一种基于机器学习的机场能见度预测方法、装置及电子设备、存储介质与流程

本发明涉及航空气象预报，尤其是涉及一种基于机器学习的机场能见度预测方法、装置及电子设备、存储介质。

背景技术：

1、能见度是衡量大气透明度的核心气象要素，低能见度天气（如大雾、霾、强降水）是影响航空安全与运行效率的关键因素之一。机场起降阶段，能见度直接决定跑道视程和着陆标准等级，低能见度可导致航班大面积延误、备降甚至事故。因此，精确的机场能见度预报对于空管调度、航班规划和旅客安全保障具有重要价值。

2、目前，能见度预报主要依赖以下三类方法：（1）基于数值天气预报模式的直接预报方法，如ecmwf数值预报产品，已被世界各国气象部门广泛采用，但数值模式在描述大气运动和热交换时不可避免地存在偏微分方程近似误差，始终存在系统性误差和随机误差，尤其在复杂地形和污染条件下的低能见度预报中误差更为显著；（2）基于传统统计学的预报订正方法，主要包括模式输出统计方法、卡尔曼滤波和多元线性回归等，但这类方法高度依赖预报员的经验和主观判断，订正手段主要针对单个气象要素，忽略了气象要素之间的关联特征，且对于复杂地形区域的单点精细化预报能力有限；（3）基于机器学习的能见度预测方法，近年来随机森林、支持向量机、xgboost、lightgbm以及各类深度学习网络已被广泛应用于气象要素预报订正，能够学习预报场与观测场之间复杂的非线性关系。

3、然而，现有基于机器学习的能见度预测方法未能有效融合多源异构数据并充分利用其中的物理约束信息，难以满足航空运行对跑道级精细化能见度预报的实际需求。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于机器学习的机场能见度预测方法、装置及电子设备、存储介质。

2、第一方面，本发明实施例提供了一种基于机器学习的机场能见度预测方法，该方法包括：

3、获取多源异构数据，多源异构数据至少包括：目标机场的ecmwf数值预报数据、dem地形高程数据、cams空气污染预报数据和机场实测能见度标签数据；

4、对多源异构数据进行预处理，得到预处理后的多源异构数据；预处理至少包括：时空对齐、缺测值处理和标准化预处理；

5、对预处理后的多源数据进行特征拼接与融合，构建包含基础特征、时序滑动窗口统计特征以及基于物理机理的组合交叉特征的特征向量集；

6、将特征向量集输入预先训练完成的气象自适应残差订正网络，输出目标机场在未来多个时效的能见度预测结果；

7、其中，气象自适应残差订正网络包括依次连接的多尺度空洞卷积层、物理感知位置编码层、transformer编码器、地形-气象自适应特征调制模块和解码输出层；气象自适应残差订正网络以ecmwf能见度预报值为基准，通过多尺度空洞卷积层提取时序局部特征，叠加物理感知位置编码层生成的位置编码后经transformer编码器处理，并由地形-气象自适应特征调制模块利用从dem地形高程数据中提取的地形特征和transformer编码器输出的全局上下文向量生成调制参数，对编码器输出序列进行动态调制，经解码输出层解码输出各时效的能见度残差预测值，将残差预测值与ecmwf原始能见度预报值相加，得到订正后的能见度预测值，作为能见度预测结果。

8、结合第一方面，对多源异构数据进行预处理，得到预处理后的多源异构数据的步骤，包括：

9、将ecmwf数值预报数据通过双线性插值方法插值至目标机场的经纬度坐标位置，得到匹配至目标机场的ecmwf各气象要素时序数据；

10、将cams空气污染预报数据通过双线性插值方法插值至目标机场的经纬度坐标位置，得到匹配至目标机场的cams各污染要素时序数据；

11、从dem地形高程数据中提取目标机场跑道位置的高程值，并基于目标机场周边区域的dem格点计算坡度特征和地形起伏度特征，得到目标机场的dem地形高程数据；

12、将机场实测能见度标签数据按时间戳，与插值处理后的ecmwf时序数据、cams时序数据以及dem地形高程数据进行精确匹配对齐，得到时间对齐后的多源融合样本数据集；

13、对多源融合样本数据集进行缺测值检测，删除存在缺测值的时间样本，得到清洗后的完整样本数据集；

14、对完整样本数据集中的所有连续型数值变量进行z-score标准化处理，将各变量转换至统一量纲，得到预处理后的多源异构数据。

15、结合第一方面，对预处理后的多源数据进行特征拼接与融合的步骤，包括：

16、将预处理后的ecmwf数值预报数据中的各气象要素、cams空气污染预报数据中的各污染要素以及dem地形高程数据进行拼接，得到基础特征向量；

17、基于ecmwf数值预报数据中连续时次的气象要素，以预设的滑动时间窗口计算各气象要素在滑动时间窗口内的变化趋势值和统计量，得到时序滑动窗口统计特征；

18、基于大气消光物理机理，从ecmwf数值预报数据和cams空气污染预报数据中提取交叉组合的衍生特征，得到基于物理机理的组合交叉特征；

19、将基础特征向量、时序滑动窗口统计特征和组合交叉特征进行拼接，形成完整特征向量集。

20、结合第一方面，将特征向量集输入预先训练完成的气象自适应残差订正网络，输出目标机场在未来多个时效的能见度预测结果的步骤，包括：

21、将特征向量集按照时间顺序组织为包含历史实况段和未来预报段的混合时序序列；

22、将混合时序序列输入气象自适应残差订正网络，经扩张率不同的多个并行一维空洞卷积分别提取不同时间尺度的局部时序模式，并将各并行空洞卷积的输出进行拼接，得到多尺度时序特征；

23、将多尺度时序特征与物理感知位置编码逐元素相加，得到融合位置信息的时序特征；

24、将融合位置信息的时序特征输入transformer编码器，经多头自注意力机制和前馈网络处理，捕捉混合时序序列中不同时次之间的长程依赖关系，得到编码器特征序列；

25、将编码器特征序列输入地形-气象自适应特征调制模块，以dem地形高程数据和编码器特征序列的全局时序上下文为条件，生成调制参数，采用调制参数对编码器特征序列进行动态调制，得到地形-气象自适应调制后的特征序列；

26、将调制后的特征序列中对应于未来预报段的时间步取出，输入解码输出层进行映射，得到各时效的能见度残差预测值；

27、获取ecmwf数值预报数据中对应各预报时效的原始能见度预报值，将各时效的能见度残差预测值与原始能见度预报值逐时效相加，得到各时效订正后的能见度预测值，作为目标机场在未来多个时效的能见度预测结果并输出。

28、结合第一方面，将多尺度时序特征与物理感知位置编码逐元素相加，得到融合位置信息的时序特征的步骤之前，还包括：

29、获取混合时序序列中每一个时间步在序列中的绝对位置，经正弦位置编码生成相对位置编码向量；

30、获取每一个时间步对应的实际世界时间，基于实际世界时间计算太阳时角以表征昼夜信息，计算年积日以表征季节信息；

31、分别对太阳时角和年积日进行正弦编码，将编码结果经全连接层映射至隐藏维度，得到物理时间编码向量；

32、将相对位置编码向量与物理时间编码向量逐元素相加，得到物理感知位置编码。

33、结合第一方面，采用调制参数对编码器特征序列进行动态调制，得到地形-气象自适应调制后的特征序列的步骤，包括：

34、将dem地形高程数据输入地形-气象自适应特征调制模块，得到静态地形特征向量；

35、将编码器特征序列经全局平均池化处理，得到全局时序上下文向量；

36、将静态地形特征向量与全局时序上下文向量进行拼接，得到融合特征向量；

37、将融合特征向量输入全连接网络进行映射，输出缩放参数序列和移位参数序列；

38、将缩放参数序列和移位参数序列分别作用于编码器特征序列的每一个特征通道，对编码器特征序列进行逐通道调制，得到地形-气象自适应调制后的特征序列。

39、结合第一方面，将调制后的特征序列中对应于未来预报段的时间步取出，输入解码输出层进行映射，得到各时效的能见度残差预测值的步骤，包括：

40、从地形-气象自适应调制后的特征序列中，提取对应于未来预报段的各预报时效的特征向量；

41、将提取出的每一个预报时效的特征向量分别输入解码输出层，经两层全连接网络逐时效映射，输出每一个预报时效对应的能见度残差预测值。

42、第二方面，本技术提供一种基于机器学习的机场能见度预测装置，该装置包括：

43、获取模块，用于获取多源异构数据，多源异构数据至少包括：目标机场的ecmwf数值预报数据、dem地形高程数据、cams空气污染预报数据和机场实测能见度标签数据；

44、预处理模块，用于对多源异构数据进行预处理，得到预处理后的多源异构数据；预处理至少包括：时空对齐、缺测值处理和标准化预处理；

45、融合模块，用于对预处理后的多源数据进行特征拼接与融合，构建包含基础特征、时序滑动窗口统计特征以及基于物理机理的组合交叉特征的特征向量集；

46、预测模块，用于将特征向量集输入预先训练完成的气象自适应残差订正网络，输出目标机场在未来多个时效的能见度预测结果；

47、其中，气象自适应残差订正网络包括依次连接的多尺度空洞卷积层、物理感知位置编码层、transformer编码器、地形-气象自适应特征调制模块和解码输出层；气象自适应残差订正网络以ecmwf能见度预报值为基准，通过多尺度空洞卷积层提取时序局部特征，叠加物理感知位置编码层生成的位置编码后经transformer编码器处理，并由地形-气象自适应特征调制模块利用从dem地形高程数据中提取的地形特征和transformer编码器输出的全局上下文向量生成调制参数，对编码器输出序列进行动态调制，经解码输出层解码输出各时效的能见度残差预测值，将残差预测值与ecmwf原始能见度预报值相加，得到订正后的能见度预测值，作为能见度预测结果。

48、第三方面，本技术提供一种电子设备，电子设备包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行上述的方法。

49、第四方面，本技术提供一种可读存储介质，可读存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行上述的方法。

50、本发明实施例带来了以下有益效果：本技术提供的一种基于机器学习的机场能见度预测方法、装置及电子设备、存储介质，该方法包括：获取多源异构数据，多源异构数据至少包括：目标机场的ecmwf数值预报数据、dem地形高程数据、cams空气污染预报数据和机场实测能见度标签数据；对多源异构数据进行预处理，得到预处理后的多源异构数据；预处理至少包括：时空对齐、缺测值处理和标准化预处理；对预处理后的多源数据进行特征拼接与融合，构建包含基础特征、时序滑动窗口统计特征以及基于物理机理的组合交叉特征的特征向量集；将特征向量集输入预先训练完成的气象自适应残差订正网络，输出目标机场在未来多个时效的能见度预测结果；其中，气象自适应残差订正网络包括依次连接的多尺度空洞卷积层、物理感知位置编码层、transformer编码器、地形-气象自适应特征调制模块和解码输出层。

51、本技术通过融合ecmwf数值预报、dem地形高程和cams空气污染多源数据，并构建基于物理机理的组合交叉特征，丰富了能见度预测的信息维度；采用残差学习策略，仅学习ecmwf能见度预报的残差部分，降低了学习难度并保留了数值模式的物理基础；通过多尺度空洞卷积提取不同时间尺度的时序模式，结合物理感知位置编码注入昼夜和季节先验信息，并由地形-气象自适应调制模块利用地形特征和全局时序上下文生成调制参数，对编码器输出序列进行动态调制，实现地形影响随天气背景的自适应调整，提升了机场单点多时效能见度预测的精度和泛化能力，有效满足了航空运行对跑道级精细化能见度预报的实际需求。

52、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

53、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。