基于概率密度匹配方法的wrf模式阵风风速误差订正

气象科技

Vol. 47, No. 6 Dec. 2019

METEOROLOGICAL SCIENCE AND TECHNOLOGY

基于概率密度匹配方法的WRF模式阵风

风速误差订正

钱磊邱学兴郑淋淋

(安徽省气象台，合肥230031)

摘要为提高数值模式对阵风风速预报能力，采用概率密度匹配方法（Probability Density Function Matching

Method,简称PDF方法）对WRF模式地面极大风速预报数据开展误差订正。结果表明：①基于PDF方法订正后

的阵风预报效果明显优于WRF预报结果，当实况极大风力<5级时，两种预报结果均与实况较为一致；当实况极 大风力>6级时，WRF预报相比实况明显偏小，而PDF方法订正结果则与实况较为接近；②对比不同地形条件下 两种预报结果发现，在实况风力整体偏弱的平原地区，WRF预报和PDF订正结果对极大风的预报效果均较好；在 风力偏强的山区和沿江河谷地区，PDF订正结果的预报效果相比WRF预报则有明显提升；③对2017年安徽省81 个国家站逐日极大风速的预报效果检验发现：预报误差和过去五年整体拟合误差基本相当，说明基于2012—2016 年历史数据建立的概率密度分布函数可以代表安徽各站多年的实况和WRF预报极大风速的联合分布特征，利用

PDF方法进行逐日极大风速预报具有一定的可靠性。

关键词：阵风风速预报；概率密度匹配方法；WRF模式

中图分类号：P456 DOl: 10. 19517/j. 1671-6345. 20180022 文献标识码：A

引言

大风灾害作为安徽的重大灾害性天气之一，几

乎每年都会造成人员伤亡和重大经济损失m，所以 加强大风灾害的预报对保障人民生命财产安全至关 重要。许多学者结合各种方法和观测资料，在大风 预报方面进行了诸多尝试[M]，取得了众多研究成 果。近年来，伴随着数值模式不断发展成熟，MM5、

龚强等[8]对MM5模式的风速预报结果进行了检 验，发现MM5模式也存在风速预报偏小的问题。 此外，气象学者们还针对不同模式的风速预报结果 进行了对比分析。阎丽凤等[9]对MM5、WRF-RUC 和T639模式在山东沿海9个精细化海区代表站的 曰最大风速预报进行了检验，发现各模式普遍存在 小风天气预报偏大、大风天气预报偏小的特点。曾 瑾瑜等[1°]对比了 WRF、EC和T639 3种数值模式 对福建省冬半年沿海和岛屿自动站逐时极大风速的 预报，发现模式预报风速相比实况极大风速偏小，并 且预报平均误差由沿海向内陆逐渐减小。由上可以 看出：由于数值模式存在本身参数化方案不完善、地 形数据不精确以及分辨率较低等问题，其对近地面 风速特别是瞬时风速的预报能力还有待提高，因此 还很有必要对数值预报产品进行订正和解释应用。

数值预报产品的解释应用指的是通过将动力和 统计方法相结合，对数值预报的结果进行分析订正， 从而建立预报模型，给出要素预报的客观结果[11]。 目前基于经验数据的动力统计预报方法已在风速预

http://www. qxkj. net. cn 气象科技

WRF等中尺度气象模式开始广泛应用于近地面风

速预报中，气象学者们也在对中尺度模式风速预报 的检验评估方面做了大量工作。朱智慧和黄宁立[5] 利用WRF模式对上海沿海3个浮标站的2 min平 均风速进行了检验，发现WRF风速预报准确率较 高，且对6级以下风速预报的效果要优于6级以上 的效果。汪君和王会军[6]以及李茜等[7]进一步分析 评估了不同季节、不同地形条件下WRF模式对实 况10 min平均风速的短期预报效能，均发现模式存 在预报风速偏大、对冬季风速的预报效果要好于夏 季、对平坦下垫面地区的预报效果好于山区等特征。

安徽省气象局预报员专项项目（kY201713)和国家自然科学基金项目（41705029)联合资助

作者简介：钱晶，男，1990年生，硕士，助理工程师，主要从事中小尺度气象学研究，Email:qianlei063@f〇xmail. com 收稿日期：2018年1月11日；定稿日期：2019年1月31日

第6期钱磊等：基于概率密度匹配方法的WRF模式阵风风速误差订正917

报方面得到了广泛使用，陈豫英等[12]采用多元线性 和逐步回归方法对MM5模式的站点输出产品进行 释用，实现了对宁夏25个测站48 h逐时风速、风向 的预报。王在文等[11]采用基于基本的支持向量机 非线性回归方法，制作了逐3 h的10 m风场预报产 品，并发现其预报效果较多元回归的M()S方法更 具优势。陈录元等[13]依据逐步相似过滤法和最小 相似离度原理，利用T213数值预报产品对环渤海 地区4〜10 d逐日最大风速进行了预报，结果发现 该方法在风力不强的情况下具有一定参考价值。胡 波等[14]分别采用了直接经验映射法和间接经验映 射法，结合WRF输出风场数据实现了对舟山海岛 阵风的预报。

概率密度匹配法（Probability Density Function

Matching Method，简称PDF方法）的主要思想在于

通过调整资料气象要素值，使其和地面观测气象要 素的概率密度分布一致，从而达到订正资料系统误 差的目的[15]。该方法由于具有计算简单、在订正系 统误差方面具有优越性等特点，现在国际上被广泛 应用于卫星资料订正[15_17]。然而却少有人利用该 方法进行模式预报产品订正，其主要原因在于缺少 预报产品所对应的同时段实况观测数据。那么是否 可以通过对模式预报风速和实况观测的阵风风速历 史数据建立联合概率密度分布函数，并以此为模板 对阵风风速进行预报呢？本文选用安徽省81个国 家站的历史逐日极大风速（即阵风）和WRF模式输 出的逐日10 m风极大风速资料建立各单站联合概 率密度分布函数，并以此为基准对WRF输出的极 大风速产品进行订正，探讨该方法对单站逐日极大 风速预报的适用性。1

资料与方法

1.1实况数据

本文所用的实况逐日极大风速数据为安徽省气 象信息中心经过质量控制后的观测数据。由于硬件 存储设备的，且实况极大风速数据量庞大，信息 中心仅保存了最近几年的实况资料。此外，本文所 参考的本地化WRF模式是从2012年开始稳定运 行的，故本文所用的安徽省81个国家站的实况逐曰 极大风速数据时段为2012—2017全年，其中逐曰极 大风速是通过对逐日08:00至次日08:00段内所有 的瞬时风速记录取其最大值所得到的。需要特别说

明的是，这里选取的逐日极大风速数据是在无对流 出现时所记录的，在对流性天气（包括飑线、超级单 体、雷暴等）出现时记录的极大风数据不在本文的统 计范围之内。1.2模式数据

本文所用的模式数据包括2012—2017全年的 3 km分辨率的WRF模式输出的逐日10 m风极大 风速预报数据（和实况数据一样，也不包括对流天气 条件下的数据）。WRF模式分别以NCEP-GFS0. 5°X0. 5°实时分析和预报数据为初始场和边界条 件，逐日20:00(北京时，下同）起报向后积分72 h， 逐小时输出一次，其中边界层参数化方案采用YSU 方案，陆面过程参数化方案采用Monin-Obukhov方 案。WRF模式输出的逐日10 m风极大风速先采 用双线性插值到安徽全省81个国家站，再对各站点 逐日08:00至次日08:00段内逐小时瞬时风速预报 数据求其最大值作为该站点当日10 m风极大风速 预报产品。1.3预报方法介绍

对于PDF方法，本文计算方法如下：对2012— 2016年间全省逐个国家站的逐日实况极大风速数 据和WRF模式预报的10 m风极大风速数据进行 统计，并建立实况数据和模式数据的联合概率密度 分布函数作为该站点进行极大风速预报的参考。在 建立联合概率密度分布函数时：首先将实况极大风 速和模式模拟风速的值域均设置为〇〜40 m/S;然 后以0.25 m/s作为单个风速区间大小，将实况和模 拟风速值域分别分为160个风速区间，由此形成一 个规格为160X 160的实况一模拟风速的联合分布 网格；最后通过统计单站历史逐日实况和模拟极大 风速在风速的联合分布网格中各个风速区间内所出 现的记录数，并分别除以单站的历史总记录数，从而 得到单站的实况数据和模式数据的联合概率密度分 布函数。选择对逐个站点建立概率密度分布函数而 非建立全省统一的函数的原因是安徽地形复杂多变 且地形对风速的空间分布具有重要影响，导致全省 各地区极大风速值分布具有明显的局地性特征[18]。 在对逐个站点进行极大风速预报时，以模式输出的 逐日10 m风极大风速作为自变量，对比概率密度 分布函数中模式风速所对应的概率密度值，选其最 大值所对应的历史实况风速值作为该站点的逐日极 大风速预报数据。鉴于以往研究中所发现的模式预

918

气 象科技第47卷

报风速相比实况极大风速明显偏小的现象[1°]，当模 式风速对应的概率密度值出现多个极大值时，则选 其对应的历史实况风速的最大值作为该站点的逐日 极大风速预报数据。以天柱山站（方位（30. 73°N， 报偏强，出现漏报时则说明预报偏弱。2

结果分析

2.1 6级以上极大风速预报的拟合结果分析

116. 45°E)，海拔 968. 2 m)为例，图 1 为 2012—2016 年天柱山站逐日实况极大风速和WRF预报风速的 联合概率密度分布。当模式预报风速为5 m/s时 (即图1中红点位置），其对应的最大概率密度值为3. 5%(即图1中黑点位置），则3. 5%所对应的历史 实况极大风速值为8. 3 m/s(即图1中蓝点位置）， 即为PDF的极大风速预报结果。

蓝点表示PDF预报风速为8. 3^/s

720093/瑚式15¥

黑点表示WRF风速对应的最大H)F处

逛迗铽

1

o*

红点表示WRF预报风速为5b/s

I0 5 10 15 20 25 30

fRF预报风速^® • s-〇

图1 2012—2016年天柱山站逐日实况极大风速和

WRF预报风速的联合概率密度分布（阴影）

(横纵坐标轴分别表示WRF预报风速和实况极大风速，红点表 示WRF风速为5 m/s的位置，蓝点表示PDF方法预报风速为 8. 3 m/s的位置，黑点表示WRF风速对应的最大概率密度值的

位置.图中阴影总面积大小为1)

1.4检验方法介绍

参考中国气象局《城镇气象要素预报的风预报 质量检验办法（试行）》，对风速评分按逐级风力作为 一个评分等级的规则进行分级，将风速等级划分为 0〜12级共13个等级，分别检验TS评分、漏报率和 空报率。同时参考风速预报分级检验方法，g卩如果 预报风力和实况风力处于同一等级时，则视该等级 风力预报正确；如果预报风力小于实况等级，则视其 为漏报；如果预报风力大于实况等级，则视其为空 报。按照此规则，当出现空报时说明该等级风力预

根据以往对中尺度模式风速预报的检验评估结 果，模式风速预报的准确性具有明显的季节性特征 即冬季效果好于夏季[6_7]，故本文利用2012—2016 年安徽省81个国家站的历史逐日极大风速资料和

WRF模拟的逐日10 m风极大风速资料按冬半年

(11月到次年4月）和夏半年（5- 10月）分别建立联 合概率密度分布函数，采用PDF方法对这五年间各 站点的日极大风速进行回报，并与WRF的模拟结 果做对比检验分析。

表1给出了冬半年的对比检验结果，其中WRF _DM()表示WRF模式的预报结果，WRF_PDF表 示在WRF模式预报结果的基础上经过PDF方法

订正过的预报结果。由表1可以看出PDF方法对 6级以上极大风的预报效果相比WRF有明显提升，

其TS评分达44. 3分，相比WRF结果上涨超过25 分，与此同时其漏报率也下降了 50个百分点；而

WRF对6级以上极大风的预报TS评分仅为16. 8

分，且其漏报率超过80%，说明WRF对6级以上极 大风的预报能力偏弱且预报风速偏小。对比8级以 上极大风的预报检验结果，发现PDF方法的TS评 分相比针对6级以上极大风的预报评分略有下降， 且其空报率也有所上涨，说明随着极大风速的增长，

PDF方法对极大风的预报能力也随之减弱，且其预

报风速相比实况风速偏强；而WRF对8级以上极 大风则几乎没有预报能力，并且其漏报率超过 99%，说明随着极大风速增长，WRF预报风速偏小 的特征会越发明显。

进一步对比夏半年的检验结果，发现无论是

PDF方法还是WRF预报，其针对6级和8级以上

极大风的预报TS评分相比冬半年均有下降（表2)。 究其原因，夏半年大风天气的影响系统比较繁杂且 大风发生的局地性特征偏强，而中尺度模式由于其 自身参数化方案不完善等原因在模拟复杂系统影响 下的天气方面仍有缺陷，导致其对夏季大风天气的 预报能力不足；而冬半年出现的大风天气则多与大 范围的冷空气活动有关，模式预报难度相对偏小，从 而导致了 PDF方法和WRF对冬半年大风天气的 预报效果均好于夏半年。

第6期钱磊等：基于概率密度匹配方法的WRF模式阵风风速误差订正

919

表1

2012—2016年冬半年6级以上极大风的预报检验结果

6级以上6级以上6级以上8级以上8级以上8级以上TS评分

漏报率空报率TS评分漏报率空报率WRF_DM()16. 8282. 2623. 580. 7299. 2833. 33WRF_PDF

44. 29

32.26

43. 87

37.55

25. 99

56.75

表2 同表丨，但为2012—2016年夏半年

6级以上6级以上6级以上8级以上8级以上8级以上TS评分

漏报率空报率TS评分漏报率空报率WRF_DMO8. 9690. 32.221.3298. 6820.00WRF PDF

36. 57

42.21

50. 10

33. 65

41.06

56.05

前面对比分析了 PDF方法和WRF在对6级 风级。分析PDF预报方法的检验结果，可以看到实 以上极大风的预报能力，但预报风力和实况风力的 况出现大风时，WRF_PDF预报风力的分布区间主 分布情况以及二者间的差异多少并未体现出来。因 要为5〜7级，其中6级所占比重接近40%(图2b)。 此，本文将极大风力>6级和极大风力<5级分别定 虽然与实况结果相比WRF_PDF预报风力在6级 义为大风和小风，并以2012—2016冬半年为例，分 所占的比重也明显偏少，但从6级以上风力的分布 别在实况出现大风（极大风力>6级）和小风（极大 情况来看，WRF_PDF预报结果与实况较为相似。 风力<5级）这两种情况下，对预报风力和实况风力 同样计算实况风力与WRF_PDF预报风力的差值， 的分布进行一致性对比检验，以便于进一步分析

可以看出相比WRF_DMO预报风力明显偏小的现 PDF方法和WRF预报结果与实况间的差异。需要

象，WRF_PDF预报风力则与实况结果较为接近，其 注意的是，本文这里之所以采用6级风而没有像中 风力差值主要分布在土1区间内，其中风力相等所 国气象局所规定的采用8级风作为区分大小风的标 占的比重接近50%(图2d)。进一步对比实况出现 准，是因为本文所收集的逐日极大风速数据中并不 小风时WRF_DMO和WRF_PDF预报风力的分布 包含在对流性天气条件下（包括飑线、超级单体、雷 情况，可以看到WRF_DMO对小风的预报效果相 暴等）出现的大风天气，而非对流性大风（例如冷空 比大风要明显偏好。虽然其预报结果在各级风力的 气大风等）的极大风速相比对流性大风(例如雷雨大 分布比重上与实况略有差异（图3a)，但二者间的风 风等）要明显偏弱。为避免按照8级风的标准来定 力差仍主要集中在〇〜1级（图3c)，说明WRF_

义大风天气，从而导致大风天气样本太少的情况出 DMO在预报小风时其预报风力相比实况整体接

现，本文选择用6级风作为区分大小风的标准。

近，略微偏小。对比WRF_PDF预报结果，可以看 图2a给出了 2012—2016冬半年实况出现大风 出其对小风的预报效果同样好于大风，但不像WRF 时WRF_DMO预报风力和实况风力的分布情况， _DMO那样改进明显。相比WRF_DMO，WRF_

可以看到WRF_DMO预报风力值主要分布在4〜6 PDF预报小风时其结果在各级风力的分布比重上

级，其中5级所占的比重接近50%，预报风力在6 与实况更为接近（图3b)，且二者风力相等所占的比 级以上的记录很少；而实况风力则主要分布在6〜8 重超过了 50%(图3d)。对比夏半年结果，发现结论 级，其中6级所占比重超过了 70%。进一步计算了 基本一致（图略）。综上可以看出：与WRF模式本 大风出现时各级实况风力与WRF_DMO预报风力 身的预报结果相比，利用PDF方法得出的预报风力 的差值（图2c)，发现风力差多集中分布在1〜2级， 与实况结果更为接近，特别是在实况出现6级以上 累积所占比重接近80%，说明在实况出现大风时

(包括6级）大风的情况下，PDF方法相比WRF模 WRF_DMO的预报风力相比实况明显偏小1〜2个

式本身其预报效果具有明显改进。

920气 象科技第47卷

40

%

/运

40

-41

0

01234567 10 11 12

0

01234567 10 11 12

风力级别风力级别

-6-5-4-3-2-1 0 1 2 3 4 5 6 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

风力差 风力差

图2 2012—2016冬半年实况出现大风(极大风力>6级）时安徽省各级风力实况（OBS)

和WRF_DMO(a)与WRF_PDF(b)预报风力所占的比重，实况和WRF_DMO(c)

与WRF_PDF(d)预报风力的差值所占的比重

2.2不同地形对拟合结果的影响分析

以往研究表明，地形对风速的空间分布具有重要 影响tl8]。安徽地处华东西部，其地形包含淮北平原、 江淮丘陵、大别山区和皖南山区，并有淮河和长江自 西南向东北贯穿其中，地形地貌十分复杂。那么，不 同地形条件对实况和预报风力的分布情况及其差异 又会产生什么样的影响呢？图4给出了安徽省地形 高度以及81个国家站的分布情况，可以看出除了天 116. 45°E)，海拔968. 2 m)、黄 柱山站（方位（30. 73°N，山光明顶站（方位（30. 13°N，118. 15°E)，海拔 1840.4 m)、九华山站（方位（30. 48°N，117. 78°E)， 海拔 7. 3 m)和岳西站（方位（30.87°N，116. 37°E), 海拔434.2 m)4个站的海拔高度超过400 m外，其他 各站点的海拔高度基本都在200 m以下，所以地形高

度对这些测站的实况风速所造成的差异可以忽略不 计。但是，这并不意味除了高海拔山区站以外的所 有站点的实况和WRF模拟风速分布都是相似的。 沿江河谷地带（包括太湖、望江、枞阳、安庆、宿松和 东至这6个站），由于其地处皖南山区和大别山区的 交界处，形成了一个类似“两边高，中间低”的峡谷地 形，有利于因狭管效应而引发的大风天气出现。A女 本文根据安徽省地形分布情况，将全省81个国家站 分成高海拔山区（包括天柱山、黄山光明顶、九华山 和岳西4个站）、沿江河谷地带（包括太湖、望江、揪 阳、安庆、宿松和东至这6个站）和平原地带（除高海 拔山区和沿江河谷地带外的所有站）3种地形，并分 析了不同地形对各站实况和预报风力分布特征的 影响。

第6期钱磊等：基于概率密度匹配方法的WRF模式阵风风速误差订正921

80

01234567 10 11 12

01234567 10 11 12

风力级别

风力级别

80 ---1---1---1---1---1---1---1---1---.---1---1---

80

(c)

B0

H0

i

40

40-41

2020

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

风力差风力差

图3 2012—2016年冬半年实况出现小风（极大风力<5级）时安徽省各级风力实况（OBS)和WRF_DMO(a)与

WRF_PDF(b)预报所占的比重，实况和WRF_DMO(c)与WRF_PDF(d)预报风力的差值所占的比重

研究结果表明：对于平原地带的国家站，其实况 极大风力整体偏弱，其风力区间主要位于3〜5级，

1400

很少出现6级以上的阵风记录；对比WRF_DMO 1200

和WRF_PDF预报风力的分布情况，发现WRF_

DMO预报风力处于0〜3级风力区间内的记录数

1000

较实况结果明显偏多，处于4级以上风力区间内的 记录数则明显偏少（图5a)，而WRF_PDF预报风力 800

分布情况则与实况结果基本一致（图5b);进一步对 600

各级实况风力与预报风力的风力差分布情况，发现

WRF_DMO预报风力相比实况结果明显偏弱1个

400

风力级别（图5c)，而WRF_PDF则有超过半数的预 报风力与实况结果相等（图5d)。

200

对于位于高海拔山区和沿江河谷地带的国家 站，可以看到其实况极大风力相比平原地带明显偏 强，风力主要分布在4〜7级的风力区间内；从WRF

图4安徽省地形高度（阴影）和81个国家站位置分布

—DMO预报风力的分布情况来看，WRF_DMO的预 (其中用#、♦和★分别表示属于平原地带、高海拔山区和沿

报风力主要分布在〇〜6级的风力区间内，对6级以 江河谷地带的国家站点）

上的大风几乎没有预报能力（图6a、图7a);进一步

922气象科技第47卷

(i()

〇()

40

v

30

s30

20

10

10

0

1

2

3

4

5

6

7

8

9

10 11 12

060

1

2

3

4

5

6

7

8

9

10 11 12

风力级别

60

风力级别

5050

40•10

3o

3o

o2o2

1010

0

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

0

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

风力差风力差

图5 2012—2016冬半年安徽省平原地带所有国家站各级风力实况（OBS)和WRF_DM()(a)与WRF_PDF(b)预报

所占的比重，实况和WRF_DMO(c)与WRF_PI)F(d)预报风力的差值所占的比重

对比高海拔山区和沿江河谷地带WRF_DM()的风 力预报效果，发现虽然WRF_DMO预报风力相比 实况均明显偏弱，但对于高海拔山区风力的预报偏 弱程度（偏弱2〜3级（图6c))要甚于沿江河谷地带 (偏弱1〜2级（图7c))。相比之下，无论是对高海 拔山区还是沿江河谷地带，WRF_PDF预报风力的 分布均与实况较为接近（图6b、图7b)，且预报与实况 的风力差也集中分布在±1级区间内（图6d、图7d)。 上述分析表明，WRF_DM()对极大风力的预报效果 整体偏弱，且受地形条件影响较为明显，具体表现为 在实况风力整体偏弱的平原地带表现偏好，而在风 力偏强的高海拔山区和沿江河谷地带则表现偏差； 而WRF_PDF对极大风力的预报效果整体较好，且 受到地形条件影响的程度偏弱。2.3 2017年阵风风速预报的检验

由前面的分析可知，运用PDF方法可以在一定 程度上有效地对2012—2016这五年间的逐日极大

风进行回报。然而基于这5年数据所建立的联合概 率密度函数是否具有代表性？是否能够表示安徽各 站多年的实况和WRF模拟极大风速的联合分布 特征？

2017年安徽省共经历各类大风天气过程（包括 冷空气大风和雷雨大风）接近30余次，其中冷空气 大风天气过程主要集中在2—3月，以2月19一22 日的过程最为明显，部分地区24 h(08: 00至次日 08:00)极大风力高达10级。为了进一步验证各站 概率密度函数的代表性和PDF方法的有效性，本文 对2017年全省逐日极大风速按冬半年和夏半年进 行划分，分别利用PDF方法对其进行预报，并对其 预报结果进行检验。表3和表4分别给出了 2017 年冬半年和夏半年6级以上极大风的检验结果。可 以看到，PDF方法对2017年6级以上极大风具有 一定的预报能力，虽然相比2012—2016年WRF_

PDF的预报评分偏低（这主要与2017年对流性大

第6期钱磊等：基于概率密度四配方法的WRF模式阵风风速误差订正923

风力级别 风力级别

风力差 风力差

图6 2012—2016年冬半年安徽省高海拔山区所有国家站各级风力实况和WRF_DMO(a)与WRF_PDF(b)预报

所占的比重，实况和WRF_DM()(c)与WRF_PDF(d)预报风力的差值所占的比重

风过程即雷雨大风天气偏多，而系统性大风过程即 间内所占的比重仍接近80%，而WRF_DM()预报 冷空气大风天气偏少有关），但PDF方法相比WRF 风力相比实况则普遍偏小2级左右，且其8级以上 原始模拟效果仍具有明显改进。进一步对2017年 极大风完全没有预报能力（图8b、d)。而夏半年结 冬半年WRF_PDF预报风力和实况结果做一致性 果则与冬半年基本一致（图略）。上述分析表明，利 检验，发现当实况出现小风时.WRF_PDF预报风力 用PDF方法对2017年逐日极大风的预报效果与之 与实况结果分布较为一致，且二者各级风力差均集 前对2012—2016年的回报效果大体相当，说明基于 中在士 1级区间内，风力相等所占的比重接近50%， 历史数据建立的概率密度函数可以代表安徽各站多 而WRF_DMO预报风力则相比实况偏弱1〜2级 年的实况和WRF模拟极大风速的联合分布特征， (图8a、c);当实况出现大风时，WRF_PDF风力较 即利用PDF方法进行逐日极大风速预报具有一定 实况偏小1个风力级，但二者风力差位于±1级区

的可靠性。

表3 2017年冬半年6级以上极大风的预报检验结果

6级以上6级以上6级以上8级以上8级以上8级以上TS评分

漏报率空报率TS评分漏报率空报率WRF_PDF40.8143. 6040. 3817.0675.6863.

WRF_DMO

22.49

76. 98

9. 37

0. 00

100. 00

924气象 科技第47卷

6o

6o

o5 o

%

/五叱

o5

4

v^-41

4o

3o

o3

o

o2

2

01 2

6o

34567 10 11 1I 1 2 3 4 5 6 7 8 9 10 11 12

风力级别

风力级别

5o

3o

o2

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

风力差 风力差

图7 2012—2016冬半年安徽省沿江河谷地带所有国家站各级风力实况（OBS)和WRF_DMO(a)与WRF_PDF(b)预报

所占的比重，实况和WRF_DMO(c)与WRF_PDF(d)预报风力的差值所占的比重

表4

6级以上TS评分

WRF—PDFWRF一DMO

32. 7111. 74

6级以上漏报率53. 1387. 80

同表3,但为2017年夏半年

6级以上空报率48.0124. 62

8级以上TS评分17. 690. 00

8级以上漏报率70.45100.00

8级以上空报率69.41

3结论与讨论

本文利用2012—2016年安徽省81个国家站的

力不断增强，WRF_PDF和WRF_DMO两种预报 结果的效果均随之变差；从季节性差异来看，以上两 种方法对极大风的预报效果均表现为冬半年效果好 于夏半年。

(2)

通过对比WRF_PDF和WRF_DM()两种

预报风力与实况结果的分布情况，可以发现当实况 出现大风时WRF模拟结果相比实况明显偏小，而

历史逐日实况和WRF预报极大风速资料建立联合 概率密度函数，并以此为基准对WRF输出的极大 风速产品进行订正。在此基础上分别对2012— 2016年以及2017年全省各站的逐日极大风速进行 回报，并与WRF直接输出结果进行对比检验分析。 结果表明：

(1)利用PDF方法对6级和8级以上极大风的 预报效果相比WRF均有明显改善，但随着极大风

PDF方法预报结果则与实况较为接近；当实况出现

小风时两种预报结果均与实况较为一致。

(3)

不同地形条件下WRF_PDF和WRF_DMO

的预报效果不同，在实况风力整体偏弱的平原地区，

第6期钱磊等：基于概率密度匹配方法的WRF模式阵风风速误差订正

925

i

40

40-41

0

01234567 10 11 12

0

01234567 10 11 12

风力级别风力级别

i

-41

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

-6-5-4-3-2—1 0 1 2 3 4 5 6

风力差

风力差

图8 2017年冬半年安徽省各级风力实况、WRF_DM()和WRF_PDF预报所占的比重（a、b);实况与WRF_PDF

(棕色柱）和WRF_DMO(黄色柱）预报风力的差值所占的比重（c、d)

(图a、c实况出现小风；图b、d实况出现大风）

WRF原始预报和利用PDF方法对极大风的预报效

合概率密度分布函数进行预报，所以历史样本的数 果均较好；在风力偏强的山区和沿江河谷地区，

量和可靠性是制约PDF方法预报能力的一大关键。 WRF_DMO预报风力明显偏弱，效果较差，而WRF_PDF

故在未来的研究中，可以考虑通过搜集更长时间尺 的预报效果相比WRF_DMO则有明显提升。

度的历史实况和WRF模拟数据，从而增加8级以 (4)通过对比PDF方法对2012—2016全年拟 上大风的历史样本数量，进而提高预报能力。此外， 合结果和2017年全省逐日极大风的预报结果，发现 由于中尺度模式对对流性天气预报能力有限，所以

二者效果大体相当，说明基于2012—2016年历史数 PDF方法对强对流产生的大风预报能力有限。

据建立的概率密度函数可以代表安徽各站多年的实 致谢：感谢安徽省气象信息中心为本文提供观测数据。

况和WRF预报极大风速的联合分布特征，故利用

PDF方法进行逐日极大风速预报具有一定的可

参考文献

靠性。

[1] 周后福，张永芹，孙金贺，等.淮北夏半年大风预报方法的建

虽然利用PDF方法对极大风的预报能力相比

立及检验[J].气象与环境学报，2013, 29(6): 37-41.WRF原始模拟有了明显提高，但其对实况8级以上

[2]

朱男男，刘一玮，孙密娜.一次罕见黄渤海大风天气成因分大风的预报能力仍显偏低，这可能与PDF方法中所 [J]•气象科技，2017, 45(6):1070-1076.

[3] 胡波.一种概率方法在沿海海岛台风阵风预报中的应用试验

使用的历史样本数据偏少有关。由于PDF方法主 [J].气象科技，2016, 44(2) ,246-251.

要依赖由大量历史数据所建立起的实况和WRF联

[4] Fei Y, Hongli J, Yuan X, et al.利用非线性回归技术建立洛

析

926气 象科技

第47卷

阳机场大风预报方法[J].气象与环境科学，2010, 33(4): 53-58.[5]

朱智慧.黄宁立.上海沿海WRF模式风速预报的检验和释用

象要素预报[J].应用气象学报，2012, 23(5) :562-570.

[12] 陈豫英，陈晓光，马金仁，等.风的精细化MOS预报方法研究

[J].气象科学，2006, 26(2) :210-216.

[13] 陈录元，尚可政，周海，等.环渤海地区4〜10天风速预报中

相似预报法的应用[J].气象科技，2012, 40(2): 219-225.[14] 胡波，杜惠良，俞燎霓.几种不同方法在舟山海岛阵风预报试

验中的对比分析[J].海洋预报，2016, 32(3):43-50.

[15] 宇婧婧，沈艳，潘旸，等.概率密度匹配法对中国区域卫星降

水资料的改进[J].应用气象学报，2013, 24(5):4-553.

[J].大气科学研究与应用，2012(2):69-76.

[6] 汪君，王会军.WRF模式对江苏如东地区风速预报的检验分

析[J].气候与环境研究，2013,18(2) :145-155.[7]

李茜，孙娴，程路.基于WRF模式与相似Kalman滤波法订

正后的风速预报效果分析[J].水电能源科学，2014, 32(6): 197-201.[8]

龚强.袁国恩，汪宏宇•等.应用MM5模式对地面大风过程 [16^ Turk F J, Ebert E E, Oh H J * et al. Validation of an opera­

tional global precipitation analysis at short time scales [C]// 12 th Conf on Satellite Meteorology and Oceanography, Amer Mereor Soc, 2003.

^17] Wang W, Xie P. A Multiplatform-merged (MPM) SST analy

sis [J]. Journal of Climate, 2007, 20(9) ： 1662-1679.

[18]王传辉，周建平，周顺武，等.近32a安徽省风速、风向分布特

征[J].干旱气象，2016, 33(2):236-243.

的模拟试验[J].气象• 2005, 31(4): 53-57.[9]

阎丽凤，盛春岩，肖明静，等.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，2013, 33(3): 340-346.

[10] 曾瑾瑜，韩美，吴幸毓，等.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[C]//第31届中国气象学 会年会S2灾害天气监测、分析与预报，2014.

[11] 王在文，郑祚芳，陈敏，等.支持向量机非线性回归方法的气

Error Correction of WRF Model Gust Speed Based on Probability

Density Function Matching Method

Qian Lei

Qiu Xuexing

Zheng Linlin

(Anhui Meteorological Observatory, Hefei 230031)

Abstract： In order to improve the forecasting ability of WRF mode against the gust wind speed, the probability density function matching method (PDF) is used to correct the wind speed errors of wind speed forecasting data from WRF model. The results show that： (1) The gust wind force forecasting based on the PDF method is significantly better than the WRF output. When the observed daily maximum wind speed force ^ level 5，two forecasting results are both consistent with the observation. When observed daily maximum wind speed force ^ level 6, comparing with the observed and the wind speed forecasting based on the PDF method, the output from WRF is weaker. (2) By comparing two forecasting results above different topographic conditions, it is found that the effects of the WRF and PDF methods on gust wind in the plain area where the observed wind force is weak are both good. However, in the mountain and valley areas where the observed wind force is strong, the effect of WRF forecast is obviously poor but the effect of the PDF method is improved compared with WRF. (3) By testing forecasting effect on the daily maximum wind speed of 81 national stations in Anhui Province in 2017, it is showed that the forecast error is basically the same as that of the past 5 years, which shows that the probability density distribution function based on the historical data from 2012 to 2016 can represent the joint distribution characteristics of the observed and WRF simulated maximum wind speed from 81 national stations in Anhui Province for many years. So it is reliable by using the PDF method to forecast daily maximum wind speed.Keywords: gust wind speed forecast; probability density distribution function; WRF model