【技术实现步骤摘要】
本专利技术涉及大气环境，特别是涉及一种集合多因素的大气能见度预测方法、计算机设备及介质。
技术介绍
1、关于大气能见度的预测问题，国内外的科研工作者已经进行了很多研究。初期，研究者们主要依赖统计回归、经验公式和数值预报等传统方法，随着2007年以后机器学习技术的飞速发展，神经网络、支持向量机、遗传算法等方法被广泛应用于能见度预测，大大提高了预测的准确度和效率。
2、然而，大气能见度的预测受诸多复杂气象因素的影响，例如温度、湿度、风速、空气污染物等，这些因素之间的相互作用增加了预测的复杂性。因此，尽管目前的预测方法在某些方面已取得进步，但其准确性仍有待进一步提升。
技术实现思路
1、本专利技术的目的是提供一种集合多因素的大气能见度预测方法、计算机设备及介质，可对大气能见度进行准确预测。
2、为实现上述目的，本专利技术提供了如下方案：
3、第一方面，本专利技术提供了一种集合多因素的大气能见度预测方法，包括：
4、获取目标气象观测站点中的气象特征数据和气溶胶特征数据；所述气象特征数据包括风速、温度、湿度、气压和行星边界层高度；所述气溶胶特征数据包括气溶胶质量浓度数据和气溶胶吸湿性参数数据。
5、将所述目标气象观测站点中的气象特征数据和气溶胶特征数据输入至训练好的大气能见度预测模型中，得到所述目标气象观测站点位置处的能见度预测数据；所述训练好的大气能见度预测模型是以样本特征数据为输入，以所述样本特征数据对应的能见度实测值为标签训练
6、可选的，所述训练好的大气能见度预测模型的确定过程为：
7、获取样本数据集；所述样本数据集包括多个所述样本特征数据以及每个所述样本特征数据对应的能见度实测值。
8、将所述样本数据集输入所述大气能见度预测模型，并基于网格搜索法对所述大气能见度预测模型中的各个网络参数进行调整，得到最优网络参数组合；所述网络参数包括训练的迭代轮数、每棵决策树的最大深度、每个叶子节点的最小样本权重、叶子节点分裂所需的最小损失减少值、每次训练模型时随机抽取的样本比例、每次训练模型时随机抽取的特征列比例、每层树的节点分裂时随机抽取的特征列比例、l1正则化的强度、l2正则化的强度和学习率。
9、根据所述最优网络参数组合，得到训练好的大气能见度预测模型。
10、可选的，将所述样本数据集输入所述大气能见度预测模型，并基于网格搜索法对所述大气能见度预测模型中的各个网络参数进行调整，得到最优网络参数组合，具体包括：
11、根据所述大气能见度预测模型中各所述网络参数的取值范围，对各所述网络参数进行随机取值，得到多组网络参数组合。
12、对于每一所述网络参数组合，构建大气能见度预测模型，并将样本特征数据输入至所述大气能见度预测模型中，计算所述参数组合下所述大气能见度预测模型的能见度预测值。
13、对于每一所述能见度预测值，根据所述样本数据集中所述样本特征数据对应的能见度实测值，确定每组所述参数组合的得分。
14、选择得分最高的参数组合作为所述最优参数组合。
15、可选的，所述大气能见度预测模型为基于极端梯度提升算法构建的极端梯度提升模型。
16、可选的，所述气溶胶吸湿性参数数据的获取方法，具体包括：
17、获取气溶胶化学成分数据；所述气溶胶化学成分数据包括各类无机盐离子的质量浓度和各类有机碳的质量浓度。
18、对于每一类所述无机盐离子，根据所述无机盐离子的质量浓度，基于离子配对方案确定所述无机盐离子对应的无机化学成分的物质的量。
19、对于每一类所述无机化学成分，根据所述无机化学成分的物质的量，确定所述无机化学成分的体积。
20、对于每一类有机碳，根据所述有机碳的质量浓度，确定所述有机碳对应的有机化学成分的体积。
21、根据各所述无机化学成分的体积和各所述有机化学成分的体积，确定所述气溶胶吸湿性参数数据。
22、可选的，根据各所述无机化学成分的体积和各所述有机化学成分的体积，确定所述气溶胶吸湿性参数数据，具体包括：
23、根据公式确定所述气溶胶吸湿性参数数据。
24、其中，为第i种化学成分的体积分数，为第i种化学成分吸湿性参数，为气溶胶吸湿性参数数据。
25、可选的，所述离子配对方案具体为：
26、。
27、。
28、。
29、。
30、其中，为nh4no3的物质的量，为的物质的量，为nh4hso4的物质的量，为的物质的量，为的物质的量，为(nh4)2so4的物质的量，为h2so4的物质的量。
31、可选的，所述气溶胶质量浓度数据为pm2.5质量浓度。
32、第二方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述大气能见度预测方法的步骤。
33、第三方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行任一项所述的大气能见度预测方法。
34、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
35、本专利技术提供了一种集合多因素的大气能见度预测方法、计算机设备及介质，方法包括：获取目标气象观测站点中的气象特征数据和气溶胶特征数据；气象特征数据包括风速、温度、湿度、气压和行星边界层高度；气溶胶特征数据包括气溶胶质量浓度数据和气溶胶吸湿性参数数据；将目标气象观测站点中的气象特征数据和气溶胶特征数据输入至训练好的大气能见度预测模型中，得到目标气象观测站点位置处的能见度预测数据；训练好的大气能见度预测模型是以样本特征数据为输入，以样本特征数据对应的能见度实测值为标签训练得到的模型；样本特征数据包括样本气象观测站点中的气象特征数据和气溶胶特征数据。本专利技术在预测大气能见度时，更全面地考虑了能见度的各种影响因素，基于多气象特征的样本气象特征数据和样本气溶胶特征数据，训练了一个大气能见度预测模型。基于训练好的模型，本专利技术能够更加准确地预测大气能见度。
本文档来自技高网...【技术保护点】
1.一种集合多因素的大气能见度预测方法，其特征在于，包括：
2.根据权利要求1所述的一种集合多因素的大气能见度预测方法，其特征在于，所述训练好的大气能见度预测模型的确定过程为：
3.根据权利要求2所述的一种集合多因素的大气能见度预测方法，其特征在于，将所述样本数据集输入所述大气能见度预测模型，并基于网格搜索法对所述大气能见度预测模型中的各个网络参数进行调整，得到最优网络参数组合，具体包括：
4.根据权利要求1或2所述的一种集合多因素的大气能见度预测方法，其特征在于，所述大气能见度预测模型为基于极端梯度提升算法构建的极端梯度提升模型。
5.根据权利要求1所述的一种集合多因素的大气能见度预测方法，其特征在于，所述气溶胶吸湿性参数数据的获取方法，具体包括：
6.根据权利要求5所述的一种集合多因素的大气能见度预测方法，其特征在于，根据各所述无机化学成分的体积和各所述有机化学成分的体积，确定所述气溶胶吸湿性参数数据，具体包括：
7.根据权利要求5所述的一种集合多因素的大气能见度预测方法，其特征在于，所述离子配对方案具体
8.根据权利要求1所述的一种集合多因素的大气能见度预测方法，其特征在于，所述气溶胶质量浓度数据为PM2.5质量浓度。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-8中任一项所述大气能见度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行权利要求1-8任一项所述的大气能见度预测方法。
...【技术特征摘要】
1.一种集合多因素的大气能见度预测方法，其特征在于，包括：
2.根据权利要求1所述的一种集合多因素的大气能见度预测方法，其特征在于，所述训练好的大气能见度预测模型的确定过程为：
3.根据权利要求2所述的一种集合多因素的大气能见度预测方法，其特征在于，将所述样本数据集输入所述大气能见度预测模型，并基于网格搜索法对所述大气能见度预测模型中的各个网络参数进行调整，得到最优网络参数组合，具体包括：
4.根据权利要求1或2所述的一种集合多因素的大气能见度预测方法，其特征在于，所述大气能见度预测模型为基于极端梯度提升算法构建的极端梯度提升模型。
5.根据权利要求1所述的一种集合多因素的大气能见度预测方法，其特征在于，所述气溶胶吸湿性参数数据的获取方法，具体包括：
6.根据权利要求5所述的一种集合多...
【专利技术属性】
技术研发人员：张芳，陈璐，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。