文章快速检索     高级检索
  高原气象  2017, Vol. 36 Issue (3): 852-864  DOI: 10.7522/j.issn.1000-0534.2016.00052
0

引用本文 [复制中英文]

陈燕, 许遐祯, 黄敬峰, 等. 2017. ENVISAT星载合成孔径雷达反演风场在江苏近海风场研究中的应用初探[J]. 高原气象, 36(3): 852-864. DOI: 10.7522/j.issn.1000-0534.2016.00052
[复制中文]
Chen Yan, Xu Xiazhen, Huang Jingfeng, et al. 2017. Implement of ENVISAT-ASAR Observed Data in the Wind Fields Investigation of the Offshore Area in Jiangsu Province[J]. Plateau Meteorology, 36(3): 852-864. DOI: 10.7522/j.issn.1000-0534.2016.00052.
[复制英文]

资助项目

江苏省自然科学基金项目(BK2012493);国家自然科学基金项目(41305013);公益性行业(气象)科研专项(GYHY201306050)

作者简介

陈燕(1977), 女, 江苏扬州人, 高级工程师, 主要从事气候资源开发和气候变化研究.E-mail:chenyan_willow@163.com

文章历史

收稿日期: 2016-03-03
定稿日期: 2016-05-26
ENVISAT星载合成孔径雷达反演风场在江苏近海风场研究中的应用初探
陈燕1, 许遐祯1, 黄敬峰2, 郭乔影2    
1. 江苏省气候中心, 南京 210009;
2. 浙江大学农业遥感与信息技术应用研究所, 杭州 310058
摘要: 为了弥补海上风的常规直接观测资料较少的不足,探索将合成孔径雷达(Advanced Synthetic Aperture Radar,ASAR)观测资料用于风场研究,以江苏近海为研究对象,利用沿海地面观测数据和2008年11幅ASAR影像反演获得的风速和风向进行对比,并将卫星反演风场同化至数值模式,分析对海上风场模拟效果的改进。结果表明:ASAR影像反演的海面风场和地面实测吻合度较高,可以作为没有直接风观测的海上区域的补充。风速反演值略大于观测值,均方根误差为1.8 m·s-1,83.6%的站点偏差在±2 m·s-1之内;风向反演值比观测值偏北,均方根误差为39.3°,41.8%的站点偏差在±22.5°之内。将反演风场同化至WRF模式后,提高了海上风场的模拟效果,风速均方根误差1月降低至0.9 m·s-1,7月降低至1.6 m·s-1;风向均方根误差1月降低为57.3°,7月降低为50.6°。
关键词: 同化模拟    合成孔径雷达    风场检验    江苏近海风场    
1 引言

能源问题是关系中国经济、社会发展的重大问题。我国近海风能资源丰富, 是重要的可再生能源, 也是风能开发利用的重点区域。海上风能资源评估是风能开发利用的前提基础, 目前评估方法主要有三种, 一是基于风直接观测资料的评估; 二是基于卫星遥感观测资料的评估; 三是基于数值模拟方法的评估。

海上风直接观测一般是通过自动站、浮标站、商船进行气象观测, 基于这些观测资料进行风场分析, 通过水平方向插值和幂指数关系外推得到海上风场立体分布图(Jeng, 2008; 宋丽莉等, 2004; 李明华等, 2007, 陈燕等, 2014)。随着卫星探测技术水平的不断提高, 气象和海洋卫星可以进行大范围的、全天时、全天候、长时间连续观测, 特别是在常规观测资料相对稀少的海洋上, 可以直接或间接地获得海面风速、风向, 为风能资源评估提供了新的资料和方法。微波散射计、合成孔径雷达等先后开展观测, 积累了多年全球海面矢量风观测数据, 在海上风场研究中取得了较好的效果(Barthelmie and Pryor, 2003; Hasager et al, 2006)。Risien and Dudley (2008)根据8年的Quikscat资料估算了全球海面风场和风应力场的季节变化, 通过和NCEP再分析场的比较发现前者更能获得一些对海洋和大气都很重要的小尺度的特征。Quilfen et al (2007)尝试在高风速情况下用Quikscat资料估计海面风矢量。Sempreviva et al (2008)运用Quikscat反演风场结果研究了地中海地区1999 2005年的风场特征。蒋兴伟和宋清涛(2010)收集星载微波散射计的全球海面风速和方向数据, 构建了气候态的逐月全球海面风场、风应力场和风应力旋度场。

微波散射计观测的空间分辨率一般为25 km, 相对较低。在20世纪90年代, ERS-1、ERS-2、RADASAT-1等多种星载合成孔径雷达先后出现, ENVISAT卫星2003年开始搭载合成孔径雷达ASRA, 其观测资料具有空间分辨率较高, 时间分辨率较低的特点, 在近海风能资源评估中也越来越受关注(Vachon and Dobson, 1996; Christiansen et al, 2006; Horstmann et al, 2000)。Beal et al (1997)利用ERS1卫星的合成孔径雷达资料分析了墨西哥暖流影响下的海上大气边界层内风场的变化。Hasager et al (2005)基于62张SAR观测资料估算了北海风能资源。王铁(2007)以ERS2-SAR黄海区域图像为例, 反演海面风场, 反演结果和QuikSCAT比较吻合。陈艳玲等(2007)改进SWDA谱分析方法, 利用浮标实测数据消除风向不确定性, 根据CMOD4地球物理模式函数计算2002年5月香港地区ERS2-SAR的海面风速, 风向和风速的反演结果均有较高的精度。杨劲松等(2001)利用海南省东南部海域的Radarsat SAR图像反演获得海面风场, 和预报风场比较, 风速的均方根误差为0.94 m·s-1, 风向的均方根误差为4.03°。

数值模拟方法在风场研究中有广泛应用, MM5、WEST、WRF、KAMM等多种中尺度模式用于风能模拟和评估, 取得了较好的效果(Keith et al, 2001; Manwell et al, 2002; Chen et al, 2012; 张弛等, 2015)。加拿大气象局将中尺度模式MC2与小尺度模式Msmicro相结合建立了WEST风资源数值模式系统(Yu et al, 2006), 张德等(2008)利用该风能资源数值模拟系统获得水平分辨率5 km、低空垂直分辨率10 m的中国风能分布图谱。李艳等(2009)利用NCEP/NCAR再分析资料和地面气象站长期观测资料驱动MM5, 生成了江苏省水平分辨率5 km的风场资料。张鸿雁等(2008)用WRF模式对湖北省风能资源进行为期1年的逐日模拟, 得出湖北省10 km分辨率的风能资源图。

以上三种评估方法在海上风场研究中均有广泛应用, 但各有其优缺点。常规海上风直接观测数量少, 空间分辨率低, 建立海上测风塔开展观测与评估需要耗费大量的人力物力, 同时代表范围有限, 不适合大范围的风能资源评估。卫星遥感观测范围广、空间分辨率高, 但卫星观测数据不能反映不同高度的风场变化, 且目前很难获得逐时连续的观测数据。数值模拟方法可以模拟风资源的立体分布状况, 但是如果缺少优质的驱动初始场和边界场, 有可能产生较大的误差。例如NCEP/NCAR再分析数据是目前最常见的中尺度模式气象驱动场, 施晓辉等(2006)对其风速资料在中国区域的可信度进行了研究, 认为受到模式地形和中国地面气象站点“东密西疏”分布格局的影响, 东部的可信度比西部高。在海上, 直接观测数据更少, 易降低数值模式的初始场和边界场数据的可信度。因此, 为了利用日益丰富的卫星观测资料更好研究海上风场分布特征、科学开发海上风能, 利用2008年11幅ENVISAT ASAR图像反演获得的江苏近海海域的风速和风向, 与沿海21个自动站的观测资料进行对比检验, 分析合成孔径雷达反演风场在该地区的可信度, 然后将其同化至WRF模式, 开展风场模拟, 探索将ASAR反演资料应用于海上风场研究, 以期利用多种观测资料开展海上风能资源的评估。

2 数据与方法 2.1 研究区域和卫星资料

江苏海岸线资源丰富, 北起绣针河口, 南至启东廖角嘴, 海域范围较大, 是本文的研究区域。沿海3市共辖14个沿海县(市、区), 由北向南依次为连云港市、盐城市和南通市。这些县市有多个气象观测站点开展风观测, 其中21个地面观测站的风速和风向观测资料用于本文研究, 覆盖最北端的连云港赣榆到最南端的南通启东, 地面观测站位置标注见图 1, 图中三条蓝色线依次代表10 m、20 m和30 m等深线。这些站点均位于沿海的岛屿、海洋、滩涂和海堤地区, 如M8002在盐城市的东沙, 位于距离海岸线数十公里在海洋上, M8007在南通市的启东东元滩涂、M8003在南通市的如东太阳沙、M8029在连云港的秦山岛、M3211在连云港的高公岛、M8005在连云港的开山岛, 均在海上, M8001为连云港港口、M8028为盐城射阳港港口、M8008为盐城大丰港港口、M3641为如东洋口港, 均布设在伸入海洋港口堤坝上, 在10 m等深线的海域内。

图 1 研究区域地形(彩色区)及地面观测站(红色圆点)分布 Figure 1 The terrain height of the simulation domain (color area) and the distribution of observation stations (red dotted)

所用的合成孔径雷达ASAR(Advanced Synthetic Aperture Radar)为搭载在ENVISAT卫星上的C波段合成孔径雷达, 2002年3月由欧空局发射, 有全球模式、波模式、图像模式、交替极化模式和宽幅模式等5种工作模式, 使用主动相位阵列天线, 以右视的方式进行观测, 入射角在15°~45°, 其数据产品广泛应用于海洋波浪、海冰范围、海冰运动等研究。本研究从中国科学院对地观测与数字地球中心及欧空局获取了2008年覆盖江苏近海海域的ASAR影像数据, 共11景, 包括宽幅模式影像(WSM)、交替极化模式中分辨率影像(APM)和精细分辨率影像(IMP), 空间分辨率为150 m, 过境周期约为35天左右, 在江苏海域的过境时间一般为10:00或22:00(北京时, 下同)左右。这些ASAR影像分布在除了3月以外的其它11个月, 每幅影像的覆盖范围、过境时间不完全相同, 所涉及的地面观测站点也不一样。表 1给出了ASAR影像的主要覆盖范围、过境时间和对应地面观测站点。

表 1 ASAR影像的覆盖范围、过境时间和地面观测点 Table 1 The range, time and respective surface observation locations of ASAR scenes
2.2 ASAR反演风场的对比检验

地球物理模式函数(GMF)描述了雷达入射角、相对风向、风速和后向散射系数之间的关系, 被广泛用于海面风速反演。欧洲中期天气预报中心根据ERS-1上的C波段VV极化散射计和数值模式风场数据建立了CMOD4模式函数, 是SAR风场反演中应用最广泛的地球物理模式函数; 针对高风速的情况, CMOD5模式函数更适用; 法国海洋开发研究院开发了CMOD-IFR2模式函数(Quilfen et al, 1998; Stoffelen and Anderson, 1999; Hersbach et al, 2007)。对于风向的确定, 可以利用SAR自身影像的条纹信息, 或者地面常规观测信息、散射计观测风场、数值模拟风场等外部信息。Beaucage et al(2007)将高分辨率数值预报模式MC2在4 km尺度上获取的风场数据与Radarsat-1影像反演结果进行对比分析, 两者较为吻合, 均方根误差为2.07 m·s-1范开国等(2010)以广东省南海海域2005年12月的一景ENVISAT ASAR图像为例, 利用SAR图像和NCEP/QSCAT混合风向数据, 反演了大范围、高分辨率海面风场分布。张毅等(2011)分别利用WRF数值预报模式风向和散射计风向作为初始风场信息, 从SAR影像中反演风速。

对ASAR数据首先进行预处理, 根据欧空局数据处理中心提供的ASAR绝对定标公式进行辐射定标; 为了使用常用于C波段VV极化的GMF反演风速, 对HH极化方式的宽幅模式影像进行极化比转化(Elfouhaily et al, 1999), 将HH极化的后向散射系数转化为VV极化的后向散射系数; 为了剔除陆地的影响, 将陆地从影像中分割出去; 采用几何滤波法, 剔除受船只等因素影响的异常像元; 利用均值法将像元重采样到1 km分辨率。完成数据预处理后, 根据ESE(NASA Earth Science Enterprise)2009年推出CCMP全球海面10 m高的风场资料, 利用临近时刻的风场数据通过空间插值至ASAR影像的对应像元, 将其风向作为外部输入风向, 优选CMOD4地球物理模式函数进行风场反演。利用该方法完成江苏近海区域的11幅ASAR影像的风场反演。

图 2给出了2008年1月和7月两幅ASAR影像的风场反演结果。1月8日影像的时间为10:00, 卫星资料覆盖区域相对较小, 主要是盐城中部至南通启东的海域, 且离岸有一定距离, 这个时刻海面反演风速较小, 多在4 m·s-1以下, 整个卫星影像覆盖区域的平均风速为2.6 m·s-1, 主导风向为东北风, 是典型的冬季盛行风。7月22日影像为22:00, 覆盖区域较大, 包括江苏北部海域和中部海域, 反演风速较大, 平均风速为4.6 m·s-1, 大部分区域的风速在4~7 m·s-1, 主导风向为东风和东东南风, 是夏季常见风向。

图 2 2008年1月8日10:00 (a)和7月22日22:00 (b) ASAR反演风场分布 Figure 2 Distribution of wind vector retrieval from ASAR observed data at 10:00 on 8 January (a) and 22:00 on 22 July (b) 2008

为了检验ASAR影像在江苏的风场反演效果, 按照表 1中所列的站点信息, 将卫星反演的风速、风向和对应时刻、对应地点的观测结果共67组数据进行对比。从散点图和统计分析来看(图 3表 2), 风速的反演结果和地面观测较为吻合, 观测平均风速为4.8 m·s-1, 反演风速为5.3 m·s-1, 相关系数为0.68, 均方根误差为1.8 m·s-1, 绝对误差为0.5 m·s-1, 相对误差为15.3 %; 反演风速总体比地面观测偏大, 41个站点偏大, 占61.2 %, 其余偏小; 56个站点的风速反演值和观测值相差在±2 m·s-1之内, 占总数的83.6 %, 只有7 %的站点相差大于3 m·s-1; 从不同风速段来看, 在风速小于6 m·s-1的中低风速段, 反演风速易偏大, 当风速大于6 m·s-1时, 反演风速易偏小。风向的反演效果也较好, 观测平均值为115.8°, 反演平均值为99.5°, 相关系数为0.6, 均方根误差为39.3°, 绝对误差为-10.6°; 风向反演结果总体比观测值偏北, 70 %的站点偏北, 30 %的站点偏南; 28个站点相差在±22.5°之内, 即偏差在正负一个方位角之内的占41.8 %, 有80.6 %相差在正负两个方位角之内; 通过对比发现, 在同一幅卫星影像中, 反演风向变化较小, 而地面观测由于受周围环境的影响, 风向变化较大, 这样就导致卫星反演风向主要分布在几个相对集中的范围内, 而对应的地面观测风向则分布较广。

图 3 卫星反演风场和地面观测对比 (a)风速, (b)风向 Figure 3 Comparisons between wind retrieval from ASAR observed data and station observations. (a) wind speed, (b) wind direction
表 2 卫星反演风场和地面观测的统计检验 Table 2 Statistic evaluations ofwind retrieval from ASAR observed data and station observed data

将卫星反演的风场和地面观测分季节进行分析, 春夏秋冬四季各有10组、24组、20组和13组对比数据。表 2给出了风速和风向的统计检验结果。夏季的风速反演效果总体最好, 均方根误差为1.1 m·s-1, 优于其他季节, 绝对误差为0.6 m·s-1, 也较低, 冬季和秋季的风速反演效果次之, 春季相对较差, 均方根误差和绝对误差均较大。同时, 除了春季的反演风速偏小, 其它季节均偏大, 而江苏春季风速一般较大, 因此虽然此时的卫星反演风速的均方根误差和绝对误差都较大, 但是相对误差较小。对于风向, 冬季的反演效果最好, 相关系数、均方根误差和绝对误差均优于其他季节, 这可能和冬季盛行风比较强大有关。夏季虽然也有盛行风, 但是集中度不如冬季风, 且风速较小, 更容易受到局地环境的影响, 此时风向的反演效果不如冬季。春秋季是转变期, 风向多变, 反演效果相对较差。

在临近江苏的在杭州湾海域, 常蕊等(2014)将合成孔径雷达的海面反演风场和实测风速比对发现, 14个实测站点中13个站的相对误差小于20 %, 其中7个站的相对误差小于10 %, 平均标准差为2.29 m·s-1。本研究的对比检验结果也显示, 在江苏近海区域, ASAR反演的海面风场和地面实测的吻合度较高, 尤其是在冬夏两季的效果较好, 说明可以利用ASAR影像反演获得风场, 弥补海面观测资料较少的不足, 可以为海上风场研究提供更多有效的数据支撑。

3 基于卫星反演资料的风场模拟 3.1 模式与算例设计

本研究的目的是探索将ASAR风场反演资料应用于海上风场研究, 因此选择卫星过境时段进行风场模拟。同时, 江苏受季风影响明显, 风有明显的季节变化, 冬季风和夏季风持续时间长、风向稳定、冬季风速较大, 代表性强; 前文的分析验证了ASAR卫星影像反演风场在江苏近海区域的有效性, 其中冬夏季的反演效果更好, 因此选择1月和7月作为冬夏季的代表, 将卫星反演风场同化至数值模式, 来探讨其在海上风场模拟中的可利用性。

采用WRF模式(Weather Research and Forecasting Model, v3.6.1) 为研究工具, 它包含WRF三维变分同化(3DVAR)系统, 将资料同化归结为一个表征分析场与观测场和分析场与背景场偏差的二次泛函极小值问题是其基本思想。使用NMC方法统计得到各嵌套层所需的背景误差协方差矩阵, 同化循环把观测信息及时带入分析场并进行有效更新, 在气象分析和预报中有较多的应用。本文将ASAR卫星影像反演的风场结果等同于加密的风场观测进行同化。

模拟研究区域中心为33.2°N, 119.3°E, 模拟时采用三层嵌套, 网格分辨率分别为27 km、9 km和3 km, 三层水平网格数均为200×200, 其中最内层范围即图 1所示, 包括江苏的陆上全部区域和海上123°E以东的区域, 覆盖江苏近海30 m等深线范围内的大部分海域。垂直网格为38层, 在2 km以下高度有13层。江苏省地形地势低平, 平原、低山丘陵和水域面积分别占土地总面积的69 %、14 %和17 %。从模拟区域示意图也可以看出, 北部山东区域内的鲁中南山地丘陵地势较高, 西南部的皖南山区地势较高, 而江苏省内除了西南部宁镇山脉、老山山脉、宜溧山脉略高之外, 其余地区的海拔均在50 m以下。南黄海旋转潮波和东海前进潮波在盐城南部海域相遇, 在江苏海岸中部形成辐射状沙脊群, 自岸呈展开的折扇状向海辐射, 使得这里的10 m等深线内的范围较大。

根据前人的研究结果(Wang and Duan, 2012; 汪君和王会军, 2013; Li et al, 2014; 石春娥等, 2015), 模拟时采用的辐射过程参数化方案是RRTM长波辐射方案和Dudhia短波辐射方案; 微物理过程参数方案是WSM3方案(仅在3 km分辨率网格使用); 边界层参数化方案采用YSU非局地闭合方案; 积云对流参数化方案采用Kain-Frisch方案(3 km分辨率网格上不使用); 陆面过程模拟采用NOAH陆面过程模型。

对于2008年1月8日算例, ASAR卫星影像为10:00。模式使用离线嵌套的方法, 对27 km和9 km分辨率网格使用1°分辨率的FNL全球再分析资料场驱动, 从8日08:00开始模拟30 h, 逐小时输出作为初始场和边界场; 对于3 km分辨率网格从10:00开始模拟, 由9 km分辨率网格提供初始场和边界场, 并将ASAR反演风场同化至此时的初始场和边界场内, 计算28 h, 即8日10:00至9日14:00。7月22日算例的卫星影像时间为22:00, 采用同样的方法, 27 km和9 km分辨率网格模拟从22日20:00开始, 3 km网格模拟时间为7月22日22:00至24日02:00。3 km网格模拟的前4 h用于模式调整, 后24 h用于结果分析。模式结果通过插值至10 m、30 m、50 m、70 m、100 m、150 m、200 m、250 m和300 m, 用于风场分析。

两个时段均设计同化和不同化卫星反演风场两种试验方案, 采用同样的参数化方案, 具体为: (1) DA01, 1月8日算例, 同化ASAR反演风场; (2) OR01, 1月8日算例, 未同化ASAR反演风场; (3) DA07, 7月22日算例, 同化ASAR反演风场; (4) OR07, 7月22日算例, 未同化ASAR反演风场。通过模拟和对比, 分析ASAR卫星影像反演风场在海上风场研究中的适用性。

3.2 风场模拟结果检验

1月8日的ASAR卫星影像反演获得的风场主要是位于盐城中部至南通启东的海域, 涉及4个地面观测站点; 7月22日则覆盖江苏北部海域和中部海域, 涉及8个地面观测站点, 将这些站点的逐时风速、风向观测值和四个算例的模拟结果进行对比分析。

从2008年1月算例的对比结果来看(图 4表 3), 观测风速平均为2.2 m·s-1, 未同化卫星反演资料的算例(OR01) 的风速模拟平均值为2.9 m·s-1, 大于观测值, 同化卫星反演资料后, DA01算例的风速模拟平均值为2.8 m·s-1, 更接近观测值, 均方根误差也由1.4 m·s-1降低至0.9 m·s-1; 从分布形态来看, 未同化卫星反演资料的算例中, 模拟风速较为分散, 而同化卫星反演资料后相关性较高, 提高至0.71;未同化卫星反演资料时, 30.1 %的站点模拟风速和观测风速相差在±1 m·s-1之内, 18.1 %的差值在±(1~2) m·s-1之间, 51.8 %的差值大于±2 m·s-1, 占一半以上, 当同化卫星反演资料后, 在DA01算例中, 仅有21.7 %的差值大于±2 m·s-1, 37.3 %的差值小于±1 m·s-1, 41 %的介于两者之间。风向的模拟结果总体比观测偏北20°~30°, DA01算例的模拟风向和观测风向的相关系数提高为0.82, 均方根误差降低为57.3°, 42.2 %的站点的风向偏差在±22.5°之内, 即正负一个方位角之内, 22.9 %的差值在±(22.5°~45°)之间, 而在OR01算例中分别为38.6 %和19.3%。

图 4 DA01(a, c)和OR01(b, d)算例模拟的2008年1月风速(a, b)、风向(c, d)和观测结果对比 Figure 4 Comparisons of wind speed (a, b) and wind direction (c, d) between station observed and numerical simulated by DA01 (a, c) and OR01 (b, d) on January 2008
表 3 观测风速风向和模拟结果的统计检验 Table 3 Statistical evaluations of the numerical simulation results with station observations

通过位于南通启东的自动站M8007的风速和风向观测值和模拟值的逐时变化(图 5)可以看出, 同化卫星反演资料后, 模拟风速和风向的变化趋势和观测值更加一致。M8007距海岸线较远, 在该算例中模拟效果的改善比其他3个观测点明显, 风速均方根误差在OR01算例中为1.3 m·s-1, 在DA01算例中降低至0.7 m·s-1, 优于平均值。这可能由于其远离大陆, 受海洋的影响相对较大, 当同化卫星反演资料后, 体现了海面的真实风场信息, 对模拟效果有较大改善。

图 5 2008年1月8日14:00至1月9日14:00的M8007自动站风速风向观测值与算例模拟值对比 (a)风速, (b)风向 Figure 5 Comparisons between numerical simulations and station observations at M8007 from 14:00 on 8 January to 14:00 on 9 January 2008. (a) wind speed, (b) wind direction

对于7月算例, OR07的模拟风速平均值为5.5 m·s-1, 和观测值3.2 m·s-1相差较大, 同化卫星反演资料后得到了大幅改善, DA07算例的模拟风速平均值为3.9 m·s-1, 均方根误差为1.6 m·s-1, 降低了1.3 m·s-1, 相关系数为0.59, 提高了0.27(表 3)。从2008年7月算例的模拟风速、风向和观测对比散点分布(图 6)也可以看出, OR07算例的大部分模拟风速大于观测值, 此时差值在±1 m·s-1之内的站点仅为21.9 %, 差值在±(1~2) m·s-1之间的占18.6 %, 而在DA07算例中, 这两个数字对应变成了43.7 %和36.1 %, 即有约80 %的站点的风速偏差在±2 m·s-1之内, 模拟风速明显偏大的情况得到了改善。同化卫星反演资料后, 风向模拟效果也得到了改善, 但风向的总体模拟效果不如冬季, 相关系数也比冬季低, 这可能和夏季盛行风比冬季弱有关。M8008自动站位于盐城大丰港伸入海洋的最远端, DA07算例的风速变化趋势更接近观测(图 7), 风速的均方根误差由3 m·s-1降低至1.5 m·s-1, 绝对误差由2.6 m·s-1降低至1.2 m·s-1, 相关系数由0.55提升至0.63, 优于平均状况。和1月的情况类似, 越深入海洋的区域, 同化卫星反演资料后, 风速模拟的改善较明显。

图 6 DA07(a, c)和OR07(b, d)算例模拟的2008年7月风速(a, b)、风向(c, d)和观测结果对比 Figure 6 Comparisons of wind speed (a, b) and wind direction (c, d) between station observed and numerical simulated by DA07 (a, c) and OR07 (b, d) on July 2008
图 7 2008年7月23日02:00至7月24日02:00的M8008自动站风速风向观测值与算例模拟值对比 (a)风速, (b)风向 Figure 7 Comparisons between numerical simulations and station observations at M8008 from 02:00 July 23 to 02:00 July 24 2008. (a) wind speed, (b) wind direction
3.3 风场模拟结果分析

同化卫星反演资料后, 风速和风向的模拟效果均有不同程度的改善, 和地面观测更接近。通过DA01算例中1月8日14:00和9日02:00的10 m风场的分布(图 8)可以看出, 总体风速较小, 江苏北部海域的风速较大, 多在4 m·s-1以上, 南部海域较小, 陆地上风速也较小, 在南部山区有大片区域风速小于1.5 m·s-1。从前面图 5可以看出该日风向变化明显, 从8日14:00至9日02:00逐渐由偏东风转为偏南风, 08:00转为偏西风。模拟风向也体现了这种变化趋势, 在14:00, 北部海域主要是东南风, 南部海域为东风, 陆地以东南风为主; 到了02:00, 北部海域和陆地转为南风, 南部海域和陆地主要是偏东南风。DA07算例中7月23日02:00北部的海域和陆地风速较大, 以偏东风为主, 南部的海域和陆地风速较小, 以偏南风为主; 12 h后, 陆地风向以西南风为主, 海上以偏南风为主(图 9)。

图 8 DA01算例模拟的2008年1月8日14:00 (a)和9日02:00 (b)10 m风场分布 Figure 8 Distribution of wind filed at 10 meteors simulated by DA01 case at 14:00 on 8 (a) and 02:00 on 9 (b) January 2008
图 9 DA07算例模拟的2008年7月23日02:00 (a)和14:00 (b) 10 m风场分布 Figure 9 Distribution of wind filed at 10 meteors simulated by DA07 case at 02:00 (a) and 14:00 (b) on 23 July 2008

江苏近海区域的风速随着高度的增加而增大, 这种变化在200 m高度以下尤为明显, 风速的垂直变化基本符合幂指数分布(图 10)。风速垂直变化与地理、环境因素密切相关, 大气层结状况、山体地形大小、复杂程度、迎风背风位置、水面大小、离水面的距离、植物茂盛程度等均会影响风切变指数。江苏北部海域面积小, 且有胶东半岛的阻挡, 在7月算例中北部海域的风切变指数较大, 为0.14, 在1月算例中为0.11;到中部和南部海域后, 海域面积扩大, 陆地的影响减弱, 风切变指数减小, 7月算例中分别为0.09和0.10, 1月算例中分别为0.10和0.08。

图 10 各算例模拟的不同海域日平均风速垂直廓线 (a) DA01算例, 2008年1月8日, (b) DA07算例, 2008年7月23日 Figure 10 Simulated daily averaged wind profiles at different areas. (a) DA01, on 8 January 2008, (b) DA07, on 23 July 2008
4 结论

海上直接观测较少一直是影响海上风场研究和风能资源评估的一个重要制约, 而卫星观测资料日益丰富, 提供了更多的数据支持。为了探索将合成孔径雷达观测资料用于海上风场研究, 以便更好分析海上风场分布特征、科学开发海上风能, 利用江苏沿海21个地面观测站的观测数据对2008年11幅ENVISAT ASAR影像反演获得的风速和风向进行对比检验, 并同化至WRF模式, 进行风场模拟研究。得出主要结论如下:

(1) 21个站点63组数据的对比表明ASAR影像反演的海面风场和地面实测吻合度较高。风速反演值略大于观测值, 反演风速的平均绝对误差0.5 m·s-1, 平均相对误差15.3 %, 均方根误差1.8 m·s-1, 83.6 %的观测站点的风速反演值和观测值的偏差在±2 m·s-1之内; 在风速小于6 m·s-1的较低风速段, 反演风速易偏大。风向反演值比观测值偏北, 平均绝对误差-10.6°, 均方根误差39.3°, 41.8 %的观测站点的偏差在±22.5°之内。这说明ASAR反演风场的可信度较高, 在没有直接风场观测的海上区域, 可以作为一种有效的补充数据。

(2) 将卫星反演风场资料同化至WRF模式, 和未同化卫星反演资料时相比, 提高了海上风场的模拟效果。当同化卫星反演资料后, 模拟风速的均方根误差在1月算例中由1.4 m·s-1降低为0.9 m·s-1, 在7月算例中由2.9 m·s-1降低为1.6 m·s-1, 风速偏差在±2 m·s-1之内的站点约为80 %。模拟风向的均方根误差在1月算例中降低至57.3°, 在7月算例中降低至50.6°, 偏差在±22.5°之内的站点约占40 %。

(3) 远离大陆的站点受海洋的影响相对较大, 同化卫星反演资料后, 体现了海面的真实风场信息, 对模拟效果的改善要优于靠近大陆的站点。

参考文献
Barthelmie R J, Pryor S C. 2003. Can satellite sampling of offshore wind speeds realistically represent wind speed distributions[J]. Appl Meteor, 42(1): 83–94. DOI:10.1175/1520-0450(2003)042<0083:CSSOOW>2.0.CO;2
Beal R C, Kudryavtsev V N, Thompson D R, et al. 1997. The influence of the marine atmospheric boundary layer on ERS1 synthetic aperture radar imagery of the Gulf Stream[J]. J Geophys Res, 102(C3): 5799–5814. DOI:10.1029/96JC03109
Beaucage P, Glazer A, Choisnard J, et al. 2007. Wind assessment in a coastal environment using synthetic aperture radar satellite imagery and a numerical weather prediction model[J]. Canadian Journal of Remote Sensing, 33(5): 368–377. DOI:10.5589/m07-043
Chen Yan, Liu Huizhi, Xiang Ying, et al. 2012. Numerical simulation of wind energy characteristics in Jiangsu coastal area[J]. Advanced Materials Research, 351: 2156–2159.
Christiansen M B, Koch W, Horstmann J, et al. 2006. Wind resource assessment from C-band SAR[J]. Remote Sens Environ, 105: 68–81. DOI:10.1016/j.rse.2006.06.005
Elfouhaily T, Thompson D R, Vandemark D, et al. 1999. A newbiostatic model for electromagnetic scattering from perfectly conducting random surfaces[J]. Waves in Random Media, 9: 281–295. DOI:10.1088/0959-7174/9/3/301
Hasager C B, Barthelmie R J, Christtiansen M B. 2006. Quantifying offshore wind resource from satellite wind maps:Study area the North Sea[J]. Wind Energy, 9(12): 63–74.
Hasager C B, Nielsen M, Astrup P, et al. 2005. Offshore wind resource estimation from satellite SAR wind field maps[J]. Wind Energy, 8(4): 403–419. DOI:10.1002/(ISSN)1099-1824
Hersbach H, Stoffelen A, Haan S D. 2007. An improved C-bandscatter meter ocean geophysical model function:CMOD5[J]. J Geophys Res:Oceans, 112(C3): 6–24.
Horstmann J, Kock W, Lehner S, et al. 2000. Wind retrieval over the ocean using synthetic aperture radar with C-band HH polarization[J]. IEEE Trans Geosci Remote Sens, 38: 2122–2131. DOI:10.1109/36.868871
Jeng D S. 2008. Offshore wind energy-the next North Sea oil:Potentials and assessments of off shore wind energy in Australia[J]. Sea Technology Magazine, 49(4): 33–35.
Keith W A, Robert J D, Peter A C. 2001. A simple temporal and spatial analysis of flow in complex terrain in the context of wind energy modeling[J]. Bound Layer Meteor, 98: 275–295. DOI:10.1023/A:1026583021740
Li Ji Hang, Guo Zhen Hai, Wang Hui Jun. 2014. Analysis ofwind power assessment based on the WRF Model[J]. Atmos Oceanic Sci Lett, 7(2): 126–131. DOI:10.1080/16742834.2014.11447147
Manwell J F, Rogers A L, McGowan J G, et al. 2002. An offshore wind resource assessment study for New England[J]. Renewable Energy, 27(2): 175–187. DOI:10.1016/S0960-1481(01)00183-5
Quilfen Y, Chapron B, Elfouhaily T, et al. 1998. Observation of tropical cyclones by high-resolution scatterometry[J]. J Geophys Res, 103(c4): 7767–7786. DOI:10.1029/97JC01911
Quilfen Y, Prigent C, Chapron B, et al. 2007. The potential of QuikSCAT and WindSat observations for the estimation of sea surface wind vector under severe weather conditions[J]. J Geophys Res, 112(C09): C09023. DOI:10.1029/2007JC004163
Risien C M, Dudley B C. 2008. A global climatology of surface wind and wind stress fields from eight years of QuikSCAT scatter meter data[J]. J Phys Oceanography, 38: 2379–2413. DOI:10.1175/2008JPO3881.1
Sempreviva A M, Barthelmie R J, Pryor S C. 2008. Review of methodologies for offshore wind resource assessment in European seas[J]. Surveys in Geophysics, 29(6): 471–497. DOI:10.1007/s10712-008-9050-2
Stoffelen A D, Anderson D. 1999. Scatterometer data interpretation:transfer function CMOD4[J]. J Geophys Res, 102(c3): 5767–5780.
Vachon P W, Dobson F W. 1996. Validation of wind vector retrieval from ERS-1 SAR images over the ocean[J]. The Global Atmosphere and Ocean System, 5: 177–187.
Wang Ziqian, Duan Anmin. 2012. A new ocean mixed-layer model coupled into WRF[J]. Atmos Oceanic Sci Lett, 5(3): 170–175. DOI:10.1080/16742834.2012.11446988
Yu W, Benoit R, Girard C, et al. 2006. Wind energy simulation toolkit (WEST):A wind mapping system for use by the wind-energy industry[J]. Wind Engineering, 30: 15–33. DOI:10.1260/030952406777641450
常蕊, 朱蓉, 周荣卫, 等. 2014. 高分辨率合成孔径雷达卫星反演风场资料在中国近海风能资源评估中的应用研究[J]. 气象学报, 72(3): 606–613. DOI:10.11676/qxxb2014.040Chang Rui, Zhu Rong, Zhou Rongwei, et al. 2014. An application of high resolution SAR wind retrievals to off-shore wind resources assessment in China[J]. Acta Meteor Sinica, 72(3): 606–613. DOI:10.11676/qxxb2014.040
陈燕, 程婷, 李进喜. 2014. 江苏沿海风速空间衰减规律研究[J]. 高原气象, 33(4): 1086–1092. DOI:10.7522/j.issn.1000-0534.2013.00052Chen Yan, Cheng Ting, Li jinxi. 2014. Study on spatial attenuation of wind speed in the coast area of Jiangsu[J]. Plateau Meteor, 33(4): 1086–1092. DOI:10.7522/j.issn.1000-0534.2013.00052
陈艳玲, 黄珹, 丁晓利, 等. 2007. ERS2-SAR反演海洋风矢量的研究[J]. 地球物理学报, 50(6): 1688–1694. Chen Yanling, Huang Cheng, Ding Xiaoli, et al. 2007. Study on ocean wind vector retrieval from ERS-SAR image[J]. Chinese J Geophys, 50(6): 1688–1694.
蒋兴伟, 宋清涛. 2010. 基于微波散射计观测的气候态海面风场和风应力场[J]. 海洋学报, 32(6): 83–90. Jiang Xingwei, Song Qingtao. 2010. A climatology of sea surface wind speed and wind stress fields constructed from scatterometer observations[J]. Acta Oceanologica Sinica, 32(6): 83–90.
李明华, 范绍佳, 王宝民, 等. 2007. 2004年10月珠江口西岸海陆风特征观测研究[J]. 中山大学学报(自然科学版), 46(2): 123–125. Li Minghua, Fan Shaojia, Wang Baomin, et al. 2007. Sea-land breeze on the west coast of the Pearl River Mouth in October 2004[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 46(2): 123–125.
李艳, 汤剑平, 王元, 等. 2009. 区域风能资源评价分析的动力降尺度研究[J]. 气候与环境变化, 14(2): 192–200. Li Yan, Tang Jianping, Wang Yuan, et al. 2009. Application of dynamical down scaling method for assessment of wind energy resources[J]. Climatic Environ Res, 14(2): 192–200.
石春娥, 李耀孙, 杨军, 等. 2015. MM5和WRF对中国东部地区冬季边界层模拟效果比较[J]. 高原气象, 34(2): 389–400. DOI:10.7522/j.issn.1000-0534.2013.00206Shi Chune, Li Yaosun, Yang Jun, et al. 2015. Comparison of simulations on winter sounding profiles in PBL in East China between WRF and MM5[J]. Plateau Meteor, 34(2): 389–400. DOI:10.7522/j.issn.1000-0534.2013.00206
施晓晖, 徐祥德, 谢立安. 2006. NCEP/NCAR再分析风速、表面气温距平在中国区域气候变化研究中的可信度分析[J]. 气象学报, 64(6): 709–722. DOI:10.11676/qxxb2006.068Shi Xiaohui, Xu Xiangde, Xie lian. 2006. Reliability analyses of anomalies of NCEP/NCAR reanalysis wind speed and surface temperature in climate change research in China[J]. Acta Meteor Sinica, 64(6): 709–722. DOI:10.11676/qxxb2006.068
宋丽莉, 毛慧琴, 汤海燕, 等. 2004. 广东沿海近地层大风特性的观测分析[J]. 热带气象学报, 20(6): 731–736. Song Lili, Mao Huiqin, Tang Haiyan, et al. 2004. Observation and analysis of Guangdong coastal gales in the near-surface layer[J]. J Trop Meteor, 20(6): 731–736.
汪君, 王会军. 2013. WRF模式对江苏如东地区风速预报的检验分析[J]. 气候与环境研究, 18(2): 145–155. DOI:10.3878/j.issn.1006-9585.2013.11152Wang Jun, Wang Huijun. 2013. Forecasting of wind speed in Rudong, Jiangsu Province, by the WRF model[J]. Climatic Environ Res, 18(2): 145–155. DOI:10.3878/j.issn.1006-9585.2013.11152
王铁. 2007. 合成孔径雷达反演黄海海面风场[J]. 海洋湖沼通报, 4: 10–13. DOI:10.3969/j.issn.1003-6482.2007.04.002Wang Tie. 2007. Devivation of wind field in Huanghai Sea by synthetic aperture radar[J]. Transaction of Oceanology and Limnology, 4: 10–13. DOI:10.3969/j.issn.1003-6482.2007.04.002
杨劲松, 黄韦艮, 周长宝, 等. 2001. 合成孔径雷达图像的近岸海面风场反演[J]. 遥感学报, 5(1): 13–18. DOI:10.11834/jrs.20010103Yang Jinsong, Huang Weigen, Zhou Changbao, et al. 2001. Coastal ocean surface wind retrieval from SAR imagery[J]. J Remote Sens, 5(1): 13–18. DOI:10.11834/jrs.20010103
张弛, 王东海, 巩远发. 2015. 基于WRF/CALMET的近地面精细化风场的动力模拟试验研究[J]. 气象, 41(1): 34–44. DOI:10.7519/j.issn.1000-0526.2015.01.004Zhang Chi, Wang Donghai, Gong Yuanfa. 2015. Dynamic modeling study of highly resolved near-surface wind based on WRF/CALMET[J]. Meteor Mon, 41(1): 34–44. DOI:10.7519/j.issn.1000-0526.2015.01.004
张德, 朱蓉, 罗勇, 等. 2008. 风能模拟系统WEST在中国风能数值模拟中的应用[J]. 高原气象, 27(1): 202–207. Zhang De, Zhu Rong, Luo Yong, et al. 2008. Application of wind energy simulation toolkit (WEST) to wind energy numerical simulation of China[J]. Plateau Meteor, 27(1): 202–207.
张鸿雁, 丁裕国, 刘敏, 等. 2008. 湖北省风能资源分布的数值模拟[J]. 气象与环境科学, 31(2): 35–38. Zhang Hongyan, Ding Yuguo, Liu Min, et al. 2008. Numerical simulation of wind energy resources distribution in Hubei Provicne[J]. Meteor Environ Sci, 31(2): 35–38.
范开国, 黄韦艮, 常俊芳, 等. 2010. NCEP/QSCAT混合风向用于SAR图像反演高分辨率海面风速[J]. 遥感技术与应用, 25(6): 873–876. DOI:10.11873/j.issn.1004-0323.2010.6.873Fan Kaiguo, Huang Weigen, Chang Junfang, et al. 2010. Sea surface wind speeds retrieval by SAR combing with the NCEP/QSCAT blended wind directions[J]. Remote Sensing Technology and Application, 25(6): 873–876. DOI:10.11873/j.issn.1004-0323.2010.6.873
张毅, 蒋兴伟, 宋清涛. 2011. 基于外部风向初始信息的SAR影像海面风场反演研究[J]. 遥感技术与应用, 26(4): 461–468. DOI:10.11873/j.issn.1004-0323.2011.4.461Zhang Yi, Jiang Xingwei, Song Qingtao. 2011. Ocean wind retrieval from Synthetic Aperture Radar images based on external initial wind direciton[J]. Remote Sensing Technology and Application, 26(4): 461–468. DOI:10.11873/j.issn.1004-0323.2011.4.461
Implement of ENVISAT-ASAR Observed Data in the Wind Fields Investigation of the Offshore Area in Jiangsu Province
CHEN Yan1 , XU Xiazhen1 , HUANG Jingfeng2 , GUO Qiaoying2     
1. Jiangsu Climate Center, Nanjing 210009, China;
2. Institute of Remote Sensing and Information Application, Zhejiang University, Hangzhou 310058, China
Abstract: When the study the characteristics of offshore wind farms, less direct observations at sea is an important constraint. Satellite observation is high resolution and all-weather observation; It is an important method to overcome the lack of in-situ observations of wind fields over sea surface. This paper focus on the offshore area of Jiangsu Province and take advantage of the ASAR (Advanced Synthetic Aperture Radar) observations in ocean wind field's investigations. The ocean winds retrieval form 11 ASAR observed data in year 2008 are firstly evaluated with observations from 21 meteorological stations in coastal/offshore area, then the ocean winds retrieval form ASAR data are assimilated into the WRF (Weather Research and Forecasting model) for the numerical simulations. The results show that:The ocean winds retrieval form ASAR observed data agree well with the meteorological station observations. The wind speeds retrieval form ASAR data are slightly greater than station observations with an absolute error of 0. 5 m·s-1, a relative error of 15. 3% and a root mean square error (RMSE) of 1. 8 m·s-1; 83. 6% of the wind speeds retrieval form ASAR data are of a bias of ±2 m·s-1. The wind speeds retrieval form ASAR data overestimate while meteorological station observed wind speed less than 6. 0 m·s-1. The inversed wind directions have a north shift with a mean bias of -10. 6° and a RMSE of 39. 3°; 83. 6% of the wind directions retrieval form ASAR data are of a bias of ±22.5°. The ASAR observations are proved to be a good data source for sea surface wind field analysis. With the ocean winds retrieval form ASAR observed data assimilated, the RMSE of WRF model simulations in wind speed decreases from 1. 4 m·s-1 to 0. 9 m·s-1 in the January case, and from 2. 9 m·s-1 to 1. 6 m·s-1 to the July case, the simulated errors at 80% observation stations are less than 2. 0 m·s-1. The simulated RMSE in wind direction decreases from 73. 1° to 57. 3° in the January case, and from 67. 1° to 50. 6° in the July case, the simulated errors at 40% observation stations are less than ±22.5°. The wind speed of the site which is far away from the land is effect by the sea, while compare with the wind speed of land site. ASAR observed data carry more authentic wind information. The model performance improves better over the remote sea surface with the ASAR observations assimilated.
Key Words: 3D data assimilation    Advanced Synthetic Aperture Radar (ASAR)    Wind speed verification    Offshore wind field of Jiangsu province