基于数值模拟与深度学习结合的机场突风预报和订正方法技术

本发明专利技术提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，包括以下步骤：S1、历史统计，对天气进行分型；S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案，得到近地面风场的模拟结果；S3、模式结果评估；S4、WRF模式背景场、地形数据以及参数化方案确认；S5、10m风速订正；S6、风场转换；S7、可视化。本发明专利技术基于WRF模式，将四重嵌套以及LES大涡模拟的技术应用到机场终端区近地面突风的预报中，得到机场终端区地面侧风、顺/逆风，机场终端区风切变的预报；结合随机森林的机器学习对预报结果进行订正给出预报准确率，将进一步有利于合理利用数据信息，作为飞行指挥决策。作为飞行指挥决策。

【技术实现步骤摘要】
基于数值模拟与深度学习结合的机场突风预报和订正方法


[0001]本专利技术提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，属于突风预报


技术介绍

[0002]突风主要包括近地面大侧风、顺风以及风切变，在有侧风或者侧风分量很大时，飞机的起飞和着陆会变得很复杂。当飞机在侧风中起飞时，飞机除向前运动外，还顺着侧风方向移动，如不及时修正就会偏离跑道方向。飞机接地后，在滑跑过程中，侧风对飞机垂直尾翼的侧压力，会使机头向侧风方向偏转，有可能造成飞机打地转等不良后果。因此，目前30％以上的进近及着陆事故和15％的可控飞机撞地(CFIT)事故均与突风相关。为解决突风中风切变对航空安全的影响，美国、芬兰、澳大利亚等国家从上世纪七十年代便先后研究发展了低空风切变实时探测警告技术和系统，如美国联邦航空管理局(FAA)研制的低空风切变预警系统(LLWAS)。随着气象监测手段日益丰富，利用高分辨率的探测设备对风切变进行识别及告警已是许多大型国际机场的主要手段，但是对于很多中小型机场来说，由于技术维护和资金等问题，安装特种设备(如激光探测雷达，风廓线雷达)并不现实，且探测设备仅能探测径向的风速和风向，不能将实际风场的三维结构再现出来，也不能据此推演大气的运动规律和天气变化趋势。
[0003]为了得到包括侧风和风切变的预测情况，最初主要利用各机场的长序列地面风场数据，通过MOS等统计学方法建立统计预报方程，对机场的地面风场进行预测，随着数值预报产品的普及和精细化，有许多人员从GFS以及ECMWF等模式资料中提取主要机场的风场预报数据，再根据机场的跑道放心计算出侧风预报值或者风切变预报值[4
‑
5]。这些技术仅仅针对侧风或者风切变进行预报，但实际上大的顺风也可导致飞机着陆调整不及时而冲出跑道，且GFS以及ECMWF数值模式由于时空分辨率往往在3
‑
6小时，空间分辨率在0.25
°
或则0.5
°
，很难满足机场终端区起飞着陆5km内的分辨率需求。因此，结合目前航空安全保障的需求，亟需一种能够满足目前民航发展需求的高时空分辨率，高精确程度的突风预报以及对预报的订正。
[0004]专利号CN114384608A公开了一种机场沿跑道正侧风预报系统，包括气象要素获取模块、跑道正侧风计算模块和网页端数据展示模块，所述气象要素获取模块用于获取主要机场的特定气象要素数据，所述跑道正侧风计算模块用于对机场由风场转换成跑道的正侧风进行计算，所述网页端数据展示模块用于通过网页端形式展示主要机场的正侧风相关数据和模型，所述气象要素获取模块和跑道正侧风计算模块电连接，所述跑道正侧风计算模块与网页端数据展示模块电连接，通过对原始气象数据进行编译处理转换，得到机场跑道的正侧风相关数据信息，根据数据信息进行偏航模型建模和危险系数折线可视化交互，具有实用性强和可控性高的特点。
[0005]该方法存在以下的缺点：
[0006]1、由于GFS预报模型预报时间间隔为3小时，且空间分辨率为0.5*0.5
°
(即50km一
个网格点)，时间和空间上满足不了机场高密度的起落运行需求；
[0007]2、GFS为全球预报，对于某一个点或者局地的预报效果受地形等因素影响较大，对于风场的预报准确率较低；
[0008]3、该系统没有对预报结果进行评估的模块，即正侧风的预报结果好不好，能不能用于业务也不清楚。
[0009]《利用WRF模式实现风切变要素的模拟与验证》(王凯,李静,达布希拉图.利用WRF模式实现风切变要素的模拟与验证[J].河南科技,2015(21):74
‑
75.)，主要针对内蒙古自治区乌海机场的风切变，利用中尺度数值预报模式WRF对以NCEP每6小时一次的资料作为初始场输入模式，采用三层嵌套，分别是27，9，3km的分辨率，对风场进行模拟，再采用对垂直风切变和水平风切变以不同权重相加得到风切变指数。
[0010]该方法存在以下的缺点：
[0011]1、虽然此技术也是基于WRF进行数值模拟，但是未对WRF进行最优参数化方案试验，导致模拟效果并不好，并不能满足机场的业务需求；
[0012]2、模式仅进行了三重嵌套，最内层的分辨率为3km，这样的分辨率并不能得到机场终端区内飞机起降以及跑道延长线上的精细化风场结构，从而导致计算出的风切变指数存在很大偏差；
[0013]3、未对预报结果进行有效订正。

技术实现思路

[0014]针对上述技术问题，本专利技术提供一种基于数值模拟与深度学习结合的机场突风预报和订正方法，目的在于达到以下目的：
[0015]1、利用WRF模式的嵌套技术提高机场近地面风场的时间和空间分辨率，得到间隔10分钟，空间分辨率300m的风场格点预报；
[0016]2、根据机场所在地理环境，选取出最优的边界层参数化方案，得到最优数值模拟结果；
[0017]3、对数值模拟结果进行智能订正，便于使用人员合理使用数据结果，作出飞行指挥决策。
[0018]本专利技术的具体技术方案为：
[0019]1.基于数值模拟与深度学习结合的机场突风预报和订正方法，包括以下步骤：
[0020]S1、历史统计；
[0021]收集机场多年地面风场的观测数据以及高空气象数据，根据机场不同飞行器起降的标准对天气进行分型，分为冷空气偏北大风、雷雨大风以及热低压大风三种；
[0022]S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案；
[0023]模式背景场资料包括FNL间隔6小时和ECMWF
‑
ERA
‑
interim逐小时的全球再分析资料；地形数据包括WRF自带的30s地形数据以及来自于SRTM分辨率为3s的地形数据。
[0024]采用设定方案对机场终端区近地面的不同类型的大风进行模式计算，得到近地面风场的模拟结果；
[0025]所述设定方案包括以机场为中心的8.1km*8.1km的区域为试验区域，模式采用四
重嵌套，网格距依次为8.4km、2.7km、0.9km和0.3km，积分步长为40s，网格数分别为105*105、103*103、103*103、103*103个，垂直方向为35层，其中1km以下为9层。
[0026]S3、模式结果评估；
[0027]通过对比分析多组敏感性试验将不同类型大风的模拟结果与真实观测差值的分布进行偏差分析，得到WRF模式对不同类型大风模拟能力的评估。偏差分析，包括计算平均偏差值、四分位值、中位数和各个偏差段内的出现频率分布。
[0028]S4、WRF模式背景场、地形数据以及参数化方案确认。
[0029]通过评估得到机场终端区近地面风场模拟的最优参数化方案设置；
[0030]采用ECMWF
‑
ERA
‑
interim逐小时的全球再分析资料作为初始场和侧边本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数值模拟与深度学习结合的机场突风预报和订正方法，其特征在于，包括以下步骤：S1、历史统计；收集机场多年地面风场的观测数据以及高空气象数据，根据机场不同飞行器起降的标准对天气进行分型；S2、通过多组试验选择出模拟效果最优的模式背景场、地形数据以及物理化和参数化方案；采用设定方案对机场终端区近地面的不同类型的大风进行模式计算，得到近地面风场的模拟结果；S3、模式结果评估；通过对比分析多组敏感性试验将不同类型大风的模拟结果与真实观测差值的分布进行偏差分析，得到WRF模式对不同类型大风模拟能力的评估；S4、WRF模式背景场、地形数据以及参数化方案确认；通过评估得到机场终端区近地面风场模拟的最优参数化方案设置；S5、10m风速订正；利用随机森林的机器学习方法对风场模拟结果进行订正，包括10m风速、10m风向；S6、风场转换；将订正之后的模式预报10m风场按照跑道的方向分解为侧风分量和顺/逆风分量，并计算出500m以下的风切变指数；S7、可视化；基于高程地形图，将实际观测、模式输出、机器学习订正的风向和风速以及通过转换之后的突风进行可视化，并根据机场的运行标准进行阈值设定，进行预警。2.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法，其特征在于，S1中，天气分型，分为冷空气偏北大风、雷雨大风以及热低压大风三种。3.根据权利要求1所述的基于数值模拟与深度学习结合的机场突风预报和订正方法，其特征在于，S2中，模式背景场资料包括FNL间隔6小时和ECMWF
‑
ERA
‑
interim逐小时的全球再分析资料；地形数据包括WRF自带的30s地形数据以及来自于SRTM的3s的地形数据。4.根据权利要...

【专利技术属性】
技术研发人员：王钦，潘微多，李瑶婷，闫克斌，梁明增，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：