大气再分析资料在中国近海的风资源特征和适用性分析.pdf

杜梦蛟,邓浩,文仁强,等.2023.大气再分析资料在中国近海的风资源特征和适用性分析 J.气候与环境研究,28(5):483494.DUMengjiao,DENGHao,WENRenqiang,etal.2023.WindResourceCharacteristicsandApplicabilityofAtmosphericReanalysisDatainOffshoreChinaJ.ClimaticandEnvironmentalResearch(inChinese),28(5):483494.doi:10.3878/j.issn.1006-9585.2023.22050大气再分析资料在中国近海的风资源特征和适用性分析杜梦蛟1邓浩2文仁强1易侃1张皓11中国长江三峡集团有限公司科学技术研究院，北京1011002中国电力工程顾问集团西南电力设计院有限公司，成都610056摘要基于 ECMWF（EuropeanCentreforMedium-RangeWeatherForecasts）ERA5（Reanalysisversion5）、CFSR（ClimateForecastSystemReanalysis）、MERRA2（Modern-EraRetrospectiveanalysisforResearchandApplicationsversion2）3 种再分析数据，13 个海洋观测站和 3 个测风塔的观测数据，研究了中国近海风资源时空特征，并讨论了 3 种再分析数据在中国近海风资源评估中的适用性。结果表明，再分析数据在中国东海和南海的弱风频率比渤海、黄海高，且 ERA5 在所有海域小于 6m/s 的弱风累积概率比 CFSR（MERRA2）高 39.0%（44.9%）、43.6%（47.5%）、60.7%（41.6%）和 47.9%（38.2%）。ERA5、CFSR 和 MERRA2 在中国近海的有效风时空间分布相似，量级都介于 84%95%；3 种再分析平均风能密度自北向南呈“低高低”空间分布，其中台湾海峡是WPD 大值中心（超过 4000W/m2）。风能稳定性方面，ERA5 和 CFSR 的日变异呈“南弱北强”特征，而 MERRA2日变异系数介于 1.034。适用性分析表明，ERA5 整体性能优于 CFSR 和 MERRA2，但 MERRA2 在再现渤海、南海的风能日波动，CFSR 在刻画黄海的有效风时、风能密度和东海、黄海的变异系数时具有一定优势。由此说明不同再分析数据对中国近海风资源不同指标的适用性各有优劣，应根据需要及数据条件，针对不同海域采用不同类的再分析数据开展风资源评估研究及工作。关键词中国近海大气再分析资料风资源特征适用性分析文章编号1006-9585(2023)05-0483-12中图分类号P468文献标识码Adoi:10.3878/j.issn.1006-9585.2023.22050Wind Resource Characteristics and Applicability of Atmospheric ReanalysisData in Offshore ChinaDUMengjiao1,DENGHao2,WENRenqiang1,YIKan1,andZHANGHao11Institute of Science and Technology,China Three Gorges Corporation,Beijing 1011002Southwest Electric Power Design lnstitute Co.,Ltd.of China Power Engineering Consulting Group,Chengdu 610056AbstractInthisstudy,thecharacteristicsandapplicabilityofwindresourcesinoffshoreChinaareanalyzedusingthereanalysisdataofERA5(EuropeanCentreforMedium-RangeWeatherForecastsReanalysisversion5),CFSR(ClimateForecastSystemReanalysis),andMERRA2(Modern-EraRetrospectiveanalysisforResearchandApplicationsversion2)andtheobservationdataof13oceanstationsandthreewindtowersinoffshoreChina.Resultsshowedthattheweak收稿日期2022-04-01；网络预出版日期2023-01-31作者简介杜梦蛟，男，博士，工程师，主要从事风能资源模拟与评估研究。E-mail:du_通讯作者文仁强，E-mail:wen_资助项目中国长江三峡集团有限公司科技项目 WWKY-2020-0015，中国长江三峡集团有限公司科研项目 WWKY-2020-0703Funded byChinaThreeGorgesCorporationTechnologyProject(GrantWWKY-2020-0015),ChinaThreeGorgesCorporationTechnologyProject(GrantWWKY-2020-0703)第28卷第5期气候与环境研究Vol.28No.52023年9月ClimaticandEnvironmentalResearchSept.2023windfrequencyofreanalysisdataintheEastChinaSeaandSouthChinaSeaishigherthanthatintheBohaiSeaandYellowSea.Thecumulativeprobabilitiesofweakwind(6m/s)ofERA5inallseaareasare38.99%(44.95%),43.63%(47.54%),60.74%(41.63%),and47.94%(38.19%),higherthanthatofCFSR(MERRA2).Inallthreereanalyses,thedistributionsofeffectivewindtime(EW)inoffshoreChinaaresimilar(84%95%).Thevalueofmeanwindenergydensity(WPD)showedthe“lowhighlow”spatialdistributionfromnorthtosouth;theTaiwanStraithadahighWPDvalue(4000W/m2).Regardingthestabilityofwindenergy,thedailyvariationofERA5andCFSRisweakinthesouthandstronginthenorth,whilethedailycoefficientofvariation(CV)ofMERRA2isbetween1.03and4.TheperformanceofERA5isbetterthanthatofCFSRandMERRA2.TheMERRA2reproducesthedailyfluctuationofwindenergyintheBohaiSeaandtheSouthChinaSea.Moreover,CFSRhascertainadvantageswithrespecttotheEWandWPDoftheYellowSeaandtheCVoftheEastChinaSeaandtheYellowSea.Accordingtotheabove-mentionedconclusions,theapplicabilityofreanalysisdatatodifferentindicatorsofoffshoreChinawindresourcesvaries.Consequently,basedontherequirements and data conditions,using different types of reanalysis data for different sea areas in wind resourceassessmentresearchandwork.KeywordsOffshoreChina,Atmosphericreanalysis,Windenergy,Adaptabilityanalysis 1 引言能源危机已成为人类共同面临的世界性难题之一，日趋严重的化石能源枯竭、气候变暖、环境恶化等使人们认识到发展可再生能源的重要性和紧迫性。在能源转型背景下，风能已成为全世界发展最快的清洁能源。随着陆地可利用风资源逐渐减少，许多国家把目光转向海上风电的开发。与陆地相比，海上风能具有安全无污染、湍流强度弱、储量大、分布广、不占用土地资源等优点（郑崇伟等,2014;Lietal.,2020）。风资源评估是确定区域风资源储量、风电场选址、风力发电机组选型和机组排布方案的前提。许多理论研究和工程建设中常使用气象台站、测风塔或其他观测资料进行风能资源评估，例如 Arslanetal.（2020）对土耳其的季节特征研究中使用了气象站 10m 风速观测数据。而许多研究（孟昭翰等,1991；薛桁等,2001；毛慧琴等,2005；陈飞等,2008；杨丽芬等,2011）也基于台站或测风塔资料探讨了国内不同区域风能资源的时空变化。虽然基于气象站或测风塔实测的风资源评估在数据准确性和结果可靠性上具有一定优势，但其也具有明显的局限性。新建测风塔或气象站需要耗费大量的人力、物力（李泽椿等,2007;罗勇等,2020）；如果发生仪器故障或极端天气时常导致观测数据在时间上难以满足连续完整年的标准（GB/T18710-2002），该问题在海上风资源评估中尤为明显，这已成为制约海上资源评估准确性和工程收益的重要因素。作为大气科学领域极其重要的资料源，大气再分析资料是应用资料同化技术将雷达卫星、飞机船舶和台站观测等资料与数值预报产品融合而来的时空完整的历史天气数据（赵天保等,2010）。与传统的台站、海上船舶或浮标观测数据相比，再分析数据除了具有易获取、成本低等优点，还具有较高的时空分辨率，因此被广泛应用于风能开发利用研究。许多研究均表明，再分析数据在风资源评估中可以在一定程度上对测风数据进行插补、订正和替代（冯双磊等,2009;许昌等,2017;刘霄等,2017）。此外，目前常规测风设备无法实现对三维风场的整体观测，而再分析数据可以对近地层风场整体分布特征进行模拟和刻画（赵彦厂等,2008;刘汉武等,2016）。由于数值模式框架、观测资料收集以及数据同化技术和均一化处理等过程还有待改进，因此再分析模拟的风场仍然具有一定偏差。刘汉武等（2016）研究表明 ERA-40（ECMWFReanalysis-40）、ERA-interm（ECMWF Reanalysis-interm）和NCEP（NationalCentersforEnvironmentalPrediction）再分析数据都较难模拟出近 50 年来中国各区域风速显著减小的变化趋势以及季节变化特征。吕润清和李响（2021）也指出 ERA5 再分析数据与观测数据在一致性及误差方面存在较为显著的时空差异，且该数据在夏季的适用性低于其他季节。除了时间变化上的误差，再分析数据集的准确性和可信度也存在显著的区域差异（Bengtssonetal.,2007;谢潇等,2011）。就风场而言，Kimetal.（2018）对 CFSR、ERA-Interim、MERRA、MERRA-2 在韩国西南海域某风场的适用性分析表明 MERRA-2 性能最好，气候与环境研究28卷484ClimaticandEnvironmentalResearchVol.28ERA-Interim 性能最差。在我国环渤海区域，陈艳春等（2017）认为 JRA-55 和 ERA-Interim 两套资料的适用性优于CFSR、NCEP/NCAR 和NCEP/DOE。Songetal.（2015）也针对 ERA-interim 风场在中国近海的适用性指出其在黄海和东海区域与浮标观测结果接近。申华羽等（2019）基于 5 个测风塔数据对 ERA-Interim 和 NCEP/NCAR 再分析在中国东南近海的偏差分析显示 NCEP/NCAR 的 10m 风适用性更好。旷芳芳等（2015）应用浮标观测资料则指出 CFSR 再分析资料在台湾海峡比 ERA-Interim 更接近观测。从已有的研究不难发现，再分析风场数据在中国近海的适用性存在差异已基本得到共识，但很少有研究关注最新的 ERA5 和目前在风能开发应用中使用较多的 MERRA2 与 CFSR 再分析数据的具体差异，同时很少有研究关注了再分析对风能的再现能力。因此，本文将基于上述三种再分析数据集对我国近海风能资源特征进行统计分析，为近海风能资源的开发和利用提供参考；并在此基础上结合实测数据，指出不同再分析数据应用于中国近海风能的适用性。2 数据和方法 2.1 数据介绍本文所使用的数据包括 13 个海洋测站和 3 个测风塔实测测数据，以及 20002019 年 ERA5、MERRA2 和 CFSR 再分析 10m 逐时风场数据。受限于观测条件和数据缺测等原因，昌邑、如东、沙扒测风塔分别仅包含 2019 年 1 月 1 日至 2019 年08 月 19 日、2019 年 8 月 8 日至 2019 年 12 月 31日和 2019 年 1 月 1 日至 2019 年 08 月 1 日的逐日100m 风速，而海洋测站包含 2019 年逐时 10m 风速。各观测站点名称（简称）、经纬度等信息见表 1。便于研究，本文按四大海域划分中国近海：渤海（37N 以北，124.5E 以西）、黄海（31N37N，123.5E 以 西）、东 海（21.5N 31N，123E 以 西）、南 海（17.5N 以 北，106.5E 以西），区域划分概况和实测站点位置分布可见图 1。3 种再分析资料的详细信息见表 2。2.2 风资源特征分析方法常用的海上风机轮毂高度在 100m 附近，因此本文使用幂律将 10m 风速统一推导到 100m 高度：U100=U10(Z100Z10)，（1）其中，Z 表示高度，Z10、Z100分别为 10、100m，U10、U100分别为 10、100m 高度处的风速，为风切变指数，本文取 1/7（Akinsanolaetal.,2021）。表 1 实测站点信息Table 1 The information of observed data站点名称（简称）纬度经度时间分辨率高度/m海洋测站 小长山（XCS）39.23N122.67E1h10老虎滩（LHT）38.87N121.68E芝罘岛（ZFD）37.60N121.43E小麦岛（XMD）36.05N120.42E连云港（LYG）34.78N119.43E吕四（LSI）32.13N121.62E嵊山岛（SSN）30.72N122.80E大陈岛（DCN）28.45N121.90E东山岛（DSN）23.73N117.53E南麂岛（NJI）27.45N121.08E北礵岛（BSG）26.70N120.35E遮浪岛（ZLG）22.65N115.57E镇海岛（ZHI）29.98N121.73E测风塔昌邑测风塔（CFTCY）37.36N119.49E1d100如东测风塔（CFTRD）32.69N121.91E沙扒测风塔（CFTSP）21.26N111.50E图1研究区域概况和观测数据位置分布（空心圈为海洋观测站，实心圈为测风塔，填色表示海拔高度）Fig.1Overviewofthestudyareaandthelocationdistributionoftheobservationdata,inwhichthehollowcirclesareoceanstationsandthesolidcirclesarewindtowers,theshadedindicatethealtitude5期杜梦蛟等：大气再分析资料在中国近海的风资源特征和适用性分析No.5DUMengjiaoetal.WindResourceCharacteristicsandApplicabilityofAtmosphericReanalysisData.485风能密度（WPD）为空气在单位时间内流经单位截面垂直气流的动能，计算公式为w=12m2=12v3，（2）其中，w 为风能密度，m 为空气质量（单位：kg），v 为风速（单位：m/s），为空气密度（单位：kg/m3），这里取标准大气海平面空气密度为 1.225kg/m3。由于风机只有风速达到切入风速时才能发电，而风速超过切出风速时为了避免风机损坏将停止发电，参考前人研究（Maetal.,2017）与市场主流型号风机的载荷设计，定义 fEW为有效风时速（EW）出现的频率，其计算公式为fEW=tT100%，（3）其中，t 为 325m/s 有效风速出现的时次，T 为总时次。为了衡量风资源的稳定性，定义变异系数（CV）和月变化指数（MonthlyVariabilityIndex，MVI）（Wenetal.,2021）:Cv=ww，（4）IMVI=wmaxwminaw，（5）ww其中，Cv为变异系数，为逐时风能密度的标准差，为平均风能密度；IMVI为月变化指数，wmax为最丰富月份的风能密度，wmin为最贫乏月份的风能密度，aw为多年平均的风能密度。CV 或 MVI数值越小，代表风能稳定性越好，越有利于风能开发。3 结果分析 3.1 不同再分析数据在中国近海的风资源特征对中国近海四大海域 100m 高度风速概率特征进行了统计，结果如图 2 所示。整体上，3 种再分析风速概率分布存在南北海域差异，即在东海、南海小于 9m/s 的风速概率比渤海、黄海大；此外，ERA5 再分析在整个近海的低风速（6m/s）概率都比 CFSR 和 MERRA2 再分析大，说明 ERA5 风速相对较弱。具体的，ERA5、CFSR 和 MERRA2再分析在渤海（图 2a）的最大（小）风速分别为30.59（0.0004）、39.70（0.004）、40.83（0.12）m/s，概率最大风速（概率）分别为 3.1m/s（2.1%）、6.5m/s（1.1%）、7.8m/s（0.9%）；黄海（图 2b）最大（小）风速分别为 29.66（0.001）、40.49（0.004）、43.53（0.15）m/s，概率最大风速（概率）分别为 3m/s（2.2%）、7.1m/s（1.1%）、8m/s（1.1%）；东海（图 2c）最大（小）风速分别为44.59（0）、80.31（0）、66.72（0.11）m/s，概率最大风速（概率）分别为 1.9m/s（3.0%）、6.6m/s（0.94%）、5.2m/s（1.4%）；而南海（图 2d）最大（小）风速分别为 44.64（0）、82.63（0.004）、66.71（0.10）m/s，概率最大风速（概率）分别为1.9（2.2%）、7.0（1.0%）、6.2（1.2%）m/s。3 种再分析在中国近海有效风时的空间分布（图 3）显示江浙和海南以东海域的 EW 较长，而台湾海峡西南由于存在风速大于风机切出风速的情况，EW 较短。EW 量级上近海多数区域介于0.840.95，近岸部分区域低于 0.8。此外，ERA5、CFSR 和 MERRA2 在中国近海的 EW 分布还具有差异性，例如 ERA5 再分析近海 EW 比近岸低，而 MERRA2 在江苏沿海以北区域的 EW 依次高于CFSR 和 ERA5。图 4 给出了 3 种再分析在中国近海的 WPD 特征，可以看出100m 高度的WPD 均超过200Wm2，说明中国海上风能潜力巨大。不同再分析也展现出较大的差异，其中 ERA5（图 4a）中 WPD 的空间分布的最值中心为台湾海峡中部的 2253.34Wm2。MERRA29（图 4c）的 WPD 在中国近海的分布特征与 ERA5 相似，但量级 ERA5 大。此外，参照董旭光等（2019）研究结果中山东沿海 100m 高度WPD 都大于 600Wm2，说明 MERRA2 对黄海风表 2 3 种再分析数据信息Table 2 The information of three reanalysis data来源同化方案时间间隔水平分辨率（纬度经度）ERA5ECMWF四维变分同化1h0.250.25MERRA2NASA三维变分同化1h0.50.625CFSRv1（20002010年）NCEP戈达德地球观测系统数据同化系统（Kimetal.,2018）1h0.31250.3125CFSRv2（20112019年）NCEP戈达德地球观测系统数据同化系统1h0.20454550.2045455气候与环境研究28卷486ClimaticandEnvironmentalResearchVol.28能量级的再现能力较好，而 ERA5 可能低估了近岸WPD。CFSR（图4b）在台湾海峡的WPD。CFSR的 WPD 在海南岛西部海域和整个东海区域风能密度都较高（1200Wm2），渤海和南海的风能密度达到 600Wm2，风能密度最小的黄海和部分省近海也超过 200Wm2。这可能与 CFSR 所使用的图220002019 年中国近海（a）渤海（b）黄海、（c）东海和（d）南海海域 100m 高度风速单个概率分布统计。黑色、红色和蓝色实线分别代表 ERA5、CFSR 和 MERRA2 再分析资料Fig.2Probabilitystatisticsofwindspeedat100mheightin(a)BohaiSea(b)YellowSea,(c)EastChinaSea,and(d)SouthChinaSeaofChinafrom2000to2019.Theblack,red,andbluesolidlinesinthefigurerepresentERA5,CFSR,andMERRA2reanalysisdatarespectively图320002019 年基于（a）ERA5、（b）CFSR 和（c）MERRA2 再分析数据的中国近海有效风时（EW）的空间分布Fig.3ThespatialdistributionofEW(effectivehourofwindspeed)basedon(a)ERA5,(b)CFSR,and(c)MERRA2inChinaoffshorefrom2000to20195期杜梦蛟等：大气再分析资料在中国近海的风资源特征和适用性分析No.5DUMengjiaoetal.WindResourceCharacteristicsandApplicabilityofAtmosphericReanalysisData.487数值模式、同化数据或同化方法的差异造成风速模拟偏高有关（旷芳芳等,2015）。在风能资源的开发中，除了风能资源的丰富程度之外，其稳定性也是较为关键的因素。衡量风能稳定性的日变异系数 CV 如图 5，ERA5（图 5a）在中国近海的 CV 分布具有南北差异，福建以北的近海区域 CV 值较高（1.3），对应风能波动性较大其中浙江北部区域波动最大；相比之下，台湾海峡（CV1.0）因常年风速较大，逐日变化小，风能稳定性较高。与 ERA5 类似，CFSR（图 5b）的 CV 分布也展现出南小北大的分布差异。而 MERRA2（图 5c）在中国近海的 CV 区域差异大，其中浙江沿海 CV 最大（大于 4），而最小的台湾海峡 CV 只有 1.03。基于 3 种再分析 CV 空间分布的共同点说明，我国台湾海峡以南海域的风能稳定性相比其它海域而言更优，可能更适宜连片式的大范围、大规模并网风电开发。我国近海风能资源存在明显的季节差异（孙稚权等,2016），从 3 种再分析 MVI 的分布（图 6）可知整体上中国近海偏南海域的季节性变化比北方大，对比图 5、6 可知，各再分析风能的日变异和月变化表现出了南北差异，可能与中国南方海域风图420002019 年基于（a）ERA5、（b）CFSR 和（c）MERRA2 再分析数据的中国近海风能密度（WPD）的空间分布Fig.4ThespatialdistributionofWPD(WindPowerDensity)basedon(a)ERA5,(b)CFSR,and(c)MERRA2inChinaoffshorefrom2000to2019图520002019 年基于（a）ERA5、（b）CFSR 和（c）MERRA2 再分析数据的中国近海风能变异系数（CV）的空间分布Fig.5ThespatialdistributionofCV(CoefficientofVariation)basedon(a)ERA5,(b)CFSR,and(c)MERRA2inChinaoffshorefrom2000to2019气候与环境研究28卷488ClimaticandEnvironmentalResearchVol.28速受南海季风进退影响有关（Wenetal.,2021）。ERA5（图 6a）在渤海、黄海和东海的 MVI 指数较小，而南海较大；同时 ERA5 能更好反映复杂地形对风速的影响，在珠江口、杭州湾和长江入海口地区的 MVI 指数超过 0.4。广东沿海、台湾西部和山东江苏沿海是 CFSR 在中国近海的 MVI 相对大值区，除外的其他区域月变化指数低于 0.2。MERRA2 在中国近海的 MVI 变化最不明显，福建以北的海域 MVI 低于 0.2，且多数区域低于 0.1，而南海大部分地区 MVI 也介于 0.10.2。3.2 不同再分析数据在中国近海的适用性分析不同再分析数据在中国近海的风资源特征分析表明在数据之间和海域之间均存在一定差异。为此，我们利用中国近海的观测（13 个海洋气象站和 3个测风塔）资料进行对比，探讨其适用性，为不同再分析在风资源评估中的应用潜力和价值提供参考。Weibull 模型在风能开发中有广泛应用，基于双参数 Weibull 分布和极大似然估计法（王文新等,2021），本文计算了不同观测点风速概率分布的形状因子 k 和尺度因子 c（图 7），并计算了相应的概率和累积概率分布（图略）。双参数 Weibull 拟合 k 值对概率曲线的基本形状起决定作用，k 越小风速概率分布范围越广，而尺度参数 c 则对概率曲线起放大缩小作用。从图 7 可知中国近海不同站点或测风塔实测风速概率分布差异较大，其中 k 介于 1.373.34，c 介于 4.0311.86。虽然所有再分图620002019 年基于（a）ERA5、（b）CFSR 和（c）MERRA2 再分析数据的中国近海风能月变化指数（MVI）的空间分布Fig.6ThespatialdistributionofMVI(MonthlyVariabilityIndex)basedon(a)ERA5,(b)CFSR,and(c)MERRA2inChinaoffshorefrom2000to2019图72019 年中国近海 13 个海洋气象站和 3 个测风塔处实测（黑色）、ERA5（蓝色）、CFSR（红色）和 MERRA2（紫色）威布尔拟合形状参数 k 和尺度参数 cFig.7TheshapeparameterkandscaleparametercofWeibulldistributionat13oceanstationsandthreewindtowersinoffshoreChinain2019,whereblack,blue,red,andpurplerepresentmeasured,ERA5,CFSRandMERRA2,respectively5期杜梦蛟等：大气再分析资料在中国近海的风资源特征和适用性分析No.5DUMengjiaoetal.WindResourceCharacteristicsandApplicabilityofAtmosphericReanalysisData.489析都高（低）估了海洋站（测风塔）实测 k，但CFSR 相对实测 k 值的偏差更小。此外，再分析几乎都高估了实测 c，而 ERA5 相对更接近各个站点尺度参数。3 种再分析资料与 18 站实测 k、c 偏差的均值分别为 0.17 和 1.67，说明多数情况下再分析 k、c 与实测能较好对应，即再分析数据与多数实测资料的风速概率分布拟合较好，表明其具备一定刻画实际风能特征的能力。图 8 为 2019 年各站点实测与再分析日风能密度时间序列的对比，图 9 为不同站点处的相关系数，偏差和均方根误差，单一再分析在再现不同站点的 WPD 时具有一致性。由于不同站点或测风塔存在区域差异，因此实测风能密度存在明显的差异，例如 DSN 站点处平均 WPD 仅为 44.38W/m2，而NJI 站点却达到 1074.24W/m2。除了量级差异外，各观测点风能波动性也有差异，其中 DSN 站点处风能最稳定，而 DCN 站点处风能日波动最剧烈。虽然 ERA5、CFSR 和 MERRA2 再分析资料与测风塔相关系数较差（介于0.140.32），但都与海洋观测站风能密度较吻合，其中 ERA5 与海洋观测站的相关系数更高（介于 0.620.81），这一方面可能源于 10m 风速以幂律简单外推至测风塔所在的 100m 高度时产生的误差，另一方面可能源于测风塔数据本身缺乏海洋台站公开发布时采取的质量控制和误差订正，导致再分析数据与测风塔数据之间差异较大。ERA5 再分析在多个实测站点处低估WPD（符合图 4 相关结论），但其相对观测的整体误差最小；CFSR 和 MERRA2 再分析表现出整体高估，其中 CFSR 比 MERRA2 偏离更大，尤其是在 BSG、DCN、DSN3 处站点，CFSR 尽管与测图82019 年中国近海 13 个海洋气象站和 3 个测风塔处实测（黑色）、ERA5（蓝色）、CFSR（红色）和 MERRA2（绿色）再分析 100m高度日风能密度时间序列Fig.8Timeseriesofmeasured(black),ERA5(blue),CFSR(red),andMERRA2(green)reanalysisof100-mWPDat13oceanstationsandthreewindtowersinoffshoreChinain2019气候与环境研究28卷490ClimaticandEnvironmentalResearchVol.28风观测均表现出较为明显的日变化变化（相关性较好），但对于风速模拟偏大，导致均方根误差明显大于 MERRA2 和 ERA5。总体而言，ERA5 与多数站点实测 WPD 的相关性更大，偏离程度更小，其在中国近海的性能相较CFSR 和MERRA2 再分析更好。表 3 给出了 3 种再分析在各个站点的 EW，平均 WPD 和 CV，从结果中可见，再分析几乎都高估了 EW 和 WPD，尤其对 XCS、XMD 和 DSN 站点 EW 的高估最严重；而 WPD 则除了 LYG、SSN和 ZHI 站点外，均存在高估情况。整体而言，ERA5 相对 CFSR 和 MERRA2 的偏差更小。3 种再分析波动性（CV）都较实测偏小，其中 3 种再分析在不同站点的偏差表现各有优劣。综合各指标显示 ERA5 整体性能较优，但需注意 MERRA2 在再现渤海和南海的风能日变异性、CFSR 在刻画黄海的 EW、WPD 以及东海黄海的 CV 时有一定优势。4 总结与讨论本文从风速概率分布、有效风时，风能密度、风能稳定性（日变异、月变化和年变化）的角度分析了 ERA5、CFSR 和 MERRA23 种再分析资料在中国近海 100m 高度的风资源特征，并基于 2019年 13 个海洋观测站逐时 10m 风速和 3 座测风塔100m 日风速讨论了不同再分析在中国近海的适用性。整体而言，ERA5 比 CFSR 和 MERRA2 的性能更优，但 MERRA2 在再现渤海和南海的风能波动以及 CFSR 在刻画黄海的 EW、WPD 和东海黄海的 CV 时具有一定优势。具体结论如下：（1）风速概率统计显示 20002019 年 ERA5、CFSR、MERRA2 在中国南方近海（东海、南海）的弱风概率都比北方（渤海、黄海）大；ERA5 在四大海域小于 6m/s 累积概率高于 CFSR 和 MERRA2。ERA5、CFSR、MERRA2 再分析都显示中国近海的 EW 较高（介于 0.840.95），其中台湾海峡相对较低；3 种再分析的 WPD 在空间上呈“低高低”分布，其中台湾海峡及周边区域是风能密度高值中心，而 WPD 量级上 CFSR 最大值依次高于MERRA2 和 ERA5。风能稳定性方面，ERA5 和CFSR 的日变异呈南小北大空间分布，而 MERRA2图92019 年中国近海 13 个海洋气象站和 3 个测风塔 100m 实测风能与 ERA5（蓝色）、CFSR（红色）和 MERRA2（绿色）再分析（a）相关系数、（b）偏差和（c）均方根误差（RMSE）Fig.9(a)Thecorrelationcoefficient,(b)bias,and(c)rootmeansquareerror(RMSE)betweenreanalysisdataandmeasured100-mWPDat13oceanstations and three wind towers in offshore China in 2019,where ERA5(blue),CFSR(red)and MERRA2(green)are in blue,red,and green,respectively5期杜梦蛟等：大气再分析资料在中国近海的风资源特征和适用性分析No.5DUMengjiaoetal.WindResourceCharacteristicsandApplicabilityofAtmosphericReanalysisData.491波动较大（日变异系数介于 1.034）；整体上，3 种再分析显示中国南方海域的风能月变化比北方大，但 CFSR 显示渤海黄海也存在一些月变化较大区域。（2）适用性评估显示 3 种再分析与多数站点实测风速概率和累积概率分布较吻合，整体上CFSR（ERA5）与各实测的形状因子（尺度因子）更接近实测。相关分析和偏离性分析表明 ERA5、CFSR、MERRA2 与测风塔实测相关系数较差，但与 海 洋 观 测 站 相 关 性 较 高；ERA5（CFSR 和MERRA2）低（高）估了实测 WPD 量级，同时 3 种再分析中 ERA5 整体相关性更大、偏离程度更小。上述结论可为中国近海的风能资源评估、风能资源开发选址和再分析数据的使用提供一定的参考，例如 ERA5 再分析数据可应用于我国大部分海域，尤其适用于目前海上风电开发、建设较为集中的地形相对复杂的近海海域。但本文还存在许多可以改进的地方,例如风切变指数是随着时间、粗糙度和地形等因子的改变而动态变化的，因此将站点 10m风速外推时取风切变为常数可能对结果造成一定的误差。同时适用性分析中南海区域实测样本偏少，而且 16 个测站空间位置分布不均，站点代表性不完全统一可能会影响适用性分析结论。致谢感谢国家科技资源共享服务平台国家海洋科学数据中心（http:/ H,Baltaci H,Akkoyunlu B O,et al.2020.Wind speedvariabilityandwindpowerpotentialoverTurkey:Casestudiesforanakkale and İstanbul J.Renewable Energy,145:10201032.doi:10.1016/j.renene.20