文俊鵬 藍靜 劉峰

（1 民航中南空管局氣象中心，廣州 510405；2 廣州市氣候與農(nóng)業(yè)氣象中心，廣州 511400）

0 引言

在各種天氣現(xiàn)象中，大霧對飛行的影響一直是困擾航空業(yè)的難題。大霧造成的低能見度是飛行安全隱患之一，易使飛機在著陸時看不清跑道、偏離跑道或過早、過遲接地；因大霧造成的航班大面積延誤、取消給旅客出行帶來了很大的不便，直接影響航班正點率。國內(nèi)外學者對低能見度的多個方面都做了研究，取得有意義的成果。對低能見度預報的常見方法有兩大類：一類是依托對影響能見度的各因子消光特性的反演，數(shù)值模式預報輸出的能見度常采用該方法，中尺度數(shù)值天氣模式中，依托雨水、云水、云冰、霰等水凝物的消光性質(zhì)來反算能見度，但對本地特征、日變化等因子考慮不全，能見度的實況變化對預報結(jié)果缺乏有效的修訂；另一類是通過尋找宏觀要素對能見度的影響關(guān)系，構(gòu)建能見度與風、溫、壓、濕、氣溶膠因子等之間的統(tǒng)計模型，其缺點是由于缺乏對未來氣象要素的預報，對于轉(zhuǎn)折天氣能見度的預報能力不足。目前新發(fā)展的數(shù)值預報釋用技術(shù)，結(jié)合數(shù)值模式預報的各氣象因子與實況能見度，建立統(tǒng)計預報方法，開展大霧和低能見度預測，既彌補了傳統(tǒng)預報模型的不足，又充分利用了數(shù)值模式預報基本氣象要素的優(yōu)勢。

數(shù)值預報釋用技術(shù)多采用各種回歸模型和神經(jīng)網(wǎng)路算法。吳洪等根據(jù)首都機場大霧觀測記錄統(tǒng)計分析北京地區(qū)大霧生成前的氣象要素，提出預報北京地區(qū)大霧的方法。馬學款等使用神經(jīng)網(wǎng)絡(luò)模型并引入適當?shù)脑\斷因子，提高了對重慶市區(qū)霧（尤其濃霧）的預報能力。王彥磊等選取大連機場霧天氣事件前一天的氣象要素作為神經(jīng)網(wǎng)絡(luò)的輸入因子，當日霧天氣事件的類型作為模型的輸出目標，建立了一個水平較高的霧天氣事件的預報模型。前人對低能見度預報建模研究中，多采用日最低能見度或日均能見度觀測資料，一般分級為霧日、非霧日，尚沒有小時級別能見度的業(yè)務(wù)預報和檢驗結(jié)果。

本文基于對廣州白云機場能見度的統(tǒng)計分析，采用多元逐步回歸算法與BP神經(jīng)網(wǎng)絡(luò)算法，分別建立廣州白云機場能見度逐3 h預報模型，并對模型進行預報仿真試驗，對比兩種算法的預報效果，旨在為白云機場大霧天氣過程提供客觀有效地預報結(jié)果。

1 數(shù)據(jù)來源

1.1 全球預報系統(tǒng)數(shù)據(jù)

全球預報系統(tǒng)（Global Forecast System，GFS）是一個由美國國家環(huán)境預報中心開發(fā)的天氣預報模式，可輸出幾十個大氣和陸地變量，經(jīng)許多學者檢驗具有預報能力。GFS模式預報數(shù)據(jù)的分辨率為0.25°×0.25°，預報時長為384 h，0～240 h每隔3 h輸出一次變量，240～384 h每隔12 h輸出一次變量。模式每天每隔6 h更新一次，分別為00、06、12、18時（世界時）。廣州白云機場經(jīng)緯度為23.4°N、113.3°E，選取GFS模式中23.5°N、113.25°E代表白云機場所在位置。根據(jù)能見度變化的統(tǒng)計，選取了GFS模式中5個不同高度（地面，925 hPa，850 hPa，700 hPa，500 hPa）共24個變量（風速、溫度、濕度、氣壓、累計降水量、云量等）作為對白云機場能見度客觀預報模型的自變量。

1.2 白云機場自動氣象觀測系統(tǒng)數(shù)據(jù)

廣州白云機場自動氣象觀測系統(tǒng)（Automated Weather Observing Systems，AWOS）是由芬蘭維薩拉公司生產(chǎn)的氣象觀測系統(tǒng)。AWOS包括測量跑道視程、常規(guī)氣象要素、云和天氣現(xiàn)象等傳感器以及相應的監(jiān)控和遠程顯示的集成自動化系統(tǒng)。本文選取機場常規(guī)氣象報文中AWOS提供的每小時風速、溫度、相對濕度和修正海平面氣壓以及人工觀測的主導能見度作為對白云機場能見度客觀預報模型的自變量。

2 研究方法

2.1 多元逐步回歸法

多元逐步回歸（MR）算法的基本思想是將變量根據(jù)方差貢獻大小排序逐個引入模型，每引入一個解釋變量后都要進行F檢驗，當原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時，則將其刪除，直到?jīng)]有顯著的解釋變量選入回歸方程為止，保證最后所得到的解釋變量集是最優(yōu)的。

2.2 反向傳播神經(jīng)網(wǎng)絡(luò)法

基于誤差反向傳播（BP）算法的多層前饋網(wǎng)絡(luò)，是目前應用廣泛的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)學習過程中由信號的正向傳播與誤差的逆向傳播兩個過程組成（圖1）。正向傳播時，模式作用于輸入層，經(jīng)隱含層處理后，傳入誤差的逆向傳播階段，將輸出誤差按某種子形式，通過隱含層向輸入層逐層返回，并“分攤”給各層的所有單元，從而獲得各層單元的參考誤差或稱誤差信號，以作為修改各單元權(quán)值的依據(jù)。權(quán)值不斷修改的過程，也就是網(wǎng)絡(luò)學習過程。此過程一直進行到網(wǎng)絡(luò)輸出的誤差逐漸減少到可接受的程度或達到設(shè)定的學習次數(shù)為止。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型Fig. 1 BP neural networks model

2.3 模型設(shè)計

根據(jù)GFS模式數(shù)據(jù)的更新時間，本文設(shè)計白云機場未來48 h的能見度客觀預報模型。通過對白云機場低能見度的統(tǒng)計分析可知，每次出現(xiàn)低能見度的天氣過程持續(xù)時間不超過5 d，因此本文選擇前48 h的數(shù)據(jù)建立客觀預報模型，對未來48 h的能見度變化進行預報。具體方案即為采取-48～0 h的GFS模式預報結(jié)果以及-96～-48 h的AWOS自觀實況數(shù)據(jù)作為自變量，-48～0 h的能見度為因變量建立客觀預報模型，再使用最新時次GFS模式0～48 h的預報結(jié)果以及-48～0 h的AWOS自觀實況數(shù)據(jù)作為自變量，通過客觀預報模型對未來0～48 h的能見度進行預報。由于白云機場AWOS自觀實況數(shù)據(jù)可每小時實時更新，而GFS模式數(shù)據(jù)0～240 h時每隔3 h輸出一次變量，并且每隔6 h更新一次數(shù)據(jù)，因此本文的預報模型也是每隔3 h輸出一次變量且每隔6 h可更新一次預報模型。由于多元逐步回歸與BP神經(jīng)網(wǎng)絡(luò)為統(tǒng)計方法，在預報時低能見度時有可能會出現(xiàn)能見度為負值的預報，本文根據(jù)白云機場的機場運行標準與實況主導能見度規(guī)范，當預報值小于等于550 m、大于-500 m時，預報能見度取550 m，預示低能見度對白云機場有嚴重影響；當預報值小于等于-500 m時，預報能見度取50 m，預示白云機場將無法正常運行。

3 過程選擇

2015年2月15—17日（北京時，下同）500 hPa西北地區(qū)東部有高空槽東移影響華北地區(qū)和東北地區(qū)，青藏高原南部有南支槽逐漸加深東移；850 hPa長江流域的切變線減弱南壓至華南地區(qū)；地面弱冷空氣自北向南影響中國大陸中東部，華南地區(qū)處于低壓槽的控制（圖略）。受低層的弱切變和鋒面低槽影響，廣州白云機場16日02—09時和17日07—09時出現(xiàn)了低于1 km主導能見度的大霧天氣（圖2），最低能見度為350 m，出現(xiàn)時間為16日03—05時。

15日07—14時白云機場出現(xiàn)了低于3 km能見度的輕霧天氣，為了檢驗客觀預報公式在不同天氣條件下的預報效果，本文選擇12日08時—16日05時（共8個預報時次）預報作為檢驗2 km以上能見度客觀預報模型，14日08時—18日05時（8個預報時次）預報作為檢驗白云機場出現(xiàn)大霧時能見度客觀預報模型。

圖2 白云機場2015年2月12日08時—18日08時逐小時主導能見度Fig. 2 The visibility from 08 BT on 12 February to 08 BT on 18 February 2015 in Baiyun Airport

4 客觀預報模型檢驗

4.1 2 km以上能見度預報效果

從圖3的能見度實況可知，12日20時—14日08時機場能見度在5000～7000 m，14日23時后能見度逐漸下降，2 km能見度出現(xiàn)在15日08時。通過對比不同時次起報的多元逐步回歸客觀預報結(jié)果可知，預報模型在12日20時—14日08時預報效果較好，能基本抓住變化趨勢且誤差較小。預報模型在14日08—20時能見度上升時預報較實況偏高，有較大的誤差。當機場能見度明顯下降時，多元逐步回歸客觀預報能較好地反映能見度的變化趨勢，其中起報時間為13日20時與14日02時的預報模型能很好地預報出能見度下降時的最低值以及出現(xiàn)時間。起報時間13日20時預報的最低能見度為1815 m，出現(xiàn)時間為15日05時，與實況較為接近。起報時間14日02時預報最低能見度為2128 m，出現(xiàn)時間同樣為15日05時。在本次過程中2 km以上能見度的預報中，多元逐步回歸模型可提前24 h預報出能見度的下降趨勢、最低能見度值及出現(xiàn)時間，達到了一定的預報預警效果。

圖3 2015年2月12日08時—16日05時逐3 h主導能見度實況與多元逐步回歸（MR）預報對比Fig. 3 Visibility and MR forecast from 08 BT on 12 February to 05 BT on 16 February 2015

從圖4的BP神經(jīng)網(wǎng)絡(luò)預報結(jié)果來看，在12日20時—14日08時預報模型與多元逐步回歸預報效果相近，在14日08時—14日20時預報中，BP神經(jīng)網(wǎng)絡(luò)預報偏差較小，相比元逐步回歸模型有所提高。對比14日20時—15日08時能見度下降時段可發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)比多元逐步回歸有較大的提升，多個起報時次均能較好的預報出能見度下降的過程、最低能見度值以及出現(xiàn)時間。其中起報時間為13日20時預報最低能見度為1862 m，出現(xiàn)時間為15日05時，起報時間14日02時預報最低能見度為2221 m，出現(xiàn)時間與實況一致為15日08時。通過對2 km以上能見度預報結(jié)果分析可知，多元逐步回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型均能提前24 h預報出能見度的下降趨勢、能見度下降的最低值以及出現(xiàn)時間，達到了的預報預警效果，且BP神經(jīng)網(wǎng)絡(luò)模型較多元回歸模型預報效果好。

圖4 2015年2月12日08時—16日05時逐3 h主導能見度實況與BP神經(jīng)網(wǎng)絡(luò)預報對比Fig. 4 Visibility and BP forecast from 08 BT on 12 February to 05 BT on 16 February 2015

為了進一步對比兩種預報模型的預報能力，本文對它們的統(tǒng)計參數(shù)進行了對比。同時，本文使用GFS模式輸出的液態(tài)水含量，利用Kunkel等經(jīng)驗公式計算能見度，并與兩種客觀模型進行對比討論，該經(jīng)驗公式為

Vis

L

通過對比多元逐步回歸、BP神經(jīng)網(wǎng)絡(luò)預報以及GFS模式預報能見度統(tǒng)計參數(shù)（表1）可知，BP神經(jīng)網(wǎng)絡(luò)的相關(guān)性最好，其平均相關(guān)系數(shù)為0.38，GFS模式較多元逐步回歸的相關(guān)系數(shù)高。對比平均誤差可知，BP神經(jīng)網(wǎng)絡(luò)誤差最小，僅為-280.59 m，說明BP神經(jīng)網(wǎng)絡(luò)預報能見度略有偏低，多元逐步回歸誤差為635.87 m，對能見度預報總體偏高。而GFS模式預報能見度偏差達-3761.14 m，說明GFS模式總體預報值偏小。進一步分析均方根誤差分別為3151.80、1885.88和4021.68 m，GFS模式預報誤差較大，相比之下，BP神經(jīng)網(wǎng)絡(luò)比多元逐步回歸誤差小。結(jié)合前面的分析可知，多元逐步回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型均能預報出能見度的下降，達到了一定的預報預警效果，且BP神經(jīng)網(wǎng)絡(luò)模型較多元回歸模型預報效果好，而GFS模式預報能見度總體偏低，雖然其相關(guān)性較好，但其預報能見度與實況的誤差較大，無法達到預報預警效果。

表1 2015年2月12日08時—14日02時多元逐步回歸（MR）、BP神經(jīng)網(wǎng)絡(luò)以及GFS模式預報能見度統(tǒng)計參數(shù)對比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以下能見度預報效果

前面分析可知，廣州白云機場2015年2月16—17日經(jīng)歷了兩次大霧過程，從圖5的能見度實況可知，分別是16日02時—08時和17日08時。通過對圖5分析得到，起報時間為15日08時與15日14時的多元逐步回歸預報出16日白云機場的大霧過程，其中15日08時較好的預報出能見度下降的趨勢以及大霧的持續(xù)時間，其預報15日20時能見度就下降到550 m（-24 m），較實況提前了6 h，最低能見度50 m（-531 m）出現(xiàn)在15日23時，大霧持續(xù)至16日02時，持續(xù)時間為6 h，與實況一致。對17日大霧過程的預報，15日08時多元逐步回歸預報出大霧最低能見度為660 m，與實況500 m較為接近，但出現(xiàn)時間與實況誤差較大，預報出現(xiàn)時間為16日23時，較實況出現(xiàn)時間提前9 h。起報時間為15日14時對16日大霧過程預報最低能見度為1194 m，出現(xiàn)時間為16日02時，達到了一定的預警作用。第二次大霧過程預報最低能見度為1603 m，出現(xiàn)時間為16日20時，數(shù)值與時間均與實況相距較大。由前面分析可見，多元逐步回歸模型有提前12 h對大霧過程進行預報預警的作用，多時次起報與實況對比可知，當白云機場出現(xiàn)大霧過程時，多元逐步回歸預報模型能預報出大霧過程，但并不能所有起報時次均能預報出大霧過程，說明多元逐步回歸預報模型空報可能性較小，漏報可能性較大。

圖5 2015年2月14日08時—18日05時主導能見度實況與多元逐步回歸（MR）預報對比Fig. 5 Visibility and MR forecast from 08 BT on 14 February to 05 BT on 18 February 2015

從圖6的BP神經(jīng)網(wǎng)絡(luò)預報可以看出，各個不同時次的起報時次與實況的誤差都較多元逐步回歸預報的小。對于16日的大霧預報，15日08時與14時起報的預報效果較好。15日08時最低能見度為611 m，出現(xiàn)時間為16日02時僅比實況提前1時次（3 h），其中預報出現(xiàn)大霧時間為15日23時—16日08時，與實況持續(xù)時間大致相同，預報大霧過程結(jié)束時間與實際結(jié)束時間一致。起報時間為15日14時的BP神經(jīng)網(wǎng)絡(luò)預報最低能見度為627 m，出現(xiàn)在16日08時，但其只預報出一個短時的大霧，與實際出現(xiàn)持續(xù)的長時間大霧有所偏差。對17日大霧過程的預報，BP神經(jīng)網(wǎng)絡(luò)不同起報時次均預報出了能見度下降的趨勢且時間也較為理想，但均沒有較好地預報出最低能見度，其中效果最理想的是16日02時起報的預報結(jié)果，其預報最低能見度為1059 m，出現(xiàn)時間為17日05時，比實況提前了3 h。由前面的分析可知，BP神經(jīng)網(wǎng)絡(luò)與多元逐步回歸預報對于大霧的預報最好效果的起報時間均為15日08時與14時，說明這兩個方法均有提前12 h對大霧過程進行預報預警的作用。

圖6 2015年2月14日08時～18日05時主導能見度實況與BP神經(jīng)網(wǎng)絡(luò)預報對比Fig. 6 Visibility and BP forecast from 08 BT on 14 February to 05 BT on 18 February 2015

通過表2對比可知，對于大霧過程的預報，BP神經(jīng)網(wǎng)絡(luò)預報公式與多元逐步回歸于實況的相關(guān)系數(shù)相差無幾，而GFS模式預報相關(guān)系數(shù)最高，達到0.46。BP神經(jīng)網(wǎng)絡(luò)的平均誤差仍然是最小的，僅為-138.96 m，而多元逐步回歸與GFS模式誤差分別達2534.69和-2468.05 m，說明多元逐步回歸總體預報值偏大而GFS模式預報值偏小。通過均方差對比可知，多元逐步回歸均方差遠大于BP神經(jīng)網(wǎng)絡(luò)，說明多元逐步回歸預報數(shù)值與實況相比誤差較大。結(jié)合前面分析可知，BP神經(jīng)網(wǎng)絡(luò)預報模型較好的預報了本次大霧過程，對大霧預警提前達12 h以上，多元逐步回歸可以較好預報大霧出現(xiàn)時間及最低能見度，但總體預報誤差較大，GFS模式很好預報了能見度的變化趨勢，但其預報最低能見度為1295 m，與實況偏差較大。

表2 2015年2月14日08時—16日02時多元逐步回歸、BP神經(jīng)網(wǎng)絡(luò)以及GFS模式預報能見度統(tǒng)計參數(shù)對比Table 2 MR, BP and GFS statistical parameters comparison from 08 BT on 14 February to 02 BT on 16 February 2015

5 結(jié)論

本文選取了2015年2月15—17日廣州白云機場一次低能見度天氣過程，利用GFS模式數(shù)據(jù)與白云機場AWOS自觀數(shù)據(jù)建立了白云機場能見度的多元逐步回歸逐3 h預報模型和BP神經(jīng)網(wǎng)絡(luò)逐3 h預報模型，通過對比分析得出以下結(jié)論。

1）多元逐步回歸逐3 h預報模型和BP神經(jīng)網(wǎng)絡(luò)逐3 h預報模型能夠較好的預報出2015年白云機場低能見度天氣過程。對于白云機場能見度下降并到達2 km的過程，兩種預報模型均能提前24 h預報出來，達到一定的預報效果，其中BP神經(jīng)網(wǎng)絡(luò)預報相關(guān)系數(shù)為0.38，平均誤差為-280.59 m。對于機場出現(xiàn)大霧天氣的預報，兩種預報方法可提前12 h預報出來，BP神經(jīng)網(wǎng)絡(luò)預報最低能見度與實況相差僅為261 m，出現(xiàn)時間比實況提前1時次（3 h）以及與實況持續(xù)時間大致相同，達到了較好的對大霧天氣預報預警的作用。

2）對比多元逐步回歸、BP神經(jīng)網(wǎng)絡(luò)預報以及GFS模式預報能見度統(tǒng)計參數(shù)可知，GFS模式預報與實況相關(guān)性較好，但其總體預報值偏小，誤差較大。BP神經(jīng)網(wǎng)絡(luò)相關(guān)系數(shù)較多元逐步回歸高且平均誤差與均方差較低。說明BP神經(jīng)網(wǎng)絡(luò)總體預報效果較好。

3）對于白云機場大霧過程的預報，BP神經(jīng)網(wǎng)絡(luò)預報較多元逐步回歸方法能更好的預報出大霧出現(xiàn)的時間、持續(xù)時間和最低能見度，但多元逐步回歸方法對大霧的預報空報較低，因此結(jié)合兩種模型的預報有利于提高白云機場大霧預報的準確率。