深度学习在乌鲁木齐机场能见度预测中的应用
The Application of Deep Learning in Urumqi Airport Visibility Forecast
DOI: 10.12677/OJNS.2022.103043, PDF,   
作者: 朱国栋：中国民用航空新疆空中交通管理局气象中心，新疆 乌鲁木齐
关键词: 深度学习；机场能见度；回归预测；Deep Learning； Airport Visibility； Regression Prediction
摘要: 机场能见度是民航机场运行的重要天气指标，现有的业务主要通过经验预报、数值预报释用来预报机场能见度。本文尝试使用深度学习方法，利用2000年至2021年乌鲁木齐机场冬季的逐小时能见度观测资料，构建机场能见度的回归预测模型。通过不同的时长的因子训练可以看到，其中过去48 h能见度作为因子训练的模型，其主导能见度的平均绝对误差为322 m左右，逐小时预测结果能够较好地预测机场能见度的维持、变化过程，可以作为机场能见度预测的参考产品。
Abstract: Airport visibility is an important weather indicator for the operation of civil aviation airports. The existing business mainly uses empirical forecasting and numerical forecast interpretation to forecast airport visibility. This paper use the deep learning method to construct a regression prediction model of airport visibility by using the hourly visibility observation data of Urumqi Airport in winter from 2000 to 2021. Through the factor training of different durations, it can be seen that the model with the visibility in the past 48 hours as the factor training has an average absolute error of about 322 m. The hour-by-hour prediction results can better predict the maintenance and change process of airport visibility. It can be used to forecast airport visibility.
文章引用：朱国栋. 深度学习在乌鲁木齐机场能见度预测中的应用[J]. 自然科学, 2022, 10(3): 352-358. https://doi.org/10.12677/OJNS.2022.103043

参考文献

[1] 朱蕾, 朱国栋. 乌鲁木齐机场近30年低能见度天气特征分析[J]. 中国民航飞行学院学报, 2012, 23(5): 27-30. [Google Scholar] [CrossRef] 
[2] 朱蕾, 朱国栋. 支持向量机方法在机场跑道视程预报中的应用[J]. 暴雨灾害, 2010, 29(2): 171-175. [Google Scholar] [CrossRef] 
[3] 李沛, 王式功, 尚可政, 等. 基于神经网络逐级分类建模的北京地区能见度预报[J]. 兰州大学学报(自然科学版), 2012, 48(3): 52-57. [Google Scholar] [CrossRef] 
[4] 王恺, 赵宏, 刘爱霞, 等. 基于风险神经网络的大气能见度预测[J]. 中国环境科学, 2009, 29(10): 1029-1033. [Google Scholar] [CrossRef] 
[5] 陈会芝, 郝丽萍, 谢娜, 等. 信息数字化与雾的细化预测[J]. 自然灾害学报, 2009, 18(5): 151-156. [Google Scholar] [CrossRef] 
[6] 朱国栋. 基于SVM方法的乌鲁木齐国际机场多要素预测[J]. 沙漠与绿洲气象, 2011, 5(4): 40-43. [Google Scholar] [CrossRef] 
[7] 彭士涛, 胡焱弟, 周然, 毛天宇, 白志鹏, 谢以扬. 人工神经网络在城市能见度短期预报中的应用[C]//中国颗粒学会第六届学术年会暨海峡两岸颗粒技术研讨会论文集. 上海: 中国颗粒学会, 2008: 82-85.
[8] 邵振平. 郑州机场能见度变化特征及雾的成因分析[J]. 气象与环境科学, 2014, 37(1): 75-82. [Google Scholar] [CrossRef] 
[9] 贺皓, 罗慧. 基于支持向量机模式识别的大雾预报方法[J]. 气象科技, 2009, 37(2): 149-151. [Google Scholar] [CrossRef] 
[10] 曹治强, 吴兑, 吴晓京, 等. 1961~2005年中国大雾天气气候特征[J]. 气象科技, 2008, 36(5): 556-560. [Google Scholar] [CrossRef] 
[11] 杨晶轶. 成都双流机场低跑道视程特征及其与气象要素的关系[J]. 高原山地气象研究, 2018, 38(2): 90-95.
[12] 张俊. 浦东机场: 低云低能见度天气预报思路建立[J]. 中国航班, 2021(13): 1-3.
[13] 谭晓晴, 罗斯琼, 舒乐乐, 李晓旭, 王景元, 曾礼, 董晴雪, 陈自航. 基于机器学习的土壤温度预估研究综述[J]. 高原气象, 2022, 41(2): 268-281.
[14] 程建新. 基于深度学习超分辨率的气象预报系统研究[D]: [硕士学位论文]. 武汉: 武汉大学, 2021.[CrossRef] 
[15] 李俊敏, 何光勤. 基于BP神经网络的机场能见度预测[J]. 中国科技信息, 2021(3): 39-41+44.
[16] 黄晋, 李保强, 吕明燕, 丁伟杰. 基于VGG卷积神经网络的机场能见度预测[J]. 集成电路应用, 2022, 39(3): 58-59. [Google Scholar] [CrossRef] 
[17] 刘建伟, 刘媛, 罗雄麟, 等. 深度学习研究进展[J]. 计算机应用研究, 2014, 31(7): 1921-1930+1942. [Google Scholar] [CrossRef]