深圳市数字化智慧交通气象服务系统的研用

孙石阳，周佐欢，苏琳智，刘东华

（深圳市国家气候观象台，广东深圳 518000）

数字化是指将任何连续变化的输入如图画的线条转化为一串分离的单元，在计算机中用0和1表示，是实施智慧气象的基础性工作。智慧气象是依托于气象科学技术进步，使气象系统成为一个具备自我感知、判断、分析、选择、行动、创新和自适应能力的系统，让气象业务、服务、管理活动全过程都充满智慧［1-4］。近年来，重庆“知天”智慧气象服务应用数字文字转换规则、自然语言处理、数据可视化、机器学习等现代信息技术，为决策者、公众用户和行业用户提供场景定制、用户行为自动感知、精准推送的气象服务［5］。基于位置为引擎机制的智慧气象信息服务和“互联网＋”背景下服务众创架构体系研究也在多地气象业务部门得到了实施或探索［6-11］。北京、上海、广东等融合了城市治理、数字政府、农业、生态环境等领域的“气象＋”场景化服务也有较深层次研究和实践［12-14］。但由于受传统气象服务系统的架构影响，多数系统“数字底座”很难完全筑牢夯实，转型发展数字化耦合式服务模式迫在眉睫［15］。由于轨道交通、物流交通、公路交通等多元化的交通气象服务有着共同的“数字底座”需求，研发数字化智慧交通气象服务系统具有较强的实践意义。

1 系统设计

1.1 总体架构

系统总体架构由前台、后台、底座3部分组成，按照功能分为数据采集、数据处理、风险识别、服务供给4大子模块（图1）。

图1 数字化智慧交通气象服务系统总体架构设计示意图

服务供给模块主要由前台组成；数据采集、处理与风险识别模块主要由后台组成；系统底座是构建“数字底座”的主要部件，支撑前台和后台运行，主要由算法与数字化运行、大型关系数据库、地理与空间信息数据系统等组成。底座的基础保障、算法（含模型、阈值、指标、数字化转换等系列计算方法）主要通过系统线程交互并行处理来协同完成。当需求输入经综合分析后，系统底座会输出智慧气象服务数字化的引擎识别，通过引擎识别来智能触发系统前后台、底座三者之间的有机运行，其主要智能触发因子包括气象灾害风险、基于位置需求、基于用户习惯（包括定制）和基于气象灾害预警信号等4种方式。基于位置需求、基于用户习惯、基于预警信号3种方式均可分别通过GIS系统、大数据分析、预警信号发布等已确定性事件的数字化信息来自动触发，而对于气象风险的引擎触发机制比较复杂。

1.2 功能模块

1）数据采集。

数据采集模块主要包括5部分：（1）气象基础观测数据库。主要存储观测站的降雨、气温、阵风、台风、湿度、气压、大雾、灰霾、日照等数据。（2）雷达资料产品数据库。主要存储雷达站的基础信息，以及雷达产品的状态信息等。（3）卫星资料产品数据库。主要存储各类卫星云图的基础信息，以及卫星产品的状态信息等。（4）雷电、风廓线等资料数据库。主要存储各种雷电、风廓线等数据及相关产品。（5）资料同化与灾害识别数据库。对自动站资料、雷达、闪电定位及卫星云图等资料进行同化处理，形成各类要素的格点数据库，主要用来存储网格化处理的气象监测资料及天气预报信息等数据，包括反演生成的识别各类气象灾害的基础资料、各类气象灾害识别与评估模型及阈值预警等算法后的产品数据库。

2）数据处理。

数据处理模块主要包括6部分：（1）气象观测数据格点化。综合运用气象自动站观测资料、雷达及云图识别资料，以及5 d以内的预报资料，对数据进行网格化处理，生成分辨率为3 km×3 km的实况监测、预报预警信息的格点数据。运用本地加密观测及分区预警、细网格精细化预报等资料进行细网格处理形成深圳细网格（1 km×1 km）相关资料。（2）雷达拼图、追踪及反演处理。基于现有雷达基数据和互联网模式抓取相结合的方式获得雷达仰角为0.5°的雷达CAPPI数据，结合GIS空间分析，生成并输出区域内实况雷达拼图产品。采用时间和空间并行等多种并行算法，用计算机图形学和GIS技术通过可视化计算技术对云团、物理量变化进行识别，依其演变规律计算出云团的移向和速度、膨胀系数等特征量及物理量的变化特征，根据其变化特征应用图形识别和图形匹配技术来实施对云团的追踪。（3）估测降水分析。利用雷达拼图和自动站数据，建立Z-I关系进行雷达降水估测，并采用最优插值法，对降水估计进行订正，其偏差使用卡尔曼滤波器订正，输出雷达QPE、QPF产品。（4）卫星云图的信息识别。抓取大背景天气下的低能见度和强降雨区域，形成实时数据，与雷达、自动站资料进行同化并根据可信度高的信息来提取和使用，实现优势互补，形成边远地带和气象监测稀疏地的相关气象实况信息。（5）气象实况监测与预报。根据自动站实况或同化资料，生成以深圳为基点的区域范围内不同尺度下不同时间的温度、能见度、风速和降雨量的道路天气实况分布图，以及每条道路的实况天气信息。基于GIS空间分析技术，耦合气象、交通需求信息以及道路拓扑数据等，直观输出和显示区域主要道路沿线的能见度、温度、风速、降雨量等气象信息。（6）交通行业气象服务智慧引擎数据。主要存储的是通过系统底座支撑前台和后台协同计算后，将服务需求转换成产品的触发引擎数据。

3）风险识别。

风险识别引擎方式与基于位置需求、基于用户习惯（包括定制）和基于气象灾害预警信号等3种引擎方式是线程交互与并行处理的协同关系，当识别无风险时，系统自动按照后3种方式智慧提供服务：也就是说系统在顾及4种方式的同时，一旦识别出气象风险，均应触发风险识别引擎并启动相应的服务。图2是因风险识别引擎触发的数字化融合与应用技术概念示意图暨在技术上统筹构建数字化风险识别和引擎触发算法和模型，从而最大化地在时空范围上能形成一致性、同质化、能匹配、可迭代的数字化供给产品。如通过自动识别雷电、暴雨、大风、低能见度、高低温等气象灾害影响区域，当服务点及相关区域（如周边5 km内）出现以上气象灾害天气时，系统通过各自的数字化逻辑关联来自动触发相关引擎并提供服务［10］。目前通过系统能自动识别出风险的灾害天气包括雷雨大风、强降水、低能见度、高低温、冰雹。

图2 风险识别与引擎触发的数字化融合与应用技术概念示意图

4）服务供给。

通过信息挖掘和智能识别，形成个性化的专业服务信息，再根据“渠道＋”的不同服务方式，以服务不同行业不同 需求的人群［7、10、15-17］。目前，系统的主要供给功能有（1）行业气象灾害预报预警服务；（2）行业气象风险提示服务；（3）行业气象预报预警服务效果展示；（4）行业服务的反馈与互动。主要供给交通行业的气象产品有6个：（1）主要公路干道天气便捷式查询；（2）旅游景点、航空飞行、高速公路、地铁出行等交通出行天气实况信息查询与显示；（3）主要交通道路、轨道交通、物流交通天气风险预报预警；（4）大交通出行决策参考分析；（5）大交通出行气象风险信息智慧推送；（6）服务用户的意见反馈与信息互动。

2 关键技术介绍

2.1 核心开发技术

系统基于Arc GIS的地理信息系统平台，总体采用B／S和C／S混合体系结构，数据库平台采用Oracle 10g，开发语言主要采用MS C＃.NET、C语言等，WEB系统采用ASP.NET及富客户端技术Silverlight等。C／S结构程序（后台）以多线程并发的方式执行，用于数据解析计算以及各类产品的生成、入库或分发。客户端作为B／S结构程序（前台）主要为针对使用对象的操作平台，用于信息的综合展示以及人机交互操作和系统综合管理等。核心开发技术包括4部分。

（1）系统软件结构：系统采用3层体系结构，即表现层、应用层、数据层，均衡地将任务分配在服务器端与客户端。服务器端负责数据管理、数据计算、图形处理、产品生成、检验评分等功能。客户端负责信息综合展示及多模式对比检验分析等。气象实况和预报产品部署于服务器端，以多线程并发执行的方式运行。客户端将系统的操作界面与复杂业务功能实现合二为一，使系统架构轻盈、启动速度快、操作平滑、界面美观等。

（2）系统数据库平台：采用大型关系数据库Oracle 10g，大型关系数据库提供了功能强大的事务处理语言，系统采用该平台可保障数据的通用性，在标准化和规范化以及开放性的原则下，对系统业务数据库及产品数据库进行设计，最终形成完善的数据库体系。

（3）地理信息平台：地理信息系统（简称GIS）是针对特定的应用任务，存储事物的空间数据和属性数据，记录事物之间的关系和演变过程，它可根据事物的地理坐标对其进行管理、检索、评价、分析、结果输出等处理，提供决策支持、动态模拟、统计分析、预测预报等服务。

（4）核心数字化技术：系统在风险识别、智慧引擎等的核心算法及耦合技术上坚持走“三张网格”（既实况网格、预警预报网格、气象风险阈值网格）的数字化业务支撑体系，为场景化气象产品设计和供给上提供网格技术支持。系统的实现主要是采用对气象风险监测与风险识别耦合等6种核心数字化技术的支撑来完成。

2.2 核心数字化技术

1）风险监测与风险识别耦合。

卫星遥感动态监测大雾风险的主要技术难点是云雾检测与云雾分离技术［18-19］。目前，主要通过FY-2静止卫星，结合地面自动站、风廓线等观测资料，根据雾的光谱特征和辐射特征，利用可见光反射率阈值法、红外亮温阈值法及双通道差值法、气象要素阈值过滤等方法的综合，对卫星遥感图像进行雾区的自动识别和云雾分离，实现雾造成的低能见度区风险的动态、快速、自动识别。其中双通道差值法主要做法：当有大雾时，反照率和红外亮温分布较均匀，并介于一定的阈值范围，长波红外亮温阈值在265～290 K之间，反射率阈值定义在20%～50%之间，通过两通道阈值相结合，基本可以滤除地面和高层冷云。

2）数字数据与图层图像耦合。

将全国路网入库，包含有高速公路、国道、省道、县道、一般道路，建立道路空间数据库，设计基于交通风险的大风、强降水、低能见度、冰冻监测及预报算法，设计交通干线与气象要素格点库空间分析运算模型，实现灾害性天气的交通道路专题图制作，当实况识别或预报未来可能发生大风、强降水、低能见度、冰冻、高低温天气时，根据道路气象灾害模型对道路交通整体气象条件进行分析运算和生成产品。

3）监测与预报预警模型耦合。

目前，强对流天气的识别技术越来越深入［20-21］。以雷电监测预警为例，综合应用闪电定位数据、多普勒雷达数据和中尺度数值模式数据以及结合雷达反射率（Q）、回波顶高（H）、垂直累积液态水（VIL）等阈值指标和区域范围等雷暴识别和追踪技术，通过机器学习、训练测试、统计分析闪电特征及预报预警因子，建立监测与预报预警模型相耦合的雷电监测预警模型，实现对闪电的临近预报预警，预报流程和技术路线见图3。根据不同季节以及监测到不同Q、H和VIL，利用概念评估模型也可实现系统实时对雷电进行分级分类影响评估和进行预警提示。

图3 基于深度学习的0～2 h雷电预报流程（a）和雷电预测产品加工技术路线示意图（b）

4）基础数据与图像数据耦合。

采用基于现有的雷达基数据和互联网模式抓取相结合的方式来获得雷达仰角为0.5°的CAPPI数据，对其中的雷达CAPPI数据进行处理和实时解码，并结合GIS空间分析对这些雷达资料进行拼图产品计算，最终生成并输出全国实况雷达拼图产品。

5）要素变化与图像变化耦合。

建立网格化的物理量要素变化特征分析的算法，再综合利用网格化的物理量要素变化特征与图形图像变化特征分析等模型耦合识别技术来进行云团边界识别、拓扑处理，建立生命周期与族谱关系。如在自动识别雷暴云团的基础上，对云团进行对象化处理，得出雷暴云团从发生以来的时间序列，依据其演变规律计算出云团的移动方向和速度以及云团的膨胀系数等特征量，根据云团特征量，综合应用网格化的物理量要素变化特征与图形图像变化特征识别技术对云团持续进行追踪，根据同一云团连续多个时序的移动情况来外推出云团下一逐时位置、大小、边界、强度，并输出产品，见图4。

图4 雷雨大风早期天气预测模型的算法建模（a）和冰雹云识别与冰雹预报输出产品（b）

6）不同数据资料同化耦合。

利用雷达拼图和自动站数据，建立Z-I关系进行雷达降水估测，并采用最优插值法，对降水估计进行订正，其偏差使用卡尔曼滤波器订正。QPE实现并行化，进而实现不同高度层的降水估测，也可用于雷达滞后数据到达后再估测，以及全省自动延迟数据到来后的再订正、再滤波、再估测；利用预报回波输出和最优插值法订正场来计算预报雨强，积分得到未来1、2、3 hQPF。

3 应用效果

相比传统服务系统，数字化基于网格技术的智慧交通气象服务系统的主要应用效果较明显提升。

1）该系统大大提高了高峰运行时的保障能力。数字化大大有利于对资源统筹进行池化与云化，服务器、网络、存储、数据、算力、算法资源更能科学统筹使用，数据运行、并行运算、数算处理效能均大幅提高，出现重大灾害天气时，解决这一需求尤为重要。

2）该系统提高了算法与模型的耦合能力。各类算法耦合的逻辑基础是数字化与标准化，数字化的耦合技术使分层、分级建立的同质化的基础数据、同化数据、过程数据、灾害风险识别数据、用户数据以及各数据库、库表、表表、文件之间的逻辑关联更加便捷，算法、模型融合更加顺畅，系统的智慧性也就大为提高。

3）该系统综合提高了智慧行业气象服务效能。数字化交通气象服务系统与“网格＋气象”的精密监测、精准预报、精细服务的平台化保障需求的发展目标是完全一致的，因此对模型和算法的不断改进和进行网格化、数字化转换的技术积累更加具有便利性，系统应用以来，在公路交通、物流交通、轨道交通、旅游出行的精细化气象服务供给中，在拓展智慧交通气象服务领域的应用中，应用效能均表现不错。