CN108227041B - 基于站点实测数据和模式结果的水平能见度预报方法 - Google Patents

Abstract

基于站点实测数据和模式结果的水平能见度预报方法，具体是基于站点实测数据建立水平能见度算法并结合模式结果实现水平能见度预报。利用自动气象站逐小时观测数据，通过神经网络方法，建立每个站点由温度、相对湿度等基础气象要素计算水平能见度(级别)的算法，之后再考虑站点与模式格点的地理信息建立一一对应关系，选取一段时间内站点实测数据和模式预报数据，计算得到模式每个格点向实测站点订正的模型。需要预报时，先使用订正模型订正待预报时间的模式预报数据，再使用能见度算法计算得到格点能见度或级别，最终插值得到该区域能见度预报结果。本发明有效利用了自动气象站观测资料和模式资料，能够实现较高时间空间分辨率的水平能见度预报。

Description

基于站点实测数据和模式结果的水平能见度预报方法

技术领域

本发明属于水平能见度预报方法，通过使用神经网络，由自动气象站观测资料建立能见度算法，并应用在模式预报结果上，最终得到关于水平能见度的预报结果。

背景技术

水平能见度是一个与人们生产生活息息相关的气象要素。它表示视力正常的人在当时天气条件下能够从背景中辨认出目标物的最远水平距离。在自动气象站中是使用能见度仪对水平能见度进行测量，根据空气对激光的衰减得到水平能见度。当出现低能见度现象时常会使交通陷入瘫痪，如飞机晚点，高速公路封闭，同时明显增大交通事故发生的可能性。

目前在WRF等常用模式预报资料中没有能见度的预报。为了得到能见度的预报结果，需要利用其他要素按照某种算法计算得到能见度。前人基于实验提出了能见度与液态水含量的经验公式，利用模式中的云水混合比计算液态水含量从而得到能见度。然而这种方法有很大局限性，液态水含量不是常规气象观测物理量，模式预报结果缺少观测资料的支撑，液态水含量预报的准确度较差。观测表明，模式预报结果中没有液态水含量的地区仍然经常会有低能见度或者云雾出现。另一方面，引起能见度变化的原因很多，不是仅仅依靠能见度与液态水含量的简单关系就能确定。此外，也有基于温度、相对湿度、风速等基本气象要素预报雾的统计预报方法。但这些方法常常是对某一城市或者地区某一天会不会出现雾进行定性预报，还不能满足精细化定量化预报的要求。

目前我国建有密集的自动气象站，未来还会增设更多。神经网络方法作为一种机器学习方法，因其优秀的处理非线性问题的能力已越来越多应用在科研和应用领域，已经在图像识别、语音识别等领域取得重大成功，展现了其强大的提取数据特征和拟合能力。

发明内容

本发明的目的是利用当地自动气象站实测数据，通过神经网络等统计方法得到当地能见度算法，根据地理信息建立实测站点与模式预报格点的联系，将站点算法套用在模式(例如华东区域数值预报业务模式(SMS-WARMS，下文简称WARMS)预报资料上计算得到能见度，以提高能见度预报的准确性。

一种基于站点实测数据和模式结果的水平能见度预报方法，其特征在于包括以下步骤：

步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；

所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；

步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；

其中有效降温和水汽通量是本发明自定义变量；

有效降温定义为：

i小时有效降温：

T为当前温度，

为i小时前露点温度，i＝1，2，3；

水汽通量定义为，绝对湿度和十分风速的乘积

其中，绝对湿度按以下公式计算得到：

其中e为水气压，T为当前温度；

得到17个因子后，将17个因子、步骤1中的温压湿风四个站点实测数据和实测能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；

步骤3：筛选掉步骤1中的有降水的站点实测数据，同时筛选掉步骤1中相对湿度小于80％的站点实测数据；使用神经网络方法，将步骤2得到的17个因子以及步骤1中的温压湿风四个站点实测数据作为神经网络的输入，通过训练神经网络以调整神经网络内部参数，包括神经网络隐层数、每层节点数、Train function以及performance function，输出预报能见度，从而建立基于站点的能见度算法，再通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法；

步骤4：获得步骤1所述区域的WARMS模式的格点预报数据，所述WARMS模式的格点预报数据包括2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量7个格点基本气象要素；

步骤5：对步骤4的模式格点预报数据进行订正

计算步骤4中具有相同下垫面的站点与格点之间的空间水平距离，选取距离各个格点最近的自动气象站点，利用多元回归方法和站点的实测数据对步骤4的格点预报数据进行订正；

步骤6：选择预报的时间，并选取该时间的WARMS模式格点预报数据，先使用步骤5的订正方式订正格点的预报数据，再选择步骤3得到的基于站点的能见度算法计算各个格点的能见度；

步骤7：对步骤6得到的格点能见度进行线性插值以获得到空间水平尺度更小的格点数据，选取所需预报区域并确定此区域经纬度范围后，将能见度预报结果对应到地图上。

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于所述步骤2的有效降温变量的定义中，

当部分自动气象站露点温度缺测时，对于缺测测站的露点温度按以下公式计算得到：

e_s为饱和水气压，T为当前温度，

e＝e_s×RH，

e为水汽压，RH为相对湿度，

i小时前露点温度

的计算公式为:

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤3中使用神经网络基于站点的能见度算法中，能见度算法包括能见度数值的算法和能见度级别的算法，所以能见度预报包括能见度数值的预报和能见度级别的预报；

步骤3中在寻找最佳能见度算法的具体方法是：鉴于地理因素原因，两个自动气象站即使位置不同，二者能见度变化特点也可能十分相似，当两站气象因素相同时，能见度会很接近，因而二者的能见度算法具有相似性，可以互相使用，有可能本站的算法不如相似站的算法准确；

其中，使用K-mean聚类分析方法分别找到各个站点的相似站点的方法是：

对所述相似站点以步骤3所述的基于站点的能见度算法进行计算，判断与其站点实测数据最接近的那个站点，将该站点的算法作为该类相似站点的算法；

对于能见度数值的预报，寻找最佳能见度算法是计算预报能见度与实际能见度的均方根误差，选择均方根误差最小的算法；对于能见度级别的预报，寻找最佳能见度算法是计算预报能见度级别与实际级别的TS评分，选择TS评分最高的算法。

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤5对建立模式格点数据进行订正中，

所述订正方法是采用多元线性回归方法，具体是：对于72小时预报，在每一整点都存在6个不同预报时次的预报数据，考虑到模式运转时间和数据分发的时间可用的有5个预报资料，为了对某整点时刻的预报资料基本气象要素进行订正，使用时间上最近的三个预报资料向该时刻自动气象站实测资料进行订正，订正方法采用多元线性回归方法，因此，可以进行36小时内每小时能见度的预报；

对于每个格点，先计算到每个站点的空间水平距离，如果存在空间水平距离小于10km的站点，且该格点和站点数据均属于同样地理环境，即海洋环境或者陆地环境，则将该格点数据向该站点数据订正，实现对本格点的订正；如果存在多个空间水平距离小于10km的站点，则选取距离最近的站点；如果不存在空间距离小于10km的站点，则寻找距离最近且为同一地理环境的已经得到订正的格点，使用该已订正格点的订正方式对该格点进行订正。也可以使用相同方法将格点数据向站点进行订正。

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤6所述的选择站点能见度算法计算格点能见度，选择能见度算法时，仍然先计算与每个站点的空间距离，如存在小于10km的站点，以该站点的能见度计算方法来计算格点能见度；若存在多个小于10km的站点，以距离最近的那个站点的能见度计算方法来计算格点能见度；当某格点不存在空间距离小于10km的站点时，寻找距离最近且为同一地理环境的站点的能见度算法计算能见度，计算得到待预报时间段内每个格点的能见度。

本发明具体的技术方案主要包括三部分：第一部分基于自动气象站测量到的能见度与温度、相对湿度等基本气象要素，采用人工神经元网络方法建立每个站的能见度算法；第二部分读取模式预报资料中地面层的温度、相对湿度、风速等物理量，将模式资料中格点位置、陆地类型与自动气象站站点位置、陆地类型对应起来并建立订正算法，方法采用多元回归方法，将模式格点的物理量向自动气象站测量到的物理量订正；第三部分基于以上两部分结果，使用能见度算法对订正后的模式格点数据进行计算得到能见度预报结果，并将结果线性插值作图得到特定区域的能见度预报结果。本发明基于局地实测资料建立适合局地的能见度算法，并将模式预报资料向局地观测订正，再套用局地能见度算法，得到了大范围的能见度预报结果，有效利用了观测资料和模式资料。因此本发明有效利用了自动气象站观测资料和模式资料，能够实现较高时间空间分辨率的水平能见度预报。

附图说明

图1、本发明的站点能见度算法生成流程示意图。

图2、本发明的格点订正算法生成流程示意图

图3、本发明的能见度(级别)预报流程图

具体实施方式

下面结合附图对本发明做进一步说明：

一种基于站点实测数据和模式结果的水平能见度预报方法，其步骤1-3如图1所示，

步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；

所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；

步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；

其中有效降温和水汽通量是本发明自定义变量；

有效降温定义为：

i小时有效降温：

T为当前温度，

为i小时前露点温度，i＝1，2，3；

水汽通量定义为，绝对湿度和十分风速的乘积

其中，绝对湿度按以下公式计算得到：

其中e为水气压，T为当前温度；

得到17个因子后，将17个因子、步骤1中的温压湿风四个站点实测数据和实测能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；

步骤3：筛选掉步骤1中的有降水的站点实测数据，同时筛选掉步骤1中相对湿度小于80％的站点实测数据；使用神经网络方法，将步骤2得到的17个因子以及步骤1中的温压湿风四个站点实测数据作为神经网络的输入，通过训练神经网络以调整神经网络内部参数，包括神经网络隐层数、每层节点数、Train function以及performance function，输出预报能见度，从而建立基于站点的能见度算法，再通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法；

其步骤4-7如图3所示，

步骤4：获得步骤1所述区域的WARMS模式的格点预报数据，所述WARMS模式的格点预报数据包括2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量7个格点基本气象要素；

步骤5：对步骤4的模式格点预报数据进行订正

计算步骤4中具有相同下垫面的站点与格点之间的空间水平距离，选取距离各个格点最近的自动气象站点，利用多元回归方法和站点的实测数据对步骤4的格点预报数据进行订正；

步骤6：选择预报的时间，并选取该时间的WARMS模式格点预报数据，先使用步骤5的订正方式订正格点的预报数据，再选择步骤3得到的基于站点的能见度算法计算各个格点的能见度；

步骤7：对步骤6得到的格点能见度进行线性插值以获得到空间水平尺度更小的格点数据，选取所需预报区域并确定此区域经纬度范围后，将能见度预报结果对应到地图上。

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于所述步骤2的有效降温变量的定义中，

当部分自动气象站露点温度缺测时，对于缺测测站的露点温度按以下公式计算得到：

e_S为饱和水气压，T为当前温度，

e＝e_sxRH，

e为水汽压，RH为相对湿度

i小时前露点温度

的计算公式为:

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤3中使用神经网络基于站点的能见度算法中，能见度算法包括能见度数值的算法和能见度级别的算法，所以能见度预报包括能见度数值的预报和能见度级别的预报；

步骤3中在寻找最佳能见度算法的具体方法是：鉴于地理因素原因，两个自动气象站即使位置不同，二者能见度变化特点也可能十分相似，当两站气象因素相同时，能见度会很接近，因而二者的能见度算法具有相似性，可以互相使用，有可能本站的算法不如相似站的算法准确；

其中，使用K-mean聚类分析方法分别找到各个站点的相似站点的方法是：

对所述相似站点以步骤3所述的基于站点的能见度算法进行计算，判断与其站点实测数据最接近的那个站点，将该站点的算法作为该类相似站点的算法；

对于能见度数值的预报，寻找最佳能见度算法是计算预报能见度与实际能见度的均方根误差，选择均方根误差最小的算法；对于能见度级别的预报，寻找最佳能见度算法是计算预报能见度级别与实际级别的TS评分，选择TS评分最高的算法。

如图2所示，所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤5对建立模式格点数据进行订正中，

所述订正方法是采用多元线性回归方法，具体是：对于72小时预报，在每一整点都存在6个不同预报时次的预报数据，考虑到模式运转时间和数据分发的时间可用的有5个预报资料，为了对某整点时刻的预报资料基本气象要素进行订正，使用时间上最近的三个预报资料向该时刻自动气象站实测资料进行订正，订正方法采用多元线性回归方法，因此，可以进行36小时内每小时能见度的预报；

对于每个格点，先计算到每个站点的空间水平距离，如果存在空间水平距离小于10km的站点，且该格点和站点数据均属于同样地理环境，即海洋环境或者陆地环境，则将该格点数据向该站点数据订正，实现对本格点的订正；如果存在多个空间水平距离小于10km的站点，则选取距离最近的站点；如果不存在空间距离小于10km的站点，则寻找距离最近且为同一地理环境的已经得到订正的格点，使用该已订正格点的订正方式对该格点进行订正。也可以使用相同方法将格点数据向站点进行订正。

所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤6所述的选择站点能见度算法计算格点能见度，选择能见度算法时，仍然先计算与每个站点的空间距离，如存在小于10km的站点，以该站点的能见度计算方法来计算格点能见度；若存在多个小于10km的站点，以距离最近的那个站点的能见度计算方法来计算格点能见度；当某格点不存在空间距离小于10km的站点时，寻找距离最近且为同一地理环境的站点的能见度算法计算能见度，计算得到待预报时间段内每个格点的能见度。

实施例

本发明的具体步骤如下：

1)读取自动气象站数据(目前读取青岛市气象局所拥有的17个自动气象站数据，数据格式为excel)，自动气象站观测到的物理量包括：能见度、温度、相对湿度、露点温度、气压、风向(包括十分风向和二分风向，本发明使用十分风向)、风速(包括十分风速和二分风速，本发明使用十分风速)、降水量。选取自动气象站数据中整点时刻的数据，本发明使用每天24个整点时刻的观测值进行接下来的步骤。

2)基于上一步提取出来的温度、相对湿度、气压等物理量进行计算，得到17个统计因子，包括3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量(绝对湿度和风速的乘积)，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温。部分自动气象站露点温度缺测，对于缺测测站的露点温度使用大气物理学相关公式计算得到。使用到的公式如下：

饱和水汽压

其中t为摄氏温度

水汽压：

e＝e_s×RH，其中RH为相对湿度

绝对湿度：

露点温度：

i小时有效降温：

T为当前温度，

为i小时前露点温度

3)算法的建立：首先设置阈值筛选掉不合适的样本。为排除降水对能见度的干扰，剔除有降水的数据。为了使样本中晴空比例降低，低能见度天气比例升高剔除相对湿度小于80％的数据。

本发明使用神经网络建立能见度算法。神经网络属于机器学习范畴，先提供训练样本，它能够自我学习其中规律，不断调整内部参数，建立输入因子和输出因子之间联系，获得拟合能力，再输入新样本的输入因子后可以计算得到其输出因子。

得到17个因子后，将17个因子和与之时间一一对应的能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；

神经网络方法通过MATLAB自带的神经网络工具箱实现。如上所述，处理得到的17个因子作为神经网络的输入，能见度作为输出进行训练。而能见度作为输出，可以是能见度数值本身，也可以是能见度的级别。如果用于区分能见度级别可使用神经网络方法中的patternnet函数，如果用于拟合能见度可使用神经网络方法中的feedforwardnet函数。训练时，神经网络会再次将数据分类，分别用作训练、检验。以青岛为例，综合算法计算准确性和实际业务需求，通常将输出因子设为能见度级别，能见度级别分为1级：0～1km，2级：1～5km，3级：5～10km，4级：10km以上。输入因子可继续调整，经对比分析，通常情况下可以选择其中的13因子，即相对湿度、3小时有效降温、2小时有效降温、1小时有效降温、3小时相对湿度改变量、2小时相对湿度改变量、1小时相对湿度改变量、3小时变温、2小时变温、1小时变温、3小时绝对湿度改变量、2小时绝对湿度改变量、1小时绝对湿度改变量。通常情况下，神经网络隐层数取3层，每层节点数分别为45、98、145，Train function可选择trainscg,performance function可选择crossentropy。以上选择对于建立青岛能见度算法设置的输入输出格式和神经网络内部训练参数结果较为理想，也可以根据实际需要继续调整。

得到各站能见度算法后，根据各站的能见度按照空间距离进行聚类分析，聚类分析距离最近的三个站之间进行能见度算法交叉检验，比较得到适合本站的能见度最佳算法。

4)读取某一时间段自动气象站数据，并读取模式对该时间段的预报数据，建立模式预报数据向实测数据的订正算法。WARMS模式有72小时内每小时的预报数据，每天起报时间为北京时08时和20时(世界时0时和12时)。对于72小时预报，在每一时刻都存在6个不同预报时次的预报资料，考虑到模式运转时间和数据分发的时间可能会有5个不同预报时次的预报资料。

本发明中假设北京时15时和次日3时(对应世界时7时和19时)能够得到WARMS模式逐小时预报数据。本发明使用预报资料中地面要素中的2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量，分别对应自动气象站的温度、相对湿度、露点温度、风向、风速(风向和风速由东西方向10米风速和南北方向10米风速计算得到)、气压、降水(降水资料不参与接下来的订正)。结合实际需求和模式的预报准确性，为了对某整点时刻的预报资料气象要素进行订正，使用时间上最近的三个预报资料向该时刻自动气象站实测资料进行订正。订正方法采用多元线性回归方法。这样，本算法可以进行36小时内每小时能见度的预报。

模式格点与自动气象站站点位置不一致，因而在订正前，先计算格点到每个站点的空间距离，如果存在空间距离小于10km的站点，且该格点和站点数据同属于同样地理环境中，比如同属于海洋环境(自动气象站在海边时该站点属于海洋环境)或同属于陆地环境，则将该格点数据向该站点数据订正，得到本格点订正算法。如果存在多个这样的站点，则选取距离最近的站点。如果不存在10km以内的站点，则寻找距离最近且为同一地理环境的已经得到订正算法的格点，使用该格点订正算法作为本格点订正算法。

5)设置待预报时间段，自动读取模式对该时间段的所有预报数据。按照第四步的订正算法对每个格点各基本气象要素进行订正。格点选择能见度算法时，仍然先计算与每个站点的空间距离，与第四步不同的是当某格点不存在空间距离小于10km的站点时，寻找距离最近且为同一地理环境的站点的能见度算法计算其能见度。计算得到待预报时间段内每个格点的能见度。

6)对每个格点能见度进行线性插值得到更密集的格点数据，对于能见度级别的插值，能见度级别经插值为1.5以下归为1级别，1.5～2.5归为2级别，2.5～3.5归为3级别，3.5以上归为4级别。设置好预报区域的经纬度范围后将能见度预报结果填涂在地图上。

Claims (5)

1.一种基于站点实测数据和模式结果的水平能见度预报方法，其特征在于包括以下步骤：

步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；

所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；

步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；

其中有效降温和水汽通量是本发明自定义变量；

有效降温定义为：

i小时有效降温:

T为当前温度，

为i小时前露点温度，i

水汽通量定义为，绝对湿度和十分风速的乘积

其中，绝对湿度按以下公式计算得到：

其中e为水气压，T为当前温度；

得到17个因子后，将17个因子、步骤1中的温压湿风四个站点实测数据和实测能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；

步骤3：筛选掉步骤1中的有降水的站点实测数据，同时筛选掉步骤1中相对湿度小于80％的站点实测数据；使用神经网络方法，将步骤2得到的17个因子以及步骤1中的温压湿风四个站点实测数据作为神经网络的输入，通过训练神经网络以调整神经网络内部参数，包括神经网络隐层数、每层节点数、Train function以及performance function，输出预报能见度，从而建立基于站点的能见度算法，再通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法；

步骤4：获得步骤1所述区域的WARMS模式的格点预报数据，所述WARMS模式的格点预报数据包括2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量7个格点基本气象要素；

步骤5：对步骤4的模式格点预报数据进行订正

计算步骤4中具有相同下垫面的站点与格点之间的空间水平距离，选取距离各个格点最近的自动气象站点，利用多元回归方法和站点的实测数据对步骤4的格点预报数据进行订正；

步骤6：选择预报的时间，并选取该时间的WARMS模式格点预报数据，先使用步骤5的订正方式订正格点的预报数据，再选择步骤3得到的基于站点的能见度算法计算各个格点的能见度；

步骤7：对步骤6得到的格点能见度进行线性插值以获得空间水平尺度更小的格点数据，选取所需预报区域并确定此区域经纬度范围后，将能见度预报结果对应到地图上。

2.如权利要求1所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于所述步骤2的有效降温变量的定义中，

当部分自动气象站露点温度缺测时，对于缺测测站的露点温度按以下公式计算得到：

e_s为饱和水气压，T为当前温度，

e＝e_s×RH，

e为水汽压，RH为相对湿度

i小时前露点温度

的计算公式为：

3.如权利要求1所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤3中通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法，具体如下：

使用K-mean聚类分析方法分别找到各个站点的相似站点：

对所述相似站点以步骤3所述的基于站点的能见度算法进行计算，判断与其站点实测数据最接近的那个站点，将该站点的算法作为该类相似站点的算法；

对于能见度数值的预报，寻找最佳能见度算法是计算预报能见度与实际能见度的均方根误差，选择均方根误差最小的算法；对于能见度级别的预报，寻找最佳能见度算法是计算预报能见度级别与实际级别的TS评分，选择TS评分最高的算法。

4.如权利要求1所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤5对建立模式格点数据进行订正中，

所述订正方法是采用多元线性回归方法，具体是：对于72小时预报，在每一整点都存在6个不同预报时次的预报数据，考虑到模式运转时间和数据分发的时间可用的有5个预报资料，为了对某整点时刻的预报资料基本气象要素进行订正，使用时间上最近的三个预报资料向该时刻自动气象站实测资料进行订正，订正方法采用多元线性回归方法，因此，可以进行36小时内每小时能见度的预报；

对于每个格点，先计算到每个站点的空间水平距离，如果存在空间水平距离小于10km的站点，且该格点和站点数据均属于同样地理环境，即海洋环境或者陆地环境，则将该格点数据向该站点数据订正，实现对本格点的订正；如果存在多个空间水平距离小于10km的站点，则选取距离最近的站点；如果不存在空间距离小于10km的站点，则寻找距离最近且为同一地理环境的已经得到订正的格点，使用该已订正格点的订正方式对该格点进行订正。

5.如权利要求1所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤6所述的选择站点能见度算法计算格点能见度，选择能见度算法时，仍然先计算与每个站点的空间距离，如存在小于10km的站点，以该站点的能见度计算方法来计算格点能见度；若存在多个小于10km的站点，以距离最近的那个站点的能见度计算方法来计算格点能见度；当某格点不存在空间距离小于10km的站点时，寻找距离最近且为同一地理环境的站点的能见度算法计算能见度，计算得到待预报时间段内每个格点的能见度。

Images