基于WRF-CFD模拟和时间感知神经网络的复杂地形快速高分辨率风场预测

《Atmosphere》：Fast High-Resolution Wind-Field Prediction over Complex Terrain Using WRF-CFD Simulations and a Time-Aware Neural Network

　　

摘要

复杂地形上的高分辨率风场预测对风能评估、电网安全和灾害防控具有重要意义。本研究针对Askervein Hill基准案例，采用耦合天气研究与预报模式—计算流体力学（WRF–CFD）工作流。以欧洲中期天气预报中心第五代再分析数据集为驱动，WRF提供中尺度大气条件，CFD则以高空间分辨率解析地形引起的流动特征。由于重复运行WRF和CFD模拟计算成本高昂，我们开发了一种时间感知的神经网络代理模型，称为多层感知机先验门控时间校正（MLP-GTC）模型，用于预测三维风速场。该模型首先学习地形和入口条件相关的局部风场响应，然后基于近期入口条件及其对应的逐点预测值施加门控时间校正。数据按时间顺序划分为683个训练时间步、146个验证时间步和147个测试时间步，每个时间步评估5187个固定空间点。耦合WRF–CFD模拟再现了观测风场结构，最大Pearson相关系数为0.96，10米风速均方根误差为0.84 m/s。对于三分量速度场，MLP-GTC的验证集/测试集均方根误差为0.282/0.310 m/s，平均绝对误差为0.179/0.199 m/s。该模型优于多层感知机模型（0.486/0.516 m/s）和等价的五步单层长短期记忆网络（0.334/0.438 m/s）。