Weather Regimes（WRs）方法介绍

Weather Regimes（WRs）是大气环流分类的一种方法，常用于研究中长期天气模式与气候影响。该方法基于大尺度气压分布的统计模式，将大气环流划分为有限个主要的“天气型”或“天气模态”（regimes），每个天气型代表一种典型的、可重复出现的大气环流状态。

1. Weather Regimes（WRs）的基本概念

定义：WRs 代表了大气环流的主要模式，每个模式对应特定的天气特征，比如高压脊、低压槽、阻塞模式等。
时间尺度：通常适用于多日到数周的时间尺度，特别是在天气预报、气候研究以及风能资源评估中具有广泛应用。
分类方法：WRs 主要是通过统计分析方法（如聚类分析、EOF 分解等）从历史天气数据中提取出的特征模式。

WRs 方法在风能研究中的应用

WRs 方法在风能研究中的应用主要体现在以下几个方面：

1、分析不同天气型对风速的影响
研究表明，不同的大尺度天气型会导致不同的风速分布。例如，在欧洲，北大西洋振荡（NAO）正位相通常会带来更强的西风，有利于风力发电。

2、预测风能的变化
由于 WRs 具有一定的持续时间（通常 3-10 天），可以用于短期风能预测，提高风电场的调度效率。

3、研究气候变化对风能的影响
通过分析过去几十年的 WRs 变化趋势，可以评估未来风能资源的可利用性。

4、区域风能评估
WRs 方法可以帮助识别特定区域的高风速天气模式，优化风电场的选址。

2. Weather Regimes（WRs）分析的主要步骤

2.1 数据收集

选择适当的气象变量，如海平面气压（SLP）、500 hPa高度场、风速场等。
时间范围通常覆盖几十年的再分析数据（如 ERA5、NCEP）。
研究区域可以是全球、大陆级别或特定区域（如欧洲、北美）。

2.2 数据降维与模式提取

经验正交函数（EOF）分解：用于提取主要的气候变率模式，减少数据维度。
K-means 聚类分析或K-means 变种（如 K-means++）：将大气环流模式分成有限个类别，例如 4-6 个主要的天气型。

2.3 天气型的识别

通过分析气压场，将数据归类到不同的天气型（如西风型、阻塞型、北大西洋振荡（NAO）正/负位相等）。
每个天气型对应特定的风场结构，进而影响风力发电。

2.4 WRs 与风力发电的关系

每个天气型都会影响不同区域的风速、风向、风能密度。
例如，某些天气型可能会增强某个地区的风力发电，而另一些可能导致风速降低。

基于ERA5再分析的500 hPa的位势高度计算WRs

步骤1：ERA5数据下载

数据变量：500 hPa的位势高度（ERA5 geopotential height at 500 hPa (Z500)）
数据范围：2000-2020年夏季（5-9月）

ERA5数据下载可参见另一博客-【WRF数据准备】气象驱动数据-ERA5再分析数据（Copernicus）。

1、手动下载-ERA5 hourly data on pressure levels from 1940 to present

2、基于API代码下载

import cdsapi

dataset = "reanalysis-era5-pressure-levels"
request = {
    "product_type": ["reanalysis"],
    "variable": ["geopotential"],
    "year": [
        "2000", "2001", "2002",
        "2003", "2004", "2005",
        "2006", "2007", "2008",
        "2009", "2010", "2011",
        "2012", "2013", "2014",
        "2015", "2016", "2017",
        "2018", "2019", "2020"
    ],
    "month": [
        "01", "02", "03",
        "04", "05", "06",
        "07", "08", "09",
        "10", "11", "12"
    ],
    "day": [
        "01", "02", "03",
        "04", "05", "06",
        "07", "08", "09",
        "10", "11", "12",
        "13", "14", "15",
        "16", "17", "18",
        "19", "20", "21",
        "22", "23", "24",
        "25", "26", "27",
        "28", "29", "30",
        "31"
    ],
    "time": ["12:00"],
    "pressure_level": ["500"],
    "data_format": "grib",
    "download_format": "unarchived",
    "area": [34, 102, 14, 124]
}

client = cdsapi.Client()
client.retrieve(dataset, request).download()

步骤2：位势高度数据处理

1、经验正交函数：将经验正交函数（EOF）分析应用于每日Z500位势异常。

2、K-均值聚类：将解释85%方差的主要主成分（PCs）用于k-均值聚类。
k-means算法用于获得相似异常模式组，通过将研究期间（2000-2020年）夏季的每一天分配给一个JJA天气状况（WRs）分类，获得了研究区域内每日Z500位势异常的WRs分类。
注意：空间域选取

参考