杭州蕭山機場濃霧天氣中跑道視程變化特征及預警指數分析

黃琪波 王 琴 沈杭鋒

(1.中國民航華東地區空中交通管理局浙江分局,浙江 杭州 311207;2.杭州市蕭山區氣象局,浙江 杭州 311200;3.杭州市氣象局,浙江 杭州 310051)

0 引 言

大霧是一種常見的災害性天氣,常常給人類的交通活動帶來嚴重影響,尤其是濃霧天氣對公路、航空等造成的影響更大,甚至會造成重大災難。在民航飛行中,濃霧天氣造成的航班返航、備降和延誤等更是屢見不鮮。由于大霧的局地性較強,有時機場周邊出現濃霧,但跑道上空的能見度仍適合飛機起降,此時大霧的臨近預報預警為減少航班的備降和保障航班的安全運行提供了重要的決策支撐。目前對大霧的預報預警研究,尤其是對以分鐘為分辨率的資料在臨近預報預警中的應用研究，已取得一些成果。陳志平等[1]利用溫州機場10 a的自動觀測數據,分析了低跑道視程的特征,并探討了大霧監測預警流程。黃繼雄等[2]對首都機場濃霧中的能見度突發性振蕩進行了分析,利用濃霧振蕩指數進行濃霧預報預警,可以將首都機場2000—2011年的濃霧預警時間平均提前1～2 h。

本文利用杭州蕭山機場(以下簡稱杭州機場)逐分鐘的自動觀測資料,對影響杭州機場飛行起降的52次濃霧過程進行分析,研究機場濃霧發生前后的變化規律,尋找對濃霧預警有指示作用的相關氣象要素或指標,據此建立可靠的濃霧臨近預報預警方法。

1 資料與方法

杭州機場目前有南北兩條跑道,北跑道使用年限較短,數據樣本較少,本文統計采用的數據為杭州機場南跑道的自動觀測數據。南跑道呈西南—東北向(250°～70°),跑道的西側和東側分別為07號和25號跑道頭,跑道頭附近為自動氣象觀測點,兩個觀測點相距3 km。自動觀測數據中最重要的是決定航空器能否起降的跑道視程(以下簡稱RVR),RVR被定義為在跑道中線上,航空器上的飛行員能看到跑道上的標志或跑道邊界燈或中線燈的距離。關于氣象能見度、氣象光學視程和RVR的相互關系,張英華等[3]對其進行了分析,結果表明，在濃霧天氣時,RVR和氣象能見度基本一致。

由杭州機場氣候志統計資料可知,杭州機場夏秋季低能見度天氣極少,且大多數為強降水造成,本文只統計濃霧多發的冬半年的個例。由于2010年之前自動觀測RVR資料缺失,所選個例時段為2010—2020年的1—3月和10—12月,RVR的時間分辨率為1 min。所選濃霧過程標準為:RVR小于400 m,即低于杭州機場起飛標準,且維持至少20 min,據此篩選出2010—2020年11 a的濃霧天氣過程。

2 濃霧天氣基本氣候特征

在2010—2020年11 a間,杭州機場共出現RVR小于400 m且維持至少20 min的濃霧過程52次。由濃霧出現月份分布情況可知，11月、1月和2月出現較多,分別為15、13和12次,3月、12月和10月出現較少,分別為6、4和2次,這與杭州機場氣候志(2001—2012年)中的大霧(能見度小于1 km)月變化特征基本一致。

分析杭州機場52次濃霧過程中霧生(RVR小于400 m且維持至少20 min)與霧消(RVR大于800 m且維持)出現時段分布,結果表明，02—08時為霧生的高發期,共有44次,占濃霧總次數的85%;其中霧生最多的時段為04—05時和06—07時,均為10次,合計占總數的38%;前半夜霧生有3次,均發生在11月。07時后霧消次數較多,共有37次,占濃霧總數的71%;其中霧消最多的時段為09—10時,共有12次,占總數的23%;11 a間濃霧均在12時之前消散。

3 濃霧期間RVR變化特征

分析杭州機場RVR的逐分鐘變化資料發現,在52次濃霧過程中，RVR的變化普遍具有以下特征:在濃霧形成或消散前后,RVR的變化都不是線性的,而是有一個振蕩變化過程;在不同的濃霧過程中，RVR振蕩幅度及周期有所不同,在濃霧形成期,RVR的振蕩比在霧消期劇烈得多;在濃霧形成和消散前有一個明顯的突變現象,尤其是在濃霧形成時,有爆發性增強的特征;在濃霧形成后到消散前,RVR的變化趨于穩定,處于相對平穩的階段。RVR 1 min變化值可以用來表征濃霧變化程度,即RVR當前值與1 min前RVR的差值,如差值為負,表示RVR在下降,差值越大,表明濃霧生成速度越快。

以圖1所示杭州機場2013年2月23日的濃霧過程為例,根據07號跑道頭RVR(以下簡稱07號RVR)的變化可將整個過程分為濃霧的生成、維持和消散3個階段,22日21時—23日01時前后RVR從2100 m振蕩下降到300 m以下;23日01時前后到09時RVR基本維持在200～500 m,變化幅度較小;09時后又開始快速上升。從氣溫隨時間的變化可知,23日01時前氣溫振蕩下降,在01時前后RVR下降到最低值時，氣溫爆發性下降,之后緩慢回升。從RVR 1 min變化值可知,其與RVR的變化規律基本一致,霧生前振蕩(以下簡稱前期振蕩)開始時間較濃霧進入維持階段的時間提前了約3 h,振幅較大且有一定的周期性,而消散階段的振幅相對較小。

3.1 濃霧前期振蕩特征

統計分析杭州機場52次濃霧過程可知,有47次濃霧過程出現了前期振蕩特征,約占總數的90%,這與相關文獻的研究結果較為一致。如馮民學等[4]對滬寧高速公路上的氣象自動觀測站的能見度數據進行了研究,發現多數濃霧在爆發增強之前，有一個能見度波動或呈“象鼻形”振蕩階段。袁嫻等[5]對浦東機場能見度低于200 m的平流濃霧分析指出,濃霧除了有前期振蕩特性外,振蕩還具有準周期性。朱平等[6]對輻射霧中振蕩現象的研究,發現霧中的液態水含量在30 m高度以下存在相當明顯的準周期振蕩,振蕩周期為20～40 min。

分析杭州機場52次濃霧過程前期振蕩的提前時間(即從振蕩開始到濃霧維持的時間)發現，在這52次濃霧過程中，有10%未表現出前期振蕩特征;提前4 h以上有振蕩特征的過程最多,共有16次,占總數的31%;提前3 h以上振蕩的過程超過總數的一半。這表明濃霧的形成一般是一個緩慢的過程,從發現振蕩到濃霧形成有一定的預警時間,而少數沒有前期振蕩特征的濃霧過程表現出較為典型的霧的平流特征。

在表現出前期振蕩特征的47次濃霧過程中,其前期振蕩多數還出現了準周期性特征。以圖2所示杭州機場2013年1月15日濃霧過程為例,02時前后07號RVR下降到300 m以下,而在14日23時前就出現了振蕩,其中RVR 1 min變化值超過100 m的振蕩有22次,平均周期約為10 min。在這47次濃霧過程中，有35次表現出相似特征,RVR 1 min變化值超過100 m的振蕩周期為10～20 min。在濃霧振蕩幅度上,在47次有振蕩的濃霧過程中,有45次出現了RVR 1 min變化值大于300 m,有36次最大RVR 1 min變化值超過600 m,最大值超過1 000 m,表明濃霧的前期振蕩幅度較大,變化較劇烈。

圖2 杭州機場2013年1月15日濃霧過程中07號RVR、RVR 1 min變化值和氣溫隨時間的變化

3.2 濃霧爆發性增強特征

濃霧過程除前期振蕩外,還表現出爆發性增強的特征,即RVR在短時間內(一般在幾分鐘內)迅速下降,之后RVR長時間維持在400 m以下。在52次濃霧過程中,有6次過程沒有形成明顯的維持階段,而是進入小幅振蕩狀態,統計其他46次過程進入維持階段前的RVR 5 min變化值(RVR當前值與5 min前RVR的差值),5 min變化值超過800 m的過程有12次,其中RVR最大的變化為在5 min內下降了2 000 m,RVR變化值小于400 m的過程只有12次,說明濃霧在形成并穩定之前多數出現爆發性增強特征。

分析52次濃霧過程維持階段的持續時間分布特征發現,濃霧維持階段持續1～2 h的頻次最高,共有14次,占總數的27%;超過5 h的過程共有12次,占總數的23%,表明濃霧過程中RVR穩定維持在400 m以下的持續時間一般小于2 h,超過2 h后有較大可能持續5 h以上,濃霧持續時間表現為兩頭高、中間低的特征。

圖3為杭州機場52次濃霧過程期間RVR在0～375 m各個數值對應出現的頻次分布。由圖3可知，兩條跑道RVR的頻次分布特征基本一致,呈中間高、兩頭低的分布特征。其中07號RVR頻次最高時對應值為200 m,25號RVR頻次最高時對應值為175 m,兩者在低于150 m數值時對應的頻次迅速下降,表明當RVR下降到150～200 m時，一般可以認為濃霧進入了相對平穩、濃度最高的維持階段。

圖3 杭州機場52次濃霧過程期間逐分鐘RVR在0～375 m各個數值對應出現的頻次分布

3.3 濃霧爆發增強時的局地平流特征

對比分析杭州機場濃霧過程中不同測點的RVR,我們發現，在濃霧形成時不同測點的RVR在大多數情況下呈現變化不一致的特性,即使變化同步,其RVR數值也不完全相同,尤其在濃霧前期振蕩階段,不同測點的RVR振蕩周期、位相和振幅幾乎都不一致,這表明濃霧爆發前霧滴分布不均,即濃霧局地性較強;多數濃霧前期尤其是在濃霧爆發增強前,不同測點的RVR下降的先后順序與風向一致,即呈現出霧的平流特征;而在霧消階段,不同測點的RVR上升順序有時呈先后變化,有時呈同步變化,這與導致霧消的因素有關。

分析52次濃霧過程可知,其中濃霧爆發性增強前不同測點的RVR順著風向先后下降、呈現平流特征的過程共有33次,占總數的63%。濃霧爆發前風向為偏西風的過程共有21次,跑道西頭(07號)的RVR比東頭(25號)的先下降,提前下降時間為10～50 min,平均提前33 min;濃霧爆發前為偏東風的過程共有12次,25號RVR提前下降時間為10～40 min,平均提前26 min。杭州機場07號和25號兩個RVR測點相距3 km,后半夜機場盛行風向為70°或250°,與跑道方向一致,在平均風速為1.5～3 m/s的情況下,濃霧從跑道一頭發展到另一頭約需16～33 min,這與上述統計結果較為一致。

圖4為杭州機場3次濃霧過程中07號和25號RVR及風向隨時間的變化。2010年2月23日的濃霧為典型的平流霧,濃霧形成前沒有振蕩,25號RVR在01時36分從約2000 m突降至約400 m,07號RVR在02時從約2000 m突降至約400 m,期間平均風速為2 m/s,風向為70°～100°,基本上為沿著跑道方向的風,上風方向25號RVR比07號RVR下降時間提前24 min,顯然是霧的平流先后影響跑道兩頭。在03—05時機場風向發生順轉,由偏東風轉為偏南風后再轉為偏西風,而濃霧中的RVR幾乎沒有變化,表明此次平流霧范圍較大。在10—11時,兩個測點的RVR基本同步緩慢上升,這是由于地面升溫而導致霧層被破壞。

圖4 杭州機場3次濃霧過程中07號和25號RVR及風向隨時間的變化(a.2010年2月23日、b.2011年11月11日、c.2015年2月14日)

2011年11月11日的濃霧過程為團霧過程,07號RVR在05時15分從約1300 m突降至約400 m,25號RVR在05時32分從約2000 m突降至約350 m,霧生前平均風速為3 m/s,風向為230°～250°,07號RVR比25號RVR下降時間提前17 min,霧消階段流場沒有改變,07號RVR在05時57分上升至800 m,25號RVR在14 min后也上升到800 m,在霧生和霧消變化中均表現出霧的平流特征,可以據此計算出這次團霧的東西寬度約為3 km。

2015年2月14日的濃霧過程為混合霧過程,輻射特征表現為前期振蕩,而跑道東西兩頭的RVR隨風向自東向西先后下降并維持,這表現出平流特征。25號跑道頭平均風速在06時36分從0 m/s增大到2 m/s并一直維持,RVR在06時38分從1 min前的1 200 m下降到400 m并持續到10時;07號跑道頭平均風速在06時59分從0 m/s增大到2 m/s、07時12分又下降到0 m/s并維持,RVR在07時06分突降到375 m、07時42分又上升到800 m并維持。可見,偏東平流在此次濃霧過程中具有重要作用,霧生時25號RVR較07號RVR下降時間提前了28 min;而在霧消時,07號風向在08時后由偏東風轉為偏南風,07號RVR在08時30分后快速升高,25號風向一直維持偏東風,至10時后隨著地面升溫而霧消。

綜上分析可知,在濃霧發生前,不管有無前期振蕩,在濃霧生成時多數會出現平流特征,濃霧爆發性越強,霧的局地平流特征越明顯。而在濃霧消散時,如果由于溫度上升而導致霧消,則跑道不同測點的RVR基本呈同步變化;如果由于團霧移出或是流場改變(風向變化或風速減小)而導致霧消,則不同測點的RVR會表現出先后變化的特征。

4 濃霧期間相關氣象要素的變化規律

大霧的形成與濕度場、溫度場、流場和逆溫層等密切相關,如在近地面濕度大、晴夜、有微風的情況下,容易導致大霧的發生。本文簡單分析了52次濃霧期間部分氣象要素的變化規律,尋找相對濕度、溫度等要素與RVR之間的分布關系,為濃霧的預報預警提供依據。

圖5為杭州機場2010—2020年52次濃霧過程中07號RVR低于400 m時的平均相對濕度分布。由分析可知，在2016年以前的38次濃霧過程中，平均相對濕度為84%～97%,遠未達到100%;而在2016—2020年的14次濃霧過程中，有9次過程的平均相對濕度為97%～98%。相對濕度在2016年前后變化較大的主要原因,是2016年前后杭州機場建設引起觀測點周邊的地貌發生了重大變化。理論上濃霧期間水汽達到飽和,相對濕度應接近100%,但實際上相對濕度變化幅度較大,多數未達到100%,這可能與空氣中的污染物顆粒有關。章元直等[7]對2014年11月杭州機場連續兩次大霧開展了對比分析,研究結果表明，浙北大部前期霾等級偏高是大霧形成的重要原因。

圖5 杭州機場2010—2020年52次濃霧過程中07號RVR低于400 m時的平均相對濕度分布

統計濃霧發生前的降水情況,發現有23次濃霧過程在發生前12～24 h有降水,占濃霧總次數的44%。這是由于降水結束后地面濕度條件較好,如果夜間天空放晴,很容易滿足大霧發生的水汽和降溫條件,這也是預報濃霧的一個重要指標。

濃霧形成前,氣溫也表現出類似RVR的前期振蕩和爆發性增強的特征,而且濃霧形成前氣溫和RVR基本上同步下降,霧生時用溫度的下降來預警RVR較為困難。而在霧消階段,溫度上升略超前于RVR的上升,用溫度變化來預警霧消,具有提前預報的意義,具體有待進一步分析。

5 濃霧的預警分析

為了研究濃霧的臨近預警,本文定義了濃霧預警指數EWI。

EWI=RVR當前/(RVR1 min前-RVR當前)

EWI數值大于0,表示RVR下降,數值越大,表明RVR下降越快,預示濃霧生成。為了能得出一個有預警意義的臨界值,即過濾一些小的振蕩,統計了濃霧發生前的EWI首次>0.2的預警提前時間及數值。分析預警提前時間可知,在52次濃霧過程中,有8次濃霧基本無提前量(小于5 min),提前1 h以上預警的過程共有38次,占總數的73%,提前預警≥2 h的過程共出現33次,占總數的63%,其中提前預警頻次最高的區間為3～5 h,共有22次,占42%。分析EWI幾乎沒有提前量的8次濃霧過程,發現均表現出本文3.3中所述的局地平流特征,濃霧形成時07號和25號RVR先后下降,其時間差為10～50 min。

分析濃霧預警指數EWI可知,在52次濃霧過程中，有39次EWI>0.2,占總數的75%,占有預警提前量(提前1 h以上)的89%;EWI>0.4的濃霧有29次,占總數的56%,占有預警提前量的66%。在實際工作中發現,未發生濃霧時也可能有類似振蕩特征,顯然EWI越大則預警空報越少。若不考慮空報的預警,則取EWI=0.2能夠做到預警大多數濃霧過程。

綜上分析可知,利用濃霧振蕩特征,設定合適的預警指數閾值,可以對大多數的濃霧過程進行提前預警。對少量典型的平流霧,雖然預警提前量沒有或者較小,但根據平流風速及跑道不同測點數值,可以準確計算出機場跑道被濃霧完全籠罩的時間,同時也可以結合機場周邊自動站資料等進行提前預警,對飛機起降的臨近決策也有較好的預警意義。在實際工作中,杭州機場在2016年后就將EWI=0.2的預警指數值作為濃霧自動預警閾值,期間有一些預警空報,同時也有個別的預警漏報。今后如果對未形成濃霧過程的氣象數據作大量對比分析,提高預警指數閾值或者增加更多的觀測點數據進行算法修正,也許對濃霧的預警準確率會有較大提高,這還需要進一步的研究。

6 結 語

通過對杭州機場2010—2020年52次濃霧過程的逐分鐘跑道視程資料進行統計分析,得出以下結論。

(1)杭州機場多數濃霧過程可以分為前期振蕩、濃霧平穩期、振蕩消散(即霧的生成、維持和消散)3個階段。濃霧前期振蕩具有準周期性,振蕩周期一般在10～20 min。濃霧形成并穩定前表現出爆發性增強特征,當跑道視程下降至150～200 m時，一般可以認為濃霧進入了穩定階段。根據統計分析發現,濃霧穩定維持時間一般小于2 h,但超過2 h后持續5 h以上的可能性會更大。

(2)超過一半的濃霧在形成前爆發性增強時呈現平流特征,即不同位置的跑道視程先后下降。濃霧爆發性越強,霧的平流特征越明顯。同時,跑道視程先后下降的時間與平流風速相關,可以根據地面風向風速準確預警跑道從一頭開始受影響到完全被濃霧籠罩的時間,預警時間平均可提前26 min以上。

(3)濃霧過程中相對濕度的數值并不是一直維持在100%,這可能與空氣中的污染物顆粒有關。在濃霧發生前12～24 h,多數有降水過程結束,這也是預報預警濃霧的一個依據。在濃霧形成期,溫度與跑道視程基本同步下降,但在霧消期,溫度上升提前于跑道視程的變化,利用溫度變化可提前預警霧消。

(4)利用濃霧預警指數,可提前有效預警絕大多數濃霧天氣的發生,EWI是濃霧臨近預警的一個有力指標。預警指數對個別濃霧過程的預警效果不佳,針對此類濃霧過程霧生時表現出的平流特征,可利用平流特性及跑道多個測點資料,準確計算機場跑道被濃霧完全籠罩的時間,同時也可以結合機場周邊自動站資料對平流霧進行預警,對于臨近的航空器起降決策有一定的預警意義。