影响航空飞行的大雾天气研究进展评述

随着航空业的快速发展，气象因素对航空运输的影响日益凸显，其中，大雾天气是威胁航行安全的最主要因素之一。大雾天气造成中低空能见度明显下降，对航空飞行特别是飞机起飞、降落阶段危害最为严重，由此引起飞行事故和航班延误、返航备降等问题。因此，对于雾的研究及其对飞行安全影响的机理等方面，是国内外航空飞行及相关领域关注的主要内容，相关成果丰富。针对这一问题，研阅了大量研究成果和文献，概述了雾的气候特征和主要分类，分析了目前雾的主要监测手段和预报预警方法等现状，并阐述了雾对飞行的影响。旨在通过对这些成果的梳理、总结和凝练，为后续更深入的相关研究提供借鉴、参考，以期能更精准监测雾、更精确预报雾，提高空域的使用率和飞行效率，减轻雾对航空飞行的影响。     

LSTM在低能见度预报中的应用

低能见度天气是制约交通出行的主要因素之一，提前做好低能见度的预报工作能利于提前决策、规避风险、降低损失。由于低能见度天气是时间序列问题，针对这种问题，近年来深度学习的长短时记忆网络模型能够显著提高预报精度，因此利用多变量数据对茅台机场低能见度进行预测。首先进行气象因素分析，利用皮尔逊相关系数法来挑选相关性高的气象因子，从而减小数据量得到更利于训练的数据集。然后利用LSTM网络对多元时间序列进行建模，实现机场低能见度的预测。经过试验，模型对茅台机场能见度的准确预报率为85.43%，为机场低能见度预报提供了新的方法。     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。