基于三维Barnes融合同化的广东海域高分辨率风资源数据集构建与应用验证

牛涛; 胡江林; 张皓; 陈雯超; 易侃; 姜怡梁; 黄丛吾; 文仁强; 袁春红; 宋丽莉

doi:10.16032/j.issn.1004-4965.2025.062

基于三维Barnes融合同化的广东海域高分辨率风资源数据集构建与应用验证

doi: 10.16032/j.issn.1004-4965.2025.062

牛涛¹,
胡江林²,
张皓^3, ,,
陈雯超⁴,
易侃³,
姜怡梁^{1, 5},
黄丛吾^{1, 6},
文仁强³,
袁春红⁷,
宋丽莉¹

1.
中国气象科学研究院/灾害国家重点实验室&大气化学开发实验室，北京 100081
2.
中国气象局地球系统数值预报中心，北京 100081
3.
中国长江三峡集团有限公司科学技术研究院，北京 101100
4.
广东省气候中心，广东广州 510641
5.
清华大学环境学院，北京 100084
6.
湖北大学，湖北武汉 430062
7.
华风气象传媒集团，北京 100081

基金项目:

中国长江三峡集团有限公司科研项目 202203057

中国气象局行业标准项目 TC540/SC2

详细信息

通讯作者:
张皓，男，江西省人，工程师，博士，主要从事风能资源评估、风功率预测方面的研究。E-mail：zhang_hao17@ctg.com.cn

中图分类号: P468
计量
- 文章访问数: 17
- HTML全文浏览量: 7
- PDF下载量: 2
- 被引次数: 0
出版历程
- 收稿日期: 2023-06-14
- 修回日期: 2025-09-28
- 网络出版日期: 2026-01-04
- 刊出日期: 2025-12-20

Construction and Application Verification of a High-Resolution Wind Resource Dataset in the Guangdong Sea Area Based on Three-Dimensional Barnes Assimilation

1.
Chinese Academy of Meteorological Sciences/State Key Laboratory of Disaster & Atmospheric Chemistry Development Laboratory, Beijing 100081, China
2.
Earth System Numerical Prediction Center of China Meteorological Administration, Beijing 100081, China
3.
Science and Technology Research Institute, China Three Gorges Corporation, Beijing 101100, China
4.
Guangdong Provincial Climate Center, Guangzhou 510641, China
5.
School of Environment, Tsinghua University, Beijing 100084, China
6.
Hubei University, Wuhan 430062, China
7.
Huafeng Meteorological Media Group, Beijing 100081, China

摘要

摘要: 针对广东海域海上观测稀缺与风电开发对高精度长序列数据的需求，本文收集2012—2021年7个观测点(测风塔、激光雷达)梯度风资料，研发三维Barnes客观分析方法与多源资料融合同化技术，基于ERA5再分析资料构建了高分辨率三维格点数据集(水平1 000 m，垂直10 m/30 m)及20个参证点逐小时风场数据。误差分析表明：融合同化风速与观测风速的相关系数均≥0.82(平均0.913)，平均均方根误差为1.20 m·s^-1，30~40 m以上高度风速误差≤1 m·s^-1，精度显著优于ERA5和幂指数拟合；风向平均均方根误差为20.2 °。数据集清晰呈现了风速随离岸距离增加而增大、年内呈冬夏双峰值(冬季 > 夏季)等时空分布特征，并能有效刻画风场日变化、天气系统过境、台风等关键天气系统及季风、海陆风等气候系统特征。本数据集可为广东海域风电场规划、选址及风能资源评估提供可靠的数据支撑。
- 多源观测 /
- 三维Barnes融合同化 /
- 高分辨率风场数据集 /
- 风廓线幂指数模型 /
- 广东海域 /
- 误差分析
Abstract: Aiming at the scarcity of offshore observations in the Guangdong sea area and the demand for high-precision, long-term data in wind power development, this study collected gradient wind data from 7 observation sites (comprising wind measurement towers and lidars) during 2012-2021. It developed a three-dimensional Barnes objective analysis method and a multi-source data fusion and assimilation technology, and constructed a high-resolution three-dimensional grid dataset (1 000 m horizontal resolution; 10 m and 30 m vertical levels) and hourly wind field data at 20 reference points based on ERA5 reanalysis data. Error analysis shows that the correlation coefficient between the fused-assimilated wind speed and the observed wind speed are all ≥0.82 (with an average of 0.913), the average root mean square error (RMSE) is 1.20 m·s^-1, and the wind speed error at heights above 30-40 m is ≤1 m·s^-1. The accuracy is significantly higher than that of ERA5 and power-law fitting. The average RMSE of wind direction is 20.2 °. The dataset clearly presents the spatiotemporal distribution characteristics of wind speed, such as increasing with the offshore distance and exhibiting annual dual peaks in winter and summer (winter > summer). It can also effectively depict the diurnal variation of wind fields, the passage of key weather systems (including typhoons), and climate system features such as monsoons and land-sea breezes. This dataset can provide reliable data support for wind farm planning, site selection, and wind energy resource assessment in the Guangdong sea area.
- multi-source observations /
- three-dimensional Barnes fusion assimilation /
- high-resolution wind field dataset /
- wind profile power-law model /
- Guangdong sea area /
- error analysis

HTML全文

图 1 仿真模拟区域和观测点、参证点位置

下载: 全尺寸图片幻灯片

图 2 参证点位风矢量时间序列制作技术路线图

下载: 全尺寸图片幻灯片

图 3 观测点湛江(a)、汕尾(b)实测风速与幂指数模型拟合的风廓线

下载: 全尺寸图片幻灯片

图 4 2012年7月25日08时，10 m高度层的u(a)、v(b)分量分布(单位：m·s^-1)

色斑为u、v分量风速大小。

下载: 全尺寸图片幻灯片

图 5 2012年7月25日19:00的70 m(a)、18:00的110 m(b)风矢量图(单位：m·s^-1)

下载: 全尺寸图片幻灯片

图 6 广东海域第18参证点(a~d)，第15参证点(e)和第3参证点(f)订正前和订正后风速廓线对比

蓝线为融合同化订正前ERA5风速，紫线为幂函数廓线风速，红线为融合同化订正后的风速，黑线为测风塔观测风速。

下载: 全尺寸图片幻灯片

图 7 2021年不同季节(1月(a)、4月(b)、7月(c)和10月(d))第7参证点位的时间-高度风速剖面

下载: 全尺寸图片幻灯片

图 8 参证点19在不同高度层上的风速日变化

横坐标为时间：08时—次日07时，右上方为参证点的经纬度坐标。

下载: 全尺寸图片幻灯片

图 9 广东海域不同参证点在不同高度层上的风速年际变化

a. 50 m高度层；b. 180 m高度层；c. 300 m高度层。黑线：参证点1；红线：参证点2；蓝线：参证点5；绿线：参证点8；紫线：参证点11；橘黄线：参证点15。

下载: 全尺寸图片幻灯片

表 1 海上观测点信息及平均风廓线幂指数值

名称	观测类型	观测高度/m	离岸距离/km	风速段/(m·s^-1)	幂指数(α)
汕尾(塔)	杯式测风仪	25~120	25.3	2~3	0.140
				3~6	0.113
				6~10	0.097
				≥10	0.068
湛江(塔)	杯式测风仪	20~100	28.5	2~3	0.114
				3~6	0.116
				6~10	0.145
				≥10	0.151
珠海	激光雷达	40~210	12.1	2~3	0.117
				3~6	0.099
				6~10	0.091
				≥10	0.086
文昌	激光雷达	40~150	17.4	2~3	0.193
				3~6	0.130
				6~10	0.100
				≥10	0.105
阳江1(塔)	杯式测风仪	20~100	17.2	2~3	0.111
				3~6	0.098
				6~10	0.102
				≥10	0.073
阳江2(塔)	杯式测风仪	25~100	27.1	2~3	0.123
				3~6	0.093
				6~10	0.087
				≥10	0.067
汕头(塔)	杯式测风仪	20~100	26.3	2~3	0.191
				3~6	0.154
				6~10	0.119
				≥10	0.072

下载: 导出CSV

表 2 多源资料融合同化风场数据集误差检验

检验点(观测点)	检验时段	风速				风向
检验点(观测点)	检验时段	COR	RMSE/(m·s^-1)	MAE/(m·s^-1)	MBE/(m·s^-1)	MAE/°	MBE/°	RMSE/°
汕尾	20190406—20210901	0.99	0.58	0.39	-0.22	4.40	-0.27	8.50
湛江	20190117—20210507	0.91	1.16	0.96	-0.79	18.70	8.37	27.80
珠海	20180502—20190501	0.93	0.86	0.65	-0.46	9.70	8.31	13.70
文昌	20150808—20160808	0.82	1.28	0.95	0.01	10.40	1.23	16.80
阳江1	20160101—20161231	0.95	1.07	0.80	-0.10	12.30	0.03	20.90
阳江2	20170619—20190731	0.96	0.99	0.70	-0.38	10.40	-3.71	17.60
汕头	20180316—20200201	0.83	2.49	1.95	0.68	21.70	7.31	35.80
平均值		0.91	1.20	0.91	-0.18	12.50	2.90	20.20

下载: 导出CSV

表 3 多源资料融合同化风场数据集分层误差检验

高度/m	风速COR	风速RMSE/(m·s^-1)	风速MAE/(m·s^-1)	风向MAE/°	风向RMSE/°
20	0.91	1.22	0.99	29.61	40.30
30	0.87	1.25	1.03	41.48	49.26
40	0.78	1.36	1.07	14.79	21.29
50	0.93	1.30	0.97	11.34	20.03
60	0.94	1.10	0.83	10.69	19.38
70	0.95	1.17	0.79	10.30	18.70
80	0.95	1.18	0.76	9.18	18.13
90	0.95	1.13	0.69	8.57	17.12
100	0.95	1.17	0.71	8.48	16.95
110	0.99	0.63	0.38	6.44	9.49
120	0.99	0.67	0.42	6.36	9.37
130	0.82	1.30	0.98	9.87	15.70
140	0.89	1.01	0.71	8.37	12.66
150	0.82	1.33	1.01	9.89	15.59
170	0.96	0.60	0.45	5.56	7.61
210	0.96	0.62	0.46	4.94	6.84

下载: 导出CSV

参考文献(16)

[1]	AMERICAN WIND ENERGY ASSOCIATION. Global wind energy market report[R]. http://www.awea.org/pubs/documents/globalmarket, 2004.
[2]	胡炯炯, 陈旻豪, 孔莉, 等. 上海海域站位观测风能资源分析[J]. 应用海洋学学报, 2021, 40(4): 707-713.
[3]	兰志刚, 岳磊, 孙洋洲. 高分辨率中国近海风能资源数据库开发设计[J]. 海洋技术学报, 2020, 39(5): 79-85.
[4]	王振明, 于华明, 李阳, 等. 西太平洋海面风场数据集的建立及其应用[J]. 中国海洋大学学报, 2021, 51(4): 133-141.
[5]	GONZÁLEZ-APARICIO, MONFORTI F, VOLKER P, et al. Simulating European wind power generation applying statistical downscaling to reanalysis data[J]. Appl Energ, 2017, 199: 155-168.
[6]	Copernicus Climate Change Service. ERA5 global atmospheric reanalysis Data[Z]. European Centre for Medium-Range Weather Forecasts.
[7]	DMITRY D, ZISMAN S, PHILLIPS C, et al. Bias characterization, vertical interpolation, and horizontal interpolation for distributed wind siting using mesoscale wind resource estimates[R]. Nation Renewable Energy Laboratory technical report. 2021.
[8]	KAKO S, ISOBE A, KUBOTA M. High-resolution ASCAT wind vector data set gridded by applying an optimum interpolation method to the global ocean[J]. J Geophys Res Atmos, 2011, 116: D23107.
[9]	YAN Q, ZHANG J, MENG J, et al. Use of an optimum interpolation method to construct a high-resolution global ocean surface vector wind dataset from active scatterometers and passive radiometers[J]. Int J Remote Sens, 2017, 38(19-20): 5 569-5 591.
[10]	项杰, 王慧鹏, 王春明, 等. 南海海面风场变分融合的初步研究[J]. 热带气象学报, 2015, 31(2): 153-153.
[11]	张东翔. 多源卫星海面风场产品检验及融合研究[D]. 南京: 国防科技大学, 2018.
[12]	李磊, 江崟, 张文海, 等. 基于四维数据同化技术的千米格距网格化气象数据集: 构建及初步应用[J]. 热带气象学报, 2017, 33(6): 874-883.
[13]	唐焕丽, 姚琴, 吕晓莹, 等. 多源卫星融合的广东海域海面风场特征[J]. 遥感信息, 2020, 35(1): 117-124.
[14]	郭乔影. 基于星地多源数据的海上风能资料评估方法研究[D]. 杭州: 浙江大学, 2020.
[15]	杨富程, 韩二红, 王彬滨. 测风塔代表性对复杂地形风电场风能资源评估的影响[J]. 江西科学, 2020, 38(1): 101-105.
[16]	赵文婧, 李照荣, 王小勇, 等. 相似误差订正方法在风电短期风速预报中的应用研究[J]. 热带气象学报, 2021, 37(1): 73-81.