Page 196 - 《高原气象》2026年第2期

高 原 气 象 45 卷
496
Deng T， Cheng A J， Han W， et al， 2019. Visibility forecast for air‐ 38（5）： 34-41.
port operations by LSTM neural network［C］. ICAART（2）： 冯汉中， 陈永义， 成永勤， 等， 2006. 双流机场低能见度天气预报方
466-473. 法研究［J］. 应用气象学报， 17（1）： 6. DOI： 10. 11898/1001-
Ibarra L， Balderas D， Ponce P， et al， 2019. Fast execution of black- 7313. 20060114. Feng H Z， Chen Y Y， Cheng Y Q， et al， 2006.
box algorithms through a piece-wise linear interpolation technique A study on the forecast method of the low visibility weather of Sh‐
［J］. Arabian Journal for Science and Engineering， 44（11）： uangliu Airport［J］. Journal of Applied Meteorological Science，
9443-9453. 17（1）： 6. DOI： 10. 11898/1001-7313. 20060114.
Ke G L， Meng Q， Finley T， et al， 2017. LightGBM： a highly effi‐ 冯蕾， 田华， 2014. 国内外雾预报技术研究进展［J］. 南京信息工程
cient gradient boosting decision tree［J］. Advances in Neural In‐ 大学学报（自然科学版）， 6（1）： 74-81. DOI： 10. 13878/j. cnki.
formation Processing Systems. 30： 3149-3157. jnuist. 2014. 01. 011. Feng L， Tian H， 2014. Progress in fog pre‐
Manandhar S， Dev S， Lee Y H， 2019. A data-driven approach for ac‐ diction［J］. Journal of Nanjing University of Information Science
curate rainfall prediction［J］. IEEE Trans Geosci Remote Sens， 57 & Technology（Natural Science Edition）， 6（1）： 74-81. DOI：
（11）： 1-9. 10. 13878/j. cnki. jnuist. 2014. 01. 011.
Moon S H， Kim Y H， 2020. Forecasting lightning around the Korean 贺倩， 汪明， 刘凯， 2022. 基于机器学习的气温要素空间插值［J］.
Peninsula by postprocessing ECMWF data using SVMs and un‐ 高原气象， 41（3）： 733-748. DOI： 10. 7522/j. issn. 1000-0534.
dersampling［J］. Atmospheric Research， 243： 105026-105026. 2021. 000007. He Q， Wang M， Liu K， 2022. Spatial interpola‐
Ortega L， Otero D， Otero C， 2019. Application of machine learning al‐ tion of air temperature based on machine learning［J］. Plateau Me‐
gorithms for visibility classification［C］. IEEE International Sys‐ teorology， 41（3）： 733-748. DOI： 10. 7522/j. issn. 1000-0534.
tems Conference， 1-5. DOI： 10. 1109/SYSCON. 2019. 8836910. 2021. 000007.
Peláez-Rodríguez C， Pérez-Aracil J， Casanova-Mateo C， et al， 2023. 黄威， 牛若芸， 2017. 基于集合预报和支持向量机的中期强降雨集
Efficient prediction of fog-related low-visibility events with ma‐ 成预报试验［J］. 气象， 43（9）： 7. DOI： 10. 7519/j. issn. 1000-
chine learning and evolutionary algorithms［J］. Atmospheric Re‐ 0526. 2017. 09. 008. Huang W， Niu R Y， 2017. The medium-
search， 295： 106991. term multi-model integration forecast experimentation for heavy
Tao H W， Niu X X， Xu L， et al， 2024. A comparative study of soft‐ rain based on Support Vector Machine［J］. Meteorological Month‐
ware defect binomial classification prediction models based on ly， 43（9）： 7. DOI： 10. 7519/j. issn. 1000-0526. 2017. 09. 008.
machine learning［J］. Software Quality Journal， 32（3）： 1203- 姜红， 何清， 曾晓青， 等， 2021. 基于随机森林和卷积神经网络的
1237. FY-4A 号卫星沙尘监测研究［J］. 高原气象， 40（3）： 680-689.
Liu X W， Duan H X， Huang W B， et al， 2021. Classified early warn‐ DOI： 10. 7522/j. issn. 1000-0534. 2020. 00060. Jiang H， He Q，
ing and forecast of severe convective weather based on LightG‐ Zeng X Q， et al， 2021. Sand and dust monitoring using FY-4A
BM algorithm［J］. Atmospheric and Climate Sciences， 11（2）： satellite data based on the random forests and convolutional ne‐
284-301. tural networks［J］. Plateau Meteorology， 40（3）： 680-689. DOI：
Zhou J， Li E M， Yang S， et al， 2019. Slope stability prediction for cir‐ 10. 7522/j. issn. 1000-0534. 2020. 00060.
cular mode failure using gradient boosting machine approach 李才媛， 韦惠红， 邓红， 2008. SVM 方法在武汉市大雾预警预报中
based on an updated database of case histories［J］. Safety Sci‐ 的应用［J］. 暴雨灾害， 27（3）： 74-77. DOI： 10. 3969/j. issn.
ence， 118： 505-518. DOI： 10. 1016/j. ssci. 2019. 05. 046. 1004-9045. 2008. 03. 012. Li C Y， Wei H H， Deng H， 2008. Ap‐
艾洪福， 石莹， 2015. 基于 BP 人工神经网络的雾霾天气预测研究 plication of SVM method in warning and forecasting of heavy fog
［J］. 计算机仿真， 32（1）： 402-405415. Ai H F， Shi Y， 2015. in Wuhan city［J］. Torrential Rain and Disasters， 27（3）： 74-77.
Study on prediction of haze based on BP neural network［J］. Com‐ DOI： 10. 3969/j. issn. 1004-9045. 2008. 03. 012.
puter Simulation， 32（1）： 402-405. 李沛， 王式功， 尚可政， 等， 2012. 基于神经网络逐级分类建模的北
陈翔翔， 许爱华， 许彬， 等， 2018. 2000—2012年江西省三类区域性 京地区能见度预报［J］. 兰州大学学报（自然科学版）， 48（3）：
大雾时空分布及影响因素特征［J］. 气象与环境学报， 34（3）： 52-57. DOI： 10. 3969/j. issn. 0455-2059. 2012. 03. 009. Li P，
37-47. Chen X X， Xu A H， Xu B， et al， 2018. Characteristics of Wang S G， Shang K Z， et al， 2012. Visibility forecast in Beijing
spatiotemporal distribution and influence elements of three kinds through artificial neural network based on hierarchical classifica‐
of regional heavy fog in Jiangxi province from 2000 to 2012［J］. tion method［J］. Journal of Lanzhou University（Natural Scienc‐
Journal of Meteorology and Environment， 34（3）： 37-47. es）， 48（3）： 52-57. DOI： 10. 3969/j. issn. 0455-2059. 2012.
方楠， 谢国权， 阮小建， 等， 2022. 长短期记忆神经网络（LSTM）模 03. 009.
型在低能见度预报中的应用［J］. 气象与环境学报， 38（5）： 34- 李浙华， 肖安， 郑丽君， 2024. 基于高分辨率数值预报和深度学习
41. Fang N， Xie G Q， Ruan X J， et al， 2022. Application of 的地面气温预报研究［J］. 高原气象， 43（2）： 464-477. Li Z H，
long short-term memory neural network （LSTM） model in low Xiao A， Zheng L J， 2024. Research on surface temperature pre‐
visibility forecast［J］. Journal of Meteorology and Environment， diction based on high-resolution numerical prediction products