Page 189 - 《高原气象》2026年第2期

2 期 殷齐娥等：基于机器学习的机场低能见度短临预报研究 489
得到最优模型。 估指标可知， 虽然 EC 模式预报能见度的准确率高
2. 2. 4 模型评估 达 0. 99， 但低能见度的 F1_score 为 0， 表明 EC 模式
本文采用 ROC 曲线对模型的性能进行可视 对于 1 km 以下能见度的预报能力较差， 满足不了
化， 通过对比分析模型的准确率（Accuracy）、 精确 机场对低能见度预报精度的需求。三种机器学习
率（Precision）、 召回率（Recall）、 F1_score、 AUC 值
模型运行结果中， LightGBM_32 和 XGBoost_32 模
（ROC 曲线下面积）进行评估（Tao et al， 2024）。其
型对低能见度的短临预报准确率均在 0. 90 以上，
中 F1_score 是评估分类模型性能的综合性指标， 是
低能见度的 F1_score 值均超过 0. 80， 但 SVM 模型
精确率和召回率的调和均值， F1-Score 越高， 模型
对低能见度的短临预报准确率仅 0. 65， 低能见度的
对预测目标的预测能力越好（张睿智等， 2024）。
F1_score 值为 0， 表明 LightGBM_32 和 XGBoost_32
3 结果和分析 模型的预报能力明显高于 SVM 模型， 但 LightG‐
BM_32 和 XGBoost_32 模型的评估指标值相差不
本文使用网格搜索法对三种机器学习算法模
大。为进一步对比两个模型的性能， 本文剔除相关
型进行调参， 人工辅助调整备选参数， 当交叉验证
性大于 0. 85的 8个特征， 减少特征共线性对模型的
平均准确率和测试集的准确率基本相等时， 得到模
干扰， 将剩余的 24 个特征用于 LightGBM 算法模型
型参数的最佳组合。表 3 为基于 32 个初选特征训
练所得的三个机器学习模型的关键评估指标和对 和 XGBoost算法模型的训练， 对模型预测性能进行
EC模式的逐3 h能见度预报能力评估。 综合评估， 并通过 ROC 曲线将分类模型的性能可
对比表 3 中三种机器学习模型和 EC 模式的评 视化。

表3 特征筛选前各模型的交叉验证平均准确率和准确率
Table 3 The mean cross-validation score and accuracy of each model before feature screening
模型名称 LightGBM_32 XGBoost_32 SVM EC
预测目标 当前 未来1 h 当前 未来1 h 当前 未来1 h 逐3 h
交叉验证平均准确率 0. 90 0. 88 0. 91 0. 89 0. 64 0. 67 -
准确率 0. 93 0. 93 0. 93 0. 92 0. 61 0. 65 0. 99
F1_score（低能见度） 0. 91 0. 89 0. 91 0. 89 0. 00 0. 00 0. 00

3. 1 特征筛选结果分析 仅召回率增加 0. 01， 表明特征筛选对当前低能见度
对比特征筛选前后 LightGBM 和 XGBoost 两种 预报模型的准确率影响并不明显， 也不影响模型的
算法预测当前和未来 1 h 低能见度的 ROC 曲线（图 误报率， 但可以减少模型的漏报率。
1）， 两种算法模型性能基本相同， AUC均为0. 98。 表 5 是特征筛选前后 LightGBM 和 XGBoost 两
为进一步对比四个模型在特征筛选前后对于 种机器学习算法对未来 1 h 低能见度的预测效果。
当前和未来 1 h 低能见度的预测效果，表 4 和表 5 列 四个模型的准确率在0. 92及以上， F1_score在0. 89

出了最佳参数模型预测当前和未来 1 h 低能见度的 及以上， 模型综合性能良好， 模型预测低能见度的
预测评估指标值，表中 0 和 1 为分类标签，0 表示非 精确率和召回率均在 0. 87 及以上， 误报和漏报较
低能见度类别，1 表示低能见度类别，ln 表示学习率 少。对于未来 1 h 低能见度的预报， 特征筛选后模
learning_rate，n 表示基学习器数量 n_estimators。由 型的 F1_score 均有增加， 说明在现有特征下， 剔除
表 4 可知，四个模型预测当前低能见度的准确率均 相关性高的特征可以提高两种算法模型预测未来
为 0. 93， 其 中 LightGBM_24_0h 模 型 F1_score 为 1 h 低能见度的综合性能， 且 XGBoost 算法模型比
0. 92， 在四个模型中综合性能最好， 且准确率、 精 LightGBM 算法模型提高程度大， 尤其精确率的提
确率和召回率也最高。可见， 在预报当前是否会出 高最明显， 增加了 0. 03， 表明特征筛选有利于减少
现低能见度时， 使用 LightGBM_24 进行训练， 建立 模型误报。而 XGBoost算法模型比 LightGBM 算法
的模型性能最优， 误报率和漏报率最低， 但特征筛 模型提高程度大可能与本文样本量和特征数量少
选前后， 同一种算法模型的准确率、 精确率不变， 有关， 也可能与 LightGBM 算法使用了独占特征绑