一种飞机积冰SFIP指数优化调整方法及系统

技术领域

本发明涉及飞行安全领域，尤其涉及一种飞机积冰SFIP指数优化调整方法及系统。

背景技术

随着中国航空事业的发展，军民航运数量大大增加，飞机积冰作为一种严重威胁飞行安全的的现象，受到了民航及军事部门的重视，飞行过程中当飞机撞击到过冷，飞行过程中当飞机撞击到过冷液滴，便有可能在螺旋桨、机翼、天线、挡风玻璃等地方上产生积冰。不同部位的积冰会增加飞机的重力和阻力，减少升力和推力，严重情况下导致飞机的失速。根据相关的积冰指数算法对飞机积冰进行判定和并进行预报便显得尤为重要。

目前并没有针对中国区的SFIP指数的权重系数调整方案。

发明内容

鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种飞机积冰SFIP指数优化调整方法及系统。

根据本发明的一个方面，提供了一种飞机积冰SFIP指数优化调整方法，所述指数优化调整方法包括：

获取航司飞行记录数据；

基于先验概率进行积冰案例及非积冰案例的提取；

使用ERA5再分析数据或者模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值；

将观测数据与再分析数据之间进行匹配；

计算并选取评价指标；

结合区域影响因子，对SFIP指数权重系数进行调整，优化SFIP指数算法。

可选的，所述获取航司飞行记录数据具体包括：

获得航司飞行记录数据的基础上，对积冰警告进行信息提取；

结合警告对应的位置及时间信息，过滤错误数据集异常警告，进行积冰案例及非积冰案例的提取及筛选；

汇总分析各类事件的特征如空间分布，积冰强度、积冰分型。

可选的，所述基于先验概率进行积冰案例及非积冰案例的提取具体包括：

使用航司提供的QAR数据进行异常数据的剔除，并统计积冰与否、持续时间、时空点位等信息从而获取进行全样本积冰事件，为与模式数据的时空分辨率进行匹配，对全样本积冰案例进行积冰案例的抽取，同时等比例抽取非积冰案例。

可选的，所述使用ERA5再分析数据或者模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值具体包括：

使用ERA5再分析数据或者其他类型的模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值。

ERA5再分析数据为欧洲中心第五代大气分析资料。需要从中提取温度、湿度、垂直速度、液态水含量这四个要素进行SFIP指数及隶属函数的计算。

可选的，所述将观测数据与再分析数据之间进行匹配具体包括：

使用的气象再分析数据为逐小时数据、QAR数据为秒级数据，为兼顾评价的客观性及代表性，避免浪费算力，设计了整点匹配方案；

通过定义发生在整点前后十分钟内的积冰案例为整点积冰案例，首先行整点积冰案例的提取；

为保证整点积冰案例与整点非积冰案例对于结果的无偏差影响，计算整点积冰案例占所有积冰案例的发生比例，依据该比例随机抽取等比例的整点非积冰案例；

对于整点案例计算其中心点位，考虑飞机飞行速度计算整点案例覆盖范围，结合气象数据分辨率，划定中心点位周边一定范围格点内的SFIP指数平均值作为与案例匹配的指数值。

可选的，所述计算并选取评价指标具体包括：

基于原始SFIP积冰指数，获取提取案例对应点位的指数结果，计算原始SFIP指数的空报率、漏报率、准确率，对分布特性进行分析归纳总结。

可选的，所述结合区域影响因子，对SFIP指数权重系数进行调整，优化SFIP指数算法具体包括：

积冰观测案例按照积冰与否进行二值量化，基于案例点位处计算出的SFIP数值，建立回归模型；

通过引入空报率、漏报率、准确率等约束项，进行权重系数的调整，构造出适合于中国各个区域的飞机积冰SFIP指数优化调整方案。

本发明还提供了一种飞机积冰SFIP指数优化调整系统包括：

观测积冰案例提取模块，用于获取航司飞行记录数据；基于先验概率进行积冰案例及非积冰案例的提取；

SFIP积冰指数及隶属函数计算模块，用于使用ERA5再分析数据或者模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值；

案例匹配模块，用于将观测数据与再分析数据之间进行匹配；

评价指标计算及选取模块，计算并选取评价指标；

权重系数调整模块，结合区域影响因子，对SFIP指数权重系数进行调整，优化SFIP指数算法。

本发明提供的一种飞机积冰SFIP指数优化调整方法，所述指数优化调整方法包括：获取航司飞行记录数据；基于先验概率进行积冰案例及非积冰案例的提取；使用ERA5再分析数据或者模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值；将观测数据与再分析数据之间进行匹配；计算并选取评价指标；结合区域影响因子，对SFIP指数权重系数进行调整，优化SFIP指数算法。使用不同的评价指标作为约束条件，对于各个隶属函数的权重系数进行调整。对于不同的区域根据其关注的评价指标，选取对应的约束条件，从而获得适用于不同区域的权重优化方案。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种飞机积冰SFIP指数优化调整方法流程图；

图2为本发明实施例提供的一种飞机积冰SFIP指数优化调整系统组成框图；

图3为本发明实施例提供的飞行记录统计图；

图4为本发明实施例提供的单次积冰事件积冰持续时长示意图；

图5为本发明实施例提供的SFIP隶属函数相对气象要素的变化曲线示意图；

图6为本发明实施例提供的QAR观测案例与气象数据计算指数匹配方案示意图；

图7为本发明实施例提供的相对于a，b值的TSS分布样例示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。

下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。

如图1所示，一种飞机积冰SFIP指数优化调整方法，所述指数优化调整方法包括：

获取航司飞行记录数据；

基于先验概率进行积冰案例及非积冰案例的提取；

使用ERA5再分析数据或者模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值；

将观测数据与再分析数据之间进行匹配；

计算并选取评价指标；结合区域影响因子，对SFIP指数权重系数进行调整，优化SFIP指数算法。

中国区积冰及非积冰事件的提取：在获得中国航司飞行记录数据(QAR)的基础上，通过对于积冰警告进行信息提取，结合警告对应的位置及时间信息，过滤错误数据集异常警告，进行积冰案例及非积冰案例的提取及筛选，汇总分析各类事件的特征如空间分布，积冰强度、积冰分型等信息，为指数在国内的适用性分析提供基础。

积冰案例与SFIP指数的匹配方案：使用的气象再分析数据为逐小时数据、QAR数据为秒级数据，为兼顾评价的客观性及代表性，避免浪费算力，设计了整点匹配方案。通过定义发生在整点前后十分钟内的积冰案例为整点积冰案例，首先行整点积冰案例的提取；为保证整点积冰案例与整点非积冰案例对于结果的无偏差影响，计算整点积冰案例占所有积冰案例的发生比例，依据该比例随机抽取等比例的整点非积冰案例；对于整点案例计算其中心点位，考虑飞机飞行速度计算整点案例覆盖范围，结合气象数据分辨率，划定中心点位周边一定范围格点内的SFIP指数平均值作为与案例匹配的指数值。

原始积冰指数在中国区的适用性评估：基于原始SFIP积冰指数，获取提取案例对应点位的指数结果，计算原始SFIP指数的空报率、漏报率、准确率，对分布特性进行分析归纳总结。

SFIP指数隶属函数项权重优化调整：积冰观测案例按照积冰与否进行二值量化，基于案例点位处计算出的SFIP数值，建立回归模型，通过引入空报率、漏报率、准确率等约束项，进行权重系数的调整，最终构造出适合于中国各个区域的飞机积冰SFIP指数优化调整方案。

如图2所示，观测积冰案例提取模块

使用航司提供的QAR数据进行异常数据的剔除，并统计积冰与否、持续时间、时空点位等信息从而获取进行全样本积冰事件，为与模式数据的时空分辨率进行匹配，对全样本积冰案例进行积冰案例的抽取，同时等比例抽取非积冰案例。

SFIP积冰指数及隶属函数计算模块

使用ERA5再分析数据或者其他类型的模式气象产品数据，计算SFIP指数数值，及各个隶属函数的值。

ERA5再分析数据为欧洲中心第五代大气分析资料。需要从中提取温度、湿度、垂直速度、液态水含量这四个要素进行SFIP指数及隶属函数的计算。详细的公式在下文步骤中有描述。

案例匹配模块

观测案例点位与再分析数据之间的时空分辨率上存在较大的差别，需要将再分析数据的预报结果采取合适的时空插值方案插值到对应观测案例上。

常用的时空插值方法包括线性插值，最邻近插值，需要考虑到飞机飞行的特性，飞行记录分辨率与再分析数据分辨率之间的关系，选取案例点位周边最据代表性的SFIP指数。

垂直方向上，使用双线性插值方法将格点数据计算的SFIP值插值到QAR观测案例对应高度上。

水平方向上，假设飞机飞行过程中时速为800km/h，飞机平飞阶段一个格点最长的距离大致为模式数据空间分辨率*110km*1.41，以0.25度分辨率为例，则最长距离约为39km，飞机飞行花费的时间为2.85min，为了对应整点案例，结合飞机飞行方向，向外扩展对应范围内的格点，使用了周边5*5个格点的指数计算结果的平均值与积冰案例进行匹配，确保合理覆盖飞机飞行的范围，且对应范围内的气象信息能够代表飞机飞行时的气象特征。

常用的时空插值方法包括线性插值，最邻近插值，需要考虑到飞机飞行的特性，飞行记录分辨率与再分析数据分辨率之间的关系，选取案例点位周边最据代表性的SFIP指数。

评价指标计算及选取模块

国际上主流的评价指标有，PODY(probability ofdetection)，表示正确预报占比；POFD(probability offalse detection)，表示错误预报占比；TSS(true skillstatistic)，表示综合的评价结果。各个指标计算公式如下：

PODy＝YY/(YY+NY)

POFD＝YN/(YN+NN)

TSS＝PODy-POFD

其中YY表示实际有积冰情况下预报正确的案例数目，NY表示实际有积冰情况下预报无积冰的积冰案例数目，YN表示实际无积冰情况下预报积冰的案例数目，NN表示实际无积冰情况下预报无积冰的案例数目。

对于不同的区域，依据其关注重点，选取一个或者多个指数作为权重系数调整的约束条件。

权重系数调整模块

建立SFIP数值与积冰与否的二值回归关系，分析各个隶属函数与积冰与否的相关性，引入约束条件，对于三个权重系数进行调整，得到适合于不同区域不同关注重点的的权重系数方案。

适用于中国区域的飞机积冰SFIP指数优化调整技术具体步骤如下：

步骤一：基于QAR数据的典型案例提取

QAR全称是quick access recorder，也就是快速储存记录器，它位于机头的位置，可以收集飞行过程中的数百个数据，客观全面的反应整个飞行过程中飞机的状态和飞行员的操作。

数据中包含的信息主要分为四类分别是：航班标识、时间位置、气象要素和积冰信息。时间位置包含了时间、经度、纬度和高度；气象要素则包含了、气压、风速、风向、总温和静雯，积冰信息包括两个，分别是左翼积冰警告和右翼积冰警告。

如图3所示，通过对三年的飞行记录进行统计分析，2019年飞行记录在各个月份分布较为平均，可以确保后续案例的选取及与SFIP指数的比较不受到季节差异的影响，所以选取对应年份的QAR记录进行处理。

数据处理方面，首先需要进行异常数据的剔除，包括异常时间点数据的剔除及异常范围数据的剔除；之后进行飞行时段中各个记录点位积冰与否及时空位置等信息的统计，获取所有积冰事件的持续时间、强度等特征信息，从而得到全样本积冰事件；为与模式数据的时间分辨率进行匹配，对全样本积冰案例进行积冰案例的抽取，考虑到飞机飞行速度，以及使用数据的空间分辨率，将整点前后十分钟内的积冰案例定义为整点积冰案例，为保证整点积冰案例与整点非积冰案例对于结果的影响无偏，计算整点积冰案例占所有积冰案例的发生比例，依据该比例随机抽取等比例的整点非积冰案例。

如图4所示的单次积冰事件积冰持续时长。

步骤二：SFIP积冰指数及隶属函数计算模块

使用同时期的ERA5再分析数据，计算各个格点处SFIP指数数值及各个隶属函数的值。SFIP指数及各个隶属函数计算公式如下所示：

SFIP＝M

其中T

其中RH

其中ω

如图5所示，SFIP隶属函数相对气象要素的变化曲线示意图。

步骤三：观测案例与模式计算结果匹配

依据观测案例所在的空间位置信息，考虑飞机飞行速度，选取点位周边一定范围内计算结果的平均值，作为模式数据诊断结果，具体思路如下：

垂直方向上，使用双线性插值方法将格点数据计算的SFIP值插值到QAR观测案例对应高度上。

水平方向上，假设飞机飞行过程中时速为800km/h，飞机平飞阶段一个格点最长的距离大致为模式数据空间分辨率*110km*1.41，以0.25度分辨率为例，则最长距离约为39km，飞机飞行花费的时间为2.85min，如图6所示，为了对应整点案例，结合飞机飞行方向，向外扩展对应范围内的格点，使用了周边5*5个格点的指数计算结果的平均值与积冰案例进行匹配，确保合理覆盖飞机飞行的范围，且对应范围内的气象信息能够代表飞机飞行时的气象特征。

这25个格点预报结果的平均值及对应的隶属函数的值将作为后续评价指标计算及权重系数调整的基础。

步骤四：评价指标计算及选取模块

基于匹配的模式计算结果与观测积冰情况进行评价指标的计算。国际主流的评价指标为：

PODy＝YY/(YY+NY)

POFD＝YN/(YN+NN)

TSS＝PODy-POFD

其中YY表示实际有积冰情况下预报正确的案例数目，NY表示实际有积冰情况下预报无积冰的积冰案例数目，YN表示实际无积冰情况下预报积冰的案例数目，NN表示实际无积冰情况下预报无积冰的案例数目。

以全国为例，三个指数的计算结果如下所示：

表1 2019基于ERA5的SFIP指数全国整体评价结果

对于全国区域，注重整体的准确率，则选择以TSS评分为约束条件进行后续权重系数的调整。

步骤五：权重系数调整模块

基于匹配的隶属函数值，构建基于权重系数a,b,c的SFIP函数，

与案例匹配的SFIP值计算公式为：

积冰判别标准如下：

cond_icing：SFIP

cond_no icing：SFIP

由于存在判别函数，无法直接求导确定最优权重系数，初始划定0.1的间隔对各个权重系数进行调整，调整范围为0～1，权重系数加和为1，依据设定的a，b值可以获得对应的c值，计算对应的condition值后，与观测结果进行比较，计算YY、NY、YN、NN值，使用TSS公式计算评分值。相对于a，b值的TSS分布样例如图7所示。

获取评分最高对应点位，之后计算该位置处与周边格点之间的梯度值，设定一个阈值，如果周边梯度均大于该值，则缩小计算范围为周边九个格点，在该范围内，降低a，b权重间隔，进一步计算TSS值，重复上述步骤，直至计算的最大TSS值对应点位出的相邻梯度值小于该阈值，此时对应的a，b值即为最优阈值。本次调整后的权重系数为a＝0.395，b＝0.18，c＝0.425。

有益效果：基于QAR数据的积冰案例的提取及抽样方法。QAR数据为秒级数据、再分析数据时间分辨率为小时，同QAR数据之间有着较大的差异，为了进行比较，选取了整点前后十分钟内的积冰案例定义为整点案例，对于积冰案例进行抽取，同时为了保证分析的准确和无偏，等比例对于其它的非积冰案例进行抽样。

积冰案例与模式计算结果的匹配方式。考虑到飞机的飞行速度及模式数据分辨率，选取了点位周边飞行范围内计算结果的平均值及对应隶属函数值作为模式数据诊断结果与积冰案例进行匹配。

基于不同评价指标约束的权重系数调整方案。使用不同的评价指标作为约束条件，对于各个隶属函数的权重系数进行调整。对于不同的区域根据其关注的评价指标，选取对应的约束条件，从而获得适用于不同区域的权重优化方案。

为减小计算资源浪费同时保证准确率精度，通过设定梯度阈值，逐步缩小权重调整范围及间隔计算最优权重。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。