MOS 方法在机场气象要素客观预报中的应用

朱国栋，牟 欢

（1.南京大学大气科学学院，江苏 南京 210093；2.民航新疆空管局气象中心，新疆 乌鲁木齐 830016；3.新疆气象台，新疆 乌鲁木齐 830002）

随着民用航空业的不断发展，航空公司、机场等民航部门对机场气象要素的预报准确性要求不断提高，相应地对民航气象人员的预报水平也有了更高的要求。为了改善机场要素预报水平，加强数值预报的释用，乌鲁木齐机场于2011年开始尝试进行基于MOS 方法的机场客观要素预报的应用。

机场客观要素预报就是定时、定点、定量的预报，在精确的数值预报还没有出现之前，通过MOS方法释用数值预报输出产品仍然是达到定时、定点、定量预报的必要手段[1]。目前国内已有相关研究MOS方法进行温度、降水、相对湿度等要素的预报，检验结果表明MOS 方法的预报结果较模式直接输出结果有明显提高，并能自动订正数值预报的系统性误差[2-3]，因此在国家级和各省市气象业务中得到广泛的应用[4-7]。本文介绍了乌鲁木齐机场基于WRF 中尺度数值模式产品，使用MOS 方法制作机场气象要素客观预报，通过应用该方法，提高机场气象要素预报的准确性，丰富航空气象预报产品的种类，进而更好地为民用航空的安全和效益服务。

1 MOS 方法简介

随着数值预报模式的发展，在统计预报的预报因子中，引入动力学数值模式运算得到的变量，这样就构成动力学与统计相结合的预报模式。模式输出统计（MOS）方法就是利用预报对象和数值模式中输出的相应时次变量之间的统计关系，然后使用统计预报模型，计算得到预报对象的结果。

支持向量机（SVM）方法在20世纪90年代逐渐发展成熟，近年在气象领域得到较多应用，该方法适用于小样本资料的统计建模，并具有能够自动识别、提取关键信息特点[8-9]。目前，MOS 方法常使用多元线性回归、逐步回归等方法进行统计建模，但是考虑到乌鲁木齐机场数值预报模式运行时间较短，且模式输出变量的种类有限，为了尽可能发掘历史数据中的有效信息，本文采用SVM 方法进行统计建模，以期弥补乌鲁木齐机场历史数值预报数据时间序列较短和因子数目有限的问题。

2 预报模型的建立

2.1 数值模式输出资料及其处理

乌鲁木齐机场于2009年开始进行基于WRF中尺度数值模式的新疆区域航空气象数值预报试验项目，该系统采用三重嵌套、垂直27 层的WRF V3版本，水平方向采用Arakawa-C 坐标，垂直方向选用地形追随质量坐标，使用三阶精度的Rung-Kutta时间积分方案。模式的三重嵌套区域的水平网格格距分别为：45、15、5 km。模式从每日的20:00 起积分60 h 后结束，输出常规层次的风、温度、湿度、高度等气象要素，并通过插值得到机场温度、风、降水量、海平面气压、相对湿度等气象要素。

2.2 预报对象

针对民用航空气象关注的气象要素，本文选定1—12月逐时温度、相对湿度作为回归预报对象；结合低能见度、低云天气出现特征，将12月—翌年2月主导能见度是否低于800 m、总云量、低云量是否大于5分量作为分类预报对象，共计36个预报对象。分类预报对象见表1。

表1 分类预报对象

2.3 预报因子

本文使用WRF 数值模式第3 层嵌套12～35 h输出的逐时结果进行预报因子的构建，即使用乌鲁木齐机场温度、风、海平面气压、相对湿度以及降水量作为预报因子。在考虑乌鲁木齐机场气象要素的季节性变化的基础上，整理制作逐月样本数据集，在剔除有问题的数据后，将样本数据集中的70%作为训练样本，其余部分作为检验样本。具体样本数量见表2。

表2 逐月训练样本和检验样本数量

2.4 预报模型构建

使用支持向量机（SVM）方法作为MOS 预报的统计方法，通过参数寻优，即给定SVM 方法中参数（C，g）的取值范围和步长，经过循环计算，确定参数的最优值，进而得到最终的统计预报模型。其中分类预报对象采用分类正确率作为参数择优条件，并综合分析正样本TS 评分、预测成功率及预测概括率的结果；回归预报对象则采用绝对差作为择优条件，并计算输出均方差和相关系数。本文针对上述预报对象，通过参数寻优，完成上述36个预报对象最优模型的构建。参数寻优相关变量的计算公式为：

3 预报效果检验

3.1 温度与相对湿度的回归预报

使用参数寻优建立的模型，对检验样本进行预报，经过统计分析预报和实况之间的差异，并比对WRF 的预报能力后发现，该方法对逐时气温、相对湿度有较强的预报能力，且预报水平较WRF 模式有显著的提高。

温度的高低直接影响航空器的起飞着落性能和载重量，因此准确的温度预报对飞行活动至关重要。从图1a 看到：WRF 模式输出的温度预报在1—3月、11—12月平均绝对差较大，均超过3 ℃，尤其是1月和12月绝对差超过5 ℃，模式输出的温度预报在冬季可用性很差。而MOS 逐时温度预报的平均绝对差基本控制在1.09～2.33 ℃之间，其中只有1月、12月的平均绝对差超过2 ℃，并且1—12月逐时温度预报结果较为稳定。通过对比MOS 温度预报和WRF 模式输出发现，MOS 温度预报整体预报效果要优于WRF 数值模式输出的温度预报，且逐月温度预报结果较为稳定，可以作为逐时温度预报的指导产品。

图1 MOS 预报与WRF 预报的平均绝对差和均方差

夏季降水、冬季大雾等天气的出现与相对湿度的高低有直接的关系，准确预报能够较好地指导预报员判断降水系统的移动、大雾的消散。从图1b 可以看到，WRF 模式输出的相对湿度平均绝对误差为9.69%～20.74%，4—10月的误差明显大于其他月份，全年相对湿度预报平均误差有明显的季节性变化；MOS 逐时相对湿度预报的平均绝对差则较为稳定，且预报误差较WRF 模式输出有明显的提高，基本控制在4.71%～9.58%。误差分析结果表明：MOS 方法能够较好地改善4—10月相对湿度的预报结果，并且保证了相对湿度预报结果的稳定性。

3.2 低能见度、低云量、总云量的分类预报

航空器能否安全起降，就气象条件来说，主要取决于云和能见度。为了保证航空器的安全和航空公司的效益，及时制作发布的有关低云、低能见度的天气预报产品对航空公司、机组显得尤为重要。目前乌鲁木齐机场的低云、低能见度天气主要依赖于预报员的主观经验预报，本文尝试利用WRF 模式输出的常规气象要素，建立乌鲁木齐机场冬季（12月—翌年2月）低能见度、云量等天气现象的分类预报模型，并对检验样本进行预测分析，得到低能见度、总云量以及低云量的分类预报结果（表3）。

分析MOS 方法的分类预报准确率可以看到：MOS 方法的低能见度预报模型的分类准确率达到89%以上，主导能见度≤800 m（正样本）的TS 评分在29.09%～46.05%，预报成功率为61.11%～76.19%；总云量预报模型的分类准确率维持在73%以上，总云量＞5分量（正样本）的TS 评分维持在62.06%～70.69%，预报成功率为73.36%～83.93%；低云量预报模型的分类准确率维持在72%以上，低云量＞5分量（正样本）的TS 评分维持在54.27%～66.50%，预报成功率为72.57%～79.88%。

表3 分类预报结果的准确率分析/%

统计数据分析表明，主导能见度≤800 m 事件占总样本的10%左右，总云量或低云量＞5分量事件占总样本的30%以上，而MOS 方法对低能见度、云量等要素的预报TS 评分均达到30%以上，即TS 评分高于正样本在样本出现的频率，具有正的预报技巧，说明MOS 预报模型对上述预报对象有一定的预测推理能力。

4 小结

（1）通过支持向量机（SVM）方法建立的MOS 预报方程，对逐时温度、相对湿度的预报准确性较WRF 模式直接输出的预报结果有明显的提高。

（2）目前乌鲁木齐机场运行的WRF数值模式在不同月份的预报误差变化剧烈，基于模式输出的统计模型则具有较好的稳定性，逐月误差变化较小。

（3）利用WRF 数值模式输出结果与低能见度、云量等天气现象建立统计预报模型，对低能见度、低云等影响飞行的重要天气进行预测，为航空气象人员预测影响飞行的复杂天气提供了新的方法和思路。

（4）本方法仅使用WRF 数值模式的地面气象要素输出，造成实际应用中预报准确性和稳定性仍有待提高，为了充分发挥WRF 数值模式的优势，同时充分考虑天气系统中不同层次气象要素的分布，今后在预报因子的构建应考虑使用更多具有天气学意义和物理意义的因子。

（5）MOS 预报结果依赖于WRF 数值模式的准确性。随着乌鲁木齐机场WRF 数值模式本地化研究工作的开展，通过增加数值模式的数据同化，并择优选择参数化方案，进而提高模式输出的准确率，MOS 方法在航空气象预报中的预报水平还会有所提高。

[1]刘还珠，赵声蓉，陆志善，等.国家气象中心客观要素预报——MOS 系统[J].新疆气象，2004，27（3）：4-7，13.

[2]陈豫英，陈晓光，马金仁，等.基于MM5 模式的精细化MOS 温度预报[J].干旱气象，2005，23（4）：52-56.

[3]陈豫英，陈晓光，马筛艳，等.精细化MOS 相对湿度预报方法研究[J].气象科技，2006，34（2）：143-146.

[4]辜旭赞.湖北分县MOS 预报系统建立与评分[J].气象，2008，34（2）：43-51.

[5]程戴晖，杨美川.上海浦西地区雾持续时间的统计释用预报[J].气象，2001，27（7）：16-19.

[6]赵俊荣，晋绿生，吴小龙，等.石河子地区中量以上降水预报业务系统[J].新疆气象，2005，28（增刊）：19-21.

[7]寗春蓉，冯汉中.基于卡尔曼滤波方法的MOS 与PP 法在德阳温度预报中的效果评价[J].四川气象，2005，25（3）：12-13.

[8]朱国栋.基于SVM 方法的乌鲁木齐国际机场多要素预测[J].沙漠与绿洲气象，2011，5（4）：40-43.

[9]LIBSVM：a Library for support Vector Machines[OL].Chih_Chung，http://www.csie.ntu.edu.tw