1.简介
随着人类社会的快速发展，对能源的需求也相应增加。与此同时，我们面临着日益严重的环境危机[1]. 许多国家一直致力于可再生能源，以减少温室气体排放并减轻气候变化的影响[2]. 其中，海上风能资源因其安全、无污染、分布广泛、储量巨大而特别具有吸引力。 中国沿海城市被誉为国家的“财富带”和“命脉带”。这些地区对清洁风能的需求特别大。研究表明，中国东南沿海具有丰富的海上风能潜力。水深在50至100米的地区的风能几乎是水深在0至50米或100至250米地区的两倍[三]. 由于海上风电场的能源性能优势仅在运营约9年后显现[4]，探索中国海洋可再生海上风能的稳定性和可持续性具有重要意义。了解区域风能资源的变异性以及气候波动对其的影响，不仅对短期风能预测非常重要，而且对长期尺度的预测也非常重要，这对于支持海上风电场的发展和规划具有重要意义。中国海上风能的开发也将对实现中国在2030年前实现二氧化碳排放量最大化和2060年前达到碳中和的目标发挥重要作用[5]. 高分辨率海洋风数据对区域海上风能评估至关重要[6]. 随着遥感技术的发展，散射计可以观测到空间分辨率从几十米到几十公里的海面风（例如[7,8])、辐射计（例如[9,10])和合成孔径雷达（SAR）（例如[11,12,13])具有高精度的仪器平台。因此，与传统的现场测量相比，卫星数据在提供风场空间信息方面具有优势，因此被广泛用于海上风资源分析。其中，散射计数据的空间覆盖范围大，重复周期短。因此，该数据集不仅可以用于本地风力发电分析，还可以用于全球风力发电分析。基于散射计风场，在评估巴西东南部近海风资源方面进行了大量工作[14]地中海[15]北海和波罗的海[16]、东海和南海[17,18]摩洛哥沿海地区[19]和全球海洋[20]还有。然而，大多数早期的研究都局限于单个散射仪，如快速散射仪（QuikSCAT），由于数据中的土地污染，历史数据的粗略空间分辨率（25-50公里）限制了沿海地区的评估。最近，一些研究人员使用了来自多散射计或SAR的混合风[21,22,23]. 例如，阿伦·库马尔（Arun Kumar）通过使用散射计（包括QuikSCAT、高级散射计（ASCAT）和海洋散射计（OSCAT））的风数据组合[21]分析了印度海上风速和风力密度的季节和年度地图。现场海上风测量的其他替代方案是数值天气预报（NWP）模型输出[18,24]和重新分析的风[25,26,27]与卫星观测相比，其空间分辨率通常较低，但时间序列较长。 以前的大多数研究都基于各种数据集讨论了不同时间尺度上风速的空间模式，即年、季节和月变化，但很少研究长期变化及其与气候变化的联系[28]. 最近，Wen等人[29]利用55年模式再分析数据集，显示了南海风资源在年际和年代际时间尺度上的时空格局。然而，并没有介绍变异的机制。作为一项开创性工作，Hamlington等人[30]利用循环平稳经验正交函数（CSEOF）方法分析了厄尔尼诺-南方涛动（ENSO）等气候振荡对美国风力发电站地面风资源的影响。根据对风再分析数据的分析，他们得出结论，年度和年际气候变化对风场的影响超过30%。Watts等人[31]基于位于海岸、山谷或高地的风场测量，介绍了ENSO在智利风能项目整个生命周期中的经济影响。通过使用经验正交函数（EOF）分析，Yu等人[32]基于气候预测系统再分析（CFSR）数据集，研究了中国陆地风能的年际变化，并分析了其与大尺度环流变化的联系。然而，气候振荡对海上风资源变化的影响却很少受到关注。 在中国海洋(图1)，风气候是东亚季风系统的一部分。气候振荡对风场或风能时空格局的影响不容忽视[33]. 早期对该地区海上风资源研究的研究仅限于使用空间分辨率相对较低的不同数据源（如NWP模型输出）进行整体潜力评估[18,24]，再分析数据[27]和散射计数据[33]、和仅限于特定时间段。迄今为止，尚未尝试使用长期协同散射计数据和再分析对海上风能及其气候振荡可能产生的影响进行详细的综合评估。 本研究的主要目的是基于2000-2016年QuikSCAT和ASCAT海岸风产品，以12.5 km的高空间分辨率，研究中国海风能资源的地理和时间变化。采用CSEOF方法对散射计数据和38年CFSR数据（1979-2016，网格尺寸0.5°×0.5°）进行分析，并对结果进行比较。本文组织如下。数据和CSEOF方法介绍于第2节.第3节给出了散射计风场的验证结果以及研究区域海上风资源的时空变异性。不同强度水平的ENSO事件对风资源的调制讨论如下第4节，后跟中的摘要第5节. 2.材料和方法
本节简要介绍了ASCAT和QuikSCAT风产品、CFSR数据集以及部署在中国沿海地区的13个系泊浮标的风矢量现场测量，这些数据用于评估ASCAT数据的准确性。本节还介绍了CSEOF方法的详细信息。
2.1. 数据
2.1.1. 散射计风和浮标测量
虽然散射计风数据记录与一些再分析数据相比相对较短，但具有较高的空间分辨率，这有助于揭示海上风资源的精细结构。据此，我们将结合ASCAT和QuickSCAT产品，得出一个协同长期（17年）散射计风数据集，用于中国海的风资源分析(图1). 对于MetOp-A/B卫星上的ASCAT，本研究使用了2007年至2016年的网格化每日沿海产品。该数据集由哥白尼海洋环境监测服务（CMEMS）发布，空间分辨率为12.5 km。该产品过滤掉了陆地或雨水污染的足迹，特别适用于海岸附近的风测量[34]. 2017年1月至3月期间，纬向和经向ASCAT风分量与同位浮标测量值之间的标准偏差分别为1.71 m/s和1.78 m/s。平均风速偏差约为0.04 m/s（参考[34]详细信息）。 为了评估中国海ASCAT沿海风产品的准确性，还下载了沿途数据集，并与13个系泊浮标的风矢量测量值进行了比较(图1)2013年7月至2015年12月期间，位于中国沿海地区。浮标风场是在海面以上10米的高度测量的，每小时报告一次。我们通过消除所有被标记为雨水污染、陆地或冰上的风回收，选择了沿轨道的风数据进行评估。 QuikSCAT于1999年6月推出。直到2009年11月，由于天线旋转机构的机械故障，主仪表天线停止旋转，它一直保持完全运行并每天提供全球风图[35]. 因此，网格化每日QuikSCAT沿海产品为1999年8月至2009年11月。它的空间分辨率为12.5 km，风速均方根误差（RMSE）为1.01 m/s，公海风向为23°[36]. 2.1.2. CFSR风
CFSR被设想和实施为一个耦合的大气-海洋-陆地-表面-海洋-冰系统，以对这些相关领域的状况进行最佳评估。在研究区域，数据集的空间分辨率为0.5°，时间间隔为6小时。产品中的风速显示，中国海的均方根误差和平均偏差分别为2.30 m/s和0.16 m/s[37]. 因此，我们使用CFSR风数据来显示气候振荡对海上风资源的影响。总的来说，大约38年的CFSR（1979-2010）和CFSv2（J2011-2016）数据可用于分析[38,39]并与散射计数据的结果进行了比较。 通常，海面以上70米处的风用于风力资源评估。在这里，我们选择了Hsu等人的公式[40]从10米处计算70米处的风，其中u70是70 m（z）高度处的计算风70); u个10是10 m（z）处的输入风10); z（z）0是表面粗糙度，并根据之前的工作设置为经验常数0.003[41,42]. 2.2. CSEOF分析
在之前的工作中（例如[32])传统的EOF分析方法被用来研究风能变化的时空分布特征。它假设输入数据记录是一个平稳过程，并将其分解为由单个空间模式和相应幅度时间序列组成的一系列单独模式的总和。然而，气候科学和地球物理学中的大多数现象都是非平稳的，并且是随时间变化的。传统的EOF分析无法捕捉信号随时间的波动和演变，例如年周期，传统EOF分析使用与时间无关的（平稳的）加载向量（LVs）和主成分时间序列（PCTS）来表示分析数据记录的空间模式和幅度变化。相反，CSEOF分析提供了一个理想的框架，用于确定所分析的地球物理过程（循环平稳）中因年周期调制、ENSO和其他气候振荡（参见[43]以及其中的参考）。该方法已成功应用于揭示中国海的低频海平面变化[44,45]气候振荡对美国陆地风资源变化的影响[30]. CSEOF分解数据记录T型(第页,t吨)到由加载向量'组成的一组模式低压'和相应的主成分时间序列'个人计算机’. 其描述如下：其中'd日“是一个给定的嵌套周期，并根据对要分析的数据的某种物理感觉或理解来确定，以及”我'表示我第个CSEOF模式。在方程式（3）中，'低压'与时间相关且具有周期性d日’. 当关注年周期和ENSO信号时，嵌套周期d日'定义为一年[43]. 图2是散射计和CFSR风数据的CSEOF分析流程图。对于月风速数据集低压1月至12月将有12个空间模式，描述了一年中年风速的物理演变。PCTS描述了年风速的年际振幅波动。 3.结果
文中给出了ASCAT在中国近海观测风矢量的精度评估结果。
3.1. 散射仪风产品的验证
先前的研究表明，ASCAT和QuikSCAT等星载散射计在观测全球海洋表面风方面表现良好（例如[46,47,48]). 在海面后向散射信号受到陆地污染的沿海地区，风的反演精度可能会降低。为了检验ASCAT产品在中国沿海的准确性，我们对2013年至2015年期间中国沿海13个系泊浮标的ASCAT风和现场测量值进行了系统比较。数据匹配的时间窗口和空间窗口分别为30分钟和12.5公里。总共大约有5000个比赛点可用。结果表明，ASCAT准确地观测了除长江口以外的沿海地区的风场，其中浮标5如图所示图1，位于。由于该地区的动态环境复杂，散射计风速异常高估，这主要是由热锋或船舶对雷达后向散射信号的影响引起的（参见[49]详细信息）。如所示图3散射计风速（风向）与其他12个浮标测量的平均偏差和RMSE分别为0.78m/s（-7.0°）和1.51m/s（29.8°）。即使包括浮标5处的风速测量值，风速偏差和RMSE也会分别略微增加至1.04和1.92 m/s。这表明，高分辨率ASCAT产品能够准确捕捉中国沿海地区的风资源变化。 为了检验ASCAT和QuikSCAT风产品之间的一致性，我们比较了三个随机选取的网格点的风速时间序列(图1)在2007年1月至2009年11月的重叠观测期间，在黄海（124.75°E，35.75°N）、台湾海峡（120.75°E，25°N）和南海（114°E，14.25°N。如所示图4和表1这两个散射计都能捕捉到风的年变化，以及纬向之间几乎所有的相关系数(U型)和经向(V（V）)风速分量超过0.95。图5a、 b显示了35个月的散点图U型和V（V）在整个中国海。此外，产品之间的相关系数较高（>0.95），RMSE较低（<0.8 m/s），这表明两个传感器获取的风观测值之间具有高度一致性。这意味着可以将这两个数据集结合起来，以提供海面风场的长期时间序列，即12.5 km网格化17年数据集（2000–2016）。协同数据集适合研究中国海风能资源的时空变化特征。 3.2. 风速的季节变化
图6显示了由组合散射计产品计算得出的海面以上70米高度风的季节变化(图6a） 和CFSR数据(图6b） 2000年至2016年间。在研究区可以看到明显的季风特征。总的来说，冬季和秋季的风速高于春季和夏季。冬季以东北风为主，风速超过10 m/s，特别是在台湾海峡、巴什海峡、南海东北部和越南南部。夏季，中国海大部分地区盛行弱（＜6米/秒）西南风，但越南南部的风速略高。春季，研究区以东风为主，从台湾东北部到日本西南部有一个相对较高的风带。秋季，东北风在12°N以南的低纬度地区转向。台湾海峡和巴什海峡的风力较高。与卫星观测相比，模型再分析(图6b） 低估了强风区（如台湾海峡、巴什海峡和南海东北部）的风速，尤其是在冬季。因此，组合数据集对风能评估具有重要价值，可以更准确地估计这些地区的风能。 3.3. 调制年周期模式
如所示图7，前28种CSEOF分析模式的累积解释方差为98%。当嵌套期间'd日'设置为一年，第一个CSEOF模式可以捕获年周期的变化（例如[43,44,45]).图8a、 b显示散射计和CSFR季节风的空间变异性。与相比图6在CSEOF第一模态中观察到类似的空间分布特征，夏季和冬季变化较大。相应的时间风变化表示年周期的年际波动，如所示图8c.总的来说，年周期模式解释了约77%的风变率（散射计为77.7%，CFSR为76.5%）。在图8c、 2001年至2006年期间观察到相对稳定的变化，2007年以来振幅发生了显著变化。在CSFR时间序列中，1984年、1989年和1997年观察到正峰值变化。模式1 PCTS的功率谱密度(图8d） 表明这两个数据集都呈现出3-4年的显著周期。 与以往研究相比[1,17,29]从卫星观测和模型再分析结果来看，研究区域内月风速的空间格局相似，尤其是南海东北部。此外，我们的研究显示，与年海面以上100米处相比，夏季70米处的反相风信息更为详细[29]在年际尺度上揭示了月空间格局的时间演变。年风周期的时间变化幅度表明，在风资源丰富的地区，应考虑年周期的变化。 如所示图81型CFSR风场的空间格局与散射计数据基本一致，但散射计数据的振幅变化较大，峰值出现在同年。这意味着模型再分析可能低估了年风速周期的时间变化。因此，将长期高分辨率的卫星风数据应用于海上风资源监测和评估是非常必要的。 3.4. ENSO模式
为了评估已知气候振荡对特定物理性质的时间变化的贡献，通常将CSEOF分解的PCTS与ENSO指数（如南方涛动指数（SOI））进行比较。我们采用该方法分析了ENSO对研究区域风速的影响。图9示出了散射仪和CFSR风速的第二CSEOF模式的LV。中相应的PCTS图10分别占总风速变率的4.3%和4.7%。 在图9这两个数据集在四季都呈现出相似的空间特征，散射计风的变异性强于再分析数据，尤其是在台湾海峡、海南岛以南、越南以东以及冬季的巴什海峡。在南海北部和南部观察到相反的影响。如所示图10散射计和CSFR PCTS都与SOI有很强的关系。相关系数分别为0.72和0.78。这两个数据集还显示了自2000年以来高度一致的风速变化。在强厄尔尼诺（如1982/1983年、1997/1998年）或拉尼娜（如1988/1989年、2010/2011年）年份，观测到显著的负或正风速振幅峰值，这意味着ENSO在这一时期对海上风能资源有很大影响。 4.讨论
散射计和再分析数据的CSEOF分析表明，ENSO在影响中国海风资源方面起着重要作用。在本节中，为了量化ENSO在更长时间尺度上对海上风能变化的贡献，我们利用70米高度的CFSR数据，进一步分析了1979年至2016年不同ENSO事件期间的风速变化。表2列出了根据ONI（海洋尼诺指数）分类的ENSO事件强度。图11显示了每月ENSO事件频率的统计数据。非常强烈的ENSO事件总是发生在秋季和冬季。极强的厄尔尼诺主要发生在10月至1月之间。对于强烈的拉尼娜现象，11月至1月的发生频率超过10%。ENSO事件在其他月份并不显著。 图12显示了不同ENSO事件期间风速的百分比变化。可以看出，厄尔尼诺和拉尼娜现象对中国海风能资源的影响几乎完全相反。总的来说，厄尔尼诺现象减少了除渤海、北部湾和文莱西北部以外的中国海大部分地区的风能。菲律宾西部和北部降幅最大，约为10%。相反，拉尼娜事件期间，除渤海和南海南部外，风力增强了约8%。卡塔尔近海地区在厄尔尼诺或拉尼娜阶段也观察到风速的类似变化[50]和红海[51]. 此外，南海地区受ENSO事件的影响比中国海其他地区更大。渤海的风速变化与南海北部和中部的风速变化相反。总的来说，ENSO对黄海的影响并不显著。 为了证明ENSO事件强度对风能分布的影响，图13显示了不同ENSO强度水平（即弱、中、强和非常强的厄尔尼诺/拉尼娜事件）下风速的百分比变化。通常，变化范围为-10%至10%。在厄尔尼诺事件中，中国海大部分深水区都观察到风速减弱。在中等和强/极强厄尔尼诺条件下，南海沿岸地区的风力增强。在中、强拉尼娜事件期间，南海的风有所增加，而渤海和黄海的风有所减少。此外，由于春季风速明显增加，对中度拉尼娜现象的影响更为显著，特别是在中国南部沿海的浅水区(图14b） ●●●●。 对于不同强度的ENSO事件，每个季节不同ENSO活动类别期间的风速变化百分比也可能相互不同。如所示图14，在弱ENSO情况下(图14a） 渤海和沿海地区风力普遍增强，而公海和南海中部地区风力减弱。中度ENSO事件(图14b） 还可以增强大部分沿海地区的风能，特别是南海地区的风能。冬季/春季中度厄尔尼诺/拉尼娜事件期间，北部湾和中国南部沿海的风速显著增加(图14c） ，东海大部分地区全年风速下降明显，而北部湾风速有所增加，尤其是秋季。空间格局表明，在发展区域风电场时应考虑ENSO的季节性影响。 5.结论
目前，对中国海风资源的评估和对其年际变化的了解通常基于现场观测（如风塔）的风速、散射计产品相对较短的时间序列或NWP模型输出和具有粗空间分辨率的再分析风数据。在这种情况下，很难准确、全面地掌握海上风能的地理分布，揭示其精细结构。此外，EOF等传统数据分析方法可能忽略了风年周期的年际变化以及自然内部气候振荡对区域风资源长期变化的影响。
在这项工作中，基于17年（2000–2016）的高分辨率散射仪风产品和38年（1979–2016）的模型再分析数据，利用CSEOF方法探索了中国海洋海上风能的时空变异性以及气候振荡对其的影响。协同散射计风数据集由QuikSCAT和ASCAT观测的海面风场组合而成，空间分辨率高达12.5km。ASCAT风速与中国沿海13个系泊浮标的现场测量值之间的平均偏差和RMSE分别为1.04m/s和1.92m/s。如果去除长江口的浮标异常观测值，这些值将分别降至0.78m/s和1.51m/s，这可能是由于频繁航行的船只或热锋对雷达后向散射信号的影响所致。通过QuikSCAT和ASCAT风矢量一致性分析得到的纬向和经向风速RMSE均小于0.8 m/s，相关系数大于0.97。结果表明，组合散射计风场足以准确分析中国海的海上风资源变化。
对评估的散射计风数据和海面以上70 m高度的模型再分析的CSEOF第一模式分析表明，风年周期对这两个数据集中的风变率贡献约77%。年风循环的LV表明南海近海地区风能的空间变化显著，尤其是在冬季和夏季，当风变为逆相时。PCTS显示了3-4年周期的年周期的年际变化。CSEOF第二模式捕捉了ENSO对区域风能时空变化的贡献。散射计风产品或再分析数据的PCTS与SOI的相关系数大于0.7，表明风能的时间变化与ENSO高度相关。
总体而言，CFSR风的1型或2型空间模式与散射计数据基本一致，但CFSR低估了研究区域年风速周期的时间变化以及与ENSO相关的风速空间变化。与再分析数据相比，散射计风场由于其较高的空间分辨率，总是显示出更精细的风能变化结构。
对于不同强度等级的ENSO事件，显著的风场变化空间格局意味着不同季节ENSO对区域风资源影响的复杂性。总的来说，厄尔尼诺减少了除渤海和北部湾以外中国海大部分地区的风能，拉尼娜增加了南海的风能。风速的百分比变化随空间和季节而异。
综上所述，利用CSEOF方法，从卫星遥感数据和模型再分析两方面揭示了中国海年风速的时空变化特征，而以往使用EOF或矢量EOF方法时忽略了这一点。本研究还量化了ENSO对区域风能的贡献。建议在模型模拟中考虑年风循环的变化和ENSO的影响，以便更准确地预测长时间尺度的风能资源。研究结果可为区域和地方风资源评估和风电场选址规划提供科学依据。
