1 引言

大风是指近地面层风力达8级（平均风速17.2 m/s）或以上的风，大风会毁坏地面设施和建筑物；海上大风常引起的巨浪、风暴潮对沿海和海港工程有很大的破坏作用，对海上交通和海洋开发影响很大，是一种灾害性的天气。很多学者对黄渤海大风进行了大量的研究，张新玲等[1]对渤海海上风和沿岸实测风进行了日、季节变化及日较差的分析；张增海等[2]统计了渤海湾海域的风况特征，建立了渤海A平台站和塘沽气象站观测风资料的风速拟合经验公式；王京太[3]对渤、黄海偏北大风进行分析，并开发出自动化的预报系统；尹尽勇等[4]和朱男男等[5]对入海气旋造成冬季渤、黄海大风天气进行分析，对爆发性气旋过程进行诊断分析，孙密娜等[6]对近10 a渤海埕北A平台大风特征进行特征分析，分析锋生作用、温度和涡度平流等因子在大风中的作用，这些研究是从统计和诊断的角度出发。

洋面10 m风是海洋气象预报的重要要素之一，目前海上大风预报主要是在EC、T639、WRF等模式确定性预报的基础上开展解释应用，随着精细化预报需求的不断提高，很多气象工作者开展了海区风精细化预报方法研究[7-11]。但“单一”的确定性数值天气预报模型，由于数值模式初始场的不确定性和模式自身不确定性等因素，可能导致大风预报结果存在一定的偏差。有一些学者对模式预报风场进行检验，朱智慧等[12]就T639模式预报产品对上海南汇站的24 h风速进行检验，发现模式的风速预报误差较大；闫丽凤等[13]对MM5、WRF-RUC及T6393种模式进行检验，发现T639对黄渤海沿海8级以上大风预报能力较差，朱桦等[14]对JMA、GFS及NOGAPS3个模式的控制预报采用集合平均的方法提高了模式的预报能力。

集合预报技术是天气预报技术发展的一个主要方向，其丰富的数值产品已成为国际主流预报的主要参考依据。随着集合预报的推广，其产品在降水（杜钧等[15]）、温度（智协飞等[16])和台风预报（陈博宇等[17]）中得到广泛应用，但集合预报风速产品在海上大风的预报检验和应用研究较少。本文着重对EC的集合预报的10 m风速产品进行检验和评估，试图寻找最好的方案应用于渤海的灾害大风预报，有效提升黄渤海海域海上大风预报准确率，降低海上大风对黄渤海地区海洋经济发展和人民群众生产、生活的影响和损失，为政府及相关决策部门、企业、社会公众提供更为准确、及时的预报决策依据。

不料后来，妹娃得了一种怪病，满身燥热，又吐又拉，只三天，就瘦得皮包骨头了。陶医生到外地给人治病尚未回来，妹娃的母亲只好请当地另一位名医前来给女儿治病。这位名医是陶医生的朋友，诊治十分细心。可妹娃连服三剂药都未见效，肚子越拉越厉害，还屙起血来。母亲整天守护在床前，急得吃不下，睡不着，想起女儿的病就掉泪。

2 资料简介

本文的数据来源分为两部分：一是2014年1月1日00时（北京时，下同）—2015年12月31日23时来自渤海埕北A（118.24°N，38.26°E）平台逐小时风速和风向资料，并对该数据进行质量控制；二是分辨率为1°×1°的2014—2015年EC集合预报逐6 h的10 m风速预报资料。

3 大风个例选取

目前海上资料相对缺乏，对海上大风实况的研究主要基于近海岸和浮标站的实况资料进行。本研究基于2014—2015年的渤海埕北A平台站逐小时风场资料进行大风个例的选取，以A平台的风力代表渤海风力，由于集合预报存在资料不完整的情况，因此利用获得集合预报序列对实况大风个例进行筛选。选取7级（≥13.9 m/s）以上大风，共有77次大风过程，其中2014年44次过程，2015年33次过程，在此基础上以持续6 h以上的大风为一次代表过程，共36次。

利用A平台2016年1月1日—8月31日逐小时风场数据，筛选出2016年7级以上大风且持续6 h以上为一次大风过程，共有10次过程（见表2）。1月3次，2月3次，5月1次，7月1次，8月2次过程，由大风的风向来看，有5次是西北风，4次东北风，1次东南风，利用以上的集合预报方案对其中的9次大风（东南大风除外）进行订正。

根据造成北方海域大风的天气形势类型对大风个例进行分类，主要分为冷空气类、温带气旋类和热带气旋类，从大风方向来看主要是西北和东北向两类。进一步分析渤海大风个例的风向，在36次持续6 h以上的个例中，以西北偏北路径为主，有19次属于这一类，占总数的53%，而东北偏北和东北偏东分别占22%和25%（见图1）,即东北大风占47%；通过天气形势分析发现冷空气类大风有25次，温带气旋类大风有11次，而2014—2015年间渤海未出现热带气旋类大风。

4 集合预报结果分析

与传统的单一决定论的数值预报不同，集合预报是从一群相关不多的初值出发而得到一群预报值的方法。集合预报的核心任务就是要定量准确地估计预报不确定性的范围或者分布，而这种不确定性是与大气的可预报性相关联的、随机的、随时随地随天气而变的，从而使得实况可被包含在所预报的范围之内，即集合预报是给出随机误差的分布而非预报值本身。其优势在与能够很好地考虑到模型的不确定性，把可能影响到预报结果的随机信息过滤掉，并可通过确定性预报和概率预报为大风预报提供参考依据集合预报系统可减少预报误差，在一定程度上也为判断预报的可信度提供了依据。

  

图1 渤海A平台典型大风分布

EC集合预报中共有51个成员，其中1号为控制预报，其余50个成员通过不同的随机的扰动得到的预报结果，本研究力求从不同预报时效出发，计算集合预报的最优成员和最优百分位，给出最好的预报方案。

4.1 集合最优成员结果分析

（1）2014—2015年，渤海渤海埕北A持续6 h以上的灾害性大风中A平台出现36次，从方向来看，以西北偏北为主要风向；

4.2 集合最优百分位结果分析

对EC集合预报中51个成员预报结果进行从小到大的排序，其预报值的大小位于第95分位时，为95百分位预报值，以此方法分别计算集合预报95、90、85、80、75百分位预报值，用这6个百分位值进行误差订正，具体方案如下（见图3）：首先计算6个集合预报百分位值；其次，利用2014—2015年集合预报百分位预报的大风速值与上述36次大风实况进行比较，并计算二者的绝对误差；再次，将历史误差视为系统误差进而改进集合预报的百分位预报值，利用回算的集合预报值与实况值进行二次误差订正；最后，利用二次误差订正之后的预报值作为预报结果，对渤海大风进行预报。

4.2.1 误差分析

（2）EC的集合预报对于7级以上大风风速有低估的效果，从优选成员来看，每一次的预报最优成员并不唯一确定；

  

图2 集合预报51个成员预报相对误差

  

图3 集合预报改进方案示意图

4.2.2 离散度分析

1.数据来源。本文选取东北地区及西南地区共计7个省市2014～2016年沪深A股上市公司为研究样本，剔除金融业、ST、PT公司及相关变量数据缺失样本，数据均来自CSMAR数据库。同时，为了消除极值的影响，对主要连续变量进行1%的缩尾处理。最终得到296个样本观测值。

  

图4 集合预报的24 h预报误差分布

  

图5 24 h集合预报6种百分位值统计量的离散度分布

  

图5 （续）

  

图6 集合预报误差校准后偏差绝对值（单位：m/s）

随着百分位的降低呈现出偏小的相对一致性，即最大值与实况相比，偏大偏小的个例数目相当，离散度相对较大；其次是95百分位的预报值，离散度也较大；75百分位、80百分位和85百分位的预报基本上都是偏小的，而且偏小的一致性较强，较少有偏大情况出现。

4.2.3 集合预报误差校准

利用计算的平均绝对误差值（见式（1）），将集合预报的不同分位值分别加上对应的绝对误差值，得到校准后的预报值（见式（2）），再与实况比较（见

 

表1 误差订正数值表（单位：m/s）

  

时效/h 12 24 36 48 60 72 84最优百分位最大值75 75 80 85最大值最大值校准后误差数值 绝对误差平均值 订正值东北风1.3 1.4 1.4 1.5 1.5 1.7 2.0西北风1.4 1.5 1.7 1.7 1.9 2.1 2.4东北风1.4 2.5 2.8 2.5 2.9 3.0 2.8西北风1.5 2.8 2.8 2.9 2.9 3.0 3.2东北风2.7 3.9 4.2 4.0 4.4 4.7 4.8西北风2.9 4.3 4.5 4.6 4.8 5.1 5.6

式（3）），不同预报时效的最优百分位不同，12 h预报时效最大值的预报效果好，24 h预报时效的75百分位的效果最好，但是和80百分位的相差很小；36 h预报时效的75百分位的效果最好；48 h预报时效的80百分位的预报效果最好，其次是75百分位。因此在大风预报时，可以先计算出集合预报的最优百分位之后加上历史检验的绝对误差进行校准，得到最终的预报值。

 

[5]朱男男,刘彬贤.一次引发黄渤海大风的爆发性气旋过程诊断分析[J].气象与环境学报,2015,31(6):59-67.

利用上述计算得到的平均绝对误差（见表1），基于集合最优百分位的产品，对预报进行订正（见式（2）），其中不同预报时效的最优百分位不同，12 h预报时效建议采用最大值，24 h和36 h预报时效采用75百分位的效果最好；48 h预报时效采用80百分位的预报效果，60 h预报时效采用85百分位，72 h和84 h都采用最大值，具体的订正数值见表1，东北风的订正值比西北风略偏小，可见集合预报在西北风的预报效果差于东北风。

5 2016年效果检验

2.非营利性私营机构。在法国成人教育领域中，非营利性私营机构主要致力于成人的非正规学习。根据业务量和培训时间，他们排在以利润为导向的私营机构之后，排名第二。2014年，这些机构完成了业务总量的25%，提供了22%的培训时长。由于是非营利性质，这些机构会接受政府部门的补贴，这些补贴主要来自青年和体育部（Ministry ofYouth and Sports）、社会事务和卫生部（Ministryof Social Affairs and Health），少数来自国家教育部（MinistryofNational Education）。

 

表2 2016年1—8月7级以上大风过程统计表

  

个例序号1 2 3 4 5 6 7 8 9 1 0时间20160118 20160122 20160123 20160213 20160215 20160228 20160502 20160720 20160819 20160825持续时间/h 19 6 28 11 6 6 1 8 7 1 2 8风向西北东北西北西北西北东北西北东南偏南东北东北

对10次大风过程的集合预报的对应最优百分位法计算出相应的预报结果（个别个例缺少完整的集合预报数据），并求出每个结果的绝对误差，只有6 h预报时效的一个个例的集合预报是偏大，且偏大值在0.5 m/s以下，其余的均为集合预报偏小，与之前两年的检验结果是吻合的，且以偏小2～4 m/s的误差为主（图略）。之后对集合预报采用上文4.2.3中的订正值进行订正，最后得到最终的集合预报最优订正百分位的结果（见图7），与原预报相比，有明显的提高，TS评分有明显提高，而且预报时效越长提高越显著，尤其是72～84 h预报TS评分从0.15以下提高到0.30以上，从风向来看西北风提高程度比东北风更多。

以0.608 8 m3/d(1%)的流量泄漏120 d后，泄漏区中心浓度最高为94.554 mg/l，污染羽仅在污染源所在单元格内，下游(ZK3方向)污染羽边缘浓度2.45 mg/l(图5)。此时受污染地下水还在厂区内。

首先将市售红磨坊全麦粉经100目粉筛筛理200 s，分离筛上物，定义为大粒径麸皮（粗麸）；筛下物视为“面粉”。大粒径麸皮经内带40目筛的旋风磨粉碎，定义为中粒径麸皮（中麸）。大粒径麸皮经内带80目筛的旋风磨粉碎，定义为小粒径麸皮（细麸）。不同粒径麸皮与“面粉”按照最初的比例（77.9 g“面粉”/100 g全麦粉）混合，向其中加入一定量的复合酶制剂（40 mg/kg Gox+40 mg/kg Pn+30 mg/kg Ce），混合均匀，得到不同粒径加酶全麦粉，备用。

6 结论与讨论

通过上面的分析，得到如下主要结论：

  

图7 订正误差的集合预报最优百分位在2016年的TS评分

集合预报对于大风风速的预报绝大多数为偏小，进一步基于72 h时效内的集合预报产品，计算预报与实况风速相对误差的绝对值发现，虽然从总体趋势上看，随着预报时效的增加，集合预报的误差呈现增加的趋势，但是并不是完全一致的，其中30 h的预报的相对误差小于24 h的预报，36 h的相对误差绝对值小于30 h，48 h的相对误差绝对值小于42 h。另外对51个成员的预报进行比较（见图2）发现最好的预报效果还是控制预报，相对误差绝对值为24.7%，之后依次是47、34、41、30（44并列）、3、42、17、14、21号成员。但是从51个成员来看，相对误差基本都在24%～27%之间。

对06 h、12 h、18 h、24 h、30 h、36 h、42 h、48 h、54 h、60 h、66 h、72 h、78 h、84 h预报时效的集合预报进行A平台大风个例检验，首先计算6种集合预报的百分位值，分别计算了最大值、95百分位、90百分位、85百分位、80百分位、75百分位的预报量，对预报和实况进行比较，分析绝对误差分布发现，集合预报在预报大风过程时，偏小的数量较多，只有部分偏大的，随着百分位的降低误差逐渐呈现增大的趋势（以24 h为例，见图5）。

（3）计算6种集合预报的百分位预报风速，多数预报与实况相比是偏小的，对集合预报的误差进行校准，反算校准后的预报值，误差缩小，考虑利用两步误差进行订正得到最终的预报结果；

超导磁场储能技术型微网的运转需要保障重要负载和可移动负载的供电,并当电能不够的时候,限定并终止负荷供电。电能均衡[4]约束式如式(1)给出,式中的代表了发电装置功率,和代表超导磁场储能技术的充电功率与放电功率,WPV(t)为光伏型电源的出力,代表可中断负荷,代表可转移负荷,代表预测负荷,t为调度时段。

（4）应用集合最优百分位法对2016年渤海埕北A渤海大风过程进一步进行验证，结果表明该方法对于原来的预报结果有较大幅度的提高，能较好的应用于渤海渤海埕北A灾害大风的预报中。

[3]王京太.渤海、黄海偏北大风自动化预报系统[J].气象,1994,20(2):37-39.

参考文献：

就在说话的当头，突破龙游防线的日军一个联队溯江而上，猛烈地进攻固守衢州机场的第十六师两个团的防线，凌厉的攻势加上天公作梗，鬼子很快突破了防线，大多数阵地被日军占领。只有十六师长曹振铎、副师长顾宏杨、参谋长朱恺仁带着师指机关少许人员仓惶渡江，败退入城，要求陈颐磊允许他们协同城防，以死谢罪。

[1]张新玲,吴增茂.渤海海上测风与沿岸实测风的对比分析[J].海洋预报,1998,15(4):24-31.

当层间位移角到达9%rad，即梁加载中心点位移114.57 mm第一个循环回拉至负向位移最大值时，发出一声巨响，由于焊缝过焊下角钢梁侧钢肢靠近焊缝处发生断裂，荷载瞬间下降至当前荷载的60%，随后第二个循环回拉依然只回复到峰值的66%，遂结束实验。

[2]张增海,曹越男,赵伟.渤海湾海域风况特征分析与海-陆风速对比分析[J].海洋预报,2011,28(6):33-39.

由于实况资料的匮乏，本文主要是利用渤海埕北A平台的实况大风进行个例筛选，方法上存在一定的局限性，因而需要对其他海域的浮标站进一步对该方法进行验证；除此之外，由于EC集合预报的分辨率是1°×1°，导致A平台集合预报产品是通过插值得到，会存在一定的误差，这也是研究过程中需要考虑的问题，因此本研究下一步将利用ASCAT反演的风场来对作为实况，用更大范围的大风验证本方法的适用性。

铁钻工底座主要用来支撑铁钻工绝大部分质量。底座插入到底座套筒中，将整个折臂式铁钻工安装在钻台上，由图1可知底座主要容易产生弯曲，所以将底座设计成圆柱形状并对底座圆柱弯曲强度进行计算。通过计算得到满足条件的圆柱形底座。

[4]尹尽勇,刘涛,张增海,等.冬季黄渤海大风天气与渔船风损统计分析[J].气象,2009,35(6):90-95.

式中：xi为最优百分位预报；AADi为平均绝对误差；Xi为校准后的最优百分位预报；Y为实况风。

2018年3月30 日国家发展改革委印发《必须招标的工程项目规定》（国家发展改革委第16号令）规定：使用国有企业事业单位资金，并且该资金占控股或者主导地位的项目必须招标，自2018年6月1日起施行［3］。《招投标法》规定：国有资金投资的建设工程发承包，必须采用工程量清单计价［4］。

[6]孙密娜,朱男男,王亚男,等.近10年渤海近海A平台大风特征分析[J].海洋通报,2016,35(4):367-379.

[7]侯淑梅,张少林,盛春岩,等.T639数值预报产品对黄渤海沿海大风预报效果检验[J].海洋预报,2014,31(6):48-56.

[8]张志华,郭伟,魏皓.黄、渤海大风频次的年际变化及其影响因子分析[J].海洋预报,2013,30(1):1-8.

[9]颜梅,范宝东,满柯,等.黄渤海大风的客观相似预报[J].气象科技,2004,32(6):467-470.

[10]王畅,刘倩,龙强,等.唐山湾精细化海区大风特征初步分析[J].海洋预报,2016,33(1):11-18.

[11]荣艳敏,闫丽凤,盛春岩,等.山东精细化海区风的MOS预报方法研究[J].海洋预报,2015,32(3):59-67.

[12]朱智慧,黄宁立.全球谱模式T639产品在南汇站风速预报中的统计释用[J].大气科学研究与应用,2011,(1):30-37.

[13]阎丽凤,盛春岩,肖明静,等.MM5、WRF-RUC及T639模式对山东沿海风力预报分级检验[J].气象科学,2013,33(3):340-346.

[14]朱桦,智协飞,俞永庆.消除偏差集合平均在黄海渤海大风预报中的应用[J].安徽农业科学,2011,39(6):3547-3550.

[15]杜钧,李俊.集合预报方法在暴雨研究和预报中的应用[J].气象科技进展,2014,4(5):6-20.

[16]智协飞,林春泽,白永清,等.北半球中纬度地区地面气温的超级集合预报[J].气象科学,2009,29(5):569-574.

层次性的教学评价体系，能够及时了解学生的学习状况，教师可以根据反馈信息进行教学模式的不断调整和优化，不断提升课堂教学效率。诊断性评价、形成性评价、总结性评价和自我评价、小组互评等，都是比较先进的教学评价体系[4]。诊断性教学评价，能够帮助教师了解学生对道德与法治相关知识的掌握程度，有利于教师制订教学计划。小组互评的方式，能够在学生之间形成有效的监督，提升学生的学习积极性和主动性，提升课堂教学氛围。多元化评价体系的构建是提升教学质量的重要途径。

[17]陈博宇,郭云谦,代刊,等.面向台风暴雨的集合预报成员优选订正技术研究及应用试验[J].气象,2016,42(12):1465-1475.

采用MATLAB软件，对成都地铁4号线来龙站—明蜀王陵站间的追踪间隔进行了模拟计算，发现在不对紧急制动距离进行优化时，正线的追踪间隔为100 s(见图5)；当在列车进站前450 m的区域设置36 km/h的功能限速时，可得到最小的追踪间隔78 s(见图6)；当功能限速值更低或限速区域更长时，不会再降低追踪间隔，反而会使得追踪间隔增大。