多种机器学习方法在京津冀地区低能见度天气预报中的应用

利用2017—2021年的ERA5再分析资料和京津冀国家站地面资料,结合多种机器学习方法建立预报模型,开展轻雾、大雾客观预报。探讨了再分析资料、地形因素的影响,并结合多模型集成、统计消空进一步优化模型。结果表明:(1)XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)、随机森林等集成学习方法的预报效果均优于决策树方法;(2)在引入ERA5再分析资料、地形建模后,XGBoost、LightGBM模型的预报性能显著提高。相比仅使用地面要素建模,大雾预报的TS(Threat Score)提升了30%、32%,达到0.52、0.49,命中率分别为0.62、0.87。此外,经过多模型集成后,轻雾、大雾预报的TS提升到了0.51、0.54;(3)2022年秋季一次大雾过程中,本方法提前72 h准确预报了京津冀地区的大雾,其中以LightGBM模型表现最好。0~72 h轻雾预报和0~36 h逐小时大雾预报的TS均达到0.3,预报准确率、时效性均优于ECMWF(European Center for Medium Weather Forecasting)模式。

分析航空气象要素以及基于数值模式的低能见度和雾的预报

在航空运营中,要分析天气信息,通过科学的方式进行航空航班的计划以及调整,实现对天气预报的实时化分析,做到精准化以及定量化的处理。随着我国民用航空的部分发展分析航空气象要素以及基于数值模式的低能见度和雾的预报,有利于保障我国航空飞行的安全性。基于此,文章主要分析航空气象要素以及基于数值模式的低能见度和雾的预报。

太原机场大雾特点及分析

大雾是影响飞行安全最主要的气象要素之一。结合太原机场10年大雾资料,分析总结了大雾在不同季节、不同时间的形成条件及变化规律,为提高大雾天气条件下低能见度的预报准确率提供了一些借鉴。