對(duì)于后續(xù)開(kāi)展訂正非常重要。模式閾值方案(以下簡(jiǎn)稱(chēng)模式法):基于上文定義的強(qiáng)風(fēng)事件閾值(10 m·s-1)和式(1)對(duì)預(yù)報(bào)風(fēng)速序列進(jìn)行直接識(shí)別,將該方案識(shí)別結(jié)果稱(chēng)為模式強(qiáng)風(fēng)事件;消偏閾值方案(以下簡(jiǎn)稱(chēng)消偏法):將模式預(yù)報(bào)的原始風(fēng)速進(jìn)行系統(tǒng)性偏差簡(jiǎn)單訂正,即對(duì)逐時(shí)預(yù)報(bào)均加上預(yù)報(bào)與觀測(cè)的誤差均值(0.72 m·s-1)后,再采用10 m·s-1閾值和式(1)做強(qiáng)風(fēng)事件識(shí)別,將該方案識(shí)別結(jié)果稱(chēng)為消偏強(qiáng)風(fēng)事件;等分位閾值方案(以下簡(jiǎn)稱(chēng)等分位法):考慮到觀測(cè)和預(yù)報(bào)的強(qiáng)風(fēng)時(shí)段在各自的整個(gè)時(shí)段內(nèi)占比是近似的,首先對(duì)觀測(cè)的滑動(dòng)平均序列由小到大排序,計(jì)算出觀測(cè)閾值10 m·s-1處的累計(jì)頻率值(82.4%),再提取模式預(yù)報(bào)風(fēng)速的滑動(dòng)平均序列由小到大排列后累計(jì)頻率82.4%處對(duì)應(yīng)風(fēng)速值(8.5 m·s-1),將該值作為預(yù)報(bào)強(qiáng)風(fēng)事件閾值(如圖2所示),再結(jié)合式(1)進(jìn)行強(qiáng)風(fēng)事件識(shí)別,將該方案識(shí)別結(jié)果稱(chēng)為等分位強(qiáng)風(fēng)事件。

強(qiáng)風(fēng)事件評(píng)估方法:對(duì)持續(xù)時(shí)間不超過(guò)20 h的觀測(cè)強(qiáng)風(fēng)事件,其時(shí)間范圍內(nèi)任意時(shí)刻識(shí)別到預(yù)報(bào)強(qiáng)風(fēng)事件,則記為一次命中,否則記為一次漏報(bào);若該次觀測(cè)強(qiáng)風(fēng)事件持續(xù)時(shí)間超過(guò)20 h,則要求二者的交集時(shí)長(zhǎng)大于等于5 h才記為一次命中,否則記為一次漏報(bào)。將與觀測(cè)強(qiáng)風(fēng)事件無(wú)交集的預(yù)報(bào)強(qiáng)風(fēng)事件記為一次空?qǐng)?bào)。事件命中率定義為命中次數(shù)除以觀測(cè)強(qiáng)風(fēng)事件總數(shù),以百分率表示。各方案預(yù)報(bào)與觀測(cè)事件逐時(shí)匹配時(shí)長(zhǎng):即預(yù)報(bào)與觀測(cè)同為大風(fēng)事件的時(shí)刻累計(jì)值。其匹配時(shí)長(zhǎng)命中率定義為匹配時(shí)長(zhǎng)除以總的觀測(cè)大風(fēng)事件時(shí)長(zhǎng)(1374 h)。

基于觀測(cè)強(qiáng)風(fēng)事件和三種識(shí)別方案得到的預(yù)報(bào)強(qiáng)風(fēng)事件開(kāi)展了效果評(píng)估,由表1可見(jiàn):模式法與觀測(cè)強(qiáng)風(fēng)事件的匹配較差,命中事件僅為28次,命中率為39.4%,漏報(bào)較多;消偏法將命中率提高到了54.9%;等分位法明顯更優(yōu),命中事件為54次,相比模式法增加命中26次,命中率提高到76.1%。但是隨著命中率的提高,消偏法和等分位法的空?qǐng)?bào)也略有增加:模式法空?qǐng)?bào)為1次,消偏法和等分位法空?qǐng)?bào)分別增加到了8次和9次。從事件總時(shí)長(zhǎng)來(lái)看,模式法、消偏法和等分位法的總時(shí)長(zhǎng)分別為692、1039和1401 h,與1年內(nèi)的觀測(cè)強(qiáng)風(fēng)事件總時(shí)長(zhǎng)相比分別表現(xiàn)為偏少682 h、偏少335 h和偏多27 h,等分位法識(shí)別的強(qiáng)風(fēng)事件總時(shí)長(zhǎng)明顯更接近觀測(cè)。

表1 2018年如東站三種方案識(shí)別得到的預(yù)報(bào)強(qiáng)風(fēng)事件評(píng)估Table 1 Assessment of forecast gale events identified by three schemes at Rudong Station in 2018

此外,對(duì)各方案預(yù)報(bào)與觀測(cè)事件逐時(shí)匹配時(shí)長(zhǎng)對(duì)比得出:模式法為625 h,消偏法為911 h,等分位法為1203 h,匹配時(shí)長(zhǎng)命中率分別為45.5%、66.3%、87.6%,即對(duì)觀測(cè)事件漏報(bào)的時(shí)長(zhǎng)分別為749、463和171 h。而各方案空?qǐng)?bào)事件的時(shí)長(zhǎng):模式法為14 h,消偏法為47 h,等分位法為87 h。可見(jiàn)消偏法和等分位法識(shí)別的強(qiáng)風(fēng)事件雖然相比模式法增加了約2 d的空?qǐng)?bào),但是匹配時(shí)長(zhǎng)分別增加了約12 d和24 d。

針對(duì)各月的強(qiáng)風(fēng)事件,分析后發(fā)現(xiàn)各方案空?qǐng)?bào)和漏報(bào)情況在同季節(jié)的各月間近似,因此從四個(gè)季節(jié)中分別選取了季節(jié)內(nèi)觀測(cè)強(qiáng)風(fēng)事件最多的月份構(gòu)成了典型月份(分別為4、7、10、12月)做進(jìn)一步分析。圖3給出了四個(gè)典型月份中,觀測(cè)強(qiáng)風(fēng)事件及三種方案得到的預(yù)報(bào)強(qiáng)風(fēng)事件的各月分布情況。由圖3可見(jiàn),雖然消偏法和等分位法識(shí)別的預(yù)報(bào)強(qiáng)風(fēng)事件會(huì)增加少量空?qǐng)?bào),但是二者能明顯減少模式漏報(bào);模式法識(shí)別的強(qiáng)風(fēng)事件時(shí)長(zhǎng)相對(duì)于同期觀測(cè)普遍偏短,采用消偏法和等分位法識(shí)別的預(yù)報(bào)強(qiáng)風(fēng)事件時(shí)長(zhǎng)會(huì)更接近觀測(cè);消偏法容易漏報(bào)影響時(shí)間較短的強(qiáng)風(fēng)事件,而采用等分位法能有效提高這類(lèi)影響時(shí)間較短的強(qiáng)風(fēng)事件的命中率;并且對(duì)比預(yù)報(bào)和觀測(cè)的各次事件的起止時(shí)間,等分位法基本可以覆蓋到各次強(qiáng)風(fēng)事件的全程。因此等分位法識(shí)別的預(yù)報(bào)強(qiáng)風(fēng)事件起止時(shí)間可為海上施工作業(yè)災(zāi)害預(yù)警的發(fā)布和解除提供有效參考。

圖3 2018年四個(gè)典型月份如東站觀測(cè)及三種方案預(yù)報(bào)的強(qiáng)風(fēng)事件分布Fig.3 Distribution of observed and forecast gale events by three schemes at Rudong Station in 2018

在四個(gè)典型月份中7月和10月存在空?qǐng)?bào)事件。圖4b給出了6月30日00時(shí)至7月31日23時(shí)觀測(cè)和預(yù)報(bào)時(shí)序,可看到7月1日的空?qǐng)?bào),是因?yàn)?月30日至7月1日模式預(yù)報(bào)的大風(fēng)段滯后于觀測(cè)大風(fēng),觀測(cè)大風(fēng)段結(jié)束于6月30日14時(shí),而預(yù)報(bào)風(fēng)速14時(shí)才開(kāi)始高于8 m·s-1,在采用消偏法和等分位法后,等分位法的預(yù)報(bào)大風(fēng)事件開(kāi)始于12時(shí),命中了觀測(cè)大風(fēng)事件的后半段,而消偏法的預(yù)報(bào)大風(fēng)事件開(kāi)始于16時(shí),沒(méi)有命中大風(fēng)事件;但是因?yàn)轭A(yù)報(bào)風(fēng)速滯后的原因,等分位法預(yù)報(bào)大風(fēng)事件的結(jié)束時(shí)間為7月1日01時(shí),導(dǎo)致了1日的短暫空?qǐng)?bào)。7日的空?qǐng)?bào)則是該段預(yù)報(bào)與觀測(cè)反向,表現(xiàn)為預(yù)報(bào)風(fēng)速在波峰而觀測(cè)相對(duì)在波谷,預(yù)報(bào)的相對(duì)大風(fēng)時(shí)段提前了一些,導(dǎo)致了預(yù)報(bào)風(fēng)速的整體偏大。其中7日的觀測(cè)平均風(fēng)速為7.19 m·s-1,而預(yù)報(bào)平均為10.23 m·s-1,預(yù)報(bào)偏高了3.04 m·s-1,這導(dǎo)致三個(gè)方法均出現(xiàn)了不同時(shí)間長(zhǎng)度的空?qǐng)?bào)。對(duì)10月的觀測(cè)和預(yù)報(bào)時(shí)序圖分析(圖4c),11日的預(yù)報(bào)風(fēng)速非常接近觀測(cè)風(fēng)速,預(yù)報(bào)和觀測(cè)風(fēng)速平均分別為8.30 m·s-1和8.37 m·s-1,預(yù)報(bào)風(fēng)速略偏小,消偏法加上誤差均值后風(fēng)速增加,從而出現(xiàn)了短暫空?qǐng)?bào),而等分位法因?yàn)榻档土碎撝党霈F(xiàn)了相對(duì)較長(zhǎng)的空?qǐng)?bào)。上述兩種空?qǐng)?bào)的成因共性不強(qiáng),且兩類(lèi)空?qǐng)?bào)事件在整個(gè)資料時(shí)間段內(nèi)相對(duì)較少,因此難以直接通過(guò)總結(jié)模式風(fēng)速預(yù)報(bào)的特征來(lái)消除空?qǐng)?bào)。在實(shí)際業(yè)務(wù)運(yùn)用時(shí),針對(duì)此類(lèi)大風(fēng)事件,可能需要考慮當(dāng)前天氣型的影響,做人工修正。

圖4 2018年(a)4月、(b)7月和(c)10月如東站的觀測(cè)和預(yù)報(bào)風(fēng)速Fig.4 The observed and forecast wind speeds at Rudong Station in (a) April, (b) July, (c) October of 2018

消偏法和等分位法預(yù)報(bào)的強(qiáng)風(fēng)事件雖能有效增加命中,減少漏報(bào),但是由于模式原始風(fēng)速預(yù)報(bào)的固有問(wèn)題,仍然存在一些強(qiáng)風(fēng)事件無(wú)法被預(yù)報(bào)出來(lái)(如圖3b,7月15—17日的觀測(cè)強(qiáng)風(fēng)事件),且存在一些預(yù)報(bào)強(qiáng)風(fēng)事件相對(duì)觀測(cè)強(qiáng)風(fēng)事件時(shí)長(zhǎng)偏短的現(xiàn)象(如圖3a,4月20—23日的觀測(cè)強(qiáng)風(fēng)事件)。分析對(duì)應(yīng)月份的時(shí)序圖(圖4a,4b),可看到上述提到漏報(bào)時(shí)段的風(fēng)速預(yù)報(bào)波動(dòng)與觀測(cè)相似,但是峰值風(fēng)速預(yù)報(bào)明顯偏小,其中4月20日、21日的單日均值分別偏小2.6 m·s-1和2.9 m·s-1,7月15日、16日、17日的單日均值分別偏小2.11、2.6和2.12 m·s-1,這種顯著偏小導(dǎo)致了預(yù)報(bào)事件的時(shí)長(zhǎng)偏短或漏報(bào)的情況。

3 強(qiáng)風(fēng)事件強(qiáng)度訂正方法研究

基于三種預(yù)報(bào)強(qiáng)風(fēng)事件識(shí)別方案研究的結(jié)果分析,運(yùn)用等分位法識(shí)別到的強(qiáng)風(fēng)事件從開(kāi)始時(shí)間、結(jié)束時(shí)間、持續(xù)時(shí)長(zhǎng)、命中率、時(shí)長(zhǎng)匹配等各方面都最接近觀測(cè)強(qiáng)風(fēng)事件,其起止時(shí)間可為海上施工作業(yè)災(zāi)害預(yù)警的發(fā)布和解除提供有效參考。因此,下文基于等分位法識(shí)別的預(yù)報(bào)強(qiáng)風(fēng)事件開(kāi)展預(yù)報(bào)強(qiáng)風(fēng)事件的強(qiáng)度訂正方法研究。

首先根據(jù)等分位強(qiáng)風(fēng)事件的時(shí)間段提取觀測(cè)及模式預(yù)報(bào)風(fēng)速數(shù)據(jù),并按照事件發(fā)生的先后順序依次重構(gòu)成新的觀測(cè)強(qiáng)風(fēng)序列和預(yù)報(bào)強(qiáng)風(fēng)序列(以下簡(jiǎn)稱(chēng)為強(qiáng)風(fēng)序列集)?？紤]到平均風(fēng)速是一個(gè)連續(xù)性的變量,某時(shí)刻的風(fēng)速與其之前和之后時(shí)刻的風(fēng)速均有密切關(guān)聯(lián),對(duì)強(qiáng)風(fēng)序列集采用如下方法重構(gòu)樣本集:

對(duì)強(qiáng)風(fēng)序列集內(nèi)某時(shí)刻i的觀測(cè)風(fēng)速yi,找到對(duì)應(yīng)時(shí)刻前后6 h內(nèi)(i-6,i-5,…,i,i+1,…,i+6)共13個(gè)預(yù)報(bào)風(fēng)速構(gòu)成預(yù)報(bào)因子集xi(k),其中i=1,2,…,n為時(shí)序(n也為樣本總數(shù));k=1,2,…,13為因子序號(hào),k=1時(shí),對(duì)應(yīng)i-6時(shí)刻的預(yù)報(bào)風(fēng)速,k=13時(shí),對(duì)應(yīng)i+6時(shí)刻的預(yù)報(bào)風(fēng)速,以此類(lèi)推。將上述變量合并即可構(gòu)建出樣本集D={(x1(k),y1),(x2(k),y2),…,(xi(k),yi),…,(xn(k),yn)},其中xi(k)=(xi(1),xi(2),…,xi(13))。隨后選取樣本集前80%時(shí)序的數(shù)據(jù)作為訓(xùn)練樣本,剩下的20%時(shí)序數(shù)據(jù)作為獨(dú)立檢驗(yàn)樣本,再分別采用了一元線性回歸和決策樹(shù)兩種訂正方法基于訓(xùn)練樣本段構(gòu)建了訂正模型,并用獨(dú)立檢驗(yàn)樣本段的數(shù)據(jù)進(jìn)行訂正和檢驗(yàn)。

3.1 一元線性回歸

一元線性回歸是通過(guò)尋找自變量與因變量的最小離差平方和來(lái)得到數(shù)據(jù)最優(yōu)函數(shù)解的方法(黃嘉佑,2000)。在本研究中,將因變量設(shè)置為觀測(cè)風(fēng)速yi,通過(guò)對(duì)前述樣本集xi(k)與yi計(jì)算線性相關(guān)后,選擇相關(guān)性最高的xi(8)(其相關(guān)系數(shù)為0.72)做為自變量,假定二者存在下述的一元線性統(tǒng)計(jì)關(guān)系式[式(2),其為回歸理想模型],利用樣本集中的數(shù)據(jù)對(duì)該關(guān)系式進(jìn)行估計(jì),得到的估計(jì)方程即為一元線性回歸方程[式(3)]。

yi=β0+β1xi(8)+ei

(2)

(3)

式(3)需要滿足使得全部的觀測(cè)風(fēng)速與訂正風(fēng)速的離差平方和(Q)達(dá)到最小,即:

(4)

將式(3)代入式(4)并展開(kāi),根據(jù)最小二乘法即可解出方程組的系數(shù)。本研究中解出來(lái)的一元線性方程如下:

(5)

3.2 決策樹(shù)

決策樹(shù)是一種樹(shù)結(jié)構(gòu),是近年來(lái)機(jī)器學(xué)習(xí)方法中基本的分類(lèi)與回歸方法?；貧w決策樹(shù)主要指CART(classification and regression tree)算法,其由Breiman et al(1984)提出。針對(duì)連續(xù)值,其是通過(guò)誤差平方和來(lái)度量和劃分葉節(jié)點(diǎn)的一種算法。算法本質(zhì)是將樣本時(shí)段的特征空間根據(jù)當(dāng)前誤差平方和最小的條件來(lái)劃分成左右兩個(gè)結(jié)點(diǎn),兩個(gè)結(jié)點(diǎn)分別以同一個(gè)特征變量的值作條件劃分,依次對(duì)劃分出的每個(gè)結(jié)點(diǎn)的結(jié)果接著進(jìn)行劃分,即得到若干個(gè)單元,每一個(gè)劃分單元有一個(gè)特定的輸出。在檢驗(yàn)時(shí)段的數(shù)據(jù)應(yīng)用中,只要按照特征將其歸到某個(gè)單元,便能得到對(duì)應(yīng)的訂正輸出值。

本研究針對(duì)上文中定義的訓(xùn)練數(shù)據(jù)集D={(x1(k),y1),(x2(k),y2),…,(xi(k),yi),…,(xn(k),yn)},其中xi(k)為不同的特征變量,k的取值為1,2,3,…,13,分別表示對(duì)應(yīng)觀測(cè)時(shí)刻往前6 h至往后6 h 的預(yù)報(bào)風(fēng)速。在決策樹(shù)CART算法中對(duì)上述由所有特征變量組成的特征空間采用遍歷當(dāng)前集合中所有特征變量的所有取值的方法進(jìn)行劃分,根據(jù)誤差平方和最小化原則選擇其中最優(yōu)的一個(gè)作為切分點(diǎn)。如第一輪劃分,對(duì)訓(xùn)練集中的某一個(gè)特征變量xi(k)給出一個(gè)s值,將xi(k)作為切分變量,s作為切分點(diǎn),即可將D根據(jù)s劃分為兩個(gè)區(qū)域R1(k,s)和R2(k,s),即R1(k,s)={(xi(k),yi)|xi(k)≤s},R2(k,s)={(xi(k),yi)|xi(k)>s}。該s的取值要使得當(dāng)前兩個(gè)區(qū)域的誤差平方和最小,即滿足式(6):

(6)

本文的決策樹(shù)回歸模型其本質(zhì)可看作是模型根據(jù)輸入預(yù)報(bào)的多特征變量的風(fēng)速與對(duì)應(yīng)的觀測(cè)風(fēng)速,總結(jié)每一次輸入的13個(gè)風(fēng)速預(yù)報(bào)點(diǎn)的變化曲線與對(duì)應(yīng)觀測(cè)的特征,通過(guò)對(duì)各個(gè)特征變量的閾值劃分將預(yù)報(bào)風(fēng)速劃分為不同的天氣型,并給出了判斷不同天氣型的逐級(jí)關(guān)鍵切分變量和切分點(diǎn),因此在讀入新的預(yù)報(bào)風(fēng)速序列時(shí),可根據(jù)預(yù)報(bào)風(fēng)速值確定對(duì)應(yīng)天氣型,最終得到該類(lèi)天氣型下的訂正結(jié)果。

3.3 兩種訂正方法性能評(píng)估與分析

3.3.1 評(píng)估指標(biāo)

針對(duì)兩種訂正方法在強(qiáng)風(fēng)事件中訂正性能的評(píng)估,整體定量評(píng)估方面采用平均絕對(duì)誤差(MAE)、相對(duì)誤差(RE)、均方根誤差(RMSE)三個(gè)方法定義檢驗(yàn)指標(biāo),如式(7)～式(9):

(7)

(8)

(9)

3.3.2 綜合評(píng)價(jià)

上述獨(dú)立檢驗(yàn)樣本時(shí)段包含300個(gè)樣本,其中觀測(cè)風(fēng)速均值為11.91 m·s-1,模式預(yù)報(bào)風(fēng)速均值為10.15 m·s-1。經(jīng)過(guò)一元線性回歸和決策樹(shù)訂正后的風(fēng)速均值分別為10.98 m·s-1和11.23 m·s-1?？梢?jiàn)兩種訂正方法均能有效減少均值誤差,使得訂正風(fēng)速均值更接近觀測(cè)均值。由表2的模式預(yù)報(bào)及兩種訂正方法的風(fēng)速檢驗(yàn)結(jié)果可見(jiàn),MAE從模式預(yù)報(bào)的1.97 m·s-1變?yōu)?.43 m·s-1(一元線性回歸)和1.31 m·s-1(決策樹(shù)),分別減小了0.54 m·s-1和0.66 m·s-1;訂正后RE雖然仍然偏小,但是偏小程度明顯降低,從模式預(yù)報(bào)的-14.7%變?yōu)?7.81%(一元線性回歸)和-5.71%(決策樹(shù));此外,RMSE也明顯減小。無(wú)論是從MAE、RE或RMSE來(lái)看,經(jīng)過(guò)兩種訂正方法訂正后的風(fēng)速預(yù)報(bào)效果相對(duì)于模式風(fēng)速預(yù)報(bào)效果都有一定提升與改進(jìn),其中決策樹(shù)模型比一元線性回歸模型更優(yōu)。

表2 2018年如東站的模式原始預(yù)報(bào)和兩種訂正方法的效果評(píng)估Table 2 The effect comparison of forecasted by model and corrected wind speeds by two methods at Rudong Station in 2018

從整個(gè)檢驗(yàn)樣本時(shí)段的時(shí)序圖來(lái)看(圖5),在每個(gè)強(qiáng)風(fēng)事件的波峰處,模式預(yù)報(bào)的風(fēng)速均是明顯偏小于觀測(cè)的,經(jīng)過(guò)兩種方法訂正后,風(fēng)速均有一定增加,且基本在每個(gè)強(qiáng)風(fēng)事件的波峰處一元線性回歸法訂正風(fēng)速的誤差均高于決策樹(shù)訂正風(fēng)速的誤差,比觀測(cè)風(fēng)速偏小相對(duì)較多。

圖5 2018年如東站強(qiáng)風(fēng)序列集檢驗(yàn)時(shí)段觀測(cè)、模式預(yù)報(bào)、兩種訂正方法的風(fēng)速時(shí)序變化Fig.5 Temporal variation of observed, forecasted by model and corrected by two methods wind speeds in gale event test periods at Rudong Station in 2018

部分波峰處(如序號(hào)1～15和94～100)決策樹(shù)訂正后風(fēng)速偏大于觀測(cè),是因?yàn)榻颖鞠鄬?duì)較少,供模型學(xué)習(xí)分類(lèi)的歷史事件不足,導(dǎo)致一些天氣型未學(xué)習(xí)到,將輸入的新時(shí)序作為類(lèi)似于7月12—14日觀測(cè)出現(xiàn)較長(zhǎng)的強(qiáng)風(fēng)事件中,對(duì)預(yù)報(bào)風(fēng)速明顯偏小的天氣型進(jìn)行訂正,導(dǎo)致訂正相對(duì)實(shí)況偏大。

3.3.3 最強(qiáng)強(qiáng)風(fēng)事件評(píng)價(jià)

從檢驗(yàn)時(shí)段中,以觀測(cè)風(fēng)速的最大值為條件篩選出了最強(qiáng)強(qiáng)風(fēng)事件(2018年11月16日05時(shí)至17日05時(shí)的強(qiáng)風(fēng)事件)。圖6給出了這次強(qiáng)風(fēng)事件的時(shí)序圖,該次強(qiáng)風(fēng)事件因?yàn)闁|亞大槽東移,地面冷鋒南壓,帶來(lái)一股股強(qiáng)冷空氣形成大風(fēng)降溫事件?？梢钥吹?6日05—10時(shí)風(fēng)速較大,為12～18 m·s-1,此為該次事件的第一個(gè)波峰,隨后風(fēng)速逐漸回落到10 m·s-1左右再次增大,18—22時(shí)為第二個(gè)波峰,風(fēng)速約為12～14 m·s-1,此后回落到最低7 m·s-1左右。模式預(yù)報(bào)出了第一個(gè)波峰,但是模式預(yù)報(bào)的波峰風(fēng)速明顯小于實(shí)況,可能是因?yàn)樵撚^測(cè)站位于近海,從陸地到海洋的下墊面變化使得風(fēng)力增強(qiáng),而模式對(duì)地形變化的刻畫(huà)能力不足導(dǎo)致了誤差,且模式對(duì)第二個(gè)波峰幾乎沒(méi)有體現(xiàn),一元線性回歸訂正后也僅僅是增加了風(fēng)速值,整體形態(tài)和模式預(yù)報(bào)一致,沒(méi)有預(yù)報(bào)出第二個(gè)波峰,而決策樹(shù)訂正后的風(fēng)速序列能明顯看出兩個(gè)波峰,如上文所述,決策樹(shù)可看作是通過(guò)建模時(shí)段輸入的預(yù)報(bào)風(fēng)速序列學(xué)習(xí)劃分不同天氣型,從而根據(jù)新的預(yù)報(bào)風(fēng)速序列判斷對(duì)應(yīng)天氣型的過(guò)程,此處決策樹(shù)模型學(xué)習(xí)到了出現(xiàn)雙波峰的天氣型,因此增大了第二個(gè)波峰處的訂正風(fēng)速,從而訂正出第二個(gè)波峰。

圖6 2018年11月16日05時(shí)至17日05時(shí)如東站的觀測(cè)、模式預(yù)報(bào)兩種訂正方法的風(fēng)速對(duì)比Fig.6 Comparison of observed, forecasted by model and corrected by two methods wind speeds at Rudong Station from 05:00 BT 16 to 05:00 BT 17 November 2018

此外,從這次事件的風(fēng)速最大值來(lái)看:觀測(cè)風(fēng)速最大值為16.81 m·s-1(7級(jí)),模式預(yù)報(bào)風(fēng)速為12.82 m·s-1(6級(jí)),一元線性回歸訂正風(fēng)速為13.68 m·s-1(6級(jí)),決策樹(shù)訂正風(fēng)速為15.62 m·s-1(7級(jí)),模式預(yù)報(bào)和一元線性回歸訂正的風(fēng)速均明顯低于觀測(cè)風(fēng)速,誤差分別為3.99 m·s-1和3.13 m·s-1,而決策樹(shù)訂正的風(fēng)速將誤差縮小到1.19 m·s-1。從最大強(qiáng)度和序列形態(tài)上看,決策樹(shù)訂正后的風(fēng)速都更接近觀測(cè),適合用作海上施工作業(yè)中的強(qiáng)風(fēng)預(yù)警。

在業(yè)務(wù)化應(yīng)用時(shí),可以首先對(duì)預(yù)報(bào)風(fēng)速采用等分位法識(shí)別強(qiáng)風(fēng)事件,若識(shí)別到強(qiáng)風(fēng)事件,則對(duì)強(qiáng)風(fēng)事件對(duì)應(yīng)時(shí)間段的預(yù)報(bào)風(fēng)速采用上述決策樹(shù)模型做訂正,并替換模式預(yù)報(bào)的該時(shí)間段風(fēng)速,其余非強(qiáng)風(fēng)事件時(shí)段的預(yù)報(bào)風(fēng)速則采用原始模式預(yù)報(bào)風(fēng)速。

4 結(jié)論與討論

針對(duì)海上施工作業(yè)對(duì)氣象條件的要求,本文定義了一種持續(xù)性強(qiáng)風(fēng)事件識(shí)別方法。利用GDFS模式資料,采用實(shí)況與預(yù)報(bào)相結(jié)合的方法,設(shè)計(jì)并比較了三種預(yù)報(bào)強(qiáng)風(fēng)識(shí)別方案,根據(jù)評(píng)估結(jié)果選出了最優(yōu)識(shí)別方案。在其基礎(chǔ)上,采用一元線性回歸和決策樹(shù)方法對(duì)預(yù)報(bào)強(qiáng)風(fēng)事件的風(fēng)速序列進(jìn)行訂正,并開(kāi)展了整體訂正效果評(píng)估和典型過(guò)程訂正效果分析,得到了以下結(jié)論:

(1) 與原始模式預(yù)報(bào)相比,消偏法和等分位法均能夠有效提高預(yù)報(bào)強(qiáng)風(fēng)事件的識(shí)別命中率,而等分位閾值方案更優(yōu),其識(shí)別命中率達(dá)到76.1%,匹配時(shí)長(zhǎng)命中率達(dá)87.6%。

(2)采用消偏法和等分位法均能增加識(shí)別強(qiáng)風(fēng)事件的時(shí)長(zhǎng)、減少漏報(bào),其中等分位法識(shí)別的預(yù)報(bào)強(qiáng)風(fēng)時(shí)長(zhǎng)與觀測(cè)非常接近,且能明顯增加對(duì)影響時(shí)間較短的觀測(cè)強(qiáng)風(fēng)事件的命中率。

(3)采用等分位法識(shí)別的強(qiáng)風(fēng)事件基本可以覆蓋到各次觀測(cè)強(qiáng)風(fēng)事件的全程,有利于精準(zhǔn)給出強(qiáng)風(fēng)預(yù)警的開(kāi)始和結(jié)束時(shí)間。

(4)一元線性回歸和決策樹(shù)模型都能一定程度上減少?gòu)?qiáng)風(fēng)事件中風(fēng)速預(yù)報(bào)的誤差,其中決策樹(shù)相比一元線性回歸模型更優(yōu)。

(5)從最大強(qiáng)度和序列形態(tài)上看,由決策樹(shù)訂正后的風(fēng)速比一元線性回歸訂正后的風(fēng)速更接近實(shí)況。

本文研究了海上觀測(cè)的持續(xù)性強(qiáng)風(fēng)事件特征并分析了模式的預(yù)報(bào)表現(xiàn),給出了影響海上施工安全的持續(xù)性強(qiáng)風(fēng)事件的識(shí)別方法及基于敏感性參數(shù)的預(yù)報(bào)強(qiáng)風(fēng)識(shí)別方案和預(yù)報(bào)序列強(qiáng)度的訂正方法,有效改進(jìn)了強(qiáng)風(fēng)事件預(yù)報(bào)能力,但仍然存在一些強(qiáng)風(fēng)事件漏報(bào)或預(yù)報(bào)事件相對(duì)觀測(cè)事件的時(shí)長(zhǎng)偏短的現(xiàn)象。此外,因?yàn)橘Y料時(shí)長(zhǎng)較短,做決策樹(shù)訂正建模時(shí),數(shù)據(jù)相對(duì)較少且部分天氣型未學(xué)習(xí)到,會(huì)導(dǎo)致部分訂正偏大,未來(lái)可考慮引入風(fēng)向因子并增加資料時(shí)長(zhǎng),根據(jù)觀測(cè)強(qiáng)風(fēng)事件進(jìn)行分類(lèi),從而歸納不同風(fēng)向的強(qiáng)風(fēng)事件,再構(gòu)建訂正模型,嘗試進(jìn)一步降低漏報(bào)和減少空?qǐng)?bào)。另外,本文只采用了一個(gè)模式對(duì)一個(gè)海上觀測(cè)點(diǎn)的數(shù)據(jù)做研究,得到的預(yù)報(bào)強(qiáng)風(fēng)事件識(shí)別方案仍有一些局限性。對(duì)于其他模式預(yù)報(bào),若預(yù)報(bào)本身與觀測(cè)風(fēng)速的相關(guān)性太差,可能難以通過(guò)上述方法來(lái)提高預(yù)報(bào)強(qiáng)風(fēng)事件的預(yù)報(bào)能力。此外,在中國(guó)各海域的強(qiáng)風(fēng)特征也不盡相同,所以識(shí)別方法和訂正方法有待進(jìn)一步研究。