香港机场附近海域近20 a大风过程统计分析

利用香港赤腊角的自动气象站观测资料,对香港机场附近海域近20 a大风过程进行统计分析。结果表明:年平均大风日数为35 d。6级以上大风过程为21.6次,4个季节均有发生,但主要集中在冬、春两季;7级以上大风过程为4.8次,8级以上大风过程为1.3次,7—8级大风过程主要集中在夏、秋两季,冬季没有8级以上大风过程。冷空气、对流性天气、台风和西南季风是影响该区域的主要天气系统,其中又以冷空气最为频繁。不同路径冷空气对施工海域的影响存在显著差异,东路冷空气易造成偏东风大风,过程持续时间最长,西路和中路冷空气易造成偏北风大风,过程持续时间较短。台风影响香港机场附近海域的时间主要集中在7—9月。

一种机器学习海面风场快速融合的方法

基于多源资料进行海面风场的同化融合或插值融合,目前受到计算能力的较大制约。本文提出在多源卫星数据和ERA-5再分析数据重叠区域,训练基于XGBoost的机器学习ERA-5数据修正融合模型。然后基于该模型快速修正ERA-5数据(机器学习推理)。由于机器学习推理的快速性,ERA-5全区域修正融合的时间仅需2 s左右,可以较小计算代价构建整个海面融合风场。本文以10 m风速、10 m风向、U10分量和V10分量等典型风场变量展开,考虑了海陆分布差异使用陆地掩膜消除陆地区域,分别构建D_S_A_XGBoost、D_S_O_XGBoost、U_V_A_XGBoost、U_V_O_XGBoost 4个ERA-5修正模型,并最终生成海面融合风场。通过修正前后的ERA-5再分析数据与卫星数据进行比较,上述4个模型均减小了ERA-5再分析数据与卫星数据的差距。特别是在风速方面,不论是均方根误差(RMSE)还是绝对误差(MAE)都得到有效降低。在风向方面上,RMSE以及MAE也呈现降低趋势。在利用热带大气海洋观测计划(Tropical Atmosphere Ocean Array,TAO)浮标数据对4种XGBoost模型进行评价发现,U_V_O_XGBoost模型对于ERA-5数据的修正结果最好,其相关性达到0.893,提高了约0.011,结果表明本文在保证风场精度的情况下较大地提高了融合速度。

基于CCMP的西北太平洋海面风场特征分析

利用1988—2018年CCMP 10 m风场资料,对西北太平洋海表风场的气候态特征、线性变化趋势以及6级及以上风力的频率分布特征进行分析。结果表明:平均风速随季节变化显著,夏季风速偏小,冬季风速整体较大。海表风速的线性变化趋势同样呈现出较强的季节性差异,其中东海南部、台湾海峡、南海东北部以及巴士海峡海域季节平均风速在秋冬两季表现出相反的变化趋势,这可能与东亚大槽的强度变化以及累积气旋能量的年际变化有关。西北太平洋不同海域大风频率分布特征季节差异性显著,30°N以北的北太平洋海域除夏季外,其他3个季节大风过程频发,南海东北部海域、台湾海峡以及巴士海峡海域大风过程主要集中在秋、冬两季;南海中西部海域大风过程主要集中在夏、冬两季,夏季大风过程以西南风为主,冬季以东北风为主。

构建准实时海面风场的一种智能算法

本文基于深度学习U-Net网络构建了CMA-GFS数值模式风场订正模型,并以此订正模型订正后的风场为背景场(CMA-GFS_Unet),以HY-2B/2C/2D以及MetOp-B 4颗卫星的散射计海面风资料为观测资料,采用插补法快速完成准实时海面风场的构建。此智能算法可实现滞后3 h准实时生成空间分辨率为0.25°、时间分辨率为6 h的全球海面融合风场(Fusion_QRT)。分别使用CCMP融合风场数据和中国近海浮标10 m风矢量数据对CMA-GFS、CMA-GFS_Unet和Fusion_QRT 3组风场资料进行了评估,结果表明,CMA-GFS_Unet风场质量得到显著提升,Fusion_QRT风场风速质量得到进一步改善,但风向质量略有降低:相较于CCMP,3组风场的风速平均绝对误差(MAE)分别为1.13 m/s、0.89 m/s和0.84 m/s,CMA-GFS_Unet和Fusion_QRT相较于CMA-GFS分别提升了21.3%和25.7%;风向MAE分别为17.5°、15.5°和16°,分别提升了11.3%和8.6%;而相较于浮标,风速MAE分别为1.50 m/s、1.36 m/s和1.28 m/s,分别提升了9.3%和14.7%;风向MAE分别为23.3°、22.7°和24.0°,分别提升了3.0%和-3.9%。