交通是城市稳定运行的生命线，而全球气候变化引发的极端天气事件日益频繁，大雾、冰冻雨雪、强降水等气象灾害导致的交通阻断和交通事故屡见报道，不仅威胁生命财产安全，还对社会经济效益造成严重影响（赵琳娜等，2008；白永清等，2015；白永清等，2016）。统计数据显示，高速公路交通事故中恶劣天气占比近两成，其中道路结冰是最主要的危险因素（田华等，2019），可能导致车辆追尾、侧翻、横滑和翻车等事故，对交通安全构成重大威胁（辛吉武和许向春，2007；孙洪运等，2012；沈萍月等，2014；康延臻等，2016）。尤其在临近冰点时，由于桥梁与路基热力结构的差异，桥面比普通路面更易结冰，从而增加交通事故风险（吕晶晶等，2013；王婧等，2018）。因此，研究桥面与路面温度的差异特征，开展桥面温度预报，对交管部门提前预判恶劣天气具有重要意义，可为减少交通事故提供科学决策支持。

近年来，基于交通气象站观测数据，气象工作者对路面温度特征展开的研究发现，路面温度变化幅度通常快于气温（田华等，2009；闫昕旸等，2018），且其日变化受季节、天气条件及地理位置的综合影响（吴晟等，2006；武辉芹等，2014；李兰兰等，2016）。由于桥梁结构的特殊性，桥面热力环境与路基路面存在明显差异，散热速度更快，尤其在冬季晴天条件下，桥面温度明显低于路面温度（刘熙明等，2004；朱承瑛等，2009；吕晶晶等，2013；王婧等，2018）。近年来，国外学者开发了多种路面结冰预报模式，例如道路环境和温度模型（Model of the Environment and Temperature of Roads，METRo）可提供路面温度及状态预测（Shao and Lister，1996；Crevier and Delage，2001）。国内基于线性回归方法构建的路面温度统计模型，预测准确率基本满足实际应用需求（田华等，2009；武辉芹等，2014；李兰兰等，2016；闫昕旸等，2018）。此外，神经网络、支持向量机及随机森林等机器学习方法也被引入路面温度预报研究并显示出良好的预报效果（牛生杰等，2011；董天翔等，2018；王可心等，2021；邹兰军等，2022）。然而，这些研究多集中于路面温度，对桥面温度的预报研究仍较为稀少。

武汉市地处长江中游，长江与其最大支流汉江在此交汇，现已建成11座长江大桥。这些跨江大桥作为连接南北的重要交通枢纽，其安全运行至关重要。然而，针对武汉市跨江大桥温度特征及预报的研究鲜有报道。因此，开展桥面温度预报研究不仅具有科学价值，更能为武汉市桥梁交通安全管理提供重要参考。本文基于武汉天兴洲大桥路段布设的3个交通气象监测站观测数据，系统分析桥面与路面温度的差异特征，并结合多元线性回归和反向传播（Back Propagation，BP）神经网络方法构建桥面最低温度预报模型，以期为武汉市跨江大桥桥面结冰预报及交通气象防灾减灾提供科学支持。

武汉天兴洲大桥南起青化立交，上跨长江水道，北至汉施立交，全桥长4 657.1 m，宽27.0 m，主桥长1 092.0 m，东南至西北方向。天兴洲大桥全桥共设3个交通气象站，自南向北依次为青化立交站、天兴洲大桥站和三环线站（图1）。天兴洲大桥站位于主桥，其监测设备悬空于长江水道之上；青化立交站和三环线站均设置在实有路基的路面上。为研究桥面和路面的温度差异，选取天兴洲大桥站代表桥面，青化立交站和三环线站分别代表路面。

观测资料来源于气象大数据平台“天擎”（http://10.104.64.50:8088/cmadaas/），包括路面最低温度、气温、降水、风速、日照时数和总云量等，时间分辨率为5 min，资料时间段为2020—2023年每年冬季（12月至次年2月）。由于用天兴洲大桥站代表桥面，其观测的路面最低温度统一表述为桥面最低温度。预报资料来源于智能网格预报国家级指导预报产品，空间分辨率为0.05°×0.05°，时间分辨率为24 h，预报时效为24~240 h，起报时间为每日08：00（北京时），选取2022年12月—2023年2月的72 h预报时效的日最低气温预报产品，并提取预报格点为天兴洲大桥所在位置（114.4°E、30.5°N）的数据进行分析。基于以上观测资料对桥面和路面最低温度特征进行分析，并结合多元线性回归和BP神经网络算法，分别建立桥面最低温度预报模型。模型采用智能网格最低气温预报产品驱动，并对比检验其预报效果。文中所用时间均为北京时。

由于桥梁与路基的热力结构不同，桥面温度与路面温度存在明显差异。从图2可看出，近3 a桥面最低温度出现在2023年1月25日，为-6.1 ℃，当日青化立交站和三环线站路面最低温度分别为5.7、6.1 ℃；路面最低温度出现在2021年1月8日，青化立交站和三环线站分别为-2.1、-4.3 ℃，当日桥面最低温度为-5.7 ℃。

桥面最低温度低于青化立交站和三环线站路面最低温度的天数占比分别为76.3%、53.1%，其中，桥面最低温度低于两站路面最低温度1 ℃以上的天数分别占51.4%、27.0%，低于2 ℃以上的天数分别占22.0%、9.1%；在桥面最低温度低于路面最低温度的情况下，桥面最低温度平均比两站路面最低温度低1.6、1.5 ℃。上述现象主要有以下原因造成：1）天兴洲大桥主桥面采用环氧沥青混凝土，其他部分采用普通沥青，前者比热为879 J·（kg·℃）^-1，低于后者[950 J·（kg·℃）^-1]（王婧等，2018），导致桥面更易散热；2）天兴洲大桥主桥位于长江水道上，与空气的对流热交换更为明显，进一步降低了桥面温度；3）近3 a天兴洲大桥站的平均风速为3.0 m·s^-1，而青化立交站和三环线站分别为1.8、1.1 m·s^-1，在相同的天空条件下，桥面因风速较大而消耗更多的感热和潜热，导致温度较路面更低（刘霞等，2011；王婧等，2018）。

图3为近3 a武汉冬季4次明显降温过程的桥面和路面最低温度逐小时变化，4次过程的时间分别为2020年12月28日08：00—2020年12月31日24：00、2021年1月7日08：00—9日08：00、2023年1月14日08：00—17日08：00、2023年1月23日08：00—26日08：00（分别简称为“过程1”、“过程2”、“过程3”、“过程4”），降温过程中桥面温度始终低于路面。

过程1，温度于2020年12月31日07：00达到最低，桥面温度为-4.7 ℃，低于青化立交站6.5 ℃、三环线站8.2 ℃；桥面温度分别提前路面11 h（青化立交站）和6 h（三环线站）降至冰点以下；桥面温度低于冰点的时间最长17 h，分别多于青化立交站7 h、三环线站1 h。

过程2，温度于2021年1月8日05：00达到最低，桥面温度为-5.7 ℃，低于青化立交站3.6 ℃、三环线站1.4 ℃；桥面温度分别提前路面5 h（青化立交站）和4 h（三环线站）降至冰点以下；桥面温度低于冰点的时间最长19 h，多于三环线站4 h，少于青化立交站1 h。

过程3，温度于2023年1月16日05：00达到最低，桥面温度为-4.2 ℃，低于青化立交站3.2 ℃、三环线站3.0 ℃；桥面温度分别提前路面2 h（青化立交站）和3 h（三环线站）降至冰点以下；桥面温度低于冰点的时间最长39 h，分别多于青化立交站22 h、三环线站29 h。

过程4，温度于2023年1月25日03：00达到最低，桥面温度为-6.1 ℃，低于青化立交站5.2 ℃、三环线站5.6 ℃；桥面温度分别提前路面7 h（青化立交站）和9 h（三环线站）降至冰点以下；桥面温度低于冰点的时间最长17 h，分别多于青化立交站11 h、三环线站12 h。

综上所述，在降温过程中桥面温度比路面平均低3.1 ℃（青化立交站）和3.0 ℃（三环线站）；平均提前路面5.8 h（青化立交站）和5.0 h（三环线站）降至冰点以下；低于冰点的持续时间更长，平均比路面多7.2 h（青化立交站）和10.0 h（三环线站）。降温过程中，桥面温度变化更明显，其快速降温和低温持续时间更长的特点为交通安全带来更大的潜在风险。

研究表明，天气条件会明显影响路面温度（刘霞等，2011；吕晶晶等，2013；张曦等，2019）。为分析不同天气状况下桥面和路面温度的差异特征，选取晴、阴、降水3种典型天气状况进行研究。其中，日总云量为8~10成且日照时数小于3 h为阴天；日总云量为0~2成且日照时数大于等于8 h为晴天（王婧等，2018）。由于交通气象站未观测总云量和日照时数，借助周边武汉站和黄陂站的观测数据确定天空状况，筛选出5个晴天、4个阴天、3个降水天（表1）。从表1可看出，桥面温度始终低于路面，晴天桥面和路面温度差值最大，其次为阴天，降水天气时差异最小。

进一步统计3种天气条件下桥面与路面最低温度的差值（表略）发现，晴天，桥面温度昼夜变化幅度最大，天兴洲大桥站与青化立交站最低温度差值为2.0~3.0 ℃，占比为55.8%；天兴洲大桥站与三环线站温度差值为1.0~3.0 ℃，占比为44.0%。阴天，桥面与路面最低温度差值为0.5~2.0 ℃，占比分别为70.8%（青化立交站）、56.1%（三环线站）。降水天气时，桥面与路面最低温度差值为0.5~2.0 ℃，占比分别为72.3%（青化立交站）、65.3%（三环线站）。

研究表明，最低气温与路面最低温度之间具有良好的相关关系（吴晟等，2006；田华等，2009；武辉芹等，2014；闫昕旸等，2018）。选取最低气温为主要影响因子，同时引入前一日最低气温作为另一影响因子，利用天兴洲大桥站2020—2021年冬季桥面最低温度和最低气温的日值资料，分别基于多元线性回归和BP神经网络方法建立桥面最低温度预报模型。模型驱动数据选用智能网格最低温度预报产品，并对2022年12月—2023年2月72 h模型预报结果进行检验。

基于最低温度的一元线性回归模型和基于前一日桥面最低温度的多元线性回归模型分别为公式（1）和公式（2），前者相关系数为0.942，后者复相关系数为0.964，均通过0.01的显著性检验。

式中：y为桥面日最低温度；x₁为智能网格预报的最低气温；x₂为前一日桥面最低温度。单位均为℃。

基于BP神经网络方法建立桥面最低温度模型时，将训练集中仅有最低气温一个影响因子的模型记为BP1，将训练集中加入前一日桥面最低温度作为另一影响因子的模型记为BP2。

对2022年12月—2023年2月72 h模型预报结果进行检验（表2），可看出，4种模型的平均绝对误差均小于3.0 ℃，均方根误差均小于2.0 ℃，随着预报时效的延长，预报准确率和预测精度均呈下降趋势；多元线性回归模型较其他3种模型具有更高的预测准确率；BP1模型预测精度高于其他3种模型。

进一步对4种模型的相对误差绝对值（Absolute Relative Error，ARE）进行分析（图4），并结合表2可看出，多元线性回归模型的预测精度高于一元线性回归，24 h时效预报的ARE<0.1的占比中，多元线性回归模型较一元线性回归模型高4.7%，在0.1≤ARE<0.5和0.5≤ARE<1.0的占比中，多元线性模型分别低于一元线性模型3.5%、4.7%；多元线性模型的预报准确率更高，24 h时效的ARE<0.1的占比中，多元线性模型较一元线性模型高4.6%，尽管48 h时效2种模型预测结果差异较小，但在0.1≤ARE<0.5的占比中多元线性模型高于一元线性模型4.7%。BP2模型的预测精度高于BP1，48 h预报的0.1≤ARE<0.5的占比中，BP2模型高于BP17.1%，在0.5≤ARE<1.0和ARE≥1.0的占比中，BP2模型分别低于BP13.5%、1.2%；BP2模型的预测准确率更高，24 h、48 h、72 h预报的0.1≤ARE<0.5的占比中，BP2模型分别高于BP1模型2.4%、7.1%和3.5%。大多数情况下BP2模型的预测精度高于多元线性回归模型，72 h预报的ARE<0.1和0.1≤ARE<0.5占比中，BP2模型分别高于多元线性模型1.1%、7.3%，在0.5≤ARE<1.0的占比中，BP2模型低于多元线性回归模型18.1%；大多数情况下多元线性模型的预测准确率高于BP2模型，48 h和72 h预报的ARE<0.1占比中，多元线性回归模型分别高于BP2模型4.4%、3.5%。

2种回归算法模型中，多元线性模型的预报准确率和预测精度均高于一元线性模型；2种BP神经网络模型中，引入前一日桥面最低温度的BP2模型的预报准确率和预测精度高于只有桥面最低温度的BP1模型。在大多数情况下，BP2模型的预测精度高于多元线性模型，而多元线性模型的预测准确率高于BP2模型。因此，在实际应用过程中可根据不同需求选择模型：对预测精度要求较高时可优先选择BP2模型，对预测准确率要求较高时可优先使用多元线性模型。

本文利用武汉天兴洲大桥近3 a冬季大桥站、青化立交站和三环线站3个交通气象站逐5 min多要素观测资料，在分析桥面和路面最低温度的逐日、逐时差异特征及不同天气条件下的变化规律基础上，基于线性回归和BP神经网络方法建立了桥面最低温度预测模型，并采用智能网格最低气温预报产品驱动模型并进行检验，得到以下主要结论。

1）桥面温度低于路面的日数占比为76.3%（青化立交站）和53.1%（三环线站），桥面最低温度平均低于路面1.6 ℃（青化立交站）和1.5 ℃（三环线站）。

2）4次降温过程中，桥面温度平均提前路面5.4 h降至冰点以下，低温持续时间平均长于路面7.2 h（青化立交站）和10.0 h（三环线站）。

3）不同天气条件下桥面和路面最低温度差异明显，晴天二者差值最大，其次为阴天，降水条件下差值最小。晴天，桥面最低温度与路面最低温度的差值主要为1.0~3.0 ℃；阴天和降水天气，差值主要为0.5~2.0 ℃，但降水条件下的占比高于阴天1.5%（青化立交站）和9.2%（三环线站）。

4）4种模型预测的平均绝对误差均小于3.0 ℃，均方根误差均小于2.0 ℃。2种回归算法模型中，多元线性模型的预报准确率和预测精度高于一元线性模型；2种BP神经网络模型中，BP2的预报准确率和预测精度高于BP1。BP2的预测精度多高于多元线性模型，预测准确率则反之。

相较于BP神经网络算法模型，线性回归模型存在地区适应性问题，但其模型构建过程简单，预测精度较高，仍可在实际业务工作中作为参考。此外，不同天气条件下桥面和路面温度差异分析表明，太阳辐射对桥面温度有一定影响。未来研究可进一步引入太阳辐射因子，并结合更多观测资料，对不同天气条件下的桥面最低温度预测模型进行优化，以进一步提高模型性能。