基于實船測風數據的風場融合與算法檢驗*

段國文 董惠隆 賈 作 白曉勇 石文靜 彭銀銀

（1.海軍裝備部裝備項目管理中心 北京 100071）（2.中船航海科技有限責任公司 北京 100070）

1 引言

船舶周圍的海洋環境能夠直接影響船舶航行和船載飛行平臺的起降，尤其是船舶周圍的風場，其本身以及其引起的大浪，會造成船舶在海上的橫搖、縱搖和垂直運動，使船載飛行平臺難以著船，船上的大氣紊流也會影響到著船的穩定性［1］。如在軍事領域，艦艇周圍風場與艦載機起降安全息息相關，把握艦船周邊的精細化風場對艦載機順利遂行各項軍事任務至關重要［2］。

目前安裝在船上的常用測風設備有風廓線雷達、風杯式風速計、超聲風傳感器、激光測風雷達等。風廓線雷達示蹤物為大氣湍流，能夠探測到垂直上空較高的風廓線，因此只能局限于頂空區域風場探測，且低層風場易受地物雜波干擾可信度低，不利于近地面精細化風場的觀測［3］；傳統風杯式風速計和風向標具有測風范圍大、強度高、耐腐蝕等特點，但其體積較大、轉動軸易磨損［4］；超聲風傳感器采用超聲波測量技術，具有靈敏度高、免維護的特點，但其監測能力易受部署位置和數量的影響，無法觀測到較遠位置的風速風向［5］；激光測風雷達作為新型風場探測手段，具備體積小、重量輕、抗干擾能力強、數據時空分辨率高等特點，其采用相干探測原理，基于多波束風場反演可實現對船周圍的風場測量，能提供十分精細的低空三維風場信息，可彌補傳統設備在低空精細化風場探測能力上的不足，是目前晴空條件下獲取近地面精細化風場的有效手段，其缺點是近距離范圍內存在測量盲區，且完成一次體掃需要一定時間［6～7］。

結合超聲風傳感器等常規測量方法和三維激光測風雷達可實現優勢互補［8～9］，能夠同時實現甲板區域上方空氣流場及遠距離風場的測量：在甲板位置布置所需數量的測量風桿和超聲波風速傳感器進行甲板上空一定高度范圍內的流場測量，實現近場高分辨率流場和遠場相對低分辨率風場同時測量，最后通過質量控制，完成超聲風傳感器和激光測風雷達觀測的數據融合，形成船舶上空精細化三維風場。這其中，能夠采用合理算法將兩類觀測數據進行有機結合，從而實現能夠提供船舶周邊精細化三維風場的風場融合結果，將是超聲風傳感器等常規測量方法和三維激光測風雷達實現優勢互補的關鍵［10］。

國外從20世紀90年代開始研究船舶風場的相關問題，除CFD 流場仿真取得一定成果外［11］，在精細化風場觀測方面，通過在移動風桿上安裝傳感器，逐次測量特定空間點的流場數據，進而得到甲板區域上方局部空間流場分布［12］；從算法上，國外早在20世紀60-70年代開始對多數據融合進行研究，目前在技術上克里金插值［13～16］、反距離加權［17～20］等插值算法和多數據融合方法已經成為日趨成熟。但目前國內基于實船測風數據的風場融合研究較少，各類船載測風設備所采集的風向風速信息應用獨立，缺乏融合，同時對海上動平臺風場融合算法檢驗環節薄弱，亟待建立集融合、檢驗為一體的船舶測風數據融合檢驗系統，將布置在船舶上的激光測風雷達和超聲風傳感器進行融合處理，并完成不同融合算法的檢驗，從而為船載風場融合系統提供工程化基礎。

鑒于以上問題，本文將利用船舶航行狀態下布置在甲板上的激光測風雷達（1 個）和超聲風傳感器（7 個）的測風數據，構建實船風場融合與檢驗系統，采用國內外成熟的反距離加權方法及逐步訂正方法實現兩類數據的融合，并利用平均絕對誤差、平均相對誤差、均方根誤差、相關系數等量化指標對兩種融合算法的表現進行評估。

2 實船測風數據

本文章中，風場融合與算法檢驗所用測風數據來源于航行狀態下布置在實船上的激光測風雷達和超聲風傳感器的海上歷史觀測。具體地，參與采集風場數據的設備包含：1 個脈沖波激光測風雷達（R，高1m）和7 個超聲風傳感器（T1～T7，其中，T1安裝在支架Z1的2m高處；T2、T3、T4分別安裝在支架Z2 的2m、4m、6m 高處；T5、T6、T7 分別安裝在支架Z3 的2m、4m、6m 高處），在船上的安裝位置如圖1所示。

圖1 海上航行風場測量設備布置方案示意

在實船風場測量期間，激光測風雷達采用的掃描策略如下。水平：范圍為0°～180°（0°為y軸方向，即面向J 艉的左手方向，順時針為正），間隔5°發射一次波束；俯仰：范圍為0°～45°，其中，0°～15°之內間隔3°變換一次，15°～45°之內間隔5°變換一次。按照發射一次波束用時1s 計算，完成一次體掃的時間不超過8min（約444s）。

3 實船風場融合與檢驗系統

實船風場融合與檢驗系統接入激光測風雷達數據、超聲風傳感器觀測數據，通過數據質量控制方法篩選保留可用數據；利用反距離加權法、逐步訂正法等插值算法進行數據融合，并對融合結果進行評分，計算各類插值算法的平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）、相關系數（CORREL），最終得出風場融合最優算法。整體技術架構如圖2所示。

圖2 風場融合技術架構圖

其中，為保證進行融合對比的數據處于穩定風況中，接入安裝在船樓頂部的機械測風設備風速風向數據，以此來描述船舶航行風況［21］，而后篩選穩定風向風速超過10 分鐘的時間段（判斷穩定的標準為變異系數不超過0.05），令參與風場融合的所有激光測風雷達數據、超聲風傳感器觀測數據均位于該時間段。

1）數據質量控制

為了保證風場融合試驗中接入的風場觀測數據是真實有效的，需要對激光測風雷達數據和超聲風觀測儀數據進行質量控制，質量控制的方法步驟如下：

（1）剔除數據中的缺測值

在設備觀測過程中，可能會由于設備本身的誤差或是人為的一些操作，造成風場在某一時刻數據缺測。本次試驗中的缺測值用“NaN”進行標識，需要將缺測的數據進行剔除。

（2）剔除數據中的可疑值

①氣候學界限值、氣候極值檢查

數據的取值范圍要符合客觀事實。參考我國的風力等級劃分，最大風力級數為17 級（56.1m/s～61.2m/s），本次試驗將風場數據范圍界定為0～70m/s，即在范圍之外的風速值均為無效值并剔除。

②內部一致性檢查

風場觀測數據在同一時刻內的變化要符合客觀事實。本次試驗中將同一時刻變化的上限設定為10m/s，即在同一時刻內任意一點的u、v、w 三個數據與相鄰點的差不得超過10m/s，否則該點與相差超過10m/s的相鄰點數據均剔除。

③時間一致性檢查

同一點數據在連續觀測時隨時間的變化要符合客觀事實。本次試驗觀測設備均為秒級觀測，因此風場數據時間變化閾值不宜設計過大，將時間變化的上限定為5m/s。即在同一點在連續3s 內變化幅度不得超過5m/s，否則將這兩個時刻的數據均剔除。

2）融合算法模塊

（1）反距離權重法

是一種以插值點與觀測已知點之間距離為權重的插值方法，可以以確切的或者圓滑的方式插值。冪指數控制著權重系數如何隨著離開一個格網節點距離的增加而下降，公式如下：

式中：ve為插值點的估算值；vi為第i 個已知點的變量值；di為第i 個已知點與插值點之間的距離；m 為參與計算的已知點個數；n 為冪指數，它控制著權重系數隨插值點與樣本點之間距離的增加而下降的程度。

（2）逐步訂正法

其基本原理是分析場由分析增量與初估背景場相加得到，每一個分析格點上的分析增量是其影響半徑范圍內各個測站上觀測值與初估值的偏差，即觀測增量的加權平均，一般觀測權重與觀測位置和格點之間距離成反比。不斷縮小影響半徑，逐次訂正，直到分析場逼近實際資料為止。公式如下：

式中：xa(j)為格點j 的分析值；xb(j)為格點j 的初估值；xb(i)為插值到觀測點i上的初估場信息；y（i）為對應的觀測值；w（i，j）為權重系數，本次試驗中選取Cressman定義的權重方法：

由于本次試驗全部觀測站點位于激光測風雷達觀測盲區之內，無法獲取分析增量，因此本次試驗中先使用激光測風雷達數據，采用反距離加權法形成均勻三維風場后再使用逐步訂正法進行訂正。

3）融合評分模塊

為對上述幾種插值方法的插值效果進行比較，將T2～T7 作為融合點同激光測風雷達數據與超聲風傳感器觀測數據進行風場融合，之后以T1 作為檢驗點，對風場融合結果進行檢驗。

采用平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）、相關系數（CORREL）四種方法對風場融合算法進行定量和定性評估，MAE、RMES、MRE、CORREL公式如下：

式中：vi為i 點上的觀測值，va為其平均值；vei為i 點上的融合，vea為其平均值。

4 融合與檢驗結果

通過對船樓頂部以往風速風向觀測數據的分析，篩選出37 個超過十分鐘的船舶航行狀態穩定風況（篩選標準為風況相對風速的變異系數小于0.05），如表1所示。由表1 可知，各工況的風速大小取值在2.68m/s～15.13m/s之間，覆蓋范圍廣，可為風場融合提供不同代表性強的背景風場。

表1 船舶航行狀態穩定風況（37個）信息表

分別采用反距離加權法和逐步訂正法，將以上風況所對應時間段內的激光測風雷達數據與超聲風傳感器觀測數據進行質量控制、融合處理，其中，為對上述幾種插值方法的插值效果進行比較，將T1 作為檢驗點，T2～T7 作為融合點，對激光測風雷達數據與超聲風傳感器觀測數據進行融合處理，為直觀展現兩種算法的融合結果，繪制各風況下不同融合方法T1 位置結果與實測風速對比折線圖（見圖3）。由圖3 可知，一方面，兩種融合算法的融合值較為接近，僅在第20 個和第37 個風況時兩者差距稍大，其中逐步訂正法比反距離加權法融合的結果分別大了0.33m/s 和0.35m/s，其余的差值均低于0.17m/s；另一方面，兩種方法的融合結果與觀測風速相比均差距較小，除在第24、27、30 個風況時差距絕對值分別達到0.96m/s（反距離加權法）/0.89m/s（逐步訂正法）、0.73m/s（反距離加權法）/0.73m/s（逐步訂正法）、1.24m/s（反距離加權法）/1.29m/s（逐步訂正法）之外，其余風況兩方法融合的結果與觀測風速之差的絕對值均低于0.6m/s；同時，與觀測風速的均值（3.16m/s）相比，兩種融合方法結果的均值分別為3.108m/s（反距離加權法）和3.111m/s（逐步訂正法），均略小于觀測風速的均值。

圖3 不同融合方法T1位置結果與實況對比圖

為定量評估兩種風場融合算法結果與觀測風速的差異，從而進一步量化兩者表現，采用平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）、相關系數（CORREL）四種量化指標對該兩種算法進行評估，結果如圖4所示。由圖4可知，兩種融合算法各項評分相差都不大，但具體地，與觀測風速相比，除平均相對誤差（MRE）兩方法評估結果相同（均為12%）之外，反距離加權法的平均絕對誤差、均方根誤差（分別為0.36、0.46）均高于逐步訂正法的評估結果（分別為0.34、0.43），同時反距離加權法融合結果與觀測風速的相關系數（0.943）低于逐步訂正法融合結果與觀測風速的相關系數（0.948），即本試驗中，逐步訂正法的融合結果與實測相比誤差更小、相關性更強，其表現略優于反距離加權法。

圖4 不同融合方法評分對比圖

5 結語

本文基于構建的實船風場融合與檢驗系統，利用船舶航行狀態下布置在甲板上的激光測風雷達（1 個）和超聲風傳感器（7 個）的測風數據，經質量控制處理后，采用反距離加權法和逐步訂正法進行37 個穩定風況下激光測風雷達觀測和超聲風傳感器觀測的數據融合，并將7 個超聲風傳感器中的1個作為檢驗點，利用平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）、相關系數（CORREL）四種量化指標對該兩種算法融合結果進行評估，主要結論如下。

1）本試驗構建的實船風場融合與檢驗系統中，反距離加權法和逐步訂正法對激光測風雷達和超聲風傳感器測風數據的融合結果較為接近，37 個風況中，僅在2 個風況中兩者差距稍大，差值分別為0.33m/s和0.35m/s，其余的差值均低于0.17m/s。

2）與觀測風速相比，反距離加權法和逐步訂正法兩種方法的融合結果與實測相比都差距較小，除在3 個風況中的差值絕對值分別達到0.73m/s 以上之外，其余均低于0.6m/s；同時，與觀測風速的37個工況的均值（3.16m/s）相比，兩種融合方法結果的均值分別為3.108m/s（反距離加權法）和3.111m/s（逐步訂正法），均略小于觀測風速的均值。

3）通過MAE、MRE、RMSE 和CORREL 四種量化指標對該兩種算法的比較發現，與觀測風速相比，除MRE 兩融合方法評估結果相同（均為12%）之外，反距離加權法的MAE、RMSE、CORREL 三項指標得分均略遜于逐步訂正法，即逐步訂正法的融合結果與實測相比誤差更小、相關性更強，在本次融合試驗中其表現略優于反距離加權法。

同時，本工作亦有很多不足之處，包括但不限于以下幾方面。

1）本次風場融合算法基于插值方法進行融合與降尺度，并未深入對氣流軌跡及時空變化進行研究。在后續工作中計劃引入時空加權分析、三維變分同化等方法進行深入分析。

2）本次試驗中全部超聲風傳感器均布置在激光測風雷達盲區內，不能有效作為檢驗數據檢驗雷達性能，也不能采用逐步訂正法等減少誤差的降尺度方法。后續試驗中將注意盲區范圍，更好地將激光測風雷達與超聲風傳感器的數據進行有效結合。

3）本次風場融合試驗航行狀態中部署了一部激光測風雷達，體掃范圍有限，也難以保障數據的時效性。在后續試驗工作中可再部署1～2 部雷達，實現三維風場融合技術數據的穩定性，提升三維風場融合產品的準確性和有效性。