在信息量较大,而预报对象与预报因子的关系又不清楚的状况下,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 VectorMachines,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。