開發(fā)有效的LLWAS系統(tǒng)對(duì)于提升航空業(yè)的安全性和運(yùn)營效率至關(guān)重要。現(xiàn)有大量研究使用了LIDAR、RADAR和其他成像設(shè)備。本研究采用了基于人工智能的點(diǎn)測(cè)量方法，目前文獻(xiàn)中尚未發(fā)現(xiàn)類似的研究。陳等人使用雷達(dá)平面位置指示器產(chǎn)品進(jìn)行了風(fēng)切變檢測(cè)與估計(jì)研究（Chen et al., 2026）。另一項(xiàng)研究綜合分析了氣象站數(shù)據(jù)、雷達(dá)、LIDAR、衛(wèi)星數(shù)據(jù)和飛行員警告信息，發(fā)現(xiàn)對(duì)流系統(tǒng)、冷鋒和下降氣流是導(dǎo)致風(fēng)切變事件的主要原因，并揭示了這些事件對(duì)航空交通的影響（Huang et al., 2024）。地面3D LIDAR系統(tǒng)在監(jiān)測(cè)風(fēng)切變方面表現(xiàn)出良好效果（Nechaj et al., 2019），而高分辨率數(shù)值天氣預(yù)報(bào)（NWP）模型在預(yù)測(cè)此類現(xiàn)象方面也有潛力（Hon, 2020, Külüm et al., 2025）。基于剪切強(qiáng)度因子值（S. Zhao & Shan, 2022）和多普勒雷達(dá)掃描策略（Kusuma, Pratiwi, Ismanto, & Fitrianto, 2022）的新算法可以提升風(fēng)切變警報(bào)系統(tǒng)的檢測(cè)能力。將微物理風(fēng)速信息整合到航空電子系統(tǒng)中對(duì)于確保安全和高效運(yùn)行至關(guān)重要。人工智能（AI）和機(jī)器學(xué)習(xí)（ML）技術(shù)與NWP結(jié)合使用，可以提高風(fēng)力發(fā)電預(yù)測(cè)的準(zhǔn)確性（Kosovic et al., 2020, Li et al., 2020）。此外，利用衛(wèi)星數(shù)據(jù)和混合預(yù)報(bào)模型可以將這些現(xiàn)象與航空電子系統(tǒng)相結(jié)合（Al-Samalek et al., 2024, Testik and Pei, 2017）。從空中交通管理的角度來看，風(fēng)速監(jiān)測(cè)和預(yù)警系統(tǒng)可以顯著降低強(qiáng)風(fēng)引發(fā)的事故和人員傷亡風(fēng)險(xiǎn)（Guadano et al., 2014, Mardiyono et al., 2021）。實(shí)時(shí)交通管理系統(tǒng)結(jié)合風(fēng)速數(shù)據(jù)可以優(yōu)化交通流量并減少擁堵（Chauhan, 2025, Pu et al., 2021）。此外，將風(fēng)速數(shù)據(jù)與其他氣象數(shù)據(jù)結(jié)合使用可以提高海上交通安全預(yù)警系統(tǒng)的風(fēng)險(xiǎn)評(píng)估準(zhǔn)確性（Xu, Ma, Yin, & Tang, 2020）。將AI和ML算法整合到風(fēng)速預(yù)警系統(tǒng)中，可以提高風(fēng)力渦輪機(jī)控制器的效率和可靠性（Farrar et al., 2023, Hallmann et al., 2024），改善結(jié)構(gòu)健康監(jiān)測(cè)和維護(hù)（Masoumi, 2023），并促進(jìn)智能風(fēng)能和太陽能管理（Zjavka, 2023）。AI驅(qū)動(dòng)的系統(tǒng)還可以預(yù)防災(zāi)難性故障并優(yōu)化維護(hù)計(jì)劃，從而提高安全性與效率（F. Zhang, 2024）。比較風(fēng)速預(yù)警系統(tǒng)在飛行安全和氣象服務(wù)中的作用，可以凸顯它們?cè)诒Ｕ虾娇瞻踩吞峁┯行庀蠓⻊?wù)方面的關(guān)鍵作用（Mardiyono et al., 2021; W. Zhao, Zhang, Hou, Huang, & Xie, 2023）。包括風(fēng)速傳感器和天氣預(yù)報(bào)在內(nèi)的先進(jìn)技術(shù)可以提高這些系統(tǒng)的準(zhǔn)確性和可靠性（Lu et al., 2021, Mardiyono et al., 2021）。高分辨率的機(jī)場(chǎng)測(cè)量網(wǎng)絡(luò)通過提供準(zhǔn)確的風(fēng)速預(yù)測(cè)，在提升運(yùn)營效率和安全性方面發(fā)揮著重要作用（Achermann et al., 2024, Alves et al., 2025）。將戰(zhàn)略部署的傳感器網(wǎng)絡(luò)與ML技術(shù)（如神經(jīng)網(wǎng)絡(luò)）相結(jié)合，可以提供實(shí)時(shí)高分辨率的風(fēng)速預(yù)測(cè)（Achermann et al., 2024）。研究表明，深度學(xué)習(xí)模型在風(fēng)速預(yù)測(cè)方面優(yōu)于傳統(tǒng)方法，集成先進(jìn)技術(shù)可以提高預(yù)測(cè)的準(zhǔn)確性和泛化能力（Alves et al., 2023, Leon-Gomez et al., 2025）。混合神經(jīng)網(wǎng)絡(luò)算法可以顯著提升風(fēng)速預(yù)測(cè)的準(zhǔn)確性（Abbasipour et al., 2021, Lv, 2024），而自適應(yīng)和優(yōu)化的ML模型可以提高預(yù)測(cè)精度（Manusov et al., 2023, Wang et al., 2024）。地形和地勢(shì)不對(duì)稱性也會(huì)影響風(fēng)場(chǎng)模式，因此在準(zhǔn)確預(yù)測(cè)和陣風(fēng)前沿檢測(cè)中必須考慮這些因素（Davis, 1993）。結(jié)合不同方法的混合預(yù)報(bào)模型在道路網(wǎng)絡(luò)和空中交通流的早期檢測(cè)和預(yù)警系統(tǒng)中非常有效（Rajeswari & Unnikrishnan, 2024）。AI方法的發(fā)展為高性能模擬提供了實(shí)用解決方案，旨在優(yōu)化計(jì)算方法、數(shù)據(jù)分析和模型評(píng)估（Chan and Im, 2017, Chan et al., 2021）。
Cho及其同事開展了一項(xiàng)研究，將氣象風(fēng)切變警報(bào)與飛行員通信相結(jié)合。他們分析了2020至2021年間風(fēng)切變引起的飛機(jī)響應(yīng)情況，期間有497架飛機(jī)進(jìn)行了復(fù)飛操作——這是韓國記錄的最高次數(shù)。該研究在濟(jì)州國際機(jī)場(chǎng)進(jìn)行。統(tǒng)計(jì)結(jié)果顯示，在惡劣天氣事件加劇的情況下，該系統(tǒng)提供了預(yù)防性效益，并對(duì)交通流量產(chǎn)生了積極影響（Cho, Lee, Baik, & Park, 2025）。另一項(xiàng)研究對(duì)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行了詳細(xì)的冪律和對(duì)數(shù)律分析，利用附近的風(fēng)速測(cè)量塔和LIDAR系統(tǒng)的數(shù)據(jù)，發(fā)現(xiàn)自然風(fēng)切變現(xiàn)象主要發(fā)生在80至125米高度范圍內(nèi)。此外，研究還表明LIDAR本身能夠可靠地識(shí)別風(fēng)源特征（Külüm, Gen?, & Karag?z, 2023）。LLWAS及其輔助系統(tǒng)通過硬件實(shí)現(xiàn)，OUC開發(fā)的一種LIDAR在北京國際機(jī)場(chǎng)進(jìn)行了測(cè)試，取得了成功結(jié)果。該設(shè)備不僅提供高分辨率數(shù)據(jù)，還能有效檢測(cè)低空風(fēng)切變（H. Zhang et al., 2019）。
LLWAS系統(tǒng)中最重要的部分是雷達(dá)。雷達(dá)產(chǎn)品在航空和其他應(yīng)用中都有廣泛使用，分析通常采用簡(jiǎn)單調(diào)整（SA）方法。圖1展示了機(jī)場(chǎng)雷達(dá)圖像檢測(cè)到的風(fēng)切變事件（Külüm et al., 2025, Keohan, 2010）。需要注意的是，全球范圍內(nèi)的LLWAS系統(tǒng)通過至少兩種成像設(shè)備的集成操作來檢測(cè)風(fēng)切變，例如X/C波段雷達(dá)、掃描LIDAR、TDWR、超聲波風(fēng)速計(jì)和NEXRAD。
全球有兩個(gè)知名的機(jī)構(gòu)負(fù)責(zé)管理和指導(dǎo)航空實(shí)踐，分別是ICAO和FAA。ICAO在“ICAO Doc 9817 – 低空風(fēng)切變和湍流手冊(cè)”中定義了風(fēng)切變事件（ICAO, 2005）。根據(jù)定義，海風(fēng)現(xiàn)象可能在梯度較弱的大氣中產(chǎn)生低空風(fēng)切變；此外，根據(jù)ICAO規(guī)范，非對(duì)流條件下也可能發(fā)生這種情況。在香港國際機(jī)場(chǎng)進(jìn)行的TDWR分析中檢測(cè)到了海風(fēng)現(xiàn)象，其風(fēng)速達(dá)到7.7米/秒（Lee & Shun, 2003）。蘇加諾國際機(jī)場(chǎng)的一項(xiàng)研究使用LIDAR和雷達(dá)（LLWAS）觀測(cè)發(fā)現(xiàn)，不同時(shí)間會(huì)出現(xiàn)低空陸風(fēng)現(xiàn)象（Ernani, Sukojo, Ratnasari, & Anggoro, 2025）。《航空天氣手冊(cè)》（FAA-H-8083-28A）中也定義了海風(fēng)/陸風(fēng)局部風(fēng)切變現(xiàn)象，這些現(xiàn)象會(huì)對(duì)飛機(jī)造成側(cè)風(fēng)、順風(fēng)和逆風(fēng)損失風(fēng)險(xiǎn)。
在這項(xiàng)研究中，開發(fā)了一種創(chuàng)新的風(fēng)切變檢測(cè)系統(tǒng)。軟件中分析了微暴流（MB）、尾流渦旋（WV）、陣風(fēng)前沿（GF）和海風(fēng)（SB）的特征，并利用深度學(xué)習(xí)技術(shù)進(jìn)行了未來風(fēng)切變事件的預(yù)測(cè)。在此過程中，利用不同氣象變量之間的相互關(guān)系提高了預(yù)測(cè)準(zhǔn)確性。
• 本文首次使用風(fēng)速計(jì)、風(fēng)向風(fēng)標(biāo)、溫度、濕度和壓力傳感器等點(diǎn)測(cè)量方法，詳細(xì)檢測(cè)了風(fēng)切變事件（GF、MB、WV、SB）。
目前部分機(jī)場(chǎng)使用LLWAS進(jìn)行風(fēng)切變檢測(cè)。安塔利亞國際機(jī)場(chǎng)的LLWAS系統(tǒng)包括X波段雷達(dá)和掃描LIDAR成像設(shè)備。根據(jù)ICAO和FAA的標(biāo)準(zhǔn)，LLWAS系統(tǒng)并非機(jī)場(chǎng)強(qiáng)制要求，但運(yùn)營管理人員會(huì)根據(jù)需要安裝。這些系統(tǒng)價(jià)格昂貴。另一方面，自動(dòng)氣象觀測(cè)系統(tǒng)（AWOS）是所有機(jī)場(chǎng)都必須維護(hù)的點(diǎn)測(cè)量方法。本研究通過從指定傳感器獲取每分鐘的數(shù)據(jù)進(jìn)行了風(fēng)切變檢測(cè)和預(yù)測(cè)，與僅使用AWOS系統(tǒng)的LLWAS進(jìn)行了對(duì)比，顯示出顯著的經(jīng)濟(jì)優(yōu)勢(shì)。
• 本研究利用LSTM多參數(shù)模型對(duì)未來風(fēng)切變事件進(jìn)行了預(yù)測(cè)，提高了預(yù)測(cè)準(zhǔn)確性。傳統(tǒng)LSTM模型僅使用待預(yù)測(cè)的數(shù)據(jù)集，而本模型增加了輸入向量，從而建立了速度、方向、溫度、濕度和壓力的整體關(guān)系，提高了預(yù)測(cè)精度。
使用安塔利亞LLWAS的點(diǎn)測(cè)量方法獲得的數(shù)據(jù)成功進(jìn)行了風(fēng)切變檢測(cè)和預(yù)測(cè)。在不同領(lǐng)域的測(cè)試中證明了其作為L(zhǎng)LWAS系統(tǒng)輔助工具及獨(dú)立風(fēng)切變檢測(cè)工具的可行性。這是土耳其及安塔利亞國際機(jī)場(chǎng)的首項(xiàng)學(xué)術(shù)研究。
相同的風(fēng)切變檢測(cè)算法隨后處理預(yù)測(cè)參數(shù)以生成未來的風(fēng)切變預(yù)測(cè)結(jié)果。這些過程使用了安塔利亞機(jī)場(chǎng)的AWOS數(shù)據(jù)，結(jié)果與自2018年以來在同一機(jī)場(chǎng)運(yùn)行的LLWAS系統(tǒng)進(jìn)行了對(duì)比，證明新開發(fā)的風(fēng)切變檢測(cè)方法與LLWAS系統(tǒng)高度一致。因此，這種結(jié)合數(shù)據(jù)庫開發(fā)的創(chuàng)新系統(tǒng)比現(xiàn)有系統(tǒng)更具成本效益。
