胡海川 劉 珺 林 建

1 國家氣象中心，北京 100081 2 中國氣象局公共氣象服務中心，北京 100081

提 要： 陣風對航運及海上生產作業(yè)影響重大，但目前海上陣風客觀預報產品較少且時間分辨率低。為進一步豐富海上陣風客觀預報產品，提高海上陣風預報準確率，基于2016—2019年實況觀測數據及ERA5再分析數據，采用多元回歸方法建立我國近海逐小時陣風預報方程，并利用2020年ECMWF確定性模式數據進行預報試驗。對比2020年ECMWF確定性模式中的陣風預報及陣風系數法預報產品，基于多元回歸方法的陣風預報方程考慮了平均風速項、近地面層湍流作用項以及對流作用項，具有明確的物理意義和統(tǒng)計學意義，對陣風有更好的擬合效果。在8～9級陣風預報中，多元回歸方法預報的平均誤差、平均絕對誤差低于ECMWF確定性模式中的陣風預報，在冷空氣大風天氣過程中的預報效果優(yōu)于ECMWF確定性模式，同時該方法也能夠反映出臺風影響下的陣風情況，可為我國近海陣風預報提供參考。

引 言

陣風是指在數秒內風速的平均，在地面氣象觀測中以3 s的平均值來反映陣風的大小。當陣風大于某一閾值時，就會對交通運輸、房屋建筑、生產生活產生巨大影響，準確的預報陣風可以有效地降低生命財產損失。陣風被認為是某些大尺度低頻結構與其上強湍流脈動疊加形成的，當地面風速較強時，疊加在平均流動之上的脈動不僅包含隨機的湍流脈動，同時還會出現邊界層上層陣風向下傳遞的過程(程雪玲等，2007；2016)。在業(yè)務預報中，由于缺乏高精度的實況觀測，且難以實現對隨機湍流脈動及邊界層上層陣風向下傳遞作用的定量刻畫，使得陣風預報一直是預報中的難點問題(黃世成等，2009；Cheng et al，2012；劉輝志等，2013)。陣風客觀預報方法可分為基于統(tǒng)計的預報方法和基于物理過程的預報方法。在基于統(tǒng)計的陣風預報方法中，陣風系數法是一種計算簡單且常用的方法，即通過計算持續(xù)時間內最大風速與其所在時間尺度的平均風速的比值來表征風速脈動強弱，進而估算出最大陣風值(Adams，2004)。在不同的下墊面、海拔高度及天氣系統(tǒng)下，陣風系數差異明顯，因此諸多學者也對陣風系數進行更深入研究以取得更為準確的陣風預報(董雙林，2001；李倩等，2004；Paulsen and Schroeder，2005；Shu et al,2015；周福等，2017)。此外，基于統(tǒng)計的陣風預報方法還有多模式集成、神經網絡、回歸、經驗相似預報等(曾瑾瑜等，2015；Kretzschmar et al,2004；趙金霞等，2014；胡波等，2014；2019)。陣風估計(wind gust estimate,WGE)方法是一種基于物理過程的預報方法，認為陣風是由于邊界層中空氣塊湍流動能的垂直分量克服浮力后，偏轉向下到達地面后形成的(Brasseur,2001)。WGE方法不僅考慮了平均風和大氣湍流結構，還提供了可能出現的陣風量級范圍，因此有學者基于 WGE 方法的陣風模型開展預報試驗(Pinto et al，2009；Chan et al，2011)?；诮y(tǒng)計的預報方法與基于物理過程的預報方法各有優(yōu)劣，將兩者進行結合可以有效提高陣風的預報準確率(Patlakas et al，2017)。

相比于平均風，陣風對于海上航運安全及生產作業(yè)的影響更大，但海上觀測資料嚴重缺乏，無論是海面還是高空數據都很稀少，這不僅使得數值模式難以對海上氣象要素進行準確刻畫，同時也限制了海上客觀預報方法的開展(季曉陽等，2005)。造成我國近海大風天氣過程的天氣系統(tǒng)復雜，主要可分為冷空氣型、溫帶氣旋型和熱帶氣旋型三類，其中冷空氣型又包括小槽東移型、小槽發(fā)展型和橫槽轉豎型；溫帶氣旋又包括東海氣旋型、黃渤海氣旋型和蒙古氣旋型(呂愛民等，2018)。由于海洋觀測資料的稀缺及影響系統(tǒng)的復雜，現有諸多陣風預報方法并不能夠很好地適用于海上，因此需要開展我國近海陣風預報方法的研究工作。目前業(yè)務中的海上陣風預報主要參考歐洲中期天氣預報中心(ECMWF)的陣風預報產品，該產品是在預報時段內(3 h或6 h)10 m最大平均風速的基礎上考慮湍流和對流作用計算而得(Bechtold and Bidlot，2009)，計算公式如下：

Fgust=F10+Cugnu*+Cconvmax(0,U850-U950)

(1)

式中：Fgust為陣風風速；F10為預報時段內水平最大平均風速；Cugn為常數項，取值為7.71；u*為摩擦速度；Cugnu*為由湍流作用造成的陣風；Cconv為常數項，取值為0.6；max(0,U850-U950)為預報時段內850 hPa與950 hPa間最大正風速切變；Cconvmax(0,U850-U950)為由對流作用造成的陣風。雖然該公式既包含了統(tǒng)計系數，又兼顧了物理過程，但公式中涉及的風速均是預報時段內的最大值或最小值，并不是模式中通常輸出的時刻風速，因此業(yè)務中難以利用該公式來進行更高時間分辨率的陣風預報。

在海上觀測資料稀缺的情況下，我國近海風速客觀預報方法主要是基于統(tǒng)計數值模式對于沿岸、近海、海島站點預報的平均誤差特性，將其適用于近海的思路開展的?；谠撍悸返目陀^預報方法能夠有效提升數值模式對于大量級風速的預報能力并取得較好的應用效果(胡海川和周軍，2019；胡海川等，2021)。海洋下墊面均一，在很大程度上降低了海上陣風預報的難度(Letson et al，2018)，本文將利用實況觀測數據及再分析數據，選取沿岸、近海、海島代表站點建立我國近海逐小時陣風預報方程并進行預報試驗。

1 資料和方法

本文利用2016—2019年地面實況觀測數據中的逐小時風速數據與小時內極大風數據，ERA5再分析數據中的1 000、925、850 hPa風場數據建立逐小時陣風預報模型。利用2020年ECMWF確定性模式10 m風場預報數據，3 h內最大陣風預報數據，1 000、925、850 hPa風場預報數據進行預報試驗及效果對比。模式數據的預報時效為12～120 h，間隔為12 h，空間分辨率為0.1°×0.1°。如圖1所示，本研究共選取了沿岸、近海、海島共計41個代表站點，所選站點基本覆蓋我國東部沿岸和近海海域，以便建立的陣風預報方程可以適于我國近海。所選站點平均海拔高度為5 m，最大海拔高度為14 m，因此未對實況風速數據進行高度訂正。使用平均風速計算陣風時，平均風速采樣時段必須大于3分鐘才具有代表性(胡波，2019)。但業(yè)務中使用的數值模式數據，其采樣時段并不輸出大于3分鐘及以上的平均風速，為了能夠將所建立的預報模型進行更好的應用，文中利用時刻風速近似代替平均風速。

本文第三節(jié)使用偏相關系數表征自變量與因變量之間的關系，當偏相關系數為一階時(即影響因子為兩個)，控制其中一個自變量的影響，計算另一個自變量與因變量之間的關系，計算公式如下：

(2)

圖1 沿岸及近海代表站點分布Fig.1 Distribution of representative stations on coast and offshore

式中：rab_c為控制自變量c影響的情況下，因變量a和自變量b之間的相關系數；rab、rac、rbc分別表示a、b、c間的簡單相關系數。當自變量為三個時，需要控制其中兩個自變量的影響，計算另一個自變量與因變量的關系，因此需要計算二階偏相關系數，計算公式如下：

(3)

式中：rab_cd為在控制因子c、d影響的情況下，因變量a與自變量b之間的相關系數。文中垂直風切變?yōu)楦邔语L速值減去低層風速值，當其差值大于零時為正切變，小于零時為負切變。

2 預報因子

2.1 平均風速

一般情況下，陣風隨著平均風的增加而增大。2016—2019年的實況觀測數據顯示，當平均風速為22～24 m·s-1時，陣風為25～36 m·s-1；當平均風增大到28～30 m·s-1時，陣風可以達到35～45 m·s-1。陣風系數可以很好地反映出陣風隨平均風速增大而增大的一般規(guī)律，但簡單地利用陣風系數法進行陣風預報時會出現大量漏報的情況。利用2016—2019年的實況觀測數據，采取最小二乘法求解出不同平均風速下的陣風系數(圖2)，并將該系數帶入實況觀測的平均風中進行陣風回算。通過對回算數據的檢驗發(fā)現，當實況觀測的陣風為6級時，31.9%的回算值偏小2 m·s-1以上；當實況觀測的陣風為10級時，48.3%的回算值偏小2 m·s-1以上；當實況觀測的陣風為12級時，回算值偏小

圖2 2016—2019年不同平均風速下的陣風系數Fig.2 Gust factors at different average wind speeds from 2016 to 2019

2 m·s-1以上的比例高達57.5%。

2.2 近地面層垂直風切變

近地面層垂直風切變的增加可以使湍流運動增強(杜群等，2017)，因此近地面層垂直風切變也會直接影響到地面陣風。近地面層高度一般為幾十米(盛裴軒等，2003),因此本文中以1 000 hPa風速與10 m風速差近似表示近地面層垂直風切變。

圖3為平均風速分別在10～12 m·s-1、14～16 m·s-1時，近地面層正或負垂直風切變下的陣風增幅。通過綜合對比箱線圖中的中位數、第75%分位數、最大值可以發(fā)現，在近地面層垂直風切變?yōu)檎那闆r下陣風增幅要明顯大于近地面層垂直風切變?yōu)樨摰那闆r。在相同平均風速的情況下，近地面層的正垂直風切變能夠激發(fā)活躍的湍流作用，使地面陣風增強，因此近地面層垂直風切變是構建陣風預報方程的重要因子。

2.3 低層垂直風切變

較強的垂直風切變有利于對流風暴的發(fā)展，對流風暴中的下沉氣流會使地面出現較大的陣風(何娜等，2020；朱義青和高安春，2021)。Brasseur(2001)在WGE方法研究中指出，當強對流天氣發(fā)生時，對流層中的下沉氣流會影響地面的陣風。但強對流天氣中的下沉氣流對地面陣風的影響范圍小、發(fā)生頻率低、定量計算難度大，因此大多數的WGE方法主要是基于邊界層中的因子進行的，以取得較好的適用性(胡波，2019)。ECMWF確定性模式的陣風預報產品也僅僅將預報時段內850 hPa與950 hPa間最大正垂直風切變作為可能由對流影響造成的陣風。本文構建的陣風預報方程擬采用850 hPa與925 hPa或850 hPa與1 000 hPa的垂直風速差作為低層垂直風切變項，以表征對流作用影響下的陣風。

通過以上分析，初步確定平均風速(F10)、1 000 hPa與10 m的風速差(F1 000-F10)以及850 hPa與925 hPa或850 hPa與1 000 hPa的垂直風速差(F850-F925或F850-F1 000)作為陣風預報因子。

3 偏相關分析

簡單相關系數只能表明兩個變量間的共性聯系，當多個自變量均對因變量有影響時，不能夠只根據簡單相關系數就推斷自變量與因變量之間的關系，需要考慮這種相關性是否由其他變量的變化所引起的。在多元回歸中應利用偏相關分析來明確自變量與因變量之間的關系，即把其他影響因子作為常數，暫時不考慮其他要素的影響，單獨研究兩個要素之間的關系。為進一步明確預報因子與陣風之間的關系，確定低層垂直風切變項的具體層結，需要對所選預報因子與陣風進行偏相關分析。

利用2016—2019年實況觀測及再分析數據，計算了平均風速、近地面層垂直風切變、低層垂直風切變分別選取F850-F925、F850-F1 000情況下的偏相關系數。低層垂直風切變選取F850-F1 000時的偏相關系數要略高于F850-F925，因此本文最終選取F850-F1 000作為低層垂直風切變項，以表征對流作用下的陣風。

圖3 不同平均風速在近地面層正負垂直風切變下的陣風增幅 (a)平均風速為10～12 m·s-1,(b)平均風速為14～16 m·s-1Fig.3 The gust increment of different average wind speeds under the positive and negative vertical wind shear near the ground layer (a) average wind speed 10-12 m·s-1, (b) average wind speed 14-16 m·s-1

對偏相關系數的計算表明(表1)，無論在何種垂直風切變條件下，平均風速對于陣風的影響均是最大的。當近地面層垂直風切變?yōu)檎禃r偏相關系數分別為0.39和0.50，明顯高于近地面層垂直風切變?yōu)樨撝禃r的0.09和0.016，表明近地面層正的垂直風切變對陣風有一定影響，而負的垂直風切變對陣風影響較小，甚至無影響。低層垂直風切變與近地面層垂直風切變對于陣風影響的情況基本相同，但由于對流天氣發(fā)生概率低且對流層上層陣風下傳作用的不確定性大，因此低層垂直風切變的影響相對較小。在近地面層垂直風切變?yōu)檎?、低層垂直風切變?yōu)樨摰那闆r下，近地面層正的垂直風切變與陣風間的簡單相關系數僅為-0.046，而偏相關系數為0.50。偏相關分析能夠更為清楚地揭示要素間的內在聯系，為預報方程的建立提供基礎。以上相關性檢驗均通過水平雙側0.01顯著性檢驗。

表1 不同風速切變下預報因子與陣風間的偏相關系數Table 1 Partial correlation coefficients between predictors and gusts under different vertical wind shears

4 預報方程

利用最小二乘法求解以上三個預報因子在不同垂直風切變條件下的回歸系數。在不同垂直風切變條件下，平均風速的回歸系數量級基本相當，在1.290～1.379。當近地面層垂直風切變?yōu)檎禃r對應的回歸系數分別為0.482與0.588；當低層垂直風切變?yōu)檎禃r對應的回歸系數分別為0.146和0.185。當近地面層或低層垂直風切變?yōu)樨撝禃r對應的回歸系數小于垂直風切變?yōu)檎龝r。由于在不同垂直風切變條件下，平均風速所對應回歸系數基本相當，近地面層或低層垂直風切變?yōu)檎禃r所對應的回歸系數差異不大，因此可以將平均風速在不同風速切變條件下的系數進行平均，將近地面層與低層垂直風切變在正值時所對應的回歸系數進行平均。

根據上述系數建立的多元回歸陣風預報方程如下所示：

G=aF10+b(F1 000-F10)+

c(F850-F1 000)

(4)

式中：a為平均風速系數(1.343)，b為湍流作用系數(0.535)，c為對流作用系數(0.165 5)；其中湍流作用項(F1 000-F10)和對流作用項(F850-F1 000)均大于0，若上述兩項中某一項小于等于0，則該項將不被考慮出現在預報方程之中。

多重共線性問題是多元回歸中的一個不可忽視的問題，嚴重的共線性問題會導致回歸系數的符號與實際情況相反，甚至出現無法求解回歸系數的情況。本文所選預報因子在個別垂直風切變條件下會出現彼此間存在中等相關性的情況，但考慮到預報因子具有明確的物理意義，且回歸系數與實際情況相符，并不會出現由于樣本量的更改導致回歸系數不穩(wěn)定的情況，因此本文忽略預報因子間的共線性問題。 陣風預報方程中涉及1 000 hPa風速，在2016—2019年構建預報方程的數據中，當出現1 000 hPa 高度低于10 m時，1 000 hPa與10 m風速差為正值的情況僅占2.3%，其中地面平均風速在1～3 m·s-1時出現此情況的比例高達61%。在1 000 hPa 高度低于10 m時，850 hPa與1 000 hPa風速差為正值的比例僅占1.8%，且68%的比例集中在5 m·s-1風速以下，對整體擬合效果影響較小?？傮w上，當1 000 hPa與10 m、850 hPa與1 000 hPa間的風速差為正值時，1 000 hPa高度通常大于10 m。

為驗證陣風預報方程的擬合效果，對比基于多元回歸的陣風預報方程與陣風系數法的擬合誤差，陣風系數如圖2所示，擬合誤差計算公式如下所示：

(5)

圖5分別為2016—2019年的12月、1月、2月山東威海雞鳴島浮標與7—9月廣東茂名浮標出現8級及以上陣風時，多元回歸方法和陣風系數法的絕對誤差散點圖。由圖可以看出，當陣風系數法預報的誤差較小時，多元回歸預報的誤差也較小，因此原點附近散點分布較為密集。當陣風系數法預報的誤差較大時，散點主要集中在對角線左側，表明多元回歸方法預報的誤差要明顯小于陣風系數預報法。相比于陣風系數法，無論在冬季的北方海域或是夏季的南方海域，多元回歸方法都能夠對陣風有更好的擬合效果。

5 應用分析

為進一步驗證多元回歸方法陣風預報的應用效果，利用2020年ECMWF確定性模式10 m風場預報數據、1 000、925、850 hPa風場預報數據進行預報試驗，并分別與陣風系數法及ECMWF確定性模式中的陣風預報進行預報誤差對比。選取冷空氣大風天氣過程及臺風大風天氣過程，對比多元回歸方法的陣風預報與ECMWF確定性模式中陣風預報產品的預報效果。

圖4 2016—2019年多元回歸方法 與陣風系數法擬合誤差Fig.4 Fitting errors between the multiple regression method and the gust factor method from 2016 to 2019

圖5 2016—2019年多元回歸方法與陣風系數法絕對誤差散點圖 (a)12月、1月、2月威海雞鳴島浮標出現8級及以上陣風, (b)7—9月茂名浮標出現8級及以上陣風Fig.5 Absolute error scatter plots of the multiple regression method and the gust factor method in 2016-2019 (a) the gust of scale 8 and above on the buoy in Jiming Island, Weihai in December, January and February, (b) the gust of scale 8 and above on the buoy in Maoming from July to September

5.1 預報誤差對比

ECMWF確定性模式中10 m風速預報存在著明顯的系統(tǒng)性誤差，即小量級風速預報偏大、大量級風速預報偏小(胡海川等，2021)，基于該產品的陣風系數法的陣風預報也存在著相同的系統(tǒng)性誤差。本文基于多元回歸的陣風預報及陣風系數法的預報均是逐小時預報，其所對應的實況樣本相同，圖6給出了2020年基于ECMWF確定性模式數據的陣風系數法與多元回歸方法在24 h預報時效的平均誤差對比。從圖6中可以看出，多元回歸方法陣風預報的平均誤差總體上小于陣風系數法，陣風系數法對于3級陣風預報的平均誤差為2.77 m·s-1，而多元回歸預報的平均誤差為1.79 m·s-1；對于9級陣風，多元回歸方法的平均誤差僅為-1.52 m·s-1，而陣風系數法的平均誤差達-3.35 m·s-1。由于多元回歸方法的陣風預報不僅考慮了平均風速，同時也考慮了近地面層風速切變和低層風速切變，降低了模式10 m風速預報系統(tǒng)性誤差的影響，因而其出現小量級風速預報偏大、大量級風速預報偏小的情況較陣風系數法有明顯改善。隨預報時效的增加，兩種方法對大量級陣風預報偏小的程度均增加，但多元回歸預報的效果要優(yōu)于陣風系數法。在 120 h預報時效，陣風系數法對8級、9級陣風預報的平均誤差分別為-3.36 m·s-1、-4.86 m·s-1，多元回歸方法則分別為-2.18 m·s-1、-3.25 m·s-1。

圖6 2020年基于ECMWF確定性模式數據的 陣風系數法與多元回歸方法24 h預報平均誤差Fig.6 Average error between the gust factor method and the multiple regression method of 24 h forecast based on ECMWF deterministic model data in 2020

ECMWF確定性模式中的陣風預報產品為3 h內最大陣風值，而基于多元回歸方法的陣風預報是逐小時內的陣風預報。當陣風量級較小時，兩種陣風預報產品所對應的實況樣本量會存在較大差異，因此僅對比兩者對于大量級風速的預報誤差。圖7為2020年實況出現8～9級陣風時ECMWF確定性模式中陣風預報與基于多元回歸方法陣風預報的平均誤差對比。由圖7可見，對于各個預報時效、各個風速量級，兩者預報誤差均為負值，但基于多元回歸方法的陣風預報的平均誤差始終小于ECMWF確定性模式中的陣風預報。

圖7 2020年ECMWF確定性模式陣風預報與多元回歸陣風預報平均誤差 (a)實況出現8級陣風,(b)實況出現9級陣風Fig.7 Average error between the ECMWF deterministic model gust forecast and the multiple regression gust forecast in 2020 (a) observed scale 8 gust, (b) observed scale 9 gust

平均誤差的減少不足以證明多元回歸方法對于大量級風速預報的效果優(yōu)于ECMWF確定性模式，過量的空報同樣可以使平均誤差有所降低。為進一步驗證基于多元回歸方法的陣風預報效果，計算了2020年實況出現8～9級陣風時基于多元回歸方法的陣風預報與ECMWF確定性模式中陣風預報的平均絕對誤差(圖8)。如圖8所示，除多元回歸方法在108 h預報時效對9級陣風預報的平均絕對誤差略高于ECMWF確定性模式外，其他預報時效的平均絕對誤差均要小于ECMWF確定性模式中的陣風預報。

對比2020年多元回歸方法、陣風系數法以及ECMWF確定性模式中陣風預報產品的誤差表明，多元回歸方法降低了對數值模式10 m風速的依賴，因此對小風預報偏大、大風預報偏小的情況較陣風系數法有明顯改善，大量級風速預報效果優(yōu)于ECMWF確定性模式的陣風預報。

5.2 冷空氣大風個例對比

2020年12月12—15日，受冷空氣影響，我國近海出現了一次明顯大風天氣過程，其中臺灣海峽的陣風達10級(周冠博等，2021)。圖9a為ECMWF確定性模式在12月12日08時的48 h陣風預報，雖然模式中的陣風預報是3 h內的最大陣風風速，但對于14日08時臺灣海峽及附近海域9～10級陣風預報仍略顯偏弱。圖9b為多元回歸方法在12日08時的48 h陣風預報，多元回歸方法預報出現20 m·s-1以上風速的范圍大于ECMWF確定性模式，同時在臺灣海峽預報的風速值也大于ECMWF確定性模式，與實況觀測結果更為接近。

5.3 臺風大風個例對比

2020年第8號臺風巴威在臺灣以東洋面生成后一路北上，先后影響我國東海、黃海、渤海等海域。8月25日20時，臺風巴威中心位于我國東海海域，中心附近最大風力為42 m·s-1(強臺風級)。圖10分別為ECMWF確定性模式及多元回歸方法在24日20時的24 h陣風預報，圖中風羽為實況觀測。在臺風中心附近位置，ECMWF確定性模式預報出60 m·s-1以上的陣風，而多元回歸方法僅預報出52 m·s-1的陣風。對于臺風外圍影響區(qū)域，多元回歸方法的陣風預報的大風范圍較ECMWF確定性模式略有偏小，但與實況觀測更為接近。ECMWF確定性模式中的陣風是基于3 h內最大風速計算得到，而多元回歸方法主要是根據模式預報的時刻風計算得到，由于人們對臺風結構和強度變化的復雜性以及海陸氣相互作用缺乏足夠的認識，以及模式分辨率較低等因素的影響(端義宏等，2012；王晨稀，2014)，數值模式對于臺風中心附近最大風速預報會有所偏弱，因此在臺風中心附近區(qū)域會出現多元回歸方法預報出陣風小于ECMWF確定性模式的情況。

圖8 同圖7，但為平均絕對誤差Fig.8 Same as Fig.7, but for mean absolute error

圖9 2020年12月12日08時48 h陣風預報(等值線，數字)及14日08時的小時 最大陣風風速觀測實況(風羽≥20 m·s-1) (a)ECMWF確定性模式3 h內最大陣風預報,(b)基于多元回歸方法的1 h最大陣風預報Fig.9 The 48 h gust forecast (contour, number) at 08:00 BT 12 and the observation (barb, ≥20 m·s-1) of the peak gust wind speed at 08:00 BT 14 December 2020 (a) the 3 h maximum gust forecast of ECMWF deterministic model, (b) the 1 h maximum gust forecast by the multiple regression method

圖10 2020年8月24日20時24 h陣風預報及25日20時的小時最大陣風風速觀測實況(≥20 m·s-1) (a)ECMWF確定性模式3 h最大陣風預報,(b)基于多元回歸方法小時最大陣風預報Fig.10 The 24 h gust forecast at 20:00 BT 24 and the observation (≥20 m·s-1) of the peak gust wind speed at 20:00 BT 25 August 2020 (a) the 3 h maximum gust forecast of ECMWF deterministic model, (b) the 1 h maximum gust forecast by the multiple regression method

通常由臺風系統(tǒng)影響造成海上平均風速過大，為進一步驗證多元回歸陣風方法在臺風影響下的可適用性，對比了2016—2019年實況出現較大平均風速時的陣風系數與多元回歸方法中平均風速的系數。受大風樣本所限，僅對比實況出現20～28 m·s-1平均風時的情況(圖11)。如圖11所示，多元回歸方法中的平均風速系數與實況出現各個量級風速時的陣風系數的中位數均較為接近。因此在臺風影響下，即使不考慮近地面層風速切變及低層風速切變的情況，多元回歸方法中平均風速項也能夠在一定程度上預報出臺風影響下的陣風。不同臺風的風廓線結構差異明顯(廖菲等，2017)，為進一步提高臺風影響下陣風預報的準確率，后期需要單獨針對臺風大風個例進行細致的分析。

圖11 2016—2019年陣風系數箱線圖 (粗線：多元回歸方法中時刻風速系數為1.343)Fig.11 Box plot of the gust coefficient from 2016 to 2019 (thick line: wind speed coefficient 1.343 in the multiple regression method)

6 結論與討論

本文基于實況觀測數據及再分析數據建立多元回歸方法的我國近海逐小時陣風預報方程，并利用2020年ECMWF確定性模式數據進行預報試驗，通過對比陣風系數法及ECMWF確定性模式中的陣風預報得出以下結論：

(1)本文的陣風預報方程中包含平均風速項、近地面層湍流作用項以及對流作用項。相比于陣風系數法，基于多元回歸方法的陣風預報方程不僅具有統(tǒng)計學意義，同時具有明確的物理意義，因此能夠對陣風有更好的擬合效果。

(2)在預報試驗中，多元回歸方法的陣風預報的平均誤差要明顯低于陣風系數法。在8～9級陣風預報中，該方法預報效果同樣優(yōu)于ECMWF確定性模式中的陣風預報。

(3)在冷空氣大風天氣過程中，多元回歸方法的陣風預報大風范圍明顯大于ECMWF確定性模式中的陣風預報，與實況觀測更為接近。在臺風大風天氣過程中，該方法也能夠反映出臺風影響下的陣風情況。

不同季節(jié)、不同平均風速下的陣風情況會有所差異，不同臺風影響下的陣風情況也有所不同，但由于實況中大風速樣本的數量有限，難以將樣本再進行細致劃分，因此本文僅建立了一個通用的陣風預報方程。后期可利用更多實況數據，針對不同季節(jié)、不同平均風速、考慮不同層結高度建立陣風預報方程，以期取得更好預報效果。相比于ECMWF確定性模式中的陣風預報，本文中所建立陣風預報方程具有更好的適用性，可對不同模式輸出數據進行后處理，為海上陣風預報提供更多參考。