深度学习在机场的应用能见度预报外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

深度学习在机场的应用能见度预报

Lei Zhu1, Guodong Zhu2,3, Lei Han3, Nan Wang3

摘要

本文利用乌鲁木齐国际机场2007-2016年逐时观测资料，采用深度学习法建立了机场能见度回归预测模型。由结果可知：小时能见度的绝对误差为706米，当能见度小于等于1000米时，绝对误差为325米，该方法可以预测能见度的趋势。从而为今后航空气象服务提供机场能见度的客观预报指导产品。本文以乌鲁木齐地区为研究对象，探索天气预报应用领域的学习深度，为天气预报人员提供一种新的能见度回归预报，以提高能见度水平，保证机场安全稳定运行。

关键词

深度学习, 机场可见度, 回归预测

1. 介绍

随着国民经济的快速发展和民航运输的日益普及，机场运行的能见度越来越突出。雾、薄雾和其他天气造成的长时间低能见度天气可导致机场大量延误和取消。这不仅给航空公司和机场带来了巨大的损失，也影响了公共交通。同时能见度与飞行安全性密切相关。能见度低也是飞行事故最常见的原因之一。乌鲁木齐国际机场是新疆地区机场的枢纽。负责新疆地区和中亚地区的飞行业务。现有的气候数据显示，乌鲁木齐机场能见度低于1000米，60天的平均天数低于1000米[1] [2]。

大部分低能见度日发生在冬季（11月至3月），高达57天。造成能见度低的天气现象主要是雾和烟雾。

提高能见度是保证机场安全稳定运行的重要措施。目前，对烟雾、雾等天气的低能见度预报，仍以经验预报和统计预报为基础。虽然随着数值预报的发展，已有大量的数值预报和雾模型预报，许多实验表明，雾模型只有一定的分析用途，难以预测，因此，大气能见度的研究仍是近年来气象预报中的一个难点和热点[3]-[11]。

2. 深度学习

深度学习又称深度神经网络，是机器学习的子领域。其概念起源于人工神经网络。本质上，它是指一类具有深层结构的神经网络有效的训练方法。它使用多层表示来建模数据之间的复杂关系[12][13][14]。深度学习可用于排序、回归、信息检索等具体问题。

3.预测模型的建立

3.1. 数据预处理

本文采用乌鲁木齐机场2007年至2016年10月至次年3月24小时逐日观测资料。包含小时主导能见度、温度、露点温度、相对湿度、平均风向和平均风速。通过对数据质量的分类和控制，共收到43752份数据记录。由于每个因子都由不同的气象要素组成，为了避免变量因子之间的幅度差异，需要在输入因子作为深度神经网络之前对其进行归一化，使其值限制在[0，1]。具体算法见式（1）。

3.2.预测因子预测

对于时间序列回归预测，最简单的方法是建立一个基于历史数据的非线性函数。结合主视觉预测，构建了两类预测因子：第一类预测因子仅包含过去的主视觉。具体见式（2）。由于主导能见度与风、温度、相对湿度等因素有关，第二类预测因子不仅包括过去的主导能见度，还包括温度（t）、露点温度（td）、相对湿度（rh）、风向（wd）和风速（ws）。具体见式（3）。

其中主要能见度为当前主要能见度的vist。为了验证不同时间长度对主导能见度的影响，本文给出了一系列建模操作的ns，用于评估不同时间长度样本下模型预测效果的差异。

3.3. 建立一个样本序列

本文以乌鲁木齐机场小时主导能见度为预测对象。使用接下来十年的10月至3月的观察结果。根据预测因子的选择，建立了两类28个样本序列。详见表1。在每个样本序列中，随机选取43752份历史数据的80%作为预测模型训练和预测效果测试的训练样本。其余为试验样品。

表1中，vis为能见度，t为温度，td为温差，rh为相对湿度，wd为风向，ws为风速。

根据上述两种因子选择方法建立的28个样本序列，采用角膜多层感知器模型（MLP）对手术过程进行建模。并使用测试样本进行测试。最后得到28种不同的主导能见度预测模型。模型的预测效果将在下面详细讨论。

4. 预测效果试验

本文构建了乌鲁木齐机场小时主导能见度的预测对象，共有近45000条记录。通过对预测对象的分析，可以看到乌鲁木齐机场能见度在0～10000米范围内的变化。26.9%的主要能见度为10000米。而影响民航机场运营的能见度不到1000米占到了12.3%的记录。具体分布如图1所示。利用MLP模型对居民能见度进行预测，得到小时主导能见度预测结果。在这里，我们从两种不同类型的预测因素来检验这种方法的预测效果。

4.1.以主能见度为预测因子的模型

这种模型只包含过去的主要可见性，而不添加其他气象元素。建立一个历史时期主导时间的预测模型是基于当前时期主导的可见性。利用过去1、3、6、9、12、24、36、48、60、72、84、96、108、120小时的能见度建立预测模型。

图2所示的预测结果表明

图 1. 11月至次年3月乌鲁木齐机场能见度分布。

图 2. 使用不同时间长度的主要可见性的结果。

采用历史主导能见度作为不同时间长度的预测因子，主导能见度的绝对误差在966 m和706 m之间。最好在当前时间前1小时使用预测。平均绝对误差为706.98m，不同时间长度模型的预测效果不同，误差随时间长度的增加而缓慢增加。

为了充分测试模型的不同因素对视觉的主导作用，以下统计由5000米内的主导能见度来预测平均绝对误差。并分析了该模型预测不同尺度主导能见度的能力。从表2可以看出，在325 m和520 m之间，该模型el的平均绝对误差小于1000 m，并且训练样本和测试样本之间的平均绝对误差为小的。用过去1，3小时的两种因素来预测效果是更好。随着预测器时间的增加，平均绝对误差主要能见度增加。另外，作为预测对象的大小增加了[4000，5000]间隔明显大于范围内的平均绝对误差[0，1000]至约1200 m。

4.2一种多气象要素，用作预测因素

本文试图将预测因子扩展到主导能见度。温度、露点温度、风向、风向过去，由于低视力的原因很多-天气、能见度、温度、相对湿度等因素。该模型用于预测主要能见度。通过分析预测结果可以用多因素预测模型得到，平均不同时间长度模型的绝对误差预计为799米至827米。不同模型的平均绝对误差约为10 m。在过去的24小时多因素预测中使用因子是最好的。它的绝对误差海拔798.87米。详情见图3。

为了充分测试模型的不同因素，控制视觉效果-城市，下面统计5000米范围内的主要能见度来预测平均绝对误差。模型预测主要能见度的能力不同数量级的。该模型对主要能见度在1000米以内，平均绝对误差在450米之间以及550米，利用过去的72120小时系数建立模型来预测效果更好。随着主导能见度水平的提高，模型预测逐渐增加到1100米左右。此处省略统计表。

4.3实际预测效果建议

基于两种预测构造的模型预测效果本文讨论了单因素施工预测模型的影响因素。对于能见度小于1000米的预测而言，该方法更为有效。预测多因素建设模型比预测效果更稳定超过2000米。所以这里同时使用这两种型号。并采取考虑到能见度变化的连续性，我们选择模型-对过去12小时的预测因子进行实际预测。

这里我们选取乌鲁木齐机场2016年12月31日能见度进行预测。这个天机场能见度变化很大，11小时前保持超过1000米，然后迅速下降，保持两小时100米，然后16:00突然上升到2000米，然后下降到100米，见图4 4。低能见度过程包括持续的低能见度和突然的能见度提高。这对模型的预测能力有很高的测试。

从模型预测可以看出，两个模型都可以预测能见度下降和白天倒转的趋势。当真正的能见度大于1500米，多因素模型预测误差相对-很小。当主能见度小于1000米时，预测效果其中单因素相对较好，尤其是当长期连续能见度小于300m，是SIN能见度的平均绝对误差。GLE系数为86 m。因此，通过使用两种预测模型，它是可为预测人员预测能见度。然而，从实际案例的模拟可以看出，深度学习模型在主可见性为好的或坏的，并且当可见性更大时，错误明显增加。超过1500米。

5结论

由于低能见度天气的高发率，系统的影响是更复杂。尤其是对起点和终点能见度低的预测时间更难。因此，如何尽可能多地预测低能见度天气和时间损耗是乌鲁木齐机场冬季服务的关键。

本文尝试将深度神经网络用于机场能见度预报。使用近十年的数据进行模型预测。模型预测结果表明，该模型能较好地反映乌鲁木齐机场。平均绝对误差最小可达706米。

当最小绝对误差小于1000米时，其最低为325米。同时，我们可以看到多因素预测的结果diction模型是稳定的。接下来，我们将尝试将这个模型应用到实际业务中，并进行连续测试以提高定量预测能力这种方法在领先能见度中的能力。

虽然该方法具有较好的预测效果，但在其详细分析中预测结果也发现了一些不足，如预测能见度转向或者转不好的时候有一定的滞后。结果表明，平均绝对值误差大于主能见度2000米，预测影响小于1000米，那么我们将与低天气条件合作，尝试将反映低层分层条件的能力结合起来，高空风场、地压场等因素预测确保预测因子更好地包含低可见性的因素天气条件改善了模型的预测效果。

6参考文献

[1] Zhu, L. and Zhu, G.D. (2012) Analysis of Low Visibility Weather Characteristics ofUrumqi Airport in Recent 30 Years. Journal of Civil Aviation Flight Administrationof China , 23, 27-30.

[2] Zhu, L. and Zhu. G.D. (2010) Application of Support Vector Machine Method inVisual Field Forecast of Airport Runway. Journal of Stroke , 29, 171-175.

[3] Li, P., Wang, S.G., Shang, K.H., et al . (2012) Beijing Area Visibility Prediction Basedon Neural Network Step-by-Step Classification Modeling. Journal of Lanzhou University (Natural Science Edition) , 48, 52-57. (In Chinese)

[4] Wang, K., Zhao, H., Liu, A.X., et al . (2009) Prediction of Atmospheric VisibilityBased on Risk Neural Network. China Environmental Science , 29, 1029-1033.

[5] Chen, H.Z., Hao, L.P., Xie, N., et al . (2009) Digitalization of Information and Refinement Prediction of Fog. Journal of Natural Disasters , 18, 151-156.

[6] Zhu, G.D. (2011) Multi-Element Prediction of Urumqi International Airport based on SVM Method. Development and Oasis Meteorology, 5 5, 40-43.

[7] Peng, S.T., Hu, Y.D., Zhou, R., et al . Application of Artificial Neural Network in Urban Short-term Forecast of Visibility. Proceedings of the 6 th Annual Conference of Chinese Society for Particles and Cross-Strait Particle Technology Symposium ,606-609.

[8] Shao, Z.P. (2014) Zhengzhou Airport Visibility Changes and the Causes of Fog Analysis. Meteorological and Environmental Science , 37, 75-82.

[9] He, H. and Luo, H. (2009) Fark Forecasting Method Based

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19643]，资料为PDF文档或Word文档，PDF文档可免费转换为Word