基于METRo模型的冬奥高速公路示范站路面温度临近预报方法

曲晓黎，齐宇超，尤 琦，王跃峰，吴 丹，李美琪

(1.河北省气象服务中心，河北 石家庄 050021；2.河北省气象与生态环境重点实验室，河北 石家庄 050021)

引 言

2022年冬季奥运会在北京、张家口两个城市举行，而京藏高速正是连接两座城市的主干高速。北京、张家口位于华北平原北段，冬季多低温冰冻天气，道路极易出现积雪、结冰等灾害天气进而诱发交通事故、道路拥堵等情况，因此交管部门和道路养护部门需要根据交通气象预报信息，提前做出交通流量管控和扫雪铲冰播撒融雪剂的准备，公众也可以调整出行时间和方式，减少灾害性天气造成的影响[1-2]。

路面温度是预报路面积雪和结冰的一个重要参数，因此选择适合的路面温度预报方法或模型是保障路面积雪、路面结冰预报预警能力的关键问题。目前路面温度预报主要采用统计模型或以能量平衡方程为基础的机理模型模拟两种方法[3]。统计模型方法因发展时间较早，得到了较多的研究和应用，尤其是采用气象观测数据和路面观测数据建立路面温度预报模型，并取得了较好的模拟效果[4-12]。在机理模型方面，近年来，以能量平衡方程为基础、计算地表能量交换的多个变量，进而计算路面温度的方法也已在多个地区得到应用[13-16]。另外，李家启等[17]利用道路的热普指纹空间变化模式描述了高速公路路网冬季夜间路面温度的变化。

METRo(model of the environment and temperature of roads)是加拿大开发的路面温度预报模型，模型以道路的观测资料和气象数值预报产品作为输入，结合观测和预报数据，能够实现对地表温度进行长时间的预报，在国内外取得较好的模拟结果[18-20]。然而，该模型在不同地区也会表现出一些系统性误差，同时考虑到路面温度会受周边人类生产生活的影响，因此本文用大量样本数据拟合的人为热参数作为METRo模型的前置参数，对示范交通气象观测站的路面温度进行模拟，重点用于提升冬季路面低温的预报准确率、减小模型的系统性误差和人为因素影响，以期提升京津冀区域尤其是冬奥会交通保障关键路段路面低温和路面结冰的预报能力。

1 资料和方法

1.1 资 料

气象观测数据为2016、2017年冬季(当年12月至次年2月)京藏高速公路北京回龙观站逐时气温、露点温度、是否降水(是/否)、风速、路面状况(干燥、冰、雪等)、路面温度和路基温度等数据。其中2016年冬季资料用于人为热参数的训练，2017年冬季资料用于路面温度预报效果检验。

气象预报数据主要使用华北区域气象中心RMAPS-IN和RMAPS-ST两种预报系统拼接的逐小时预报数据，RMAPS-IN系统中选取气温、露点温度、降水、风速要素，RMAPS-ST系统中选取地表气压和辐射要素，均为每3 h输出一次的未来1～6 h预报数据。

1.2 方 法

逐3 h运行一次METRo模型，对未来6 h的路面温度进行预报。METRo模型运行前，输入前12 h的交通气象站观测数据和气象预报数据，通过土壤热传导模型估算初始土壤廓线，然后进入“耦合”相态，获取气象数据修正参数，对短临预报(未来6 h)进行修正。最后使用修正后的气象预报数据，驱动METRo模型进行路面温度的预报。图1为模型运行流程。

图1 METRo模型运行流程图Fig.1 Running flow chart of METRo model

METRo模型最主要物理过程包括三部分[18]。

(1)地表能量平衡模型。能量平衡中有7个变量贡献来源于大气，具体表达式为：

(1)

(2)土壤的热传导模型。使用一维热传导模型，计算土壤温度的廓线分布，具体公式如下：

(2)

式中：C(J·m-2·s-1)为土壤热容量；T(℃)为土壤温度；G(J·m-2·s-1)为土壤热通量；z(m)为土壤深度。

(3)地表冰/水堆积模型。冰和水的积累和相态的改变受控于以下方程：

(3)

式中：i表示冰或水；G1(J·m-2·s-1)为土壤第一层向下的热通量传导效率；r(m·s-1)为径向流速；P(m·s-1)为降水速率；E(m·s-1)为蒸发或升华速率。

从METRo模型的主要物理过程可以看出，该模型可以很好地刻画路面的能量、热量和结冰过程。在应用该模型时对路面剖面的勘测定参有很高要求，本文提出的人为热参数法，既能解决大部分天气数值模式没有人为热输出的问题，又可减少道路剖面实地勘测的工作量。

2 人为热参数方案

人为热是指由于人类生产、生活活动所产生的热量。对于城市周边及交通枢纽地段，人为热是一个重要的地表能量，与气温和辐射等因子一样对路面温度都有较大影响。目前，人为热计算方法主要有两种：一种是基于物理过程的人为热预报方案，通过人为热的物理影响过程计算，确定人为热的变化情况[21]；另一种是基于气候数据统计方法，通过建立人为热的气候数值，用于路面温度模拟[22]。本文采用统计方法，通过基于模型和观测数据的人为热训练方案，确认模拟站点的人为热气候情况。需要注意的是，拟合的人为热参数，既包括实际人为热，还包括对RMAPS系统和METRo模式的系统性误差的订正。可以利用METRo模型的前置参数，有效提高路面温度的预报效果。

在METRo模型大气预报数据中写入人为热初猜值[22]，驱动模型，对2016年冬季路面温度进行模拟。采用大量样本数据多次循环的方式，根据平均绝对误差增减人为热的猜测值，直到平均绝对误差小于0.2 ℃为止。图2为2016年冬季各月北京回龙观站人为热日变化，可以看出，18:00(北京时，下同)至次日08:00为正值，其中晚高峰时段可超过100 W·m-2，而白天尤其是正午前后，有非常明显的负反馈作用，其中12月和1月均超过-100 W·m-2，2月超过-250 W·m-2。可见，人为热在冬季夜间使路面温度升高，在白天则对路面温度有明显的降温作用，该结果和李乃杰等[21]的研究结果类似。

图2 2016年冬季北京回龙观站各月拟合人为热的日变化Fig.2 The diurnal variation of fitted artificial heat in different months at the Huilongguan station of Beijing in winter in 2016

3 预报性能检验

图3为2017年冬季引入人为热前后不同起报时间的未来1～6 h路面温度均方根误差。可以看出，当不考虑人为热时，模拟的路面温度与观测实况存在较大误差，大部分时段均方根误差超过3 ℃，在中午前后甚至达8 ℃以上，模拟效果较差。从模拟与实测的路面温度散点图(图略)可以看出，模拟的路面温度也存在高温偏高和低温偏低的情况，而且温度偏差相当明显。考虑人为热后，大部分时段特别是在夜间，均方根误差在1 ℃左右。均方根误差最大值在中午前后，误差值约3 ℃左右。这主要由于中午前后气象模式预报太阳辐射存在较大误差，进而导致路面温度产生较大误差，然而误差最大值已明显小于未引入人为热参数时的数值。

图4为2017年冬季北京回龙观站不同起报时间对未来1～6 h预报的路面温度绝对误差对应样本数占比分布。可以看出，预报时间09:00—16:00，由于模式输入的太阳辐射存在较大误差，导致预报的路面温度存在较大误差。夜间模拟的路面温度效果相对较好，误差基本在2 ℃以内，这对冬季夜间的结冰预报有较好的支撑能力。

图4 2017年冬季北京回龙观站不同起报时间的未来1～6 h路面温度绝对误差对应样本数占比分布(横坐标从左到右分别对应08:00、11:00、14:00、17:00、20:00、23:00、次日02:00、05:00起报)Fig.4 The proportion distribution of the number of samples of the absolute error of forecast road temperature of 1-6 hours in the future from different start time at the Huilongguan station of Beijing in winter in 2017(the abscissa from left to right corresponding to 08:00 BST, 11:00 BST, 14:00 BST, 17:00 BST, 20:00 BST, 23:00 BST of the very day, and 02:00 BST, 05:00 BST of the next day, respectively)

参考THORNES等[23]的天气预报评定方法，对路面温度的模拟结果进行评定，具体公式如下：

(4)

式中：R、L、W(%)分别为正确率、漏报率、误报率；P为Peirce技巧评分；A(个)为实际观测及模拟的路面温度均低于0 ℃的样本数；B(个)为实际观测的路面温度高于0 ℃而模拟值低于0 ℃的样本数；C(个)为实际观测的路面温度低于0 ℃而模拟值高于0 ℃的样本数；D(个)为实际观测和模拟的路面温度均高于0 ℃的样本数。A和D均表示预报正确，而B可导致路面结冰空报，视作第一类误报情况，C可导致路面结冰漏报，视作第二类误报情况。

表1列出2017年冬季北京回龙观站路面温度预报的评定结果。可以看出，B随着预报时长的增加逐渐增多，C基本维持在40个左右。预报正确率R在预报时长的前5 h均维持90%以上，漏报率L基本维持在20%以内，而误报率W在前5 h维持在4%以内，随后增长至8%。Peirce预报技巧评分P基本在0.8左右，最高可达0.85。

为更好地验证模式的模拟能力，对2017年冬季3次明显的大风降温天气过程进行模拟。图5为2017/2018年冬季3次天气过程北京回龙观站气温及路面温度的观测值和模拟值逐时变化。可以看出，夜间，最低路面温度相差基本在1～2 ℃左右，同时能很好地把握夜间气温降低的变化趋势。值得注意的是，路面温度变化和气温并非一致，存在一定的相位偏差，有些模型直接使用气温替代路面温度或者简单的线性拟合会存在较大误差。白天路面温度模拟仍存在一定的误差，主要是白天辐射误差较大，导致路面温度模拟受影响。

图5 2017年冬季3次天气过程北京回龙观站气温及路面温度观测和模拟值逐时变化Fig.5 The hourly variation of air temperature, the observed and simulated road temperature during three weather processes at the Huilongguan station of Beijing in winter of 2017/2018

表1 2017年冬季北京回龙观站路面温度评定结果Tab.1 The simulated road temperature assessment results at the Huilongguan station of Beijing in winter in 2017

4 结论和讨论

(1)METRo模型模拟的路面温度考虑人为热因素后，模拟能力明显提高，尤其是夜间其均方根误差为1 ℃左右，因此对冬季夜间结冰有较好的预报能力。

(2)根据人为热训练方案，在模拟站点人为热白天能使路面温度降低，夜间则起到加热作用。2月，人为热在中午前后可达-300 W·m-2，该数据较前两月有较大突变，对于这种变化特征，目前仍没有较好的解释，下一步将尝试根据地表能量变化情况进行深入分析。

(3)对于09:00—16:00的预报，由于数值模式输入的太阳辐射存在较大误差，导致METRo模型预报的路面温度存在较大误差，需要进一步改进方案。