機場低能見度預報系統設計思路及其功能實現

楊晶軼

(民航西南空管局氣象中心 四川成都 610202)

隨著中國民航運輸事業的快速發展，航空公司機隊規模不斷擴大，航班量持續增長，航空氣象用戶對氣象服務保障的要求也越來越高。航班量的劇增以及空域資源的限制，使得天氣對航空飛行、機場運行的影響愈發明顯。航空氣象用戶對于定時、定點、定量的精細化預報產品需求越來越高，航空氣象業務水平和服務能力不能滿足快速增長的民航運輸需要，氣象預報能力和服務能力無法完全滿足航班正點的需求。I類精密進近著陸標準為能見度≥800m[1]，低能見度(能見度小于800m)是冬季影響航班安全、正常、效率的主要因素。目前，針對低能見度預報以主觀預報為主，缺乏足夠的客觀預報支撐，低能見度預報等級及精細化程度不夠[2]，人為因素的差異性導致低能見度預報和服務水平的效果不佳，不能形成客觀的預報結論，預報精準性不高，對航空運行的輔助決策支持程度不高，難以滿足用戶需求。精細化的低能見度預報系統對推動主觀預報向客觀預報發展，從定性走向定量，提高預報精準性，具有重要意義。

1 系統設計

1.1 系統模塊

低能見度預報系統包括基于靜止衛星的大霧區域監測、基于人工智能的機場低能見度預報和低能見度預報產品顯示3個模塊。

1.2 系統功能

1.2.1 大霧區域監測

利用“風云4號”和“葵花8號”靜止氣象衛星對機場低能見度進行實時監測，實現衛星云圖的連續動畫顯示、衛星遙測數據及變化曲線顯示；利用微波輻射計、風廓線雷達對機場低能見度實時監測，實現微波輻射計、風廓線雷達獲取信息及變化曲線顯示。

1.2.2 機場低能見度預報

基于機場歷史觀測數據，利用遞歸神經網絡模型，得到機場逐10～30min 0～6h低能見度預報產品；基于數值預報產品，利用BP神經網絡建立模型，得到機場逐小時0～24h低能見度預報產品。

1.2.3 低能見度監測預報產品顯示

基于Webgis形式，實現大霧區域監測產品、機場低能見度天氣預報產品、低能見度天氣預報檢驗產品等顯示，并與機場自動氣象觀測系統信息進行對比顯示。

1.2.4 資料保存功能

Webgis產品、圖片產品及其二次產品自動存儲，并方便調取、復制、粘貼、加入說明等。

2 技術實現

2.1 基于靜止衛星的大霧監測

2.1.1 霧監測

應用太陽高度角訂正、太陽耀斑影響濾除后的可見光通道數據，結合中紅外通道、紅外分裂窗通道數據，將中低云、大霧從地表、中高云中濾除出來。其次，引入數值預報格點場數據，進一步將大霧從中低云中分離出來。夜間監測時，計算通道間亮溫差，考慮下墊面不同產生的影響，對于海洋、陸地表面設定不同的域值范圍，將大霧與冰晶云系、部分水云和地表等分離開來。引入數值預報格點場數據，將大霧從濃密厚水云以及部分層云中分離出來，得到夜間大霧判識產品。對于監測判識出的大霧區域，根據BT 10.45～BT 3.85μm值的不同，計算得出夜間大霧垂直厚度產品。

2.1.2 輸出產品

大霧監測分級顯示產品，根據衛星監測數據和數值預報格點數據，將低能見度分布區域顯示出來，利用顏色處理方案，對大霧區域根據影響級別進行顯示；高、中、低云監測顯示產品，根據衛星監測數據和數值預報格點數據，將高、中、低云分布區域進行顯示，同時可以進行任意云剖面顯示；云跡風顯示產品，動畫顯示云跡風產品；霧厚度顯示產品，單點、剖面顯示霧厚度產品。

2.2 基于人工智能的機場低能見度預報

航空氣象有幾種與能見度有關的用語，如主導能見度、跑道視程(以下簡稱RVR)等，它們的意義和作用各不相同。主導能見度是指觀測到的大于等于四周一半或機場地面一半都能達到的最大水平能見距離。MOR是指色溫為2700K時白熾燈發出的平行光束被大氣吸收和散射后，光束的光通量衰減到5%時的距離。RVR是指在跑道中線上，航空器上的駕駛員能看到跑道面上的標志或者跑道邊界燈或中線燈的距離[3]。RVR是由MOR、燈光強度、照度閾值計算得出的數值。在能見度小于800m的情況下，管制員要根據判斷航空器是否能夠起降。因此，選用MOR、RVR作為系統輸出要素，更貼合民航實際運行需要。

能見度的客觀化預報主要有統計預報和數值預報2種方式。傳統的統計預報將歷史數據統計結果直接應用于能見度預報，這種方法主要應用于定性預報，而對能見度的定量預報能力不足。數值預報主要是通過其他氣象要素的數值預報，并擬合能見度與這些要素的實時關系，通過間接預測的方式得到未來能見度的預測結果，由于物理過程的復雜性，在預測模型中很難全面考慮和理解整個物理過程，并且受數值預報模式的影響較大。近年來，人工智能和機器學習針對雷達探測資料、衛星觀測資料和閃電定位資料進行強對流天氣外推方面的大范圍應用，提高了強對流天氣外推和預報準確率。在能見度預報領域，同樣針對歷史大數據的擬合，得到過去與未來數據間的隨機依賴，機器學習也可應用于能見度預測。

2.2.1 遞歸神經網絡模型低能見度0～6h預報

基于機場自動氣象觀測設備的溫度、濕度、氣壓、云底高、風向和風速、云量、衛星云圖紅外亮溫以及機場微波輻射計和風廓線雷達數據，與自動氣象觀測設備的歷史數據建立神經網絡模型。通過數據清洗與標準化、數據集提取，完成模型超參數優化，在此基礎上根據經驗進行微調，完善神經網絡優化。基于優化后的神經網絡模型，采用完整訓練和測試數據集，進行完整的訓練和實際效果測試，優化模型，輸出預報結果。模型投入運行后，根據能見度分級預報產品檢驗結果調整學習模型，持續改進預測準確性。

產品輸出為未來0～6h的MOR、RVR分級預報產品(0～200，200～300，300～400，400～600，600～800，800～1600，＞1600分級)。預報產品時間分辨率為10min，更新頻次為10min。

2.2.2 BP神經網絡0～24h低能見度預報

基于數值預報產品和機場自動氣象觀測系統的歷史數據，以及數據采集時間建立神經網絡模型。數據輸入為數值預報產品，主要包括溫度廓線、濕度廓線、風場廓線、地表溫度、濕度、壓力、云底高、風向和風速的24h預報產品，用于建立預測模型。通過數值預報產品預處理、數據清洗與標準化、數據集提取，基于經驗和數值方法對各要素與MOR、RVR之間的相關性進行進一步分析研究，選擇相關性適合的要素加入模型輸入參數當中，構建優化模型，輸出預報結果。模型投入運行后，根據能見度分級預報產品檢驗結果調整學習模型，持續改進預測準確性。

輸出產品為未來0～24h的MOR、RVR(0～200，200～300，300～400，400～600，600～800，800～1600，＞1600)分級預測數據。預報產品時間分辨率為1h，更新頻次為6h。

3 低能見度監測和預報產品顯示

3.1 基礎顯示分析工具

主要包括氣象信息渲染與顯示、多視圖漫游聯動、交互分析工具和時序顯示分析等基礎顯示功能。

氣象信息渲染與顯示，通過高性能的圖形渲染引擎GIS 組件，對數值預報、衛星、雷達等數據進行插值處理后顯示，顯示的方式為等值線、雷達圖、衛星云圖、色斑圖、流場、風場、格點填值等。

時序顯示與分析，用戶可以通過地圖地理信息圖層中單擊探測站、航站及關注點，點擊后以縱軸為要素的值、橫軸為時間的方式對氣象信息進行展示與 分析。

3.2 基于衛星的大霧區域監測產品顯示

利用“風云4號”和“葵花8號”靜止氣象衛星實現大霧區域監測產品顯示，疊加機場、航線以及管制區域的點、線信息，并對受到天氣影響的機場以紅綠燈的方式進行顯示。提供高、中、低云監測產品顯示，云跡風產品顯示，霧厚度產品顯示，單點、剖面霧厚度等產品顯示。

3.3 機場低能見度預報產品顯示

用戶可以通過地圖地理信息圖層中單擊探測站、航站及關注點，點擊后以縱軸為要素的值，橫軸為時間的方式對機場低能見度預報信息進行展示與分析。

數值曲線展示方式：實況和預報每10min實時更新。

4 結語

本系統實現了數據自動采集、大霧監測、高中低云識別、機場低能見度預報等功能，低能見度預報 從定性走向定量，為預報員提供了可滿足需求的 參考。