铁路沿线气象灾害数据识别技术研究与应用

徐拥军 倪学磊

DOI：10.19850/j.cnki.2096-4706.2024.02.024

收稿日期：2023-11-18

基金项目：2022年国铁集团科研计划资助项目（N2022T011）

摘  要：铁路是气象部门防灾减灾工作的重要服务领域。为简化和方便开展铁路沿线的气象灾害监测、预警和服务研究，基于气象灾害作用的主要气象要素，采用气象数据元数据信息和铁路路段的地理信息，利用搜索匹配和空间分析等技术，并结合专家经验，设计了一套数据清单的识别流程。以暴雨为例详细说明了数据识别的方法，并完成了原型系统软件功能设计和开发，采用Restful方式为专业技术人员提供铁路沿线有效的气象数据清单。以7·31北京暴雨过程对系统验证分析，识别结果符合预期，后续将为铁路气象防灾减灾工作提供有力的支持。

关键词：铁路沿线；气象灾害；识别流程；气象数据清单

中图分类号：TP274；P409    文献标识码：A    文章编号：2096-4706（2024）02-0114-05

Research and Application of Meteorological Disaster Data Identification Technology along the Railway Lines

XU Yongjun， NI Xuelei

（National Meteorological Information Centre， Beijing  100081， China）

Abstract： Railways are an important service area for disaster prevention and reduction work of meteorological departments. In order to simplify and facilitate the research on meteorological disaster monitoring， early warning， and service along the railway lines. Based on the main meteorological elements affected by meteorological disasters， this paper uses meteorological data metadata information and geographical information of railway sections， utilizes search matching and spatial analysis techniques， and combines expert experience， designs a set of data list identification process. Taking rainstorm as an example， the method of data identification is explained in detail， and the function design and development of the prototype system software are completed. It uses the Restful method to provide professional technical personnel with a list of effective meteorological data along the railway lines. The system is verified and analyzed with the July 31 rainstorm process in Beijing， and the identification results are in line with expectations， which will provide strong support for railway meteorological disaster prevention and reduction.

Keywords： along the railway line; meteorological disaster; identification process; meteorological data list

0  引  言

高速鐵路是指列车运行速度达到200 km/h以上的铁路。由于其具有高速度、大运能、低能耗等优势，因此在国内外得到了快速发展。但是运营以来，因雷电、大风、暴雨等极端天气而引发的安全事件时有发生。高速铁路气象灾害统计单元为高铁线路区间或区段，而承灾体主要包括高铁线路、桥隧、站场、列车、供电及通信设施等[1]。

我国为了保障高速铁路的安全运行，同步建设了自然灾害及异物侵限监测系统，该系统对可能危及列车运行安全的风、雨、雪、地震以及道路桥梁异物侵限等灾害进行实时监测。一旦发现异常情况，系统会立即向铁路调度指挥及基础设施维护管理部门提供灾害监测、报警和预警信息。根据应急预案，相关部门可以采取降速、停运等措施，以有效防止或减少灾害对动车组列车运行安全的影响[2]。

高速铁路面临的主要气象灾害包括风灾、水灾、雷电和低温雨雪冰冻灾害。在修建高速铁路之前，已经进行了气候可行性论证，尽量避开了气象灾害高发区。因此，在一般的风、雨、雪等天气条件下，高速列车可以正常运行。不同气象灾害对高铁的影响方式和主要设施各有不同，风灾主要影响列车运行，水灾主要影响轨道和设备，雷电主要影响供电设施，而低温冰雪灾害则主要影响轨道、供电通信系统等，这些灾害都会对高铁的安全运营造成威胁，需要采取相应的防范措施来应对[1，3，4]。

本文分析铁路沿线周边的气象监测、预报和预警信息，结合铁路对气象灾害的敏感度影响指标识别相关的数据清单，以暴雨为例建立数据识别流程和服务接口，为铁路运行监测和面向铁路的专业气象服务提供数据支撑。

1  气象数据说明

在十三五期间，气象现代化建设取得了新突破，我国已建成世界先进的地、空、天综合立体气象观测系统，截至2021年已有近7万个地面自动观测站、224部天气雷达、6颗风云气象卫星严密监测我国天气气候情况。气象预报预测能力稳步提升，建立了以自主知识产权数值预报模式为核心的无缝隙智能化气象预报业务体系，实现了从站点、落区预报到数字格点预报的跨越，全国24小时晴雨预报准确率达到86%，强对流天气预警时间提前至38分钟，台风路径预报24小时误差缩小到70千米[5]。建成了“云+端”的气象大数据云平台“天擎”（简称天擎），并于国省两级实现业务运行[6]，管理大量的监测、预报、数值预报数据以及从各行业部门交换而来的数据，国家中心现有数据超过2 000种，在线存储超过10 PB。

气象资料来源复杂、种类繁多、格式多样、表现形式各异、数据量巨大，构建了数据存储管理的业务流程，不仅实现对业务数据的分级存储和管理，还实现了对数据来源、分类分级、覆盖范围、数据知识产权信息（生产方、维护方等）、存储结构信息、数据要素等元数据信息的记录和管理[7，8]。

根据铁路沿线极端气象灾害事件数据识别的服务需求，数据服务清单被划分为四大类：观探测数据、实况分析、预报产品和灾害预警。观探测数据主要通过地、空、天等手段采集的气象业务数据；实况分析数据是通过观探测数据结合地形等要素进行单源、二源或多源数据融合形成的网格分析产品；预报数据主要包括0～3小时的短时临近预报，3～12小时的短时预报，以及12～72小时的短期预报。气象灾害预警通常指气象灾害预警信号，常见种类有14种，包括台风、暴雨、暴雪、寒潮、大风、沙尘暴、高温、干旱、雷电、冰雹、霜冻、大雾、霾、道路结冰等。预警信号的级别根据气象灾害可能造成的危害程度、紧急程度和发展态势划分为四级：Ⅳ级（一般）、Ⅲ级（较重）、Ⅱ级（严重）、Ⅰ级（特别严重），依次用蓝色、黄色、橙色和红色表示，同时以中英文标识[9-11]。观探测数据和实况分析数据主要用于气象灾害对铁路沿线运行影响的监测和效果评估，预报产品和灾害预警信息主要用于预警和防控决策。

2  气象灾害事件数据识别技术

2.1  识别流程设计

利用天擎中管理的数据和元数据信息，结合铁路沿线的地理信息和对气象灾害敏感性指标等相关信息，开展面向特定铁路沿线的气象灾害事件的数据识别流程建设，如图1所示。

总体包含5个步骤：

1）气象灾害性要素所在数据清单。根据气象灾害性天气发生的主要特征，确定气象业务中观、探测数据、预报数据、预警信息中主要包含的气象要素或编码，根据确定的气象要素，结合气象数据的元数据信息，基于搜索和语义匹配技术，初步确定开展该气象灾害性天气服务与决策所需的数据清单。

2）专家矫正初选气象数据清单。在已列出的数据清单中，面向铁路气象数据服務的特点，根据专家的经验开展清单筛选，对于数据质量、时效性、精准度不高的清单给予排除。并记录专家经验到专家知识库，为清单更新提供依据。

3）铁路沿线关联气象数据清单。由于气象数据的时空分布不均，需要利用铁路段的空间信息，结合初选气象数据清单中每个数据的覆盖范围，通过空间分析的手段，比如对铁路路段进行缓冲区分析，进一步筛选与该铁路段关联的气象数据清单。

4）铁路沿线潜在气象灾害事件数据清单。由于铁路对气象灾害事件的敏感性差异，针对不同的灾害性事件的铁路灾害预警阈值信息，结合气象数据实体判识铁路沿线服务需要的数据清单。

5）铁路沿线潜在气象灾害事件推荐数据清单。为提升气象精细化服务的能力，根据铁路线路的空间位置，结合不同区域不同气象要素预报预警的精准度，向铁路沿线服务提供优选数据清单。

2.2  暴雨数据识别方法

暴雨（rainstorm），是指降水强度很大的雨，常在积雨云中形成。中国气象上规定，24 h降水量为50 mm以上的强降雨称为“暴雨”。按其降水强度大小又分为三个等级，即24 h降水量为50.0～99.9 mm称“暴雨”、100.0～249.9 mm之间为“大暴雨”、250 mm以上称“特大暴雨”（降水量等级来源GB/T 28592-2012）。在业务实践中，又可按照发生和影响范围的大小将暴雨划分为：局地暴雨、区域性暴雨、大范围暴雨、特大范围暴雨。

暴雨是严重的气象灾害，暴雨导致的水灾直接损害的是高铁的轨道设施及经过列车，同时轨道损毁会造成列车停运、旅客滞留等多种间接损失。我国近几十年来因为水灾导致铁路线遭受影响的频率为年均100余次。比如2018年7月，黑龙江省遭遇严重暴雨，多处铁路线被迫停运或限速运行；2021年7月，受河南特大暴雨影响，中国铁路郑州局集团公司管内普速陇海线、焦柳线、宁西线部分区段封锁或限速运行，影响途经列车不同程度晚点、停运；2022年6月19日，受强降雨影响，京广高铁、普铁线路韶关以南多个区段雨量达到或超过警戒值，致使途经该区段列车出现不同程度晚点，韶关东站所有列车停运。

在暴雨灾害的监测和预警方面，气象部门和铁路部门相关人员做了诸多探索，对全面认识暴雨对铁路网络的危险性，提升铁路气象灾害监测预警能力提供了有力支撑[12-15]。本文结合气象行业标准《高速铁路运行高影响天气条件等级》和《铁路技术管理规程（高速铁路部分）》第347条规定，划分定义不利高铁运行的降水阈值，1 h降水量达到60 mm及以上，列车限速45 km/h；1 h降水量在45～60 mm，列车限速120 km/h；1 h降水量在20～45 mm，列车限速160 km/h。

暴雨灾害数据清单提取流程如图2所示。

具体分为5个环节：

环节1：降水天气关联数据清单初选，通过关键字匹配、语义识别等算法，建立与暴雨关联的数据清单。基于暴雨事件在天擎中气象数据中的关键字“降水”，从资料元数据中提取相关的数据清单。由于气象数据不断进行丰富和更新，需要定期进行清单维护，对于下线或新增上线的资料及时补充降水数据资料全集清单TQ_PRE中。

关键字匹配算法至少包含以下步骤：

1）从资料元数据说明中初选清单TQ_PRE1。

2）从结构化数据中的气象要素属性中，初选清单TQ_PRE2。

3）从非结构化模式资料的属性中初选清单TQ_PRE3。

4）初选清单计算方法表示为：TQ_PRE0= UNIQUE（TQ_PRE1 U TQ_PRE2 U TQ_PRE3），即先对不同维度提取的清单求并集，然后再进行去重处理。

环节2：降水天气关联清单专家矫正，利用专家经验，采用黑名单算法，对时效性、精准度不高的数据进行剔除。基于降水天气关键字要素提取的数据清单TQ_PRE0，利用专家经验，对清单进行确认和干扰信息剔除，得到专家确认后的降水天气数据资料全集清单TQ_PRE，并将剔除的清单加入降水天气数据黑名单列表TQ_PRE_HMD，以便后续清单更新进行自动化处理，即TQ_PRE=TQ_PRE0-TQ_PRE_HMD。降水天气关联清单TQ_PRE记录资料的名称，数据编码，有效区域范围，降水相关数据要素编码，专家确认标识，备注。

环节3：利用空间分析，计算与铁路沿线信息关联的降水天气数据关联清单。根据降水数据资料全集清单TQ_PRE中的有效区域范围，结合铁路线路图，采用空间分析的方式，筛选出特定铁路沿线降水天气相关的气象数据清单TT_PRE0。

环节4：通过关联降水天气数据与铁路路段暴雨监测预警信息阈值匹配，提取满足阈值的潜在暴雨事件数据清单。在TT_PRE0中，按照暴雨对铁路的影响阈值信息，以及监测的数据时间，提取满足阈值的有效数据清单TT_PRE1。在数据提取时，站点型数据提取有效站点，网格型数据则采用有效范圍的最大值进行判断，预报数据主要对最近3小时内预报时效进行阈值比较。

环节5：推荐清单优先级确定，利用建立的不同区域暴雨事件的数据可靠性或受欢迎权重，利用排序算法计算数据推荐清单。根据铁路所处的气候区域，结合数据可靠性权重或数据受欢迎的权重，对满足阈值的有效数据清单TT_PRE1数据进行排序，生成暴雨事件推荐气象数据清单。返回的信息包含：警戒分类，铁路段，数据分类，数据编码，数据要素，区域范围（站点类为站号列表），数据时间，数据可靠性排序。

3  原型系统设计与应用

3.1  总体技术框架

基于天擎的数据、算力和存储资源，严格遵循相关标准规范和安全体系，建设铁路沿线极端气象灾害数据识别系统，如图3所示。

分为数据层、加工层、服务层和应用层。数据层包含天擎的基础数据和项目建设的专题数据；加工层依托天擎加工流水线的算力、算法和任务调度，依托数据层管理的基础数据和专题数据，进行数据分析和识别算法的调度和运行；服务层基于天擎的服务接口以及面向铁路沿线气象数据服务需求定制的服务接口，提供数据清单、历史个例查询、实况、预报预警数据服务等功能，为应用层提供支撑。

3.2  系统功能设计

采用前后端分离运行方式，实现以下三部分功能，包含气象灾害事件定义，气象灾害事件识别与展示，历史个例存储与查询。

3.2.1  气象灾害事件定义

实现对气象灾害事件的属性编辑和存储，包含气象灾害事件描述、气象灾害事件关联气象要素关键字编排、铁路沿线气象灾害性事件潜在数据提取阈值信息存储与编辑等功能模块。

3.2.2  气象灾害事件识别与展示

实现对铁路沿线气象灾害事件数据的识别和结果展示，包含后端的数据清单的生成和接口封装、前端结果显示。

后端数据清单生成和接口封装，主要实现对暴雨气象灾害性事件相关算法的加工和接口封装，接口封装按照输入接口参数提供与铁路路线关联的3种不同程度的结果清单（关联的天气数据关联清单，潜在气象灾害性事件数据清单，潜在气象灾害性事件推荐数据清单）。

前端结果显示，主要实现对程序提取的数据清单专家确认和展示。管理员可对清单进行编辑，普通用户只能查看。点击清单列表中的每个数据，可在地图上展示数据的范围，对于站点资料可在地图上展示站点位置及对应时刻的数值。

3.2.3  历史个例存储与查询

对收集的历史个例具备存储和查询等功能。管理员可对个例进行编辑，普通用户只能查看。

3.3  原型界面设计

按照软件功能设计，采用VUE技术框架结合WebGIS组件完成应用交互界面功能开发，包含气象灾害要素数据管理、铁路沿线气象数据资料关联、铁路沿线气象要素查询、铁路沿线潜在气象灾害列表和灾害个例列表等栏目，如图4所示。

第三方系统采用Restful接口的方式提供服务，数据识别清单的请求参数包含输入铁路路段名称、气象灾害的名称等，输出json格式的字符串，格式样例如下：

{

"code"： 200，

"msg"： "成功"，

//数据清单列表

"datalist"： [

{

//气象要素

"elements"： "ER01"，

//气象要素中文描述

"name"： "1小时降水"，

//数据描述

"data"： [

{

//数据中文名称

"dataName"： "智能网格省级格点预报订正产品"，

//数据服务接口调用代码

"dataCode"： "NAFP_NWFP_SPCC"，

//可调用该数据的服务接口ID

"interfaceid"： [

"getNafpFileByTime"，

"getNafpFileByTimeRange"，

"getNafpEleGridInRectByTimeAndLevelAndValidtime"]

}，

{...}

]

}，

{

"elements"： "ER03"，

"name"： "3小时降水"，

"data"： [...]

}

]

}

用户拿到输出结果后，提取要素、数据代码、接口名称等信息，采用气象统一服务接口的方式调用对应的数据值。

3.4  应用试验分析

以2023年7月29日20时至8月2日7时北京特大暴雨期间的京张高铁线路为例，基于识别系统从上千种气象数据中识别出了与京张铁路相关的气象数据清单，比如中国地面小时数据、中国地面分钟降水数据、融合降水实况分析数据、智能网格预报数据等数据清单，经分析验证识别出的数据清单符合暴雨期间开展专业气象服务的需求。

4  结  论

基于气象灾害定义的气象关键属性、气象数据的空间覆盖信息，结合专家的经验和铁路路段信息，从千余種气象数据清单中识别出有效数据清单，并结合铁路对气象灾害影响的敏感度阈值，建立了一套有效的技术流程，识别出有灾害风险的数据清单。以暴雨为案例设计和细化了识别方法，实现了原型软件的开发，通过服务接口的方式提供铁路沿线开展气象监测和预报数据服务，具备开展交互式的配置管理和气象数据预览功能。后续将完善和优化软件，提高其自动化程度和适用范围，为铁路防灾减灾工作提供更加准确、及时的数据支持。

参考文献：

[1] 代娟，崔新强，刘文清，等.高速铁路气象灾害风险分析与区划方法探讨 [J].灾害学，2016，31（4）：33-36.

[2] 马祯，包云，李俊波，等.高速铁路灾害监测大数据分析系统及应用研究 [J].铁道运输与经济，2022，44（6）：78-83+135.

[3] 张洪宇，孟亮，戴贤春.铁路高影响天气分析及应对策略研究 [J].中国铁路，2019（5）：12-16+26.

[4] 包云，高歌，李亚群，等.基于监测数据挖掘的高铁气象灾害风险评估方法研究 [J].灾害学，2022，37（2）：44-48+53.

[5] 我国24小时晴雨预报准确率将升至90% [J].科学启蒙，2022（Z1）：10.

[6] 刘媛媛，何文春，王妍，等.气象大数据云平台归档系统设计及实现 [J].气象科技，2021，49（5）：697-706.

[7] 任李娟，卢军，郭维.公共元数据配置管理平台设计 [J].电子技术应用，2020，46（1）：100-103.

[8] 沈一通.基于大数据的气象资料元数据监控系统的研究与分析 [D].昆明：云南大学，2021.

[9] 孙崇智，李有华，王振国.广西气象灾害预警信号时空分布特征 [J].气象研究与应用，2022，43（2）：87-92.

[10] 李超，鲍雅芳.气象灾害预警术语现状浅析与规范化建议 [J].中国标准化，2023（7）：48-52.

[11] 王博，李一腾，陈冬梅，等.新疆气象灾害预警信号发布特征分析 [J].农业灾害研究，2023，13（2）：89-92.

[12] 马韫娟，马淑红，刘志明，等.高速铁路暴雨灾害防控技术研究 [J].中国科技信息，2011（6）：204-210.

[13] 王冀，马宁，申文军，等.华北地区汛期降水特征及对铁路水害的影响 [J].自然灾害学报，2016，25（4）：30-39.

[14] 全国气象防灾减灾标准化技术委员会.高速铁路运行高影响天气条件等级：QX/T 334-2016 [S].北京：中国气象出版社，2016.

[15] 李莹，高歌，程驰.影响中国高速铁路运行的暴雨危险性特征研究 [J].地理科学，2021，41（10）：1843-1851.

作者简介：徐拥军（1986—），男，土家族，湖南张家界人，高级工程师，硕士研究生，研究方向：气象大数据存储管理与服务接口技术研发。