摘 要：

低能见度灾害综合评价对人们的生活和交通运输管理部门的风险防范有着重要意义。
视频数据由于包含了连续而丰富的地面气象数据，因此成为能见度估计与预测的重要手段。
本文通过建立多元线性回归方程描述了能见度与地面气象观测数据的关系； 利用 VGG16
卷积神经网络深度学习模型来估计能见度并对其精度进行评估； 在不依赖观测数据的基础
上，只根据视频数据的景深特征建立了能见度估计算法，并绘制了能见度随时间的变化曲
线；最后建立模型预测大雾的变化，经过由深及浅、 循序渐进的分析，能够准确对视频数
据能见度估计与预测，为交通工作者提供技术参考。

针对问题一，使用相关性分析的方法建立了多元线性回归模型，得出能见度与地面观
测数据呈线性相关的结论。对描述能见度与地面气象观测数据（温度、湿度和风速等）之
间的关系这一问题， 首先对给出的机场 AMOS 数据进行预处理，按照时间规律结合温度与
湿度数据， 将能见度数据和风数据的缺失值补全， 增加了数据的完整性。之后将这三项数
据按照时间规律合并，并对三项数据中共 12 个指标进行了相关性分析， 计算得到相关系数
矩阵表。查阅相关资料可知， RVR_1A（跑道视程） 和 MOR_1A（气象光学视程） 两项指
标与能见度相关， 前者需要考虑到灯光数据（LIGHT）的影响， 后者则与灯光数据（LIGHT）
无关。 本文共选择温度与湿度三项指标（本站气压（PAINS）、温度（TENP）和相对湿度
（RH）、 ）和风两项指标（2 分钟平均风速（WS2A）和 2 分钟平均垂直风速（CW2A） ）
与两种定义下的能见度进行多元线性回归分析，经过计算得到两个回归方程的系数矩阵 V
和 M ，分别用来描述 RVR_1A和 MOR_1A与地面气象观测数据的关系。分析表明，RVR_1A
与 1 分钟平均风速（WS2A）、本站气压（PAINS）、温度（TEMP）和相对湿度（RH） 数据
呈正相关，与 2 分钟平均垂直风速（CW2A）和灯光数据（LIGHT）呈负相关。对于 MOR_1A，
与 1 分钟平均风速（WS2A）、 2 分钟平均垂直风速（CW2A）、本站气压（PAINS）、温度
（TEMP）和相对湿度（RH）这五项特征指标都呈正相关。最后，在统计分析的基础上，
对回归方程系数进行验证与分析评价， 本文利用可决系数 R 2和均方根误差 MSE 对其分析与
验证。从结果可以看出两个回归方程模型拟合效果较好，能够准确的描述出能见度与地面
观测数据的关系。

针对问题二，本文建立了基于视频数据与能见度估计的 VGG 卷积神经网络深度学习
模型， 并进行精度评价， 可以看出该模型能够准确的估计能见度。 首先获得视频帧序列
图像，然后根据时间建立图像与能见度数据之间的联系，形成一一对应的关系，之后将
视频数据按照 MOR_1A 数据划分能见度阈值，形成四类描述能见度的标签数据作为训练
样本。由于视频数据具有特征多，特征连续性强，计算量大的特点。 VGG16 卷积神经网
络具有传统卷积神经网络可以保留邻域的联系和空间的局部特点， 还能够在获得更多图
像特征的同时控制参数的个数， 提高运算效率。 所以本文建立 VGG16 卷积神经网络深度
学习模型来评估能见度，并对模型算法做出改进，模型精度跟效率都得到提升,验证集精
度达到 86.2%，并选取测试集对模型效果进行评估，精度达到 88.3%，最后利用混淆矩阵
对能见度估计效果进行精度分析评价。

针对问题三，本文建立了基于监控视频数据的能见度估计算法， 算法首先以截图中
的车道线为参考物，利用 Canny 算子检测出车道线， 再利用 Hough 变换完成车道线的提
取， 以此为依据来估算该视频路段车道线的消失点（晴天状况下的最远可视点） 及灰度
变化拐点，进一步利用视频图像中灰度变化拐点位置估算出能见度大小， 最终得到能见
度变化曲线。分析数据得知，随着时间的变化，能见度呈上升的趋势。
针对问题四， 在问题三能见度数据估计的基础上， 分别建立线性回归模型和灰度预测
模型对大雾的变化趋势进行预测。 两种方法都表明， 随着时间的推移大雾慢慢减弱，在三
小时左右大雾散去。

关键词：卷积神经网络；能见度估计；相关系数矩阵；景深；灰度预测模型

链接：https://pan.baidu.com/s/1dPRMNabumIrIwxgh20mSDg
提取码：eit5