殷利平， 劉宵瑜， 盛紹學(xué)， 溫華洋， 邱康俊

(1.南京信息工程大學(xué)自動(dòng)化學(xué)院， 南京 210044； 2. 南京信息工程大學(xué)江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心， 南京 210044； 3. 安徽省氣象信息中心， 合肥 230031)

目前自動(dòng)氣象站對大氣能見度要素的觀測多采用散射式能見度儀采樣，但是在日常工作中能見度儀采樣的數(shù)據(jù)出錯(cuò)率比較高，故障一般由如下幾種情況造成：能見度儀的鏡頭前或兩個(gè)鏡頭之間有異物堵塞，如蜘蛛結(jié)網(wǎng)、小鳥做窩；在一些施工區(qū)、省道縣道等公路，由車輛揚(yáng)起的灰沙、粉塵可能導(dǎo)致能見度采樣區(qū)內(nèi)顆粒物變化不定；惡劣天氣下，由于局部地區(qū)的風(fēng)速、風(fēng)向變化比較大且快，導(dǎo)致樹葉、雜物被吹起恰好位于能見度儀的采樣區(qū)內(nèi)；雨雪天氣、積雪和天氣寒冷凝結(jié)的冰霜也可能使能見度儀鏡頭表面受污染嚴(yán)重，導(dǎo)致能見度數(shù)據(jù)不準(zhǔn)確。高質(zhì)量的實(shí)時(shí)能見度氣象數(shù)據(jù)是短時(shí)氣象預(yù)報(bào)、實(shí)時(shí)路況分析和大氣環(huán)境質(zhì)量評(píng)估的重要依據(jù)，所以對能見度氣象觀測數(shù)據(jù)進(jìn)行質(zhì)量控制具有重要意義[1-4]。

目前大多數(shù)地區(qū)對地面單站觀測數(shù)據(jù)的質(zhì)量控制使用的仍是傳統(tǒng)質(zhì)量控制方法，即為將格式檢查、范圍檢查、極值檢查以及內(nèi)部一致性檢查相結(jié)合的綜合檢查法[5-9]，針對傳統(tǒng)質(zhì)控算法的不足，閩錦鐘等[10]結(jié)合江蘇、安徽多區(qū)域站資料提出二次迭代的時(shí)間、空間一致性檢查的綜合判別質(zhì)量控制法，提高對可疑觀測資料的判別精度；葉小嶺等[11]在氣溫與相對濕度之間的耦合關(guān)系上，用基因表達(dá)式編程(gene expression programming，GEP)算法對逐時(shí)的地面氣溫資料進(jìn)行單站的質(zhì)量控制，該方法能夠在時(shí)間維度對氣象資料進(jìn)行有效的質(zhì)量控制，上述兩種算法本質(zhì)還是傳統(tǒng)質(zhì)控算法的延續(xù)，對數(shù)據(jù)的處理不夠快。為了有效提高數(shù)據(jù)處理能力，況華等[12]提出一種基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測方法，建立時(shí)序預(yù)測模型，通過對比預(yù)測值和實(shí)際值的誤差檢測異常值，該方法檢測過程相對簡單，所以處理數(shù)據(jù)速度較快，但是該方法應(yīng)用范圍有限；國外學(xué)者也提出了一系列關(guān)于氣象數(shù)據(jù)質(zhì)量控制的方法，其中最具代表性的是Hubbard教授團(tuán)隊(duì)[13]提出的空間回歸檢驗(yàn)法(spatial regression test, SRT)，該方法利用鄰近站觀測值計(jì)算目標(biāo)站的空間回歸預(yù)測值，通過目標(biāo)值是否在預(yù)測置信區(qū)間之內(nèi)來判定數(shù)據(jù)是否可疑，該方法應(yīng)用廣泛，但是對地形復(fù)雜度高的地區(qū)，性能不夠理想。

為了進(jìn)一步提高對氣象數(shù)據(jù)的處理能力，獲得高質(zhì)量的地面能見度觀測資料，現(xiàn)基于基準(zhǔn)數(shù)據(jù)訓(xùn)練反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)，運(yùn)用粒子群優(yōu)化(particle swarm optimization, PSO)算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值閾值，結(jié)合馬爾科夫鏈(Markov chain, MC)理論對神經(jīng)網(wǎng)絡(luò)的估計(jì)值進(jìn)行修正，從而提出一種適合單站單要素的質(zhì)量控制方法，即PSO-BP-MC質(zhì)量控制方法，并將其應(yīng)用到地面能見度觀測資料中，以期對能見度觀測資料中的存疑數(shù)據(jù)識(shí)別精度高，且具有地區(qū)和氣候適應(yīng)性強(qiáng)的特點(diǎn)。

1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

氣象數(shù)據(jù)全部來自安徽氣象局歷年來匯總的氣象站觀測資料。如圖1所示，安徽地形復(fù)雜多樣，不同地形氣候不一，因此所得到的觀測數(shù)據(jù)差值較大?？紤]到地形因素對模型質(zhì)量控制效果的影響，以高山、山谷、平原、水源地地形作為特征，分別選取黃山站(高山地形)、山南溪谷站(山谷地形)、靈璧站(平原地形)和白澤湖站(水源地地形)的歷史數(shù)據(jù)進(jìn)行試驗(yàn)，這些監(jiān)測站區(qū)域分布如圖2所示。

圖1 安徽省地形圖Fig.1 Topographic map of Anhui Province

圖2 安徽省各區(qū)域小型氣象站分布Fig.2 Distribution map of meteorological stations in Anhui Province

為了保證數(shù)據(jù)的時(shí)效性，對于每種地形觀測站點(diǎn)，從2017—2019年安徽氣象局記錄的數(shù)據(jù)當(dāng)中選取較為完整的能見度小時(shí)時(shí)序數(shù)據(jù)，并將其作為基準(zhǔn)資料，這些基準(zhǔn)數(shù)據(jù)均經(jīng)過了一般的質(zhì)量控制流程，已經(jīng)剔除了明顯的粗大誤差，能正確地反映當(dāng)時(shí)觀測的能見度數(shù)值。為了測試質(zhì)量控制方法的有效性，一般需人為地向被檢站的基準(zhǔn)資料中添加人工誤差，以真實(shí)反映實(shí)際情況下觀測數(shù)據(jù)的出錯(cuò)率?？蓪⒈粰z站的基準(zhǔn)資料中的部分?jǐn)?shù)據(jù)置換為隨機(jī)誤差數(shù)據(jù)，置換率一般不超過5%。將基準(zhǔn)資料添加人工誤差后得到的數(shù)據(jù)稱為實(shí)驗(yàn)數(shù)據(jù)，該實(shí)驗(yàn)數(shù)據(jù)A可通過公式給出，即

(1)

2 PSO-BP-MC能見度數(shù)據(jù)預(yù)估模型

2.1 神經(jīng)網(wǎng)絡(luò)建模

Wiα(i=1,2,…,m; α=1,2,…,p)為輸入層到隱含層的權(quán)值；Wαβ(α=1,2,…,p; β=1)為隱含層到輸出層的權(quán)值；Op為隱含層輸出；θα(α=1,2,…,p)為隱含層的閾值；σ1為輸出層閾值；Yh為期望輸出；e為神經(jīng)網(wǎng)絡(luò)期望輸出與實(shí)際輸出的誤差圖3 BP神經(jīng)網(wǎng)絡(luò)能見度預(yù)估的結(jié)構(gòu)圖Fig.3 Structure diagram of BP neural network for visibility prediction

BP算法在優(yōu)化時(shí)采用階梯搜索法，易陷入局部最小點(diǎn)。考慮PSO算法具有較強(qiáng)的全局收斂能力，并能以較大概率求得全局最優(yōu)解[14]，在2.2節(jié)將粒子群算法的全局搜索和BP神經(jīng)網(wǎng)絡(luò)的局部搜索相結(jié)合，以此優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)閾值，進(jìn)而提高網(wǎng)絡(luò)的訓(xùn)練收斂速度。

2.2 BP神經(jīng)網(wǎng)絡(luò)的權(quán)閾值優(yōu)化

采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過跟蹤個(gè)體粒子極值和全體粒子極值來獲得BP神經(jīng)網(wǎng)絡(luò)最佳的初始權(quán)值和閾值，加快BP神經(jīng)網(wǎng)絡(luò)收斂速度，進(jìn)而提高BP神經(jīng)網(wǎng)絡(luò)預(yù)估性能。對于粒子群優(yōu)化算法，每個(gè)粒子的向量維度需包含BP網(wǎng)絡(luò)全部的權(quán)閾值總個(gè)數(shù)，因此，每個(gè)粒子的維度D為

D=DinDh+DhDout+Dh+Dout

(2)

式(2)中：Din、Dh、Dout分別為輸入層、隱含層和輸出層的節(jié)點(diǎn)個(gè)數(shù)。對于能見度數(shù)據(jù)預(yù)估模型，輸入層有m個(gè)節(jié)點(diǎn)，隱含層有p個(gè)節(jié)點(diǎn)，輸出層節(jié)點(diǎn)數(shù)為1，所以維度為D=mp+2p+1。PSO優(yōu)化算法由J個(gè)D維粒子組成群落x=(x1,x2,…,xJ)T，第i個(gè)粒子的信息包括粒子位置xi=(xi1,xi2,…,xiD)T和粒子速度vi=(vi1,vi2,…,viD)T，i=1,2,…,J。用gi=(gi1,gi2,…,giD)T表示其個(gè)體極值，即第i個(gè)粒子在迭代過程中得到其最優(yōu)適應(yīng)度時(shí)所在的位置，Qg=(Q1,Q2,…,QD)T表示種群全局的極值，即全體粒子在迭代過程中取得最優(yōu)適應(yīng)度時(shí)所在的位置[15]。在每一次迭代過程中，逐步地向當(dāng)前所尋到的最優(yōu)粒子的位置靠近，并更新粒子的速度和位移，其更新模型為

(3)

(4)

2.3 MC模型修正

為了進(jìn)一步提高能見度預(yù)測的精度，依據(jù)若干歷史時(shí)刻的殘差情況對預(yù)測時(shí)刻的殘差情況進(jìn)行預(yù)測并修正，利用馬爾科夫鏈模型修正能見度預(yù)估值，其算法具體步驟如下。

步驟2建立狀態(tài)轉(zhuǎn)移概率矩陣。由誤差狀態(tài)Ei轉(zhuǎn)為誤差狀態(tài)Ej的馬爾科夫轉(zhuǎn)移概率Pij為

Pij=P(ΔEi→ΔEj)=aij/ai

(5)

(6)

步驟3預(yù)測值修正。取預(yù)測的誤差狀態(tài)區(qū)間中點(diǎn)作為預(yù)測值的估計(jì)誤差，則預(yù)測值的修正值為

(7)

式(7)中：Δup、Δdown分別為預(yù)測的相對誤差所處狀態(tài)區(qū)間的上下區(qū)間值；h(x)為2.2節(jié)中根據(jù)PSO-BP神經(jīng)網(wǎng)絡(luò)得到的預(yù)測值。

步驟4對后續(xù)時(shí)序數(shù)據(jù)殘差修正。若前一時(shí)刻通過能見度數(shù)據(jù)質(zhì)量檢測，則將前一時(shí)間預(yù)測值與實(shí)際值的殘差加入原序列中重新構(gòu)置一步狀態(tài)轉(zhuǎn)移矩陣，重復(fù)步驟3、步驟4。

3 能見度數(shù)據(jù)質(zhì)量控制法

PSO-BP-MC單站質(zhì)量控制法的主要思想是：首先通過BP網(wǎng)絡(luò)將歷史觀測資料中除能見度以外的其他氣象要素?cái)?shù)據(jù)用于BP網(wǎng)絡(luò)學(xué)習(xí)，利用粒子群算法全局性搜索的特點(diǎn)，尋找合適的神經(jīng)網(wǎng)絡(luò)閾值和網(wǎng)絡(luò)初始連接權(quán)值；然后進(jìn)行新一輪BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，提高局部收斂速度和系統(tǒng)預(yù)測的準(zhǔn)確性；再對學(xué)習(xí)網(wǎng)絡(luò)輸入下一時(shí)刻(或多個(gè)時(shí)刻)所觀測要素的時(shí)間序列，基于經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型輸出此時(shí)對應(yīng)的能見度估計(jì)值；最后結(jié)合MC模型修正PSO-BP神經(jīng)網(wǎng)絡(luò)模型估計(jì)值?？偟膩碚f，PSO-BP-MC能見度質(zhì)量控制方法的流程圖如圖4所示。

若被檢站該時(shí)刻的觀測值是由非氣象因素造成的，觀測值與估計(jì)值之間的差值一定會(huì)高于平均水平，即可認(rèn)為該時(shí)刻的觀測值可疑，需進(jìn)行可疑性標(biāo)記[16-17]。基于PSO-BP-MC的能見度數(shù)據(jù)質(zhì)量控制方法的具體流程可總結(jié)如下。

步驟1首先取待檢站的位置信息及被檢站被檢時(shí)刻前20 d長為480 h的歷史逐時(shí)觀測數(shù)據(jù)，然后進(jìn)行歸一化處理構(gòu)成BP網(wǎng)絡(luò)的樣本集，其中樣本集中前2/3的時(shí)序數(shù)據(jù)作為訓(xùn)練樣本集，后1/3的時(shí)序數(shù)據(jù)作為測試樣本集。

步驟2根據(jù)訓(xùn)練、測試樣本集，運(yùn)用PSO優(yōu)化的BP模型進(jìn)行訓(xùn)練學(xué)習(xí)，結(jié)合殘差修正模型，得到當(dāng)前最佳質(zhì)量控制模型。

納什系數(shù)(Nash-Sutcliffe efficiency coefficient，NSE)；均方根誤差(root mean squared error，RMSE)圖4 PSO-BP-MC能見度質(zhì)量控制方法的流程圖Fig.4 Flow chart of PSO-BP-MC visibility quality control method

步驟3根據(jù)步驟2的最佳質(zhì)量控制模型計(jì)算被檢站當(dāng)前時(shí)刻的能見度預(yù)測值Vest(t)。

步驟4記f為質(zhì)量控制參數(shù)，其取值需根據(jù)不同地區(qū)、不同氣候等條件而定，將會(huì)討論f對能見度數(shù)據(jù)檢驗(yàn)效果的影響；S為目標(biāo)站能見度序列Vobs(t)的標(biāo)準(zhǔn)差。將被檢站當(dāng)前能見度的觀測值Vobs(t)與預(yù)估值Vest(t)進(jìn)行比較，并判斷式(8)是否成立，即

|Vobs(t)-Vest(t)|≤fS

(8)

若式(8)成立，則認(rèn)為Vobs(t)正確；反之，則認(rèn)為Vobs(t)可疑，需要對該觀測數(shù)據(jù)進(jìn)行可疑性標(biāo)記。

步驟5重復(fù)步驟1～步驟4，對被檢站下一時(shí)刻的能見度觀測值進(jìn)行檢驗(yàn)。

4 方法可靠性分析及檢驗(yàn)結(jié)果評(píng)估

為了檢驗(yàn)PSO-BP-MC質(zhì)量控制法的適用性，運(yùn)用該方法對4個(gè)站點(diǎn)2017—2019年地面能見度觀測資料進(jìn)行質(zhì)量控制，該質(zhì)量控制分兩步進(jìn)行：①根據(jù)被檢站的觀測資料建立模型，得到被檢站對應(yīng)時(shí)刻的能見度預(yù)估值；②計(jì)算模型對人為誤差的檢錯(cuò)率，其中檢錯(cuò)率定義為實(shí)際識(shí)別的誤差個(gè)數(shù)占插入誤差個(gè)數(shù)的百分比。

將被檢站的觀測值與預(yù)估值進(jìn)行比較，若兩者差值超過一定標(biāo)準(zhǔn)，即認(rèn)為數(shù)據(jù)可疑，其中預(yù)估值的精度直接關(guān)系到檢錯(cuò)率的高低。對比這兩個(gè)步驟的指標(biāo)，以此評(píng)估PSO-BP-MC質(zhì)量控制方法。

4.1 模型預(yù)估精度評(píng)估

模型的預(yù)估精度可以用納什效率系數(shù)(NSE, 其量值記為ηNSE)和均方根誤差(RMSE，其量值記為ηRMSE)來評(píng)估，其中ηNSE的值介于0 ～1，如果數(shù)值越接近1，則模型的預(yù)估精度越高，ηNSE和ηRMSE計(jì)算公式分別為

(9)

(10)

圖5 黃山站2017—2019年能見度數(shù)值預(yù)估指數(shù)曲線對比圖Fig.5 The visibility numerical prediction index curve of Huangshan station from 2017 to 2019

從圖5中可以看出，基于PSO-BP-MC模型的NSE指數(shù)大部分在0.9以上，且RMSE指數(shù)比較平穩(wěn)，整體的預(yù)估誤差值較小，從圖5的兩種預(yù)估指數(shù)曲線對比可知，相較于SRT方法，POS-BP-MC方法對黃山站的能見度觀測數(shù)據(jù)的預(yù)估精度更高。

4.2 檢驗(yàn)結(jié)果及分析

基于PSO-BP-MC模型的質(zhì)量控制錯(cuò)誤有如下兩類，錯(cuò)誤Ⅰ是將原本正確的數(shù)據(jù)標(biāo)定為錯(cuò)誤；錯(cuò)誤Ⅱ是將原本錯(cuò)誤的數(shù)據(jù)標(biāo)定為正確，其對立的狀態(tài)就是將錯(cuò)誤的數(shù)據(jù)認(rèn)定為錯(cuò)誤，即在數(shù)據(jù)的質(zhì)量控制中能將錯(cuò)誤的數(shù)據(jù)檢出。在實(shí)際使用質(zhì)量控制方法時(shí)，為得到最佳的質(zhì)量控制效果，應(yīng)同時(shí)考慮這兩類錯(cuò)誤，即在保證控制效果的前提下，使兩類錯(cuò)誤發(fā)生率盡量低。選擇兩類錯(cuò)誤值之差最小時(shí)的f值作為最佳質(zhì)量控制參數(shù)。

運(yùn)用PSO-BP-MC方法和SRT方法對不同地形代表站2019年1月施加隨機(jī)誤差后的能見度觀測資料進(jìn)行試驗(yàn)，得到各站點(diǎn)不同質(zhì)控參數(shù)下的兩類錯(cuò)誤率如圖6、圖7所示。由圖6可以看出，隨著質(zhì)控參數(shù)f值的增大，模型認(rèn)為正確觀測值的置信區(qū)間也在擴(kuò)大，則“拒真”錯(cuò)誤在降低，但“納偽”錯(cuò)誤在增加，兩類錯(cuò)誤發(fā)生的數(shù)值差最小時(shí)對應(yīng)的檢錯(cuò)率為最佳質(zhì)量控制參數(shù)下的檢錯(cuò)率，也稱為最佳檢錯(cuò)率。

為了檢驗(yàn)PSO-BP-MC質(zhì)量控制法，運(yùn)用此方法對施加人為誤差的黃山站、山南溪谷站、靈璧站和白澤湖站四站2017—2019年逐時(shí)能見度數(shù)據(jù)進(jìn)行檢查，四站不同年份的年平均檢錯(cuò)率結(jié)果如表1所示。將PSO-BP-MC質(zhì)量控制方法的檢驗(yàn)結(jié)果與SRT方法對比，運(yùn)用SRT方法對以上數(shù)據(jù)作檢錯(cuò)率分析，結(jié)果如表1所示。

從表1中的數(shù)據(jù)可以看出，運(yùn)用PSO-BP-MC方法得到的最佳f值為1～2，由該質(zhì)量控制方法計(jì)算出的不同地區(qū)下的年平均最佳f值相較于SRT方法更小。在保證檢出率大致相同的前提條件下，f值越小代表著預(yù)估值與目標(biāo)值越接近，說明該方法預(yù)估擬合的能力比SRT方法更為突出。靈璧站與白澤湖站f值相差不大，說明兩地形因素對能見度的影響相似，而黃山站和山南溪谷站的f值相較大，是由于高山和山谷的海拔原因造成的，氣溫、氣壓、濕度與海拔關(guān)系密切，這些氣象因素對能見度的相關(guān)性大且復(fù)雜，海拔高的地方溫度低、濕度大，容易形成團(tuán)霧，降低能見度，而氣溫高、濕度小的天氣可以大大增加可見度距離。由于地形原因，能見度變化不易準(zhǔn)確預(yù)測，本文模型對高山預(yù)測擬合效果不及平原等地區(qū)，所以以較大的f值來降低“拒真”錯(cuò)誤。總的來說，運(yùn)用PSO-BP-MC質(zhì)量控制法對四站的年平均檢錯(cuò)率均在80%以上，與SRT方法相比，本文的質(zhì)量控制方法對存疑的能見度數(shù)值識(shí)別率更高，且四組地形代表站的檢錯(cuò)率相差不大，說明該方法對不同地區(qū)的能見度數(shù)值監(jiān)測穩(wěn)定性更優(yōu)。

為了進(jìn)一步驗(yàn)證PSO-BP-MC質(zhì)量控制法的可行性，選用安徽省氣象中心2020年春季未經(jīng)過質(zhì)量控制的初始觀測數(shù)據(jù)進(jìn)行方法試驗(yàn)，其中不同地形區(qū)域的臺(tái)站，選擇不同地形代表站的年平均最佳f值作為質(zhì)控參數(shù)，若實(shí)測值在正常值的參考區(qū)間之外，則認(rèn)定該時(shí)刻數(shù)據(jù)為可疑數(shù)據(jù)，需要進(jìn)行數(shù)據(jù)可疑性標(biāo)記。

圖6 PSO-BP-MC方法在各站不同質(zhì)控參數(shù)下的兩類錯(cuò)誤率曲線 Fig.6 Two types of error curves of PSO-BP-MC method under different f of each station

圖7 SRT方法在各站不同質(zhì)控參數(shù)下的兩類錯(cuò)誤率曲線Fig.7 Two types of error curves of SRT method under different f of each station

表1 四站不同年份的年平均最佳f值及對應(yīng)的檢錯(cuò)率Table 1 The annual average f number and corresponding error detection rates in different years

對全省各站點(diǎn)2020年春季的能見度觀測數(shù)據(jù)運(yùn)用PSO-BP-MC方法進(jìn)行數(shù)據(jù)質(zhì)量檢測，各站點(diǎn)能見度觀測數(shù)據(jù)中存疑數(shù)據(jù)的檢出率占比如圖8所示，可以看出，2020年春季安徽省各站能見度要素的存疑數(shù)據(jù)均在8%以下，因此大多數(shù)站點(diǎn)能見度觀測數(shù)據(jù)的錯(cuò)誤率很小，都在可接受范圍之內(nèi)。但也有例外，例如太和縣站點(diǎn)連續(xù)3個(gè)月的能見度可疑數(shù)據(jù)檢出率占比都高于平均值，經(jīng)后期人工維護(hù)得知，春季惡劣天氣導(dǎo)致該氣象站點(diǎn)部分傳感器發(fā)生故障，使得該站點(diǎn)上傳至信息中心的觀測數(shù)據(jù)異常。利用異常數(shù)據(jù)得到的能見度擬合值就會(huì)與實(shí)際無錯(cuò)誤的能見度值相差較大，從而在質(zhì)量控制過程中“拒真”錯(cuò)誤增加，導(dǎo)致該站點(diǎn)的能見度可疑數(shù)據(jù)檢出率過高。

圖8 2020年安徽省各站春季能見度可疑數(shù)據(jù)檢出率占比圖Fig.8 Percentage of visibility error data in the spring of 2020 in Anhui Province

5 結(jié)論

為解決自動(dòng)氣象站能見度要素觀測數(shù)據(jù)錯(cuò)誤率高的問題，首先從能見度時(shí)間序列的隨機(jī)特性出發(fā)，結(jié)合粒子群算法優(yōu)化、BP神經(jīng)網(wǎng)絡(luò)和馬爾科夫鏈，對黃山站多年地面能見度時(shí)間序列進(jìn)行預(yù)估，然后對添加人工誤差的歷史數(shù)據(jù)進(jìn)行檢錯(cuò)率分析，尋找最佳質(zhì)量控制參數(shù)。實(shí)驗(yàn)結(jié)果表明，PSO-BP-MC模型具有較好的預(yù)估擬合性能，且該方法在不同地區(qū)、不同年份下的檢錯(cuò)率均較高。在各地形代表站年平均最佳質(zhì)量控制參數(shù)的大致區(qū)間已知的情況下，運(yùn)用該方法對安徽省各臺(tái)站的初始觀測數(shù)據(jù)進(jìn)行能見度要素?cái)?shù)據(jù)的質(zhì)量控制，可以很準(zhǔn)確地獲取各站點(diǎn)能見度觀測數(shù)據(jù)錯(cuò)誤率信息，實(shí)現(xiàn)對能見度觀測數(shù)據(jù)的質(zhì)量監(jiān)測。