机场跑道风场精细化预报方案研究

□ 民航中南地区空管局 陈云峰 林 智 南京晓天气象科技有限公司 曹维搏/文

方案设计背景

近地面风速风向的变化对于飞机起降具有重要的影响。由于飞机在起降过程中穿越边界层的时间约为几分钟，因此分钟级的预报时间分辨率就显得尤为重要。同时，当机场存在两条（及以上）跑道时，为提高机场的运行效率，需要对不同的跑道进行独立的预报。因此预报的空间分辨率需至少在百米的量级。同时，为了满足机场和航线的整体调度需求，预报的时效最短需在24小时以上。

以上近地面风场预报的时空分辨率需求已经超过了目前机场天气预报的服务范围，因此需要有针对性的设计技术方案和搭建预报系统。近地面风速风向受到天气过程、湍流和地表特征不均匀的影响，一直以来是天气预报的难点之一。本技术方案有针对性的利用现有的动力、统计和机器学习等手段，提高了机场跑道近地面风的预报能力。深圳机场属于多跑道机场，目前有2条跑道，第3条跑道扩建方案也已通过审批。而且地处华南沿海，天气复杂引起跑道风场多变，从而影响航班运行效率，具有较好的代表性。本文选以深圳机场为例进行试点。

整体技术框架与方案

项目的整体技术方案如图1所示。近地面风场预报分为平均风和阵风两个独立的部分。两个部分的预报都基于高分辨率的WR F模拟。对于平均风预报，在WR F模拟结果的基础上，使用C A L M E T进行动力降尺度分析，充分考虑机场周围地形、下垫面和建筑物对百米尺度风场变化的影响。结合机场实时近地面风场观测和统计（机器学习等）方法，对C A L M E T降尺度调整后的风场分析结果进行订正。阵风预报模型基于WR F模式输出的边界层结构特征（风切变、垂直速度和）进行建模和预报。预报结果同样经过机场实时观测的阵风进行实时统计订正。

图1：整体技术方案框

关键技术

（一）高分辨率WRF风场预报

短期（1小时以上）高分辨率近地面风场预报的主要手段是数值天气模式。本技术方案拟采用美国大气研究中心（NCAR）等多家单位联合开发的WR F模式（3.8版本）进行数值预报。WR F是当前国际上最先进的数值天气模式之一，能进行从云尺度到天气尺度等不同尺度重要天气特征的高精度预报（特别适合1～10公里的高分辨率水平网格）。模式将结合先进的数值方法和资料同化技术，采用经过改进的物理过程方案，同时具有多重嵌套以满足高分辨率和实时预报的需求。WR F预报模式框架如图2所示。

根据深圳机场高分辨率风场预报的要求，数值预报部分拟采用三重嵌套方案。第一层格点分辨率9公里，覆盖我国华南地区；第二层格点分辨率3公里，覆盖广东省。第三层格点分辨率1公里，覆盖以机场为中心的深圳市及周边地区。预报系统将以美国NCEPGFS0.25高分辨率的预报场作为驱动，每天冷启动两次（北京时间8∶00和20∶00），预报时效为54小时，模式输出时间间隔为2分钟（与机场观测频率一致），其中有效预报时效为48小时。如具备广东省内的其他观测资料（如高空、地面和雷达等），系统将采用快速循环同化方法（RUC）进行3小时更新频率的滚动预报（如图3）。上述预报区域和配置可根据项目具体的计算资源和实际预报需求进一步调整。

快速循环预报方式（RUC）启动间隔为3小时，细网格(分辨率1公里)预报时效12小时，模式输出时间间隔为2分钟。短临预报系统以短期预报的输出结果作为背景资料，采用WRFDA变分同化方案进行雷达和地面观测的实时循环同化，改进模式的初始场信息，有利于预报天气尺度过程对机场跑道风的影响。快速循环预报系统框架如图4。

（二）基于CALMET的边界层风场精细分析

WR F模式分辨率每提高一倍，在相同时间内完成预报需要的计算资源需要提高约8倍。受计算资源和预报时效的限制，WR F精细化预报拟采用的最细网格的分辨率为1公里。在此分辨率下，无法直接分辨跑道尺度的风场变化。另外，与WR F配套发布的地表数据集为全球数据，空间分辨率有限。加上WR F前处理系统对于地表数据集的平滑处理，即使再提高WR F的模拟分辨率，对于地表精细特征的描述也不足以反应单个机场周围的地表特征变化。除此之外，机场跑道的风预报仅关注边界层内的风变化，仅需提高边界层内的风场分辨率，无需对整个三维模拟区域进行加密。

CALMET是美国环境部开发的精细化风场分析诊断模型，主要用于为污染扩散模式提供高分辨率的（10米级）风场信息，在风资源评估和预报中也有重要的应用。CALMET 诊断模式主要包含三个步骤：首先通过插值将观测或模式输出插值到模拟网格；其次通过参数化方案模拟地形、下垫面粗糙度和地物障碍对局地风场的影响，可以较好地再现局地环境对精细化风场的影响（如图 5 所示）；最后经过质量连续方程调整得到最终的分析风场。

由于 CALMET 是诊断模式，对计算资源的要求不高，适合在业务环境中实时运行并生成高分辨率的风场。本方案拟基于 WRF 输出的 1 公里分辨率预报结果，利用 CALMET 将风场的模式分辨率降尺度到 100 米以下的精度。同时对 CALMET自带的下垫面数据集进行精细化订正，通过回报试验优化模型参数，获得最优的预报结果。

（三）基于WRF模式的阵风预报

WR F模式对应的大气原始方程已经经过了雷诺平均，因此在不开启大涡模拟（L E S）参数化的条件下，输出结果本质上而言是平均风。平均风的准确预报是风场预报的基础，但对于机场飞机起降的特殊应用而言，阵风的预报也同样具有重要的意义。

阵风的预报本质是对边界层湍流强度的估计，而湍流的强度和边界层的静力稳定度、对流天气、水平风切变等条件密切相关。在层结稳定且无对流的情况下，湍流主要由机械作用产生，因此可通过地表摩擦速度（或者拖曳系数）来进行估计。同时也可以进一步考虑层结变化、地形和地表粗糙度的影响。在层结不稳定且包含对流时，湍流的形成主要和垂直运动的特征密切相关。与湍流相关的物理量包括边界层顶的垂直速度、潜热释放导致的垂直浮力梯度变化和降水拖曳作用等。对于以上两种阵风预报的情景，各大业务中心已提出多种经验模型，这样模型的预报水平随着不同的气候背景和局地环境表现出较大的变化。因此需要针对深圳机场的实际情况，进行模型的遴选和优化工作。

基于统计方法的模式预报实时订正

在短期天气过程的预报方面，WR F模式已得到科研和业务部门多年的检验，但受制于区域模式的先天不足（初值和边界条件的不确定性），以上基于WR F的平均风和阵风预报结果可能包含与局地天气气候特征相关的偏差。由于机场跑道具备连续的平均风和阵风观测，因此可以充分利用这些观测资料，建立统计模型对基于WR F的平均风和阵风预报结果进行实时订正。

对于模式结果的订正，项目拟建立并测试基于多元线性回归的偏最小二乘法（PLS）、基于时间序列的自回归模型（AR）和基于机器学习的神经网络（B P-N N）算法的三类不同方法。这三类算法分别针对实际风场时间序列中的线性、周期和非线性的成分。通过调整不同模型的参数来优化订正效果，并最终选定合适的订正方案。

小结：

基于WR F高分辨率模拟的机场跑道风场精细化预报方案，在普适性方面明显优于统计预报方法，推广价值更高，在深圳机场试点成功，可以迅速向其他机场推广应用。本方案使用的CALMET模块、阵风预报模块，技术较为成熟，预报效果较好。另外，本方案利用机场跑道具备连续的平均风和阵风观测的优势，建立统计模型对基于WR F的平均风和阵风预报结果进行实时订正，在一定程度上弥补了单纯基于WR F模拟的不足。比较而言，该方案是一种较为可行的机场跑道风场精细化预报方案，有利于提升机场尤其是多跑道机场的运行效率，满足机场和航线的整体调度需求。