高原气象

高原气象 >

2025 , Vol. 44 >Issue 2: 378 - 392

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00071

北京冬奥会延庆复杂地形冬季和早春地面风场精细特征对比研究

  • 徐景峰 , 1, 2 ,
  • 宋林烨 , 1, 4, 5 ,
  • 陈婧 3 ,
  • 杨璐 1, 4, 5 ,
  • 陈明轩 1, 4, 5 ,
  • 韩雷 2
展开
  • 1. 北京城市气象研究院，北京 100089
  • 2. 中国海洋大学，山东 青岛 266100
  • 3. 北京市气象数据中心，北京 100089
  • 4. 中国气象局城市气象重点开放实验室，北京 100089
  • 5. 北京城市气象工程技术研究中心，北京 100089
宋林烨（1987 -）， 女， 浙江绍兴人， 研究员， 主要从事多源数据分析、 融合集成与短临预报方面的研究. E-mail：

徐景峰（1997 -）， 男， 安徽蚌埠人， 硕士研究生， 主要从事风场分析、 深度学习风场预报应用研究E-mail：

收稿日期: 2023-08-01

  修回日期: 2024-05-28

  网络出版日期: 2025-03-24

基金资助

国家自然科学基金项目(42275012)

北京市自然科学基金项目(8212025)

国家重点研发计划项目(2022YFC3004103)

收起

Comparative Study on Fine Characteristics of Surface Wind Field in Winter and Early Spring over Yanqing Complex Terrain during Beijing Winter Olympics

  • Jingfeng XU , 1, 2 ,
  • Linye SONG , 1, 4, 5 ,
  • Jing CHEN 3 ,
  • Lu YANG 1, 4, 5 ,
  • Mingxuan CHEN 1, 4, 5 ,
  • Lei HAN 2
Expand
  • 1. Institute of Urban Meteorology，China Meteorological Administration，Beijing 100089，China
  • 2. Ocean University of China，Qingdao 266100，Shandong，China
  • 3. Beijing Meteorological Data Center，Beijing 100089，China
  • 4. Urban Meteorological Key Open Laboratory，China Meteorological Administration，Beijing 100089，China
  • 5. Beijing Urban Meteorological Engineering Research Center，Beijing 100089，China

Received date: 2023-08-01

  Revised date: 2024-05-28

  Online published: 2025-03-24

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

摘要

风是历届冬奥会十分关注的气象条件之一， 是影响北京冬奥会山地赛事的首要气象因素， 复杂地形下局地风场的精细化时空分布规律可以为赛道施工、 风场预报、 防风措施提供重要的理论依据。本文利用2017年12月至2022年3月北京冬奥会延庆高山区不同海拔常规地面自动气象站和冬奥赛道加密站逐小时观测资料， 研究了冬季（12月至次年2月）和早春（3月， 残奥会期间）复杂地形下局地风场的精细化时空分布特征， 重点对比分析了风速风向频率分布、 日变化规律及季节变化差异。首先采用K-Means聚类方法将所有自动站分为四组， 组1到组4分别代表延庆低海拔远郊区、 东北山麓过渡区、 西南过渡区、 高海拔山顶区， 然后以组为单位进行精细化特征分析。结果表明： （1）大风发生频率与海拔紧密相关， 海拔越高， 则大风发生频率越高。组1和组2（海拔1000 m以下）小风（<3.3 m·s-1）发生频率超过80%， 而大风（≥10.7 m·s-1）占比为0%； 组3（海拔1000 m以上）小风发生频率下降至75%以下， 并偶尔发生大风， 但占比不足1%； 组4（海拔1800 m以上）风速频率分布发生质变， 大风出现频率增加至10%以上， 其中冬季远高于早春。（2）风向分布特征存在显著的局地性差异。组4受大尺度冬季风环流主导， 盛行偏西北风， 极少出现其他风向； 组1~3受大尺度环流、 山谷风环流和局地下垫面综合作用， 各个风向以不同频率发生。（3）日循环变化呈现高、 低海拔截然相反的特征。组1~3风速夜间小、 白天大， 组4则表现为夜间大、 白天小、 午间小风“窗口期”规律； 组1~3存在明显的风向日夜转换， 转换时间为日出和日落后， 组4风向不存在日变化。（4）从季节变化看， 早春风场和冬季存在较明显的差异， 且局地差异较大。相比冬季， 早春组1~2白天风速增大， 组3夜间风速降低， 组4全天风速均大幅减小； 早春风向相对更多变， 组1东北风向显著增多， 组2谷风转山风时间比冬季推迟3 h， 组3~4西南风向所有增加。上述研究结果有助于深入认识复杂地形下近地面局地风场的精细化时空规律， 可为冬奥会及小尺度山地气象监测和预报提供重要的背景参考。

关键词： 复杂地形; 近地面风; 精细化时空特征; 聚类算法

本文引用格式

徐景峰 , 宋林烨 , 陈婧 , 杨璐 , 陈明轩 , 韩雷 . 北京冬奥会延庆复杂地形冬季和早春地面风场精细特征对比研究[J]. 高原气象, 2025 , 44(2) : 378 -392 . DOI: 10.7522/j.issn.1000-0534.2024.00071

Abstract

Wind is one of the most important meteorological conditions in previous Winter Olympics， and it is the primary factor that affects the mountain events for Beijing Winter Olympics.Understanding the fine distribution law of wind can provide important theoretical basis for track construction， wind forecast and prevention measures.Using hourly observation data from surface automatic weather stations at different altitudes in Yanqing mountain area of Beijing Winter Olympics from December 2017 to March 2022， this study investigated the characteristics of local wind field during winter and early spring （Mar， Paralympics period） under complex terrain， focusing on comparing the frequency of wind speeds and directions， as well as the diurnal and seasonal variations.Firstly， all stations were grouped into four categories using the K-Means clustering algorithm， and Groups 1 to 4 represent the low-elevation Yangqing suburb area， the northeastern foothills transition area， the southwestern transition area and the high-elevation mountain top area， respectively.Subsequently， fine-grained characteristic analysis was conducted on each group separately.Results show that： （1） The frequency of strong winds is closely related to the altitude， with higher altitudes generally having a higher frequency of strong winds.In Groups 1~2 （altitude below 1000 m）， the frequency of light winds （≤3.3 m·s-1） exceeds 80%， while the proportion of strong winds （≥10.7 m·s-1） is 0%.In Group 3 （above 1000 m）， the frequency of light winds decreases to below 75%， and strong winds occasionally occur for less than 1%.In Group 4 （above 1800 m）， there is a significant shift in the wind speed frequency distribution， with the frequency of strong winds increasing to above 10%， which is much higher during winter compared to early spring.（2） There are significant local variations in the distribution characteristics of wind directions.Group 4 is primarily dominated by large-scale winter monsoonal circulation， resulting in a prevailing northwesterly wind， with rare concurrence of other wind directions.Groups 1~3 are influenced by a combination of large-scale circulation， valley wind circulation and underlying surface conditions， leading to different frequencies for each wind direction.（3） The diurnal variation exhibits contrasting characteristics between high and low elevations.Groups 1~3 show lower wind speeds at night and higher wind speeds during the day， while Group 4 shows a reserved pattern and an obvious small wind “window period” in midday.Groups 1~3 exhibit distinct daily transitions in wind direction， occurring after sunrise and sunset， whereas Group 4 does not show any diurnal change.（4） From a seasonal perspective， there are significant local differences between early spring and winter.Compared to winter， Group 2 exhibits a daytime wind speed increase in early spring， and Group 3 exhibits a nighttime decrease， while Group 4 exhibits a significant decrease in wind speeds throughout the day.Wind directions in early spring are relatively more variable， with an evident increase in northeasterly winds in Group 1， a delay of about 3 hours in the transition of valley wind circulation in Group 2， and an increase in southwesterly winds in Groups 3~4.This study contributes to a deeper comprehension of the fine-scale spatiotemporal patterns of near-surface local wind fields within complex terrains， and can offer crucial background clues for Winter Olympics and small-scale mountainous meteorological monitoring and forecasting.

Key words： complex terrain; near-surface wind; fine-scale spatiotemporal characteristics; clustering algorithm

1 引言

北京延庆区地处北京西北部， 三面环山， 山区面积占72.8%（王霞， 2021）。由于地貌特征复杂、 海拔差异大等特点， 以延庆海陀山为首的高山区被选为北京冬奥会的室外主赛区之一， 高山滑雪、 高山速降等赛事都在此地举办。对历届冬奥会而言， 气温、 湿度、 能见度和风场等气象条件不仅关乎赛事的顺利举办， 还影响到运动员的水平发挥甚至生命安全。第24届北京冬奥会中最关键的气象条件是风场（Chen et al， 2018； 陈明轩等， 2021）。山区地形复杂， 下垫面高度非均一性， 地表所受的太阳辐射不均匀， 建设的气象自动站网分布在不同高度的山谷和山脊上。山地具有“一山有四季， 十里不同天”的特征（李国平， 2016）。因此， 有必要基于山区不同地形高度的历史加密站点观测资料深入分析局地风场， 揭示出延庆复杂地形下近地面风场的时空演变规律。研究成果不仅可以为北京冬奥会及冬季山地赛事天气预报提供理论参考， 而且有助于提升小尺度山地气象监测预报水平。
窦晶晶等（2014）使用2008 -2012年自动站观测数据， 对北京城区及近郊地区的近地面风场时空特征进行了分析， 研究结果表明近地面风向受季节盛行风、 地形和城市作用相互影响， 冬季城区为弱湿岛特征。郑祚芳等（2018）根据2008 -2015年北京地区自动站观测资料， 分析了北京局地风场分布的基本特征， 发现北京地区受山谷风和热岛环流影响， 局地风速主要沿地形梯度分布， 山区相较于平原， 其风速较大。张治国等（2017）利用冬奥会海陀山赛区初步新建的4个自动气象站收集到的2014年和2015年冬半年风场资料， 初步分析了海陀山赛区近地面风场特征的日变化以及逐月变化规律， 并指出各站点月平均风速最大值均集中在1月， 最小风速则主要在11月。乌日柴胡等（2019）利用延庆区4个不同海拔的自动气象站2016年和2017年冬季收集的风场观测数据， 分析了高山区不同海拔近地面风场的冬季日变化规律、 强风频率特征、 盛行风日变化等。贾春晖等（2019）利用两年冬季（2016年12月至2017年2月， 2017年12月至2018年2月）的自动气象站观测数据和张家口探空数据资料对延庆-张家口地区复杂地形下峡谷风进行了复杂地形下冬季山谷风的特征分析。
前人研究在北京城区及郊区近地面风的时空特征方面取得了重要进展。但是， 复杂地形高山区域观测资料稀少， 数据时长短、 观测站点有限， 还不足以认清局地复杂地形下近地面风场的精细化特征。近年来， 随着山区观测网的逐渐完善， 尤其是在北京冬奥会支持下， 气象数据质控流程愈加可靠， 延庆赛区新建观测网站点个数不断增加， 积累和获取了更多更长时段的可靠风场实况观测数据， 有效填补了山地加密气象观测资料不足的问题。另一方面， 前人对冬奥山区风场的观测研究主要集中在冬季（贾春晖等， 2019； 乌日柴胡等， 2019）， 而对早春近地面风场变化规律的研究甚少或与冬季合并统计（张治国等， 2017）， 季节差异仍不清楚。早春是北京冬残奥会的举办时期， 并且是重要的冬春过渡期， 也是农作物生长的关键时期。早春东亚冬季风结束， 大尺度环流发生季节转换， 气候变率大（Chen et al， 2016）， 风场可能会受到温度、 大气稳定性以及大气压力等要素的共同影响， 导致其局地精细化时空特征可能异于冬季。因此， 有必要基于更多站点观测的长序列历史资料深入研究冬季和早春北京延庆高山区复杂地形下地面风场的时空演变规律及其季节差异。本文利用北京延庆高山区30个加密自动气象站连续5年逐小时近地面风场观测资料， 对质控后数据根据聚类方法分为四组， 重点从风速风向频率、 日变化等角度分析地面10 m风场的精细化特征， 并对比冬季和早春的季节变化差异， 以加深对北京延庆高山复杂地形区域局地风场时空演变规律的认识， 并为高分辨率融合预报及区域模式预报性能提升提供重要的指导意义。

2 资料来源和方法介绍

2.1　数据与质控

为做好北京冬奥赛事气象保障工作， 近些年来延庆高山区自动气象站观测网逐步完善， 可以提供温度、 风速、 风向、 湿度等气象要素数据。本文采用了2017年12月至2022年3月（其中冬季为12月至次年2月， 早春为3月）北京延庆高山区30个不同海拔的地面加密自动站逐小时观测资料， 包括常规气象站和冬奥赛道站。冬奥赛道站自2014年开始陆续建设， 期间根据实际情况存在迁址情况， 观测站点个数不断增加， 2016年后基本完成。自动气象站收集到的数据整体较为可靠， 且时效性强， 但不可避免存在仪器、 传输等问题造成的缺测或误测， 因此对观测资料先进行质量控制并筛选， 确保数据有效性（窦以文等， 2008； 杨萍等， 2011）。除此之外， 由于冬季高山地区气候极其寒冷， 发现常出现温度过低导致风杯被冻住等问题， 因此针对质控后数据再根据延庆高山区冬季特殊天气状况做进一步筛选， 具体步骤为： ①静风检测， 即找到所有站点至少连续4 h（Ncontrol=4 h）地面10 m 2 min平均风速观测值全为0 m·s-1的时刻， 判断这些时刻处于静风状态还是异常状态。当风速风向观测均为0， 且对应时刻温度均低于3 ℃， 则认为仪器被冻住， 记为异常结果进行剔除； 为进一步保证观测数据的可靠性， 将仪器冻住前后2 h的观测数据也剔除； 为保证数据内部一致性， 剔除风速为0 m·s-1但风向不为0时刻的观测数据。除此之外， 判定为静风状态， 保留观测数据。需指出， 本文也采用了N control=3 h和5 h， 分析结果与取4 h基本一致。②极值检测， 即对静风检测后的数据进一步根据前人方法做 6 ∂质控（乌日柴胡等， 2019）， 进一步检测和去除观测超过各站点平均风速 6 ∂的异常极值观测记录。 ∂定义如式（1）所示：
∂ = 1 n ∑ i = 1 n ( x i - x ¯ ) 2
式中： x i为站点观测风速； x ¯为站点平均风速； n为观测总数。经过对所有站点进行质控和筛选后， 为保证各个站点的历史观测尽可能完整和连续， 去除异常值和缺测值占比超过30%的站点， 不选取作为研究对象。因此， 本文最终共得到了满足所有条件的30个站点， 其位置分布如图1所示。
图1 研究区域海拔（彩色区， 单位： m）、 自动气象站分布（圆点）以及K-Means聚类分组结果

绿色、 紫色、 黑色和蓝色点分别表示延庆低海拔远郊（分组1）、 东北山麓过渡（分组2）、 西南过渡（分组3）和高海拔山顶（分组4）

Fig.1 The distribution of elevation （color shaded， unit： m）， automatic weather stations （dots）， and the K-means clustering

results in the study area.The green， purple， black， and blue dots correspond to low-elevation Yanqing suburb area （Group 1）， northeastern foothills transition area （Group 2）， southwestern transition area （Group 3）， and high-elevation mountain top area （Group 4）， respectively

另外， 本文还采用了2017年12月至2022年3月欧洲中期天气预报中心（ECMWF）第五代再分析资料ERA5-Land数据， 时间分辨率1 h、 空间分辨率0.1度（约9 km）（Hoffmann et al， 2019； Rivas and Stoffelen， 2019； 黄晓龙等， 2023）。ERA5-Land是在ERA5（空间分辨率0.25°， 约25 km）的基础上对陆地区域进行重新模拟、 结合了世界各地的观测数据而形成的一套高质量再分析数据集， 在中国陆地区域地面风速适用性方面表现出比ERA5更优的性能（杨劲等， 2024）。需指出， 本文在用U、 V分量计算平均风向时， 采用了单位矢量法（邱传涛和李丁华， 1997）。

2.2　站点聚类划分

聚类（孙吉贵等， 2008）是一种无监督的学习方法， 被一些研究者用在气象领域且取得了较好的研究成果（秦爱民等， 2005； 刘吉峰等， 2006； 刘伟东等， 2014）。该方法可以将数据按照特征相似性进行分类， 将特征较为相似的样本归为一类（也称为簇）， 没有归为一类的样本之间存在较大的差异。本文采用聚类算法中的K-Means算法（Hartigan et al， 1979）对所有30个站点进行归类划分， 选取每个站点的平均风速、 海拔、 所在位置经纬度作为K-Means聚类的特征进行归类， 之后针对每个类别进行精细化观测特征分组研究。K-Means聚类结果如图1所示， 研究区域内站点可划分为4组， 通过轮廓系数分析表明， 当聚类数为4时每个聚类内的样本比较紧密且与其他聚类较为分离， 轮廓系数较高。组1~4分别代表延庆低海拔远郊区、 东北山麓过渡区、 西南过渡区和高海拔山顶区。
每个组中包含的自动站个数较为接近， 分布较均衡， 说明K-Means聚类方法可以进行合理分类（刘吉峰等， 2006； 刘伟东等， 2014）。在各个分组中， 低海拔远郊组包含8个自动站， 组内站点海拔基本低于500 m。东北山麓过渡组包含6个自动站， 站点高度基本在500 m以上。西南过渡组包含10个自动站， 海拔较高， 绝大部分站点高度在1000 m以上。高海拔山顶组包含6个自动站， 且所有站点海拔均超过1800 m（图1）。
本文研究的北京冬奥会延庆地区在冬季受大尺度东亚冬季风天气背景场的影响， 盛行风向以偏西北风占绝对主导， 平均风速呈现西北-东南带状分布特征［图2（a）］。到了早春， 太阳辐射加强， 气温回暖， 冬季风环流背景场基本结束， 变为以偏东北、 偏西北风占主导， 环流背景相对更加复杂多变［图2（b）］。因此， 冬季和早春天气背景态存在较大的差异。
图2 冬季（a）和早春（b）地面10 m风场平均态

填色和矢量表示平均风速（单位： m·s-1）和风向， 黑框区域为本文研究区域（即图1区域）， 采用数据为REA5-Land再分析资料

Fig.2 Winter （a） and early spring （b） surface 10 m averaged wind field.The colored shades and vectors represent the wind speed （unit： m·s-1） and direction.The area in the black box is the research area in this paper （i.e.， the scope of Fig.1）， and the data used is the REA5-Land reanalysis data

2.3　频率计算方法

为了对各个分组的风速特征进行分析， 本文综合参考传统的蒲福风力等级表（聂若鹰， 2007）和研究区域风速大小的实际情况（徐景峰等， 2023）， 通过合并和调整以避免归类到每个风力等级的样本过少。本文采用的风力等级划分表将风速区分为七个不同等级（表1）。风速等级频率计算公式如下所示：
P i = n i N × 100 %
式中： i为风力等级（i=1~7）； P i为处于第 i个区间的风速频率； N为观测总次数； n i为处于该风力区间观测数目。
表1 本研究采用的风力等级划分表

Table 1 Wind grade table used in this study

划分等级 风速/（m·s-1） 描述
1 ［0， 1.5） 软风
2 ［1.5， 3.3） 轻风
3 ［3.3， 5.4） 微风
4 ［5.4， 7.9） 和风
5 ［7.9， 10.7） 清劲风
6 ［10.7， 13.8） 强风
7 >=13.8 疾风
为了实现对各个频率风向的分析， 本文将风向划分为16方位， 每个方位角度间隔为22.5°， 起始角度为11.25°， 风向及其符号与中心角度的对应关系如表2所示。风向频率计算公式如式（3）所示：
F i = n i N × 100 %
式中： F i表示对应风向的频率（i=1~16）； n i表示对应风向区间的样本个数； N表示观测总样本数量。
表2 风向符号与中心度数对照表

Table 2 Comparison between wind direction symbols and central angles

风向 北 北东北 东北 东东北 东 东东南 东南 南东南 南 南西南 西南 西西南 西 西西北 西北 北西北
符号 N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW
中心度数/（°） 0 22.5 45 67.5 90 112.5 135 157.5 180 202.5 225 247.5 270 292.5 315 337.5

3 风场精细化特征对比结果

3.1　冬季和早春风速等级频率特征

聚类算法分组后的各个站点海拔及对应的风速盒须图分别如图3（a）和图3（b）所示。K-Means聚类（Hartigan et al， 1979）后归为同一组的站点不仅地理位置分布相对集中（图1）， 且组内海拔差距相对较小［图3（a）］。从图3（b）中可以看到， 组1延庆低海拔远郊区各站中位线差距不大， 风速特征较为相似； 组2东北山麓过渡区各站上须和下须距离相对较近， 说明风速最大值和最小值差距不大； 组3西南过渡区大部分站点上下须距离较远， 开始出现明显的最大值振荡； 组4高海拔山顶区上下须和上下四分位数相距都较远， 中位数则明显增大［图3（b）］。四个分组的风速中位数、 上四分位数、 下四分位数、 最大值和海拔之间的相关系数分别为0.80、 0.77、 0.78和0.74， 均可通过95%显著性t检验。风速标准差和海拔之间的相关系数则为0.74， 也可通过95%显著性t检验。因此上述结果表明： 随着海拔的升高， 风速及其变率呈现逐渐增大的变化规律。
图3 基于聚类算法的各个分组站点海拔（a）和风速盒须图（b）

横坐标为站点号, （b）中上须和下须分别表示风速最大值和最小值， 方框的上、 下边界和中线分别代表风速从小到大排列的上、 下四分位数和中位数

Fig.3 Station altitude （a） and wind speed box plot （b） for each group based on cluster grouping.In （b）， the upper and lower whiskers represent the maximum and minimum wind speeds， and the upper boundary， lower boundary and the median line of the box represent the upper quantiles， lower quantiles and the median of the wind speeds

图4给出了聚类后4个分组冬季和早春风速频率分布。对于组1， 在所有冬季样本中处于软风、 轻风、 微风与和风区间的风速频率占比分别为48.74%、 31.73%、 14.83%与4.31%， 进入春季后则分别为42.8%、 37.81%、 15.33%与3.69%， 因此无论冬季或早春延庆低海拔远郊区处于“小风”（<3.3 m·s-1）和“中风”（≥3.3 m·s-1且<7.9 m·s-1）区间的样本占绝大多数， 其中“小风”占比超过80%。另外， 我们发现组1“大风”（≥10.7 m·s-1）占比为0%， 即几乎不可能出现“大风”。相比冬季， 早春轻风样本占比增加， 软风样本则相对减少。对于组2， 无论是冬季还是早春， 其软风、 轻风和微风发生的频率占比最高， 在冬季为51.13%、 37.09%和9.98%， 早春则变为43.68%、 39.25%和14.11%。相比组1， 组2东北山麓过渡区冬季和早春“小风”有所增加， “中风”略微减少， “大风”占比则依然为0%。从季节差异来看， 组2中早春软风样本相比冬季增加了7.45%， 轻风和微风减少了2.16%和4.13%， 和组1的季节变化特征相似。对于组3， 两个季节风力占比前三的依然是轻风、 软风和微风， 但风速等级频率出现了明显变化。与组1和2相比， 组3一方面处于轻风区间的样本占比最多， 且春季和冬季差别不大， 另一方面微风与和风的频率占比相比组1和2也有了明显升高， 冬季达到20.05%和7.67%， 早春则为18.1%和5.72%。另外组3冬季和早春“大风”（≥10.7 m·s-1）样本上升至0.95%和0.53%， 即随着组1、 组2、 组3海拔的不断增加， 从几乎不可能出现大风变为偶尔发生大风现象。对于组4高海拔山顶区的风速频率分布结构相对其他分组出现了质的转变（图4）。组4冬季风速占比最小的区间是软风， 仅为2.95%， 占比最大的区间是和风， 达到23.93%， 且“大风”区间占比明显增多， 强风和疾风占比分别为12.19%和8.58%。进入春季， 微风占比最大， 达到27.01%， 轻风、 微风、 和风以及清劲风占比较为均衡。对比季节差异， 早春5.4 m·s-1以下风速范围内占比明显高于冬季， 和风区间占比基本无变化， 清劲风、 强风和疾风早春占比则明显低于冬季。上述结果说明： 在由冬转春后， 高海拔山顶区“大风”发生频率逐渐变小， “小风”和“中风”增多， 风速整体呈现为季节性减弱趋势。但是对比其他海拔1800 m以下的分组， 高海拔山顶区“大风”发生频率显著高于其他三组， 冬季和早春大风出现频率分别可达约21%和11%。因此上述分析说明： 延庆复杂地形下强风和疾风绝大多数发生在组4所在的局地小范围山顶区， 并且不仅平均风速随着海拔升高而增大， “大风”发生频率也随着海拔升高而增大， “大风”也呈现季节性减弱变化， “大风”对平均风速可能起着导向作用。
图4 各个分组冬季和早春不同等级下的风速频率分布柱状图

（a）~（d）分别表示分组1~4

Fig.4 Histograms of wind speed frequency distribution for each group in winter and early spring in different grades， （a）~（d） represent Group 1~4 respectively

3.2　冬季和早春风向频率特征

图5为聚类后4个分组的风向频率分布玫瑰。对于组1， 冬季西-西南风、 西风、 西南风， 以及东-东北风、 东北风、 东风发生频率占比较大， 其中西-西南风频率最大， 超过10%， 这说明延庆低海拔远郊区冬季盛行风向以偏西南为主， 其次为偏东南， 其他风向也会以不同频率发生， 占比在2%~6%； 到了早春， 东-东北风、 东北风、 东风发生频率显著增大， 其中东-东北风发生频率达到10%， 占据主导， 而西-西南风、 西风、 西南风频率较冬季减少， 因此在由冬季转春过程中较低海拔区域局地盛行风向转变较为明显。对于组2， 偏南风发生频率最大， 南风、 南-东南风、 南-西南风、 西南风占据主导地位， 其次为北风， 而其余风向发生频率均相对较小， 这说明东北山麓过渡区主要盛行偏南风及偏北风， 东西风发生频率较低； 早春和冬季风向频率整体变化不大， 南-东南风占比略增加。组2盛行风向及其季节差异与组1存在显著不同， 体现出局地风场的复杂性。对于组3， 冬季以西南风、 西北风占比较多， 但在16个风向方位中没有出现频率超过10%的风向， 这说明风向分布较为均衡； 早春西南风、 西-西南风及东风频率略增加， 同时偏西北、 偏北风发生的频率所有减少， 说明进入早春后偏南偏东（偏北偏西）风向发生概率增多（减少）。对于组4高海拔山顶区， 冬季西风、 西-西北风、 西北风以及北-西北风的频率占比都达到10%以上， 部分风向频率甚至接近20%， 除了上述风向外， 其余风向在该区域甚少发生； 早春偏西偏北的风向频率虽所有减少， 但占比仍都在10%以上， 即仍以西北盛行风占据绝对主导， 但偏西南的风向频率较冬季有所增加， 说明早春风向比冬季相对更多变。综上可知： 四个分组的局地风向频率各不相同， 组1~3风场受大尺度环流、 山谷风环流和局地下垫面综合作用， 各个风向以不同频率发生， 而海拔1800 m以上组4由于受大尺度东亚冬季风环流主导而长期稳定盛行偏西-西北-北风。从季节差异上看， 早春风向比冬季更多变， 偏东、 偏南气流发生频率有所增加， 这可能是西伯利亚高压减弱、 太阳辐射增强等导致的季节转变。
图5 各个分组冬季和早春风向频率分布玫瑰图

（a）~（d）分别表示分组1~4

Fig.5 Rose diagrams of the frequency distribution of wind directions for each group in winter and early spring.（a）~（d） represent Group 1~4 respectively

图6进一步给出了4个分组冬季和早春风速风向二维核密度估计图（2D Kernel Density Estimation， 2D KDE）。二维核密度估计图是一种用于估计连续变量概率密度函数的图形表示方法， 用于展示两个连续变量的联合概率密度函数。2D KDE将风速和风向概率分布可视化， 可同时揭示风速风向数据在二维空间中的分布情况。对于组1， 冬季和早春风速在0~3 m·s-1且风向在0°~90°的样本占比最多， 每个点的密度值可达到0.2%以上。冬季风速0~3 m·s-1且风向在270°~360°、 风速2~4 m·s-1且风向在225°~270°的样本占比次之， 但早春这两个次值中心显著减弱， 而3~6 m·s-1的风速样本增多， 西-西南风频率略微降低。对于组2， 两个季节风速在0~3 m·s-1且风向在135°~225°的样本概率密度最大， 可达到0.24%以上， 从风向上看早春和冬季特征基本类似， 但早春3 m·s-1以上的偏南风频率有所增加。对于组3， 每个点的风速风向概率密度相对于组1和2来说较为均衡， 在风速0~3 m·s-1且风向0°~90°和180°~225°的数据点密度达到0.2%以上， 表现出明显的双大值中心特征； 同时， 组3观测到的6~9 m·s-1风速样本相对组1和组2有所增多， 且冬季风速大于早春。对于海拔最高的组4， 冬季和早春概率密度最大的区间均集中在风速4~9 m·s-1且风向225°~360°区域， 呈现单一大值中心， 单点概率密度最高可达0.28%以上； 高海拔山顶区域的风向集中在西北风、 西风、 北风， 盛行风向单一少变、 大风频率远大于其他区域。
图6 各个分组冬季（左）和早春（右）风速风向二维核密度图（单位： %）

（a~b）、 （c~d）、 （e~f）、 （g~h）表示分组1~4

Fig.6 Two-dimensional kernel density （unit： %）plots of wind speed and wind direction for each group in winter （right column） and early spring （left column）.（a~b）、 （c~d）、 （e~f）、 （g~h） present Group 1~4， respectively

3.3　风场日变化特征对比分析

图7给出了4个分组冬季和早春近地面风速的日变化。从图7可以看出， 各分组冬季和早春风速都存在明显的日变化特征， 但组4和其他各组之间又存在明显的大小和位相差异。组1、 2、 3平均风速日变化最大值均出现在13:00 -15:00（北京时， 下同）， 均呈单峰结构， 风速日变化表现为夜间小、 白天大的“峰强谷平”特征。但随着组1到组3海拔的不断升高， “峰强谷平”特征缓慢减弱。风速“峰强谷平”日变化特征可能与夜间空气收缩形成冷池有关（贾春晖等， 2019）。组4高海拔山顶区呈现出截然相反的风速日变化特征， 表现为夜间大、 白天小， 风速最小值出现在12:00及13:00 -16:00。在冬奥会期间， 需要根据天气预报找到对比赛能否正常进行十分关键的时段， 即小风“窗口期”。因此根据多年大样本统计规律表明， 冬奥延庆赛区的黄金“窗口期”相对来说更易出现在午间。高海拔山顶区风速日变化与其他区域的反位相现象可能与边界层湍流活动（苏从先， 1963）的日变化紧密相关， 低层自由大气动量向边界层内下传导致“峰平谷深”现象（乌日柴胡等， 2019）， 也可能与局地山谷风环流减弱气候态背景风速有关。此外还可以看到， 组1和组2整体平均风速夜间（白天）在1~2（2~3.5） m·s-1， 组3风速整体波动最小， 夜间和白天平均风速均在2~3.5 m·s-1。在海拔1800 m以上的山顶区， 组4整体风速明显增加， 夜间和白天平均风速均超过5 m·s-1。
图7 各个分组冬季和早春风速日变化

（a）~（d）分别表示分组1~4

Fig.7 Diurnal variations of wind speeds for each group in winter and early spring.（a）~（d） represent Group 1~4 respectively

进一步对比早春和冬季的风速日变化， 可以发现较明显的季节差异。延庆低海拔远郊区组1在由冬季向早春过渡过程中， 夜间平均风速略降低， 08:00后风速逐渐变大， 一天之内平均风速最大值较冬季有所增大。东北山麓过渡区分组2早春夜间风速与冬季基本持平， 08:00后平均风速快速增强， 15:00前后平均风速“峰值”接近3 m·s-1， 大于冬季同一时刻不到2.5 m·s-1的平均风速“峰值”。西南过渡区组3早春夜间平均风速相对于冬季明显减小， 白天则基本和冬季持平。高海拔山顶区组4从冬季转到早春后， 风速大幅减弱， 冬季最大平均风速超过8 m·s-1， 春季则约7 m·s-1， 平均风速减少幅度超过1 m·s-1。
从冬季和早春盛行风向日变化对比结果（图8）中可以看到： 4个分组的日夜局地盛行风向均不相同。对于组1， 冬季白天08:00 -17:00盛行西南风， 夜间大多盛行东北风， 因此延庆低海拔远郊区的两个主导风向（图5）昼夜分明， 即白天以西南风占主导， 夜间以东北风占主导。到了早春， 白天盛行风向有所变化， 下午时刻由西南风转为东南风， 夜间的东北风则变得更为稳定。对于组2， 风向变化也昼夜分明， 山谷风环流在东北山麓过渡区表现最为突出。冬季白天在谷风控制下东北山麓过渡区盛行偏南风， 夜间在山风控制下盛行偏北风。冬季夜间18:00 -20:00盛行的偏北山风进入早春后转为偏南风， 这说明早春该区域谷风转山风时间比冬季推迟3 h， 谷风持续时间比冬季更长， 这可能与春季日照时间增加有关。对于组3， 冬季夜间风向较不稳定， 相对多变， 白天风向变化不明显， 以西南风占主导。早春夜间风向趋于稳定， 东北风占主导， 白天和冬季盛行风向基本一致。对于组4， 冬季全天盛行偏西-西北风， 且风速远大于其他组。早春风速较冬季大幅减弱， 盛行风向虽仍以西-西北风占主导， 但风向相对更为多变。
图8 各分组冬季（a）和早春（b）风向日变化

（a）中小圆圈代表风速在2 m·s-1以下

Fig.8 Diurnal variations of wind direction for each group in winter （a） and early spring （b）.In Fig.8 （a）， the small circle denotes wind speeds below 2 m·s-1

大风（≥10.7 m·s-1， 包括强风和疾风， 表1）是造成风灾危险、 影响冬奥赛事能否顺利举办的重要因素之一（李兰等， 2009； 杨文凯等， 2012； 陈明轩等， 2021）， 分析局地大风风速与风向的协同日循环变化规律可为大风预报预警提供一定的背景参考。图9给出了组3和组4冬季和早春“大风”风速-风向日变化散点图， 由于组1和组2在多年历史观测资料中没有出现大风样本， 所以仅对组3和组4开展进一步分析。从图9可以发现， 组3冬季和早春大风的风向主要集中在西风和北风之间， 其他风向几乎很少出现大风， 这说明冬春大风主要均为系统性大风， 和夏季强对流等导致的大风有明显不同（杨璐等， 2018）。另外， 03:00左右出现大风的样本数量最多， 大风发生概率最大。高海拔山顶区组4的大风出现次数显著多于组3， 且大风风向主要集中在顺时针225°~45°之间， 即西风、 西北风、 北风， 其他方向发生次数甚少。组4大风出现样本数量也存在明显的日变化， 大风频次夜间大、 白天小， 大风频次最小值出现在14:00， 12:00 - 16:00之间为大风发生频次相对最小的时段， 和平均风速日变化类似（图7）， 这说明平均风速的日变化可能主要由大风的日变化所主导。和冬季相比， 早春大风发生次数显著减小， 从夜间最高700多次降低至最高100多次， 从午间最低200多次降低至最低50多次（图9）。
图9 组3（a， b）和组4（c， d）冬季（左）和早春（右）大风日变化散点分布

红点为风向［单位： （°）］， 绿线为大风样本数（单位： 次）

Fig.9 Scatter plots of diurnal variation in strong winds for Groups 3 （a， b） and Group 4 （c， d） in winter （right column） and early spring （left column）.The red dots represent the wind directions ［unit： （°）］， and the green lines represent the number of strong wind samples （unit： number of occurrences）

4 结论

本文基于北京冬奥会延庆山区2017年12月至2022年3月加密观测资料， 采用K-Means聚类方法， 对冬季（12月至次年2月）和早春（3月）不同海拔的自动气象站逐小时观测资料进行了分组研究与对比， 揭示了复杂地形下局地风场的精细化时空特征及季节差异， 包括风速等级频率分布、 风向频率分布、 风速风向联合分布、 风速日变化、 风向日变化、 强风日循环特征、 冬春变化等。得到如下结论：
（1） 在风速频率分布方面， 研究表明大风发生频率随着海拔的增加而增加。具体而言， 海拔相对较低的延庆低海拔远郊区组1和东北山麓过渡区组2的局地风速主要集中于0~1.5 m·s-1的软风和1.5~3.3 m·s-1的轻风， 占比超过80%， 而大风占比均为0%， 即几乎不可能出现大风。西南过渡区组3风速集中于3.3~5.4 m·s-1的微风和5.4~7.9 m·s-1的和风， 且偶尔发生大风， 大风占比不足1%。海拔1800米以上的组4大风（包含强风和疾风， ≥10.7 m·s-1）频率最高， 冬季和早春分别约为21%和11%， 数倍与其他分组。
（2） 风向频率分布特征存在较大的局地性差异。组1冬季白天主要盛行西南风、 夜间盛行东北风， 早春则西南风发生频率减弱， 东北风频率增加。组2冬季和早春偏南风发生频率最大， 南风、 南-东南风、 南-西南风、 西南风占据主导地位， 其次为北风， 而其余风向发生频率均相对较小。组3风向分布相对较为均衡。不同于组1~3受多源因素的影响， 各个风向以不同频率发生， 组4受大尺度冬季风环流主导而长期稳定盛行偏西北风（包括西风、 西北风、 北风）， 极少出现其他风向。
（3） 在日变化方面， 研究发现风速存在显著日变化， 但高低海拔局地特征截然相反。组1~3表现为夜间小、 白天大的“峰强谷平”单峰特征， 高海拔山顶区组4则呈现出夜间大、 白天小、 午间小风“窗口期”的规律。组1~3风向均有较为显著的日变化， 即日出后风向从偏南风转为偏北风， 而日落后风向从偏北风转换为偏北风， 尤其组3的山谷风环流特征最为突出。但是高海拔组4没有风向日夜转换特征。
（4） 季节对比结果表明， 早春和冬季风场存在较明显的季节差异。与冬季风速相比， 早春组1和组2表现为白天平均风速增大， 组3则表现为夜间风速降低， 组4白天和夜间平均风速均大幅减小， 早春大风发生频率也比冬季减少约10%。与冬季风向相比， 早春风向比冬季更为多变， 组1主导风向由西南风转为东北风， 组2谷风转山风时间比冬季推迟约3 h， 冬季长期盛行偏西北风的组4早春偏西南的风向频率也有所增加。
上述研究结果有助于深入认识复杂地形下近地面局地风场的精细化时空演变规律， 可为冬奥会及小尺度山地气象监测和预报提供重要的背景参考。但是， 本文仅仅研究了延庆山区近地面风本身的频率、 日变化等时空特征， 并没有综合考虑风场与温度、 湿度等其他气象要素之间的可能联系， 也尚未分析统计规律背后的物理成因。从动力学和热力学两方面深入开展相关的机理分析， 可以为数值预报、 融合预报提供更好的理论基础。因此， 未来需要进一步基于更多资料及数值模拟试验研究复杂地形下近地面局地风场特征的影响因子及其物理成因。在复杂山地小范围区域， 基于诸如REA5等全球再分析资料几乎无法研究局地精细化特征， 但是通过积累多年诸如睿思系统百米尺度分辨率的格点融合分析场资料（宋林烨等， 2019； 陈康凯等， 2020； 杨璐等， 2022）， 有望在未来开展进一步精细化的深入分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Chen M X， Quan J N， Miao S G， et al， 2018.Enhanced weather research and forecasting in support of the Beijing 2022 Winter Olympic and Paralympic Games［J］.WMO Bulletin， 67（2）： 58-61.

Chen S F， Wu R G， Liu Y， 2016.Dominant modes of interannual variability in Eurasian surface air temperature during boreal spring［J］.Journal of Climate， 29（3）： 1109-1125.DOI： 10.1175/JCLI-D-15-0524.1 .

Hartigan J A， Wong M A， 1979.Algorithm AS 136： A k-means clustering algorithm［J］.Journal of the Royal Statistical Society.Series C （Applied Statistics）， 28（1）： 100-108.

Hoffmann L， Günther G， Li D， et al， 2019.From ERA-Interim to ERA5： The considerable impact of ECMWF's next-generation reanalysis on Lagrangian transport simulations［J］.Atmospheric Chemistry and Physics， 19（5）： 3097-3124.DOI： 10.5194/acp-19-3097-2019 .

Rivas M B， Stoffelen A， 2019.Characterizing ERA-Interim and ERA5 surface wind biases using ASCAT［J］.Ocean Science， 15（3）： 831-852.DOI： 10.5194/os-15-831-2019 .

陈康凯， 宋林烨， 杨璐， 等， 2020.一种基于高斯模糊的复杂地形下高分辨率三维插值方法的研究与试验应用［J］.高原气象， 39（2）： 367-377.DOI： 10.7522/j.issn.1000-0534.2019.00108.Chen K K ，

Song L Y， Yang L， et al， 2020.Research and application of a three-dimensional interpolation method for high-resolution temperature in complex terrain based on Gaussian fuzzy［J］.Plateau Meteorology， 39（2）： 367-377.DOI： 10.7522/j.issn.1000-0534.2019.00108 .

陈明轩， 付宗钰， 梁丰， 等， 2021.“智慧冬奥2022天气预报示范计划”进展综述［J］.气象科技进展， 11（6）： 8-13. DOI： 10.3969/j.issn.2095-1973.2021.06.002.Chen M X ，

Fu Z Y， Liang F， et al， 2021.A review of SMART2022-FDP progress［J］.Advances in Meterorological Science and Technology， 11（6）： 8-13.DOI： 10.3969/j.issn.2095-1973.2021.06.002 .

窦晶晶， 王迎春， 苗世光， 2014.北京城区近地面比湿和风场时空分布特征［J］.应用气象学报， 25（5）： 559-569.

Dou J J， Wang Y C， Miao S G， 2014.Fine spatial and temporal characteristics of humidity and wind in Beijing urban area［J］.Journal of Applied Meteorological Science， 25（5）： 559-569.

窦以文， 屈玉贵， 陶士伟， 等， 2008.北京自动气象站实时数据质量控制应用［J］.气象， 34（8）： 77-81.

Dou Y W， Qu Y G， Tao S W， et al， 2008.The application of quality control procedures for real time data from automatic weather stations［J］.Meteorological Monthly， 34（8）： 77-81.

黄晓龙， 吴薇， 许剑辉， 等， 2023.ERA5-Land降水再分析资料在中国西南地区的适用性评估［J］.高原气象， 42（6）： 1562-1575.DOI： 10.7522/j.issn.1000-0534.2023.00012.Huang X L ，

Wu W， Xu J H， et al， 2023.The applicability performance of the ERA5-Land precipitation datasets in Southwest China［J］.Plateau Meteorology， 42（6）： 1562-1575.DOI： 10.7522/j.issn.1000-0534.2023.00012 .

贾春晖， 窦晶晶， 苗世光， 等， 2019.延庆-张家口地区复杂地形冬季山谷风特征分析［J］.气象学报， 77（3）： 475-488.DOI： 10.11676/qxxb2019.033.Jia C H ，

Dou J J， Miao S G， et al， 2019.Analysis of characteristics of mountain-valley winds in the complex terrain area over Yanqing-Zhangjiakou in the winter［J］.Acta Meteorologica Sinica， 77（3）： 475-488.DOI： 10.11676/qxxb2019.033 .

李国平， 2016. 近 25年来中国山地气象研究进展［J］.气象科技进展， 6（3）： 115-122.DOI： 10.3969/j.issn.2095-1973.2016. 03.016.Li G P ， 2016.Progress and prospects in research of mountain meteorology in China during the past 25 years［J］.Advances in Meterorological Science and Technology， 6（3）： 115-122.DOI： 10.3969/j.issn.2095-1973.2016.03.016 .

李兰， 周月华， 陈波， 2009.湖北省大风灾害及其风险度［J］.气象科技， 37（2）： 205-208.DOI： 10.19517/j.1671-6345.2009.02.019.Li L ，

Zhou Y H， Chen B， 2009.Wind disasters in Hubei province and their risk degree［J］.Meteorological Science and Technology， 37（2）： 205-208.DOI： 10.19517/j.1671-6345.2009.02.019 .

刘吉峰， 李世杰， 丁裕国， 等， 2006.近几十年我国极端气温变化特征分区方法探讨［J］.山地学报， 24（3）： 291-297.

Liu J F， Li S J， Ding Y Guo， et al， 2006.The distribution of the characteristic zoning method of extreme temperature in China in recent decades［J］.Journal of Mountain Science， 24（3）： 291-297.

刘伟东， 尤焕苓， 任国玉， 等， 2014.北京地区自动站降水特征的聚类分析［J］.气象， 40（7）： 844-851.DOI： 10.7519/j.issn.1000-0526.2014.07.008.Liu W D ，

You H L， Ren G Y， et al， 2014.AWS precipitation characteristics based on K-Means clustering method in Beijing area［J］.Meteorological Monthly， 40（7）： 844-851.DOI： 10.7519/j.issn.1000-0526.2014.07.008 .

聂若鹰， 2007.风力等级划分参考表［J］. 气象水文海洋仪器， 1： 67.

Nie R Y， 2007.Wind power classification reference table［J］.Meteorological， Hydrological and Marin Instrument， 1： 67.

秦爱民， 钱维宏， 蔡亲波， 2005.1960~2000年中国不同季节的气温分区及趋势［J］.气象科学， 25（4）： 338-345.

Qin A M， Qian W H， Cai Q B， 2005.Seasonal division and trend characteristic of air temperature in China in the last 41 years［J］.Journal of Meteorological Science， 25（4）： 338-345.

邱传涛， 李丁华， 1997.平均风向的计算方法及其比较［J］.高原气象， 16（1）： 94-98.

Qiu C T， Li D H， 1997. The calculation algorithms for average wind direction and their comparison［J］.Plateau Meteorology， 16（1）： 94-98.

宋林烨， 陈明轩， 程丛兰， 等， 2019.京津冀夏季雷达定量降水估测的误差统计及定量气候校准［J］.气象学报， 77（3）： 497-515. DOI： 10.11676/qxxb2019.022.Song L Y ，

Chen M X， Cheng C L， et al， 2019.Characteristics of summer QPE error and a climatological correction method over Beijing-Tianjin-Hebei region［J］.Acta Meteorologica Sinica， 77（3）： 497-515.DOI： 10.11676/qxxb2019.022 .

苏从先， 1963.关于大气层结对于近地面层中湍流交换的影响问题［J］.气象学报， 33（4）： 435-448.

Su C X， 1963.On the effects of thermal stratification on the turbulent exchange in the diabatic surface layer［J］. Acta Meteorologica Sinica， 33（4）： 435-448.

孙吉贵， 刘杰， 赵连宇， 2008.聚类算法研究［J］.软件学报， 19（1）： 48-61.DOI： 10.3724/SP.J.1001.2008.00048.Sun J G ，

Liu J， Zhao L Y， 2008.Clustering algorithms research［J］.Journal of Software， 19（1）： 48-61.DOI： 10.3724/SP.J.1001.2008.00048 .

王霞， 2021.延庆山区生态林经营管理技术措施的探讨［J］.生态环境与保护， 4（3）： 28-30.

Wang X， 2021.Discussion on technical measures of ecological forest management in Yanqing mountainous area［J］.Ecological Environment and Protection， 4（3）： 28-30.DOI： 10.12238/eep.v4i3.1385 .

乌日柴胡， 王建捷， 孙靖， 等， 2019.北京山区与平原冬季近地面风的精细观测特征［J］.气象学报， 77（6）： 1107-1123.DOI： 10.11676/qxxb2019.059.Wu R C H ，

Wang J J， Sun J， et al， 2019.An observational investigation of fine features of near surface winds in winter over Beijing area［J］.Acta Meteorologica Sinica， 77（6）： 1107-1123.DOI： 10.11676/qxxb2019.059 .

徐景峰， 宋林烨， 陈明轩， 等， 2023.冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验［J］.大气科学， 47（3）： 805-824.DOI： 10.3878/j.issn.1006-9895.2209.22117.Xu J F ，

Song L Y， Chen M X， et al， 2023.Comparative machine learning-based correction experiment for a 10 m wind speed forecast at a 100 m resolution in complex mountainous areas of the Winter Olympic Games［J］.Chinese Journal of Atmospheric Sciences， 47（3）： 805-824.DOI： 10.3878/j.issn.1006-9895.2209.22117 .

杨劲， 张双益， 王海龙， 等， 2024.ERA5 和 ERA5-Land 地面风速资料在中国陆地区域的适用性对比初步研究［J］.气候与环境研究， 29（1）： 36-44.DOI： 10.3878/j.issn.1006-9585.2023.22106.Yang J ，

Zhang S Y， Wang H L， et al， 2024.Preliminarily comparative study on the applicability of ERA5 and ERA5-Land ground wind speed data over China’s land region［J］.Climatic and Environmental Research， 29（1）： 36-44.DOI： 10.3878/j.issn.1006-9585.2023.22106 .

杨璐， 陈明轩， 孟金平， 等， 2018.北京地区雷暴大风不同生命期内的雷达统计特征及预警提前量分析［J］.气象， 44（6）： 802-813.DOI： 10.7519/j.issn.1000-0526.2018.06.008.Yang L ，

Chen M X， Meng J P， et al， 2018.Radar statistical characteristics and warning lead analysis of thunderstorm gales in different life periods in Beijing［J］.Meteorological Monthly， 44（6）： 802-813.DOI： 10.7519/j.issn.1000-0526.2018.06.008 .

杨璐， 宋林烨， 荆浩， 等， 2022.复杂地形下高精度风场融合预报订正技术在冬奥会赛区风速预报中的应用研究［J］.气象， 48（2）： 162-176.DOI： 10.7519/j.issn.1000-0526.2021.092902.Yang L ，

Song L Y， Jin H， et al， 2022.Fusion prediction and correction technique for high-resolution wind field in Winter Olympic Games area under complex terrain［J］.Meteorological Monthly， 48（2）： 162-176.DOI： 10.7519/j.issn.1000-0526.2021.092902 .

杨萍， 刘伟东， 仲跻芹， 等， 2011.北京地区自动气象站气温观测资料的质量评估［J］.应用气象学报， 22（6）： 706-715.

Yang P， Liu W D， Zhong J Q， et al， 2011.Evaluating the quality of temperature measured at automatic weather stations in Beijing［J］.Journal of Applied Meteorological Science， 22（6）： 706-715.

杨文凯， 宫诚烨， 李国华， 2012.城市大风起， 如何防护保安全［J］.生命与灾害， 4： 24-27.

Yang W K， Gong C Y， Li G H， 2012.Urban wind， how to protect safety［J］.Life and Disaster， 4： 24-27.

张治国， 崔炜， 白雪涛， 等， 2017.第24届冬奥会海坨山赛区近两年冬季地面风场特征［J］.干旱气象， 35（3）： 433-438.DOI： 10.11755/j.issn.1006-7639（2017）-03-0433.Zhang Z G ，

Cui W， Bai X T， et al， 2017.Winter ground wind field characteristic in the Haituo mountain division for the 24th Winter Olympic Games［J］.Journal of Arid Meteorology， 35（3）： 433-438.DOI： 10.11755/j.issn.1006-7639（2017）-03-0433 .

郑祚芳， 任国玉， 高华， 2018.北京地区局地环流观测分析［J］.气象， 44（3）： 425-433.DOI： 10.7519/j.issn.1000-0526.2018.03.009.Zheng Z F ，

Ren G Y， Gao H， 2018.Analysis of the local circulation in Beijing area［J］.Meteorological Monthly， 44（3）： 425-433.DOI： 10.7519/j.issn.1000-0526.2018.03.009 .

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn