Page 293 - 《高原气象》2026年第3期
P. 293

3 期             黄   蕾等:基于LightGBM算法的陕西关中地区能见度分级预报及可解释性分析                                   901
               个排名也可以看出低层的气象要素对低能见度天                             色点)时, SHAP 值为正且其值越高, 说明高湿度会
               气预测的重要性较高, 前 10 名基本上均为 850 hPa                    降低能见度, 与实际认知相符。整体来看, (T-
               以下的特征要素, 其中(T-Td) 其平均 SHAP 绝对                     Td) 、 RH  T 、 PM 、 T 为模型判断低能见度
                                                                                         850
                                                                    2m
                                                                          2m、
                                                                              2m
                                                                                    2. 5
                                          2m
               值最大(超过 2. 0), 对能见度预测的影响最为关                       (VIS≤1 km)的关键影响因素(前 5 名)。其中, 高
               键, 是主导模型预测的核心要素; 其次为 RH 湿度                        RH 、 T 、 PM 和低(T-Td)  T 有利于低能见度
                                                                                              2m
                                                                                           2m、
                                                                    2m
                                                                        850
                                                                              2. 5
                                                       2m
               及 T , 同时 PM 排名也靠前(第 4 名), 说明在关                    天气的出现。
                             2. 5
                  2m
               中地区低能见度预报中考虑污染物浓度非常必要,                                为了分析单个特征因子的取值如何影响模型的
               大气中颗粒物一方面对光有散射和吸收作用, 能显                           预测结果, 绘制了重要性前5名特征因子的SHAP依
               著减弱光信号降低有效视距(李星敏等, 2014), 另                       赖图(图 7), 用于展示不同特征对 VIS≤1 km预测的
               一方面也能吸湿成为凝结核, 增加云雾滴降低能见                           影响, 图中红色曲线为 LOWESS(Locally Weighted
               度(张小曳等, 2013)。                                    Scatter plot Smoothing)拟合曲线, 展示了特征值与
                   图 6(b)为 SHAP 值依赖图, 用于展示各气象特                   SHAP 值间的趋势关系。能见度与这些特征因子并
               征因子对模型低能见度预测的影响关系, 横轴                             非只有简单的线性关系。具体来说, 地面高湿度环
              (SHAP 值)反映特征因子对能见度预测的影响方向                          境是水汽凝结的核心驱动因子: (T-Td) 特征值较
                                                                                                     2m
               与程度, 点的颜色表示特征值的高低, 蓝色代表特                          小时, SHAP值较大[图7(a)], SHAP值随特征值的
               征值低, 红色代表特征值高。(T-Td) 值偏低时,                        增加急剧下降并保持低位, 说明(T-Td) 较小时,
                                                 2m
                                                                                                      2m
               SHAP 值分布较广, 表示其对能见度的影响显著,                         尤其在其小于 2 ℃之后, 对 VIS≤1 km 的预测有明
               且(T-Td) 越 低 , SHAP 值 越 大 , 即 对 低 能 见 度            显的正向影响, 值越小, 影响效果越明显, 较大时
                        2m
              (VIS≤1 km)天气的正向影响更大, 即模型更倾向                        则产生负向影响, 这与辐射雾形成的临界湿度条件
               于预测低能见度天气的出现; 再如 RH 值较高(红                         直接相关, 低(T-Td) 表明近地面水汽接近饱和,
                                                 2m
                                                                                    2m






































                                      图7 关键特征因子与低能见度天气(VIS≤1 km)的SHAP依赖图
                                                    红色曲线为LOWESS拟合曲线
                               Fig. 7 SHAP dependence plot for key features and low visibility (VIS≤1 km) sample.
                                               The red curve is the LOWESS fitting curve
   288   289   290   291   292   293   294   295   296   297   298