观潮 · 模式预报与气象 AI 观察
江苏浓雾四分类：只用天气场时锋面雾和平流雾全被误判，加入6个先验属性与一致性约束后宏平均F1从0.7105提到0.8439
> 江苏浓雾业务分型长期靠预报员对着气压场和近地层风场人工研判。这篇论文把「无雾 / 锋面雾 / 平流雾 / 辐射雾」做成四分类任务：输入是 ERA5 的 5 个时次 × 17 个气象变量通道，外加 96 维规则统计特征；模型叫 RSTFNet-AC，主干是共享 CNN 编码器加 GRU 提时空特征，另起一支把江苏的业务判识经验编码成 6 个核心先验属性（高压背景、低压背景、锋面背景、弱风条件、偏南风条件、中等风条件）与一张 3×6 的类别-属性软规则矩阵，再用属性监督和类别-属性一致性约束参与训练。373 个过程样本、五折交叉验证下，准确率 0.9573、宏平均 F1 0.8439，两项都高于 XGBoost、随机森林、纯 CNN、决策层融合和 RSTFNet。最能说明问题的是消融与混淆矩阵：不加以任何先验约束时宏平均 F1 只有 0.7105，纯 CNN 更是把锋面雾和平流雾全部判成辐射雾；加上两种约束后平流雾对角识别率升到 0.83、辐射雾升到 0.89。作者也写明，锋面雾和平流雾样本只有 14 个和 12 个，相关指标的折间标准差较大。
缺的是哪一块
江苏浓雾局地性强、突发性明显、影响范围广，对道路交通、航空起降、内河航运和城市运行都有影响。不同类型浓雾对应的环流配置和近地层环境条件并不相同——锋面雾对应锋面活动、低槽或低压背景；平流雾与偏南至东南气流输送及一定风速条件相关；辐射雾多出现在高压控制、风速较弱的稳定环境中。业务上要预警，首先得判断这次过程属于哪一类，而目前多依赖人工研判。
把这件事交给深度模型有两个麻烦，而且是相互关联的。
一是类别之间特征交叠。三类浓雾并非拥有完全独立的天气背景，高湿、低层风场调整这些环境特征各类过程都可能具备，差异更多体现在大尺度环流配置、近地层风场结构和水汽输送方式上。
二是样本极不均衡。373 个过程样本里无雾 293 个、辐射雾 54 个，而锋面雾只有 14 个、平流雾只有 12 个。只靠最终类别标签做数据驱动学习，模型会明显偏向多数类，少数类的内部判别表示很难稳定形成。
江苏浓雾业务分析里其实已经积累了高压、低压或低槽、锋面、弱风、偏南气流等有明确物理意义的判识信息。但如果只是把它们转成人工统计特征当普通输入，作用就停留在信息补充层面，并不能保证模型学到的内部表示和最终判断跟这些气象语义协调。问题于是变成：怎么把业务先验从静态判据变成能参与模型优化的监督信号。
方法怎么搭的
数据用 ERA5 逐小时再分析，区域取 20°—50°N、90°—135°E，0.25° 分辨率，网格 121×181。地面层取 10 米纬向风、10 米经向风、2 米温度、2 米露点温度和海平面气压；气压层取 1000、850、700 hPa 三层，每层含纬向风、经向风、温度和相对湿度，合计每个时次 17 个变量通道。
每个过程样本以过程日 08:00 为终止时次向前覆盖 12 小时，按 3 小时间隔取前一日 20:00、23:00 与当日 02:00、05:00、08:00 共 5 个时次，分别对应夜间成雾背景、过程发展阶段和清晨阶段。
类别 · 样本数
无雾 · 293
辐射雾 · 54
锋面雾 · 14
平流雾 · 12
合计 · 373
模型分三块。
时空特征提取模块：共享卷积编码器对每个时次分别编码，把 17 通道天气场压成 128 维空间特征向量，再由门控循环单元（GRU）在 5 个时次之间建模，输出过程级时空表示。
先验知识表征模块：从过程样本的不同区域和层次抽 96 维规则统计特征，覆盖江苏本地近地层风场、温湿与气压，河套、华北、黄海、日本海等关键区域的海平面气压，江苏与外围关键区域的气压差，以及 1000 hPa 和 850 hPa 的风、温、湿；对 5 个关键时次再算过程均值、极值和末时次值。96 维经 Rule MLP 编成 64 维规则特征。在此基础上选出 6 个核心先验属性，并构建 3×6 的类别-属性软规则矩阵——用连续权重而不是 0/1 硬规则，以保留各类别之间的交叠性。
核心先验属性 · 主要对应的雾型
高压背景 · 辐射雾
弱风条件（近地层风速低于 2.4 米每秒） · 辐射雾
低压背景 · 锋面雾
锋面背景 · 锋面雾
偏南风条件 · 平流雾
中等风条件（2.4—6.0 米每秒） · 平流雾
融合决策与知识约束模块：时空特征 128 维与规则特征 64 维拼接成 192 维，经全连接、ReLU 和 Dropout 映射成 128 维融合表示；再分两个头，分类头以加权交叉熵为主损失输出四类，属性头以二元交叉熵监督 6 个属性，另有类别-属性一致性损失用均方误差约束两者。总损失为分类损失加 λattr 乘属性损失加 λcons 乘一致性损失，权重取 λattr = 0.05、λcons = 0.10。属性监督与一致性约束都只对真实有雾样本计算，因为无雾样本并不存在稳定的成雾属性组合。
结果数字
总体对比（五折交叉验证均值 ± 标准差）
方法 · 准确率 · 宏平均 F1
XGBoost · 0.9304 ± 0.0310 · 0.6841 ± 0.1369
RandomForest · 0.9277 ± 0.0242 · 0.6996 ± 0.0879
PureCNN · 0.9223 ± 0.0136 · 0.4450 ± 0.0105
FusionLR · 0.9224 ± 0.0282 · 0.6627 ± 0.1320
RSTFNet · 0.9196 ± 0.0195 · 0.7105 ± 0.1345
RSTFNet-AC · 0.9573 ± 0.0194 · 0.8439 ± 0.0870
PureCNN 的准确率 0.9223 跟传统机器学习差不多，宏平均 F1 却只有 0.4450——只喂天气场张量时，特征学习会被无雾这一优势类别主导。
分类别业务指标（POD 命中率 / FAR 虚警率 / CSI 临界成功指数）
方法 · 无雾 · 锋面雾 · 平流雾 · 辐射雾
XGBoost · 0.9932 / 0.0331 / 0.9608 · 0.5333 / 0.3000 / 0.4333 · 0.3667 / 0.4000 / 0.3167 · 0.8327 / 0.1803 / 0.7066
RandomForest · 0.9898 / 0.0425 / 0.9483 · 0.4667 / 0.1000 / 0.4500 · 0.3667 / 0.0000 / 0.3667 · 0.8509 / 0.2208 / 0.6890
PureCNN · 0.9932 / 0.0034 / 0.9899 · 0.0000 / 0.0000 / 0.0000 · 0.0000 / 0.0000 / 0.0000 · 0.9818 / 0.3449 / 0.6478
FusionLR · 0.9898 / 0.0000 / 0.9898 · 0.6000 / 0.5733 / 0.3267 · 0.4333 / 0.6500 / 0.3067 · 0.7600 / 0.1632 / 0.6628
RSTFNet · 0.9795 / 0.0267 / 0.9538 · 0.6667 / 0.3667 / 0.5233 · 0.4667 / 0.5333 / 0.3667 · 0.7600 / 0.2174 / 0.6213
RSTFNet-AC · 0.9830 / 0.0068 / 0.9764 · 0.8000 / 0.2643 / 0.6190 · 0.8000 / 0.2300 / 0.6367 · 0.8855 / 0.0690 / 0.8259
PureCNN 对锋面雾和平流雾的 POD 和 CSI 都是 0，对应的 FAR 也是 0——这不是虚警控制得好，而是根本没有预测出这两个类别。RandomForest 在个别少数类上 FAR 为 0，同样伴随命中率没提高。RSTFNet-AC 把锋面雾 POD 从 RSTFNet 的 0.6667 提到 0.8000、平流雾从 0.4667 提到 0.8000，同时把平流雾 FAR 从 0.5333 压到 0.2300、辐射雾从 0.2174 压到 0.0690。
消融（属性监督与一致性约束逐项加入）
模型 · 属性监督 · 一致性约束 · 准确率 · 宏平均 F1
RSTFNet · × · × · 0.9196 ± 0.0195 · 0.7105 ± 0.1345
RSTFNet-C · × · √ · 0.9350 ± 0.0241 · 0.7253 ± 0.1189
RSTFNet-A · √ · × · 0.9464 ± 0.0309 · 0.8246 ± 0.1237
RSTFNet-AC · √ · √ · 0.9573 ± 0.0194 · 0.8439 ± 0.0870
只加一致性约束，宏平均 F1 从 0.7105 升到 0.7253，增益有限——没有显式属性监督时属性分支还没形成稳定语义，约束引导不上力。只加属性监督，宏平均 F1 跳到 0.8246，是最主要的那一步。两者同加后 0.8439，且标准差从 0.1345 降到 0.0870。
分类别的消融结果则显示增益并不整齐：RSTFNet-A 在锋面雾上 POD 0.8667 最高（RSTFNet-AC 是 0.8000），而 RSTFNet-AC 在平流雾上 POD 0.8000（RSTFNet-A 0.7333），辐射雾 FAR 0.0690 也是四个模型里最低。
混淆矩阵（按真实类别逐行归一化的 OOF 预测）
真实类别 · RSTFNet-AC 对角线 · 说明
无雾 · 0.98（288 个） · 各模型都稳定
锋面雾 · 0.79（11 个） · XGBoost 为 0.50、PureCNN 为 0.00
平流雾 · 0.83（10 个） · XGBoost 0.33、PureCNN 0.00
辐射雾 · 0.89（48 个） · PureCNN 把它当成唯一出口，0.00 的锋面雾与平流雾全流向这里
原文图
图1 三个典型过程的天气形势演变，从上到下依次是锋面雾（2015 年 11 月 4 日 20:00 至 5 日 08:00）、平流雾（2014 年 1 月 30 日 20:00 至 31 日 08:00）和辐射雾（2016 年 4 月 7 日 20:00 至 8 日 08:00），每行五列依次为前一日 20:00、23:00 与当日 02:00、05:00、08:00。填色是 2 米相对湿度，黑线是海平面气压，箭头是 10 米风场，红框为江苏大致范围；蓝色虚线、红色虚线、紫色实线、橙色箭头分别是高压或高压脊、低压或低槽及锋面影响区、弱风静稳区和暖湿气流输送特征的读图标记。
图2 RSTFNet-AC 的总体结构。左侧输入为 5×17×121×181 的多时次多层天气场与 96 维规则统计向量；上方分支走共享 CNN 编码与 GRU 时序建模得到时空特征，下方分支走 Rule MLP 得到规则特征，并给出 6 个核心先验属性与 3×6 的类别-属性软规则矩阵；右侧拼接成 192 维、映射为 128 维融合表示后分入分类头与属性头，属性头输出 a 再与软规则矩阵映射出的类别隐含属性比对，总损失由分类损失、属性监督损失和一致性损失三项相加。
图3 五折交叉验证 OOF 预测按真实类别逐行归一化的混淆矩阵，上排是四个对比方法、下排是消融模型。PureCNN（c）的锋面雾与平流雾两行整行落在辐射雾上（值 1.00、分别为 14 和 12 个样本），是类别偏置最严重的一格；RSTFNet-AC（h）的锋面雾 0.79、平流雾 0.83、辐射雾 0.89，错误流向明显收敛到对角线附近。
图4 不同真实类别样本在 6 个核心先验属性上的平均响应。辐射雾在高压背景 0.84、弱风条件 0.66 上最强，锋面雾在低压背景 0.71、锋面背景 0.60 上更突出，平流雾在中等风条件 0.59、偏南风条件 0.42 上相对较强——与业务上对三类雾型天气背景的划分方向一致。
作者承认的限制
限制 · 原文口径
少数类折间波动大 · 锋面雾和平流雾样本较少，相关指标的折间标准差较大，对其性能应结合均值、波动范围和不同业务指标综合判断
单个指标变化即可引起比例抖动 · 少量样本的判别变化即可引起归一化比例明显波动，混淆矩阵应与 Macro-F1、POD、FAR、CSI 及折间标准差结合评价
完整模型并非每项指标最优 · RSTFNet-AC 在锋面雾上的单项结果略低于 RSTFNet-A，其优势在于减少不同雾型之间的系统性混淆，而不是每个类别识别率都最高
一致性约束不能替代属性学习 · 缺少显式属性监督时属性分支尚未形成稳定语义，一致性约束对分类决策的引导作用受到限制；它只能规范决策空间，不能替代属性表示本身的学习
属性交叠是客观存在的 · 部分平流雾过程在规则属性空间中可能与辐射雾交叠（过程 P022 被以接近 1 的置信度判为辐射雾），辐射雾伴随明显水平水汽输送时也可能被判为平流雾（过程 P060）
有利成雾背景不等于成雾 · 过程 P085 真实为无雾却被高置信度判为辐射雾，说明有利成雾背景并不等同于实际雾的发生，局地热力条件、边界层稳定度等仍影响最终结果
外推范围受限 · 少数雾型样本不足、不同年份过程分布不均以及固定先验关系的区域依赖性，仍限制了模型结论的外推范围
后续要补的三件事 · 作者提出应扩大经专家确认的边界型和少数类过程、检验模型在独立年份和不同区域中的稳定性，并构建能同时输出雾型、关键属性和不确定性的联合判识框架
一句话判断
这篇文章真正想解决的不是「网络够不够深」，而是「有限的少数类样本里怎么让模型学到有成因指向的内部表示」——它给出的答案是先把业务经验拆成可监督的属性，再用一致性约束把属性响应和类别判断绑在一起；效果也确实落在原本最容易被糊掉的两个少数雾型上，而不是靠把无雾这一类判得更准刷总准确率。