城市街道及公路会常常面临冰、雪、雨、雾、高温等恶劣天气的影响，而恶劣天气通常会导致路面出现诸如能见度低、路面积冰 (积水) 打滑、高温等恶劣路况，蕴藏着交通事故隐患，并常常引发重大安全事故。因此，提供准确及时的路面气象与路况信息对道路交通安全保障具有至关重要的作用。

路面温度是交通气象预报的关键因子。由于道路下垫面的特殊性，采用传统的陆面模式预报路面参数难免会产生较大误差。张朝林等^[1]通过对国内外在高速公路气象预报系统研究进展进行简要回顾，探讨了目前国际上主要高速公路气象预报系统的特点，主要涉及大气科学问题、所面临的主要问题和未来发展趋势。2010年举行的SIRWEC-2010研讨会^[2]较全面反映了目前国际道路气象预报系统研究现状。国际上主要有3种路面参数预报模型，包括统计模型^[3-5]、基于GIS的模型^[6]以及物理模型。其中物理模型应用最广泛，这种模型主要考虑路面能量平衡方程^[7-8]以及路面特性和人为热的影响^{[7, 9]}。其中加拿大环境部研发的METRo^[7]模型得到了较为广泛的应用。

针对高速公路和城市道路服务的需要，我国开展了一些关于雾和能见度等方面的研究^[10-11]，路面温度预报主要以统计方法为主^[12]；基于地表能量平衡的物理模型也取得了一定进展^[13]，但由于缺乏专业的路面观测仪器观测数据的支持，模式没有投入业务化运行。2008年，以快速更新循环预报系统 (BJ-RUC)^[14]为基础，北京城市气象研究所发展了路面天气信息系统，并投入了业务运行^[15]。至2007年，北京市气象局采用芬兰ROSA Vaisala仪器建立了18个高速公路气象监测站，并利用自动研制的数字化能见度仪建成了6个能见度观测站 (总计划约20个)^[1]。这些仪器的建成以及BJ-RUC系统的业务化运行，使得交通气象精细预报以及业务化运行成为可能。

本文针对道路下垫面的特点，以高速路气象监测站数据及北京市精细下垫面数据为支撑^[16-18]，在通用陆面模式 (CoLM)^[19]的基础上，发展了适用于城市街道及公路路面的路面参数数值预报模型BJ-ROME。模型采用BJ-RUC产生的气象强迫场驱动，预报时间跨度为24 h，更新时间为3 h。采用芬兰Vaisala公司ROSA路面观测站路面温度及积雪厚度观测结果对模型预报结果进行性能检验。模型预报结果可以为交管局和路政局采取措施提供重要参考。

BJ-ROME基于通用陆面模式CoLM构建。CoLM能量平衡方程可表示如下：

(1)

式 (1) 中，c为土壤容积热容 (单位：J·m^-3·K^-1)；t_k为热导率 (单位：W·m^-1·K^-1)；Δz为表层土壤厚度 (单位：m)；T_g为地表温度 (单位：K)；L_f为冰的融化潜热 (单位：J·kg^-1)；I为积雪或冰的融化速率 (单位：mm·s^-1)；L为水的蒸发潜热 (单位：J·kg^-1)；E_g为土壤蒸发速率 (单位：mm·s^-1)；R_n，g, H_g和LE_g分别为净辐射、显热通量和潜热通量 (单位：W·m^-2)；T₂为第2层土壤温度 (单位：K)，由第2层土壤导热定律求得，计算公式如下：

(2)

式 (2) 中，Δz₂为第2层土壤厚度，F₂，F₁分别为进入及流出第2层土壤的能量通量，可由式 (3) 表示：

(3)

考虑路面特性及人为热后，能量平衡方程可以变为如下形式：

(4)

式 (4) 中，c_r为路面容积热容 (单位：J·m^-3·K^-1)；t_kr为路面热导率 (单位：W·m^-1·K^-1)；Δz_r为路面厚度 (单位：m)；T_r为路面温度 (单位：K)；E_r为路面蒸发速率 (单位：mm·s^-1)；R_n，r，H_r和LE_r分别为路面净辐射、显热通量和潜热通量 (单位：W·m^-2)；A为城市人为热。表 1为BJ-ROME使用的主要路面参数值。

表 1

表 1 BJ-ROME使用的主要路面参数值 Table 1 Main road surface parameters used in BJ-ROME 路面参数 数值 热容/(J·K-1·m-3) 2.025×106 热导率/(W·K-1·m-1) 2.9 反照率 (无雪覆盖) 0.05 地表粗糙度/m 0.01 密度/(kg·m-3) 2.7×103

表 1 BJ-ROME使用的主要路面参数值 Table 1 Main road surface parameters used in BJ-ROME

由于路面不透水，因此路面蒸发需要重新参数化。考虑路面的非透水性，蒸发可以表示为水面潜在蒸发和积水厚度的较小值^[20]，

(5)

式 (5) 中，E_p为潜在蒸发速率 (单位：mm·s^-1)，P为降水速率 (单位：mm·s^-1)，D_rain为路面排水速率 (单位：mm·s^-1)。

路面积水累计模式可以由式 (6) 表示：

(6)

式 (6) 中，W为路面积水厚度。

人为热即由于人类活动而施放的热量。在北京，人为热主要来源于汽车尾气排放的废热、工业生产的能源消耗以及城市建筑物的各种能量消耗 (如城市居民冬季采暖和夏季空调制冷)^[21]。人为热是随时间以及区域的变化而变化的。对于城市区域，人为热为能量平衡方程的一个重要组成部分。本文基于前人工作^[22-23]得到北京城市区域夏季一天内人为热变化图，并将人为热引入路面能量平衡方程，如图 1所示。

图 1

图 1. 北京城区夏季一天内人为热变化图 Fig 1. Diurnal variation of the anthropogenic heat in summer of Beijing urban areas

针对路面区别与裸地的特点，对路面模式进行参数化。由于路面颜色普遍较深，因此将颜色分级设为8，即为最深；反照率可设为0.05，为最小。路面密度、热容与热导率可以采用沥青混凝土材料数据。针对路面比较光滑的特点，可以将地表粗糙度设为0.01 m。

BJ-RUC为北京市气象局中尺度数值预报业务模式^[14]，将路面模式与BJ-RUC结合，构建路面气象条件数值预报模型，可以用于城市街道及高速路气象条件业务预报及服务应用，具体方法如下：采用BJ-RUC预报的气象强迫数据 (包括风向、风速、气温、大气压力、空气湿度、降水强度以及向下长波和短波辐射)、地表温度初始值和积雪覆盖厚度初始值驱动路面模式，输出路面温度、积雪、积冰及积水厚度等参数用于路面气象条件预报。

至2007年，北京市气象局采用芬兰Vaisala公司ROSA仪器建立了18个高速公路气象监测站，并利用自动研制的数字化能见度仪建成了6个能见度观测站 (总计划约20个)^[1]。ROSA气象站主要由3个部分组成:① 路面传感器DRS511：测量路面温度、冰点和融冰化学物量以及路面状态，如冰、雪、霜、湿、潮、干等。② 大气传感器: HMP45D用来测量大气温度、湿度、露点; WAA151和WAV151分别测量风向和风速; PWD20测量能见度; DRD11A为降水传感器。③ 数据采集和公路适配卡 (DRI卡)。ROSA仪器5 min获得1次数据，数据已经在很多研究中^{[10-11, 24]}得到了应用。

本文选择了9个站点来验证BJ-ROME对于路面温度的预报结果，站点分布图如图 2所示，验证时间为2009年8月9—24日，是北京一年中温度较高的时段；并选择西红门、温榆河、西关和卢沟桥4个站点验证积雪覆盖厚度预报结果，验证时间为2010年1月2—5日，该时间段北京降下了一场大雪。

图 2

图 2. 站点分布示意图 Fig 2. The schematic map of sites distribution

图 3为2009年8月9—24日BJ-ROME，BJ-RUC 9个站点路面温度预报结果平均值与观测值对比，其中图 3c为有降水发生时的预报结果。由图 3可以看出，无论是在晴空还是降水的气象条件下，与BJ-RUC相比，BJ-ROME均能较准确地预报路面温度的极值以及日变化。白天，尤其是10：00(北京时，下同)—17：00温度非常高的时段，BJ-ROME预报误差低于5 K，而BJ-RUC预报误差为15~20 K。

图 3

图 3. 2009年8月9—24日BJ-ROME，BJ-RUC 9个站点路面温度预报结果平均值与观测值对比 (a) 整个时间序列, (b) 无降水时间段, (c) 有降水时间段 Fig 3. Comparison between BJ-ROME and BJ-RUC forecasted and observed mean road temperature of nine sites during 9—24 Aug 2009 (a) the whole time series, (b) without precipitation, (c) with precipitation

为了定量讨论预报结果，本文计算了不同时间、模式以及气象条件下预报值与观测值之间的平均误差、均方根误差和相关系数 (如表 2所示)。对于整个验证时间段，与BJ-RUC预报结果相比，BJ-ROME预报的平均误差以及均方根误差分别由6.62 K和7.82 K降低为2.76 K和3.57 K，约降低了50%~60%，相关系数由0.91提高到0.95。原因在于采用新的蒸发计算方法，晴空时路面蒸发降为零；另外，人为热的加入进一步提高了白天路面温度的预报。由表 2可以看出，在没有降水的白天，BJ-ROME具有最佳预报性能，这时与BJ-RUC相比，平均误差和均方根误差可以降低约70%。

表 2

表 2 不同时间、模式及气象条件下路面温度预报值与观测值之间的平均误差、均方根误差和相关系数 Table 2 Mean errors, root mean square errors and correlation coefficients between forecasted and observed road temperature at different times, models and weather conditions 模式 平均误差/K 均方根误差/K 相关系数/K BJ-RUC (所有时刻) 6.62 7.82 0.91 BJ-ROME (所有时刻) 2.76 3.57 0.95 BJ-RUC (无降水) 7.89 8.98 0.94 BJ-ROME (无降水) 2.45 2.86 0.98 BJ-RUC (白天无降水) 9.79 11.04 0.87 BJ-ROME (白天无降水) 2.24 2.77 0.96

表 2 不同时间、模式及气象条件下路面温度预报值与观测值之间的平均误差、均方根误差和相关系数 Table 2 Mean errors, root mean square errors and correlation coefficients between forecasted and observed road temperature at different times, models and weather conditions

图 4为2010年1月3—4日BJ-ROME，BJ-RUC 4个站点积雪厚度预报结果与观测值对比。由图 4可以看出，很明显3日和4日早上进行了路面积雪的人为清扫。如果不考虑人为因素，可以看出BJ-ROME可以非常准确地模拟积雪厚度的最大值及其随时间变化情况。

图 4

图 4. 2010年1月BJ-ROME，BJ-RUC 4个站点积雪厚度预报结果与观测值对比 Fig 4. Comparison between BJ-ROME and BJ-RUC forecasted and observed snow depth of four sites in Jan 2010

由第2章讨论可知，地表蒸发与城市人为热对路面温度预报起着关键性的作用。本章将进行敏感性分析，定量讨论地表蒸发及人为热参数化对路面温度预报的影响。

试验1为控制试验，采用BJ-ROME的地表蒸发与人为热参数化方案；试验2保持地表蒸发参数化方案不变，取消城市人为热的影响；试验3保持地表蒸发参数化方案不变，将一天内城市人为热统一设定为100 W·m^-2；试验4取消城市人为热的影响，同时将一天内土壤蒸发统一设定为100 W·m^-2。4种方案所有时刻路面温度预报值与观测值之间的偏差、平均误差、均方根误差和相关系数，如表 3所示。

表 3

表 3 4种方案路面温度预报值与观测值之间的偏差、平均误差、均方根误差和相关系数 Table 3 Biases, mean errors, root mean square errors and correlation coefficients between forecasted and observed road temperature of four experiments 方案 偏差/K 平均误差/K 均方根误差/K 相关系数/K 试验1 -1.25 2.76 3.57 0.95 试验2 -4.47 5.59 6.32 0.88 试验3 2.80 5.08 6.02 0.86 试验4 -6.38 7.34 8.51 0.79

表 3 4种方案路面温度预报值与观测值之间的偏差、平均误差、均方根误差和相关系数 Table 3 Biases, mean errors, root mean square errors and correlation coefficients between forecasted and observed road temperature of four experiments

由表 3可以看出，试验2由于取消了城市人为热的影响，路面温度预报结果明显偏低，均方根误差与试验1相比增加了约2.8 K；试验3城市人为热设定偏高且一天内无变化，因此路面温度预报结果与观测值相比明显偏高，均方根误差与试验1相比增加了约2.5 K；试验4既取消了城市人为热的影响，又增加了路面蒸发量，因此与试验2相比，路面温度预报结果更加偏低，均方根误差与试验1相比增加了约5 K。

本文针对道路下垫面的特点，以高速路气象监测站数据及北京市精细下垫面数据为支撑，在通用陆面模式 (CoLM) 的基础上，发展了适用于城市街道及公路路面的路面参数数值预报模型BJ-ROME。采用芬兰Vaisala公司ROSA路面观测站路面温度及积雪厚度观测结果对模型预报结果进行性能检验。得到以下主要结论：

1) 无论是在晴空还是有降水的气象条件下，与BJ-RUC相比，BJ-ROME均能较准确地预报路面温度的极值以及日变化。

2) 在没有降水的白天，BJ-ROME具有最佳预报性能，这时与BJ-RUC相比，平均误差和均方根误差可以降低约70%。

3) BJ-ROME可以非常准确地模拟积雪厚度的最大值及其随时间变化情况。

4) 敏感性试验表明：地表蒸发与人为热对路面温度预报起着关键性的作用。

由于本文中BJ-RUC的作用仅只局限于用产生气象场驱动路面模型，BJ-ROME预报结果并没有反馈影响BJ-RUC，因此预报结果对BJ-RUC气象场预报具有较大依赖性。下一步将BJ-RUC与BJ-ROME进行双向耦合，进一步提高模式预报能力，并且将对人为热进行更精细的参数化，同时采用变分方法同化路面温度观测结果。道路积水对于夏季交通具有较大影响，因此下一步还要对夏季积水预报性能进行检验。