低能见度不仅会造成北京地区飞机起降延误和交通事故增加，也会给人们的生活和心理带来一定的负面影响。在影响北京能见度的各类因子中，风速、相对湿度和大气中的硫酸根、小于10 μm颗粒物浓度的作用较大（苏维瀚等，1986；宋宇等，2003；王淑英等，2003）。21世纪以前造成北京地区低能见度的主要天气现象是雾（吴洪等，2000），而之后多在遭遇不利气象扩散条件时，出现大气复合污染和霾现象（赵习方等，2002；张利娜等，2008）。鉴于低能见度对交通安全的重要影响，能见度本身的周期性变化和预报准确率的提升，一直以来都是国内外学者的研究重点和难点。以往研究多基于指数函数拟合的方式对特定区域建立本地化的能见度预报公式（宋明等，2013；白永清等，2016；王晓敏等，2016；胡海川等，2018；卢盛栋等，2020），以及基于神经网络算法建立能见度预报模型（王恺等，2009；李沛等，2012）。但短时间内能见度受大尺度天气形势突变影响，各类研究结果均较难转化为精准的业务化预报产品。近年来随着观测资料时空分辨率的提高，深度学习作为一种快速发展的非线性问题解决方法，在图像分类、时序预报等领域均取得了良好的效果，因而也有研究选择了深度学习方法来构建能见度预测模型。比如，基于卷积神经网络（Convolutional Neural Networks， CNN）、循环神经网络（Recurrent Neural Network，RNN）、长短期记忆网络（Long Short-Term Memory，LSTM）等深度学习方法开展能见度预报，并认为RNN和LSTM模型具备良好的适用性，对于不同地区未来0~6 h均可有效预报能见度的变化情况（Huang and Kuo，2018；Ortega et al.，2020；Wu et al.，2021）。尽管能见度的变化是一个连续复杂的非线性过程，针对短时间内的能见度，深度学习模型能够预报出能见度持续、变差以及好转的趋势，所得结果可以作为业务人员预报能见度的客观参考（朱国栋，2022），特别是当输入参数中加入历史观测能见度时，会大幅提高模拟准确度（胡海川等，2018）。目前，利用深度学习开展能见度临近外推预报的研究相对较少，同时考虑到气象行业标准《公路交通高影响天气预警等级》（全国气象防灾减灾标准化技术委员会，2018）中的规定（当预报未来2 h内出现特强浓雾、强浓雾，气象部门将分别发布红色预警和橙色预警），交通部门更关注未来0~2 h临近预报时间范围内的能见度变化。

鉴于此，本文利用2013—2022年能见度及相关气象要素高时间分辨率数据集，分析北京地区能见度的时空变化特征，并基于两种深度学习方法对比北京地区的能见度站点临近外推预报结果，探讨历史观测要素输入的不同方案，以提升未来0~2 h内的能见度临近预报准确率，结果也可为深度学习方法在气象要素外推建模领域提供一定的参考。

2013—2022年逐小时气温、风速、风向、相对湿度、降水量以及能见度资料来自北京市20个国家级气象自动站（简称国家站）和4个道面气象自动站（城区2个，南部远郊区2个，简称道面站）（图1）。需要说明的是，各站点由于建站时间和建设能见度观测条件的差异，导致其数据起始时间有差别，2013年是有能见度数据最早的年份，24站能见度共同观测时段为2016—2022年。所有数据均进行了气候学界限值检查，即风速范围为0~75 m·s^-1、气温为-80~60 ℃、相对湿度为0~100%，国家站能见度范围为0~35 km，道面站能见度为0~20 km。剔除了超过气候学界限值检查的数据，缺测数据不进行另外填补。

参考《水平能见度等级》（中国国家标准化管理委员会，2017）标准，将水平能见度划分为6级（表1）。

在与时序有关的预报研究中，RNN（Graves，2012）和LSTM（Sutskever et al.，2014）两种方法是最为常见的外推预报深度学习方法。

1）RNN：对神经网络而言，一个输入层、一个隐藏层和一个输出层的网络称为浅结构神经网络，通常认为超过三层的结构就是深层神经网络。RNN的单个神经元模型与以往的神经元相比，多了一个反馈输入环节。如果将其按照时间变化展开（图2），可以看出，循环神经网络单个神经元之间，可以看作为一系列权值共享的前馈神经元进行了依次连接，连接后与传统神经元相同，随着时间变化，输入和输出会发生变化。不同的是，RNN上一时刻神经元的“历史信息”会通过权值与下一时刻的神经元相连接，这样循环神经网络在t时刻的输入与输出映射则可以参考t之前所有输入数据对网络的影响，以此形成依据时间顺序会相互影响的一种反馈网络结构，理论上更适合用于解决时序有关的外推预报问题。

图2中X_t表示输入向量，S_t表示隐藏层向量，O_t表示输出向量，W、U、V为权重矩阵、过程参数、激活函数；t代表当前时刻，t-1、t+1代表前、后一个时刻。

2）LSTM：长短期记忆模型可以被看作是一个特殊的RNN模型。RNN模型的一个“缺点”是信息间的长期依赖可能会导致重要信息遗漏。理论上，LSTM模型的细胞状态以及“门”结构可以有效缓解RNN模型受到短时记忆的影响问题，也能解决RNN模型一定程度上的梯度消失问题，但LSTM在面对更长序列研究时计算更为耗时，收敛时间长，无法把握长时间信息。LSTM模型中将RNN的单个神经元用单元结构来取代。每个单元含有3个“门”：输入门、输出门和遗忘门。在每个单元中，输入门选择性地将新信息记录到当前的单元状态，而遗忘门决定丢弃那些信息。之后，输出门将处理后的信息输出到其他单元。LSTM模型的具体结构如图3所示。

图3中X_t、h_t、C_t分别表示输入向量、隐藏状态和细胞状态；t代表当前时刻，t-1代表前一个时刻；σ和tanh为两种常见的激活函数，表达式如下（x代表输入值）：

3）模型参数：基于不同起始时间段的24个长时间序列数据集，选择气温、风速、风向、相对湿度、降水量和能见度6个要素作为训练要素，加入多因素会使得单点能见度预报模型更加稳定（Zhu et al.，2017）。具体RNN和LSTM训练过程中所选择参数为输入：气温、风速、风向、相对湿度、降水量和能见度；输出：能见度；隐藏层维度：RNN或LSTM隐藏层的神经元数量决定模型复杂度和学习能力，隐藏层维度越大，模型能够学习的特征就越多，但同时也会增加模型的复杂性和过拟合风险，本文设置为常用的32个；样本个数：在训练过程中，每次迭代使用100个样本（样本大小选择对于训练速度和模型性能有重要影响，较大的样本可以更有效地利用计算资源，但也可能导致内存不足，100个是较常用设置）；学习率：本文设置为常用的0.001；动量：通过引入一阶动量，动量参数通常设置为0到1之间的值，其中0表示没有动量效果，1表示最大动量效果，本文选择常用设置为0.8。

采用的RNN和LSTM模型具有低资源消耗特性，总计2 209个可训练参数，包含2层隐藏层和1个线性输出层。训练阶段的总内存消耗约1.6 MB。

为客观对比多种方法得到的预报差异，选用平均绝对误差（Mean Absolute Error，MAE）检验预报效果，平均绝对误差代表了预报与真实值绝对误差的平均水平，绝对值可以防止误差正负抵消现象，因而可以有效反映出预报误差的真实情况。公式如下：

式中：p_i为某站能见度预报值，r_i为相应能见度真实值，单位均为m；i为检验样本个数；n为试验样本总数。在检验环节的MAE计算中采取样本总量的10%进行验证，剩余90%的数据为训练集，各个站点均按照此比例分配。

在各站点能见度观测共同时段（2016—2022年），4个道面站的平均能见度为10.5~15.3 km，20个国家站为14.5~22.0 km。北京西北地区能见度明显高于中心城区和东南部地区，与以往阶段北京地区能见度的空间分布一致（宋艳玲等，2003；姜江等，2019）。受北京西北高、东南低的地形因素影响，高海拔山区大气扩散条件更优，能见度也相应更高。2016—2022年20个国家站年平均能见度为18.7 km，4个道面站为12.5 km。其中，国家站年平均能见度远高于道面站，其原因是国家站能见度阈值为0~35 km，而道面站为0~20 km，且道面站距离交通路网距离更近，受人为和车辆影响更大。姜江等（2019）研究表明，2007—2015年北京地区年平均能见度为9.9 km，虽然文中选用观测站点数量与其有所不同，但北京地区年平均能见度相较于2007—2015年有较大幅度提升。

2016—2022年24个站点能见度变化趋势为-0.7~1.0 km·a^-1，其中50%站点表现出增加趋势，降低趋势的站点基本位于北京西北部能见度较高区域（图4）；相反，北京东南部能见度相对较低区域则为增加趋势。2007—2015年北京地区年平均能见度变化趋势为0.30 km·a^-1（姜江等，2019），而2016—2022年为0.09 km·a^-1，能见度增加速率明显减小。

能见度不同于气温等气象要素，更类似于雨量的数据分布规律，分布特征不符合正态分布，大值占主要比例。平均而言，北京地区春季能见度最高、夏季最低。春季风速最大，污染物扩散条件相对较好，因此能见度最好；而夏季平均相对湿度最高，导致平均能见度最低。以往关于北京地区能见度的研究（邱金桓，1986；王英等，2015；姜江等，2019）同样得到北京地区夏季能见度最低的结论。在2013—2022年期间，24站能见度等级为极差、差、较差、一般、好的出现频率分别为0~3.01%、0.10%~6.28%、2.75%~10.95%、14.39%~40.82%、49.70%~75.12%。

相关研究表明，20世纪50年代中期至60年代中期北京地区能见度趋势呈上升趋势（邱金桓，1986），70年代至80年代呈下降趋势（宋艳玲等， 2003）。之后，1990—1995年又呈上升趋势（王淑英等，2003），1995—1998年呈下降趋势（王淑英等，2003），1998—2015年又呈上升趋势（宋艳玲等，2003；王淑英等，2003），2011—2014年冬季能见度显著下降（姜江等，2019）。由北京24站年平均能见度逐年变化（图略）可见：2014—2022年能见度变化不大，但有波动性的先升（2014—2017年）后平稳略下降（2017—2021年）然后再升高（2021—2022年）的变化趋势，各个站点的表现有所差别。

研究时段内，北京24站能见度年变化趋势见表2。可见，83%的站点能见度表现出增加趋势，其中70%的站点增加趋势通过0.01的显著性检验。

考虑到道面站和国家站观测设备和阈值不同，且国家站数据更完整，在临近预报时仅选择20个国家站开展研究。

基于20个国家站数据集，选择气温、风速、风向、相对湿度、降水量和能见度6个要素作为训练要素，利用RNN进行未来0~2 h能见度临近外推预报试验。考虑到能见度本身存在明显的日变化特征，因而尝试利用前72、60、48、36、24、12、6 h 7种方案开展能见度临近外推预报试验。选择之前时段的能见度本身也作为训练要素之一，其原因在于能见度本身代表当时时刻的大气状态，包含了众多大气污染物浓度对能见度的影响，加入先前时刻的能见度要素，可以避免因缺少对应站点大气污染物数据，造成外推预报效果的不佳。试验结果的能见度MAE见表3，可以看出基于前48 h RNN外推未来1 h能见度临近预报效果最优（平均MAE为1 973 m），基于前36 h RNN外推未来2 h能见度临近预报效果最优（平均MAE为2 129 m）。能见度外推结果中存在越接近起报时间准确率越高的特点，这与多数气象要素预报结论一致。

7种RNN能见度临近外推预报方案中，预报效果最优站点均为密云上甸子站，最差站点均为门头沟斋堂站，两站能见度的MAE相差1 200~1 300 m。低能见度样本远小于高能见度样本，导致模型学习之后对高能见度的模拟效果更好（图5）。整体上，基于前48、36 h的能见度临近外推预报效果更优。

基于LSTM方法得到的能见度预报结果同样是越接近起报时间准确率越高，预报结果存在一定的滞后性，且高能见度的预报效果优于低能见度，具体见表4和图6。

利用前72、60、48、36、24、12、6 h 7种方案分别进行训练和测试，基于前6 h LSTM能见度外推预报未来1 h和2 h能见度效果均最优（平均MAE分别为3 086、3 287 m）。前72、60、48、36、24、12、6 h开展的LSTM能见度临近外推预报方案中，预报效果最优站点均为密云上甸子站（图6），最差站点均为门头沟斋堂站（图略），两者MAE相差为1 000~1 400 m，MAE大于RNN外推结果。

基于前72、60、48、36、24、12、6 h开展的能见度临近外推预报，RNN效果更优。相较于LSTM而言，RNN对于能见度预报的细节刻画能力更准确，特别是针对低能见度现象。两种方法预报效果最优的站点均为密云上甸子站，最差站点均为门头沟斋堂站。北京北部、西部高海拔山区是平均能见度相对较高的区域，预报效果也更优，如密云区上甸子站、延庆区佛爷顶站均为20个国家站中预报效果最佳和次佳；东部、南部平原地区为平均能见度相对较低的区域，预报效果也相对更差，如通州区通州站、大兴区大兴站、平谷区平谷站、房山区房山站，均为20个国家站中除门头沟斋堂站外预报效果最差站点。密云区上甸子站、延庆区佛爷顶站所代表的北京北部、西部高海拔，地势相对开阔、均匀，能见度变化受大尺度天气系统主导，规律性较强。而门头沟斋堂站同属高海拔山区却效果最差，原因在于该站位于北京西部山区峡谷、地形复杂导致的局地小气候效应难以被数据驱动模型捕捉。

相较而言，基于前72、60、48、36、24、12、6 h预报未来1 h能见度，RNN方法的能见度MAE较LSTM方法下降26%~51%，未来2 h的MAE下降25%~48%（表5）。RNN比LSTM的外推预报效果更好，这主要是由于0~2 h能见度外推预报主要依赖近期天气要素的变化趋势和连续性特征，可能不需要LSTM所擅长的长期记忆能力；其次，短期能见度变化受局地天气系统和环境条件的直接影响，RNN相对于LSTM而言，结构简单、参数量少，能够更好地捕捉这种短期变化规律，不易受历史数据噪声的干扰。在业务应用方面，RNN方法的训练过程更稳定，梯度问题相对较轻，计算效率高，收敛速度快，更加适合对实时性要求较高的临近外推预报。RNN与LSTM对比，RNN对具有时间序列特点的数据更为有效，它能挖掘能见度数据中的时序信息。由于能见度本身存在明显的日变化特征，且与前时段的大气污染变化情况高度相关，所以在深度学习方案当中，基于RNN的72、60、48、36、24、12、6 h的0~2 h外推预报结果均要优于相应的LSTM模型。

本研究基于2013—2022年北京地区具备能见度观测条件的24个站点数据和相关气象要素，分析了能见度时空演变特征，并基于RNN和LSTM构建了基于深度学习的能见度短时外推预报模型，得到以下主要结论。

1）北京24站不同等级能见度出现频率的高低顺序依次为“好”（49.70%~75.12%）、“一般”（14.39%~40.82%）、“较差”（2.75%~10.95%）、“差”（0.10%~6.28%）及“极差”（0~3.01%）。能见度存在波动性先升（2014—2017年）后平稳（2017—2021年）再升高（2021—2022年）的变化趋势，各站点的表现略有差别。

2）2016—2022年北京地区各站能见度呈平稳略有升高现象，20个国家站的年平均能见度为18.7 km，4个道面站的年平均能见度为12.5 km，年平均能见度相比之前时段有大幅提升，但其增加速率明显减小。

3）基于前72、60、48、36、24、12、6 h开展的RNN和LSTM能见度临近预报，基于前48、36 h的RNN预报效果更优，基于前6 h的LSTM预报效果更优。外推未来1、2 h平均最小能见度MAE分别为1 973、2 129 m。

RNN和LSTM对于不同地理位置能见度在未来0~2 h的波动情况把握程度都较为合理。特别是对于能见度受天气形势影响的“转折点”模拟能力都有一定的保证。但两种模型都存在预报结果的滞后性，即模型预报结果较真值能见度推迟转差和推迟转好的特点，以及预报结果存在低能见度时偏低、高能见度时偏高现象。这些问题也是目前深度学习外推预报的共性和难点。预报结果的滞后性主要是由于模型在学习和训练时对于天气形势快速转变响应不足，因为“天气形势转变”的样本相对于“平稳的能见度状态”而言，数量相差巨大，这导致模型对“天气形势转变”样本的学习成果减弱。另外，当相对湿度为99%时，能见度变化范围为68~3 666 m（张浩等，2021），这也会导致深度学习的结果不佳。