机场短时雾预报机器学习模型的地理可迁移性
机器学习
2025-10-28 v1 大气与海洋物理
摘要
机场雾（能见度<1.0公里）的短时预报在地理泛化方面面临挑战，因为许多机器学习模型依赖于特定位置的特征，无法跨站点迁移。本研究调查了是否可以将基本的热力学和辐射过程编码到一组无坐标（位置无关）的特征集中，以实现地理可迁移性。使用2002-2009年智利圣地亚哥数据训练的梯度提升分类器，在2010-2012年保留集上以及在蒙特港、旧金山和伦敦的严格零样本测试中进行了评估。该模型在高达11,650公里的距离和不同雾类型（辐射雾、平流雾、海雾）下实现了0.923-0.947的AUC值。一致的SHAP特征排名表明，能见度持续性、太阳角度和热梯度主导了预测，表明模型学习了可迁移的物理关系而非特定地点的模式。结果表明，基于物理的无坐标特征工程可以产生地理可迁移的大气预报工具。
引用
@article{arxiv.2510.21819,
title = {Geographic Transferability of Machine Learning Models for Short-Term Airport Fog Forecasting},
author = {Marcelo Cerda Castillo},
journal= {arXiv preprint arXiv:2510.21819},
year = {2025}
}
备注
21 pages, 8 tables, 2 figures. Uses publicly available ERA5 and METAR datasets