中國東南沿海區域臺風數值模擬與危險性分析

郭云霞, 侯一筠, 齊 鵬

中國東南沿海區域臺風數值模擬與危險性分析

郭云霞1, 2, 3, 5, 侯一筠1, 2, 3, 4, 5, 齊 鵬1, 2, 4, 5

(1. 中國科學院海洋研究所, 山東 青島 266071; 2. 中國科學院海洋環流與波動重點實驗室, 山東 青島 266071; 3. 中國科學院大學, 北京 100049; 4. 青島海洋科學與技術試點國家實驗室海洋動力過程與氣候功能實驗室, 山東 青島 266237; 5. 中國科學院海洋大科學中心, 山東 青島 266071)

通過網格定點法對我國東南沿海區域性臺風危險性進行了分析。利用對各網格點有影響的歷史臺風數據, 建立了各網格點的臺風關鍵參數的最優概率模型。利用Monte-Carlo方法產生每個網格點1 000年間的虛擬臺風事件。采用Yan Meng(YM)風場模型模擬了100個歷史臺風的最大風速, 通過使這些最大風速與觀測的最大風速誤差和最小, 建立了一組新的計算最大風半徑max和Holland氣壓參數的公式, 結果表明新的臺風參數計算方案效果良好。利用新的參數計算方案、YM風場模型、特定地點的臺風衰減模型以及合適的極值分布模型, 預測了各個網格點不同重現期的極值風速, 進而繪制了臺風多發區域的設計風速圖。最后研究了不同模型、max模型和極值分布模型對預測的極值風速的影響?？梢詾榻Y構抗風設計和臺風防災減災提供新的參考。

Monte-Carlo模擬; 風場模型; 臺風參數; 極值風速

中國東南沿海區域經濟發達、人口稠密, 同時也是遭受臺風災害最為嚴重的地區之一。統計表明臺風災害造成的損失是所有自然災害中最多的。歷史上臺風給我國沿海各省造成了重大經濟損失和嚴重傷亡。在這些地區, 分析臺風災害風險并預測臺風的設計風速對于結構抗風設計和臺風防災減災至關重要。

在中國東南沿海臺風多發區域, 由于缺乏足夠的臺風觀測數據, 采用傳統的統計方法不能準確預測臺風不同重現期的極值風速。為了克服這個問題, Monte-Carlo方法應運而生, 成為一種可替代而且可行的臺風危險性分析方法。它利用臺風風場模型和臺風關鍵參數統計模型, 采用數值模擬方法進行臺風影響區極值風速的預測(又稱為臺風危險性分析)。美國[1]和澳大利亞[2]使用該方法編制設計風速圖。

美國的Russell[3-4]最早采用經驗臺風模型模擬計算臺風產生的極值風速, 并用來估計墨西哥灣的臺風風速。自此以后, Batts等[5]、Shapiro[6]、Georgiou[7]、Vickery等[8]、Meng等[9]、Simiu等[10]、Thompson等[11]都對該模擬方法進行了擴展和改進。正如Vickery等[12]所指出的那樣, 盡管這些研究的方法是類似的, 但是在風場模型以及衰減模型方面仍然存在比較大的差異。此外在使得臺風的氣候態特征保持一致的研究區域的大小上以及提取對特定地點有影響的臺風事件方法上也存在差異, 有的采用沿岸分段方法[4-5],有的采用模擬圓方法[7, 12-14]。

Vickery等[15]開發了一種新的臺風模擬方法-經驗路徑模型, 該方法對臺風的整個路徑進行建模, 成為首個可以產生美國沿岸連續變化的臺風氣候的研究。自此以后, 對于該研究也有很多的改進, 主要包括改進的Holland氣壓參數模型、最大風速半徑max模型[16-17]以及新的臺風衰減模型[18]。Mudd等[19]、Lee等[20]、Rosowsky等[21]都對經驗路徑模型進行了一些其他的衍生研究。

在過去的幾十年, 我國在臺風風險分析領域也有許多的研究。歐進萍等[22]利用Batts[5]模型對我國東南沿海重點城市臺風風險進行了研究。Xiao等[23]結合Thompson[11]臺風模型和Monte-Carlo模擬方法對我國東南沿海地區11個重點城市進行臺風風災分析。Hong等[24]基于Monte-Carlo模擬, 繪制了中國沿海地區臺風極值風速等值線圖。Li等[25-26]使用全路徑模型分析了我國臺風災害, 并對全路徑模型進行了簡化。這些研究為沿海重點城市的抗風設計提供了有益的參考。然而, 不同的風場模型、臺風衰減模型、max模型、模型以及極值風速概率分布模型會導致風速預測存在差異。

在本文中, 我們采用了不同的風場模型、極值分布模型以及新擬合的max模型和模型來研究中國東南沿海區域的臺風危險性。整個中國東南沿海區域被分成0.25°×0.25°的網格, 對每個網格點采用前人[8, 10, 12]構建的Monte-Carlo模擬方法預測相應的極值風速, 最后編制整個沿海區域的結構設計風速圖, 這將會為結構抗風設計提供新的參考。盡管臺風引起的風暴潮和洪水也會造成災害, 但是我們在這里只考慮了最直接的風災(最大風速)。

1 數據與方法

我們將中國東南沿海臺風多發區域作為本文的研究區域。參考Hong等[24], 我們采用網格法來確定研究點, 網格的分辨率是0.25°×0.25°, 一共有579個網格點覆蓋整個研究區域(如圖1所示)。

圖1 中國東南沿海區域網格研究站點分布圖

本研究的基本臺風數據來自CMA-STI西北太平洋熱帶氣旋最佳路徑數據集(1949—2015年)。數據集包括臺風每6 h間隔的位置與強度信息, 具體包括臺風名稱、編號、臺風中心位置(經度與緯度)、中心壓強、近臺風中心的2 min平均最大風速。

為了解決臺風風速觀測數據匱乏的問題, Monte- Carlo方法作為可替代以及可行的方法被廣泛用來分析臺風的危險性, 采用此方法可以產生大量虛擬臺風事件。

2 結果與討論

2.1 臺風關鍵參數與概率分布

臺風模型通常用一組參數進行參數化, 稱之為臺風關鍵參數, 主要包括臺風年發生率, 臺風中心氣壓差Δ, 最大風速半徑max, 臺風中心移動速度T, 臺風中心移動方向, 臺風移動路徑與研究點間的最小距離min, 這些參數表征了臺風的結構和強度。對于某一站點, 當臺風距該站點的距離滿足特定的要求時(模擬圓法), 臺風被提取出來, 以這些提取的臺風信息為基礎建立臺風關鍵參數的概率模型。Li等[25-26]和Vickery等[17]通過參數化實驗, 建議模擬圓半徑采用250 km。通過統計分析, 每個網格點有25~267個歷史臺風樣本。Vickery等[12]、Simiu等[10]、Yasui等[27]介紹了各個臺風關鍵參數可能符合的概率模型, 如表1所示。本文采用卡方檢驗與Kolmogorov– Smirnov (KS)檢驗兩個非參數檢驗方法對臺風關鍵參數統計特征的擬合優度進行檢驗, 檢驗的顯著性水平設置為5%。如果理論分布沒有通過檢驗, 則采用經驗分布。通過擬合分析, 我們確定了每個網格點各個臺風關鍵參數的最優概率模型, 這可以為其他學者的研究提供一些有益的參考。

表1 臺風關鍵參數備選概率模型

2.1.1 年發生率

臺風年發生率是指一年中某地受臺風侵襲或影響的次數, 這些臺風發生在以研究站點為中心的模擬圓里面或是與模擬圓相交。該參數用來決定Monte-Carlo方法抽取樣本的容量。年發生率通常用均勻泊松分布、二項分布或者負二項分布來描述。我們對每一個研究站點的年發生率分別用3個概率模型進行擬合, 通過擬合優度檢驗我們得出每個網格點的最優概率模型如圖2所示。在31°N以北區域, 經驗分布比較適用, 而在23°N以南區域, 泊松分布是適用的。二項分布主要適用于23°—31°N之間的區域。

圖2 每個網格點臺風年發生率的最優概率分布

2.1.2 中心壓差

臺風中心壓差Δ定義為臺風系統最外圍一條閉合等壓線的氣壓值(Holland[28]建議西北太平洋區域是1 010.0 hPa)與臺風中心最低氣壓值之差, 是描述臺風強度的主要參數。通常用對數正態分布、伽馬分布和三參數威布爾分布來進行描述。KS檢驗方法用來檢驗每個研究點概率模型的擬合優度。圖3給出了每個網格點臺風中心壓差的最優概率模型。由圖3可以看出對數正態分布適合28°N以北的區域, 而28°N以南的區域主要采用經驗分布。

2.1.3 移動速度

臺風中心移動速度T可根據CMA數據集中臺風6 h間隔的前后中心位置計算得到。備選概率分布有正態分布、對數正態分布和伽馬分布。通過擬合優度檢驗, 我們發現伽馬分布主要是適合24°N以北的區域, 經驗分布適合剩余的大部分區域, 如圖4所示。

圖3 每個網格點臺風中心壓差的最優概率分布

圖4 每個網格點臺風移動速度的最優概率分布

2.1.4 移動方向

臺風移動方向由臺風數據中臺風相鄰的兩個中心位置(經緯度)連線計算得到, 規定取正北方向為0°, 順時針方向旋轉為正。我們檢驗了正態分布、雙峰分布和Von Mises分布對每個網格點臺風移動方向的擬合優度。圖5展示了每個網格點臺風移動方向最優的概率分布模型。對大多數的研究點的臺風移動方向都有雙峰分布的特征, 這也許是因為臺風來自不同的熱帶氣旋種群[12]。剩下的極少數的研究點適合用經驗分布來描述。

圖5 每個網格點臺風移動方向的最優概率分布

2.1.5 最小距離

臺風移動路徑與研究點間的最小距離min是臺風直線路徑與研究點之間的垂直距離, 是基于臺風中心每6 h間隔的臺風記錄計算得到。當臺風中心的移動方向在研究點的左側時取正值, 在右側時取負值。min取值的限值是模擬圓半徑。min可以用均勻分布或梯形分布來建模?；跀M合優度檢驗, 每個網格點的最小距離的最優概率分布模型如圖6所示。24°N以北區域適合采用均勻分布, 24°N以南區域適合采用梯形分布。

2.2 Monte-Carlo模擬

2.2.1 虛擬臺風的生成

本文對每個網格點模擬了1 000年的臺風事件, 在此期間臺風發生數目由各網格點的年發生率概率分布(圖2)來確定。首先采用Monte-Carlo方法對每個研究點的Δ、T、和min的概率分布(圖3—圖6)進行隨機抽樣, 以此來產生虛擬臺風起始點的關鍵參數。從最優概率分布隨機抽取的關鍵參數需要在合理的范圍內: Δ為[0, 135] hpa,T為 [2, 65] km/h,為[?180°, 180°], |min|≤250 km。然后確定臺風的起始點, 此點是臺風路徑與模擬圓的交點, 用min、、模擬圓半徑以及網格點的位置來確定。接著用移動速度T與移動方向來確定臺風每小時間隔的中心位置, 在此過程中臺風路徑被假定為直線, 由抽取的min和確定。在臺風登陸前, 中心壓強保持不變, 登陸后采用衰減模型來描述中心壓差Δ的變化。最后當臺風中心離開模擬圓范圍則認為臺風消失。該過程示意圖如圖7所示。

圖6 每個網格點臺風最小距離的最優概率分布

2.2.2 衰減模型

一旦臺風登陸, 強度將會減弱, 臺風的中心壓差和風速都會減小。臺風衰減的速率與臺風本身、登陸的位置以及登陸時的中心壓差有關。采用合適的衰減模型描述臺風的衰減規律, 對于預測臺風登陸后的風速有重要影響。Batts等[5]、Georgiou[7]以及Vickery等[8]采用中心氣壓差的衰減來描述臺風的衰減。他們利用臺風中心氣壓差和登陸時間或登陸以后向內陸移動的距離的相關性表述衰減規律。在這些衰減模型中應用最廣泛的是Vickery等[8]發展的衰減函數。本文采用了類似的衰減模型, 基于CMA數據來描述每個網格點的臺風衰減規律。衰減率模型如公式(1)所示:

圖7 虛擬臺風過程示意圖

式中Δ()是臺風登陸后時刻的中心壓差(hPa), Δ0是登陸時刻的中心壓差(hPa),是特定點衰減系數,是正態分布的誤差項, 均值為0, 標準偏差為ε。

通過擬合登陸的臺風數據, 我們得到了每個網格點的臺風衰減模型的系數。對于每個網格點, 用于擬合衰減模型的臺風數量從16到118不等。對于個別的在回歸分析中沒有通過顯著性檢驗(顯著性水平是5%)或是登陸的臺風數目非常少的網格點采用離它最近的網格點的衰減模型來代替。每個網格單元衰減模型的系數分布如圖8所示, 作為個例, 文中給出了福州、汕頭、廣州、湛江的衰減模型擬合示意圖, 如圖9所示。

圖8 衰減模型中衰減系數a0和a1的分布圖

2.3 風場模型與新的臺風參數計算方案

臺風風場模型是進行臺風數值求解的關鍵。一般來說, 臺風數值模擬精度高, 但是計算量也相應變大, 目前還不適合與隨機路徑結合使用進行風險評估。而參數化風場模型計算簡便, 精度也可以達到要求, 在臺風災害風險評估領域有廣泛的應用[29]。本文采用了Yan Meng(YM)風場模型, 是由Meng等[9]提出的解析模型, 該模型是半經驗半數值的風場模型, 其數值形式如下:

式中, V代表臺風風速; ρ代表空氣密度; k代表垂向單位向量; f代表科氏參數; F代表邊界層摩擦力。該模型以擾動平衡方程和經過邊界層摩擦力修正的壓力梯度平衡方程為基礎, 引入了可以考慮地貌等復雜因素的“等效粗糙長度”, 能夠很好地表示出臺風風場中各種力之間的相互關系, 并且能夠比較直觀地求解梯度風方程, 得到完整的解析解, 這種方法相對簡單易解, 而且對于分析臺風危險性具有足夠的精度, 該模型得到了廣泛應用, 如Matsui等[30]、Okazaki等[31]、謝汝強等[32]、趙林等[33]。關于風場模型更詳細的內容請參考文獻Meng等[9]。

注: Mean表示均值; SD表示標準偏差

2.3.1 新的臺風參數計算方案

氣壓是臺風風場模型的重要輸入參數, YM風場模型采用Holland[28]氣壓模型, 其形式如下:

式中,()是距臺風中心徑向距離為處的海平面壓強;0是臺風中心的氣壓值; Δ是臺風中心的氣壓差。式中有兩個未知的參數, 分別是最大風速半徑max和氣壓剖面參數。它們對臺風風場的模擬起重要作用, 但是由于缺乏相應的觀測數據, 很難得到它們的精確值, 在我國目前還沒有統一的計算它們的公式。本文中我們提出了一個新的計算臺風參數max和的方案?；谥暗难芯縖12, 16-17, 34],max與Δ和緯度相關,與max和Δ相關, 或是與max和相關。我們總結這些關系列出了4類計算臺風風場參數的方案, 每個方案都帶有需要進一步確定的系數, 如公式(4)—(7)所示:

基于前人的研究可以給定每一個未知系數(,,,,,)合理的變化范圍。我們提取了不同氣象站觀測得到的100個臺風風速的最大值, 通過使其模擬值與觀測值的誤差和最小來確定各個待定系數在其變化范圍內的最優值。關注最大風速的誤差是因為最大風速模擬的準確性直接影響我們預測的極值風速的準確性。100個觀測臺風的最大風速主要來自“中國熱帶氣旋氣候圖集”[35]和香港天文臺(http://www.hko.gov.hk/contentc.htm)。每個觀測臺風的路徑以及相應觀測站點的信息如圖10所示。

我們采用YM風場模型模擬每一個觀測臺風的風速, 并且計算模擬風速與觀測風速最大值之間的誤差。以公式(4)為例, 我們首先對每一個系數1,1,1,1,1,1設定了一個合理的變化范圍。然后利用六層嵌套循環來依次描述各系數值的變化, 最里面的循環是1的變化, 最外面的循環是1的變化。這樣我們可以得到20多萬組1,1,1,1,1,1的不同值的組合。接下來, 我們將各組合值依次代入公式(4)結合YM風場模型計算各個臺風的最大風速, 并與觀測的最大風速對比得到相對誤差, 進而計算100個觀測臺風的相對誤差之和, 由此我們可以得到二十多萬個臺風的最大風速誤差和, 從中選取誤差和最小的那一組系數(1,1,1,1,1,1)作為公式(4)中各個系數的最優值。以此類推, 我們得到了公式(4)—(7)的系數的最優值, 結果如下:

圖10 100個觀測臺風的路徑和觀測氣象站點的位置

確定公式(4)—(7)中系數最優值時100個臺風的模擬最大風速誤差和的最小值分別是29.33、28.16、28.18、26.06。由此可知, 在公式(8)—(11)中, 采用公式(11)計算的100個臺風的最大風速誤差和最小。因此我們選取公式(11)作為計算臺風參數的最優方案, 這為計算氣壓剖面參數以及最大風速半徑提供了新的參考。為了進一步驗證這個新的參數計算方案, 我們還采用了max和的另外兩個常用的模型, 一個來自Vickery等[15], 模型形式如下:

另一個模型來自Vickery等[16], 形式如下:

圖11 公式(12)與公式(11), 公式(13)與公式(11)計算的各臺風最大風速相對誤差的差值

為了對公式(11)進行進一步驗證, 我們將其帶入YM模型, 模擬了上述100個臺風中York(1999)、Usagi(2013)、Hagupit(2008)、Hato(2017)的風速, 模擬和實測風速的對比結果如圖12所示。由此可見, 新的臺風參數計算方案效果良好。

2.3.2 粗糙度的確定

在Meng等[9]的研究中, 地形效應用等效地面粗糙度來代替。粗糙度對于風場模型也是非常重要的參數?；谥暗难芯縖2, 36-37]不同地形地貌的粗糙度的取值如表2所示。我們根據實際地形標記了每個網格點的粗糙度, 如圖13所示。

2.4 臺風危險性分析

基于本文得到的臺風關鍵參數概率分布, 采用Monte-Carlo模擬方法得到的虛擬臺風事件, 結合采用最優臺風參數計算方案的YM風場模型, 可以計算得到每個網格點的臺風極值風速序列。YM風場模型計算的風速為10 m高度處每小時平均風速, 采用因子1.06將其轉換成10 min平均的風速。極值風速序列通常會用理論分布來進行描述, 本文中采用了應用廣泛的Weibull分布和Gumbel分布, 并進行了KS擬合優度檢驗, 檢驗顯著性水平為5%。如果某個研究點的理論分布都沒有通過顯著性檢驗則采用經驗分布。如果兩個理論分布都通過了顯著性檢驗則根據值選擇最優的理論分布。

圖12 將式(11)代入YM模型時, 臺風York、Usagi、Hagupit以及Hato的模擬風速和實測風速的對比

首先, 我們利用經驗分布來預測每個網格單元不同重現期的極值風速。圖14顯示了預測的每一個網格點50年及100年重現期的極值風速。從風速等值線可以看出, 預測的極值風速從沿海地區到內陸地區逐漸減小。在浙江南部、廣東中部和南部沿海地區、珠江三角洲和長江三角洲地區預測的極值風速普遍比較大, 我們需要對這些地區的臺風災害給予更多的關注, 并投入更多的資源研究這些地區高層建筑的抗風性能。

在我國《建筑結構荷載規范》[38]中, 將許多地方的參考風壓列制成表。Hong等[24]對設計規范中給出的等值線圖進行數字化處理, 得到了50年重現期的極值風速圖, 并通過Monte-Carlo模擬預測了中國大陸沿海地區年最大風速的50年重現期值。然而Hong等[24]使用的是改進的 Thompson風場模型[11]以及Vickery等[16]發展的max模型和模型。將Hong等[24]提出的等值線與圖14所示的等值線進行對比, 可以看出設計規范、Hong等[24]和本研究得到的設計風速的空間趨勢是相似的。本研究預測風速比Hong等[24]的結果大1~2 m/s。與設計規范的結果相比, 本研究預測風速在沿海地區比規范值大1~2 m/s, 在內陸地區比規范值大4~5 m/s。從海岸到內陸, 本研究預測的極值風速的下降速度要低于設計規范中風速的下降速度, 這與Hong等[24]的結果相似。由于設計規范不僅考慮了臺風, 還考慮了其他較弱的風場, 所以很容易低估極值風速。

表2 不同地形地貌的粗糙度的值

圖13 不同研究點的粗糙度

其次, 為了研究不同max模型和模型對預測風速的影響, 我們也采用了Vickery等[15]和Vickery等[16]中的max模型和模型來計算臺風風場, 如公式(12)和(13)?；诠?12)和(13)計算的風速, 我們預測了中國東南沿海區域50年重現期的極值風速。圖15a是基于式(12)預測的極值風速減去基于式(11)預測的風速的結果。圖15b是基于式(13)預測的風速減去基于式(11)預測的風速的結果。由圖15a可以看出, 采用式(12)預測的沿海地區風速比采用式(11)預測的風速大0~2 m/s。在內陸地區, 采用式(12)預測風速略小于采用式(11)預測的風速。從圖15b, 可以看出30°N以北區域, 采用式(13)預測的風速通常比用式(11)預測的風速小0~3 m/s, 而26°N以南區域, 采用式(13)預測風速通常比用式(11)預測的風速大0~2 m/s。

圖14 采用經驗分布預測的50年與100年重現期的極值風速

圖15 基于公式(12)和(13)預測的50年重現期極值風速減去基于式(11)預測的風速的差值分布圖(a, b)

最后, 我們研究了不同極值分布對預測風速的影響。通過擬合最優極值分布, 我們發現每個網格研究點的最優極值分布不是Weibull分布就是Gumbel分布。因此, 我們比較了理論分布與經驗分布預測風速的差異, 如圖16所示。圖16中正值表示理論分布預測風速大于經驗分布預測風速。我們可以看到, 在中間區域(24°—30°N, 主要是Gumbel分布)用理論分布預測的風速通常比使用經驗分布預測的結果大0~2 m/s。在兩邊區域(主要是Weibull分布), 使用理論分布預測的風速通常比使用經驗分布預測的結果小, 尤其是在23°N以南的區域。

圖16 采用理論分布預測的50年重現期極值風速減去經驗分布預測的風速的差值分布圖

3 結論

采用基于新的臺風參數計算方案的YM風場模型以及Monte-Carlo模擬我們分析了中國東南沿海區域臺風的危險性。整個東南沿海臺風多發區被分成0.25°×0.25°的網格, 每個網格點作為我們的研究點?；跉v史數據, 我們對每個研究點的每個臺風關鍵參數建立了最優概率模型?；诿總€研究點臺風關鍵參數的概率模型, 我們用Monte-Carlo方法產生了每個研究點1 000年的虛擬臺風事件。通過使模擬與觀測的臺風最大風速的誤差和達到最小, 我們確定了臺風參數計算的新方案。采用YM風場模型結合臺風參數計算的新方案、特定點的臺風衰減模型以及最優的極值分布, 我們預測了每個研究點不同重現期的極值風速, 并繪制了新的中國東南沿海區域的設計風速圖。最后我們研究了不同模型、max模型和極值分布對極值風速預測的影響, 為抗風結構設計提供了新的參考。

[1] ASCE/SEI 7-05, Minimum Design Loads for Buildings and other Structures[S].

[2] AS/NZS 1170.2: 2002, Structural Design Actions part2: Wind Actions[S].

[3] Russell L B. Probability distributions for Texas gulf coast hurricane effects of engineering interest[D]. Stan-ford: Stanford University, 1969.

[4] Russell L R. Probability distributions for hurricane effects[J]. Journal of the Waterways, Harbors and Coa-stal Engineering Division, 1971, 97(1): 139-154.

[5] Batts M E, Simiu E, Russell L R. Hurricane wind speeds in the United States[J]. Journal of the Structural Division, 1980, 106(10): 2001-2016.

[6] Shapiro L J. The Asymmetric boundary layer flow under a translating hurricane[J]. Journal of the Atmospheric Sciences, 1983, 40(8): 1984-1998.

[7] Georgiou P N. Design wind speeds in tropical cyclone- prone regions[D]. London, Canada: University of Western Ontario, 1986.

[8] Vickery P J, Twisdale L A. Wind-field and filling models for hurricane wind-speed predictions[J]. Journal of Stru-ctural Engineering, 1995b, 121(11): 1700-1709.

[9] Meng Y, Matsui M, Hibi K. An analytical model for simulation of the wind field in a typhoon boundary layer[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1995, 56(2-3): 291-310.

[10] Simiu E, Scanlan R H. Wind Effects on Structures: Fundamental and Applications to Design[M]. New York: John Wiley & SONS, INC., 1996.

[11] Thompson E F, Cardone V J. Practical modeling of hurricane surface wind fields[J].Journal of Waterway, Port, Coastal, and Ocean Engineering, 1996, 122(4): 195-205.

[12] Vickery P J, Twisdale L A. Prediction of hurricane wind speeds in the United States[J]. Journal of Structural Engineering, 1995, 121(11): 1691-1699.

[13] Georgiou P N, Davenport A G, Vickery B J. Design wind speeds in regions dominated by tropical cyclones[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1983, 13(1-3): 139-152.

[14] Neumann C J. The National Hurricane Center Risk Analysis Program (HURISK) [R]. Miami: U.S. Department of Commerce, National Oceanic and Atmospheric Administration, National Hurricane Center, 1987.

[15] Vickery P J, Skerlj P F, Twisdale L A. Simulation of hurricane risk in the U.S. using empirical track model[J]. Journal of Structural Engineering, 2000, 126(10): 1222- 1237.

[16] Vickery P J, Wadhera D. Statistical models of Holland pressure profile parameter and radius to maximum winds of hurricanes from flight-level pressure and H*Wind data [J]. Journal of Applied Meteorology and Climatology, 2008, 47(10): 2497-2517.

[17] Vickery P J, Wadhera D, Twisdale L A, et al. U.S. hurri-cane wind speed risk and uncertainty[J]. Journal of Structural Engineering, 2009, 135(3): 301-320.

[18] Vickery P J. Simple empirical models for estimating the increase in the central pressure of tropical cyclones after landfall along the coastline of the United States[J]. Journal of Applied Meteorology, 2005, 44(12): 1807-1826.

[19] Mudd L, Wang Y, Letchford C, et al. Assessing climate change impact on the U.S. east coast hurricane hazard: Temperature, frequency, and track[J]. Natural Hazards Review, 2014, 15(3): 04014001.

[20] Lee K H, Rosowsky D V. Synthetic hurricane wind speed records: development of a database for hazard analyses and risk studies[J]. Natural Hazards Review, 2007, 8(2): 23-34.

[21] Rosowsky D V, Mudd L, Letchford C. Assessing climate change impact on the joint wind-rain hurricane hazard for the northeastern U.S. coastline[C]//Gardoni P, Murphy C, Rowell A. Risk Analysis of Natural Hazards: Interdisciplinary Challenges and Integrated Solutions. Cham: Springer, 2016: 79-92.

[22] 歐進萍, 段忠東, 常亮.中國東南沿海重點城市臺風危險性分析[J]. 自然災害學報, 2002, 11(4): 9-17. Ou Jinping, Duan Zhongdong, Chang Liang. Typhoon risk analysis for key coastal cities in southeast China[J]. Journal of Natural Disasters, 2002, 11(4): 9-17.

[23] Xiao Y F, Duan Z D, Xiao Y Q, et al. Typhoon wind hazard analysis for southeast China coastal regions[J]. Structural Safety, 2011, 33(4-5): 286-295.

[24] Hong H P, Li S H, Duan Z D. Typhoon wind hazard estimation and mapping for coastal region in mainland China[J]. Natural Hazards Review, 2016, 17(2): 4016001.

[25] Li S H, Hong H P. Observations on a hurricane wind hazard model used to map extreme hurricane wind speed[J]. Journal of Structural Engineering, 2014, 141(10): 04014238.

[26] Li S H, Hong H P. Typhoon wind hazard estimation for China using an empirical track model[J]. Natural Hazards, 2016, 82(2): 1009-1029.

[27] Yasui H, Ohkuma T, Marukawa H, et al. Study on evaluation time in typhoon simulation based on Monte Carlo method[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2002, 90(12-15): 1529-1540.

[28] Holland G J. An Analytic model of the wind and pressure profiles in hurricanes[J]. Monthly Weather Review, 1980, 108(8): 1212-1218.

[29] 方偉華, 林偉. 面向災害風險評估的臺風風場模型研究綜述[J]. 地理科學進展, 2013, 32(6): 852-867. Fang Weihua, Lin Wei. A review on typhoon wind field modeling for disaster risk assessment[J]. Progress in Geography, 32(6): 852-867.

[30] Matsui M, Ishihara T, Hibi K. Directional characteristics of probability distribution of extreme wind speeds by typhoon simulation[J].Journal of Wind Engineering and Industrial Aerodynamics, 2002, 90(12-15): 1541-1553.

[31] Okazaki T, Watabe H, Ishihara T. Development of typhoon simulation model for insurance risk estimation[C]//International Association for Wind Engineering (IAWE). The Sixth Asia-Pacific Conference on Wind Engineering. Seoul, Korea: IAWE, 2005: 1790-1802.

[32] 謝汝強, 李利孝, 王艷華, 等. 廣東省臺風數值模擬與危險性分析[J]. 安徽建筑大學學報, 2015, 23(4): 51-55.Xie Ruqiang, Li Lixiao, Wang Yanhua, et al. Typhoon wind numerical simulation and hazard analysis for Guang-dong Province[J]. Journal of Anhui Jianzhu University, 2015, 23(4): 51-55.

[33] 趙林, 朱樂東, 葛耀君, 等. 上海地區臺風風特性Monte-Carlo隨機模擬研究[J]. 空氣動力學學報, 2009, 27(1): 25-31.Zhao Lin, Zhu Ledong, Ge Yaojun, et al. Monte-Carlo simulation about typhoon extreme value wind chara-cteri--stics in Shanghai region[J]. Acta Aerodynamica Sinica, 2009, 27(1): 25-31.

[34] Powell M, Soukup G, Cocke S, et al. State of Florida hurricane loss projection model: Atmospheric science component[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2005, 93(8): 651-674.

[35] 中國氣象局上海臺風研究所.中國熱帶氣旋氣候圖集(1951-2000)[M]. 北京: 科學出版社, 2007.Shanghai Typhoon Institute, China Meteorological Ad-ministration. Climatological Atlas for Tropical Cy-clones Affecting China(1951-2000)[M].Beijing: Science Press, 2007.

[36] Counihan J. Adiabatic atmospheric boundary layers: A review and analysis of data from the period 1880-1972[J]. Atmospheric Environment, 1976, 9(10): 871-905.

[37] Choi H, Kanda J. Characteristics of the vertical wind profile for wind load estimation[J]. Journal of Wind Engineering, 2010, 1990(45): 23-43.

[38] GB50009-2012, 建筑結構荷載規范[S]. GB 50009-2012, Load code for the design of building structures[S].

Typhoon wind numerical simulation and risk analysis for southeast coastal region of China

GUO Yun-xia1, 2, 3, 5, HOU Yi-jun1, 2, 3, 4, 5, QI Peng1, 2, 4, 5

(1. Institute of Oceanology, Chinese Academy of Sciences, Qingdao 266071, China; 2. CAS Key Laboratory of Ocean Circulation and Waves, Institute of Oceanology, Chinese Academy of Sciences, Qingdao 266071, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China; 4. Laboratory for Ocean and Climate Dynamics, Pilot National Laboratory for Marine Science and Technology (Qingdao), Qingdao 266237, China; 5. Center for Ocean Mega-Science, Chinese Academy of Sciences, Qingdao 266071, China)

In this paper, the grid fixed-point method was used to analyze the typhoon risk in the southeast coastal region of China. Using the historical typhoon data for each grid, we established the site-specific statistical distributions of typhoons key parameters. A Monte-Carlo method was used to generate virtual typhoons of 1000 years for each grid. Yan Meng (YM) wind field model was adopted to simulate the maximum wind speeds of 100 historical typhoons. By minimizing the errors between these maximum wind speeds and the observed maximum wind speeds, a new set of formulas was established to calculate the radius to maximum winds (max) and Holland pressure profile parameter (). The results show that the new parameter calculation scheme works well. Using the new scheme, YM wind field model, region-specific statistical models for the decay rate of typhoons after reaching land, and the extreme value distribution, we predicted the site-specific extreme wind speeds associated with various return periods and proposed a map of design wind speeds for the typhoon-prone coasts of China. Finally we investigated the effects of differentmodel,maxmodel, and extreme value distributions on the predicted wind speed, which can provide a new reference for wind-resistant structural design and typhoon disaster prevention and mitigation.

Monte-Carlo simulation; wind field model; typhoon parameters; extreme wind speed

Aug. 26, 2019

[National Key Research and Development Program of China, No. 2016YFC1402000, No. 2018YFC1407003; National Natural Science Foundation of China, No. U1606402, No. 41421005]

P732.3

A

1000-3096(2020)04-0001-12

10.11759/hykx20190826001

2019-08-26;

2019-12-05

國家重點研發計劃項目(2016YFC1402000, 2018YFC1407003); 國家自然科學基金(U1606402, 41421005)

郭云霞(1986-), 山東泰安人, 博士研究生, 主要從事海洋災害研究, E-mail: guoyunxia14@mails.ucas.edu.cn; 侯一筠, 通2信作者, 研究員, E-mail: yjhou@qdio.ac.cn

(本文編輯: 劉珊珊)