博乐机场低能见度天气分析及预报方法研究

摘要：基于博乐机场2014-2024年地面观测资料，统计其能见度低于1500m、800m及600m的日数，分析其低能见度天气的年际、季节变化规律。研究发现，博乐机场年能见度低于1500m、600m日数呈显著减少变化特征，年能见度低于800m日数呈显著增加变化特征。年内能见度日数具有显著的季节性差异，集中于冬秋两季。针对低能见度天气预报难点，综合运用统计诊断与机器学习算法，探讨了适用于本机场的预报方法。结果显示，基于历史资料构建的预报模型对低能见度天气具有一定的预报能力，尤其对1公里以下能见度的预报技巧有显著提升。

关键词：低能见度；气候变化；天气预报；博乐机场

引言

低能见度天气，尤其是大雾、浓烟、强降水及高影响沙尘等导致的视程障碍，会直接造成航班延误、备降甚至取消，对运行安全构成严重威胁。博乐机场位于天山北麓，准噶尔盆地西南缘，地形与下垫面条件复杂。冬季受稳定积雪和强逆温影响，辐射雾多发；春秋季节天气系统活跃，平流雾及降水性低能见度天气也时有发生。这些天气常导致本场能见度在短时间内急剧下降，给飞行指挥与旅客出行带来显著影响。目前，业务预报中对博乐机场低能见度天气的把握，仍较多依赖预报员的主观经验，缺乏系统性的本地化气候统计特征支撑和客观定量的预报工具，预报提前量和准确率均有待提升。本研究旨在利用博乐机场近十年的地面观测数据，深入分析该机场低能见度天气的气候统计特征和主要影响系统。在此基础上，结合统计方法和机器学习算法，探索建立适用于博乐机场的低能见度客观预报模型，以弥补当前业务预报能力的不足，为机场的安全高效运行提供科技支撑。

1 资料和方法

本文所用气象数据来源于博乐阿拉山口机场气象站2014-2024年观测记录数据资料，包括能见度低于1500m、800m及600m的逐月日数。选用数理分析方法来分析低能见度天气变化特征。季节划分采用常规划分标准，即每年3-5月为春季，6-8月为夏季，9-11月为秋季，12月-翌年2月为冬季。

2 低能见度天气变化特征分析

2.1 能见度低于1500m日数

基于博乐机场2014-2024年能见度低于1500m日数数据分析（图1）结果表明：博乐机场年能见度低于1500m日数整体呈减少变化特征，线性变化倾向率是-30.091d/10a，相关系数r=0.6907（P<0.01），表明年能见度低于1500m日数减少变化具有统计学显著性。统计期内年能见度低于1500m日数平均值为36d，极高值为57d（2016年），极低值为13d（2018年），极值差为44d。整体来说，博乐机场2014-2024年能见度低于1500m日数呈显著减少变化趋势。此外，博乐机场2014-2024年年内能见度低于1500m日数累计共396d，呈显著季节性差异，主要集中在冬季。其中冬季最多（268d），占全部的67.7%，秋季第二（61d），占全部的15.4%，春季第三（60d），占全部的15.2%，夏季最少（7d），占全部的1.8%。

图1  2014-2024年博乐机场能见度低于1500m日数变化特征

2.2 能见度低于800m日数

基于博乐机场2014-2024年能见度低于800m日数数据分析（图2）结果表明：博乐机场年能见度低于800m日数整体呈增加变化特征，线性变化倾向率是2.273d/10a，相关系数r=0.1131（P<0.01），表明年能见度低于800m日数增加变化具有统计学显著性。统计期内年能见度低于800m日数平均值为14.1d，极高值为22d（2015年），极低值为0d（2018年），极值差为22d。整体来说，博乐机场2014-2024年能见度低于800m日数呈显著增加变化趋势。此外，博乐机场2014-2024年年内能见度低于800m日数累计共155d，呈显著季节性差异，主要集中在冬季。其中冬季最多（106d），占全部的68.4%，秋季和春季并列第二（24d），均占全部的15.5%，夏季最少（1d），占全部的0.6%。

图2  2014-2024年博乐机场能见度低于800m日数变化特征

2.3 能见度低于600m日数

基于博乐机场2014-2024年能见度低于600m日数数据分析（图3）结果表明：博乐机场年能见度低于600m日数整体呈减少变化特征，线性变化倾向率是-5.091d/10a，相关系数r=0.3071（P<0.01），表明年能见度低于600m日数减少变化具有统计学显著性。统计期内年能见度低于600m日数平均值为11.3d，极高值为22d（2017年），极低值为2d（2018年），极值差为20d。整体来说，博乐机场2014-2024年能见度低于600m日数呈显著减少变化趋势。此外，博乐机场2014-2024年年内能见度低于600m日数累计共124d，呈显著季节性差异，主要集中在冬季。其中冬季最多（78d），占全部的62.9%，春季第二（26d），占全部的21.0%，秋季第三（19d）,占全部的15.3%，夏季最少（1d），占全部的0.8%。

图3  2014-2024年博乐机场能见度低于600m日数变化特征

3 博乐机场低能见度天气预报方法探讨

3.1 预报因子选取与处理

基于博乐机场2014—2024年地面观测及ECMWF、WRF等数值模式产品，选取与低能见度密切相关的物理量作为候选因子，包括2m温度、露点温度、相对湿度、10m风速、风向、边界层高度、850 hPa水汽通量及K指数等。对原始数据进行质量控制与时效对齐，剔除缺测或异常值，并按能见度等级（<1500m、<800m、<600m）进行样本标记。通过相关性分析与信息熵方法初步筛选敏感因子，保留相对湿度、风速、温度露点差及低层垂直速度等具有显著判别能力的变量，为后续建模提供基础输入。

3.2 基于统计方法的预报模型建立

结合低能见度天气分型结果，分别针对辐射雾型和吹雪型构建季节化预报模型。首先归纳本地概念模型：冬季辐射雾多发生在相对湿度≥90%、风速≤2 m/s、地气温差>3℃条件下；春季吹雪则需风速≥5 m/s且地面积雪存在。在此基础上，采用CART决策树与多元Logistic回归建立分类预报模型，以能见度是否低于800m为判别目标。模型按冷暖季划分训练集，交叉验证显示决策树在捕捉非线性阈值关系方面优于线性方法，尤其对极端低能见度事件识别率更高。

3.4 博乐机场低能见度预报流程设计

综合天气分型、概念模型与统计预报结果，设计“环流背景初判—地面要素阈值筛查—统计模型输出修正”的三级预报流程。首先依据500hPa与850hPa形势判断是否具备低能见度潜势；其次结合实时地面温湿风数据，应用本地临界阈值进行初筛；最后调用对应季节与天气型的CART模型生成概率预报，并由预报员结合卫星、雷达及积雪实况进行人工订正。该流程已嵌入机场气象台短临预报平台试运行，可为航班调度提供6–24小时分级预警支持。

结语

博乐机场年能见度低于1500m、600m日数呈显著减少变化特征，年能见度低于800m日数呈显著增加变化特征。年内能见度日数具有显著的季节性差异，集中于冬秋两季。通过因子筛选与统计建模，建立了分季节、分天气型的CART决策树预报模型，结合概念模型与业务实际，初步设计了“环流初判—阈值筛查—模型输出—人工订正”的四级预报流程，为提升机场低能见度预警能力提供了可操作的技术路径。未来，需进一步融合高时空分辨率观测数据，深化对边界层微物理过程的理解，并推动智能预报模型在短临业务中的稳定应用。

参考文献

[1]曹蕾.降雪中低能见度灾害性天气的预报预警方法[J].黑龙江气象,2023,40(01):18-24.

[2]朱国栋,朱蕾,王照刚.乌鲁木齐机场低能见度天气的特征分析[J].中国民航飞行学院学报,2020,31(05):65-68+72.

[3]胡伯彦,冯雷,陈志豪.1996-2013年上海虹桥机场低能见度及低跑道视程特征分析[J].气象科技,2015,43(01):151-155.

作者简介：安琪琪（1996.12），女，汉族，甘肃天水人，本科，气象预报助理工程师，研究方向：气象观测或者气象预报。