Свяжитесь с нами

СКОРОСТЬ И НАПРАВЛЕНИЕ ВЕТРА ПО ДАННЫМ РЕАНАЛИЗА ERA5 ПРИ ПРОЕКТИРОВАНИИ ПОРТОВОЙ ИНФРАСТРУКТУРЫ

Зиновьев Н.С., Косов Д.И. ООО «Морская Гео-Строительная Компания»,
г. Санкт-Петербург, info@mgeocc.ru
WIND SPEED AND DIRECTION FROM ERA5 REANALYSIS DATA IN PORT INFRASTRUCTURE DESIGN
Zinoviev N.S., Kosov D.I. LLC «Marine Geo-Construction Company»,
St. Petersburg, info@mgeocc.ru
ERA5 data for engineering. Quantile mapping.

ВВЕДЕНИЕ

Инженерно-гидрометеорологические изыскания (ИГМИ) являются неотъемлемой частью при проектировании объектов строительства. К числу основных климатических характеристик относятся скорость и направление ветра. Эти параметры необходимо учитывать при расчёте ветровой волны, а также при выборе мест размещения судов и их швартовок.
В настоящее время при разработке рекомендаций для проектирования зданий и сооружений, а рамках ИГМИ возникает ряд проблем. Одной из ключевых является дефицит метеорологических данных, обусловленный недостаточным количеством репрезентативных метеостанций (м/ст). Особенно остро эта проблема проявляется при проектировании портовой инфраструктуры: расположение ближайшей метеостанции в глубине суши не позволяет адекватно отражать климатические условия прибрежной зоны, в другом случае из-за сложности береговой линии.
В связи с ограниченностью информации, отсутствием возможности разворачивать метеостанцию и выполнять цикл наблюдений на каждом объекте становится актуальным использование данных реанализа ERA5. Они представляют собой результаты расчётов численных моделей атмосферы, в которых используются динамически сглаженные и согласованные наблюдения в течение анализируемого периода (наземные, аэрологические и спутниковые) на регулярной сетке с пространственным разрешением 0.25°×0.25°.
Ключевое преимущество ERA5 – доступность непрерывных временны́х рядов для любой точки земного шара, что даёт возможность его применения для районов с недостаточной сетью метеорологических наблюдений, (особенно прибрежные), где ближайшая действующая метеостанция не будет отражать фактические условия конкретной площадки. Однако, как показывают многочисленные исследования ([1], [15], [18] и пр.), исходные данные реанализа содержат систематические смещения относительно натурных наблюдений, что ограничивает их прямое использование в инженерных расчётах. В связи с этим возникает необходимость разработки и применения методов для минимизации влияния систематических ошибок (bias correction) для приведения данных реанализа к локальным условиям конкретной площадки изысканий.
.В своей работе мы изучили возможность введения поправок в ряды реанализа ERA5, полученных в результате их сравнения с наблюдёнными на опорной метеостанции, с последующим переносом поправок на участок изыскания. Был использован метод квантильного сопоставления (Quantile Mapping, QM) [15], который позволяет переносить полученные поправочные коэффициенты на другие географические точки без привлечения дополнительных наблюдений, что открывает путь к практическому использованию скорректированных данных ERA5 для объектов без репрезентативной метеорологической станции [1]. Данный метод позволяет в достаточной мере минимизировать систематическое смещение – завышенная/заниженная дисперсия, а также искажения в хвостовых областях распределений метеорологических переменных.
В качестве примера была выбрана опорная метеостанция «Полярное» (рисунок 1), по которой находились поправочные коэффициенты и проверка достоверности введения поправок в модельные ряды.

Материалы и методы исследования

В работе использованы следующие источники данных:
1. ERA5 – трёхчасовые данные скорость ветра на высоте 10 (WS);
2. Фактические данные – метеорологические наблюдения в синоптические сроки на опорной станции «Полярное» из архива ФГБУ «ВНИИГМИ-МЦД» за тот же период, использованные в качестве эталонных значений (Obs) для калибровки и валидации.
В работе использовались данные с 1966 по 2024 года.

Пространственная интерполяция данных ERA5 на точку станции.
Для корректного сопоставления модели и наблюдений данные ERA5 с четырёх ближайших узлов сетки были билинейно интерполированы на координаты станции. Для скорости ветра отдельно интерполировались зональная (U) и меридиональная (V) компоненты с последующим расчётом направления ветра. Для опорной станции происходила разложение скорости и направления на U и V компоненты, т.е. сравнивались именно компоненты скорости ветра.

Методы коррекции систематических ошибок.
Квантильное сопоставление – это статистический метод пост-обработки, основанный на сопоставлении функций распределения моделируемых и наблюдаемых величин. Для каждого квантиля исходного распределения данных ERA5 определяется соответствующий квантиль эталонного распределения по данным реальных наблюдений. На этой основе строится поправочная функция, позволяющая скорректировать модельные значения.
Важной особенностью разработанной методики является возможность сохранения всех параметров коррекции (квантилей модели и наблюдений) и их применения к данным ERA5 в любой другой точке без привлечения наблюдений. Это основано на предположении о пространственной однородности систематических ошибок модели в пределах рассматриваемого полигона (для равнинных территорий радиус до 80–100 км). Для новой географической точки скорректированное значение определяются путём кусочно-линейной интерполяции по сохранённым квантилям, полученным в ходе калибровки модели. [1].
Такой подход, «двухшаговой коррекцией смещения» (two-step bias correction), широко применяется в климатологии и гидрологии для генерации сценариев в неохваченных наблюдениями районах [2], [11]. Верификация переноса выполнена на станции «Полярное».

Метрики качества
Оценка эффективности методов коррекции выполнялась по следующим показателям: MAE – средняя абсолютная ошибка, RMSE – среднеквадратическая ошибка, Bias – систематическое смещение), RelError – относительная ошибка [10], [15].

Результаты

На рисунке 2 приведены сопоставления квантилей реальных наблюдений на метеорологической стации с первичными модельными рядами и после процедуры коррекции.
Исходные трёхчасовые данные ERA5 по скорости ветра систематически занижены на 26.45% (Bias). QM обеспечивает практически полную коррекцию: Bias = +2.31% (положительное – завышение, отрицательное – занижение модельных значений по сравнению с натурными данными), MAE = 0.16 м/с, RMSE = 0.20 м/с. Относительная ошибка снижается с 26.25% до 3.55%. Сезонный ход скорости ветра после коррекции хорошо воспроизводит наблюдения во все месяцы года (рисунок 3).
Направление ветра также было скорректировано путём раздельной коррекции компонент U и V (рисунок 4). Отметим, что после введения поправок направление ветра довольно сильно скорректировалось по сравнению с первичными данными модели.

 

Заключение

Полученные результаты подтверждают, что исходные данные ERA5 содержат существенные систематические ошибки для климатических переменных.
Квантильное сопоставление показало высокую эффективность.
Предложенная методика может быть применена на любой площадке изысканий, где имеются данные ERA5, даже при отсутствии репрезентативной метеостанции с выявлением локальных поправочных коэффициентов. Это обеспечит проектирование более точными данными и исключит как недостаточный запас прочности, который приводит к необходимости последующего усиления конструкций или перепроектирования сооружения, так и избыточный, который приводит к неоправданному росту стоимости строительства.
Верификация переноса обратно на станцию «Полярное» показала, что ошибки не превышают ошибок самой калибровки. В таблице 1 представлено сравнение среднемесячных наблюдённых параметров, скорректированных модельных значений и значений при переносе. Разночтение модельных значений и значений после переноса связано с тем, что при валидации модели используются только те данные модели, значения которых сопоставлены по времени с архивом наблюдений (т.е. при пропуске данных в архиве параметры не учитываются при валидации), а в случае переноса используется весь модельный ряд без учёта пропусков.Сопоставление годовых роз ветров, построенных по натурным данным м/ст «Полярное», после корректировки и при переносе поправок на опорную станцию представлено на рисунке 5.Представленный подход позволяет существенно сократить стоимость и сроки изысканий, особенно в удалённых, прибрежных или труднодоступных районах, где ближайшая действующая метеостанция не будет отражать фактические условия конкретной площадки.

Литература
  1. Зиновьев Н.С., Косов Д.И. Применение данных реанализа ERA5 в инженерно-гидрометеорологических изысканиях. Труды VII Международной выставки и конференции по судостроению и разработке высокотехнологичного оборудования для освоения Арктики и континентального шельфа, 2026, ISBN 978-5-00289-367-6.
2.     Boe J., Somot S., Corre L., Nabat P. Large-scale circulation and local scale temperature and precipitation biases in a Mediterranean RCM ensemble. Climate Dynamics, 2016, 46: 3085–3104.
3.     Cannon A.J., et al. Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes? Journal of Climate, 2015, 28(17): 6938 6959.
4.     Hagemann S., et al. Spatial transferability of bias correction parameters in hydrological modeling. Hydrology and Earth System Sciences, 2024, 28: 345–362.
5.     Hersbach H., et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049.
6.     Legates D.R., McCabe G.J. Evaluating the use of "goodness-of-fit" measures in hydrologic and hydroclimatic model validation. Water Resources Research, 1999, 35: 233–241.
7.     Multivariate bias correction of ERA5 using in-situ observations for planning and engineering. IOP Science, 2025.
8.     Nobile A., et al. Comparing Bias Correction Techniques of Reanalysis Data: A Case Study. Engineering Proceedings, 2026, 135(1): 23.
9.     Panofsky H.A., Brier G.W. Some applications of statistics to meteorology. Pennsylvania State University, 1968.
10.  Piani C., Haerter J.O., Coppola E. Statistical bias correction for daily precipitation in regional climate models over Europe. Theoretical and Applied Climatology, 2010, 99: 187–192.
11.  Rajczak J., Kotlarski S., Salzmann N., Schär C. Robust climate scenarios for sites with sparse observations: a two-step bias correction approach // International Journal of Climatology. 2016. Vol. 36, no. 3. P. 1226–1243. DOI: 10.1002/joc.4417.
12.  Roy P., Gachon P., Laprise R. A semi-parametric distribution stitch based on the Berk-Jones test for French daily precipitation bias correction. Hydrology and Earth System Sciences, 2023, 27: 421–442.
13.  SCOPE-ERA5: Station-Calibrated Outputs for Planning & Engineering-ERA5. Zenodo, 2025.
14.  Tani M., Gobiet A. Bias correction of precipitation extremes using empirical quantile mapping with generalized Pareto distribution. Theoretical and Applied Climatology, 2019.
15.  Themeßl M.J., Gobiet A., Heinrich G. Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal. Climatic Change, 2012, 112: 449–468.
16.  Willmott C.J. Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 1982, 63: 1309–1313.
17.  Wolf K., et al. Correction of ERA5 temperature and relative humidity biases by bivariate quantile mapping for contrail formation analysis. Atmospheric Chemistry and Physics, 2025, 25(1): 157 181.
18.  Mielke M., Zinoviev N. S., Dethloff K., Rinke A., Kustov V. J., Makshtas A. P., Sokolov V.T., Neuber R., Maturilli M., Klaus, D, Handorf D. and Graeser, J. Atmospheric winter conditions 2007/08 over the Arctic Ocean based on NP-35 data and regional model simulations, Atmos. Chem. Phys. Discuss., 14 (8), pp. 11855-11893, 20154/

СКОРОСТЬ И НАПРАВЛЕНИЕ ВЕТРА ПО ДАННЫМ РЕАНАЛИЗА ERA5 ПРИ ПРОЕКТИРОВАНИИ ПОРТОВОЙ ИНФРАСТРУКТУРЫ

ВВЕДЕНИЕ

Инженерно-гидрометеорологические изыскания (ИГМИ) являются неотъемлемой частью при проектировании объектов строительства. К числу основных климатических характеристик относятся скорость и направление ветра. Эти параметры необходимо учитывать при расчёте ветровой волны, а также при выборе мест размещения судов и их швартовок.
В настоящее время при разработке рекомендаций для проектирования зданий и сооружений, а рамках ИГМИ возникает ряд проблем. Одной из ключевых является дефицит метеорологических данных, обусловленный недостаточным количеством репрезентативных метеостанций (м/ст). Особенно остро эта проблема проявляется при проектировании портовой инфраструктуры: расположение ближайшей метеостанции в глубине суши не позволяет адекватно отражать климатические условия прибрежной зоны, в другом случае из-за сложности береговой линии.

В связи с ограниченностью информации, отсутствием возможности разворачивать метеостанцию и выполнять цикл наблюдений на каждом объекте становится актуальным использование данных реанализа ERA5. Они представляют собой результаты расчётов численных моделей атмосферы, в которых используются динамически сглаженные и согласованные наблюдения в течение анализируемого периода (наземные, аэрологические и спутниковые) на регулярной сетке с пространственным разрешением 0.25°×0.25°.
Ключевое преимущество ERA5 – доступность непрерывных временны́х рядов для любой точки земного шара, что даёт возможность его применения для районов с недостаточной сетью метеорологических наблюдений, (особенно прибрежные), где ближайшая действующая метеостанция не будет отражать фактические условия конкретной площадки. Однако, как показывают многочисленные исследования ([1], [15], [18] и пр.), исходные данные реанализа содержат систематические смещения относительно натурных наблюдений, что ограничивает их прямое использование в инженерных расчётах. В связи с этим возникает необходимость разработки и применения методов для минимизации влияния систематических ошибок (bias correction) для приведения данных реанализа к локальным условиям конкретной площадки изысканий.

В своей работе мы изучили возможность введения поправок в ряды реанализа ERA5, полученных в результате их сравнения с наблюдёнными на опорной метеостанции, с последующим переносом поправок на участок изыскания. Был использован метод квантильного сопоставления (Quantile Mapping, QM) [15], который позволяет переносить полученные поправочные коэффициенты на другие географические точки без привлечения дополнительных наблюдений, что открывает путь к практическому использованию скорректированных данных ERA5 для объектов без репрезентативной метеорологической станции [1]. Данный метод позволяет в достаточной мере минимизировать систематическое смещение – завышенная/заниженная дисперсия, а также искажения в хвостовых областях распределений метеорологических переменных.
В качестве примера была выбрана опорная метеостанция «Полярное» (рисунок 1), по которой находились поправочные коэффициенты и проверка достоверности введения поправок в модельные ряды.

Материалы и методы исследования

В работе использованы следующие источники данных:
1. ERA5 – трёхчасовые данные скорость ветра на высоте 10 (WS);
2. Фактические данные – метеорологические наблюдения в синоптические сроки на опорной станции «Полярное» из архива ФГБУ «ВНИИГМИ-МЦД» за тот же период, использованные в качестве эталонных значений (Obs) для калибровки и валидации.
В работе использовались данные с 1966 по 2024 года.

Пространственная интерполяция данных ERA5 на точку станции.
Для корректного сопоставления модели и наблюдений данные ERA5 с четырёх ближайших узлов сетки были билинейно интерполированы на координаты станции. Для скорости ветра отдельно интерполировались зональная (U) и меридиональная (V) компоненты с последующим расчётом направления ветра. Для опорной станции происходила разложение скорости и направления на U и V компоненты, т.е. сравнивались именно компоненты скорости ветра.

Методы коррекции систематических ошибок.
Квантильное сопоставление – это статистический метод пост-обработки, основанный на сопоставлении функций распределения моделируемых и наблюдаемых величин. Для каждого квантиля исходного распределения данных ERA5 определяется соответствующий квантиль эталонного распределения по данным реальных наблюдений. На этой основе строится поправочная функция, позволяющая скорректировать модельные значения.
Важной особенностью разработанной методики является возможность сохранения всех параметров коррекции (квантилей модели и наблюдений) и их применения к данным ERA5 в любой другой точке без привлечения наблюдений. Это основано на предположении о пространственной однородности систематических ошибок модели в пределах рассматриваемого полигона (для равнинных территорий радиус до 80–100 км). Для новой географической точки скорректированное значение определяются путём кусочно-линейной интерполяции по сохранённым квантилям, полученным в ходе калибровки модели. [1].
Такой подход, «двухшаговой коррекцией смещения» (two-step bias correction), широко применяется в климатологии и гидрологии для генерации сценариев в неохваченных наблюдениями районах [2], [11]. Верификация переноса выполнена на станции «Полярное».

Метрики качества.
Оценка эффективности методов коррекции выполнялась по следующим показателям: MAE – средняя абсолютная ошибка, RMSE – среднеквадратическая ошибка, Bias – систематическое смещение), RelError – относительная ошибка [10], [15].

Результаты
На рисунке 2 приведены сопоставления квантилей реальных наблюдений на метеорологической стации с первичными модельными рядами и после процедуры коррекции.
Исходные трёхчасовые данные ERA5 по скорости ветра систематически занижены на 26.45% (Bias). QM обеспечивает практически полную коррекцию: Bias = +2.31% (положительное – завышение, отрицательное – занижение модельных значений по сравнению с натурными данными), MAE = 0.16 м/с, RMSE = 0.20 м/с. Относительная ошибка снижается с 26.25% до 3.55%. Сезонный ход скорости ветра после коррекции хорошо воспроизводит наблюдения во все месяцы года (рисунок 3).
Направление ветра также было скорректировано путём раздельной коррекции компонент U и V (рисунок 4). Отметим, что после введения поправок направление ветра довольно сильно скорректировалось по сравнению с первичными данными модели.

 

Заключение
Полученные результаты подтверждают, что исходные данные ERA5 содержат существенные систематические ошибки для климатических переменных.
Квантильное сопоставление показало высокую эффективность.
Предложенная методика может быть применена на любой площадке изысканий, где имеются данные ERA5, даже при отсутствии репрезентативной метеостанции с выявлением локальных поправочных коэффициентов. Это обеспечит проектирование более точными данными и исключит как недостаточный запас прочности, который приводит к необходимости последующего усиления конструкций или перепроектирования сооружения, так и избыточный, который приводит к неоправданному росту стоимости строительства.
Верификация переноса обратно на станцию «Полярное» показала, что ошибки не превышают ошибок самой калибровки. В таблице 1 представлено сравнение среднемесячных наблюдённых параметров, скорректированных модельных значений и значений при переносе. Разночтение модельных значений и значений после переноса связано с тем, что при валидации модели используются только те данные модели, значения которых сопоставлены по времени с архивом наблюдений (т.е. при пропуске данных в архиве параметры не учитываются при валидации), а в случае переноса используется весь модельный ряд без учёта пропусков.Сопоставление годовых роз ветров, построенных по натурным данным м/ст «Полярное», после корректировки и при переносе поправок на опорную станцию представлено на рисунке 5.Представленный подход позволяет существенно сократить стоимость и сроки изысканий, особенно в удалённых, прибрежных или труднодоступных районах, где ближайшая действующая метеостанция не будет отражать фактические условия конкретной площадки.

Литература
  1. Зиновьев Н.С., Косов Д.И. Применение данных реанализа ERA5 в инженерно-гидрометеорологических изысканиях. Труды VII Международной выставки и конференции по судостроению и разработке высокотехнологичного оборудования для освоения Арктики и континентального шельфа, 2026, ISBN 978-5-00289-367-6.
2.     Boe J., Somot S., Corre L., Nabat P. Large-scale circulation and local scale temperature and precipitation biases in a Mediterranean RCM ensemble. Climate Dynamics, 2016, 46: 3085–3104.
3.     Cannon A.J., et al. Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes? Journal of Climate, 2015, 28(17): 6938 6959.
4.     Hagemann S., et al. Spatial transferability of bias correction parameters in hydrological modeling. Hydrology and Earth System Sciences, 2024, 28: 345–362.
5.     Hersbach H., et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049.
6.     Legates D.R., McCabe G.J. Evaluating the use of "goodness-of-fit" measures in hydrologic and hydroclimatic model validation. Water Resources Research, 1999, 35: 233–241.
7.     Multivariate bias correction of ERA5 using in-situ observations for planning and engineering. IOP Science, 2025.
8.     Nobile A., et al. Comparing Bias Correction Techniques of Reanalysis Data: A Case Study. Engineering Proceedings, 2026, 135(1): 23.
9.     Panofsky H.A., Brier G.W. Some applications of statistics to meteorology. Pennsylvania State University, 1968.
10.  Piani C., Haerter J.O., Coppola E. Statistical bias correction for daily precipitation in regional climate models over Europe. Theoretical and Applied Climatology, 2010, 99: 187–192.
11.  Rajczak J., Kotlarski S., Salzmann N., Schär C. Robust climate scenarios for sites with sparse observations: a two-step bias correction approach // International Journal of Climatology. 2016. Vol. 36, no. 3. P. 1226–1243. DOI: 10.1002/joc.4417.
12.  Roy P., Gachon P., Laprise R. A semi-parametric distribution stitch based on the Berk-Jones test for French daily precipitation bias correction. Hydrology and Earth System Sciences, 2023, 27: 421–442.
13.  SCOPE-ERA5: Station-Calibrated Outputs for Planning & Engineering-ERA5. Zenodo, 2025.
14.  Tani M., Gobiet A. Bias correction of precipitation extremes using empirical quantile mapping with generalized Pareto distribution. Theoretical and Applied Climatology, 2019.
15.  Themeßl M.J., Gobiet A., Heinrich G. Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal. Climatic Change, 2012, 112: 449–468.
16.  Willmott C.J. Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 1982, 63: 1309–1313.
17.  Wolf K., et al. Correction of ERA5 temperature and relative humidity biases by bivariate quantile mapping for contrail formation analysis. Atmospheric Chemistry and Physics, 2025, 25(1): 157 181.
18.  Mielke M., Zinoviev N. S., Dethloff K., Rinke A., Kustov V. J., Makshtas A. P., Sokolov V.T., Neuber R., Maturilli M., Klaus, D, Handorf D. and Graeser, J. Atmospheric winter conditions 2007/08 over the Arctic Ocean based on NP-35 data and regional model simulations, Atmos. Chem. Phys. Discuss., 14 (8), pp. 11855-11893, 20154/