买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

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)

摘要：本发明公开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，涉及大气环境技术领域，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。本发明更全面地考虑了能见度的各种影响因素，基于训练好的模型，能够更加准确地预测大气能见度。

主权项：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：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；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得到的模型；所述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；所述训练好的大气能见度预测模型的确定过程为：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；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；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；所述气溶胶吸湿性参数数据的获取方法，具体包括：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；其中根据目标气象观测点的经纬度筛选对应格点的气溶胶化学组分和边界层高度数据；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；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；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；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，包括：根据公式κchem＝Σiεiκi确定所述气溶胶吸湿性参数数据；其中，εi为第i种化学成分的体积分数，κi为第i种化学成分吸湿性参数，κchem为气溶胶吸湿性参数数据；其中，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：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；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，计算所述网络参数组合下所述大气能见度预测模型的能见度预测值；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，确定每组所述网络参数组合的得分；选择得分最高的网络参数组合作为所述最优网络参数组合。

全文数据：

权利要求：

百度查询： 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) 集合多因素的大气能见度预测方法、计算机设备及介质