【摘要】：全球风资源的分布是非常不均匀的，反映为大尺度的气候差异和由于地形产生的小尺度差异。图1-1为用40年的再分析数据模拟图1-1 用40年的再分析数据模拟的全球10m高平均风速分布[3]的全球10m高平均风速分布。图1-2为中国的风能密度分布。图1-2 中国的风能密度分布[2]为了获得更高的空间分辨率，涵盖对风资源有重大影响的较小尺度现象，目前的常规做法是应用空间分辨率比全球再分析模型更高、但覆盖较小的区域的中尺度大气模型。
全球风资源的分布是非常不均匀的，反映为大尺度的气候差异和由于地形产生的小尺度差异。大气是一个非常复杂的热力引擎，能量由太阳对地表的加热不断供给。
通常通过对长期风数据的分析来应对这种复杂性，但是这种长期数据一般受到局地的小尺度特征影响。因此，在应用这种数据做内推或外推时，如果没有经过充分的物理模型和统计模型对这些影响认真分析，那么风险无疑是巨大的。另外，历史风速数据的质量往往较差，测量高度较低（一般约为10m），且通常距离风场较远，而风资源对小的风速错误又十分敏感（近似三次方关系）。
最近几年，另一种方法得到了越发普遍的应用：用全球气象模型分析多年的大气测量参数（包括温度、压力、湿度等）的准完整性，从而获得动态的、一致的数据和统计，即所谓的再分析数据。该方法避免了直接应用风数据带来的问题。实际上，多数再分析过程中并不考虑低空的风数据，以避免局地影响的“污染”[1]。图1-1为用40年的再分析数据模拟
图1-1 用40年的再分析数据模拟的全球10m高平均风速分布[3](www.xing528.com)
的全球10m高平均风速分布。该图较好地展示了与大尺度天气系统相关的长期平均风速。图1-2为中国的风能密度分布。
图1-2 中国的风能密度分布[2]
为了获得更高的空间分辨率，涵盖对风资源有重大影响的较小尺度现象，目前的常规做法是应用空间分辨率比全球再分析模型更高、但覆盖较小的区域的中尺度大气模型。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
