道路结冰的温度预报方法研究进展

胡继超， 林子静， 成 添

(南京信息工程大学气象灾害预报预警与评估协同创新中心,江苏省农业气象重点实验室,南京 210044)

道路结冰后湿滑对城市道路和高速公路交通安全构成威胁,会影响人们正常出行并增加交通事故发生概率而导致巨大的经济损失,因此被中国气象局列为第一批发布预警信号的突发气象灾害之一[1]。路面能否结冰与地表温度变化密切相关,随着中国社会经济的迅速发展,高速公路建设发展迅猛[2],截至2018年底,总通车里程已突破14万公里,迫切需要提高路面温度的精准预报能力和道路管控预警服务。因此,考虑道路下垫面状况的改变,研制微小尺度范围温度精细化预报一直是待攻克的难题和研究热点。准确预报路面温度变化,可提供及时的交通气象服务信息,为道路维护(如除雪、撒盐融冰融雪等)和实施交通管制提供可靠决策信息依据,促进对冰冻天气的快速响应和及时处置,对保障交通出行安全、减少交通事故发生和引起的财产损失具有重要意义。

影响路面温度变化的因素很多。除去季节差异,可以概括为以下三方面:地理条件、天气条件、下垫面状况等[3-4]。地理条件主要包括纬度、海拔高度和地形条件(山坡的坡向、坡度、地形形态),其对温度的影响是确定的。就温度的日变化预报而言,易受天气条件[5](风速、天空云况)和下垫面状况变化的影响,其中以下垫面状况改变(表面材料、干湿状况的时空异质性)的影响最为复杂[6],从而增加了温度预报的难度。尽管如此,随着气象观测自动化的发展,温度观测的时空密度增加,为提高温度预报精细预报的水平提供了条件和可能。关于温度预报方法的研究已有大量报道。基于此，将温度预报方法分类,分别综述其近年来的研究进展。

1 道路温度预报方法

1.1 应用统计方法建立的温度预测模型

利用多元统计方法预报路面温度是比较常用的方法之一。该类方法基于历史数据建立地表温度与其他气象因子(气温、太阳辐射、总云量、低云量、露点温度、能见度和相对湿度等)以及其他相关要素之间的关系,从而达到预报地表温度的目的,此类方法优点是模型简单、参数和资料易于获取、便于工程应用,主要缺点在于模型缺乏机理性,影响预报准确性,不易推广。

此外,统计方法在确定路面温度预报模型中的局地地理(地形、开阔度、土地利用等)和路面建筑材质(热扩散率、反射率)参数时具有重要作用[3,15]。Marchetti等[16-17]应用主成分分析法研究路面特征和下垫面形态性质来分析其对地表温度的影响。

1.2 利用数值方法的预报模型

该类方法是以数值天气预报模式为基础,利用MOS方法加上滚动订正进行网格预报,它基于数值天气预报模式背景场和站点预报的温湿度等要素网格预报技术,应用精细化地理信息订正处理,得到降尺度过程中预报要素的局地化值[18],该方法较早的报道见Sass[19-20]的研究。基于Grapes数值模型预测,罗聪等[21]利用卡尔曼滤波方法做初步温度预报,然后将模式统计输出方法应用于卡尔曼滤波结果,得到逐时滚动温度预报,最后通过站点网格映射方法将站点预测误差反馈到最匹配的网格点,以实现精细的逐时滚动温度预测(seamless hourly updated forecast for temperature,SHUF)。王秋云等[22]利用中尺度天气预报模式(the weather research and forecasting model,WRF)模式结合路面参数方案对沪宁高速公路的一次高温过程进行了对比模拟分析。该方法是将数值天气预报的温度精细化预报方法应用到路面温度预报上，其优点是可以提供宏观气象要素预报场,特别是有平流引起的大范围内温度变化时,该方法能起到非常重要的作用。但也存在不足:无法考虑道路局地下垫面特性的精细温度变化差异(如微小尺度地形、地表粗糙度、路桥建筑变化等引起的温度变化差异),格点的精细温度预报值与实际路面温度仍存在明显可提高的误差。因此,采用上述两种途径提高路面温度预报能力的关键在于：一是提高采取集合预报方法提高路面温度数值产品的预报准确性[23]；二是融合更多的实时路面监测信息订正数值预报产品[24-27]。Bouris等[24]将路面热影像与数值天气预报模型得到的路面预报结合起来进行分析。

1.3 基于地表能量平衡法的温度预测模型

目前,基于地表能量平衡法的温度预测模型是高速公路温度预报使用最多的方法,它利用高速公路沿线交通气象站的观测数据,其温度场算法以路面辐射能量平衡为基础并同化各种有效的参量,此类方法优点是模型有较强机理性,但是模型中需要确定的参数和变量较多[28-31],系统计算复杂。目前欧美国家使用的道路结冰预报模型多偏向于此类方法。

2001年,加拿大科学家就研发出一种高速公路路面温度的预测模型(model of the environment and temperature of roads,METRo)[32],模型使用道路气象观测站资料以全球环境多尺度数值预报模型(geospace environmental modeling,GEM)的产生气象预报信息得到初始和边界条件。METRo能考虑路面液体和固体形式的道路积水,应用路面能量平衡和道路材料的热传导公式,计算出温度变化。到达道路表面的辐射通量可以在自动模式下从GEM模型获取,或者在手动模式下运行时参数化为云层和温度的函数。METRo由三个模块组成:路面的能量平衡(中心部分)，道路材料的导热模块,以及处理道路上积水、积雪和积冰的模块。这里主要介绍路面的能量平衡模块:

Rn=(1-αs)Q+εI-εσT4-H-LE±LfP+A

(1)

式(1)中:Rn是太阳的净辐射通量；Q是入射太阳辐射通量；αs是路面反照率；ε是史蒂芬-玻尔兹曼常数；εI是入射的红外辐射通量；Ts是道路温度；H是感热通量；LE是潜热通量；Lf是水的融化热；P是降水速率；A是人为热通量。该模型系统在较多的国家和地区进行了推广应用[33-34]。

Bouilloud等[35-36]设计了适用于整个法国的路面温度预报模型(ISBA-Route/crocus耦合模型),它依靠短期气象预报和路面气象要素的长期模拟,利用空间化气象数据提供初始条件。使用来自综合实验场的气象数据在实验现场对路面状况(路面温度和道路上积雪)进行预测。其能量平衡方程为

Fadv+Fsol)+G

(2)

式(2)中：Ct是路面层的热容量；Pt表示时间步长内积雪的存在时间比例；Fcond是雪与道路之间的热传导通量；Fadv是积雪径流的热平流通量；Fsol是积雪底部的太阳辐射通量；G土壤热通量。相比加拿大的METRo模型,该模型考虑了积雪层,但没有考虑人为热排放影响,更适用于积雪存在的情况。

刘熙明等[37]应用能量平衡公式[式(3)]计算水泥路面温度,综合考虑大气与地面之间的长波辐射、太阳短波辐射、感热和潜热之间的能量平衡关系,并考虑水汽、气溶胶、浮尘以及云等多种要素对太阳短波辐射的吸收和散射,建立了一种较实用的路面温度预报模型。

G(t)=(1-αs)S↓+L↑-L↓-H-LE

(3)

式(3)中：S↓为太阳短波辐射；L↑-L↓为净长波辐射。

验证表明该模型在晴好天气温度预报精度较高,但当出现阴雨天时,结果仍有待提高。

Feng等[38]根据路表能量平衡,建立了高速公路路面温度预测模式,并将预测结果与路面气象站的实测值进行了对比。

针对道路交通下垫面的特点,2017年，Meng[39]利用高速公路气象监测站数据以及北京市精细下垫面数据,以通用陆面模式(common land model,CoLM)为基础,开发了适用于城市街道以及公路路面的路面参数数值预报模型BJ-ROME。模型采用由BJ-RUC产生的气象强迫场驱动,其预报时间跨度可达到24 h,做到3 h更新。

BJ-ROME基于路面模式CoLM构建。其能量平衡方程可表示如下：

(4)

验证结果表明,BJ-ROME可以模拟路面温度的日变化,特别是在晴空条件下。对于下雨的情况,如果道路水深不为0,则可以将路面视为浅湖,简化CoLM中的湖泊模型以计算道路水温,模型可以很好地模拟水涝时间。如果考虑人工除水,也可以模拟道路水深。对于雪情,BJ-ROME可以很好地模拟积雪时间。如果考虑人工除雪,BJ-ROME也可以很好地模拟积雪的深度。敏感性分析结果表明,太阳辐射校正系数,沥青深度和沥青热导率是RIT模拟的重要参数。

应用能量平衡法,计算得到储热通量后,路面温度采用强迫恢复法计算。该方法是由Bhumralkar[40]首先提出,并由Lin[41]和Dickinson[42]改进和发展的计算表面温度的经验方法。温度变化计算公式为

(5)

刘冬韡等[43-44]利用该方法计算了上海市城市地表温度的分布,考虑了城市下垫面覆盖类型变化对地表温度的影响。冯蕾等[18]以数值天气预报结果为气象强迫场,驱动路面温度预报模型METRo,对江苏省高速公路夏季路面高温进行了预报试验,较常规业务预报方法提高了温度预报的精细水平。

1.4 基于GIS的地温预测模型

GIS能考虑路面状况的空间差异性,将GIS与相关温度预报模型结合进行地表温度预报,能提高路面温度预报进度,从20世纪90年代就将GIS技术应用到路面温度的研究,且不断深入[45-52]。Chapman等[46]将基本空间数据集与测量技术的协同作用相结合,以产生驱动道路天气预报模型的空间分量的地理参数数据库。通过测量和建模诸如高度、土地利用、道路建设和天空视野因子之类的地理参数,可以将道路冰预测系统的预先存在的组件联合起来以提供动态道路冰预测系统。

为了改进道路天气系统(road weather information systems，RWIS)模型,伯明翰大学于2005年综合地理信息学、计算机处理能力,通信和互联网的最新发展成果,开发出新一代道路天气信息系统(neXt generation road weather information systems,XRWIS)[47],系统利用经纬度、海拔高度、天空视角因子、每隔20～200 m(取决于地形)的地理数据库、热图残差、坡向,坡度,冷空气排水,道路建设,交通,土地利用等,为工程师提供基于道路的天气预报。结果表明,使用地理测量和IceMiser模型XRWIS能够以高精度预测波兰研究路线的路面地表温度,该模型预测路面地表温度(road surface temperature, RST)的准确率达到98%,平均误差仅0.15 ℃。

为了解决道路结冰灾害风险评估中致灾因子的精细化问题,吉辰[49]引入天气预报模型/非稳态拉格朗日烟团模型中网格化风场模块(the weather research and forecasting mode/california meteorological model,WRF/CALMET)动态降尺度方案,利用GIS技术建立健全危险因子精细化模型,为完善道路结冰灾害风险评估中灾害风险评估提供了新思路。

1.5 基于机器学习算法的道路温度预测模型

近来,随着人工智能的快速发展,机器学习也开始逐步应用于地表温度的预测。与统计方法相同,机器学习算法也利用历史观测资料来预测地表温度,但它可以近似化更复杂的函数。为了取得更好的效果,统计方法通常需要大量的数据和准确的特征选择,而机器学习算法只需要有限的特征选择和相对较少的数据也可以取得良好的效果,同时机器学习算法的参数很容易通过优化原理获得。近几年来,道路温度预测方面常用的机器学习算法有支持向量机、神经网络和决策树等[53-61]。

刘梅等[53]利用支持向量机方法探索了南京地区道路结冰的预报方法。雷建军等[54]利用遗传微粒群算法的全局搜索能力选择合适的组合及对应的最优支持向量机参数,提高道路预测模型的模拟准确率。Xu等[58]在改进的BP神经网络模型的基础上,提出了动态预测模型和静态预测模型。通过重置训练程序,固定训练样本的大小以及更新实际温度训练样本来建立动态预测模型,由于能将最新时刻的温度数据更新到训练样本中,故可以达到提高地温预报准确性的目的。Liu[59]利用极限学习机(extreme learning machine,ELM)的机器学习算法预测路面温度,将梯度增强到ELM来有效地降低随机性,结合ML方法与BJ-RUC,可以取得良好预报温度的效果。陈凯等[61]将是否有可能发生结冰现象抽象成一个二元分类问题,利用数据挖掘中C4.5决策树算法做分类分析,得到易于使用的预报道路结冰规则集。

2 结论

通过综述中外关于地表温度预测方法,分析各种研究方法的优势和不足,并详细阐述该方面研究进展得出以下结论。①统计分析方法简单但缺少机理性,推广到其他地方误差大,且需要大量实测数据,因此,其未来发展受到限制；②能量平衡法机理性较强,但是参数复杂,欧美运用广泛,也是近年来中国研究和应用的主流方法；③GIS和数值天气预报多是作为工具以辅助路面温度预报,以达到提高预报精度的目的,可以预见学科间交叉将会越来越多,适用性也会越来越强；④数据挖掘方法具有数据选择的兼容性、模型构建的准确性、参数设置的便捷性等优势。综上所述,将能量平衡方法与数据挖掘方法结合起来,使优势互补,是未来具有生命力的发展趋势。