熊國玉 祖 繁 包云軒3)* 王可心

1)(南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警和評估協(xié)同創(chuàng)新中心, 南京 210044) 2)(中國氣象局交通氣象重點(diǎn)開放實(shí)驗(yàn)室/南京氣象科技創(chuàng)新研究院, 南京 210009) 3)(無錫學(xué)院江蘇省物聯(lián)網(wǎng)設(shè)備超融合應(yīng)用與安全工程研究中心, 無錫 214105)

引 言

高速公路路面溫度變化是交通氣象條件的重要指標(biāo),是目前交通氣象災(zāi)害研究的重要內(nèi)容之一。路面高溫易導(dǎo)致路面大面積損壞,對車輛和駕駛員產(chǎn)生負(fù)面影響[1],增加出現(xiàn)交通事故的風(fēng)險(xiǎn)。路面低溫則易導(dǎo)致瀝青路面開裂[2],在特定天氣條件下可能出現(xiàn)路面白霜、結(jié)冰、積雪等,減小路面摩擦系數(shù),加長車輛制動(dòng)距離,易引發(fā)交通事故,嚴(yán)重影響交通安全和運(yùn)輸效率[3]。因此,準(zhǔn)確預(yù)報(bào)路面溫度,及時(shí)進(jìn)行路面狀況預(yù)警,提醒相關(guān)人員采取防御措施,對保障人民生命財(cái)產(chǎn)安全具有重要意義。

目前,路面溫度預(yù)報(bào)方法主要有3種:理論模型法、數(shù)值模擬法和統(tǒng)計(jì)分析法[4-5]。理論模型法基于地表能量平衡、熱量收支和水分收支等原理建立路面溫度變化機(jī)理模型[6-8],模型利用氣象和地理環(huán)境要素對地表溫度變化進(jìn)行數(shù)學(xué)物理建模,通過解決計(jì)算問題預(yù)測未來溫度變化。然而,由于該類模型依賴于經(jīng)驗(yàn)假設(shè)而非嚴(yán)格求解偏微分方程,其結(jié)果可能與實(shí)際存在差距。數(shù)值模擬法則將計(jì)算域劃分為元素,并在各元素上求解熱傳導(dǎo)的偏微分方程[8-9],該方法對計(jì)算資源和模型輸入要求較高,限制了其廣泛應(yīng)用。統(tǒng)計(jì)分析法通?；谂c路面溫度變化相關(guān)變量的統(tǒng)計(jì)關(guān)系,開發(fā)數(shù)學(xué)關(guān)系模型,而非求解傳熱偏微分方程[10],該方法的優(yōu)點(diǎn)在于模型簡單、參數(shù)和數(shù)據(jù)易于獲取、便于應(yīng)用,學(xué)者們多采用統(tǒng)計(jì)分析法構(gòu)建路面溫度預(yù)報(bào)模型[4]。

統(tǒng)計(jì)分析模型主要包括線性回歸模型[11-12]和非線性回歸模型[12]。線性回歸模型簡單,預(yù)報(bào)準(zhǔn)確性有待提升,因此人們引入了正弦函數(shù)模型[13]、自回歸求和滑動(dòng)平均模型[14]、GIS技術(shù)[15-16]等,研發(fā)了多種非線性回歸模型,有效提高了預(yù)報(bào)準(zhǔn)確性。近年隨著人工智能技術(shù)的快速發(fā)展,人們將機(jī)器學(xué)習(xí)方法應(yīng)用于路面溫度預(yù)報(bào)。與傳統(tǒng)統(tǒng)計(jì)分析模型相比,機(jī)器學(xué)習(xí)算法可選擇更為復(fù)雜的函數(shù)對原始數(shù)據(jù)進(jìn)行處理。1997年首次將反向傳播神經(jīng)網(wǎng)絡(luò)(back- propagation neual network,BPNN)應(yīng)用于路面溫度預(yù)報(bào)[17],此后采用人工神經(jīng)網(wǎng)絡(luò)[18]、BP神經(jīng)網(wǎng)絡(luò)[19]、支持向量機(jī)[20]、隨機(jī)森林[21]、梯度提升回歸樹[22]等方法進(jìn)行路面溫度預(yù)報(bào),取得顯著效果。目前,機(jī)器學(xué)習(xí)算法在路面溫度預(yù)報(bào)中通常使用交通氣象站觀測數(shù)據(jù)建模。而近年將先驗(yàn)知識融入機(jī)器學(xué)習(xí)模型已成為提升預(yù)報(bào)性能的重要方法之一[23],如路面溫度受傳熱理論和熱量平衡方程的影響,與輻射、潛熱、感熱等因素密切相關(guān)[4],同時(shí)呈現(xiàn)明顯的日變化[24]和季節(jié)變化[25]。將這些先驗(yàn)知識融入機(jī)器學(xué)習(xí)模型有望顯著提升路面溫度預(yù)報(bào)性能。此外,目前的機(jī)器學(xué)習(xí)算法應(yīng)用于路面溫度預(yù)報(bào)主要集中在未來1個(gè)時(shí)次的單步預(yù)報(bào),較少涉及多步預(yù)報(bào)。多步預(yù)報(bào)有助于更好地捕捉序列變化的趨勢和周期性,更貼近交通氣象短時(shí)臨近預(yù)警的需求。

據(jù)此,本文以2019—2022年南京市4個(gè)高速公路交通氣象站觀測數(shù)據(jù)為基礎(chǔ),結(jié)合ERA5-land再分析數(shù)據(jù)引入物理機(jī)制先驗(yàn)知識,通過特征工程技術(shù)考慮路面溫度的日變化、季節(jié)變化以及溫度變化趨勢,建立結(jié)合先驗(yàn)知識的長短時(shí)記憶網(wǎng)絡(luò)(long-short-term memeory network,LSTM)多步路面溫度預(yù)報(bào)模型,預(yù)報(bào)未來3 h逐10 min的路面溫度。同時(shí),將已建立的模型應(yīng)用于其他5個(gè)交通氣象站,探討模型的適用性,從而應(yīng)對因新建或設(shè)備維護(hù)導(dǎo)致歷史數(shù)據(jù)樣本量較少的交通氣象站路面溫度預(yù)報(bào)問題。研究結(jié)果有望為高速公路路面溫度產(chǎn)品的精細(xì)化氣象服務(wù)和高低溫災(zāi)害預(yù)警提供技術(shù)支持。

1 數(shù)據(jù)與方法

1.1 數(shù) 據(jù)

1.1.1 交通氣象站觀測數(shù)據(jù)

本研究所使用的交通氣象站數(shù)據(jù)均來源于江蘇省高速公路交通氣象監(jiān)測系統(tǒng),觀測要素包括氣溫、路面溫度、10 cm路基溫度、相對濕度、風(fēng)向、風(fēng)速、能見度以及降水量。選取南京市繞城高速公路(編號G2503)沿線9個(gè)交通氣象站,包括馬群站(M9126)、六合南站(M9293)、橫梁站(M9513)、老山站(M9516)、高旺橋北站(M9518)、東善橋站(M9520)、上坊站(M9521)、北象山隧道北站(M9522)和陳橋樞紐站(M9526)(圖1)。其中,M9518、M9520、M9522和M9526 4個(gè)站用于建立和驗(yàn)證模型, 2019—2021年數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集,2022年數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集。其他5個(gè)站則以2022年數(shù)據(jù)進(jìn)行模型適用性檢驗(yàn)。此外,本研究使用中國國家基礎(chǔ)地理信息中心研發(fā)的30 m分辨率全球土地覆蓋數(shù)據(jù)(GlobeLand30數(shù)據(jù))[26],將1 km半徑內(nèi)人造下墊面占比高于45%的交通氣象站定義為城市氣象站,低于20%的交通氣象站定義為鄉(xiāng)村氣象站,介于20%和45%之間的交通氣象站定義為城郊?xì)庀笳綶27],用于研究不同下墊面背景對模型效果和適用性影響。根據(jù)該分類方法,M9126、M9521和M9522 3站為城市氣象站,M9293、M9518和M9520 3站為城郊?xì)庀笳?M9513、M9516和M9526 3站為鄉(xiāng)村氣象站。為保證數(shù)據(jù)的科學(xué)性和有效性,對所有數(shù)據(jù)進(jìn)行10 min平均處理,并進(jìn)行閾值控制、異常值剔除、缺失數(shù)據(jù)插補(bǔ)等質(zhì)量控制。

圖1 南京市繞城高速公路交通氣象站地理位置分布

本文插圖中所涉及的行政區(qū)域界線基于審圖號為GS(2019)1822號標(biāo)準(zhǔn)地圖制作,底圖無修改。

1.1.2 再分析數(shù)據(jù)

本研究采用ERA5-land再分析數(shù)據(jù),選取與路面溫度變化密切相關(guān)的8個(gè)物理變量,包括裸土蒸發(fā)量、地表反射率、地表土壤溫度、地表潛熱通量、地表凈太陽輻射、地表凈熱輻射、地表顯熱通量和地表總蒸發(fā)量。該數(shù)據(jù)通過重新運(yùn)行ERA5再分析模型中的陸地組分生成[28],空間分辨率為0.1°×0.1°(約9 km)[29]。采用線性插值方法將ERA5-land小時(shí)分辨率數(shù)據(jù)插值為10 min分辨率數(shù)據(jù)[30],并采用最鄰近點(diǎn)法空間匹配再分析數(shù)據(jù)與交通氣象站數(shù)據(jù)[31]。

1.2 LSTM模型設(shè)計(jì)

LSTM模型是1997年提出的一種改進(jìn)型時(shí)間遞歸循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[32]。與傳統(tǒng)RNN相比,LSTM模型有效解決了RNN中存在的長期依賴問題,并一定程度上緩解了訓(xùn)練長序列時(shí)出現(xiàn)的梯度消失問題[33]。

本研究建立的LSTM路面溫度預(yù)報(bào)模型包括輸入層、LSTM層、全連接層和輸出層。為了避免過擬合,模型引入隨機(jī)丟棄層(dropout),并采用tanh函數(shù)作為激活函數(shù)。在測試中發(fā)現(xiàn)多層LSTM模型性能提升有限,計(jì)算效率卻顯著降低。因此,本研究選擇采用單層LSTM模型。進(jìn)一步采用網(wǎng)格搜索法,認(rèn)為當(dāng)驗(yàn)證集誤差和訓(xùn)練集誤差趨于穩(wěn)定且二者接近時(shí),模型結(jié)果最優(yōu)[34]。通過試驗(yàn),確定最佳超參數(shù):隱藏層數(shù)為1,隱藏層神經(jīng)元數(shù)量為64,丟棄率為0.01,訓(xùn)練批次大小為128,迭代次數(shù)為500。

目前,多步預(yù)報(bào)主要采用直接法、遞歸多步預(yù)報(bào)法、直接遞歸混合多步預(yù)報(bào)法和多輸入多輸出預(yù)報(bào)法4種模型策略[35]。本研究為了提高預(yù)報(bào)精度和模型效率,采用多輸入多輸出預(yù)報(bào)法。模型的訓(xùn)練和預(yù)報(bào)均基于滾動(dòng)窗口的原則進(jìn)行有監(jiān)督學(xué)習(xí)[35]?？紤]到路面溫度的短時(shí)預(yù)報(bào)需求,本研究選擇未來3 h的路面溫度作為預(yù)報(bào)目標(biāo)。通過測試,確定最優(yōu)輸入步長為6 h。

1.3 模型方案設(shè)計(jì)

在深度學(xué)習(xí)領(lǐng)域中,數(shù)據(jù)和特征工程占據(jù)相當(dāng)重要的地位。經(jīng)過特征工程處理后的數(shù)據(jù)決定了數(shù)據(jù)挖掘的潛力上限,而模型的作用則在于最大程度地利用這些數(shù)據(jù)[35]。本研究通過引入與路面溫度變化密切相關(guān)的再分析物理量,結(jié)合對原始數(shù)據(jù)集的理解,人工構(gòu)建時(shí)間序列特征,以期使模型達(dá)到最佳性能。經(jīng)過測試,主要構(gòu)建以下4種時(shí)間序列特征:①時(shí)間特征拆解,將原始時(shí)間變量拆分為月、日和小時(shí)變量;②時(shí)間序列趨勢特征,引入10 min、1 h、3 h及6 h的路面溫度變化量;③時(shí)間序列聚合特征,引入最近24 h路面溫度平均值及標(biāo)準(zhǔn)差;④周期性時(shí)間特征,采用獨(dú)熱編碼形式,定義09:00—12:00(北京時(shí),下同)為路面溫度上升時(shí)段,13:00—16:00為路面溫度最大值時(shí)段,17:00—次日04:00為路面溫度下降時(shí)段,05:00—08:00為路面溫度最小值時(shí)段。由于各個(gè)特征具有不同的量綱和單位,為了提高模型精度,所有數(shù)據(jù)均采取標(biāo)準(zhǔn)化處理,對風(fēng)向以整數(shù)形式進(jìn)行離散化處理[23]。

針對不同的輸入變量組合,本研究設(shè)計(jì)5種模型方案,具體方案如表1所示。

表1 模型方案設(shè)定

1.4 模型評價(jià)指標(biāo)

為了檢驗(yàn)?zāi)Ｐ偷念A(yù)報(bào)效果,本文采用均方根誤差、平均絕對偏差[36]、預(yù)報(bào)準(zhǔn)確率[21,37]及TS評分[38]4個(gè)統(tǒng)計(jì)指標(biāo)。其中預(yù)報(bào)準(zhǔn)確率為預(yù)報(bào)值與觀測值差值的絕對值不大于3 ℃的次數(shù)與觀測總次數(shù)之比,該值越大表示預(yù)報(bào)效果越好。

2 結(jié)果與分析

2.1 模型預(yù)報(bào)能力評估

使用本文構(gòu)建的模型對M9518、M9520、M95-22、M9526 4個(gè)交通氣象站的路面溫度進(jìn)行模擬預(yù)報(bào)。每種方案下模型各運(yùn)行5次,并取平均值作為最終統(tǒng)計(jì)結(jié)果。計(jì)算5種方案不同預(yù)報(bào)時(shí)效的模型評價(jià)指標(biāo)(圖2)。不同交通氣象站的同一方案模型表現(xiàn)出相似的預(yù)報(bào)性能,但不同方案間存在較大差距。方案1模型表現(xiàn)最差;方案2模型預(yù)報(bào)效果略好于方案1,表明物理機(jī)制相關(guān)數(shù)據(jù)輸入模型,效果優(yōu)于觀測數(shù)據(jù);方案3和方案4在引入時(shí)間序列特征變量或物理機(jī)制相關(guān)變量后,模型預(yù)報(bào)性能均有一定提升,其中方案4的提升效果更為明顯;方案5在引入時(shí)間序列特征變量和物理機(jī)制相關(guān)變量后,表現(xiàn)出最佳預(yù)報(bào)性能,其準(zhǔn)確率為85%～99%,平均絕對偏差為0.54～1.81 ℃,均方根誤差為0.74～2.98 ℃。這表明增加輸入特征有助于全面考慮周圍環(huán)境的影響[39],增強(qiáng)了LSTM模型的特征提取能力,從而實(shí)現(xiàn)更精確的路面溫度預(yù)報(bào)。隨著預(yù)報(bào)時(shí)效的延長,4個(gè)交通氣象站的預(yù)報(bào)準(zhǔn)確率下降,平均絕對偏差和均方根誤差增加。預(yù)報(bào)時(shí)效小于60 min時(shí),各方案間準(zhǔn)確率差異不大。但當(dāng)預(yù)報(bào)時(shí)效超過60 min時(shí),各方案間的差異逐漸顯現(xiàn)。方案1的預(yù)報(bào)準(zhǔn)確率急劇下降,而方案5的下降速度最為緩慢。預(yù)報(bào)時(shí)效為1 h時(shí),方案5相較于方案1,準(zhǔn)確率提升8%～15%;預(yù)報(bào)時(shí)效為2 h時(shí),準(zhǔn)確率提升16%～27%;預(yù)報(bào)時(shí)效為3 h時(shí),準(zhǔn)確率提升22%～36%。表明隨著預(yù)報(bào)時(shí)效的延長,方案5的效果提升最明顯。

圖2 4個(gè)交通氣象站不同方案預(yù)報(bào)能力評估

為全面檢驗(yàn)預(yù)報(bào)效果,以交通氣象站M9522為例,對預(yù)報(bào)時(shí)效較短的1 h和較長的3 h兩個(gè)時(shí)效進(jìn)行深入分析。2022年交通氣象站M9522路面溫度在大部分時(shí)間為3～35 ℃,但最低可達(dá)-5 ℃,最高可達(dá)63 ℃。對于1 h時(shí)效的預(yù)報(bào)(圖3),各方案間預(yù)報(bào)準(zhǔn)確率相近,方案5表現(xiàn)最優(yōu),方案1最差。對于擬合斜率,方案5的擬合線斜率最高,為0.97,其他方案也在0.9以上。對于散點(diǎn)分布,方案5的散點(diǎn)分布相對集中,5種方案散點(diǎn)均呈現(xiàn)上寬下窄特點(diǎn),即在路面溫度低于35 ℃時(shí),預(yù)報(bào)性能明顯優(yōu)于高于35 ℃的情況。這可能是因?yàn)闃颖局饕植荚?～40 ℃范圍內(nèi),而高于40 ℃的樣本較少,導(dǎo)致模型在訓(xùn)練對高溫情況的擬合不足,影響預(yù)報(bào)準(zhǔn)確性。

圖3 2022年交通氣象站M9522 1 h預(yù)報(bào)時(shí)效5種方案模型預(yù)報(bào)效果及對比(a)方案1,(b)方案2,(c)方案3,(d)方案4,(e)方案5,(f)各方案預(yù)報(bào)能力評價(jià)指標(biāo)對比(各指標(biāo)均進(jìn)行歸一化處理)

對于3 h時(shí)效的預(yù)報(bào),5種方案的預(yù)報(bào)效果較1 h時(shí)效的預(yù)報(bào)效果明顯下降(圖4)。對于散點(diǎn)分布,3 h時(shí)效的預(yù)報(bào)結(jié)果分布更為離散,且等值線上的點(diǎn)減少。方案1、方案2和方案3的模型散點(diǎn)分布呈S型趨勢,即30 ℃以上的散點(diǎn)集中在等值線下方,預(yù)報(bào)值偏低,而10 ℃以下的散點(diǎn)集中在等值線上方,預(yù)報(bào)值偏高。這表明高溫時(shí)預(yù)報(bào)溫度偏低,低溫時(shí)預(yù)報(bào)溫度偏高,對實(shí)際路面溫度預(yù)報(bào)應(yīng)用存在較大局限性。方案3和方案4相較方案1的預(yù)報(bào)效果均有一定提升,尤其是方案4表現(xiàn)更優(yōu)。這說明引入時(shí)間序列特征變量后,對于較長時(shí)效的預(yù)報(bào)效果提升明顯。與前4種方案相比,方案5的預(yù)報(bào)效果最為優(yōu)越,但當(dāng)路面溫度高于35 ℃時(shí)預(yù)報(bào)效果較差。

圖4 同圖3,但為3 h預(yù)報(bào)時(shí)效

2.2 路面極端高低溫狀況下模型預(yù)報(bào)能力評估

交通氣象應(yīng)用尤其關(guān)注路面極端高溫和低溫的預(yù)報(bào)效果。根據(jù)相關(guān)行業(yè)標(biāo)準(zhǔn),路面溫度高于55 ℃時(shí)為高溫[40],低于0 ℃時(shí)為低溫[41],這兩種情況均對交通運(yùn)行產(chǎn)生不利影響。鑒于此,本研究采用效果最佳的方案5模型,選取測試集中M9518、M9520、M9522、M9526 4個(gè)交通氣象站高于55 ℃和低于0 ℃的極端溫度樣本進(jìn)行評估(表2)。由表2可見,低溫狀況下模型表現(xiàn)出色,1～3 h時(shí)效內(nèi)預(yù)報(bào)準(zhǔn)確率均高于90%,TS評分也均高于0.4。而高溫狀況下各交通氣象站的預(yù)報(bào)效果普遍較差。這是因?yàn)槁访娓邷厥芏喾N因素影響且變化迅速[1]。除了交通氣象站M9518外,其余交通氣象站在1 h時(shí)效內(nèi)的表現(xiàn)均相對較好,預(yù)報(bào)準(zhǔn)確率在60%左右,TS評分在0.5以上。交通氣象站M9518因?yàn)榍捌诟邷貥颖据^少,導(dǎo)致模型對高溫?cái)M合不理想。同時(shí)還注意到,不同交通氣象站的極端高低溫預(yù)報(bào)效果存在明顯差異,特別是鄉(xiāng)村氣象站M9526的預(yù)報(bào)效果明顯優(yōu)于其他城市氣象站和城郊?xì)庀笳尽?/p>

表2 低溫和高溫路面狀況下方案5準(zhǔn)確率和TS評分

挑選測試集4個(gè)交通氣象站24 h內(nèi)路面溫度出現(xiàn)小于0 ℃且無缺測數(shù)據(jù)(2022年2月21日)以及高于55 ℃且無缺測數(shù)據(jù)(2022年8月8日)的個(gè)例,評估模型在路面極端溫度狀況下的預(yù)報(bào)效果。

2022年2月21日凌晨4個(gè)交通氣象站夜間路面溫度持續(xù)降低,08:00達(dá)到最低且低于0 ℃。對于1 h時(shí)效,4個(gè)交通氣象站路面極端低溫的預(yù)報(bào)表現(xiàn)較好,預(yù)報(bào)準(zhǔn)確率均達(dá)到97%以上,平均絕對偏差平均值約為0.7 ℃,均方根誤差平均值約為0.88 ℃(表3)。隨著預(yù)報(bào)時(shí)效的延長,預(yù)報(bào)效果均有所下降。3 h時(shí)效的預(yù)報(bào)準(zhǔn)確率約為96%,平均絕對偏差約為1.2 ℃,均方根誤差約為1.42 ℃,模型仍保持較好的預(yù)報(bào)效果。此外,模型可準(zhǔn)確預(yù)報(bào)4個(gè)交通氣象站的路面最低溫度及其出現(xiàn)時(shí)間(圖5)。而在當(dāng)日路面溫度出現(xiàn)最高值的11:00—14:00,預(yù)報(bào)出現(xiàn)明顯偏差。隨著預(yù)報(bào)時(shí)效的延長,這種偏差更加明顯,但偏差多在3 ℃以內(nèi),總體預(yù)報(bào)結(jié)果仍較理想。

表3 路面極端低溫和極端高溫個(gè)例中方案5模型評估

2022年8月8日11:00—16:00 4個(gè)氣象站的路面溫度均高于55 ℃。路面極端高溫情況下模型預(yù)報(bào)能力有所下降。對1 h時(shí)效,4個(gè)氣象站的預(yù)報(bào)效果尚可。其中,交通氣象站M9520和氣象站M9522的預(yù)報(bào)準(zhǔn)確率在88%以上,平均絕對偏差約為1 ℃,均方根誤差不高于1.5 ℃(表3)。然而,對更長的預(yù)報(bào)時(shí)效,模型的預(yù)報(bào)效果明顯下降。除交通氣象站M9518外,其余3個(gè)交通氣象站路面最高溫度出現(xiàn)時(shí)間預(yù)報(bào)超前約為1 h且預(yù)報(bào)值偏低4 ℃(圖6)?？傮w上,極端高溫的預(yù)報(bào)存在一定挑戰(zhàn),但模型仍能提供有用的預(yù)報(bào)信息,對于交通管理和安全決策仍具有應(yīng)用價(jià)值。

2.3 模型空間普適性驗(yàn)證

本研究利用已建立的4個(gè)交通氣象站方案5模型對其他5個(gè)交通氣象站進(jìn)行路面溫度預(yù)報(bào),驗(yàn)證已建立模型的適用性,同時(shí)解決數(shù)據(jù)完整性較差的氣象站路面溫度預(yù)報(bào)和缺測路面溫度的插補(bǔ)問題。

從預(yù)報(bào)效果看,模型預(yù)報(bào)能力有所下降,尤其在較長預(yù)報(bào)時(shí)效時(shí)表現(xiàn)更為顯著(表4)。從模型選擇看,下墊面類型對預(yù)報(bào)效果產(chǎn)生明顯影響。具體而言,對于城市氣象站(M9521、M9126),基于城郊?xì)庀笳綧9518、氣象站M9520的模型預(yù)報(bào)效果最優(yōu)。對1 h時(shí)效,預(yù)報(bào)準(zhǔn)確率超過86%;對3 h時(shí)效,預(yù)報(bào)準(zhǔn)確率超過68%。對于城郊?xì)庀笳?M9293),應(yīng)用城郊?xì)庀笳綧9520建立的模型預(yù)報(bào)效果最佳。對1 h時(shí)效,預(yù)報(bào)準(zhǔn)確率為84%;對3 h時(shí)效,預(yù)報(bào)準(zhǔn)確率為66%。對于鄉(xiāng)村氣象站(M9513、M9516),應(yīng)用鄉(xiāng)村氣象站M9526建立的模型預(yù)報(bào)效果最佳。對1 h時(shí)效,預(yù)報(bào)準(zhǔn)確率超過84%;對3 h 時(shí)效,預(yù)報(bào)準(zhǔn)確率超過62%。這說明對于歷史數(shù)據(jù)較短的交通氣象站,可以通過遷移應(yīng)用具有相似下墊面背景類型的交通氣象站已建立的模型實(shí)現(xiàn)路面溫度預(yù)報(bào)。

表4 模型遷移應(yīng)用預(yù)報(bào)效果評估

3 結(jié)論與討論

本文使用物理機(jī)制相關(guān)變量融合、引入時(shí)間序列特征等5種方案,建立多元多步LSTM路面溫度預(yù)報(bào)模型,預(yù)報(bào)未來3 h逐10 min路面溫度,并對不同方案下及路面極端高低溫條件下的預(yù)報(bào)結(jié)果進(jìn)行檢驗(yàn),并驗(yàn)證模型適用性,得到以下結(jié)論:

1) 加入時(shí)間序列特征和先驗(yàn)物理知識顯著提升了LSTM模型的預(yù)報(bào)效果,尤其是同時(shí)引入兩者后模型準(zhǔn)確率達(dá)到85%～99%,且隨著預(yù)報(bào)時(shí)效延長,提升越明顯,準(zhǔn)確率最高提升36%。表明增加先驗(yàn)知識有助于模型更全面考慮周圍環(huán)境的影響,增強(qiáng)了LSTM模型的特征提取能力,模型能夠從路面溫度的歷史變化及物理機(jī)制方面更深入、更貼近實(shí)際考慮路面溫度變化,實(shí)現(xiàn)路面溫度預(yù)報(bào)更精確。

2) 對于路面極端溫度的預(yù)報(bào),模型在低溫預(yù)報(bào)方面表現(xiàn)出色,準(zhǔn)確預(yù)報(bào)了路面低溫極值及發(fā)生時(shí)間。模型的高溫預(yù)報(bào)能力相對較弱,且隨著預(yù)報(bào)時(shí)效延長,效果顯著降低。對于路面最高溫度的預(yù)報(bào)提前大約1 h,且預(yù)報(bào)偏低約4 ℃。這可能是由于路面極端高溫樣本相對較少,模型在訓(xùn)練過程中未能充分?jǐn)M合。

3) 應(yīng)用已建立的模型預(yù)報(bào)其他交通氣象站的路面溫度準(zhǔn)確率超過62%,預(yù)報(bào)時(shí)效較短時(shí)預(yù)報(bào)效果較佳,準(zhǔn)確率可達(dá)80%以上。鄉(xiāng)村氣象站的預(yù)報(bào)效果明顯優(yōu)于城市和城郊?xì)庀笳?特別是預(yù)報(bào)時(shí)效延長時(shí),優(yōu)勢更加顯著。

4) 模型選擇方面,交通氣象站的下墊面類型對模型選擇起關(guān)鍵作用,城郊?xì)庀笳灸Ｐ驮诔鞘袣庀笳竞统墙細(xì)庀笳镜念A(yù)報(bào)效果相對最優(yōu),鄉(xiāng)村氣象站模型在鄉(xiāng)村氣象站的預(yù)報(bào)效果相對最優(yōu)。因此,推測只需選擇1個(gè)城郊?xì)庀笳灸Ｐ秃?個(gè)鄉(xiāng)村氣象站模型就能在很大程度上滿足南京周邊高速公路的路溫預(yù)報(bào)需求,有助于有效解決數(shù)據(jù)質(zhì)量較差的交通氣象站路面溫度預(yù)報(bào)和缺測路面溫度的插補(bǔ)問題。

與以往研究相比,目前路面溫度預(yù)報(bào)主要集中在高溫或低溫兩個(gè)方向,而本研究旨在開發(fā)一種同時(shí)適用于高低溫且能進(jìn)行多步預(yù)報(bào)的模型,以擴(kuò)展模型應(yīng)用范圍。但需要指出的是,該模型對路面溫度的短時(shí)波動(dòng)預(yù)報(bào)存在一定局限性,觀測發(fā)現(xiàn)云量等因素對路面溫度短時(shí)波動(dòng)影響較大,未來研究需更細(xì)致地考慮這些影響因素,以實(shí)現(xiàn)對路面溫度短時(shí)波動(dòng)的準(zhǔn)確預(yù)報(bào)。此外為改善極端高溫預(yù)報(bào)效果,可以嘗試通過增加高溫樣本量或提高模型對極端路面溫度的敏感性進(jìn)行改進(jìn)。