2020, Vol. 46 
2. 宁波市气象台，宁波 315012
2. Ningbo Meteorological Observatory of Zhejiang Province, Ningbo 315012
浙江省拥有近6 500 km海岸线，约占中国海岸线总长的五分之一，居中国首位，境内拥有货物吞吐量超10亿t的世界级港口——宁波舟山港。“21世纪海上丝绸之路”国家战略布局，为浙江海洋经济发展带来前所未有的机遇和挑战，同时海上航行安全和港口的高效精准作业都对气象预报和服务提出了更高的要求。大风作为影响航运交通的主要气象灾害之一(刘哲等，2018；王静静等，2012；黎鑫等，2016；齐庆华等，2019)，是沿海地区气象部门业务工作的重点。随着各种精细化数值预报产品投入业务使用，大风预报服务能力得到了极大提高，与此同时数值预报产品在不同区域的精细化评估检验显得愈发重要。
目前针对数值预报近地面气象要素的检验已有不少研究，评估主要集中在降水(董全等，2016；潘留杰等，2015；陈圣劼等，2019；罗玲等，2019)、气温(薛谌彬等，2019；万夫敬等，2018；贾丽红等，2018)等要素，对于10 m风的分析相对较少。近年来随着近海海岛自动气象站和浮标站的建设，近海10 m风的数值预报评估工作也得到加强。侯淑梅等(2014)检验了T639数值预报产品对黄渤海沿海大风的预报效果，表明风速预报比观测偏小，大风过程的开始时间预报略偏早，而对于大风的结束时间和最大风速的开始和结束时间预报均略偏晚；曾瑾瑜等(2015)利用福建省冬半年沿海和港湾岛屿自动站的逐时极大风观测资料，检验了WRF、ECMWF细网格以及T639三种模式预报的10 m风场，结果表明WRF和ECMWF细网格的预报效果相对更好；阎丽凤等(2013)客观检验MM5、WRF-RUC和T639三种数值模式对山东沿海风的预报性能，认为模式普遍存在对于小风天气预报偏大、大风天气预报偏小的特点，WRF-RUC模式预报准确率稍高于MM5模式，T639模式预报相对较差；吴俞等(2015)对ECMWF细网格10 m风场产品在南海海域的预报进行了检验，结果表明风速预报比观测略偏大，风向预报偏差多数集中分布在±45°之间，在不同风向、以及不同季节预报误差存在一定差异；胡海川等(2017)研究认为，ECMWF集合预报在我国近海洋面10 m风速的众数正确率及稳定性高于中值及平均值，在此基础上建立的客观订正方法，可以改进冷空气及台风大风天气过程的预报效果。总体来看，由于海上观测资料稀少，近岸地形对10 m风预报影响分析的研究相对较少，对于近海系统性大风过程的预报评估尤为缺乏，因此在很大程度上影响到风场数值产品的业务应用。
浙江沿海岛屿众多，特别是北部近海海岸地形复杂，风速和风向分布特征更为复杂。2005年以来气象部门在浙江沿海先后建设了大量自动气象观测站，2010年又投放了2个浮标站，为近海风的预报分析积累了宝贵资料。姚日升等(2016)通过模糊聚类对自动站进行空间分型，最终得到120个可以代表浙江沿海风速和风向特征的自动站，对这些站点进一步分析还表明，自动站风速一般小于浮标站，站点离岸距离是影响自动站和浮标站风速差值的主要因子，差值与海拔髙度相关性反而不显著。本文利用2015-2018年沿海自动观测站及浮标观测站10 m风观测资料，对ECMWF细网格数值预报10 m风进行了评估，分析了误差的空间分布特征，统计了影响浙江地区的几种典型大风天气系统的预报准确率，并尝试利用线性回归对浮标站过程最大风速进行订正，以提高ECMWF细网格数值预报10 m风在浙江近海的应用能力。
1 资料与方法 1.1 资料所用资料包括2015-2018年浙江沿海气象观测站逐小时整点10 min平均风速和风向、逐小时极大风速和风向、ECMWF细网格预报10 m风场。在空间模糊聚类的基础上，剔除缺测较多及海拔较高的站点，最终有88个观测站(图 1中蓝色和红色站点)参与评估分析，其中舟山浮标站和温州浮标站离岸距离分别约为47 km和70 km，浮标站附近海域开阔，受地形影响较小，对海平面10 m风具有很好的代表性，其他站点分布在沿海地区和海岛，海拔高度大多在100 m以下，19个站点海拔高度高于100 m，受海拔高度和局地地形等因素影响，带有一定的局地性。ECMWF细网格预报产品空间分辨率0.125°×0.125°，预报时效达10 d(240 h), 前72 h时间分辨率为3 h，72 h后分辨率为6 h，每天08、20时(北京时)进行两次预报。
|
图 1 ECMWF格点分布及88个浙江沿海观测站分布
(蓝色三角为自动站，红色三角为浮标站，黑色圆点 为ECMWF格点，黑色多边形区域内的模式格点 用于模式预报大风过程的判断，红色矩形 区域为宁波舟山港，橙色矩形区域为三门湾) Fig. 1 Distribution of ECMWF model grids and 88 observation stations in offshore Zhejiang (blue triangles: automatic weather stations, red triangles: buoy stations, black dots: ECMWF model grids. The grids in black polygon are used for verification. red rectangle: Ningbo Zhoushan Port, orange rectangle: Sanmen Bay) |
利用双线性插值方法，将ECMWF细网格10 m风场插值到观测站点。将插值后的u和v分量转换为风向，并取其与站点观测风向的偏差，定义顺时针方向偏差为正，逆时针方向偏差为负，即风向偏差范围在-180°~180°。将插值后的风速和风向与观测值进行比较，采用相关系数(R)、平均偏差(MBE)、均方根误差(RMSE)等统计指标(魏凤英，2007)评估其预报效果。
1.3 大风过程判别及预报评估方法实测大风过程定义：根据业务预报和服务经验，当图 1中观测站点整点10 min平均风速≥6级(10.8 m·s-1)或小时极大风速≥8级(17.2 m·s-1)的站数达到总站数的20%及以上，即定义为一个大风时次。任意时段内大风时次≥3时次，且两个相邻大风时次的间隔≤12 h，则定义为一次大风过程。第一个大风时次为大风过程的开始时间，最后一个大风时次为结束时间。
预报大风过程定义：根据图 1中黑色多边形区域内的格点进行判别，共329个格点，基本覆盖了参与评估的自动观测站点; 考虑到预报大风过程的判别和评估主要针对沿海海面，为了排除陆地格点进入评估区域，多边形靠近陆地的直线要尽可能地靠近海岸线，因此部分站点不在多边形区域内。过程判别标准为：某预报时次风速≥6级的格点占比达到20%及以上，则认为该时次预报有大风；如果同一起报场的240 h预报时效内预报的大风≥1时次，且两个相邻大风时次的间隔≤12 h，则认为预报有一次大风过程。
大风过程评估方法：仅当有实测大风过程才评估模式对大风过程的预报能力，因此空报率不在统计范围。从实测大风过程开始时间检索不同起报时次的ECMWF预报，如果在实测大风过程开始时间的前后12 h内预报有大风过程开始则认为预报准确，否则为漏报。
2 预报误差分析除浮标站资料为标准海平面10 m测风外，其余站点测风都是地形地貌、站点海拔及边界层热力条件作用的综合表现。模式站点预报风与实际风资料的偏差，本质上体现出模式对站点风的综合预报能力，将插值后的ECMWF风向风速与站点观测值进行直接对比，评估结果便于预报员直接参考。将ECMWF预报插值到站点，按12 h时效间隔进行归类，形成不同预报时效的数据集。12~72 h预报时效大部分站点样本量在1.0~1.1万，72 h时效后样本量在0.5万左右。
2.1 风速和风向误差空间分布分析发现：不同时效的风向风速预报误差空间分布基本一致，预报风速与实测相关系数总体表现出平行于海岸线、自西向东逐渐增大的特点，而海岸线附近的站点风向预报的平均绝对偏差和均方根误差明显大于远离海岸线的站点。图 2为12~24 h预报风速和风向评估指标的空间分布。图 2a可见，预报与实测风速相关系数小于0.6的有4个站，都位于海岸线附近，达到0.8以上的有20个站，6个站点超过了0.85，都位于远离陆地的海上。风速平均偏差大多分布在±3 m·s-1范围内，其中正偏差站数约60个，主要集中在海岸线附近以及宁波舟山港周边，即风速预报值相比观测值偏大，负偏差站数约28个，站点大多距海岸线相对较远，尤其是浙北沿海，风速预报偏小(图 2b)，平均偏差在±1 m·s-1范围内的站点占总站数的一半左右。均方根误差大多都在3 m·s-1以内，其中28个站点小于2 m·s-1，空间分布上，舟山浮标、温州浮标、嵊泗等海上站点均方根误差较小，此外部分沿海站点均方根误差也较小，主要分布在杭州湾、舟山本岛、三门湾等地区(图 2c)。从图 2d和2e可以看到，12~24 h时效风向预报平均偏差大多在±10°以内，风向正偏差的有46个站，负偏差的为42个站，空间上在舟山岛以北逆时针偏差站点明显多于正偏差站点，舟山岛及宁波舟山港则多为顺时针偏差，且偏差达10°以上。风向预报的均方根误差受海陆地形影响更大，海岸线附近的站点明显大于远离海岸线的站点，尤其是宁波舟山港、三门湾等地形复杂地区，均方根误差达50°以上。总体来看，风速和风向预报效果较好的站点基本都位于远离陆地的海上，其中以舟山和温州两个浮标站预报值与观测值最为接近，说明ECMWF对于开阔海面的风速和风向具有较好的可预报性，但无法较好地反映海拔高度、海陆分布、局地地形等因素造成的局地性风速和风向差异。
|
图 2 2015-2018年ECMWF 10 m风速和风向预报88个观测站统计指标空间分布
(a)风速R，(b)风速MBE，(c)风速RMSE，(d)风向MBE，(e)风向RMSE (彩色圆点为站点统计指标值，等值线为站点统计指标插值分布) Fig. 2 Spatial distribution of statistical indicators of ECMWF 10 m wind speed and wind direction forecast for 88 observation stations from 2015 to 2018 (a) correlation coefficient of wind speed, (b) MBE of wind speed, (c) RMSE of wind speed, (d) MBE of wind direction, (e) RMSE of wind direction (color dots: statistical indicators, contour lines: interpolation of these indicators) |
ECMWF模式不同时效的10 m风预报误差空间分布特征基本一致，但随时效的延长，各站点的风速和风向预报误差都逐渐加大。选取舟山浮标、北渔山、普陀山、新桥四个站点，分别代表远离海岸线的标准10 m海面、远离海岸线的海岛、近岸海岛、海岸线的站点，分析四个站点预报误差随预报时效的变化(图 3)。图 3a可见，风速相关系数随预报时效延长逐渐减小，基本呈线性下降，72 h内舟山浮标相关系数在0.7以上，北渔山和普陀山从0.8左右逐渐下降至0.6~0.7，新桥站从0.6下降至0.5左右，120 h四个站点相关系数均下降至0.45~0.65，240 h降至0.3以下；因此四个观测站下降速率存在显著差异，预报时效越短观测站间相关系数相差越大，随时效延长舟山浮标下降最快，其次为北渔山，新桥站下降幅度最小。风速均方根误差在临近时效站点间差异较小，舟山浮标和新桥站在1.6 m·s-1左右，北渔山和普陀山在2.2 m·s-1左右，72 h内均小于3 m·s-1；之后逐渐增大，其中新桥站变化相对平缓，至240 h仅有2.2 m·s-1，其他三站变化速率更大，至240 h均大于3.4 m·s-1。与前文分析一致，风向均方根误差在72 h内站点间差异较大，舟山浮标和北渔山在40°以下，新桥站则达到75°左右，随着预报时效延长风向均方根误差逐渐增大，180 h后四个站点均达70°以上。可见预报时效越短，模式对影响风速和风向的天气系统预报准确率越高，海岸线附近的站点由于受海拔、地形等综合因素的影响，预报误差相比远离海岸线的站点更大，而随着预报时效的延长，影响风速和风向的天气系统预报准确率下降，海拔和地形因素成为影响预报误差的次要因素，因此海岸线附近的站点预报误差随时效变化相对平缓，远离海岸线的站点预报误差随时效变化幅度更大。
|
图 3 2015-2018年ECMWF 10 m风速和风向预报四个观测站统计指标随时效变化 (a)风速R，(b)风速RMSE，(c)风向RMSE Fig. 3 Statistical indicators of ECMWF 10 m wind speed and wind direction forecast for 4 observation stations at different lead time from 2015 to 2018 (a) correlation coefficient of wind speed, (b) RMSE of wind speed, (c) RMSE of wind direction |
由于浮标站风速和风向受地形影响较小，观测值基本可以代表宽阔海平面10 m风的真实情况，模式对浮标站的预报能力也最好，因此对舟山浮标和温州浮标进行详细分析，可以更好地了解ECMWF对于标准海平面10 m风的系统性偏差。按照八个方位，即北(N)、东北(NE)、东(E)、东南(SE)、南(S)、西南(SW)、西(W)、西北(NW), 对浮标观测风向进行划分，每个风向分为≤3级、4~5级、≥6级三个风速等级，对应为弱风速、中等风速、强风速。图 4为12~24 h时效风速和风向平均偏差(MBE)和均方根误差(RMSE)的风向玫瑰图。当风速≤3级时，2个浮标站在各个方位的风速预报MBE大多在1 m·s-1左右，风速均有偏大趋势，N和NE方位的风速偏差相对较小；风速RMSE在1.5~2.5 m·s-1，N和NE方位的风速预报离散度更小，S和SW风的离散度较大；由于弱风速时主导风向不明显，风向预报偏差较大，NW风、N风、NE风表现为顺时针偏差，以N风偏差最大，SW风和W风表现为逆时针偏差；风向RMSE在NE风、E风、SE风时较小，NW风、W风、SW风时较大，温州浮标风向RMSE明显大于舟山浮标。当风速在4~5级时，风速MBE在±1 m·s-1范围内，S、SW、W三个方位的风速略有偏小，其他方位风速略有偏大，风速RMSE小于弱风速和强风速，同样也是N风和NE风的风速离散度较小；风向MBE和RMSE在八个方位的分布特征与弱风速时总体相似，但风向RMSE小于弱风速，在N、NE、S、SW四个方位尤为明显。风速≥6级时，预报风速均有偏小趋势，N风、NE风、NW风偏小更明显，舟山浮标N和NW风的风速MBE达-2 m·s-1左右，其他方位的风速MBE大多在-1~0 m·s-1，对应的N风、NE风、NW风的风速RMSE较弱风速和中等风速也更大，S风和SW风的风速RMSE则较弱风速更小；强风速时风向预报离散度总体较小，舟山浮标大多方位的风向偏差在±10°内，仅SE风和SW风略大，逆时针偏差在20°左右，温州浮标各个方位的风向MBE存在显著差异，NW风顺时针偏差达50°左右，E风、SE风、SW风则有逆时针偏差，其中E风逆时针偏差达50°，需要指出的是E和SE方位风速≥6级的样本明显少于其他风向，因此统计特征的代表性需要进一步验证。总体来看，模式对N、NE、NW三个方位的风速和风向预报存在明显系统性偏差，大风速时风速预报偏小，弱风速时风向预报有顺时针偏差，风速和风向预报离散度均表现为NW风>N风>NE风；由于盛行N风、NE风、NW风的季节主要是冬季，因此冬季当模式预报中等以上风速时需要在模式风力预报基础上加上系统偏差的考虑。对于夏季风主导的S风和SW风，仅有强风速时预报偏小，且偏小程度不及N风、NE风、NW风，风速离散度在中等风速和强风速时更小，风向MBE相比N风、NE风、NW风更小，但SW风时风向有弱的逆时针偏差，风向离散度总体较N风、NE风、NW风更小。
|
图 4 2015-2018年ECMWF 10 m风预报舟山浮标和温州浮标在八个风向及不同风速等级的统计指标
(a)风速MBE，(b)风速RMSE，(c)风向MBE，(d)风向RMSE
Fig. 4 Statistical indicators of ECMWF 10 m wind forecast for Zhoushan Buoy and Wenzhou Buoy at different wind force levels in 8 wind directions from 2015 to 2018
(a) MBE of wind speed, (b) RMSE of wind speed, (c) MBE of wind direction, (d) RMSE of wind direction |
以往针对大风过程的研究大多采用固定时间段内的最大风速或极大风速进行分析(姚日升等，2016；周福等，2017)，但在数值预报评估中不可避免地存在大风过程起始时间偏差，甚至漏报或空报，采用固定时间段进行统计无法较好地表征大风过程预报效果。本文基于观测站点和预报网格点进行观测大风过程和预报大风过程的识别，在此基础上统计系统性大风过程的预报准确率。按照影响浙江沿海的主要大风天气形势，将大风过程分为冷空气大风、热带气旋大风和低压倒槽大风，其中，冬半年大风以冷空气大风为主，春季及初夏多低压倒槽大风，夏季大风主要是受热带气旋影响产生(董加斌和胡波，2015)。按大风过程标准判别，并经过人工核查，筛选出2015-2018年影响浙江沿海的大风过程，包括：冷空气大风过程99次，热带气旋大风过程22次，低压倒槽大风过程32次。
4.1 三种典型大风过程预报准确率表 1表明，三种大风过程中，冷空气的预报效果最好，12 h预报时效内预报准确率达97%，有3%的过程漏报。随着预报时效的延长，过程预报准确率逐渐下降，60 h时效内有80%以上准确，96 h仍有70%准确。热带气旋大风过程预报准确率随时效变化更为显著，36 h内预报准确率达85%以上，受热带气旋路径预报偏差影响，36 h后预报准确率快速降低，48~84 h时效有70%左右的准确率，96 h后降至50%及以下。造成低压倒槽大风的系统包括东北低压、江淮低压(切变)、东海低压等，在4—6月低压倒槽大风最为常见，此时冷暖气流交汇，因此预报难度较大，前60 h时效准确率仅有50%左右，60 h后准确率均不足50%，因此数值预报对于低压倒槽大风预报稳定性最差，且随着时效延长预报准确率变化并不明显。
|
表 1 2015-2018年三种典型大风过程预报准确率(单位：%) Table 1 Forecast accuracy of three typical gale processes from 2015 to 2018 (unit: %) |
过程最大风速预报是日常业务服务的重点，前文分析已表明，ECMWF对于大风预报有偏小的趋势，并且由于预报受时间分辨率影响，导致过程最大风速预报难度更大。图 5给出三种大风过程浮标站最大风速预报误差随预报时效变化曲线，由于观测数据缺测，两个浮标站的样本量存在一定差别。结果同样表明，冷空气的过程最大风速预报效果明显优于热带气旋大风和低压倒槽大风。冷空气过程最大风速预报在144 h时效内相关系数均可通过0.05显著性水平检验，但预报均有偏小的趋势，舟山浮标站平均偏差达-2.5 m·s-1以上，温州浮标站略好于舟山，平均偏差在-2 m·s-1左右，两个浮标站均方根误差大多在2~3.5 m·s-1，随着预报时效延长，均方根误差逐渐增大。热带气旋过程在48 h时效内相关系数可以稳定通过0.05显著性水平检验，风速平均偏差在-2~1 m·s-1，舟山浮标偏小更明显，均方根误差舟山浮标在3 m·s-1左右，温州浮标均在3 m·s-1以上；48 h之后相关性较差，平均偏差和均方根误差也迅速增大。低压倒槽过程最大风速预报稳定性总体较差，仅少部分时效相关系数可通过0.05显著性水平检验，且与冷空气和热带气旋不同，随着预报时效延长相关系数没有表现出明显的规律性变化。总体来看，冷空气和热带气旋预报与实测最大风速呈线性分布，低压倒槽线性关系较差。随着时效延长逐渐离散化，但冷空气和热带气旋仍基本符合线性关系，因此可以通过线性回归法进行过程最大风速订正。由于样本量限制，仅对冷空气过程做订正。
|
图 5 三种典型大风过程浮标站最大风速预报统计指标随时效变化
(a)冷空气大风，(b)热带气旋大风，(c)低压倒槽大风 (自上到下四行依次为：样本量、相关系数、均方根误差和平均偏差，样本量为 2015-2018年预报准确的大风过程个数，由于资料缺失，舟山浮标和温州浮标 的样本量存在差异，相关系数图中“+”表示未通过0.05显著性水平检验) Fig. 5 Statistical indicators of maximum wind speed forecast for the two buoy stations at different lead time during the three typical gale processes (a) cold air gale, (b) tropical cyclone gale, (c) low pressure or reverse trough gale (Figures from top to bottom in each column are: sample size, correlation coefficient, root mean square error and mean bias error. The sample size is the number of predicted gale processes from 2015 to 2018, which is different between Zhoushan Buoy and Wenzhou Buoy due to the data omission. "+" represents failure of passing the 0.05 significance test in correlation coefficient graphs) |
在过程预报准确的基础上，利用受地形干扰较小的浮标站风速检验过程最大风速的预报效果，并利用线性回归法进行订正。将2015-2017年冷空气大风过程作为回归样本，2018年过程作为独立检验样本，建立浮标站最大风速线性回归方程，通过独立样本对回归方程进行检验。表 2表明，经过订正后，过程最大风速误差大幅度减小，平均偏差降至±1.0 m·s-1以内，均方根误差降至1~2.5 m·s-1，温州浮标均方根误差略大于舟山浮标。线性订正方法简单，订正效果显著，可以为业务预报提供参考。
|
|
表 2 2018年冷空气过程浮标站最大风速预报MBE和RMSE订正前后对比(单位：m·s-1) Table 2 MBE and RMSE of maximum wind forecast before and after corrections for the two buoy stations during cold air gale processes in 2018 (unit:m·s-1) |
通过对2015-2018年ECMWF细网格10 m风预报产品进行检验，得到以下结论：
(1) ECMWF预报与远离陆地的开阔海面10 m风观测最为接近。12~24 h预报时效风速相关系数达0.8以上，RMSE＜2 m·s-1，预报风速略有偏小，风向RMSE在50°以下，有逆时针偏差；海岸线附近的站点风速相关系数不足0.7，RMSE达2 m·s-1以上，预报风速偏大，风向RMSE在50°以上，预报风向有顺时针偏差。随时效的延长，风速相关系数呈线性下降，风速和风向预报RMSE则逐渐加大，海岸线附近的站点随时效变化相对平缓，远离海岸线的站点变化幅度更大。
(2) 浮标站分析表明，在不同风向和不同风速等级的风速和风向预报误差存在一定差异，主要表现为：模式对于NW、N、NE三个方位的风速和风向预报存在明显系统性偏差，大风速时风速预报偏小，弱风速时风向预报有顺时针偏差，风速和风向预报离散度均表现为NW风>N风>NE风；对于S和SW风，仅有强风速时预报偏小，且偏小程度不及NW风和N风，风速离散度在中等风速和强风速时更小，风向MBE相比NW风和N风也更小。
(3) 影响浙江沿海的三种典型大风天气系统中，冷空气大风预报效果最好，12 h预报时效内预报准确率达97%以上, 96 h时效内仍有70%过程准确；热带气旋大风过程预报准确率随时效变化更为显著，36 h内预报准确率达85%以上，受热带气旋路径MBE影响，36 h后预报准确率快速降低，96 h时效后降至50%及以下；低压倒槽大风预报准确率最差，且随时效延长准确率差异不大，144 h时效内预报准确率均在60%以下。
(4) 对比浮标站过程最大风速的观测值与预报值，冷空气过程在144 h时效内相关系数均可通过0.05显著性水平检验，热带气旋在48 h时效内可以通过0.05显著性水平检验，低压倒槽过程最大风速预报稳定性较差；冷空气和热带气旋过程基本符合线性分布，但预报值偏小，尤其是冷空气过程偏小尤为明显。通过线性回归方法，对冷空气过程最大风速预报进行订正，独立样本检验表明，该方法可以有效减小预报误差，在业务预报中可作为参考。
陈圣劼, 刘梅, 张涵斌, 等, 2019. 集合预报产品在江苏省暴雨预报中的应用评估[J]. 气象, 45(7): 893-907. Chen S J, Liu M, Zhang H B, et al, 2019. Evaluation on forecasting heavy rainfall over Jiangsu Region using ensemble forecast techniques products[J]. Meteor Mon, 45(7): 893-907 (in Chinese).
|
董加斌, 胡波, 2007. 浙江沿海大风的天气气候概况[J]. 台湾海峡, 26(4): 476-483. Dong J B, Hu B, 2007. Synoptic and climatic survey of the gale in the coast of Zhejiang Province[J]. J Oceanogr Taiwan Strait, 26(4): 476-483 (in Chinese).
|
董全, 金荣花, 代刊, 等, 2016. ECMWF集合预报和确定性预报对淮河流域暴雨预报的对比分析[J]. 气象, 42(9): 1146-1153. Dong Q, Jin R H, Dai K, et al, 2016. Comparison between ECMWF ensemble and deterministic forecast for heavy rainfall in the Huaihe River Basin of China[J]. Meteor Mon, 42(9): 1146-1153 (in Chinese).
|
胡海川, 黄彬, 魏晓琳, 2017. 我国近海洋面10 m风速集合预报客观订正方法[J]. 气象, 43(7): 856-862. Hu H C, Huang B, Wei X L, 2017. Objective correction method of ensemble forecast of 10 m winds on Chinese offshore[J]. Meteor Mon, 43(7): 856-862 (in Chinese).
|
侯淑梅, 张少林, 盛春岩, 等, 2014. T639数值预报产品对黄渤海沿海大风预报效果检验[J]. 海洋预报, 31(6): 48-56. Hou S M, Zhang S L, Sheng C Y, et al, 2014. Evaluation of T639 numerical forecast products during the strong gales in the Yellow Sea and Bohai Sea[J]. Marin Forec, 31(6): 48-56 (in Chinese).
|
贾丽红, 张云惠, 何耀龙, 等, 2018. 基于多模式的新疆最高(低)气温预报误差订正及集成方法研究[J]. 干旱气象, 36(2): 310-318. Jia L H, Zhang Y H, He Y L, et al, 2018. Research on error correction and integration methods of maximum and minimum temperature forecast based on multi-model in Xinjiang[J]. J Arid Meteor, 36(2): 310-318 (in Chinese).
|
黎鑫, 张韧, 卢扬, 等, 2016. "海上丝绸之路"自然环境风险分析[J]. 海洋通报, 35(6): 609-616. Li X, Zhang R, Lu Y, et al, 2016. Risk analysis for the natural environment of 'Maritime Silk Road'[J]. Marin Sci Bull, 35(6): 609-616 (in Chinese).
|
刘哲, 张鹏, 刘南江, 等, 2018. "一带一路"中国重点区域自然灾害特征分析[J]. 灾害学, 33(4): 65-71. Liu Z, Zhang P, Liu N J, et al, 2018. The analysis of the characteristics of natural disasters in key regions of "One-Belt-One-Road" Initiative[J]. J Catas-trophol, 33(4): 65-71 (in Chinese).
|
罗玲, 娄小芬, 傅良, 等, 2019. ECMWF极端降水预报指数在华东台风暴雨中的应用研究[J]. 气象, 45(10): 1382-1391. Luo L, Lou X F, Fu L, et al, 2019. Application of precipitation extreme forecast index from ECMWF in typhoon rainstorm in East China[J]. Meteor Mon, 45(10): 1382-1391 (in Chinese).
|
潘留杰, 张宏芳, 袁媛, 等, 2015. 基于T639细网格模式的陕西省秋淋天气预报效果评估[J]. 气象与环境学报, 31(6): 9-17. Pan L J, Zhang H F, Yuan Y, et al, 2015. Verification of precipitation forecasting for autumn continuous rainfall by T639 refined grid model in Shaanxi Province[J]. J Meteor Environ, 31(6): 9-17 (in Chinese).
|
齐庆华, 蔡榕硕, 颜秀花, 2019. 气候变化与我国海洋灾害风险治理探讨[J]. 海洋通报, 38(4): 361-367. Qi Q H, Cai R S, Yan X H, 2019. Discussion on climate change and marine disaster risk go-vernance in the coastal China seas[J]. Marin Sci Bull, 38(4): 361-367 (in Chinese).
|
万夫敬, 赵传湖, 马艳, 等, 2018. ECMWF模式气温预报在青岛地区的检验与评估[J]. 气象科技, 46(1): 112-120. Wan F J, Zhao C H, Ma Y, et al, 2018. Prediction effectiveness verification of ECMWF fine grid model for air temperature in Qingdao Region[J]. Meteor Sci Technol, 46(1): 112-120 (in Chinese).
|
王静静, 刘敏, 权瑞松, 等, 2012. 沿海港口自然灾害风险评价[J]. 地理科学, 32(4): 516-520. Wang J J, Liu M, Quan R S, et al, 2012. Natural disaster risk assessment of coastal ports in China[J]. Sci Geograph Sin, 32(4): 516-520 (in Chinese).
|
魏凤英, 2007. 现代气候统计诊断与预测技术[M]. 北京: 气象出版社. Wei F Y, 2007. Modern Climate Statistical Diagnosis and Prediction Technology[M].
Beijing: China Meteorological Press (in Chinese).
|
吴俞, 冯文, 李勋, 等, 2015. ECMWF细网格10 m风场产品在南海海域的预报检验[J]. 西南师范大学学报(自然科学版), 40(9): 204-212. Wu Y, Feng W, Li X, et al, 2015. On forecast test of ECMWF 10 m wind field products in South China Sea[J]. J Southwest China Normal Unive(Natural Science Edition), 40(9): 204-212 (in Chinese).
|
薛谌彬, 陈娴, 张瑛, 等, 2019. ECMWF高分辨率模式2 m温度预报误差订正方法研究[J]. 气象, 45(6): 831-842. Xue C B, Chen X, Zhang Y, et al, 2019. Bias correction method for the 2 m tempe-rature forecast of ECMWF high resolution model[J]. Meteor Mon, 45(6): 831-842 (in Chinese).
|
阎丽凤, 盛春岩, 肖明静, 等, 2013. MM5、WRF-RUC及T639模式对山东沿海风力预报分级检验[J]. 气象科学, 33(3): 340-346. Yan L F, Sheng C Y, Xiao M J, et al, 2013. Wind force forecast verification of the MM5, WRF-RUC and T639 models in Shandong coastal areas[J]. Sci Meteor Sin, 33(3): 340-346 (in Chinese).
|
姚日升, 涂小萍, 蒋璐璐, 等, 2016. 浙江近海冬季大风风速推算和ASCAT风速订正方法探讨[J]. 气象, 42(5): 621-627. Yao R S, Tu X P, Jiang L L, et al, 2016. Analysis on methods about the winter offshore gale speed estimation and ASCAT wind correction in Zhejiang[J]. Meteor Mon, 42(5): 621-627 (in Chinese).
|
曾瑾瑜, 韩美, 吴幸毓, 等, 2015. WRF、EC和T639模式在福建沿海冬半年大风预报中的检验与应用[J]. 海洋科学, 39(7): 75-85. Zeng J Y, Han M, Wu X Y, et al, 2015. Test and application of WRF, EC and T639 models in strong wind forecast in Fujian Coast in winter half year[J]. Marine Sci, 39(7): 75-85 (in Chinese).
|
周福, 蒋璐璐, 涂小萍, 等, 2017. 浙江省几种灾害性大风近地面阵风系数特征[J]. 应用气象学报, 28(1): 119-128. Zhou F, Jiang L L, Tu X P, et al, 2017. Near-surface gust factor characteristics in several disastrous winds over Zhejiang Province[J]. J Appl Meteor Sci, 28(1): 119-128 (in Chinese).
|