周佐歡，張超，劉佳，唐小新，張莉，胡霄，陳元昭，5

（1.深圳市氣象局，廣東深圳 518040；2.深圳市氣象服務(wù)中心，廣東深圳 518040；3.深圳市國家氣候觀象臺，廣東深圳 518040；4.深圳市突發(fā)事件預(yù)警信息發(fā)布中心，廣東深圳 518040；5.深圳南方強天氣研究重點實驗室，廣東深圳 518040）

據(jù)2018年民航行業(yè)發(fā)展統(tǒng)計公報，全國客運航空公司共執(zhí)行航班434.58萬班次，其中非正常航班86.34萬班次，平均航班非正常率仍達19.87%。航班延誤問題不僅會打亂旅客的時間安排，還會影響航空公司的運營和形象。因此，提前發(fā)布航班延誤預(yù)警提示信息，就可以及時采取措施從而大幅減少負面影響。許多學(xué)者已對航班延誤預(yù)測進行了相關(guān)研究，劉中祥等［1］利用隨機森林回歸算法，得到航班到港延誤預(yù)測的平均絕對誤差為10.56 min；程華等［2］提出了基于決策樹算法的航班到港延誤預(yù)測，結(jié)果表明基于C4.5決策樹的預(yù)測模型正確率趨近于80%。統(tǒng)計公報表明，天氣因素是造成航班延誤的最主要原因，占比達到47.46%。在氣象上，雷暴對航班的影響非常突出，廣東省是一個受雷暴影響非常頻繁的地區(qū)，通過雷暴識別與追蹤技術(shù)提前發(fā)布航班延誤預(yù)警信息就顯得尤為重要［3-6］。目前雷暴的識別和追蹤總體上已經(jīng)取得了長足進步［7-10］。蘭紅平等［11］開發(fā)了利用模式識別技術(shù)建立云團生命時序和族譜關(guān)系，并在此基礎(chǔ)上進行雷暴云團外推；周康輝等［12］基于地閃數(shù)據(jù)，利用密度極大值快速搜索聚類算法實現(xiàn)雷暴的識別，采用Kalman濾波算法實現(xiàn)雷暴的追蹤與外推。然而，由于雷暴云特征指標(biāo)與強對流雷達三維觀測數(shù)據(jù)之間存在非線性關(guān)系，在實際業(yè)務(wù)應(yīng)用時仍然存在較多的空報、漏報現(xiàn)象。因此，在雷暴識別和跟蹤預(yù)報這一科學(xué)領(lǐng)域仍然存在提升空間。

本研究將以強對流識別模型為基礎(chǔ)，利用光流法外推預(yù)報技術(shù)對雷暴云進行追蹤；并基于地理信息系統(tǒng)，將雷暴追蹤結(jié)果與珠三角主要機場進行空間疊加分析，得出航班延誤預(yù)警提示信息；最后通過機場航班延誤數(shù)據(jù)驗證航班延誤提示預(yù)警的準(zhǔn)確性和提前量。以期提高雷暴的臨近預(yù)報預(yù)警水平，從而提升區(qū)域防災(zāi)減災(zāi)能力和促進地方航空氣象服務(wù)。

1 資料和前處理

為了建立影響航班安全的雷暴云識別模型，本研究利用廣東12部S波段多普勒天氣雷達（廣州、深圳、韶關(guān)、珠海、清遠、陽江、河源、汕尾、梅州、湛江、肇慶、連州）0.5～20 km高度20層的反射率因子拼圖資料。基于雷達資料三維體掃描原始數(shù)據(jù)，利用最近鄰居法和垂直方向線性內(nèi)插法相結(jié)合的方法插值到三維笛卡爾坐標(biāo)系中［13］，形成三維雷達回波網(wǎng)格數(shù)據(jù)集，選取5.0 km高度的雷達CAPPI拼圖數(shù)據(jù)作為雷達回波場。

在三維雷達回波網(wǎng)格數(shù)據(jù)集基礎(chǔ)上再處理，獲取雷暴云的幾個特征向量，分別是雷達反射率因子（RRF）、回波頂高（ET）、垂直積分液態(tài)含水量（VIL）、組合反射率（CR）和固定高度回波強度（CAPPI），其中VIL通過吳書君［14］的方法計算得到，定義為單位面積上垂直柱體中的總含水量。

除雷達數(shù)據(jù)外，為驗證對雷暴云識別追蹤的準(zhǔn)確性，雷雨大風(fēng)的實況數(shù)據(jù)取自廣東省氣象業(yè)務(wù)網(wǎng)。通過移動互聯(lián)網(wǎng)獲取珠三角主要機場航班延誤數(shù)據(jù)資料。本研究所使用資料均為北京時。

2 總體技術(shù)路線

2.1 建立強對流天氣識別模型

雷達反射率因子是描述對流程度最直觀的參量之一，回波頂高是衡量對流強烈程度的重要物理量，垂直積分液態(tài)含水量是判別強降水的有效參數(shù)之一。當(dāng)雷達反射率因子、回波頂高和垂直積分液態(tài)水含量滿足一定條件時，就可能有雷暴云產(chǎn)生。

本研究使用廣東12部S波段多普勒雷達資料，提取5.0 km高度CAPPI拼圖進行圖像識別，獲得反射率因子、回波頂高和垂直積分液態(tài)水含量，按照式（1）計算該樣本對應(yīng)的強對流指數(shù)G，結(jié)合自動站的風(fēng)、雨實況資料，采用相關(guān)分析方法，總結(jié)得出強對流指數(shù)的經(jīng)驗值閾值G為30。當(dāng)G＞30時，可認為是強對流發(fā)生的高風(fēng)險點（圖1）。當(dāng)一張圖上存在連續(xù)若干個相鄰的G＞30的格點時，這組格點群被識別為雷暴高風(fēng)險區(qū)域，以此將降雨云團中的強回波識別出來。

其中，VIL為垂直積分液態(tài)水含量（kg／m2）；CAPPI為5 km高度的反射率因子（dBz）；ET為回波頂高（km）。

圖1 雷暴識別技術(shù)路線示意圖

2.2 利用光流法對雷暴云團進行追蹤

光流法的本質(zhì)是從連續(xù)的圖像系列中計算光流場，而光流場可以簡單地理解為物體的速度矢量場。包含兩個分量：在x軸方向的分量u和y軸方向的分量v。假設(shè)t時刻圖像點（x，y）的灰度為I（x，y，t），對x和y在單位時間內(nèi)求偏導(dǎo)。根據(jù)計算光流的條件

其中，式（2）為光流約束方程，?I＝（Ix，Iy）t為圖像灰度的空間梯度；v＝（u，v）t為光流矢量。

在氣象領(lǐng)域，把雷達回波當(dāng)作移動的物體，那么I（x，y，t）就是雷達圖像中的某點（x，y）在t時刻所對應(yīng)的反射率因子［15］。此外，由于雷達探測數(shù)據(jù)本身的真實性和容易受噪聲干擾等因素對光流算法有很大的影響，因此曹春燕等［16］通過中值濾波法和剔除矢量值離散程度偏離一定值的點等方法對上述問題進行了一定的優(yōu)化研究，有效地抑制了噪聲的影響，得到了較平滑、真實的雷達回波。本研究在此基礎(chǔ)上對雷暴云團進行追蹤。

2.3 雷暴追蹤結(jié)果與雷雨大風(fēng)實況對比

選取2010—2018年1—6月份時間段內(nèi)的138個深圳市出現(xiàn)全市大雨以上量級的降雨過程，反演雷暴識別和光流法1 h外推預(yù)報。將追蹤結(jié)果和實況資料進行對比分析，結(jié)果表明光流法1 h外推預(yù)報平均偏差10～20 km，在業(yè)務(wù)上具有一定實用價值。

2.4 雷暴追蹤結(jié)果與機場地理位置疊加

Overlay空間疊加分析法是指在同一個空間坐標(biāo)系內(nèi)，將2個或多個不同種類的數(shù)據(jù)疊加，通過一定的邏輯運算，進行分析判定，進而得出該空間區(qū)域內(nèi)多種數(shù)據(jù)之間的空間關(guān)系。

基于地理信息系統(tǒng)通過空間分析工具將雷暴的追蹤結(jié)果與珠三角主要機場地理位置進行空間疊加分析，根據(jù)當(dāng)前實況利用光流法進行1 h外推，雷暴首次到達機場位置時，即發(fā)布航班延誤預(yù)警提示信息。

2.5 利用機場延誤信息判別航班延誤預(yù)警提示的

通過移動互聯(lián)網(wǎng)技術(shù)收集的珠三角主要機場航班延誤數(shù)據(jù)，對上述航班延誤預(yù)警提示信息加以驗證，從而判斷通過光流法1 h外推預(yù)報進行航班延誤預(yù)警提示的準(zhǔn)確性和提前量。

3 結(jié)果驗證

3.1 評分檢驗

選取2017—2019年12個雷暴天氣案例（表1），規(guī)定如果航班延誤預(yù)警提示時間與航班延誤公告時間相比提前量達到30 min以上，判斷為成功；如果預(yù)報機場不會出現(xiàn)延誤，而實際發(fā)布了延誤公告，判斷為漏報；如果預(yù)報機場出現(xiàn)延誤，而實際沒有發(fā)布延誤公告，判斷為空報。

表1 2017—2019年深圳寶安、廣州白云機場雷暴過程案例

檢驗結(jié)果表明：通過雷達識別和追蹤技術(shù)來判別航班受到影響的準(zhǔn)確率達到83%，延誤預(yù)警提示信息比延誤預(yù)警實況平均提前約62 min。

3.2 個例分析

為直觀地說明雷達識別追蹤技術(shù)判別航空延誤預(yù)警的準(zhǔn)確性，篩選了2個案例進行詳細說明。

1）2019年4月19日西南急流影響。

2019年4月19日12：00開始深圳市自北向南先后出現(xiàn)強降水、雷暴和短時大風(fēng)，降水持續(xù)到19日18：00趨于結(jié)束。全市有5個自動站錄到特大暴雨，132個自動站錄到暴雨，有18個自動站錄到8級以上陣風(fēng)，最大陣風(fēng)10級。利用光流法進行1 h外推反演，對該次颮線過程進行航班延誤預(yù)警提示。

深圳機場地理坐標(biāo)為東經(jīng)113°49′、北緯22°36′，屬于寶安區(qū)福永街道?；夭ㄏ蚱珫|方向移動，從12：00的實況開始進行1 h外推（圖2a），未來1 h內(nèi)，12：36深圳機場強對流指數(shù)最大，但仍小于30。從12：06的實況開始外推（圖2b），12：30深圳機場位置的強對流指數(shù)為35，那么12：06為航班延誤預(yù)警提示時間，而深圳機場在13：00正式發(fā)布航班延誤預(yù)警，可見該次過程中航班延誤預(yù)警提示時間比延誤預(yù)警實況時間提前54 min，具備較高的預(yù)警提前量。

2）2019年4月27日切變線過程。

2019年4月27日廣東省珠三角地區(qū)出現(xiàn)強降雨天氣。15：00開始深圳市受自西向東移動的強雷暴影響，至18：30強降雨結(jié)束，全市有29個自動站記錄到大雨，大梧桐站出現(xiàn)最大陣風(fēng)9級。

從14：36的實況開始進行1 h外推（圖3a），15：36的預(yù)報結(jié)果為深圳機場位置強對流指數(shù)小于30，外推1 h內(nèi)強雷暴未到達深圳機場。以14：42的實況為起點進行外推（圖3b），15：42深圳機場位置強對流指數(shù)高達37，那么14：42為航班延誤預(yù)警提示時間。而深圳機場在16：00發(fā)布航班延誤預(yù)警，可見航班延誤預(yù)警提示時間比延誤預(yù)警實況時間提前78 min，具有較好的預(yù)警提示效果。

圖2 2019年4月19日外推預(yù)報圖

圖3 2019年4月27日外推預(yù)報圖

4 結(jié)論

1）光流法1 h外推預(yù)報與實況的位置偏差基本在10～20 km，具有業(yè)務(wù)使用價值。

2）在本研究案例中通過其來判別航班受到影響的準(zhǔn)確率達到了83%，延誤預(yù)警提示信息比延誤預(yù)警實況平均提前約62 min。可以在雷暴天氣過程業(yè)務(wù)工作中為決策部門提供一定判斷依據(jù)，為公眾提供出行參考，從而提升區(qū)域防災(zāi)減災(zāi)能力和促進地方航空氣象服務(wù)。

3）光流法立足于變化，在運動的雷暴動態(tài)追蹤中有較好的效果，但目前雷暴追蹤技術(shù)還無法從物理機制上判別雷暴的增強和消亡，光流法在準(zhǔn)靜止型局地加強型雷暴追蹤中仍有一定的局限性，即使在華南前汛期的大范圍降雨過程中也有一定的不足。因此造成部分案例失敗，這也是今后需要進一步提高的地方。

此外，在雷達識別與追蹤技術(shù)領(lǐng)域仍然有可以繼續(xù)深入的地方，尤其當(dāng)前人工智能（AI）技術(shù)發(fā)展迅速，在天氣預(yù)報領(lǐng)域擁有廣闊的前景。今后可以探索利用機器學(xué)習(xí)方法找出珠江三角洲地區(qū)雷暴云的內(nèi)在規(guī)律、特征，建立智能化的雷暴識別追蹤機器人，尋找新的雷達導(dǎo)出變量來更加準(zhǔn)確刻畫雷暴云的特征，進一步提高航班延誤預(yù)警的準(zhǔn)確率。