基于k-means的机场终端区对流天气场景识别

王 洪，彭 瑛，郭聪聪，陈博伟

(南京航空航天大学 民航学院，南京 211106)

在面临多变的对流天气时，管制员会依据历史上曾经相似的场景发布同一流量管理策略.Tien[1]等将航路和终端天气预报转化为天气影响场景，根据欧几里得范数和高斯核定义的成对相似性聚类.Michael[2]等采用半监督学习算法，通过距离度量终端天气预报的天气特征，识别给定日期所属类别的相似日.Grabbe[3]等利用最大期望算法将机场的天气和预计到达率作为特征进行聚类，分析不同情景下实施地面延误程序的概率.Chen[4]等使用机器学习技术对气象和风况等天气影响因素聚类，输出天气对机场产生相似影响的结果.许逸凡[5]等从机场航空例行天气报告中获取天气特征聚类.马莉[6]等以冰雹云的形态特征、基本反射率因子两方面为特征聚类.范文[7]采用K均值聚类评分对暴雨/冰雹进行模型分类.朱晔[8]提出了一种基于密度信息的K-中心点算法应用于雷暴聚类.

在天气相似日方面的研究较为成熟，主要根据机场终端区及其附近区域航路的天气预报信息，将其转换为影响空域运行的天气特征，利用聚类方法划分影响程度不同的天气场景，或是用来预测具体的天气类型，在构建特征时往往未考虑空域特征，即未考虑对流天气面积、对流天气在空域中所处的位置等是否对空域运行能力产生影响以及影响的大小.因此，为满足空中交通流量管理的需求，协助发布空中交通流……