SVM方法在霾識(shí)別和能見(jiàn)度預(yù)報(bào)中的應(yīng)用

鄭朝霞 周梅 季致建 方桃妮 劉學(xué)華

（金華市氣象局，金華 321000）

SVM方法在霾識(shí)別和能見(jiàn)度預(yù)報(bào)中的應(yīng)用

鄭朝霞 周梅 季致建 方桃妮 劉學(xué)華

（金華市氣象局，金華 321000）

選用2013—2014年地面自動(dòng)站資料、探空氣象資料以及大氣污染物濃度的數(shù)據(jù)，采用支持向量機(jī)（Support Vector Machine，SVM）方法分別建立金華SVM霾識(shí)別預(yù)報(bào)模型和14時(shí)能見(jiàn)度SVM回歸預(yù)報(bào)模型來(lái)進(jìn)行實(shí)證研究。通過(guò)預(yù)報(bào)結(jié)果檢驗(yàn)發(fā)現(xiàn)：1）金華地區(qū)SVM霾識(shí)別預(yù)報(bào)模型的TS評(píng)分均在0.65以上，且8個(gè)最優(yōu)模型判斷完全錯(cuò)誤的天數(shù)只有3d，占2.7%，表明模型分類結(jié)果較好，可在實(shí)際業(yè)務(wù)預(yù)報(bào)中推廣應(yīng)用；2）金華地區(qū)14時(shí)能見(jiàn)度SVM回歸預(yù)報(bào)模型得到的預(yù)報(bào)值集中在6～16km，預(yù)報(bào)值較為集中，而實(shí)況值波動(dòng)較大，即模型對(duì)極值預(yù)報(bào)能力較弱，表明模型對(duì)中度霾和重度霾天氣預(yù)報(bào)的指導(dǎo)意義不大。

SVM方法，霾識(shí)別預(yù)報(bào)，14時(shí)能見(jiàn)度預(yù)報(bào)

0 引 言

近年來(lái)，霾是民眾關(guān)注的熱點(diǎn)問(wèn)題之一且其在我國(guó)的出現(xiàn)頻率越來(lái)越高，特別是長(zhǎng)三角和京津冀等工業(yè)化發(fā)達(dá)的城市尤為突出。金華地處金衢盆地東段，為浙中丘陵盆地地區(qū)，地形南北高、中部低，呈馬鞍形，位于長(zhǎng)三角經(jīng)濟(jì)發(fā)達(dá)地區(qū)的下游，污染源較多，加上特殊的地形有利于由北向南移動(dòng)的污染物堆積滯留，有利于霾的形成。金華的氣候特點(diǎn)為除連陰雨時(shí)期、梅雨汛期和臺(tái)風(fēng)汛期等三個(gè)時(shí)段降水較為豐沛外，其他時(shí)間（尤其是每年10月至次年2月）降水常年較少，霾的影響較為嚴(yán)重。霾與人民的身體健康息息相關(guān)，影響較為嚴(yán)重，故霾的形成機(jī)理、變化和預(yù)測(cè)預(yù)報(bào)方法是目前氣象和環(huán)境部門研究的重點(diǎn)。在業(yè)務(wù)中，霾常用的預(yù)報(bào)方法主要有經(jīng)驗(yàn)預(yù)報(bào)法、統(tǒng)計(jì)預(yù)報(bào)法和數(shù)值預(yù)報(bào)法，其中經(jīng)驗(yàn)預(yù)報(bào)和統(tǒng)計(jì)預(yù)報(bào)法需要結(jié)合有利于霾形成的氣象條件和變化規(guī)律等，但考慮到影響霾形成的因素較多、影響因子復(fù)雜，且其與霧形成的氣象條件相類似等特點(diǎn)，目前尚未得到較好的研究結(jié)果。而數(shù)值預(yù)報(bào)方法則是先要了解當(dāng)?shù)匚廴疚餄舛群妥兓?guī)律，再計(jì)算能見(jiàn)度。但由于影響污染物濃度變化的因素較多，變化規(guī)律較難掌握，加上計(jì)算量較大，這項(xiàng)方法在實(shí)際業(yè)務(wù)應(yīng)用中開(kāi)展較為緩慢。本文采用一種對(duì)預(yù)報(bào)因子與預(yù)報(bào)對(duì)象是否線性相關(guān)無(wú)明顯的依賴關(guān)系，且對(duì)因子的數(shù)量沒(méi)有明顯的限制的[1-2]，并基于統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來(lái)的方法，即支持向量機(jī)（Support Vector Machine，SVM）方法對(duì)霾的識(shí)別和能見(jiàn)度預(yù)報(bào)進(jìn)行了較為系統(tǒng)的研究。

統(tǒng)計(jì)學(xué)習(xí)理論是一種專門解決有限樣本學(xué)習(xí)問(wèn)題的理論，SVM方法就是在這一理論基礎(chǔ)上發(fā)展演化而來(lái)的。陳永義等[1]和馮漢中等[2]指出，SVM方法的最終決策函數(shù)只由少數(shù)的支持向量所決定，計(jì)算的復(fù)雜性大大降低，而且根本不需要知道自變量和因變量之間的顯式表達(dá)式，對(duì)研究預(yù)報(bào)對(duì)象與預(yù)報(bào)因子間關(guān)系不明確的情況十分有利。目前，SVM方法在氣象預(yù)測(cè)預(yù)報(bào)領(lǐng)域，如暴雨預(yù)報(bào)[3]、溫度預(yù)報(bào)[4-5]、大霧預(yù)報(bào)[6]、天空云量預(yù)報(bào)[7-8]等方面已經(jīng)取得了一些進(jìn)展。本文以金華國(guó)家基準(zhǔn)氣候站（簡(jiǎn)稱金華站，下同）為例，將SVM分類和回歸方法應(yīng)用到霾識(shí)別和14時(shí)（北京時(shí)，下同）能見(jiàn)度預(yù)報(bào)中。

1 SVM霾識(shí)別預(yù)報(bào)模型

1.1 確定預(yù)報(bào)對(duì)象

隨著氣象觀測(cè)業(yè)務(wù)現(xiàn)代化的發(fā)展，自2014年1月1日起金華站能見(jiàn)度觀測(cè)改為自動(dòng)觀測(cè)，同時(shí)，國(guó)家氣象中心對(duì)霾判識(shí)標(biāo)準(zhǔn)進(jìn)行了相應(yīng)修訂，即當(dāng)降水量為0mm、風(fēng)速＜4m/s、能見(jiàn)度＜7500m、相對(duì)濕度＜80%時(shí)，判識(shí)為霾，且規(guī)定霾日的確定應(yīng)以臺(tái)站的自動(dòng)觀測(cè)記錄為準(zhǔn)。故本文霾日的確定均以金華站地面觀測(cè)上傳的長(zhǎng)Z文件的記錄為準(zhǔn)，若天氣現(xiàn)象欄中出現(xiàn)霾記錄則確定當(dāng)日為霾日，記為“1”；否則記為“－1”，即無(wú)霾日。

1.2 構(gòu)建預(yù)報(bào)因子

選取2013年1月至2014年12月地面、探空和污染物濃度資料，共71個(gè)預(yù)報(bào)因子構(gòu)建模型，具體包括：1）金華站逐日08、14和20時(shí)的溫度、氣壓、相對(duì)濕度、露點(diǎn)和風(fēng)速5類地面資料；2）衢州站①金華站不是探空站，故選用距離較近的探空站——衢州站（58633）資料代替。的1000、925、850、700和500hPa各層的位勢(shì)高度（其中1000 hPa位勢(shì)高度由于缺測(cè)太多故剔除），溫度、露點(diǎn)和風(fēng)速等探空資料；3）逐日08、14和20時(shí)的SO2、CO、O3、NO2、PM2.5和PM106類大氣污染物濃度②金華站未設(shè)環(huán)境質(zhì)量監(jiān)測(cè)點(diǎn)，環(huán)保部門在金華市本級(jí)共設(shè)4個(gè)監(jiān)測(cè)站點(diǎn)，其中焦巖背景站2013年8月開(kāi)始投入使用，故文中大氣污染物濃度數(shù)據(jù)用金華監(jiān)測(cè)站（29.10°N，119.68°E）、十五中（29.08°N，119，65°E）和四中（29.11°N，119.65°E）三個(gè)監(jiān)測(cè)站點(diǎn)的平均值代替。。

1.3 選取建模方式

CMSVM2.0系統(tǒng)中分類問(wèn)題的模型擇優(yōu)標(biāo)準(zhǔn)有三種③中國(guó)氣象局氣象干部培訓(xùn)學(xué)院《SVM2.0用戶使用手冊(cè)》和陳永義，馮漢中，王泳等的《SVM講義》。，本文選用適合正樣本發(fā)生頻率較小且相對(duì)較嚴(yán)格的標(biāo)準(zhǔn)——正樣本TS評(píng)分。用此標(biāo)準(zhǔn)分別選取8種核函數(shù)的最優(yōu)模型，并進(jìn)行試驗(yàn)對(duì)比。

1.4 建立識(shí)別預(yù)報(bào)模型

剔除缺測(cè)樣本后，模型的有效樣本均為726個(gè)，由于樣本長(zhǎng)度有限，且試驗(yàn)樣本的數(shù)據(jù)不參與建模過(guò)程，故可用試驗(yàn)樣本代替檢驗(yàn)樣本。將樣本資料按時(shí)間順序分為兩個(gè)部分：1）訓(xùn)練樣本，約占85%，共617個(gè)；2）試驗(yàn)和檢驗(yàn)樣本，約占15% ，共109個(gè)。

1.5 模型結(jié)果和分析

采用逐步篩選方法確定最優(yōu)模型參數(shù)，得到SVM霾識(shí)別預(yù)報(bào)最優(yōu)模型，結(jié)果如下：

通過(guò)表1的分析得到：1）8類核函數(shù)最優(yōu)模型的正樣本分類TS評(píng)分均在0.65以上，最大為0.68，分類正確率均大于73.39%，最大為77.06%，分類結(jié)果較為滿意；2）除線性核函數(shù)外，其余核函數(shù)空?qǐng)?bào)次數(shù)少于漏報(bào)，但8類核函數(shù)最優(yōu)模型的預(yù)報(bào)結(jié)果總體相近，故需要對(duì)最優(yōu)模型分類情況和錯(cuò)誤的樣本進(jìn)行逐個(gè)比對(duì)和交叉分析。

表1 SVM霾識(shí)別最優(yōu)模型和分類結(jié)果Table1 The optimal models and test results of the identification models by using the SVM method

通過(guò)對(duì)8類核函數(shù)最優(yōu)模型的分類結(jié)果逐個(gè)比對(duì)、交叉分析以及對(duì)分類錯(cuò)誤樣本的分析（圖1）知：1）檢驗(yàn)樣本共有109個(gè)，其中有44個(gè)樣本分類完全正確，38個(gè)樣本有大于等于5個(gè)最優(yōu)模型分類正確，24個(gè)樣本有小于等于4個(gè)最優(yōu)模型分類正確，只有3個(gè)樣本分類完全錯(cuò)誤；2）65個(gè)分類錯(cuò)誤樣本中，除3個(gè)完全分類錯(cuò)誤的樣本外，最優(yōu)模型對(duì)其余樣本的判斷錯(cuò)誤結(jié)果只有一種，未出現(xiàn)既有空?qǐng)?bào)又有漏報(bào)的樣本，減少了分歧，增強(qiáng)了實(shí)際業(yè)務(wù)中預(yù)報(bào)員通過(guò)結(jié)合當(dāng)日實(shí)況和氣象條件的主觀分析進(jìn)行正確預(yù)報(bào)的把握。

通過(guò)對(duì)8個(gè)最優(yōu)模型都錯(cuò)誤歸類的3個(gè)樣本（2014年10月13日、11月11和27日）的分析可知：三天均為霾日和無(wú)霾日轉(zhuǎn)折天氣，主客觀預(yù)報(bào)難度都相應(yīng)增加。其中，10月12日有霾，屬輕度污染；隨著冷空氣南下，13日金華處地面鋒區(qū)，風(fēng)力增大，有利于污染物的擴(kuò)散，轉(zhuǎn)為無(wú)霾；14日受地面冷高控制，層結(jié)穩(wěn)定，且沒(méi)有輸入性污染物，仍無(wú)霾。11月10日冷空氣南下補(bǔ)充，輸入性污染物增多，但8—10日金華站及周邊地區(qū)都有弱降水，無(wú)霾；11日冷空氣繼續(xù)滲透，弱降水發(fā)生前或發(fā)生時(shí)對(duì)顆粒物的洗滌作用較好[9-10]，能見(jiàn)度短暫增大，無(wú)霾；12日冷空氣主體南下，輸入性污染物持續(xù)的增加，轉(zhuǎn)為霾日；26日夜里高空有下滑槽東移影響，27日低層有弱切變東移，金華站周邊有弱降水，無(wú)霾；28日受弱冷空氣影響，輸入性污染物增加，轉(zhuǎn)為有霾。綜上可以看出，前期弱降水對(duì)空氣中顆粒物或污染物有一定的洗滌作用，而強(qiáng)降水又可以使能見(jiàn)度顯著減低[9-10]，說(shuō)明降水天氣現(xiàn)象可以影響能見(jiàn)度的變化，進(jìn)而影響霾的判識(shí)，增加了霾天氣識(shí)別的難度，尤其是有霾和無(wú)霾轉(zhuǎn)折性天氣預(yù)報(bào)的難度。

從這三個(gè)例子也可以看出，由于金華特殊的地形和地理位置影響，冷空氣對(duì)金華站霾的形成是一把雙刃劍：一方面受冷空氣影響，風(fēng)力將會(huì)增大，將有利于污染物的擴(kuò)散，有利于霾的消散，如2014年10月13日；另一方面由于冷空氣路徑一般為自北向南，因而冷空氣會(huì)攜帶上游地區(qū)的污染物南下，受盆地效應(yīng)的影響，有利于輸入性污染物在金華的堆積，加重污染，如2014年11月27日。

圖1 8個(gè)最優(yōu)模型中分類錯(cuò)誤樣本分布Fig.1 The error classification samples of the eight optimal models

2 14時(shí)能見(jiàn)度SVM回歸預(yù)報(bào)模型

業(yè)務(wù)中，霾預(yù)報(bào)的重點(diǎn)和最終目的是為了做霾的強(qiáng)度預(yù)報(bào)，依據(jù)霾的強(qiáng)度發(fā)布相應(yīng)級(jí)別的預(yù)警信號(hào)等，而根據(jù)國(guó)家氣候中心對(duì)霾等級(jí)的劃分標(biāo)準(zhǔn)可以看出，大氣能見(jiàn)度是其判斷的主要依據(jù)。其中，當(dāng)能見(jiàn)度大于2000m且小于3000m定義為中度霾，當(dāng)能見(jiàn)度小于2000m時(shí)定義為重度霾。下文中將利用SVM回歸預(yù)報(bào)方法建立14時(shí)能見(jiàn)度預(yù)報(bào)模型。

2.1 確定預(yù)報(bào)對(duì)象和預(yù)報(bào)因子

預(yù)報(bào)對(duì)象為2013年1月1日—2014年12月31日14時(shí)能見(jiàn)度，預(yù)報(bào)因子同SVM霾識(shí)別預(yù)報(bào)模型。

2.2 選取建模方式

SVM回歸模型的擇優(yōu)標(biāo)準(zhǔn)選用均方根，分別得到8種核函數(shù)的最優(yōu)模型，并進(jìn)行對(duì)比。

2.3 建立回歸預(yù)報(bào)模型

剔除缺測(cè)樣本后，模型的有效樣本均為726個(gè)，樣本分類同SVM霾識(shí)別預(yù)報(bào)模型。

2.4 模型結(jié)果和分析

采用逐步篩選的方法確定最優(yōu)模型參數(shù)，得到SVM回歸預(yù)報(bào)最優(yōu)模型，結(jié)果如表2和圖2所示。

表2 能見(jiàn)度預(yù)報(bào)最優(yōu)模型和預(yù)報(bào)結(jié)果Table2 The optimal models and forecast results of the prediction models of visibility

通過(guò)分析表2可知：8個(gè)核函數(shù)的最優(yōu)模型對(duì)14時(shí)能見(jiàn)度預(yù)報(bào)值和預(yù)報(bào)效果較為接近，其中絕對(duì)差為3.81～3.99，均方差為4.65～5.00，誤差小于2km的預(yù)報(bào)準(zhǔn)確率為31%～35%，小于3km的準(zhǔn)確率為43%～46%。

通過(guò)預(yù)報(bào)值和真實(shí)值對(duì)比（圖2）可知：14時(shí)能見(jiàn)度實(shí)際值波動(dòng)較大，而8個(gè)最優(yōu)模型的預(yù)報(bào)值均集中在6～16km，且波動(dòng)較為平緩，說(shuō)明SVM回歸預(yù)報(bào)模型對(duì)14時(shí)能見(jiàn)度極值預(yù)報(bào)效果較差，尤其是對(duì)能見(jiàn)度小于6km的樣本預(yù)報(bào)準(zhǔn)確率幾乎為0，即對(duì)重度霾和中度霾天氣的指導(dǎo)意義不大。

應(yīng)用SVM回歸方法建立14時(shí)能見(jiàn)度預(yù)報(bào)模型的預(yù)報(bào)結(jié)果不是很理想，究其原因分為客觀和主觀兩方面。從客觀上看，一方面由于探空站設(shè)置的局限性，用衢州站探空信息代替，大大增加了模型的誤差；另一方面由于只有近兩年的大氣污染物濃度數(shù)據(jù)資料，樣本長(zhǎng)度較短，使得模型構(gòu)建時(shí)樣本包含的信息不夠全面，并且檢驗(yàn)樣本以冬季為主，而訓(xùn)練集中冬季樣本較少，這就會(huì)引起建立的模型不足以預(yù)報(bào)檢驗(yàn)樣本。主觀方面的原因在于影響能見(jiàn)度的因素眾多且十分復(fù)雜，眾多研究表明氣溫、空氣濕度、地面風(fēng)速和24h內(nèi)變壓等氣象因素以及太陽(yáng)輻射、紫外輻射和大氣成分等環(huán)境因素都與能見(jiàn)度有很好的相關(guān)性。而且晴天、陰天或雨天等不同類型天氣下能見(jiàn)度與污染物之間的相互作用也不同。從長(zhǎng)期角度出發(fā)來(lái)看，能見(jiàn)度變化趨勢(shì)與當(dāng)?shù)厝藶榕欧盼廴疚餄舛让芮邢嚓P(guān)，化工廠等污染物排放較為嚴(yán)重企業(yè)的建立、拆除，以及污染物處理設(shè)備的更新等都將影響當(dāng)?shù)啬芤?jiàn)度的變化。然而，本文在建立模型時(shí)，僅考慮了氣壓、相對(duì)濕度、風(fēng)速、探空和6類大氣污染物，對(duì)當(dāng)日太陽(yáng)輻射、紫外輻射和天氣類型未分析，尤其是未考慮雨水對(duì)空氣中顆粒物的沉降沖刷作用，所選因子過(guò)于局限，不夠全面。另一部分的誤差可能是由于引入了影響能見(jiàn)度相關(guān)性不大的因素引起的，如引入了700和500hPa兩層的探空資料，資料距離地面較高，而污染物平流擴(kuò)散的主要層次在200～500m[11]。故在實(shí)際業(yè)務(wù)中，需要在不斷增加樣本長(zhǎng)度、樣本的多樣性和綜合性的同時(shí)，引入更多相關(guān)性較好的或刪除相關(guān)性不大的預(yù)報(bào)因子，不斷完善模型。

圖2 14時(shí)能見(jiàn)度實(shí)況值和8個(gè)最優(yōu)模型14時(shí)能見(jiàn)度預(yù)報(bào)值分布(a)線性函數(shù)、多項(xiàng)式函數(shù)預(yù)報(bào)值；（b）徑向基、對(duì)稱三角形預(yù)報(bào)值；（c）柯西函數(shù)、拉普拉斯函數(shù)預(yù)報(bào)值；（d）雙曲正割函數(shù)、平方正弦函數(shù)預(yù)報(bào)值Fig.2 The visibility at 1400 of the real and the forecast of the eight optimal models(a) The forecast of linear and polynomial; (b) The forecast of the radial basis function and symmetrical triangle function; (c) The forecast of the Cauchy function and Laplace function；(d) The forecast of Hyperbolic secant function and square sine function

3 結(jié)論和討論

主要結(jié)論如下：

（1）利用SVM分類方法建立的霾識(shí)別模型正樣本分類TS評(píng)分均在0.65以上，最大為0.68，且109個(gè)樣本中，3個(gè)樣本的預(yù)報(bào)分類完全錯(cuò)誤，占2.7%，分類預(yù)報(bào)結(jié)果基本達(dá)到業(yè)務(wù)應(yīng)用水平。

（2）應(yīng)用SVM回歸方法建立的霾日14時(shí)能見(jiàn)度預(yù)報(bào)模型中，8類最優(yōu)模型的預(yù)報(bào)效果和預(yù)報(bào)值較為接近，誤差小于3km的準(zhǔn)確率僅為43%～46%，尤其是對(duì)極值預(yù)報(bào)能力較弱，對(duì)霾強(qiáng)度的預(yù)報(bào)指導(dǎo)意義不大。

（3）冷空氣對(duì)金華霾的形成和變化具有雙重作用，一是隨著冷空氣南下，風(fēng)力有所增大，有利于污染物擴(kuò)散，可以緩解霾污染；二是由于冷空氣南下攜帶大量的北方污染物，尤其是持續(xù)性補(bǔ)充的冷空氣，加上盆地效應(yīng)，使得污染物不斷往金華輸送并在此堆積，將會(huì)加重污染。

（4）弱降水發(fā)生前或發(fā)生時(shí)可以對(duì)空氣中顆粒物有一定的洗滌作用，使大氣水平能見(jiàn)度增大，緩解霾污染。但由于降水本身強(qiáng)度較弱，對(duì)空氣的洗滌作用不明顯，弱降水停止后反而可使大氣中氣溶膠粒子膨脹，能見(jiàn)度降低，加劇霾的形成。

通過(guò)對(duì)本文的分析可以發(fā)現(xiàn)，冷空氣、降水對(duì)金華霾的形成和變化具有雙重作用，既可以緩解霾污染，也會(huì)加重污染，如降水強(qiáng)度、冷空氣本身強(qiáng)度以及冷空氣帶來(lái)降水的強(qiáng)度等的不同，對(duì)霾形成的作用完全不同。并且由于環(huán)流形勢(shì)的每日變化，在地面要素或污染條件相近的條件下，霾是否出現(xiàn)也不盡相同。穩(wěn)定的天氣系統(tǒng)配置，如500hPa環(huán)流呈緯向型、鋒區(qū)偏北、冷空氣活動(dòng)偏弱、南支系統(tǒng)不活躍，或地面形勢(shì)場(chǎng)穩(wěn)定、多均壓場(chǎng)控制等都有利于霾形成或持續(xù)。

綜上所述，在建立模型時(shí)，不僅要對(duì)引入因子的相關(guān)性進(jìn)行討論，而且要更注重對(duì)其物理意義的分析。在今后的研究中，可以增加一些數(shù)值預(yù)報(bào)中預(yù)報(bào)效果較好、較穩(wěn)定且對(duì)霾形成有明確影響的要素，增加預(yù)報(bào)因子從而改善預(yù)報(bào)效果。同時(shí)，在大量個(gè)例積累的基礎(chǔ)上，可以嘗試根據(jù)每個(gè)因子的影響程度不同來(lái)設(shè)置權(quán)重，或可在實(shí)際業(yè)務(wù)中明確判定閾值。

致謝：感謝中國(guó)氣象局氣象干部培訓(xùn)學(xué)院SVM應(yīng)用研究小組提供CMSVM2.0應(yīng)用軟件。

[1]陳永義, 俞小鼎, 高學(xué)浩, 等. 處理非線性分類和回歸問(wèn)題的一種新方法(Ⅰ)——支持向量機(jī)方法簡(jiǎn)介. 應(yīng)用氣象學(xué)報(bào), 2004, 15(3): 345-354.

[2]馮漢中, 陳永義. 處理非線性分類和回歸問(wèn)題的一種新方法(Ⅱ)——支持向量機(jī)方法在天氣預(yù)報(bào)中的應(yīng)用.應(yīng)用氣象學(xué)報(bào),2004, 15(3): 355-365.

[3]韋惠紅, 李才媛, 鄧紅, 等. SVM方法在武漢區(qū)域夏季暴雨預(yù)報(bào)業(yè)務(wù)中的應(yīng)用. 氣象科技, 2009, 37(2): 145-148.

[4]陳曉燕, 趙玉金, 孫文英, 等. 支持向量機(jī)方法作溫度預(yù)報(bào)試驗(yàn). 貴州氣象, 2006 , 30(1): 31-33.

[5]常軍, 李禎, 朱業(yè)玉, 等. 基于支持向量機(jī)(SVM)方法的冬季溫度預(yù)測(cè). 氣象科技, 2005, 33(s1): 100-104.

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

[7]胡邦輝, 劉丹軍, 王學(xué)忠, 等. 最小二乘支持向量機(jī)在云量預(yù)報(bào)中的應(yīng)用. 氣象科學(xué), 2011, 31(2): 187-193.

[8]熊秋芬, 胡江林, 陳永義. 天空云量預(yù)報(bào)及支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)方法比較研究. 熱帶氣象學(xué)報(bào), 2007, 23(3): 255-260.

[9]劉西川, 高太長(zhǎng), 劉磊, 等. 降水現(xiàn)象對(duì)大氣消光系數(shù)和能見(jiàn)度的影響. 應(yīng)用氣象學(xué)報(bào), 2010, 21(4): 433-441.

[10]趙胡笳, 馬雁軍, 趙明, 等. 沈陽(yáng)兩次降水過(guò)程能見(jiàn)度變化特征.氣象與環(huán)境學(xué)報(bào), 2014, 30(2): 60-66.

[11]俞劍蔚, 孫燕, 張備, 等. 江蘇沿江一次重霾天氣成因分析. 氣象科學(xué), 2009, 29(5): 664-669.

Application of SVM Method to ldentif i cation of Haze and Prediction of Visibility

Zheng Zhaoxia, Zhou Mei, Ji Zhijian, Fang Taoni, Liu Xuehua
(Jinhua Meteorological Bureau, Jinhua 321000)

Based on the data in 2013-2014 at automatic weather station, radiosonde and the concentrations of air pollutants, the identi fi cation models of haze and the prediction models of visibility at 1400 BT were respectively carried out by using the Support Vector Machine (SVM) at Jinhua Meteorological Bureau. The results show that: 1) The identi fi cation models of haze may be used in the actual business forecast, because the satis fi ed TS scores were all over 0.65, except for that only three days were judged completely wrong by eight optimal models; 2) The prediction of the visibility forecast models for haze-day at 1400 BT in Jinhua were concentrated in 6-16km, which is much small than the actural range, however. That means the models have little cability to forecast the extreme values, so have a little guidance to distinguish the moderate and severe haze.

SVM method, the identi fi cation of haze, visibility forecast at 1400 (BT)

10.3969/j.issn.2095-1973.2016.06.005

2015年6月23日；

2016年3月14日

鄭朝霞（ 1987—），Email:zzx19870310@163.com

資助信息：金華市氣象局青年項(xiàng)目（2014QN01）