Page 190 - 《高原气象》2026年第2期

高 原 气 象 45 卷
490

图1 特征筛选前后LightGBM和XGBoost预测当前（a， b）和未来1 h （c， d）低能见度的ROC曲线
Fig. 1 ROC curves of LightGBM and XGBoost for predicting present （a， b） and
one-hour-later （c， d） low visibility by feature screening
表4 特征筛选前后LightGBM算法和XGBoost算法预测当前低能见度的分类报告
Table 4 Classification reports of LightGBM and XGBoost of present low visibility by feature screening

精确率 召回率 F1_score 最佳参数
模型名称 准确率
0 1 0 1 0 1 ln n
LightGBM_32_0h 0. 93 0. 95 0. 90 0. 94 0. 92 0. 94 0. 91 0. 2 200
LightGBM_24_0h 0. 93 0. 96 0. 90 0. 94 0. 93 0. 95 0. 92 0. 1 500
XGBoost_32_0h 0. 93 0. 96 0. 89 0. 92 0. 93 0. 94 0. 91 0. 1 150
XGBoost_24_0h 0. 93 0. 96 0. 89 0. 93 0. 93 0. 94 0. 91 0. 1 150

定（EFD， Exclusive Feature Bundling）技术有关（Ke 低模型准确率的情况下， 不仅提高机器学习模型的

et al， 2017）。 效率， 还能改进模型性能（陆冰鉴等， 2022）。
综上， 对于当前和未来 1 h 景德镇机场低能见 3. 2 特征重要性
度的预报， 特征筛选都有利于提高模型的性能， 通 LightGBM 和 XGBoost 两种算法的机器学习模

过特征相关系数的对比分析， 剔除高相关性的特 型对于机场低能见度具有良好的预报能力， 但各预
征， 减少多个特征间共线性对模型的干扰， 在不降 报因子对模型的重要程度是否相同呢？叶宇辰等