引言

数值天气预报是提升气象预报精准化与客观化的关键手段，可为气象保障服务提供有力支撑。在重大活动服务保障、公众出行安全和道路交通等领域，地面要素特别是10 m风的预报准确性尤为重要(陈超君等，2012；邱贵强，2023)。地面风速预报通常基于数值天气预报模式诊断而得，然而受限于模式分辨率等问题，当前数值模式尚难以刻画大气微、小尺度湍流特征(Winstral et al，2017)。此外，地面风速作为基于模式地形的诊断预报量，在复杂地形下常因模式地形与实际地形不匹配而产生显著偏差(Carvalho et al，2012；薛文博等，2020)。格点化地理信息难以完全反映周边地形的影响，使得复杂地形区的地面风速预报精度成为区域数值模式发展的重要挑战(Mughal et al，2017)。

中国气象局北京快速更新循环数值预报系统(CMA-BJ)为华北及全国的气象保障服务提供关键支撑(张鑫宇等，2021), 改善其地面风速预报性能，对提高服务效能具有重要意义。偏差订正方法是提高地面风速预报准确性的常用手段，包括高斯统计预报方法(Monahan，2013)、回归订正方法(Rozas-Larraondo et al，2014)、MOS(model output statistics)预报法(林行等，2008)、集合订正方法(胡海川等，2017)和人工智能订正方法(孙全德等，2019；王在文等，2019)等。然而，这类后处理技术高度依赖于历史观测样本，难以在无观测区域应用，且对模式网格预报的连续性和稳定性要求较高。相较之下，以睿思系统(RISE，Rapid-Refresh Infrastructure Nowcasting System Evaluation)为代表的“百米级、分钟级”短时临近预报技术(陈明轩等，2025)，通过引入复杂地形降尺度方法，有效提升了复杂地形区风场预报的精细化水平，其技术路径可为CMA-BJ的地面风速诊断优化提供有益参考。

为此，本文从CMA-BJ模式地面风速诊断预报方案本身入手，探索通过优化方案提升模式网格内风速预报性能的路径。目前CMA-BJ基于相似理论和模式最低层风速诊断地面10 m风速，其预报效果受模式地形与真实地形之间差异的显著影响(智协飞等，2019；杨璐等，2022)。现有模式采用的地形数据为美国地质调查局(USGS)提供的GTOPO30(分辨率约为900 m)，在复杂小尺度地形刻画方面存在不足(曾雪兰等，2008)。尽管模式地形需经平滑处理以匹配网格，但采用高分辨率原始数据仍有助于提升平滑后地形的代表性(李俊徽等，2017)。基于上述分析，本文拟从两方面对CMA-BJ的地面风速诊断方案进行优化：首先，引入高精度SRTM(Shuttle Radar Topography Mission)地形数据，使风速诊断所依赖的模式地形更接近实际观测地形，以降低因地形不匹配引起的预报误差；其次，在此基础上调整诊断方案中的大气稳定度参数项，从而进一步提升模式地面风速的预报准确性。

1 数据和方法 1.1 数值模式介绍及地面风速预报性能分析

本文根据CMA-BJ 3.0版本(CMA-BJ v3.0)开展研究。CMA-BJ v3.0基于WRF模式，采用单重区域设置，水平分辨率为3 km，覆盖全国范围，格点数为1945个×1498个，垂直方向分为61层，模式层顶气压为10 hPa。采用0.25°×0.25°的欧洲中期天气预报中心(ECMWF)的全球模式预报场作为模式驱动场。主要物理参数化方案包括：YSU边界层方案(Yonsei University scheme)、New Thompson微物理方案、RRTMG长波和短波辐射方案、New Tiedtke积云方案、Noah陆面过程方案。

基于2023年7月和11月每日00时(世界时，下同)的24 h地面风速预报检验结果，分析了地面风速预报偏差和均方根误差与测站和模式地形高度差(绝对值)之间的统计关系(图 1)。结果表明，无论是夏季还是冬季，随着地形高度差的增加，地面风速预报的偏差和均方根误差均增大。这表明，地形高度差是影响模式地面风速预报的关键因素之一，使用更准确的地形会提高地面风速预报性能。

本文所用地图根据审图号GS(2017)3320号地图制作，底图和边界无修改。

1.2 地形数据

大多数区域模式所采用的地形数据分辨率最高约为900 m。近年来，随着遥感技术的发展，地形数据产品的分辨率也在不断提升，其中SRTM分辨率已经可以达到约90 m。SRTM通过对雷达影像数据进行处理，生成数字地形高程模型, 其测量范围覆盖中国全境(汪凌, 2000)。该数据产品自2003年起公开发布后经过多次修订。目前，可从网络免费获取覆盖中国境内的90 m分辨率SRTM V4.1修订版数据(赵国松等，2012)，该版本采用改进的插值算法(Ling et al，2007；Reuter et al，2007)，较好地填补了原始数据中的空洞区域。

CMA-BJ v3.0采用WRF模式内置的900 m分辨率的ToPo30s作为默认地形数据(以下简称原有地形)，通过预处理模块将其插值到模式网格区域，由于区域数值模式难以有效解析次网格地形, 因此模式地形与实际地形之间存在高度差异(Wehner et al, 2010)。我国地形呈现西高东低的阶梯状分布。基于全国(除台湾省外)1万余个中国气象局考核自动气象观测站(以下简称考核站)的高程信息，计算各站点所在位置的模式地形高度和实际地形高度(以测站高程数据代替)的差值(图 2b)。统计表明，全国多数区域的模式地形高于实际地形，64.6%的站点所在位置的模式地形更高(即模式地形高度减去测站高度的差值为正)。其中，西南等地区的模式地形偏高尤为显著，而华北平原和东北地区的地形高度差相对较小；大部分站点差值小于100 m，但在实际地形起伏剧烈的区域，模式地形和实际地形仍存在严重不匹配的情况。

尽管CMA-BJ v3.0目前采用的地形数据已是模式内置产品中的最高精度版本，但相较于SRTM数据，其在地形刻画能力上仍存在一定差距(陈俊勇，2005)。为此，利用ENVI遥感影像处理软件，对下载的SRTM数据进行拼接和几何校正，生成tiff格式的数字高程模型产品。在此基础上，依据CMA-BJ v3.0的预报区域范围(包括经、纬度范围和网格点设置)，提取相应区域的SRTM数据，并通过插值方法将其采样为覆盖全国的3 km分辨率网格地形数据(以下简称高精度地形)。由图 2a可见，在我国西南地区，高精度地形能够更细致地反映实际地形的起伏变化。由于SRTM数据具有更高的空间分辨率，对复杂地形的描述更为精准，因此在地形变化较为剧烈的区域，其相较于原有地形数据呈现明显差异。通过与全国范围内1万余个考核站的观测高度进行对比(图 2b，2c)，结果显示高精度地形数据与实际观测值更为吻合，原有地形中高度差大值区域的差异显著减小(图 2c)。

通过对全国1万余个考核站观测高度与对应点两种地形数据高度的差异进行统计(图 3a)，结果表明，原有地形高度与观测值差异在[0，100) m和[0，10) m范围内的站点数占比分别为80.7%和34.7%，而采用高精度地形后，对应范围内的站点占比分别提升至85.4%和40.9%。这表明高精度地形与实际观测高度之间的差异更小。进一步分析各站点地形高度差的统计指标(图 3b)，原有地形高度的偏差、绝对偏差和均方根误差的平均值分别为40.6、61.8、115.2 m，高精度地形对应的三项指标分别降低为21.8、49.5、102.0 m，降幅分别达到46.3%、19.9%、11.5%。鉴于地面风速预报是基于模式地形高度以上10 m处的诊断量，采用更为准确的地形静态数据，有助于从源头上改善模式对地面风速的预报性能。上述指标一致表明，相较于原有地形，高精度地形在精度上明显提升。

1.3 地面风速诊断预报方案优化

基于莫宁-奥布霍夫(Monin-Obukhov，M-O)相似理论，近地层可被视为常通量层，风速垂直变化特征符合对数率变化(苗曼倩等，1997；Barthelmie，2001)。

中性层结下，地面以上高度(h, 单位：m)处的风速(U，单位：m·s^-1)可表示为：

$U=\frac{U_*}{k} \cdot \ln \left(\frac{h}{z_{\mathrm{o}}}\right)$

(1)

式中：k为常数，z_o为地面粗糙度长度(单位：m)，U*为地面摩擦速度(单位：m·s^-1)。

非中性条件下, 则需要考虑大气稳定度函数Ψ(τ)对风速垂直变化的影响(τ=h/L):

$U=\frac{U_*}{k} \cdot\left[\ln \left(\frac{h}{z_0}\right)-\varPsi\left(\frac{h}{L}\right)\right]$

(2)

式中L为奥布霍夫长度，可由数值模式计算得出。

在CMA-BJv3.0中构建了地面风速诊断预报方案(简称原始方案)：

$U_{\mathrm{m}, 10}=U_{\mathrm{m}} \cdot \frac{\ln \left(\frac{10+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{10+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_{\mathrm{o}}}{L}\right)}{\ln \left(\frac{h_{\mathrm{m}}+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{h_{\mathrm{m}}+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_o}{L}\right)}$

(3)

式中：U_{m, 10}和U_m分别表示模式地面风速预报值和模式最低层(高度h_m)风速预报值。Ψ(τ)形式如下：

大气处于不稳定状态时(τ<0)：

$\left\{\begin{array}{l}\varPsi(\tau)=2 \ln \left(\frac{1+x}{2}\right)+\ln \left(\frac{1+x^2}{2}\right)- \\ \qquad\quad\ \ 2 \arctan (x)+\frac{\pi}{2} \\ x=(1-16 \tau)^{1 / 4}\end{array}\right.$

(4)

大气处于稳定状态时(τ≥0)：

$\varPsi(\tau)=-6.1 \ln \left[\tau+\tau\left(1+\tau^{2.5}\right)^{0.4}\right]$

(5)

由于模式地形高度与实际地形高度不匹配是影响地面风速预报性能的主因(张铁军等，2018)，为此，引入高精度地形(h_SRTM)对原始方案(h_ori)进行优化，设地形高度差h_diff=|h_SRTM-h_ori|。考虑M-O相似理论的适用高度范围(张鑫宇等，2023)，对h_diff进行约束：

$h_{\text {diff }}= \begin{cases}\min \left(h_{\text {diff }}, 0.1 h_{\mathrm{pbl}}\right) & \tau<0 \\ \min \left(h_{\text {diff }}, h_{\mathrm{pbl}}\right) & \tau \geqslant 0\end{cases}$

(6)

式中h_pbl为边界层高度，由模式提供。

根据高精度地形相对原始地形的高低，分别调整诊断高度，得到优化后的10 m风速诊断公式：

$\begin{cases}U_{\text {SRTM }, 10}=U_{\mathrm{m}} \cdot \frac{\ln \left(\frac{h_{\text {diff }}+10+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{h_{\text {diff }}+10+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_{\mathrm{o}}}{L}\right)}{\ln \left(\frac{h_{\mathrm{m}}+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{h_{\mathrm{m}}+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_{\mathrm{o}}}{L}\right)} & h_{\text {SRTM }} \geqslant h_{\text {ori }} \\ U_{\text {SRTM }, 10}=U_{\mathrm{m}} \cdot \frac{\ln \left(\frac{10+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{10+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_{\mathrm{o}}}{L}\right)}{\ln \left(\frac{h_{\text {diff }}+h_{\mathrm{m}}+z_{\mathrm{o}}}{z_{\mathrm{o}}}\right)-\varPsi\left(\frac{h_{\text {diff }}+h_{\mathrm{m}}+z_{\mathrm{o}}}{L}\right)+\varPsi\left(\frac{z_{\mathrm{o}}}{L}\right)} & h_{\text {SRTM }}<h_{\text {ori }}\end{cases}$

(7)

式(7)即为优化后的地面风速诊断预报方案(简称优化方案)，通过引入高精度地形修正，可有效改善模式地形与实际地形的差异对风速预报的影响。

2 试验方案和效果评估 2.1 试验方案设置

为评估优化后的地面风速诊断预报方案，基于CMA-BJ v3.0设计两组对比试验(表 1)。两组试验采用相同的模式配置，唯一区别在于地面风速诊断预报方案：控制试验(EXPR_ORIG)基于原始地形采用原始方案直接输出地面风速预报，敏感性试验(EXPR_SRTM)则采用高精度地形优化方案重新诊断计算。选取夏季(7月20日)和秋季(11月20日)作为个例，起报时间为00时，分析1~24 h预报结果，以检验优化方案对地面风速预报的改进效果(图 4)。

2.2 空间分布

基于全国1万余个考核站观测进行检验(图 4)表明，无论是2023年11月20日(秋季)还是7月20日(夏季)，白天除内蒙古、东北和西藏存在大风区域外，全国大部分地区的地面风速较小，基本低于2.5 m·s^-1，使用原始方案(EXPR_ORIG)的6 h时效地面风速预报在内蒙古东部等地表现为负偏差，而全国大部分地区则呈现明显的正偏差，其中夏季的地面风速预报正偏差尤为突出。采用优化方案后，大部分地区的预报正偏差得到显著降低。就模式区域平均而言，使用优化方案后，7月20日06时地面风速预报偏差由1.13 m·s^-1降至0.96 m·s^-1，11月20日06时则由0.60 m·s^-1降至0.51 m·s^-1 (表略)，这表明，使用优化方案能有效提升模式区域白天地面风速的预报精度。

夜间全国大部分地区的地面风速均低于1.5 m· s^-1(图 5)，EXPR_ORIG的预报在全国大部分地区呈正偏差，而EXPR_SRTM的预报偏差在多数区域与EXPR_ORIG正负相反，有效减小地面风速预报正偏差。11月20日18时和7月20日18时地面风速观测平均值分别为1.56 m·s^-1和1.38 m·s^-1, EXPR_ORIG对应的18 h时效的预报偏差平均值分别为1.35 m·s^-1和1.32 m·s^-1，而EXPR_SRTM则分别降至1.19 m·s^-1和1.17 m· s^-1(表略)，表明使用优化方案同样能有效提升模式区域夜间地面风速的预报准确性。

2.3 时间序列

对比分析11月20日和7月20日00时起报的1~24 h地面风速预报结果(图 6)，控制试验(EXPR_ ORIG)在两个季节的预报效果统计(偏差、绝对偏差、均方根误差)较为接近，表明CMA-BJ v3.0具有稳定的预报性能：11月20日的24 h预报偏差为1.10 m·s^-1, 绝对偏差和均方根误差分别为1.57 m·s^-1和2.01 m·s^-1；7月20日对应指标分别为1.22 m·s^-1、1.65 m·s^-1和2.11 m·s^-1。采用优化方案后，EXPR_SRTM的预报准确性明显提升，各项误差指标均有所下降。11月20日个例中，EXPR_SRTM的24 h预报偏差降至1.00 m·s^-1, 较控制试验降幅近9.1%，逐小时预报偏差最大降幅为18.6%，最小降幅超过8.0%；绝对偏差和均方根误差平均降幅分别为3.4%和1.0%。7月20日个例中，EXPR_SRTM的预报偏差、绝对偏差和均方根误差值分别降至1.09、1.60和2.10 m· s^-1，相对降幅分别为10.7%、3.0%和0.5%。综合检验结果，优化方案可有效改善地面风速预报，其准确性和有效性得到验证。

2.4 地形的影响

应用优化方案后，模式全区地面风速预报偏差和均方根误差明显降低。基于高精度地形与站点观测高度(代表站点位置的实际地形)的差异进行统计分析(图 7)。统计表明，高精度地形低于实际地形的站点超过4700个，高于实际地形的站点为5600多个。

整体而言，当高精度地形低于实际地形时，优化方案的订正幅度更大。原始地面风速预报以正偏差为主，此时，优化方案有效降低地面风速预报偏差，提高了预报准确性。当高精度地形高于实际地形但幅度在100 m以内时，优化方案同样具有明显的改善效果；但当高精度地形高于实际地形超过100 m时，优化方案反而会增大预报误差；进一步对高精度地形高于实际地形的站点分析发现：地形高度差在[0, 10) m范围内，优化方案所用高精度地形与实际的高度差绝对平均值为4 m，而原始方案所用原始地形的高度差绝对平均值为13 m；在[10, 100) m范围内，两种方案分别为40 m和64 m；≥100 m，两者则分别为228 m和224 m(图略)，此时优化方案的地形精度反而略低于原始方案。这表明，优化方案的改进效果取决于高精度地形的准确性，当高精度地形比原有地形更接近实际高度时，优化方案能有效改善地面风速预报性能；反之，若其精度更差，则可能导致预报误差增大。

上述检验基于全部考核站点，而优化方案的效果直接依赖于地形数据的准确性。由于并非所有站点位置的高精度地形均优于原始地形(即部分站点位置的高精度地形高度与实际观测高度的差大于原有地形)，为客观评估优化方案在地形描述改善时的实际效果，进一步筛选出高精度地形高度接近观测高度的站点(近5800个)同表 1开展试验，分别记为EXPR_ORIG-1和EXPR_SRTM-1。结果表明，地形描述越准确，优化方案的正效果越显著。以18 h时效预报偏差为例，11月20日EXPR_ORIG-1和EXPR_SRTM-1分别为1.36 m·s^-1和1.03 m·s^-1，7月20日则分别为1.37 m·s^-1和1.04 m·s^-1。由图 8可见，对于24 h预报，EXPR_SRTM-1的各项误差指标较EXPR_ORIG-1均明显下降。11月20日，预报偏差由1.14 m·s^-1降至0.88 m· s^-1(降幅为22.8%)，绝对偏差由1.61 m·s^-1降至1.42 m·s^-1(降幅为11.8%)，均方根误差由2.07 m·s^-1降至1.85 m· s^-1(降幅为10.6%)；7月20日结果类似。这表明模式地形的准确性是影响地面风速预报的关键因素。

2.5 批量试验结果验证

为排除个例分析的偶然性，进一步验证优化方案的稳定性和普适性，采用与表 1相同的试验设计，分别选取2023年7月及11月两个时段，每日00时起报的24 h地面风速预报结果进行批量检验。由图 9可见，2023年7月，原始方案(EXPR_ORIG)的24 h预报偏差在全国大部分区域为正，其中华南地区正偏差尤为明显，采用优化方案(EXPR_SRTM)后，模式全区正偏差明显降低；11月，除新疆和内蒙古部分地区外，原始方案预报仍以正偏差为主，采用优化方案后同样有效改善了预报性能，地面风速预报的正、负偏差均有所减小。上述统计结果表明，地面风速诊断预报优化方案具有稳定的改进效果和良好的普适性。

基于模式区域内共1万余个考核站，对2023年7月(图 10a)和11月(图 10b)整月逐日00时起报的24 h时效地面风速进行检验。原始方案(EXPR_ORIG)在两个月的预报中均表现为正偏差，7月尤为显著。就全国平均而言，7月EXPR_ORIG的预报偏差、绝对偏差和均方根误差分别为0.22、1.45和1.53 m·s^-1；EXPR_SRTM则分别降至0.11、1.36和1.50 m· s^-1，降幅分别达50.0%、6.2%和2.0%；使用优化方案后，11月的则分别降低了52.6%、6.5%和1.8%。可见，优化方案可以显著降低地面风速预报偏差。

筛选高精度地形更接近实际观测高度的站点(近5800个)进行统计。对于这些站点，7月(图 10c) EXPR_ORIG-1的预报偏差、绝对偏差和均方根误差分别为1.42、1.48和1.54 m·s^-1，EXPR_SRTM-1则分别降至1.03、1.18和1.43 m·s^-1，降幅分别达27.5%、20.3%和7.1%；11月(图 10d)原始方案的预报性能相对较好，EXPR_ORIG-1的预报偏差、绝对偏差和均方根误差分别为0.32、0.74和1.28 m·s^-1，优化后预报偏差的降幅可高达90.3%，绝对偏差和均方根误差分别降低了19.7%和4.8%。上述结果表明，优化方案可有效提升数值预报系统中地面风速预报准确性，尤其在地形描述更精准的区域，优化方案的改进效果更为显著。

3 结论与讨论

区域数值模式CMA-BJ的地面风速预报结果是基于莫宁-奥布霍夫相似理论，通过诊断模式地形以上10 m高度处的风速获得。模式地形与实际地形不匹配是影响地面风速预报性能的关键因素。为此，本研究引入高精度地形数据，对原有诊断方案中的地形高度进行修正，并同步调整大气稳定度函数项，形成地面风速诊断预报优化方案。通过对比试验得出以下结论：

(1) 基于90 m分辨率SRTM数据构建的3 km分辨率高精度地形，相较于原有模式地形，与全国1万余个考核站观测高度的平均偏差由40.6 m降至21.8 m，高精度地形的准确性明显提升。

(2) 个例分析与连续批量试验(2023年7月、11月)表明，优化方案可有效减小CMA-BJ模式24 h内地面风速预报偏差，显著改善地面风速预报性能。

(3) 从所有参与检验的观测站点中筛选高精度地形更接近实际观测高度的站点进行检验，优化方案的改进效果更为突出，相关站点位置的地面风速预报性能提升幅度更大，进一步证实地形准确性是影响地面风速预报性能的关键因素。更精确的地形描述可以有效提升地面风速预报准确性。

需要指出的是，受限于数据源，高精度地形并非在所有区域均优于原有地形，因此优化方案未能使每个站点的预报均得到改善。但整体而言，优化方案提升了模式全区地面风速预报的整体性能，尤其在地形描述更准确的区域效果显著。因此在地面风速预报优化方案不变的基础上，未来随着模式地形数据精度的不断提高，地面风速网格预报的准确性有望进一步得到提升。