邹兰军 刘姝 陆勤静
上海中心气象台 清华大学地球系统科学系 无锡市新发建设管理有限公司
摘 要：道路结冰威胁车辆安全行驶，精确预报能够减少许多灾害。基于长三角地区公路交通气象站点观测数据，通过机器学习神经网络算法，建立了冬季预报指标(气温、相对湿度、风速)与路面温度的回归模型，拟合优度达0.81,效果较好。以长三角地区冬季一次夜间低温状况下的降水过程为例，采用中国气象局GRAPES-GFS数值天气预报模式结果结合该路面温度回归模型，进行了道路结冰潜势预报。结果表明，模式预报结合回归模型输出的路面温度能够改进模式预报直接模拟的地表温度的冷偏差，结合模式预报的降水能够更精确地提供道路结冰的潜在分布范围，为道路交通结冰预测提供相关决策服务支持。
关键词：交通安全;路面结冰潜势;预报模型;神经网络;数值天气预报模式;
基金：上海市2021年度“科技创新行动计划”长三角科技创新共同体领域项目，项目编号21002410200;
道路结冰可能造起车辆追尾、侧翻、横滑和翻车等事故，是冬季城市道路和高速公路交通安全的隐患[1,2]。道路结冰容易发生在11月到下一年4月(即冬季和早春)的一段时间内。道路结冰通常需要具备两个基本条件：有降水(雨或雪等)发生且路面温度低于0℃[3]。 我国北方地区常常出现道路结冰现象，而我国南方地区，降雪一般为“湿雪”,往往属于0℃～4℃的混合态水，落地便成冰水浆糊状，一到夜间气温下降，就会凝固成大片冰块，只要当地冬季最低温度低于0℃,就有可能出现道路结冰现象，只要温度不回升到足以使冰层解冻，就将一直坚如磐石。为保障道路安全，中国气象局与交通运输部每天联合发布全国主要公路气象预报，同时道路结冰也是中国气象局列为发布预警信号的突发气象灾害之一[4]。
为避免道路结冰的不利影响，除了提供实时道路结冰监测并提供除冰处置措施外[5,6,7,8],提供有效的道路结冰预报信息可以为道路管理提供决策支持并进行防范，而构建路面温度预测模型是建立道路结冰预警工具的关键[9]。前人关于路面温度预报的研究方法大致可以归纳为模式模拟法、理论分析法和统计分析法[10,11,12,13,14]。模式模拟法是对模式相关参数(如反照率、发射率和热容量等)进行修改和调整，使其符合路面特征，但其预报的路面温度对参数的选定十分敏感[10]。理论分析法是根据地表能量平衡方程构建地表温度与路面温度之间的关系，但由于公式过于简化，不能适用于实际情况[10,12]。许多研究还采用统计分析法建立路面温度与其他气象指标的回归拟合方程[10,15,16,17]以反演路面温度。
神经网络是近些年人工智能领域兴起的研究热点，它适合处理复杂问题，在许多领域都有较好的应用。人工神经网络是一种模仿生物神经网络结构和功能的数学计算模型，能对输入和输出变量间的复杂关系进行建模[18]。它基于训练数据，通过反复迭代，参数优化，得到最优的网络结构用于预测。本研究基于长三角地区公路交通气象站点观测数据，通过机器学习神经网络算法，构建冬季地表气温、相对湿度和风速与路面温度的回归模型。该路面温度回归模型能与当前大部分数值天气预报模式相结合，同步进行道路结冰预报，为道路交通提供决策服务支持。
1 数据和数值天气预报模式介绍
公路交通气象站点观测数据来源于中国气象局气象数据统一服务接口(MUSIC:Meteorological Unified Service Interface Community),它基于国省统一的数据环境，提供全国统一、标准、丰富的数据访问服务和应用编程接口。使用的观测数据研究时段为2021年1月1日～2021年1月31日，研究区域为长三角地区。在研究之前，我们对数据进行了筛查，去除未经过质量控制的站点观测异常值，最后选取符合条件的50个公路交通气象站点(其中上海2个站点，江苏48个站点)进行研究(具体分布如图1所示)。气象站点所处的主要高速公路交通要道的实景如图2所示。江苏站点每天逐小时观测气温、相对湿度、风速以及路面温度，而上海站点为逐分钟观测。我们将上海逐分钟的观测数据通过求时间平均统一整合到逐小时观测以保持使用一致性。最终，长三角地区有35 619条观测记录用于构建地表气温、相对湿度、风速与路面温度的回归模型。
展开全文
图1 公路交通气象站点的分布(星号表示站点) 下载原图
图2 公路交通气象站点所处交通要道的实景 下载原图
全球/区域一体化同化预报系统GRAPES(Global/Regional Assimilation and Prediction System)是在科技部和中国气象局支持下我国自主发展的新一代数值预报系统[19,20]。2009年3月完成了GRAPES-GFS的前期试验，并在业务环境建立了运行试验平台，确定了GRAPES-GFS的准业务版本GRAPES-GFS 1.0。在GRAPES-GFS 1.0准业务化之后，开展了三个阶段的攻关。第一阶段以完善模式物理过程为代表，使得GRAPES全球模式具备了适用于全球预报的一套物理过程。第二阶段，重点攻克模式空间GRAPES三维变分同化系统以避免同化后插值到模式空间带来的误差，并在改进卫星资料同化应用效果的同时增加更多卫星资料的同化应用。第三阶段以同化和模式协同攻关为代表，重点解决了动力框架中部分影响计算精度的问题、以云-降水为重点的物理过程协调性改进和大幅度升级优化、部分影响模式计算稳定性的动力框架和物理过程中的问题、同化系统中风压平衡问题、背景误差协方差随季节变化问题、同化系统中背景廓线的精确插值和求解、观测资料的质控和偏差订正以及更多卫星资料的同化应用等问题。据此，建立了水平0.25°分辨率垂直方向60层的预报系统版本GRAPES-GFS 2.0。目前，该系统已开始提供全球范围内的气象预报服务。
2 模型构建与验证
2.1模型构建
首先根据交通气象站点观测数据，通过机器学习神经网络算法构建了路面温度回归模型。然后将中国气象局全球/区域一体化数值天气预报系统GRAPES-GFS模式预报的气温、相对湿度和风速输入至该回归模型得到路面温度，再结合模式预报的降水就可以预报道路结冰。道路结冰预报模型的技术路线图见图3。
路面温度回归模型的构建采用误差反向传播(Back Error Propagation, BP)的神经网络，包含输入层(气温、相对湿度和风速)、输出层(路面温度)和一层隐藏层(100个计算神经元)。训练过程采用5折交叉检验，对观测数据(样本)进行回归拟合分析。5折交叉检验是将数据样本平均分成5等份，每次实验用一份做测试，其余用作训练，实验5次求平均值。这尽可能避免了模型的过拟合，保证对新鲜样本的适应能力。具体训练过程是先标准化输入量，进入输入层，接着初始化网络的权值，然后根据输入样本前向计算神经元的输入信号和输出信号，接着根据期望输出计算反向误差，对权值进行修正更新，迭代1 000次后结束学习，得到最优的网络结构。
2.2路面温度回归模型的拟合效果
与观测样本相比，路面温度回归模型的均方根误差为2.573,
R
方为0.81,拟合效果较好。图4和图5进一步展示了路面温度回归模型的拟合效果。从观测样本来看，路面温度与气温呈现明显的正相关，而与相对湿度、风速的相关性较弱(图4)。预测样本的分布与观测样本接近，说明回归模型能够较好地模拟预报指标与路面温度的关系。
图3 道路结冰预报模型技术路线 下载原图
图4 真实与模型预测的指标对路面温度的散点图 下载原图
图5(a)展示了真实与预测路面温度的散点图，绝大多数样本点靠近完美预测线，进一步说明了该路面温度回归模型能够较好地预测路面温度。从残差在真实路面温度上的分布来看，回归模型在实际路面温度较高时倾向于高估路面温度，而在实际路面温度较低时倾向于低估路面温度(图5(b))。从残差在预报指标上的分布来看，路面温度在气温较低时，相对湿度较高时以及风速较大时模拟效果更好。
图5 路面温度回归模型的拟合效果 下载原图
3 结冰预报案例分析
2020年12月29日长三角地区经历了一次低温天气下的降水过程，连云港、南京、苏州等多市在降水和低温的背景下相继发布道路结冰黄色和橙色预警信号。以当日夜间低温降水过程为例，采用GRAPES-GFS结合路面温度回归模型，预报江苏、上海道路结冰的潜在分布。
图6展示了路面温度回归模型输出的路面温度(Troad)对模式预报的地表温度(Ts)的改进。模式预报的夜间20:00的地表温度与当时公路交通气象站点观测的路面温度(obs)相比，有明显的冷偏差(图6(a))。夜间2:00预报的地表温度的冷偏差加大(图6(c))。将模式预报的气温、相对湿度和风速输入至路面温度回归模型后，其输出的路面温度与模式预报的地表温度相比(图6(b)和图6(d)),有明显的升温，说明回归模型较好地订正了数值天气预报模式的冷偏差。
图7展示的是GRAPES-GFS模式结合路面温度回归模型预报的道路结冰的分布情况。根据道路结冰的两个必要条件：降水发生且路面温度低于0℃,夜间20:00潜在结冰区位于江苏北部，夜间2:00潜在结冰区位于江苏西北部、中部以及安徽东部。上海地区虽然有降水但是路面温度高于0℃,不能达到道路结冰条件。
4 结论与讨论
本研究基于长三角地区道路交通气象站点观测数据，通过机器学习神经网络算法，构建了冬季气温、相对湿度和风速三个气象要素与路面温度的回归模型，并进行了模型验证，拟合效果较好。进一步以2020年12月29日夜间低温降水过程为例，采用GRAPES-GFS数值预报模型结合该路面温度回归模型，预报道路结冰的潜在分布，对提前进行防范管理道路结冰的不利影响具有良好的参考和应用价值。
图6 路面温度回归模型输出的路面温度对 模式预报的地表温度的改进 下载原图
注：GRAPES-GFS模式北京时间8:00起报的未来12 h时效的(a) 地表温度相对于观测的路面温度的误差(Ts-obs)以及(b) 结合路面温度回归模型输出的路面温度与模式预报的地表温度的差异(Troad-Ts);(c)和(d)分别同图(a)和(b),但指GRAPES-GFS模式北京时间8:00起报的未来18 h时效的预报结果。
图7 GRAPES-GFS模式结合路面温度回归模型 预报的道路结冰的分布 下载原图
注：北京时间8:00起报的未来12 h时效的(a)累积降水，(b)路面温度，以及(c)道路结冰的潜在分布；(d),(e)和(f)分别同(a),(b)和(c),但指北京时间8:00起报的未来18 h时效的预报结果。
尽管如此，还存在一些不足之处有待改进。第一，我们一并综合统计了50个公路交通气象观测站点，没有考虑路面温度与预报指标关系的空间异质性，这与路面材质、背景气候场等因素有关。未来应该基于不同高速公路段建立关系模型，有针对性地对路段进行预警。第二，白天与夜晚路面温度对预报指标的响应可能不同，可分别构建白天、夜间路面结冰预警模型。第三，由于观测资料限制，模型仅基于江苏和上海交通气象站点数据建立，适用范围有限。观测资料是回归模型构建的基础，未来需增加路面温度观测以推广到长三角甚至全国来更好地提供道路结冰服务。第四，本研究能提供道路结冰的潜在分布，未来可以根据累积降水量以及低温状况等因素对道路结冰风险进行分级预报。
参考文献
[1] 辛吉武，许向春.我国的主要气象灾害及防御对策[J].灾害学，2007,22(3):85-89.
[2] 孙洪运，杨金顺，李林波，等.恶劣天气事件对道路交通系统影响的研究综述[J].交通信息与安全，2012,30(6):26-32.
[3] 邓长菊，赵娜，马小会.北京地区5年两遇的降雪和道路结冰天气分析[C]//中国气象学会2006年年会“灾害性天气系统的活动及其预报技术”分会场论文集.中国气象学会，2006:6.
[4] 中国气象局.气象灾害预警信号及防御指南[M].北京：中国气象局，2008.
[5] 尹麒焕，李杰，胡小弟.用于道路安全预警的结冰传感器的应用研究[J].武汉工程大学学报，2016,38(3):273-276.
[6] 陆单，吴青，万剑.不利天气高速公路路况车载采集系统研究[J].交通信息与安全，2009,27(4):109-112.
[7] Takumi Ogura,Ichiro Kageyama,Katsuhisa Nasukawa,Yoshitaka Miyashita,Hiroshi Kitagawa,Yoshiaki Imada.Study on a road surface sensing system for snow and ice road[J].JSAE Review,2002,23,(3):333-339.
[8] 张晓霞，刘慧星，贺中统，等.路面除冰雪技术研究[J].交通企业管理，2013,28(5):56-57.
[9] 康延臻，王式功，杨旭，等.高速公路交通气象监测预报服务研究进展[J].干旱气象，2016,34(4):591-603.
[10] 周晓珊，袁成松，王恕，等.道路专业气象服务方法研究暨平台设计[M].辽宁：辽宁科学技术出版社，2019.
[11] 张朝林，张利娜.高速公路气象预报系统研究现状与未来趋势[J].热带气象学报，2007,23(6):653-658.
[12] 胡继超，林子静，成添.道路结冰的温度预报方法研究进展[J].科学技术与工程，2020,20(1):1-6.
[13] 白永清，陈城，何明琼.利用Logistic回归方法的高速桥(路)面结冰风险等级预警模型[J].气象科技，2016,44(2):336-340.
[14] 陈凯，徐国庆，熊焘，等.基于C4.5决策树算法的道路结冰预报模型构建与应用[J].交通运输研究，2018,4(1):57-62.
[15] Rayer P J.The meteorological office forecast road surface temperature model[J].Meteor Mag,1987,116:180-191.
[16] 张勇，刘和平.道路结冰的气象条件分析[C]//培养创新型人才、推进科技创新、推动转变经济发展方式——内蒙古自治区第六届自然科学学术年会优秀论文集.中共内蒙古自治区委员会组织部，内蒙古自治区科学技术协会，内蒙古自治区教育厅，内蒙古自治区科学技术厅，内蒙古自治区人力资源和社会保障厅，内蒙古自治区科学技术协会，2011:4.
[17] 舒斯，熊守权，陈英英，等.湖北省高速公路道路结冰预警模型[J].气象，2019,45(11):1589-1599.
[18] 周志华.机器学习[M].北京：清华大学出版社，2016.
[19] 沈学顺，陈起英，孙健，等.中央气象台全球中期数值预报业务系统的发展[J].气象，2021,47(6):645-654.
[20] 沈学顺，苏勇，胡江林，等.GRAPES_GFS全球中期预报系统的研发和业务化[J].应用气象学报，2017,28(1):1-10.
声明：我们尊重原创，也注重分享。有部分内容来自互联网，版权归原作者所有，仅供学习参考之用，禁止用于商业用途，如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权，请联系删除，另本头条号推送内容仅代表作者观点，与头条号运营方无关，内容真伪请读者自行鉴别，本头条号不承担任何责任。
