使用公共数据和机器学习进行大气能见度估计的非参考方法

大气能见度是安全飞行的重要指标，向飞行员传达该指标确保了操作的成功和符合联邦及国际法律。自动能见度估计基础设施在机场附近广泛部署；不幸的是，远离终端空域的估计能力稀缺，主要由于成本原因，阻碍了混合使用空域的进展。本文展示了通过机器学习在低成本、低高度下进行光学大气能见度估计技术的进展，适用于先进航空出行工具的混合空域操作。我们尝试通过四个在公开可用的FAA气象摄像头数据上训练的模型以及一种集成方法，将图像分类为联邦航空局（FAA）视觉飞行条件、边际能见度条件和仪表天气条件。认证的能见度估计器已证明大约80%的时间与专家评估一致，这是我们模型的目标准确性；本研究中表现最佳的模型目前正确匹配这些传感器预测的条件的准确率为69%。