基于机器学习的海雾预测研究.pdfVIP

基于机器学习的海雾预测研究

摘要

海雾是海洋上低层大气中一种水汽凝结现象，由于水滴或冰晶的大量积聚使

能见度降低，危害人民的生命财产安全。我国航海运输、渔业捕捞、海洋开发以

及军事等活动的日益频繁，准确地预测海雾逐渐成为气象研究人员的重点研究目

标。与其他灾害性天气相比，海雾的业务预报水平还远不能满足业务需求。现今

在国内外气象部门对海雾的预报方法主要有天气学方法、数值预报方法和机器学

习方法。天气学方法依赖于预报员主观经验，预报准确率不能得到保障。数值预

报对于大范围海雾预报准确率高，但对于微尺度海雾预报能力差。随着社会科技

水平的不断进步，计算机运算能力的提高使得机器学习技术发展迅速，其在海雾

预报领域得到广泛关注。本研究使用了三种机器学习方法对于琼州海峡开展海雾

分类预测研究和海雾能见度预测研究。主要的工作内容及成果如下：

（1）利用2020-2021年琼州海峡GFS数据、地面自动站数据和FY-4A数据

进行空间插值和时空匹配得到海雾初步数据集，接着使用主成分分析法（PCA）

优化数据集。根据自动站实测数据统计分析2020-2021年琼州海峡海雾发生的时

空特征：冬季多雾，夏季少雾；多生成于晚上和凌晨，消散于上午和中午；琼州

海峡海雾空间分布西侧高于东侧。

（2）开展海雾分类预测研究。首先定义了海雾分类准则，利用海雾分类数

据集，使用决策树算法、随机森林算法和LGBM算法分别训练并优化模型。测试

结果表明，三种模型的准确率（ACC）分别是86.29%、89.85%和92.12%。并且

三种模型ACC月份变化具有一致性：夏季高，冬季低。对比不同等级海雾的预测

结果和不同未来时刻的预测结果，发现LGBM好于随机森林，决策树最差。

（3）开展海雾能见度预测研究。利用海雾能见度数据集，使用决策树算法、

随机森林算法和LGBM算法构建能见度预测模型。测试结果表明，三种模型的相

关系数（R）分别是0.7、0.83和0.86，均方根误差（RMSE）分别是6.2km、

4.83km和4.31km。通过几个典型案例可以看出，LGBM和随机森林在能见度极

差、良好和极佳条件下，表现良好；而决策树预测会出现突变性。

（4）本文利用上述机器学习方法开发了一套海雾预测系统。该系统可以选

择机器学习算法分别预测海雾分类以及海雾能见度，为预报员预测海雾提供参考

与借鉴。

关键词：机器学习，琼州海峡，海雾，能见度预测

Researchonseafogpredictionbasedonmachinelearning

ABSTRACT

Seafogisaphenomenonofwatervaporcondensationintheloweratmosphereof

theoceanwhichreducesvisibilityduetothelargeaccumulationofwaterdropletsorice

crystals.Suchreductionofvisibilityposesathreattobothlivesandproperties.This

concernisfurtheramplifiedwiththeincreasingfrequencyofChinasmaritime

transportation,fishing,marinedevelopment,andmilitaryactivities.Accurateseafog

predictionis,therefore,oneoftheprimaryresearchobjectivesofmeteorologicalexperts.

However,comparedtoothertypesofdisastrousweather,operationalforecastlevelofsea

fogremainsinad