基于大數據的生態景區天氣產品研究

■ 穆璐 李菁 于金

全國櫻花、荷花預報較準確，全國雪質、牡丹花預報偏差較小，但全國紅葉最佳觀賞期預報結果偏差較大，由于全國氣溫和天氣晝夜溫差的變化太大，導致部分景區紅葉的染色期和最佳觀賞期時間過短，用戶反饋預報不夠準確。

生態景區預報以精準對接個性化人群需求，能夠預報出櫻花、牡丹花、杜鵑花、荷花的盛開期，紅葉的最佳觀賞期，雪質的松軟程度，避暑/避寒的舒適度指數外，還能夠輔助出游人群，給出引導建議。近幾年，北京市氣象局就開始對櫻花花期進行觀測和預報；上海市氣象局與上海市桃研所開展物候資料共享和研究；紅葉最佳觀賞期預報已經從圖文內容延伸到各省的紅葉直播中去，將最佳的紅葉觀賞期的美景通過實景、短視頻的方式進行跟蹤服務；“中國天氣”已將全國十大熱門滑雪場雪質預報進行全網宣推，并提供十大熱門滑雪場的周末天氣預報；避暑/避寒活動已經各省逐步深入開展，并以聯合政府舉辦各省十大避暑/避寒旅游地選舉活動與網民互動評選，得到了政府、企業、景區、網民的高度認可。

1 大數據及方法

眾所周知，氣象大數據量級逐年以指數方式遞增，氣象大數據已經在推動跨部門、行業等業務上顯示出了其潛力和價值，特別是在農業生產、交通旅游、災害防治、一帶一路等領域上有較廣泛的應用。氣象大數據與植物和景觀物候變化有著緊密聯系。在氣溫、降水、濕度、光輻射等氣候因子中，氣溫是影響植物物候時空變化的最關鍵的氣候因子，它控制著物候發生的早晚，全年四季春季賞花、夏季避暑、秋季觀紅葉、冬季避寒滑雪已經成為旅游活動的重要主題和節假日的主要活動之一。

旅游行業大數據調研結果顯示，近幾年中國旅游用戶選擇景區時最主要考慮的因素是景區的風景特色（65.1%）。在游覽景區的類型選擇方面，半數左右的用戶選擇欣賞自然景觀，如湖光山色（53.3%） 和海濱島嶼（47.7%），因此特色景色會成為用戶關注的重點之一；在出行的交通工具選擇方面，乘坐火車（73.0%）和自駕出行（72.6%）是用戶最為偏好的兩類出行方式，隨著家庭汽車的普及，自駕游也成為國內游客出游的主要形式之一。

2019年6月—2020年11月，中國天氣網上線的紅葉、荷花、牡丹花、櫻花、雪質等生態景區天氣產品，通過社會化反饋檢驗的方式，收集用戶反饋數據，從中隨機抽取了全國112個景區的用戶反饋數據，通過分析顯示，全國櫻花、荷花預報較準確，全國雪質、牡丹花預報偏差較小，但全國紅葉最佳觀賞期預報結果偏差較大，由于全國氣溫和天氣晝夜溫差的變化太大，導致部分景區紅葉的染色期和最佳觀賞期時間過短，用戶反饋預報不準確。

2 生態景區天氣產品研究

為了實現百姓美好生活的具體要求，從生態景區天氣產品出發，能夠提供用戶四季生態景區服務產品，從而能夠助力旅游業的發展，提升人們出行旅游體驗。從近幾年的“賞花經濟”來看，全國各地都集中打造“櫻花節”“紅葉節”，這些都逐漸從多個渠道引導用戶出門旅游；從時間來看，冬季到南方避寒旅游，夏季到北方避暑旅游逐漸成為人們追求更加舒適生活的方式；2022年國家也要用開展 “冬季奧運會”的方式，帶動旅游經濟；因此全國對多元化生態景區天氣產品的需求越來越大。

2.1 櫻花花期預報

從國際相關領域來看，日本著名的氣象預報機構Weather Map每年都會發布四輪關于日本櫻花何時盛開的預報。經過經驗累積，預報結果較為準確。

中國天氣網通過對氣象大數據和百度搜索的輿情數據的結果，對全國櫻花進行區域劃分，依據北京市氣象局的櫻花開花氣象建立算法模型，按照櫻花開放的始花日、盛開日、和結束日，構建了預測模型。利用櫻花開花前期氣溫構建始花日預測模型及檢驗，櫻花開花前期T1（1—2月）的平均最高氣溫，與始花日日序數呈顯著相關，可通過進行線性回歸分析建立花期預測模型。

模型中始花日日序數（Y）與 T1（1—2月）的平均最高氣溫（X）的回歸方程為：

線性擬合結果表明：T1（1—2月）的平均最高氣溫每升高1 ℃，始花日日序數將減少2.431，即開花日期提前約2.4 d。

通過櫻花模型算法，以產品的展現形式，應用到旅游景區頁面中的“花期卡片”中和百度地圖app中，并同時利用社會化反饋對櫻花數據進行統計和檢驗，對算法進行優化。

2.2 紅葉景觀最佳觀賞期預報

紅葉景觀是我國秋季不可錯過的旅游資源。根據物候學理論，前期的氣象條件如光、溫、水等對植物物候的早晚有重要影響，其中氣溫是影響木本植物物候的主要因子，因此中國天氣網基于過去5年的搜索數據分析得出了全國各地常年紅葉最佳觀賞期物候的溫度、氣溫日較差、水分條件，得出氣溫為10～20 ℃，且日最低氣溫低于14 ℃、氣溫日較差在10 ℃以上持續3～4 d則木本紅葉植物開始發生葉片變色。因此，基于物候＋氣候條件的分析，利用當年的實況及預報數據預測未來7天是否會進入紅葉最佳觀賞期（圖1）。

圖1 紅葉景觀最佳觀賞期預報業務流程圖

同時建立全國約6000余個景區的紅葉觀賞地理數據庫信息，開發紅葉觀賞產品，收集公眾反饋信息，提升預報的準確性。

2.3 雪場冰雪雪質預報

我國冰雪產業有著明顯的資源優勢，近兩年不斷新建滑雪場。北方地區的冰雪資源先天優勢明顯，擁有我國72.76%的雪場（圖2）。

圖2 2019年全國雪場區域分布地圖

雪的質量越來越被專業滑雪愛好者所關注，預報系統通過判斷雪場的“風、溫、濕、天”與不同雪質的關系，制定預報算法，實現不同天氣條件下的雪質預報。通常是把相關氣象要素轉化為濕球溫度后，根據濕球溫度判斷雪的松軟程度進行分級，濕球溫度和雪質等級對應關系，如圖3所示。雪質分為“干粉雪”“粉雪”“軟雪”“濕雪”和“冰面雪”五種，已應用在中國天氣網中，通過用戶對雪場的雪質反饋，從而驗證雪質的準確性。

圖3 濕球溫度和雪質等級對應關系圖

2.4 中國康養旅游地（避暑/避寒）適宜日指數預報

2018年起，全國各個地方先后舉辦了以“避暑”“避寒”“康養”為主題的旅游目的地評選活動，此類活動將氣象和旅游進行有效融合，充分挖掘地方的優質氣候資源，建設出了特色旅游目的地，滿足了公眾新的需求。其中“尋找安徽避暑旅游目的地”開展三年以來積累了經驗，贏得了社會廣泛關注，取得了明顯的服務效益（表1）。

表1 全國6省市避暑活動近年開展情況

從避寒適宜日指數預報來說，對全國景區進行篩選，首先要滿足自然生態豐富多樣，有山有水、常年無冬日數量占冬季總日數達98%以上，且常年平均氣溫在25 ℃左右，冬季在20 ℃左右等要素，才能在其基礎上做避寒適宜日的指數預報。

中國天氣于2017年在“晴游”app中已將避暑/避寒/養生指數等應用到產品中，其中避暑游（清涼游）、康養游（清肺游）基于避寒適宜日指數預報和旅游搜索排行研究的算法推薦，并進行對外服務。

從避暑旅游適宜度指數研究方法來看，避暑旅游適宜度的模型由氣候舒適度、氣象綜合風險、游客滿意度、景區觀賞度四個部分組成，并根據專家打分法確定每個部分的權重：

其中：L是避暑旅游適宜度指數，B是氣候舒適度指數，M是氣象綜合風險指數，S是游客滿意度指數，H是景區觀賞度指數。

3 未來發展展望

全國景區天氣產品不但能為公眾服務，而且能夠與市場應用進行對接，特別是花期預報作為與智能汽車合作的新嘗試，“中國天氣”已經與大眾等多個汽車廠商品牌合作，提供線上氣象服務及線下品牌宣傳推廣活動。氣象服務為駕駛用戶提供旅游線路氣象預測、景區天氣預報、觀賞花期預報等，不僅能夠大幅提升汽車駕駛的體驗，而且能夠達到其商業價值。

“中國天氣”于2020年12月3日圍繞交通出行能力，召開了交通出行發布會，與滴滴出行簽署了戰略合作協議，并發布了2021年四條景觀推介路線，圍繞冰雪之路、 追沙之旅、彩虹之途和秦嶺山色等四條景觀線路做了生態旅游路線介紹。通過打造生態景區天氣和各類車商打造的“最美公路路線”，能夠將觀賞花期、紅葉景觀、逐電追雷、彩虹霧凇、最美冰雪、生態康養、避暑/避寒旅游等特色氣象服務相結合，還能夠為景區帶來新客源，為不同款的車型做品牌宣傳，帶領愛車一族，打造專屬服務產品。

深入閱讀

Gordo O, Sanz J J, 2010. Impact of climate change on plant phenology in Mediterranean ecosystems. Global Change Biology, 16(3): 1082-1106.

Schwartz M D, Chen X, 2002. Examining the onset of spring in China. Climate Research, 21(2): 157-164.

艾瑞咨詢, 2018. 中國景區旅游消費研究報告. 北京: 艾瑞咨詢.

北京卡賓滑雪集團, 2017. 中國滑雪產業發展報告(2017). 北京: 社會科學文獻出版社.

高新月, 陶澤興, 王煥炯, 等, 2018. 北京地區東京櫻花花期對氣候變化的分段響應. 氣象科學, 38(6): 832-837.

李菁, 慕建利, 吳普, 2015. 避暑旅游適宜度評價模型的建立和應用. 第32屆中國氣象學會年會S13氣候環境變化與人體健康. 北京: 中國氣象學會.

饒紅欣, 彭信海, 王萍, 等, 2014. 日本櫻花花期觀測與規律分析. 經濟林研究, 32(2): 133-136.

王秀榮, 趙帆, 趙嶸, 等, 2020. 全國氣候避寒地評價. 北京: 中國氣象局公共氣象服務中心.

吳丹娃, 楊彬, 江春, 等, 2019. “尋找安徽避暑旅游目的地”探索與實踐// 中國氣象服務協會. 打造氣象產業生態圈——中國氣象服務產業發展報告2019. 北京: 氣象出版社: 177-183.

尹志聰, 袁東敏, 丁德平, 等, 2014. 香山紅葉變色日氣象統計預測方法研究,氣象, 40(2): 229-233.