摘要
随着连接设备、人工智能应用以及物联网的发展，人们对超高数据传输速率、低延迟以及高能效的通信基础设施的需求不断增长。无线光通信技术，包括自由空间光通信，被视为6G及未来网络的重要突破性技术。然而，大气能见度会显著影响无线光通信链路的可用性、容量和可靠性。本研究提出了一种基于机器学习的低能见度分类模型，该模型将气象机场报告与微波链路接收信号特征相结合。利用泰国曼谷素万那普机场和廊曼机场18个月的数据，该模型可预测1小时、3小时和6小时后的能见度是否低于6000米。研究对比了逻辑回归、随机森林、极端梯度提升算法以及轻量级梯度提升机四种机器学习算法的性能，结果发现，在持久性和终端机场预报基准下，结合气象机场报告与接收信号特征的轻量级梯度提升机在1小时和3小时预测精度上表现最佳，其在素万那普机场和廊曼机场1小时预测精度分别比终端机场预报高出28个百分点和20个百分点。SHAP值分析和消融实验表明，当前能见度是主要预测因素，而接收信号特征则能提供补充信息，使预测精度提升约1至4个百分点。季节性分析显示，寒冷季节的预测效果更好，而雨季的预测仍面临较大挑战。引入能见度趋势特征后，预测精度进一步提升，最优组合模型的1小时预测精度在素万那普机场为0.7253，在廊曼机场为0.6495。这些研究结果表明，结合气象机场报告与接收信号特征有助于实现短期低能见度情况的有效分类。
