深切峡谷风特性中尺度模拟和实测

Mesoscale simulation and observation of wind features in a steep valley

摘要

针对雅鲁藏布江深切峡谷，采用现场实测和中尺度天气研究与预报模式（WRF）研究了近地风速、风向、温度和压力的整月变化，分析了气象参数的剖面和平面特征，对比了ERA5、ERA-Interim和FNL三种再分析资料对风场模拟精度的影响.三种再分析资料均能较好地再现风速的变化趋势，其中ERA5算例与实测风速的相关性最高，误差最低，对风速昼夜变化的模拟效果最好，并能较好地预测强风的时刻和大小.受热力和局部地形影响，山谷风特征突出，强风和中性大气多出现在日落附近时间，日出附近则多为弱风和稳定成层状态.常态山谷风的风向受地形限制，而大尺度强对流天气使近地风向同地形的相关性不显著.

Abstract

For the steep Yarlung Zangbo River Valley， site observations and the mesoscale weather research and forecasting model （WRF） were used to investigate the month-long variations in surface wind speed， wind direction， temperature， and pressure. The profiles and horizontal distributions of meteorological parameters were analyzed. The impacts of three reanalysis datasets—ERA5， ERA-Interim， and FNL—on the precision of wind simulation were discussed. The variation trends of wind speed were effectively predicted using each of the reanalysis datasets. The ERA5 case had the best correlation and the smallest error coefficients to the observation wind speed. The ERA5 case effectively captured the diurnal change of wind speed and can predict the time and magnitude of strong winds. Due to the thermal and terrain effects， the valley wind pattern is significant. Strong winds and neutral air conditions were observed around sunsets， while weak winds and stable air stratifications occurred around sunrises. The wind direction was more constrained by topography in typical valley winds. Large-scale severe convective weather events， however， reduced the correlation between wind direction and topography.

Graphical abstract

关键词

桥址风特性 / 山谷风 / 青藏高原 / 天气研究与预报模式（WRF） / 现场实测 / 数值模拟

Key words

wind features at bridge sites / valley wind / Qinghai-Tibet Plateau / weather research and forecasting model （WRF） / site observation / numerical simulation

随着“西部大开发”战略的实施，青藏高原和横断山脉等西南山区的大跨度桥梁、输电塔、风机等基础设施的建设需求日益突出^［1-3］.同平坦地形相比，风在流经峡谷、高山、海峡等复杂地形时易产生越山风、山谷风和特征湍流等流动现象，威胁结构抗风安全^［4-5］.山区风特性的研究需求日益突出.

青藏高原具有高海拔、复杂地形、大高差、高原植被覆盖等独特的地形地貌特征，以及低温、低空气密度、高原季风气候^［6-7］等天气现象.青藏高原的大气边界层不同于相同纬度的低海拔地区，具有高度较低^［8］、逆温较强^［9］的特点，与北极地区^［10］相似.对于雅鲁藏布江峡谷等深切峡谷，其风场特性受中小尺度地形和热力条件的影响更为突出^［10-11］.复杂地形一般会降低近地风速，形成山谷S型速度剖面；但当来流风向与山谷走向一致时，容易产生更高的风速，即通道效应^［12］.Yu等^［13］指出，在深谷内，近地风速具有较强的非平稳特性和较大的湍流强度，与设计规范的风特性有较大区别.Yao等^［6］认为季风气候和地形是影响青藏高原风特征的两个主要因素.Egger等^［7］观测了喜马拉雅山卡利甘达基（Kali Gandaki）谷地的风场，发现强烈的上山谷风与局地温差有关^［14］.

天气研究与预报模式（weather research and forecasting model，WRF）^［15］是一种中尺度数值气象模式，可较为准确地模拟复杂地形风场^［16-17］.中尺度是指10⁰~10² km的空间尺度和1 min~1 d的时间尺度.中尺度模拟时应考虑流体控制方程组中的一些在其他尺度下被忽略的项，如科里奥利力和湍流等^［18］.Gao等^［19］对整个青藏高原的温度、湿度、风和气压进行了长时间（32年）低分辨率（30 km）的WRF模拟.Ma等^［20］通过1 d高精度（1 km）WRF模拟研究了雅鲁藏布江流域辐射、热通量和温度的时程.Gao等^［19］和Ma等^［20］都认为，由于青藏高原强烈的热力效应，WRF中的陆面模式（LSM）至关重要，Noah LSM^［21］提供了相对准确的结果.WRF模拟中的边界条件和初始化主要基于气象再分析资料，其准确性对WRF风场模拟的结果至关重要.常用的全球气象再分析资料包括欧洲中期天气预报中心（ECMWF）提供的ERA-Interim、ERA5数据和美国国家环境预报中心（NCEP）提供的FNL数据等.Dong等^［10］比较了同样时间、空间分辨率的ERA-Interim和FNL再分析数据在WRF高纬度风场模拟中的应用，并指出采用ERA-Interim时近地风速的模拟精度较高.Solbakken等^［22］发现，相比ERA-Interim，更高空间和时间分辨率的ERA5再分析数据可提高WRF复杂地形风场模拟的精度.Parra^［23］评估了五组全球气象再分析数据FNL、GFS、NCEP2、ERA-Interim和ERA5在模拟厄瓜多尔安第斯地区近地风速方面的性能，并指出复杂地形和高海拔地区的观测资料不足会影响再分析数据本身的精度.WRF的复杂地形风场模拟结果受初始化数据、边界条件、网格、物理方案、数值方法和数据同化等多种因素的影响.精细化的风场模拟必须根据局地实际情况进行最合适的参数化方案选择，一个地区的最佳方案组合不一定适用于另一个地区^［24-25］.总的来说，现有研究较少关注青藏高原地区高度复杂地形的风场数值模拟，特别是对近地风特性的研究仍有不足.

本文采用WRF数值模拟和现场实测的方法研究了雅鲁藏布江深切峡谷的近地风、温度和压力的中长期特性，分析了ERA5、ERA-Interim、FNL等三种不同时间、空间分辨率的气象再分析数据对风场模拟精度的影响，讨论了雅鲁藏布江峡谷风场的昼夜变化、地形效应和热力效应等特征.本文可为青藏高原和横断山脉等地区基础设施建设的工程场址比选和结构抗风设计提供参考.

1 现场实测数据和数值模拟设置

1.1 观测资料

藏木测风塔位于青藏高原东南部雅鲁藏布江峡谷底部.雅鲁藏布江在藏木测风塔附近大致由西北流向东南，形成了一个狭窄陡峭的山谷，经过藏木测风塔后，河水转向东方，河谷变得更宽.如图1所示，藏木测风塔位置海拔高度3 337 m，藏木测风塔西南坡和东北坡山顶与谷底的高度差分别为1 590 m和2 070 m，平均坡度比分别为1∶1.67和1∶1.80.三个机械式风速计分别安装在离地面10 m、25 m和40 m高度位置，水平风速U的采样时距为1 s.为方便同数值模拟结果对比，文中的风速实测结果均为10 min平均值.现场实测采用世界标准时间（UTC），时间范围为2014年12月1日-2014年12月31日.当地时间（按经度计算的地方时）比UTC时间早6.2 h左右.

1.2 模型设置

采用4.1.3版本的WRF模式模拟了雅鲁藏布江峡谷的大气边界层风场.采用WRF的科研用计算内核（ARW）^［15］求解完全非静力平衡可压缩欧拉方程组.如图2（a）所示，以藏木测风塔为中心设置三个单向嵌套域d01、d02、d03，最外层d01横跨喜马拉雅山脉，涵盖了部分青藏高原和恒河平原，d01、d02和d03均水平离散为90×90的网格点，间距分别为13.5 km、4.5 km和1.5 km.由于WRF模式中应用了欧拉方程和数值滤波，因此不建议对灰度区域频率或更高频率的风进行模拟，1.5 km的网格分辨率已经足够精细^［26］.模型中设置了59个垂直压力层，顶层压力为50 hPa，计算过程中压力层的绝对高度不是恒定的.雅鲁藏布江流域地形复杂，昼夜温差和风向变化明显，高分辨率高程数据能更准确地模拟地表压力^［15］.Wu等^［27］发现，在复杂地形和平坦地形中使用粗略地形数据会导致风速的高估.本文采用ASTER GDEM v2高程数据进行地形初始化，其水平间隔为1弧秒，在中纬度约为30 m，小于d03的网格分辨率.土地植被初始化采用美国地质调查局24类土地覆盖数据，并通过该数据定义地表粗糙度长度.如图2（b）所示，d03域的土地利用类型为农作物/草地、灌木、森林和湿地四种，农作物/草地分布在西北窄谷和东南宽谷的底部，灌木或森林常位于山坡和山脊.

1.3 初始化数据、数值选项和物理方案

初始化数据方面，比较了0.25°逐小时的ERA5、1°每6 h的ERA-Interim、1°每6 h的FNL等三种再分析资料.计算中采用了四位数据同化中的格点同化方案（grid nudging），即采用再分析数据同化WRF计算域中格点的计算结果.数值模拟时间范围为UTC时间2014年12月1日00：00：00-2014年12月31日18：00：00.时间积分采用三阶Runge-Kutta方案.d01、d02和d03的时间步长分别为30 s、10 s和3.33 s.声学模式则通过附加的子步骤求解.空间离散化使用有限差分法.物理参数化方案的选择较多地考虑了青藏高原特殊的地理和气象特点.外层区域d01采用Kain-Fritsch方案进行积云参数化，d02和d03则不使用积云方案.考虑到在寒冷地区冰/雪生成和融化的重要性，选用了Morrison 2-mom微物理模型.短波辐射物理过程使用Dudia方案，长波辐射物理过程使用RRTM方案.根据以往在西藏的WRF模型研究^［20］，陆面模式选择统一的Noah LSM.由于行星边界层方案（PBL）对近地风模拟结果的影响较大，考虑到峡谷地形的热成风效应更为突出，本文采用了能够较为准确模拟复杂地形温度变化、更加适合高原和寒冷地区的QNSE方案^{［10，28］}.

2 气象再分析资料对风场模拟的影响

2.1 近地25 m风速时程

图3给出了25 m高度10 min平均风速时程的整月实测结果，并比较了ERA5、ERA-Interim和FNL三种再分析资料驱动的WRF算例的最内层计算域测站位置数值模拟结果的10 min平均风速.图中p1，p2，…，p31表示实测数据中每天的最大10 min平均风速.从实测的风速数据来看，31个测试日可以分为3组.1）典型热驱动山谷风（12月1-7日、12-13日、19-25日、28-31日，占64.5%天数）：风速的昼夜变化显著，大部分日期的最大风速都在10 m/s以下（p1~p7、p12~p13、p19~p21、p23、p25、p28、p30~p31），但也有部分日期的最大风速达到10~12 m/s（p22、p24、p29），说明当地山地气候并不只是产生弱风. 2）不规则山谷风（12月8-11日和14-16日，占22.5%天数）：风速日变化仍占主导地位；峰值风速通常大于（p8、p15~16）或接近（p9~11、p14）10 m/s；在日落后3 h至午夜存在5 m/s左右的中等风速，不同于1）组观察到的3 m/s以下的弱风；其中12月8日观测10 m/s以上间隔7 h左右的两次强风，表明局地风受到天气尺度事件的影响.3）强风主导（12月17-18日、26-27日，占13%天数）：风速昼夜变化不显著，最大风速可大于15 m/s（p17、p26），大于或约5 m/s的风速可持续半天以上；日出前后风速较大，不同于典型山谷风，说明当发生较强的天气尺度事件时，峡谷风较多的受到高层大气的影响.

同实测数据相比，使用三种再分析资料的WRF模拟得到的风速时程曲线的变化趋势较为一致，均捕捉到了风速的日变化特征，说明三种再分析资料均能反映气候背景场.从图3可见ERA5可更准确地模拟典型山谷风和不规则山谷风组高风速和低风速的出现时间，说明ERA5数据较高的时间和空间分辨率可有效提高WRF风速模拟的精度.FNL算例对典型山谷风和不规则山谷风组的日最大风速模拟结果偏高，具最大风速的出现有一定的滞后性，且存在较多的异常点（12月9、14日）.ERA-Interim算例的精度则介于二者之间.三种再分析资料的算例均有一定的极端风速捕捉能力，如强风主导组的12月15-17日；但12月18-19日三组计算均模拟出了持续时间较长的强风，同时三组计算均未捕捉到26日的极值风速，相对实测值有一定的偏差.WRF对极值风速的捕捉能力较差，与模式本身的控制方程、数值黏性、PBL方案有关，也可能受到再分析资料及数据同化误差的影响^［10］.

2.2 相关性和误差统计

通过计算三组算例在测站位置10 m、25 m、40 m三个高度整月10 min平均风速时程同实测值的相关系数ρ、平均偏差MB、平均绝对误差MAE、均方根误差RMSE等4个统计指标［式（1）~（4）］，可以进一步量化评价ERA5、ERA-Interim和FNL三种再分析资料对WRF风速模拟精度的影响.式（1）~（4）中U和U_m分别为模拟和观测的10 min平均风速时程，下标avg表示平均值，N=4 428为样本数.相关系数 ρ（-1≤ρ≤1）表示模拟结果与观测数据之间的线性相关性，ρ越接近1表示正相关越强.MB为正/负表示WRF高估/低估了平均风速.MAE和RMSE均可衡量与观测数据的绝对偏差，其中RMSE对局部偏差更为敏感.

\rho \left(U,U_{\mathrm{m}}\right)=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}\left(U_i-U_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)\left(U_{\mathrm{m}i}-U_{\mathrm{m}\mathrm{a}\mathrm{v}\mathrm{g}}\right)}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(U_i-U_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(U_{\mathrm{m}i}-U_{\mathrm{m}\mathrm{a}\mathrm{v}\mathrm{g}}\right)}^{\mathrm{2}}}}（1）

\mathrm{M}\mathrm{B}\left(U,U_{\mathrm{m}}\right)=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}\left(U_i-U_{\mathrm{m}i}\right)（2）

\mathrm{M}\mathrm{A}\mathrm{E}\left(U,U_{\mathrm{m}}\right)=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}\left|U_i-U_{\mathrm{m}i}\right|（3）

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}\left(U,U_{\mathrm{m}}\right)=\sqrt[]{\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(U_i-U_{\mathrm{m}i}\right)}^{\mathrm{2}}}（4）

从表1的统计结果来看，ERA5在雅鲁藏布江峡谷风场WRF模拟精度上显著优于另两种再分析资料.从相关系数ρ来看，高分辨率的ERA5数据的ρ值在10 m、25 m和40 m三个高度上均保持最高相关性优势，值分别为0.346、0.369和0.373，显著优于ERA-Interim和FNL数据集，随着高度的增加其优势也进一步扩大.ERA5在所有高度上均表现出更强的风场时空相关性，表明其能更精确地捕捉复杂地形下的近地风速分布特征.三种再分析资料的3个高度的MB都大于0，表明WRF通常高估了地面风速.总体上在偏差与误差方面，ERA5的平均偏差MB在各高度最接近零值，对于WRF模拟的高估问题显著弱于其他数据集，如ERA-Interim在10 m高度的MB为0.989，ERA5数据集仅有0.111.同时，三个高度的ERA5平均绝对误差MAE和均方根误差RMSE比ERA-Interim和FNL算例低，表明其对极端风速事件的模拟更具准确性，尤其在40 m模拟中误差控制能力更强.

2.3 风和温度的昼夜变化特征

图4挑选了12月3日12：00：00-12月6日12：00：00的典型山谷风过程［图4（a）］、12月15日12：00：00-12月17日00：00：00的不规则山谷风过程［图4（b）］和12月17日00：00：00-12月18日12：00：00的强风过程［图4（b）］等三个典型时段，对比了三组WRF算例藏木测风塔位置的25 m高度风速U和2 m温度T计算结果，并列出了风速的观测结果作为对比，其中夜间时段以阴影表示.对于典型山谷风过程，雅鲁藏布江流域底部地面风和温度的日循环显著，近地气温的日变化范围仅为5 °C左右.日最大风速［图4（a）中的p3、p4和p5］始终出现在日落附近，此时地面吸收了一整天的太阳辐射，形成热力驱动的局地环流^［7］.U和T的时间序列之间呈现较强的相关性，时间差约为6 h.图4（b）为局部山谷风天气向大尺度强风天气的转变过程，冷空气在12月15-16日进入雅鲁藏布江峡谷，引起近地气温下降约10 °C，此后气温日变化幅度增大.不规则山谷风过程的日落附近风速较大，日出附近风速较小，仍表现出一定的热驱动山谷风特征；但其日最大风速明显大于典型山谷风过程.对于强风过程，其极值风速较高，风速日变化的规律不明显.图4（a）和（b）中风速观测值都有较强的波动，这与湍流边界层、微尺度天气系统和地形绕流有关；由于网格分辨率、网格数和PBL参数化的影响，WRF对湍流边界层的准确模拟受限^［10］.

2.4 风速剖面

选取了日落前强风期（UTC时间09：00-12：00）和日出前弱风期（UTC时间21：00-24：00）两个典型时间段，将WRF d03区域的整月结果进行平均，得到了藏木测风塔位置风速U［图5（a）（b）］和势温θ［图5（c）（d）］剖面的三组WRF算例结果，并列出了风速实测结果作为对比.强风和弱风时ERA5算例的近地风速值和剖面形状与实测基本一致，ERA-Interim和FNL算例均高估了弱风天气的近地风速，ERA-Interim算例高估了强风天气的近地风速.日出前弱风期近地大气为稳定成层状态，势温梯度大、边界层高度低、平均风速及其梯度小，近地风速切变不显著.这是由于夜间地表温度的下降速度快于其上方空气，势温梯度较大，垂直方向的浮力作用抑制了近地的空气扰动，表现为近地弱风天气和较低的大气边界层高度^［10-11］.对于日落前强风期，其势温梯度较弱，近地风速切边较强，边界层高度也较大，表现出中性流的特点，大气边界层湍流得到更为充分的发展.对于强风和弱风天气，ERA5算例的边界层温度均最低，FNL算例次之，ERA-Interim算例则最高，温度边界条件的准确性对近地风速模拟结果有一定的影响.

3 深切峡谷的近地风场特性

3.1 边界层特性随时间的变化

选取采用ERA5再分析资料的WRF工况，进一步讨论雅鲁藏布江深切峡谷的风场特性.藏木测风塔位置880 m高度内的10 min平均风速、风向、势温和气压的剖面时程如图6所示.由图6（a）可知，风速一般随高度增加而增加.风速的日变化在地表和地面以上100~500 m内较为显著，表现出山谷风的特征；而较高位置的风速较强，日变化不显著.图6（b）中的近地风向具有明显的昼夜周期性变化，体现出山谷风的特征；而高空风向的昼夜变化相对不明显，且高空的风向相对低空有明显偏转，这说明复杂地形和山谷热成风对山谷内部近地风的影响比高空更加显著.需要注意的是，12月15-18日的强风过程近地和高空均没有出现风向的昼夜变化，体现出较强的大尺度天气过程对峡谷风场的影响.图6（c）和6（d）的势温和压力剖面时程同样表现出显著的昼夜变化特征.

3.2 复杂地形对近地和高空风场特性的影响

针对近地25 m和高空880 m两个高度，图7和 图8分别给出了ERA5算例在4个典型时刻，即UTC时间02：00（白天）、09：00（白天）、17：00（夜间）、 21：00（夜间）整月平均后得到的水平流线图（彩色箭头曲线），颜色表示风速大小.黑色曲线为地形等高线.范围为d03计算域中心15 km × 15 km方形区域［即图2（b）红色方框］，图中圆点标记了计算域中心的藏木测风塔位置.如图7所示，25 m高度位置山谷风特征明显，流线在峡谷内汇合.西北窄谷和东南宽谷的风速明显小于东南山地和东北山地.藏木测风塔风向由白天的南风和东南风向夜间的西南风转变.在880 m高度（图8），西北窄谷对流线方向的影响相对较弱，越过窄谷的风以西风为主，与两侧山地一致，而东南宽谷则出现了与两侧山地相反的流动现象.对于藏木测风塔位置，随着高度的增加则更多地表现出西风的特点.

4 结 论

本文采用WRF中尺度数值气象模式和现场实测方法研究了雅鲁藏布江峡谷近地整月风场特性，并对比了ERA5、ERA-Interim和FNL三种再分析资料对WRF风场模拟精度的影响，讨论了峡谷风场的时空特性，主要结论如下：

1）在ERA5、ERA-Interim和FNL三种再分析资料中，ERA5的WRF模拟精度最高，同实测数据的相关性最强，误差最低.采用ERA5的WRF算例可较好地模拟雅鲁藏布江峡谷高度复杂地形的中长期风速变化，以及边界层风速、风向、温度和压力的昼夜变化，并在一定程度上模拟强风天气的时刻和大小.

2）雅鲁藏布江峡谷近地风场具有显著的昼夜循环现象，表现出山谷热成风的特点.在2014年12月，典型山谷风和不规则山谷风天气占总天数的约87%.日出前的弱风期近地大气为稳定成层状态，近地风速低，风速切边弱.日落附近的强风期则为中性大气状态，近地风速和风速切边变强.WRF较好地模拟了复杂地形和热力效应对山谷热成风的影响.需要注意的是山谷风天气也可能出现10 m/s以上的较高风速，需要在桥梁抗风设计和风力发电等应用中重点考虑山谷风的主导风向和风速范围.

3）强风主导天气的天数占测试时段的约13%，其峡谷近地风场主要受大尺度天气过程的影响.强天气事件会干扰当地山谷风气候，导致垂直和水平方向的风速风向分布较为均匀，复杂地形的影响不突出.需注意当大尺度天气的主导风向同山谷局部的走向一致时，可能由于两侧山坡的“通道效应”放大近地风速，对桥梁抗风较为不利.

4）采用PBL方案的WRF模式对极值风速和湍流的模拟效果欠佳，后续应采用WRF和LES外部耦合方法或WRF内部的LES方法进一步研究峡谷近地风场，并同多点实测结果对比.

5）在长期WRF风场模拟和短期近地湍流模拟结果的基础上，可通过风速概率模型和极值统计方法获得桥址设计风速指标，服务工程建设.

参考文献

[1] 何旭辉， 秦红禧， 邹云峰， 等 ．台风外围影响下的大跨度拱桥桥址区近地风特性实测研究［J］．湖南大学学报（自然科学版）， 2017， 44（1）： 23-31．

[2] HE X H， QIN H X， ZOU Y F，et al. Field measurement and investigation of wind characteristics at the site of a long-span arch bridge in the periphery of typhoon kujira［J］. Journal of Hunan University （Natural Sciences）， 2017，44（1）：23-31．（in Chinese）

[3] 杨伟超，赵文， 邓锷， 等 ．高铁挡风墙端部2种缓冲结构的气动性能对比［J］. 中南大学学报（自然科学版）， 2022，53（5）：1941-1954．

[4] YANG W C， ZHAO W， DENG E，et al ．Comparative study on aerodynamic performance of two buffer structures at the ends of high-speed railway windbreak［J］. Journal of Central South University （Science and Technology），2022，53（5）：1941-1954．（in Chinese）

[5] 蔡陈之，詹晏辉，何旭辉，等 ．高速列车作用于人行道盖板的脉动风压特性［J］．中南大学学报（自然科学版），2024，55（5）：1771-1781．

[6] CAI C Z， ZHAN Y H， HE X H，et al ．Fluctuating wind pressure characteristics of sidewalk cover under action of high-speed train［J］．Journal of Central South University （Science and Technology），2024，55（5）：1771-1781．（in Chinese）

[7] GAO Y， MA S X， WANG T ．The impact of climate change on wind power abundance and variability in China［J］．Energy，2019，189：116215．

[8] 董浩天，陶韬， 杜晓庆. 沿海复杂地形台风登陆过程风场多尺度数值模拟［J］．空气动力学学报， 2021， 39（4）： 147-152．

[9] DONG H T， TAO T， DU X Q ．Multi-scale numerical simulation of the wind field over a coastal complex terrain during a typhoon landfall［J］. Acta Aerodynamica Sinica，2021，39（4）：147-152．（in Chinese）

[10] YAO Z Y， LI X Y， XIAO J H ．Characteristics of daily extreme wind gusts on the Qinghai-Tibet Plateau，China［J］. Journal of Arid Land，2018，10（5）：673-685．

[11] EGGER J， BAJRACHAYA S， EGGER U，et al. Diurnal winds in the Himalayan Kali Gandaki Valley. part Ⅰ：observations［J］. Monthly Weather Review， 2000， 128（4）： 1106-1122．

[12] GU L L， YAO J M， HU Z Y，et al. Characteristics of the atmospheric boundary layer’s structure and heating （cooling） rate in summer over the Northern Tibetan Plateau［J］. Atmospheric Research，2022，269：106045．

[13] WANG C X， MA Y M， HAN C B，et al ．The impact of the summer monsoon on the convective boundary layer height in different regions of the Tibetan Plateau［J］. Atmospheric Research，2024，300：107252．

[14] DONG H T， CAO S Y， TAKEMI T，et al ．WRF simulation of surface wind in high latitudes［J］. Journal of Wind Engineering and Industrial Aerodynamics， 2018，179：287-296．

[15] DONG H T， CAO S Y， GE Y J. Large-eddy simulation of stably stratified flow past a rectangular cylinder in a channel of finite depth［J］. Journal of Wind Engineering and Industrial Aerodynamics，2017，170：214-225．

[16] SONG J L， LI J W， FLAY R G J ．Field measurements and wind tunnel investigation of wind characteristics at a bridge site in a Y-shaped valley［J］．Journal of Wind Engineering and Industrial Aerodynamics，2020，202：104199．

[17] YU C J， LI Y L， ZHANG M J，et al ．Wind characteristics along a bridge catwalk in a deep-cutting gorge from field measurements［J］．Journal of Wind Engineering and Industrial Aerodynamics，2019，186：94-104．

[18] BLEEG J， DIGRASKAR D， WOODCOCK J，et al ．Modeling stable thermal stratification and its impact on wind flow over topography［J］．Wind Energy，2015，18（2）：369-383．

[19] SKAMAROCK W C， KLEMP J B ．A time-split nonhydrostatic atmospheric model for weather research and forecasting applications［J］. Journal of Computational Physics，2008，227（7）：3465-3485．

[20] CUEVAS-FIGUEROA G， STANSBY P K， STALLARD T. Accuracy of WRF for prediction of operational wind farm data and assessment of influence of upwind farms on power production［J］. Energy， 2022， 254： 124362.

[21] PERINI DE SOUZA N B， SPERANDIO NASCIMENTO E G， BANDEIRA SANTOS A A，et al ．Wind mapping using the mesoscale WRF model in a tropical region of Brazil［J］. Energy，2022，240：122491．

[22] MARKOWSKI P， RICHARDSON Y. Mesoscale meteorology in midlatitudes ［M］. Chichester： Wiley-Blackwell， 2010： 11-40.

[23] GAO Y H， XIAO L H， CHEN D L，et al ．Quantification of the relative role of land-surface processes and large-scale forcing in dynamic downscaling over the Tibetan Plateau［J］. Climate Dynamics，2017，48（5）：1705-1721．

[24] MA S P， ZHOU L B， LI F，et al. Evaluation of WRF land surface schemes in land-atmosphere exchange simulations over grassland in Southeast Tibet［J］. Atmospheric Research， 2020，234：104739．

[25] LIVNEH B， XIA Y L， MITCHELL K E， et al. Noah LSM snow model diagnostics and enhancements［J］. Journal of Hydrometeorology， 2010， 11（3）： 721-738.

[26] SOLBAKKEN K， BIRKELUND Y， SAMUELSEN E M. Evaluation of surface wind using WRF in complex terrain： atmospheric input data and grid spacing［J］. Environmental Modelling & Software， 2021， 145： 105182.

[27] PARRA R ．Effect of global atmospheric datasets in modeling meteorology and air quality in the Andean Region of Ecuador［J］．Aerosol and Air Quality Research，2022，22（11）：210292．

[28] 汤胜茗， 黄穗， 余晖，等 ．运动学效应对登陆台风近地面风场模拟的影响［J］．同济大学学报（自然科学版），2020，48（1）：123-131．

[29] TANG S M， HUANG S， YU H，et al ．Impact of kinematic effects on simulated near-surface wind field of landfall typhoons［J］．Journal of Tongji University （Natural Science）， 2020， 48（1）： 123-131．（in Chinese）

[30] WANG J Z， ZHANG H B， CHEN J，et al ．Construction of multiscale initial perturbations and the associated impacts on convection-permitting ensemble forecasting［J］. Atmospheric Research，2024，297：107121．

[31] SUN Y， YI L， ZHONG Z，et al ．Performance of a new convective parameterization scheme on model convergence in simulations of a tropical cyclone at grey-zone resolutions［J］. Journal of the Atmospheric Sciences， 2014， 71（6）： 2078-2088．

[32] 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．

[33] DONG H T， ZHANG Y G， TAO T，et al ．Sensitivity of near-ground wind to PBL schemes，reanalysis data，and nudging in month-long WRF simulations in the Tibetan Plateau with highly complex terrain［J］．Atmospheric Research，2025，323：108161．

基金资助

国家自然科学基金资助项目(52008239)

国家自然科学基金资助项目(52308474)

National Natural ScienceFoundation of China(52008239)

National Natural ScienceFoundation of China(52308474)

福建省住建厅科学技术计划资助项目(2025-K-19)

Fujian Provincial Housing and Urban-Rural Development Science and Technology Project(2025-K-19)