基于機(jī)器學(xué)習(xí)的大霧天氣背景下特強(qiáng)濃霧本地化診斷研究*

史達(dá)偉，李　超，史逸民，張銀意

(1.江蘇省連云港市氣象局，江蘇 連云港 222006；2.江蘇省氣象臺，江蘇 南京 210008)

大霧是一種近地面局地性很強(qiáng)的低能見度天氣現(xiàn)象，在華東地區(qū)四季均可見，多發(fā)生在冬季，能夠?qū)Υ哼\(yùn)期間的交通狀況產(chǎn)生嚴(yán)重影響[1]，是重要的自然災(zāi)害之一。大霧天氣已被氣象部門列入需要發(fā)布預(yù)警信息的重要氣象災(zāi)害。

目前大霧天氣的預(yù)報，常常是由科研業(yè)務(wù)人員對發(fā)生大霧的天氣特征與氣候特征進(jìn)行總結(jié)歸納，建立經(jīng)驗預(yù)報模型，具有較強(qiáng)的主觀性[2-3]，亦或是通過數(shù)值天氣預(yù)報模式進(jìn)行預(yù)測，但模式對于霧的預(yù)測效果并不能滿足社會發(fā)展需求。周自江等人對長三角地區(qū)濃霧事件進(jìn)行了氣候特征分析，發(fā)現(xiàn)仲秋至翌年仲春為濃霧多發(fā)季[4]。吳彬貴等人的研究表明，濃霧的發(fā)生往往伴隨著近地面逆溫、微風(fēng)以及水汽輻合[5]。大霧天氣是一種災(zāi)害性天氣現(xiàn)象，且具有很強(qiáng)的局地性[6-7]，即在大霧天氣發(fā)生時，相似的氣象條件在不同的地理環(huán)境中有可能產(chǎn)生不同強(qiáng)度的霧。利用主觀的角度診斷大霧天氣發(fā)生時的天氣特征(溫度、氣壓、濕度、風(fēng)向、風(fēng)速)很難準(zhǔn)確把握不同地理環(huán)境的大霧強(qiáng)度，尤其對于能見度小于50 m的特強(qiáng)濃霧。對特強(qiáng)濃霧的準(zhǔn)確預(yù)測具有重要現(xiàn)實意義，目前對特強(qiáng)濃霧的發(fā)生發(fā)展問題的探討和研究相對較少，對于強(qiáng)濃霧的微物理研究相對較多，許多研究成果表明，飽和環(huán)境與輻射降溫是霧滴增長的主要因素[8-13]。Choularton 等的研究表明僅靠輻射冷卻不能產(chǎn)生大的霧滴[14]?？蒲袠I(yè)務(wù)人員判斷是否有霧時，難以定性地預(yù)報出霧的強(qiáng)度，尤其是影響程度最強(qiáng)的特強(qiáng)濃霧。

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的重要分支。國內(nèi)外越來越多的學(xué)者將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于氣象的業(yè)務(wù)科研領(lǐng)域。Zhang等[15-16]利用C4.5算法對西北太平洋臺風(fēng)是否登陸與是否轉(zhuǎn)向做出了預(yù)測準(zhǔn)確的模型；史達(dá)偉等人[17]利用決策樹算法對道路結(jié)冰建立了準(zhǔn)確的預(yù)測模型；Geng等人[18]利用有限混合模型算法及分類與回歸樹算法對于登陸中國熱帶氣旋進(jìn)行了路徑分類及頻數(shù)的預(yù)測，達(dá)到了較好的預(yù)測效果；David A等人[19]利用Random Forest(RF)算法基于雷達(dá)資料、衛(wèi)星資料以及模式輸出資料建立了中尺度對流系統(tǒng)(MCS)的預(yù)報模型。機(jī)器學(xué)習(xí)在大霧研究中的應(yīng)用也日益廣泛，近十幾年來，越來越多的學(xué)者利用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等算法對大霧的預(yù)測與診斷進(jìn)行建模，并且收獲了較好的效果[20-22]，然而目前對于算法間效果探討和比較的文章仍然很少。

鑒于以上背景，本文擬從機(jī)器學(xué)習(xí)的角度去研究分析能見度低于50 m的特強(qiáng)濃霧，希望能找出一些規(guī)律，對解決這一業(yè)務(wù)和科研難點有所助益。文章以連云港地區(qū)為例，利用機(jī)器學(xué)習(xí)中幾種經(jīng)典的有監(jiān)督算法(CART、SVM、ANN)對大霧天氣發(fā)生背景下的能見度低于50 m的特強(qiáng)濃霧建立基于氣象觀測要素的診斷模型。絕大多數(shù)機(jī)器學(xué)習(xí)算法都是“黑箱”算法，為了能夠簡單直觀描述特強(qiáng)濃霧的診斷模型，本文以算法復(fù)雜度較低但可理解程度較高的CART算法為例重點展開討論。

1　資料與方法

1.1　資料來源

本文利用機(jī)器學(xué)習(xí)對特強(qiáng)濃霧進(jìn)行研究，考慮到算法對于數(shù)據(jù)質(zhì)量要求較高，文章選取2014年1月1日至2016年12月31日的連云港58044站逐小時自動觀測資料，較2014年以前的1d人工觀測四次的氣象觀測數(shù)據(jù)而言，該套資料具有觀測密度高，數(shù)據(jù)質(zhì)量較好的特點。為了研究大霧天氣發(fā)生背景下特強(qiáng)濃霧的氣象觀測要素的特征，文章選取能見度小于1 km時段，相對濕度 ≥ 90% 的逐小時觀測資料，選取氣溫、氣壓、相對濕度、風(fēng)速、風(fēng)向、降水、0 cm地表溫度及能見度等觀測要素。

1.2　CART算法的基本原理

分類與回歸樹(CART)算法，由Breinman等人提出，是機(jī)器學(xué)習(xí)中的一種有監(jiān)督的分類算法[23]。該算法是一種二叉樹非參數(shù)機(jī)器學(xué)習(xí)算法，適用于離散型變量和連續(xù)型變量的分類。若目標(biāo)屬性是離散型變量，那么CART算法生成分類樹；若目標(biāo)屬性是連續(xù)型變量，則CART算法生成回歸樹，本文運(yùn)用的是CART的分類樹算法。在分類樹的構(gòu)建中CART選擇最小Gini系數(shù)的屬性作為測試屬性，Gini系數(shù)越小，樣本的純度越大，分割效果越好。

CART算法首先將數(shù)據(jù)按升序排序，從小到大以相鄰數(shù)值的中間值將樣本分為兩組，然后通過Gini系數(shù)計算兩組樣本中輸出變量取值純度：

(1)

式中：t為節(jié)點，K為輸出變量的類別數(shù)，p(j|t)為節(jié)點t樣本輸出變量取j的概率。當(dāng)節(jié)點樣本為同一類別值時，輸出變量取值的差異性最小，Gini系數(shù)為0，而當(dāng)各類別概率相等時，輸出變量取值差異性最大，Gini系數(shù)也最大，為1-1/k。

CART算法利用Gini系數(shù)的減少量描述純度的提升：

(2)

式中：G(t)和N分別為分組前輸出變量的Gini系數(shù)和樣本量，G(tr)、Nr和G(tl)、Nl分別分組后右子樹的Gini系數(shù)和樣本量及左子樹的Gini系數(shù)和樣本量。

按照這種方式，反復(fù)計算便可得到純度提升最多的分割點，即使ΔG(t)達(dá)到最大的組限為當(dāng)前最佳分割點。

CART算法是一種經(jīng)典的決策樹算法，算法結(jié)果為一顆展示邏輯判斷的倒置樹形圖(根節(jié)點在樹頂，葉節(jié)點在樹底)，與人的思考方式類似，容易理解，方便使用。

2　連云港地區(qū)大霧與特強(qiáng)濃霧發(fā)生特征的統(tǒng)計分析

連云港市是地處江蘇東北部的黃海之濱，屬于溫帶季風(fēng)性氣候。由于地處東部沿海，因而大霧發(fā)生規(guī)律相對復(fù)雜，既有下墊面長波輻射冷卻引起的輻射霧，又有由洋面暖濕平流引起的平流霧，還有兩者混合生成的輻射平流霧。本文以連云港地區(qū)的大霧天氣為研究背景對特強(qiáng)濃霧天氣的發(fā)生發(fā)展規(guī)律以及診斷模型展開研究。針對連云港地區(qū)的大霧天氣以及特強(qiáng)濃霧天氣的時間分布特征進(jìn)行統(tǒng)計，對影響連云港地區(qū)的大霧天氣與特強(qiáng)濃霧天氣的氣象要素特征進(jìn)行統(tǒng)計分析，既研究大霧與特強(qiáng)濃霧的發(fā)生發(fā)展規(guī)律，也為下一節(jié)診斷模型的建立提供數(shù)據(jù)特征上的描述。

2.1　大霧與特強(qiáng)濃霧的時間分布特征分析

2014-2016年連云港地區(qū)的大霧天氣與特強(qiáng)濃霧天氣隨月份的分布特征如圖1所示，大霧天氣在全年各月均有發(fā)生其中10月份至翌年4月份發(fā)生大霧天氣的頻次較高5-9月份的發(fā)生頻次較低，大霧天氣發(fā)生頻次最高在12月份，累計發(fā)生了162 h的大霧天氣，占總發(fā)生頻次的15%，9月份發(fā)生大霧天氣的頻次最低，僅有累計發(fā)生24 h的大霧天氣。特強(qiáng)濃霧天氣主要發(fā)生在春冬季節(jié)，7-10月份沒有特強(qiáng)濃霧的記錄。特強(qiáng)濃霧發(fā)生頻次最高的月份在12月，共計25 h，占總發(fā)生頻次的42%。

圖1　2014-2016年大霧天氣與特強(qiáng)濃霧天氣的頻數(shù)的月分布

圖2　2014-2016年大霧天氣與特強(qiáng)濃霧天氣的頻數(shù)的時次分布

圖3　2014-2016年大霧天氣與特強(qiáng)濃霧天氣頻數(shù)的相對濕度分布

圖4　2014-2016年大霧天氣與特強(qiáng)濃霧天氣頻數(shù)的風(fēng)力分布

可以看出，特強(qiáng)濃霧天氣較大霧天氣的發(fā)生具有更強(qiáng)的季節(jié)性，冬春季節(jié)更易發(fā)生，夏秋季節(jié)鮮有發(fā)生。

大霧天氣與特強(qiáng)濃霧天氣的時次分布如圖2所示，大霧天氣在各個時次均有發(fā)生，發(fā)生時次主要集中在夜晚和凌晨，在午后時段鮮有發(fā)生，最常發(fā)生的時次在6時，發(fā)生過117次，占比11%，而在15、16時發(fā)生次數(shù)最少均為7次，占比0.6%。觀察圖2b可以發(fā)現(xiàn)，特強(qiáng)濃霧的發(fā)生時次主要集中在午夜至上午，而在13時至21時不曾發(fā)生過特強(qiáng)濃霧天氣，最常發(fā)生時次在2時，共發(fā)生過8次，占比14%。通過觀察對比，大霧天氣與特強(qiáng)濃霧天氣發(fā)生規(guī)律較為相似，但是特強(qiáng)濃霧天氣發(fā)生的時間分布特征較大霧天氣更為集中，在冬季和凌晨發(fā)生的概率更大。

2.2　大霧與特強(qiáng)濃霧的氣象要素特征分析

本節(jié)對2014-2016年發(fā)生大霧天氣和特強(qiáng)濃霧天氣時段內(nèi)相對濕度、風(fēng)向、風(fēng)速的統(tǒng)計分析，描述大霧天氣及特強(qiáng)濃霧天氣發(fā)生時段內(nèi)氣象要素的分布特征。

大霧天氣及特強(qiáng)濃霧天氣發(fā)生時相對濕度的分布特征如圖3所示，大霧天氣在相對濕度90%以上均有分布，主要發(fā)生在相對濕度96%～98%這一區(qū)間，發(fā)生了546個時次，占比51%，而在相對濕度90%～92%這一區(qū)間分布最少，發(fā)生了133個時次，占比12%。觀察圖3b可以發(fā)現(xiàn)，特強(qiáng)濃霧發(fā)生的相對濕度區(qū)間分布在93%至100%，90%～92%這一區(qū)間沒有特強(qiáng)濃霧天氣的記錄。與大霧天氣發(fā)生類似，發(fā)生時次同樣在96%～98%這一區(qū)間最為集中，發(fā)生了37個時次，占比63%。

相比大霧天氣，特強(qiáng)濃霧的發(fā)生時的相對濕度區(qū)間更窄，并且在相對濕度96%以上這一區(qū)間更加集中。

圖5　2014-2016年大霧天氣與特強(qiáng)濃霧天氣頻數(shù)的風(fēng)向分布

圖6　選取訓(xùn)練樣本的策略示意圖

2014～2016年大霧天氣與特強(qiáng)濃霧發(fā)生時的風(fēng)力分布如圖4所示，大霧天氣發(fā)生時，風(fēng)力從0級至4級及以上均有分布，在風(fēng)力1級時發(fā)生大霧天氣的時次最多，有550次，占比51%，風(fēng)力4級及以上時發(fā)生大霧的時次最少，僅有12次，占比1%。從圖4b可以看出，特強(qiáng)濃霧發(fā)生時次集中在0～2級風(fēng)，其中風(fēng)力達(dá)1級時發(fā)生的頻次最多，計43次，占比73%，而當(dāng)風(fēng)力達(dá)到3級或3級以上時便沒有特強(qiáng)濃霧天氣的記錄。較大霧天氣而言，特強(qiáng)濃霧天氣具有發(fā)生的風(fēng)力級別區(qū)間窄，僅在0～2級風(fēng)之間有發(fā)生，在1級風(fēng)這一區(qū)間樣本更加集中等特點。

圖5為連云港地區(qū)2014-2016年大霧天氣與特強(qiáng)濃霧天氣發(fā)生時段的風(fēng)向分布。通過觀察，可以發(fā)現(xiàn)大霧天氣發(fā)生時，整體以緯向風(fēng)為主，偏東風(fēng)場時更有利于大霧天氣的發(fā)生，發(fā)生大霧天氣頻次最多的風(fēng)向為ENE，計184個時次，占比17%。觀察圖5b，可以發(fā)現(xiàn)，特強(qiáng)濃霧天氣發(fā)生時風(fēng)向以緯向風(fēng)為主，發(fā)生特強(qiáng)濃霧天氣頻次最多的風(fēng)向為E，計11次，占比18%，偏北風(fēng)向時發(fā)生特強(qiáng)濃霧的天氣狀況非常少。

通過觀察對比，大霧天氣與特強(qiáng)濃霧天氣發(fā)生時都具有風(fēng)向偏緯向的特點，偏東風(fēng)分量作用強(qiáng)于偏西風(fēng)，這與連云港地區(qū)地理位置是東部沿海城市不無關(guān)系，偏東風(fēng)可以從海洋上帶來更充沛的水汽。不同的是特強(qiáng)濃霧的發(fā)生與否對北風(fēng)分量更加敏感，當(dāng)風(fēng)向出現(xiàn)北風(fēng)分量時，特強(qiáng)濃霧幾乎不會發(fā)生，反映了冷空氣極不利于特強(qiáng)濃霧天氣發(fā)生發(fā)展，也從側(cè)面反映特強(qiáng)濃霧對暖濕空氣輸送的要求更高。

通過對大霧天氣和特強(qiáng)濃霧天氣發(fā)生時的特征統(tǒng)計，可以看出在發(fā)生大霧天氣時，是否能夠增強(qiáng)至能見度低于50 m的特強(qiáng)濃霧需要具備以下幾個條件更加有利：①季節(jié)上，從深秋至翌年春季，冬季更為有利；②時次上，在夜間至早晨，2-8時最為有利；③相對濕度需在93%以上；④風(fēng)力較弱，但又不是靜風(fēng)狀態(tài)，1級風(fēng)最為有利；⑤弱的緯向風(fēng)和弱的南風(fēng)分量。

3　基于機(jī)器學(xué)習(xí)算法的特強(qiáng)濃霧診斷模型

通過上節(jié)分析總結(jié)，可以定性得到特強(qiáng)濃霧的發(fā)生發(fā)展的有利天氣條件，但是特強(qiáng)濃霧天氣的發(fā)生發(fā)展是復(fù)雜非線性的天氣過程，若希望能夠通過這些定性得到的特強(qiáng)濃霧發(fā)生的有利條件準(zhǔn)確判斷特強(qiáng)濃霧是否發(fā)生并非易事。因此，本節(jié)將利用機(jī)器學(xué)習(xí)中的幾種經(jīng)典有監(jiān)督分類預(yù)測算法，對特強(qiáng)濃霧是否發(fā)生建立診斷模型。

3.1　實驗數(shù)據(jù)的預(yù)處理

本文使用的機(jī)器學(xué)習(xí)算法均為有標(biāo)記的有監(jiān)督算法，該類算法可通過留出法的方式檢驗?zāi)Ｐ托Ч?，即將?shù)據(jù)樣本分為訓(xùn)練集與測試集兩部分，并且訓(xùn)練集與測試集為互斥關(guān)系，訓(xùn)練集用來建立模型，測試集用于檢驗?zāi)Ｐ偷姆夯芰?。一般情況下，訓(xùn)練集占總樣本的四分之三左右，余下的約四分之一的樣本為測試集。首先，我們將大霧期間“能見度是否低于50 m“抽象成為一個二元分類的問題。經(jīng)過統(tǒng)計，在2014年1月1日至2016年12月31日發(fā)生大霧天氣的1 073個時次里，有59個時次發(fā)生了能見度低于50 m的特強(qiáng)濃霧。為了維持目標(biāo)屬性量級上的平衡以及盡可能不影響數(shù)據(jù)原有分布，本文選取測試集的策略為等距離抽樣，即以時間為序，將研究樣本中每第4n個數(shù)據(jù)放入測試集，n=1，2，3…(4n<=1073)，仍然以時間為序，其余的數(shù)據(jù)樣本為訓(xùn)練集，如圖6所示。

即分別對訓(xùn)練集與測試集進(jìn)行統(tǒng)計，就訓(xùn)練集而言，共805個數(shù)據(jù)樣本，其中能見度低于50 m的特強(qiáng)濃霧樣本為45個，為了維持目標(biāo)屬性“是否為特強(qiáng)濃霧”是與否的平衡，以及模型最后效果更加客觀真實，本文針對能見度低于50 m的特強(qiáng)濃霧數(shù)據(jù)樣本采取有放回采樣的策略，將特強(qiáng)濃霧數(shù)據(jù)樣本量擴(kuò)大到與非特強(qiáng)濃霧數(shù)據(jù)樣本量相當(dāng)(756個特強(qiáng)濃霧數(shù)據(jù)樣本)，利用這種方法不僅可以擴(kuò)大特強(qiáng)濃霧數(shù)據(jù)樣本規(guī)模同時也保證不丟失數(shù)據(jù)特征。同樣地，通過統(tǒng)計發(fā)現(xiàn)，在測試集中共有268個數(shù)據(jù)樣本，其中能見度低于50 m的特強(qiáng)濃霧數(shù)據(jù)樣本有14個，采取有放回抽樣的策略將測試集中特強(qiáng)濃霧數(shù)據(jù)樣本數(shù)量擴(kuò)大到與非特強(qiáng)濃霧樣本數(shù)量相當(dāng)(253個特強(qiáng)濃霧數(shù)據(jù)樣本)，具體如表1所示。這樣就完成機(jī)器學(xué)習(xí)所需訓(xùn)練集與測試集的選取與處理，接下來文章將分別利用分類與回歸樹(CART)算法、支持向量機(jī)(SVM)、線性支持向量機(jī)(LSVM)以及兩種人工神經(jīng)網(wǎng)絡(luò)對連云港地區(qū)的特強(qiáng)濃霧建立診斷模型。

表1　通過有放回采樣方式平衡訓(xùn)練集與測試集二元目標(biāo)變量樣本

3.2　基于CART算法的特強(qiáng)濃霧本地化診斷模型

以是否為特強(qiáng)濃霧為模型的目標(biāo)變量，模型的輸入變量為氣溫、氣壓、相對濕度、10 min平均風(fēng)速、10 min平均風(fēng)向、降水、0 cm地表溫度。將預(yù)處理好的訓(xùn)練集輸入CART算法，得到?jīng)Q策樹(圖7)。

決策樹形式直觀，符合人們邏輯判斷的思維方式，從決策樹模型可以發(fā)現(xiàn)，根節(jié)點為氣溫，換言之，相對于其他強(qiáng)度的大霧天氣而言，氣溫這一屬性對于特強(qiáng)濃霧是否發(fā)生的影響最為關(guān)鍵。決策樹模型中，每從根節(jié)點(氣溫)到一個葉節(jié)點(T/F)都可以抽象為一條If…then形式的決策規(guī)則，眾多規(guī)則形成決策規(guī)則集(表2)。

通過決策樹抽象出判斷大霧天氣背景下是否會出現(xiàn)能見度低于50m的特強(qiáng)濃霧的規(guī)則集。通過訓(xùn)練集數(shù)據(jù)參與模型的建立，模型整體的學(xué)習(xí)準(zhǔn)確率為90.04%，每條規(guī)則都有各自的學(xué)習(xí)準(zhǔn)確率，方便與實際情況對照參考。接著，利用預(yù)處理好的測試集數(shù)據(jù)對模型的泛化能力進(jìn)行測試，測試準(zhǔn)確率為82.25%。通過驗證發(fā)現(xiàn)，模型整體的分類效果好，泛化能力強(qiáng)。對于大霧天氣背景下診斷與預(yù)測特強(qiáng)濃霧的發(fā)生提供了簡潔、可理解、有價值的參考。

3.3　一些其他機(jī)器學(xué)習(xí)算法效果對比

類支持向量機(jī)與類神經(jīng)網(wǎng)絡(luò)算法同樣也是機(jī)器學(xué)習(xí)領(lǐng)域中重要的有監(jiān)督算法。相比決策樹算法而言，這兩類算法都具有較高的計算復(fù)雜度與較低的算法可理解性，在大多數(shù)情況下有著較高的平均準(zhǔn)確率。表3是通過預(yù)處理的實驗數(shù)據(jù)基于線性支持向量機(jī)(LSVM)、支持向量機(jī)(SVM)、多層神經(jīng)網(wǎng)絡(luò)(MLP)以及徑向基神經(jīng)網(wǎng)絡(luò)(RBF network)四種算法的實驗效果。

表2　CART算法發(fā)現(xiàn)的連云港地區(qū)大霧發(fā)生背景下特強(qiáng)濃霧氣象觀測要素特征診斷規(guī)則集

圖7　2014-2016年連云港地區(qū)大霧發(fā)生背景下特強(qiáng)濃霧氣象觀測要素特征診斷決策樹模型

算法學(xué)習(xí)準(zhǔn)確率/%測試準(zhǔn)確率/%LSVM83718425SVM83698061MLP94027239RBF82557719

圖3　各算法學(xué)習(xí)準(zhǔn)確率及測試準(zhǔn)確率

為了方便各算法效果更加直觀的對比，我們將包括CART算法在內(nèi)的五種算法的學(xué)習(xí)與測試效果繪圖，如圖3所示，MLP學(xué)習(xí)效果最佳，但測試效果也最差，存在過擬合的問題較為嚴(yán)重，LSVM的學(xué)習(xí)效果較CART稍差，但是測試準(zhǔn)確率最高，模型泛化能力表現(xiàn)較好。整體上看，類支持向量機(jī)算法對于特強(qiáng)濃霧的診斷效果要優(yōu)于類神經(jīng)網(wǎng)絡(luò)算法。

與CART算法不同的是，類支持向量機(jī)算法與類神經(jīng)網(wǎng)絡(luò)算法具有更高的算法復(fù)雜度與很低的算法可理解度，算法收斂速度較慢并且模型難以解釋。但是隨著計算機(jī)計算速度的不斷提高，多種機(jī)器學(xué)習(xí)算法并行已經(jīng)成為可能，利用多種性能優(yōu)良的算法對同一種目標(biāo)進(jìn)行建模，可以相關(guān)業(yè)務(wù)人員提供更加有力的參考。

4　總結(jié)

本文針對連云港地區(qū)的大霧天氣和特強(qiáng)濃霧天氣進(jìn)行了時間特征和氣象要素特征的分析，并利用機(jī)器學(xué)習(xí)技術(shù)與氣象科研業(yè)務(wù)問題相結(jié)合是一種可以嘗試的角度。本文利用機(jī)器學(xué)習(xí)技術(shù)中的幾種有監(jiān)督算法針對連云港58044站點大霧天氣背景下的特強(qiáng)濃霧特征建立了診斷模型，得到以下結(jié)論：

(1)通過對連云港地區(qū)大霧與特強(qiáng)濃霧天氣特征的統(tǒng)計分析，發(fā)現(xiàn)特強(qiáng)濃霧相對大霧的發(fā)生發(fā)展對時間和氣象條件有著更加苛刻的要求。

(2)基于CART決策樹算法對預(yù)處理數(shù)據(jù)建立的診斷模型可以看出，決策樹的根節(jié)點為氣溫，說明在大霧天氣發(fā)生的背景下氣溫是判斷能否發(fā)生特強(qiáng)濃霧的最重要因素；該模型的學(xué)習(xí)準(zhǔn)確率90.04%，測試準(zhǔn)確率為82.25%，該模型具有很好的診斷效果以及較強(qiáng)的泛化能力。

(3)CART算法相對于類支持向量機(jī)與類神經(jīng)網(wǎng)絡(luò)算法而言具有簡潔，計算復(fù)雜度低，理解直觀，準(zhǔn)確率較高等特點。

(4)類支持向量機(jī)對于大霧天氣發(fā)生背景下特強(qiáng)濃霧的診斷效果要強(qiáng)于類神經(jīng)網(wǎng)絡(luò)算法，與CART算法相比，學(xué)習(xí)效果稍差，但測試效果較好。

隨著計算機(jī)性能的不斷提高，大數(shù)據(jù)時代的不斷推進(jìn)，利用人工智能、機(jī)器學(xué)習(xí)技術(shù)對自然災(zāi)害的發(fā)生發(fā)展進(jìn)行預(yù)測將成為一種必然發(fā)展趨勢。然而，多元、海量、異構(gòu)的數(shù)據(jù)進(jìn)行有機(jī)融合讓算法更易挖掘有用信息，以及算法本身的進(jìn)一步優(yōu)化改良同樣也是值得思考與研究的問題。

參考文獻(xiàn)：

[1]張禮春,朱彬,耿慧,等. 南京一次持續(xù)性濃霧天氣過程的邊界層特征及水汽來源分析[J]. 氣象,2013,39(10):1284-1292.

[2]袁成松,梁敬東,焦圣明,等. 低能見度濃霧監(jiān)測、臨近預(yù)報的實例分析與認(rèn)識[J]. 氣象科學(xué),2007,27(6):661-665.

[3]馮民學(xué),顧松山,卞光輝. 高速公路濃霧監(jiān)測預(yù)警系統(tǒng)[J]. 中國公路學(xué)報,2004,17(3):95-100.

[4]周自江,朱燕君,鞠曉慧. 長江三角洲地區(qū)的濃霧事件及其氣候特征[J]. 自然科學(xué)進(jìn)展,2007,17(1):66-71.

[5]吳彬貴,馬翠平,蔡子穎,等. 輻射霧局地爆發(fā)性增強(qiáng)原因探討[J]. 高原氣象,2014,33(5):1393-1402.

[6]丁秋冀,包云軒,袁成松,等. 滬寧高速公路團(tuán)霧發(fā)生規(guī)律及局地性分析[J]. 氣象科學(xué),2013,33(6):634-642.

[7]高潤祥,司鵬,宋明,等. 近50年天津地區(qū)局地氣候變化特征分析[J]. 氣候與環(huán)境研究,2011,16(2):159-168.

[7]萬齊林,吳兌,葉燕強(qiáng). 南嶺局地小地形背風(fēng)坡增霧作用的分析[J]. 高原氣象,2004,23(5):709-713.

[8]Eldridge R G. A few fog drop-size distribution [J] . J Atmos Sci, 1961,18(5):671-676.

[9]Eldridge R G. Haze and fog aerosol distribution [J]. J Atmos Sci, 1966,23(5):605-613.

[10] Eldridge R G. The relationship between visibility and liquid water content in fog [J]. J Atmos Sci , 1971,28(07):1183-1186.

[11] Goodman J. The microstructure of California coastal fog and stratus [J]. J Appl Meteor , 1977,16(10): 1056-1067.

[12] Pickering K E , Jiusto J E. Observations of the relationship between dew and radition fog [J]. J Geophys Res , 1978,83(5):4-8.

[13] Gerber H. Supersaturation and droplet spectral evolution in fog [J]. J Atmos Sci ,1991,48(48):2569-2588.

[14] Choularton T W , Fullarton G , Lartham J , et al. A field study of radition fog in Meppen , West Germany [J]. Quart J Roy Meteor or Soc , 1981,107(452):381-394.

[15] ZHANG W, LEUNG Y, CHAN J C L, et al. The Analysis of Tropical Cyclone Tracks in the Western North Pacific through Data Mining. Part I: Tropical Cyclone Recurvature[J]. JOURNAL OF APPLIED METEOROLOGY AND CLIMATOLOGY,2013, 52(6):1394-1416.

[16] ZHANG W, LEUNG Y, CHAN J C L, et al. The Analysis of Tropical Cyclone Tracks in the Western North Pacific through Data Mining. Part II: Tropical Cyclone Landfall [J]. JOURNAL OF APPLIED METEOROLOGY AND CLIMATOLOGY, 2013,52(6):1417-1432.

[17] 史達(dá)偉,耿煥同,吉辰,等. 基于C4.5決策樹算法的道路結(jié)冰預(yù)報模型構(gòu)建及應(yīng)用[J]. 氣象科學(xué),2015,35(2):204-209.

[18] Geng H, Shi D, Zhang W , et al. A prediction scheme for the frequency of summer tropical cyclone landfalling over China based on data mining methods [J]. Meterol Appl,2016,23(4):587-593.

[19] David A , James O P , John K W , et al. Probabilistic Forecasts of Mesoscale Convective System Initiation Using the Random Forest Data Mining Technique [J].Wea Forecasting , 2016,31(2):581-599.

[20] 賀皓,羅慧. 基于支持向量機(jī)模式識別的大霧預(yù)報方法[J]. 氣象科技,2009,37(2):149-151.

[21] 李才媛,韋惠紅,鄧紅. SVM方法在武漢市大霧預(yù)警預(yù)報中的應(yīng)用[J]. 暴雨災(zāi)害,2008,27(3):264-267.

[22] 王彥磊,曹炳偉,黃兵,董兆俊,路澤廷,陳興明.基于神經(jīng)網(wǎng)絡(luò)的單站霧預(yù)報試驗[J].應(yīng)用氣象學(xué)報,2010,21(1):110-114.

[23] Breiman, L, Friedman J H, R Olshen,et al. Classification and Regression Trees[M]. Wadsworth and Brooks.1984.