摘要：在信息量较大，而预报对象与预报因子的关系叉不清楚的状况下，智能机器学习方法是解决这类问题的较好手段。利用1997-2001年成都站的常规探空资料和双流机场的地面观测资料，使用支持向量机（Support Vector Machines，简称SVM）方法，选取多种核函数进行双流机场低能见度天气的预报建模试验。测试结果表明：以径向基函数和拉普拉斯函数构造的SVM预报模型实验效果最好，Ts评分分别为0．287和0．292，远高于双流机场低能见度天气出现的频率（0．155）。试验结果还表明：以径向基函数构造的SVM预报模型空报较多，漏报较少；而以拉普拉斯函数构造的SVM预报模型空报较少，漏报较多。因此，如果强调模型对低能见度天气预报的准确性，则应采用以拉普拉斯函数构造的预报模型，如果强调对低能见度天气的预防性，则应采用以径向基函数构造的预报模型。

关键词：低能见度天气 支持向量机 预报方法 

单位：云南大学资环学院; 昆明650000; 四川省气象台; 成都610071; 中国气象局培训中心; 北京100081; 成都双流机场空管中心; 成都610000