基于实测数据的航空气象环境构建

宁甫才

（中国民用航空飞行校验中心，北京100621）

随着我国民航运输业的持续快速发展，部分机场的流量接近或已达到饱和，持续保持高架次运行状态。气象条件对于民航业的发展影响颇大，天气因素成为影响航班正常性的最主要的原因[1]。2003年，Peter Kipfer等利用可视化算法并结合OpenGL对气象数据进行处理，实现了对于二维、三维标量场和矢量场数据的可视化[2-3]；2004年，何勇等将空间建模和可视化分析理论引入抽象的气象数据，可以全面准确地挖掘出气象信息的内在特征。并分析了三种基本的空间数据模型——要素模型、场模型和网络模型[4]；2008年，江宽等基于Google Earth独特的二次开发方式——Google Earth COM API和KML地标文件，实现了基础地理信息、天气数据信息、模拟的天气动画等多种信息的集成[5]。

本文则是根据一些地面气象站的实测数据进行航空气象环境的构建，从而通过该环境得知每一个地点航空气象数据。

1 模型构建

1.1 温度场模型构建

本文气象数据源于中国气象数据网（data.cma.cn），选取湖北、湖南、四川、重庆、贵州、云南这六个省市作为研究对象。通过对这六个省市的中国地面气象站的数据获取，进行温度场的构建研究。

利用三种插值方法，对这六个省市的五十个地面气象站的经度、纬度、温度进行处理，所得出的航空气象环境模型分别如图1、2、3所示：

图1 三次样条插值算法模型

（1）三次样条插值算法（cubic）

（2）最近点插值算法（nearest）

图2 最近点插值算法模型

（3）基于Biharmonic样条插值算法（v4）

图3 基于Biharmonic样条插值算法模型

上述方法中“nearest”插值方法构成的曲面连续但是不光滑；“cubic”和“v4”可以拟合出光滑的曲面，但是从构建的模型可以看出来，“v4”插值方法所构建的温度场模型的效果优于“cubic”算法，这是由于“v4”算法是基于Biharmonic样条进行插值计算的算法，是三次样条曲线（曲面）插值算法的改进，其对目标曲面控制点的分布和数量没有特定的要求，拟合形成的曲面过渡平稳光滑且局部效果较好，拟合精度较高。

因此对于温度场来说，“v4”插值方法是构建温度场的最佳方法，当数据点减少时，构建出的温度场模型的精度降低；并且该模型受时间和地区分布的影响比较小。

1.2 风速场模型构建

利用MATLAB的三种插值方法，对这六个省市的五十个地面气象站的经度、纬度、风速进行处理，所得出的航空气象环境模型分别如图4、5、6所示：

图4 三次样条插值算法模型

（1）三次样条插值算法（cubic）

（2）最近点插值算法（nearest）

图5 最近点插值算法模型

（3）基于Biharmonic样条插值算法（v4）

上述方法中“nearest”插值方法构成的曲面连续但是不光滑；“cubic”插值方法由于不能给出研究范围的边界数据，以致整个风速场多处没有数值，从图4中可以明显看出曲面的不规则。“v4”整体来看，曲面连续且光滑。因为风速是有下限的，并不像温度一样，可正可负，所以在插值过程中人为设定，当插值结果小于零的时候，令值等于零。

图6 基于Biharmonic样条插值算法模型

以上只是简单从该风速场模型地外观的美化程度进行分析，具体该风速场模型的精度，需要通过误差来进行分析。

2 误差分析

2.1 区域内地区差异影响

计算所得风速数据与地面气象站实测数据误差比较如表1、2、3所示：

表1 “cubic”插值方法误差统计表

表2 “nearest”插值方法误差统计表

表3 “v4”插值方法误差统计表

从上表可以看出，整体的相对误差达到30%，这并不能说明该风速模型精度不高，因为整体的绝对误差小于1，这是由于风速的数值较小，通过计算之后，相对误差增大，所以在研究过程中引入了绝对误差来说明该风速场的模型构建是较为正确的。

2.2 插值方法影响

随机选取五个地面气象站三种插值方法平均误差如图7所示：

图7 三种插值方法平均误差柱形图

从该图中，可以直观地看出来，“nearest”插值方法的平均误差高于“cubic”和“v4”插值方法，另外，从模型的曲面光滑度的角度来看，“v4”插值方法优于“cubic”插值方法，并且由于不能给出边界数据，致使“cubic”插值方法不能计算出研究范围边界的数据。所以选取“v4”插值方法进行之后的航空气象环境构建方法研究。

2.3 数据规模影响

由于实时获取全国各个地面气象站的数据需要缴纳一定费用，因此选择更少的地面气象站数据来构建精度较高的风速场模型。因为“v4”插值法对风速场的构建误差最小，并且曲面光滑较高，所以采用“v4”插值法进行研究。减少数据点之后的计算所得风速数据与实测数据误差比较如表4所示。

表4 误差比较表

从表4中可以看出，减少数据点之后的平均绝对误差1，平均相对误差为37%，而上一节大量数据的“v4”插值方法的平均绝对误差为0.5，平均相对误差为21%，因为数据减少，致使风速模型精度降低，从而得出结论：为了保证民航的安全性与效率性，一定要获取更为准确的气象情报，所以还是以获取大量地面气象站的数据为宜。

2.4 时间分布影响

当减少数据点的个数时，构建出的风速场模型的精度下降。因此通过实测数据与模型的计算数据进行误差比较，分析构建风速场的模型方法是否具有时间的局限性。

通过对这些数据的收集，利用“v4”插值法进行风速场模型构建，从而对通过风速场模型计算出的风速数据与连续七天的实测数据的误差进行分析，如图8所示。

图8 误差柱形图

从图中可以看出这七天内每一天的实测数据与计算数据的平均绝对误差始终控制在1以内，平均相对误差最大也就保持在50%。说明使用“v4”插值法构建出的风速场模型对于时间来说局限性较小，因此时间分布对于使用该方法构建的风速场的影响是比较小的。

2.5 地区分布影响

采用黑龙江、吉林、辽宁和内蒙古这四个省和自治区的四十个地面气象站的风速数据作为研究对象，分析地区分布对风速场精度的影响。利用“v4”插值方法进行风速场模型的构建，通过对风速场模型计算出的风速数据与该四十个地面气象站的实测数据的误差进行分析。计算数据与实测数据误差统计如表5所示。

表5 数据误差统计表

从该统计表中可以看出，整体的平均绝对误差为0.45，平均相对误差为17%，用来构建风速场的“v4”插值方法受到的地区局限性较小。

从构建模型的方法、数据数量、时间段以及区域上分别进行模型构建的误差分析发现，对于风速场来说，“v4”插值方法是构建风速场的最佳方法，当数据点减少时，构建出的风速场模型的精度降低。并且该模型受时间和地区分布的影响比较小。

3 综合分析

本文引进了插值算法进行基于实测数据的航空气象环境构建方法研究，插值方法包括三次样条插值算法（cubic）、最近点插值算法（nearest）和基于Biharmonic样条插值算法（v4）三种方法[6-7]。然后构建温度场模型和风速场模型，通过计算出的数据与实测数据进行误差统计和比较分析，可以得出以下结论：

（1）“v4”插值算法比较适用于模型构建，且精度较高；数据规模的缩小也导致模型精度降低。另外，时间和地区的分布对该方法的影响也是比较小的。

（2）当选取的数据点增多时，构建出的航空气象环境的精度也会随之提高，如果数据足够多，通过构建出的航空气象环境计算出的数据将与实测数据基本一致。

风向风速对于航空器飞行的各个阶段均会产生影响，因此其精准测定对于飞行活动具有重要意义。起飞爬升和下降阶段，逆风有利于飞机性能；顺风超过阈值则需要更换跑道；航路飞行中，风影响燃油消耗。在目前的飞行计划制定过程中，对于高空风的测定主要依赖于气象云图，其数据为离散数据。将离散数据转化为连续数据，可以精确测量某航路点的风向风速，从而有助于提高航班运行效率，合理携带燃油。通过温度场模型，可以得到航路任意点的温度数据，使飞行时间预测和巡航高度选择更加精准。

4 结束语

本文构建出的航空气象模型可让没有地面气象站的地方也可以获得及时准确的气象数据，使当地的空管部门、航空公司和机场可以做出更加准确、更加及时的计划和指令，更好地保障人们的出行，更好地维持空中与地面的航空秩序，以此来保证民航的安全性和效率性。

此外，对于风来说，本文只研究了风速，对于风向来说，由于风向是0～360°之间的某一数值，经过多次试验与数据比较，该插值方法并不适用，希望在未来，该问题可以得到解决。