基于原位探測的高空氣球風場數據修正方法

崔宇軒，苗景剛

(1.中國科學院 空天信息創新研究院，北京 100094；2.中國科學院大學 航空宇航學院，北京 100049)

0 引言

臨近空間(near space)，也叫“近太空”或“高高空”，通常是指距地面20～100 km[1]高度之間的空間范圍，在大氣分層結構中處于平流層和中間層。這一空間高于一般航空器可控飛行的高度，而又低于航天器維持近地軌道飛行的最低高度，是一個待開拓的空間圈層。這一區域介于傳統航空器的飛行高度和航天器的軌道高度之間，因為其獨特的高度和環境特征，具有巨大的發展潛力。

高空氣球(以及超壓氣球)作為臨近空間平臺的一種，其飛行高度在平流層范圍內，且與飛機、滑翔機等傳統飛行器不同，高空氣球對發放場地要求不高，幾乎可以在任何地點發放[2]，并同時具備著發放準備周期短，飛行成本低等優點，可以為科學研究和各種高空任務提供了一種低成本的穩定平臺。高空氣球不同于需要耗費大量能源維持動升力的傳統飛行器，其主要依靠自身比重低于空氣從而獲得靜浮力升空這一特性實現駐空[3]。這一特性使得高空氣球不同于傳統耗費能源維持動升力的飛行器，高空氣球具有了駐空時間長，低能耗等特點[4]，成為了臨近空間飛行器技術的主要研究方向之一。

但高空氣球主要依靠凈浮力這一特性，也導致了其主動控制能力較弱。因此，現代高空氣球一般通過調節浮重平衡來控制垂直方向上的運動，從而間接地利用風層實現路徑控制[5]。在這一領域，谷歌公司利用強化學習方法來進行對高空氣球的飛行任務分析、規劃和控制，進而做出飛行控制決策，并最終實現了月級的區域駐空目標[5]。谷歌團隊的Marc Bellemare等人通過人工智能控制器能根據風的歷史記錄、預報、局地風觀測和其他因素(如氦氣損失和電池疲勞)，決定如何移動氣球從而依靠風速和風向的變化來飛行到任務所需位置。高空氣球能否有效地利用風場對其實現飛行軌跡控制起著決定性的作用，因此有效提升飛行空域風場預報數據的精度和準確度十分重要[6]。目前在實際實驗和仿真過程中使用的風場預報數據主要來自于美國國家環境預報中心NCEP數據、歐洲氣象局ECMWF數據、以及國家氣象臺GRAPS數據以及中山大學ReMAPS數據。以上各個數據源通常提供全球未來10天左右的氣象預報數據，通過格點形式記錄風速、高度、溫度、相對濕度等信息，格點密度從0.25°×0.25°到0.5°×0.5°經緯度，高度分層通常包含從0～1 kPa共10或21個等壓面風場分層。

現有預報模型的預報尺度較大，其等壓面層數及預測精度可以滿足飛機、火箭等部分高速飛行器的氣象數據需求，但對高空氣球這種低速飛行器來說，此預報數據一定程度上存在著精度低和實時性差等問題。領域內目前對于高空氣球的實際飛行實驗和仿真模擬過程中，普遍選擇基于ECMWF模式風預報產品對風場環境進行判斷，并進而通過調節高空氣球飛行高度來完成區域駐留的目標，其有效駐留控制半徑在100 km以上[7]。但這對于高空氣球這一低速飛行器來說，此控制精度還有著一定問題，尤其是在對高空氣球落點判斷這一及其依賴風場環境準確度的方面。因此，就高空氣球飛行實驗領域而言，目前的氣象預報數據在一定程度上存在著數據稀疏、精度不足、實時性差等問題。

原位數據指通過相關探測手段，從而直接觀測到的位于探測點的真實數據。在執行高空氣球的飛行試驗任務時，其所需原位數據的獲取主要來自探空氣球以及高空氣球自身的測量設備。進行高空氣球飛行試驗時，在試驗期間以及發放前均會釋放探空氣球進行風場環境探測，且高空氣球在執行飛行任務時同樣會攜帶相應可以探測風場數據的載荷來獲取自身所在位置的風場情況。

高空氣球本身無動力，隨風飄飛。其自身即可作為風場測量平臺進行原位探測；且在執行高空氣球飛行試驗任務期間，實驗人員將會在所需地點按照飛行需求發放探空氣球。因此，在原位探測數據的數據量相對充足的前提下，本文提出了一種基于原位探測數據的針對高空氣球特定飛行任務需求的風場數據插值與修正方法。

1 高空氣球飛行平臺

經過幾十年的發展，高空氣球的能力和可靠性已經有了大幅提高。國外方面，美國自二十世紀六七十年代起，便已經開始利用高空氣球進行各種高空觀測和試驗任務[8]。在1986年挑戰者號航天飛機事故使得大量任務被迫停滯的背景下，美國國家航天局(NASA)進一步意識到航天飛機的局限性，在高空氣球方面經驗豐富的NASA隨即提出在極地進行長時間氣球飛行的長航時氣球(LDB，long duration balloon)計劃[9-10]，以部分替代航天器開展任務，并逐步形成規模，一些原本無望實現的任務得以再次執行。在1997年，NASA針對氣球飛行時間相較衛星而言太短的問題，進一步提出了超長航時氣球(ULDB，ultra long duration balloon)計劃。日本于20世紀初期在南極洲的Syowa站開展了PPB(polar patrol balloon)計劃[11]，通過高空氣球這一平臺來進行地球物理觀測。

在我國，中國科學院于20世紀80年代建立起完整的高空氣球系統并完成了大量的飛行。在超壓氣球研究方面，中科院在20世紀末便已經著手進行超壓氣球的相關理論研究[12]和小型超壓氣球的研發和制作。中國科學院在此方面多次開展相關實驗，并于2018年3月啟動了A類戰略性先導科技專項——“ 鴻鵠"專項。該專項以“認得清、留得住、用的上”為總目標，將突破一系列浮空器相關關鍵技術，構建我國第一個臨近空間科學實驗系統，加強對臨近空間的認識[13]。

2 風場數據插值與修正方法

現有的風場數據處理方法可大體上分為兩類，即基于相關數學處理手段的插值方法和基于氣象學知識的風場數據修正方法。基于數學處理手段的插值方法是通過采用數據處理中較為常見的方法，如雙線性插值、多項式插值、最鄰近插值等方法，較為直接地將實測數據插入到原始預測數據中。如Jardin等[14]首先構建出風場格點網絡，并繼而選擇采用全局多項式插值這一傳統數據處理方法進行直接插值處理，最終得到了新的風場格點數據。柳婧[15]使用最優插值算法將海面風矢量進行了插值融合。董志南等[16]采用了多種插值方法進行了插值實驗，并結合實測風場風速數據進行了對比驗證，最終認為空間插值方法可以有效地模擬出所需區域的風場環境信息。以上這些以及其他基于數學處理手段的插值方法，通過其模型原理可知，此類方法具有傳統數據處理方法的快速、數據量要求小及應用范圍廣等優點。但是，高空氣球的飛行領域為平流層這一大尺度的飛行高度，平流層風場環境具有著數據量小、采樣難度高、且實測數據無法在時間和空間上高度連續等問題[17]，因而在高空氣球這一領域，對傳統的基于數學處理手段的直接插值方法應用較少。

基于氣象學知識的風場數據修正方法則是通過結合風場的相關基礎特性，在對原始的預報數據和實測數據進行一定的處理后，進一步將兩者進行融合修正，從而得到最終所需風場信息。Bellemare[5]使用高斯過程將氣球數據與風預測融合在一起，將預測數據與氣球數據加權平均，并產生方差。Gandin[18]將最小方差作為約束條件，進而使用最優插值法進行了風場融合插值，最終得出所需的風場融合數據。朱成陣等[19]使用了氣象學專業較為傳統的內插外推法，收集所需位置的風場的實測數據和氣象預報數據，結合氣象學相關知識結合最小二乘法將線性風模型與預報風數據進行了融合。但由于風場模型較為復雜，基于氣象學知識的風場數據修正方法對計算機算力要求較高，且對與高空氣球所處平流層這一大尺度飛行區域，傳統的基于氣象學知識的風場數據修正方法存在著計算緩慢、算力不足等問題。

現有的風場數據插值與修正方法時間和空間尺度較大，需要較多的歷史數據來擬合插值函數；而對于高空氣球試驗任務來說，其所需預報風場的范圍較小，但對實時性和精度要求較高。綜上所述，基于高空氣球的試驗需求，為了解決目前風場數據修正方法面臨的算力要求高、時效性不強及可用實測數據集小且數據密度稀疏等問題，進行實時的風場數據修正，本文提出一種基于原位數據(ISD，in situ detection)的氣象數據實時插值修正方法。通過使用中國某地區的歷史數據尋找修正函數，并采用2022年7月的氣象預報數據依托于中國科學院空天信息創新研究院飛行試驗平臺，對本方法進行了實驗驗證。

3 基于原位探測的風場插值模型理論

針對高空氣球這一特殊應用需求，本文提出了ISD風場插值修正方法，方法通過在高空氣球執行飛行試驗的區域釋放探空氣球，從而獲得所需的原位探測數據(探空氣球實測數據和高空氣球自身實測數據)，進而對指定區域的風場預報數據實時地進行插值修正，最終得到準確度更高、時效性更強的風場數據。本文以在中國某地區進行的高空氣球試驗為例，采用ISD模型對模式風預報產品的預測數據進行了修正，介紹了使用歷史數據來選取ISD中相關參數的方法，最終通過實際飛行數據進行了方法驗證。

提出的ISD風場插值方法是一種改進的融合插值類修正方法，方法主要包含以下3個部分：1)原始數據收集與處理，獲取模式風產品原始預報數據得到預測風場網格，獲取原位探測數據得到觀測風場網格；2)構建基于ISD理論模型中的誤差衰減模型得到誤差場修正網格；3)確定適用于高空氣球飛行試驗領域的修正參數d0；4)將預測風場作為背景場，誤差觀測風場作為修正場，兩者疊加得到最終所需風場。

3.1 ISD理論模型

數據模式發展至今，系統誤差依然存在。本文針對系統誤差這一問題，以目前高空氣球實驗使用較為廣泛的CFSv2模型NCEP氣象預報數據模式風產品為例，通過整體趨勢上的模型修正從而提高模式風預報產品的準確性。

為了減小模式風預報產品的系統誤差，本文將實時探測所得到的原位數據作為修正因子融入預報模型，進而得到風矢量誤差格點數據，并進一步進行格點化數據修正，從而建立基于原位數據(ISD)的氣象數據實時插值修正模型來提高預報風場數據的準確性和實時性。

曾曉青等[20]基于T639模式資料對北京地區20個站點進行風向、風速的MOS研究表明，提出了多種格點誤差的訂正方法，對預報風場結果展開了訂正實驗，結果表明使用經向風和緯向風的訂正效果比直接使用總風向的訂正效果更優。

故本方法亦選參考經緯向風速分解的思路，將預測及觀測的風速、風向數據聯合，分解為東西方向的風矢量——u風，及南北方向的風矢量——v風，分解公式如下：

(1)

式中，dir為風向(°)；spd為風速單位(m/s)；u和v分別為東西方向風和南北方向風 (m/s)。

繪制ISD技術路線如圖1所示。

圖1 技術路線圖

ISD模型技術路線如下：

1)分析解包初始模式風預報產品，得到初始風的風場網格格點圖。

2)引入原位探測數據，并對原位探測數據進行u/v風矢量分解，進而得到風矢量誤差E。

3)構造誤差衰減函數，分別對u/v風矢量進行擬合，得到經向風和緯向風各自的誤差衰減函數，進而形成新網格風矢量誤差網格格點圖。

4)將模式風預報產品所生成的預測風網格與風矢量誤差網格融合，最終得到基于原位探測數據的修正風網格數據。

3.2 誤差函數模型

風作為一種空氣流動產生的自然現象，風速具有連續性[21]，不難理解，前文得到的風速適量誤差E應與空間位置有著較高的關聯性，即對最臨近的預報影響最大，準確率也最高，隨著修正格點與實測格點距離的增加，影響可能會減弱，因而需要引入與距離相關的權重λ來調節，將經過權重調節后的誤差訂正到臨近格點上(式(3))，得到最終訂正場。

E=O-Y

(2)

(3)

(4)

式中，E為該點誤差，O為原位探測數據，Y為模式風產品的預測風速數據，λ為誤差修正系數，d為修正點與探測點之間的歐式距離，d0為有效修正范圍參數，Y′為修正后風速數據。在ISD理論模型中，有效修正范圍參數d0對模型的修正效果影響較為直觀，d0的選取受與試驗任務要求限制。

4 仿真校驗和對比分析

4.1 數據集

進行風場數據修正的目的是為了提高初始模式風預報產品的網格精度以及準確率，即盡可能地貼近真實風場情況。在進行ISD模型實驗驗證時，預報風場預報數據主要來自于美國國家環境預報中心CFSv2模型的NCEP數據，以往的高空氣球飛行試驗也以CFsv2模型系列模型作為參考，歷史數據也驗證了CFsv2模型的可靠性。所以選擇CFsv2模型的2021年9月的模式風氣象預測產品作為預測風數據來源進行實驗。考慮到高空氣球的駐空階段一般駐留在平流層的底部區域，距地面20 km左右，位于50 hPa大氣壓等壓面附近，所以仿真數據集參數選擇為選擇50 hPa等壓面模型的0.25°×0.25°經緯度網格格點。原位探測數據則選擇2021年9月于飛行區域位置釋放的探空氣球所觀測數據。為了評價ISD理論模型的修正效果，需要將真實風場數據與ISD模型修正風數據進行對比。但考慮到在20 km高度處，實測得到真實風場數據僅為相關探測裝置自身飛行路徑上的數據，即難以大面積獲取該高度的風場數據，且經過以往的實際實驗過程驗證，可以將再分析數據作為實際風場數據。另一方面，為了避免預測數據與再分析數據采用同一模型產生耦合，最終選擇歐洲中期天氣預報中心(ECMWF)的系列氣象再分析模型產生的再分析氣象數據作為實際風場數據。在本文的仿真實驗中選擇ERA系列最新的ERA5模型50 hPa等壓面模型的0.25°×0.25°經緯度網格格點風場數據。

4.2 評價指標

為定量地對ISD模型進行客觀評價，本小節引入相關誤差評價指標。考慮到高空氣球有效駐留控制半徑在100 km以上[7]，選取以原位探測點為圓心，200 km距離為半徑的圓形區域作為數據評價區域。誤差評價指標采用平均相對誤差(MRE)來反映模擬值對于觀測值的準確度。平均相對誤差的計算公式為：

(5)

式中，m為所選評價區域內格點數量，O為原位探測數據，Y為模式風產品的預測數據，Y′為修正后風場數據，下標i為評價區域內所選擇的第i個格點數據。

4.3 修正仿真校驗

為驗證基于ISD模型對模式風預報產品進行修正后的風場數據對實際風場特征的擬合能力，實驗選擇中國某地區地區2021年09月第一個星期50 hPa等壓面氣象數據進行仿真實驗。下文中繪圖所選用數據時間以05日UTC時間12時50 hPa等壓面氣象數據為例。

4.3.1 修正實驗可視化

為使實驗數據可被直觀地表示，選擇采用繪制風場矢量箭頭圖的方法，將數據可視化顯示。

解包原始模式風產品氣象數據如下，并繪制初始模式風預報產品如圖2、3所示。

圖2 初始模式風產品

圖3 初始模式風產品(局部放大圖)

在獲取探空數據(原位數據后，由ISD模型進一步得到風矢量誤差矢量，如圖4、5所示。

圖4 風矢量誤差圖

圖5 風矢量誤差圖(局部放大圖)

由圖4、5可較為直觀地看出，風矢量誤差隨著與實測數據點空間距離的增大而減小。將所得到風矢量誤差場疊加至模式風產品上進而可得修正對比如圖6、7所示。

圖6 修正對比圖

圖7 修正對比圖(局部放大)

圖6、7中，橫坐標為經度，縱坐標為維度，風速大小與箭頭長度正相關，最細箭頭為模式風產品初始預測風場數據，最粗箭頭為再分析風數據即真實風場數據，最后一種箭頭為基于ISD模型修正后的風場數據。從圖中可以看出，ISD修正風數據與真實風場風矢量的夾角要比模式風產品的預報數據與真實風場風矢量的夾角小，且長度也更加接近，即ISD修正風數據與實際風場數據更為貼近，可達到提高模式風預報產品準確度的研究需求。

4.3.2 數據指標評價

為了對ISD修正方法的修正效果進行嚴謹客觀的評價，選取09月第一個星期的數據進行ISD修正實驗，并分別求取每組數據的u/v風矢量模式風預報產品的初始MRE及分別選取d0為200 km、500 km、1 000 km、2 000 km時的ISD修正風產品MRE，將模式風預報產品的MRE記為初始模式風，ISD修正風產品的MRE對d0選擇一致的組取絕對值后求均值，最終可得，各項誤差評價指標均值如表1所示。

表1 ISD選取不同修正范圍的MRE

從表1可知，在使用ISD模型進行誤差修正時，ISD數據修正方法對風場數據的MRE有減小作用，u矢量風MRE隨著修正范圍d0的增大而增大，而v矢量風MRE隨著修正范圍d0的增大而減小考慮到風速信息再時空中為連續值，ISD修正方法基于原位探測技術，原位探測對與探測位置距離近的格點影響更大；及d0越小，ISD方法的修正效果應越優。但在v矢量風修正范圍d0為200 km時，ISD修正風的MRE大于初始值。考慮到預報存在一定的不確定性，且有突發惡劣天氣等情況，對數據集進行檢查。

經檢查后發現，在2021年09月06日15時(UTC時間)的預報存在較大誤差，v矢量風初始預報結果MRE達到-29.93，詳細數據如表2所示。

表2 09月06日15時數據(UTC時間)

由表3可知，ISD修正方法可降低模式風預報產品的平均相對誤差(MRE)且修正范圍參數d0越小，修正效果越優。考慮到上文2.2小結中分析d0最小為200 km，故針對高空氣球飛行試驗領域ISD修正方法修正參數d0選為200 km。

表3 ISD不同修正范圍的MRE(剔除異常數據)

4.4 實驗驗證

借助中科院高空氣球實驗平臺對ISD修正方法進行實驗驗證，如圖8所示。

圖8 中國科學院某高空氣球飛行實驗

使用中國某地區探空數據對模式風產品使用ISD修正方法進行修正(修正參數d0選取為200 km)，并使用高空氣球搭載風速計等所需測量設備，最終通過高空氣球球載設備所測實際風速數據對ISD修正風結果進行檢驗。

在實驗驗證過程中，將探空氣球實測數據做為ISD修正模型所用的原位探測數據，對初始模式風預報產品進行修正；并將修正后的預報數據與高空氣球自身所測風速進行對比驗證。

探空球實測得到所處飛行區域50 pha高度處u風-0.797 m/s，v風2.243 m/s，初始模式風預報產品顯示該飛行區域50 pha高度u風-5.206 m/s，v風0.714 m/s；高空氣球飛行實測50 pha飛行區域u風-2.782 m/s，v風1.401 m/s，初始模式風預報產品顯示50 pha飛行區域u風-5.200 m/s，v風0.600 m/s。

使用ISD修正方法，基于探空實測數據進行修正，修正參數d0默認選為200 km，可得高空氣球飛行位置修正風速信息為u風-1.379 m/s，v風1.92 m/s。u風誤差由2.418 m/s變為1.403 m/s，降低了41.98%；v風誤差由0.801 m/s變為0.519 m/s，降低了35.21%。

5 結束語

面對稀疏的平流層風場數據，本文基于原位探測數據提出一種針對飛行任務所需范圍內的平流層風場水平分量數據的修正方法，有效地提升了模式風預報產品的準確度，并得出以下結論：

1)將模式風產品預報數據與原位探測數據相結合，通過提高對原位探測數據的價值的進一步挖掘，提高了模式風產品的預報準確度。

2)仿真結果表明，ISD修正方法可減小風場預測數據的平均相對誤差(MRE)，且ISD方法對東西風分量的修正效果優于南北風分量。

3)實驗結果表明，并在實際飛行實驗任務過程中將u風的誤差由2.418 m/s變為1.403 m/s，降低了41.98%；v風誤差由0.801 m/s變為0.519 m/s，降低了35.21%。在計算速度方面，基于ISD模型的修正方法計算耗時均低于40 s，可滿足高空氣球飛行任務需求。

初步實驗結果驗證了ISD修正模型對提高模式風預報產品的作用，但目前相關的實驗驗證次數略顯不足，應在后續實驗中繼續進行對ISD修正模型的驗證和完善。