[发明专利]一种基于深度学习的大气能见度集成预报方法

权利要求书

1.一种基于深度学习的大气能见度集成预报方法，其特征是：包括以下步骤：

步骤S1，收集相关地区的历史气象观测资料，重建该地区能见度资料；

步骤S2，利用WRF-Chem模式进行该地区气象要素和空气质量的回报；

步骤S3，针对步骤S2中WRF-Chem模式回报所得的气象要素和空气质量因子，利用IMPROVE算法反演能见度；

步骤S4，针对步骤S2中WRF-Chem模式回报所得的气象要素和空气质量因子，利用神经网络算法反演能见度；

步骤S5：利用随机森林算法，对空气质量监测站点和气象自动站的观测资料和能见度进行建模，并将所述步骤S2中WRF-Chem模式回报所得的空气质量因子引入该模型，进行能见度预测；

步骤S6：将所述步骤S3、S4和S5中预测反演所得的能见度进行集成，实现该地区能见度的集合预报。

2.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S2中还包括以下步骤：

步骤S21，WRF-Chem模式对气象要素回报效果的评估；

步骤S22，WRF-Chem模式对空气质量回报能力的检验。

3.根据权利要求2所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在步骤S2中，评估回报或预测的结果与实况相比的接近程度时，采用计算相关系数R、均方根误差RMSE、平均相对误差MFE，以及平均相对偏差MFB，它们具体的计算公式如下：

其中，S和O分别代表回报(或预测)与实况的序列，n为样本总数，i为具体的样本；Cov(S，O)代表S和O的协方差，Var(S)和Var(O)分别为S和O的具体数值；在数值模式的回报和预测性能评估当中，一般将MFE≤+50％和MFB≤±30％作为回报或预测结果准确的标准。

4.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S3中的气象要素包括2米温度，2米湿度，10米风速风向，空气质量因子包括粗粒子、细粒子、硫酸盐、硝酸盐、有机物、碳元素、细土壤尘气溶胶等；

在所述步骤S3中采用的IMPROVE算法反演能见度，建立大气能见度反演公式：

v＝K/B_ext

其中，K为常数，一般取值为3.912；v为大气能见度(km)，B_ext(km^-1)为消光系数，它的计算公式为：

B_ext＝B_sg+2.2×f_s(RH)×S(sulfate)+4.8×f_L(RH)×L(sulfate)+2.4×f_s(RH)×S(nitrate)+5.1×f_L(RH)×L(nitrate)+2.8×S(OM)+6.1×L(OM)+10×[EC]+[FS]+0.6×[CM]+0.33×[NO₂]

其中，B_sg为瑞利散射消光系数(Mm^-1)，f_s(RH)、f_L(RH)分别为粗粒子和细粒子的吸湿增长系数，其为相对湿度RH的函数，L(X)和S(X)分别表示气溶胶粗粒子和细粒子质量浓度，单位：μg/m³)；其中X分别表示硫酸盐(sulfate)、硝酸盐(nitrate)、有机物(OM)；[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度，单位：μg/m³；[NO₂]为NO₂的体积分数，为10^-9。

5.根据权利要求1所述的一种基于深度学习的大气能见度集成预报方法，其特征在于：在所述步骤S4中引入WRF-Chem模式回报所得2米温度、10米经向风速和纬向风速、2米湿度这3个地面气象要素，对观测所得能见度进行建模，训练期为2013年冬季90天序列，对2014-2017年冬季的能见度日序列进行修正。