[发明专利]一种基于分层表示学习的能见度预报方法

说明书

本发明公开了一种基于分层表示学习的能见度预报方法，通过相关性分析确定影响能见度的18个因子；再将每天的因子作为一个训练样本，将实况数据形成的所有训练样本通过FCM聚类算法分类挑选出5000条，作为历史数据库D1，其中能见度小于10km的作为历史数据库D2；将模式预报场数据作为测试样本；先以10km为界分类，选历史数据库D1，用稀疏表示法对将测试样本分两类，回归预报出分类结果为10km以上的能见度；再将分类结果为10km以下的测试样本作新测试样本，以1km、5km为界分类，选历史数据库D2，用稀疏表示法将新测试样本分三类，并回归出新测试集各类能见度；本发明用于气象数据处理领域，能够加快数据处理速度，提高能见度预报精度。

技术领域

本发明属于气象数据处理领域，具体涉及一种基于分层表示学习的能见度预报方法。

背景技术

雾霾作为一种天气现象往往伴随着严重的衍生灾害，低能见度天气不仅对交通、航运等有严重影响，其伴随的稳定层结大气也使空气中的烟尘等污染物难以扩散，导致城市污染加重，危害人体健康。近年来，随着工业化、城市化、交通运输现代化的迅速发展，城市规模和区域的不断扩大，矿物燃料消耗量剧增，大大加重了大气中的污染物含量，使雾霾天气造成的污染危害更加严重。不仅如此，随着经济建设和科技的迅速发展，海、陆、空交通运输业(特别是航空和高速公路)飞速发展，低能见度天气对交通的影响越来越突出，因能见度下降引起的交通、航运事故和航班延误事件居高不下，不仅给经济建设带来重大损失，也给人民生活带来严重影响。因而，加强能见度预报、提高能见度预报准确率至关重要。

目前世界各国在能见度预报上大多以数值预报为主，目前存在的CUACE模式和华北、华东、华南区域预报模式，因气象场、化学机理等因素的影响，使得各模式预报能见度与实况数值还存在较大差异，且数值预报运算量较大，运算时间较长。近年来，众多专家学者们在能见度预报上引入了新方法。主要包括神经网络、支持向量机及线性与非线性回归等，这些方法的引入为气象大数据的处理提供的快捷，使预报的运算量减小，运算精度提高，但还存在一些稳定性差、局部过拟合等问题。因此，寻找合适的方法提高能见度预报的准确率，为大气污染防治及安全出行等提供预报支撑具有重要意义。

发明内容

本发明所要解决的技术问题是为了克服现有技术所存在的问题，本发明提供一种基于分层表示学习的能见度预报方法，该方法充分利用FCM聚类算法构建历史数据库，利用稀疏表示法对能见度分层分类，最后用回归法预报能见度。

本发明为解决上述技术问题采用以下技术方案

一种基于分层表示学习的能见度预报方法，具体包含如下步骤：

步骤1，气象要素的相关性分析及因子提取；

步骤2，建立历史数据库；

步骤3，分层表示学习，预报能见度。

作为本发明基于分层表示学习的能见度预报方法的进一步优选方案，步骤1的具体步骤为：

步骤1.1，选取京津冀地区海拔高度均低于1km的139个气象站点，采集2002-2016年逐年10月至次年1月的常规地面全要素数据和高空全要素数据，采集2016-2017年逐年10月至次年1月模式气象预报场的数据；

步骤1.2，将采集的气象要素与能见度做相关性分析，确定影响能见度的18个因子；

步骤1.3，将步骤1.2处理得到的18个因子按照日期组合成每天的气象要素x_i＝[a_i1,a_i2,…,a_i18]^T，并对应每天的能见度z_i，i表示气象要素的条数，并将每条气象要素看作一个训练样本。