基于CART決策樹(shù)的河北省低能見(jiàn)度分類(lèi)研究

尤琦 曲曉黎,2 趙增保 王潔 張娣 楊琳晗

(1.河北省氣象服務(wù)中心，河北 石家莊 050021； 2.河北省氣象與生態(tài)環(huán)境重點(diǎn)實(shí)驗(yàn)室，河北 石家莊 050021)

引言

大氣能見(jiàn)度也稱(chēng)氣象視程，是表征大氣透明度的重要物理量[1]。20世紀(jì)90年代以來(lái)，隨著工業(yè)化和城市化的不斷推進(jìn)，我國(guó)近地面大氣通透度和水平能見(jiàn)度持續(xù)下降[2-6]。人民生活、城市建設(shè)和交通運(yùn)輸?shù)雀鞣矫娴恼＿\(yùn)行極大程度地受到低能見(jiàn)度天氣現(xiàn)象的影響，亦成為誘發(fā)交通事故的主要?dú)庀笠蛩亍楸Ｕ辖煌ò踩嵘咚俟吠ㄐ行?，低能?jiàn)度天氣的精準(zhǔn)預(yù)報(bào)需求日益增大。

國(guó)內(nèi)外學(xué)者已對(duì)大氣能見(jiàn)度預(yù)報(bào)開(kāi)展了諸多研究。早期預(yù)報(bào)能見(jiàn)度的方法主要采用天氣環(huán)流型分析、多元回歸和模糊識(shí)別等方法[7-10]，通過(guò)對(duì)低能見(jiàn)度天氣現(xiàn)象的形成條件進(jìn)行診斷分析，并結(jié)合實(shí)況外推方法和主觀經(jīng)驗(yàn)做預(yù)報(bào)。然而，經(jīng)驗(yàn)性和線性系統(tǒng)的預(yù)報(bào)方法并不適用于非線性強(qiáng)、數(shù)據(jù)來(lái)源不可靠性大的大氣系統(tǒng)[11]，與此同時(shí)，數(shù)值模式不斷深入發(fā)展，依托歷史數(shù)據(jù)利用模式輸出的要素進(jìn)行預(yù)報(bào)模型構(gòu)建[12-13]的方法也對(duì)能見(jiàn)度預(yù)報(bào)起到了一定的推動(dòng)作用，但數(shù)據(jù)要求高、計(jì)算繁瑣、參數(shù)不易設(shè)置，預(yù)報(bào)效果及業(yè)務(wù)化程度也不夠理想。

與傳統(tǒng)的統(tǒng)計(jì)分析和數(shù)值模式方法相比，機(jī)器學(xué)習(xí)對(duì)于提取數(shù)量龐大的氣象數(shù)據(jù)、自動(dòng)化調(diào)整參數(shù)等方面有更突出的表現(xiàn)，全球越來(lái)越多的學(xué)者將人工智能應(yīng)用于氣象業(yè)務(wù)研究領(lǐng)域。而機(jī)器學(xué)習(xí)作為其中一個(gè)重要分支，由于其模塊化計(jì)算、易于調(diào)用、計(jì)算效率高等優(yōu)點(diǎn)得到了廣泛的應(yīng)用，機(jī)器學(xué)習(xí)對(duì)要素的客觀預(yù)報(bào)能夠有效量化由于初始誤差和模式誤差所引起的不確定性，為提高預(yù)報(bào)預(yù)警服務(wù)能力提供技術(shù)支撐，例如神經(jīng)網(wǎng)絡(luò)[14-17]、支持向量機(jī)[18]和決策樹(shù)[11,19-21]等經(jīng)典機(jī)器學(xué)習(xí)算法。其中，決策樹(shù)算法由于具有抽取規(guī)則簡(jiǎn)單、對(duì)數(shù)據(jù)缺測(cè)值不敏感、模型易于構(gòu)建、速度快等特點(diǎn)，廣泛應(yīng)用于醫(yī)學(xué)、農(nóng)業(yè)、電力和氣象等諸多領(lǐng)域。

本文擬通過(guò)統(tǒng)計(jì)分析河北省低能見(jiàn)度天氣現(xiàn)象的發(fā)生規(guī)律，使用分類(lèi)回歸決策樹(shù)算法(classification and regression tree ，CART)，分區(qū)域基于不同氣象要素建立低能見(jiàn)度預(yù)測(cè)模型，對(duì)有關(guān)部門(mén)提高災(zāi)害的預(yù)警能力、災(zāi)害預(yù)測(cè)的準(zhǔn)確性并實(shí)施有效的對(duì)策來(lái)趨利避害，具有十分重要的意義。

1 資料與方法

1.1 資料來(lái)源

資料包括河北省氣象信息中心提供的全省142個(gè)DZZ4型國(guó)家氣象站(圖1)逐小時(shí)觀測(cè)數(shù)據(jù)。數(shù)據(jù)時(shí)段為2016—2019年，要素包括各站整點(diǎn)的氣溫(℃)、氣壓(hPa)、相對(duì)濕度(%)、2 min風(fēng)速(m·s-1)、2 min風(fēng)向、小時(shí)內(nèi)最高氣溫(℃)、小時(shí)內(nèi)最低氣溫(℃)、露點(diǎn)溫度(℃)、最低地表溫度(℃)、最低能見(jiàn)度(m)、過(guò)去24 h變溫(℃)和過(guò)去3 h變壓(hPa)等共12種氣象要素，以及各站逐月霧日數(shù)觀測(cè)結(jié)果。霧日定義標(biāo)準(zhǔn)為：當(dāng)一天內(nèi)觀測(cè)記錄中出現(xiàn)霧現(xiàn)象，即記為一個(gè)霧日。

圖1 研究區(qū)142個(gè)國(guó)家氣象站分布

1.2 研究方法

1.2.1 (EOF)分解

經(jīng)驗(yàn)正交函數(shù)(Empirical Orthogonal Function,EOF)分解就是將氣候變量場(chǎng)分解為空間函數(shù)和時(shí)間函數(shù)兩部分的乘積之和，將變量場(chǎng)的主要空間模態(tài)通過(guò)幾個(gè)典型的特征向量最大限度表現(xiàn)出來(lái)的一種氣候統(tǒng)計(jì)方法。

假設(shè)某包含m個(gè)空間點(diǎn)和n個(gè)時(shí)間點(diǎn)的變量場(chǎng)以矩陣X形式給出，將其展開(kāi)為空間函數(shù)和時(shí)間函數(shù)的乘積，矩陣形式為X=VT，其中V表示空間函數(shù)矩陣，T表示時(shí)間系數(shù)矩陣，根據(jù)正交性質(zhì)，二者應(yīng)滿(mǎn)足

(1)

λk為特征向量，第k個(gè)特征向量的方差貢獻(xiàn)率為Rk

(2)

本文利用統(tǒng)計(jì)得到的2016—2019年河北省逐月霧日數(shù)資料，通過(guò)EOF方法，分析河北省逐月霧日數(shù)的時(shí)空分布特征。

1.2.2 分類(lèi)回歸樹(shù)算法

CART決策樹(shù)呈二叉樹(shù)結(jié)構(gòu)，由根節(jié)點(diǎn)、分支和葉節(jié)點(diǎn)三部分組成，常采用基尼指數(shù)(Gini)來(lái)衡量數(shù)據(jù)集的純度，Gini指數(shù)越小樣本類(lèi)別的不確定性越小。算法從根節(jié)點(diǎn)開(kāi)始，針對(duì)樣本屬性對(duì)每一個(gè)內(nèi)部節(jié)點(diǎn)進(jìn)行預(yù)測(cè)，新子節(jié)點(diǎn)也通過(guò)循環(huán)完成，若該節(jié)點(diǎn)中所有元素屬于同一類(lèi)別，則循環(huán)結(jié)束并標(biāo)記該節(jié)點(diǎn)為葉子節(jié)點(diǎn)。

在分類(lèi)中，對(duì)于一個(gè)給定的樣本集合D，其中包含N個(gè)類(lèi)別，則D所對(duì)應(yīng)的基尼指數(shù)為

(3)

對(duì)于集合D，其包含N個(gè)樣本，根據(jù)特征A的第i個(gè)值，將樣本集合D分割成D1和D2，Gini系數(shù)為

(4)

在最優(yōu)二分方案下選取最小值，作為樣本D的方案

minA∈Attribite{mini∈A[GiniA,i(D)]}

(5)

在不加限制的情況下，一棵決策樹(shù)可以生長(zhǎng)到純度最優(yōu)，這樣訓(xùn)練集擬合效果很好，測(cè)試集擬合效果差，把這種現(xiàn)象稱(chēng)為過(guò)擬合。下采樣時(shí)多數(shù)類(lèi)別樣本數(shù)量相對(duì)于少數(shù)類(lèi)別樣本數(shù)量的比例為1時(shí)，即無(wú)霧日數(shù)與有霧日數(shù)相同時(shí)，模型嚴(yán)重過(guò)擬合；不設(shè)置任何參數(shù)時(shí)，模型同樣過(guò)擬合。因此，通過(guò)下采樣和網(wǎng)格搜索法剪枝處理來(lái)防止上述現(xiàn)象的發(fā)生。

將與能見(jiàn)度顯著相關(guān)的氣象要素作為特征A輸入，并將能見(jiàn)度分為有無(wú)霧兩個(gè)類(lèi)別，即N=2，對(duì)總體樣本D進(jìn)行循環(huán)分類(lèi)，直到某樣本D中所有元素屬于同一類(lèi)別，決策樹(shù)停止分類(lèi)。

1.2.3 模型構(gòu)建與檢驗(yàn)

建立能見(jiàn)度預(yù)測(cè)模型的過(guò)程大致如下：首先根據(jù)輸入顯著相關(guān)氣象要素，并對(duì)能見(jiàn)度ong-hot編碼作為目標(biāo)變量；其次采用下采樣方法，從多數(shù)類(lèi)別數(shù)據(jù)中隨機(jī)抽取樣本減少多數(shù)類(lèi)別數(shù)據(jù)，使數(shù)據(jù)達(dá)到相對(duì)平衡；接著隨機(jī)選取部分?jǐn)?shù)據(jù)作為訓(xùn)練集，利用Scikit-learn模塊中的CART算法建立模型，得到預(yù)測(cè)規(guī)則集；最后利用未輸入模型的數(shù)據(jù)檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)結(jié)果。

通過(guò)樣本的采集，能夠直接知道真實(shí)情況下，哪些數(shù)據(jù)真實(shí)值是第一類(lèi)別和第二類(lèi)別。同時(shí)，通過(guò)模型分類(lèi)結(jié)果，也可得出兩類(lèi)數(shù)據(jù)，因此就會(huì)出現(xiàn)四類(lèi)結(jié)果：

真實(shí)值是第一類(lèi)別，模型認(rèn)為是第二類(lèi)別的數(shù)量(True Positive=TP)，即對(duì)應(yīng)真實(shí)有霧且預(yù)報(bào)出有霧的1481個(gè)時(shí)次數(shù)據(jù)；真實(shí)值是第一類(lèi)別，模型認(rèn)為是第二類(lèi)別的數(shù)量(False Negative=FN)：這就是統(tǒng)計(jì)學(xué)上的第二類(lèi)錯(cuò)誤(Type II Error)，即對(duì)應(yīng)真實(shí)有霧但未預(yù)報(bào)出有霧的681個(gè)時(shí)次數(shù)據(jù)；真實(shí)值是第二類(lèi)別，模型認(rèn)為是第一類(lèi)別的數(shù)量(False Positive=FP)：這就是統(tǒng)計(jì)學(xué)上的第一類(lèi)錯(cuò)誤(Type I Error)，即對(duì)應(yīng)真實(shí)無(wú)霧但預(yù)報(bào)出有霧的867個(gè)時(shí)次數(shù)據(jù)；真實(shí)值是第二類(lèi)別，模型認(rèn)為是第二類(lèi)別的數(shù)量(True Negative=TN)，即對(duì)應(yīng)真實(shí)無(wú)霧且預(yù)報(bào)出無(wú)霧的137017個(gè)時(shí)次數(shù)據(jù)。

2 結(jié)果分析

2.1 河北省霧日時(shí)空分布特征

2.1.1 空間分布特征

華北地區(qū)大霧頻發(fā)，已經(jīng)引發(fā)社會(huì)的廣泛關(guān)注[19，23-24]。圖2顯示：河北省除張家口、承德及秦皇島三市外，40°N以南地區(qū)為霧日高發(fā)區(qū)域，多年平均霧日數(shù)最高可達(dá)50 d，其中邯鄲、邢臺(tái)及石家莊南部，保定東部、衡水北部、滄州西北部地區(qū)霧日數(shù)較高。

單位為d

為確定研究區(qū)域，將2016—2019年逐月霧日數(shù)做經(jīng)驗(yàn)正交分解(圖3)，得到前3個(gè)模態(tài)方差貢獻(xiàn)分別為60.17%、24.15%和4.97%。第一模態(tài)空間分布特征(圖3a)與多年平均霧日分布圖呈現(xiàn)較為一致的分布型，河北省內(nèi)40°N以南地區(qū)為負(fù)值，對(duì)應(yīng)第一時(shí)間系數(shù)先正后負(fù)的下降趨勢(shì)(圖3d)可以得出河北南部地區(qū)逐月霧日數(shù)呈現(xiàn)先負(fù)距平后正距平的變化特征，即在2017年底前霧日數(shù)相對(duì)2016—2019年平均霧日數(shù)偏少，2018年及以后相對(duì)偏多；第二模態(tài)(圖3b)也存在一定的南北相異型分布特征，除此之外保定東北部、石家莊中東部以及邯鄲等地出現(xiàn)了負(fù)值中心，結(jié)合第二時(shí)間系數(shù)(圖3e)由負(fù)轉(zhuǎn)正的變化趨勢(shì)來(lái)看，上述地區(qū)在2016年和2017年霧日高發(fā)；第三模態(tài)(圖3c)除秦皇島市幾乎呈現(xiàn)全區(qū)一致型分布特征。因此，結(jié)合第一、第二空間模態(tài)分布特征，本文選取石家莊站作為霧高發(fā)地區(qū)代表站進(jìn)行深入研究。

圖3 2016—2019年河北省逐月霧日數(shù)的第一(a)、第二(b)和第三(c)空間模態(tài)與第一(d)、第二(e)和第三(f)時(shí)間系數(shù)

2.1.2 時(shí)間分布特征

經(jīng)統(tǒng)計(jì)石家莊市每年10月至次年1月為霧高發(fā)時(shí)段，每日逐時(shí)霧發(fā)生頻次較高時(shí)段集中在夜間21時(shí)至次日8時(shí)(圖略)。因此，本文針對(duì)該統(tǒng)計(jì)結(jié)果將數(shù)據(jù)集分為冬夜、冬日、夏夜、夏日四個(gè)時(shí)段分別進(jìn)行建模和檢驗(yàn)。其中，冬季高發(fā)時(shí)段(簡(jiǎn)稱(chēng)冬季)定義為每年10月至次年1月，夏季高發(fā)時(shí)段(簡(jiǎn)稱(chēng)夏季)定義為2—9月；白天定義為每日09—20時(shí)，夜間定義為每日21時(shí)至次日08時(shí)。

2.2 能見(jiàn)度主要影響因子分析

在利用CART算法構(gòu)建決策樹(shù)前，選取石家莊地區(qū)的最小能見(jiàn)度數(shù)據(jù)作為目標(biāo)變量，通過(guò)對(duì)能見(jiàn)度的影響因子進(jìn)行分析，分別確定對(duì)最小能見(jiàn)度的影響因子，確定輸入的氣象要素。參照《高速公路能見(jiàn)度監(jiān)測(cè)及濃霧的預(yù)警預(yù)報(bào)》(QX/T 76—2007)運(yùn)營(yíng)管理規(guī)定，將影響高速公路運(yùn)營(yíng)的能見(jiàn)度劃分為2個(gè)級(jí)別，以能見(jiàn)度750 m為閾值，小于750 m記為有霧，標(biāo)記為數(shù)值1，大于750 m記為無(wú)霧，標(biāo)記為數(shù)值0。

已有不少學(xué)者研究發(fā)現(xiàn)能見(jiàn)度與濕度、風(fēng)速等因子顯著相關(guān)[25-26]，石家莊地區(qū)最小能見(jiàn)度數(shù)值和同期各氣象因子的相關(guān)性表明(表1)，過(guò)去3 h變壓、相對(duì)濕度兩個(gè)因子與能見(jiàn)度數(shù)值呈負(fù)相關(guān)，其余要素均與能見(jiàn)度呈正相關(guān)。其中，2 min風(fēng)速等9種要素與最小能見(jiàn)度的相關(guān)系數(shù)值通過(guò)了α=0.01的顯著性檢驗(yàn)，可作為輸入變量。由于逐小時(shí)的最高最低氣溫與整點(diǎn)溫度數(shù)值差別不大，因此輸入變量以整點(diǎn)氣溫為準(zhǔn)，同理地表溫度作為輸入變量。

表1 各氣象因子與能見(jiàn)度相關(guān)系數(shù)

2.3 模型構(gòu)建及效果評(píng)估

調(diào)參過(guò)程中先對(duì)參數(shù)畫(huà)出學(xué)習(xí)曲線，預(yù)估一個(gè)大概范圍，然后用網(wǎng)格搜索法確定最終值，以減少搜索時(shí)間。決策樹(shù)算法核心屬性是max_depth(最大深度)和criterion算法的選擇，這兩個(gè)參數(shù)直接影響決策樹(shù)的精確度。經(jīng)調(diào)參，模型最佳參數(shù)組合為criterion=gini，max_depth=6，min_samples_leaf=2，下采樣時(shí)多數(shù)類(lèi)別數(shù)據(jù)與少數(shù)類(lèi)別數(shù)據(jù)比例為25。

將調(diào)試評(píng)分最高的參數(shù)帶入決策樹(shù)算法中進(jìn)行訓(xùn)練，訓(xùn)練集使用2016—2018年石家莊觀測(cè)站逐時(shí)資料，其中70%訓(xùn)練，30%用以自測(cè)，模型自測(cè)評(píng)分達(dá)到97.4%(圖4)。

圖4 模型參數(shù)max_depth評(píng)分結(jié)果

值得注意的是，模型自測(cè)混淆矩陣中，由于無(wú)霧時(shí)次的預(yù)報(bào)占相當(dāng)大的比重，而本研究關(guān)注的有霧時(shí)次占比相對(duì)較少，因此不同于前人研究中的模型檢驗(yàn)，本研究參考THORNES等[22]的天氣預(yù)報(bào)評(píng)定方法，利用混淆矩陣，對(duì)比分析模型預(yù)測(cè)的準(zhǔn)確率、漏報(bào)率和空?qǐng)?bào)率。

由于決策樹(shù)最下層共62個(gè)葉子節(jié)點(diǎn)，不便于展示全部分支，節(jié)選部分決策樹(shù)如圖5所示。以最上層節(jié)點(diǎn)為例，“air≤5.5，value=[574,2417]，gini=0.31，class=1”表示以氣溫5.5 ℃為分界點(diǎn)，小于該閾值為類(lèi)別0，大于該閾值為類(lèi)別1，兩類(lèi)數(shù)據(jù)的樣本量分別為574和2417，基尼指數(shù)為0.31。

圖5 能見(jiàn)度分類(lèi)決策樹(shù)部分圖

經(jīng)統(tǒng)計(jì)，該模型的預(yù)報(bào)有霧時(shí)次的準(zhǔn)確率為1481/(1481+681+867)=48.9%；漏報(bào)率為681/(681+1481)=31.5%；誤報(bào)率為867/(867+1481)=36.9%(圖6)。若不剪枝和下采樣，使用原數(shù)據(jù)建模后TS評(píng)分僅為16%，雖然每次抽樣后訓(xùn)練集會(huì)有所變化導(dǎo)致模型在4至5層時(shí)略有不同，但整體TS評(píng)分均保持在47%—51%左右。較好地將少數(shù)類(lèi)別樣本與多數(shù)類(lèi)別樣本區(qū)分開(kāi)，并且對(duì)于有霧時(shí)次的預(yù)報(bào)準(zhǔn)確率優(yōu)于神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果。

圖6 混淆矩陣檢驗(yàn)結(jié)果

按照上述統(tǒng)計(jì)方法，針對(duì)石家莊地區(qū)的低能見(jiàn)度情況進(jìn)行分類(lèi)預(yù)報(bào)檢驗(yàn)表明(表2)，冬季低能見(jiàn)度天氣預(yù)報(bào)準(zhǔn)確率顯著高于夏季，夏季漏報(bào)情況也顯著多于冬季，但夏季誤報(bào)率卻低于冬季。說(shuō)明該模型對(duì)于冬季的預(yù)報(bào)效果較好，但其較高的準(zhǔn)確率會(huì)伴隨著較高的誤報(bào)率；夏季的預(yù)報(bào)效果略低，其漏報(bào)率較高，但誤報(bào)率較低。日夜差別在夏季并不明顯，三個(gè)指數(shù)差別不大，冬季夜晚的準(zhǔn)確率與誤報(bào)率明顯優(yōu)于白天，漏報(bào)率略高。這可能是由于冬季晝夜變溫相對(duì)夏季不明顯造成的結(jié)果，并且本文的資料中并未引入污染物數(shù)據(jù)，因此模型訓(xùn)練中無(wú)法考慮霾導(dǎo)致的低能見(jiàn)度天氣現(xiàn)象，冬季華北地區(qū)的霧霾現(xiàn)象也會(huì)造成誤報(bào)漏報(bào)的情況，具體原因值得深入研究。

表2 不同時(shí)段預(yù)測(cè)檢驗(yàn)結(jié)果

為進(jìn)一步檢驗(yàn)?zāi)Ｐ?，圖7給出石家莊2019年12月7—10日的3次大霧過(guò)程擬合情況。經(jīng)統(tǒng)計(jì)，12月7—10日共96個(gè)時(shí)次，漏報(bào)率為0，真實(shí)有霧且預(yù)報(bào)有霧的時(shí)次數(shù)為36次，誤報(bào)數(shù)為20次，真實(shí)無(wú)霧且預(yù)報(bào)為無(wú)霧的時(shí)次為40次。

由圖7可以看出，該模型對(duì)3次低能見(jiàn)度天氣的擬合結(jié)果較為理想，無(wú)漏報(bào)。對(duì)于8日夜間和10日凌晨能見(jiàn)度高于750 m小于1000 m的情況誤報(bào)為有霧，考慮到低于1000 m的輕霧對(duì)交通也存在一定的影響，可以認(rèn)為模型的模擬效果較好。

圖中藍(lán)色實(shí)線表示各時(shí)次能見(jiàn)度數(shù)值隨時(shí)間變化的實(shí)況，紅色點(diǎn)表示模型預(yù)報(bào)有霧的結(jié)果，藍(lán)色點(diǎn)表示模型預(yù)報(bào)無(wú)霧的結(jié)果

3 結(jié)論與討論

(1)河北省除張家口、承德及秦皇島三市外40°N以南地區(qū)為霧日高發(fā)區(qū)域，石家莊市東南部地區(qū)多年平均霧日數(shù)峰值可達(dá)50 d。逐月霧日數(shù)EOF第一模態(tài)方差貢獻(xiàn)占比60.17%，空間分布特征與多年平均霧日數(shù)分布較為一致，且時(shí)間系數(shù)顯示霧日數(shù)呈現(xiàn)逐漸增多的變化特征。

(2)基于CART決策樹(shù)方法建立低能見(jiàn)度預(yù)測(cè)模型，當(dāng)參數(shù)調(diào)整為criterion=gini，max_depth=6，min_samples_leaf=2，下采樣時(shí)多數(shù)類(lèi)別數(shù)據(jù)與少數(shù)類(lèi)別數(shù)據(jù)比例為25時(shí)該模型檢驗(yàn)結(jié)果最優(yōu)，其對(duì)石家莊地區(qū)逐時(shí)低能見(jiàn)度天氣的預(yù)報(bào)結(jié)果準(zhǔn)確率達(dá)到48.9%。

(3)該模型對(duì)于冬季的預(yù)報(bào)效果較好，但其較高的準(zhǔn)確率會(huì)伴隨著較高誤報(bào)率；夏季的預(yù)報(bào)效果略低，其漏報(bào)率較高，但誤報(bào)率較低；日夜差別在夏季并不明顯，三個(gè)指數(shù)差別不大，冬季夜晚的準(zhǔn)確率與誤報(bào)率明顯優(yōu)于白天，漏報(bào)率略高。

(4)大霧天氣過(guò)程檢驗(yàn)結(jié)果顯示，石家莊站2019年12月7—10日的3次大霧過(guò)程擬合結(jié)果較好，有霧時(shí)次無(wú)一漏報(bào)，考慮到低于1000 m的輕霧對(duì)交通也存在一定的影響，可以認(rèn)為模型擬合結(jié)果較為出色。

(5)過(guò)去對(duì)能見(jiàn)度的研究大多集中在1—10 km范圍內(nèi)，并且傳統(tǒng)的統(tǒng)計(jì)學(xué)模型無(wú)法針對(duì)突變性很強(qiáng)的能見(jiàn)度數(shù)值進(jìn)行預(yù)測(cè)分析。本文主要針對(duì)1 km以下的能見(jiàn)度進(jìn)行分類(lèi)預(yù)測(cè)，且模型預(yù)測(cè)效果較好。但該模型均基于實(shí)況數(shù)據(jù)進(jìn)行建模、檢驗(yàn)，后續(xù)需要將實(shí)況和預(yù)報(bào)數(shù)據(jù)結(jié)合輸入并調(diào)參，以期對(duì)于能見(jiàn)度的分類(lèi)預(yù)報(bào)能有所提升。