英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

用本地地形条件对网格风速进行的统计降尺度分析

摘要

风，尤其是强风，严重影响着雪融及其再分布。雨雪天气伴有的强风会导致灾害性的洪水同时山地环境下雪融的再分布会造成危险的雪崩条件。为了提供合理的警示，精确的风场数据是必须的。然而，山地风场显示出的小空间尺度的高度不均匀性，正是现有可用的网点预测数据所不能解决的问题。从瑞士得到的超过200个测站的风场数据被用于分析两种不同的表面风的预报产品（~2-和7千米的水平分辨率）并研发出统计降尺度技术去捕获改善这些更精细范围内的不均匀性。从25米的水平分辨率的数字高度模型得出的风的相关度量有效地分离出高空，中空和低空的风速场。预测的结果相当牵强不可靠，并在暴露区域偏低而在遮蔽和山谷区域偏高。同时还发现这些区域风速预测的变化性并不能准确描绘所观测到的变化规律。一个能对当地地形结构做出特殊说明并能使预测的风场分布更好的匹配观测分布和变化性的最新最优的体制已被提出。如今做出的统计降尺度的技术能最前沿地降低不同高度和曝光度的偏差，并为观测风速分布提供刚好的匹配模型。

1. 引言

风场形式相当复杂。极短时间的动力非线性流体都会挑战数值模拟的解决能力(Wood 2000)。数值模拟在计算上非常需要，但是甚至这些非线性现象的精细化实验研究都存在困难和不确定性(Harindra and Shermal 2012; Stuart 2012)。预测的风场，多数都从区域性的天气模式推向全球范围，衍生出关系到定义边界条件和捕捉地形内部作用的不确定性。此外，复杂地形的山区，风强烈的空间变化尺度比现今预报模型所能解决的空间大小小很多(e.g.,Raderschall et al. 2008; Winstral et al. 2009)。然而，这些更加精密的不均匀性在确定雨雪的溶解速率(Marks et al. 1998; Wuuml;rzer et al. 2016)及冰雪的再分布时起到相当大的作用(Lehning et al. 2008; Liston and Sturm 1998; Mott et al. 2011; Pomeroy et al. 1993)。

雨雪诱发型洪水很可能造成一系列衍生的灾害，对基础设施和人们生活都造成了威胁(Kattlemann 1997; Marks et al. 1998; Pomeroy et al. 2016)。在气候变暖的背景下，随着某些本不会发生此类事件的典型地区出现此类事件的普遍性(Freudiger et al. 2014; Surfleet and Tullos 2013)，雨雪诱发型洪水在改变它的自然属性。风驱动下在大气和雪表面流动的能量通常形成雨雪诱发型洪水中的高融化率(Kattlemann 1997;Marks et al. 1998)。在这些事件中积雪场的水分流失又决定于雪的性质状态，比如深度和能量的储存(Wever et al. 2014;Wuuml;rzer et al. 2016)。分布质量和能量平衡的雪模型通过追踪雪的状态精确地计算出能量及质量流动并在雨雪诱发型事件下拥有优秀的概念上的雪融模型(Kumar et al. 2013)。在最先进的计算能力下，这些综合的雪模型越来越被广泛用于运作目的(e.g., Painter et al. 2016)。准确的预报出由雪融引起的雨雪诱发型事件如今已是可能的。然而，直接实现这一目的主要依赖于准确的数据支撑，其对风场数据有效的降尺度预报方法的发展是一大重要的组成部分。虽然目前的工作已出现一些相关利益，它主要还是被提高雪融径流预报的需求所驱动着。

依据温度和降雨在许多模型中运用的重要性，或许也因为这些的不均匀性能直接用物理规律合理描述，温度和降雨数据的降尺度分析已成为大量研究的课题对象(e.g., Daly et al. 2008; Gao et al. 2012;Running et al. 1987)。然而风场却更加复杂得多；它的重要性通常被具体的应用，事件和具体区域限制着，只被极少的降尺度研究作为对象。

降尺度通常被分为两大类:动力降尺度与非动力降尺度。动力降尺度方法的运用原理和现有的原始模型相似，但能做到更加高分辨率的运用(e.g., nested modeling)。非动力的方法是在物理规律的基础上将高分辨率下的数据与低分辨率的预报相联系（eg：低分辨率下空气温度与直减率与高分辨率的高度数据相应用）。或者是与衍生出的统计学关系联系起来(eg：预报的气候变异性与精细尺度的观测或产品之间的关系)。上述描述的两种非动力方法常被合称为”统计“降尺度方法(Benestad et al. 2008)。这种非动力方法只需要很低的运算需求并在数据运用的预报偏差和外在影响对预报模式的影响上有很大的改善潜力。基于这些原因，非动力的方式成为了很多科研运作坚持选用的方式。

风的非动力降尺度研究着眼于提高精确点运算和衍生出对概率密度或是风速预测的更高分辨率的光栅线的产品。风速分布对预测潜在风能和发展建筑法规以及评估强风带来的潜在灾害非常重要。Kirchmeier et al. (2014)运用统计降尺度对从环境预测国家中心-大气研究国家中心（NCEP-NCAR）得来的重分析数据（200km分辨率）将美国北部中心的31个测站的日概率分布进行估计，同时Curry et al. (2012)在寻找气候预报的变异性和相似在分析的数据的关系去衍生出月的韦伯分布参数。Huang et al. (2015)运用物理和统计降尺度技术的结合去检验与动力学衍生出的天气研究相似高分辨率（3km）的产品是否能够比南美区域再分析(NARR)模型（32km分辨率）更有效。NARR和WRF产品的粗糙度长度差异和NARR预测的表面状况被用于降尺度模式。作者提到在越复杂地形该套模式的表现越不好。De Rooy and Kok (2004)将基于和高低分辨率下粗糙度的描绘拥有相似概念的框架结构和广义相加模型去降尺度高分辨率的有限区域模型（HIRLAM；75km分辨率）运用到荷兰的六个测站。

这项工作最大关联于着力研究降尺度预报风从而预估风速或者复杂地形测站的动力，包括山脉。Salameh et al. (2009)和de Rooy and Kok (2004)相似地运用了GAM和ERA-40的变异性去做出定位回归从而预测法国南部的六个测站的风线方向。Trubilowicz et al. (2016)将水平与垂直的内插法将NARR的自由大气气象预测降尺度分析运用到加拿大西南部的3个脊顶点的观测，除偏技术在此结果下也能很好的提高。

Fiddes and Gruber (2014)和Etienne et al. (2010)在目前的工作中都运用了很多相同测站的数据提出了研究。Fiddes and Gruber (2014)运用地形层面的应用将40个瑞士气候办公室和159个IMIS观测站的数据进行了降尺度分析。此TopoSCALE地形层面的风能测算技术是利用了欧洲中心运用的测站海拔压力的预估的再分析（80km）做出了一系列的插值运算。他们发现表层的预测风与观测数据相比偏差较小，通过地形层面校正的大气风速实质上平均每日风速的模拟。他们也做了一个建立在地形基础上的有关风的子模型(Liston and Sturm 1998)；然而，对于这个子模型的分析却是有限的（因为只有一个测站报告）因为很难准确评估当地测站状况。Etienne et al.(2010)没有运用降尺度的方法但运用了瑞士70ANETZ的测站进行地形分析和每日最大风速的98%去建立了一个空间模型。我们用两个地形参数，称作地形指数(TPIs; Jenness 2006; Weiss 2001)，结合斜坡斜度去分类各种不同的地形。即使统计模型选择标准始终使其地形上的预测与风的模型结果不相匹配，作者始终坚持其建立于地形变化上的内在关系是”风流场上最有影响力的参数” (Etienne et al. 2010, p. 1962)。

相反的，Winstral et al. (2009)，找到了风速变化和地形参数之间的紧密关系。他们得出风速在不同地形的不均匀性能够在高分辨率的情况下用这个简单的地形参数大约估计出来。这个地形参数是一个有方向性的基于斜率的对地形遮盖与曝光度的评估，其曾经被用于在模式定义域内分散小时风速的观测(Kumar et al. 2013; Marks et al. 2002; Winstral et al.2014)。Sx参数和其他地形的变化参数也曾被用于对高低速风速的描述从而确定由风引起的雪的重分布的影响的参数(Anderton et al. 2004; Erickson et al. 2005; Purves et al. 1998; Schirmer et al. 2011;Winstral et al. 2013)。目前的工作面临着这样的挑战-----从单一的预报单位中得到次网格的特性----这与在变化的地形处分布某个单一的测量难度有相似之处。

此项研究最重要的目标就是通过对风速更精确的描述提高雪的空间模型的作用。由于山风的时空不均性和雨雪诱发型融化与雪的再分布对风速的极度依赖，目前的研究旨在高空（从点到25m的水平分辨率）和瞬时分辨率（1小时）。我们的理论建立在高分辨率下同时发生的在不同海拔和暴露度下收集到的不同地形的风观测数据能够被用于将低分辨率的风预报进行统计降尺度分析从而更精确地得到当地山风的平均影响力。像这样，这项研究看起来填补了很多目前可行性研究的漏洞，并且和绝大部分的之前的降尺度分析在很多方面有了区分：

1. 而大多数研究都着眼于低到中海拔地区的弱风领域，或者只包含了一小部分的强风山区的观测(e.g., Huang et al. 2015; Jimeacute;nez and Dudhia 2012; Trubilowicz et al. 2016;Zagar et al. 2006)，这项研究却涉及到大量的山区强风。只有Fiddes and Gruber (2014)在分析里提到了大量的强风山区。然而那些山区测站却不能和主要的更大的数据分析模式相匹配，并且不能用到高分辨率的应用中，基于地形的子模型不具有总结性。目前的研究包括很多这样相同的测站，但涉及到强风对此工作的重要性和地形对风的巨大影响，具体地点的趋势和当地地形都在持续被分析研究中。
2. 粗糙度长度(de Rooy and Kok 2004; Huang et al. 2015)和复杂地形的描述(Etienne et al. 2010)被用于对高分辨率下当地地形的阐述，但这些元素都不能用于对方向的表示也不能区分背风和迎风的方位。于是为了在已知风向的基础上区分这些斜坡的性质考虑将Sx这样的参数用来参数化特定风区域的地形。
3. 很多先驱的研究提升了单站的订正(e.g., Kirchmeier et al. 2014; Salameh et al. 2009)。但这种订正限制了空间的功能，应用到这项研究中的程序不是能促进空间中应用的测站特性。
4. 从前的大多数工作都集中在数小时到一天的平均风速(e.g., Fiddes and Gruber 2014;Huang et al. 2015; Jimeacute;nez and Dudhia 2012; Salameh et al. 2009)。而 用每小时的风速去评估了动力降尺度产品（WRF）重现每日风模式的能力，最高分辨率可达333m，但只有四个测站参与到此项研究。
5. 这个成熟的成雪的稳定性将被一个独立的确认期测试，而上述的非动力/统计的应用集中于校准的结果。
6. 另外，此前的很多研究都评估或者降尺度了相对低分辨率的预报数据。而很多早期的方法都兼容高分辨率的数据，此项研究中分析和应用的预报数据比先前很多分析都高分辨率（2到7km水平分辨率）。这些更高分辨率的天气产品将很快成为山区应用的标准工具。[e.g., WRF, High-Resolution Rapid Refresh (HRRR), and Consortium for Small-Scale Modeling (COSMO)].
7. 数据

此项研究评估了两年的风数据。由于此项研究主要是针对雪引发的情况，7月到9月的数据没有被加入分析。原始数据分析和模式校准生成了2014年10月1日到2015年6月30日的数据。2013年10月1日到2014年6月30 日的数据用于验证结果。

COSMO模型是非动力，有区域限制的大气预测模型(www.cosmo-model.org)。COSMO预报产品被包括MeteoSwiss；瑞士环境部门和地形研究所，雪崩研究所在内的瑞士单位的运行应用。高分辨率COSMO-2模型（2.2km 分辨率）主要集中在为欧洲阿尔卑斯山脉崎岖地域提供先进的预报支持。COSMO-7（6.6km分辨率）覆盖了所有欧洲西部和中心。两种模型都有60个垂直层面。COSMO-2和COSMO-7产品都每天都要升级数次，在预报更新时间33到45小时（COSMO-2）和72小时（COSMO-7）频率下。COSMO数据能做到每小时10-m的表面风向预测。每天至少有一个预报和时间上连续的结果相似(0900 UTC run for COSMO-2 and 1200 UTC run for COSMO-7)，因此任何已知时间的预报都能达到24小时。

此研究中每小时平均风速观测是从瑞士MetNet（65个测站）的自动化测站和IMIS（154个测站）观测网点得来，并提供整个瑞士的空间覆盖。(图1)

图 1. 观测站点分布

SwissMetNet测站是被MeteoSwiss运作和维持，而IMIS是被SLF运作

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26052]，资料为PDF文档或Word文档，PDF文档可免费转换为Word