一种基于自动气象站的低空风切变识别方法与流程

本发明涉及自动气象站数据分析领域，具体地讲涉及一种基于自动气象站的低空风切变识别方法。

背景技术：

风切变是一种常见的大气现象，指在同一高度或不同高度短距离内风向(或)风速的快速变化。根据风向变化的不同，风切变可以分为水平风的水平切变、水平风的垂直切变和垂直风的切变。其中在飞行高度600米以下、主要在飞机起降阶段发生的风切变，称为低空风切变。据世界气象组织和国际民航组织统计，低空风切变是对飞机起降阶段飞行安全威胁最大的天气现象，许多重大空难事故是由低空风切变引起。而在飞机降落时，对于决断高度以下的风场情况是观测的重中之重。

目前，国内外对于风切变的探测识别主要依靠相关的设备探测区域内空间风场的分布和变化情况。自动气象站一般部署于跑道两侧，用于直观获取跑道附近近自动的水平风场，因此在传统风切变识别方法中，可以利用自动气象站数据计算地面风水平切变。其中，较为成熟有效的系统是美国的llwas系统，但其对地面测风设备的部署数量和位置有较高的要求，且对局地地形、气候特点、设备特性的针对性不足。当前许多中小机场在建设中未配备如llwas系统所要求数量和安装位置的地面测风设备，llwas系统风切变算法在本地的适应性也未经验证可靠，实际业务中主要依靠预报员的判断，准确度和覆盖度仍有提升空间。

技术实现要素：

根据现有技术中存在的问题，本发明提供了一种基于自动气象站的低空风切变识别方法，其具有识别精度高、局地适应性好的优点，能够对跑道近地面水平风切变进行有效的识别，提高了气象服务的保障效率。

本发明采用以下技术方案：

一种基于自动气象站的低空风切变识别方法，其特征在于，包括如下步骤：

s1，获取监测区域内所有自动气象站采集到的各风要素的历史数据；

s2，对历史数据进行质量控制以剔除异常数据，得到各风要素的有效数据，并根据设定的数据时刻对有效数据进行时间同步，得到有效数据对应的数据列表；

s3，选取数据列表中实际发生风切变的时刻前后设定的时间范围内的有效数据，计算得到该监测区域内的所有自动气象站两两站间对应的各风要素每个数据时刻的切变值；

s4，将所述监测区域内的自动气象站两两站间的距离按比例缩放标准值，将缩放后的标准值与风切变判别阈值比较，进而得到每个数据时刻是否发生风切变，并给出每个数据时刻是否发生风切变的标签；

s5，将每个时刻数据的各风要素作为输入、是否发生风切变的标签作为结果构成数据集，并使用smote算法扩充数据集使得是否发生风切变的两种标签类型数量平衡，得到平衡后的数据集；

s6，利用机器学习方法对平衡后的数据集进行训练，选取查全率最好的训练结果，并输出相应的模型，以此模型作为识别模型；

s7，实时读取监测区域的各自动气象站的最新数据，采用步骤s2的方法对最新数据进行预处理，并将处理后的数据输入所述识别模型，进而得到识别结果。

优选的，步骤s1中，所述风要素包括瞬时风速、瞬时风向、阵风风速、阵风风向、两分钟平均风速、两分钟平均风向、两分钟最大风速、两分钟最大风向、十分钟平均风速、十分钟平均风向、十分钟最大风速、十分钟最大风向。

进一步优选的，步骤s2中，对历史数据进行质量控制包括数据标准化检查处理、气候学界限值检查处理、极值范围检查处理、内部一致性检查处理、时间一致性检查处理；所述数据标准化检查处理是指对历史数据中出现的重复数据进行删除，并对历史数据相应的文件名、日期、时间、自动气象站的站点信息进行完善和格式统一；所述气候学界限值检查处理是指根据气象行业相关标准和监测区域所处的当地历史气候特征，对不可能出现的历史数据进行剔除；所述极值范围检查处理是指选取每个自动气象站采集的历史月平均风速为基本单位，计算每年该月平均风速的标准差，以该月历史最大风速加上两倍标准差作为极大值，以该月历史最小风速减掉两倍标准差作为极小值，剔除超过极大值、小于极小值的历史数据；所述内部一致性检查处理具体是指对各风要素间的物理联系进行检查处理，即根据十分钟最大风速≥两分钟最大风速、两分钟最大风速≥瞬时风速、风向为0°时则风速≤0.2m/s这些判断标准，剔除异常数据；所述时间一致性检查处理具体是指对某一当前时刻与此时刻之前的五分钟的相应的历史数据的变化率进行检查，对变化率大于上限阈值的相应的历史数据进行剔除，同时对某一当前时刻与此时刻之前的一小时的相应的历史数据的变化率进行检查，对变化率小于下限阈值的相应的历史数据进行剔除，所述上限阈值和下限阈值根据监测区域所处的当地历史气候特征确定。

更进一步优选的，步骤s2中，根据设定的数据时刻对有效数据进行时间同步具体是指将有效数据以每半分钟为数据时刻建立有效数据的数据列表，即将有效数据中的每个条目归集到其原始时刻最靠近的那个半分钟时刻对应的数据列表内。

更进一步优选的，步骤s3中，选取数据列表中实际发生风切变的时刻前后各十二小时内的有效数据，根据有效数据中的瞬时风速和瞬时风向得到瞬时矢量风，根据阵风风速和阵风风向得到矢量阵风，根据两分钟平均风速和两分钟平均风向得到两分钟平均矢量风，根据十分钟平均风速和十分钟平均风向得到十分钟平均矢量风，计算该监测区域内的所有自动气象站两两站间的瞬时矢量风的矢量差、矢量阵风的矢量差、两分钟平均矢量风的矢量差、十分钟平均矢量风的矢量差，进而得到所有自动气象站两两站间每个数据时刻的切变值。

更进一步优选的，步骤s4中，根据风切变的国际判断标准，即两个自动气象站之间的间距为4km时，两个自动气象站之间的风的切变值大于15节时，则判定为发生了风切变，将国际判断标准下浮10％至20％，以此作为风切变判别阈值。

更进一步优选的，步骤s4中，将所述监测区域内的自动气象站两两站间的距离按比例缩放标准值，将缩放后的标准值与风切变判别阈值比较，若某一数据时刻的瞬时风的切变值大于风切变判别阈值，或阵风的切变值大于风切变判别阈值、两分钟平均风的切变值大于风切变判别阈值且瞬时风的切变值与风切变判别阈值差值在20％以内，则此数据时刻发生了风切变，反之则未发生风切变；并对每个数据时刻是否发生风切变给出相应的标签，即发生了风切变给出“是”的标签，未发生风切变给出“否”的标签。

更进一步优选的，步骤s5中，所述是否发生风切变的两种标签类型数量平衡具体是指标签为“是”的数据与标签为“否”的数据数量差小于5％。

更进一步优选的，步骤s6具体是指利用机器学习方法，分别采用支持向量机、逻辑回归和决策树三种模型，输入平衡后的数据集进行训练，且训练过程中采用10折进行交叉验证，选取查全率最好的训练结果，并输出相应的模型，以此模型作为识别模型。

本发明的优点和有益效果在于：

1)本发明首先采集监测区域内自动气象站的各风要素的历史数据，对历史数据进行质量控制并根据设定的数据时刻对有效数据进行时间同步，得到有效数据对应的数据列表；选取数据列表中实际发生风切变的时刻前后设定的时间范围内的有效数据，计算得到各风要素每个数据时刻的切变值；再将所述监测区域内的自动气象站两两站间的距离按比例缩放标准值，将缩放后的标准值与风切变判别阈值比较，进而得到每个数据时刻是否发生风切变，并给出每个数据时刻是否发生风切变的标签；将每个时刻数据的各风要素作为输入、是否发生风切变的标签作为结果构成数据集，并使用smote算法扩充数据集使得是否发生风切变的两种标签类型数量平衡，得到平衡后的数据集；然后，利用机器学习方法对平衡后的数据集进行训练，选取查全率最好的训练结果，并输出相应的模型，以此模型作为识别模型；最终，实时读取监测区域的各自动气象站的最新数据，采用所述质量控制的方法对最新数据进行预处理，并将处理后的数据输入所述识别模型，进而得到识别结果。本发明采用基于自动气象站数据进行分析和训练，可对低空水平风切变做出有效识别，对比传统基于自动气象站数据的风切变识别技术，创新采用机器学习的方式分析各风要素的历史数据，包含了对监测区域的局地地形、气候特征、各站点位置特点以及各测量设备自身数据特点等较难以直接给出修正或现有研究尚未明确的影响因素的考量，从而较大提升了低空风切变识别的精确度，为气象保障服务提供有力支持。

附图说明

图1为本发明的方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于自动气象站的低空风切变识别方法，包括如下步骤：

s1，获取监测区域内所有自动气象站采集到的各风要素的历史数据；

具体的，所述风要素包括瞬时风速、瞬时风向、阵风风速、阵风风向、两分钟平均风速、两分钟平均风向、两分钟最大风速、两分钟最大风向、十分钟平均风速、十分钟平均风向、十分钟最大风速、十分钟最大风向。

s2，对历史数据进行质量控制以剔除异常数据，得到各风要素的有效数据，并根据设定的数据时刻对有效数据进行时间同步，得到有效数据对应的数据列表；

具体的，对历史数据进行质量控制包括数据标准化检查处理、气候学界限值检查处理、极值范围检查处理、内部一致性检查处理、时间一致性检查处理；所述数据标准化检查处理是指对历史数据中出现的重复数据进行删除，并对历史数据相应的文件名、日期、时间、自动气象站的站点信息进行完善和格式统一；所述气候学界限值检查处理是指根据气象行业相关标准和监测区域所处的当地历史气候特征，对不可能出现的历史数据进行剔除；所述极值范围检查处理是指选取每个自动气象站采集的历史月平均风速为基本单位，计算每年该月平均风速的标准差，以该月历史最大风速加上两倍标准差作为极大值，以该月历史最小风速减掉两倍标准差作为极小值，剔除超过极大值、小于极小值的历史数据；所述内部一致性检查处理具体是指对各风要素间的物理联系进行检查处理，即根据十分钟最大风速≥两分钟最大风速、两分钟最大风速≥瞬时风速、风向为0°时则风速≤0.2m/s这些判断标准，剔除异常数据；所述时间一致性检查处理具体是指对某一当前时刻与此时刻之前的五分钟的相应的历史数据的变化率进行检查，对变化率大于上限阈值的相应的历史数据进行剔除，同时对某一当前时刻与此时刻之前的一小时的相应的历史数据的变化率进行检查，对变化率小于下限阈值的相应的历史数据进行剔除，所述上限阈值和下限阈值根据监测区域所处的当地历史气候特征确定。

根据设定的数据时刻对有效数据进行时间同步具体是指将有效数据以每半分钟为数据时刻建立有效数据的数据列表，即将有效数据中的每个条目归集到其原始时刻最靠近的那个半分钟时刻对应的数据列表内。

s3，选取数据列表中实际发生风切变的时刻前后设定的时间范围内的有效数据，计算得到该监测区域内的所有自动气象站两两站间对应的各风要素每个数据时刻的切变值；

具体的，选取数据列表中实际发生风切变的时刻前后各十二小时内的有效数据，根据有效数据中的瞬时风速和瞬时风向得到瞬时矢量风，根据阵风风速和阵风风向得到矢量阵风，根据两分钟平均风速和两分钟平均风向得到两分钟平均矢量风，根据十分钟平均风速和十分钟平均风向得到十分钟平均矢量风，计算该监测区域内的所有自动气象站两两站间的瞬时矢量风的矢量差、矢量阵风的矢量差、两分钟平均矢量风的矢量差、十分钟平均矢量风的矢量差，进而得到所有自动气象站两两站间每个数据时刻的切变值。

s4，将所述监测区域内的自动气象站两两站间的距离按比例缩放标准值，将缩放后的标准值与风切变判别阈值比较，进而得到每个数据时刻是否发生风切变，并给出每个数据时刻是否发生风切变的标签；

具体的，根据风切变的国际判断标准，即两个自动气象站之间的间距为4km时，两个自动气象站之间的风的切变值大于15节时，则判定为发生了风切变，将国际判断标准下浮10％至20％，以此作为风切变判别阈值。

将所述监测区域内的自动气象站两两站间的距离按比例缩放标准值，将缩放后的标准值与风切变判别阈值比较，若某一数据时刻的瞬时风的切变值大于风切变判别阈值，或阵风的切变值大于风切变判别阈值、两分钟平均风的切变值大于风切变判别阈值且瞬时风的切变值与风切变判别阈值差值在20％以内，则此数据时刻发生了风切变，反之则未发生风切变；并对每个数据时刻是否发生风切变给出相应的标签，即发生了风切变给出“是”的标签，未发生风切变给出“否”的标签。

s5，将每个时刻数据的各风要素作为输入、是否发生风切变的标签作为结果构成数据集，并使用smote算法扩充数据集使得是否发生风切变的两种标签类型数量平衡，得到平衡后的数据集；

具体的，所述是否发生风切变的两种标签类型数量平衡具体是指标签为“是”的数据与标签为“否”的数据数量差小于5％。

s6，利用机器学习方法对平衡后的数据集进行训练，选取查全率最好的训练结果，并输出相应的模型，以此模型作为识别模型；

具体的，利用机器学习方法，分别采用支持向量机、逻辑回归和决策树三种模型，输入平衡后的数据集进行训练，且训练过程中采用10折进行交叉验证，选取查全率最好的训练结果，并输出相应的模型，以此模型作为识别模型。

s7，实时读取监测区域的各自动气象站的最新数据，采用步骤s2的方法对最新数据进行预处理，并将处理后的数据输入所述识别模型，进而得到识别结果。

下面结合实施例对本发明的方法进行举例说明。

合肥市新桥国际机场跑道周围现部署有8台自动气象站设备，先以位于跑道南北两端的自动气象站a和自动气象站b为例说明本发明方法的具体实施方式。

自动气象站a与自动气象站b两站间的距离约为2.7km，采集自动气象站a与自动气象站b两站自建站至今的历史数据，按照本发明的方法首先对历史数据进行预处理，剔除不可信数据，并在时间上对历史数据进行同步，将可用数据归化到同一时刻内以便利用。

关注报告实际发生风切变时刻前后12小时的时间段，提取其中关注的风要素信息，包括瞬时风速、风向，阵风风速、风向，两分钟平均风速、风向，十分钟风速、风向。以国际通用标准(4km范围内切变大于15节(约7.7m/s))按距离进行缩放，并下浮10％，即阈值w＝7.7*(2.7/4)*0.9≈4.6m/s。计算两站的各风要素的切变值，并以上述阈值w作为自动气象站a与自动气象站b两站的各风要素切变的判别标准。

在判别过程中，结合预报员经验，按权重从大到小依次考虑瞬时风的切变值、阵风的切变值、两分钟平均风的切变值、十分钟平均风的切变值，瞬时风的切变值大于风切变判别阈值，或阵风的切变值大于风切变判别阈值、两分钟平均风的切变值大于风切变判别阈值且瞬时风的切变值与风切变判别阈值差值在20％以内，则标记为发生风切变，否则标记为未发生风切变。以报告证实实际发生风切变的时刻前后12小时的自动气象站a与自动气象站b两站各风要素和标记的风切变标签构成数据集。

使用smote算法扩充数据集，将标记为未发生风切变的数据条目扩展到与标记为发生风切变的数据条目一致或比较接近(两者数量差控制在5％以内)。

将扩充好的数据集输入支持向量机、逻辑回归和决策树三种模型进行训练，采用10折交叉验证以查全率为优先，输出最优结果模型，以此模型作为识别模型。

采集自动气象站a与自动气象站b两站的实时数据，对其进行与上述相同方法的预处理后，输入训练好的识别模型，进而得到识别结果。

综上所述，本发明提供了一种基于自动气象站的低空风切变识别方法，其具有识别精度高、局地适应性好的优点，能够对跑道近地面水平风切变进行有效的识别，提高了气象服务的保障效率。