引言
20世纪60年代开始，欧美等发达国家针对路面温度和道路结冰进行研究，基于气象学和热传导基本原理，采用数值分析和地表能量辐射平衡等方法开展了路面温度、路面状态预报模型研究（Shao and Lister， 1995； Best， 1998； Carson and Mannering， 2001； Bouris et al.， 2010； Yang et al.， 2012； Sokol et al.， 2014； Karsisto et al.， 2016； Toms et al.， 2017； Xu et al.， 2017； Sajed Sadati et al.， 2018）。随着我国气象事业和交通的发展，国内针对道路结冰与气象条件的研究主要分为以下几类：一是基于地表能量平衡方程构建物理机制的路面温度预报模型（牛生杰等，2011；吕晶晶等，2013；刘冬韡等，2015；敖翔宇等，2017；邱金晶等，2020）；二是以数值天气预报模式为基础的路面温度数值预报模型（朱承瑛等，2009；孟春雷和张朝林，2012；冯蕾等，2017；董颜等，2020）；三是基于机器学习算法的路面温度预测模型，有学者基于支持向量机、随机森林回归模型、机器学习神经网络算法探索了路面温度预报方法（刘梅等，2007；王可心等，2021；邹兰军等，2022；盖长松等，2023），但神经网络算法在道路结冰气象条件预测方面的应用研究相对较少；四是基于气象数据建立的路面温度和道路结冰统计模型，此方法模型简单、数据精细化程度高，所以公路交通气象服务业务上主推此模型（吴晟等，2006；董天翔等，2018；王洁等，2020；张宏芳等，2020）。例如，有学者利用交通气象站资料，使用Logistic回归模型，分析道路结冰频率与气温之间的变化规律，构建了以气温为自变量的单一影响因子的温度条件概率模型，再结合降水情况对道路结冰进行预警，但未考虑其他气象因素对模型结果的影响（白永清等，2016；舒斯等，2019）。
甘肃省高速公路网规模达6 700 km，途经山地、高原、河谷、丘陵、盆地、平原、戈壁等复杂地形地貌。交管部门提供的高速公路路段资料显示，甘肃省高速公路存在多个隧道、桥梁、弯道、坡道、环形道等隐患点，部分路段海拔较高，冬季道路结冰是引发交通事故最主要的气象灾害类型。目前，在公路气象服务业务中，缺乏气象要素对公路道路结冰进行管控的依据，在预报服务提前量和精细化程度上与交管部门的需求还存在一定差距，因此本文选取气温、路面温度、相对湿度、降水量、积雪深度等多个自变量，利用Logistic回归法和神经网络算法构建道路结冰气象条件预报模型，并对两种模型的预测效果进行对比，以期对甘肃省高速公路道路结冰进行提前预警，为公路交通部门进行路段巡查维护和积雪、结冰清除工作提供参考。
1 研究路段概况
据甘肃省交通管理部门提供的普查资料显示，甘肃省高速公路道路结冰高发区主要集中在武威以东，典型路段有以下8条：G30连霍高速古永段（乌鞘岭隧道群，简称“Ⅰ路段”）、G22青兰高速巉柳段（榆中—安定，简称“Ⅱ路段”）、G30连霍高速天水过境段（天水—甘谷，简称“Ⅲ路段”）、G22青兰高速西长凤庆阳段（宁县—合水，简称“Ⅳ路段”）、G7011十天高速徽天段（徽县—天水，简称“Ⅴ路段”）、G22青兰高速平定段（静宁—泾川，简称“Ⅵ路段”）、G75兰海高速兰临段（兰州—临洮，简称“Ⅶ路段”）及G6京藏高速兰海段（兰州—海石湾，简称“Ⅷ路段”）。高速公路及气象站点分布如图1所示。文中附图涉及地图是基于中华人民共和国自然资源部标准地图服务网站下载的审图号为甘S（2021）91号的标准地图制作，底图无修改。
图1
图1
甘肃武威以东高速公路及气象站点分布
Fig.1
Distribution of expressway and meteorological stations in the east of Wuwei， Gansu
2 资料和方法
2.1 数据来源和质量控制
道路结冰一般出现在每年11月至次年4月，因此本文选取2015—2020年11月至次年4月甘肃武威以东20个交通气象站逐时路面状况、气温、路面温度、相对湿度、风速等观测资料及沿线16个国家气象站的降水量和积雪深度观测资料。本文将交通气象站“路面状况”观测内容出现“冰”或“冰水混合物”现象时，定义为发生道路结冰现象。
鉴于观测环境可能造成一些观测资料出现异常，所以本文对监测数据做了质量控制，剔除异常和缺漏数据。文中所有时间均为北京时。
2.2 技术方法
2.2.1 道路结冰频率和空间分布
为探讨结冰出现的主要时段，以道路结冰频率表征不同时次各路段出现结冰的频率，计算公式如下：
式中：fi（%）为i时次的结冰频率；mi为i时次结冰的数据量；Ni为i时次的总数据量；i为不同时次，取值00：00—23：00。
为了解甘肃省高速公路道路结冰高发区典型路段的结冰小时数空间分布特征，使用ArcGIS软件，加载公路道路结冰小时数实况资料，再叠加高速公路线路地理信息和交通气象站站点信息，采用克里金（Kriging）插值法（于水等，2023）进行空间插值，以此来估计结冰小时数在区域范围内的分布情况。
2.2.2 Logistic回归法
Logistic回归法常用于因变量为二分变量的回归拟合，该方法通过Logit变换将取值转化为概率值，气象上常用来构建概率预报或风险等级模型（白永清等，2016）。道路结冰现象有两种，发生定义为1，未发生定义为0，采用Logistic回归模型作为分析方法，引入气温、路面温度、相对湿度、降水量、积雪深度等多个因子作为自变量，构建道路结冰Logistic气象条件概率预报模型，具体公式如下：
式中：P为道路结冰风险概率，取值范围为0~1；xi为自变量（i=1，2，3，…，5），x1（℃）为气温、x2（℃）为路面温度、x3（%）为相对湿度、x4（mm）为降水量、x5（cm）为积雪深度；α为模型的截距项；βi为各自变量的偏回归系数项。
2.2.3 神经网络模型
3 结果与分析
3.1 道路结冰空间分布特征
由2015—2020年11月至次年4月甘肃武威以东高速公路道路结冰小时数空间分布（图2）看出，道路结冰现象主要出现在庆阳、平凉、天水、陇南、甘南、武威等市（州），各月结冰小时数依次为1月>2月>12月>11月>3月>4月，每年1—2月为春运期，高速公路车流量较大，在道路结冰的路面上行驶，发生交通事故的风险会增大，因此交通、公安等部门应在1—2月做好防范工作。典型8条路段的结冰小时数排序为：Ⅰ路段（1 467 h）>Ⅱ路段（1 087 h）>Ⅲ路段（1 151 h）>Ⅳ路段（1 074 h）>Ⅴ路段（872 h）>Ⅶ路段（541 h）>Ⅵ路段（465 h）>Ⅷ路段（345 h）。其中，G30连霍高速古永段（Ⅰ路段）结冰小时数最多，由于该路段位于乌鞘岭隧道群，海拔在3 000 m左右，长上坡转弯路段密集，因此雨雪天气条件下易出现道路结冰；G22青兰高速巉柳段（Ⅱ路段）结冰小时数次之，该路段为榆中隧道群和弯道背阴路段，海拔为1 800~2 100 m，雨雪天气较多且易出现道路结冰；G30连霍高速天水过境段（Ⅲ路段）结冰小时数排第三，该路段为特长隧道，位于山体背阴处，冬季雪天易出现道路结冰；G22青兰高速西长凤庆阳段（Ⅳ路段）结冰小时数排第四，该路段为连续下坡段，山体背阴较多，降水较多容易结冰，上述路段交通事故多发。
图2
图2
2015—2020年11月至次年4月甘肃武威以东道路结冰小时数空间分布（单位：h）
Fig.2
Spatial distribution of road icing hours in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020 （Unit： h）
3.2 道路结冰时间变化特征
图3为2015—2020年11月至次年4月甘肃武威以东道路结冰发生频率的逐时变化。可以看出，道路结冰现象主要出现在上午和夜间，00：00—10：00和22：00—23：00这两个时段内各路段出现道路结冰的频率较高，各时次的道路结冰频率在3%~22%左右，午后出现结冰的频率相对较少。对比8条路段各时次的道路结冰频率，发现结冰频率的大小排序与结冰小时数的大小排序结果基本一致，其中，G22青兰高速巉柳段（Ⅱ路段）、G30连霍高速天水过境段（Ⅲ路段）、G30连霍高速古永段（Ⅰ路段）以及G22青兰高速西长凤庆阳段（Ⅳ路段）的结冰频率较高。
图3
图3
2015—2020年11月至次年4月甘肃武威以东道路结冰发生频率的逐时变化
Fig.3
The hourly variation of frequency of road icing in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020
3.3 道路结冰与气象要素的相关性
为判断出现道路结冰现象是否与气象要素有明显关联，将道路结冰与气象要素进行相关性分析。结果表明，风速（v）与道路结冰的相关性不大，相关系数为-0.089，可以剔除。各路段道路结冰与气温（T）、路面温度（TR）之间存在显著的负相关性（P<0.05），相关系数分别为-0.29、-0.28，与积雪深度（H）、过去24 h降水量（R24）、相对湿度（RH）之间存在显著的正相关性（P<0.05），相关系数分别为0.60、0.42、0.20，说明气温、路面温度越低，相对湿度、降水量、积雪深度越大，越容易出现道路结冰现象。
3.4 气象要素的变化特征
2015—2020年11月至次年4月甘肃武威以东出现道路结冰时各气象要素逐时变化（图4）显示，气象要素的变化主要呈现为4种形态：单峰单谷型、单谷型、单峰型、平缓型。分别表现为：气温、路面温度随时间的变化趋势基本一致，均表现为单峰单谷型，13：00—17：00为一天中气温和路面温度较高的时段，00：00—10和22：00—23：00为一天中气温和路面温度较低的时段，在相同时间点，路面温度比气温高2~3 ℃左右；相对湿度随时间的变化特征大体呈现单谷型，其较大值出现在00：00—09：00和22：00—23：00，而较小值出现在11：00—19：00；风速、积雪深度随时间的变化大体呈现单峰型，00：00—10：00和20：00—23：00风速和积雪深度为一天中较小的时段，12：00—18：00为风速和积雪深度较大的时段；降水量随时间的变化差异不大，整体表现较为平缓。另外，对照结冰出现的主要时段（00：00—10：00和22：00—23：00）发现，气温、路面温度处于低值区，相对湿度处于高值区，风速处于低值区。
图4
图4
2015—2020年11月至次年4月甘肃武威以东道路结冰时气象要素逐时变化
Fig.4
The hourly variation of meteorological elements when the road freezes in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020
3.5 道路结冰气象条件等级指标与预警模型
3.5.1 道路结冰气象条件等级指标
图5为2015—2020年11月至次年4月甘肃武威以东道路结冰时不同高速路段、不同气象要素的箱线图。可以看出，道路结冰时，气温（T）在0~75%分位数区间范围内低于-3 ℃；路面温度（TR）在0~75%分位数区间范围内低于-1 ℃；相对湿度（RH）在25%~100%分位数的区间范围高于65%；过去24 h降水量（R24）、积雪深度（H）在25%~100%分位数的区间范围均大于0；风速（v）在10%~100%分位数区间范围内低于6 m·s-1。
图5
图5
2015—2020年11月至次年4月甘肃武威以东道路结冰时不同高速路段、不同气象要素的箱线图
Fig.5
The box diagram of different highway sections and different meteorological elements when the road freezes in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020
表1 甘肃武威以东高速公路道路结冰气象条件等级指标
Tab.1
| 路段 | 气温T/℃ | 路面温度TR/℃ | 相对湿度RH/% | 降水量（R24）或积雪深度（H）条件满足其一即可 |
|---|---|---|---|---|
| Ⅰ路段 | T≤-5 | TR≤-2 | RH≥65 | 四级（稍有影响）：0.1 mm≤R24<2.5 mm或1 cm≤H<2 cm； 三级（有一定影响）：2.5 mm≤R24<5.0 mm或2 cm≤H<3 cm； 二级（有较大影响）：5.0 mm≤R24<10.0 mm或3 cm≤H<5 cm； 一级（有严重影响）：R24≥10.0 mm或H≥5 cm。 |
| Ⅱ路段 | T≤-2 | TR≤-1 | RH≥65 | |
| Ⅲ路段 | T≤-3 | TR≤-1 | RH≥75 | |
| Ⅳ路段 | T≤-2 | TR≤-1 | RH≥75 | |
| Ⅴ路段 | T≤-2 | TR≤-1 | RH≥75 | |
| Ⅵ路段 | T≤-2 | TR≤-1 | RH≥70 | |
| Ⅶ路段 | T≤-5 | TR≤-2 | RH≥75 | |
| Ⅷ路段 | T≤-5 | TR≤-1 | RH≥75 | |
| 所有路段平均 | T≤-3 | TR≤-1 | RH≥65 |
3.5.2 Logistic法构建道路结冰概率预报模型
对数据集按照7：3比例进行随机抽样，划分为训练样本集和测试样本集，并以训练样本数据构建预警模型。依据每条路段上的交通气象站资料，采用Logistic回归法建立相应路段的预警模型，得到各路段道路结冰的多要素气象风险概率预报模型。以G30连霍高速古永段（Ⅰ路段）为例，构建Logistic气象条件预警模型如下：
式中：P1为Ⅰ路段的道路结冰风险概率；x1（℃）为气温；x2（℃）为路面温度；x3（%）为相对湿度；x4（mm）为过去24 h降水量；x5（cm）为积雪深度。
用测试样本数据对模型进行预测效果检验评估。以P=0.5为临界点对测试样本进行判定，当P>0.5时判定结冰事件发生，当P≤0.5时判定结冰事件不发生。不同路段公式中自变量的各项系数值不同，其余7条路段的Logistic回归模型公式此处省略，预测结果如下：8条路段的Logistic回归模型对发生结冰事件的预测准确率相对较低，在16.1%~45.9%之间，平均值为31.6%；对未发生结冰事件的预测准确率较高，在86.2%~96.1%之间，平均值为91.9%。因此该模型在交通气象服务中有参考价值。
分区域、分路段预测道路结冰事件的概率P值，依据P值的取值范围确定预警等级，分析研判道路结冰事件发生的概率大小。道路结冰气象风险概率预报的划分依据如表2所示。
表2 高速公路道路结冰气象风险概率预报的等级划分
Tab.2
| 气象灾害 | 等级 | 颜色 | 划分依据 | 道路结冰风险 |
|---|---|---|---|---|
| 道路结冰 | 四级 | 蓝色 | 0.5<P≤0.6 | 稍有风险 |
| 三级 | 黄色 | 0.6<P≤0.8 | 有一定风险 | |
| 二级 | 橙色 | 0.8<P≤0.9 | 有较大风险 | |
| 一级 | 红色 | P>0.9 | 有严重风险 |
由于Logistic回归模型对结冰事件发生的预测准确率仅为31.6%，难以用于实际业务中，因此综合考虑路面温度与气温的关系，再结合其他气象影响要素进一步探索道路结冰事件发生的预报预警方法。气象行业标准《公路交通高影响天气预警等级》（中国气象局公共气象服务中心和交通运输部公路科学研究院，2018）中道路结冰预警等级判定方法如下：当路面温度TR<0 ℃且出现降水时，2~12 h内可能出现道路结冰；《公路交通气象监测服务产品格式》（中国气象局公共气象服务中心，2019）中将TR≤-2 ℃和-2 ℃<TR≤2 ℃作为影响公路交通的分级指标。因此将0 ℃和-2 ℃求取平均值-1 ℃作为路面温度指标阈值，结合前文研究结果相同时间点路面温度比气温高2~3 ℃左右，划分路面结冰事件发生的气象条件指标：当气温T≤-3 ℃、路面温度TR≤-1 ℃，且已经出现或将出现降水或积雪时，判定可能出现道路结冰。
3.5.3 神经网络算法构建道路结冰预警模型
首先构建神经网络模型，确定人工神经网络的拓扑结构，MLP神经网络算法包含3层：输入层、隐藏层、输出层。选取气温、路面温度、相对湿度、过去24 h降水量、积雪深度作为输入层，输出层为道路结冰等于1或0，其中1表示结冰，0表示未结冰。构建的神经网络结构由5×1的输入层、3×1的隐藏层和2×1的输出层组成。神经网络结构模型如图6所示，表3列出神经网络模型对道路结冰的预测结果。可以看出，训练样本和测试样本中神经网络模型的交叉熵损失函数的不正确预测率分别为11.3%和11.8%，代表训练情况良好。模型分类中，训练样本的总体正确预测率为88.7%，测试样本的总体正确预测率为88.2%，值得注意的是，神经网络模型对结冰事件发生（道路结冰等于1）的预测准确率为44.6%，远高于Logistic回归模型。因此，神经网络模型对样本的预测能力比Logistic回归模型强。
图6
表3 神经网络模型对道路结冰的预测结果 单位：%
Tab.3
| 样本 | 交叉熵损失函数的不正确预测率 | 道路结冰等于0的正确预测率 | 道路结冰等于1的正确预测率 | 总体正确预测率 |
|---|---|---|---|---|
| 训练样本 | 11.3 | 96.2 | 44.6 | 88.7 |
| 测试样本 | 11.8 | 96.1 | 43.1 | 88.2 |
神经网络模型的ROC（Receiver Operating Characteristic Curve）曲线反映了模型的敏感性与特异性之间的关系，曲线下方的面积（Area Under Curve，AUC）用来表示预测准确性，AUC值越高，说明模型的预测准确率越高。从图7（a）可以看出，神经网络模型中结冰事件发生（道路结冰等于0）和未发生（道路结冰等于1）的AUC值都为0.878，也表明模型预测能力较好。从图7（b）模型自变量的重要性可以看出，模型认为路面温度、气温和过去24 h降水量这3个变量比较重要，正态化重要性分别为100%、55.6%和37.4%，其次是相对湿度（35.3%）和积雪深度（26.8%）。
图7
图7
神经网络模型的ROC曲线（a）及自变量的重要性（b）
Fig.7
The receiver operating characteristic curve （a） and the importance of the independent variables （b） of neural network model
4 结论与讨论
本文利用2015—2020年11月至次年4月甘肃武威以东高速公路沿线的交通气象站观测数据，对道路结冰空间分布特征及其与气象要素的相关性进行了分析，采用Logistic回归法和神经网络算法开展了道路结冰预警模型研究，得出主要结论如下：
（1）甘肃省道路结冰现象主要出现在庆阳、平凉、天水、陇南、甘南、武威等市（州）。12月至次年2月是高速公路道路结冰的高发期。道路结冰现象主要出现在上午和夜间，00：00—10：00和22：00—23：00各路段出现道路结冰的频率较高。建议交通、公安等部门针对主要结冰时段以及隧道群、长下坡路段、山体背阴等重要路段做好道路结冰防范工作。
（2）出现道路结冰现象时，气温、路面温度的变化总体呈单峰单谷型，相对湿度的变化总体呈单谷型，风速、积雪深度的变化总体呈单峰型，降水量的变化表现较为平缓。并且在结冰主要时间段，气温、路面温度处于低值区，相对湿度处于高值区，风速处于低值区。
（3）道路结冰气象条件等级指标为：气温T≤-3 ℃，路面温度TR≤-1 ℃，相对湿度RH≥65%，同时依据过去24 h降水量（R24）或积雪深度（H）划分为4个等级。气温、路面温度、相对湿度满足以上条件时，当0.1 mm≤R24<2.5 mm或1 cm≤H<2 cm时，道路结冰气象风险定为四级，稍有影响；当2.5 mm≤R24<5.0 mm或2 cm≤H<3 cm时，道路结冰气象风险定为三级，有一定影响；当5.0 mm≤R24<10.0 mm或3 cm≤H<5 cm时，道路结冰气象风险定为二级，有较大影响；当R24≥10.0 mm或H≥5 cm时，道路结冰气象风险为一级，有严重影响。
（4）Logistic回归模型对道路未发生结冰事件的预测准确率良好，为91.9%，但对结冰事件发生的预测准确率仅为31.6%，难以应用于实际业务中，因此需要结合气温、路面温度、降水、积雪等条件，判定道路结冰是否可能发生。神经网络模型预测能力较好，对结冰事件未发生和发生的预测正确率分别为96.2%和44.6%，并且路面温度、气温和过去24 h降水量这3个变量对模型的贡献比较重要。上述两种道路结冰预警模型能够较好地指导交管部门开展路段巡查维护和积雪、结冰清除工作。后续研究中，可以积累补充交通气象站数据，进一步完善优化模型。
参考文献
三种气温插补方法在中国西南地区的应用分析
[J].
观测数据的插补是提升气象数据完整性、恢复缺失数据真实性的重要手段。本文采用标准序列、空间回归和随机森林3种插补方法，对中国西南地区5个主要气候区地面气象观测站日平均气温序列数据以及犍为和北碚2个百年站月平均气温序列数据进行插补试验，并选用平均绝对误差、均方根误差以及插补值与观测值偏差分别在±0.8 ℃和±0.5 ℃区间的样本占比（P0.8、P0.5）等4项指标对插补结果进行评估。结果表明：3种方法对中国西南地区5个气候区站点气温日均值与2个百年站气温月均值插补效果较好，且空间回归方法的插补精度高、适用性最好，在5个气候区的插补精度都高于其他两种方法，在地形较为平坦的四川盆地P0.8约0.90，在地形最为崎岖的川西南滇北山地P0.8也在0.60以上，地形对气温插补精度影响明显。选取最优参考站数可有效降低插补误差，2个百年站95%以上的月平均气温样本插补误差可控制在±0.5 ℃以内。
基于多源观测资料对张家口一次雨雪天气降水相态特征的分析
[J].利用ERA5再分析资料及云雷达、微波辐射计和SA双偏振多普勒雷达等多源观测资料,分析2020年11月17—19日张家口地区一次雨雪天气的降水相态演变特征。结果表明：在高空低槽、中低层低涡与地面倒槽配合下,高空槽后西北气流引导冷空气南下造成气温迅速下降,导致降水相态变化。过程前期整层大气均为强暖平流,且地面气温较高,降水相态为雨。18日傍晚冷平流发展强烈,各层温度迅速降低,整层变为冷层,导致降水相态转换为雪。散度和垂直速度的诊断表明降雨时段的动力强迫主要位于高层,降雪时段则主要位于低层。云雷达高分辨率资料可以反映0 ℃层变化,大于10 dBZ的质心变化可以指示降水强度变化,降雨时的基本速度最大可达6~8 m·s-1,而降雪时则小于 2 m·s-1。微波辐射计高分辨率时空资料可以准确判断雨雪转换时间,降水开始之前3~5 h积分水汽含量出现跃升与峰值。双偏振雷达和微波辐射计结合可以对降水粒子相态实现准确判断,可用于降水相态转换的临近预报。
高速公路交通气象监测预报服务研究进展
[J].高速公路交通运输是国民经济建设和民众出行的大动脉，它对气象条件具有高敏感性。不利的天气条件易导致交通事故频发，造成财产损失和人员伤亡，已成为社会各界广泛关注的热点问题。本文系统梳理了国内外高速公路交通气象监测预报服务研究进展，重点介绍高速公路交通气象监测预报研究发展历程，分析几类恶劣天气对交通运输安全的影响与机理，最后探讨了中国特色高速公路交通气象监测预报预警服务系统建设的内容、特点及趋势。结果表明，以雾为主的低能见度、道路积雪和结冰、强降水等是影响高速公路安全运行的主要气象因素。本研究旨在促进我国交通气象学科的发展，提升现代化高速公路交通气象监测预报预警服务水平，并为科学决策道路建设、防范和应对交通事故、保障财产和生命安全提供参考依据。
基于BP神经网络的张掖国家湿地公园水域结冰厚度预报模型
[J].利用2011年12月-2012年3月张掖国家湿地公园水域结冰厚度观测资料和张掖观象台的气温、 地温等资料，借助BP神经网络可以逼近任意非线性函数的能力和特点，构建了用于短期预报水域结冰厚度的模型，并验证该模型的预报效果。结果表明，BP神经网络预报模型能够对水域结冰厚度进行有效的短期预报，该结冰厚度的预报模型对结冰厚度的预报效果较理想.流动水域结冰厚度预报历史拟合率高达96.8%，模型试报准确率为85.7%；静止水域结冰厚度预测历史拟合率达87.8%，模型试报准确率为80.0%，其性能指标符合实际要求，具有实际应用价值。
浙江一次强雨雪过程大气环流特征及成因分析
[J].利用1981年1月至2018年3月浙江省75个国家级气象观测站降水、雪深、气温资料， NCEP/DOE（the National Centers for Environmental Prediction/Department of Energy， NCEP/DOE）逐日再分析资料、及MJO（Madden-Julian Oscillation）指数等对2018年1月下旬浙江地区一次雨雪冰冻过程特征及其可能的影响机制进行分析。结果表明：（1）2018年1月24—28日浙江出现大范围连续雨雪天气，全省平均累计降水量36.2 mm，最大积雪深度平原10~20 cm，山区20~35 cm。雨雪冰冻期间湖州平均气温均低于0 ℃，较历史同期偏低4 ℃左右。（2）降雪期间贝加尔湖附近槽东移南下，低纬南支槽东移北抬，冷暖气流交汇于浙江上空，水汽辐合强烈，导致强降雪天气的产生。（3）强MJO事件向东发展，海洋性大陆区域海表气温升高，加强局地经向环流的同时促使暖湿气流西伸北抬，为雨雪天气的形成提供动力及水汽条件。（4）源自北大西洋的Rossby波能量与源自低纬孟加拉湾-中国南海附近的经向Rossby波能量共同堆积于东亚地区，促使负东亚太平洋（East Asia-Pacific， EAP）遥相关型维持、发展，是造成浙江地区连续降雪（雨）的重要原因。
连霍高速公路陕西段低能见度特征及影响因素
[J].为了提升高速公路沿线低能见度预报预警能力，本文利用连霍高速公路陕西段沿线10个交通气象观测站逐时观测资料和欧洲中期数值预报中心ERA5逐小时再分析数据，分析公路沿线低能见度分布特征，探究低能见度与其他气象要素的关系。结果表明：1月是连霍高速公路陕西段沿线低能见度天气高发月份，而2月低能见度天气最少；一日中00：00—10：00（北京时，下同）低能见度出现次数最多，其中0~50 m的低能见度主要出现在05：00—06：00；低能见度持续时间较短，多在2 h以内，最长持续17 h。兴平到常兴段、陈仓段低能见度天气较多，是日常交通气象服务需要重点关注的路段。低能见度与各气象要素的关系分析发现，0~5 ℃的气温、90%以上的相对湿度、1.0 m·s-1以下的风速且处于东北风至东风条件下低能见度出现次数最多。夏季和冬季低能见度多与降水天气有关，低能见度通常出现在降水过程中或过程后，这种低能见度天气均在天气系统影响时出现，较辐射降温引起的低能见度持续时间更长、范围更广。各季节低能见度形成时的相对湿度不尽相同，冬、夏、秋季低能见度天气的相对湿度较高，而春季低能见度天气的相对湿度较低。
基于BP神经网络算法的路面结冰时间预测
[J].为实现对路面结冰时间的准确预测,首先根据目前已有监测点路面传感器的历史数据,抽取结冰前一段时间的数据并剔除异常数据,形成数据标本。对数据进行特征选择和归一化处理,将与路面结冰强相关的数据进行BP神经网络建模。然后,让模型对数据标本进行自学习,并自动调整模型内各节点权值,进行模型优化。最后利用其他监测点数据对模型进行验证。结果表明：模型对2h之内的结冰预测结果较准确。并且预测模型对越接近结冰点的时间预测越准确,从统计结果可看出60min之内的预测数据和实际数据几乎完全一致。因此可见,使用BP神经网络算法可实现对道路结冰时间的有效预测。
A model to predict surface temperatures
[J].
Thermographic measurement and numerical weather forecast along a highway road surface
[J].
The effect of ice warning signs on ice-accident frequencies and severities
[J].
Improving road weather model forecasts by adjusting the radiation input
[J].
Energy and thermal performance evaluation of an automated snow and ice removal system at airports using numerical modeling and field measurements
[J].
The prediction of road surface state and simulation of the shading effect
[J].
First experience with the application of the METRo model in the Czech Republic
[J].
Usage of existing meteorological data networks for parameterized road ice formation modeling
[J].
Temperature prediction model of asphalt pavement in cold regions based on an improved BP neural network
[J].
Validation of a road surface temperature prediction model using real-time weather forecasts
[J].
