(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111590828.3 (22)申请日 2021.12.23 (71)申请人 无锡九方科技有限公司 地址 214100 江苏省无锡市滨湖区吟白路1 号研创大厦 (72)发明人 黄小猛　向妍霏　王明清　梁逸爽　 周峥　 (74)专利代理 机构 北京保识知识产权代理事务 所(普通合伙) 11874 代理人 陈晓清 (51)Int.Cl. G01W 1/10(2006.01) G06N 20/00(2019.01) (54)发明名称 一种海雾等级智能预报方法及系统 (57)摘要 本发明涉及大气、 海洋科学技术领域， 且公 开了一种海雾等级智能预报方法及系统， 通过数 值模式预报结果和气象站点常规观测资料的收 集， 以及收集数据的融合和质量控制； 利用皮尔 森相关系数检验、 因果关联检验、 时滞性分析等 特征分析方法， 提取影 响能见度的关键气象要素 作为预报因子， 同时利用模式起报前一段时间的 能见度观测和地理时间因素作为辅助预报因子； 基于大量站点观测数据， 采用机器学习订正方法 对数值模式预报结果中的关键气象要素进行订 正； 采用机器学习算法、 超参数自动调优以及集 成学习等技术， 搭建并优化海雾智能预报模型； 利用海雾智能预报模型对能见度进行等级预报， 实现能见度的站点预报以及网格预报， 并对预报 准确率进行检验。 权利要求书3页 说明书9页 附图5页 CN 114280696 A 2022.04.05 CN 114280696 A 1.一种海雾等级智能预报系统， 其特征在于， 包括数据层、 特征分析层、 智能订正层、 模 型训练层、 预报检验层； 数据层， 包括数据接入模块、 数据融合模块、 异常值检测模块、 样本模块， 数据接入模块 接入站点观测资料 数据及数值模式预报结果数据； 数据层用于进行 数据融合和质量控制； 特征分析层， 包括样本输入模块、 特征分析模块、 相关特征模块、 分析结果模块； 特征分 析层用于提取影响能见度的关键气象要素； 智能订正层， 包括数据接入模块、 数据融合模块、 订正模型模块、 评价指标模块、 订正结 果模块； 数据接入模块用于接入特征分析层中分析结果模块所得到的关键气象要 素数据和 站点观测数据； 智能订 正层用于对 模式预报结果中的关键气象要素进行订 正； 模型训练层， 包括数据接入模块、 样本生成模块、 模型训练模块、 模型优化模块； 数据接 入模块用于接入智能订正层中订正结果模块内数值模式预报输出数据及能见度观测数据， 模型训练层用于训练得到最优能见度预报模型； 预报检验层， 用于进行海雾等级预报且进行验证。 2.一种采用权利要求1中海雾等级智能预报系统进行海雾等级智能预报方法， 其特征 在于， 包括如下步骤： S1、 数值模式预报结果和气象站点常规观测资料的收集， 以及收集数据的融合和质量 控制； S2、 利用皮尔森相关系数检验、 因果关联检验、 时滞性分析的特征分析方法， 提取影响 能见度的关键气象要 素作为预报因子， 同时利用模式起报前一段时间的能见度观测和地理 时间因素作为辅助预报因子； S3、 基于大量站点观测数据， 采用机器学习订正方法对数值模式预报结果中的关键气 象要素进行订 正； S4、 采用机器学习算法、 超参数自动调优以及集成学习技术， 搭建并优化海雾智能预报 模型； S5、 利用海雾智能预报模型对能见度进行等级预报， 实现能见度的站点预报以及网格 预报， 并对预报准确率进行检验。 3.根据权利要求2所述的一种海雾等级智能预报方法及系统， 其特征在于， 步骤S1具体 包括： S101、 准备前五年的气 象站点常规观测 资料A1， 要素包括： 海平面气压、 风速、 气温、 露 点、 能见度、 1小时降水量、 3小时降水量、 6小时降水量、 24小时降水量； S102、 准备前五年的数值模式预报数据A2， 要素分为地面场和高空场， 地面场要素包 括： 海平面气压、 变压、 温度、 湿度、 风向风速； 高空场要素包括： 500hPa、 700hPa、 850hPa、 925hPa、 1000hPa压面的位势高度、 温度、 露点温度、 风向风速以及海表温度场； S103、 将气象站点观测资料A1与数值模式预报数据A2进行融合， 首先进行时间上的匹 配， 再采用插值 算法将网格化的数值模式预报数据插值到观测站点， 得到融合数据集A1A 2； S104、 使用传统统计方法和机器学习方法对融合数据集A1A2进行异常值检测， 剔除异 常记录。 4.根据权利要求2所述的一种海雾等级智能预报方法及系统， 其特征在于， 步骤S2具体 包括：权　利　要　求　书 1/3 页 2 CN 114280696 A 2S201、 设置最大滞后时间为6小时， 选取t ‑0时刻的能见度与t ‑1、 t‑2、 t‑3、 ...、 t‑6时刻 的各气象水文 要素集合B11作为时间滞后特 征分析样本集； S202、 采用皮尔森相关系数检验气 象水文要素集合B11与t ‑0时刻能见度的相关性， 剔 除相关系数r为0和不满足显著性检验的要素， 其中显著性检验的显著性水平设为0.05， 得 到存在相关性的特 征集合B12， 计算公式如下 所示： 其中X和Y是两个待评估相关性的变量， 分别表示要分析的要素以及能见度， 目的是要 分析不同要素与能见度之间的关系； S203、 采用偏相关系数对特征集合B12与t ‑0时刻能见度的因果关系进行检验， 利用相 关矩阵求逆法得到两两变量之间的偏相关系 数， 即首先计算出所有变量的协方差矩阵Ω， 然后求它的逆矩阵P＝Ω‑1， 变量i与变量j之间的偏相关系 数 其中(pij)＝ P； 同时进行显著性检验， 设置显著 性水平为0.05； 去除偏相关系数为0和不满足显著 性检验 的因子， 得到气象水文特 征集合B13； S204、 收集模式起报前6小时的能见度观测序列B2和经纬度、 月份、 时刻地理时间因素 B3， 与气象水文特 征集合B13结合， 得到预报因子集 合B4； S205、 对于预报因子集合B4， 利用特征工程中的嵌入法， 结合随机森林一类机器学习算 法进一步选取能见度预报模型的最优因子组合B5 。 5.根据权利要求2所述的一种海雾等级智能预报方法及系统， 其特征在于,步骤S3具体 包括： S301、 针对步骤S2提取的关键预报因子B4中的模式预报要素C1， 分别对其中每个要素 C1利用均方根 误差评估模式预报与实际观测的误差； S302、 对于每个要素C1， 利用皮尔森相 关系数分析其他预报要素与该要素之间的相 关 性， 将相关性系数不为零的预报要素和需要订正的关键预报要素作为订正模型的输入特征 C2； S303、 利用S302步骤挑选出的特征C2， 同时将关键预报要素对应的实际观测作为标签， 建立样本集， 样本集包括训练集、 验证集及测试集； S304、 利用训练集对随机森林、 XGB oost、 Light GBM算法的机器学习模型以及MLP、 RNN神 经网络模型进行训练， 验证集用来 查看训练过程中的模型收敛程度， 防止过拟合； S305、 对于训练好的模型， 利用测试集进行测试， 选用皮尔森相关系数、 均方根误差、 标 准差偏差指标评估模 型预测与实际观测的误差、 相关性， 相关系数越高， 均方根误差以及标 准差偏差越小， 经模 型订正后的结果与真实观测结果更接近； 根据这些指标， 选取订正效果 最好的模型作为 最终的订 正模型。 6.根据权利要求1所述的一种海雾等级智能预报方法及系统， 其特征在于， 步骤S4具体 包括： S401、 利用步骤S3 05挑选出的订 正模型， 对 模式预报结果中的关键气象要素进行订 正；权　利　要　求　书 2/3 页 3 CN 114280696 A 3