ERA5 和ERA5-Land 地面風速資料在中國陸地區域的適用性對比初步研究

楊勁 張雙益 王海龍 牛鳳國 李東輝 袁宗濤

1 華能河池清潔能源有限責任公司，廣西河池 547110

2 中國科學院大氣物理研究所國際氣候與環境科學中心，北京 100029

3 華能新能源股份有限公司，北京 100036

4 北京中電恒泰電力工程咨詢有限公司，北京 100071

1 引言

2020 年9 月，國家主席習近平在第75 屆聯合國大會上提出了2030 年前實現碳排放達峰、努力爭取2060 年前實現“碳中和”的愿景。電力行業是我國碳排放的大戶，在總量中的占比接近40%。大規模開發利用風能、太陽能等清潔能源，是實現電力行業脫碳的重要路徑。

我國的風能資源儲量極其豐富，陸地區域80 m高度上的技術開發總量約為32×108kW（朱蓉等,2021）。近年來，我國的風能產業發展迅速，截止2021 年底，并網風電的規模達到3.28×108kW。風能行業的快速發展為節能減排、改善環境和應對氣候變化做出了重要貢獻（丁一匯等,2020）。

風能屬于氣候資源的一種，風能資源的狀況是影響風電場選址、規劃和風能開發利用的重要因素（陳欣等,2011）。由于地面風速自身的波動性和變化性，導致風力發電的出力具有間歇性、隨機性和不可控性等特點，大規模風電并網對電力系統的安全穩定運行提出了嚴峻挑戰（靳晶新等,2017）。除了風速、風向等基本要素之外，湍流、風切變、陣風等現象，降雨、凝凍、雷暴等各類天氣也會對風力發電機組的實際出力產生重要影響（Emeis,2014;張雙益和胡非,2017a），這些復雜因素也對風能資源評估工作提出了現實和嚴峻的挑戰。

風能資源評估指的是根據歷史的觀測數據和長期氣候統計，來評估某一區域可開發利用風能的潛力。傳統的技術手段主要是依靠地面氣象臺站的長期觀測資料，結合設立測風塔的短期觀測資料來開展風能資源測量與評估（張雙益和胡非,2017b），其缺點是費時費力、成本較高，并且不適用于全球性或區域性的大范圍評估。近年來，國內外發展出了利用再分析資料、數值模擬等先進技術手段（李澤椿等,2007;Al-Yahyai et al.,2010;Rose and Apt,2015）開展風能資源評估的方法，具有覆蓋面積大、空間范圍廣等優點，可有效彌補地面臺站和測風塔單點觀測的不足。目前美國NCEP/NCAR、MERRA（Modern-Era Retrospective analysis for Research and Applications）、CFSR（Climate Forecast System Reanalysis），歐洲ERA（European Re-Analysis）、日本JRA（Japanese Re-Analysis）等（馮雙磊等,2009;張雙益等,2014,2017;Torralba et al.,2017）再分析資料已被成功應用于風能資源評估當中。全球各大機構也陸續開展了風能資源數值模擬研究，包括美國Ture Wind 公司風能資源評估系統MesoMap、加拿大氣象局風能資源數值模擬系統WEST（Wind Energy Simulation Toolkit）等，中國氣象局在WEST 系統的基礎上開發出了我國風能資源模擬評估系統WERAS（Wind Energy Resource Assessment System），制作出了我國1 km 分辨率的風能資源圖譜（朱蓉等,2010），丹麥科技大學利用中尺度數值模式WRF（Weather Research and Forecasting）和WAsP（Wind Atlas Analysis and Application Program）軟件結合，制作出了250 m 分辨率的風能資源圖譜（Tammelin et al.,2013）等。

但是值得注意的是，無論是再分析數據還是數值模擬制作的風能資源數據集，均需要大量實際測風數據對其進行誤差評估和校驗（Zhang and Wang,2020），然后才能應用到風能資源評估工作當中。已有研究表明，在亞洲區域，美國MERRA-2、CFSR和歐洲ERA-Interim 再分析資料的地面風速值均顯著高于觀測值，而日本的JRA-55 再分析資料則在除了中國中西部地區外的表現要優于其他再分析資料（Miao et al.,2020;苗昊澤予,2020）。劉漢武等（2016）指出，再分析數據難以模擬出中國和區域風速呈顯著減小的變化趨勢、大小風年景以及季節變化特征等。

ERA5 是歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）發布的第五代再分析資料（Hoffmann et al.,2019），國內外相關研究表明，ERA5 地面風場資料具有較高的質量和可靠性（Rivas and Stoffelen,2019;Ramon et al.,2019;Ulazia et al.,2019），在風能資源評估的應用效果優于MERRA2 等其他再分析資料（Olauson,2018）。劉鴻波等（2021）利用中國地區地面臺站的資料對ERA5 資料進行了評估，發現ERA5 資料在空間分布、氣候特征方面與臺站觀測具有較高的一致性，但風速大小相對于臺站的觀測偏高。ERA5-Land 是在ERA5 資料的基礎上對陸地區域進行重新模擬而得到的再分析數據集，并且具有更高的空間分辨率。目前公開文獻尚未見ERA5-Land 地面風速資料在中國區域的誤差評估及適用性等相關研究。

本文首次開展ERA5 和ERA5-Land 地面風速資料在中國陸地區域的適用性對比初步研究，利用全國40 個地面臺站的觀測資料對上述兩種不同分辨率的再分析資料開展了地面風速誤差評估研究。成果對于科學利用高分辨率資料、減小地面風速的誤差、提高風能資源評估結果的準確性等具有重要意義和實用價值，有助于促進我國風能開發利用工作，加快電力行業脫碳和清潔轉型。

2 資料及方法

2.1 ERA5 資料簡介

ERA5 提供了全球尺度上的大氣、陸地和海洋大量數據，將大量歷史觀測數據如氣象臺站、高空探測、雷達和衛星數據等，融合到先進的數據同化和模式系統中，用以估計更為準確的大氣狀況。ERA5 的空間分辨率為0.25°經緯度（約25 km），時間分辨率為1 h，時間范圍是1979 年至今。ERA5-Land 是在ERA5 的基礎上對陸地區域進行重新模擬而成的再分析數據集，將模型數據與世界各地的觀測數據進行結合，利用物理定律得到全球范圍內完整和一致的數據集，提供了一套高質量的再分析數據集。ERA5-Land 相較于ERA5 具有更高的空間分辨率，為0.1°經緯度（約9 km），時間分辨率為1 h，時間范圍是1981 年至今。

本文選取ERA5 和ERA5-Land 資料地面10 m高度逐月風速，時間長度為2011～2020 年共10 年。圖1 給出了ERA5 資料2011～2020 年平均風速分布圖，可以看到全球各區域多年平均風速主要集中在0～12 m s-1范圍，且總體上海面風速較大，而陸面風速較小。ERA5-Land 資料風速分布情況與圖1 類似，但沒有海面區域數據，僅有陸面區域數據。

圖1 2011～2020 年ERA5 資料年平均10 m 高度風速分布Fig.1 Distribution map of ERA5 data’s annual mean 10-m height wind speeds during 2011-2020

2.2 臺站資料簡介

評估ERA5 和ERA5-Land 資料地面風速誤差，本文收集了全國40 個臺站的地面風速觀測資料，觀測對應高度為10 m，資料來源為中國氣象局氣象數據中心（http://data.cma.cn/[2022-01-31]）。所采用資料的時間段為2011～2020 年，時間分辨率為逐月。所選資料均經過氣象部門的質量控制，所選臺站均符合WMO 全球觀測系統規范和中國氣象局觀測技術規范，所選時間段內無缺測，且臺站周邊人為建筑影響較小。圖2 給出了臺站的地理位置分布，表1 為臺站基本信息表，可見，臺站基本覆蓋了全國陸地各個代表性區域，本文將ERA5 和ERA5-Land 再分析資料插值到臺站的坐標位置上，便于進行對比，插值方法采用雙線性插值法。

表1 全國40 個地面臺站基本信息表Table 1 Key information of observation stations

圖2 全國40 個地面臺站地理位置分布Fig.2 Geographical distribution map of observation stations

2.3 方法介紹

利用收集到的臺站觀測資料對ERA5 和ERA5-Land 資料地面風速開展誤差評估，所采用的指標如下：

（1）偏差（Bias Error，BE）和相對偏差（Relative Bias Error，RBE），具體公式為

其中，Eb、Erb分別為偏差和相對偏差；Vi、Vi′分別為第i個記錄的臺站資料和ERA5（ERA5-Land）資料地面風速；N為統計周期內的記錄總數；為統計周期內的臺站資料地面風速平均值。

（2）采用線性擬合方法，計算出擬合方程的相關參數以及相關系數R，具體公式為

其中，V、V′分別為臺站資料和ERA5（ERA5-Land）資料地面風速；a、b分別為線性擬合方程參數的斜率和截距，采用最小二乘法計算a和b；為統計周期內的ERA5（ERA5-Land）資料地面風速平均值。

（3）均方根誤差（Rooted Mean Square Error,RMSE）和相對均方根誤差（Relative Rooted Mean Square Error,RRMSE），具體公式為

其中，Erms、Errms分別為均方根誤差和相對均方根誤差；若臺站資料和ERA5（ERA5-Land）資料地面風速之間的偏差和相對偏差越??；線性擬合方程斜率a越接近1，截距b越接近0，相關系數R越接近1；均方根誤差和相對均方根誤差越小，則表示ERA5（ERA5-Land）資料的可靠性越高，風能資源評估結果的準確性也越高。反之，亦然。

3 多年平均風速的評估

圖3 給出了全國40 個地面臺站與ERA5 和ERA5-Land 資料2011～2020 年多年平均風速對比圖。利用公式（1）計算出ERA5 和ERA5-Land與40 個臺站資料多年平均風速偏差的平均值分別為0.08 m s-1、－0.06 m s-1，最大值分別為0.46 m s-1（臺站3，烏魯木齊）、－0.19 m s-1（臺站17，天津）。然后利用公式（2）計算出ERA5 和ERA5-Land 與臺站資料多年平均風速相對偏差的平均值為4.4%、－2.0%，最大值分別為33.0%（臺站9，西寧）、－10.1%（臺站9，西寧）?？傮w上，ERA5 地面風速資料相對于臺站觀測偏高，而ERA5-Land 地面風速資料則相對偏低；且ERA5-Land 與臺站多年平均風速的偏差平均值和最大值相對于ERA5 與臺站的偏差均有明顯的降低。

4 年平均風速的評估

將ERA5 和ERA5-Land 資料分別與全國40 個地面臺站資料2011～2020 年的各年平均風速進行對比，如圖4 所示。利用公式（3）計算出ERA5和ERA5-Land 資料與臺站資料年平均風速的線性擬合方程斜率a分別為0.92、0.98，截距b分別為0.30 m s-1、0.01 m s-1。利用公式（4）計算出ERA5 和ERA5-Land 資料與臺站資料線性擬合相關系數R分別為0.98、0.99。表明ERA5-Land 與臺站資料年平均風速之間的線性程度要高于ERA5資料，即ERA5-Land 與臺站資料的一致性優于ERA5 資料。

圖4 2011～2020 年（a）ERA5 和（b）ERA5-Land 資料分別與臺站資料的各年平均風速散點和線性擬合Fig.4 Scatter plot and linear fit of yearly mean wind speeds from (a) ERA5 and (b) ERA5-Land data versus observation stations during 2011-2020

圖5 為 ERA5 和ERA5-Land 資料分別與臺站資料的年平均風速均方根誤差和相對均方根誤差對比圖?？梢钥吹揭徊糠峙_站ERA5-Land 均方根誤差小于ERA5，一部分臺站則相反。利用公式（5）計算出ERA5 和ERA5-Land 資料與臺站資料年平均風速均方根誤差的平均值分別為0.13 m s-1、0.09 m s-1，最大值為0.46 m s-1（臺站3，烏魯木齊）、0.20 m s-1（臺站35，杭州）。利用公式（6）計算出ERA5 和ERA5-Land 資料與臺站資料年平均風速相對均方根誤差的平均值分別為5.9%、3.7%，最大值為33.2%（臺站9，西寧）、10.3%（臺站9，西寧）?？傮w上，ERA5-Land 與臺站資料年平均風速均方根誤差的平均值和最大值相對于ERA5 資料具有明顯的降低。

圖5 2011～2020 年ERA5 和ERA5-Land 資料分別與臺站資料的年平均風速的（a）均方根誤差和（b）相對均方根誤差Fig.5 (a) RMSE (Root Mean Square Error) and (b) RRMSE (relative RMSE) of yearly mean wind speeds from ERA5 and ERA5-Land data versus observation stations during 2011-2020

5 月平均風速的評估

將ERA5 和ERA5-Land 資料分別與全國40 個地面臺站資料2011～2020 年的各月平均風速進行對比，如圖6 所示。同樣計算出ERA5 和ERA5-Land 資料與臺站資料月平均風速的線性擬合方程斜率a分別為0.93、0.97，截距b分別為0.29 m s-1、0.02 m s-1。計算出ERA5 和ERA5-Land 資料與臺站資料線性擬合相關系數R分別為0.98、0.99?？傮w上，ERA5-Land 與臺站資料月平均風速之間的一致性相對于ERA5 資料具有明顯的提高。

圖6 2011～2020 年（a）ERA5 和（b）ERA5-Land 資料分別與臺站資料的各月平均風速散點和線性擬合Fig.6 Scatter plot and linear fit of monthly mean wind speeds from (a) ERA5 and (b) ERA5-Land data versus observation stations during 2011-2020

圖7 為 ERA5 和ERA5-Land 資料分別與臺站資料的月平均風速均方根誤差和相對均方根誤差對比圖。與圖5 類似，ERA5 和ERA5-Land 資料與臺站資料月平均風速均方根誤差的平均值分別為0.17 m s-1、0.14 m s-1，最大值為0.49 m s-1（臺站3，烏魯木齊）、0.22 m s-1（臺站34，寶山）。ERA5和ERA5-Land 資料與臺站資料年平均風速相對均方根誤差的平均值分別為7.4%、5.7%，最大值為35.2%（臺站9，西寧）、13.3%（臺站23，甘孜）?？傮w上，ERA5-Land 與臺站資料月平均風速的均方根誤差平均值和最大值相對于ERA5 資料均有明顯的降低。

圖7 2011～2020 年ERA5 和ERA5-Land 資料分別與臺站資料的月平均風速（a）均方根誤差和（b）相對均方根誤差對比Fig.7 (a) RMSE and (b) RRMSE of monthly mean wind speeds from ERA5 and ERA5-Land versus observation stations during 2011-2020

6 討論分析

由上述結果，總體上ERA5 與臺站資料地面風速誤差較大，而ERA5-Land 資料的誤差相對較低。進一步對其原因進行討論分析，以臺站9 西寧為例，ERA5 與西寧站月平均風速的均方根誤差達到0.46 m s-1，相對均方根誤差達到35.2%，為全國40 個站點中地面風速誤差最大的站點之一。圖8給出了西寧站的周邊地形海拔高度分布圖與風向頻率玫瑰圖。如圖8a 所示，西寧站周邊地形十分特殊，四周山脈丘陵起伏，平均海拔約2260 m，群山環繞，形成十字谷地形，東、西、南、北分布4條河谷川地，西寧市中心位于湟水河與南北川支流的匯合處。西寧站周邊的地面風場狀況由于地形而產生較大的影響，風能資源的時空分布具有較高的不均勻性。根據青海地區氣象站記錄，當地主導風向為西北風，次主風向為東南風。由于受地形影響，西寧站西北方向環繞山脈嚴重阻擋了西北方向氣流，而東南部河谷則對氣流的影響較小，導致圖8b 西寧站風向玫瑰圖中表現出主風向與河谷走向一致，主要集中在SE（東南）、ESE（東東南）方向。由于ERA5資料的空間分辨率為0.25°（約25 km）相對較高，而ERA5-Land 資料的分辨率為0.1°（約9 km）則相對較高，更加有利于適應西寧站周邊復雜地形條件下風能資源的時空分布高度不均勻特性，從而表現出地面風速誤差相對較低。地面風速誤差較大的其他臺站情況與西寧站類似，周邊多處于復雜地形條件，高分辨率資料具有更好的適應性，有利于提高風能資源評估的準確性。

圖8 西寧站（a）周邊地形海拔高度分布與（b）風向頻率玫瑰圖Fig.8 (a) Topography altitude distributions and (b) wind direction frequency rose around Xining station

7 結論

利用全國40 個地面臺站的觀測資料對ERA5及ERA5-Land 兩種不同分辨率的再分析資料開展了地面風速誤差評估研究，結果發現：

（1）ERA5 和ERA5-Land 資料多年平均風速偏差的平均值分別為0.08 m s-1、－0.06 m s-1，最大值分別為0.46 m s-1、－0.19 m s-1，相對偏差的平均值為4.4%、－2.0%，最大值分別為33.0%、－10.1%；

（2）ERA5 和ERA5-Land 資料月平均風速線性擬合方程斜率分別為0.93、0.97，截距分別為0.29 m s-1、0.02 m s-1，相關系數分別為0.98、0.99；

（3）ERA5 和ERA5-Land 資料月平均風速均方根誤差的平均值分別為0.17 m s-1、0.14 m s-1，最大值分別為0.49 m s-1、0.22 m s-1，相對均方根誤差的平均值為7.4%、5.7%，最大值分別為35.2%、13.3%。

可見，ERA5-Land 高分辨率資料地面風速誤差相對較低，有利于提高風能資源評估的準確性。

最后需要指出的是，目前基本均為國外高分辨率再分析資料在我國的風能資源評估中進行應用。由于中國區域的地形復雜且近地層風速空間差異顯著，再分析資料受預報系統和模式系統性偏差等限制，易導致地面風速的氣候分布和演變趨勢出現較大的偏差。未來建議開展臺站、探空、衛星、雷達和再分析資料的多源融合先進技術和方法研究，自主研發我國的高分辨率地表風速數據集，進一步提高風能資源評估結果的準確性，服務于我國的風能開發利用工作和電力行業的脫碳清潔轉型，加快實現30·60“雙碳”目標。