王 楠，朱 蕾，周建軍，劉 倩，楊洪儒

（1.民航新疆空管局空管中心氣象中心，新疆 烏魯木齊830016； 2.民航新疆空管局空管中心培訓(xùn)中心，新疆 烏魯木齊830016； 3.民航新疆空管局空管中心飛服中心，新疆 烏魯木齊830016）

對(duì)于烏魯木齊機(jī)場(chǎng)霧的研究， 前人多集中在基于天氣學(xué)、統(tǒng)計(jì)學(xué)的預(yù)報(bào)方法的研究上[2-6]，研究成果揭示了機(jī)場(chǎng)大霧多是在偏西氣流型、弱暖脊型、巴湖槽前型的天氣背景下產(chǎn)生， 配合適宜的溫度、濕度、風(fēng)場(chǎng)等低空氣象要素，結(jié)合低洼的地勢(shì)、冷湖及山谷風(fēng)的共同效應(yīng)， 使得機(jī)場(chǎng)冬季大霧多發(fā)且能見度偏低。近年來隨著全球氣候變化，烏魯木齊機(jī)場(chǎng)大霧又表現(xiàn)出了不同的特征，生消規(guī)律有所變化，從而使霧的預(yù)報(bào)更難把握。 實(shí)際工作中預(yù)報(bào)員對(duì)霧的天氣形勢(shì)的掌握和適宜條件的認(rèn)知， 多是基于一天僅有的兩次探空觀測(cè)數(shù)據(jù)、 新疆加密自動(dòng)站數(shù)據(jù)和機(jī)場(chǎng)的微波輻射計(jì)數(shù)據(jù)中得到參考， 對(duì)預(yù)報(bào)霧有一定的指導(dǎo)作用。 但對(duì)霧的生消精細(xì)化預(yù)報(bào)的前瞻性不夠，準(zhǔn)確性較差[7-8]，為空管運(yùn)行決策所提供的服務(wù)質(zhì)量有待提高。 故而加強(qiáng)高時(shí)空分辨率的數(shù)值預(yù)報(bào)產(chǎn)品對(duì)機(jī)場(chǎng)大霧天氣中釋用性研究，滿足時(shí)間尺度和準(zhǔn)確性的雙重要求顯得極為迫切。

隨著預(yù)報(bào)技術(shù)的發(fā)展， 國(guó)內(nèi)外的天氣數(shù)值預(yù)報(bào)水平不斷提升， 數(shù)值預(yù)報(bào)產(chǎn)品已成為預(yù)報(bào)員預(yù)報(bào)天氣的主要參考依據(jù)[9-12]。傳統(tǒng)的針對(duì)于數(shù)值預(yù)報(bào)產(chǎn)品的釋用多集中在基于多模式集成技術(shù)的氣象要素的對(duì)比分析上[13-15]，對(duì)單站能見度的預(yù)報(bào)研究不多，民航氣象對(duì)該方面的研究更為少見。 所以通過挖掘數(shù)值預(yù)報(bào)產(chǎn)品中與大霧相關(guān)性較好的預(yù)報(bào)因子， 利用特定的方法建立預(yù)報(bào)模型對(duì)能見度的變化進(jìn)行預(yù)測(cè)[16-17]，預(yù)報(bào)因子的物理意義明確，且準(zhǔn)確性較高，因此成為當(dāng)前業(yè)務(wù)中應(yīng)用較為廣泛的大霧客觀預(yù)報(bào)方法。 因此，針對(duì)所研究區(qū)域的大霧天氣特征，選擇合適的影響因子和建模方法成為影響模式預(yù)測(cè)準(zhǔn)確度的關(guān)鍵因素。

隨著計(jì)算機(jī)技術(shù)的發(fā)展和人工智能技術(shù)的進(jìn)步，機(jī)器學(xué)習(xí)得到了廣泛的應(yīng)用。其中基于支持向量理論的支持向量機(jī)（Support Vector Machine 簡(jiǎn)稱SVM）方法[18-20]，具有從海量的信息中自動(dòng)識(shí)別并提取關(guān)鍵信息的特點(diǎn)， 適合處理本質(zhì)上的非線性問題[21-22]，在氣象領(lǐng)域有較好的應(yīng)用效果[23-24]。 周明薇等[25]和黃威等[26]基于ECMWF 和NCEP 資料，應(yīng)用SVM 方法分別對(duì)邵陽(yáng)地區(qū)雷暴潛勢(shì)、淮河流域及其以南地區(qū)的強(qiáng)降水進(jìn)行建模， 通過樣本檢驗(yàn)均取得不錯(cuò)的效果。 在單站預(yù)報(bào)方面，很多學(xué)者運(yùn)用SVM技術(shù)對(duì)單站低能見度預(yù)測(cè)開展了建模試驗(yàn)[27-29]，均取得了較高的TS 評(píng)分。

由于SVM 方法有不必知道因變量和自變量之間的關(guān)系， 通過對(duì)樣本的學(xué)習(xí)即可獲得因變量和自變量之間非常復(fù)雜的映射關(guān)系的特質(zhì)， 以往應(yīng)用SVM 建模的研究因變量多為無(wú)差別選取，有時(shí)會(huì)造成模式過度擬合，可解讀性差，影響建模的速度和預(yù)測(cè)準(zhǔn)確度。 因此，本文按照民航運(yùn)行標(biāo)準(zhǔn)，將由于霧原因?qū)е轮鲗?dǎo)能見度低于800 m（含）的天氣定義為低能見度天氣（下同），作為本文的研究對(duì)象。應(yīng)用天氣學(xué)方法， 給出與機(jī)場(chǎng)低能見度天氣關(guān)系較好的預(yù)報(bào)因子， 統(tǒng)計(jì)分析低能見度天氣發(fā)生時(shí)各預(yù)報(bào)因子的分布特征，確定預(yù)報(bào)因子區(qū)間分類和閾值，然后基于SVM 方法，利用機(jī)場(chǎng)實(shí)際應(yīng)用較好且數(shù)據(jù)較完整的EC 細(xì)網(wǎng)格數(shù)值預(yù)報(bào)產(chǎn)品開展未來21 h 能見度預(yù)報(bào)模型， 旨在為提高機(jī)場(chǎng)能見度的預(yù)報(bào)準(zhǔn)確率提供參考。

1 資料

烏魯木齊地窩堡國(guó)際機(jī)場(chǎng)跑道中心點(diǎn)坐標(biāo)為87°28′E，43°54′N，海拔高度647 m。 新疆的霧主要出現(xiàn)在北疆，尤以天山山區(qū)最多[30]，機(jī)場(chǎng)正在此大霧多發(fā)區(qū)中， 本文以機(jī)場(chǎng)為中心，0.5°為半徑， 在43.75°~44.25°N ， 87.25°~87.75°E 范圍內(nèi)， 每隔0.25°取1 個(gè)點(diǎn)，共計(jì)9 個(gè)點(diǎn)（圖1），作為本文因變量選取的地理范圍。

使用的資料主要包括：（1）2015 年11 月—2018年12 月，逐日20 時(shí)（北京時(shí)，下同）起報(bào)EC 細(xì)網(wǎng)格數(shù)值預(yù)報(bào)產(chǎn)品（0.25°×0.25°），時(shí)效為21 h，時(shí)間間隔為3 h；（2）同期烏魯木齊站（51463）逐日08、20 時(shí)探空資料；（3） 同期烏魯木齊機(jī)場(chǎng)METAR 報(bào)文；機(jī)場(chǎng)民航自動(dòng)氣象觀測(cè)系統(tǒng)（AWOS）主降跑道（25 號(hào)跑道）方向資料；（4）NCEP/ NCAR 1°×1°再分析資料分析SVM 建模預(yù)測(cè)準(zhǔn)確時(shí)對(duì)應(yīng)的天氣形勢(shì)。

圖1 EC 細(xì)網(wǎng)格資料提取格點(diǎn)位置示意圖

2 烏魯木齊機(jī)場(chǎng)低能見度逐月分布特征及主要影響因子分析

2．1 烏魯木齊機(jī)場(chǎng)低能見度逐月分布特征

由2015—2018 年烏魯木齊機(jī)場(chǎng)低能見度累計(jì)出現(xiàn)時(shí)次的逐月分布（圖2）可知，機(jī)場(chǎng)低能見度天氣11 月開始出現(xiàn)，12 月—次年2 月最多， 初春時(shí)節(jié)開始減少，3—10 月則很少出現(xiàn)。 1 月低能見度累計(jì)出現(xiàn)時(shí)間最多為729 h，距平百分率為143%，其次為12月，共計(jì)620 h，距平百分率為106%。 11 月—次年2月低能見度出現(xiàn)次數(shù)累計(jì)概率為96.15%， 因此本文應(yīng)用上述4 個(gè)月的數(shù)據(jù)來表征機(jī)場(chǎng)低能見度的特點(diǎn)，并建立能見度預(yù)測(cè)模型，具有合理性。

合伙形式的評(píng)估機(jī)構(gòu)，應(yīng)當(dāng)有兩名以上評(píng)估師；其合伙人三分之二以上應(yīng)當(dāng)是具有三年以上從業(yè)經(jīng)歷且最近三年內(nèi)未受停止從業(yè)處罰的評(píng)估師。

圖2 2015—2018 年烏魯木齊機(jī)場(chǎng)逐月累計(jì)低能見度出現(xiàn)時(shí)次

2．2 影響機(jī)場(chǎng)低能見度天氣的主要因子分析

預(yù)報(bào)因子的選取是大霧預(yù)報(bào)的關(guān)鍵， 大霧形成所需的靜穩(wěn)結(jié)構(gòu)與低層大氣垂直分布狀態(tài)和地面氣象要素分布有關(guān)。 通過參考以往機(jī)場(chǎng)低能見度天氣氣候特征的研究成果， 結(jié)合高空探測(cè)數(shù)據(jù)和METAR 報(bào)文特征， 選取距離機(jī)場(chǎng)20 km 的烏魯木齊站（51463）一天2 次850 hPa 的探空數(shù)據(jù)作為表征低能見度天氣出現(xiàn)時(shí)周邊氣象條件的分布情況。用烏魯木齊站（51463）850 hPa 的溫度（T850hPa）與同時(shí)次機(jī)場(chǎng)的觀測(cè)溫度之差表征逆溫情況，用850 hPa的相對(duì)濕度（RH850hPa） 表征機(jī)場(chǎng)上空濕度情況，用850 hPa 的風(fēng)向風(fēng)速（WIND850hPa）表征機(jī)場(chǎng)上空風(fēng)場(chǎng)情況；選取機(jī)場(chǎng)METAR 報(bào)文中的溫度、風(fēng)向風(fēng)速及對(duì)應(yīng)時(shí)次的AWOS 觀測(cè)數(shù)據(jù)中相對(duì)濕度表征機(jī)場(chǎng)近地面氣象要素情況。

由圖3a 可知，低能見度天氣對(duì)應(yīng)的逆溫多集中在6 ℃（含）以上（為75.7%），隨著逆溫增強(qiáng)，低能見度天氣出現(xiàn)的比率迅速增長(zhǎng)； 而非低能見度天氣發(fā)生時(shí)對(duì)應(yīng)的逆溫多集中在6 ℃（含）以下（為58.4%），兩者在（3 ℃，6 ℃]逆溫區(qū)間交匯，呈反相關(guān)趨勢(shì)變化。 低空相對(duì)濕度情況顯示（圖3b）850 hPa 的相對(duì)濕度主要集中在（20%，80%]區(qū)間，且低能見度天氣與非低能見度天氣與相對(duì)濕度的對(duì)應(yīng)關(guān)系呈反相關(guān)趨勢(shì)，高濕度場(chǎng)對(duì)應(yīng)非低能見度天氣的多，低濕度場(chǎng)對(duì)應(yīng)低能見度天氣的多， 即850 hPa 相對(duì)濕度較小時(shí)，低能見度天氣較易發(fā)生。其原因?yàn)槎咎焐缴絽^(qū)中段上空極易出現(xiàn)偏東或東南風(fēng)， 使850 hPa 變干變暖，形成干暖蓋，使機(jī)場(chǎng)能見度持續(xù)走低。

這種情況在圖3c~3d 中也有所反映： 低能見度天氣形勢(shì)下，850 hPa 為偏東或東南風(fēng)（風(fēng)向角100~200°）次數(shù)偏多且風(fēng)速較大，西北風(fēng)（風(fēng)向角250~350°）偏少且風(fēng)速基本維持在10 m/s 以下；與此對(duì)應(yīng)，非低能見度天氣下，西北風(fēng)明顯變強(qiáng)，次數(shù)增多且風(fēng)速較大，東南風(fēng)相對(duì)減弱。 即東南風(fēng)風(fēng)速大，機(jī)場(chǎng)能見度低且維持時(shí)間長(zhǎng)， 其原因?yàn)闁|南風(fēng)層有助于逆溫層和850 hPa 干層的建立和維持， 靜穩(wěn)結(jié)構(gòu)更加深厚， 所以東南風(fēng)對(duì)機(jī)場(chǎng)低能見度天氣的出現(xiàn)及維持有著較為重要的作用。 如果機(jī)場(chǎng)上空為西北風(fēng)且風(fēng)速較大，則說明有擾動(dòng)系統(tǒng)影響機(jī)場(chǎng)，有利于靜穩(wěn)結(jié)構(gòu)的破壞，能見度轉(zhuǎn)好。

圖3 烏魯木齊機(jī)場(chǎng)低能見度天氣與非低能見度天氣對(duì)應(yīng)的逆溫（a）、850 hPa相對(duì)濕度（b）、850 hPa風(fēng)場(chǎng)（c、d）的變化曲線

除了低層大氣垂直要素分布狀態(tài)以外， 地面空氣飽和情況也是大霧發(fā)生的重要條件。 由圖4a 可知，11 月—次年2 月機(jī)場(chǎng)氣溫多在-20~0 ℃，低能見度和非低能見度天氣對(duì)應(yīng)的氣溫變化趨勢(shì)較為一致，未表現(xiàn)出明顯的差異。 地面相對(duì)濕度也表現(xiàn)有同樣的特點(diǎn)（圖4b）， 相對(duì)濕度多集中在60 %以上，40%以下的相對(duì)濕度出現(xiàn)的概率較小。值得注意的是，93.5%的低能見度天氣出現(xiàn)時(shí)地面相對(duì)濕度＞80%。配合地面風(fēng)場(chǎng)的分布特點(diǎn)（圖4c），風(fēng)速≤2 m/s出現(xiàn)概率為93.4%，低能見度天氣下，風(fēng)速≤2 m/s出現(xiàn)累計(jì)概率為96.2%， 其中又以風(fēng)向不定的情況居多， 累計(jì)概率為43.4%。 但就風(fēng)向和風(fēng)速的分布上， 低能見度和非低能見度天氣上并沒有較為明顯的區(qū)別，一致性較強(qiáng)。 故選?。? ℃和＜-20 ℃作為地面溫度的閾值，＞80%作為地面相對(duì)濕度的閾值，風(fēng)速≤2 m/s 風(fēng)向任意作為地面風(fēng)場(chǎng)的閾值。

基于上述各因子與能見度之間的關(guān)系， 結(jié)合機(jī)場(chǎng)實(shí)際工作和數(shù)值預(yù)報(bào)產(chǎn)品類型， 最終確定表征低層氣象要素的因子， 包括925、850 hPa 的相對(duì)濕度和風(fēng)場(chǎng)；選取T850hPa-T1000hPa、T850hPa-T2m、T925hPa-T1000hPa、T925hPa-T2m溫差表示逆溫，共計(jì)8 個(gè)氣象因子；表征地面氣象要素因子包括10 m 風(fēng)場(chǎng)，2 m 溫度場(chǎng)及1000 hPa 相對(duì)濕度，共計(jì)3 個(gè)氣象因子。

3 預(yù)報(bào)模型因子選取

利用程序讀取數(shù)值預(yù)報(bào)產(chǎn)品， 提取圖1 各點(diǎn)對(duì)應(yīng)的11 個(gè)氣象因子， 計(jì)算99 個(gè)診斷量， 共同構(gòu)成備選因子庫(kù)，計(jì)算各因子與機(jī)場(chǎng)能見度的相關(guān)系數(shù)，在與預(yù)報(bào)時(shí)效對(duì)應(yīng)的預(yù)報(bào)場(chǎng)單站位置及小幅影響范圍內(nèi)，選取物理意義好、相關(guān)性高、獨(dú)立性強(qiáng)的因子進(jìn)入模型。表1 列出了相關(guān)系數(shù)超過α=0.01 顯著性檢驗(yàn)的因子共計(jì)7 個(gè)，進(jìn)入樣本建模。值得注意的是地面3 個(gè)要素場(chǎng)均未進(jìn)入到模型中， 分析原因可能為EC 產(chǎn)品對(duì)近地面層氣象要素的預(yù)報(bào)準(zhǔn)確度不高，尤其在地面風(fēng)場(chǎng)上，風(fēng)速≤2 m/s 與風(fēng)速＞2 m/s對(duì)應(yīng)的能見度不同的特點(diǎn)，EC 產(chǎn)品對(duì)此很難分辨；由圖4 可知，11 月—次年2 月機(jī)場(chǎng)低能見度與非低能見度天氣對(duì)應(yīng)地面要素場(chǎng)變化沒有低層氣象要素變化明顯， 且基本保持了較為一致的變化趨勢(shì)和數(shù)值范圍，故而在相關(guān)性的計(jì)算中未通過檢驗(yàn)。

將2015—2018 年機(jī)場(chǎng)METAR 報(bào)文中能見度作為建模樣本，除去非霧原因引起的能見度≤800 m的時(shí)次， 樣本總數(shù)為2037 個(gè)， 其中低能見度個(gè)例270 個(gè)，氣候概率為13.25%；保持低能見度與非低能見度天氣個(gè)數(shù)比例（1∶7.5） 抽取樣本總數(shù)70%（1426 個(gè)樣本） 作為訓(xùn)練樣本，30%（176 個(gè)樣本）作為檢驗(yàn)樣本進(jìn)行建模和檢驗(yàn)。 然后將訓(xùn)練樣本的各個(gè)預(yù)報(bào)因子按照表1 的規(guī)則進(jìn)行轉(zhuǎn)化，再將預(yù)報(bào)因子分別作歸一化處理， 使每一個(gè)因子的數(shù)據(jù)落入?yún)^(qū)間[0，1]。 公式為：

圖4 烏魯木齊機(jī)場(chǎng)低能見度天氣與非低能見度天氣對(duì)應(yīng)的機(jī)場(chǎng)溫度（a）、機(jī)場(chǎng)相對(duì)濕度（b）、機(jī)場(chǎng)風(fēng)場(chǎng)（c）的變化曲線

其中xki是第k 個(gè)因子的第i 個(gè)數(shù)值，Xki′是該因子歸一化后的值， min（xk）、max（xk）分別為第k 個(gè)預(yù)報(bào)因子數(shù)值序列的最小值和最大值。其中k=1，2，…，7；公式（1）中i=1，2，3，…，1426；公式（2）、（3）中i=2，3，…，1426。 同理將預(yù)報(bào)對(duì)象也做歸一化處理。

表1 與能見度高相關(guān)性的預(yù)報(bào)因子列表

4 不同方法試驗(yàn)結(jié)果對(duì)比

本文選取SVM 建模中穩(wěn)定性較好且處理非線性問題較為常用的多項(xiàng)式核函數(shù)（Poly）和徑向基核函數(shù)（RBF）進(jìn)行建模實(shí)驗(yàn)及對(duì)比分析，表2 給出基于上述2 種核函數(shù)建模的訓(xùn)練樣本結(jié)果。 表3 為其對(duì)應(yīng)的檢驗(yàn)樣本結(jié)果。

表2 預(yù)報(bào)模型試驗(yàn)結(jié)果

表3 預(yù)報(bào)模型檢驗(yàn)結(jié)果

在模型建立中，采用了TS 評(píng)分機(jī)制，選用訓(xùn)練樣本TS 最高作為最優(yōu)模型的選取標(biāo)準(zhǔn)，最終確定2種核函數(shù)的最優(yōu)參數(shù)匹配如表2 所示。 分析訓(xùn)練結(jié)果可知，2 種核函數(shù)評(píng)分均較高， 其中RBF 作為核函數(shù)的預(yù)報(bào)準(zhǔn)確率為89.20%，空?qǐng)?bào)率和漏報(bào)率分別為6.25%和10.79%，TS 評(píng)分為0.84， 遠(yuǎn)高于低能見度天氣出現(xiàn)的氣候概率。 Poly 作為核函數(shù)進(jìn)行SVM分析的TS 評(píng)分為0.80，準(zhǔn)確率84.09%，空?qǐng)?bào)率和漏報(bào)率分別為6.25%和15.90%。相對(duì)于RBF 核函數(shù)而言，漏報(bào)率偏高。綜合分析模型預(yù)報(bào)準(zhǔn)確樣本和漏報(bào)樣本可知，模型對(duì)于實(shí)況為[500 m， 800 m]范圍內(nèi)的低能見度的天氣檢驗(yàn)效果相對(duì)平穩(wěn)， 對(duì)于實(shí)況為≤300 m 的低能見度天氣表現(xiàn)出較為明顯的振蕩特點(diǎn)：預(yù)報(bào)準(zhǔn)確時(shí)誤差較小，漏報(bào)時(shí)誤差較大。

RBF 核函數(shù)表現(xiàn)出了更為準(zhǔn)確的預(yù)報(bào)效果，分析其原因?yàn)椋簩?duì)于不同目標(biāo)量建?；蚴窍嗤繕?biāo)量，選取不同時(shí)次的樣本做訓(xùn)練樣本都有可能得到不同的最佳核函數(shù)。RBF 核函數(shù)與Poly 核函數(shù)相比具有參數(shù)少的優(yōu)點(diǎn)。 因?yàn)閰?shù)的個(gè)數(shù)直接影響到模型選擇的復(fù)雜性，本文建模引入因子7 個(gè)，對(duì)于機(jī)器學(xué)習(xí)來說，因子很少；再有RBF 核函數(shù)具有唯一最佳逼近的特性，且無(wú)局部極小問題存在，并且具有很強(qiáng)的聚類分析能力。 低層是否存在東南風(fēng)與機(jī)場(chǎng)能見度變化有比較顯著的關(guān)聯(lián)， 在能見度的預(yù)測(cè)中權(quán)重較大，聚類分析效果明顯；另外當(dāng)Poly 核函數(shù)階數(shù)比較高的時(shí)候， 核矩陣的元素值將趨于無(wú)窮大或者無(wú)窮小，易出現(xiàn)“維數(shù)災(zāi)難”。所以就本文選取的訓(xùn)練樣本及檢驗(yàn)樣本而言，以RBF 為核函數(shù)的建模對(duì)烏魯木齊機(jī)場(chǎng)能見度的變化有較好的預(yù)測(cè)能力且準(zhǔn)確性較平穩(wěn)。

5 基于SVM-RBF 建模的預(yù)測(cè)產(chǎn)品的質(zhì)量分析

5.1 檢驗(yàn)樣本的預(yù)報(bào)誤差分析

為了進(jìn)一步分析基于SVM-RBF 建模產(chǎn)品在機(jī)場(chǎng)實(shí)際工作中的應(yīng)用價(jià)值， 對(duì)模型的檢驗(yàn)樣本進(jìn)行預(yù)報(bào)誤差分析。定義800 m（含）為評(píng)判標(biāo)準(zhǔn)：實(shí)況值低于（含）800 m，模式預(yù)測(cè)值為低于（含）800 m 則為預(yù)報(bào)準(zhǔn)確，空?qǐng)?bào)和漏報(bào)原則以此類推。

檢驗(yàn)樣本中模型預(yù)測(cè)準(zhǔn)確次數(shù)73 次，具體分布如圖5a 所示。 在預(yù)報(bào)準(zhǔn)確的檢驗(yàn)樣本中，模型預(yù)測(cè)值整體偏小，偏小最大值為721 m；模型預(yù)測(cè)值偏大9 次，偏大最大值為200 m。 實(shí)況與模型預(yù)測(cè)值偏差主要集中在（-100 m，100 m）區(qū)間內(nèi)，共計(jì)出現(xiàn)24個(gè)時(shí)次，其次為（300 m，500 m]區(qū)間，共計(jì)出現(xiàn)17 個(gè)時(shí)次。且比較不同能見度級(jí)別實(shí)況與預(yù)測(cè)值誤差，具體表現(xiàn)為： 實(shí)況能見度≤300 m 的模型絕對(duì)平均誤差為64.9 m； 能見度≤500 m 的模型絕對(duì)平均誤差為136.3 m；能見度≤800 m 的模型絕對(duì)平均誤差為274.1 m，基于上述分析模型準(zhǔn)確度整體平穩(wěn)且誤差較小。

圖5 RBF 預(yù)測(cè)能見度值與實(shí)況能見度值對(duì)比

低能見度天氣檢驗(yàn)?zāi)Ｐ吐﹫?bào)次數(shù)21 次，其與實(shí)況能見度的對(duì)比分析如圖5b 所示。 在漏報(bào)的樣本中， 模型預(yù)測(cè)值與實(shí)況值相差較大， 偏差最大值為1470 m，偏差最小值為280 m。 且比較不同能見度級(jí)別實(shí)況與預(yù)測(cè)值誤差，具體表現(xiàn)為：實(shí)況能見度≤300 m 的模型絕對(duì)平均誤差為1166 m；能見度≤500 m 的模型絕對(duì)平均誤差為917.6 m； 能見度≤800 m 的模型絕對(duì)平均誤差為683.7 m。由此可見模型對(duì)于能見度≤300 m 的預(yù)報(bào)誤差大， 隨著實(shí)況能見度的增加絕對(duì)誤差有所減小。 綜合分析模型預(yù)報(bào)準(zhǔn)確樣本和漏報(bào)樣本可知，模型對(duì)于實(shí)況為[500 m，800 m] 范圍內(nèi)的低能見度的天氣檢驗(yàn)效果相對(duì)平穩(wěn)， 對(duì)于實(shí)況為≤300 m 的低能見度天氣表現(xiàn)出較為明顯的振蕩特點(diǎn)：預(yù)報(bào)準(zhǔn)確時(shí)誤差較小，漏報(bào)時(shí)誤差較大。

5.2 預(yù)測(cè)準(zhǔn)確的天氣個(gè)例分析

為了進(jìn)一步研究模型在天氣過程預(yù)報(bào)的應(yīng)用情況，本文選取模型預(yù)報(bào)效果較好的2017 年11 月18日20 時(shí)起報(bào)的21 h 預(yù)報(bào)產(chǎn)品與實(shí)況進(jìn)行對(duì)比（圖6）。其中實(shí)心三角標(biāo)注的時(shí)刻是檢驗(yàn)?zāi)Ｐ洼敵鰯?shù)據(jù)，其余為訓(xùn)練模型輸出數(shù)據(jù)。 除了12 h 和15 h 預(yù)報(bào)場(chǎng)中能見度值相差較大， 其余各時(shí)次數(shù)值及變化趨勢(shì)預(yù)報(bào)準(zhǔn)確。

圖6 2017 年11 月18 日天氣過程實(shí)況及模型預(yù)測(cè)能見度對(duì)比

2017 年11 月16—17 日，烏魯木齊機(jī)場(chǎng)出現(xiàn)持續(xù)30 h 的降雪天氣， 為近地層提供了充足的水汽。后續(xù)新疆地區(qū)500 hPa 形勢(shì)場(chǎng)為偏西氣流轉(zhuǎn)弱脊控制，850 hPa 形勢(shì)場(chǎng)有暖舌自伊犁河谷東伸并緩慢

加強(qiáng)。 至18 日20 時(shí)—19 日08 時(shí)（圖7），850 hPa風(fēng)場(chǎng)顯示機(jī)場(chǎng)低空東南風(fēng)場(chǎng)建立并持續(xù)加強(qiáng)， 近地面逆溫層深厚且穩(wěn)定的形勢(shì)。

按照表1 的物理量及相應(yīng)格點(diǎn)， 調(diào)取EC 細(xì)網(wǎng)格本次預(yù)報(bào)場(chǎng)資料如表4 所示， 可見在中低層?xùn)|南風(fēng)及近地面逆溫建立、 中低層濕度場(chǎng)的預(yù)測(cè)上，EC細(xì)網(wǎng)格產(chǎn)品總體預(yù)報(bào)較為準(zhǔn)確。 具體分析本次天氣過程可知， 在9 h 預(yù)報(bào)中925 hPa 東南風(fēng)停止并轉(zhuǎn)為西北風(fēng)，850 hPa 仍在維持， 近地面逆溫有所減弱， 至12 h 預(yù)報(bào)開始925 hPa 西北風(fēng)加強(qiáng)，850 hPa東南風(fēng)漸弱，15 h 預(yù)報(bào)顯示850 hPa 干層逐漸減弱，濕度加強(qiáng)，850 hPa、925 hPa 西北風(fēng)層建立， 模型預(yù)報(bào)能見度有所上升。 與實(shí)況氣象要素分布相比，在12 h（圖7c）風(fēng)場(chǎng)的變化中EC 模式預(yù)報(bào)東南風(fēng)轉(zhuǎn)西北風(fēng)較早，從而導(dǎo)致SVM 預(yù)測(cè)模型結(jié)論的偏差。 所以，SVM 預(yù)測(cè)模型輸出能見度與實(shí)況的偏差來源于EC 細(xì)網(wǎng)格產(chǎn)品準(zhǔn)確度的偏差， 而SVM 預(yù)測(cè)模型建立起來的能見度預(yù)報(bào)模型相對(duì)來說較為合理和穩(wěn)定，隨著EC 細(xì)網(wǎng)格產(chǎn)品準(zhǔn)確率的提升，SVM 預(yù)測(cè)模型輸出的能見度產(chǎn)品也將有進(jìn)一步的改進(jìn)。

6 結(jié)論

（1）機(jī)場(chǎng)低能見度天氣對(duì)應(yīng)低層大氣相對(duì)濕度較小，逆溫較大，東南風(fēng)較多且風(fēng)速較大。 依據(jù)各因子對(duì)能見度變化的敏感程度進(jìn)行區(qū)間分類的SVM建模預(yù)測(cè)效果較好。

（2）基于Poly 和RBF 所建的SVM 推理模型對(duì)低能見度天氣均具有一定的預(yù)測(cè)能力，TS 評(píng)分分別為0.80，0.84，均超過低能見度出現(xiàn)的氣候概率。 檢驗(yàn)樣本中，Poly 和RBF 的TS 評(píng)分0.50，0.64， 整體預(yù)測(cè)效果良好，且RBF 建模效果更佳。

（3）分析SVM-RBF 模型輸出產(chǎn)品的預(yù)報(bào)誤差，在預(yù)測(cè)準(zhǔn)確的檢驗(yàn)樣本中， 預(yù)報(bào)誤差主要集中在（-100 m，100 m]，其次為（300 m，500 m]，且模型在不同級(jí)別能見度的預(yù)報(bào)誤差整體偏小。 但針對(duì)模型漏報(bào)的低能見度天氣則有能見度越低， 預(yù)報(bào)誤差越大的特點(diǎn)， 即模型的振蕩性在漏報(bào)的樣本中表現(xiàn)顯著。

（4）分析模型預(yù)報(bào)效果較好的2017 年11 月18日20 時(shí)起報(bào)的21 h 低能見度天氣預(yù)報(bào)可知，SVMRBF 模型預(yù)測(cè)效果較好且模型穩(wěn)定， 隨著EC 細(xì)網(wǎng)格產(chǎn)品準(zhǔn)確性的提升，SVM-RBF 預(yù)測(cè)模型輸出的能見度產(chǎn)品也將有進(jìn)一步的改進(jìn)。

最后需要指出的是，EC 細(xì)網(wǎng)格預(yù)報(bào)產(chǎn)品對(duì)近地面氣象要素預(yù)報(bào)準(zhǔn)確性不高， 未能與機(jī)場(chǎng)的能見度建立很好的關(guān)系； 再者模型預(yù)報(bào)產(chǎn)品中沒有輸入前一個(gè)時(shí)次實(shí)況能見度數(shù)值作為訓(xùn)練因子， 使得模型的輸出產(chǎn)品具有較大的離散性， 本文曾嘗試將前一時(shí)次的實(shí)況能見度作為因子進(jìn)入模型進(jìn)行計(jì)算，得到的結(jié)論顯示前一時(shí)次的能見度在模型中占有過大的比重， 致使整個(gè)模型成為了前一時(shí)次能見度的外推，對(duì)能見度的預(yù)測(cè)，尤其是生消沒有太好的實(shí)際價(jià)值，如何將實(shí)況能見度較好地引進(jìn)模型中，還需要更合理的方法。

圖7 基于再分析資料的2017 年11 月18 日天氣過程中氣象要素的垂直分布

表4 2017 年11 月18 日20 時(shí)起報(bào)的21 h 數(shù)值預(yù)報(bào)產(chǎn)品