Visibility variation characteristics and its nowcasting extrapolation in Beijing

doi:10.11755/j.issn.1006-7639-2026-02-0338

Abstract

Abstract:

As an essential meteorological indicator of atmospheric transparency, visibility holds significant implications for traffic safety, aviation operations, and public health. In this study, the characteristics and changes of visibility in Beijing were analyzed based on the data of automatic weather stations from 2013 to 2022, and the research on the nowcasting extrapolation of visibility based on deep learning was carried out. The main conclusions are as follows: 1) The frequency of different visibility levels ranges from 49.70% to 75.12% for “good”, 14.39% to 40.82% for “fair”, 2.75% to 10.95% for “bad”, 0.10% to 6.28% for “poor”, and 0 to 3.01% for “very poor”; 2) In the visibility nowcasting extrapolation experiments conducted using Recurrent Neural Network (RNN) and Long Short-term Memory Network (LSTM) based on the previous 72, 60, 48, 36, 24, 12, and 6 hours, the RNN based on the previous 48 hours had the best effect in extrapolating future one hour visibility, the RNN based on the previous 36 hours had the best effect in extrapolating future two hours visibility, and the LSTM based on the previous 6 hours had the best effect in extrapolating both future one hour and two hours visibility; 3) Both RNN and LSTM can predict the changes in visibility at different locations in the next 0 to 2 hours, and also have the ability to identify the “turning points” of visibility affected by weather conditions. Overall, the extrapolation forecasting effect of RNN is better than that of LSTM, but the forecast results of both models still have a certain lag.

Key words: Beijing, visibility, deep learning, extrapolation

摘要：

能见度作为表征大气透明度的重要气象要素，对交通安全、航空运输及公众健康具有重要影响。本文基于2013—2022年自动气象站数据，分析北京地区能见度的区域特征和变化趋势，同时开展深度学习能见度临近外推预报研究。结果表明：1）不同等级能见度出现频率依次为“好”（49.70%~75.12%）、“一般”（14.39%~40.82%）、“较差”（2.75%~10.95%）、“差”（0.10%~6.28%）、“极差”（0~3.01%）；2）基于前72、60、48、36、24、12、6 h开展的循环神经网络（Recurrent Neural Network，RNN）、长短期记忆网络（Long Short-Term Memory，LSTM）方法能见度临近外推预报试验中，基于前48 h RNN外推未来1 h能见度效果最优，基于前36 h RNN外推未来2 h能见度效果最优，而基于前6 h LSTM外推未来1 h和2 h能见度效果均最优；3）RNN和LSTM均可以把握未来0~2 h不同地理位置能见度的变化，也具备对于受天气形势影响的能见度“转折点”的判断能力。整体上，RNN外推预报效果优于LSTM，但两种模型的预报结果均存在一定的滞后性。

关键词: 北京, 能见度, 深度学习, 外推预报

CLC Number:

P457.7

JIANG Jiang, XIA Jiangjiang, LIU Qi, QIAO Yuan. Visibility variation characteristics and its nowcasting extrapolation in Beijing[J]. Journal of Arid Meteorology, 2026, 44(2): 338-347.

姜江, 夏江江, 刘祺, 乔媛. 北京地区能见度变化特征及其临近外推预报研究[J]. 干旱气象, 2026, 44(2): 338-347.

Figures/Tables 11

References 27

[1]	白永清, 祁海霞, 刘琳, 等, 2016. 武汉大气能见度与PM_2.5浓度及相对湿度关系的非线性分析及能见度预报[J]. 气象学报, 74(2): 189-199.
[2]	胡海川, 张恒德, 朱彬, 等, 2018. 神经网络方法在环渤海能见度预报中的应用分析[J]. 气象科学, 38(6):798-805.
[3]	姜江, 郭文利, 王春玲, 2019. 2007—2015年北京地区能见度时空变化特征[J]. 气象与环境学报, 35(1): 45-52.
[4]	李沛, 王式功, 尚可政, 等, 2012. 基于神经网络逐级分类建模的北京地区能见度预报[J]. 兰州大学学报:自然科学版, 48(3):52-57.
[5]	卢盛栋, 陈立瑾, 赵桂香, 等, 2020. 太原大气能见度影响因子分析及能见度预报[J]. 沙漠与绿洲气象, 14(4):105-112.
[6]	邱金桓, 1986. 北京等地气象能见度的变化特征分析[J]. 大气科学, 10(4): 437-442.
[7]	全国气象防灾减灾标准化技术委员会, 2018. 公路交通高影响天气预警等级[S]. 北京: 中国标准出版社.
[8]	宋明, 韩素芹, 张敏, 等, 2013. 天津大气能见度与相对湿度和PM₁₀及PM_2.5的关系研究[J]. 气象与环境学报, 29(2): 34-41.
[9]	宋艳玲, 董文杰, 张尚印, 等, 2003. 北京市城、郊气候要素对比研究[J]. 干旱气象, 21(3): 63-68.
[10]	宋宇, 唐孝炎, 方晨, 等, 2003. 北京市能见度下降与颗粒物污染的关系[J]. 环境科学学报, 23(4): 468-471.
[11]	苏维瀚, 张秋彭, 沈济, 等, 1986. 北京地区大气能见度与大气污染的关系初探[J]. 大气科学, 10(2): 138-144.
[12]	王恺, 赵宏, 刘爱霞, 等, 2009. 基于风险神经网络的大气能见度预测[J]. 中国环境科学, 29(10): 1 029-1 033.
[13]	王淑英, 张小玲, 徐晓峰, 2003. 北京地区大气能见度变化规律及影响因子统计分析[J]. 气象科技, 31(2): 109-114.
[14]	王晓敏, 韩军彩, 陈静, 2016. 石家庄地区能见度变化特征及其与相对湿度和颗粒物浓度的关系[J]. 干旱气象, 34(4): 648-655. DOI
[15]	王英, 李令军, 李成才, 2015. 北京大气能见度和消光特性变化规律及影响因素[J]. 中国环境科学, 35(5): 1 310-1 318.
[16]	吴洪, 柳崇健, 邵洁, 等, 2000. 北京地区大雾形成的分析和预报[J]. 应用气象学报, 11(1): 123-127.
[17]	张浩, 石春娥, 杨军, 等, 2021. 寿县不同强度雾的微物理特征及其与能见度的关系[J]. 大气科学, 45(6):1217-1 231.
[18]	张利娜, 张朝林, 王必正, 等, 2008. 北京高速公路大气能见度演变特征及其物理分析[J]. 大气科学, 32(6):1229-1 240.
[19]	赵习方, 徐晓峰, 王淑英, 等, 2002. 北京地区低能见度区域分布初探[J]. 气象, 28(11): 55-57.
[20]	中国国家标准化管理委员会, 2017. 水平能见度等级:GB/T 33673—2017[S]. 北京: 中国标准出版社.
[21]	朱国栋, 2022. 深度学习在乌鲁木齐机场能见度预测中的应用[J]. 自然科学, 10(3): 352-358.
[22]	GRAVES A, 2012. Long short-term memory[M]// Supervised sequence labelling with recurrent neural networks. Berlin, Heidelberg: Springer: 37-45.
[23]	HUANG C J, KUO P H, 2018. A deep CNN-LSTM model for particulate matter (PM_2.5) forecasting in smart cities[J]. Sensors, 18(7): 2 220-2 241. DOI URL
[24]	ORTEGA L C, OTERO L D, OTERO C E, et al, 2020. Visibility forecasting with deep learning[C]// 2020 IEEE International Systems Conference (SysCon). Montreal, QC, Canada, IEEE: 1-7.
[25]	SUTSKEVER I, VINYALS O, LE Q V, 2014. Sequence to sequence learning with neural networks[J]. Advances in neural information processing systems, 27:3 104-3 112.
[26]	WU Z X, YE Q C, YI Z H, et al, 2021. Visibility prediction of plateau airport based on LSTM[C]// 2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). Chongging, IEEE: 1 886-1 891.
[27]	ZHU L, ZHU G D, HAN L, et al, 2017. The application of deep learning in airport visibility forecast[J]. Atmospheric and Climate Sciences, 7(3): 314-322. DOI URL

等级	定性描述用语	水平能见度（V）
1	优	V≥10 km
2	良	2 km≤V<10 km
3	一般	1 km≤V<2 km
4	较差	500 m≤V<1 km
5	差	50 m≤V<500 m
6	极差	V<50 m

等级	定性描述用语	水平能见度（V）
1	优	V≥10 km
2	良	2 km≤V<10 km
3	一般	1 km≤V<2 km
4	较差	500 m≤V<1 km
5	差	50 m≤V<500 m
6	极差	V<50 m

测站类型	站名	各站能见度变化趋势（时段）	2016—2022年各站能见度变化趋势
道面站	温榆河	658^*（2013—2022年）	813^*
	京津塘23 km	553^*（2014—2022年）	376
	琉璃河环岛	886^*（2013—2022年）	963^*
	小汤山西桥	354^*（2014—2022年）	466^*
国家站	顺义	422^*（2014—2022年）	-160
	海淀	371（2015—2022年）	-68
	延庆	404^*（2014—2022年）	227
	佛爷顶	-256（2015—2022年）	-439^*
	汤河口	10（2015—2022年）	-237
	密云	344^*（2014—2022年）	82
国家站	怀柔	333^*（2015—2022年）	140
	上甸子	157（2015—2022年）	193
	平谷	667^*（2014—2022年）	280^*
	通州	428^*（2016—2022年）	428^*
	朝阳	479（2014—2022年）	-211
	昌平	446^*（2014—2022年）	-179
	斋堂	-271（2015—2022年）	-602^*
	门头沟	-327（2014—2022年）	-263
	观象台	753^*（2014—2022年）	557^*
	石景山	-675（2016—2022年）	-675
	丰台	570（2014—2022年）	-214
	大兴	492^*（2016—2022年）	492^*
	房山	707^*（2014—2022年）	379^*
	霞云岭	225（2015—2022年）	-164
		20站表现为增加	13站表现为增加

测站类型	站名	各站能见度变化趋势（时段）	2016—2022年各站能见度变化趋势
道面站	温榆河	658^*（2013—2022年）	813^*
	京津塘23 km	553^*（2014—2022年）	376
	琉璃河环岛	886^*（2013—2022年）	963^*
	小汤山西桥	354^*（2014—2022年）	466^*
国家站	顺义	422^*（2014—2022年）	-160
	海淀	371（2015—2022年）	-68
	延庆	404^*（2014—2022年）	227
	佛爷顶	-256（2015—2022年）	-439^*
	汤河口	10（2015—2022年）	-237
	密云	344^*（2014—2022年）	82
国家站	怀柔	333^*（2015—2022年）	140
	上甸子	157（2015—2022年）	193
	平谷	667^*（2014—2022年）	280^*
	通州	428^*（2016—2022年）	428^*
	朝阳	479（2014—2022年）	-211
	昌平	446^*（2014—2022年）	-179
	斋堂	-271（2015—2022年）	-602^*
	门头沟	-327（2014—2022年）	-263
	观象台	753^*（2014—2022年）	557^*
	石景山	-675（2016—2022年）	-675
	丰台	570（2014—2022年）	-214
	大兴	492^*（2016—2022年）	492^*
	房山	707^*（2014—2022年）	379^*
	霞云岭	225（2015—2022年）	-164
		20站表现为增加	13站表现为增加

外推方案	未来1 h		未来2 h
外推方案	平均MAE	最小MAE	平均MAE	最小MAE
基于前72 h	1 983	1 612	2 133	1 770
基于前60 h	1 983	1 656	2 138	1 760
基于前48 h	1 973	1 604	2 144	1 800
基于前36 h	1 980	1 608	2 129	1 799
基于前24 h	1 974	1 662	2 145	1 770
基于前12 h	1 986	1 651	2 136	1 767
基于前6 h	1 981	1 619	2 137	1 770