广州白云机场低能见度客观预报方法试验

文俊鹏 蓝静 刘峰

（1 民航中南空管局气象中心，广州 510405；2 广州市气候与农业气象中心，广州 511400）

0 引言

在各种天气现象中，大雾对飞行的影响一直是困扰航空业的难题。大雾造成的低能见度是飞行安全隐患之一，易使飞机在着陆时看不清跑道、偏离跑道或过早、过迟接地；因大雾造成的航班大面积延误、取消给旅客出行带来了很大的不便，直接影响航班正点率。国内外学者对低能见度的多个方面都做了研究，取得有意义的成果。对低能见度预报的常见方法有两大类：一类是依托对影响能见度的各因子消光特性的反演，数值模式预报输出的能见度常采用该方法，中尺度数值天气模式中，依托雨水、云水、云冰、霰等水凝物的消光性质来反算能见度，但对本地特征、日变化等因子考虑不全，能见度的实况变化对预报结果缺乏有效的修订；另一类是通过寻找宏观要素对能见度的影响关系，构建能见度与风、温、压、湿、气溶胶因子等之间的统计模型，其缺点是由于缺乏对未来气象要素的预报，对于转折天气能见度的预报能力不足。目前新发展的数值预报释用技术，结合数值模式预报的各气象因子与实况能见度，建立统计预报方法，开展大雾和低能见度预测，既弥补了传统预报模型的不足，又充分利用了数值模式预报基本气象要素的优势。

数值预报释用技术多采用各种回归模型和神经网路算法。吴洪等根据首都机场大雾观测记录统计分析北京地区大雾生成前的气象要素，提出预报北京地区大雾的方法。马学款等使用神经网络模型并引入适当的诊断因子，提高了对重庆市区雾（尤其浓雾）的预报能力。王彦磊等选取大连机场雾天气事件前一天的气象要素作为神经网络的输入因子，当日雾天气事件的类型作为模型的输出目标，建立了一个水平较高的雾天气事件的预报模型。前人对低能见度预报建模研究中，多采用日最低能见度或日均能见度观测资料，一般分级为雾日、非雾日，尚没有小时级别能见度的业务预报和检验结果。

本文基于对广州白云机场能见度的统计分析，采用多元逐步回归算法与BP神经网络算法，分别建立广州白云机场能见度逐3 h预报模型，并对模型进行预报仿真试验，对比两种算法的预报效果，旨在为白云机场大雾天气过程提供客观有效地预报结果。

1 数据来源

1.1 全球预报系统数据

全球预报系统（Global Forecast System，GFS）是一个由美国国家环境预报中心开发的天气预报模式，可输出几十个大气和陆地变量，经许多学者检验具有预报能力。GFS模式预报数据的分辨率为0.25°×0.25°，预报时长为384 h，0～240 h每隔3 h输出一次变量，240～384 h每隔12 h输出一次变量。模式每天每隔6 h更新一次，分别为00、06、12、18时（世界时）。广州白云机场经纬度为23.4°N、113.3°E，选取GFS模式中23.5°N、113.25°E代表白云机场所在位置。根据能见度变化的统计，选取了GFS模式中5个不同高度（地面，925 hPa，850 hPa，700 hPa，500 hPa）共24个变量（风速、温度、湿度、气压、累计降水量、云量等）作为对白云机场能见度客观预报模型的自变量。

1.2 白云机场自动气象观测系统数据

广州白云机场自动气象观测系统（Automated Weather Observing Systems，AWOS）是由芬兰维萨拉公司生产的气象观测系统。AWOS包括测量跑道视程、常规气象要素、云和天气现象等传感器以及相应的监控和远程显示的集成自动化系统。本文选取机场常规气象报文中AWOS提供的每小时风速、温度、相对湿度和修正海平面气压以及人工观测的主导能见度作为对白云机场能见度客观预报模型的自变量。

2 研究方法

2.1 多元逐步回归法

多元逐步回归（MR）算法的基本思想是将变量根据方差贡献大小排序逐个引入模型，每引入一个解释变量后都要进行F检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除，直到没有显著的解释变量选入回归方程为止，保证最后所得到的解释变量集是最优的。

2.2 反向传播神经网络法

基于误差反向传播（BP）算法的多层前馈网络，是目前应用广泛的人工神经网络。BP神经网络学习过程中由信号的正向传播与误差的逆向传播两个过程组成（图1）。正向传播时，模式作用于输入层，经隐含层处理后，传入误差的逆向传播阶段，将输出误差按某种子形式，通过隐含层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各单元权值的依据。权值不断修改的过程，也就是网络学习过程。此过程一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数为止。

图1 BP神经网络模型Fig. 1 BP neural networks model

2.3 模型设计

根据GFS模式数据的更新时间，本文设计白云机场未来48 h的能见度客观预报模型。通过对白云机场低能见度的统计分析可知，每次出现低能见度的天气过程持续时间不超过5 d，因此本文选择前48 h的数据建立客观预报模型，对未来48 h的能见度变化进行预报。具体方案即为采取-48～0 h的GFS模式预报结果以及-96～-48 h的AWOS自观实况数据作为自变量，-48～0 h的能见度为因变量建立客观预报模型，再使用最新时次GFS模式0～48 h的预报结果以及-48～0 h的AWOS自观实况数据作为自变量，通过客观预报模型对未来0～48 h的能见度进行预报。由于白云机场AWOS自观实况数据可每小时实时更新，而GFS模式数据0～240 h时每隔3 h输出一次变量，并且每隔6 h更新一次数据，因此本文的预报模型也是每隔3 h输出一次变量且每隔6 h可更新一次预报模型。由于多元逐步回归与BP神经网络为统计方法，在预报时低能见度时有可能会出现能见度为负值的预报，本文根据白云机场的机场运行标准与实况主导能见度规范，当预报值小于等于550 m、大于-500 m时，预报能见度取550 m，预示低能见度对白云机场有严重影响；当预报值小于等于-500 m时，预报能见度取50 m，预示白云机场将无法正常运行。

3 过程选择

2015年2月15—17日（北京时，下同）500 hPa西北地区东部有高空槽东移影响华北地区和东北地区，青藏高原南部有南支槽逐渐加深东移；850 hPa长江流域的切变线减弱南压至华南地区；地面弱冷空气自北向南影响中国大陆中东部，华南地区处于低压槽的控制（图略）。受低层的弱切变和锋面低槽影响，广州白云机场16日02—09时和17日07—09时出现了低于1 km主导能见度的大雾天气（图2），最低能见度为350 m，出现时间为16日03—05时。

15日07—14时白云机场出现了低于3 km能见度的轻雾天气，为了检验客观预报公式在不同天气条件下的预报效果，本文选择12日08时—16日05时（共8个预报时次）预报作为检验2 km以上能见度客观预报模型，14日08时—18日05时（8个预报时次）预报作为检验白云机场出现大雾时能见度客观预报模型。

图2 白云机场2015年2月12日08时—18日08时逐小时主导能见度Fig. 2 The visibility from 08 BT on 12 February to 08 BT on 18 February 2015 in Baiyun Airport

4 客观预报模型检验

4.1 2 km以上能见度预报效果

从图3的能见度实况可知，12日20时—14日08时机场能见度在5000～7000 m，14日23时后能见度逐渐下降，2 km能见度出现在15日08时。通过对比不同时次起报的多元逐步回归客观预报结果可知，预报模型在12日20时—14日08时预报效果较好，能基本抓住变化趋势且误差较小。预报模型在14日08—20时能见度上升时预报较实况偏高，有较大的误差。当机场能见度明显下降时，多元逐步回归客观预报能较好地反映能见度的变化趋势，其中起报时间为13日20时与14日02时的预报模型能很好地预报出能见度下降时的最低值以及出现时间。起报时间13日20时预报的最低能见度为1815 m，出现时间为15日05时，与实况较为接近。起报时间14日02时预报最低能见度为2128 m，出现时间同样为15日05时。在本次过程中2 km以上能见度的预报中，多元逐步回归模型可提前24 h预报出能见度的下降趋势、最低能见度值及出现时间，达到了一定的预报预警效果。

图3 2015年2月12日08时—16日05时逐3 h主导能见度实况与多元逐步回归（MR）预报对比Fig. 3 Visibility and MR forecast from 08 BT on 12 February to 05 BT on 16 February 2015

从图4的BP神经网络预报结果来看，在12日20时—14日08时预报模型与多元逐步回归预报效果相近，在14日08时—14日20时预报中，BP神经网络预报偏差较小，相比元逐步回归模型有所提高。对比14日20时—15日08时能见度下降时段可发现，BP神经网络比多元逐步回归有较大的提升，多个起报时次均能较好的预报出能见度下降的过程、最低能见度值以及出现时间。其中起报时间为13日20时预报最低能见度为1862 m，出现时间为15日05时，起报时间14日02时预报最低能见度为2221 m，出现时间与实况一致为15日08时。通过对2 km以上能见度预报结果分析可知，多元逐步回归模型与BP神经网络模型均能提前24 h预报出能见度的下降趋势、能见度下降的最低值以及出现时间，达到了的预报预警效果，且BP神经网络模型较多元回归模型预报效果好。

图4 2015年2月12日08时—16日05时逐3 h主导能见度实况与BP神经网络预报对比Fig. 4 Visibility and BP forecast from 08 BT on 12 February to 05 BT on 16 February 2015

为了进一步对比两种预报模型的预报能力，本文对它们的统计参数进行了对比。同时，本文使用GFS模式输出的液态水含量，利用Kunkel等经验公式计算能见度，并与两种客观模型进行对比讨论，该经验公式为

其中，

Vis

为能见度，

L

为液态水含量。

通过对比多元逐步回归、BP神经网络预报以及GFS模式预报能见度统计参数（表1）可知，BP神经网络的相关性最好，其平均相关系数为0.38，GFS模式较多元逐步回归的相关系数高。对比平均误差可知，BP神经网络误差最小，仅为-280.59 m，说明BP神经网络预报能见度略有偏低，多元逐步回归误差为635.87 m，对能见度预报总体偏高。而GFS模式预报能见度偏差达-3761.14 m，说明GFS模式总体预报值偏小。进一步分析均方根误差分别为3151.80、1885.88和4021.68 m，GFS模式预报误差较大，相比之下，BP神经网络比多元逐步回归误差小。结合前面的分析可知，多元逐步回归模型与BP神经网络模型均能预报出能见度的下降，达到了一定的预报预警效果，且BP神经网络模型较多元回归模型预报效果好，而GFS模式预报能见度总体偏低，虽然其相关性较好，但其预报能见度与实况的误差较大，无法达到预报预警效果。

表1 2015年2月12日08时—14日02时多元逐步回归（MR）、BP神经网络以及GFS模式预报能见度统计参数对比Table 1 MR，BP and GFS statistical parameters comparison from 08 BT on 12 February to 02 BT on 14 February 2015

4.2 2 km以下能见度预报效果

前面分析可知，广州白云机场2015年2月16—17日经历了两次大雾过程，从图5的能见度实况可知，分别是16日02时—08时和17日08时。通过对图5分析得到，起报时间为15日08时与15日14时的多元逐步回归预报出16日白云机场的大雾过程，其中15日08时较好的预报出能见度下降的趋势以及大雾的持续时间，其预报15日20时能见度就下降到550 m（-24 m），较实况提前了6 h，最低能见度50 m（-531 m）出现在15日23时，大雾持续至16日02时，持续时间为6 h，与实况一致。对17日大雾过程的预报，15日08时多元逐步回归预报出大雾最低能见度为660 m，与实况500 m较为接近，但出现时间与实况误差较大，预报出现时间为16日23时，较实况出现时间提前9 h。起报时间为15日14时对16日大雾过程预报最低能见度为1194 m，出现时间为16日02时，达到了一定的预警作用。第二次大雾过程预报最低能见度为1603 m，出现时间为16日20时，数值与时间均与实况相距较大。由前面分析可见，多元逐步回归模型有提前12 h对大雾过程进行预报预警的作用，多时次起报与实况对比可知，当白云机场出现大雾过程时，多元逐步回归预报模型能预报出大雾过程，但并不能所有起报时次均能预报出大雾过程，说明多元逐步回归预报模型空报可能性较小，漏报可能性较大。

图5 2015年2月14日08时—18日05时主导能见度实况与多元逐步回归（MR）预报对比Fig. 5 Visibility and MR forecast from 08 BT on 14 February to 05 BT on 18 February 2015

从图6的BP神经网络预报可以看出，各个不同时次的起报时次与实况的误差都较多元逐步回归预报的小。对于16日的大雾预报，15日08时与14时起报的预报效果较好。15日08时最低能见度为611 m，出现时间为16日02时仅比实况提前1时次（3 h），其中预报出现大雾时间为15日23时—16日08时，与实况持续时间大致相同，预报大雾过程结束时间与实际结束时间一致。起报时间为15日14时的BP神经网络预报最低能见度为627 m，出现在16日08时，但其只预报出一个短时的大雾，与实际出现持续的长时间大雾有所偏差。对17日大雾过程的预报，BP神经网络不同起报时次均预报出了能见度下降的趋势且时间也较为理想，但均没有较好地预报出最低能见度，其中效果最理想的是16日02时起报的预报结果，其预报最低能见度为1059 m，出现时间为17日05时，比实况提前了3 h。由前面的分析可知，BP神经网络与多元逐步回归预报对于大雾的预报最好效果的起报时间均为15日08时与14时，说明这两个方法均有提前12 h对大雾过程进行预报预警的作用。

图6 2015年2月14日08时～18日05时主导能见度实况与BP神经网络预报对比Fig. 6 Visibility and BP forecast from 08 BT on 14 February to 05 BT on 18 February 2015

通过表2对比可知，对于大雾过程的预报，BP神经网络预报公式与多元逐步回归于实况的相关系数相差无几，而GFS模式预报相关系数最高，达到0.46。BP神经网络的平均误差仍然是最小的，仅为-138.96 m，而多元逐步回归与GFS模式误差分别达2534.69和-2468.05 m，说明多元逐步回归总体预报值偏大而GFS模式预报值偏小。通过均方差对比可知，多元逐步回归均方差远大于BP神经网络，说明多元逐步回归预报数值与实况相比误差较大。结合前面分析可知，BP神经网络预报模型较好的预报了本次大雾过程，对大雾预警提前达12 h以上，多元逐步回归可以较好预报大雾出现时间及最低能见度，但总体预报误差较大，GFS模式很好预报了能见度的变化趋势，但其预报最低能见度为1295 m，与实况偏差较大。

表2 2015年2月14日08时—16日02时多元逐步回归、BP神经网络以及GFS模式预报能见度统计参数对比Table 2 MR, BP and GFS statistical parameters comparison from 08 BT on 14 February to 02 BT on 16 February 2015

5 结论

本文选取了2015年2月15—17日广州白云机场一次低能见度天气过程，利用GFS模式数据与白云机场AWOS自观数据建立了白云机场能见度的多元逐步回归逐3 h预报模型和BP神经网络逐3 h预报模型，通过对比分析得出以下结论。

1）多元逐步回归逐3 h预报模型和BP神经网络逐3 h预报模型能够较好的预报出2015年白云机场低能见度天气过程。对于白云机场能见度下降并到达2 km的过程，两种预报模型均能提前24 h预报出来，达到一定的预报效果，其中BP神经网络预报相关系数为0.38，平均误差为-280.59 m。对于机场出现大雾天气的预报，两种预报方法可提前12 h预报出来，BP神经网络预报最低能见度与实况相差仅为261 m，出现时间比实况提前1时次（3 h）以及与实况持续时间大致相同，达到了较好的对大雾天气预报预警的作用。

2）对比多元逐步回归、BP神经网络预报以及GFS模式预报能见度统计参数可知，GFS模式预报与实况相关性较好，但其总体预报值偏小，误差较大。BP神经网络相关系数较多元逐步回归高且平均误差与均方差较低。说明BP神经网络总体预报效果较好。

3）对于白云机场大雾过程的预报，BP神经网络预报较多元逐步回归方法能更好的预报出大雾出现的时间、持续时间和最低能见度，但多元逐步回归方法对大雾的预报空报较低，因此结合两种模型的预报有利于提高白云机场大雾预报的准确率。