[0001] 本发明涉及航空气象技术领域，尤其涉及一种航空飞行气象分析方法及系统。

[0002] 航空气象对航空飞行安全影响至关重要，航空飞行需要及时掌握准确、可靠、全面的气象信息，从而减少由天气影响造成的损失，避免由于天气因素引起的各类飞行事故。随着各地机场新建、扩建空管工程建设的推进，航空气象专业服务体系得到了快速发展，能够为当地空管、机场、基地航空公司等气象用户提供具有针对性、可定制的气象服务，为航空运输业提高服务质量和效率带来极大帮助。同时，伴随无人机技术日渐成熟普及和低空短途航空业务的试点建设，航空飞行对航空气象大数据精细化服务要求进一步提高。

[0003] 另一方面，不论是民航还是低空飞行，视程障碍类天气现象对飞行安全有着重要影响，因为它们会显著降低飞行员的视线清晰度，增加飞行难度和风险。天气现象指发生在大气中、地面上的一些物理过程，是在一定的天气条件下产生，各气象要素变化的综合结果。目前，视程障碍类天气主要依靠各种气象要素的综合判断，判断比较复杂且准确性不够，如何提高航空飞行中水平能见度和低云的准确、可靠预报是当前亟需解决的技术问题。同时，为满足新形势下航空气象发展需求，以及面向未来低空短途的灵活航线精准化气象服务，如何提供一种能够在不同空间、时间上灵活设计飞行航线，并及时提供准确、可靠的航线气象信息的航线规划分析方法，也是当前亟需解决的技术问题。

[0050] 以下结合附图和具体实施例对本发明公开的航空飞行气象分析方法及系统作进一步详细说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

[0051] 需说明的是，本说明书所附图中所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响发明所能产生的功效及所能达成的目的下，均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现，其中可以不按所述的或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

[0052] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一个分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

[0053] 实施例

[0054] 参见图1所示，为本实施例提供的一种航空飞行气象分析方法，所述方法包括如下步骤。

[0055] S100，根据航空气象关注的气象要素，构建航空服务优化的气象预报大数据。其中，所述气象要素包括与视程障碍类天气现象相关的气象要素，在构建航空服务优化的气象预报大数据时，针对与视程障碍类天气现象相关的气象要素进行基于机器学习的预报优化。

[0056] S200，获取规划的航线信息。所述航线信息包括航线上的航路点信息和航线的飞行时间信息。

[0057] S300，通过气象要素插值技术和前述航空服务优化的气象预报大数据，分析规划航线上各航路点和各预报时刻的航空气象要素信息，并进行可视化显示。

[0058] 具体的，根据航线上各航路点和各预报时刻的航空气象要素信息，能够得到航线全过程中任意航路点的航空气象要素预报数据，并可以根据航空飞行需要将航空气象要素预报数据进行可视化显示。所述航空气象要素包含航空气象关注的温度、降水、降雪、相对湿度、风向风速、0℃高度、低云量、低空风切变、能见度、云底高度等定制化气象要素数据。其中，所述与视程障碍类天气现象相关的气象要素包括能见度和云高云量。作为举例，参见图2所示，示例了某一时刻能见度的预报数据图，参见图3所示，示例了某一时刻云底高度的预报数据图。

[0059] 本实施例中，基于数值预报工具提供的模式预报数据来构建前述航空服务优化的气象预报大数据。此时，在获取预设的数值预报工具提供的模式预报数据后，基于所述模式预报数据生成航空气象关注的气象要素三维网格预报场产品(此时，构建的航空服务优化的气象预报大数据即为该气象要素三维网格预报场产品)。所述三维网格预报场产品可以按照航空飞行需求设置垂直分辨率，在预设的高度阈值以下的低层设置更小的高度间隔，在预设的高度阈值以上的高层设置更大的高度间隔。

[0060] 所述三维网格预报场产品被配置为：提供高度层数据，以及提供航空气象关注的定制化气象要素预报数据，以及提供积冰指数和颠簸指数的航空指数预报数据，以及提供机场、航路点和管制区的全平面可视化展示信息。

[0061] 作为举例，比如可以基于数值预报工具CMA‑SH9的气象模式预报大数据，针对性生成航空气象关注的气象要素三维网格预报场产品。CMA‑SH9华东区域中尺度区域模式是基于ADAS资料同化系统和中尺度模式WRF搭建而成，主要针对短期天气预报，水平分辨率为9km。预报系统每天北京时间08时和20时起报2次，预报时效为72h。生成的三维网格预报场产品，按航空飞行需求，当设置的高度阈值为3000米时，垂直分辨率的设置如下：3000米以下的低层采用300米间隔(重点关注3000米以下的低层)，3000米以上的高层采用600米间隔。要素可以包含航空气象关注的温度、降水、降雪、相对湿度、风向风速、0℃高度、低空风切变、能见度、低云量、云底高度等定制化数据。同时，依据需求进行机场、航路点和管制区，全平面可视化展示。

[0062] 本实施例中，优选的，对应所述能见度和云高云量的预报优化分别配置有能见度预报优化模块和云高云量预报优化模块。

[0063] 所述能见度预报优化模块被配置为：基于数值预报工具提供的模式预报数据，利用预设的机器学习模型，辅以机场气象观测点的观测数据，以及外部时空背景特征信息，发展能见度站点优化预报模型算法，提供预设时间分辨率的能见度预报产品。

[0064] 在所述能见度预报优化模块中，机器学习模型优选的采用LightGBM模型。LightGBM模型的主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型的特色在于利用基于直方图的决策树算法以及带深度限制的按层生长的叶子生长策略优化算法，具有训练效果好、支持高效并行、鲁棒性较强、不易过拟合等优点，十分适用于本发明中的多分类问题。

[0065] 模型的输入特征包括模式预报数据、机场气象观测点的观测数据，以及外部时空背景特征信息。

[0066] 所述观测数据主要包括机场站点气象观测资料和机场附近站点观测的污染浓度数据，其中观测的气象要素可以包括能见度、气温、气压、相对湿度、风速、风向等，污染物浓度可以包括PM10和PM2.5；风速、风向在实际应用中转换为经向风(V)和纬向风(U)。

[0067] 所述模式预报数据可以包括华东区域业务模式CMA‑SH9以及天气‑大气环境耦合模式预报产品。其中，CMA‑SH9包括地面预报和高空预报，地面预报变量包括能见度、2m和地面温度、海平面和地面气压、降水、相对湿度、经向风(V)和纬向风(U)、云覆盖、露点温度及反照率等；高空预报主要包括500hPa以下6个气压层的相对湿度、经向风(V)和纬向风(U)、温度及露点温度等。天气‑大气环境耦合模式预报产品主要包括能见度、液态水含量以及PM10、CO、NO2、O3、PM2.5、SO2这六种污染物浓度。

[0068] 数值模式产品除CMA‑SH9高空预报的时间间隔为3小时外，其余预报产品均为逐小时预报。因此，为了保证数据之间的一致性，可以将高空预报的产品均插值到逐小时间隔。此外，对于机场，本发明优选的选取以观测点为中心3×3的网格预报产品作为模型的输入特征。观测和模式变量的详细信息见下表所示，下表示例了作为机器学习模型输入特征的观测和模式预报产品的变量信息。

[0069]

[0070] 由于能见度具有较强的空间局地性以及日变化和季节变化等时间变化特征，为了提高模型的预报技巧，本实施例的输入特征中加入了外部时空背景特征信息，包括外部的时间特征信息和空间特征信息。通过在所述输入特征中配置外部的时间特征信息和空间特征信息以识别出能见度的时间变化，以及不同站点的能见度变化的不同特征。具体的，所述时间特征信息可以包括模式的预报步长、月份和小时信息，所述空间特征信息可以包括站号以及各站点的经纬度信息。

[0071] 此时，所述能见度预报优化模块被配置为执行如下步骤：配置模型的输入特征信息；基于输入特征对LightGBM模型进行训练，并对各特征重要性进行分析；模型训练时对训练集、验证集和测试集的数据集信息进行配置；通过对测试集的评估分析对模型参数进行调优以优化预报模型；将最终调优得到的优化预报模型(或称最优预报模型)实时运行，输入实时的观测数据和模式预报数据，输出逐小时的机场站点能见度预报产品。

[0072] 本实施例中，所述能见度预报优化模块中设置有数据预处理单元和数据清洗单元。

[0073] 所述数据预处理单元用于在模型训练过程中聚焦低能见度天气，其主要采取分类学习任务，来尽可能降低高能见度样本对模型的影响。

[0074] 所述数据预处理单元被配置为执行如下过程：根据能见度的分布情况和业务需求，按能见度的大小将能见度分为多个等级——比如可以将能见度分为0‑4共5个等级，然后对不同能见度等级的数据样本配置不同的权重系数，其中，对低能见度样本配置比高能见度样本更大的权重系数以加大损失函数中低能见度样本的比重，使得模型训练时向低能见度事件倾斜；以及，将多年度的观测数据与模式预报数据划分为相对独立的训练集、验证集和测试集，其中将最近年度的数据作为测试集，对在前年度的数据使用分段间隔的方法对样本按预设比例采样划分训练集和验证集，并保证数据分布一致的情况下数据集之间的独立。该预设比例可以由系统默认设置或者由用户进行个性化设置。

[0075] 作为典型方式的举例，各能见度等级的权重系数配置信息可以参见下表所示。

[0076]

[0077] 可以看出，低能见度样本配置了比高能见度样本更大的权重系数，以此加大损失函数中低能见度样本的比重，使得模型训练时向低能见度事件倾斜，从而学习到更多的低能见度天气特征。在训练过程中，模型的评估和挑选标准也主要针对低能见度事件，作为举例，结合上表，在评估和挑选时可以主要针对前两类事件(能见度≤1km和能见度在1‑3km之间)。

[0078] 在配置训练集、验证集和测试集的数据集信息时，为了更好地独立检验模型的泛化能力，可以将多年度的观测数据和模式数据(比如2019年‑2023年的观测数据与模式数据)划分为相对独立的训练集、验证集和测试集。作为典型方式的举例，比如将2023年1‑11月作为测试集，将2019‑2022年使用分段间隔的方法对样本进行3:1采样划分训练集和验证集，尽可能在保证数据分布一致的情况下使数据集之间尽可能独立。

[0079] 所述数据清洗单元用于缓解数据不平衡的问题，其针对训练集和验证集进行数据清洗，主要思路是将满足一定条件的高能见度样本进行剔除，从而降低训练样本中业务并不关心的高能见度样本的比重。清洗过程可以分为两步，具体的，所述数据清洗单元被配置为：首先，根据设计的日起始时间，仅保留当日任一站点出现过低能见度事件的数据样本；然后，根据观测数据及模式预报数据，剔除掉模式预报正确的高能见度样本，其中，针对训练集和验证集中的高能见度样本按预设比例剔除。

[0080] 作为举例而非限制，假如以晚8时‑次日晚7时计为一日，则首先仅保留当日任一站点出现过能见度<3km的日期的样本。然后，将观测数据及两个模式的中心格点预报数据的能见度均大于15km(为预设的能见度阈值)的样本剔除，也就是剔除掉模式预报正确的能见度大于15km的高能见度样本，其中训练集和验证集分别剔除3万和1万个满足条件的样本。

[0081] 需要说明的是，上述实施方式中配置的日起始时间、能见度阈值、预设比例的具体值是本领域技术人员可以根据实际需要进行调整的，不应作为对本发明的限制。

[0082] 所述云高云量预报优化模块被配置为：基于数值预报工具生成的气象要素三维网格预报场产品和机场观测的Metar报文，利用预设的机器学习模型，发展优化的云量分类预报模型算法和云底高度预报模型算法，提供预设时间分辨率的云量分类预报产品和云高回归产品。

[0083] 本实施例中，在所述云高云量预报优化模块中，机器学习模型优选的采用XGBoost模型和4层全连接神经网络模型。

[0084] 模型的输入特征可以包括模式预报数据、观测数据，以及外部时空背景特征信息。

[0085] 观测数据主要为Metar资料提供的机场观测云高云量信息。

[0086] 模式预报优选为华东区域业务模式CMA‑SH9分析处理得到的气象要素三维网格预报场产品。地面预报变量包括2m温度、2m相对湿度、降水、10米经向风(V)和纬向风(U)、算法诊断的云高云量；多层预报包括相对湿度、经向风(V)和纬向风(U)、温度，依据站点高度，处理为离地高度300米间隔，顶层高度设置为3000米。

[0087] 将上述数据依据时间拼接，观测为学习目标，航空气象数据为学习因子。

[0088] 由于云高云量具有较强的空间局地性以及日变化和季节变化等时间变化特征，为了提高模型的预报技巧，在模型的输入特征中加入了外部时空背景特征信息，包括外部的时间特征信息和空间特征信息。通过在所述输入特征中配置外部的时间特征信息和空间特征信息以识别出云高云量的时间变化，以及不同站点的云高云量变化的不同特征。其中，所述时间特征信息为模式的预报步长，当日为当年第几天，当时为当天第几小时。空间特性信息则可以包括经纬度和高度信息。

[0089] 此时，所述云高云量预报优化模块被配置为执行如下步骤：配置模型的输入特征信息；基于输入特征，对XGBoost模型进行训练，模型训练时对训练集、验证集和测试集的数据集信息进行配置，通过对测试集的评估分析对模型参数进行调优，将最终调优得到的优化预报模型(或称最优预报模型)实时运行，每日输入模式预报数据，输出逐小时的云量分类预报产品；以及，基于输入特征，对4层全连接神经网络模型进行训练，模型训练时对训练集、验证集和测试集的数据集信息进行配置，通过对测试集的评估分析对模型参数进行调优，将最终调优得到的优化预报模型(或称最优预报模型)实时运行，每日输入模式预报数据，输出逐小时的云高回归产品。

[0090] 在模型训练时，Metar报文中关于云状云高云量有多层记录，选取最底层记录信息条，并且依据云量占比进行多能见度等级编码——比如进行0‑4编码。云量以3000米高度(顶层高度)为上限，将大于3000米的观测和预测值都设定为3000，并依据3000做归一化处理。训练集可以配置为2019‑2022年数据集，验证集则配置为2023年数据集。

[0091] 作为典型方式的举例，0‑4编码的配置信息可以参见下表所示。

[0092]

[0093] 本实施例中，在进行航线规划分析时，可以根据航空飞行关注重点来分析。航空飞行关注重点主要包括起、落机场的天气条件和飞行过程中的飞行条件。其中，起、落机场主要关注机场区域的能见度条件、云底高度和天气类型，通过能见度优化算法和模式输出结果，能够直观展示起、落机场的天气条件随时间变化情况。而飞行过程中不同高度的湿度、积冰、颠簸等变化情况是关注的重点，直接影响到航空飞行的稳定和安全。因此，基于模式预报数据提供了同时参考时间和空间的航线规划分析方案。

[0094] 具体的，可以配置有航线规划空间分析模块和航线规划时间分析模块，用于分别进行航线规划空间分析和航线规划时间分析以得到规划航线上任意航路点在任意时刻的天气条件。气象要素插值技术则包括气象要素空间插值和气象要素时间插值。

[0095] 所述航线规划空间分析模块被配置为：获取航线飞行过程中各个航路点的航路信息，将预报数据的网格点数据插值到所需要的航路位置；其中，采用反距离加权法进行湿度、积冰指数和颠簸指数到航路点的插值功能，选取与所需位置最邻近的四个点作为反距离加权法的样本点；在航线规划分析中，先将模式的网格数据插值到航线所选取的航路点上，再进行时间分析。

[0096] 所述航线规划时间分析模块被配置为：根据飞行条件的连续性，采用时间插值方法将时间间隔较长的气象要素进行插值以得到需要时刻的数据；其中，对于航路飞行过程中的湿度、积冰指数和颠簸指数，采用二次样条插值的方法获取所需时刻的数据。

[0097] 通过上述航线规划空间、时间分析可以得到自定义航路上任意点、任意时刻的天气条件。在此技术上可以进行自定义航线分析，具体的，通过一个自定义航线分析模块来实现。

[0098] 所述自定义航线分析模块被配置为执行如下步骤：(1)通过坐标输入或地图点选方式将航线上各航路点的经纬度信息输入系统，完成航线预设；(2)选取预设航线后输入航线起始飞行时刻，随后，系统将默认按照国内民航平均参考速度450节和航路点间距离计算后续经过每个航路点的时刻，根据需要，用户亦可以单独设置修改经过每个航路点的时刻；(3)通过航线规划空间分析模块，将航空气象预报数据的湿度、颠簸指数、积冰指数插值到每个航路点上，并利用航线规划时间分析模块得到航线经过每个航路点时刻的航空飞行条件；(4)将航线中每个航路点的天气条件的垂直信息以剖面图的形式进行显示，为航线规划提供参考。

[0099] 作为举例而非限制，图4示例了用户通过坐标输入方式将航线上各航路点的经纬度信息输入系统后预设航线的方式。在航线预设完成后，系统默认按照国内民航平均参考速度450节和航路点间距离计算后续经过每个航路点的时刻(图4中未示出)。随后，通过航线规划空间分析模块将航空气象预报数据的湿度、颠簸指数、积冰指数插值到每个航路点上，利用航线规划时间分析模块得到航线经过每个航路点时刻的航空飞行条件(湿度、积冰和颠簸情况等)。然后，根据需要将航线中每个航路点的天气条件的垂直信息以剖面图的形式进行显示，比如图5示例的航线颠簸剖面图，从而为航线规划提供参考。

[0100] 本实施例中，还可以依据需求进行机场、航路点和管制区的气象要素预报和区域展示。作为举例而非限制，比如可以展示机场的温度预报信息，参见图6所示。

[0101] 进一步，还可以展示管制区(飞行管制区)航路点并进行气象预警。

[0102] 本发明的另一实施例，还提供了一种航空飞行气象分析系统。

[0103] 所述系统包括航空服务优化的气象预报大数据装置和航线规划分析装置。

[0104] 所述航空服务优化的气象预报大数据装置，用于根据航空气象关注的气象要素，构建航空服务优化的气象预报大数据。其中，所述气象要素包括与视程障碍类天气现象相关的气象要素，在构建航空服务优化的气象预报大数据时，针对与视程障碍类天气现象相关的气象要素进行基于机器学习的预报优化。

[0105] 所述航线规划分析装置，用于获取规划的航线信息，所述航线信息包括航线上的航路点信息和航线的飞行时间信息；以及，通过气象要素插值技术和前述航空服务优化的气象预报大数据，分析规划航线上各航路点和各预报时刻的航空气象要素信息以得到航线全过程中任意航路点的气象要素预报数据，并根据航空飞行需要将航空气象要素预报数据进行可视化显示。

[0106] 本实施例中，所述航空服务优化的气象预报大数据装置可以基于数值预报工具提供的模式预报数据来构建前述航空服务优化的气象预报大数据。此时，获取预设的数值预报工具提供的模式预报数据后，基于所述模式预报数据生成航空气象关注的气象要素三维网格预报场产品。所述三维网格预报场产品按照航空飞行需求设置垂直分辨率，在预设的高度阈值以下的低层设置更小的高度间隔，在预设的高度阈值以上的高层设置更大的高度间隔。所述三维网格预报场产品被配置为：提供高度层数据，以及提供航空气象关注的定制化气象要素预报数据，以及提供积冰指数和颠簸指数的航空指数预报数据，以及提供机场、航路点和管制区的全平面可视化展示信息。

[0107] 优选的，所述航空服务优化的气象预报大数据装置可以包括能见度预报优化模块和云高云量预报优化模块。

[0108] 所述航线规划分析装置可以包括航线规划空间分析模块、航线规划时间分析模块和自定义航线分析模块。

[0109] 其它技术特征参见在前实施例的描述，在此不再赘述。

[0110] 在上面的描述中，本发明的公开内容并不旨在将其自身限于这些方面。而是，在本公开内容的目标保护范围内，各组件可以以任意数目选择性地且操作性地进行合并。另外，像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的，而不是排他性的或封闭性，除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义，除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释，除非本公开内容明确将其限定成那样。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。