基于机器学习的上海地区站点低能见度预报改进和检验
夏杨
谢英
王晓峰
高彦青
顾问
樊浩
上海市生态气象和卫星遥感中心,上海 200030
摘要：为提升上海地区大雾等低能见度天气的预报能力,基于机器学习方法建立能见度预报优化模型.研究基于2019年—2023年华东区域业务模式CMA-SH9和天气环境一体化模式WARMS-CMAQ的逐小时预报产品,结合站点能见度等历史气象观测资料,使用LightGBM算法进行建模.为应对低能见度样本稀少导致的观测数据不平衡问题,研究将能见度预报构建为分类任务,并通过数据预清洗以及为不同能见度等级设置差异化权重系数的方式,增强模型对低能见度样本的关注,最终以前两类低能见度事件(vis≤1 km和1 km<vis≤3 km)的TS评分作为核心评估标准.测试集和后续独立运行阶段的评估结果表明,相较于数值模式,机器学习优化模型对能见度的预报评分有显著提升,尤其对于低能见度天气(vis≤1 km)的命中率,从模式的20%左右提升至近60%,TS评分也提升至近0.3.同时,典型案例分析显示LGBM优化模型能够准确地模拟2023年12月份以来的几次大雾过程,且对于大部分过程雾发生和消亡的时间预报与观测更为接近,表明该优化模型相较于传统数值模式能够大幅度提升对大雾过程的模拟能力.
关键词：能见度预报机器学习大雾天气数值模式
分类号：P457.1(天气预报)
资助基金：上海市自然科学基金(24ZR1462900)上海市气象局科技人才类项目(KJRC202415)中国气象局云降水物理与人工影响天气重点开放实验室创新基金项目(2024CPML-A01)
论文发表日期：2026-02-28
在线出版日期：2026-03-25（本平台首次上网日期，不代表文献的发表时间）
页数：12( 153-164 )
英文信息