引言

琼州海峡属于我国内海，是我国三大海峡之一，连通北部湾和南海的重要通道，其海上交通比较繁忙，在有限的水域有众多往来的船只，因而海上安全事故时有发生，其中海面浓雾对海面交通往往存在很大的影响，容易发生碰撞事故(邓礼标，2005)，加强近地层风的研究及其预报能使人们有效地预报雾并预防由它所带来的灾害。在航空业逐渐发展的今天，其安全性也越来越受到重视。据统计表明，民用飞机事故的主要发生在起飞、开始爬升和最终着陆阶段，一共占事故发生总数的67%。由此可见，飞机起降过程是安全飞行的重中之重，因而机场附近近地层风对飞行安全起着决定性的作用(曾天翔，1998；王海霞等，2013)。风能作为一种清洁能源，使用风能发电可以大大降低使用传统能源发电时产生的污染气体。由于气候变化和能源危机的影响，风能资源已得到世界各国的广泛关注，在风电领域的投入逐步增加，近地层风场的研究也越来越受到重视(许杨等，2013；常蕊等，2013；American Wind Energy Association，2003)。

大风天气的形成有多重诱因，而寒潮是其中比较突出的一种。寒潮是我国冬半年主要灾害性天气，它关系到季节推迟或提前，甚至是反常气候的重要标志。它通常带来剧烈降温和大风的天气，对国民经济以及人民的安全都造成巨大的威胁(邓先瑞，1977；刘传凤，1990)。大风天气也容易导致海难事件的频发，黄少军等(2006)根据统计渤海海域1999—2005年发生的6起事故与大风天气的关系，发现出现6级以上风力时，客滚船发生沉船事故可能性较大，而且难以救援。

早期风的空间分布气候学尝试用地形高度和地表粗糙度这两个变量运用到统计中这一方法来进行研究，但是只能在平坦和同等质地的地形上的统计才能得到较好结果(Jackson et al，1975；Troen et al，1989；Dobesch et al，1997)。即使如此，统计方法仍然过度地应用于实际研究中，某些研究里，尽管只有稀疏的站点观测资料可以用，但是仍然得到风向风速的频率分布及其拟合。在有大量的观测资料的前提下，其理论应用还是具有很大的局限性，统计结果难以达到人们对风场研究所需准确度和精度的要求(Bartholy et al，2005；Mearn et al，1999)。尤其是近地面层有着极为复杂的下垫面，受其影响往往更难得到准确的近地面风场信息。

实际情况下，近地面层的厚度变化很大，在地表粗糙度大的地方和层结不稳定时，近地层的厚度可以达到100~200 m，而在地表粗糙度小或者层结稳定的情况下，其厚度可能很浅薄。在这里我们把近地面层定义为黏性副层(1 cm)到100 m高度定义为近地面层。以观测方法来了解近地面层风场的区域分布，比如人为的在不同高度上大范围地观测风速，这需要大量的人力物力来设置观测点并且进行维护。对近地层风场进行精细化的诊断往往能填补有限的观测站所不能达到的目的，并且大量的降低成本。随着计算机的发展，对风场的研究也开始使用数值模拟来进行全方位的研究。尤其是在复杂下垫面的情况下，数值方法更加体现出了它的优势。王桂玲等(2006)利用质量守恒风场调整模式MCF对北京地区的低层大气进行了模拟诊断，得到了平均流场和局地扰动两个方面的结果，发现局地风场形势与当地地形有着十分密切的关系。李艳等(2009)揭示了区域模式的动力降尺度方式可以对近地层风场分布特征有很强的诊断能力。张云海(2004)利用修改过的Mass模式以及详细的地形资料诊断辽宁地区的近地层风场，发现山地的动力效应是影响近地层风场的重要因素之一。路屹雄(2011)还有研究表明，城市地形会使局地地表能量发生较为明显的改变，会给地面风速带来很大的影响。

近些年，在近地层风的统计学方法的基础上(陈德桥等，2012)，利用中尺度动力模式结合CALMET(California Meteorological Model)诊断模式的方式来对区域风场进行研究的方法已经逐渐被人们接受并运用到研究中(王兴等，2012；李磊等，2013；杨薇等，2014；高留喜等，2014)。模式系统首先用中尺度模式对天气进行动力诊断，使这一区域风用网格距约为几千米的风场进行描述，然后再用诊断模式，在更细的地形以及使用土地利用数据对风场进行降尺度诊断研究，得到最终所需的风场。Yim等(2007)利用MM5/CALMET模式结合观测资料对澳门复杂地形下的风能资源进行了时间长达一年的研究，证明模拟诊断试验能准确地诊断出澳门地区的局地风场的风速风向，其垂直风速也能很好地与垂直廓线观测资料相匹配。Wang等(2008)研究发现，当读入一定量而且能表现当地环流特征的站点资料时，CALMET模式具有很强的诊断能力。Lu等(2012)利用WRF/CALMET动力诊断模式系统对海陵岛进行了为期一年的模拟诊断研究，发现其在层结稳定时期对风速诊断有较好表现。

此次试验的主要目的是对WRF/CALMET模式系统的模拟诊断能力进行详细分析，用观测风评估其准确性。评估在WRF所得的预报场的基础上对CALMET的诊断场进行分析，以试图得到CALMET在WRF模拟的预报场基础上有如何的改进。

1 试验设计 1.1 WRF模式设计

此次研究中采用的WRF模式版本为WRF 3.5.1。所用的数据是美国NCEP的FNL全球再分析资料，FNL再分析数据每6 h采集一次，水平分辨率为1°×1°。网格设置采用的是5重嵌套，垂直层数设置为57层，垂直层在1 km以下有9层，eta坐标分别为0.997、0.992、0.985、0.978、0969、0.960、0.950、0.938和0.925。高度为0.925约为930 hPa，离地高度约1 km，可以较为详细模拟出边界层的特征。

第一至第四层网格采用双向嵌套，网格距依次为27、9、3和1 km，积分步长为40 s。第五重网格采用的嵌套方式是单向嵌套，网格距为200 m，积分步长为2 s。本次研究采用的微物理参数化方案为Lin方案，长波辐射参数化方案为RRTM方案，短波辐射参数化方案为Dudhia方案，边界层参数化方案为MYJ方案，近地层参数化方案为eta方案，陆面过程方案为Noah-LSM方案，积云对流方案为BMJ方案。

1.2 CALMET模式

CALMET通常以天气预报模式的预报场作为其初猜场，经过地形适应和客观分析两步得到最终的风场。地形适应过程通常有以下几步组成，地形动力效应与阻挡效应、坡面效应和散度最小化，在精确的地形资料和下垫面资料下来对近地面层风场进行调整，得到更适合局地地形的风场。客观分析主要是结合地面、高空观测资料对风场进行调整，最终得到局地风场。因此要准确地诊断出风场，时间和空间上高密度并且准确的观测资料至关重要。但是并不是任何区域都具备这些条件，研究有时需要在缺乏以上条件的情况下进行，本文的诊断研究就是在没有读入任何观测资料的前提下进行的，研究CALMET模式在没有进行客观分析只针对地形适应过程的诊断效果。

这次试验，CALMET模式把WRF分辨率为1 km的气象场作为CALMET的初始气象场，对琼州海峡区域的风场进行精细化诊断，水平网格为600×500，网格距为200 m，垂直分为13层，最低层为10 m离地高度(above ground level，AGL)。地形资料采用的是NASA SRTM3(约为90 m分辨率，3 arc-sec)。

图 2表示CALMET的模式区域。CALMET采用的是横轴墨卡托投影(Universal Transverse Mercatar Projection，UTM)网格。UTM坐标使用的分区方法是按经度分区，每一区域范围经度差6°，从西向东顺序编号。全球共分60带，每带中央称为中央经线。每一区域的中央经线设定为500 km，向西减小，向东增大。图中横坐标表示这一模式区域相对中央经线111°E的纬向距离，纵坐标表示这一区域距赤道的距离。

1.3 天气过程实况

冷空气天气过程是大范围的强冷空气在一定的环流形势下自北向南爆发的现象。因而最外层模拟区域整体向北，包括了北部贝加尔湖地区、雅库茨克、鄂霍次克海和乌拉尔山等地区。本次研究的两次冷空气过程分别在2011年11月5—14日和2011年12月6—15日。其中11月冷空气过程中影响琼州海峡的时间大致在8日11时至10日11时，12月过程影响时间大致在8日08时至12日08时。

图 3是FNL资料各层的温度和风向随时间的变化图，可以看出两次冷空气过程到达琼州海峡的时间、各层的风速和风向及过程降温的大小。11月的冷空气过程大致于北京时11月8日11时到达琼州海峡。冷空气过程中，750 hPa下都有明显的降温，近地层高度上最大降温约为6℃，冷空气到达前低层有明显的东风存在，冷空气到达后风速增大，风向由偏东风转为北风。12月的冷空气过程相比之下强度要大得多，650 hPa下都有十分明显的降温，与11月的过程一样，冷空气到达前低空存在明显的偏东风，冷空气到达后有明显的偏东风转北风，近地层最大降温幅度达到9℃。

图 4表示本文所使用的观测资料所在位置。观测资料采用的是区域气象站和测风塔两类观测资料。区域气象站的高度为10 m，在图 4中为空心圆点，实心圆点则为测风塔，分别为秀英塔、徐闻塔、19011、21002、21004和21005测风塔，均包括2个测风高度，分别为10和60/70/80 m高度。总计21个观测点。

1.4 试验方案设计

利用21个观测点的风观测资料来对WRF和CALMET模拟结果进行评估，评估在冷空气到达琼州海峡前后，结果与真实风场的差异，从而对WRF和CALMET模式对近地面风场的精细化模拟诊断能力进行详细评估。一共设计了3组试验，分别是CALMET-200 m、WRF-1 km和WRF-200 m(表 1)。

试验设计的思路是对比WRF在精细化到1 km后，再采用两种方法精细化至200 m，这两种方法分别采用诊断模式CALMET降尺度到200 m网格，以及在WRF中采用单层嵌套的方式模拟至200 m，并进行比较。与此同时对比CALMET降尺度之后比WRF-1 km的风场是否有改进。

2 统计分析 2.1 RMSE统计评分

从图 5可以看出，无论是在11月还是12月的冷空气过程中，CALMET诊断结果的均方根误差(root-mean-square error，RMSE)都明显地小于WRF-1 km和WRF-200 m的模拟结果。从11月冷空气过程可以看出，WRF-1 km模拟结果的RMSE最大值大致为7 m·s^-1，而CALMET-200 m的诊断结果的RMSE最大值仅略大于4 m·s^-1。但是从风向来看，CALMET-200 m、WRF-1 km和WRF-200 m 3组试验结果都十分接近，几乎没有区别，12月的风向结果也是如此。12月冷空气过程风速的模拟诊断结果与11月冷空气十分相似。风速的RMSE曲线上显示CALMET-200 m的诊断结果明显好过WRF-1 km和WRF-200 m两组模拟，WRF-1 km与WRF-200 m的最大RMSE值分别为7和10 m·s^-1，而CALMET-200 m的最大RMSE值约为5 m·s^-1。对比WRF-1 km和WRF-200 m的两组模拟可以看出，WRF-200 m在寒潮过程中风速模拟的RMSE要远远大于WRF-1 km，出现这种问题可能的原因是CALMET模式在琼州海峡区域具有更细的地形信息，而且CALMET在描述局地环境下风时具有一定地优势。

在两次冷空气过程中，CALMET-200 m的风速诊断结果RMSE 12月比11月大0.919 m·s^-1，而WRF-1 km和WRF-200 m的风速模拟结果的平均RMSE 12月比11月分别大1.276和2.124 m·s^-1。而从风向的模拟诊断结果的RMSE可以看出，12月的风向RMSE整体要比11月更好，推测这一现象的出现可能是由于当冷空气过程更强时，WRF更容易模拟出相对准确的风向。

与10 m风速相比，高空风的模拟诊断结果更为接近。从表 3中可以看出，无论是风速还是风向，RMSE值都十分接近。从11与12月的风速RMSE上可以看出，CALMET-200 m的诊断风速要稍微比WRF-1 km和WRF-200 m好一些，WRF-1 km和WRF-200 m平均RMSE值与CALMET-200 m的风速平均RMSE的差值在11和12月分别为0.128、0.0882 m·s^-1和0.064和0.9993 m·s^-1，可见CALMET的诊断风场要比WRF的两次模拟过程都要表现更好。风向上来看，11与12月3组模拟诊断的平均RMSE都十分接近。但在两个个例中，12月的冷空气过程的风向误差要小于11月的误差，这一结论与10 m风的误差分析相似。从总体上来说，CALMET诊断在风速上的表现较好，尤其是10 m高度的风速，在对WRF-1 km的改进较为明显，在与WRF-200 m的模拟结果比较时，发现CALMET在对风场的精细化诊断比WRF做得更好；而在风向的改进无论是从10 m高度到60~80 m高度上来说都没有十分明显的提高，WRF模拟的结果从根本上决定了CALMET的诊断结果。

从RMSE的分析结果上，可以看出CALMET-200 m的10 m风速的诊断效果比另外两组模拟的效果要更好，而在近地面上层的风速模拟诊断效果的比较上，CALMET-200 m也略好于另外两组模拟的效果，由此可见，CALMET在诊断近地层的风速场具有比较出色的诊断效果。从风向上的模拟诊断来看，3组试验的效果都十分接近，可见在风向的模拟诊断中，精细化模拟诊断的效果并不出众。

以上的评估只能简单的评定3组试验结果的好坏，而不能精确地指出哪组试验在哪些方面表现优异，因此，需要采用更为详细的分析方法来进一步评估。

2.2 各风速段上的偏差分析

为了详细地看出在各个风速上风的区别，首先以实际观测的风速进行分级统计，用x轴表示；以3组试验的风速风向与真实观测差值的分布进行统计分析，用y轴表示。这样可以评估在不同风速段上对所有的模拟诊断偏差值进行统计，得到该风速段上的平均偏差值、四分位值、中位数和各个偏差段内的出现频率分布。同时再区分出冷空气活动期间与非冷空气活动期间的风速风向值进行统计，分析在两类天气现象下，风速风向的模拟诊断效果的差别。

2011年琼州海峡区域11月冷空气活动时间段为当地时间8日11时至10日11时，12月冷空气活动时间段为8日08时至12日20时。其他时刻属于冷空气尚未到达琼州海峡区域或者冷空气已经变性，为非冷空气活动时刻。

(1) 10 m高度风场

图 6表示10 m高度风在冷空气活动期间3组模拟诊断风速和风向的偏差统计。对比图 6a与6c，可以发现低风速时，CALMET-200 m的诊断风速要远远好于WRF-1 km和WRF-200 m的模拟结果，在0~4 m·s^-1的风速段，CALMET的偏差平均值从4 m·s^-1下降至约3 m·s^-1，而WRF-1 km的这一段风速段内的模拟风速维持在5 m·s^-1。从阴影的分布也可以看出，图 6a的偏差分布比图 6c的四分位距更小，表示CALMET-200 m的风速误差相对更加集中而且整体更小。图 6e可见，WRF-200 m的风速偏差非但没有比CALMET更为准确，相比起图 6c中WRF-1 km风场，无论是从平均偏差、四分数线和50%线来看，WRF-200 m的模拟风速都远小于WRF-1 km。中风速段4~7 m·s^-1，CALMET的风速偏差都基本小于2 m·s^-1，WRF-1 km的风速偏差基本维持在4 m·s^-1，WRF-200 m的风速正偏差为5~2 m·s^-1，随着风速的增大偏差值急剧减小。

图 7表示10 m高度风在非冷空气活动期间3组试验风速和风向的偏差统计。图 7a显示，CALMET-200 m在低风速段诊断偏差大致在2~4 m·s^-1，均值为3 m·s^-1，且离散程度很低，偏差最大分布频率集中在2~3 m·s^-1的风速段。大约在8~9 m·s^-1风速段诊断的偏差值均值为0 m·s^-1，在观测风速＞10 m·s^-1时，CALMET-200 m偏差急剧加大，13 m·s^-1时偏差的平均值达到-4 m·s^-1。对比图 7c，发现WRF-1 km在0 m·s^-1风速时，平均偏差值为4 m·s^-1，比CALMET-200 m的偏差值大约1 m·s^-1。而且在实际风速为2~4 m·s^-1时偏差值较0 m·s^-1时的偏差更大，这一风速段中，CALMET-200 m的诊断风速比WRF-1 km的模拟风速小约1 m·s^-1，而且CALMET-200 m的偏差离散程度要比WRF-1 km更小。而WRF-200 m的模拟结果比以上两组的试验具有更大的偏差，平均偏差的最大值达到了约5 m·s^-1，离散程度也更大，可见WRF模式在对近地面风场精细化模拟时，会产生比相对较低分辨率风场更大的风速误差。3组试验中，风向的模拟诊断结果相当相似，由此可见在没有冷空气的影响下，风向的模拟诊断更多地取决于WRF-1 km的模拟结果。

对比图 6和图 7的10 m风，冷空气控制时段和非冷空气控制时段在实际风速的分布上没有十分明显的区别。从CALMET-200 m的风速偏差图(图 6a和图 7a)来看，冷空气控制时段内的平均偏差要相比非冷空气时段在0~1 m·s^-1风速段内大1 m·s^-1左右。在大风速段内，非冷空气时段内存在较大的负偏差，而冷空气时段内则相对要小约1 m·s^-1。可见在两次过程中内，WRF/CALMET模式系统在非冷空气时间段内能更准确地模拟诊断出低风速。风向上来看，冷空气活动期间内，CALMET-200 m风向的四分位距范围在0~1 m·s^-1上为-40°~40°，随着风速加大，范围逐渐缩小为-10°~25°，大风速段，即＞8 m·s^-1风速时，风向的波动较大。对比CALMET-200 m在两个时间段内的区别，发现风速在0~1 m·s^-1这一风速段时，风向的偏差值都很大。随着风速增大，四分位距都在一定程度上减小，但是可以明显地看见在非冷空气活动时无论是四分位距、中位数和均值都保持在一个稳定的阈值范围内，而冷空气活动时出现了较大的波动，离散程度也更大。

(2) 60~80 m高度风场

图 8表示CALMET-200 m在测风塔上高度分别在60/70/80 m的一共6个测风塔上的风速风向偏差分布图。近地面层上层与10 m风速最大的不同是近地层上部风速要更大，主要分布于4~8 m·s^-1。

从图 8a和8b上可以看出，冷空气时段内CALMET-200 m在近地层上部的低风速模拟诊断偏差值都很大，平均偏差值大约均为5 m·s^-1以上。从风速由低至高的整体变化看，偏差值逐步缩小。近地层上部的风向也出现与风速同样的现象，在低风速段风向的模拟有很大的偏差，随着风速的增大，风向的模拟准确率都随之上升，模拟的风速偏差基本都在-10°~20°。当风速在13 m·s^-1时，风向的偏差值接近于0。相比10 m风在高风速段的低样本量，60~80 m高度上同样在低风速段有很少的样本，其结论有待进一步证实。

图 8c和8d为非冷空气时段内风速和风向偏差分布。与冷空气活动时类似，都是在低风段内偏差较大。风速偏差都是在实际风速为3 m·s^-1时，平均偏差和中位数线达到2 m·s^-1的偏差，随着风速的增大偏差逐渐缩小，实际风速为10 m·s^-1时，偏差值逐渐为0 m·s^-1。在风向的模拟诊断上，四分线范围都在-40°~40°，但是风向的偏差平均值已经十分接近于0。相比WRF-1 km、CALMET-200 m在2~5 m·s^-1的风向诊断偏差上要更加稳定，平均偏差值更小。

两个时段内对比，CALMET-200 m在非冷空气活动时比冷空气活动时的风速误差要小很多，尤其是在近地层上层的出现较多的4~8 m·s^-1这一风速段，冷空气活动时CALMET诊断风速偏差的平均值要更大，约1~2 m·s^-1，四分位距也更宽，误差分布的离散程度更大，误差较大。诊断风向时，在冷空气活动时间段内，WRF/CALMET模式系统对低风速段的风向模拟诊断偏差值较非冷空气活动时段内要大得多，冷空气内实际风速值达到4 m·s^-1时，风向误差趋近于真实风向，在±10°范围内波动。非冷空气活动时期，风向偏差均值始终保持在0°附近，四分位距比冷空气活动时段内小得多。

3 结论和讨论

(1) 3组试验中风速和风向的RMSE显示，在10 m高度上，CALMET-200 m的诊断风速要比WRF-1 km和WRF-200 m的RMSE值小1~2 m·s^-1，而3组试验的模拟诊断风向效果相当。60~80 m高度上CALMET-200 m的诊断风速的RMSE比WRF-1 km试验略小，比WRF-200 m模拟风速平均小1 m·s^-1，3组试验的风向模拟诊断效果在RMSE上表现相当。

(2) 对3组试验不同高度上的风速风向与实际风的偏差进行分析。

10 m高度上，WRF/CALMET模式系统能比WRF-200 m和WRF-1 km更加准确地诊断出0~4 m·s^-1的低风速段，平均偏差值要小1~2 m·s^-1，约为2~3 m·s^-1的正偏差。实际风速为4~8 m·s^-1时，CALMET-200 m诊断效果在所有风速段内诊断效果最好，平均偏差和中位数线大致都在0~2.5 m·s^-1，而这一风速段内WRF-1 km和WRF-200 m的平均偏差和中位数线大致都在2~5 m·s^-1。CALMET诊断模式在精细化的风场模拟中比WRF-1 km和WRF-200 m表现得更好，可见CALMET更多地考虑了地形的动力作用，而WRF全方位地考虑了各种要素却导致更大的偏差，可见在近地面风场的精细化模拟时，诊断模式存在一定的优势。风向上，CALMET-200 m与WRF-1 km和WRF-200 m没有很大的区别，其原因在于近地面风向除了受局地风场的影响之外，还在很大程度上受到地形的影响。而两个模式之间地形并没有很大的差异，所以风向上3组试验没有大的区别。除了地形影响，CALMET模式散度最小化过程中，由于散度是一个标量，并没有对风向这一矢量进行调整，因而对风向的诊断上，CALMET并没有提高。

60~80 m高度上，CALMET-200 m对比WRF-200 m的模拟风场并没有太大的区别，仅仅比WRF-1 km略好，原因可能在于CALMET模式的两个风场诊断模块只使用了第一个地形适应模块，而地形对风的影响可能无法达到这一高度。近地面高层的风很大程度受到的是热力作用影响而非地形的动力作用，CALMET在热力作用这一块还需要进一步的改进。

(3) 对比WRF/CALMET模式系统在冷空气活动期间与非冷空气活动期间的结果。10 m高度上，CALMET-200 m在非冷空气活动时段内比冷空气活动时段内在风速上表现出更小的偏差值和更小的四分位距，风向的诊断上也表现出同样的结果，可见CALMET在没有冷空气活动影响时能更加准确地诊断出10 m高度上的风速风向。在60~80 m高度上，冷空气过程中的风速偏差在4~8 m·s^-1这一风速段比非冷空气时期平均偏差值要大1~2 m·s^-1，而且具有更大的四分位距。风向的表现上，冷空气活动时段的低风速风向诊断误差要比非冷空气活动时期要大得多，冷空气活动时直至实际风速接近4 m·s^-1时，模拟诊断风向才趋近于真实风向，在±10°波动，非冷空气时期内，风向偏差均值始终接近于0°，实际风速＞4 m·s^-1时，非冷空气活动时期风向偏差四分位距大致比冷空气活动时小10°。由此可见WRF/CALMET模式模拟诊断的风向在非冷空气时段内表现出更好的模拟诊断效果。

(4) 精确模拟诊断近地面风场，WRF/CALMET模式具有比单纯WRF模式具有更准确的模拟诊断能力，而且能更少的消耗计算机资源，使得在近地面精细化风场的预报业务具有可行性。