飞机积冰是指云中或降水中的过冷水滴碰撞机体后冻结形成的冰层现象，会导致飞机升力下降、阻力增大，严重威胁飞行安全。因此，积冰监测与预警一直是航空气象领域的重要研究方向。传统积冰识别方法主要依赖经验阈值和数值预报，存在误报率高、空间分辨率不足以及积冰强度识别能力有限等问题，难以满足精细化航空运行需求。相比之下，卫星遥感能够提供大范围、连续性的云系观测信息，通过云顶温度、云相态和云水路径等参数，可有效识别过冷水分布及积冰环境特征。随着人工智能技术的发展，如何从海量卫星数据中精准提取积冰相关特征并建立高精度预测模型，已成为行业研究热点。本课题基于梯度提升决策树算法，融合多源卫星数据开展飞机积冰潜势识别研究，为提升我国航空气象智能监测与飞行安全保障能力提供了重要技术支撑。

本项目构建了基于LightGBM（梯度提升决策树的高效实现）的飞机积冰潜势识别模型，融合GOES-16卫星多光谱观测数据与飞行员报告信息，建立了包含云顶高度、云相态和光谱通道比值等在内的多维特征矩阵，实现了对积冰环境特征的精准提取与识别。模型测试结果表明，整体识别准确率达到80%以上，显著优于传统IC指数法、假霜点经验法及FIT卫星算法，在积冰空间细节刻画和高危积冰事件识别方面表现突出。项目创新提出“物理机理+数据驱动”双导向特征工程方法，在结合积冰形成机理的基础上，充分挖掘多源卫星数据中的非线性特征。同时，引入SHAP可解释性人工智能技术，系统揭示了云顶高度、云相态及关键光谱通道比值等因子对积冰形成的重要作用，增强了模型透明度和业务可信度，为航空气象智能监测提供了新的技术路径。

本研究成果可直接服务于航空气象业务应用，通过接入风云四号等新一代静止气象卫星数据，实现对我国及周边航路飞机积冰风险的实时、高精度自动化监测，为航空公司、空管部门及飞行运行控制提供可靠的积冰预警支持。相比传统方法，该技术能够更加精准地识别积冰区域及风险等级，有助于提升航空危险天气监测能力和飞行安全保障水平。同时，该技术可辅助航空公司优化航路规划与运行调度，减少因积冰导致的航班延误、返航及额外燃油消耗，提高航班运行效率，降低运行成本。研究成果对于提升我国航空气象自主监测能力、推动航空气象智能化发展以及保障民航安全高效运行具有重要的社会与经济效益。

图a: LightGBM算法框架；b-c:LightGBM和FIT算法预测结果对比