徐敏輝 徐 穎 梁秋楓

(中國民用航空廈門空中交通管理站,福建 廈門 361000)

0 引言

由霧、大雨或降雪引起的低能見度天氣是引起航空事故的一個主要因素，飛機在近地面或相對擁擠的空域飛行，尤其是在起飛、爬升、進近、下降和著陸階段，低能見度占天氣不良引發(fā)事故的比例分別為67%、53%、52%、21%和46%[1]。

航空器在起飛降落時須保證當(dāng)時的能見度(Visibility，VIS)和跑道視程(Runway Visual Range，RVR)符合本場起飛著陸的最低運行標(biāo)準(zhǔn)，廈門高崎國際機場3發(fā)、4發(fā)飛機及2發(fā)渦輪飛機的起飛最低標(biāo)準(zhǔn)為無燈白天RVR 500m和存在跑道邊燈RVR 400m。根據(jù)《民用航空氣象地面觀測規(guī)范》第七十條，跑道視程是指在跑道中線上，航空器上的駕駛員在晝間能看到跑道面上的標(biāo)志、在夜間能看到跑道邊界燈或中線燈的最大距離。與主導(dǎo)能見度不同的是，RVR是經(jīng)大氣透射儀或前向散射儀測量后考慮大氣消光系數(shù)、視覺閾值和跑道燈強度而計算得到客觀數(shù)值，無法由人工測量得到，在低能見度情況下，RVR可替代能見度成為起降標(biāo)準(zhǔn)之一[2]。低RVR伴隨的天氣現(xiàn)象絕大部分與視程障礙有關(guān)，冷季時視程障礙占比高，暖季則是強降水占比更多[3]。

2005年以來，廈門國際機場塔臺每年日均保障架次逐年上漲，2014年日均保障已達538架次，為全國單跑道航班運行量第一，其中因天氣原因造成航班的延誤或備降占比較大。當(dāng)機場出現(xiàn)長時間影響能見度的天氣時，按照民航規(guī)范要求，本場預(yù)報單位須及時發(fā)布預(yù)警信息，觀測單位須及時發(fā)布特殊報文，并參與國際和國內(nèi)情報交換，以便機組和各航司針對天氣情況對航班路線等做進一步安排計劃。因此，為保障航空運營安全，如何對復(fù)雜天氣和極端天氣進行預(yù)報預(yù)警是當(dāng)前亟待解決的問題。

當(dāng)前，越來越多的統(tǒng)計建模方法已被學(xué)者運用至低能見度的預(yù)測。楊小兵等[4]研究發(fā)現(xiàn)基于能見度前期振蕩特性和大氣溫度回溫波動特性的濃霧短臨預(yù)測模型，可以對濃霧進行有效短臨預(yù)測。周雨等[5]運用Logistic回歸方法分別建立了滬昆高速江西段山區(qū)型和平原型高速公路交通事故氣象風(fēng)險概率預(yù)測模型。王潔等[6]綜合濕度、降水、風(fēng)速、氣壓等氣象因子，建立夏季和冬季高速交通事故氣象預(yù)警模型，對高速公路交通氣象預(yù)警具有一定的參考意義。慕熙昱等[7]總結(jié)了低能見度天氣下南京機場各氣象要素的閾值，建立相關(guān)預(yù)警指標(biāo)。劉旗洋等[8]基于氣象因子構(gòu)建白天和夜間的三元三次多項式的能見度估計方程，提高了模型對機場能見度的預(yù)報能力。趙熙等[9]用最優(yōu)子集回歸方法，分季節(jié)建立低能見度和低RVR的預(yù)報方程，并取得一定的效果。

在大氣環(huán)流形勢穩(wěn)定的條件下，如何對機場單站點大霧天氣的起止時間及發(fā)展特征進行預(yù)報是一個難點。本文基于廈門高崎國際機場的氣象觀測數(shù)據(jù)資料，對大霧過程的RVR進行特征分析，分別建立多元線性回歸模型和基于機器學(xué)習(xí)的隨機森林回歸模型，對低RVR的大霧過程進行擬合，以期為航空天氣預(yù)報工作提供參考。

1 資料和方法

1.1 資料

廈門高崎國際機場位于福建南部沿海，屬于亞熱帶海洋性季風(fēng)氣候，海陸效應(yīng)顯著，影響機場的天氣主要為冬春季低云低能見度(平流霧等)、夏季強對流天氣(雷暴與強降水)和臺風(fēng)等。廈門高崎國際機場為單跑道機場，跑道方向為50°和230°，跑道號為R05和R23，機場氣象臺從2010年起啟用新自動氣象觀測系統(tǒng)(Automated Weather Observing System，AWOS)，在跑道的05端、中間端、23端均裝有自動氣象觀測點，其中05端為基準(zhǔn)觀測點，測量的氣象要素有跑道視程、常規(guī)氣象要素、云量、云高等。

本文使用數(shù)據(jù)主要來自廈門高崎國際機場2010—2021年民航逐日地面觀測紀(jì)要欄；廈門高崎國際機場2010—2021年24h不間斷觀測的例行地面觀測簿，時間分辨率為1h；廈門高崎國際機場AWOS逐分鐘R05端和R23端各氣象要素(包含MOR、RVR、云高、風(fēng)向風(fēng)素、溫度和濕度等)數(shù)據(jù)，時間分辨率為1min。

1.2 方法

由于能見度受對流性強降水及臺風(fēng)等其他主導(dǎo)因素影響較大，在此定義機場大霧天氣為主導(dǎo)因素致RVR<400m的天氣現(xiàn)象。根據(jù)逐日紀(jì)要欄記錄，以基準(zhǔn)觀測點R05端的RVR數(shù)據(jù)作為首要標(biāo)準(zhǔn)，篩選出2010—2021年的大霧天氣過程，通過研究不同時間尺度下的低RVR變化特征，進而探究其日變化特征、大霧過程的生消和持續(xù)時間及過程中其他要素的特征。能見度的變化往往受多個因素的影響，為進一步分析各氣象因子之間的相關(guān)性，通過計算Pearson相關(guān)性系數(shù)[式(1)]，分析兩兩變量間關(guān)系的強弱和方向。通過計算方差膨脹因子(Variance Inflation Factor，VIF)[式(2)]考察變量的共線性。

(1)

(2)

(3)

(4)

(5)

2 大霧天氣過程中RVR變化特征

2.1 基本特征

2010—2021年，廈門高崎機場大霧過程38次，累計涉及40日共95時次。其中，2010年機場大霧過程次數(shù)最多，達11次，其次是2016年，達8次，2016年后明顯減少，2018年和2020年甚至未出現(xiàn)大霧天氣，主要原因是城市化建設(shè)加快，環(huán)境下墊面發(fā)生了顯著的變化，導(dǎo)致下墊面增溫顯著。大霧過程日分布如圖1所示，在日出前后時段(5—8時)出現(xiàn)大霧天氣的頻率最高，而在11—20時基本不出現(xiàn)。

圖1 大霧過程日分布圖

霧生標(biāo)準(zhǔn)：任意一端RVR低于400m且維持時間≥20min；霧消標(biāo)準(zhǔn)：RVR兩端均轉(zhuǎn)好抬升至800m及以上且呈穩(wěn)定或上升狀態(tài)。38次大霧過程的霧生、霧消時刻分布如圖2所示，2—6時為霧生的高發(fā)期，累計達20次，占50%以上，霧生最多的時段為2—3時。霧消時段集中在7—10時，占比達60.5%，霧消最多的時段為9—10時。

(a)霧生時刻分布占比圖

對38次大霧過程發(fā)生前、大霧過程以及大霧消散后出現(xiàn)的天氣現(xiàn)象進行分析，結(jié)果表明，在大霧發(fā)生前，73.7%的過程出現(xiàn)了降水現(xiàn)象，55.3%的過程都先出現(xiàn)了低云天氣；大霧過程中，76.3%的過程伴有低云現(xiàn)象，表明低能見度天氣往往伴隨有降水與低云現(xiàn)象出現(xiàn)；在大霧發(fā)生前，39.5%的過程已發(fā)生過霧天氣，具有較穩(wěn)定的天氣環(huán)流形式，大霧因白天受日照增溫而暫時消散，入夜后降溫而再次出現(xiàn)；霾在大霧前、中、后均有體現(xiàn)，占比在25%左右，它的作用在于為水汽的凝結(jié)提供了凝結(jié)核。廈門機場38次大霧過程的持續(xù)時間分布如表1所示，大霧持續(xù)2h以上的有76%，即大多數(shù)大霧過程不會在2h內(nèi)消散。

表1 2010—2021年廈門高崎機場38次大霧過程的持續(xù)時間分布

根據(jù)38次過程逐時的要素分布，歸納大霧過程中客觀氣象要素的配置關(guān)系：①濕度均在94%及以上，相對濕度100%的情況最多，占比達47.4%。②整點風(fēng)向VRB(風(fēng)向不定)出現(xiàn)最多,其次為Calm(靜風(fēng))和30—50°來向的東北風(fēng)。③風(fēng)速均在0～3m/s范圍內(nèi)，其中風(fēng)速1m/s最多，占50%以上。④總云量和低云量在5個量及以上的大霧過程(即BKN～OVC級別)占比達93.7%。⑤氣溫分布在12.2～23.4℃之間，均值為18.0℃，中位數(shù)為17.9℃。⑥修正海壓分布在1003.5～1020.5hPa之間，均值為1013.4hPa，中位數(shù)為1013.3hPa。

2.2 前期特征

黃琪波等[10]研究發(fā)現(xiàn)，在大多數(shù)濃霧發(fā)生前，RVR具有前期振蕩、爆發(fā)性增強等特征；濃霧爆發(fā)性增強前后，一般還具有局地平流特征，濃霧爆發(fā)性越強，霧的局地平流特征越明顯。因此，需要探究大霧從發(fā)生前期至消散過程的RVR時間序列變化。

由于自動氣象觀測系統(tǒng)將1分鐘平均跑道視程(RVR1A)數(shù)據(jù)按民航氣象觀測編報增量等級處理，并設(shè)定RVR最大值為2000m，超過2000m顯示為P2000m，在此采用RVR的原始計算結(jié)果(范圍1～10000m，精度1m)進行研究。結(jié)果表明，在38次大霧過程中，有30次過程的跑道R23端的RVR數(shù)據(jù)相對于跑道R05端是先下降的，有23次過程的跑道R23端的RVR數(shù)據(jù)相對于跑道R05端是后上升的，主要原因是由于跑道R23端靠海，當(dāng)平流霧過程發(fā)生時，東北風(fēng)易將霧自R23端吹向機場，導(dǎo)致跑道R23端RVR數(shù)值提前波動，且波動時間比R05端長。

以2010年2月22—23日大霧過程為例，如圖3所示，大霧發(fā)生前，跑道兩端RVR緩慢下降至2000m附近，大霧開始發(fā)生時，跑道R23端RVR率先爆發(fā)性下跌至400m以下，隨后跑道R05端RVR也開始出現(xiàn)爆發(fā)性下跌；大霧發(fā)生中期，跑道R05端和R23端的RVR在400m以下低值區(qū)小幅波動；直至日出后，大霧消散階段跑道R05端RVR才先行開始緩慢爬升，至中午前后，跑道兩端RVR數(shù)值都穩(wěn)定在2000m以上。

圖3 2010年2月22—23日大霧過程RVR逐分鐘變化圖

嚴(yán)明良[11]發(fā)現(xiàn)，在滬寧高速公路上，有78%的大霧形成前出現(xiàn)了能見度突降的“象鼻”前兆，平流霧形成時則以能見度突降為主。通過對廈門機場38次大霧過程的統(tǒng)計分析，發(fā)現(xiàn)只有 50%的大霧過程出現(xiàn)“象鼻”形振蕩現(xiàn)象，造成這一現(xiàn)象的原因主要是由于廈門機場靠海，海上平流霧影響的次數(shù)比輻射霧多。

3 建立預(yù)報擬合模型

為了更好地觀測和預(yù)報對機場影響較大的大霧天氣現(xiàn)象，本文從38次過程中選取6次持續(xù)時間超8h的大霧過程的逐分鐘數(shù)據(jù)作為樣本集，共3900組，初步選取11個氣象要素為定量變量(跑道R05端跑道視程RVR、背景光亮度BL、相對濕度RH、氣溫T、露點溫度TD、修正海壓QNH、2分鐘平均風(fēng)向WD2A、2分鐘平均風(fēng)速WS2A、低云的云底高度BASE、2分鐘側(cè)風(fēng)平均風(fēng)速CW2A、2分鐘順逆風(fēng)平均風(fēng)速HW2A)和1個定類變量(跑道燈光級數(shù)Light)，其中跑道視程RVR為因變量，其他為自變量。首先進行正態(tài)性檢驗，各定量變量數(shù)據(jù)雖然不是絕對正態(tài)，但基本可接受為正態(tài)分布。如圖4所示，對兩兩變量之間的相關(guān)性程度進行分析。

圖4 11個氣象要素的相關(guān)性分析(圖中除灰色色塊外，均達5%顯著性水平)

多元線性回歸要求各因子之間不存在共線性，通過計算方差膨脹因子VIF，最終篩選出9個因子代入計算。從F檢驗的結(jié)果分析可以得到，顯著性P值達1%顯著性水平，滿足水平上呈現(xiàn)顯著性，拒絕回歸系數(shù)為0的原假設(shè)，模型基本滿足要求。對于變量共線性表現(xiàn)，VIF全部<10，因此模型沒有多重共線性問題,模型構(gòu)建良好[(式6)]。如多元線性回歸模型的標(biāo)準(zhǔn)化系數(shù)圖[圖5(a)]所示，相對濕度影響最大且為唯一負(fù)相關(guān)，其次影響較大的為背景光亮度，低云高和溫度，如模型預(yù)測效果[圖(5b)]所示，但是多元線性回歸的R2為0.503，擬合效果一般，故考慮采用集成學(xué)習(xí)的方法更深入地建立擬合回歸預(yù)測模型。

(a)

y=-19885.663+0.037×BL+25.618×QNH+56.587×T+(-73.012)×RH+59.119×HW2A+1.163×WD2A+23.238×CW2A+8.768×BASE+39.668×WS2A

(6)

在此采用基于決策樹的有放回的隨機森林回歸模型，訓(xùn)練集和測試集7∶3，訓(xùn)練集樣本2730組，測試集1170組，對12個因子(11個定量因子，1個定類因子)進行回歸分析，得到的隨機森林回歸各變量特征重要性圖[圖6(a)]，背景光亮度、相對濕度、低云高、溫度依次為影響程度從高到低的前4位，與多元線性回歸模型所得到的結(jié)果較為一致，只是影響最大的因子有所不同，多元線性回歸模型的最大影響因子為相對濕度，隨機森林回歸模型的最大影響因子為背景光亮度。如測試集散點分布圖[圖6(b)]所示，隨機森林回歸模型的訓(xùn)練集R2為0.94，測試集R2為0.886，說明其具備較好的學(xué)習(xí)能力和較優(yōu)的擬合效果。

(a)

相比于傳統(tǒng)的多元線性回歸模型，隨機森林算法能夠克服協(xié)變量之間復(fù)雜的交互作用，且不需預(yù)先設(shè)定函數(shù)形式[12]。表2展示了回歸模型的RMSE、MAE和R2值，根據(jù)可決系數(shù)R2可以得出，隨機森林回歸模型的預(yù)測結(jié)果更好，測試集效果略差于訓(xùn)練集。

表2 模型評估

4 結(jié)論

本文通過對廈門高崎國際機場2010—2021年大霧過程的逐日、逐小時和逐分鐘多時間分辨率的氣象觀測資料進行統(tǒng)計分析，并分別建立多元線性回歸模型和基于機器學(xué)習(xí)的隨機森林回歸模型對低RVR的大霧過程進行擬合，得到以下結(jié)論。

①廈門高崎國際機場2010—2021年累計出現(xiàn)低RVR大霧過程38次，2010年機場大霧過程次數(shù)最多，2016年后明顯減少；18—22時為霧生的高發(fā)期，霧消時段多集中在23時至次日02時；在大霧發(fā)生時通常伴有降水、低云等天氣現(xiàn)象。

②大霧發(fā)生前RVR緩慢下降，大霧發(fā)生時RVR爆發(fā)性下跌，中期大部分過程在低值區(qū)小幅波動，直至日出后大霧消散階段RVR緩慢爬升，至中午前后RVR數(shù)值穩(wěn)定在2000m以上。

③多元線性回歸模型最大影響因子為相對濕度，但此模型的R2為0.503，擬合效果一般；隨機森林回歸模型的最大影響因子為背景光亮度，訓(xùn)練集R2為0.94，測試集R2為0.886，具備較好的學(xué)習(xí)能力和較優(yōu)的擬合效果。

在前期形勢有利于大霧出現(xiàn)的基礎(chǔ)上，結(jié)合實時地面觀測數(shù)據(jù)及前期特征，隨機森林回歸擬合模型可以為機場低RVR和低能見度的預(yù)報和預(yù)警提供參考，后續(xù)可以結(jié)合垂直方向每日探空資料以及雷達逐6分鐘的風(fēng)廓線資料，以提高預(yù)測的穩(wěn)定性。