浙江中南部海雾预报决策树模型研究-海洋预报

浙江中南部海雾预报决策树模型研究

单位：1. 椒江区气象局, 浙江台州 318000;
2. 余杭区气象局, 浙江杭州 311100;
3. 玉环市气象局, 浙江玉环 317600

分类号：P732.4

出版年·卷·期（页码）：2020·37·第六期（96-101）

摘要：

利用椒江大陈沿海航线上重要站点一江山岛、大陈站和头门岛2015-2018年2-6月的海雾历史观测资料和NCEP/NCAR FNL再分析资料，从海雾的成因中找出大气与海雾的关系。分析的影响因子包括：地面与高空温差（T1 000 hPa-T2 m）、（T925 hPa-T2 m）、（T850 hPa-T2 m）、（T975 hPa-T2 m）和1 000 hPa相对湿度，低层上升速度分析等。结论如下：（1）暖湿气流本身强弱对大雾无影响，温差才是形成大雾的重要因素，近地层的逆温有利于大雾形成，越低层逆温越强越有利于大雾形成；（2）大雾形成时所需相对湿度基本集中在90以上，950 hPa上较弱的上升速度利于大雾的形成，散度条件对海雾的影响差别不大；（3）通过训练集数据参与模型的建立，模型整体的学习准确率为0.85。将此测试集数据运用于2019年2-6月的大雾数据检验中，成功率为0.8。决策树模型建立的海雾判别流程可在业务中用于浙中南有无海雾的判别。

Based on the conventional observational data in Yijiangshan Island, Dachen Island and Toumen Island between February and June from 2015 to 2018 and the NCEP 1°×1° reanalysis data, the relationship between marine atmospheric conditions and sea fog is revealed in this paper. The influence factors analyzed include the temperature difference between 1 000 hPa, 975 hPa, 925 hPa, T850 hPa and the surface layer, relative humidity at 1 000 hPa and the ascending speed of the low level air. The results show that the strength of warm and moist advection itself has no effect on the fog and the temperature difference is an important factor in the formation of sea fog. The inversion of the near-surface temperature is conducive to sea fog. The stronger the inversion temperature is, the more favorable it is for the formation of sea fog. The relative humidity required for the formation of sea fog is basically above 90. The weaker ascending air speed at 950 hPa is more conducive to the formation of sea fog, while the divergence conditions have no significant influence to sea fog. A decision-tree model is established by dataset training with an overall learning accuracy rate of 0.85. The model is validated using the sea fog observation from February to June 2019, which reveals a success rate of 0.8. Therefore, the decision-tree model can be operationally applied to identify the sea fog events in the central and southern coastal area of Zhejiang province.

参考文献：

[1] 施素芬, 陈鸣星. 浙江中部沿海海雾短期预报方法[J]. 海洋预报, 1992, 9(1):80-83.
[2] 周发琇. 第四讲海雾预报[J]. 海洋预报, 1989, 6(4):71-78.
[3] 周发琇. 第一讲海雾及其分类[J]. 海洋预报, 1988, 5(1):78-84.
[4] 周发琇. 第三讲海雾的水文气象特征[J]. 海洋预报, 1988, 5(4):84-94.
[5] 张苏平, 鲍献文. 近十年中国海雾研究进展[J]. 中国海洋大学学报, 2008, 38(3):359-366.
[6] 郑怡, 李冉, 史得道, 等. 渤海中西部近海与沿岸海雾的特征分析[J]. 海洋预报, 2016, 33(6):74-80.
[7] 黄健, 黄辉军, 黄敏辉, 等. 广东沿岸海雾决策树预报模型[J]. 应用气象学报, 2011, 22(1):107-114.
[8] 史达伟, 颜佳任, 王伟健, 等. 连云港大雾天气背景下的特强浓雾的人工智能本地化诊断研究[C]//第十五届长三角气象科技论文集. 2018:468-471.
[9] 高荣珍, 李欣, 任兆鹏, 等. 青岛沿海海雾决策树预报模型研究[J]. 海洋预报, 2016, 33(4):80-87.
[10] 胡波, 杜惠良, 郝世峰, 等. 一种统计技术结合动力释用的沿海海雾预报方法[J]. 海洋预报, 2014, 31(5):82-86.
[11] 周发琇, 刘龙太. 第七节海雾[J]. 山东海洋学院学报, 1986, 16(1):114-127, 131.
[12] 张苏平, 任兆鹏. 下垫面热力作用对黄海春季海雾的影响——观测与数值试验[J]. 气象学报, 2010, 68(4):439-449.
[13] 徐燕峰, 陈淑琴, 戴群英, 等. 舟山海域春季海雾发生规律和成因分析[J]. 海洋预报, 2002, 19(1):59-64.
[14] 李昀英, 王汉杰. 台湾海峡地区雾形成的天气类型分析[J]. 热带海洋, 2000, 19(4):65-70.
[15] 黄克慧, 张意权, 周功铤, 等. 浙南沿海海雾特征分析[J]. 浙江气象, 2017, 28(1):18-22.
[16] 黄辉军, 黄健, 刘春霞, 等. 用近地层温差因子改进广东沿海海雾区域预报[J]. 热带气象学报, 2013, 29(6):907-914.
[17] 黄辉军, 黄健, 刘春霞, 等. 用GRAPES模式输出变量因子作广东沿海海雾预报[J]. 热带气象学报, 2010, 26(1):31-39.
[18] Huang H J, Liu H N, Jiang W M, et al. characteristics of the boundary layer structure of sea fog on the coast of southern China[J]. Advances in Atmospheric Sciences, 2011, 28(6):1377-1389.
[19] 胡基福, 郭可彩, 鄢利农. 应用模式输出统计海雾出现判别预报[J]. 青岛海洋大学学报, 1996, 26(4):439-445.
[20] Breiman L, Friedman J H, Olshen R, et al. Classification and regression trees[M]. Belmont, Calif:Wadsworth International Group, 1984.

服务与反馈：

【文章下载】【发表评论】【查看评论】【加入收藏】