基于機(jī)器學(xué)習(xí)的長(zhǎng)江重慶航道霧情特征提取

陳施吉，李家啟，王遠(yuǎn)謀，李科，孫恩虹

(1. 重慶市氣象服務(wù)中心，重慶 401147; 2. 長(zhǎng)壽區(qū)氣象局，重慶 401220; 3. 江津區(qū)氣象局，重慶 402260）

1 引 言

長(zhǎng)江，素有“黃金水道”之稱，是橫貫我國(guó)東西的水運(yùn)大動(dòng)脈。大霧、暴雨、強(qiáng)風(fēng)等惡劣天氣常對(duì)長(zhǎng)江水上交通安全及運(yùn)輸效率產(chǎn)生不利影響，其中又以霧情影響最為嚴(yán)重。1990 年代以來(lái)，相關(guān)領(lǐng)域?qū)＜覍W(xué)者針對(duì)長(zhǎng)江干線的霧情特征開(kāi)展了大量研究，俞香仁等[1]結(jié)合長(zhǎng)江沿岸氣象臺(tái)站的監(jiān)測(cè)記錄，分析了長(zhǎng)江霧的時(shí)空分布特征，李子華等[2]利用南方各省的野外探測(cè)資料，開(kāi)展了長(zhǎng)江霧情特征分析，結(jié)果與前者較為一致。

近年來(lái)，針對(duì)長(zhǎng)江霧情的研究逐漸聚焦在重點(diǎn)航段，如三角洲地區(qū)、三峽庫(kù)區(qū)等。孫錦銓等[3]通過(guò)在長(zhǎng)江南通航段的江心囤船上建設(shè)自動(dòng)監(jiān)測(cè)站，探討了長(zhǎng)三角南通段的江面霧時(shí)空氣候特征；周偉燦等[4]和張恩紅等[5]選取長(zhǎng)三角地區(qū)多個(gè)代表站的能見(jiàn)度監(jiān)測(cè)資料，分析了該地區(qū)的能見(jiàn)度變化特征；田小毅等[6]對(duì)長(zhǎng)江江蘇段的江面霧時(shí)空特征進(jìn)行統(tǒng)計(jì)分析，提出了“象鼻形”先期振蕩的概念模型。

三峽庫(kù)區(qū)河段航道屬于山區(qū)航道，復(fù)雜地形造成了庫(kù)區(qū)航道多霧的氣候特征，三峽成庫(kù)后航道等級(jí)提高，庫(kù)區(qū)航運(yùn)量不斷增加，霧情對(duì)航運(yùn)的影響愈加明顯[7]。陳乾金等[8]以宜昌站為代表，利用氣象監(jiān)測(cè)資料分析了三峽壩區(qū)長(zhǎng)江霧的基本特征。虞俊等[9]和黃治勇等[10]選取三峽庫(kù)區(qū)多個(gè)氣象站作為代表站，利用多年歷史資料分析了庫(kù)區(qū)極端大霧天氣的氣候變化特征；白永清等[11]和王林等[12]進(jìn)一步利用長(zhǎng)江三峽航道沿線的能見(jiàn)度監(jiān)測(cè)儀和人工監(jiān)測(cè)霧情臺(tái)站資料，分析了涪陵、萬(wàn)州、宜昌3組區(qū)域的能見(jiàn)度時(shí)空分布特征和氣象因子、地理因子對(duì)霧情的影響；王中等[13]利用重慶市氣象監(jiān)測(cè)資料，謝斌等[14]和代娟等[15]利用長(zhǎng)江重慶航道局監(jiān)測(cè)資料研究了長(zhǎng)江航道重慶段的大霧時(shí)空分布特征。

受監(jiān)測(cè)頻次和精度限制，以往的研究多是基于逐時(shí)、逐日的監(jiān)測(cè)資料開(kāi)展，鮮有利用分鐘級(jí)監(jiān)測(cè)數(shù)據(jù)的精細(xì)化分析。隨著長(zhǎng)江上游航運(yùn)能力的提升，大霧天氣對(duì)長(zhǎng)江航運(yùn)及航道維護(hù)的影響服務(wù)需求愈加精細(xì)化。重慶市氣象局自2017年開(kāi)始對(duì)沿線的航道氣象監(jiān)測(cè)站進(jìn)行升級(jí)，時(shí)間精度提高到分鐘級(jí)，本文即是基于此類監(jiān)測(cè)資料，對(duì)長(zhǎng)江航道重慶段霧情特征進(jìn)行分析，研究結(jié)果對(duì)提升水上交通安全、保障航道高效運(yùn)行具有重要意義。

2 資料和方法

2.1 資料來(lái)源

研究采用的長(zhǎng)江重慶航道沿線26個(gè)自動(dòng)氣象監(jiān)測(cè)站(圖1)2018—2020 年期間的逐5 min 能見(jiàn)度監(jiān)測(cè)數(shù)據(jù)來(lái)源于重慶市氣象信息技術(shù)與保障中心，重慶海事管轄水域數(shù)據(jù)來(lái)源于重慶市海事局，長(zhǎng)江重慶航道地理位置信息來(lái)源于長(zhǎng)江航道測(cè)量中心。

圖1 長(zhǎng)江重慶航道氣象監(jiān)測(cè)站空間分布圖

表1 給出了26 個(gè)航道站的長(zhǎng)江航道位置信息，可見(jiàn)涪陵及其下游的各海事處轄區(qū)內(nèi)均設(shè)有2個(gè)及以上的能見(jiàn)度氣象監(jiān)測(cè)站。

表1 長(zhǎng)江重慶航道氣象監(jiān)測(cè)站地理位置信息

2.2 霧過(guò)程定義

長(zhǎng)江干線重慶段內(nèi)，不同天氣條件下(如：輕霧、大霧、濃霧天氣[16])采取禁限航措施不同：當(dāng)能見(jiàn)度不足1 500 m 時(shí)，禁止客船下行；當(dāng)能見(jiàn)度不足1 000 m 時(shí)，客船禁止出港和航行，渡船不能開(kāi)航，其他船舶禁止下行；當(dāng)能見(jiàn)度不足500 m 時(shí)，禁止所有船舶出港和航行[17]。研究不同類型大霧天氣的發(fā)生發(fā)展過(guò)程，對(duì)于航運(yùn)有效管控具有積極意義。

根據(jù)不同類型的大霧天氣分別開(kāi)展時(shí)間序列變化特征分析，為了便于后期提取霧情過(guò)程的前兆信息，本文定義長(zhǎng)江重慶航道的一次輕霧過(guò)程為自水平能見(jiàn)度2 000 m 的a 點(diǎn)開(kāi)始以某種形態(tài)降低，于b 點(diǎn)降至1 500 m 以下，而后在c 點(diǎn)開(kāi)始以某種形態(tài)返升至2 000 m 的d 點(diǎn)，大霧、濃霧過(guò)程則是自b 點(diǎn)開(kāi)始分別降至1 000 m、500 m 以下(圖2)。

圖2 (輕/大/濃)霧過(guò)程概念圖

2.3 資料處理方法

2.3.1 數(shù)據(jù)預(yù)處理

為了便于霧情時(shí)間序列樣本提取，設(shè)置能見(jiàn)度2 000 m為閾值，超過(guò)該值的能見(jiàn)度監(jiān)測(cè)值均作2 000 m處理，缺測(cè)值以線性插值算法補(bǔ)齊。

根據(jù)2.2 節(jié)的霧情過(guò)程定義，從能見(jiàn)度監(jiān)測(cè)數(shù)據(jù)集中提取到了11 619個(gè)霧情過(guò)程樣本。對(duì)該樣本集按照3σ原則以時(shí)間長(zhǎng)度為指標(biāo)檢測(cè)異常樣本，3σ原則是基于概率統(tǒng)計(jì)的異常檢測(cè)算法，檢測(cè)效果具有很好的魯棒性[18]。將超過(guò)3σ的樣本均視為異常樣本，作刪除處理。最終得到長(zhǎng)江重慶航道2018—2020 年期間的霧情過(guò)程樣本共8 784個(gè)，其中輕霧過(guò)程4 272 個(gè)、大霧過(guò)程2 600 個(gè)、濃霧過(guò)程1 912個(gè)。

2.3.2 時(shí)間序列形態(tài)識(shí)別

本文在樣本提取過(guò)程中發(fā)現(xiàn)，不同霧情過(guò)程的時(shí)間長(zhǎng)度差異很大，如2020 年6 月29 日涪陵外坪水域的濃霧過(guò)程樣本時(shí)長(zhǎng)達(dá)到24 h 左右，而2020年8月30日凌晨萬(wàn)州苧溪河附近水域的輕霧過(guò)程時(shí)長(zhǎng)僅10 min。針對(duì)樣本之間差異過(guò)大的樣本集，直接提取時(shí)間序列形態(tài)會(huì)產(chǎn)生平滑效應(yīng)，因此本文對(duì)樣本集作進(jìn)一步處理。

(1) K-Means 分類。根據(jù)“肘部”觀察法確定分類K值，基于樣本的時(shí)間序列長(zhǎng)度屬性，利用KMeans算法[19]對(duì)霧情過(guò)程進(jìn)行分類。

(2) 等長(zhǎng)時(shí)序樣本集。對(duì)每一個(gè)樣本按照該類最大時(shí)長(zhǎng)，線性插值隨機(jī)生成1 000 個(gè)時(shí)間序列。基于動(dòng)態(tài)時(shí)間規(guī)整方法(DTW)[20]，選擇該樣本的1 000個(gè)時(shí)間序列中距離最小者作為新樣本，從而得到新的時(shí)間長(zhǎng)度相等的時(shí)間序列樣本集。

(3) 主成分分析。經(jīng)局部加權(quán)回歸散點(diǎn)平滑(LOWESS)技術(shù)[21]加工后，對(duì)等長(zhǎng)時(shí)序樣本集進(jìn)行標(biāo)準(zhǔn)化處理，利用主成分分析法(PCA)提取樣本集的主要形態(tài)特征。

2.3.3 算法實(shí)現(xiàn)說(shuō)明

本文通過(guò)Python 工具實(shí)現(xiàn)數(shù)據(jù)的分析與處理，涉及到的工具包主要為Sklearn(包括K-Means、PCA)、Tslearn(DTW)。Sklearn(scikit-learn)是基于Python語(yǔ)言的開(kāi)源機(jī)器學(xué)習(xí)庫(kù)，包括分類、回歸、聚類、降維等模塊，K-Means 屬于聚類模塊的常用算法，PCA 則為降維算法中的一員。Tslearn 庫(kù)是Python 下專門用于時(shí)間序列數(shù)據(jù)的機(jī)器學(xué)習(xí)工具包，DTW是其中的一個(gè)算法，主要通過(guò)計(jì)算兩個(gè)時(shí)間序列的相似度實(shí)現(xiàn)序列的延展或壓縮。

3 霧過(guò)程的時(shí)空分布特征

3.1 空間分布特征

長(zhǎng)江重慶航道地處西南山區(qū)，航道呈典型山區(qū)河流特征，三峽成庫(kù)后，自然航段、回水航段、庫(kù)區(qū)航段并存，有著水流態(tài)勢(shì)復(fù)雜、局地小氣候明顯的特征。2018—2020 年3 年間重慶境內(nèi)長(zhǎng)江航道的26 個(gè)航道站共發(fā)生了8 784 次霧情過(guò)程，其中輕霧過(guò)程占48.6%，大霧過(guò)程為29.6%，而濃霧過(guò)程僅占總次數(shù)的21.8%。

圖3 為長(zhǎng)江重慶航道自動(dòng)氣象站的霧情過(guò)程空間分布圖，可見(jiàn)霧情過(guò)程隨著航道里程的減小呈現(xiàn)“中-高-低”分布型，其中長(zhǎng)壽海事水域上游平均發(fā)生330次霧情過(guò)程，巴南水域的唐家沱和黃溪溝、朝天門水域的普子巖相對(duì)偏多。霧情高發(fā)區(qū)主要位于涪陵-忠縣航段，平均發(fā)生560 次霧情過(guò)程，涪陵海事水域尤為顯著，而萬(wàn)州及下游的水域發(fā)生霧的起數(shù)最少，平均僅194次。統(tǒng)計(jì)各監(jiān)測(cè)站附近水域的霧情過(guò)程發(fā)生頻次，普遍表現(xiàn)為輕霧最多、大霧次之、濃霧最少，普子巖、蝦子梁兩處水域則是輕霧最多，大霧最少。長(zhǎng)江重慶航道沿線霧情發(fā)生次數(shù)最多的是涪陵海事處管轄水域，蝦子梁、外坪分別發(fā)生了679、667 次霧情過(guò)程，前者輕霧242 次、大霧209 次、濃霧71 次，居全航道之最，后者輕霧366次、大霧167次、濃霧134次，僅次于蝦子梁水域。

圖3 長(zhǎng)江重慶航道氣象監(jiān)測(cè)站霧情發(fā)生頻次圖

總體而言，涪陵-忠縣水域霧情高發(fā)，長(zhǎng)壽及上游水域次之，萬(wàn)州水域霧情次數(shù)較低，這與陳施吉等[22]關(guān)于巴南-涪陵一帶氣候危險(xiǎn)性最高的研究結(jié)論較一致。

3.2 時(shí)間分布特征

3.2.1 月變化

王中等[13]指出長(zhǎng)江航道低能見(jiàn)度冬季出現(xiàn)最多，其次是秋、春季，夏季最少。田小毅等[6]的研究認(rèn)為6 月是長(zhǎng)江江蘇段江面霧的峰值之一。代娟等[15]的研究表明長(zhǎng)江山區(qū)航道有冬少夏多的情況存在。謝斌等[14]認(rèn)為長(zhǎng)江山區(qū)航道受航道跨度長(zhǎng)、地形復(fù)雜等因素影響，不同河段的霧情分布差異較大。

利用2018年1月—2020年12月長(zhǎng)江沿線的實(shí)況監(jiān)測(cè)資料分析了江面霧的月變化特征(圖4)，可見(jiàn)長(zhǎng)江重慶航道的霧情主要呈現(xiàn)夏季多、冬季少的分布特征，二者分別占48%、10%，春季約占26%，秋季約占16%；霧過(guò)程在1—7 月期間逐漸增多，6月增幅尤為顯著，8月驟降，自9月開(kāi)始呈逐漸下降趨勢(shì)；就不同霧情過(guò)程發(fā)生頻次來(lái)看，全年均呈現(xiàn)輕霧最多、大霧次之、濃霧最少的分布特征。

3.2.2 日變化

霧情過(guò)程的發(fā)生包括開(kāi)始、進(jìn)入、返回、結(jié)束4個(gè)時(shí)間點(diǎn)，統(tǒng)計(jì)各時(shí)間點(diǎn)占該類霧情過(guò)程總數(shù)的百分率(圖5)，長(zhǎng)江重慶段的江面霧具有明顯的日變化特征，霧情過(guò)程的開(kāi)始、進(jìn)入、返回、結(jié)束時(shí)間均主要集中在凌晨或早晨，自08 時(shí)開(kāi)始遞減至12時(shí)后維持低值水平，20時(shí)開(kāi)始又呈現(xiàn)出返升趨勢(shì)。

圖5 長(zhǎng)江重慶航道霧情過(guò)程的日變化特征 a. 開(kāi)始時(shí)間ta；b. 進(jìn)入時(shí)間tb；c. 返回時(shí)間tc；d. 結(jié)束時(shí)間td。

表2 給出長(zhǎng)江重慶航道霧情過(guò)程時(shí)長(zhǎng)。無(wú)論是輕霧、大霧過(guò)程，或是濃霧過(guò)程，大部分的霧情過(guò)程時(shí)長(zhǎng)在1 h內(nèi)，造成較大概率發(fā)生在夜間的霧情過(guò)程也主要在夜間結(jié)束。8 784 個(gè)樣本序列中有約77%的樣本時(shí)長(zhǎng)處于1 h內(nèi)，近14%的樣本時(shí)長(zhǎng)處于1～2 h之間，霧情過(guò)程時(shí)長(zhǎng)超過(guò)2 h的樣本數(shù)僅占9%。值得注意的是，隨著霧情的加重，霧情過(guò)程時(shí)間序列長(zhǎng)度逐漸增大，輕霧過(guò)程超過(guò)2 h的樣本僅占輕霧過(guò)程樣本數(shù)的2%，大霧過(guò)程占10%，濃霧過(guò)程則增至19%。

表2 長(zhǎng)江重慶航道霧情過(guò)程時(shí)長(zhǎng)統(tǒng)計(jì)表

3.2.3 低能見(jiàn)度持續(xù)時(shí)間

當(dāng)能見(jiàn)度不足1 500 m時(shí)，海事管理部門開(kāi)始采取禁限航措施。因此有必要了解霧情過(guò)程“進(jìn)入-返回”時(shí)段內(nèi)的低能見(jiàn)度維持狀況。表3 統(tǒng)計(jì)了長(zhǎng)江重慶航道霧情過(guò)程的低能見(jiàn)度持續(xù)時(shí)間，可以看出，低能見(jiàn)度持續(xù)時(shí)間特征與霧情過(guò)程的時(shí)長(zhǎng)特征較為一致。低能見(jiàn)度持續(xù)1 h 以上的霧情過(guò)程為濃霧過(guò)程最多，共有151 次，為輕霧過(guò)程的1.8 倍、大霧過(guò)程的4.7 倍。約99%的大霧過(guò)程低能見(jiàn)度僅持續(xù)不到1 h，而近8%的濃霧過(guò)程低能見(jiàn)度持續(xù)超過(guò)1 h。隨著霧情的加重，持續(xù)不足1 h 的霧情過(guò)程逐漸減少，輕霧過(guò)程占總樣本數(shù)的48%，大霧過(guò)程降至29%，濃霧過(guò)程僅1 761 次，占比跌至20%。

表3 長(zhǎng)江重慶航道霧情過(guò)程低能見(jiàn)度持續(xù)時(shí)間統(tǒng)計(jì)表

4 霧情過(guò)程形態(tài)特征

不同的霧情過(guò)程樣本，時(shí)間長(zhǎng)度差異很大，為了更精準(zhǔn)地提取時(shí)間序列形態(tài)特征，研究首先利用K均值算法對(duì)時(shí)間序列樣本進(jìn)行分類。通過(guò)“手肘法”發(fā)現(xiàn)，當(dāng)K=3 時(shí)，誤差平方和SSE 的遞減趨緩。因此，基于時(shí)間序列長(zhǎng)度屬性將霧情過(guò)程樣本集最佳分為3 類：第一類為時(shí)長(zhǎng)5.6 h 以內(nèi)的樣本，第二類樣本集的時(shí)長(zhǎng)不足27 h，即5.6～27 h，第三類則為超過(guò)27 h 的樣本，各樣本集的樣本數(shù)分別為8 563、202、19個(gè)。基于DTW 算法，每個(gè)樣本在隨機(jī)生成的1 000 個(gè)時(shí)間序列中選擇距離最小的序列作為新樣本，構(gòu)建了新的等長(zhǎng)時(shí)間序列樣本集。對(duì)新樣本集進(jìn)行平滑、標(biāo)準(zhǔn)化處理，利用PCA技術(shù)提取到了各樣本集的主要形態(tài)特征(圖6)。

圖6a 是第一類樣本集的前三個(gè)成分曲線，可見(jiàn)第一成分主要表征的是能見(jiàn)度快速下降，方差貢獻(xiàn)率高達(dá)0.61，第二成分則主要體現(xiàn)能見(jiàn)度緩慢下降，方差貢獻(xiàn)0.24，第三成分代表能見(jiàn)度的波動(dòng)變化信號(hào)，當(dāng)霧情過(guò)程時(shí)長(zhǎng)在5.6 h 內(nèi)時(shí)，波動(dòng)變化信號(hào)很弱。隨著霧情過(guò)程時(shí)長(zhǎng)的增加，但不超過(guò)27 h 時(shí)(圖6b)，霧情過(guò)程的能見(jiàn)度快速下降信號(hào)迅速變?nèi)酰练讲钬暙I(xiàn)率為0.26 的第二成分。能見(jiàn)度緩慢下降信號(hào)增強(qiáng)至第一主成分，方差貢獻(xiàn)為0.46。而能見(jiàn)度的波動(dòng)變化信號(hào)仍然較弱，僅增長(zhǎng)了1個(gè)百分點(diǎn)的方差貢獻(xiàn)率。當(dāng)霧情過(guò)程時(shí)長(zhǎng)超過(guò)27 h(圖6c)后，能見(jiàn)度的波動(dòng)變化信號(hào)激增，方差貢獻(xiàn)率達(dá)到0.14，信號(hào)強(qiáng)度較第二類樣本集增強(qiáng)了1倍。伴隨波動(dòng)變化信號(hào)的加強(qiáng)，第一成分、第二成分的方差貢獻(xiàn)率分別下降至0.39、0.24，而兩個(gè)成分表征的信號(hào)區(qū)別主要在于能見(jiàn)度下降后的形態(tài)，第一成分為能見(jiàn)度緩慢上升，第二成分為能見(jiàn)度波動(dòng)上升。值得注意的是，能見(jiàn)度變化的波動(dòng)信號(hào)與“象鼻形”概念模型[6]的先期振蕩信號(hào)頗為相似，即“象鼻形”先期振蕩信號(hào)隨著霧情過(guò)程時(shí)長(zhǎng)的加大而進(jìn)一步增強(qiáng)。

圖6 長(zhǎng)江重慶航道霧情過(guò)程的主要形態(tài)特征 a. 第一類樣本集；b. 第二類樣本集；c. 第三類樣本集。圖例中括號(hào)內(nèi)的數(shù)值表示成分對(duì)應(yīng)的方差貢獻(xiàn)率，能見(jiàn)度波動(dòng)為無(wú)量綱值。

綜上所述，長(zhǎng)江重慶航道霧情過(guò)程隨著時(shí)間長(zhǎng)度的不同，表現(xiàn)出不同的形態(tài)特征。當(dāng)時(shí)長(zhǎng)在5.6 h內(nèi)時(shí)，主要是能見(jiàn)度快速下降和緩慢下降；不足27 h時(shí)，轉(zhuǎn)為以能見(jiàn)度緩慢下降為主，能見(jiàn)度快速下降次之；當(dāng)過(guò)程時(shí)長(zhǎng)進(jìn)一步增加，含“象鼻形”先期振蕩信息的波動(dòng)信號(hào)逐漸加強(qiáng)，能見(jiàn)度下降過(guò)程的信號(hào)變化也不再那么強(qiáng)烈，反而體現(xiàn)了能見(jiàn)度的回升階段信號(hào)，即緩慢上升、波動(dòng)上升。

5 結(jié) 論

本文利用2018—2020 年長(zhǎng)江重慶航道沿線26 個(gè)自動(dòng)氣象監(jiān)測(cè)站每5 min 1 次的能見(jiàn)度監(jiān)測(cè)資料，通過(guò)定義輕霧、大霧、濃霧三類霧情過(guò)程，統(tǒng)計(jì)分析了航道能見(jiàn)度的時(shí)空變化特征，利用KMeans、DTW、PCA 等機(jī)器學(xué)習(xí)算法提取了航道能見(jiàn)度時(shí)間序列的形態(tài)特征。

(1) 霧情過(guò)程隨著航道里程的減小呈現(xiàn)“中-高-低”分布型，霧情高發(fā)區(qū)主要位于涪陵-忠縣航段，平均發(fā)生560 次霧情過(guò)程，涪陵海事水域尤為顯著，長(zhǎng)壽及上游水域次之，而萬(wàn)州及下游的水域發(fā)生霧的起數(shù)最少，平均僅194次。

(2) 長(zhǎng)江重慶航道的霧情過(guò)程在6—7 月有1個(gè)波峰，即1—7 月逐漸增多，6 月增幅尤為顯著，8月驟降，自9 月開(kāi)始呈逐月下降趨勢(shì)，主要表現(xiàn)為夏季多、冬季少的特征。無(wú)論輕霧、大霧、濃霧過(guò)程，大部分霧情過(guò)程時(shí)長(zhǎng)均在1 h 內(nèi)，造成較大概率發(fā)生在夜間的霧情過(guò)程也主要在夜間結(jié)束。

(3) 長(zhǎng)江重慶航道霧情過(guò)程隨著時(shí)間長(zhǎng)度的不同，表現(xiàn)出不同的形態(tài)特征。當(dāng)時(shí)長(zhǎng)在5.6 h 內(nèi)時(shí)，主要是能見(jiàn)度快速下降和緩慢下降；不足27 h時(shí)，轉(zhuǎn)為以能見(jiàn)度緩慢下降為主，能見(jiàn)度快速下降次之；當(dāng)過(guò)程時(shí)長(zhǎng)進(jìn)一步增加，能見(jiàn)度下降過(guò)程的信號(hào)變化也不再那么強(qiáng)烈，反而是主要體現(xiàn)了能見(jiàn)度的回升階段信號(hào)，即為緩慢上升、波動(dòng)上升。值得注意的是，“象鼻形”先期振蕩信號(hào)隨著霧情過(guò)程時(shí)長(zhǎng)的加大而進(jìn)一步增強(qiáng)。

(4) 霧情對(duì)航運(yùn)影響嚴(yán)重，而重慶霧日較多[23]，因此建立長(zhǎng)江重慶航道霧情監(jiān)測(cè)預(yù)警模型尤為重要。本文提取到霧情過(guò)程時(shí)序形態(tài)的前兆信號(hào)，可進(jìn)一步利用機(jī)器學(xué)習(xí)算法進(jìn)行識(shí)別建模，與王遠(yuǎn)謀等[24]利用航道影像資料建立的霧圖像識(shí)別模型耦合，有望基本實(shí)現(xiàn)重慶航道能見(jiàn)度的多源資料融合，提升航道霧情過(guò)程監(jiān)測(cè)預(yù)警能力。