本发明涉及公路交通道路积雪技术领域，具体而言，涉及一种道路积雪有无的预报方法。
背景技术：
积雪亦称雪盖或雪被，雪在地面覆盖的面积达到一地周围所能见到的面积一半以上者，称为积雪。一般来说，在冬季出现大范围强冷空气活动引起气温下降的天气(寒潮)时，如果还伴随有雨雪生成，很容易发生道路积雪现象。道路积雪过程不仅会给交通安全、工农业生产和人们日常的出行带来非常大的影响，严重时还会引发灾害。
目前，我国在积雪的影响因子、积雪深度预报等方面的研究尚处于初步阶段，研究结果还难以为积雪的预报与服务等业务提供较为有效的科技支撑。
技术实现要素：
针对现有技术中上述的不足，本发明提供一种道路积雪有无的预报方法，具有较好的积雪有无预报效果，结合公路交通精细化气象预报要素，做出准确及时的灾害预报预警，为交通气象防灾减灾提供依据，有效提升公路交通预报水平，减少交通事故。
为了达到上述目的，本发明采用的解决方案是：
一种道路积雪有无的预报方法，包括以下步骤：
基于台站气象要素观测资料，选取气象预报因子，对气象预报因子进行时间变化分析及与积雪的相关性分析得到第一气象要素、第二气象要素及第三气象要素；
基于径向基神经网络建立积雪预报模型，以积雪深度作为因变量，第一气象要素作为自变量，第二气象要素和第三气象要素作为协变量，同时将协变量进行标准化处理；
将高分辨率数值天气预报结果输入积雪预报模型，进行道路积雪有无的预报。
进一步地，本发明较佳的实施例中，选取气象预报因子包括以下步骤：
对气象要素进行kmo和bartlett检验；
对检验后的气象要素进行主成分分析。
进一步地，本发明较佳的实施例中，气象要素包括气温、降水量、相对湿度和风速。
进一步地，本发明较佳的实施例中，气温选择日最低气温，降水量选择20-20时累计降水量，相对湿度选择日平均相对湿度，风速选择最大风速。
进一步地，本发明较佳的实施例中，主成分分析包括气象因子解释的总方差分析和成份得分系数矩阵分析。
进一步地，本发明较佳的实施例中，积雪预报模型中训练样本、测试样本、支持样本的比例为6:2:2。
进一步地，本发明较佳的实施例中，高分辨率数值天气预报结果选择ec细网格预报结果。
本发明提供的道路积雪有无的预报方法的有益效果是：结合公路交通精细化气象预报要素，基于径向基神经网络建立积雪预报模型，利用径向基函数神经网格所建立的积雪深度预测模型在预测积雪有无时效果较好，预测有积雪的正确率为80.0％，预测无积雪的正确率高达100％，做出准确及时的灾害预报预警，为交通气象防灾减灾提供依据，有效提升公路交通预报水平，减少交通事故。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明提供的2014年冬季的松潘气象要素时间变化图；
图2为本发明提供的2015年冬季的松潘气象要素时间变化图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
下面对本发明实施例的一种道路积雪有无的预报方法进行具体说明。
本发明实施例提供的道路积雪有无的预报方法，包括以下步骤：
步骤a：基于台站气象要素观测资料，选取气象预报因子，对气象预报因子进行时间变化分析及与积雪的相关性分析得到第一气象要素、第二气象要素及第三气象要素，本发明的气象要素包括气温、降水量、相对湿度和风速。
具体的，选取气象预报因子包括以下步骤：
a:对气象要素进行kmo和bartlett检验；目的是为了通过对气象要素进行kmo和bartlett检验，判断其是否适合进行因子分析。
kmo检验统计量是用于比较变量间简单相关系数和偏相关系数的指标，主要应用于多元统计的因子分析。kmo统计量的取值介于0和1之间，取值越接近于1，意味着变量间的相关性越强，原有变量越适合作因子分析。bartlett的球形检验用于检验相关阵中各变量间的相关性，是否为单位阵，即检验各个变量是否各自独立。如果判断相关阵是单位阵，则各变量独立，因子分析法无效。sig.<0.05时，说明各变量间具有相关性，因子分析有效。
b:对检验后的气象要素进行主成分分析；其中气温选择日最低气温，降水量选择20-20时累计降水量，相对湿度选择日平均相对湿度，风速选择最大风速，通过主成分分析后选出气象预报因子。
主成分分析又称主分量分析，通过主成分分析法可以起到降低维度的作用，把多个指标合成为少数几个相互无关的综合指标(即主成分)，其中每个主成分都能反映原始变量的绝大部分信息，而且所含的信息互不重复。降维处理以降低研究的复杂程度。本发明根据气象因子解释的总方差和成份得分系数矩阵确定后续研究所需的气象要素。
对选取的气象预报因子进行时间变化分析及与积雪的相关性分析得到第一气象要素、第二气象要素及第三气象要素。
其中，在气象要素进行时间变化分析步骤后对积雪深度与气象要素进行相关性分析。相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个或多个变量因素两两之间的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
步骤b:基于径向基神经网络建立积雪预报模型，以积雪深度作为因变量，第一气象要素作为自变量，第二气象要素和第三气象要素作为协变量，同时将协变量进行标准化处理。
径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是
径向基神经网络的结构较为简单，包含输入层、隐含层和输出层三层网络结构。隐含层与输入层之间既无偏差也无权值连接。同时隐含层的神经元通过径向基函数将低维空间的输入向量映射到高维空间，训练样本被确定之后，rbfnn与隐含层神经元的中心向量之间的映射关系也就随之得到确定，最后隐含层通过权值连接输出层。
在构建时选择已有的积雪深度数据进行径向基神经网络的构建，选择一部分数据作为训练样本、一部分数据作为测试样本，一部分数据作为支持样本，在spss径向基函数中设置因变量为积雪深度，自变量为第一气象要素，协变量为第二气象要素和第三气象要素，同时将协变量进行标准化处理。
进一步的，训练样本，测试样本，支持样本三者数量之比为6：2：2时所构建的模型对积雪有无的预测准确度较高，其中预测无积雪产生时的准确度高于预测有积雪产生时的准确度。
步骤c：将高分辨率数值天气预报结果输入积雪预报模型，进行道路积雪有无的预报；其中，高分辨率数值天气预报结果优选ec细网格预报结果。
实验例
选取九寨沟，松潘，若尔盖三个站点的冬季(2014年12月，2015年1、2、12月以及2016年1、2、12月)作为研究对象。
一、气象因子选取
kmo和bartlett检验：对本文选取的气象要素(气温、降水量、相对湿度、风速)进行kmo和bartlett检验(结果如表1所示)，九寨沟、松潘、若尔盖三个站点的kmo值分别为0.522、0.559、0.504，均大于阈值0.5，说明变量之间是存在相关性的；三个站点的bartlett球形检验sig.值均为0.000，小于阈值0.05。综上，气温、降水量、相对湿度、风速等气象要素适合进行因子分析。
表1kmo和bartlett的检验
主成分分析：气象要素之间多具有相关性，利用主成分分析法对本文选取的气温、降水量、相对湿度、风速等气象要素进行降维处理以得出综合指标。其中气温以日最低气温为代表值，降水量以20-20时(24小时)累计降水量为代表值，相对湿度以日平均值为代表值，风速以日最大风速为代表值。对其进行气象因子解释的总方差(如表2所示)和成份得分系数矩阵(如表3所示)分析可知，九寨沟站点第一主成分主要反映了最大风速和降水量，贡献率为36.241％，第二主成分主要反映了最大风速和日最低气温，前两个成分累积贡献率为62.494％，前三个成分累积贡献率为84.154％；松潘站点第一主成分主要反映了日最低气温和降水量，第二主成分以最大风速为主，二者累积贡献率为71.376％，前三个主成分的累积贡献率为89.805％；若尔盖站点第一主成分主要反映了最大风速和降水量，第二主成分以最大风速和日最低气温为主，前三个主成分的累积贡献率为87.592％。综上，日最低气温，20-20时累计降水量，最大风速为气象预报因子进行后续研究。
表2解释的总方差
表3成份得分系数矩阵
气象要素时间变化分析：选取2014年冬季(2014年12月，2015年1、2月)和2015年冬季(2015年12月，2016年1、2月)的地面观测日资料中日最低气温、降水量、最大风速等气象要素，对其进行基本数据处理(如表4及表5所示)。九寨沟、松潘、若尔盖三个站点2015年冬季日最低气温值整体低于2014年冬季日最低气温值，气温变化较大。三个站点中若尔盖冬季气温明显低于其他两个站点，其2015年冬季日最低气温最小值达到零下26.5℃，其次为松潘，2015年冬季日最低气温最小值为零下20℃，九寨沟相对于其他两个站点温度较高。2014年和2015年两年冬季松潘的最大风速均值略高于其他两个站点，其值稳定在6.0m/s左右，其次为若尔盖，九寨沟两年冬季最大风速均值最低。2015年冬季累积降水量多于2014年冬季。2014年冬季若尔盖降水量均值为0.2mm，总降水量高于其他两个站点，2015年冬季松潘降水量较多。
选取松潘站点为例，对该站点14年冬季和15年冬季的积雪深度与日最低气温、降水量、最大风速等气象要素进行时间变化分析。根据图1及图2所显示的信息，15年冬季产生积雪时次多于14年冬季，且15年冬季积雪深度远大于14年冬季，积雪深度大值区主要出现在2016年1月20日左右及2016年2月20日左右，最大值可达7cm左右。14年冬季和15年冬季日最低气温值波动均较为显著，14年冬季日最低气温值整体呈先降后升趋势，15年冬季其最小值出现在2016年1月24日，最大值出现在2016年2月13日左右，14年冬季日最低气温均值略大于15年冬季。两年冬季日最低气温低值区与积雪深度大值区出现时间基本一致，说明日最低气温与积雪深度呈反相关；15年冬季降水量大于14年冬季，其降水量大值区与积雪深度大值区对应关系较好，说明其与积雪深度有较强的正相关关系；14年冬季和15年冬季最大风速值随时间变化不明显，最大风速低值区基本与积雪深度大值区相对应，说明最大风速与积雪深度呈反相关关系。根据14年冬季和15年冬季各气象要素随时间的变化以及各气象要素之间的对应关系可知，当日最低气温、降水量、最大风速同时满足与积雪深度的对应关系时产生积雪概率较大。
表42014年冬季描述统计量
表52015年冬季描述统计量
积雪深度与气象要素相关性分析：由时间变化分析可知，积雪的产生与日最低气温，降水量，最大风速等气象要素的变化和大小有关，为确定其相关程度，选用松潘站点2014年冬季和2015年冬季的积雪深度以及日最低气温，降水量，最大风速等气象要素进行相关性分析(如表6所示)。根据表6所显示的信息，积雪深度与降水量相关性最大，相关性显著程度为0.649，与日最低气温和最大风速之间的相关性一般。各气象要素之间也具有一定的相关性，日最低气温与降水量之间的相关性显著程度为0.25。史建桥等对青藏高原积雪影响因子进行了研究分析，得出积雪与气象要素之间存在明显的相关关系，其中气温、降水量、风速等气象要素是影响高原积雪的关键因子。本文研究得出日最低气温，降水量，最大风速等气象要素与积雪深度具有较为明显的相关关系，其中降水量与积雪深度相关性最为显著。前者研究结果与本文较为相符，因此选取降水量为第一气象要素，日最低气温为第二气象要素和最大风速为第三气象要素。
表6相关性分析
基于径向基神经网络建立积雪预报模型：以积雪深度作为因变量，第一气象要素作为自变量，第二气象要素和第三气象要素作为协变量，同时将协变量进行标准化处理，也即是以积雪深度作为因变量，降水量作为自变量，最低气温和最大风速作为协变量，同时将协变量进行标准化处理。
利用2014年冬季(2014年12月，2015年1月、2月)，2015年冬季(2015年12月，2016年1月、2月)以及2016年12月的积雪深度数据(共636组)进行径向基神经网络的构建。
在spss径向基函数中设置因变量为积雪深度，自变量为降水量，协变量为日最低气温和最大风速，同时将协变量进行标准化处理。将这636组数据中70％的数据作为训练样本，剩余30％的数据作为测试样本。实际案例处理过程中(如表7所示)，系统自动排除了13组无效数据，剩余623组有效数据中，430组数据作为训练样本，占比69.0％，193组数据作为测试样本，占比31.0％。该径向基神经网络中输入层。由所得模型汇总可知(如表8所示)训练样本的错误预测百分比为15.1％，测试样本的错误预测百分比为11.4％。在对积雪深度预测值(如表9所示)进行分析时，训练样本中积雪深度为0cm时雪深预测较为准确，正确率可达99.4％，积雪深度为1cm时雪深预测正确率次之，为12.5％，其余预测效果较差；测试样本中积雪深度为0cm时雪深预测正确率高达99.4％，积雪深度为1cm时雪深预测正确率为9.1％，其余预测效果也较差。对这636组数据样本进行重新分配，训练样本由原来的70％缩减到60％，测试样本增加到40％，其余设置与上述操作一致。此时，系统自动排除了16组无效数据，训练样本数量为395，占比63.7％，测试样本数量为225，占比36.3％。训练样本的错误预测百分比为14.9％，测试样本的错误预测百分比为9.3％，较训练样本与测试样本数量之比为7：3时预测误差有所降低。训练样本中积雪深度为0cm时雪深预测正确率为98.8％，与第一次预测结果相差不大，积雪深度为1cm时雪深预测正确率为42.9％，相比第一次预测正确率提升较为明显，其余预测效果较差；测试样本中积雪深度为0cm时雪深预测正确率为98.5％，积雪深度为1cm时雪深预测正确率为50.0％，较前一次预测正确率显著升高。再次对这636组数据样本进行重新分配，训练样本数量仍为总样本数量的60％，测试样本数量与支持样本数量均为总样本数量的20％，其余设置与前两次预测一致。实际运行过程中，排除了16组雪深数据，剩余620组数据中，训练样本、测试样本、支持样本数量分别为395、112、113，占有效数据的百分比分别为63.7％、18.1％、18.2％。训练样本预测错误百分比为14.4％，测试样本错误预测百分比为13.4％，支持样本预测错误百分比为9.7％。相对于前两次预测而言，训练样本错误率和测试样本错误率稍微有所上升。由此次预测结果可知，训练样本中积雪深度为0cm时雪深预测正确率为99.1％，积雪深度为1cm时雪深预测正确率为39.3％；支持样本中积雪深度为0cm时雪深预测正确率为98.1％，测试样本中积雪深度为0cm时雪深预测正确率高达100％，对于预报积雪有无来说，该模型精确度较高，达到了预测积雪有无的要求。
在该模型预测无积雪产生时效果较好的基础上，检验其预测有积雪产生时的效果。训练样本与测试样本数量之比为7：3时，训练样本中积雪深度非0但预报结果为0的次数为13次，预测有积雪产生的正确率为79.6％，测试样本中积雪深度非0但预报结果为0的次数为5次，预测有积雪产生的正确率为76.4％。训练样本与测试样本数量之比为6：4时，训练样本中积雪深度非0但预报结果为0的次数为15次，预测有积雪产生的正确率为78.1％，测试样本中积雪深度非0但预报结果为0的次数为5次，预测有积雪产生的正确率为76.8％。训练样本，测试样本，支持样本三者数量之比为6：2：2时，训练样本中积雪深度非0但预报结果为0的次数为13次，预测有积雪产生的正确率为80.6％，测试样本中积雪深度非0但预报结果为0的次数为3次，预测有积雪产生的正确率为80.0％，支持样本中积雪深度非0但预报结果为0的次数为2次，预测有积雪产生的正确率为77.8％。综上，训练样本，测试样本，支持样本三者数量之比为6：2：2时所构建的模型对积雪有无的预测准确度较高，其中预测无积雪产生时的准确度高于预测有积雪产生时的准确度。
表7案例处理汇总
表8模型汇总
表9积雪预测模型正确率
将高分辨率数值天气预报结果输入积雪预报模型，进行道路积雪有无的预报：数值预报产品(ec细网格)有着较高的时间和空间分辨率，其时间分辨率为3h，其地面的空间分辨率0.125°×0.125°、1000到100hpa的空间分辨率为0.25°×0.25°，为气象预报员制作精细化的气象要素预报提供了非常重要的参考依据。
将上述使用径向基函数神经网络(rbfnn)构建的积雪有无预测模型运用到现有数值预报产品(ec细网格)当中，检验其预报准确度，为积雪等气象要素的预报提供服务。
采用2016年12月的数值预报产品(ec细网格)资料，并从中选取松潘站点日最低气温，20-20时降水量，最大风速，积雪深度等气象要素。利用上述积雪有无预测模型，将降水量作为自变量，日最低气温，最大风速作为协变量来预测积雪深度。预测结果显示，2016年12月中无积雪产生天数为29天，有积雪产生天数为2天。而实际ec细网格预报结果显示2016年12月无积雪产生，地面观测日资料中一整月的积雪深度均为0，与ec细网格的预报结果一致。综上，利用径向基函数神经网络(rbfnn)构建的积雪有无模型预测结果与ec细网格预报结果相差不大，该模型适用于积雪有无的预测，ec细网格预报结果较为准确。
由此可知，利用国家气候中心地面观测日资料中2014年冬季(2014年12月，2015年1、2月)，2015年冬季(2015年12月，2016年1、2月)以及2016年12月九寨沟，松潘，若尔盖三个站点的积雪深度和日最低气温，20-20时降水量，平均相对湿度，最大风速等气象要素，对川九公路沿线地区积雪变化时间分布特征、积雪深度与气象要素的关系进行了分析，并利用径向基函数神经网格建立了积雪有无预测模型，主要得出以下结论：(1)2015年冬季九寨沟，松潘，若尔盖三个站点的累积积雪深度大于2014年冬季，其中若尔盖站点两年冬季的累积积雪深度值均大于其它两个站点；(2)川九公路沿线地区的积雪深度与日最低气温，降水量，最大风速等气象要素有相关关系，与日最低气温和最大风速呈负相关，与降水量呈正相关，其中与降水量的相关性最大，但其关系较为复杂，并非一般的线性相关关系；(3)利用径向基函数神经网格所建立的积雪深度预测模型在预测积雪有无时效果较好，预测有积雪的正确率为80.0％，预测无积雪的正确率高达100％，预测具体积雪深度值时效果较差。(4)现有数值预报产品(ec细网格)预报结果较为准确。
综上所述，本发明的道路积雪有无的预报方法，结合公路交通精细化气象预报要素，基于径向基神经网络建立积雪预报模型，利用径向基函数神经网格所建立的积雪深度预测模型在预测积雪有无时效果较好，预测有积雪的正确率为80.0％，预测无积雪的正确率高达100％，做出准确及时的灾害预报预警，为交通气象防灾减灾提供依据，有效提升公路交通预报水平，减少交通事故。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种道路积雪有无的预报方法，其特征在于，包括以下步骤：
基于台站气象要素观测资料，选取气象预报因子，对所述气象预报因子进行时间变化分析及与积雪的相关性分析得到第一气象要素、第二气象要素及第三气象要素；
基于径向基神经网络建立积雪预报模型，以积雪深度作为因变量，第一气象要素作为自变量，第二气象要素和第三气象要素作为协变量，同时将协变量进行标准化处理；
将高分辨率数值天气预报结果输入积雪预报模型，进行道路积雪有无的预报。
2.根据权利要求1所述的道路积雪有无的预报方法，其特征在于，选取气象预报因子包括以下步骤：
对所述气象要素进行kmo和bartlett检验；
对检验后的所述气象要素进行主成分分析。
3.根据权利要求2所述的道路积雪有无的预报方法，其特征在于，所述气象要素包括气温、降水量、相对湿度和风速。
4.根据权利要求3所述的道路积雪有无的预报方法，其特征在于，所述气温选择日最低气温，所述降水量选择20-20时累计降水量，所述相对湿度选择日平均相对湿度，所述风速选择最大风速。
5.根据权利要求2所述的道路积雪有无的预报方法，其特征在于，所述主成分分析包括气象因子解释的总方差分析和成份得分系数矩阵分析。
6.根据权利要求1所述的道路积雪有无的预报方法，其特征在于，所述积雪预报模型中训练样本、测试样本、支持样本的比例为6:2:2。
7.根据权利要求1所述的道路积雪有无的预报方法，其特征在于，所述高分辨率数值天气预报结果选择ec细网格预报结果。
技术总结