WT模型在山区高速公路风预报订正中的应用

曲晓黎 张杏敏 尤琦,3 张中杰 吴丹

(1 河北省气象服务中心，石家庄 050021; 2 河北省气象与生态环境重点实验室，石家庄 050021; 3 中国气象局交通气象重点开放实验室，南京 210041；4 河北省气象科学研究所，石家庄 050021)

引言

近地层风的状况是天气过程形成的重要因素，也对诸多行业运营和人们的生产生活有着重要影响。随着我国气象观测站网的精密程度不断提升以及数值模拟水平的提高，对风的观测和预报都有了长足进步，然而复杂地形风的状况和预报仍是热点和难点。宋丽莉等[1-2]多年来基于观测事实对复杂山地及沿海地区近地层风的特性进行了详细的计算分析，得出了近地层大风的演变规律和特征。贾春晖等[3]利用延庆-张家口一带的地面气象观测数据和探空数据揭示了这一带复杂地形对近地面风场的动力和热力作用及风场的精细化分布特征。冯婧等[4]对京津冀地区20世纪50年代以来的日平均风速序列进行了非均一性检验和均一化订正。对于风的数值预报，很多学者开展了大量的数值模拟试验和订正研究[5-10]，结果表明单纯依靠数值模式还有一定的局限性。近年来，CFD(Computational Fluid Dynamics)流体力学计算方法也被较多地应用于复杂地形风场的模拟研究。李磊等[11]对“中尺度模式/CFD”耦合过程中CFD解域顶高及入流边界条件设置2个关键问题进行了详细探讨。另外，很多学者分别利用数值模拟与CFD结合的方法对我国不同区域复杂地形的风环境进行模拟，取得了较好的模拟效果[12-17]。

针对影响高速公路安全通行的横风或侧风，已有关于其时空分布特征、致灾危险性评价以及行车安全性和安全速度等方面的研究[18-23]。然而，对于复杂山区高速公路沿线风的预报少见报道。张承高速公路张家口至崇礼段全长57 km，是2022年北京冬奥会张家口赛区的重要交通线路，该路段穿过崇礼山区，沿线有多处山谷，大风条件下对高速公路行车会产生较大影响，而数值预报往往对这些区域的风的预报尤其是风速的预报能力不足。因此本文试图应用基于计算流体力学原理的Meteodyn WT模型(以下简称WT模型)，以及ECMWF数值模式风的预报产品，模拟输出张承高速沿线特殊地形的风的预报订正结果，以便提升山区高速公路风的精细化预报能力。

1 资料与方法

1.1 资料来源

在分析大风日数分布特征和风速变化背景时，选取河北省气象信息中心提供的2001—2020年全省142个国家气象站逐日最大风速资料；驱动WT模型的风的数值预报选取ECMWF数值模式输出的逐3 h地面10 m风；在对风速进行检验时，选取张家口市崇礼区范围内崇礼国家气象站、南窝铺及场地2套区域气象观测站，高家营及西湾子2套交通气象观测站的分钟级风的观测数据。

1.2 WT模型原理

WT模型是法国美迪公司研发的基于CFD计算流体力学的、主要用于野外复杂地形风的评估和模拟的模型。具体原理如下：假设在给定空间与时间的任意一点处的风速是由平均风速与随机分量叠加而成，则瞬时风速分量可以表示为：

(1)

将式(1)代入大气连续方程式(2)进行积分，可得式(3)和式(4)，即定常不可压缩质量守恒和平均雷诺纳维叶-斯托克斯方程(RANS):

(2)

(3)

Fi=0

(4)

采用K-L湍流模型来预测雷诺应力对平均流的影响[24]:

(5)

其中，Pk为湍流动能生成项，VT为湍流粘度,u、v、w分别为风速在x、y、z方向上的分量。

1.3 WT模型处理流程

图1所示，WT模型可以按照360°等分或指定的风向角，根据指定风廓线、地表边界条件(地面粗糙度、森林冠层模型)、热稳定度等级分别进行定向模拟计算, 由此得到标准入口风速、不同风向条件下的风场分布。再根据定向计算结果中测风观测与计算区域内相同位置之间的统计关系, 推算给定地点或区域的风速值和风能参数。

图1 WT模型计算处理流程

2 河北省大风日数分布及日最大风速变化特征

利用2001—2020年河北省142个国家气象站逐日最大风速资料，绘制过去20年河北省各站6级及以上大风日数分布(图2)，可见张家口西北部及承德西部是6级及以上大风日数最多的区域，而崇礼及周边地区大风日数并不是很多，据分析，这可能与崇礼气象观测站的位置有一定关系，因此就更有必要对该区域复杂地形处的风的情况进一步模拟和分析。对利用EOF正交函数分解的2001—2020年各站逐日最大风速距平场进行分析发现，前3个主要模态方差贡献较大分别为71.3%、11.7%以及5.4%。第一模态(图3a)在空间上呈现全省一致性负距平的变化特征；第二模态(图略)南北反向，省中北部为正距平，东南部为负距平；第三模态(图略)东西反向，西部地区为负距平。结合时间系数(图3b)综合来看，全省绝大部分地区在过去20年中日最大风速呈现明显减少的趋势(这与已有研究结论一致[25-28])，其中张家口、承德北部地区在第二、第三模态中略有增大的趋势，这说明这些区域的大风还是需要格外关注的。

图2 2000—2020年河北省142个国家气象站6级及以上大风日数分布

图3 2001—2020年河北省142个国家气象站逐日最大风速距平场EOF第一空间模态(a)和第一时间系数(b)

3 张承高速公路沿线山区路段风的模拟及检验

3.1 模拟区域及参数设置

模拟的区域如图4所示，位于张家口崇礼区的南部，处于阴山山脉东段的大马群山和燕山余脉交接地带，属于坝上坝下过渡型山区的山地地形。该区域山势陡峻，山峰海拔多在1500～2000 m之间，最大高差可达1300 m多。2个解域区域几乎均为正方形，边长约9.3 km，中心位置分别为位于(115.067°E，40.881°N)和(115.219°E,40.948°N)，2022年北京冬奥会张家口赛区的主干要道张承高速公路沿山谷底部边缘自西南向东北方向穿过该区域。区域内有5处气象观测站，分别为：南窝铺区域气象观测站(站号：B2963，海拔930 m)，距高速公路约1209 m，位于区域西部较开阔西北—东南走向山谷底部；场地区域气象观测站(站号：B3197，海拔1050 m)，距高速公路约191 m，位于区域东部接近南北走向山谷底部；崇礼国家气象观测站(站号：54304，海拔1240 m)，距高速公路约159 m；位于张承高速公路沿线K34和K57处的高家营和西湾子交通气象站。

图4 张承高速公路沿线解域区域地形分布(红色线条为张承高速公路，蓝框内为解域区域，地形图来自World Imagery遥感影像)

在模拟试验过程中，WT模型采用非结构化网格，解域最小水平分辨率为25 m、水平扩展系数1.1；最小垂直分辨率为4 m、垂直扩展系数1.2，解域顶高由WT模型根据计算区域内地形高度自动确定：

Ztop=Zmax+max(2800，5(Zmax-Zmin))

(6)

其中，Ztop为顶面边界的海拔高度，Zmax和Zmin分别为解域区域内的地形最高和最低海拔高度。

选用ECMWF数值模式每日2次输出的逐3 h、分辨率为0.125°的地面10 m风的预报产品来驱动WT模型，选取代表站周边最近一个ECMWF格点预报结果作为该站的环境风输入WT模型，再运用WT模型进行间隔10°的定向计算，生成各方向风加速因数，输出解域区域内未来24 h预报时效、逐50 m空间分辨率、3 h时间分辨率的地面10 m风产品。进而对张承高速公路沿线山区路段的风的数值预报产品进行订正。

3.2 天气过程描述

模拟的天气过程包括30个代表日，日极大风的最大值出现在崇礼本站2021年4月16日下午，为18.8 m/s(8级)。这些大风过程的天气背景较为相似，500 hPa高度场(图略)上，乌拉尔山以东地区均为一脊一槽形势，高压脊位于贝加尔湖西侧，高空槽处于110°～130°E，且大部分过程有冷涡与之配合，槽脊振幅较大，等高线密集。700 hPa与850 hPa高度场(图略)上存在锋区，850 hPa上风场与等温线近乎垂直，有较强的冷平流。地面天气图(图略)上，河北中北部至内蒙一带地面等压线较为密集，气压梯度大，达到12.5～22.5 hPa/10°。

3.3 模拟结果检验分析

将30个代表日中图4所示的5套气象观测站的10 min平均风速与WT模型模拟输出的10 min平均风速两组数据进行对比，有效样本数为1167个，其相关系数达到0.6225，通过0.001的显著性水平检验。绘制5个观测站实况和WT模拟结果的散点图(图5)以及崇礼代表站30个大风日的实况和模拟结果对比曲线(图6)可见，散点相对集中且均匀的分布在趋势线两侧，模拟的数值比实际观测的数据略偏高，模拟结果与实况的误差在-4.69～4.12 m/s之间。具体分析各站的误差(表1)发现，崇礼国家站和西湾子交通站的模拟结果偏高明显，位于山谷地带的场地区域站和高家营交通站的模拟结果明显偏小，而地形相对开阔的南窝铺区域站模拟结果相对其他4站误差范围明显要小。整体来看，各站模拟的结果与实况之间的误差在±1 m/s之间的均占40%以上(图7)，±2 m/s之间的占比基本能够达到80%以上。从模拟的风向来看，均是较为一致的偏北风或西北风，与天气过程相符。

图5 2021年2—5月张家口、崇礼区域5个观测站10 min平均风速实况与WT模拟风速

图6 2021年2—5月崇礼站30个大风日逐3 h间隔10 min平均风速实况与WT模拟风速

表1 2021年2—5月张家口、崇礼区域5个观测站10 min平均风速检验

图7 2021年2—5月张家口、崇礼区域各观测站10 min平均风速模拟与实况误差占比

由于在开展高速公路气象服务过程中更关注极大风，因此将这5个气象观测站过去10年(其中2套交通气象站为5年)的历史观测资料，通过最小二乘法建立起10 min平均风速与该站极大风之间的关系[29]，得到5套气象观测站的极风系数(表2)。再由WT输出的10 min平均风按照极风系数预测某一点或路段的极大风可能值。

表2 张家口、崇礼区域5个观测站2—5月极风系数

4 结论与讨论

(1)分析了2001—2020年河北省142个国家气象站风的特征，发现张家口西北部及承德西部是6级及以上大风日数最多的区域。利用EOF正交函数分解各站逐日最大风速距平场并分析发现，在过去20年中日最大风速呈现明显减少的趋势，但是张家口、承德北部地区在第二、第三模态中略有增大的趋势，这说明这些区域的大风还是需要格外关注。

(2)应用WT模型对张承高速公路沿线2个区域的30个代表日的风进行模拟，并运用区域内5套气象站的逐分钟观测数据进行检验。发现WT模型模拟输出的10 min平均风速与实际观测值相关系数达到0.6225并通过0.001的显著性水平检验。各站模拟的结果与实况之间的误差在±1 m/s之间的均占40%以上，±2 m/s之间的占比基本能够达到80%以上。

(3)本文提供了一种对高速公路沿线山区复杂地形风的数值预报模拟和订正的可行方法。在高速公路精细化气象服务中，可应用本地地形资料以及时空分辨率更高的智能网格预报产品或其他数值预报模式输出的风预报产品作为驱动WT模型的数据源，进而对特殊地形的风速进行订正。另外，可根据区域内代表站的极风系数进行极大风的预报。

(4)复杂地形的风的预报难度较大，今后需要进一步积累观测数据，不断优化WT模型的参数，以提高这些区域高速公路沿线风的预报和订正能力。