[0002]　在海拔较高的山区，由于山脉的阻挡会挡住冷空气的去路，一般冷空气难以翻越山脉形成翻山大风。但在山区中海拔较低地方，会出现一些小的缺口(海拔相对较低)，冷空气可从此缺口处翻山，一泻千里形成风力强劲的大风。例如，新疆著名的百里风区、前百公里风区，就是在天山山脉对应的色皮口、达坂城两处缺口，形成的特殊地形条件下的翻山和狭管效应共同作用下的大风风区，每年大风天数在150天以上，最多可达200多天，瞬间风速可达60米/秒。

[0003]　大风给交通运输可造成巨大的经济损失和严重的社会影响。自1960年至今，新疆境内铁路运输因风沙造成的行车安全事故总计38起，其中因大风造成列车脱轨、倾覆事故为21起(颠覆车辆116辆，脱轨18辆，其中客车颠覆1起，11辆)，大风刮溜车列3起(104辆)，因线路积沙造成列车脱线8起(脱轨10辆，颠覆3辆)，篷布被刮至线路导致车辆脱轨2起(脱轨4辆，颠覆8辆)，集装箱被刮落3起(刮落21个)，客车走行部被风刮落的桥面板卡住造成走行部脱轨1起。除了风沙造成行车安全事故外，由于风沙带来的列车停轮、旅客及货物滞留等情况更是数不胜数，给铁路运输及社会声誉来带了十分严重的影响。

[0004]　目前对大风研究较多的主要在雷暴、强对流的大风预报，地形与大风的关系和预测多为统计和特征分析，以及气旋锋面大风的监测和诊断分析，对地形与大风的特殊关系及大风短时精细化预报研究成果较少。

[0005]　对风速预报主要有以下几种方法：

[0006]　1、数值预报方法：由世界气象中心确定的全球数值天气预报模式，准确率近几十年不断提升，精细化程度不断提高，例如欧洲中心的IFS-HRES、中国的GRAPS_GFS、德国的ICON、日本的GSM等模式，最长预报时效可达10～16d，水平分辨率可达9km。虽然在时间和空间分辨率上都能提供较为精细的多要素气象预报，但对复杂地形的强风预报普遍偏小，远不能满足交通安全调度以及公众出行等的特殊要求。

[0007]　2、统计学方法：神经元、雷达径向速度繁衍法等。使用的是外推法为主的预报方法，以当前时刻的状况去推算下一时刻可能发生的概率，是短临为主的统计方法，误差明显较大。

[0008]　3、气象学方法：单要素预报方法、多要素预报方法、气候特征及短时临近预报方法。选取和风速相关的气象要素建立多项式方程，如气压差、温度差等。此方法为传统的预报方法之一，预报稳定性和时效性都有一定的局限性。

[0009]　对于特殊复杂地形条件下形成的大风，上述三种传统风速预报方法的预报能力都普遍偏弱，风速预报值和实况值平均误差在6米/秒左右，而且风速越大误差越大，远远不能满足实际业务，如交通运营的调度指挥需求。

[0010]　我司经过十年的研究和分析实验，形成了一套特殊复杂地形下，风速预报的理论模型和订正方法，预报准确率明显提高，误差控制在2米/秒以内，此方法在新疆的百里、三十里、达坂城、烟墩风区、阿拉山口风区等风口试用中得到了验证证明，预报效果提高显著，为交通的调度和运行提供了科学依据。

[0011]　为了弥补现有技术的不足，本发明提出的一种特殊地形强风预报方法，本发明提出了一套特殊复杂地形下，风速预报的理论模型和订正方法，通过风速预报的二次建模法与上游指标站法的结合，使得预报准确率明显提高，预报误差大幅缩小，改善了最先进的数值预报模式对复杂特殊地形强风的模拟偏弱能力。

[0012]　本发明解决其技术问题所采用的技术方案是：本发明所述的一种特殊地形强风预报方法，包括以下工作步骤：

[0013]　步骤一：选择需要进行强风预报的地点区间，地点区间指方圆50km范围内；

[0014]　步骤二：在步骤一中所述区间内，选择不同的地点，建立数值预报站点；通过数值预报模式，提取不同高度、时间的变量下，对应数值预报站点中的风速预报值；

[0015]　步骤三：在步骤二中数值预报输出的风速预报值基础上，通过多项式线性回归方程计算，重新建立预报和对应站点实况的预报方程，对对应风速进行二次预报，得到数值预报站点的风速预估值，该预报方法称为二次建模法，其是对气象数值预报模式的二次建模，进行本地化订正，重新建立模式预报的方法；

[0016]　步骤四：在步骤一中所述区间内，选择位于上下游不同位置的地点，建立间隔预报站点；通过风速仪，在相同时间变量下，测定位于上游间隔预报站点处的起止风时间和风速大小，记录对应间隔预报站点处的极大风速值；

[0017]　步骤五：利用步骤四上游间隔预报站处测定的起止风时间和风速大小，建立上下游站点的风速方程，对待测的下游间隔预报站点风速进行预估，得到间隔预报站点的风速预估值，该预报方法称为上下游指标站法；

[0018]　步骤六：针对同一地点的精确强风预报数值，通过二次建模法得到的该地点风速预估值与上下游指标站法得到的该地点风速预估值进行结合，得到该地点精确的强风预报数值。

[0019]　具体的，步骤二所述的数值预报模式是中国的GRAPS_GFSEC模式、欧洲中心的EC细网格模式或美国的WRF模式之一；不同高度变量包括700Hpa、850Hpa、925Hpa三个高度；不同时间变量包括1h、3h、6h、9h...60h，第3h后，每3h为一次测量时间间隔。

[0020]　具体的，步骤三中所述的多项式线性回归方程为：

[0021]　y＝A1×X3+A2×X2+A3×X+A4　 (相关系数为R)

[0022]　其中：X表示数值预报模式下所选测量高度的对应数值预报站点的风速预报值，y表示通过二次建模法得到的对应数值预报站点预报值，A1、A2、A3、A4为多项式方程的系数，R为相关系数。

[0023]　具体的，步骤五中所述的上下游站点的风速方程为：

[0024]　y1＝P1×Q3+P2×Q2+P3×Q+P4　 (相关系数为R)

[0025]　其中：y1表示通过上下游指标站法得到的所选数值预报站点的风速预报值，Q表示对应数值预报站点的极大风速值，P1、P2、P3、P4为多项式方程的系数，R为相关系数。

[0026]　具体的，所述步骤六中，同一观测地点两个风速预估值的结合方法包括权重系数结合法和时间分辨率内插结合法；

[0027]　所述的权重系数结合法为：将通过二次建模法得到的风速预估值与通过上下游指标站法得到的风速预估值进行权重系数加权核算，核算公式为：

[0028]　y2＝m×y+n×y1

[0029]　其中，y2为所测地点的最终精确强风预报数值，y为通过二次建模法得到的风速预估值，y1为通过上下游指标站法得到的风速预估值；m为二次建模法的权重数，n为上下游指标站法的权重数，m+n＝1。

[0030]　所述的时间分辨率内插结合法为：以二次建模法利用的数值预报模式的结果为基础，利用二次建模法与上下游指标站法测量风速预报值采取的测量时间间隔(即时间分辨率) 的不同，进行相互内插，以进行测量时间的补充结合；

[0031]　二次建模法：数值预报时间分辨率以k1h为时间间隔，k1≥1；

[0032]　上下游指标站法：数值预报时间分辨率以k2min为时间间隔，k2≤30

[0033]　以二次建模法为基点，每隔k1h预报一个风速预估值，在每k1h内，含有个k2min，R为整数；在每k1h的时间分辨率内，内插入R个k2min作为上下游指标站法的风速数值预报时间，即利用上下游指标站法来加密二次建模法的预报时间间隔，提高预报时间的分辨率精度。

[0034]　本发明的有益效果如下：

[0035]　本发明通过对数值预报模式的二次建模订正，同时将二次建模订正与上下游指标站法相集合，同步利用了数值预报的时间和空间分辨率的优势，有效的使得预报误差大幅缩小，解决了数值预报模式及气象学和统计学方法对特殊复杂地形风预报偏弱的难题，满足了业务要求和特殊行业的特殊需求。

[0036]　下面结合附图对本发明作进一步说明。

[0037]　图1为十三间房站点各月风速平均误差分析图；

[0038]　使用图1对本发明一实施方式的一种特殊地形强风预报方法进行如下说明。

[0039]　以新疆著名的百里风区代表站十三间房为测量实施例，对本发明测量方案进行实验，具体如下：

[0040]　步骤一：选择新疆著名的百里风区为进行强风预报的地点区间，地点区间为百里风区方圆50km范围内；

[0041]　步骤二：在百里风区区域内，选择不同的地点，建立数值预报站点；通过数值预报模式EC细网格，提取不同高度(700Hpa、850Hpa、925Hpa)、不同时间(3h、6h、9h….240h) 的变量下，对应数值预报站点中的风速预报值；

[0042]　步骤三：在步骤二中数值预报输出的风速预报值基础上，通过多项式线性回归方程计算，重新建立预报和对应站点实况的预报方程，对对应风速进行二次预报，得到数值预报站点的风速预估值；

[0043]　多项式线性回归方程为：

[0044]　y＝A1×X3+A2×X2+A3×X+A4　 (相关系数为R)

[0045]　其中：X表示数值预报EC细网格模式下850Hpa的对应数值预报站点的风速预报值，y表示通过二次建模法得到的对应数值预报站点预报值，A1、A2、A3、A4为多项式方程的系数，R为相关系数。

[0046]　以新疆著名的百里风区为例，建立的订正方程系数见表1，从表1可以看出，四大风区预报订正方程均通过了置信度0.01的显著性检验(P＝0.2540)。通过对EC细网格对应的预报站点的二次建模订正，风速预报值更接近实况(图1)。

[0047]　表1 新疆百里风区订正方程系数

[0048]　

[0049]　注：上标**表明相关系数通过置信度0.01的显著性检验。

[0050]　步骤四：在新疆百里风区内，选择位于上下游不同位置的地点，建立间隔预报站点，其中上游为木垒站，下游为十三间房站；通过风速仪，在相同时间变量下，用木垒延时1 到20h的风速与十三间房风速做相关性分析；

[0051]　步骤五：利用步骤四上游间隔预报站处测定的相关数据，建立上下游站点的风速方程，对待测的下游间隔预报站点风速进行预估，得到间隔预报站点的风速预估值；

[0052]　所述的上下游站点的风速方程为：

[0053]　y1＝P1×Q3+P2×Q2+P3×Q+P4　 (相关系数为R)

[0054]　其中：y1表示通过上下游指标站法得到的所选数值预报站点的风速预报值，Q表示对应数值预报站点的极大风速值，P1、P2、P3、P4为多项式方程的系数，R为相关系数。

[0055]　其中，用2013-2014年共计20次典型大风过程的逐时风速资料，计算延时1-20h的相关系数，分析得出上游指标站木垒和预报站点十三间房，起风时间相差8h左右，利用这一特点，建立上下游站点的风速复相关方程，通过木垒当前时刻的风速，预测十三间房站未来延时8h的风速，方程如下：

[0056]　y1＝0.779471×Q6+0.105995×Q7+0.806786×Q8+9.249021　 (相关系数为R)

[0057]　y1为预测站点十三间房站的风速预报值，Q6、Q7、Q8分别为木垒站前6、7、8h的极大风速值，相关系数R为0.7643，通过了置信度0.01的显著性检验(P＝0.2540)。

[0058]　步骤六：针对同一地点的精确强风预报数值，通过二次建模法得到的该地点风速预估值与上下游指标站法得到的该地点风速预估值进行结合，得到该地点精确的强风预报数值；利用基于数值预报的二次建模法和上游指标站预报方法的结合，对上述新疆百里风区十三间房站点风速的进行反算并和实况进行对比分析得出，本方法对大风趋势预报的准确率可达85％，总体风速值平均误差由原始数值预报模式的6m/s降至2m/s，十三间房站点的各月风速平均误差见图1，除12月误差较大外，其他各月预报和实况误差均在2m/s内。

[0059]　由上述实施例可知：本发明通过对数值预报模式的二次建模订正，同时将二次建模订正与上下游指标站法相集合，同步利用了数值预报的时间和空间分辨率的优势，有效的使得十三间房站点的风速预报误差得到了大幅的缩小。

[0060]　在本发明的描述中，需要理解的是，术语“中心”、“前”、“后”、“竖直”、“水平”、“顶”、“底”“内”、外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

[0061]　虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。