近日，大气领域顶级期刊《Atmospheric Chemistry and Physics》在线发表测绘遥感信息工程国家重点实验室龚威教授团队研究成果。论文题为“Extending the wind profile beyond the surface layer by combining physical and machine learning approaches”（基于物理和机器学习算法相结合将风廓线扩展至表层之上），刘博铭副研究员为第一作者，马昕副教授和郭建平研究员为共同通讯作者，合作者还包括马盈盈教授和龚威教授等。

大气风廓线，特别是在大气最低层几百米内的风廓线信息，对天气预报和风能资源评估具有重要意义。但由于边界层内科里奥利力、湍流和斜压性等因素的影响，莫宁-奥布霍夫相似理论在非均匀下垫面的表层以上是无效的，导致传统观测手段和方法在100m至300m高度内无法有效获取风廓线信息。如何理解大气特征与近地层风廓线的相互作用机制，有效获取近地层风廓线信息是研究数值天气预报和风能资源分布面临的难题与挑战。

该课题组提出了一种结合物理和机器学习算法将风廓线外推至表层之上的方法，其基本原理是将风廓线视为垂直方向上的幂律分布，幂指数由物理机制和机器学习算法来确定。论文首次提出了风切变系数矫正函数，构建了不同下垫面类型中的风切变系数随地表风速变化的响应函数；其次，基于已知物理机制、矫正函数和辅助气象参数，通过机器学习算法拟合出近地层内幂指数的垂直分布，以获取近地层风廓线信息；最后，通过全国探空气球和ARM（大气辐射测量）站点测风激光雷达等观测数据对风廓线结果进行独立验证。实验表明论文方法比现有传统方法更接近观测值。该项工作解决了近地层风廓线高精度获取的难题，可以为天气预报和风能评估部门提供有力的数据支持。

图1 不同方法近地层风廓线结果对比

图2 不同下垫面类型中风切变系数随地表风速变化的响应函数

相关论文链接：

1）Extending the wind profile beyond the surface layer by combining physical and machine learning approaches，https://doi.org/10.5194/acp-24-4047-2024

2）Estimating hub-height wind speed based on a machine learning algorithm: implications for wind energy assessment，https://doi.org/10.5194/acp-23-3181-2023