一种航空高影响天气分类监测识别和预报预警系统的制作方法

1.本发明涉及航空高影响天气监测识别和预警预报技术领域，尤其涉及一种航空高影响天气分类监测识别和预报预警系统。


背景技术：

2.民用航空气象工作是民航事业的重要组成部分，是民航安全、高效发展的重要力量，根据中国民航局要求，机场必须具备对终端区范围内雷暴、冰雹、大风、强降水、大雾、强沙尘等重要天气的连续自动识别，以及对雷暴、大风、强降水、大雾的预报预警能力。
3.但是，民航气象资源支撑不足、分类航天飞行高影响天气监测预报技术难度大、没有充分考虑气象和航空飞行安全多因子影响等问题，影响了气象服务作用的发挥和民航服务品质的提高，因此，面对突发高影响天气可能对飞行安全和效率可能带来的风险影响，机场缺乏及时有效的监测识别和提前预报预警的自动化手段。


技术实现要素：

4.本发明的目的在于提供一种航空高影响天气分类监测识别和预报预警系统，通过面向飞行安全和效率影响的航空高影响天气分类监测识别和预报预警系统建设，提升机场灾害性天气应对能力。
5.为实现上述目的，本发明提供了一种航空高影响天气分类监测识别和预报预警系统，包括监测识别模块和预报预警模块；
6.所述监测识别模块与所述预报预警模块连接；
7.所述监测识别模块用于对低能见度、跑道侧风、跑道结冰、近地面风切变、雷电、跑道湿滑、体感温度、暴雨和暴雪进行识别和预警；
8.所述预报预警模块用于低中高层积冰、颠簸、垂直风切变进行预报预警，系统通过实时自动推动的方式获取综合监测识别和预报预警信息并基于webgis在网页上提供推送、展示和交互分析功能。
9.其中，所述监测识别模块包括低能见度监测识别报警单元；
10.所述低能见度监测识别报警单元获取飞机起降和备降机场周边的气象自动观测站、探空站、机场自动观测站的地面能见度，面向不同飞行状态，利用多因子配料法按照民航低能见标准进行分级报警信息提取，并进行报警提示。
11.其中，所述监测识别模块还包括跑道侧风监测识别单元；
12.所述跑道侧风监测识别单元与所述低能见度监测识别报警单元连接；
13.所述跑道侧风监测识别单元用于通过阈值法对站点的风速进行数据质量控制，再利用克里金插值法进行空间网格化，通过空间线性插值，提取跑道位置附近的风速ω和风向φ，提出一种跑道侧风提取算法并进行分级报警信息提取。
14.其中，所述监测识别模块还包括跑道结冰监测识别单元；
15.所述跑道结冰监测识别单元与所述跑道侧风监测识别单元连接；
16.所述跑道结冰监测识别单元提出一种高影响因子形成跑道结冰的多项式模型，基于bp神经网络方法对不同降水类型下进行多因子对跑道结冰的数值模拟，通过历史资料训练和人工观测的训练结果设定跑道结冰厚度模型的解析参数，提取跑道结冰概率和结冰厚度并进行分级报警信息提取。
17.其中，所述监测识别模块还包括近地面风切变监测识别单元；
18.所述近地面风切变监测识别单元与所述跑道结冰监测识别单元连接；
19.所述近地面风切变监测识别单元利用了飞机起降和备降机场周边的气象梯度风能铁塔逐层梯度风资料，通过计算多个精细高度层的风切变，实现对低空近地层风切变的监测，完成对风切变报警分级反演。
20.其中，所述监测识别模块还包括雷电监测识别单元；
21.所述雷电监测识别单元与所述近地面风切变监测识别单元连接；
22.所述雷电监测识别单元用于依托地基闪电定位仪和大气电场仪，通过对秒级闪电定位仪资料的统计处理，得到过去时间内的闪电分布累计数据；对闪电分布数据进行空间分析得到网格化过去时间内的闪电密度数据；根据空间线性提取基于飞机起降和备降机场周边关键导航点闪电密度并报警分级。
23.其中，所述监测识别模块还包括跑道湿滑监测识别单元；
24.所述跑道湿滑监测识别单元与所述雷电监测识别单元连接；
25.所述跑道湿滑监测识别单元用于按照《航空承运人湿跑道和污染跑道运行管理规定》中提到的跑道湿滑判定标准，提出一种基于xgboost模型分类和回归结合的跑道污染物厚度人工智能识别算法，利用跑道污染物厚度和跑道湿滑概率进行分级预警。
26.其中，所述监测识别模块还包括体感温度监测识别单元；
27.所述体感温度监测识别单元与所述跑道湿滑监测识别单元连接；
28.所述体感温度监测识别单元用于提取机场自动观测及周边地区的气象观测站的实时气温、相对湿度、u风速、v风速资料，经过空间分析计算体感温度，抽取报警位置并进行分级报警。
29.其中，所述监测识别模块还包括暴雨暴雪监测识别单元；
30.所述暴雨暴雪监测识别单元与所述体感温度监测识别单元连接；
31.所述暴雨暴雪监测识别单元用于根据机场自动观测及周边地区的气象观测站的分钟级降水量、降水相态类型资料，利用暴雨识别法和暴雪识别法，进行暴雨分级报警和暴雪分级报警。
32.其中，所述预报预警模块包括低中高层积冰预报预警单元；
33.所述低中高层积冰预报预警单元融合各层大气的水滴或雨滴的液态水含量和垂直速度，并充分考虑气温、相对湿度、液态水含量和垂直速度的隶属度来建立积冰指数模型，建立多因子决策隶属度模糊综合评价方法，按照报警高度和积冰预报层结划分进行积冰分级预警。
34.本发明的一种航空高影响天气分类监测识别和预报预警系统，基于高时空分辨率的多源观探测、强对流短临预报和数值模式预报等气象资料，融合航空气象服务要求，面向低能见度、跑道侧风、跑道积冰、低高空风切变、雷电、跑道湿滑、暴雨、暴雪、颠簸和积冰等分类高影响天气建立自动识别和预报预警技术模型，利用产品加工和数据服务支撑航空高
影响天气分类实时监测识别和预报预警，形成面向飞行安全和效率影响的航空高影响天气分类监测识别和预报预警系统，提升机场灾害性天气应对能力。
附图说明
35.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
36.图1是本发明的整体结构示意图。
37.图2是本发明的监测识别模块整体结构示意图。
38.图3是本发明的预报预警模块结构示意图。
39.图4是本发明的bp神经网络方法模型示意图。
40.图5是本发明的模糊逻辑统计温度的隶属度函数。
41.图6是本发明的模糊逻辑统计相对湿度的隶属度函数。
42.图7是本发明的模糊逻辑统计液态水含量的隶属度函数。
43.图8是本发明的模糊逻辑统计垂直速度的隶属度函数。
44.图9是本发明的整体系统架构图。
45.图10是本发明的安全设计架构图。
46.1-监测识别模块、2-预报预警模块、11-低能见度监测识别报警单元、12-跑道侧风监测识别单元、13-跑道结冰监测识别单元、14-近地面风切变监测识别单元、15-雷电监测识别单元、16-跑道湿滑监测识别单元、17-体感温度监测识别单元、18-暴雨暴雪监测识别单元、21-低中高层积冰预报预警单元、22-低中高层颠簸预报预警单元、23-低中高层垂直风切变预报预警单元。
具体实施方式
47.请参阅图1-图10，其中，图1是本发明的整体结构示意图，图2是本发明的监测识别模块整体结构示意图，图3是本发明的预报预警模块结构示意图，图4是本发明的bp神经网络方法模型示意图，图5是本发明的模糊逻辑统计温度的隶属度函数，图6是本发明的模糊逻辑统计相对湿度的隶属度函数，图7是本发明的模糊逻辑统计液态水含量的隶属度函数，图8是本发明的模糊逻辑统计垂直速度的隶属度函数，图9是本发明的整体系统架构图，图10是本发明的安全设计架构。
48.本发明的一种航空高影响天气分类监测识别和预报预警系统；包括监测识别模块1和预报预警模块2，通过面向飞行安全和效率影响的强对流风险分类监测识别和预报预警系统建设，提升机场灾害性天气应对能力。
49.针对本具体实施方式，所述监测识别模块1与所述预报预警模块2连接；
50.所述监测识别模块1用于对低能见度、跑道侧风、跑道结冰、近地面风切变、雷电、跑道湿滑、体感温度、暴雨和暴雪进行识别和预警；
51.所述预报预警模块2用于低中高层积冰、颠簸、垂直风切变进行预报预警，系统通过实时自动推动的方式获取综合监测识别和预报预警信息并基于webgis在网页上提供推送、展示和交互分析功能；
52.在本实施方式中，基于高时空分辨率的多源观探测、强对流短临预报和数值模式
预报等气象资料，融合航空气象服务要求，面向低能见度、跑道侧风、跑道积冰、低高空风切变、雷电、跑道湿滑、暴雨、暴雪、颠簸和积冰等分类高影响天气建立自动识别和预报预警技术模型，利用产品加工和数据服务支撑航空高影响天气分类实时监测识别和预报预警，形成面向飞行安全和效率影响的航空高影响天气分类监测识别和预报预警系统，提升机场灾害性天气应对能力。
53.进一步，所述监测识别模块1包括低能见度监测识别报警单元11；
54.所述低能见度监测识别报警单元11获取飞机起降和备降机场周边的气象自动观测站、探空站、机场自动观测站的地面能见度，面向不同飞行状态，利用多因子配料法按照民航低能见标准进行分级报警信息提取，并进行报警提示；
55.在本实施方式中，通过获取飞机起降和备降机场周边的气象自动观测站、探空站、机场自动观测站的地面能见度、2米温度、风、气压、2米相对湿度和高空风、高空垂直速度要素资料，通过阈值法对数据进行质量控制，利用克里金插值法对站点资料进行空间网格化，按照影响航空飞行安全的低能见度标准：能见度在500米以下，飞机不能起飞；能见度在800米以下，飞机不能降落；1、2类进近一般考虑能见度在0到800米之间需要报警；3、4类进近一般考虑能见度在800到1600米之间需要报警。根据标准对网格化的能见度数据进行提取，形成面向不同飞行状态的低能见度监测识别信息。综合考虑大气水平扩散、垂直扩散、相对湿度等分类气象条件因子，利用配料法计算低能见度定义报警等级，公式如下：
56.flag＝flag1+flag2+flag3+flag4+flag5+flag6
57.其中，flag1、flag2、flag3、flag4、flag5、flag6代表6个分支判断条件。具体分支判断条件规则如下：
58.flag1：利用2米温度当24小时变温《3℃，满足记2；
59.flag2：当1010hpa《海平面气压《1030hpa，满足记1；
60.flag3：当40％≤2米相对湿度《60％，满足记1；
61.当60％≤2米相对湿度《70％，满足记2；
62.当70％≤2米相对湿度《80％，满足记3；
63.flag4：利用850hpa高空风向和风速计算散度，当850hpa高空散度《2/s-5，满足记1；
64.flag5：当3m/s《10分钟平均风速≤4m/s，满足记1；
65.当2m/s《10分钟平均风速≤3m/s，满足记2；
66.当10分钟平均风速≤2m/s，满足记3；
67.flag6：当850hpa垂直速度《0.2m/s，满足记2。
68.flag数值越高，代表低能见度的程度越强，等级越高。具体等级定义如下：
69.一级报警(黄色报警)：0《flag≤8；
70.二级报警(橙色报警)：8《flag≤11；
71.三级报警(红色报警)：11《flag。
72.进一步，所述监测识别模块1还包括跑道侧风监测识别单元12；
73.所述跑道侧风监测识别单元12与所述低能见度监测识别报警单元11连接；
74.所述跑道侧风监测识别单元12用于通过阈值法对站点的风速进行数据质量控制，再利用克里金插值法进行空间网格化，通过空间线性插值，提取跑道位置附近的风速ω和
风向φ，提出一种跑道侧风提取算法并进行分级报警信息提取；
75.在本实施方式中，所述跑道侧风监测识别单元12主要是获取通过获取飞机起降和备降机场周边的气象自动观测站、机场自动观测站和跑道方向资料，通过阈值法对站点的风速进行数据质量控制，再利用克里金插值法进行空间网格化，通过空间线性插值，提取跑道位置附近的风速ω和风向获取与起降同向的跑道方向角θ,通过以下公式计算跑道侧风风速w：
[0076][0077]
在不考虑跑道摩擦系数变化的情况下，跑道侧风w达到5m/s以上对起降有影响，跑道侧风越高，代表影响程度越强，等级越高。具体等级定义如下：
[0078]
一级报警(黄色报警)：5m/s《w≤10m/s；
[0079]
二级报警(橙色报警)：10m/s《w≤20m/s；
[0080]
三级报警(红色报警)：20m/s《w。
[0081]
进一步，所述监测识别模块1还包括跑道结冰监测识别单元13；
[0082]
所述跑道结冰监测识别单元13与所述跑道侧风监测识别单元12连接；
[0083]
所述跑道结冰监测识别单元13提出一种高影响因子形成跑道结冰的多项式模型，基于bp神经网络方法对不同降水类型下进行多因子对跑道结冰的数值模拟，通过历史资料训练和人工观测的训练结果设定跑道结冰厚度模型的解析参数，提取跑道结冰概率和结冰厚度并进行分级报警信息提取。
[0084]
在本实施方式中，所述跑道结冰监测识别单元13主要是基于飞机起降和备降机场周边的气象自动观测站、机场自动观测站资料，筛选跑道结冰的影响因子，根据不同因子形成跑道结冰多项式模型，基于bp神经网络方法对不同降水类型下进行多因子对跑道结冰的数值模拟。
[0085]
规整历史五年的跑道结冰的影响因子资料，包括跑道表面温度d
rt
、不同深度(5厘米、10厘米、15厘米)的土壤温度d
st
、2米相对湿度d
rh
、2米气温d
at
、降水量d
tp
、风速d
ws
。对多因子进行归一化运算，定义跑道结冰厚度icedepth的多项式模型，公式如下：
[0086][0087]
通过历史资料和人工观测的训练结果表明，当降雨量增大配合适当的风速时，会加速道面结冰，主要是由于风速加快了道面、雨滴与大气环境之间的热量交换，加速道面积冰冰核的形成，最终导致道面积冰生长速率的加快。因此根据降水量和天气现象历史观测资料，将降水类型划分为毛毛雨、小雨、中雨、大雨以上、小雪、中雪、大雪及以上，配合不同等级的风速，利用bp神经网络方法对不同降水类型不同风速等级下的案例进行多因子对跑道结冰的厚度进行数值模拟。定义解析模型参数：
[0088]
参数一：归一化函数的迭代次数设置为60000次；
[0089]
参数二：隐含层函数的误差精度设置为5x10-5
；
[0090]
参数三：训练参数的学习率设置为0.34；
[0091]
参数四：输出神经元1函数的隐含层节点设置为17；
[0092]
参数五：输出神经元2函数的输出层节点设置为2。
[0093]
根据模型输出的结冰概率和结冰厚度数值结果，根据跑道结冰概率定义预警等级，具体等级定义如下：
[0094]
一级报警(黄色报警)：50％《概率≤75％；
[0095]
二级报警(橙色报警)：75％《概率≤90％；
[0096]
三级报警(红色报警)：90％《概率。
[0097]
进一步，所述监测识别模块1还包括近地面风切变监测识别单元14；
[0098]
所述近地面风切变监测识别单元14与所述跑道结冰监测识别单元13连接；
[0099]
所述近地面风切变监测识别单元14利用了飞机起降和备降机场周边的气象梯度风能铁塔逐层梯度风资料，通过计算多个精细高度层的风切变，实现对低空近地层风切变的监测，完成对风切变报警分级反演。
[0100]
在本实施方式中，所述近地面风切变监测识别单元14主要是依托获取飞机起降和备降机场周边的气象梯度风能铁塔逐层梯度风资料，充分发挥梯度风塔在近地层0到200米高度逐层梯度风的分钟级观测能力，通过逐层计算0到10米、10到50米、50到100米、100到150米，150到200米的风切变，实现对低空近地层风切变的监视，风切变计算方法如下式：
[0101]
δ＝(v
up-v
down
)*30/(h
up-h
dow#
)
[0102]
根据风切变数值定义预警等级，风切变越强，等级越高，任意一层达到报警级别即报警。具体等级定义如下：
[0103]
一级报警(黄色报警)：δ数值范围2.1-4/s。
[0104]
二级报警(橙色报警)：δ数值范围4.1-6/s。
[0105]
三级报警(红色报警)：δ数值范围》6/s。
[0106]
进一步，所述监测识别模块1还包括雷电监测识别单元15；
[0107]
所述雷电监测识别单元15与所述近地面风切变监测识别单元14连接；
[0108]
所述雷电监测识别单元15依托地基闪电定位仪和大气电场仪，通过对秒级闪电定位仪资料的统计处理，得到过去时间内的闪电分布累计数据；对闪电分布数据进行空间分析得到网格化过去时间内的闪电密度数据；根据空间线性提取基于飞机起降和备降机场周边关键导航点闪电密度并报警分级；
[0109]
在本实施方式中，所述雷电监测识别单元15主要是依托地基闪电定位仪和大气电场仪，通过对秒级闪电定位仪资料的统计处理，得到过去1分钟、10分钟、1小时、3小时、24小时的闪电分布累计数据；对闪电分布数据进行空间cressmen插值，得到网格化过去1分钟、10分钟、1小时、3小时、24小时的闪电密度数据；根据空间线性提取基于飞机起降和备降机场周边关键导航点闪电密度数值，当过去1分钟、10分钟、1小时、3小时、24小时的闪电密度中的任一个统计值达到0以上时，排除虚警，触发报警程序，再根据所在点位100km以内的大气电场仪资料进行分钟级分级报警，各等级触发条件如下：
[0110]
一级报警(黄色报警)：条件是60秒内出现了3次以上的大于达到了2kv/m以上的电场值；
[0111]
二级报警(橙色报警)：条件是60秒内出现了3次以上的4kv/m以上；
[0112]
三级报警(红色报警)：条件是60秒内出现了1次以上的6kv/m以上。
[0113]
当报警之后的连续4分钟内所有值都小于2kv/m，则解除报警，如果有任意一个分钟的3次以上电场值大于2kv/m，则重新开始计次。
[0114]
进一步，所述监测识别模块1还包括跑道湿滑监测识别单元16；
[0115]
所述跑道湿滑监测识别单元16与所述雷电监测识别单元15连接；
[0116]
所述跑道湿滑监测识别单元16按照《航空承运人湿跑道和污染跑道运行管理规定》中提到的跑道湿滑判定标准，提出一种基于xgboost模型分类和回归结合的跑道污染物厚度人工智能识别算法，利用跑道污染物厚度和跑道湿滑概率进行分级预警；
[0117]
在本实施方式中，在《航空承运人湿跑道和污染跑道运行管理规定》中提到跑道湿滑判定标准是跑道污染物厚度小于3mm。只考虑气象因素的情况，污染物类型一般包括雨水、干雪、湿雪、干冰、湿冰、霜等，不同的污染物类型直接影响道面摩擦系数以及运行起降刹车效应，跑道污染物可以从机场观测报文里面提取到。此外，对污染物的厚度和类型还与地面降水量、温度、露点温度、风、湿度息息相关。因此提出一种基于人工智能分类和回归结合的跑道污染物厚度识别算法。主要算法流程如下：
[0118]
选取近五年的跑道湿滑事件的跑道污染物类型和厚度、机场自动观测的地面1小时降水量和降水类型、24小时降水量和降水类型、1小时变温、24小时变温、露点温度、风、湿度资料作为训练数据。输入因子为地面1小时降水量和降水类型、24小时降水量和降水类型、1小时变温、24小时变温、露点温度、风、湿度，输出数据为跑道污染物厚度和跑道湿滑概率。
[0119]
选取xgboost模型的梯度提升决策树算法，训练时采用前向分布算法进行学习，每次迭代都学习一棵cart树来拟合之前t-1棵树的预测结果与训练样本真实值的残差。
[0120]
输入：
[0121]
训练数据集t＝{(x1,y1),(x2,y2),
…
,(xn,yn)},
[0122]
xi∈x∈rn,yi∈x∈r,
[0123]
输出：回归树f(x)
[0124]
初始化弱学习器：
[0125][0126]
f为跑道污染物厚度，l为因子的损失函数，损失函数为平方损失函数，对l求导，使导数为0，得到初始学习器：
[0127]
f(x)＝c
[0128]
迭代训练：
[0129]
对每个样本计算残差，作为新样本的真实值，并将数据作为下一棵树的训
[0130][0131]
当模型输出跑道污染物厚度低于3mm时触发跑道湿滑报警，根据跑道湿滑概率定义预警等级，具体等级定义如下：
[0132]
一级报警(黄色报警)：50％《跑道湿滑概率≤75％；
[0133]
二级报警(橙色报警)：75％《跑道湿滑概率≤90％；
[0134]
三级报警(红色报警)：90％《跑道湿滑概率。
[0135]
进一步，所述监测识别模块1还包括体感温度监测识别单元17；
[0136]
所述体感温度监测识别单元17与跑道湿滑监测识别单元16连接；
[0137]
所述体感温度监测识别单元17用于提取机场自动观测及周边地区的气象观测站的实时气温、相对湿度、u风速、v风速资料，经过空间分析计算体感温度和报警位置的网格抽取并进行分级报警；
[0138]
在本实施方式中，体感温度的大小与水汽压息息相关，因此提取机场自动观测及周边地区的气象观测站的实时气温、相对湿度、u风速、v风速资料，利用湿度与温度计算水汽压e，方法如下式：
[0139][0140]
将站点分布数据进行空间cressmen插值得到网格化的数据t、rh、u、v以及e，建立对于网格上任意位置的体感温度bst计算方法如下：
[0141][0142]
根据体感温度数值定义体感温度的报警等级，具体分级方法如下：
[0143]
一级预警(黄色)：4℃《体感温度≤8℃，提示体感温度偏低；或35℃《体感温度≤40℃，提示体感温度偏高。
[0144]
二级预警(红色)：40℃≤体感温度，提示体感温度高；或者体感温度≤0℃，提示体感温度低。
[0145]
进一步，所述监测识别模块1还包括暴雨暴雪监测识别单元18；
[0146]
所述暴雨暴雪监测识别单元18与所述体感温度监测识别单元17连接；
[0147]
所述暴雨暴雪监测识别单元18用于根据机场自动观测及周边地区的气象观测站的分钟级降水量、降水相态类型资料，利用暴雨识别法和暴雪识别法，进行暴雨分级报警和暴雪分级报警；
[0148]
在本实施方式中，根据机场自动观测及周边地区的气象观测站的分钟级降水量、降水相态类型资料，逐分钟累加统计1小时降水量、6小时降水量、12小时降水量、24小时降水量，6小时降雪量和12小时降雪量。根据统计信息进行暴雨和暴雪的识别。
[0149]
暴雨报警识别方法如下：
[0150]
一级报警(蓝色)：24小时雨量50毫米且降雨持续；
[0151]
二级报警(黄色)：12小时雨量50毫米，或24小时雨量100毫米且降雨持续；
[0152]
三级报警(橙色)：6小时雨量100毫米，或小时雨量50毫米且降雨持续；
[0153]
四级报警(红色)：6小时雨量200毫米，或小时雨量100毫米且降雨持续。
[0154]
暴雪报警识别方法如下：
[0155]
一级报警(蓝色)：12小时内降雪量将达4毫米以上且降雪持续；
[0156]
二级报警(黄色)：12小时内降雪量将达6毫米以上且降雪持续；
[0157]
三级报警(橙色)：6小时内降雪量将达10毫米以上且降雪持续；
[0158]
四级报警(红色)：6小时内降雪量将达15毫米以上且降雪持续。
[0159]
进一步，所述预报预警模块2包括低中高层积冰预报预警单元21；
[0160]
所述低中高层积冰预报预警单元21用于通过计算得到的各层积冰预报数值，按照积冰预警要求进行分级报警；
[0161]
在本实施方式中，气温t和相对湿度rh与飞机积冰息息相关，根据民航组织推荐的飞机积冰指数ic模型：
[0162]
ic＝[(rh-50)*2]*[t*(t+14)/(-49)]
[0163]
不同时间、经纬度、海拔高度下该模型积冰指数和温度和湿度的正反馈关系往往存在不小的偏差，因此仅仅利用气温和相对湿度的直接释用存在较大误判可能。通过扩大因子类型并对个例的因子变量控制分析得到，一定浓度云中过冷却水滴或降水中过冷却雨滴在与飞机碰并时的相对速度是发生积冰的关键，因此因子还需要融合各层大气的水滴或雨滴的液态水含量和垂直速度，并充分考虑气温、相对湿度、液态水含量和垂直速度的隶属度来建立积冰指数模型f，当垂直速度≤0时：
[0164]
f＝m
t
mr+(1-m
t
mr)(j1mq+j2mw)
[0165]
当垂直速度＞0时：
[0166]
f＝m
t
mr+(1-m
t
mr)j1mq+m
t
mrj2mw[0167]
其中，m
t
、mr、mq、mw分别代表气温、相对湿度、液态水含量和垂直速度的模糊逻辑隶属度函数，j1＝0.2,j2＝0.8。
[0168]
建立多因子决策隶属度模糊综合评价方法，利用2015年以来全国空中报告记录的积冰事件的163个积冰个例通过模糊统计实验法得到气温、相对湿度、过冷却液态水含量和垂直速度的隶属度函数，见图5-8。
[0169]
(1)温度的隶属度函数表达式：
[0170][0171]
(2)相对湿度的隶属度函数表达式：
[0172][0173]
(3)液态水含量的隶属度函数表达式：
[0174]mq
＝0.01q g/qg
[0175]
(4)垂直速度的隶属度函数表达式：
[0176][0177]
考虑在温度0至-4℃之间易存在过冷却水滴，因此对-4℃以上大气层结合多要素计算累计液态含水量，计算方法如下：
[0178][0179]
其中qi是对应气压层的比湿，单位g/kg；pi是气压，单位hpa；g为重力加速度，数值为9.81，单位是m/s2；ti是对应气压层的气温，单位是℃。
[0180]
按照发生的高度划分，低层结冰主要指地面至海拔3000米、中层结冰指海拔3000至7500米，高层结冰指7500米以上。基于数值预报的低中高层气温、相对湿度和垂直速度等资料，以及通过上式计算得到的液态水含量，结合飞机积冰指数模型得到低中高各层积冰预报指数f。
[0181]
经计算得到的各层积冰预报数值，按照积冰预警要求进行分级报警：
[0182]
一级报警(蓝色)：轻度积冰，指数值范围[0.5,0.6]
[0183]
二级报警(黄色)：中度积冰，指数值范围(0.6,0.7]
[0184]
三级报警(橙色)：强烈积冰，指数值范围(0.7,0.85]
[0185]
四级报警(红色)：严重积冰，指数值范围(0.85,1]。
[0186]
进一步，所述预报预警模块2还包括低中高层颠簸预报预警单元22；
[0187]
所述低中高层颠簸预报预警单元22与所述低中高层积冰预报预警单元21连接；
[0188]
在本实施方式中，根据高度特征，利用热成风关系，水平风采用梯度风作为近似计算，结合垂直风切变对颠簸的影响得到颠簸指数：
[0189][0190]
其中，表示该层结的风垂直风切变，εa是绝对涡度，是切变形变项，是拉伸形变项。
[0191]
颠簸指数范围在[1.25
×
10-11
，2.79
×
10-9
]，根据2019至2022年《话音方式航空器空中报告》资料提取121个颠簸个例，提取每个个例的航班位置、高度、颠簸强度、颠簸出现时间，利用中尺度数值模式预报回算对应发生位置周围9
×
9网格的颠簸指数，进行颠簸指数和颠簸强度分段区间统计，得到颠簸指数预报的分级报警区间如下：
[0192]
一级报警(蓝色)：轻度，切变值范围[6.11
×
10-11
,2.13
×
10-10
]
[0193]
二级报警(黄色)：中度，切变值范围(2.13
×
10-10
,4.7
×
10-10
]
[0194]
三级报警(橙色)：强烈，切变值范围(4.7
×
10-10
,11.35
×
10-10
]
[0195]
四级报警(红色)：严重，切变值范围(11.35
×
10-10
,2.79
×
10-9
)。
[0196]
进一步，所述预报预警模块2还包括低中高层垂直风切变预报预警单元23；
[0197]
所述低中高层垂直风切变预报预警单元23与所述低中高层颠簸预报预警单元22连接；
[0198]
所述低中高层垂直风切变预报预警单元23用于通过计算得到各高度层风切变数值，按照预警要求进行分级报警。
[0199]
在本实施方式中，运用中尺度数值预报的地面、高空风场和形势场资料，计算对应层结当中平均30米高度的垂直切变信息。
[0200]
低层风切变shrlow计算公式：
[0201]
shrlow＝[ws(925hpa)-ws10m]*30/[hgt(925hpa)-10]；
[0202]
中层风切变shrmid计算公式：
[0203]
shrmid＝[ws(500hpa)-ws(925hpa)]*30/[hgt(500hpa)-hgt(925hpa)]；
[0204]
高层风切变shrhigh计算公式：
[0205]
shrhigh＝[ws(200hpa)-ws(500hpa)]*30/[hgt(200hpa)-hgt(500hpa)]；
[0206]
其中，ws10m、ws(925hpa)、ws(500hpa)、ws(200hpa)指10米、925hpa、500hpa和200hpa高度上的风速,单位是m/s，hgt(925hpa)、hgt(500hpa)、hgt(200hpa)指按照标准大气换算成925hpa、500hpa和200hpa的形势场海拔高度，单位是米。
[0207]
经计算得到各高度层风切变数值，按照预警要求进行分级报警：
[0208]
一级报警(蓝色)：轻度，切变值范围[0,2]m/s
[0209]
二级报警(黄色)：中度，切变值范围(2,4]m/s
[0210]
三级报警(橙色)：强烈，切变值范围(4,6]m/s
[0211]
四级报警(红色)：严重，切变值范围(6,∞)m/s。
[0212]
所述航空高影响天气分类监测识别和预报预警系统的架构图，具体参考图9，其中，图9是本发明的整体系统架构图。
[0213]
云数据层：利用大数据处理平台进行提取调用，支持数据汇集处理，能够基于oracle/mysql存储结构化观测和预报资料。通过数据采集、文件采集和网络采集的各类气象数据，使用中可以构建基于时间索引、空间索引和要素索引的大数据sql查询器，根据业务场景需要构建redis内存数据进行快速查询。
[0214]
云平台层：系统管理所有的计算任务运行在分布式系统上，均衡硬件资源，使用了mapreduce计算框架、ml机器学习库，可以充分的利用多核多cpu以及服务器集群的力量，以处理巨大量的数据。不论智能学习算法、统计预报算法、气象产品图形生成、数据整编等都可以利用众多的计算资源完成任务。
[0215]
平台应用层：借助气象产品加工处理、webgis、svg矢量化图形、html5、webgl等技术，为平台展示、交互升级提供友好的人机交互界面对监测预警和预报信息进行图形图像渲染和显示。
[0216]
接口设计：系统使用http协议作为和外部系统通讯、数据互通的交互方式。设计要求为：统一接口路径格式，接口地址具备较强的可读性；统一接口请求/应答格式，使接口具有通用性，便于获取接口数据和进行解析。注重接口安全性，提供加密或授权的方式保证接口的访问安全。
[0217]
所述航空高影响天气分类监测识别和预报预警系统的系统安全设计，具体参考图10，其中，图10是本发明的安全设计架构图。
[0218]
从系统级安全、资料访问控制安全、功能性安全三个方面进行安全设计：
[0219]
系统级安全：对通过vpn进入系统的用户进行功能性限制，主要禁止用户对江苏业务内网系统进行数据发送。
[0220]
资源访问控制安全：系统采用多级用户体系，主要分为业务内网用户、系统管理用户、系统运维用户。系统管理用户具有最高权限和分配其他用户类型，预报员主要用于产品分析浏览和交互分析，系统运维用户主要负责系统的正常稳定运行及相关数据源监控跟踪。
[0221]
功能性安全：记录用户操作时间和相应ip，对于重要敏感的产品，需要制定审核流程，并限制相应产品的数据大小和文件类型。
[0222]
以上所揭露的仅为本技术一种或多种较佳实施例而已，不能以此来限定本技术之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本技术权利要求所作的等同变化，仍属于本技术所涵盖的范围。

技术特征：
1.一种航空高影响天气分类监测识别和预报预警系统，其特征在于，包括监测识别模块和预报预警模块；所述监测识别模块与所述预报预警模块连接；所述监测识别模块用于对低能见度、跑道侧风、跑道结冰、近地面风切变、雷电、跑道湿滑、体感温度、暴雨和暴雪进行识别和预警；所述预报预警模块用于低中高层积冰、颠簸、垂直风切变进行预报预警，系统通过实时自动推动的方式获取综合监测识别和预报预警信息并基于webgis在网页上提供推送、展示和交互分析功能。2.如权利要求1所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块包括低能见度监测识别报警单元；所述低能见度监测识别报警单元获取飞机起降和备降机场周边的气象自动观测站、探空站、机场自动观测站的地面能见度，面向不同飞行状态，利用多因子配料法按照民航低能见标准进行分级报警信息提取，并进行报警提示。3.如权利要求2所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括跑道侧风监测识别单元；所述跑道侧风监测识别单元与所述低能见度监测识别报警单元连接；所述跑道侧风监测识别单元用于通过阈值法对站点的风速进行数据质量控制，再利用克里金插值法进行空间网格化，通过空间线性插值，提取跑道位置附近的风速ω和风向φ，提出一种跑道侧风提取算法并进行分级报警信息提取。4.如权利要求3所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括跑道结冰监测识别单元；所述跑道结冰监测识别单元与所述跑道侧风监测识别单元连接；所述跑道结冰监测识别单元提出一种高影响因子形成跑道结冰的多项式模型，基于bp神经网络方法对不同降水类型下进行多因子对跑道结冰的数值模拟，通过历史资料训练和人工观测的训练结果设定跑道结冰厚度模型的解析参数，提取跑道结冰概率和结冰厚度并进行分级报警信息提取。5.如权利要求4所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括近地面风切变监测识别单元；所述近地面风切变监测识别单元与所述跑道结冰监测识别单元连接；所述近地面风切变监测识别单元利用了飞机起降和备降机场周边的气象梯度风能铁塔逐层梯度风资料，通过计算多个精细高度层的风切变，实现对低空近地层风切变的监测，完成对风切变报警分级反演。6.如权利要求5所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括雷电监测识别单元；
所述雷电监测识别单元与所述近地面风切变监测识别单元连接；所述雷电监测识别单元用于依托地基闪电定位仪和大气电场仪，通过对秒级闪电定位仪资料的统计处理，得到过去时间内的闪电分布累计数据；对闪电分布数据进行空间分析得到网格化过去时间内的闪电密度数据；根据空间线性提取基于飞机起降和备降机场周边关键导航点闪电密度并报警分级。7.如权利要求6所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括跑道湿滑监测识别单元；所述跑道湿滑监测识别单元与所述雷电监测识别单元连接；所述跑道湿滑监测识别单元用于按照《航空承运人湿跑道和污染跑道运行管理规定》中提到的跑道湿滑判定标准，提出一种基于xgboost模型分类和回归结合的跑道污染物厚度人工智能识别算法，利用跑道污染物厚度和跑道湿滑概率进行分级预警。8.如权利要求7所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括体感温度监测识别单元；所述体感温度监测识别单元与所述跑道湿滑监测识别单元连接；所述体感温度监测识别单元用于提取机场自动观测及周边地区的气象观测站的实时气温、相对湿度、u风速、v风速资料，经过空间分析计算体感温度，抽取报警位置并进行分级报警。9.如权利要求8所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述监测识别模块还包括暴雨暴雪监测识别单元；所述暴雨暴雪监测识别单元与所述体感温度监测识别单元连接；所述暴雨暴雪监测识别单元用于根据机场自动观测及周边地区的气象观测站的分钟级降水量、降水相态类型资料，利用暴雨识别法和暴雪识别法，进行暴雨分级报警和暴雪分级报警。10.如权利要求9所述的一种航空高影响天气分类监测识别和预报预警系统，其特征在于，所述预报预警模块包括低中高层积冰预报预警单元；所述低中高层积冰预报预警单元融合各层大气的水滴或雨滴的液态水含量和垂直速度，并充分考虑气温、相对湿度、液态水含量和垂直速度的隶属度来建立积冰指数模型，建立多因子决策隶属度模糊综合评价方法，按照报警高度和积冰预报层结划分进行积冰分级预警。

技术总结
本发明涉及航空气象监测识别和预警预报技术领域，具体涉及一种航空高影响天气分类监测识别和预报预警系统，包括监测识别模块和预报预警模块，基于高时空分辨率的多源观探测、强对流短临预报和数值模式预报等气象资料，融合航空气象服务要求，面向低能见度、跑道侧风、跑道积冰、低高空风切变、雷电、跑道湿滑、暴雨、暴雪、颠簸和积冰等分类高影响天气建立自动识别和预报预警技术模型，通过产品加工和数据服务支撑航空高影响天气分类实时监测识别和预报预警系统的建设，通过面向飞行安全和效率影响的强对流风险分类监测识别和预报预警系统建设，提升机场灾害性天气应对能力。提升机场灾害性天气应对能力。提升机场灾害性天气应对能力。


技术研发人员：赵航 蒋雯 李黎黎 陆泉 王利鑫
受保护的技术使用者：华象科技（南京）有限公司
技术研发日：2023.06.28
技术公布日：2023/9/22