基于深度学习的机场大雾天气预警方法研究现状

雾是影响能见度的一种重要天气现象，尤其是与民航航班的起降息息相关，机场大雾天气的准确预报对

大雾是一种秋冬季节常见的灾害性天气现象，对国民经济、航空飞行、公路交通和军事活动有严重影响[1] [2] [3] [4] [5]。随着民航运输业的快速发展，双流国际机场航班流量越来越大，遇到恶劣天气时的航班延误现象也日益突出， 尤其是冬季， 大雾天气严重影响飞行安全和航班的正常起降。

如发生在2016年12 月份的双流机场持续五天四夜大雾天气，对航班影响最广，波及面最大，滞留旅客最多，也因此造成了不好的社会影响。因此，对机场进行大雾生、消演变的监测和预警，对防止和减少因雾造成的事故和损失具有重要的意义。所以能否准确地对大雾天气进行预报，及时提醒相关部门提前发布雾的预警信息，尽量做好大雾天气前的防范工作，成为有效预防交通事故发生的重要一环。

目前大雾天气的预报一般靠人工资料分析、人工监测和持续跟踪来预报大雾及其发展趋势。不同地区的大雾特点和形成机理不同，且不同于雷雨大风等强天气现象，出现大雾时的天气要素不明显，预报员需要分析多种观测资料来判断是否会起雾，这对预报员形成较大的预报压力，长期以来大雾天气预报一直是气象预报预测工作的难点。传统的统计预报方法由于气象因子的挑选过程繁杂，且手工设计的特征比较单一，使得模型在复杂的背景下不具有很好的泛化能力，进而影响了大雾预报的准确性。随着深度学习技术快速发展，深度神经网络模型的强大的特征表达能力使得数据中的相关特征能够被自动提取与学习，模型的学习性能被大大增加，使得其分类和预测效果也有了明显的提高。通过深度学习历史数据中的大雾形成的原因，对大雾天气进行预报是目前研究的方向[6] [7] [8]。

2. 深度学习技术研究现状 深度学习的概念源于人工神经网络的研究。深度学习是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。通过组合低层特征形成更加抽象的高层表示(属性类别或特征)，以发现数据的分布式特征表示[9]。深度学习在学习样本数据的内在规律和表示层次过程中，同时对获得的文字、图像和声音数据具有分析学习能力和解释能力，使得其在图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等方面取得了显著的成果[10]-[17]。现今，深度学习发现或学习描述数据内在规律或模式的信息特征， 在图像分析的各种任务中起着至关重要的作用。

2.1. 卷积神经网络[18] (CNN) 卷积神经网络是一种多层神经网络， 通过一系列方法， 成功将数据量庞大的图像识别问题不断降维， 最终使其能够被训练。其优秀的性能和泛化能力使得卷积神经网络被广泛应用在人脸识别，辅助驾驶，