随着社会经济的飞速发展和用地规模的不断扩大,一个城市的气象条件、空气质量和能见度也在不断发生变化。其中能见度是一种对交通出行、生产工作、军事行动等都有着重要影响的气象要素,低能见度恶劣天气对人们生命财产安全构成极大的威胁,因此对能见度进行相关研究对于保障交通安全、促进经济发展、推进污染防治等具有重要的意义。本文选取近年来能见度研究相对匮乏的核心城市上海作为研究区域,利用气象监测数据和数值预报数据探讨了该区域2016-2017年能见度时空变化特征,挖掘了能见度的影响因子。在此基础上,总结现有能见度预测研究的不足,汲取其他领域研究方法的优势,构建了基于能够提取空间关联特征的卷积神经网络(CNN)和具有时间记忆的门控循环单元(GRU)两种深度学习算法的能见度预测模型,并通过不同维度检验了其预测性能。主要研究成果归纳如下:(1)在利用K最近邻算法对少量能见度缺失值填补的基础上,通过年际、月季、日三个时间维度对能见度进行统计分析,结果表明,2017年的平均能见度较2016年提升了 2255m;季节变化特征显著,夏秋能见度佳,春冬能见度差,平均能见度最大最小值分别出现在8月和1月;一天之中能见度均值呈现早晨6时至午后15时上升,午后15时至第二日早晨6时下降的周期性变化规律。通过克里金插值模拟了整个区域的能见度变化趋势,整体呈现西北至东南方向递增的特征。(2)根据相关分析方法获取了能见度与气象因子、大气污染物的相关系数,结果表明,能见度与相对湿度、PM2.5浓度以及其他多种大气污染物浓度呈负相关,与风速、温度和臭氧浓度呈正相关。其中相对湿度和PM2.5浓度是该地能见度主要的影响因子,在春夏秋季,能见度受相对湿度影响最大,冬季受PM2.5浓度影响最大。此外,不同相对湿度下PM2.5浓度与能见度拟合曲线表明,当相对湿度和PM2.5浓度任意一者处于高值时,另一者的变化对能见度影响较小。(3)将每个时刻所有站点的气象、大气污染物、高空预报数据重构成具有空间网格结构的时间序列数据,进而输入搭建的CNN-GRU能见度预测模型,使用动量改进的随机梯度下降算法优化模型,并将该模型与其他方法进行预测效果对比。实验结果表明,搭建的深度学习融合预测模型预测效果优于其他单一模型和WRF数值预报模型,上海市整体的平绝绝对误差和均方根误差分别为190.05m和239.09m,达到了当前能见度预测非常高的精度。此外,改变时间步长的实验也表明该模型对未来12小时能见度预测也具有较高的精度。