摘 要：

能见度对于航空安全和道路交通安全有着重要的影响，准确把握不同大雾情况下能见
度的演化规律以及预测大雾消散的时间至关重要。 针对该问题，本文运用不同的模型与思
路进行分析、评估与预测，包括分位数非线性回归模型、基于卷积神经网络和迁移学习的
深度学习模型、基于梯度导向滤波技术的暗通道先验算法、自回归移动平均模型（ARMA
（3,3）模型）以及基于粒子群优化算法的非线性灰色伯努利模型（PSO-NGBM（1,1）模
型）等。首先，分析了机场能见度与地面气象因素之间的关系并提供了能见度与影响因素
的非线性关系式；其次，通过构建深度学习模型，结合机场视频数据，对能见度进行精度
评估；接着，基于不依赖于能见度仪的观测数据，采用能见度估计算法并绘制高速公路能
见度时间序列曲线，分析了高速公路能见度随时间变化规律；最后，通过不同的模型预测
大雾变化趋势及消散时间。

对于问题一，我们采用了 Pearson 相关性矩阵、热力图和分位数非线性回归等方法，
对能见度数据与气象观测（温度、湿度和风速等）变量数据进行相关性分析，筛选有效变
量，从多个分位点角度，刻画了能见度与地面气象观测因素的非线性关系，并在调整 R2
和各变量检验等统计评价指标最优和符合经济意义的多重目标下，选择分位数非线性回归
的最优分位点，最终导出机场能见度的具体非线性关系式。

对于问题二，鉴于传统图像识别方法存在准确率低、泛化能力差、且耗费时间长等问
题，本文采取一种基于卷积神经网络和迁移学习的深度学习模型，以实现对机场视频图像
的识别与估计，并对估计的能见度进行精度评估。为突出迁移学习方法的优越性，我们分
别建立了深度学习模型和机器学习模型。在传统图像识别方法上，识别图像 11 维信息特
征，建立了 BP 神经网络模型与评估精度；在深度学习模型上，我们首先将机场视频与能
见度数据进行匹配，通过预训练模型确定各参数，接着将图像与数据随机以 7:3 的比例划
分为训练集与测试集，冻结前层网络参数训练并微调深度学习模型，迭代 100 次以后，训
练集、测试集准确率分别达到了 80.48%和 79.63%。结果表明基于卷积神经网络和迁移学
习的深度学习模型确实具有更高的效率以及识别精度。

对于问题三，我们首先推导了基于暗通道先验理论的能见度与透射率、消光系数和场
景深度间的数理关系。其次，使用基于梯度导向滤波技术的暗通道先验算法对题目提供的
高速公路图片求解暗通道图像、采用梯度导向滤波对获得的粗透射率进行细化、求解全局
大气光照等获得去雾后的清晰图片，获得图像的透射率数据。基于透射率数据计算得到图
像消光系数，结合相机标定法确定场景深度距离，最终测算得到图像的能见度数据。同时，
绘制了大雾情形下能见度随时间变化曲线。结果显示能见度序列在 89.28 米到 94.51 米范
围内小幅波动，能见度较低。

对于问题四，根据问题三估计的能见度数据，我们建立了基于粒子群优化算法的非线
性灰色伯努利模型（PSO-NGBM（1,1）模型）和时间序列中的 ARMA（3,3）模型，以预
测大雾未来变化趋势与消散时间。结果表明 PSO-NGBM（1,1）模型与 ARMA（3,3）的平
均绝对百分比误差（MAPE）分别 1.21%和 0.63%。最终本文选取拟合精度较高的 ARMA
（3,3）模型，进行样本外预测，预估在 2016 年 4 月 15 日上午 7 时以后， MOR 能见度将
达到 200 米，雾将散去。

关键词： 能见度； 分位数非线性回归；迁移学习；卷积神经网络；暗通道先验算法；时间序列模型

链接：https://pan.baidu.com/s/1ZIEoIJHQI9imF9fUkXNJqA
提取码：rayd