基于SVM和RF方法的安陽(yáng)霧預(yù)報(bào)研究

胡航菲

摘要 利用常規(guī)觀測(cè)資料，采用統(tǒng)計(jì)分析方法得到霧天氣時(shí)各氣象要素指標(biāo)，然后基于SVM和RF方法建立安陽(yáng)霧預(yù)報(bào)模型，并檢驗(yàn)分析。結(jié)果表明：相對(duì)濕度越大，越易出現(xiàn)低能見(jiàn)度；出現(xiàn)霧時(shí)氣溫主要分布在-3～3 ℃，溫度露點(diǎn)差在0～3 ℃，風(fēng)速大部在0～3 m/s，風(fēng)向主要為偏南風(fēng)、西南風(fēng)，且以偏南風(fēng)為主；SVM和RF 2種方法對(duì)霧分級(jí)預(yù)報(bào)效果總體一般，相對(duì)來(lái)說(shuō)RF效果較好，綜合采用RF方法對(duì)霧進(jìn)行分級(jí)預(yù)報(bào)。

關(guān)鍵詞 氣象要素；SVM方法；RF方法；霧

中圖分類號(hào)：P457.1 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095–3305（2023）07–0148-03

大霧天氣是一種常見(jiàn)的災(zāi)害性天氣。大霧天氣帶來(lái)的低能見(jiàn)度會(huì)對(duì)城市交通、高速公路、機(jī)場(chǎng)等交通安全帶來(lái)很大危害，而霧一旦與氣溶膠顆粒結(jié)合形成霧霾，將會(huì)對(duì)空氣質(zhì)量、人體健康等方面產(chǎn)生嚴(yán)重的負(fù)面影響。

近年來(lái)，已有許多氣象學(xué)者對(duì)霧進(jìn)行了大量研究[1-4]。黃彬等[5]對(duì)GRAPES-TYM模式海霧預(yù)報(bào)性能進(jìn)行了檢驗(yàn)，發(fā)現(xiàn)該模式對(duì)均壓場(chǎng)形勢(shì)下黃海海霧的落區(qū)預(yù)報(bào)最準(zhǔn)確。馮濤等[6]利用統(tǒng)計(jì)方法建立了華北高速公路沿線及鄰近氣象站的霧定量統(tǒng)計(jì)預(yù)報(bào)模型，檢驗(yàn)表明該方法具有一定的預(yù)報(bào)能力。楊紅子[7]分析研究了烏海市霧的環(huán)流特征和氣象要素變化，最終提煉出了預(yù)報(bào)指標(biāo)—地面相對(duì)濕度≤90%，地面風(fēng)速＜3.0 m/s，氣溫日較差在9～16 ℃之間。但是，由于不同地區(qū)的天氣條件不同，霧的預(yù)報(bào)技術(shù)存在一定的地域差異。安陽(yáng)特殊的氣候特點(diǎn)、地形條件及城市布局，使其在大范圍天氣形勢(shì)比較穩(wěn)定、濕度條件較好等條件下容易出現(xiàn)霧。在實(shí)際業(yè)務(wù)中，由于霧的局地性強(qiáng)、時(shí)空分布差異大，其預(yù)報(bào)存在較大的難度。

基于安陽(yáng)市近30年常規(guī)氣象觀測(cè)資料，采用支持向量機(jī)方法（Support Vector Machine，SVM）和隨機(jī)森林方法（Random Forests，RF）分別建立霧預(yù)報(bào)模型，并對(duì)比檢驗(yàn)分析，以期建立霧的有效預(yù)報(bào)方法，為安陽(yáng)市霧預(yù)報(bào)預(yù)警服務(wù)工作提供參考。

1 資料與方法

1.1 資料

采用1992—2021年安陽(yáng)市5個(gè)縣（市）常規(guī)觀測(cè)資料，選用其中的霧日數(shù)據(jù)和氣溫、相對(duì)濕度、露點(diǎn)溫度、定時(shí)10 min風(fēng)速、定時(shí)10 min風(fēng)向、小時(shí)降水量、能見(jiàn)度等。

根據(jù)地面氣象觀測(cè)規(guī)范的定義，霧是指大量微小水滴浮游空中，使水平能見(jiàn)度V＜1.0 km的天氣現(xiàn)象。只要出現(xiàn)霧即統(tǒng)計(jì)為一個(gè)霧日。

1.2 方法

1.2.1 支持向量機(jī)方法（Support Vector Machine，SVM） SVM方法是基于統(tǒng)計(jì)學(xué)理論發(fā)展而來(lái)的，它是通過(guò)一個(gè)非線性映射p，將樣本空間映射到一個(gè)高維乃至無(wú)窮維的特征空間，使得在原來(lái)的樣本空間中非線性可分的問(wèn)題轉(zhuǎn)化為在特征空間中的線性可分的問(wèn)題。即升維和線性化。SVM方法在氣象預(yù)報(bào)領(lǐng)域，如溫度、暴雨、云量的預(yù)報(bào)等方面已經(jīng)取得了一定的進(jìn)展。

1.2.2 隨機(jī)森林方法（Random Forests，RF） RF方法是集合了多個(gè)決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練，并預(yù)測(cè)的一種分類器。隨機(jī)森林方法的基本思想是先應(yīng)用自助法重抽樣技術(shù)從原始訓(xùn)練集中有放回地重復(fù)隨機(jī)抽取k個(gè)樣本，且每個(gè)樣本的樣本容量與原始訓(xùn)練集相同；然后對(duì)k個(gè)樣本分別建立k個(gè)決策樹(shù)模型，得到k種分類結(jié)果；最后根據(jù)k種分類結(jié)果對(duì)每個(gè)記錄進(jìn)行投票表決，決定其最終分類。大量理論和實(shí)踐研究證明，RF方法具有很高的預(yù)測(cè)準(zhǔn)確率。

2 霧天氣的氣象要素特征

從形成原因來(lái)看，影響霧的氣象要素主要有氣溫、相對(duì)濕度、溫度露點(diǎn)差、風(fēng)速等，通過(guò)分析可知，在選取的樣本時(shí)段，小時(shí)雨強(qiáng)主要在0.1～5.0 mm，

占比92.8%，此時(shí)能見(jiàn)度大部在2 km以上，占比77.3%，而本研究預(yù)報(bào)的重點(diǎn)是霧天氣的能見(jiàn)度情況，因此，暫時(shí)不考慮降水對(duì)能見(jiàn)度的影響。

從表1可以看出，在霧天氣時(shí)，影響能見(jiàn)度的主要因子是相對(duì)濕度和溫度露點(diǎn)差，其次是氣溫。除能見(jiàn)度與相對(duì)濕度呈負(fù)相關(guān)外，與其余氣象要素均呈正相關(guān)。

水汽飽和是霧形成和發(fā)展必不可少的條件之一，而飽和水汽壓與氣溫關(guān)系密切，故氣溫對(duì)霧的形成很重要。對(duì)于不同類型的霧，風(fēng)的作用也不同。由圖1可知，出現(xiàn)低能見(jiàn)度時(shí)其水汽幾乎是近于飽和的，相對(duì)濕度越大，越容易出現(xiàn)低能見(jiàn)度天氣。出現(xiàn)霧時(shí)氣溫主要分布在-3～3 ℃，溫度露點(diǎn)差在0～3 ℃，風(fēng)速大多在0～3 m/s，風(fēng)向主要為偏南風(fēng)和西南風(fēng)，且以偏南風(fēng)為主。

3 霧預(yù)報(bào)方法

在實(shí)際業(yè)務(wù)中，霧預(yù)報(bào)的重點(diǎn)是霧強(qiáng)度預(yù)報(bào)，依據(jù)其強(qiáng)度發(fā)布相應(yīng)級(jí)別的預(yù)警信號(hào)。霧強(qiáng)度預(yù)報(bào)實(shí)質(zhì)上是能見(jiàn)度的分級(jí)預(yù)報(bào)。本研究采用SVM和RF 2種分類算法進(jìn)行建模，并對(duì)比分析，建立霧的有效預(yù)報(bào)模型。

3.1 預(yù)報(bào)模型的建立

在采用分類算法建模前，先確定分級(jí)標(biāo)準(zhǔn)。在建立霧預(yù)報(bào)模型時(shí)，能見(jiàn)度的分級(jí)標(biāo)準(zhǔn)以其等級(jí)進(jìn)行劃分，但由于現(xiàn)有預(yù)報(bào)能力對(duì)V<200 m的情況預(yù)報(bào)效果較差，因此結(jié)合業(yè)務(wù)實(shí)際，重點(diǎn)研究0級(jí)（V≥10 000 m）、1級(jí)（1 000 m≤V<10 000 m）、2級(jí)（500 m≤V<1 000 m）和3級(jí)（V<500 m）的預(yù)報(bào)情況。

在建立模型時(shí)需先將訓(xùn)練樣本數(shù)據(jù)離散化處理，再進(jìn)行預(yù)報(bào)因子的確定。SVM中預(yù)報(bào)因子的確定采用逐步回歸方法。RF則是將所有預(yù)報(bào)因子輸入，在模型建立時(shí)自動(dòng)篩選。以林州為例，由表2可知，模型4的復(fù)相關(guān)系數(shù)最大，結(jié)果最好，因此對(duì)于林州考慮采用模型4中的4個(gè)因子作為預(yù)報(bào)因子建立模型，其余站的因子使用同樣的方法選取。

對(duì)于SVM，確定預(yù)報(bào)因子后即可輸入訓(xùn)練模型。訓(xùn)練模型以原始樣本的2/3數(shù)據(jù)作為訓(xùn)練樣本，以剩余的1/3數(shù)據(jù)樣本作檢驗(yàn)，最后將1/3的數(shù)據(jù)樣本預(yù)報(bào)結(jié)果與其對(duì)應(yīng)的實(shí)況進(jìn)行對(duì)比，確定模型優(yōu)劣。而RF相對(duì)簡(jiǎn)單，將預(yù)報(bào)因子輸入建立預(yù)報(bào)模型后，使用與SVM相同的方法進(jìn)行檢驗(yàn)分析。

3.2 預(yù)報(bào)模型檢驗(yàn)

對(duì)能見(jiàn)度分級(jí)預(yù)報(bào)模型的評(píng)價(jià)基于5種預(yù)報(bào)檢驗(yàn)方法，分別為級(jí)別正確性評(píng)分、準(zhǔn)確率（GR）、漏報(bào)率（PO）、空?qǐng)?bào)率（FAR）和預(yù)報(bào)偏差（BS）。級(jí)別正確性評(píng)分中預(yù)報(bào)級(jí)別與實(shí)況級(jí)別完全正確100分，相差一級(jí)50分，相差兩級(jí)及以上0分。

式（1）～（4），NA為預(yù)報(bào)正確樣本數(shù)，NB為空?qǐng)?bào)樣本數(shù)，NC為漏報(bào)樣本數(shù)。

3.3 結(jié)果分析

對(duì)SVM和RF方法建立的霧分級(jí)預(yù)報(bào)模型進(jìn)行對(duì)比檢驗(yàn)分析，2種方法對(duì)能見(jiàn)度分級(jí)的總體預(yù)報(bào)效果一般，相對(duì)來(lái)說(shuō)RF較好。對(duì)于5個(gè)站點(diǎn)，2種方法均是以林州的預(yù)報(bào)效果最好，對(duì)安陽(yáng)、滑縣預(yù)報(bào)效果較差。RF和SVM對(duì)各縣能見(jiàn)度分級(jí)的總體預(yù)報(bào)準(zhǔn)確率分別為73.4%～75.6%和63.5%～75.1%，能見(jiàn)度級(jí)別正確性評(píng)分分別為86～87和81～87分。比較而言，RF對(duì)SVM方法中預(yù)報(bào)準(zhǔn)確率較低的站點(diǎn)預(yù)報(bào)效果改善較明顯，如安陽(yáng)站（表3）。

表4是5個(gè)站點(diǎn)霧分級(jí)預(yù)報(bào)的結(jié)果檢驗(yàn)，0級(jí)時(shí)RF的預(yù)報(bào)準(zhǔn)確率明顯高于SVM，RF和SVM對(duì)霧的分級(jí)預(yù)報(bào)準(zhǔn)確率分別為56.5%～76.5%和35%～71%。

（1）1級(jí)時(shí)，2種方法的預(yù)報(bào)準(zhǔn)確率均高于0級(jí)時(shí)，SVM的預(yù)報(bào)準(zhǔn)確率高于RF，對(duì)于站點(diǎn)預(yù)報(bào)效果的好壞與0級(jí)時(shí)呈相反情況，1級(jí)時(shí)對(duì)林州預(yù)報(bào)效果最差，對(duì)安陽(yáng)和滑縣預(yù)報(bào)效果較好。SVM和RF的預(yù)報(bào)準(zhǔn)確率分別為81%～95%和76.3%～84.2%。

（2）2級(jí)時(shí)，2種方法對(duì)霧分級(jí)預(yù)報(bào)效果都不理想，幾乎均在10%以下，其中RF的預(yù)報(bào)效果稍好，SVM對(duì)除林州外的其他站點(diǎn)預(yù)報(bào)準(zhǔn)確率均為0。

（3）3級(jí)時(shí)，2種方法對(duì)其預(yù)報(bào)效果都不太理想，但是其預(yù)報(bào)準(zhǔn)確率高于2級(jí)時(shí)，對(duì)于安陽(yáng)、林州、內(nèi)黃，RF預(yù)報(bào)效果優(yōu)于SVM，RF和SVM的預(yù)報(bào)準(zhǔn)確率分別為19.4%～47.2%和1.0%～43.0%；對(duì)于湯陰和滑縣SVM預(yù)報(bào)效果優(yōu)于RF，SVM和RF的預(yù)報(bào)準(zhǔn)確率分別為44.0%～60.0%和24.8%～46.4%。

結(jié)合空?qǐng)?bào)率、漏報(bào)率和預(yù)報(bào)偏差來(lái)看，除2級(jí)外RF預(yù)報(bào)效果均高于SVM。因此，綜合采用RF方法進(jìn)行能見(jiàn)度分級(jí)預(yù)報(bào)。且2級(jí)和3級(jí)的低能見(jiàn)度預(yù)報(bào)效果明顯低于0級(jí)和1級(jí)。一方面，是分級(jí)造成的，在進(jìn)行等級(jí)劃分時(shí)，0級(jí)和1級(jí)的數(shù)據(jù)量占總樣本的90%以上，低能見(jiàn)度的樣本量太少，采用RF或SVM時(shí)無(wú)法充分學(xué)習(xí)該等級(jí)的分類特征，效果較差。另一方面，在建立模型時(shí)，僅僅考慮了相對(duì)濕度、氣溫、溫度露點(diǎn)差、風(fēng)速等氣象要素，尚未分析探空數(shù)據(jù)、天氣類型等，這對(duì)能見(jiàn)度具有一定的影響。

4 結(jié)論

（1）在霧天氣時(shí)，影響能見(jiàn)度的主要因子是相對(duì)濕度和溫度露點(diǎn)差，其次是氣溫。在出現(xiàn)霧時(shí)，氣溫主要分布在-3～3 ℃，溫度露點(diǎn)差在0～3 ℃，風(fēng)速大多在0～3 m/s，風(fēng)向主要為偏南風(fēng)和西南風(fēng)，且以偏南風(fēng)為主。

（2）SVM和RF 2種方法對(duì)霧分級(jí)的預(yù)報(bào)效果總體一般，相對(duì)來(lái)說(shuō)RF效果較好。綜合采用RF方法對(duì)霧進(jìn)行分級(jí)預(yù)報(bào)。

（3）目前，對(duì)于低能見(jiàn)度的預(yù)報(bào)準(zhǔn)確率較低。這可能主要受限于采用的預(yù)報(bào)因子數(shù)量、要素預(yù)報(bào)的準(zhǔn)確率和統(tǒng)計(jì)資料的數(shù)量。隨著探空技術(shù)的不斷增強(qiáng)、新資料的挖掘應(yīng)用以及EC細(xì)網(wǎng)格預(yù)報(bào)產(chǎn)品的進(jìn)一步豐富，將會(huì)進(jìn)一步提高預(yù)報(bào)準(zhǔn)確率。

參考文獻(xiàn)

[1] 趙德法.霧對(duì)農(nóng)業(yè)生產(chǎn)的影響及相關(guān)措施[J].農(nóng)業(yè)與技術(shù)，2017，37（1）：144-145.

[2] 王鶴婷，劉小雪，周濤.2019年1月12日：14日雄安新區(qū)大霧過(guò)程分析[J].農(nóng)業(yè)災(zāi)害研究，2022，12（8）：79-81.

[3] 張慶奎，項(xiàng)陽(yáng)，王瑩，等.安徽阜陽(yáng)市大霧天氣的潛勢(shì)預(yù)報(bào)方法[J].干旱氣象， 2015，33（6）：1045-1049.

[4] 劉熙明，胡非，鄒海波，等.北京地區(qū)一次典型大霧天氣過(guò)程的邊界層特征分析[J].高原氣象，2010，29（5）：1174-1182.

[5] 黃彬，高榮珍，時(shí)曉曚.GRAPES-TYM模式對(duì)我國(guó)東部近海海霧預(yù)報(bào)性能評(píng)估[J].氣象科技，2022，50（06）：783-792.

[6] 馮濤，李迅，丁德平，張德山，等.華北地區(qū)高速公路沿線霧預(yù)報(bào)[J].氣象科技， 2011，39（6）：719-722.

[7] 楊紅子.烏海市霧預(yù)報(bào)指標(biāo)分析[J].內(nèi)蒙古氣象，2020（3）：20-23.

Study on Anyang Fog Forecast Based on SVM and RF Methods

Hu Hang-fei （1.Anyang National Climate Observatory， Anyang， Henan 455000）

Abstract Using conventional observation data and statistical analysis methods to obtain various meteorological element indicators during foggy weather， an Anyang fog prediction model was established based on SVM and RF methods， and the analysis was tested. The results show that the higher the relative humidity， the easier it was for low visibility to occur; When fog occurs， the temperature was mainly distributed at -3 to? 3 ℃， the temperature dew point difference was 0 to 3 ℃， and the wind speed was mostly 0 to 3 m/s. The wind direction was mainly southerly， southwesterly， and mainly southerly. The overall effect of SVM and RF methods on fog classification and prediction was generally average， while the effect of RF was relatively good. RF methods were comprehensively used for fog classification and prediction.

Key words Meteorological elements; SVM method; RF method; Fog