在信息化时代背景下,来自自动气象观测系统的观测数据,尤其是实时观测数据,已与短时天气预报和公众服务工作紧密联系,所以高质量的地面观测资料是开展高水平气象业务的基础。但是,一些自动气象观测站的能见度检测仪应用光学装置采样,雨雪、粉尘等天气因素可能对部分能见度观测仪器造成镜头污染,亦或者仪器年久失修,更换新的设备不及时,导致能见度要素的观测数据错误或者缺测。基于此,本文在分析不同区域能见度观测数据的变化特征基础上引入机器学习算法,用以构建地面能见度观测资料质量控制模型,并用不同地形的数据集进行检错试验,检测模型对能见度数据的质量控制效果,本文的主要内容可总结如下:能见度数据缺失值预估。针对能见度要素的观测数据缺测问题,本文选用安徽省区域内各气象站历史观测数据,首先运用灰色关联分析方法筛选出与能见度密切相关的其他气象要素,对这些与能见度相关性大的气象要素进行无量纲化处理形成数据集,通过支持向量机和BP神经网络单一预估方法预估不同地形的能见度缺失值,然后采用最优权重组合将两种方法预估的能见度值进行组合,并与单一预估方法进行对比。结果表明组合方法的预估结果误差均值小,整体准确度高,可以有效保证台站观测资料的完备性。能见度数据的质量检测。针对能见度观测数据出错率高的问题,本文首先将安徽省不同区域站点的历史能见度数据加入人工误差,然后运用通过粒子群算法、BP神经网络,结合马尔科夫链,对不同地形的地面能见度观测资料进行误差数据检测实验。最后为检验该方法的适用性,利用平均相对误差、均方根误差、纳什系数等指标和检错率结果进行能见度质量控制效果分析。双套站能见度数据的融合。针对一个地区两套能见度观测数据融合成一套传输资料的问题,本文运用机器学习方法对每套能见度观测数据进行质量控制并对检查出的异常数据予以订正,再将两套修正过的能见度观测数据利用加权平均法进行融合,不仅保证观测数据的完整性,而且有效提高观测数据的准确率,为与能见度相关的短时天气预报、实况分析、科学研究和公众服务工作提供有效数值依据。