曲曉黎，齊宇超，尤 琦，王躍峰，吳 丹，李美琪

(1.河北省氣象服務中心，河北 石家莊 050021；2.河北省氣象與生態(tài)環(huán)境重點實驗室，河北 石家莊 050021)

引 言

2022年冬季奧運會在北京、張家口兩個城市舉行，而京藏高速正是連接兩座城市的主干高速。北京、張家口位于華北平原北段，冬季多低溫冰凍天氣，道路極易出現(xiàn)積雪、結冰等災害天氣進而誘發(fā)交通事故、道路擁堵等情況，因此交管部門和道路養(yǎng)護部門需要根據(jù)交通氣象預報信息，提前做出交通流量管控和掃雪鏟冰播撒融雪劑的準備，公眾也可以調(diào)整出行時間和方式，減少災害性天氣造成的影響[1-2]。

路面溫度是預報路面積雪和結冰的一個重要參數(shù)，因此選擇適合的路面溫度預報方法或模型是保障路面積雪、路面結冰預報預警能力的關鍵問題。目前路面溫度預報主要采用統(tǒng)計模型或以能量平衡方程為基礎的機理模型模擬兩種方法[3]。統(tǒng)計模型方法因發(fā)展時間較早，得到了較多的研究和應用，尤其是采用氣象觀測數(shù)據(jù)和路面觀測數(shù)據(jù)建立路面溫度預報模型，并取得了較好的模擬效果[4-12]。在機理模型方面，近年來，以能量平衡方程為基礎、計算地表能量交換的多個變量，進而計算路面溫度的方法也已在多個地區(qū)得到應用[13-16]。另外，李家啟等[17]利用道路的熱普指紋空間變化模式描述了高速公路路網(wǎng)冬季夜間路面溫度的變化。

METRo(model of the environment and temperature of roads)是加拿大開發(fā)的路面溫度預報模型，模型以道路的觀測資料和氣象數(shù)值預報產(chǎn)品作為輸入，結合觀測和預報數(shù)據(jù)，能夠?qū)崿F(xiàn)對地表溫度進行長時間的預報，在國內(nèi)外取得較好的模擬結果[18-20]。然而，該模型在不同地區(qū)也會表現(xiàn)出一些系統(tǒng)性誤差，同時考慮到路面溫度會受周邊人類生產(chǎn)生活的影響，因此本文用大量樣本數(shù)據(jù)擬合的人為熱參數(shù)作為METRo模型的前置參數(shù)，對示范交通氣象觀測站的路面溫度進行模擬，重點用于提升冬季路面低溫的預報準確率、減小模型的系統(tǒng)性誤差和人為因素影響，以期提升京津冀區(qū)域尤其是冬奧會交通保障關鍵路段路面低溫和路面結冰的預報能力。

1 資料和方法

1.1 資 料

氣象觀測數(shù)據(jù)為2016、2017年冬季(當年12月至次年2月)京藏高速公路北京回龍觀站逐時氣溫、露點溫度、是否降水(是/否)、風速、路面狀況(干燥、冰、雪等)、路面溫度和路基溫度等數(shù)據(jù)。其中2016年冬季資料用于人為熱參數(shù)的訓練，2017年冬季資料用于路面溫度預報效果檢驗。

氣象預報數(shù)據(jù)主要使用華北區(qū)域氣象中心RMAPS-IN和RMAPS-ST兩種預報系統(tǒng)拼接的逐小時預報數(shù)據(jù)，RMAPS-IN系統(tǒng)中選取氣溫、露點溫度、降水、風速要素，RMAPS-ST系統(tǒng)中選取地表氣壓和輻射要素，均為每3 h輸出一次的未來1～6 h預報數(shù)據(jù)。

1.2 方 法

逐3 h運行一次METRo模型，對未來6 h的路面溫度進行預報。METRo模型運行前，輸入前12 h的交通氣象站觀測數(shù)據(jù)和氣象預報數(shù)據(jù)，通過土壤熱傳導模型估算初始土壤廓線，然后進入“耦合”相態(tài)，獲取氣象數(shù)據(jù)修正參數(shù)，對短臨預報(未來6 h)進行修正。最后使用修正后的氣象預報數(shù)據(jù)，驅(qū)動METRo模型進行路面溫度的預報。圖1為模型運行流程。

圖1 METRo模型運行流程圖Fig.1 Running flow chart of METRo model

METRo模型最主要物理過程包括三部分[18]。

(1)地表能量平衡模型。能量平衡中有7個變量貢獻來源于大氣，具體表達式為：

(1)

(2)土壤的熱傳導模型。使用一維熱傳導模型，計算土壤溫度的廓線分布，具體公式如下：

(2)

式中：C(J·m-2·s-1)為土壤熱容量；T(℃)為土壤溫度；G(J·m-2·s-1)為土壤熱通量；z(m)為土壤深度。

(3)地表冰/水堆積模型。冰和水的積累和相態(tài)的改變受控于以下方程：

(3)

式中：i表示冰或水；G1(J·m-2·s-1)為土壤第一層向下的熱通量傳導效率；r(m·s-1)為徑向流速；P(m·s-1)為降水速率；E(m·s-1)為蒸發(fā)或升華速率。

從METRo模型的主要物理過程可以看出，該模型可以很好地刻畫路面的能量、熱量和結冰過程。在應用該模型時對路面剖面的勘測定參有很高要求，本文提出的人為熱參數(shù)法，既能解決大部分天氣數(shù)值模式?jīng)]有人為熱輸出的問題，又可減少道路剖面實地勘測的工作量。

2 人為熱參數(shù)方案

人為熱是指由于人類生產(chǎn)、生活活動所產(chǎn)生的熱量。對于城市周邊及交通樞紐地段，人為熱是一個重要的地表能量，與氣溫和輻射等因子一樣對路面溫度都有較大影響。目前，人為熱計算方法主要有兩種：一種是基于物理過程的人為熱預報方案，通過人為熱的物理影響過程計算，確定人為熱的變化情況[21]；另一種是基于氣候數(shù)據(jù)統(tǒng)計方法，通過建立人為熱的氣候數(shù)值，用于路面溫度模擬[22]。本文采用統(tǒng)計方法，通過基于模型和觀測數(shù)據(jù)的人為熱訓練方案，確認模擬站點的人為熱氣候情況。需要注意的是，擬合的人為熱參數(shù)，既包括實際人為熱，還包括對RMAPS系統(tǒng)和METRo模式的系統(tǒng)性誤差的訂正?？梢岳肕ETRo模型的前置參數(shù)，有效提高路面溫度的預報效果。

在METRo模型大氣預報數(shù)據(jù)中寫入人為熱初猜值[22]，驅(qū)動模型，對2016年冬季路面溫度進行模擬。采用大量樣本數(shù)據(jù)多次循環(huán)的方式，根據(jù)平均絕對誤差增減人為熱的猜測值，直到平均絕對誤差小于0.2 ℃為止。圖2為2016年冬季各月北京回龍觀站人為熱日變化，可以看出，18:00(北京時，下同)至次日08:00為正值，其中晚高峰時段可超過100 W·m-2，而白天尤其是正午前后，有非常明顯的負反饋作用，其中12月和1月均超過-100 W·m-2，2月超過-250 W·m-2。可見，人為熱在冬季夜間使路面溫度升高，在白天則對路面溫度有明顯的降溫作用，該結果和李乃杰等[21]的研究結果類似。

圖2 2016年冬季北京回龍觀站各月擬合人為熱的日變化Fig.2 The diurnal variation of fitted artificial heat in different months at the Huilongguan station of Beijing in winter in 2016

3 預報性能檢驗

圖3為2017年冬季引入人為熱前后不同起報時間的未來1～6 h路面溫度均方根誤差?？梢钥闯?，當不考慮人為熱時，模擬的路面溫度與觀測實況存在較大誤差，大部分時段均方根誤差超過3 ℃，在中午前后甚至達8 ℃以上，模擬效果較差。從模擬與實測的路面溫度散點圖(圖略)可以看出，模擬的路面溫度也存在高溫偏高和低溫偏低的情況，而且溫度偏差相當明顯?？紤]人為熱后，大部分時段特別是在夜間，均方根誤差在1 ℃左右。均方根誤差最大值在中午前后，誤差值約3 ℃左右。這主要由于中午前后氣象模式預報太陽輻射存在較大誤差，進而導致路面溫度產(chǎn)生較大誤差，然而誤差最大值已明顯小于未引入人為熱參數(shù)時的數(shù)值。

圖4為2017年冬季北京回龍觀站不同起報時間對未來1～6 h預報的路面溫度絕對誤差對應樣本數(shù)占比分布。可以看出，預報時間09:00—16:00，由于模式輸入的太陽輻射存在較大誤差，導致預報的路面溫度存在較大誤差。夜間模擬的路面溫度效果相對較好，誤差基本在2 ℃以內(nèi)，這對冬季夜間的結冰預報有較好的支撐能力。

圖4 2017年冬季北京回龍觀站不同起報時間的未來1～6 h路面溫度絕對誤差對應樣本數(shù)占比分布(橫坐標從左到右分別對應08:00、11:00、14:00、17:00、20:00、23:00、次日02:00、05:00起報)Fig.4 The proportion distribution of the number of samples of the absolute error of forecast road temperature of 1-6 hours in the future from different start time at the Huilongguan station of Beijing in winter in 2017(the abscissa from left to right corresponding to 08:00 BST, 11:00 BST, 14:00 BST, 17:00 BST, 20:00 BST, 23:00 BST of the very day, and 02:00 BST, 05:00 BST of the next day, respectively)

參考THORNES等[23]的天氣預報評定方法，對路面溫度的模擬結果進行評定，具體公式如下：

(4)

式中：R、L、W(%)分別為正確率、漏報率、誤報率；P為Peirce技巧評分；A(個)為實際觀測及模擬的路面溫度均低于0 ℃的樣本數(shù)；B(個)為實際觀測的路面溫度高于0 ℃而模擬值低于0 ℃的樣本數(shù)；C(個)為實際觀測的路面溫度低于0 ℃而模擬值高于0 ℃的樣本數(shù)；D(個)為實際觀測和模擬的路面溫度均高于0 ℃的樣本數(shù)。A和D均表示預報正確，而B可導致路面結冰空報，視作第一類誤報情況，C可導致路面結冰漏報，視作第二類誤報情況。

表1列出2017年冬季北京回龍觀站路面溫度預報的評定結果。可以看出，B隨著預報時長的增加逐漸增多，C基本維持在40個左右。預報正確率R在預報時長的前5 h均維持90%以上，漏報率L基本維持在20%以內(nèi)，而誤報率W在前5 h維持在4%以內(nèi)，隨后增長至8%。Peirce預報技巧評分P基本在0.8左右，最高可達0.85。

為更好地驗證模式的模擬能力，對2017年冬季3次明顯的大風降溫天氣過程進行模擬。圖5為2017/2018年冬季3次天氣過程北京回龍觀站氣溫及路面溫度的觀測值和模擬值逐時變化。可以看出，夜間，最低路面溫度相差基本在1～2 ℃左右，同時能很好地把握夜間氣溫降低的變化趨勢。值得注意的是，路面溫度變化和氣溫并非一致，存在一定的相位偏差，有些模型直接使用氣溫替代路面溫度或者簡單的線性擬合會存在較大誤差。白天路面溫度模擬仍存在一定的誤差，主要是白天輻射誤差較大，導致路面溫度模擬受影響。

圖5 2017年冬季3次天氣過程北京回龍觀站氣溫及路面溫度觀測和模擬值逐時變化Fig.5 The hourly variation of air temperature, the observed and simulated road temperature during three weather processes at the Huilongguan station of Beijing in winter of 2017/2018

表1 2017年冬季北京回龍觀站路面溫度評定結果Tab.1 The simulated road temperature assessment results at the Huilongguan station of Beijing in winter in 2017

4 結論和討論

(1)METRo模型模擬的路面溫度考慮人為熱因素后，模擬能力明顯提高，尤其是夜間其均方根誤差為1 ℃左右，因此對冬季夜間結冰有較好的預報能力。

(2)根據(jù)人為熱訓練方案，在模擬站點人為熱白天能使路面溫度降低，夜間則起到加熱作用。2月，人為熱在中午前后可達-300 W·m-2，該數(shù)據(jù)較前兩月有較大突變，對于這種變化特征，目前仍沒有較好的解釋，下一步將嘗試根據(jù)地表能量變化情況進行深入分析。

(3)對于09:00—16:00的預報，由于數(shù)值模式輸入的太陽輻射存在較大誤差，導致METRo模型預報的路面溫度存在較大誤差，需要進一步改進方案。