典型盆地城市风廓线演变特征及模拟研究

Vertical Variation Characteristics and Simulation Study of Wind Profiles in Typical Basin Cities

摘要: 研究成都地区风廓线的演变特征具有重要的科学意义和实际应用价值。本文利用成都市温江气象站2020~2024年观测数据通过风速廓线、风向玫瑰图，总结归纳风廓线的演变规律，采用WRF数值模拟评估了常用的三种边界层参数化方案(YSU、MYJ、ACM2)对成都地区风场的模拟性能。结果表明：(1) 成都地区08时与20时风场垂直结构特征相似，多项式拟合可较好地表征风廓线变化特征；平均风速随高度呈现先增后减趋势，低层冬季平均风速最小夏季最大，中高层相反，春季、秋季特征相似；其中850 hPa主导风向为东北风，到700 hPa偏南风增加，500 hPa以西风为主导，季节主导风向在700 hPa及以上层次存在差异，而且夏季的风向转换较多。(2) 三种方案均能有效模拟出成都地区风场特征，通过模拟结果和观测对比显示，采用YSU边界层方案为最优参数化方案。

Abstract: Studying the evolution characteristics of wind profiles in the Chengdu area has significant scientific significance and practical application value. In this paper, based on the observation data of Wenjiang Meteorological Station in Chengdu from 2020 to 2024, through wind speed profiles and wind direction rose diagrams, the evolution laws of wind profiles are summarized and concluded. The simulation performance of three boundary layer parameterization schemes (YSU, MYJ, ACM2) for the wind field in Chengdu area is evaluated by WRF numerical simulation. The results show that: (1) The vertical structure characteristics of the wind field in Chengdu area at 08:00 and 20:00 are similar. The average wind speed shows a trend of increasing first and then decreasing with height. The average wind speed is the smallest in winter and the largest in summer in the lower layer, the opposite in the middle and upper layers, and similar in spring and autumn. Among them, the dominant wind direction is the northeast wind at 850 hPa, the southerly wind increases at 700 hPa, and the westerly wind is dominant at 500 hPa. There are differences in the seasonally dominant wind direction at 700 hPa and above levels, and the wind direction changes more frequently in summer. (2) All three schemes can effectively simulate the wind field characteristics in the Chengdu area. The simulation results and observational comparisons show that the YSU boundary layer scheme is the optimal parameterization scheme.

1. 引言

风是研究大气结构和气候变化的一个重要参量，包括风速和风向两项观测。风对大气的热量、水分和其他属性的输送、交换及对某一地区的天气、气候的形成都起着重要的作用[1]。而且风对人类的生产、生活有着重要影响，近地层热量交换、空气中的二氧化碳、氧气等输送过程随着风速的增大而加快或加强[2]。风廓线指的是风速和风向随高度的变化，成都市作为典型盆地城市，位于四川盆地西部，西邻青藏高原东缘，地形复杂，静风频率高，因此研究成都地区风廓线的演变规律对优化城市规划、揭示污染物输送路径、保障航空安全、应对气候变化等具有重要的支撑作用[3]-[7]。

目前大多数研究着眼于近地层风场的研究[7]-[10]，而对高空风场研究较少。孙羡[7]等利用自贡机场2018~2019年自动气象站地面风资料，对风场变化特征进行分析发现机场主要受偏北风、偏西南风影响，偏北风频率较高，较大风速出现在春夏季，静风及风向不定频率较高。王吕[8]等利用1950年1月至2023年12月的地面10米风速再分析资料分析川藏铁路沿线地面风场的变化特征发现川藏铁路地区平均风速较大的区域主要集中在铁路的中部和西部，且平均风速总体呈现上升趋势，其中夏季增速最快。张可嘉[9]等对邢台冬季近地层风速、风频、污染系数等进行分析发现1~100 m高度平均风速呈现明显日变化特征，日间平均风速明显大于夜间平均风速且各高度盛行风向均以北风及相近风向为主。陈阳[10]等利用2014年8月至2019年7月文昌高分辨率风廓线雷达数据，统计分析其高空风垂直结构和季节变化特征发现冬季平均风最大值在13~14 km高度。夏季在18 km上下；垂直方向风向反向，以2500 m为界，由低到高，冬季由偏东风转向偏西风，夏季由西南风转偏东风。相关研究指出气象因子与污染物的传输扩散密切相关。熊洁[11]等通过分析武汉市2013年10月30日到11月3日AQI指数的演变特征发现逆温层和低风速是制约污染物扩散的两大因素。WRF (Weather Research Forecast)模式系统是美国气象界联合开发的新一代中尺度预报模式和同化系统，其输出的气象场，可用于天气预报和气候变化分析，选取适用于研究区域的参数化方案组合可提高WRF模式模拟性能[12]-[15]，可为后续的物理过程机理研究提供有利数据。

本文利用了温江气象站2020~2024年的风向风速资料，统计分析成都地区风廓线总体、季节变化特征，然后应用WRF数值模式，评估模式对该区域风廓线的模拟效果，并筛选最优参数化方案，可提高对典型盆地城市风特性的认识，为改善该区域大气环境现状、城市建设以及工业布局等提供参考。

2. 资料和方法

成都市地处四川盆地西部边缘，地势由西北向东南倾斜，属亚热带季风气候区，由于地表海拔高度差异显著，直接造成水、热等气候要素在空间分布上的不同[16]。本文气象相关数据为温江气象站(56187) 2020年1月1日~2024年12月31日(08时和20时)探测到的规定标准等压面层的风向风速资料。按照气象学四季划分方法：3~5月为春季，6~8月为夏季，9~11月为秋季，12月至次年2月为冬季[17]。通过温江气象站的资料统计分析08、20时的总体、季节变化，计算不同气压下的平均风速绘制不同气压层下的平均风速廓线并绘制三个等压面层(850 hPa、700 hPa、500 hPa)风向出现频率随高度变化的风玫瑰图，总结出成都的风速风向变化特征。开展WRF数值模拟，评估不同边界层参数化方案对成都地区风廓线的模拟效果，并筛选最优参数化方案。

2.1. 风廓线总体变化特征

对成都2020~2025年08时和20时的资料进行统计，得到5年平均风速的垂直变化廓线。橙色实线和蓝色实线分别为08时和20时的实际观测数据，橙色虚线和蓝色虚线分别为08时和20时的多项式拟合的数据如图1所示。多项式拟合相关系数可达0.9以上(表1)，并且均方根误差较小，表明多项式拟合可较好的标准成都地区风廓线特征。

从图1中可以看出，在200 hPa以下的高度，随高度增加，平均风速几乎随高度线性增加，且20时的平均风速普遍大于08时的平均风速。925 hPa的08时和20时的风速平均值均较小，分别为2.60 m/s和3.18 m/s，往上到850 hPa平均风速缓慢增加；从850 hPa到200 Pa两个时次的平均风速开始迅速增大，相邻两个层次的平均风速增幅在500 hPa达到最大，08时和20时的平均风速增幅分别为123.61%和117.22%，且20时的平均风速普遍大于08时的平均风速；从200 hPa到100 hPa平均风速逐渐减小，但08时的平均风速大于20时。

对这5年08时和20时的风向的数据选取常用等压面850 hPa、700 hPa、500 hPa绘制出不同气压层的风向频率玫瑰图，分析其所在高度风向的变化规律。如图2所示，从图上可知08时850 hPa成都地区主导风向为NE、频率为19.18%，其次为SW和SSW；20时850 hPa风向玫瑰图上主导风向为NE，其对应出现的频率为26.61%，850 hPa成都地区主要以东北风为主。700 hPa图上可知，08时跟20时总体的风向玫瑰图相似，在两个时间段内各个风向均有出现。08时的主导风向为SW，其对应所出现的频率为19.67%，其次为SSW和NE；20时的主导风向为SW、SSW和NE，频率分别为15.57%、12.92%和12.53%，其次为S，整体以西南风和东北风为主。500 hPa图上可以明显看到08时和20时的主导风向均为西风。08时主导风向为W，频率为27.31%，其次为WNW；20时盛行风向为W、频率为25.59%，其次为WSW和SW。由此可见500 hPa上，受西风控制，风向维持在SW和WNW之间。

Figure 1. The overall profiles of the fitted and measured average wind speeds at different times from 2020 to 2024

图1. 2020~2024年不同时次的拟合和实测的平均风速总体廓线

Table 1. Fitting parameters of the average wind speed at different times

表1. 不同时次平均风速各项拟合参数

		08时	20时
R^2 (决定系数)		0.995	0.997
RMSE (均方根误差)		0.832	0.626
P (多项式系数)	P0	−35.824	−41.024
	P1	1.027	1.070
	P2	−0.005	−0.005
	P3	9.937E−06	9.942E−06
	P4	−9.038E−09	−8.924E−09
	P5	3.092E−12	3.022E−12

$RMSE=\sqrt{\frac{1}{n}{\displaystyle \sum {\left(y_i-{\widehat{y}}_i\right)}^2}}$ (1)

$R^2=1-\frac{{\displaystyle \sum {\left(y_i-{\widehat{y}}_i\right)}^2}}{{\displaystyle \sum {\left(y_i-\overline{y}\right)}^2}}$ (2)

Figure 2. Overall wind direction rose charts under different pressure layers at different times from 2020 to 2024

图2. 2020~2024年不同时次不同气压层下的总体风向玫瑰图

2.2. 风廓线季节变化特征

Figure 3. Seasonal average wind speed profile at 08:00 (a) and 20:00 (b) from 2020 to 2024

图3. 2020~2024年08时季节平均风速廓线图(a)和20时季节平均风速廓线图(b)

对成都2020~2024年08时和20时的资料进行统计，得到5年的平均风速季节的垂直变化廓线。如图3所示，从图中可以看出08时跟20时不同季节风速廓线区别不大，总体上平均风速有明显的季节特征，在700 hPa气压层以上表现为冬季平均风速最大，夏季平均风速最小，而在低层表现为冬季平均风速最小，春季平均风速最大。700 hPa以下风速随高度增长率较慢，700 hPa到200 hPa平均风速随高度急剧增加，200 hPa到100 hPa平均风速急剧减小。总体上冬季风速随气压层变化最快，夏季随气压层变化最慢，春季与秋季特征相似且平均风速交替变化，风速随高度变化均快于夏季。

利用这5年的风向，将不同时次各季节内的等压面850 hPa、700 hPa、500 hPa在各风向上出现的频率进行统计，所得的各季节风向玫瑰图如图4和图5所示。

Figure 4. Rose charts of wind direction in different seasons under different pressure layers at 08.00 from 2020 to 2024

图4. 2020~2024年08时不同气压层下各季节风向玫瑰图

从图4中可以看出，08时850 hPa上主导风向均为NE，春、夏、秋、冬季的频率分别为21.43%、16.13%、20%和19.16%，春季和冬季次多风向均一致分别为SW和SSW，且频率明显大于夏季和秋季。到700 hPa偏南风增加，春、秋、冬季的主导风向均为SW，频率分别为19.19%、22.60%和21.12%，但夏季的主导风向为SSW和SW，频率分别为16.17%和15.72%，此外夏季的NE的频率也较其他季节大很多。500 hPa上春、秋、冬季受西风控制，春季秋季和冬季风向维持在WSW-WNW之间，而夏季西南风较多，即春季、秋季和冬季的主导风向为W，频率为26.02%、28.54%和40.30%；夏季主导风向为SW，频率为15.49%，夏季次多风向为W和WSW，频率为13.67%和12.76%。

Figure 5. Rose charts of wind direction in different seasons under different pressure layers at 20:00 from 2020 to 2024

图5. 2020~2024年20时不同气压层下各季节风向玫瑰图

从图5中可以看出20时850 hPa与08时相比，风向转换较少，春、夏、秋、冬季主导风向均为NE，频率为26.44%、22.95%、27.33%和29.65%，风向较集中，其它风向的频率均较少。20时700 hPa春季以SW和NE为主，频率分别为17.04%和15.27%，合计32.31%；夏季20时700 hPa风向转换较多，夏季主导风向为NE和S，频率分别为17.14%和16.04%；秋季主导风向为SW和SSW，频率分别为19.14%和18.47%，而冬季的SSW频率比秋季较少，以SW为主，频率为19.70%。500 hPa除冬季以外各季节的风向转换较大，冬季主导风向为W，频率为42.86%，而春、夏、秋季风向均维持在SW-W之间，其中秋季的主导风向为SW，频率为15.06%；秋季主导风向为W和WSW，频率分别为27.25%和24.55%；春季较秋季主导多一个风向为SW。

3. 风廓线模拟研究

3.1. 数值模式介绍

由于气象局常规的小球探空观测每日仅两次(08、20时)，相比变化迅速的大气风廓线，观测数据难以捕捉到其演变规律，文章利用WRF模式，开展模拟研究，选取最优参数化方案，研究2023年冬季的风廓线的演变特征。该模式是由许多美国研究部门及大学的科学家共同参与进行开发研究的新一代中尺度气象预报模式系统，是集数值天气预报、大气模拟及数据同化于一体的模式系统，能够较好地改善中小尺度天气的预报和模拟，并支持多层嵌套[18]。WRF模式系统具有可移植、易维护、可扩充、高效率、方便等诸多特性，是目前最为先进的中尺度数值天气模式，目前已经在世界大多数国家的天气预报业务和相关的业务部门及科研单位广泛应用[19]。

3.2. 风廓线最优参数化方案研究

本研究利用中尺度气象模式WRF4.1模拟了2023年12月至2024年1月成都地区冬季风场，以温江站点为网格中心(103.88˚ E, 30.75˚ N)，选用NCEP-FNL每6 h一次，分辨率为1˚ × 1˚的再分析资料作为WRF模式的初始场和侧边界。模式选用双重嵌套的方式，水平分辨率分别为15 km、5 km，垂直方向39层，与水平网格距相对应的模式积分步长分别为15 s和5 s，每1个小时输出一次。WRF模式主要包括大气辐射参数、微物理过程参数、积云参数、边界层参数、陆面过程参数等，不同参数方案的设置对各类型区域或各种天气过程等的模拟效果具有显著的差异[14]。其中边界层参数化方案对模拟风场的影响显著，因此本文设计了三组试验(表2)，分析常用的边界层参数化方案(YSU、MYJ、ACM2)在成都地区的模拟效果，利用相关系数、平均偏差和均方根误差，对比观测和模拟数据，筛选出最优的边界层参数化方案。

Table 2. WRF mode parameter scheme

表2. WRF模式参数方案

边界层	微物理	陆面过程	长波辐射	短波辐射
YSU	WSM3	Noah	RRTM	Dudhia
MYJ	WSM3	Noah	RRTM	Dudhia
ACM2	WSM3	Noah	RRTM	Dudhia

图6是观测和不同方案下平均风速廓线，从图中可以看出三种方案下的平均风速廓线高度重合且与观测数据趋势变化一致，三种方案下风速的模拟效果均较好，为了进一步对比三种方案模拟的效果以及选择最优参数化方案，本研究对WRF三维气象场进行检验，具体所用统计量公式如下：

$R=\frac{{\displaystyle \sum \left(x_i-\overline{x}\right)\left(y_i-\overline{y}\right)}}{\sqrt{{\displaystyle \sum {\left(x_i-\overline{x}\right)}^2}}\sqrt{{\displaystyle \sum {\left(y_i-\overline{y}\right)}^2}}}$ (3)

$MB=\frac{1}{n}{\displaystyle \sum \left(y_i-x_i\right)}$ (4)

$RMSE=\sqrt{\frac{1}{n}{\displaystyle \sum {\left(y_i-x_i\right)}^2}}$ (5)

公式中，R为相关系数(反映模拟序列和观测序列之间的线性相关程度)，MB为平均偏差(反映模拟序列和观测序列之间的偏差情况)，RMSE为均方根误差(反映模拟序列和观测序列之间偏差的平均)，$x_i$ 和$y_i$ 分别为第i个气象要素观测值和模拟值，$\overline{x}$ 和$\overline{y}$ 则分别为全部观测值和模拟值的平均值，$n$ 为时间样本总数，上述统计量中，MB和RMSE越接近0，R越接近于1，则说明模拟效果越好[20]。结果如表3所示。表3显示在850 hPa到100 hPa中所有方案的模拟风速与观测值高度相关(R > 0.999)，但均存在轻微的负偏差(模拟值略低于观测值)，RMSE值相近，表明三种方案的模拟精度相似其中，YSU方案的RMSE略低于其他两种方案。

Table 3. Statistical values of R, MB and RMSE under different schemes ranging from 850 hPa to 100 hPa

表3. 850 hPa~100 hPa不同方案下R、MB、RMSE统计值

方案	R	MB	RMSE
YSU	0.99982	−1.1536	1.2996
MYJ	0.99979	−1.1527	1.3049
ACM2	0.99980	−1.1910	1.3217

Figure 6. Average wind speed profiles of different schemes and observational data from 850 hPa to 100 hPa

图6. 850 hPa~100 hPa不同方案和观测数据的平均风速廓线图

Figure 7. Wind direction rose charts of different schemes and observed data

图7. 不同方案与观测数据的风向玫瑰图

利用WRF模式各组参数化方案组合模拟2023年冬季成都地区08时的风向，通过风向统计结果画出500 hPa、700 hPa和850 hPa观测跟不同方案的风向玫瑰对比图7，由图7可知，YSU方案模拟结果略优于MYJ方案，MYJ方案优于ACM2方案，三组方案总的来说，各组方案风向模拟结果差异不大，模拟值与观测值主导风向最大有一个方位的偏差，模拟结果主导风向与观测主导风向较为一致，均能较好的模拟出成都地区的主导风向。

结合误差统计值和以上三组参数化方案对08时成都地区风场的模拟结果和观测对比显示，对于成都地区风场而言，采用YSU边界层方案的第一组参数化方案为最优参数化方案。

4. 结论与展望

本文利用统计分析法、WRF数值模拟，说明数据，对成都市风廓线垂直变化特征进行分析及模拟研究，得出以下结论：

(1) 成都地区08时与20时风场垂直结构特征相似，多项式拟合可较好地表征该地区的风廓线变化特征；风速季节差异显著，从925 hPa至100 hPa层平均风速呈现先增后减趋势，低层冬季平均风速最小夏季最大，中高层相反，春季、秋季特征相似；其中850 hPa主导风向为东北风，到700 hPa偏南风增加，500 hPa以西风为主导，季节主导风向在700 hPa及以上层次存在差异，而且夏季的风向转换较多，但春、夏季偏南风增加较少，到500 hPa偏西风占比提升但08时夏季的西南风较多，20时除夏季外春季和秋季西南风频率较高，冬季500 hPa西风主导特征显著。

(2) 三种方案均能有效模拟出成都地区风场特征，通过模拟结果和观测对比显示，对于成都地区风场而言，YSU边界层方案为最优参数化方案，可利用此方案开展成都地区的数值模拟，为成都地区风廓线研究和应用提供合理可信的基础数据。

基金项目

云南省重点研发计划项目(202203AC100006)；第二次青藏高原综合科学考察研究项目(2019QZKK010408)。

NOTES

^*通讯作者。