Page 185 - 《高原气象》2026年第2期
P. 185

第 45 卷  第 2 期                        高     原     气    象                             Vol. 45  No. 2
                 2026 年 4 月                       PLATEAU METEOROLOGY                                April， 2026


               殷齐娥， 倪长健， 肖安， 2026.  基于机器学习的机场低能见度短临预报研究［J］. 高原气象， 45（2）： 485-499.  YIN Qi'e， NI
               Changjian， XIAO An， 2026.  Nowcasting of Airport Low Visibility Based on Machine Learning［J］. Plateau Meteorology， 45（2）：
               485-499.  DOI： 10. 7522/j. issn. 1000-0534. 2025. 00067. CSTR: 32265.14.gyqx.CN62-1061/P.2025.00067.




                       基于机器学习的机场低能见度短临预报研究



                                            殷齐娥      1， 3 ， 倪长健 ， 肖 安         2， 3
                                                                   1
                                         （1. 成都信息工程大学大气科学学院，  四川  成都    610225；
                                     2. 气候变化风险与气象灾害防御江西省重点实验室，  江西  南昌    330096；
                                                 3. 江西省气象台，  江西  南昌    330096）

                       摘要： 为减少低能见度造成的航班备降和返航， 利用地面观测数据和 ECMWF 高空、 地面数值预报产
                       品， 基于机器学习算法建立景德镇机场当前和未来 1 h 低能见度短临预报模型。通过对比检验发现 XG‐
                       Boost和 LightGBM 机器学习算法在机场低能见度短临预报中优于 SVM 机器学习算法， 特征筛选对 XG‐
                       Boost和 LightGBM 机器学习算法的性能都有改善； 通过 SHAP 方法解释 LightGBM 机器学习模型， 分析
                       各特征对模型输出的贡献。主要结论如下： （1）LightGBM 和 XGBoost 建立的机器学习模型在机场低能
                       见度预报方面表现良好， AUC 可达 0. 98， 对于当前低能见度和未来 1 h低能见度预报的 F1_score最高可
                       达 0. 92。（2）基于“机器学习特征工程要求特征相互独立”原理对特征进行清洗筛选， 有利于提高 XG‐
                       Boost算法模型对未来 1 h低能见度的预报准确率， 而经过特征筛选的 LightGBM 模型在预报当前和未来
                       1 h低能见度时比没有特征筛选的 LightGBM 模型漏报率更低。对当前低能见度的预报， LightGBM_24_
                       0h 模型最优， 对未来 1 h 低能见度的预报， XGBoost_24_1h 模型最优， 且特征筛选对 XGBoost 算法的性
                       能提升更大。（3）分别使用分裂次数和 SHAP 值分析 LightGBM 算法模型的特征重要性， 表明在不同特征
                       重要性准则下， 机场实测相对湿度、 气温、 风、 海平面气压和ECMWF预报的1000 hPa相对湿度、 925 hPa
                       垂直速度和散度、 850 hPa散度9个特征对机场低能见度的预报更重要， 且散度作为机器学习模型的输入
                       特征可以极大提高机器学习模型的性能。（4）基于 SHAP值解释特征重要性时， 排名前十的特征重要性累
                       计占比 80%， 说明在以雾为主的景德镇机场低能见度短临预报中 LightGBM 模型能根据关键预报因子输
                       出预测结果， 且在预报未来 1 h 低能见度是否持续时， 可重点关注 850 hPa 散度、 1000 hPa 相对湿度、 机
                       场海平面气压和风向的变化。
                       关键词： 机场预报； 低能见度； 机器学习； LightGBM
                       文章编号： 1000-0534（2026）02-0485-15   中图分类号： P457.7   文献标识码： A
                       DOI： 10. 7522/j. issn. 1000-0534. 20XX. 00067
                       CSTR: 32265.14.gyqx.CN62-1061/P.2025.00067


               1  引言                                             雾、 降水、 霾等均有可能造成低能见度事件， 但因

                                                                 辐射雾形成低能见度事件的比例最高。陈翔翔等
                   能见度与飞行的关系十分密切， 水平能见度低
                                                                （2018）指出， 辐射雾通常发生于深秋至次年春季，
               于 1. 0 km 的低能见度事件是引发飞行事故最常见
                                                                 以日出前后最浓， 09:00 -10:00（北京时， 下同）消
               的因素（冯汉中等， 2006）， 低能见度事件能大幅度
               增加航班延误、 备降的概率， 甚至造成航空事故                           散。而 09:00 -10:00 正是机场上午航班进港高峰
              （张序等， 2014）。景德镇机场（下文简称机场）位于                        期， 准确预测低能见度现象对机场运行安全和效率
               江西省东北部， 根据机场地面观测资料统计发现，                           都有重要意义。


                  收稿日期： 2025⁃01⁃14； 定稿日期： 2025⁃05⁃20
                  资助项目： 四川省科技教育联合基金项目（2024NSFSC1983）
                  作者简介： 殷齐娥（1993 -）， 女， 云南曲靖人， 硕士研究生， 主要从事航空气象预报技术与服务研究. E-mail： 451973926@qq.com
                  通信作者： 倪长健（1970 -）， 男， 安徽霍邱人， 教授， 主要从事大气物理学与大气环境研究. E-mail： ncj1970@163.com
                  © Editorial Department of Plateau Meteorology （CC BY-NC-ND）
   180   181   182   183   184   185   186   187   188   189   190