基于GRU神經(jīng)網(wǎng)絡(luò)的雷州半島近海岸能見度短臨預(yù)報(bào)研究

殷美祥，羅瑞婷，陳榮泉，劉顯通

(1. 廣東省氣象服務(wù)中心，廣東 廣州 510641；2. 廣東省突發(fā)事件預(yù)警信息發(fā)布中心，廣東 廣州 510641；3. 肇慶市氣象局，廣東 肇慶 526000；4. 中國(guó)氣象局廣州熱帶海洋氣象研究所，廣東 廣州 510641)

1 引言

大氣能見度是表征大氣透明程度的重要物理量，是基本氣象觀測(cè)項(xiàng)目之一。大氣能見度受到水汽、降水、霧霾、風(fēng)等的影響，其變化具有復(fù)雜的非線性和局地性特征，因此其精細(xì)化預(yù)報(bào)業(yè)務(wù)仍是氣象預(yù)報(bào)業(yè)務(wù)中最具挑戰(zhàn)的領(lǐng)域之一[1-4]。雷州半島地區(qū)三面環(huán)海，是全國(guó)沿海地區(qū)四大海霧高發(fā)區(qū)域之一。湛江港是我國(guó)沿海主要港口之一，是“一帶一路”倡議的戰(zhàn)略支點(diǎn)港和西南沿海港口群的龍頭港。冬春季雷州半島常因低能見度事件導(dǎo)致港口航線停航，甚至導(dǎo)致海上交通事故，對(duì)港口生產(chǎn)和港口經(jīng)濟(jì)造成巨大損失。為了保證海上交通安全，減少低能見度天氣下的災(zāi)害發(fā)生，亟需提高雷州半島沿岸能見度短臨預(yù)報(bào)能力[5-7]。

目前能見度預(yù)報(bào)主要是采用天氣學(xué)診斷方法、傳統(tǒng)統(tǒng)計(jì)方法和數(shù)值預(yù)報(bào)方法[8-11]。孫連強(qiáng)等[12]采用常規(guī)氣象觀測(cè)資料和衛(wèi)星資料，研究了丹東附近海域海霧的變化規(guī)律和條件，研發(fā)了基于天氣學(xué)預(yù)報(bào)方法的海霧預(yù)報(bào)方法。黃輝軍等[13]基于海洋氣象觀測(cè)數(shù)據(jù)，分析海霧液態(tài)含水量的演變特征及其同期的天氣學(xué)背景，表明更大范圍的均壓場(chǎng)，小的低空和地面風(fēng)速，弱不穩(wěn)定狀態(tài)的低層大氣，高濕度的近地層更容易造成海霧過(guò)程中低能見度的出現(xiàn)。王燕濱等[14]在對(duì)朝連島海區(qū)海霧天氣學(xué)特征總結(jié)后，建立海霧預(yù)報(bào)方程，用主成分分析方法對(duì)霧日數(shù)進(jìn)行外延預(yù)報(bào)，其趨勢(shì)預(yù)報(bào)準(zhǔn)確率達(dá)到85%。高榮珍等[15]采用青島地面觀測(cè)資料和FNL 再分析資料，利用分類與回歸樹方法構(gòu)建青島沿海海霧決策樹預(yù)報(bào)模型，結(jié)果表明72 h內(nèi)海霧預(yù)報(bào)準(zhǔn)確率達(dá)到70%～75%，可基本滿足常規(guī)業(yè)務(wù)預(yù)報(bào)需求。黃輝軍等[16]采用NCEP 再分析氣象資料、臺(tái)站觀測(cè)資料和海霧野外試驗(yàn)的觀測(cè)資料建立預(yù)報(bào)變量因子，利用GRAPES 模式得到變量因子，選取湛江、珠海、汕頭3 站為代表，構(gòu)建24 h 的廣東沿海海霧判別預(yù)報(bào)，檢驗(yàn)表明該海霧MOS 判別預(yù)報(bào)方法預(yù)報(bào)準(zhǔn)確率為84%～90%。饒莉娟[17]基于WRF(Weather Research and Forecasting)模式，研究其不同邊界層方案對(duì)黃海海霧的模擬效果，選取2次典型的海霧個(gè)例作為研究對(duì)象，利用衛(wèi)星反演數(shù)據(jù)、再分析數(shù)據(jù)與常規(guī)觀測(cè)數(shù)據(jù)，詳細(xì)分析海霧演變特征、海霧天氣形勢(shì)與邊界層特征，對(duì)比分析不同參數(shù)方案對(duì)海霧的模擬效果。史得道等[18]采用WRF 中尺度數(shù)值模式，基于循環(huán)三維變分?jǐn)?shù)據(jù)同化方案，構(gòu)建渤海海霧數(shù)值預(yù)報(bào)系統(tǒng)，經(jīng)過(guò)20次海霧過(guò)程統(tǒng)計(jì)檢驗(yàn)，預(yù)報(bào)準(zhǔn)確率達(dá)到60%。崔馳瀟等[19]利用WRF模式耦合不同閉合方式邊界層參數(shù)化方案，對(duì)江蘇地區(qū)的一次平流霧過(guò)程進(jìn)行數(shù)值模擬，對(duì)比分析模擬結(jié)果與實(shí)測(cè)氣象數(shù)據(jù)，評(píng)估了他們對(duì)此次平流霧模擬效果，分析邊界層高度對(duì)此次平流霧的生成和發(fā)展的影響。姜昊宇等[20]利用WRF 模式，利用SLAB 方案與Noah 方案2 種陸面方案，對(duì)一次陸地霧和一次海霧個(gè)例進(jìn)行模擬并進(jìn)行對(duì)比分析，探究模擬效果迥異的原因。但是天氣診斷方法需要大量人力成本，且難以做好精細(xì)化預(yù)報(bào)。線性回歸、逐步回歸等傳統(tǒng)統(tǒng)計(jì)方法對(duì)能見度復(fù)雜非線性特征處理能力不足，難以達(dá)到精度的要求。海霧數(shù)值預(yù)報(bào)模式近年來(lái)取得了良好的業(yè)務(wù)應(yīng)用效果，受到初始場(chǎng)限制和運(yùn)算時(shí)間成本影響，難以根據(jù)實(shí)況進(jìn)行快速運(yùn)行迭代。

近年來(lái)，機(jī)器學(xué)習(xí)在霧天氣和大氣能見度預(yù)報(bào)等方面表現(xiàn)出了顯著優(yōu)勢(shì)[21]。機(jī)器學(xué)習(xí)在理論上能以任意小的誤差來(lái)近似任意的連續(xù)函數(shù)，能夠根據(jù)大量的氣象觀測(cè)數(shù)據(jù)學(xué)習(xí)出能見度規(guī)律的數(shù)學(xué)表示[22-24]，從而實(shí)現(xiàn)對(duì)能見度預(yù)測(cè)。相比傳統(tǒng)的能見度預(yù)報(bào)數(shù)學(xué)模型，基于機(jī)器學(xué)習(xí)技術(shù)的能見度預(yù)測(cè)模型能根據(jù)氣溫、氣壓、風(fēng)力和相對(duì)濕度等氣象觀測(cè)數(shù)據(jù)學(xué)習(xí)出特征表示，并學(xué)出氣象觀測(cè)數(shù)據(jù)與能見度的映射函數(shù)，從而應(yīng)對(duì)了天氣的瞬變性。韓婷婷[25]利用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合構(gòu)建大霧短臨預(yù)測(cè)模型，通過(guò)實(shí)驗(yàn)確定預(yù)測(cè)模型的最優(yōu)參數(shù)，并證明了預(yù)測(cè)模型的有效性。鄭成[26]基于時(shí)間卷積網(wǎng)絡(luò)與遷移學(xué)習(xí)提出了一種能見度預(yù)報(bào)方法，先對(duì)源域能見度數(shù)據(jù)進(jìn)行學(xué)習(xí)，優(yōu)化模型參數(shù)，再對(duì)目標(biāo)域的小數(shù)據(jù)集進(jìn)行學(xué)習(xí)，證明了在小數(shù)據(jù)集條件下，遷移學(xué)習(xí)能夠提升模型的預(yù)報(bào)性能。趙亞[27]利用深度學(xué)習(xí)構(gòu)建預(yù)測(cè)能見度模型，并與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)對(duì)比，證明了深度學(xué)習(xí)模型預(yù)測(cè)能見度的效果要比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)效果更好。

因氣象觀測(cè)數(shù)據(jù)少、能見度局地特征強(qiáng)、氣象條件復(fù)雜多變等問題，目前基于深度學(xué)習(xí)的近海岸能見度預(yù)報(bào)研究不多。李昕蓓等[28]利用福州氣象觀測(cè)站地面觀測(cè)數(shù)據(jù)，基于循環(huán)神經(jīng)網(wǎng)絡(luò)建立了福州單站能見度短臨預(yù)報(bào)模型。檢驗(yàn)表明，相比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)能見度預(yù)報(bào)具有優(yōu)勢(shì)，其平均絕對(duì)值誤差比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)減小12.90%。胡海川等[29]基于BP 神經(jīng)網(wǎng)絡(luò)方法，利用地面常規(guī)氣象觀測(cè)數(shù)據(jù)及NCEP 再分析資料，構(gòu)建環(huán)渤海沿海城市能見度預(yù)報(bào)模型，檢驗(yàn)表明該方法對(duì)低能見度天氣過(guò)程的能見度預(yù)報(bào)具有指示意義。可見，在雷州半島地區(qū)基于深度學(xué)習(xí)的近海岸能見度預(yù)報(bào)研究幾乎是空白的。本文以湛江市國(guó)家基本氣象站作為主要參考站，將GRU神經(jīng)網(wǎng)絡(luò)應(yīng)用于雷州半島近海岸能見度短臨預(yù)報(bào)模型構(gòu)建，研究不同的模型結(jié)構(gòu)對(duì)雷州半島近海岸能見度的短臨預(yù)報(bào)能力。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來(lái)源

本研究使用的數(shù)據(jù)包括廣東省湛江、遂溪、吳川、雷州國(guó)家氣象觀測(cè)站(圖1)2017 年1 月1 日—2020 年12 月31 日(北京時(shí)間，下同)氣象觀測(cè)歷史數(shù)據(jù)。以上氣象觀測(cè)站每5 min采集一次數(shù)據(jù)，氣象要素包括1 min 平均能見度、5 cm 地溫、草面平均溫度、小時(shí)內(nèi)最高地表溫度、小時(shí)內(nèi)最低地表溫度、氣溫、相對(duì)濕度、海平面氣壓、蒸發(fā)、水汽壓、地表溫度、露點(diǎn)溫度、過(guò)去12 h 極大瞬時(shí)風(fēng)速、過(guò)去3 h降水量、24 h變溫、10 min平均風(fēng)速等。

圖1 雷州半島沿岸代表站點(diǎn)分布

2.2 數(shù)據(jù)預(yù)處理

初始數(shù)據(jù)集在部分時(shí)段存在缺失值，本研究利用拉格朗日插值方法[30]對(duì)缺失值進(jìn)行處理，形成完整的能見度實(shí)況數(shù)據(jù)集，共421 091 組數(shù)據(jù)。由于能見度實(shí)況數(shù)據(jù)與各變量的數(shù)據(jù)范圍不同，為了減少誤差，提高深度學(xué)習(xí)訓(xùn)練的速度，對(duì)能見度實(shí)況數(shù)據(jù)集各變量進(jìn)行標(biāo)準(zhǔn)化(公式(1))處理，將各變量的值縮放至0～1區(qū)間內(nèi)，

式中，X為某一氣象因子原始值，Xmin表示其最小值，Xmax表示其最大值，X'表示X歸一化后的值。完成歸一標(biāo)準(zhǔn)化后，把能見度實(shí)況數(shù)據(jù)集按照7：3劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集294 763組數(shù)據(jù)，測(cè)試集126 328組數(shù)據(jù)。利用前24 h的數(shù)據(jù)預(yù)報(bào)未來(lái)1 h 的能見度，形成適合訓(xùn)練GRU 模型的輸入數(shù)據(jù)。為了保證測(cè)試樣本的獨(dú)立性，將測(cè)試樣本進(jìn)行隨機(jī)排序。

為了保證輸入預(yù)報(bào)模型的因子具有統(tǒng)計(jì)學(xué)意義，對(duì)能見度實(shí)況數(shù)據(jù)集進(jìn)行person 相關(guān)性分析，p值設(shè)為0.05，如公式(2)所示，

其中，Xi為某一氣象因子的第i個(gè)時(shí)間節(jié)點(diǎn)對(duì)應(yīng)的數(shù)值為某一氣象因子的平均值，Yi為第i個(gè)時(shí)間節(jié)點(diǎn)能見度值為能見度平均值，R為計(jì)算得到的相關(guān)系數(shù)。

2.3 相關(guān)性分析

能見度降低的主要因素是大氣中懸浮粒子對(duì)可見光的散射和吸收造成的。除了大氣污染物外，氣象要素會(huì)通過(guò)直接或間接方式影響能見度的變化。將湛江站能見度與同時(shí)刻的各氣象因子進(jìn)行相關(guān)分析，研究其相互關(guān)系及影響機(jī)理，挑選出相關(guān)系數(shù)較大的22個(gè)因子，其p值都小于0.05，均具有統(tǒng)計(jì)學(xué)意義。

水汽主要是通過(guò)兩種方式來(lái)影響能見度，一是本身對(duì)可見光的散射和吸收，二是使邊界層中吸濕性氣溶膠吸收更多水分，增加氣溶膠的散射截面，改變氣溶膠的光學(xué)性質(zhì)，造成能見度降低。上述影響機(jī)理同樣可解釋相對(duì)濕度、水汽壓、溫度露點(diǎn)差等氣象要素和能見度的關(guān)系。

邊界層溫度場(chǎng)通過(guò)影響大氣層結(jié)穩(wěn)定性，影響大氣懸浮粒子的聚集或者散射，從而間接影響能見度的變化。

穩(wěn)定的氣壓場(chǎng)，有利于邊界層中氣溶膠和水汽的聚集，從而降低能見度，反之不穩(wěn)定的氣壓場(chǎng)容易提高能見度。

風(fēng)對(duì)能見度的影響比較復(fù)雜，風(fēng)速較低時(shí)，大氣顆粒物不容易擴(kuò)散，導(dǎo)致能見度下降；較大的風(fēng)容易稀釋大氣顆粒物，從而提高能見度水平。

氣溫對(duì)能見度的影響是多方面的，由輻射而降溫時(shí)，有利于能見度降低，由冷空氣入侵而降溫時(shí)，有利于能見度提高。

蒸發(fā)量受風(fēng)、日照、溫度等其它氣象要素影響，表現(xiàn)為多種氣象要素共同對(duì)能見度的影響，一般蒸發(fā)越大，能見度越好。

能見度有日變化特征，霧容易在凌晨形成，導(dǎo)致能見度降低。日出后，氣溫升高，相對(duì)濕度減小，大氣層結(jié)不穩(wěn)定度增加等因素，有利于能見度提升。海霧容易在冬春季生成，夏秋季較少，因此能見度也有月變化特征。

相比本站的氣象要素，周邊上下游的遂溪、雷州、坡頭站能見度與本站的能見度相關(guān)系數(shù)更高，均超過(guò)0.5。因?yàn)橛绊懤字莅雿u近岸沿海能見度的霧主要是平流霧，此類霧特點(diǎn)是水平范圍很廣，這導(dǎo)致湛江站能見度變化與上下游觀測(cè)站的能見度除了時(shí)間維度聯(lián)系，在空間維度上也有聯(lián)系。因此本文將同時(shí)引入周邊上下游自動(dòng)站能見度觀測(cè)資料，包括遂溪、雷州、坡頭站，用于構(gòu)建短臨能見度預(yù)報(bào)模型。

表1 湛江站能見度與各氣象因子相關(guān)關(guān)系

2.4 模型構(gòu)建方法

本文分別使用門限循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)和多元逐步回歸方法進(jìn)行模型的構(gòu)建，對(duì)1 h后的能見度進(jìn)行預(yù)報(bào)，從而實(shí)現(xiàn)逐5 min更新的高時(shí)間分辨率能見度短臨預(yù)報(bào)。

2.4.1 門限循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)

門限循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)是2014 年提出的全新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(圖2)，它彌補(bǔ)了循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)無(wú)法學(xué)習(xí)長(zhǎng)期依賴關(guān)系的不足，又比長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)參數(shù)更少，結(jié)構(gòu)更簡(jiǎn)單。在對(duì)門限循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)進(jìn)行訓(xùn)練的過(guò)程中，需要計(jì)算更新門、重置門，這兩個(gè)門的值都在0～1之間，代表對(duì)特征信息的過(guò)濾程度。門限循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)的前向傳播如公式(3)～(6)所示，

圖2 GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中，Zt為t時(shí)間步時(shí)更新門狀態(tài)值，rt為t時(shí)間步時(shí)重置門狀態(tài)值，σ為Sigmoid 激活函數(shù)，ht-1是t-1 時(shí)間步輸出的狀態(tài)信息，xt為當(dāng)前時(shí)刻輸入的能見度特征向量表示t時(shí)間步時(shí)狀態(tài)信息候選值，ht是t時(shí)間步輸出的狀態(tài)信息，tanh為雙曲正切激活函數(shù)。Wz、Wr、Wh?為權(quán)重矩陣參數(shù)。

2.4.2 多元逐步回歸方法

多元逐步回歸預(yù)報(bào)方法是一種建立最優(yōu)多元回歸方程的統(tǒng)計(jì)方法。根據(jù)因子的顯著性程度，從大到小依次逐個(gè)引入回歸方程。每次引入新的因子后，都對(duì)回歸方程中所有的因子逐個(gè)進(jìn)行檢驗(yàn)，并剔除方差貢獻(xiàn)變得不顯著的因子，直至既無(wú)顯著變量可引入回歸方程，又無(wú)不顯著的變量留在回歸方程中為止。

2.5 模型定量評(píng)估方法

本研究采用均方根誤差RMSE、平均絕對(duì)誤差MAE、決定系數(shù)R2來(lái)定量評(píng)價(jià)預(yù)報(bào)模型的精度。其中，RMSE、MAE 越小，說(shuō)明模型精度越高，而R2越大，模型精度越高。各指標(biāo)計(jì)算公式如公式(7)～(9)：

式中，n為數(shù)據(jù)的數(shù)量為預(yù)報(bào)值，yj為真實(shí)值為真實(shí)值的平均值。

3 結(jié)果與分析

3.1 預(yù)報(bào)模型構(gòu)建

為了測(cè)試不同建模方法和方案的效果，本研究數(shù)據(jù)資料分別使用單站和多站的氣象觀測(cè)數(shù)據(jù)，建模方法分別使用GRU 神經(jīng)網(wǎng)絡(luò)和多元逐步回歸法，建立對(duì)應(yīng)的預(yù)報(bào)模型，進(jìn)行試預(yù)報(bào)檢驗(yàn)，分析不同數(shù)據(jù)和方法的預(yù)報(bào)效果。

GRU神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)的設(shè)置會(huì)影響預(yù)報(bào)模型的準(zhǔn)確性。通過(guò)大量的訓(xùn)練，對(duì)比不同變量因子組合方案，不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)各項(xiàng)參數(shù)，挑選最優(yōu)GRU 參數(shù)構(gòu)建模型。最終采用兩層GRU 隱藏層，其中，第一層GRU 隱藏層節(jié)點(diǎn)數(shù)為128，第二層GRU 隱藏層節(jié)點(diǎn)數(shù)為96，兩層GRU 隱藏層后都設(shè)計(jì)一個(gè)dropout層，設(shè)置為0.2。在訓(xùn)練過(guò)程中，取訓(xùn)練集和測(cè)試集比例為7：3，采用SGD 更新方式，損失函數(shù)采用均方誤差MSE，訓(xùn)練epoch 為100 次，batch 為32，學(xué)習(xí)率為0.001，采用早停機(jī)制避免過(guò)度擬合，耐心值patience 為20，形成能見度單站GRU 預(yù)報(bào)模型VisNetS 和能見度多站GRU預(yù)報(bào)模型VisNetM。

接著采用多元逐步回歸方法建立預(yù)報(bào)方程。采用資料與神經(jīng)網(wǎng)絡(luò)一致，設(shè)定p值為0.05，經(jīng)過(guò)對(duì)因子進(jìn)行多次的引入和剔除，最后選取16 個(gè)因子參數(shù)建立能見度單站逐步回歸預(yù)報(bào)模型VisMlrS，如公式(10)；選取18 個(gè)因子參數(shù)建立能見度多站逐步回歸預(yù)報(bào)模型VisMlrM，如公式(11)。

3.2 模型預(yù)報(bào)效果隨機(jī)檢驗(yàn)

基于測(cè)試集，采用均方根誤差RMSE、平均絕對(duì)誤差MAE、決定系數(shù)R2對(duì)比四個(gè)預(yù)報(bào)模型的定量化評(píng)價(jià)指標(biāo)(表2)。從模型構(gòu)建方法看，多站GRU 模型VisNetM 和單站GRU 模型VisNetS 平均絕對(duì)誤差分別為4.10 km、4.76 km，均方根誤差RMSE 分別為5.36 km、5.90 km，顯著低于多元線性回歸模型，決定系數(shù)R2評(píng)分分別為0.65、0.57，約為多元逐步回歸模型的兩倍，因此整體上GRU 模型預(yù)報(bào)準(zhǔn)確率顯著高于多元線性回歸模型。

表2 各預(yù)報(bào)模型在測(cè)試樣本中的預(yù)報(bào)效果

相比單站數(shù)據(jù)建模，增加上下游觀測(cè)站數(shù)據(jù)，GRU 模型VisNetM 預(yù)報(bào)準(zhǔn)確性得到顯著提升，平均絕對(duì)誤差、均方根誤差數(shù)值分別減小了14%、9%，決定系數(shù)增加了13%。而同樣情況下，基于逐步回歸方法構(gòu)建的模型，各類定量評(píng)價(jià)指標(biāo)并沒有因?yàn)橐肓松舷掠斡^測(cè)站數(shù)據(jù)而得到顯著性提高。可見相比逐步回歸方法，GRU 模型能夠更好地識(shí)別并表達(dá)出能見度在空間維度上變化特征，從而提升預(yù)報(bào)效果。

3.3 一次海霧過(guò)程的預(yù)報(bào)檢驗(yàn)

選取2022年1月2—3日雷州半島地區(qū)持續(xù)性霧天氣作為案例，驗(yàn)證模型預(yù)報(bào)效果。2021 年12月下旬廣東省受到寒潮的影響，2022年1月2日寒潮影響結(jié)束，冷高壓主體逐漸東移入海，雷州半島處于其后部，氣壓梯度較小，2 日晚上到3 日凌晨雷州半島沿海一帶轉(zhuǎn)偏東風(fēng)，此時(shí)陸地仍然是弱偏北風(fēng)，近地面弱東風(fēng)場(chǎng)將外海暖濕空氣輸送到陸地冷面(圖3)。來(lái)自海上暖濕氣流經(jīng)過(guò)雷州半島溫度較低的陸面，冷卻形成高壓入海型的平流霧，自東向西影響雷州半島。1 月2 日早晨和夜間雷州半島及其沿海主要以輕霧為主。1月3日海霧逐漸加強(qiáng)，00 時(shí)50 分遂溪站首先觀測(cè)到能見度為900 m，持續(xù)到1月3日08時(shí)轉(zhuǎn)為輕霧，最低能見度250 m。雷州站于1月3日01時(shí)25分觀測(cè)到霧出現(xiàn)(能見度800 m)，并持續(xù)到3日09時(shí)30分才轉(zhuǎn)為輕霧，期間雷州站出現(xiàn)20 m 左右最低能見度。湛江站在1 月2 日21 時(shí)開始出現(xiàn)輕霧，輕霧持續(xù)到3 日10時(shí)，期間最低能見度為2.3 km (圖4)。

圖3 2022年1月3日南海北部風(fēng)場(chǎng)和氣溫場(chǎng)

圖4 2022年1月3日雷州半島最小能見度分布

四種預(yù)報(bào)模型都能預(yù)報(bào)出海霧能見度下降趨勢(shì)(圖5)，但是擬合效果有顯著區(qū)別。多站GRU模型VisNetM 模擬效果最佳，整個(gè)過(guò)程最契合實(shí)況，平均絕對(duì)誤差MAE 和均方根誤差RMSE 分別為1.83 km、2.44 km，決定系數(shù)R2達(dá)到0.81(表3)。但其對(duì)低能見度預(yù)報(bào)結(jié)果較觀測(cè)偏大，這可能和訓(xùn)練數(shù)據(jù)中低能見度樣本偏少有關(guān)。其次是多站逐步回歸模型VisMlrM，平均絕對(duì)誤差MAE 和均方根誤差RMSE 分別為2.39 km、3.09 km，決定系數(shù)R2達(dá)到0.7，尤其是在低能見度時(shí)期預(yù)報(bào)值更接近實(shí)況，最低能見度出現(xiàn)的時(shí)間也比較接近觀測(cè)情況。單站GRU 模型VisNetS 模擬效果和單站逐步回歸模型VisMlrS效果稍差，二者決定系數(shù)R2均為0.62，但單站GRU模型VisNetS既沒有預(yù)報(bào)出輕霧過(guò)程中能見度最低值出現(xiàn)的時(shí)間，對(duì)最低值的預(yù)報(bào)誤差也是最大的。單站逐步回歸模型VisMlrS對(duì)最低值的預(yù)報(bào)誤差比VisNetS 模型更小。可見，多站GRU模型VisNetM能識(shí)別海霧上下游的氣象時(shí)空特征，以此有效提高了預(yù)報(bào)準(zhǔn)確性。多站逐步回歸模型VisMlrM 也能識(shí)別上下游的海霧氣象時(shí)空特征，但是效果稍弱。而單站GRU 模型VisNetS 和單站逐步回歸模型VisMlrS 沒法識(shí)別上下游的海霧氣象時(shí)空特征，導(dǎo)致預(yù)報(bào)準(zhǔn)確性最弱。另外，并非GRU 預(yù)報(bào)模型效果一定會(huì)比傳統(tǒng)的統(tǒng)計(jì)模型效果更佳，這需要構(gòu)建更加有效的模型結(jié)構(gòu)，才能更好地發(fā)揮出GRU模型的擬合潛力。

表3 各預(yù)報(bào)模型在2022年1月2—3日海霧個(gè)例過(guò)程中的預(yù)報(bào)效果

圖5 各預(yù)報(bào)模型在2022年1月2—3日海霧個(gè)例過(guò)程預(yù)報(bào)效果

4 結(jié)論

本文利用GRU 神經(jīng)網(wǎng)絡(luò)，采用廣東省湛江市國(guó)家基本氣象站及其上下游站點(diǎn)觀測(cè)資料，構(gòu)建湛江市國(guó)家基本氣象站能見度短臨預(yù)報(bào)的多站GRU 模型，并進(jìn)行了隨機(jī)樣本測(cè)試和個(gè)例預(yù)報(bào)檢驗(yàn)。同時(shí)，對(duì)比采用湛江市國(guó)家基本氣象站觀測(cè)數(shù)據(jù)構(gòu)建的單站GRU 預(yù)報(bào)模型，以及采用多站和單站觀測(cè)資料建立的逐步回歸預(yù)報(bào)模型，研究不同的預(yù)報(bào)模型在雷州半島近海岸能見度的短臨預(yù)報(bào)能力，得到以下結(jié)論。

(1) GRU 模型預(yù)報(bào)結(jié)果與實(shí)際觀測(cè)的變化趨勢(shì)一致性較好，整體上預(yù)報(bào)準(zhǔn)確性顯著好于多元線性回歸模型。在隨機(jī)檢驗(yàn)和個(gè)例檢驗(yàn)中，多站GRU 模型平均絕對(duì)誤差、均方根誤差明顯低于多元線性回歸模型，決定系數(shù)評(píng)分明顯高于多元線性回歸模型。

(2) 合理的模型結(jié)構(gòu)對(duì)能見度短臨預(yù)報(bào)效果至關(guān)重要，將上下游的氣象特征引入到能見度短臨預(yù)報(bào)模型可顯著提升預(yù)報(bào)效果。在個(gè)例檢驗(yàn)中，多站GRU 模型較單站GRU 模型平均絕對(duì)誤差、均方根誤差下降了36%和29% ，決定系數(shù)提高了30%。相比傳統(tǒng)的逐步回歸方法，GRU 神經(jīng)網(wǎng)絡(luò)能更好地識(shí)別上下游能見度的時(shí)空變化特征，從而提高沿海近岸能見度臨近預(yù)報(bào)的準(zhǔn)確性。

(3) GRU 模型對(duì)低能見度預(yù)報(bào)結(jié)果較觀測(cè)偏大，這可能和訓(xùn)練數(shù)據(jù)中低能見度樣本偏少，高能見度樣本占大多數(shù)有關(guān)。而傳統(tǒng)的逐步回歸模型并沒有出現(xiàn)類似的不足。

本文只用了小部分代表站進(jìn)行能見度預(yù)報(bào)模型的構(gòu)建，還沒有將基于GRU 神經(jīng)網(wǎng)絡(luò)的能見度的預(yù)報(bào)潛力完全發(fā)揮出來(lái)。為進(jìn)一步提升預(yù)報(bào)模型性能，今后可進(jìn)一步優(yōu)化模型參數(shù)和結(jié)構(gòu)，還可增加模型的訓(xùn)練數(shù)據(jù)，包括增加更長(zhǎng)年份的歷史數(shù)據(jù)，或者加入布設(shè)密度更大的氣象區(qū)域自動(dòng)站數(shù)據(jù)。今后還可將基于GRU 模型的試驗(yàn)結(jié)果與一般的機(jī)器學(xué)習(xí)方法，如隨機(jī)森林、XGBoost 方法進(jìn)行比較，對(duì)比不同的機(jī)器學(xué)習(xí)方法對(duì)近海岸能見度短臨預(yù)報(bào)的能力。本文只使用了一次海霧過(guò)程作為預(yù)報(bào)試驗(yàn)，試驗(yàn)評(píng)估數(shù)據(jù)具有一定的局限性。今后將使用更多個(gè)例進(jìn)行預(yù)報(bào)模型的檢驗(yàn)。