引言

在影响公路交通安全运行的不利天气条件中，路面极端温度是不容忽视的重要因素之一。冬季路面低温是造成道路冰雪的必要条件(黄佳威等，2024); 夏季路面高温易造成爆胎等事故。目前我国路面要素观测站点非常稀少，远远满足不了交通气象服务需求。因此，研究站点稀少地区路面温度特征、影响因子及模型构建具有重要意义。

关于路面温度实况的获取，除了站点观测，使用较多的是热谱地图技术(Sugrue et al, 1983；Shao and Lister, 1995；Shao et al, 1996)。热谱地图技术通常用于道路危险路段的识别、交通气象站点选址以及站点监测预报向路网的拓展等(汤筠筠等，2008；彭莲等，2012；罗潇等，2023)。热谱地图技术采集成本较高，需要针对不同天气进行多次测量才能获得相对精确可靠的道路热谱指纹, 且采集时很难保证车辆完全保持匀速行驶，因此使用热谱地图技术开展大范围公路网路面温度实时监测也存在困难。

通过建立路面温度与环境气象条件的统计关系进行路面温度的定量估计也是较为常用的路面温度获取方法(秦健和孙立军，2005)。统计模型简单易行，在实际业务中可推广。使用较多的是线性回归方法(田华等，2009；董颜等，2017；2020)。近些年支持向量机、随机森林等机器学习方法越来越多应用于路面温度实况模型构建(董天翔等，2018；王可心等，2021；Wang et al, 2022；熊国玉等，2024)，但多数为单一方法的分析，且局限于某一特定地区和特定季节，缺乏不同地区、不同季节的综合对比分析。

卫星反演、多源资料融合分析等格点实况技术的进步，为路面温度的准确推算提供了更为丰富的数据来源。与站点观测数据相比，格点实况分析产品具有覆盖范围广、时空精度高的特点，尽管格点产品的空间精度还不能达到道路的空间尺度，但使用这些新产品、新资料构建模型来推算路面温度，是稳定获取无观测路段路面温度实况的一种简单易行的方法。针对我国不同气候区域，使用交通气象站路面温度及其他气象观测数据、卫星反演地表辐射产品，以及格点实况地表温度、降水量产品，在研究路面温度变化规律及与各因子之间关系的基础上，分别使用线性回归方法和非线性方法构建模型，对比分析不同方法在不同地区、不同季节和时段的效果，为开展交通路网路面气象要素监测预报服务提供参考。

1 使用资料 1.1 交通气象站气象观测数据

综合考虑气候特征、海拔高度、地形等因素，选取北方[北京和天津(京津)、陕西和甘肃(陕甘)、青海]易发生低温雨雪冰冻且有路面温度观测的交通气象站点，开展路面温度特征研究及建模对比分析。表 1给出六个交通气象站点的具体信息。其中，651349站(1号站)位于北京房山六环线京昆进京大宛桥处，653663站(2号站)位于天津京沪高速路边，860002站(3号站)位于陕西咸阳机场高速西安渭河特大桥桥头，877022站(4号站)位于甘肃境内青兰高速静宁隧道口处，以上四个站点均使用埋入式路面温度观测设备。883081站(5号站)和886039站(6号站)位于青海境内，观测点位于公路旁边草坪，周边为草原，为了更加还原高速路环境，在地面浇筑了沥青，采用遥感式路面温度观测设备探测沥青路面温度。

使用的交通气象站气象观测资料包括路面温度、气温、风速、相对湿度，时间为2018—2020年，观测频次为1 h。使用前对资料进行了极限值控制和时间均一性检验，个别缺测时刻采用线性内插方法对数据进行插补。

1.2 格点实况产品

本文使用的格点实况产品包括中国气象局陆面数据同化系统(CLDAS V2.0)地表温度产品、中国逐小时降水实时融合实况分析产品(CMPAS)，以及FY-4A反演地表辐射产品, 具体信息见表 2，以上数据均通过“天擎”气象大数据云平台获取。

2 研究方案

本文研究方案如下：根据交通气象站所在经纬度，通过双线性插值法，将格点地表温度、降水量以卫星反演地表辐射通量产品插值到站点位置，实现不同类型数据的空间匹配，构建2018—2021年逐小时路面温度与气温、相对湿度、风速、降水量、地表温度、地表入射太阳短波辐射、地表上行长波辐射和地表下行长波辐射历史数据集。通过气候异常值剔除等措施，对数据进行清洗。

针对表 1中交通气象站，使用2018—2020年逐小时数据开展路面温度与环境气象因子的相关性分析，研究路面温度与环境气象因子之间的关系规律，在此基础上，分别采用线性回归法、随机森林法(王可心等，2021；Wang et al, 2022；南刚强等，2021)、深度神经网络法(陈鹤等，2022；黄骄文等，2021；南刚强等，2021; 蒋薇等，2021)构建路面实况温度模型。使用2021年逐小时数据开展独立性检验，对比分析不同方法在不同地区、不同季节、不同时段的效果。此外，使用交叉检验研究模型在同一气候区域的空间泛化能力。

交通气象站观测数据以及CLDAS V2.0、CMPAS近实时实况产品较为连续，可用于模型的稳定输入。受云遮挡的影响，卫星反演长波辐射数据存在较多缺失。另外，太阳短波辐射仅在白天有值。为考察卫星反演地表辐射产品对路面温度实况模型准确度提升的贡献，便于在实际业务服务中选取因子，本文将对比分析使用卫星资料前后的效果。

3 路面温度变化特征及影响因子分析

表 3给出了六个交通气象站路面温度特征值统计情况。青海地区冬季和夏季路面温度平均值总体较低，且冬季白天和夜间路面温度平均值均低于0℃，这跟当地海拔高度较高有关。无论冬季和夏季，青海地区6号站路面温度极大值相对其他交通气象站偏高。路面温度极小值也出现在青海地区。6号站夏季夜间路面温度甚至低于0℃。从路面温度标准差的对比来看，青海地区路面温度标准差总体上高于其他地区，尤其是白天差异更加明显，但冬季夜间与其他地区差异不大。

路面温度的变化取决于太阳辐射、云层状况、大气温度、相对湿度、风速、降水量等环境因素，以及路面反照率、比热等路面特性因素。在路面特性相对稳定的情况，了解掌握路面温度与相关气象要素之间的关系规律与细节特征，有助于开展精细化的模型构建。

图 1给出了2018—2020年冬季和夏季一日不同时段路面温度与气温的相关系数分布。路面温度与气温的相关系数整体都在0.60以上，最高达到0.96，均通过显著性水平为0.001的t检验。大多数情况下路面温度与气温之间的相关系数呈现夜间时段高、白天时段降低的特点。夏季和冬季平均相关系数最低值分别出现在11时(北京时，下同)和14时。除08时左右外，夏季平均相关系数高于冬季。从同一时刻相关系数最大值和最小值的分布来看，不同地区交通气象站路面温度与气温之间的关系存在较大的差异。总体上冬季各站点之间的差异大于夏季。

公路路面加热的主要能量来源是太阳短波辐射。白天路面受太阳加热影响迅速增温，而近地层大气温度升高主要受地表长波辐射的影响，变化速率较地表温度小，因此白天尤其是中午时段两者之间的相关关系减弱。此外，气温和地表温度之间的关系还受多种环境因素的影响，包括大气湿度、气压、风速、地表湿度、地表性质等，其中影响最大的是湿度因子(韩秀珍等，2012)。由于大气湿度具有明显的日变化和季节变化，白天时段显著降低，冬季低于夏季，对路面温度与气温之间关系的日变化和季节变化也有一定的影响。

路面温度与相对湿度的相关系数也呈现明显的季节和时段差异(图 2)。夏季两者之间的相关关系呈现较高的负相关，除个别台站凌晨时段外，相关系数均超过了0.001显著性水平的t检验，午后至下午时段(14—17时)负相关系数绝对值达到最大值。冬季凌晨至早上时段路面温度与相对湿度之间的相关系数为正相关，之后转为负相关，中午时段(14时左右)负相关最强，夜间转为正相关。从同一时刻相关系数最大值最小值分布来看，各站点之间的差异也较大，特别是夏季夜间和凌晨时段以及冬季白天时段。白天水汽含量增加可能像云层一样削弱太阳辐射，不利于地表温度升高，然而在夜间能通过增加大气逆辐射来提高地表温度(刘霞等，2011)。从图 2来看，对于交通气象站而言，高相对湿度对于路面温度总体上是降温作用，仅在少数台站凌晨至早上时段为增温作用，且冬季凌晨时段增温较为明显。

路面温度与风速之间的相关系数相对较小，两者之间的关系稳定性较差，无明显规律可循(图略)。以往关于路面温度与风速的关系研究也反映出明显的地区差异特点(曲晓黎等，2010；董天翔等，2018；田华等，2009；董颜等，2020)，这主要与当地气流来源的冷热属性和干湿属性有关。

冬季路面温度与小时降水量的关系为白天负相关，夜间正相关；而夏季路面温度与小时降水量均表现出负相关，且白天时段负相关增强(图略)。这是由于冬季白天时段以及夏季温度较高，较多的降水导致地面蒸发量增加，空气中水汽含量增加，地表温度降低。而冬季夜间时段温度较低，蒸发量小，同时地表雨雪覆盖物的存在也可能阻止地表热量的散失，导致地表温度升高。

尽管CLDAS V2.0分析地表温度与公路沿线监测的路面温度存在面和点差异，但变化规律具有一定的相似性。不同地区公路路面温度与CLDAS V2.0地表温度之间均呈现出显著的正相关，通过了显著性水平为0.001的t检验(图略)。夏季平均相关系数高于冬季，均为0.80以上，但相关系数日变化均不明显。

关于公路路面温度与卫星反演地表辐射通量之间的关系，不同地区、不同季节、不同时段均表现出正相关(图 3)，大多数通过了显著性水平为0.001的t检验。京津地区路面温度与地面长波辐射通量的相关关系好于其他两个地区，青海地区最低。受云遮挡的影响，地面长波辐射数据量在中午时段较少。多数情况下，冬季路面温度与地面长波辐射通量的相关系数高于夏季。夏季地面短波辐射时长比冬季有所增加。多数情况下夏季路面温度与地面短波辐射通量之间的相关关系高于冬季，中午时段高于其他时段。

以上六个交通气象站的相关分析表明，路面温度与温度变量(气温、地表温度)和湿度变量之间的相关性在时间、空间上一致性较高，表现出较为稳定的特征。图 4进一步给出不同地区交通气象站路面低温(≤0℃)和高温(≥55℃)情况下温度及湿度分布箱线图(方法见卞光辉等，2010)。在路面低温情况下(图 4a)，不同地区气温中位数均为0℃以下，青海地区最低，约为-8℃左右，京津和陕甘地区气温中位数在-6~-4℃。各地区气温第25%~75%分位数范围也均处于0℃以下，但气温最高值均高于0℃，最高达6℃左右。除了3号站外，地表温度的分布与气温较为相似，中位数及第25%~75%分位数范围也位于0℃以下，青海地区最低。与气温相比，路面低温情况下，对应地表温度的范围较小，温度最高值也均位于0℃以下，意味着地表温度对路面低温具有更好的指示意义。从相对湿度的分布来看，路面温度低于0℃时，除4号站相对湿度中位数接近80%外，其他各交通气象站大气相对湿度中位数一般在40%~60%。

对于路面高温(图 4b)，3号站和4号站无高于55℃的观测样本，1号站、2号站、5号站和6号站的路面高温样本数分别为23、102、41和89个。在路面高温情况下，气温及地表温度的变化范围较小，且两者的区分度更加明显。京津和青海地区表现出明显的区域差异。京津地区气温一般达到35℃左右时，路面温度可以达到55℃，而青海地区气温较低(20~25℃)时，公路表面也能达到55℃以上的高温，反映出路气耦合特征的地区差异。在路面高温情况下，地表温度中位数和第75%分位数均为55~60℃，地区差异不明显。从相对湿度的分布来看，路面高温情况下湿度值较低温情况偏低，中位数一般在40%以下，相对湿度第25%~75%分位数范围为20%~50%。

4 路面温度建模与效果分析

根据以上分析，路面温度与道路环境气象因素之间存在较好的相关关系，但在不同地区、不同季节、不同时段表现出不一样的特征，表明受地理因素及局地环境条件的影响，路面温度存在着多样化的变化特征与影响机制，应分地区、季节、时段开展路面温度的精细化建模，以提高路面温度分析的精准度。以下使用线性回归、随机森林、深度神经网络三种方法，针对六个交通气象观测站点分别进行建模分析。

4.1 模型参数选取与调优

首先基于2018—2020年逐小时资料，开展路面模型构建与调优，获取最优模型参数。对于线性回归模型，基于给定的数据建立线性回归方程。对于随机森林方法，决策树数目及决策树最大深度对随机森林结果影响较大，因此，在指定检验指标的前提下，通过调整决策树数目及决策树最大深度实现模型的最优化。一般情况下，较大的决策树数目及较深的决策树深度计算结果较好，但计算量会变大。因此，需要在决策树范围、深度和计算量这些因素上取平衡。分别选取决策树数目为5、10、15、20，决策树最大深度为1~20，选定均方根误差(RMSE)为指标开展模型调优。图 5以三个交通气象站(1号站、3号站、6号站)冬季和夏季的02时为例，给出了决策树数目和决策树最大深度对模型结果的影响。多次测试结果显示，当决策树数目从5增加到20，模拟路面温度和真实路面温度的RMSE逐渐减小；当决策树最大深度增加到5以后，模拟路面温度和真实路面温度的RMSE没有明显变化。因此，当决策树数目超过20，决策树深度超过5时，所选技术参数均是合理的。综合考虑模型精度和计算量，在最终的随机森林模型构建中，设定决策树数目参数范围：[30, 50, 70, 90, 100]，决策树最大深度参数范围：[10, 50, 70, 80]，选定RMSE为检验指标，通过程序自动寻找最优参数，并用于2021年逐小时路面温度的模拟与效果检验。

训练集和测试集的大小对训练结果也有一定的影响。本文分别计算了训练集和测试集合比例为3∶1、4∶1以及5∶1情形下，决策树数目分别为5和10，最大决策树深度为10情形下，不同站点不同季节和时刻的路面温度RMSE计算结果。对于绝大多数情形，在给定训练和测试数据的比例为4∶1时，得到的结果最优(图略)。因此，后续的随机森林训练与测试数据的比例均按4∶1给出。

对于深度神经网络模型，网络结构选择十分重要，即网络深度、每层网络的宽度(神经元个数)以及激活函数的选择对深度神经网络影响较大。选择较深和较大宽度的神经网络拟合效果会更佳，但带来更多需要优化的网络参数，增加神经网络结果优化的难度。因此，在调试神经网络时候，通常是在确定网络结构后，再进行其他参数的调优。本文通过数据试算发现网格结构增加为6×100个网络后，模型效果变化不太明显，因此选择隐藏层为6层，每层100个神经元，激活函数为tanh。对于学习率参数的选择，较大的学习率意味着较大的优化速度，但随着迭代优化次数的增加，损失函数减少，导致网络收敛效果变差。较小的学习率会导致收敛速度过慢，计算量偏大。通过试算发现变化学习率比确定学习率能够更加稳定地达到模型最优效果，因此，本文采用变学习率策略，即初始时刻选取较大的学习率，随着迭代次数的增加逐步减少学习率，既保证了收敛速度也保证了精度。

4.2 建模效果分析

基于4.1节训练的模型及参数，使用2021年逐小时观测资料开展路面温度实况模型效果检验。对于每一个整点时刻，如果有有效卫星资料，则使用融合卫星资料的模型。为了掌握使用不同方法的模型性能以及使用卫星资料的效果，以下对比了不同方法，以及使用卫星资料前后的路面温度结果。

公路交通气象服务中重点关注路面高低温的影响，图 6给出2021年冬季(1—2月)逐日02时和夏季(6—8月)逐日14时使用不同方法建模得到的路面温度模拟值与实测值的变化曲线。由图可见，各方法均可以较好地模拟出夏季逐日路面高温(14时)以及冬季逐日路面低温(02时)的变化趋势。冬季的模拟效果明显优于夏季，误差基本在±2℃内。总体上，各方法得到的结果差异不太大，个别时段随机森林方法表现出比线性回归和深度神经网络方法更大的误差。从夏季模拟值与实测值的对比来看，部分时段各方法均表现出高温低估、低温高估的特点。多个高温时刻，线性回归表现出比随机森林、深度神经网络更明显的优势。多数情况下，加入卫星反演地表辐射产品后，夏季路面温度实况分析结果更接近观测值; 而冬季使用卫星反演地表辐射产品前后的路面温度实况分析效果差异不大。

图 7给出不同方法计算得到的2021年冬季02时和夏季14时平均路面温度误差结果。该图进一步显示，三种方法总体上差异不大。冬季夜间路面温度实况模型误差一般在±1℃左右，其中2号站、3号站以及6号站冬季02时平均路面温度误差低于1℃。对于2号站，线性回归和深度神经网络方法效果最优，误差为0.79℃左右，使用卫星资料后的模型误差略有降低，为0.74℃左右。对于3号站，线性回归和深度神经网络方法效果也为最优，误差为0.95℃左右，基于深度神经网络方法的路面温度实况模型中加入卫星资料后误差降低较线性回归方法更明显。对于6号站，随机森林方法效果最优，为0.92℃，使用卫星资料后误差降低至0.76℃。夏季14时路面温度实况模型误差比冬季明显偏大，平原地区站点一般在2~3℃，海拔较高站点误差为3~4℃。总体上，夏季多数情况下使用卫星资料后路面温度实况模型误差降低，降低的幅度比冬季明显。

4.3 模型空间泛化能力分析

在实际应用中，需要将有观测站点的路面温度实况模型拓展至无交通路面观测路段。为分析模型在空间上的泛化能力，开展同一气候区域不同交通气象站点间的交叉验证分析，如对于京津地区，将2号站2018—2020年逐小时数据构建的路面模型应用至1号站，开展1号站2021年逐小时路面温度实况分析效果测试；将1号站2018—2020年逐小时数据构建的路面模型应用至2号站，开展2号站2021年逐小时路面温度实况分析效果测试。从图 8可以看出，对于冬季，京津地区两个交通气象站(两站距离为100 km左右)使用邻近站模型计算的路面温度值与实际观测值也较为接近，与使用本站模型得到的结果总体差异不大，路面温度误差基本都在±2℃以内。其他四个站点使用相同气候区域邻近交通气象站模型计算的路面温度与实际观测值的相关性仍较好，但路面温度与京津地区相比误差较大，存在一定的系统性偏差，如3号站和6号站总体上表现出系统性偏低，4号站和5号站总体上表现出系统性偏高，可能是由于陕甘地区以及青海地区海拔高度较高，地形更为复杂，路面温度变化特征局地性较强，路面模型地区适用性相对较差。另外，可能跟同一气候区域内两个交通气象站相距较远(两站距离分别为301 km和191 km左右)有关。从3号站、4号站、5号站各模型性能对比来看，基于线性回归和深度神经网络方法的模型结果较为相似，与随机森林方法相比更接近实际观测值；随机森林方法在某些时段表现出较大的偏差，但6号站的结果显示随机森林方法更优。以上六个交通气象站的结果均显示，使用卫星反演地表辐射产品后对冬季路面温度实况分析的效果无明显改善。

对于夏季，使用同一气候区域相邻站模型计算得到的路面温度与实际观测值之间的相关系数仍较高，通过了显著性水平为0.001的t检验。但与本站模型相比，2号、3号、4号和6号站部分高温时段路面温度误差较大。不同方法之间的差异不明显，在不同站点，不同时段的效果不稳定。使用卫星反演地表辐射产品推算的夏季日最高路面温度在多数情况下是正效果。

图 9进一步给出使用同一气候区域邻近站模型得到的路面温度绝对误差分布。总体上，路面温度绝对误差仍表现为冬季较小，夏季较大，京津地区两个站点误差低于其他海拔较高地区的站点。与图 7相比，使用同一气候区域相邻站模型计算得到的路面温度，除了1号站冬季时段误差表现为减小外，其他各站点路面温度误差均表现为不同程度的增大，京津地区两个站点三种方法平均的路面温度绝对误差分别增加0.15℃和0.65℃，陕甘地区两个站点分别增加1.45℃和1.59℃，青海地区两个站点分别增加0.49℃和0.99℃。

5 结论

目前我国交通气象路面要素观测站点稀少成为制约交通气象监测预报预警服务的重要因素。为实现无路面温度观测路段的交通气象服务，本文综合使用交通气象台站观测资料、中国气象局陆面数据同化系统地表温度产品、中国逐小时降水实时融合实况分析产品，以及FY-4A反演地表辐射产品，研究了京津、陕甘、青海三个区域公路路面温度的变化特征以及主要影响因素，并采用三种方法，构建了公路路面温度实况模型，开展了模型效果检验以及模型的空间泛化能力分析。主要结论如下：

(1) 公路路面温度变化存在明显的区域特征。高海拔地区路面温度平均值显著低于平原地区，冬季白天和夜间路面温度平均值均低于0℃。与平原地区相比，高海拔地区路面温度变率更大，尤其是白天时段。

(2) 路面温度与道路环境气象因子之间存在显著的相关关系，但在不同地区、不同季节、不同时段表现出不一样的细节特征。总体上路面温度与气温之间的相关系数最高，且相关关系呈现夜间时段高、白天时段降低的特点。夏季及冬季白天，高相对湿度对公路路面温度主要表现为显著降温作用，冬季夜间具有增温作用; 同时该时段，CMPAS小时降水量与路面温度也呈现负相关，较多的降水导致地面蒸发量增加，地表温度降低。冬季夜间时段，路面温度与降水量之间呈现弱的负相关。公路路面温度与风速之间的关系区域特征更加明显，主要取决于当地气流来源的冷热属性和干湿属性。

(3) CLDAS V2.0对公路路面温度具有重要指示意义。路面低温(≤0℃)情况下，CLDAS V2.0分析地表温度均位于0℃以下。路面高温(≥55℃)情况下，CLDAS V2.0地表温度的变化范围也比较集中，温度中位数和第75%分位数均为55~60℃。

(4) FY-4A反演地表辐射通量与公路路面温度也具有显著的相关关系，且相关关系具有明显的区域和季节差异。路面温度与卫星反演地表长波辐射通量的相关系数，冬季高于夏季，京津地区高于陕甘和青海地区。多数情况下，路面温度与卫星反演地表短波辐射通量之间的相关关系夏季好于冬季，中午时段好于其他时段。

(5) 使用2021年资料开展的路面温度实况模型独立性检验表明，不同方法均可以较好地模拟出夏季路面高温以及冬季路面低温的逐日变化。冬季路面温度误差明显低于夏季，基本在±2℃内，夜间误差为±1℃左右。对于夏季部分时段，各方法均表现出高温低估、低温高估的特点。基于各方法的模型结果总体差异不大，多个高温时刻线性回归方法表现出比随机森林、深度神经网络更明显的优势。卫星反演地表辐射产品的应用对夏季路面高温模拟的效果有显著提升作用。

(6) 使用同一气候区域邻近交通气象站资料构建的路面温度实况模型，仍能较好地模拟出夏季路面高温和冬季路面低温的逐日变化，各站点路面温度误差均表现出不同程度的增加，其中京津地区路面温度误差增加幅度最小。不同方法构建的模型结果差异不大。