鐵路沿線氣象災害數據識別技術研究與應用

2024-04-14 04:54:41徐擁軍倪學磊

現代信息科技 2024年2期

徐擁軍倪學磊

DOI：10.19850/j.cnki.2096-4706.2024.02.024

收稿日期：2023-11-18

基金項目：2022年國鐵集團科研計劃資助項目（N2022T011）

摘? 要：鐵路是氣象部門防災減災工作的重要服務領域。為簡化和方便開展鐵路沿線的氣象災害監測、預警和服務研究，基于氣象災害作用的主要氣象要素，采用氣象數據元數據信息和鐵路路段的地理信息，利用搜索匹配和空間分析等技術，并結合專家經驗，設計了一套數據清單的識別流程。以暴雨為例詳細說明了數據識別的方法，并完成了原型系統軟件功能設計和開發，采用Restful方式為專業技術人員提供鐵路沿線有效的氣象數據清單。以7·31北京暴雨過程對系統驗證分析，識別結果符合預期，后續將為鐵路氣象防災減災工作提供有力的支持。

關鍵詞：鐵路沿線；氣象災害；識別流程；氣象數據清單

中圖分類號：TP274；P409? ? 文獻標識碼：A? ? 文章編號：2096-4706（2024）02-0114-05

Research and Application of Meteorological Disaster Data Identification Technology along the Railway Lines

XU Yongjun， NI Xuelei

（National Meteorological Information Centre， Beijing? 100081， China）

Abstract： Railways are an important service area for disaster prevention and reduction work of meteorological departments. In order to simplify and facilitate the research on meteorological disaster monitoring， early warning， and service along the railway lines. Based on the main meteorological elements affected by meteorological disasters， this paper uses meteorological data metadata information and geographical information of railway sections， utilizes search matching and spatial analysis techniques， and combines expert experience， designs a set of data list identification process. Taking rainstorm as an example， the method of data identification is explained in detail， and the function design and development of the prototype system software are completed. It uses the Restful method to provide professional technical personnel with a list of effective meteorological data along the railway lines. The system is verified and analyzed with the July 31 rainstorm process in Beijing， and the identification results are in line with expectations， which will provide strong support for railway meteorological disaster prevention and reduction.

Keywords： along the railway line; meteorological disaster; identification process; meteorological data list

0? 引? 言

高速鐵路是指列車運行速度達到200 km/h以上的鐵路。由于其具有高速度、大運能、低能耗等優勢，因此在國內外得到了快速發展。但是運營以來，因雷電、大風、暴雨等極端天氣而引發的安全事件時有發生。高速鐵路氣象災害統計單元為高鐵線路區間或區段，而承災體主要包括高鐵線路、橋隧、站場、列車、供電及通信設施等[1]。

我國為了保障高速鐵路的安全運行，同步建設了自然災害及異物侵限監測系統，該系統對可能危及列車運行安全的風、雨、雪、地震以及道路橋梁異物侵限等災害進行實時監測。一旦發現異常情況，系統會立即向鐵路調度指揮及基礎設施維護管理部門提供災害監測、報警和預警信息。根據應急預案，相關部門可以采取降速、停運等措施，以有效防止或減少災害對動車組列車運行安全的影響[2]。

高速鐵路面臨的主要氣象災害包括風災、水災、雷電和低溫雨雪冰凍災害。在修建高速鐵路之前，已經進行了氣候可行性論證，盡量避開了氣象災害高發區。因此，在一般的風、雨、雪等天氣條件下，高速列車可以正常運行。不同氣象災害對高鐵的影響方式和主要設施各有不同，風災主要影響列車運行，水災主要影響軌道和設備，雷電主要影響供電設施，而低溫冰雪災害則主要影響軌道、供電通信系統等，這些災害都會對高鐵的安全運營造成威脅，需要采取相應的防范措施來應對[1，3，4]。

本文分析鐵路沿線周邊的氣象監測、預報和預警信息，結合鐵路對氣象災害的敏感度影響指標識別相關的數據清單，以暴雨為例建立數據識別流程和服務接口，為鐵路運行監測和面向鐵路的專業氣象服務提供數據支撐。

1? 氣象數據說明

在十三五期間，氣象現代化建設取得了新突破，我國已建成世界先進的地、空、天綜合立體氣象觀測系統，截至2021年已有近7萬個地面自動觀測站、224部天氣雷達、6顆風云氣象衛星嚴密監測我國天氣氣候情況。氣象預報預測能力穩步提升，建立了以自主知識產權數值預報模式為核心的無縫隙智能化氣象預報業務體系，實現了從站點、落區預報到數字格點預報的跨越，全國24小時晴雨預報準確率達到86%，強對流天氣預警時間提前至38分鐘，臺風路徑預報24小時誤差縮小到70千米[5]。建成了“云+端”的氣象大數據云平臺“天擎”（簡稱天擎），并于國省兩級實現業務運行[6]，管理大量的監測、預報、數值預報數據以及從各行業部門交換而來的數據，國家中心現有數據超過2 000種，在線存儲超過10 PB。

氣象資料來源復雜、種類繁多、格式多樣、表現形式各異、數據量巨大，構建了數據存儲管理的業務流程，不僅實現對業務數據的分級存儲和管理，還實現了對數據來源、分類分級、覆蓋范圍、數據知識產權信息（生產方、維護方等）、存儲結構信息、數據要素等元數據信息的記錄和管理[7，8]。

根據鐵路沿線極端氣象災害事件數據識別的服務需求，數據服務清單被劃分為四大類：觀探測數據、實況分析、預報產品和災害預警。觀探測數據主要通過地、空、天等手段采集的氣象業務數據；實況分析數據是通過觀探測數據結合地形等要素進行單源、二源或多源數據融合形成的網格分析產品；預報數據主要包括0～3小時的短時臨近預報，3～12小時的短時預報，以及12～72小時的短期預報。氣象災害預警通常指氣象災害預警信號，常見種類有14種，包括臺風、暴雨、暴雪、寒潮、大風、沙塵暴、高溫、干旱、雷電、冰雹、霜凍、大霧、霾、道路結冰等。預警信號的級別根據氣象災害可能造成的危害程度、緊急程度和發展態勢劃分為四級：Ⅳ級（一般）、Ⅲ級（較重）、Ⅱ級（嚴重）、Ⅰ級（特別嚴重），依次用藍色、黃色、橙色和紅色表示，同時以中英文標識[9-11]。觀探測數據和實況分析數據主要用于氣象災害對鐵路沿線運行影響的監測和效果評估，預報產品和災害預警信息主要用于預警和防控決策。

2? 氣象災害事件數據識別技術

2.1? 識別流程設計

利用天擎中管理的數據和元數據信息，結合鐵路沿線的地理信息和對氣象災害敏感性指標等相關信息，開展面向特定鐵路沿線的氣象災害事件的數據識別流程建設，如圖1所示。

總體包含5個步驟：

1）氣象災害性要素所在數據清單。根據氣象災害性天氣發生的主要特征，確定氣象業務中觀、探測數據、預報數據、預警信息中主要包含的氣象要素或編碼，根據確定的氣象要素，結合氣象數據的元數據信息，基于搜索和語義匹配技術，初步確定開展該氣象災害性天氣服務與決策所需的數據清單。

2）專家矯正初選氣象數據清單。在已列出的數據清單中，面向鐵路氣象數據服務的特點，根據專家的經驗開展清單篩選，對于數據質量、時效性、精準度不高的清單給予排除。并記錄專家經驗到專家知識庫，為清單更新提供依據。

3）鐵路沿線關聯氣象數據清單。由于氣象數據的時空分布不均，需要利用鐵路段的空間信息，結合初選氣象數據清單中每個數據的覆蓋范圍，通過空間分析的手段，比如對鐵路路段進行緩沖區分析，進一步篩選與該鐵路段關聯的氣象數據清單。

4）鐵路沿線潛在氣象災害事件數據清單。由于鐵路對氣象災害事件的敏感性差異，針對不同的災害性事件的鐵路災害預警閾值信息，結合氣象數據實體判識鐵路沿線服務需要的數據清單。

5）鐵路沿線潛在氣象災害事件推薦數據清單。為提升氣象精細化服務的能力，根據鐵路線路的空間位置，結合不同區域不同氣象要素預報預警的精準度，向鐵路沿線服務提供優選數據清單。

2.2? 暴雨數據識別方法

暴雨（rainstorm），是指降水強度很大的雨，常在積雨云中形成。中國氣象上規定，24 h降水量為50 mm以上的強降雨稱為“暴雨”。按其降水強度大小又分為三個等級，即24 h降水量為50.0～99.9 mm稱“暴雨”、100.0～249.9 mm之間為“大暴雨”、250 mm以上稱“特大暴雨”（降水量等級來源GB/T 28592-2012）。在業務實踐中，又可按照發生和影響范圍的大小將暴雨劃分為：局地暴雨、區域性暴雨、大范圍暴雨、特大范圍暴雨。

暴雨是嚴重的氣象災害，暴雨導致的水災直接損害的是高鐵的軌道設施及經過列車，同時軌道損毀會造成列車停運、旅客滯留等多種間接損失。我國近幾十年來因為水災導致鐵路線遭受影響的頻率為年均100余次。比如2018年7月，黑龍江省遭遇嚴重暴雨，多處鐵路線被迫停運或限速運行；2021年7月，受河南特大暴雨影響，中國鐵路鄭州局集團公司管內普速隴海線、焦柳線、寧西線部分區段封鎖或限速運行，影響途經列車不同程度晚點、停運；2022年6月19日，受強降雨影響，京廣高鐵、普鐵線路韶關以南多個區段雨量達到或超過警戒值，致使途經該區段列車出現不同程度晚點，韶關東站所有列車停運。

在暴雨災害的監測和預警方面，氣象部門和鐵路部門相關人員做了諸多探索，對全面認識暴雨對鐵路網絡的危險性，提升鐵路氣象災害監測預警能力提供了有力支撐[12-15]。本文結合氣象行業標準《高速鐵路運行高影響天氣條件等級》和《鐵路技術管理規程（高速鐵路部分）》第347條規定，劃分定義不利高鐵運行的降水閾值，1 h降水量達到60 mm及以上，列車限速45 km/h；1 h降水量在45～60 mm，列車限速120 km/h；1 h降水量在20～45 mm，列車限速160 km/h。

暴雨災害數據清單提取流程如圖2所示。

具體分為5個環節：

環節1：降水天氣關聯數據清單初選，通過關鍵字匹配、語義識別等算法，建立與暴雨關聯的數據清單。基于暴雨事件在天擎中氣象數據中的關鍵字“降水”，從資料元數據中提取相關的數據清單。由于氣象數據不斷進行豐富和更新，需要定期進行清單維護，對于下線或新增上線的資料及時補充降水數據資料全集清單TQ_PRE中。

關鍵字匹配算法至少包含以下步驟：

1）從資料元數據說明中初選清單TQ_PRE1。

2）從結構化數據中的氣象要素屬性中，初選清單TQ_PRE2。

3）從非結構化模式資料的屬性中初選清單TQ_PRE3。

4）初選清單計算方法表示為：TQ_PRE0= UNIQUE（TQ_PRE1 U TQ_PRE2 U TQ_PRE3），即先對不同維度提取的清單求并集，然后再進行去重處理。

環節2：降水天氣關聯清單專家矯正，利用專家經驗，采用黑名單算法，對時效性、精準度不高的數據進行剔除?；诮邓鞖怅P鍵字要素提取的數據清單TQ_PRE0，利用專家經驗，對清單進行確認和干擾信息剔除，得到專家確認后的降水天氣數據資料全集清單TQ_PRE，并將剔除的清單加入降水天氣數據黑名單列表TQ_PRE_HMD，以便后續清單更新進行自動化處理，即TQ_PRE=TQ_PRE0-TQ_PRE_HMD。降水天氣關聯清單TQ_PRE記錄資料的名稱，數據編碼，有效區域范圍，降水相關數據要素編碼，專家確認標識，備注。

環節3：利用空間分析，計算與鐵路沿線信息關聯的降水天氣數據關聯清單。根據降水數據資料全集清單TQ_PRE中的有效區域范圍，結合鐵路線路圖，采用空間分析的方式，篩選出特定鐵路沿線降水天氣相關的氣象數據清單TT_PRE0。

環節4：通過關聯降水天氣數據與鐵路路段暴雨監測預警信息閾值匹配，提取滿足閾值的潛在暴雨事件數據清單。在TT_PRE0中，按照暴雨對鐵路的影響閾值信息，以及監測的數據時間，提取滿足閾值的有效數據清單TT_PRE1。在數據提取時，站點型數據提取有效站點，網格型數據則采用有效范圍的最大值進行判斷，預報數據主要對最近3小時內預報時效進行閾值比較。

環節5：推薦清單優先級確定，利用建立的不同區域暴雨事件的數據可靠性或受歡迎權重，利用排序算法計算數據推薦清單。根據鐵路所處的氣候區域，結合數據可靠性權重或數據受歡迎的權重，對滿足閾值的有效數據清單TT_PRE1數據進行排序，生成暴雨事件推薦氣象數據清單。返回的信息包含：警戒分類，鐵路段，數據分類，數據編碼，數據要素，區域范圍（站點類為站號列表），數據時間，數據可靠性排序。

3? 原型系統設計與應用

3.1? 總體技術框架

基于天擎的數據、算力和存儲資源，嚴格遵循相關標準規范和安全體系，建設鐵路沿線極端氣象災害數據識別系統，如圖3所示。

分為數據層、加工層、服務層和應用層。數據層包含天擎的基礎數據和項目建設的專題數據；加工層依托天擎加工流水線的算力、算法和任務調度，依托數據層管理的基礎數據和專題數據，進行數據分析和識別算法的調度和運行；服務層基于天擎的服務接口以及面向鐵路沿線氣象數據服務需求定制的服務接口，提供數據清單、歷史個例查詢、實況、預報預警數據服務等功能，為應用層提供支撐。

3.2? 系統功能設計

采用前后端分離運行方式，實現以下三部分功能，包含氣象災害事件定義，氣象災害事件識別與展示，歷史個例存儲與查詢。

3.2.1? 氣象災害事件定義

實現對氣象災害事件的屬性編輯和存儲，包含氣象災害事件描述、氣象災害事件關聯氣象要素關鍵字編排、鐵路沿線氣象災害性事件潛在數據提取閾值信息存儲與編輯等功能模塊。

3.2.2? 氣象災害事件識別與展示

實現對鐵路沿線氣象災害事件數據的識別和結果展示，包含后端的數據清單的生成和接口封裝、前端結果顯示。

后端數據清單生成和接口封裝，主要實現對暴雨氣象災害性事件相關算法的加工和接口封裝，接口封裝按照輸入接口參數提供與鐵路路線關聯的3種不同程度的結果清單（關聯的天氣數據關聯清單，潛在氣象災害性事件數據清單，潛在氣象災害性事件推薦數據清單）。

前端結果顯示，主要實現對程序提取的數據清單專家確認和展示。管理員可對清單進行編輯，普通用戶只能查看。點擊清單列表中的每個數據，可在地圖上展示數據的范圍，對于站點資料可在地圖上展示站點位置及對應時刻的數值。

3.2.3? 歷史個例存儲與查詢

對收集的歷史個例具備存儲和查詢等功能。管理員可對個例進行編輯，普通用戶只能查看。

3.3? 原型界面設計

按照軟件功能設計，采用VUE技術框架結合WebGIS組件完成應用交互界面功能開發，包含氣象災害要素數據管理、鐵路沿線氣象數據資料關聯、鐵路沿線氣象要素查詢、鐵路沿線潛在氣象災害列表和災害個例列表等欄目，如圖4所示。

第三方系統采用Restful接口的方式提供服務，數據識別清單的請求參數包含輸入鐵路路段名稱、氣象災害的名稱等，輸出json格式的字符串，格式樣例如下：

{

"code"： 200，

"msg"： "成功"，

//數據清單列表

"datalist"： [

{

//氣象要素

"elements"： "ER01"，

//氣象要素中文描述

"name"： "1小時降水"，

//數據描述

"data"： [

{

//數據中文名稱

"dataName"： "智能網格省級格點預報訂正產品"，

//數據服務接口調用代碼

"dataCode"： "NAFP_NWFP_SPCC"，

//可調用該數據的服務接口ID

"interfaceid"： [

"getNafpFileByTime"，

"getNafpFileByTimeRange"，

"getNafpEleGridInRectByTimeAndLevelAndValidtime"]

}，

{...}

]

}，

{

"elements"： "ER03"，

"name"： "3小時降水"，

"data"： [...]

}

]

}

用戶拿到輸出結果后，提取要素、數據代碼、接口名稱等信息，采用氣象統一服務接口的方式調用對應的數據值。

3.4? 應用試驗分析

以2023年7月29日20時至8月2日7時北京特大暴雨期間的京張高鐵線路為例，基于識別系統從上千種氣象數據中識別出了與京張鐵路相關的氣象數據清單，比如中國地面小時數據、中國地面分鐘降水數據、融合降水實況分析數據、智能網格預報數據等數據清單，經分析驗證識別出的數據清單符合暴雨期間開展專業氣象服務的需求。

4? 結? 論

基于氣象災害定義的氣象關鍵屬性、氣象數據的空間覆蓋信息，結合專家的經驗和鐵路路段信息，從千余種氣象數據清單中識別出有效數據清單，并結合鐵路對氣象災害影響的敏感度閾值，建立了一套有效的技術流程，識別出有災害風險的數據清單。以暴雨為案例設計和細化了識別方法，實現了原型軟件的開發，通過服務接口的方式提供鐵路沿線開展氣象監測和預報數據服務，具備開展交互式的配置管理和氣象數據預覽功能。后續將完善和優化軟件，提高其自動化程度和適用范圍，為鐵路防災減災工作提供更加準確、及時的數據支持。

參考文獻：

[1] 代娟，崔新強，劉文清，等.高速鐵路氣象災害風險分析與區劃方法探討 [J].災害學，2016，31（4）：33-36.

[2] 馬禎，包云，李俊波，等.高速鐵路災害監測大數據分析系統及應用研究 [J].鐵道運輸與經濟，2022，44（6）：78-83+135.

[3] 張洪宇，孟亮，戴賢春.鐵路高影響天氣分析及應對策略研究 [J].中國鐵路，2019（5）：12-16+26.

[4] 包云，高歌，李亞群，等.基于監測數據挖掘的高鐵氣象災害風險評估方法研究 [J].災害學，2022，37（2）：44-48+53.

[5] 我國24小時晴雨預報準確率將升至90% [J].科學啟蒙，2022（Z1）：10.

[6] 劉媛媛，何文春，王妍，等.氣象大數據云平臺歸檔系統設計及實現 [J].氣象科技，2021，49（5）：697-706.

[7] 任李娟，盧軍，郭維.公共元數據配置管理平臺設計 [J].電子技術應用，2020，46（1）：100-103.

[8] 沈一通.基于大數據的氣象資料元數據監控系統的研究與分析 [D].昆明：云南大學，2021.

[9] 孫崇智，李有華，王振國.廣西氣象災害預警信號時空分布特征 [J].氣象研究與應用，2022，43（2）：87-92.

[10] 李超，鮑雅芳.氣象災害預警術語現狀淺析與規范化建議 [J].中國標準化，2023（7）：48-52.

[11] 王博，李一騰，陳冬梅，等.新疆氣象災害預警信號發布特征分析 [J].農業災害研究，2023，13（2）：89-92.