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

