HTML
-
图 1a为新疆乌鲁木齐地窝堡国际机场(下面简称乌鲁木齐机场)及周边区域的地形; 图 1b为机场跑道; 图 1c为测风激光雷达外景图。乌鲁木齐机场地处天山山脉以北、准噶尔盆地以南,地势由西南向东北降低,背靠博罗科努山和博格达山,是典型的“呐叭口地形”。在风速较大的情况下,该特殊地形极易产生低空风切变。该机场海拔为648 m,跑道为25#和07#跑道,呈70°~250°走向,全长3600 m。雷达安装于25#跑道入口端。
本文中使用的是一部由西南技术物理研究所研制的FC-Ⅲ型3-D测风激光雷达。该雷达采用相干、全光纤和多普勒脉冲体制,平均功率低于200 W,发射波长为1.55 μm,空间分辨率为100 m,最大探测距离约为10 km。雷达主要性能参数如表 1所示。
parameters value average power ≤200 W wavelength 1.55 μm scanning mode PPI/RHI/DBS/GP scan range(pitch/azimuth) 0°~180°/0°~360° time resolution ≤2 s range resolution 100 m elevation resolution ≤0.1° wind speed range -60 m/s~60 m/s wind velocity accuracy ≤0.5 m/s detection range 0.02 km~10 km Table 1. Main technical parameters of the FC-Ⅲ wind LiDAR
FC-Ⅲ型测风激光雷达工作时,采用4种扫描模式相互协作,按扫描顺序的模式名称分别为:多普勒光速摆动(Doppler beam swinging,DBS)模式、平面位置显示(plan position indicator,PPI)模式、下滑道(glide path,GP)模式和距离高度显示(range height indicator,RHI)模式。4个模式的耗时分别为18 s、180 s、22 s和88 s。图 2为雷达4种扫描模式的示意图。其中PPI模式在水平方向上进行圆周扫描,能有效检测雷达周边10 km范围内大风、地形和强天气系统诱发的低空风切变;RHI模式针对跑道方向进行剖面扫描,主要用以跑道剖面上空的气流结构;DBS模式对顶空进行扫描,能够探测包括锋面和急流等重要天气的时间演变特征; GP模式则是为满足机场实际业务中对低空风切变的监测需求而设计的特殊模式,针对下滑道关键区域进行管道式扫描,用以探测航空领域最为关注的顺风切变、逆风切变和侧风切变,对保障飞行安全具有重要意义。本文中对该雷达2021-10—2022-06 GP模式的径向速度数据展开了研究。
本文中还使用2022-01—06该机场的航空器报告资料。该资料记录了飞机在飞行过程中遭遇风切变的时间、位置和强度等信息,可作为验证雷达遥测低空风切变的有效性参考[12-13]。
-
2022-01—06期间,乌鲁木齐机场附近共收到31份关于风切变的航空器报告,其中有15次发生在下滑道或跑道等雷达探测区域内。这15次低空风切变的航空器报告信息和雷达3种方法的识别结果如表 2所示。图 3中给出了对应每个风切变事件的逆风廓线(正负速度分别为逆风和顺风)和3种方法识别的结果。图中蓝色、黄色和红色方块分别代表单斜坡法、双斜坡法和区域散度法的风切变识别位置,蓝色圆点代表单斜坡法和区域散度法都识别到的位置,黄色圆点代表双斜坡法和区域散度法都识别到的位置,黄色星号代表 3种方法都识别到的位置,黑色代表没有风切变。需要注意的是,航空器报告提示的风切变信息为定性结果,而激光测风雷达识别结果为定量结果,因此, 一个风切变个例的逆风廓线中会识别出多个风切变位置的情况。
low-level wind shears recorded by pilot reports identification results of different methods pilot report time runway distance to the touch-down point time/km identification time the single-slope method the double-slope method the regional divergence method 2022-01-14T18:41 25# 1.8~2.3 2022-01-14T18:41 failure failure success 2022-01-15T09:44 25# 1.0~2.0 2022-01-15T09:43 failure failure failure 2022-02-06T20:17 25# 0.9~1.0 2022-02-06T20:21 failure failure success 2022-03-08T11:34 25# 0.1 2022-03-08T11:37 failure failure success 2022-03-30T16:08 25# 1.2 2022-03-30T16:06 failure failure success 2022-05-01T11:10 07# 1.0~2.0 2022-05-01T11:11 failure failure success 2022-05-01T12:17 07# 4.8 2022-05-01T12:19 success success success 2022-05-11T18:43 25# 2.0 2022-05-11T18:46 success failure success 2022-05-13T16:29 07# 4.0 2022-05-13T16:29 failure failure success 2022-05-29T17:51 25# 1.0~2.0 2022-05-29T17:55 failure failure success 2022-05-29T22:03 25# 0.3~0.6 2022-05-29T22:03 failure failure success 2022-05-29T22:13 25# 0.3~0.6 2022-05-29T22:12 failure failure failure 2022-05-29T23:27 25# 0.2 2022-05-29T23:29 failure failure success 2022-05-30T13:15 07# 0.0~2.9 2022-05-30T13:12 failure failure success 2022-06-11T16:11 07# 0.6~2.4 2022-06-11T16:16 failure failure success success rate H/% 13.3 6.7 86.7 failure rate M/% 86.7 93.3 13.3 Table 2. Low-level wind shear events reported by pilot and the LiDAR identification results
Figure 3. Headwind profiles of 15 wind shear cases and the identification results of LiDAR by three algorithms
结合表 2和图 3来看,15次低空风切变中,区域散度法共识别出13次,H=86.7%,M=13.3%;单斜坡法共识别出2次,H=13.3%,M=86.7%;双斜坡法共识别出1次,H=6.7%,M=93.3%。结果表明,区域散度法显然具有更高的H和更低的M。进一步对区域散度法两个识别失败个例进行分析。如图 3b所示,对个例(2022-01-15T09:44)的风切变,风向存在由逆风转为顺风的切变,但风速整体较小,Ii低于算法的识别阈值,因此未能成功识别。航空器报告是根据机组人员直接感受结合机载设备的告警值给出的定性结果,与雷达的定量观测结果无法进行完全准确的对比,导致了此次漏识别。如图 3l所示,对于个例(2022-05-29T22:13)的风切变,尽管逆风风速较大,但廓线的波动较小,因此Ii也未能达到算法的识别阈值。此外,调查前一时刻的航空器报告(2022-05-29T22:03)发现,该位置存在垂直风切变, 如图 3所示;但由于区域散度法以及上述单斜坡法和双斜坡法都只能用于识别水平风切变,因此未能识别出航空器报告的垂直风切变。若将个例(2022-05-29T22:13)排除不计,则区域散度法的H和M则分别为92.86%和7.14%。
综上所述,目前3种主流的下滑道风切变识别方法中,区域散度法在乌鲁木齐机场具有较好的效果,对该机场下滑道和跑道的低空风切变识别结果是较为可信的。