基于天氣研究與預報模式的林區風能評估*

曹紹祥，陳兆星，劉顯根，曹鈞亮,

基于天氣研究與預報模式的林區風能評估*

曹紹祥1，陳兆星1，劉顯根2，曹鈞亮1,3,?

（1. 東北林業大學 土木與交通學院，哈爾濱 150040；2. 保利長大工程有限公司，廣州 510620；3. 東北林業大學 人工環境控制與能源應用研究所，哈爾濱 150040）

林業生態區風場因林木植被生長周期存在季節性變化特性，使得林區風能評估相較于平原沿海地區具有一定復雜性。采用天氣研究與預報（WRF）模式，結合本地化森林冠層特征參數，對復雜地形林業生態區的風場進行數值模擬，并利用激光雷達實測數據對WRF模擬結果進行對比驗證，建立復雜地形林區風場模擬方法，進而對復雜地形林區的風能資源進行評估。結果表明：采用WRF模式的林區風場模擬應充分考慮森林的季節性變化，采用本地化的森林冠層特征參數是提高林區風場模擬精度的有效手段。此外，受地形地貌影響，林區風場表現出明顯的地形微氣候特征，該特征隨著離地高度的升高而減弱，當高度達到150 m后開始具有穩定且可利用的風能資源。

風能；林區；森林冠層；天氣研究與預報模式

0 引 言

近年來，由于溫室氣體排放引起的全球性氣候問題日益嚴峻，作為緩解這一問題的可行方案，可再生能源逐漸受到世界各國的關注[1]。風能因其清潔環保、蘊量巨大等優點成為世界上發展最快的新能源之一[2-3]。隨著“碳達峰”和“碳中和”的提出，我國風能行業將擁有巨大的發展空間[4]。

從技術角度看，風能開發應優先選擇沿海以及平原地區。此類地區地形平坦，風場具有高風速且低脈動的特點，適合風電場建設[5]。但是此類地區往往人口密集，風電場建設存在用地緊張、風機噪聲污染等問題[6]。隨著風能行業的快速發展，目前常規地形的風電場建設日趨飽和。復雜地形林業生態區因其豐富的風能資源逐漸受到人們的關注，已成為大規模部署風力機的備選方案。相對于沿海地區和平原地區，林業生態區通常處于具有復雜地形的山區，地形地貌的起伏變化使得區域內風場具有高度復雜性，單純通過現場實測難以體現區域內整體風場特性[7]。此外，林業生態區地表具有豐富的植被類型，且存在著以年為周期的季節性生長變化[8]。森林冠層的存在會影響林區的地面與大氣之間熱量、水分和動量等的交換，從而極大地影響近地面風場，使得林區風特性（如平均風特性、湍流度等）與傳統風能開發區域風特性具有顯著差異，這可能會影響風力渦輪機的發電工作狀態[9-10]。然而目前關于林區風能評估的研究還比較少見。

傳統的風能評估方法是基于測風塔長期觀測資料進行統計分析。對于諸如林業生態區等復雜地形，測風設備安裝存在諸多困難。而且少數離散測風點無法反應區域內整體風場特性，加之測風塔測風存在經濟性差、實施周期長等不足，因此現場實測并不是當前風能評估的首選方法[11]。近年來隨著計算機技術的快速發展，數值模擬逐漸成為替代實驗方法的有效手段。特別是能實現區域風場模擬的中尺度氣象數值預報模式，因其對復雜地形的高度適應性以及計算高效性，被廣泛應用于區域尺度的風場模擬和風能評估研究中。就近地風場的形成機制而言，自然風源于太陽輻射引起的自然對流和地球自轉產生的克氏力作用，在近地層中，自然風受地表及其附著物的摩擦和擾動表現出低風速、高脈動的特性。因此，應用氣象模式模擬一方面要從大尺度上能夠準確重構太陽輻射等大尺度物理過程，另一方面應準確體現出地表冠層對風場的阻礙作用。天氣研究與預報（weather research and forecasting, WRF）模式是目前應用最為廣泛的中尺度數值預報模式，其以全球氣象觀測網絡數據作為初始條件和邊界條件，同時根據地形地貌與大氣之間的交互作用，針對各種大氣物理過程開發出相應的參數化方案，且各個參數方案均具有多種選項以適應不同需要的模擬過程。該模式在風場模擬與風能評估領域已獲得成功應用。汪明軍[11]利用WRF模式對長三角地區某一時間段的風場進行了數值模擬，并確定了適用于長三角區域的WRF參數設置，結果表明WRF模式適用于長三角地區的風能評估。楊明祥等[12]應用WRF模式對山東省南四湖周邊地區的風能資源進行了初步評估，模擬結果顯示該地區風能資源具備一定的開發利用價值。對于林業生態區，地形往往連綿起伏，加之植被生長周期影響，使得近地風場特性更為復雜。文獻[13-14]表明WRF模式對于生態區的風場模擬表現出季節性差異。因此，如何設置參數化方案選項反映林區氣象特征，并準確反映森林冠層對近地風場的作用，是應用WRF模式進行風能評估的關鍵。

本文針對黑龍江省帽兒山林區，采用WRF模式模擬復雜地形林區風場，通過對比模擬結果與現場雷達實測數據確定最優的參數化方案，重點考慮林木季節性生長對森林冠層的影響，應用本地化具有季節特征的森林冠層特征參數改進林業生態區的風場模擬，最后基于改進的模擬結果評估該地區的風能分布特性。

1 研究方法與資料

1.1 研究區域和激光雷達實測數據

黑龍江省帽兒山林區位于我國東北部季風區，屬溫帶大陸性季風氣候，該地區冬季寒冷漫長，夏季短暫且溫熱多雨，風向季節性變化明顯。帽兒山地區屬長白山山脈張廣才嶺的余脈，全區地貌屬低山丘陵區，平均海拔300 m，最高海拔805 m。境內森林資源豐富，林木類型以闊葉林和混交林為主，主要樹種包括楊樹林、白樺林和紫椴林等[15]，平均森林覆蓋率為95%，平均樹高為16 m。研究區域內林木植被在5月開始展葉，7月初林木植被最為茂盛，落葉期為8月底至10月初，其余時間內林木為無葉狀態。

現場實測在帽兒山林區中心位置的東北林業大學森林生態觀測站進行，實測設備為大氣邊界層激光雷達（見圖1）。該激光雷達在水平狀態下通過向天空垂直發射微米級激光信號，基于光學脈沖相干多普勒頻移檢測原理，利用大氣中氣溶膠的激光后向散射信號和激光發射系統的本振光做外差檢測，獲得兩束光的外差信號，進而得到多普勒頻移計算徑向風速，采用微型光束掃描系統反演風速和風向[16]。該雷達的最大垂直觀測范圍為20 ～ 320 m。在精度方面，激光雷達的不確定度小于0.2%，校正總偏差小于±1%。該激光雷達被安裝在山坡處（127.66°E，45.40°N），測量距離地面50 ～ 200 m高度處的風速，采樣頻率為10 Hz。

1.2 WRF模式設置

采用WRF（V4.0），模擬區域的中心點為（127.66°E，45.41°N），采用4重嵌套，如圖2（a）所示，嵌套網格分辨率分別為9 km、3 km、1 km和333 m，相對應的網格數分別為202 × 202、218 × 218、218 × 218和218 × 218，模式垂直頂端氣壓為5 000 Pa，垂直層數為58。模式的氣象觀測數據為FNL/NCEP再分析數據。選用的主要物理參數化方案包括：WSM6微物理參數方案、Kain-Fritsch Cumulus Potential積云參數方案、RRTMG長波輻射方案和短波輻射方案、YSU行星邊界層方案、Revised MM5表面方案。

圖2 WRF模擬區域及最內層d04區域（星號為激光雷達安裝位置）

針對林業生態區森林地貌的季節性變化特征，設置3種不同的陸面方案，設置結果如表1所示。其中Noah-MP方案綜合傳熱與植物動力學等物理過程模擬陸地與大氣之間的相互作用?？赡M植被生長和凋落，以及植被與土壤熱質交換對大氣運動的影響[17]。研究區域林木植被的季節性生長是森林冠層的典型特征。其中葉面積指數（leaf area index, LAI）是單位土地面積上植物葉面總面積，是反映森林植被密度的重要參數，也是影響森林冠層上方風場相互作用的重要因素。根據文獻[18]帽兒山林區森林冠層實測數據設置LAI值（見表2），葉面積指數的工況設計（工況3和工況4）見表3。

表1 陸面方案工況設置結果

表2 Noah-MP方案中落葉闊葉林和混交林的LAI默認值和修改值

注：林木展葉期和落葉期按上、下半月設置LAI。

根據文獻[19]可知，林區粗糙長度與平均樹高的關系可由公式（1）表示：

式中：0為粗糙長度；0為相關系數，取值范圍為0.02 ～ 0.2；為平均樹高。因此研究區域內粗糙長度的取值范圍為0.32 ～ 3.2 m。根據粗糙長度的取值范圍設定3種工況（工況4、工況5和工況6）（見表3），來確定合適的粗糙長度值。

表3 LAI和粗糙長度的工況設計表

此次模擬時間為2020年9月1日至2021年8月31日，根據研究區域內林木葉片的生長周期，將整個模擬期分為展葉期（4月中旬至6月中旬）、生長期（6月中旬至8月中旬）、落葉期（8月中旬至10月中旬）和無葉期（10月中旬至來年4月中旬），并選定5月、7月、9月和12月分別作為展葉期、生長期、落葉期和無葉期的代表月份。

1.3 誤差分析方法及評估指標

通常采用均方根誤差RME、平均誤差M、相關系數和平均相對誤差MR等指標評估風速模擬結果準確性[20]。相應計算公式如下：

威布爾分布概率模型常被用來統計風速的概率分布，是風能評估分析的有效工具，其概率密度函數表達式為：

式中：和為威布爾分布的兩個參數；為形狀參數，表示分布函數的峰值情況；為尺度參數，反映風電場的平均風速。

平均風功率密度的計算公式為：

2 結果分析與討論

2.1 WRF模擬驗證

通過對比模擬風速與觀測風速來驗證不同森林冠層特征參數（LAI和粗糙長度）對模擬風速的影響。所使用的實測數據由激光雷達采集，采集高度為50 m、100 m和150 m。模擬結果采用距離雷達采集點最近網格點的風速，通過三次樣條插值方法獲得雷達采集高度的風速數據。

圖3是50 m高度處有葉期和無葉期應用不同陸面方案風速模擬與實測統計指標。由圖可見，當陸面方案為Noah-MP時（工況3），風速模擬值與實測值之間的RME和M最小，最大，因此Noah-MP方案適用于復雜地形林區的風場模擬。

圖3 不同陸面方案設置下風速模擬結果與實測結果的誤差對比

如表4所示為LAI對模擬精度的影響結果。使用LAI修改值后，模擬風速逐漸接近觀測風速，但模擬精度的提高程度隨著高度的增加而減小。在50 m高度處，模擬風速與觀測風速之間的MR由25%降到23%，降幅為2%，而在100 m和150 m高度處降幅僅有1%。因此，本地化LAI數據對于提高風場模擬效果是有必要的。

表4 不同LAI（5月15日至31日）下不同高度風速的比較

通過表5可以看到粗糙長度對模擬精度的影響。與LAI相比，粗糙長度的改變對模擬精度的影響更加明顯。當修改粗糙長度后（工況4和工況6），12月上半月時期的50 m高度處模擬風速與實測風速之間的MR降幅達到17%，在5月下半月降幅達到26%。這種現象說明粗糙長度在提高林區近地面風速模擬方面是一個關鍵因素。同時也可以發現，粗糙長度的影響也是隨著高度的增加而逐漸降低，兩個時期內150 m高度處MR降幅分別為5%和11%。因此，修改粗糙長度對于提高風場模擬精度是十分必要的。

綜上可知，改進LAI和粗糙長度均能提高林區風速模擬精度，但粗糙長度在提高模擬精度方面作用更大，且二者的作用均隨著高度的增加而逐漸減弱。因此當考慮林區近地面（高度小于200 m）風場模擬時，應著重考慮LAI和粗糙長度這兩個因素。

表5 不同粗糙長度下不同高度風速的比較

根據前述分析，在本地化森林冠層特征參數的基礎上（工況6）進行了一整年的模擬。表6是四個代表月份不同高度處的模擬風速與觀測風速的對比驗證結果?？梢詮谋?中看出，WRF模擬效果與所模擬的季節和離地面高度相關。在風速M方面，WRF模型在冬季時模擬效果最好，此時各個高度的風速M均比其他月份相同高度的值要小。在風速RME方面，夏季時RME最小，春季時最大，且隨著高度的增加RME增大。而在值方面，春季時的最大，同時除春季時期以外，其余季節的模擬風速與實測風速之間的相關系數均隨著高度的增加而減小。結合以上3個指標的統計學意義分析：WRF模式在春季具有最大的相關系數，能夠較好地體現林區風速的變化趨勢，同時具有最大的平均偏差和均方根，說明其對春季風速總體高估。冬季則相反，具有最小的相關系數，且平均偏差和均方根較小。說明該模式對冬季風速模擬效果較好，但對其變化趨勢的體現相對較低。夏季和秋季的統計指標居中。這主要是由于春季是林木枝葉旺盛生長時期，其柔軟枝葉對風場的擾動較為明顯。而夏秋兩季枝葉相對茂盛，冠層的遮蔽效果明顯。冬季樹葉凋落，林木對風場的擾動減弱。WRF模式本身對森林冠層的擾動作用體現并不明顯，這也是該模式作為中尺度模型在模擬小尺度物理過程時本身存在的不足。此外，研究區域冬季風速較高且穩定，春夏季降雨頻繁，風速較低。WRF模式對復雜地形低風速的低敏感性也是造成誤差季節性差異的重要因素[17]。

表6 風速模擬值與觀測值的對比驗證

表7是四個月份不同高度處的模擬風向與觀測風向的對比驗證結果。非生長季時的M明顯大于生長季，而RME卻呈現相反的規律，同時各個月份的風向M和RME在大部分情況下均隨著高度的增加而減小。WRF模式在模擬生長季平均風向方面具有更好的性能，同時冬季和春季模擬風向相對于實測風向呈現逆時針偏差，夏季和秋季則相反。這主要是由于研究區域地形復雜，導致風向復雜多變。WRF模式地形地貌等靜態數據本身分辨率較低，難以精確捕捉風向在復雜地形區域劇烈變化。當林區處于生長季時，林木枝葉茂盛，森林冠層作用明顯，降低了復雜地形對近地風向的影響。

表7 風向模擬值與觀測值的對比驗證

通過以上綜合分析可知，本地化森林冠層特征參數有助于提高WRF模擬風速精度，但是仍存在一定的誤差。一方面該誤差與所模擬的時間段有關，不同時段林木的枝葉狀態差異明顯，其對風場的擾動作用同樣差異較大；另一方面是林區地形的復雜，對風向影響明顯，從而降低WRF風場模擬精度。同時WRF模擬風速、風向精度隨著高度的增加而提高，這是由于隨著高度的升高，復雜地形和林木植被對近地面風場的影響逐漸減弱。作為中尺度氣象模式，WRF在模擬小尺度物理過程時具有自身尺度限制。通過結合本地化森林冠層特征參數，該模式能較好地重現復雜地形林業生態區一年四季的風速和風向。

2.2 風能評估

基于林區風場模擬結果，對雷達觀測點150 m高度處的威布爾分布參數進行計算評估。從圖4中可以看到，相對于觀測風速威布爾曲線，模擬風速威布爾曲線明顯向右側移動，這表明模型低估了低風速頻率而高估了高風速頻率，導致對總體觀測風速的高估。模擬與觀測風速的形狀參數和尺度參數均較為接近，值與值的相對誤差分別為12.5%和15.7%，相對誤差值在可接受范圍內。

圖4 雷達觀測點150 m高度處模擬與觀測風速威布爾分布曲線圖

圖5（a、b）表明激光雷達點處的風能與離地高度和季節相關?？梢园l現，年平均風功率密度和有效年平均風功率密度均隨著高度的增加而逐漸增大，在150 m高度時表現出穩定且可利用的風能資源；同時，不同高度各個季節的風能密度差異明顯，春季時期的年平均風功率密度最大，而秋季最小。隨著高度的升高，不同季節之間的風能密度絕對差值逐漸增大，而相對差異逐漸減小。這是由于在高度較低時，各個季節風能均較低。

圖5 風能垂直分布及季節分布特征圖

結合圖2（b）和圖6可以發現，研究區域及周圍地區的風能并非均勻分布，且與地形有密切關系。首先，相對于林業生態區，周圍耕地區域為平原地區，該區域擁有整個研究區域內最大風能，且差異顯著。其次，在復雜地形林區內，離地面50 m高度的風能分布極為復雜，年平均風功率密度值在0 ～ 300 W/m2之間不均勻分布且低密度值分布較廣。再次，林區周圍地區的風能水平分布不均，部分地區之間的風功率密度值變化幅度較大。隨著高度逐漸升高，風功率密度的水平分布差異減弱。當高度為150 m時，地形起伏對風能分布影響減弱，整個林區風能分布相對均勻。最后，通過圖2（b）可以發現最內層嵌套域地形變化規律是北部海拔最高且地形復雜，中部及南部海拔較低且地形平坦，而圖6顯示在同一高度處，北部風功率密度較小，中部最大，風能水平分布與地形存在一定相關性。隨著高度的增加，平均風功率密度豐富且分布穩定。因此，在未來風電場建設時，可將風力機布置在林區山脊線處，通過提高安裝高度以獲得平穩且豐富的風能資源。

圖6 最內層嵌套域50 m（a）和150 m（b）高度處年平均風功率密度分布圖

3 結 論

基于WRF模型通過修正森林冠層參數對復雜地形林業生態區的風場進行數值模擬，結合雷達實測數據，對復雜地形林業生態區的風能資源進行評估。主要結論如下：

（1）WRF模式陸面方案表征地表冠層與上層大氣之間的熱質交換與動量交換過程。Noah-MP方案能夠反映森林冠層中林木枝葉的季節性生長變化，比Noah方案和RUC方案具有更好的模擬性能，具有較好模擬效果。

（2）森林冠層特征參數（葉面積指數和粗糙長度）是影響林區風場數值模擬準確性的重要因素。相較于葉面積指數，粗糙長度對風場的影響更為顯著，且二者對風場的影響均隨著高度的增加而逐漸降低。

（3）復雜地形林業生態區風能存在明顯時空差異性，春季的風能資源最為豐富且隨高度的增加而逐漸增大。當高度達到150 m后開始表現出穩定且可利用的風能資源。風能水平分布與地形地貌密切相關，地形地貌越復雜，風功率密度越低。

（4）我國林區面積廣闊，風能資源豐富，發展林區高精度數值氣象預報技術對我國風能開發利用具有實際意義。通過引入本地化森林冠層特征參數可有效提高林區風場模擬的可靠性與風能評估的有效性，從而為風電產業的健康發展提供技術支撐。

[1] 李文靜, 劉晶淼, 陳艷春, 等. 基于NLMSFD模式對風速分布規律的數值模擬——以山東威海風電場為例[J]. 自然資源學報, 2010, 25(7): 1172-1185. DOI: 10.11849/ zrzyxb.2010.07.013.

[2] 鄭崇偉, 潘靜. 全球海域風能資源評估及等級區劃[J]. 自然資源學報, 2012, 27(3): 364-371. DOI: 10.11849/ zrzyxb.2012.03.002.

[3] GIANNAROS T M, MELAS D, ZIOMAS I. Performance evaluation of the weather research and forecasting (WRF) model for assessing wind resource in Greece[J]. Renewable energy, 2017, 102: 190-198. DOI: 10.1016/j.renene.2016.10.033.

[4] 李風雷, 尹璐, 趙吉, 等. 以能源轉型推進“碳中和”的北歐經驗借鑒與中國方案初探[J]. 可再生能源, 2021, 39(10): 1308-1313. DOI: 10.3969/j.issn.1671- 5292.2021.10.005.

[5] ALFREDSSON P H, SEGALINI A. Introduction wind farms in complex terrains: an introduction[J]. Philosophical transactions of the royal society A: mathematical, physical and engineering sciences, 2017, 375(2091): 20160096. DOI: 10.1098/rsta.2016.0096.

[6] 段敬東, 劉長棟. 平原地區風電場噪聲環境影響解決方案研究[C]//中國環境科學學會2021年科學技術年會——環境工程技術創新與應用分會場論文集(三). 天津: 中國環境科學學會環境工程分會, 2021: 823-827. DOI: 10.26914/c.cnkihy.2021.022025.

[7] 衣海林. 復雜地形林區工程場地風特性研究[D]. 哈爾濱: 東北林業大學, 2021. DOI: 10.27009/d.cnki.gdblu. 2021.000617.

[8] 桑衛國. 暖溫帶落葉闊葉林動態變化的模擬研究[J]. 生態學報, 2004, 24(6): 1194-1198. DOI: 10.3321/j. issn:1000-0933.2004.06.015.

[9] BENNIE J, HUNTLEY B, WILTSHIRE A, et al. Slope, aspect and climate: spatially explicit and implicit models of topographic microclimate in chalk grassland[J]. Ecological modelling, 2008, 216: 47-59. DOI: 10.1016/j.ecolmodel.2008.04.010.

[10] 江岸. 森林下墊面風場特征的數值研究[D]. 蘭州: 蘭州大學, 2015.

[11] 汪明軍. 基于WRF模式的長三角地區風能資源評估[D]. 杭州: 浙江大學, 2017.

[12] 楊明祥, 雷曉輝, 蔣云鐘, 等. 基于數值模擬的南四湖風能資源初步評估[J]. 南水北調與水利科技, 2018, 16(2): 182-188. DOI: 10.13476/j.cnki.nsbdqk.2018.0057.

[13] 王強, 羅坤, 吳春雷, 等. 耦合風電場參數化模型的天氣預報模式對風資源的評估和驗證[J]. 浙江大學學報(工學版), 2019, 53(8): 1572-1581. DOI: 10.3785/j.issn. 1008-973X.2019.08.016.

[14] WU C L, LUO K, WANG Q, et al. Simulated potential wind power sensitivity to the planetary boundary layer parameterizations combined with various topography datasets in the weather research and forecasting model[J]. Energy, 2022, 239: 122047. DOI: 10.1016/j.energy.2021.122047.

[15] 張敏, 顧鳳歧, 董希斌. 帽兒山林區主要樹種樹高與胸徑之間的關系分析[J]. 森林工程, 2014, 30(6): 1-4. DOI: 10.3969/j.issn.1001-005X.2014.06.001.

[16] 王希濤, 陳玉寶, 戴光耀, 等. 小型脈沖相干多普勒激光雷達青藏高原風場探測實驗[C]//創新驅動發展提高氣象災害防御能力——S1第五屆氣象綜合探測技術研討會. 南京: 中國氣象學會, 2013: 855-860.

[17] LIU X E, CAO L, XIN D B. Wind field numerical simulation in forested regions of complex terrain: a mesoscale study using WRF[J]. Journal of wind engineering and industrial aerodynamics, 2022, 222: 104915. DOI: 10.1016/j.jweia.2022.104915.

[18] 常穎, 范文義, 溫一博. 帽兒山地區森林葉面積指數生長季動態研究[J]. 森林工程, 2016, 32(4): 1-6. DOI: 10.16270/j.cnki.slgc.2016.04.001.

[19] CAO J L, XUE W H, MAO R, et al. Wind power in forested regions: power law extrapolation vs. lidar observation[J]. Journal of wind engineering and industrial aerodynamics, 2023, 232: 105281. DOI: 10.1016/j.jweia.2022.105281.

[20] CAO J L, PENG X J, XIN D B. Feasibility study of prescribed burning for crop residues based on urban air quality assessment[J]. Journal of environmental management, 2022, 317: 115480. DOI: 10.1016/j. jenvman.2022.115480.

Wind Power Assessment over Forested Regions Based on Weather Research and Forecasting Model

CAO Shaoxiang1, CHEN Zhaoxing1, LIU Xiangen2, CAO Junliang1,3,?

(1. School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, China;2. Poly Changda Engineering Co. Ltd., Guangzhou 510620, China;3. Institute of Artificial Environment Control and Energy Application, Northeast Forestry University, Harbin 150040, China)

The characteristics of the wind field features seasonal variation due to the growth cycle of vegetation in the forest, which makes the wind power assessment more complex than that in plain and coastal areas in a forested region. The weather research and forecasting (WRF) model is used to numerically reproduce the wind field in the forested region over complex terrain combined with localized forest canopy characteristic parameters. The WRF simulation results are compared and verified with the measured lidar data, and the simulation method of the wind field in the forested region over complex terrain is established. Moreover, the wind power resources are evaluated by analyzing the simulation results. The results show that the seasonal variation of the forest should be fully considered in the forest wind field simulation using the WRF model, and the localized forest canopy characteristic parameters are effective means to improve the accuracy of forest wind field simulation. In addition, affected by the landform, the wind field shows obvious topographic microclimate characteristics in the forested region, which weaken with the increase in height. It shows stable and exploitable wind power resources at the height of 150 m.

wind power; forested regions; forest canopy; weather research and forecasting model

2095-560X（2023）06-0534-09

TK81

A

10.3969/j.issn.2095-560X.2023.06.007

2023-01-23

2023-04-21

國家自然科學基金項目（52108072）

曹鈞亮，E-mail：caojunliang@nefu.edu.cn

曹紹祥, 陳兆星, 劉顯根, 等. 基于天氣研究與預報模式的林區風能評估[J]. 新能源進展, 2023, 11(6): 534-542.

： CAO Shaoxiang, CHEN Zhaoxing, LIU Xiangen, et al. Wind power assessment over forested regions based on weather research and forecasting model[J]. Advances in new and renewable energy, 2023, 11(6): 534-542.

曹紹祥（1994-），男，碩士研究生，主要從事中尺度風場模擬與環境評估研究。

曹鈞亮（1986-），男，博士，副教授，碩士生導師，主要從事城市微氣候與環境控制研究。