高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验

胡波; 俞燎霓; 滕代高

doi:10.16032/j.issn.1004-4965.2019.069

高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验

doi: 10.16032/j.issn.1004-4965.2019.069

浙江省气象台，浙江杭州 310017

基金项目:

浙江省重大科技专项重点社会发展项目 2011C13044

浙江省气象局科技计划一般项目 2018YB01

浙江省自然科学基金 LY18D050001

浙江省气象局科技计划重点项目 2017ZD09

详细信息

通讯作者:
胡波，男，浙江省人，高级工程师，主要从事数值预报解释应用。E-mail: hubook12@163.com

中图分类号: P732
计量
- 文章访问数: 288
- HTML全文浏览量: 36
- PDF下载量: 64
- 被引次数: 0
出版历程
- 收稿日期: 2018-12-06
- 修回日期: 2019-09-28
- 刊出日期: 2019-12-01

APPLICATION OF GAUSSIAN PROCESS REGRESSION METHOD TO GUST FORECASTING IN WINTER AND SPRING IN ZHEJIANG COASTAL ISLANDS

Zhejiang Meteorological Observatory, Hangzhou 310017, China

摘要

摘要: 利用2006—2016年冬春季浙江四个海岛气象站10 m大风观测资料和ERA-interim资料，首先分析了阵风因子和阵风风速的概率分布特征；然后统计阵风与10 m至500 hPa层的气温、风速、散度、涡度、比湿、垂直速度、浮力能等要素的关系，选取高相关的预报因子；最后采用高斯过程回归方法建立阵风概率预报模型，并进行试报。(1)平均风速相同时对应的阵风因子变化较大，导致阵风也出现大的差异，说明阵风数据分布具有混沌性；阵风风速具有正态或准正态分布特点，在自然对数处理后完全符合正态分布，表明采用高斯过程回归方法建立阵风概率预报模型合理可行。(2)阵风与大气低层的动力因子相关较好，而在近中层则与热力因子相关较好。(3)阵风大值样本在大气低层具有更强的下沉速度，有利于上层动量向下输送，且大值样本对应的中层气温和比湿相对大些，说明中层暖湿气流有利于湍流的发展和不稳定能量的交换。(4)试报模型的因子权重尺度分析表明，最佳预报因子绝大多数集中在875 hPa层以下，说明大气低层因子对近地面阵风起主导作用。(5)高斯过程回归模型试报表明，大部分站点阵风预报的50%概率区间上下界跨度约为2.5 m/s，75%概率区间跨度约为4.5 m/s，样本的50%和75%概率区间击中率均符合预期。
- 高斯过程回归 /
- 沿海 /
- 阵风 /
- 概率 /
- 预报
Abstract: By the use of the gale data and ERA-interim data from four island meteorological stations in Zhejiang during winter and spring from 2006 to 2016, the climatic probability distribution characteristics of gust factors and gust velocity are analyzed first. Then the relationship between gust and meteorological factors such as temperature, wind speed, divergence, vorticity, specific humidity, vertical velocity and buoyancy energy from 500 hPa to the ground level are statistically analyzed. Finally, the Gaussian process regression method is used to establish a probability forecast model of gust, and the trial and comparison analysis are made. The following conclusions are drawn. (1) When the average wind speed is the same, the corresponding gust factors can change greatly, which leads to the big difference of gust, indicating that there is chaos in gust data distribution. Coastal gust wind speed has normal or quasi-normal distribution characteristics, which fully conforms to normal distribution after natural logarithm processing. Gust data characteristics show that the probability prediction method based on Gaussian process regression is reasonable and feasible. (2) Gust has a good correlation with the dynamic factors in the lower atmospheric layer, whereas it has a good correlation with the thermodynamic factors in the near middle atmospheric layer. (3) The sinking velocity of large gust samples is stronger in the lower layer, which is conducive to the downward transport of momentum in the upper layer. Moreover, the temperature and humidity in the middle layer are relatively higher, which indicates that the warm and humid air flow in the middle layer is more conducive to the turbulent development and the exchange of unstable energy. (4) Weight scale analysis of sample tests shows that most of the selected predictors are concentrated below 875hPa layer, indicating that the lower atmosphere factors play a dominant role in gust near surface. (5) The test results of Gaussian process regression model show that the 75% probability forecast interval span of samples at most stations is about 4.5 m/s, and the 50% probability forecast interval span is about 2.5 m/s. The 50% and 75% probability interval hit rates of samples are in line with expectations.
- Gaussian process regression /
- coast /
- gust /
- probability /
- forecast

HTML全文

图 1 四个海岛气象测站的地理位置

下载: 全尺寸图片幻灯片

图 2 四个海岛站冬春季大风的10 min平均风速与对应阵风因子的关系

颜色代表样本出现概率，概率按照平均风速2.0 m/s和阵风因子0.06的间隔进行计算。

下载: 全尺寸图片幻灯片

图 3 不同阵风风速样本对应的概率密度估计

棕色线为标准正态分布曲线。左边为10 m阵风样本，右边为10 m阵风自然对数样本。

下载: 全尺寸图片幻灯片

图 4 四个站阵风样本的Kolmogorov-Smirnov正态分布检验

左边为标准化10 m阵风样本，右边为标准化的10 m阵风自然对数样本。

下载: 全尺寸图片幻灯片

图 5 四个气象站阵风预报模型中8个因子对应的权重尺度对数情况

1：d875；2：w975；3：q500；4：t600；5：w600；6：b700_1000；7：f925；8：f1000, 要素说明同表 1。

下载: 全尺寸图片幻灯片

图 6 四个站一组样本10 m阵风与1 000 hPa风速的散点图

黑色点为样本实况，蓝色点为确定性预报，红色点为75%概率区间预报的上限和下限。

下载: 全尺寸图片幻灯片

图 7 四个站一组样本10 m阵风与1 000 hPa风速的散点图

黑色点为样本实况，蓝色点为确定性预报，红色点为50%概率区间预报的上限和下限。

下载: 全尺寸图片幻灯片

表 1 各站不同天气要素与阵风相关检验的p值均值在0.05以下的因子 f：水平风速；t：气温；v：涡度；w：垂直速度；d：散度；q：比湿；b：浮力能。

试验	w500	q500	w500	q550	t600	w600	q600	t650	w650	q650	t700
嵊泗	0.01	0.00	0.03	0.01	0.00	0.08	0.02	0.00	0.13	0.02	0.02
南麂	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
大陈岛	0.02	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.00	0.00	0.05
东矶	0.00	0.00	0.00	0.00	0.04	0.00	0.00	0.01	0.00	0.02	0.07
平均	0.01	0.00	0.01	0.00	0.01	0.02	0.00	0.00	0.03	0.01	0.03
试验	q700	d750	d775	f850	f870	d875	f900	f925	w925	w950	f950
嵊泗	0.03	0.01	0.06	0.00	0.00	0.00	0.00	0.00	0.11	0.11	0.00
南麂	0.00	0.00	0.00	0.00	0.18	0.02	0.01	0.00	0.00	0.00	0.01
大陈岛	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
东矶	0.15	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
平均	0.04	0.00	0.02	0.00	0.05	0.01	0.00	0.00	0.03	0.03	0.00
试验	f970	d975	v975	w975	w1000	f1000	b600_1000	b700_1000	f10m
南麂	0.00	0.13	0.00	0.12	0.01	0.00	0.00	0.00	0.00
嵊泗	0.01	0.00	0.08	0.00	0.00	0.01	0.00	0.00	0.00
大陈岛	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
东矶	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
平均	0.00	0.03	0.02	0.03	0.00	0.00	0.00	0.00	0.00

下载: 导出CSV

表 2 准因子之间相关检验p值的平均要素说明同表 1。

要素	q500	w500	w550	q550	t600	w600	q600	t650	w650
p平均值	0.05	0.04	0.04	0.04	0.07	0.05	0.04	0.06	0.04
要素	q650	q700	t700	d750	d775	f850	f870	d875	f900
p平均值	0.02	0.02	0.03	0.04	0.04	0.06	0.08	0.11	0.13
要素	f925	w925	w950	f950	f970	v975	w975	d975	w1000
p平均值	0.14	0.01	0.02	0.04	0.02	0.10	0.03	0.05	0.02
要素	f1000	f10m	b600_1000	b700_1000
p平均值	0.06	0.05	0.07	0.08

下载: 导出CSV

表 3 四个站点前10个阵风风速最大样本的入选因子平均值情况要素说明同表 1。

站号	10 m阵风/(m/s)	d875/(10^-6·s^-1)	f925/(m/s)	f1000/(m/s)	q500	t600/K	w600/(Pa/s)	w975/(Pa/s)	b700_1000/（m²/s²）
东矶	23.4	-11.1	17.2	15.4	0.001 4	267.8	-0.311	0.231	220.1
南麂	27.7	-18.5	14.5	16.2	0.002 1	269.4	-0.216	0.113	234.8
嵊泗	25.6	-10.9	19.5	17.2	0.001 4	267.8	-0.136	0.005	209.9
大陈岛	24.9	-15.9	17.8	17.3	0.001 7	268.2	-0.319	0.192	224.6
平均	25.4	-14.1	17.2	16.5	0.001 6	268.3	-0.245	0.135	222.3

下载: 导出CSV

表 4 四个站点10个阵风风速为10.1 m/s小值样本的入选因子平均值情况要素说明同表 1。

站号	10 m阵风/(m/s)	d875/(10^-6·s^-1)	f925/(m/s)	f1000/(m/s)	q500	t600/K	w600/(Pa/s)	w975/(Pa/s)	b700_1000/（m²/s²）
东矶	10.1	-7.60	5.5	6.1	0.000 7	267.8	-0.018	-0.008	200.6
南麂	10.1	-2.54	4.2	6.5	0.001 4	267.8	-0.064	-0.006	192.6
嵊泗	10.1	2.49	7.6	7.6	0.000 7	264.6	0.012	0.029	185.6
大陈岛	10.1	-5.53	6.4	7.5	0.001 0	266.2	0.047	0.083	202.9
平均	10.1	-3.29	5.9	6.9	0.000 9	266.6	-0.005 7	0.024	195.4

下载: 导出CSV

表 5 四个站点预报模型的拟合和测试结果

站号	拟合样本绝对误差/（m/s）	测试样本绝对误差/（m/s）	75%概率区间上下界差/（m/s）	50%概率区间上下界差/（m/s）	75%概率击中率/%	50%概率击中率/%
东矶	1.6	1.6	4.5	2.6	75.1	49.5
南麂	1.7	1.8	5.3	3.1	75.4	53.4
嵊泗	1.4	1.5	4.5	2.6	75.9	51.3
大陈岛	1.4	1.4	4.2	2.4	76.0	51.9
平均	1.5	1.5	4.6	2.6	75.6	51.2

下载: 导出CSV

参考文献(34)

[1]	王志春, 植石群.登陆台风启德近地层强风特性观测研究[J].气象科技, 2014, 42(4): 678-681.
[2]	宋丽莉, 毛慧琴, 汤海燕, 等.广东沿海近地层大风特性的观测分析[J].热带气象学报, 2004, 20(6): 731-736.
[3]	徐家良, 穆海振.台风影响下上海近海风场特性的数值模拟分析[J].热带气象学报, 2009, 25(3): 281-286.
[4]	LARS M B, LARS R S. Wind gust factors in a coastal wind climate[C]//13th Deep Sea Offshore Wind R & D Conference, EERA Deep Wind, 20-22 January 2016, Trondheim, Norway. Energy Procedia 94(2016): 417-424.
[5]	NAKAMURA K, KERSHAW R, GAIT N. Prediction of near~surface gusts generated by deep convection[J]. Meteor Appl, 1996, 3(2):157-167.
[6]	BRADBURY W M S, DEAVES D M, HUNT J C R, et al. The importance of convective gusts[J]. Meteor Appl, 1994, 1(4): 365-378.
[7]	BRASSEUR O. Development and application of a physical approach to estimating wind gusts[J]. Mon Wea Rev, 2001, 129(1): 5-25.
[8]	董双林.中国的阵风极值及其统计研究[J].气象学报, 2001, 59(3): 327-333.
[9]	LORENZ E N.混沌的本质[M].刘式达, 刘式适, 严中伟译.北京: 气象出版社, 1997.
[10]	丑纪范.大气科学中的非线性和复杂性[M].北京:气象出版社, 2002.
[11]	杜钧, 陈静.单一值预报向概率预报转变的基础:谈谈集合预报及其带来的变革[J].气象, 2010, 36(11): 1-11.
[12]	杜钧, 邓国.单一值预报向概率预报转变的价值:谈谈概率预报的检验和应用[J].气象, 2010, 36(12): 10-18.
[13]	赵琳娜, 刘莹, 包红军, 等.基于重组降水集合预报的洪水概率预报[J].应用气象学报, 2017, 28(5): 544-554.
[14]	MURPHY A H, MARTIN E. On the relationship between the accuracy and value of forecasts in the cost-loss ratio situation[J]. Wea Forecasting, 1987, 2(1): 243-251.
[15]	APPLEQUIST S, GAHRS G E, PFEFFER R L. Comparison of methodologies for probabilistic quantitative precipitation forecasting[J]. Wea Forecasting, 2002, 17(4): 783-799.
[16]	KRZYSZTOFOWICZ R. Bayesian theory of probabilistic forecasting via deterministic hydrologic model[J]. Water Resour Res, 1999, 35(9): 2 739-2 750.
[17]	KALNAY E. Atmopsheric modeling, date assimilation and predictability[M]. Cambridge University Press, 2003.
[18]	邓国, 龚建东, 邓莲堂, 等.国家级区域集合预报系统研发和性能检验[J], 应用气象学报, 2010, 21(5): 513-523.
[19]	刘家峻, 张立凤, 关吉平, 等.集合预报产品在台风麦莎预报中的应用[J].气象, 2010, 36(5): 21-31.
[20]	马培迎.应用贝叶斯原理修正降水概率预报[J].气象科技, 1999(1): 45-48.
[21]	陈朝平, 马汉中, 陈静.基于贝叶斯方法的四川暴雨集合概率预报产品释用[J].气象, 2010, 35(5): 32-39.
[22]	邵明轩, 刘凤辉, 程维中, 等.用非线性多因子动态组合方法作降水概率预报[J].气象科技, 2003, 31(4): 206-210
[23]	李明.基于ECMWF细网格模式的短时强降水客观概率预报方法研究[J].热带气象学报, 2017, 33(6): 812-821.
[24]	姜丽黎, 余晖.基于动力相似方法的台风极端降水概率预报研究[J].热带气象学报, 2019, 35(3): 353-364.
[25]	SLOUGHTER J M, GNEITING T, RAFTERY A E. Probabilistic wind speed forecasting using ensembles and Bayesian model averaging[J]. J Amer Stat Assoc, 2010, 105(489): 25-35.
[26]	LERCH S, THORARINSDOTTIR T L. Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting[J]. Tellus, 2013, 65(10): 98-110
[27]	THORARINSDOTTIR T L, JOHNSON M S. Probabilistic wind gust forecasting using nonhomogeneous Gaussian regression[J]. Mon Wea Rev, 2012, 140(3): 889-897.
[28]	HARPER B A, KEPERT J D, GINGER J D. Guidelines for converting between various wind averaging periods in tropical cyclone conditions[C]//Sixth Tropical Cyclone RSMCs. Brisbane: WCs Technical Coordination Meeting Technical Document, 2009.
[29]	何志昆, 刘光斌, 赵曦晶, 等.高斯过程回归方法综述[J].控制与决策, 2013, 28(8): 1 121-1 137.
[30]	王鑫, 李红丽.台风最大风速预测的高斯过程回归模型[J].计算机应用研究, 2015, 32(1): 59-62.
[31]	龙健颜, 卢素, 刘金山.贝叶斯非参数回归模型及非参数似不相关回归模型的应用[J].统计与决策, 2011, 27(16): 17-20.
[32]	KOTTAS A, BEHSETA S, MOORMAN D E, et al. Bayesian nonparametric analysis of neuronal intensity rates[J]. J Neuroscience Methods, 2012, 203(1):241-253.
[33]	王磊, 邹北骥, 彭小宁, 等.基于高斯过程的表情动作单元跟踪技术[J].电子学报, 2007, 35(11): 2 087-2 091.
[34]	FELDMANN K, SCHEUERER M, THORARINSDOTTIR T L. Spatial postprocessing of ensemble forecasts for temperature using nonhomogeneous gaussian regression[J]. Mon Wea Rev, 2015, 143(3):955-971.