大霧情形下能見度的估計及預測

王雅雪 李城 劉霆

摘 要：針對不同大霧情況下的能見度，建立估計與預測模型。通過建立多分類的多元回歸模型，研究能見度與地面氣象影響因素之間的關系，并對大霧的能見度進行預測。利用2020年研究生數學建模競賽E題所提供的數據，用主成分分析進行降維，分析每個變量對能見度的影響規律，建立多分類多元回歸模型。模型結果表明，風速對能見度的影響程度最大，呈正相關關系;氣壓越高，能見度越低;溫度越高，能見度越大;濕度對能見度的影響程度最小，呈負相關關系。預測結果表明，八點過后能見度逐漸增大。

關鍵詞：能見度;氣象因素;主成分分析;回歸模型;預測

中圖分類號：O212? 文獻標識碼：A? 文章編號：1673-260X（2021）01-0009-04

引言

在日常出行中，公路，飛機等都需在意天氣問題，尤其是霧霾情況下。而大霧和霾直接影響著能見度這一指標。在能見度很低時，高速公路以及航空公司均會采取封路取消航班等措施。因此，能見度的預測是高速公路和航空公司十分關注的問題。

本文所用資料為2020年“華為杯”研究生數學建模E題所給資料及數據。根據競賽提供的數據建立模型，探究能見度與地面氣象因素的內在關系，并進行預測。

1 模型的建立與求解

1.1 數據處理

原數據給出5755個數值，時間跨度為從北京時間的2020-3-12 8：00到2020-3-13 7：59，每一分鐘給出4個數值。將數據進行整合，經過基本的數據篩選，選用每分鐘的4個數值的平均值x1，x2，…，x2929個變量作為研究對象，每個指標的數據都從5755個值縮減到1437個值[1]。

原始數據給出29個變量，但其中有很多變量反映的是同一個信息，為進一步判斷這些變量之間是否存在線性相關，對這些變量進行多重共線性檢驗。

共線性可以通過共線統計的方差膨脹因子VIF值來判斷，若該值大于5時，則認為自變量可能存在多重共線性的問題。通過SPSS中對上述29個指標變量計算方差膨脹因子如表1所示。

上表顯示超過95%的變量的方差膨脹因子VIF的值大于5，說明各個變量指標之間存在著多重共線性，因此不可以直接對上述29個變量進行建模，需要對變量進行進一步降維處理。

采用主成分分析的方法進行降維來處理高維數據，通過正交變化的方式將高維數據盡可能少的投影到低維空間，從而達到簡化數據結構的目的[2]。解釋總方差結果如表2。

由上表可知，相關系數矩陣的特征根分別為：1=14.006，2=6.401，3=2.083，4=1.485，5=0.915，6=0.561等等，我們發現只有前4個主成分的特征值是大于1，且其方差占所有主成分方差的85.63%，即包含了原始變量的85.63%的信息。一般情況下，主成分累計貢獻率達到80%即可滿足。該結果可以直接通過碎石圖看出，如下圖所示。

上圖顯示在第四個因子之后逐漸趨于平緩，在之后的回歸建模時可以取前4個主成分。

根據4個主成分對原指標變量的提取程度，將其4個成分分別命名為風速、氣壓、溫度、濕度，用y1，y2，y3，y4表示。

1.2 模型形式設定

給出的影響因素中，有一個因素是風向，該指標的單位為度，取值在0-360之間，由于風向不具有可加性，不能將其加入模型，再考慮風向因素對能見度的季節性影響尤為重要，因此需要對該變量進行處理。進行數據挖掘將風向分為四類，從而構造3個0-1虛擬變量。將0-90之間的數值取為第1類，為東北方向;將90-180之間的數值取為第2類，為西北方向;將180-270之間的數值取為第3類，為西南方向;將270-360之間的數值取為第4類，為東南方向[3]。

D1=1，東北方向0，非東北方向，D2=1，西北方向0，非西北方向，

D3=1，西南方向0，非西南方向。

根據主成分分析結果，用y1，y2，y3，y4這4個主要變量作為自變量、風向作為虛擬變量建模，為之后根據不同地域的風向預測大霧消散情況做一個理論基礎。模型如下：

Z=f（y1，y2，y3，y4，D1，D2，D3）

其中：Z為能見度;y1，y2，y3，y4分別為風速、氣壓、溫度、濕度;Di，i=1，2，3為方向。

現根據上述得到的風速、氣壓、溫度、濕度4個變量指標，分別做出各個變量關于能見度Z的趨勢圖，初步探究之間的關系。如下所示：

由圖2可知，風速與能見度呈正相關關系。雖有一個特殊峰值，但是大致呈線性關系。

由圖3可知，氣壓與能見度呈負相關關系，大致呈線性關系。

由圖4可知，溫度與能見度呈正相關關系。能見度隨溫度的升高而增大，前期增大幅度漸漸變小，呈現對數關系;后期增大的幅度漸漸變大，呈現二次關系;圖像整體呈線性關系。因此將溫度變量納入模型時，分別考慮其對數形式、一次形式和二次形式。

由圖5可知，濕度與能見度呈負相關關系。隨濕度增大，能見度逐漸變小;一開始能見度變小的幅度很大，漸漸幅度減小。考慮將該變量的負一次形式納入模型[4]。

基于溫度變量隨能見度的變化趨勢圖，認為溫度變量與能見度的關系可能是對數關系、一次關系和二次關系，因此分別將溫度變量的對數形式、一次形式和二次形式納入模型。基于濕度變量隨能見度的變化趨勢圖，認為濕度變量與能見度的關系可能是一次關系和負一次關系，因此分別將濕度變量的一次形式和負一次形式納入模型。考慮到不同變量納入模型的不同形式，分別建立5種模型，最終根據擬合程度選出一個最優模型。

建立以下五種模型，依次記為a～e：

Z=c+？琢1y1+？琢2y2+？琢3y3+？琢4y4+？茁1D1+？茁2D2+？茁3D3 （a）

Z=c+？琢1y1+？琢2y2+？琢3log（y3）+？琢4y4+？茁1D1+？茁2D2+？茁3D3 （b）

Z=c+？琢1y1+？琢2y2+？琢3log（y3）+？琢4y4+？茁1D1+？茁2D2+？茁3D3 （c）

Z=c+？琢1y1+？琢2y2+？琢3y3+？琢4+？茁1D1+？茁2D2+？茁3D3 （d）

Z=c+？琢1y1+？琢2y2+？琢3y32+？琢4+？茁1D1+？茁2D2+？茁3D3 （e）

其中：Z為能見度;y1，y2，y3，y4分別為風速、氣壓、溫度、濕度;Di，i=1，2，3為方向。

1.3 參數估計

該參數的p值都小于0.05，均通過顯著性檢驗。

1.4 模型檢驗

1.4.1 統計檢驗

從上表可以看出，五種模型的F統計量的p值均為0，則說明這些方程在統計上均是顯著的。其次，通過擬合度R2、標準誤差、以及F統計量顯示，d模型的各項數據均優于其余4個模型，因此在這里選用模型d，模型方程為：

Z=f（y1，y2，y3，y4）=940394+1075.74y1-929.2969y2

+658.8416y3+1822.342+600.2985D1

-81.08468D2+430.219D3

四個方向的平均能見度為：

東北方向：

E（Z|D1=1，D2=0，D3=0）=940399.43+1075.744y1

-929.2969y2+658.8416y3+1822.342

西北方向：

E（Z|D1=0，D2=1，D3=0）=940313+1075.744y1

-929.2969y2+658.8416y3+1822.342

西南方向：

E（Z|D1=1，D2=0，D3=1）=940824.2+1075.744y1

-929.2969y2+658.8416y3+1822.342

東南方向：

E（Z|D1=0，D2=0，D3=0）=940394+1075.744y1

-929.2969y2+658.8416y3+1822.342

1.4.2 預測檢驗

從建模樣本外的測試樣本中的原數據中隨機取出10個數值，對比模型擬合預測出的濃度值與實際值[5]，如表5所示。

上表可以看出，幾乎所有的預測值與真實值之間的相對誤差都小于1%，大部分的相對誤差在0.1%附近，模型擬合較好。

1.5 結果分析

上述建立的模型可知，風速對能見度的影響程度最大。風速越大，能見度越高，風速變化1個單位，能見度變化1075.7個單位;氣壓與能進度呈負相關關系，氣壓越高，能見度越低，氣壓上升1個單位，能見度降低929.3個單位;溫度越高，能見度越大，溫度升高1個單位，能見度增大658.8個單位;濕度對能見度的影響程度最小，濕度越大，能見度越低[6]。

2 外推預測

用該模型對之后的大霧情形下的能見度進行預測，預測結果如表6。

預測趨勢整體平緩，有上升趨勢。預測結果圖如圖6，紅色線段為原數據的圖像，藍色線段為預測部分圖像，虛線為趨勢線。圖中可以看出，能見度變化不大，略微有變大趨勢。

3 結語

（1）在8：00到14：30，能見度逐漸增大并達到峰值;14：30之后的時間段，能見度逐步降低。在16：14時間點附近，能見度出現急速下降。

（2）能見度與風速、溫度成正相關關系，與風速、氣壓呈負相關關系，與方向因素關系不大。

（3）風速越大，能見度越高，風速變化1個單位，能見度變化1075.7個單位;氣壓越高，能見度越低，氣壓上升1個單位，能見度降低929.3個單位;溫度越高，能見度越大，溫度升高1個單位，能見度增大658.8個單位;濕度越大，能見度越低。

本文考慮到了5種不同的模型形式，估計了未來10個預測值，在之后的研究中，會深入挖掘各影響因素對能見度的影響程度與趨勢，建立更適合的模型并進行長期預測。

——————————

參考文獻：

〔1〕周建平，張蕾，王傳輝，姚葉青，劉承曉.大霧臨近預報中高密度能見度數據應用[J].氣象科技，2019，47（05）：866-871.

〔2〕陳玉蓉.四川盆地低能見度天氣的變化分析及其對機場運行的影響[D].中國民航大學，2019.

〔3〕白小云.咸陽機場大霧低能見度資料的分析與應用[A].中國氣象學會.第34屆中國氣象學會年會S16智能氣象觀測論文集[C].中國氣象學會：中國氣象學會，2017：10.

〔4〕程航.大連地區大霧氣候特征及成因研究[D].蘭州大學，2014.

〔5〕劉炳杰.環渤海低能見度分析及短期預報方法研究[D].蘭州大學，2010.

〔6〕白小云.咸陽機場大霧天氣能見度的觀測[J].陜西氣象，2005，63（04）：42-43.