Page 186 - 《高原气象》2026年第2期
P. 186

高     原      气     象                                 45 卷
              486
                  能见度的预报一般依赖于天气学方法、 统计方                         结合实测数据、 WRF数值预报模式预报数据和 EC‐
             法预报雾、 霾、 沙尘等天气现象， 从而间接预报能                          MWF（European  Centre  for  Medium-Range  Weather
             见度变化； 或是对数值预报的能见度预报产品进行                            Forecasts）高空预报数据， 应用 XGBoost 算法建立
             后处理以获得更好的能见度预报。冯蕾和田华                               上海市 11 个站点未来 24 h 的能见度预测模型， 并
             （2014）从统计和数值预报两个方面回顾了过去几                           借助模型对各影响因子进行重要性分析。余东昌
             十年国内外在雾预报技术上的主要研究进展， 总结                            等（2021）利用随机森林（Random Forest）构建特征
             了各种方法的特点及存在的缺陷。近年来机器学                              向量， 基于 LightGBM（Light Gradient Boosting Ma‐

             习算法被广泛运用于气象领域（Liu et al， 2021； 刘                   chine）和另外三种算法建立能见度预测模型， 结果
             新 伟 等 ，  2021；  夏 侯 杰 等 ，  2023；  李 浙 华 等 ，        表明基于 LightGBM 的预测模型对 2 km 以下的低
             2024）， 其在处理天气预报中的非线性问题方面展                          能见度预报效果是所有模型中最优的， TS（Threat
             现出显著的优势， 通过机器学习算法建立能见度预                            Score）评 分 可 达 0. 89。 Peláez-Rodríguez  et  al
             测模型逐渐成为能见度预报的热点。BP 神经网络                           （2023）利用差分进化（DE）和粒子群优化（PSO）两
             模 型 很 早 就 被 用 作 能 见 度 定 量 预 报（曾 淑 玲 ，              种进化算法进行特征选择， 将能见度预测的准确性
             2012； 李沛等， 2012； 艾洪福和石莹， 2015）， 但该                 平均提升了约 17. 3%。Ortega et al（2019）运用五种
             模型对低能见度天气这种小概率事件的预测能力                              机器学习算法对能见度进行分类预测， 其中人工神
             差， 因此， 探索预报效果更好的模型以及模型优化                           经网络（ANN）获得了最高的平均准确率89. 71%。
             改进成为低能见度定量预报的重要方向（马楚焱                                  目前机场低能见度预报对预报员的经验依赖
             等， 2015； 张义朋， 2018； 苏靖晰， 2020）。同时，                 较大， 难于满足飞行需求， 而运用机器学习算法预
             也有较多研究尝试将支持向量机（Support Vector                      报低能见度事件的研究不多， 特征贡献与模型输出
             Machine， SVM）运用到能见度预报中（郑朝霞等，                       的关系也有待进一步确定。本文基于 LightGBM
             2016； 时玮域， 2020）， 结果表明 SVM 在能见度预                  （Ke et al， 2017）机器学习算法， 利用机场和景德镇
             测时虽具有一定优势（李才媛等， 2008）， 但对核函                        国家气象观测站观测资料、 欧洲中期天气预报中心
             数较为依赖（冯汉中等， 2006）。朱蕾和朱国栋                           ECMWF 逐 3 h 高空和地面预报数据， 建立机场低
             （2010）使用支持向量机建立机场跑道视程预报模                           能见度短临预报模型， 并将 LightGBM 预测模型的
             型， 朱国梁（2018）使用多层感知器（Multilayer Per‐                结果与 XGBoost （Chen and Guestrin， 2016）、 SVM
             ceptron， MLP）神经网络方法建立主导能见度的回                       算法预测模型的结果进行对比， 同时借助特征筛
             归预测模型， 朱国栋（2022）基于深度学习和逐小时                         选、 特征重要性、 SHAP 值探讨特征贡献与模型预
             能见度观测数据建立能见度回归预测模型， 实验结                            测输出的关系， 在取得较好预报效果的同时， 也对
             果均表明所建立的模型在机场能见度预测方面具                              机器学习的预报特征重要性进行了分析。
             有一定预测能力， 为乌鲁木齐机场主导能见度的定                            2  数据和方法介绍
             量 客 观 预 报 提 供 参 考 。 许 多 学 者（Deng  et  al，

             2019； 岳炼， 2021； 方楠等， 2022）基于长短期记忆                  2. 1 数据说明
             模型（Long Short-Term Memory Model， LSTM）建立               地面数据集的数据来源于机场地面观测和景
             能见度预报模型。其中 Deng et al（2019）通过调整                    德镇国家气象观测站。其中， 机场地面观测数据为
             损失函数和神经网络结构优化模型， 发现长短期记                            机场 2020 年 8 月 24 日 23:00 至 2023 年 11 月 10 日
             忆回归模型预测结果优于常用的随机森林方法与                              08:00 逐小时观测数据， 景德镇国家气象观测站地
             多层感知机模型， 依据飞机起降能见度等级建立的                            面观测数据来源于国家气象信息中心下发的 2020
             分类模型对能见度分级预测更加准确， 可用于机场                            年 8月 24日 23:00至 2023年 11月 10日 08:00逐小时
             航空气象服务； 岳炼（2021）设计了两种不同方式的                         地面观测数据。地面数据集因子包括地面风向和
             特征输入， 分别为基于观测数据、 数值预报数据建                           风速、 气温、 相对湿度、 海平面气压、 露点温度、
             模， 观测数据、 数值预报数据滚动建模， 并分别评                          10  min 平 均 能 见 度 ，  跑 道 视 程（Runway  Visual
             估了不同特征输入对 LSTM 模型的预报精度影响，                          Range， RVR）共 8 个观测因子， 其中 10 min 平均能
             结果表明前者在预报精度方面更优。王勇（2019）                           见度用作样本标签和特征相关性计算， RVR用于机
   181   182   183   184   185   186   187   188   189   190   191