The purpose of this thesis is to study the visibility conditions during snowfall events in order to study the possibility of improvement of the visibility forecast currently in use. Measurement data for visibility and precipitation rate was gathered from Storöns automatic weather station at Storön in the Kalix archipelago situated in most northern part of the Bay of Bottnia. The elevation of weather station at Storön is fairly low. Examination of data gathered from the automatic weather station at Storön shows a large degree of scatter in the visibility for a given precipitation rate. An estimation of visibility function from the gathered data exhibits some discrepancy from the visibility function in the operational model. However this discrepancy is not statistically significant. On comparison with previous studies of the relationship between visibility and precipitation rate, the estimated visibility function was found to be somewhere in the middle of the previous estimates. In order to try to explain some of the deviation in the measured visibility from the value estimated by the visibility function, three factors were studied. These three were cloud temperature, the average temperature in the layers between ground and approximately 850 hPa and the time/month during the year when the snowfall occurred. The reason behind the choice of these factors were that literature shows that the underlying physics is the same in both the case of visibility reduction due to snowfall and density of freshly fallen snow, and in the latter studies has shown that these factors to some extent explain the variability in snow density. Based on the available data the results never the less show that these factors does not influence the variability of the measured visibility. / Syftet med denna uppsats är att studera siktförhållanden under perioder med snöfall för att undersöka om det finns möjlighet till förbättringar av dagens siktprognoser. Mätdata över sikt och nederbördsintensiteter kom från Storöns automatstation som ligger på en relativt låg ö i Kalix skärgård, i den nordligaste delen av Bottenviken. Undersökningen av mätdata från Storöns automatstation visar på en stor spriding av siktvärden vid givna nederbördsintensiteter. En skattning av siktfunktionen utifrån mätdata gav en viss skillnad jämfört med dagens prognosmodell. Dock var skillnaden inte statistiskt signifikant. Vid en jämförelse med tidigare studier av sikten vid snöfall befanns denna skattning ligga någonstans i mitten av skattade siktfunktioner. I ett försök att förklara en del av avvikelserna från den skattade siktfunktionen studerades huruvida tre faktorer, som visat sig ha betydelse för prognostisering av snödensiteter även påverkade siktvärden. Dessa tre var molntemperatur, medeltemperatur i de lägsta skikten samt när under året snöfallet ägde rum, uppdelat månadsvis. Skälet till att dessa tre faktorer studerades var likheten mellan den bakomliggande fysiken hos siktreduktionen respektive snödensiteten. Både snöns densitet och siktreduktion till följd av snöpartiklar i luften beror på egenskaper hos de enskilda snöflingorna. Resultaten baserade på tillgängliga mätdata gav dock inget stöd för att dessa faktorer även påverkar sikten.

Accurate fog prediction is an important task facing forecast centers since low visibility can affect anthropogenic systems, such as aviation. Therefore, this study investigates the use of Machine Learning classification algorithms for post-processing the output of the Danish Meteorological Institute’s operational Numerical Weather Prediction (NWP) model to improve visibility prediction. Two decision tree ensemble methods, XGBoost and Random Forest, were trained on more than 4 years of archived forecast data and visibility observations from 28 locations in Denmark. Observations were classified into eight classes, while models were optimized with resampling and Bayesian optimization. On an independent 15-month period, the Machine Learning methods show an improvement in balanced accuracy, F1-score, and Extremal Dependency Index compared to the NWP and persistence models. XGBoost performs slightly better. However, both methods suffer from an increase in overprediction of the low visibility classes. The models are also discussed regarding usability, coping with model changes and preservation of spatial features. Finally, the study shows how the interpretation of the post-processing models may be included operationally. Future research recommendations include incorporating more variables, using alternative class imbalance methods and further analyzing the models’ implementation and usage. Overall, the study demonstrates the potential of these models to improve visibility point forecasts in an operational setting. / Begränsad sikt kan på olika sätt påverka samhällen och naturen. Till exempel kan dimma störa både flyg- och biltrafiken. Därför är det viktigt att kunna förutspå sikt. Eftersom traditionella prognosmetoder, som numeriska vädermodeller, inte alltid är tillförlitliga för detta ändamål, är det viktigt att utforska alternativa metoder. I den här studien undersöks användningen av maskininlärning för att förbättra numeriska prognoser av sikt. Två olika maskininlärningsalgoritmer användes för att post-processera Danmarks Meteorologiska Instituts numeriska vädermodell och de tränades på siktobservationer från 28 olika platser. Resultaten visar att maskininlärnings-metoderna förbättrar den numeriska vädermodellen, med 10 - 30% beroende på hur man mäter. Dock har algoritmerna en liten tendens att förutspå låg sikt för ofta, och båda är bättre på kustnära platser. Den bäst presterande av de två algoritmerna lyckas identifiera förväntade meteorologiska förhållande i samband med låg sikt. Dessutom presenteras en metod för att förbättra förståelsen av de post-processerade modellerna. Men det finns fortfarande utmaningar med att implementera metoden operationellt. Därför föreslås det att framtida studier bland annat undersöker om algoritmerna presterar bättre med fler väderparametrar, hur de presterar på nyaplatser samt att djupare analys av hur de hanterar updateringar till den numeriska vädermodellen görs. Sammanfattningsvis visar studien att maskininlärning är ett lovande verktyg för att förbättra numeriska prognoser av sikt.