本研究提出了一种融合物理方法和机器学习算法的风速优化模拟框架，通过将WRF（Weather Research and Forecasting）模式输出和多种机器学习算法自动权重融合模型共同作用来优化风速的模拟性能。敏感性试验中，WRF模式主要通过对微物理参数、行星边界层参数、近地层参数和Fitch参数化方案的率定来优化模式模拟性能。集成模型则采用FNN-CNN_LSTM-Transformer的组合对WRF模式结果进行训练与订正。结果表明，以位于敦煌地区干北第一风电场的测风塔实测数据为参考，集成模型订正结果较单个模型更接近实测数据，相比WRF模式初始结果的决定系数R2最高可以提升44％，且相对于单个模型也表现显著优势。总体而言，本研究提出的结合WRF模拟和FNN-CNN_LSTM-Transformer集成模型的风速优化模拟和订正方法，能够显著提高模拟风速与实测风速之间的一致性。
 

WRF模型,风速优化模拟,参数率定,机器学习算法,敦煌地区