一种基于点测量气象观测的新型风切变检测算法，结合深度学习方法进行预测：在安塔利亚LLWAS（Low-Level Wind shear Alert System）上的验证研究

《Expert Systems with Applications》：A novel wind shear detection algorithm based point measurement meteorological observation, forecasting deep learning methods: validation study on Antalya LLWAS

低层风切变检测与预测系统开发：基于深度学习的点测量方法替代LLWAS的经济高效方案。研究通过整合机场现有自动气象站数据（AWOS），利用LSTM多参数预测模型实现风切变（包括微burst、海风、阵风锋和涡流）的实时检测与10天预报，并与安塔利亚机场现有LLWAS系统对比验证。结果表明新方法检测准确率与LLWAS相当，但无需额外硬件，成本降低60%以上，符合ICAO/FAA标准。

　　

埃肯·库勒姆|穆斯塔法·塞尔达尔·根奇

风能工程与空气动力学研究实验室，能源系统工程系，埃尔吉耶斯大学，土耳其开塞利38039

摘要

风切变（WS）现象对航空运行构成重大威胁，尤其是在飞机起飞和降落期间。低空风切变警报系统（LLWAS）是一种通过在机场部署至少两种测量技术（如光探测与测距（LIDAR）、雷达（RADAR）和风速计）来检测风切变的系统。由于高昂的成本要求，LLWAS系统相对较少见。在这项研究中，我们开发了一种新的方法，能够像LLWAS一样检测和预测风切变事件——具体包括微暴流（MB）、海风（SB）、阵风前沿（GF）和尾流涡旋（WV）。通过深度学习（DL）的增强，该软件不仅能够实时识别风切变事件，还能预测其未来发生情况。这种方法无需额外硬件，只需对现有的机场气象观测系统进行修改即可实现。需要注意的是，虽然机场必须进行气象观测，但LLWAS系统并非强制要求。利用安塔利亚机场6月份的气象观测数据，我们将我们的系统检测结果与LLWAS警报进行了比较。研究结果表明，新开发的软件在检测低空风切变方面与LIDAR和RADAR同样有效。所有研究均遵循国际民航组织（ICAO）和联邦航空管理局（FAA）关于风切变的定义和规定。

引言

开发有效的LLWAS系统对于提升航空业的安全性和运营效率至关重要。现有大量研究使用了LIDAR、RADAR和其他成像设备。本研究采用了基于人工智能的点测量方法，目前文献中尚未发现类似的研究。陈等人使用雷达平面位置指示器产品进行了风切变检测与估计研究（Chen et al., 2026）。另一项研究综合分析了气象站数据、雷达、LIDAR、卫星数据和飞行员警告信息，发现对流系统、冷锋和下降气流是导致风切变事件的主要原因，并揭示了这些事件对航空交通的影响（Huang et al., 2024）。地面3D LIDAR系统在监测风切变方面表现出良好效果（Nechaj et al., 2019），而高分辨率数值天气预报（NWP）模型在预测此类现象方面也有潜力（Hon, 2020, Külüm et al., 2025）。基于剪切强度因子值（S. Zhao & Shan, 2022）和多普勒雷达扫描策略（Kusuma, Pratiwi, Ismanto, & Fitrianto, 2022）的新算法可以提升风切变警报系统的检测能力。将微物理风速信息整合到航空电子系统中对于确保安全和高效运行至关重要。人工智能（AI）和机器学习（ML）技术与NWP结合使用，可以提高风力发电预测的准确性（Kosovic et al., 2020, Li et al., 2020）。此外，利用卫星数据和混合预报模型可以将这些现象与航空电子系统相结合（Al-Samalek et al., 2024, Testik and Pei, 2017）。从空中交通管理的角度来看，风速监测和预警系统可以显著降低强风引发的事故和人员伤亡风险（Guadano et al., 2014, Mardiyono et al., 2021）。实时交通管理系统结合风速数据可以优化交通流量并减少拥堵（Chauhan, 2025, Pu et al., 2021）。此外，将风速数据与其他气象数据结合使用可以提高海上交通安全预警系统的风险评估准确性（Xu, Ma, Yin, & Tang, 2020）。将AI和ML算法整合到风速预警系统中，可以提高风力涡轮机控制器的效率和可靠性（Farrar et al., 2023, Hallmann et al., 2024），改善结构健康监测和维护（Masoumi, 2023），并促进智能风能和太阳能管理（Zjavka, 2023）。AI驱动的系统还可以预防灾难性故障并优化维护计划，从而提高安全性与效率（F. Zhang, 2024）。比较风速预警系统在飞行安全和气象服务中的作用，可以凸显它们在保障航空安全和提供有效气象服务方面的关键作用（Mardiyono et al., 2021; W. Zhao, Zhang, Hou, Huang, & Xie, 2023）。包括风速传感器和天气预报在内的先进技术可以提高这些系统的准确性和可靠性（Lu et al., 2021, Mardiyono et al., 2021）。高分辨率的机场测量网络通过提供准确的风速预测，在提升运营效率和安全性方面发挥着重要作用（Achermann et al., 2024, Alves et al., 2025）。将战略部署的传感器网络与ML技术（如神经网络）相结合，可以提供实时高分辨率的风速预测（Achermann et al., 2024）。研究表明，深度学习模型在风速预测方面优于传统方法，集成先进技术可以提高预测的准确性和泛化能力（Alves et al., 2023, Leon-Gomez et al., 2025）。混合神经网络算法可以显著提升风速预测的准确性（Abbasipour et al., 2021, Lv, 2024），而自适应和优化的ML模型可以提高预测精度（Manusov et al., 2023, Wang et al., 2024）。地形和地势不对称性也会影响风场模式，因此在准确预测和阵风前沿检测中必须考虑这些因素（Davis, 1993）。结合不同方法的混合预报模型在道路网络和空中交通流的早期检测和预警系统中非常有效（Rajeswari & Unnikrishnan, 2024）。AI方法的发展为高性能模拟提供了实用解决方案，旨在优化计算方法、数据分析和模型评估（Chan and Im, 2017, Chan et al., 2021）。

Cho及其同事开展了一项研究，将气象风切变警报与飞行员通信相结合。他们分析了2020至2021年间风切变引起的飞机响应情况，期间有497架飞机进行了复飞操作——这是韩国记录的最高次数。该研究在济州国际机场进行。统计结果显示，在恶劣天气事件加剧的情况下，该系统提供了预防性效益，并对交通流量产生了积极影响（Cho, Lee, Baik, & Park, 2025）。另一项研究对现场数据进行了详细的幂律和对数律分析，利用附近的风速测量塔和LIDAR系统的数据，发现自然风切变现象主要发生在80至125米高度范围内。此外，研究还表明LIDAR本身能够可靠地识别风源特征（Külüm, Gen?, & Karag?z, 2023）。LLWAS及其辅助系统通过硬件实现，OUC开发的一种LIDAR在北京国际机场进行了测试，取得了成功结果。该设备不仅提供高分辨率数据，还能有效检测低空风切变（H. Zhang et al., 2019）。

LLWAS系统中最重要的部分是雷达。雷达产品在航空和其他应用中都有广泛使用，分析通常采用简单调整（SA）方法。图1展示了机场雷达图像检测到的风切变事件（Külüm et al., 2025, Keohan, 2010）。需要注意的是，全球范围内的LLWAS系统通过至少两种成像设备的集成操作来检测风切变，例如X/C波段雷达、扫描LIDAR、TDWR、超声波风速计和NEXRAD。

全球有两个知名的机构负责管理和指导航空实践，分别是ICAO和FAA。ICAO在“ICAO Doc 9817 – 低空风切变和湍流手册”中定义了风切变事件（ICAO, 2005）。根据定义，海风现象可能在梯度较弱的大气中产生低空风切变；此外，根据ICAO规范，非对流条件下也可能发生这种情况。在香港国际机场进行的TDWR分析中检测到了海风现象，其风速达到7.7米/秒（Lee & Shun, 2003）。苏加诺国际机场的一项研究使用LIDAR和雷达（LLWAS）观测发现，不同时间会出现低空陆风现象（Ernani, Sukojo, Ratnasari, & Anggoro, 2025）。《航空天气手册》（FAA-H-8083-28A）中也定义了海风/陆风局部风切变现象，这些现象会对飞机造成侧风、顺风和逆风损失风险。

在这项研究中，开发了一种创新的风切变检测系统。软件中分析了微暴流（MB）、尾流涡旋（WV）、阵风前沿（GF）和海风（SB）的特征，并利用深度学习技术进行了未来风切变事件的预测。在此过程中，利用不同气象变量之间的相互关系提高了预测准确性。

• 本文首次使用风速计、风向风标、温度、湿度和压力传感器等点测量方法，详细检测了风切变事件（GF、MB、WV、SB）。

目前部分机场使用LLWAS进行风切变检测。安塔利亚国际机场的LLWAS系统包括X波段雷达和扫描LIDAR成像设备。根据ICAO和FAA的标准，LLWAS系统并非机场强制要求，但运营管理人员会根据需要安装。这些系统价格昂贵。另一方面，自动气象观测系统（AWOS）是所有机场都必须维护的点测量方法。本研究通过从指定传感器获取每分钟的数据进行了风切变检测和预测，与仅使用AWOS系统的LLWAS进行了对比，显示出显著的经济优势。

• 本研究利用LSTM多参数模型对未来风切变事件进行了预测，提高了预测准确性。传统LSTM模型仅使用待预测的数据集，而本模型增加了输入向量，从而建立了速度、方向、温度、湿度和压力的整体关系，提高了预测精度。

使用安塔利亚LLWAS的点测量方法获得的数据成功进行了风切变检测和预测。在不同领域的测试中证明了其作为LLWAS系统辅助工具及独立风切变检测工具的可行性。这是土耳其及安塔利亚国际机场的首项学术研究。

相同的风切变检测算法随后处理预测参数以生成未来的风切变预测结果。这些过程使用了安塔利亚机场的AWOS数据，结果与自2018年以来在同一机场运行的LLWAS系统进行了对比，证明新开发的风切变检测方法与LLWAS系统高度一致。因此，这种结合数据库开发的创新系统比现有系统更具成本效益。

节选内容

安塔利亚LLWAS和AWOS

本研究开发了一种仅使用点测量方法替代机场LLWAS系统的新方法。该算法通过分钟平均温度、湿度、压力、风速和风向来检测微暴流（MB）、尾流涡旋（WV）、海风（SB）和阵风前沿（GF）。在预测部分，使用深度学习方法预测未来10天的风切变情况。

运行该算法需要

结果

TSMS提供了安塔利亚机场的LLWAS运行情况数据。此外，还从2024年6月的AWOS系统获取了每分钟的风速、方向、温度、湿度和压力数据。

安塔利亚机场有两条跑道，分别由一个LIDAR系统和一个雷达系统覆盖。如前所述，该系统属于LLWAS类型，基于激光技术。

结论

本研究将新开发的基于深度学习的风切变检测和预测系统与安塔利亚机场当前使用的LLWAS进行了比较。获取了2024年6月安塔利亚的AWOS数据，并将其转换为1分钟平均值以符合该方法的操作逻辑。这些数据被上传到新开发的风切变检测和预测应用程序中，识别出了安塔利亚机场的微暴流（MB）、尾流涡旋（WV）、阵风前沿（GF）和海风（SB）事件，并进行了可视化展示。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

作者感谢埃尔吉耶斯大学的科学研究项目组（合同编号：FDK-2022-12364）以及土耳其科学技术研究委员会（TüB?TAK）（合同编号：124Y423）的资助。资助方未参与研究设计、数据收集与分析、出版决定或手稿准备。

作者还要感谢土耳其国家气象服务局（TSMS）的支持。