[发明专利]NRIET基于机器学习的大雾预报方法

说明书

本发明公开了一种NRIET基于机器学习的大雾预报方法，包括：收集预报区域及周边可用于模型训练和业务预报的历史实况和预报资料；对收集到的数据进行分析，并处理为机器学习模型训练可用的样本集；针对本发明涉及的问题，选用基于决策树的xgboost模型算法，筛选机场大雾生成的重要影响因子，建立大雾和影响因子之间的关系模型；在训练集和验证集上进行训练；依照调参顺序，反复对模型参数进行调整，直至得到性能最优预报模型；使用集成学习方法，对模型进行交叉验证和迭代训练，以进一步提升模型预报性能；将实时观测数据带入预报模型，得到大雾预报结果。

技术领域

本发明涉及一种NRIET基于机器学习的大雾预报方法,属于大雾客观预报系统领域。

背景技术

大雾是引起低能见度的主要天气现象，提高雾的预报技术水平是确保交通安全的重要措施。然而在各种天气现象的预报中，雾的预报难度依旧很大，仍属于世界性难题。尤其对于民航、交通等非气象专业的行业用户，大雾预报的准确率和业务化水平亟待提高。

目前大雾预报方法主要包括天气学释用法、数值预报和统计预报方法。

天气学释用法是根据前期天气形势或数值模式提供的形势场预报结果，运用天气学基本原理和天气学分析方法，考虑天气系统与大雾发生之间的联系，根据预报员的经验对大雾进行预报。目前我国大多数气象台站对大雾的预报还主要采用天气学释用法，比较依赖于预报员的主观经验，预报的准确率和可靠性较低。

雾的数值预报方法可模拟雾的形成和消散中的各种微物理过程、热力及动力过程复杂相互作用，包括一维雾模式、三维雾模式、耦合模式及集合数值预报，但对不同时间和空间尺度上雾过程的不完全理解仍制约雾的数值预报准确性。特别是由于大雾预报的复杂性和有限的计算能力，数值预报方法在大雾的业务预报中进展仍然缓慢，雾还不是数值预报的直接预报产品，业务上常用的还是数值模式产品的天气学释用。

雾的统计预报以统计学方法为基础，利用现有数据，基于统计分析研究大雾生消和变化规律，建立大雾与其他气象参数之间的统计关系模型，从而预测雾的生消和变化过程。随着现代计算机技术和人工智能算法的发展，大雾的统计预报方法从传统的数据拟合方法，到一些处理不确定性问题的大数据分析方法，为大雾预报提供了新的思路，并在一定程度上提高了雾的预报准确率。但由于统计方法本身缺乏对物理过程的描述，因此更依赖于历史数据质量和算法的选择。

发明的内容

针对大雾预报准确率低，不能满足机场、公路等交通行业用户需求的现状，本发明提供了一种基于机器学习的大雾预报方法，使用大数据分析方法对历史数据进行分析和预处理，筛选大雾生成的重要影响因子，建立大雾和影响因子之间的关系模型，从而对大雾的生消和变化过程进行短时临近预报，为行业用户提供及时有效的大雾客观预报服务，以及时预防和处理飞机延误、交通事故等事件，确保道路交通安全。

针对目前业务预报中主要使用的天气学释用法过分依赖于预报员的主观经验，预报的准确率和可靠性较低的问题，本方法提供了一种基于机器学习的先进客观预报技术，不依赖主观预报经验，可业务化实时提供精准定位的大雾预报，30分钟大雾等级预报准确率达到98％以上。

针对数值预报方法不能完全理解和描述大雾物理过程复杂性、且需要消耗大量计算资源的问题，本方法从数据统计和概率的角度，基于一种先进机器学习方法，更强调实际应用效果而淡化理论分析，让计算机自动“学习”，从数据中自动分析获得规律，并利用规律对未知数据进行预测。同时该方法还有占用的内存少，训练速度较快的优点。

针对统计预报依赖历史数据质量和预报影响因子的选择的问题，本方法先对历史数据进行大数据分析，结合特征重要性分析，筛选对大雾预报影响较大的预报因子，在此基础上对数据进行预处理，形成用于机器学习的样本数据集。