基于实船测风数据的风场融合与算法检验*

段国文 董惠隆 贾 作 白晓勇 石文静 彭银银

（1.海军装备部装备项目管理中心 北京 100071）（2.中船航海科技有限责任公司 北京 100070）

1 引言

船舶周围的海洋环境能够直接影响船舶航行和船载飞行平台的起降，尤其是船舶周围的风场，其本身以及其引起的大浪，会造成船舶在海上的横摇、纵摇和垂直运动，使船载飞行平台难以着船，船上的大气紊流也会影响到着船的稳定性［1］。如在军事领域，舰艇周围风场与舰载机起降安全息息相关，把握舰船周边的精细化风场对舰载机顺利遂行各项军事任务至关重要［2］。

目前安装在船上的常用测风设备有风廓线雷达、风杯式风速计、超声风传感器、激光测风雷达等。风廓线雷达示踪物为大气湍流，能够探测到垂直上空较高的风廓线，因此只能局限于顶空区域风场探测，且低层风场易受地物杂波干扰可信度低，不利于近地面精细化风场的观测［3］；传统风杯式风速计和风向标具有测风范围大、强度高、耐腐蚀等特点，但其体积较大、转动轴易磨损［4］；超声风传感器采用超声波测量技术，具有灵敏度高、免维护的特点，但其监测能力易受部署位置和数量的影响，无法观测到较远位置的风速风向［5］；激光测风雷达作为新型风场探测手段，具备体积小、重量轻、抗干扰能力强、数据时空分辨率高等特点，其采用相干探测原理，基于多波束风场反演可实现对船周围的风场测量，能提供十分精细的低空三维风场信息，可弥补传统设备在低空精细化风场探测能力上的不足，是目前晴空条件下获取近地面精细化风场的有效手段，其缺点是近距离范围内存在测量盲区，且完成一次体扫需要一定时间［6～7］。

结合超声风传感器等常规测量方法和三维激光测风雷达可实现优势互补［8～9］，能够同时实现甲板区域上方空气流场及远距离风场的测量：在甲板位置布置所需数量的测量风杆和超声波风速传感器进行甲板上空一定高度范围内的流场测量，实现近场高分辨率流场和远场相对低分辨率风场同时测量，最后通过质量控制，完成超声风传感器和激光测风雷达观测的数据融合，形成船舶上空精细化三维风场。这其中，能够采用合理算法将两类观测数据进行有机结合，从而实现能够提供船舶周边精细化三维风场的风场融合结果，将是超声风传感器等常规测量方法和三维激光测风雷达实现优势互补的关键［10］。

国外从20世纪90年代开始研究船舶风场的相关问题，除CFD 流场仿真取得一定成果外［11］，在精细化风场观测方面，通过在移动风杆上安装传感器，逐次测量特定空间点的流场数据，进而得到甲板区域上方局部空间流场分布［12］；从算法上，国外早在20世纪60-70年代开始对多数据融合进行研究，目前在技术上克里金插值［13～16］、反距离加权［17～20］等插值算法和多数据融合方法已经成为日趋成熟。但目前国内基于实船测风数据的风场融合研究较少，各类船载测风设备所采集的风向风速信息应用独立，缺乏融合，同时对海上动平台风场融合算法检验环节薄弱，亟待建立集融合、检验为一体的船舶测风数据融合检验系统，将布置在船舶上的激光测风雷达和超声风传感器进行融合处理，并完成不同融合算法的检验，从而为船载风场融合系统提供工程化基础。

鉴于以上问题，本文将利用船舶航行状态下布置在甲板上的激光测风雷达（1 个）和超声风传感器（7 个）的测风数据，构建实船风场融合与检验系统，采用国内外成熟的反距离加权方法及逐步订正方法实现两类数据的融合，并利用平均绝对误差、平均相对误差、均方根误差、相关系数等量化指标对两种融合算法的表现进行评估。

2 实船测风数据

本文章中，风场融合与算法检验所用测风数据来源于航行状态下布置在实船上的激光测风雷达和超声风传感器的海上历史观测。具体地，参与采集风场数据的设备包含：1 个脉冲波激光测风雷达（R，高1m）和7 个超声风传感器（T1～T7，其中，T1安装在支架Z1的2m高处；T2、T3、T4分别安装在支架Z2 的2m、4m、6m 高处；T5、T6、T7 分别安装在支架Z3 的2m、4m、6m 高处），在船上的安装位置如图1所示。

图1 海上航行风场测量设备布置方案示意

在实船风场测量期间，激光测风雷达采用的扫描策略如下。水平：范围为0°～180°（0°为y轴方向，即面向J 艉的左手方向，顺时针为正），间隔5°发射一次波束；俯仰：范围为0°～45°，其中，0°～15°之内间隔3°变换一次，15°～45°之内间隔5°变换一次。按照发射一次波束用时1s 计算，完成一次体扫的时间不超过8min（约444s）。

3 实船风场融合与检验系统

实船风场融合与检验系统接入激光测风雷达数据、超声风传感器观测数据，通过数据质量控制方法筛选保留可用数据；利用反距离加权法、逐步订正法等插值算法进行数据融合，并对融合结果进行评分，计算各类插值算法的平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、相关系数（CORREL），最终得出风场融合最优算法。整体技术架构如图2所示。

图2 风场融合技术架构图

其中，为保证进行融合对比的数据处于稳定风况中，接入安装在船楼顶部的机械测风设备风速风向数据，以此来描述船舶航行风况［21］，而后筛选稳定风向风速超过10 分钟的时间段（判断稳定的标准为变异系数不超过0.05），令参与风场融合的所有激光测风雷达数据、超声风传感器观测数据均位于该时间段。

1）数据质量控制

为了保证风场融合试验中接入的风场观测数据是真实有效的，需要对激光测风雷达数据和超声风观测仪数据进行质量控制，质量控制的方法步骤如下：

（1）剔除数据中的缺测值

在设备观测过程中，可能会由于设备本身的误差或是人为的一些操作，造成风场在某一时刻数据缺测。本次试验中的缺测值用“NaN”进行标识，需要将缺测的数据进行剔除。

（2）剔除数据中的可疑值

①气候学界限值、气候极值检查

数据的取值范围要符合客观事实。参考我国的风力等级划分，最大风力级数为17 级（56.1m/s～61.2m/s），本次试验将风场数据范围界定为0～70m/s，即在范围之外的风速值均为无效值并剔除。

②内部一致性检查

风场观测数据在同一时刻内的变化要符合客观事实。本次试验中将同一时刻变化的上限设定为10m/s，即在同一时刻内任意一点的u、v、w 三个数据与相邻点的差不得超过10m/s，否则该点与相差超过10m/s的相邻点数据均剔除。

③时间一致性检查

同一点数据在连续观测时随时间的变化要符合客观事实。本次试验观测设备均为秒级观测，因此风场数据时间变化阈值不宜设计过大，将时间变化的上限定为5m/s。即在同一点在连续3s 内变化幅度不得超过5m/s，否则将这两个时刻的数据均剔除。

2）融合算法模块

（1）反距离权重法

是一种以插值点与观测已知点之间距离为权重的插值方法，可以以确切的或者圆滑的方式插值。幂指数控制着权重系数如何随着离开一个格网节点距离的增加而下降，公式如下：

式中：ve为插值点的估算值；vi为第i 个已知点的变量值；di为第i 个已知点与插值点之间的距离；m 为参与计算的已知点个数；n 为幂指数，它控制着权重系数随插值点与样本点之间距离的增加而下降的程度。

（2）逐步订正法

其基本原理是分析场由分析增量与初估背景场相加得到，每一个分析格点上的分析增量是其影响半径范围内各个测站上观测值与初估值的偏差，即观测增量的加权平均，一般观测权重与观测位置和格点之间距离成反比。不断缩小影响半径，逐次订正，直到分析场逼近实际资料为止。公式如下：

式中：xa(j)为格点j 的分析值；xb(j)为格点j 的初估值；xb(i)为插值到观测点i上的初估场信息；y（i）为对应的观测值；w（i，j）为权重系数，本次试验中选取Cressman定义的权重方法：

由于本次试验全部观测站点位于激光测风雷达观测盲区之内，无法获取分析增量，因此本次试验中先使用激光测风雷达数据，采用反距离加权法形成均匀三维风场后再使用逐步订正法进行订正。

3）融合评分模块

为对上述几种插值方法的插值效果进行比较，将T2～T7 作为融合点同激光测风雷达数据与超声风传感器观测数据进行风场融合，之后以T1 作为检验点，对风场融合结果进行检验。

采用平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、相关系数（CORREL）四种方法对风场融合算法进行定量和定性评估，MAE、RMES、MRE、CORREL公式如下：

式中：vi为i 点上的观测值，va为其平均值；vei为i 点上的融合，vea为其平均值。

4 融合与检验结果

通过对船楼顶部以往风速风向观测数据的分析，筛选出37 个超过十分钟的船舶航行状态稳定风况（筛选标准为风况相对风速的变异系数小于0.05），如表1所示。由表1 可知，各工况的风速大小取值在2.68m/s～15.13m/s之间，覆盖范围广，可为风场融合提供不同代表性强的背景风场。

表1 船舶航行状态稳定风况（37个）信息表

分别采用反距离加权法和逐步订正法，将以上风况所对应时间段内的激光测风雷达数据与超声风传感器观测数据进行质量控制、融合处理，其中，为对上述几种插值方法的插值效果进行比较，将T1 作为检验点，T2～T7 作为融合点，对激光测风雷达数据与超声风传感器观测数据进行融合处理，为直观展现两种算法的融合结果，绘制各风况下不同融合方法T1 位置结果与实测风速对比折线图（见图3）。由图3 可知，一方面，两种融合算法的融合值较为接近，仅在第20 个和第37 个风况时两者差距稍大，其中逐步订正法比反距离加权法融合的结果分别大了0.33m/s 和0.35m/s，其余的差值均低于0.17m/s；另一方面，两种方法的融合结果与观测风速相比均差距较小，除在第24、27、30 个风况时差距绝对值分别达到0.96m/s（反距离加权法）/0.89m/s（逐步订正法）、0.73m/s（反距离加权法）/0.73m/s（逐步订正法）、1.24m/s（反距离加权法）/1.29m/s（逐步订正法）之外，其余风况两方法融合的结果与观测风速之差的绝对值均低于0.6m/s；同时，与观测风速的均值（3.16m/s）相比，两种融合方法结果的均值分别为3.108m/s（反距离加权法）和3.111m/s（逐步订正法），均略小于观测风速的均值。

图3 不同融合方法T1位置结果与实况对比图

为定量评估两种风场融合算法结果与观测风速的差异，从而进一步量化两者表现，采用平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、相关系数（CORREL）四种量化指标对该两种算法进行评估，结果如图4所示。由图4可知，两种融合算法各项评分相差都不大，但具体地，与观测风速相比，除平均相对误差（MRE）两方法评估结果相同（均为12%）之外，反距离加权法的平均绝对误差、均方根误差（分别为0.36、0.46）均高于逐步订正法的评估结果（分别为0.34、0.43），同时反距离加权法融合结果与观测风速的相关系数（0.943）低于逐步订正法融合结果与观测风速的相关系数（0.948），即本试验中，逐步订正法的融合结果与实测相比误差更小、相关性更强，其表现略优于反距离加权法。

图4 不同融合方法评分对比图

5 结语

本文基于构建的实船风场融合与检验系统，利用船舶航行状态下布置在甲板上的激光测风雷达（1 个）和超声风传感器（7 个）的测风数据，经质量控制处理后，采用反距离加权法和逐步订正法进行37 个稳定风况下激光测风雷达观测和超声风传感器观测的数据融合，并将7 个超声风传感器中的1个作为检验点，利用平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、相关系数（CORREL）四种量化指标对该两种算法融合结果进行评估，主要结论如下。

1）本试验构建的实船风场融合与检验系统中，反距离加权法和逐步订正法对激光测风雷达和超声风传感器测风数据的融合结果较为接近，37 个风况中，仅在2 个风况中两者差距稍大，差值分别为0.33m/s和0.35m/s，其余的差值均低于0.17m/s。

2）与观测风速相比，反距离加权法和逐步订正法两种方法的融合结果与实测相比都差距较小，除在3 个风况中的差值绝对值分别达到0.73m/s 以上之外，其余均低于0.6m/s；同时，与观测风速的37个工况的均值（3.16m/s）相比，两种融合方法结果的均值分别为3.108m/s（反距离加权法）和3.111m/s（逐步订正法），均略小于观测风速的均值。

3）通过MAE、MRE、RMSE 和CORREL 四种量化指标对该两种算法的比较发现，与观测风速相比，除MRE 两融合方法评估结果相同（均为12%）之外，反距离加权法的MAE、RMSE、CORREL 三项指标得分均略逊于逐步订正法，即逐步订正法的融合结果与实测相比误差更小、相关性更强，在本次融合试验中其表现略优于反距离加权法。

同时，本工作亦有很多不足之处，包括但不限于以下几方面。

1）本次风场融合算法基于插值方法进行融合与降尺度，并未深入对气流轨迹及时空变化进行研究。在后续工作中计划引入时空加权分析、三维变分同化等方法进行深入分析。

2）本次试验中全部超声风传感器均布置在激光测风雷达盲区内，不能有效作为检验数据检验雷达性能，也不能采用逐步订正法等减少误差的降尺度方法。后续试验中将注意盲区范围，更好地将激光测风雷达与超声风传感器的数据进行有效结合。

3）本次风场融合试验航行状态中部署了一部激光测风雷达，体扫范围有限，也难以保障数据的时效性。在后续试验工作中可再部署1～2 部雷达，实现三维风场融合技术数据的稳定性，提升三维风场融合产品的准确性和有效性。