观潮 · 模式预报与气象 AI 观察
EC 模式对 10 级大风平均低估 9.42 米每秒：连云港海区用样本加权 XGBoost 把 8 级大风 TS 评分从 0.15 提到 0.25
> ECMWF 细网格（EC 细网格）是海洋气象业务的核心参考产品，但它在连云港海区的阵风预报偏差是结构性的：实况风力不超过 5 级时平均误差 +1.02 m/s（高估），实况达到 10 级以上时平均误差 −9.42 m/s、RMSE 10.50 m/s（严重低估）——实际风力可能比预报高出近 2—3 个等级。这篇论文用 2023—2025 年 7 个海岛及港区自动站资料定量刻画了这个非对称偏差，然后针对大风样本只占约 1% 的非平衡问题，给 XGBoost 加了一档样本权重（6 级以上样本权重 10.0、常规样本 1.0），构建订正模型 XGBGust。订正后实况 6 级以上样本 RMSE 降 24.2%，8 级大风 TS 评分提升 66.7%，三次典型大风过程个例全部改善；但作者同时承认，气旋和地形风个例的峰值风速仍然低估，树模型刻画不了次网格地形强迫。
缺的是哪一块
EC 细网格在海区大风上的低估不是新发现：青岛沿海检验发现 6 级以上大风明显负偏差且随风力增大；椒江沿海海岛站 24 小时预报风速偏小比例高达 93.0%；宁波舟山港热带气旋型过程 12 小时预报平均误差 −3.5 m/s、阵风系数约 1.61。机器学习订正也做了很多——随机森林、TCN、LSTM、XGBoost 都在沿海风速订正里出过成绩。真正缺的有两条：一是针对海岛自动站阵风和极大风速的机器学习订正研究相对少；二是极端大风样本在总体里占比极小，常规算法在训练时陷入「多数类陷阱」（majority class trap）——损失函数被占绝对优势的常风样本主导，模型对业务上最要命的极端大风敏感性不足。这篇把第二条当成方法设计的核心，而不是当成一句背景交代。
偏差先量清楚：弱风高估、强风严重低估
资料是 2023 年 1 月—2025 年 12 月连云港沿海及海岛 7 个自动站的逐小时观测（10 m 平均风向风速和极大风速），配同期 ECMWF 高分辨率细网格逐 3 小时预报产品（10 m 风、3 小时阵风、925/850/700/500 hPa 四层风），空间上双线性插值或最邻近到站点，时间上严格对齐。
图1 连云港海区 7 个观测站分布：车牛岛、平山岛、秦山岛、西连岛、24 号泊位、徐圩港区、开山岛。
分风力等级的偏差统计是全文的立论基础：
实况风力 · 平均误差 ME (m/s) · 平均绝对误差 MAE (m/s) · RMSE (m/s) · 性质
≤5 级 · +1.02 · 1.98 · 2.57 · 高估
6—7 级 · −1.61 · 2.69 · 3.39 · 开始低估
8—9 级 · −4.95 · 5.18 · 6.19 · 低估加剧
≥10 级 · −9.42 · 9.51 · 10.50 · 极度低估
图2 四档风力等级的预报偏差分布：箱体随风力增大整体下移，≥10 级档 ME 达 −9.42 m/s、RMSE 10.50 m/s。
RMSE 从 2.57 递增到 10.50 m/s，增幅 4.1 倍。作者对成因的拆解是三层：参数化方案对强风条件下边界层湍流交换和海面粗糙度反馈描述不完善；模式地形和海岸线的平滑效应吃掉了连云港复杂岸线与岛屿的动力阻挡、绕流；极端大风往往伴随强天气系统快速发展，模式对这类非线性过程先天不足。业务含义很直接——对危险性最高的极端大风事件，直接拿 EC 原始预报做决策依据有系统性隐患。
季节维度上，秋冬季相关系数（0.75、0.77）明显高于春夏（0.65、0.62），秋季 ME 最大（0.85 m/s），四季 RMSE 差异不足 0.05 m/s。作者的解释贴着天气学：秋冬季大风靠西伯利亚冷空气，天气尺度系统范围广、持续久，模式动力过程描述得准；春夏是局地雷暴大风、入海气旋和海陆风环流，生命周期短、空间尺度小。
图3 春夏秋冬四季 EC 原始预报与实况极大风速的散点密度：四季样本量分别约 26 万、24 万、26 万、26 万，散点主体压在 1:1 线下方。
样本加权怎么起作用
XGBGust 的建法不复杂，关键是那个权重：
设计项 · 取值 · 依据
样本权重 · 实况极大风速 ≥10.8 m/s（6 级阈值）样本权重 10.0，常规样本 1.0 · 训练集常规样本与 6 级以上大风样本之比为 208953:2317（约 10:1），再经验证集上高阶风力 TS 评分启发式寻优
数据切分 · 按时间轴前 80% 训练（内部 5 折交叉验证调参），后 20% 测试 · 不用随机抽样，测试集全程不参与训练调参
输入特征 · EC 多层风场预报（10 m 风向风速、3 h 阵风、四层等压面风向风速）+ 经度、纬度、月份、时刻，共 15 维 · —
超参数 · n_estimators=300，learning_rate=0.05，max_depth=6，subsample=0.8，colsample_bytree=0.8 · 网格搜索 + 训练集内部 5 折交叉验证
图4 XGBGust 建模流程：EC 细网格数据与观测数据时空匹配后，经时间切分与缺值剔除进入加权 XGBoost 训练，输出 0.125° 分辨率逐 3 小时海区极大风预报并检验。
加权的效果有个干净的对照：不加权的常规 XGBoost 虽然能把整体 RMSE 明显压下去，但因为大风样本太少，6 级以上大风 POD 提升有限——模型照旧掉进多数类陷阱；换成加权版后，牺牲少量整体 RMSE，换来 6 级以上大风 POD 显著提升、FAR 得到控制（作者注明该对比图略）。
特征重要性排序也符合物理直觉：10 m 风风速第一，3 h 阵风第二（对极大风速有显著增量贡献），经度和纬度排第三、第四——离岸越远、陆地摩擦越小、大风越强，这与前文离岸距离与风速正相关的分析对上了。
图5 实况 ≥10.8 m/s 样本的散点密度：EC 原始预报（a）R=0.38、RMSE 3.63 m/s、ME −1.64 m/s（N=6128）；XGBGust 订正后（b）R=0.50、RMSE 2.75 m/s、ME −0.75 m/s（N=6202）。
汇总成账：6 级以上样本 RMSE 降 24.2%，R 提 31.6%，ME 绝对值降 54.3%。分类检验按风级拆开看增益：
风级 · TS 评分变化 · POD 变化 · FAR 变化
7 级 · 提升 26.9% · 提升 87% · 有效控制
8 级（17.2 m/s） · 0.15 → 0.25（提升 66.7%） · 0.23 → 0.38（提升 65.2%） · 0.71 → 0.54（降 23.9%）
图6 分风级的 TS 评分、命中率（POD）与空报率（FAR）：风级越高，XGBoost 订正（蓝）相对 EC 原始模式（红）的优势越大，8 级档差距最明显。
三场真实大风过程的检验
个例选 2026 年春季三次过程，对应连云港海区三种典型大风类型。
冷空气大风（4 月 19 日）：平山岛、秦山岛等 4 个海岛站极大风力达 9 级。平山岛站改善最显著，RMSE 从 4.1 m/s 降到 1.7 m/s（降幅 59%），24 号泊位和开山岛分别降 36% 和 40%；徐圩港区例外，订正后误差反而略升。演变曲线上，EC 对起风和消减阶段的趋势与实况同步，但峰值只报出 17—18 m/s，误差约 6 m/s；订正后峰值 22 m/s，向实况明显靠拢。
图7 4 月 19 日冷空气过程：(a) 各站点 EC 原始与 XGBoost 订正的 RMSE 对比，徐圩港区订正后误差不降反升；(b) 平山岛站极大风速随预报时长的演变，订正峰值约 22.8 m/s，接近实况约 24 m/s。
气旋大风（4 月 9 日）：各站改善幅度介于 44%—54%，一致性较好，说明模型对气旋动力结构引起的系统性偏差有较稳定的识别能力。实况极大风速从约 12 m/s 增强至 17 m/s 峰值再回落到约 13 m/s，EC 峰值只报约 10 m/s（低估约 7 m/s），订正后峰值 13—14 m/s。
图8 4 月 9 日气旋过程：(a) 各站点 RMSE 对比，改善幅度介于 44%—54%；(b) 24 号泊位站极大风速演变，订正曲线基本贴住实况的中等强度持续大风。
港口地形风（5 月 10 日）：三个个例里 EC 误差最大的一次，24 号泊位 RMSE 高达 5.8 m/s。实况极大风速从约 15 m/s 增强至 19 m/s 峰值，EC 只报出 6—10 m/s，峰值误差 9—13 m/s；订正后 13—14 m/s，24 号泊位 RMSE 降幅 48%。成因按作者的说法落在模式分辨率上：不足以刻画云台山地形强迫引起的次网格尺度动量下传。
图9 5 月 10 日地形风过程：(a) 各站点 RMSE 对比，24 号泊位从 5.8 m/s 降至 3.0 m/s；(b) 24 号泊位站极大风速演变，EC 峰值仅约 6 m/s，订正后约 13—14 m/s，仍低于实况约 19 m/s。
作者承认的限制
论文在个例检验和结论里把边界写得很清楚：
限制 · 原文口径
峰值仍低估 · 气旋大风与港口地形风个例中订正后「对风速峰值仍存在低估」，地形风个例仍差约 5 m/s
树模型的能力上限 · 港口地形风受次网格尺度复杂地形强迫、气旋大风可能伴随对流与三维动力演变，「仅依赖有限的气象要素作为输入的树模型，难以完全刻画」
测试集的覆盖缺口 · 按时间轴切分导致「测试集在春季样本的覆盖上略显不足」，作者以测试集完整覆盖夏秋冬、极端大风高发于秋冬来论证代表性
加权对比未展示 · 未加权 XGBoost 与加权 XGBGust 的对比「图略」，只给了结论性描述
后续方向 · 引入高分辨率 DEM，或采用图神经网络（GNN）、TCN 等深度学习算法提升局地复杂强风的空间特征提取
另有一条方法口径值得记录：权重系数 10.0 的设定同时依据先验不平衡比例和验证集上的启发式寻优，论文没有给出权重敏感性扫描，这个系数在别处海区是否照搬，原文没有回答。
一句话判断
极端大风样本只占 1% 时，普通机器学习订正会把这一档「平均掉」；把不平衡比例直接写进损失权重，8 级大风 TS 评分就从 0.15 提到 0.25——但 5 月 10 日那场地形风的峰值误差说明，模式分辨率吃掉的次网格动力，后处理模型只能补一半。