资源描述
,#,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,一、研究技术路线及本文研究内容,二、重要天气统计说明,三、结果分析,四、主要结论,五、展望,一 、技术路线及研究内容,根据民航气象中心,重要天气对航空飞行影响评估方法的初步研究,项目，首先确立了研究的技术路线，根据路线确定研究内容。,研究技术路线,分析造成本场航班不正常重要天气的季节、年纪变化及月分布特征,分析重要天气造成航班延误量的季节、年纪变化及月分布特征,研究两者关系，建立初级模型,优化完善模型,利用模型评估重要天气对航空飞行的影响,本文研究内容,（1）造成本场航班不正常重要天气的季节、年纪变化及月分布特征；,（2）由重要天气原因造成航班延误量的季节、年纪变化及月分布特征；,（3）分析重要天气与其造成航班延误量的关系，建立模型。,二.重要天气的统计说明,2.1重要天气分类,共统计对流天气、低能见度天气、大风天气和低云天气四种天气，按照民航运行标准分为以下7个分类进行统计。,分类一： 对流天气 （只考虑雷暴，阵雨和中强降水暂不考虑）；,分类二：500m能见度；,分类三：800m能见度500m；,分类四：15m/s平均风速10m/s；,分类五：平均17m/s平均风速15m/s；,分类六：平均风速或阵风17m/s；,分类七：60m云底高度（不论云量多少）。,2.2资料来源,(1),2001年1月2011年12月,的杭州萧山机场整点,METAR报,及,观测纪要栏,资料。,(2),2004年1月2011年12月,杭州萧山机场,每月,机场放行率统计资料。,2.3统计方法,(1),对上述气象资料分为2个时段进行统计：06:0024:00（忙时）和00:00-06:00（闲时），均为北京时。,(2),统计重要天气发生的小时数，0059分算本小时，只要本时段内发生过，就计为1小时。例如06：00分发生天气，则算作在06:0024:00时段内的1小时，而00：00分发生天气，算作00:00-06:00时段内的1小时。,(3),统计使用的主要数据是整点例行天气报告（METAR报），此外，为保证数据尽量精准，,雷暴,的发生时间和,阵风,（17m/s）的发生时间参考,观测纪要栏内容,，其他数据则只根据METAR报即可。,三. 结果分析,3.1 本场主要航空重要天气的月平均分布特征和季节、年纪变化趋势,本场航空重要天气发生小时数的月平均分布特征,本场航空重要天气发生小时数的季节变化趋势,本场航空重要天气小时数的年变化趋势,3.2本场天气原因造成机场不正常航班量的月平均分布特征和季节、年纪变化趋势,本场天气原因造成航班延误量的月平均分布特征,本场天气原因造成航班延误量的季节变化趋势,本场天气原因造成航班延误量的年变化趋势,3.3本场主要航空重要天气与天气原因造成机场不正常航班量的关系,3.3.1每月重要天气小时数与每月天气原因造成航班延误量的相关性分析,样本总数为96个,通过线性拟合得到：,y=2.8x+7.1,(P0.00001,R=0.55384,),可以看出相关系数不高，,推测,其原因主要有以下几点：,（1）不同类型的重要天气对航班延误量的影响不同。,通过分析数据，发现,1,2,11,12,月份发生的重要天气几乎都为,低能见度天气,（包括分类二和分类三），而,6,7,8,月份发生的重要天气几乎全为,对流天气,。,低能见度天气,对航班延误量的影响要比,对流天气,大,。3,4,5,9,10月份这两种天气都有发生，不好做出判断。,通过上述分析，我们可以用1、2、11、12月份的资料得出低能见度天气与航班延误量的关系，用6、7、8月份的资料得出对流天气与航班延误量的关系。,（2）重要天气发生时段的航班密集度不同。,一般而言，06:0024:00（北京时，下同）是航班忙时，,航班密集度大,，而00:0006:00航班闲时，,航班密集度小,，若分别在这两个时间段发生重要天气的小时数,相同,，则造成的航班延误量肯定不同，,前者航班延误量大，后者航班延误量小。,由于00:0006:00航班闲时重要天气发生小时数对航班延误量的影响,权重小,，因此忽略00:00-06:00航班闲时重要天气发生的小时数，通过对重要天气发生小时数的,数据质量控制,，我们可以,更加精确,得出重要天气发生小时数对航班延误量的影响。,（3）,本次96个样本，航班延误量数据是1个月一次，,样本数太少，数据时间跨度太大，太粗糙，误差较大，,若是能得到每天本场的航班延误量数据，再配合每天重要天气发生的小时数，,一方面增加了样本数，另一方面数据误差小,，应该可以得到,不同类型重要天气发生小时数与航班延误量的相关性,，进而可以评估重要天气对航空飞行的影响。,3.3.2低能见度天气与其造成航班延误量的相关性初步分析,1、2、11、12月份的影响航班延误量的重要天气有,低能见度天气,（分类二和分类三），,大风天气,（分类四、分类五、分类六）、,冰雪天气,（这个没有列入本次重要天气分类中）,。其中对航班延误量的影响较大的重要天气是,低能见度天气、,冰雪天气,，这四个月中根据资料，重要天气几乎全为低能见度天气，因此本节,分析得到的结果,仅是低能见度天气与其造成航班延误量的相关性,。,样本总数为29个,通过线性拟合得到：,y=4.6x-2.24,(P0.00001,R=0.7116,),R,比前一次提高了很多，但还是不够理想。原因,可能,有两个，,一个是,上面分析的第2个原因，没有对航班闲时重要天气发生的小时数进行,质量控制,，还有,一个可能是,低能见度天气包括分类二和分类三，这两个天气类型发生,相同时数对航班延误量是不同,的，分类二明显比分类三对航班延误量的影响大。,样本总数为27个,通过线性拟合得到：,y=6.19x+7.04,(P0.01，没有通过P检验，,说明样本间的差异由抽样,误差所致的概率较大,，做这个相关性意义不大，且,R比较小,。,下面把航班闲时对流天气发生小时数去掉，看航班忙时对流天,气发生小时数与对流天气造成航班延误量的相关性如何。,样本总数为24个,通过线性拟合得到：,y=3.9x-10.63,(,P=0.01188,R=0.50478,),p=0.1188,0.01，仍然没有通过P检验，,说明样本间的差异,由抽样误差所致的概率,还是,较大,，,R略有提高，但仍然较小,。,对于对流天气发生小时数与其造成的航班延误量的,相关性较小的原因,，主要为：（1）对流天气可分为，强雷暴、中等雷暴、弱雷暴天气。,相同时长的不同强度雷暴对航班延误量的影响不同。,而我们统计中把这三种情况合并成一种，这是造成相关性小的主要原因,。（2）就是和我们观测有关，在实际境况中，虽然雷暴天气已经结束，但是观测考虑到安全因素，往往把雷暴的时间延长，造成,雷暴发生小时数比实际境况要长,。,对于其他类型的天气，由于天气发生样本数太少及航班延误资料太少太粗，而无法统计其相关性。,四.主要结论,(1)本场重要天气发生小时数的月平均分布特征是：7、8月份重要天气发生的小时数最多，处于第一阶梯；1、2、3、4、5、6、11、12月份处于第二阶梯；9、10月份最少处于第三阶梯。,(2)本场重要天气发生小时数的季节变化趋势：夏季最多，秋季最少，冬、春季两者相差无几，处于中游。,(3)本场重要天气发生小时数的年变化趋势：20012003年及20072011年，重要天气发生的小时数有大小年之分，一年大一年小，其差值在70100小时之间，而20042006年，这三年重要天气发生的小时数变化不大，基本在220个小时左右。,(4)本场天气原因造成航班延误量的月平均分布特征：1、2月份最多处于第一阶梯；7、8、11、12月份处于第二阶梯；3、4、6、9月份处于第三阶梯；5、10月份处于第四阶段。,(5)本场天气原因造成航班延误量的季节变化趋势：春季最少，夏季逐渐增加，到了秋季略微减少，而后到了冬季航班延误量迅速增加，达到一年中的最大值。,(6)本场天气原因造成航班延误量的年变化趋势：从2004年减少到2003年的最小值，而后每年逐渐增加，其中是从2007到2008年增幅最大，而后2008年到2009年又锐减，之后2010及2011年航班延误量变化不大。,(7)统计分析结果显示，每月重要天气小时数与每月天气原因造成航班延误量的相关性很小，其R仅为,0.55384,，原因有：a，,不同类型的重要天气对航班延误量的影响不同,；b，,重要天气发生时段的航班密集度不同,；c，,航班延误量数据量太少，时间尺度太大,。,(8)针对(7)所述,原因a,，通过分类做了,低能见度天气,及,对流天气,与其航班延误量的相关性分析，得出低,能见度天气与航班延误量关系的模型，相关性较好，R为0.7116,，而其,对流天气与其航班延误量的相关性较小，R仅为0.47094,；(7)所述,原因b,，通过去掉航班闲时天气发生小时数，得出航班忙时低能见度天气及对流天气与其航班延误量的相关性，分别为,0.72274、0.50478,，R有所提高，但是航班忙时对流天气与其航班延误量的相关性仍然较小，,需要说明以下几点：（1）冰雪天气也是影响航班延误量的重要天气之一，本次统计没有涉及到；（2）低能见度天气可分为分类二和分类三，本次统计把两者合在一起；（3）大风及低云天气数据少，且航班延误量是一月一次，不能独立统计出起这两种天气对航班延误量造成影响；,五、展望,（1）对建立的低能见度天气与航班延误量关系的模型进一步优化。,（2）建立对流天气与航班延误量关系的模型,（3）在建立及优化模型的基础上，评估重要天气对航班延误量的影响。,谢谢观赏！,
展开阅读全文