2021, Vol. 51
2. 中国海洋大学物理海洋教育部重点实验室，山东 青岛266100;
3. 青岛海洋科学与技术国家试点实验室，山东 青岛 266237;
4. 国家海洋局东海环境监测中心，上海 201208
风场是海洋上层的最重要的外强迫场。长时期、网格化的再分析风场数据相比观测风场，更具有时间和空间的连续性和完整性，已在工程项目中发挥了重要作用。但由于目前业务化的再分析数据的水平分辨率最高只能到0.2°左右，因此对于台风这类中小尺度强天气过程的模拟远达不到观测的水平[1]，而台风经验模型的应用则能够较好的弥补这一缺点。台风模型能够弥补再分析数据在极端天气下风速强度严重不足的问题，即台风模型以台风观测数据为基础，增强了在极端天气下的格点风场可信度；其次台风经验模型只适用于台风影响范围内的区域，在台风影响范围外区域的风场依然是以再分析数据为主，因此二者均能发挥出各自的优点。台风经验模型的研究在中国虽然起步比较晚，但是已经被广泛应用于风能资源评估以及风暴潮的模拟中[2]。
中国地处西太平洋，是目前世界上少数受台风影响最严重的国家。据统计，每年有7个左右的台风在中国登陆，沿海地区从海南、广西一直到辽宁省受到不同程度的台风影响，每年平均受到台风影响造成的直接经济损失可达461亿，但是台风在为人类社会带来灾害的同时，还带来了不可估量的风能等资源。据悉在2017年，一家名为“Challenergy”的日本工程公司推出了全球首个新型台风风力涡轮机，该发电机能够抵抗住台风强烈的风速，并进行风力发电。台风中所包含的能量对人类社会的意义会越来越大，但是目前所有公开可获得的再分析数据包括美国国家环境预报中心(National Center for Environment Prediction，NCEP)的(Climate Forecast System Reanalysis，CFSR)系列和欧洲中尺度天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)的风场再分析数据集等等，虽然已经同化了卫星、地面气象站以及雷达的风场数据，但是对于台风过程中风速强度的刻画依然不足，再分析风场资料中的最大风速不会超过15 m/s, 那么这样在进行区域或者全球风能统计估计时，台风所带来的巨大风能就会被忽略掉[3]。本文的工作是根据台风风场模型原理，以台风观测数据为基础，以CFSR再分析风场为背景风场进行权重叠加，该方法不会影响台风区外的原再分析数据，只是对台风影响范围内的风速数据进行了修正，其次本文所用叠加方法适用于二维风场故有叠加效率高的特点，并能够实现同一时刻全场多个台风的叠加。在此基础上完成了一套30年以上包含台风观测数据的再分析风场资料。并对再分析风场、台风风场修正再分析风场以及气象站风场进行对比验证，其次对西太平洋区域的风能密度也进行了相应评估，最后验证了极端天气下合成风场对海气界面物理量模拟的重要性[2, 4]。
1 数据来源背景风场数据来自国家环境预报中心(NCEP)的再分析数据包括：CFSR再分析资料使用了GEOS-5(Goddard Earth Observing System)大气模式与资料同化系统, 资料同化系统应用了NCEP以6 h为周期的格点统计插值系统(GSI)；CFSv2(Climate Forecast System Version 2)是CFSR资料在2011年之后的延续产品。本文采用的再分析数据分辨率是：1981—2010年为0.3°×0.3°，2011年之后为0.2°×0.2°，时间分辨率均为6 h。台风观测数据来自联合警报中心JTWC(Joint Typhoon Warning Center)，其中观测的物理参量包含台风中心位置以及观测时的最大风速，两次观测的时间间隔也是6 h[5]。
2 台风模型风场建立过程及验证台风模型风场包含以下三部分：圆形静态台风风场、移行风场、以及背景风场。圆形风场模型包括理论模型和经验模型，其中经验模型又分为：Jelesinianki经验模型[6]、Holland经验模型[7]和陈孔沫经验模型[8]等。移行风场包括：宫崎卫正移行风场、Jelesnianski移行风场[7]以及陈孔沫移行风场模型[9]等。移行风场作为圆对称风场的修正量叠加到静态风场之上，从而得到非对称风场模型。本文利用CFSR历史再分析天气资料作为背景风场，通过Jelenianski-Ⅱ模型[10]构建圆形静态风场，与移行台风风场相结合，构造出西太平洋附近过去36年(1981—2016年)的包含大风过程的风场数据。
建立完整的台风风场模型需要通过建立圆对称风场和背景再分析风场进行矢量叠加，其中建立圆对称风场的步骤分为以下三步：(1)构建台风模型风场的矩形区域网格以及确定网格分辨率；(2)建立圆形静态风场[11]；(3)流入角修正[12]。
2.1 构建区域网格以及确定网格分辨率本文构建的矩形区域网格范围：经度(105°E~147°E)，纬度(5°N~31°N)，分辨率与CFSR和CFSV2的再分析数据集相对应，分别为0.312 5°×0.312 5 °和0.204 5°×0.204 5°，网格总数2011年之前为15 660，2011年之后为36 462(包括2011年)。
2.2 构建台风圆形静态风场构建圆形静态风场分为以下两种方式：
(1) 经验公式以藤田圆形气压公式[13]为基础，结合地转理论构造较为简易的风场。
藤田公式：
| $ P\left( r \right) = {P_\infty }\Delta P/\left[ {1 + 2 \times \left( {r/R} \right)2} \right]1/2, 0 \le r < \infty。$ | (1) |
地转风关系：
| $ fV{\rm{g = }} - \frac{1}{\rho }\frac{{\partial P}}{{\partial n}}。$ | (2) |
式中：P∞是环境气压；P(r)是网格点上对应气压值；△P是环境气压和台风中心气压的差；R是最大风速半径(台风中心最大风速风圈之间的距离)；ρ是空气密度；n是自然坐标系的法线方向，根据地转关系构建的圆形风场是完全垂直于气压梯度方向的。
(2) 由于早期台风观测气压数据的残缺，所以除气压经验公式外，还可以用圆形台风风场经验模型(Jelenianski-Ⅱ模型)直接计算台风风场：
| $ V\left( r \right) = {V_{\rm{m}}}\left[ {2R \times \frac{r}{{{R^2} + {r^2}}}} \right]。$ | (3) |
式中：Vm是最大风速；R是最大风速半径；r为模式网格点和所观测台风中心的实际距离。其中最大风速半径R采用willoughby[14]提出的经验公式：
| $ R = 46.4 \times \exp \left( { - 0.015\;5\;{V_{\rm{m}}} + 0.016\;9 \times lat} \right)。$ | (4) |
真实台风风场是不可能完全与等压线平行的，一般和等压线有一个夹角，这个夹角的大小与最大风速以及海表面温度有较强的相关关系，流入角修正大小一般在0°~20°之间，本文中采用的是20°[15]。根据李健[12]对比是否加入流入角的台风模型风场，利用这两种风场驱动海洋模型的增减水状况进行了敏感性实验，试验结果表明引入流入角会使得风暴潮增水的预报时间更加准确。
2.4 叠加移动台风风场移动风场的主要作用是修正已建立的圆对称风场，将移动的风速与静态圆形风场相叠加，从而使得风场产生非对称效果，避免台风风速沿移动路径两侧完全一致的情况[16-17]。
2.5 叠加背景风场由于台风的影响在西太平洋到中国东部的范围大致在100 km以内，因此就单个台风的影响范围而言，相对于整个区域来说比较小，所以在台风影响范围之外，再分析数据的风场就会起到主导作用。
| $ {V_{{\rm{new}}}} = {V_{\rm{t}}}\left( {1 - e} \right) + e{V_{\rm{b}}}。$ | (5) |
| $ e = {c^4}/\left( {1 + {c^4}} \right)。$ | (6) |
| $ c = r/nR。$ | (7) |
式中：Vnew是背景风场和台风风场叠加之后的结果；Vt是台风风场；Vb是背景风场；e是背景风场在整个叠加过程中的权重系数，该值与区域中的每一点与台风中心的距离成反比，即所计算点的距离台风中心距离越近，背景风场的主导作用越弱，在台风中心附近背景风场的权重系数几乎为零，根据张志旭等[18]提出n为经验值根据观测和计算误差的均方根误差最小来确定，目前普遍认为n取9时总体误差最小[16, 18]。
2.6 创新点以往的台风风场模型一般适用于某一区域的单个台风的叠加，依据是经验台风模型中台风权重系数的影响范围一般不足两百公里，即在台风中心两百公里外的台风风场影响因子几乎为零，并且在某一时刻观测台风两两之间的距离基本不会小于台风影响因子不为0的区域半径，这一改进使得改程序算法其能够适用于区域内同时出现多个台风的情况，这也与西太平洋台风多发区的情况相适应。基于上述情况本文优化了算法，改进了背景风场叠加部分中权重系数的计算，即利用计算台风模型本身的权重系数代替原有背景风场的权重系数。本文融合了1981—2016年的西太平洋台风过程，总计叠加了955个台风过程。改进后的算法也不仅仅局限于区域台风同化，只要获得足够多的台风观测，就可以将全球的台风过程同化到再分析数据中去。
2.7 气象站数据验证经过统计1981—2016年台风观测数据，西北太平洋区域是世界上热带气旋发生最多的地区，并且观测到的台风数量每年在20~40个之间，每年均有风速超过140节的超强台风出现。
本文选取气象站45004(114°11′E，22°31′N)的台风数据作为验证，对比了原始再分析数据、台风模型修正的再分析数据以及气象站观测的风速数据。选取近十年来路径较为接近该气象站的6例台风作为验证，这6个台风均在中国登陆，并且对广东、广西等南方数省份有较大影响，各台风路径以及气象站位置如图 1所示。
|
图 1 验证的台风路径以及气象站坐标 Fig. 1 Verified typhoon path and meteorological station coordinates |
图 2依次为6个台风在各自的台风过程中原始再分析数据、合成风场以及气象站观测数据的风速对比。原再分析风场的风速极大值虽然出现在台风过境时，但在台风过境时同化台风观测之前的再分析数据和气象站的实际观测风速差距较大，同化台风观测之后的再分析数据在台风过境时有着明显的强度提升，与气象站观测风速趋势及强度相一致。从图 2中可知，6例台风中只有“黑格比”的再分析数据与观测值趋势较为接近，但是依然有着近10 m/s的误差，其他五例台风在台风过境时的趋势和强度则有着非常大的误差。所以不难看出再分析数据与气象站观测值的误差最大值出现在台风距离气象站最近的那段时间内，并且与原有再分析数据在台风过程中的趋势和强度变化幅度有较大差异。
|
图 2 6个台风过程中的再分析数据、台风模型与再分析数据结合以及和气象站的风速对比 Fig. 2 Comparison of wind speed between Reanalysis data, typhoon model and reanalysis data during six typhoons and weather stations |
此外，从图 2中可见，除了台风过境的时其他时刻是否进行台风同化对原有再分析风场没有太大影响，也验证了台风模型风场与再分析风场的相结合是一个优势互补的过程。
由表 1可知叠加台风观测后的风速均方根误差有了显著的下降。原始再分析数据在单个台风过程中的平均均方根误差在2~4 m/s，甚至台风距离气象站最近的时刻误差能达到20 m/s(见图 2)，叠加台风风场之后，整个台风过程的平均均方根误差降低到了1~2 m/s, 特别是在台风过境的时段内，与气象站观测值的强度以及趋势都非常吻合。补充说明台风模型的加入能够很好的弥补对再分析风速在台风过程中强度严重不足的问题，并整体减少台风期间的均方根误差。
|
表 1 各个台风过程合成风场与原始再分析数据的均方根误差 Table 1 Root mean square errors of synthetic wind field and original reanalysis data during typhoon processes |
在20世纪初风被当作发电的一种手段，由于它的绿色环保以及可持续性而逐渐受到人们的关注并逐渐走进人们的生活中，风能密度就是衡量该区域风能的物理量，它是指单位时间通过单位面积的风能大小，式(8)是计算风能密度的公式，它来源于动能公式，并在动能公式的基础之上加入了能量流动的速度V，从而计算动能通量即风能密度[19-20]。
| $ e = 0.5 \times \rho \times {V^3}。$ | (8) |
式中：e是该地区的风能密度；ρ是空气密度；V是当地风速。
从全球台风与再分析风场融合的结果来看(见图 3)，由于全球的能量基数过大，台风能量给全场整体能量的提升的比重最高值不足4%，并且全球台风多发于北半球的夏秋季，因此笔者将研究范围限制在西北太平洋地区。
|
图 3 2017年全球合成风场与再分析风场之差占原再分析数据的比值 Fig. 3 Difference between the global synthetic wind and the reanalysis wind field in 2017 accounted for the ratio of the original reanalysis data |
图 4所展示的是台风模型完善的再分析数据与原再分析数据在研究区域内(5°N~31°N，105°E~147°E)总体风能功率差的月平均变化趋势。从图 3中可知，西太平洋区域大部分时刻都会受到台风的影响，因而台风这一部分能量恰恰不能够被忽视。仅在该区域，某一时刻因台风模拟不准确而使得风能评估比同化台风观测之后至少低1015J，整个区域平均提高量为55 W/m2。根据前文的风速验证，明显得出，利用再分析数据所得到的风能资源评估会远远小于实际风能资源这一结论[21]。
|
图 4 西北太平洋研究区域台风合成风场与原再分析风场月平均风能差 Fig. 4 The time series of the monthly average difference in wind energy between regional typhoon model Synthetic wind field and original reanalysis wind field |
李泽椿[19]中提到气象科学院在1990年代开展的第二次风能资源普查结果：中国渤海、黄海、南海的风能密度在50~100 W/m2，而东海及浙闽沿岸为100~200 W/m2，且中国大陆风能密度普遍低于海上。在文中所提到的风能资料评估均采用气象站的历史资料，仅与再分析数据的分布规律基本一致，但再分析格点数据相较于风能资源普查的量值普遍偏高，之后2007年开展的第三次全国风能资源普查中将气象站数据同数值模式相结合，总体上东南沿海的风能资源评估有了显著提升，东南沿海的平均风能密度在300 W/m2之上，在闽浙沿岸和台湾岛西侧海域风能密度甚至超过了1 000 W/m2，这与再分析数据的量值和分布趋势基本一致。但由于本文研究的区域在西北太平洋台风多发区，而气象站观测的间隔普遍在50~200 km，水平分辨率远远小于再分析格点数据(20 km左右)，海上观测资料尤为不足，这会对风能资源评估有着很大影响，主要体现为真实调研的风能资源会大幅低于普查结果，因此仅仅基于气象站观测的风能资源评估远远无法满足中国的风能资源评估需求。所以从再分析数据入手讨论风能资源的评估是可行的，从图 4中可以看出整个西太平洋区域或多或少都会受到台风过程的影响，合成风场与原始再分析数据这二者的风能密度差在该区域最大能达到120 W/m2, 所以利用现有的台风观测数据修正原有再分析数据这一做法是非常有必要的[19]。其次，风能密度大小和风速不是简单的线性关系，因此风速的提升会使得风能密度在量级上大幅增加。而该区域的主要台风过程能量密度又主要集中在台湾以东海域，由此携带高密能量天气过程的资源开发利用就显得尤为重要。
图 6展示了2011—2016年同化台风观测的再分析数据与原始再分析数据的之差与再分析全场平均风能密度之比的结果。可以看到，由于研究区域处于北半球，台风过程主要集中发生在每一年的下半年，尤其7、8、9月份是台风的多发季节，并且台风发生的频率与强度是存在年变化的。如上文所提，在台风过境时，台风观测数据主要是对于台风影响范围内的区域进行修正，但是从图 6中不难看出，仅在台风影响区域的数据改善会使得整个西太平洋研究区域总风能提升至原来的300%，由此证明台风过程发生时风能密度远远高于再分析的平均风能密度。这个能量差的量级是无法忽视的。并且结合图 5、6不难看出台风过程是一个携带高能的中小尺度过程，这也是在台风过程中资源利用的核心优势。
|
( (a) 年平均的再分析风场分能密度分布；(b) 年平均合成风场分能密度分布；(c) (a)、(b) 在该区域的差值。(a) Annual average reanalysis wind energy density distribution in the Northwest Pacific from 2011 to 2016; (b) Annual average energy distribution of synthetic wind field; (c) The difference of density distribution between Reanalysis and synthetic wind field in this area. ) 图 5 2011—2016西北太平洋平均风能密度修正 Fig. 5 Annual average wind energy improvement in the Northwest Pacific during 2011—2016 |
|
图 6 2011—2016年合成风场与原始再分析数据全场平均风能密度之差和在分析数据风能密度之比 Fig. 6 Ratio of the different value between the average wind energy density of typhoon wind field improvement data and reanalysis data in 2011—2016 |
从2011—2016年每年选取一个超强台风过程，进行风能密度的比对，这些超强台风过程的风能密度对原有再分析数据的修正量级都接近4×105 W/m2，其中在单一台风过程中，风能密度呈现先增大后减小的趋势(见图 7)。西太平洋台风的主要路径为自南向北，自东向西，台风风速在海上运动增强，近岸逐渐减弱。
|
图 7 2011—2016年单一超强台风过程的修正再分数据与再分析数据的风能密度差 Fig. 7 Wind energy density difference between modified sub data and reanalysis data for single super typhoon during 2011—2016 |
为探究合成风场对海气界面物理量模拟的影响[22]，本文利用FVCOM模型对两例台风过程的水位模拟结果来讨论台风过程中合成风场对水位模拟结果的影响与改进效果。因为本文仅对比不同风场驱动FVCOM所带来的水位模拟差异，不考虑温盐场变化，故仅采用全场均一的正压模式，仅采取不同的外强迫风场作为对照试验[23]，为与风场数据相对应，水位数据也采用6 h的时间间隔。
图 8为大万山验潮站(21°56′N, 113°43′E)和所选取两例台风路径的相对位置，大万山验潮站与所用于验证的气象站距离不足90 km，故风场验证和水位验证可以对应时间来看。
|
图 8 大万山验潮和验证台风路径位置 Fig. 8 Dawanshan tide station and typhoon path location |
图 9中(a)图(黑格比)台风过程水位模拟在图二所示的台风过境期间，利用再分析风场所驱动水位误差在0.6 m左右，而使用合成风场驱动时水位模拟误差缩小至不足0.2 m，(b)图(巨爵)再分析驱动所得的水位误差在0.2 m以上，合成风场驱动所得水位误差减少至不足0.05 m。其次，在低风速下水位模拟的整体趋势与观测基本一致，且台风过程中的水位模拟主要考虑风暴增水与天文潮叠加，主要用于工程中灾害的评估，而FVCOM模型多用于近海环流潮位等工程模拟，仅仅使用再分析数据在低风速情况下能较好的与观测相对应，但是在高风速的情况下依然有着很大的差异。
|
图 9 利用不同强迫风场驱动FVCOM的水位模拟 Fig. 9 FVCOM simulated water level driven by different forced wind fields |
但是在工程中进行灾害评估时，大多数情况工程区域并没有长时间验潮数据，因此水位的长期极值模拟就非常重要，一般要求水位极值的误差范围在10%以内，单一再分析数据驱动的FVCOM模型显然无法达到工程要求，因此将台风观测融合到再分析数据中就有重大意义了。
5 结论与展望本文基于1981—2016年的台风统计、再分析数据集以及气象站验证数据，构建了一套36年的再分析与台风观测融合数据集，并验证该数据集在台风过程期间平均误差相较于原再分析风场减少10%~70%。根据合成风场与再分析数据的对比得出，一次台风过程所携带的能量能够达到整个西太平洋区域整体风能的3倍，因此台风过程在风能资源评估中是不可忽视的部分。其次合成风场的加入对模拟海气界面处的现象(如：水位等)有着显著改善(在本文试验中台风过境时水位改善30%以上)，并且已被用于多个工程项目灾害评估的数值模拟实验中。本次实验已经完成1981—2016年的西太平洋以及印度洋的台风与再分析数据的叠加。并逐步融合新的台风观测数据到再分析数据集中去。
但是后续依然存在一些问题尚待解决，由于台风观测数据很多时候并不能覆盖整个台风过程并且存在不连续性，所以有时会出现台风过程中风速突变的情况，从而导致缺失了台风在洋面生成过程中不断增强的过程，这样的观测数据同化到再分析数据中，会造成再分析数据风速的突变，造成海浪水位等模拟时造成大气强迫梯度过大，使得模型出现溢出等问题。虽然在西北太平洋的风能资源评估中资源量是巨大的，但是目前中国的风力发电只能利用其中很小一部分，所以工程上还需要进一步的考量。
| [1] |
王诗文. 国家气象中心台风数值模式的改进及其应用试验[J]. 应用气象学报, 1999, 10(3): 347-353. Wang S W. Advances on typhoon numerical model of NMC and applied experiments[J]. Quarterly Journal Applied Meteorology, 1999, 10(3): 347-353. (  0) |
| [2] |
蒋国荣, 吴咏明, 朱首贤, 等. 影响湛江的台风风场数值模拟[J]. 海洋预报, 2003, 20(2): 42-48. Jiang G R, Wu Y M, Zhu S X, et al. Numerical simulation of typhoon wind field on Zhanjiang port[J]. Marine Forecasts, 2003, 20(2): 42-48. ( 0) |
| [3] |
冯双磊, 王伟胜, 刘纯, 等. NCEP/NCAR再分析数据在风能资源评估中的应用研究[J]. 资源科学, 2009, 31(7): 1233-1237. Feng S L, Wang W S, Liu C, et al. The application of NCEP/NCAR reanalysis data to the assessment of the wind resource[J]. Resource Science, 2009, 31(7): 1233-1237. ( 0) |
| [4] |
唐建, 史剑, 李训强. 基于台风风场模型的台风浪数值模拟[J]. 海洋湖沼通报, 2013, 2: 25-30. Tang J, Shi J, Li X Q. Numerical simulation of typhoon waves with typhoon wind model[J]. Transactions of Oceanology and Limnology, 2013, 2: 25-30. ( 0) |
| [5] |
Saha S, Moorthi S, Pan H L, et al. The NCEP climate forecast system reanalysis[J]. Bulletin of the American Meteorological Society, 2010, 91(8): 1015-1057. DOI:10.1175/2010BAMS3001.1
( 0) |
| [6] |
Jelesnianski C P. A numerical calculation of storm tides induced by a tropical storm impinging on a continental shelf[J]. Mon Wea Rev, 1965, 93(6): 343-358. DOI:10.1175/1520-0493(1993)093<0343:ANCOS>2.3.CO;2
( 0) |
| [7] |
Holland G J. An analytic model of the wind and pressure profiles in hurricanes[J]. Monthly Weather Review, 1980, 108: 1212-1218. DOI:10.1175/1520-0493(1980)108<1212:AAMOTW>2.0.CO;2
( 0) |
| [8] |
陈孔沫. 一种计算台风风场的方法[J]. 热带海洋, 1994, 13(2): 42-48. Chen K M. A computation method for typhoon wind field[J]. Tropic Oceanology, 1994, 13(2): 42-48. ( 0) |
| [9] |
陈孔沫. 热带气旋风场的计算[J]. 热带海洋, 1991, 10(1): 63-70. Chen K M. A calculation of tropical cyclone wind field[J]. Tropic Oceanology, 1991, 10(1): 63-70. ( 0) |
| [10] |
Jelesnianski C P. Numerical computation of storm surges without bottom stress[J]. Monthly Weather Review, 1966, 94(6): 374-379.
( 0) |
| [11] |
陈孔沫, 秦曾灏. 台风海面最大风速的计算[J]. 热带海洋学报, 1989, 11(1): 31-41. Chen K M, Qin Z H. Calculation of maximum wind speed on typhoon surface[J]. Acta Oceanologica Sinica, 1989, 11(1): 31-41. ( 0) |
| [12] |
李健, 侯一筠, 孙瑞. 台风模型风场建立及其模式验证[J]. 海洋科学, 2013, 37(11): 95-102. Li J, Hou Y J, Sun R. Surge model caused by 0814 Typhoon and mold wind field established[J]. Marine Science, 2013, 37(11): 95-102. ( 0) |
| [13] |
胡邦辉, 谭言科, 张学敏. 海面热带气旋域内风速分布[J]. 大气科学, 1999, 23(3): 316-322. Hu B H, Tan Y K, Zhang X M. Distribution of wind speed of tropical cyclones over the sea[J]. Chinese Journal of Atmospheric sciences, 1999, 23(3): 316-322. ( 0) |
| [14] |
Willoughby H E, Rahn M E. Parametric representation of the primary hurricane vortex. part Ⅰ: Observations and evaluation of the Holland (1980) model[J]. Monthly Weather Review, 2004, 132: 3033-3048.
( 0) |
| [15] |
Moon L J. Impact of a coupled ocean wave-tide-circulation system on coastal modeling[J]. Ocean Modeling, 2005, 8: 203-236.
( 0) |
| [16] |
王亮, 陆汉城, 潘晓滨, 等. 非对称台风风场的动力初始化应用研究[J]. 气象科学, 2009, 29(6): 720-726. Wang L, Lu H C, Pan X B, et al. Research on dynamic initialization of the asymmetric typhoon wind field[J]. Journal of the Meteorological Sciences, 2009, 29(6): 720-726. ( 0) |
| [17] |
杨支中, 沙文钰, 朱首贤, 等. 一种新型的非对称台风海面气压场和风场模型[J]. 哈尔滨工程大学学报, 2005, 24(1): 62-68. Yang Z Z, Sha W Y, Zhu S X, et al. A new nonsymmetrical model of the sea surface pressure and wind field about typhoon[J]. Journal of Harbin Engineering University, 2005, 24(1): 62-68. ( 0) |
| [18] |
张志旭, 齐义泉, 施平, 等. 最优化插值同化方法在预报南海台风浪中的应用[J]. 热带海洋学报, 2003, 7(22): 35-41. Zhang Z X, Qi Y Q, Shi P, et al. Application of an optimal interpolation wave assimilation method in south China sea[J]. Acta Oceanologica Sinica, 2003, 7(22): 35-41. ( 0) |
| [19] |
李泽椿, 朱蓉, 何晓凤, 等. 风能资源评估技术方法研究[J]. 气象学报, 2007, 65(5): 708-717. Li Z C, Zhu R, He Xi F, et al. Study on the assessment technology of wind energy resource[J]. Acta Meteorologica Sinica, 2007, 65(5): 708-717. ( 0) |
| [20] |
金永德, 卢智林. 宁德沿海风能和波浪能资源评估[J]. 海洋湖沼通报, 2018, 1(7): 52-59. Jin Y D, Lu Z L. Assessment of wind and wave energy resources in Ningde coastal area[J]. Transactions of Oceanology and Limnology, 2018, 1(7): 52-59. ( 0) |
| [21] |
张瑾. 气候变暖背景下中国风能资源变化趋势分析研究[D]. 兰州: 兰州大学, 2013. Zhang J. Analysis of Variation Trends of Wind Energy Resource in China[D]. Lanzhou: Lanzhou University, 2013. ( 0) |
| [22] |
Murty P L N, Gayathri R, Bhaskaran P K, et al. Numerical study of coastal hydrodynamics using a coupled model for Hudhud cyclone in the Bay of Bengal[J]. Estuarine, Coastal and Shelf Science, 2016, 183(A): 13-27.
( 0) |
| [23] |
Carvalho D. Offshore wind energy resource simulation forced by different reanalysis: Comparison with observed data in the Iberian Peninsula[J]. Applied Energy, 2014, 134: 57-64.
( 0) |
| [24] |
Ajayi O O. The potential for wind energy in Nigeria[J]. Wind Engineering, 2010, 34(3): 303-311.
( 0) |
2. Physical Oceanography Laboratory, Ocean University of China, Qingdao 266100, China;
3. Pilot National Laboratory for Marine Science and Technology(Qingdao), Qingdao 266237, China;
4. East China Sea Environmental Monitoring Center of State Oceanic Administration, Shanghai 201218, China