CN107942411B

CN107942411B - 一种大气能见度预测方法

Info

Publication number: CN107942411B
Application number: CN201711238429.4A
Authority: CN
Inventors: 徐瑞; 钱建军; 杨健
Original assignee: Nanjing University of Science and Technology
Current assignee: Nanjing University of Science and Technology
Priority date: 2017-11-30
Filing date: 2017-11-30
Publication date: 2020-04-17
Anticipated expiration: 2037-11-30
Also published as: CN107942411A

Abstract

本发明提出了一种大气能见度预测方法，根据收集的历年气象数据，构建新的气象数据集；利用新的气象数据集训练支持向量机，得到支持向量机训练模型；利用新的气象数据集训练决策树，得到决策树模型；将待预测数据归一化处理后输入至训练过后的支持向量机训练模型，由支持向量机训练模型分类过后输入至相应的训练后的决策树模型，得到最终的大气能见度预测数据。本发明最终结合支持向量机和决策树，先进行一个初步的能见度分类然后精确预测出大气能见度。本发明操作简单，只需对历年气象观测数据稍作处理，训练模型，即可进行能见度的预测。

Description

一种大气能见度预测方法

技术领域

本发明涉及统计学习与气象领域，特别是一种大气能见度预测方法。

背景技术

在气象领域，能见度测报不仅用于日常气象部门的天气分析，更广泛用于高速公路、航空、航海等交通运输部门、军事等领域。

白天能见度是指视力正常的人在当时天气条件下，能从天空背景中看到和辨别出目标物轮廓的最大水平距离。能见度观测是判别视程障碍现象及强度的决定性参考依据，准确的能见度观测，能有力的保证交通运输业的正常进行；另一方面也是表征低层大气污染程度的一个重要的物理量。因此，观测好能见度意义十分重大。

能见度的观测一般分为目测和器测。目测一般为经过专业训练的测试员，在天气条件下，能够以天空为背景的情况下，看到目标物的最大水平距离。显然这种方法局限性很大，一方面跟气象站的地理条件以及参照物有关；另一方面，受测试人员主观判断的影响。器测法当前主要使用透射仪和向前散射仪等，向前散射客观性强，避免了目标物状况和主观因素影响，但是向前散射仪只是观测特定区域散射区气块的透明度，当气溶胶分布不均时，误差会很大；另外易受非气象因素的影响。现存的能见度测量方法主要存在硬件成本高，操作复杂度大，应用范围小等问题。

发明内容

本发明提出了一种大气能见度预测方法。

实现本发明的技术解决方案为：一种大气能见度预测方法，具体步骤为：

步骤1、根据收集的历年气象数据，构建新的气象数据集，具体构建方法为：

将连续两天的气象观测特征合并作为第二天的气象观测特征，并与第三天的能见度数据结合构成第二天的新气象数据，将所有的第二天的新气象数据构成新的气象数据集；

步骤2、利用新的气象数据集训练支持向量机，得到支持向量机训练模型；

步骤3、利用新的气象数据集训练决策树，得到决策树模型；

步骤4、将待预测数据归一化处理后输入至训练过后的支持向量机训练模型，由支持向量机训练模型分类过后输入至相应的训练后的决策树模型，训练后的决策树模型输出最终的大气能见度预测数据。

本发明与现有技术相比，其显著优点为：(1)本发明成本低，不需要高昂的设备费用；(2)本发明只需对历年气象观测数据稍作处理，训练模型，即可进行能见度的预测，操作简单；(3)本发明预测的能见度精度在5.15km左右，预测能见度的精度高。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1为本发明一种大气能见度预测方法的流程图。

具体实施方式

一种大气能见度预测方法，具体步骤为：

步骤1、根据气象站收集的历年气象数据，构建新的气象数据集，其中，历年气象数据包括气象观测特征和能见度数据，具体构建方法为：

进一步地，所述气象观测特征包括：08时地面压强，24小时地面变压，08时地面温度，24小时地面变温，08时地面湿度，850百帕湿度，700百帕湿度，14时湿度，上干下湿指数，08时水平方向分量的地面风速，08时垂直方向分量的地面风速，08时水平方向分量850百帕风速，08时垂直方向分量850百帕风速，风切变，850百帕与地面温度差，wrh，08时温度露点差，08时温度与14点露点差，其中，如果14时风速大于20时风速，wrh＝14时风速/(14时湿度+10)，如果14时风速小于20时风速，wrh＝20时风速/(20时湿度+10)。

步骤2.1、将新的气象数据集分为能见度大于N km和小于N km两部分；

进一步的实施例中，N＝10km；

步骤2.2、分别在能见度大于N km和小于N km的气象数据中选取部分数据样本，组成支持向量机训练集；

进一步的实施例中，步骤2.2中选取的部分数据具体为：在能见度小于N km的新数据中，提取前1865个样本，在能见度大于N km的新数据中，在前30000个样本中隔15个样本提取1个样本；

步骤2.3、对支持向量机训练集进行归一化处理，得到归一化后的支持向量机训练集，具体处理公式为：

x'＝(x-min)/(max-min)×2-1

式中，x'为归一化后的数据样本，x为数据样本的特征值，min为所有数据样本中的最小特征值，max为所有数据样本中的特征最大值；

步骤2.4、用归一化之后的支持向量机训练集对支持向量机进行训练，得到支持向量机训练模型，支持向量机参数设置为：C＝10000，gamma＝0.01，其他参数默认，其中参数C表示支持向量机的惩罚参数，C越大，说明越不能容忍出现误差，C越小，对误分类的惩罚越小，允许容错，将错误当成噪声点；参数gamma是核函数参数，隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma越小，支持向量越多；

步骤3、利用新的气象数据训练决策树，得到决策树模型；

步骤3.1、将新的气象数据集分为能见度大于N km和能见度小于N km两部分；

优选地，N＝10km；

步骤3.2、分别用能见度大于N km和能见度小于N km的气象数据训练决策树模型，得到能见度大于N km的决策模型和能见度小于N km的决策树模型；

优选地，N＝10km；

步骤4、将待预测数据归一化处理后输入至训练过后的支持向量机，由支持向量机分类过后输入至相应的训练后的决策树模型，训练后的决策树模型输出最终的大气能见度预测数据；

进一步的实施例中，步骤4中对待预测数据进行归一化处理的具体方法为：

x'₁＝(x₁-min₁)/(max₁-min₁)×2-1

式中，x'₁为归一化后的待预测数据，x₁为待预测数据的特征值，min₁为所有待预测数据中的最小特征值，max₁为所有待预测数据中的最大特征值

从而，相比于现在的能见度观测方法，本发明提出的大气能见度预测方法，极大的节约了成本，操作便捷，精确度较好。

下面结合实施例进行更详细的描述。

实施例1

步骤1、本实施例中，根据气象站点收集的2000年到2016年的气象观测数据，共96862条数据，将连续两天的气象观测特征合并作为第三天的气象观测特征，并与第三天的能见度数据结合构成第三天的新气象数据，将所有的第三天的新气象数据构成新的气象数据集。本实施例中的气象观测特征主要涉及到08时地面压强，24小时地面变压，08时地面温度，24小时地面变温，08时地面湿度，850百帕湿度，700百帕湿度，14时湿度，上干下湿指数，08时水平方向分量的地面风速，08时垂直方向分量的地面风速，08时水平方向分量850百帕风速，08时垂直方向分量850百帕风速，风切变，850百帕与地面温度差，wrh，08时温度露点差，08时温度与14点露点差，其中，如果14时风速大于20时风速，wrh＝14时风速/(14时湿度+10)，如果14时风速小于20时风速，wrh＝20时风速/(20时湿度+10)。

步骤2.1、将新的气象数据集分为能见度大于10km和小于10km两部分；

步骤2.2、在能见度小于10km的新数据中，提取前1865个数据样本，在能见度大于10km的新数据中，在前30000个数据样本中隔15个样本提取1个样本；

步骤2.3、对支持向量机训练集进行归一化处理，将特征值归一化到[-1,1]的区间内，得到归一化后的支持向量机训练集，具体处理公式为：

x'＝(x-min)/(max-min)×2-1

步骤2.4、用归一化之后的支持向量机训练集对支持向量机进行训练，，得到支持向量机训练模型。支持向量机参数设置为：C＝10000，gamma＝0.01，其他参数默认，其中参数C表示支持向量机的惩罚参数，C越大，说明越不能容忍出现误差，C越小，对误分类的惩罚越小，允许容错，将错误当成噪声点；参数gamma是核函数参数，隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma越小，支持向量越多；

步骤3、利用新的气象数据训练决策树；

步骤3.1、将新的气象数据集分为能见度大于10km和能见度小于10km两部分。

步骤3.2、分别用能见度大于10km和能见度小于10km的气象数据训练决策树模型，得到能见度大于10km的决策模型和能见度小于10km的数据模型；

利用决策树回归模型，用两组象数据集分别训练决策树，其中能见度小于10km的决策树模型参数设置为默认参数，能见度大于10km的决策树模型参数设置为min_samples_leaf＝5,min_samples_split＝5，其他参数为默认值。其中min_samples_leaf表示叶子结点最少样本数，如果某叶子结点数目小于样本数，则会和兄弟节点一起被剪枝；min_samples_split表示内部节点再划分所需最小样本数，如果某节点的样本数小于该值，则不会继续再尝试选择最优特征来进行划分。

步骤4中对待预测数据进行归一化处理的具体方法为：

x'₁＝(x₁-min₁)/(max₁-min₁)×2-1

式中，x'₁为归一化后的待预测数据，x₁为待预测数据的特征值，min₁为所有待预测数据中的最小特征值，max₁为所有待预测数据中的最大特征值。

表1

表1为本实施例的具体结果，结合表1所示，dataMat表示所有新的气象数据为96861条，37列；其中前36列为新数据的气象特征，最后1列为能见度。

K表示支持向量机在能见度小于10km测试集上的分类准确率为91.5％；L表示支持向量机在能见度大于10km测试集上的分类准确率为99.4％。

test0表示决策树测试集中能见度小于10km的数据有3218条，test1表示决策树测试集中能见度大于10km的数据有24295条，train0表示决策树训练集中能见度小于10km的数据有3218条，train1表示决策树训练集中能见度大于10km的数据66130条。

m0表示决策树在能见度小于10km的测试集上平均绝对误差为4.73194210147km，m1表示决策树在能见度大于10km的测试集上平均绝对误差为5.55454873463km。

由表1可以看出，运用本发明的大气能见度预测方法，本实施例的支持向量机在能见度小于10km测试集上的分类准确率为91.5％，在能见度大于10km测试集上的分类准确率为99.4％。

Claims

1.一种大气能见度预测方法，其特征在于，具体步骤为：

将连续两天的气象观测特征合并作为第三天的气象观测特征，并与第三天的能见度数据结合构成第三天的新气象数据，将所有的第三天的新气象数据构成新的气象数据集；

步骤3、利用新的气象数据集训练决策树，得到决策树模型；

2.根据权利要求1所述的大气能见度预测方法，其特征在于，所述气象观测特征包括：08时地面压强，24小时地面变压，08时地面温度，24小时地面变温，08时地面湿度，850百帕湿度，700百帕湿度，14时湿度，上干下湿指数，08时水平方向分量的地面风速，08时垂直方向分量的地面风速，08时水平方向分量850百帕风速，08时垂直方向分量850百帕风速，风切变，850百帕与地面温度差，wrh，08时温度露点差，08时温度与14点露点差，其中，如果14时风速大于20时风速，wrh＝14时风速/(14时湿度+10)，如果14时风速小于20时风速，wrh＝20时风速/(20时湿度+10)。

3.根据权利要求1所述的大气能见度预测方法，其特征在于，步骤2中利用新的气象数据集训练支持向量机，得到支持向量机训练模型，具体步骤为：

步骤2.3、对支持向量机训练集进行归一化处理，得到归一化后的支持向量机训练集，具体归一化处理公式为：

x'＝(x-min)/(max-min)×2-1

步骤2.4、用归一化之后的支持向量机训练集对支持向量机进行训练，得到支持向量机训练模型。

4.根据权利要求3所述的大气能见度预测方法，其特征在于，步骤2.2中选取的部分数据样本具体为：在能见度小于N km的新数据中，提取前1865个样本，在能见度大于N km的新数据中，在前30000个样本中隔15个样本提取1个样本。

5.根据权利要求1所述的大气能见度预测方法，其特征在于，步骤3中利用新的气象数据训练决策树，得到决策树模型，具体步骤为：

步骤3.2、分别用能见度大于N km和能见度小于N km的气象数据训练决策树模型，得到能见度大于N km的决策树模型和能见度小于N km的决策树模型。

6.根据权利要求1所述的大气能见度预测方法，其特征在于，步骤4中对待预测数据进行归一化处理的具体公式为：

x′₁＝(x₁-min₁)/(max₁-min₁)×2-1

式中，x′₁为归一化后的待预测数据，x₁为待预测数据的特征值，min₁为所有待预测数据中的最小特征值，max₁为所有待预测数据中的最大特征值。

7.根据权利要求3～5任一所述的大气能见度预测方法，其特征在于，N＝10km。