首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  免费   2篇
综合类   2篇
  2020年   1篇
  2018年   1篇
排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
传统的"自下而上"清单方法估算的排放清单,其数据的准确性和时效性存在较大局限.基于集合均方根卡尔曼滤波的源清单反演方法,结合WRF-CMAQ(天气研究和预报模式-公共多尺度空气质量模型)被用于对以清华大学编制的2010年MEIC(中国多尺度排放清单模型)排放清单为基础制作的重庆地区SO2排放源进行反演试验以解决准确性和时效性问题,试验时间段为2014年10月15-31日,重庆主城17个环境空气质量国控监测点ρ(SO2)小时观测资料用于反演及检验.结果表明:该方法能够反演重庆地区SO2源排放量,随着反演次数增加,基于反演排放源预报的ρ(SO2)预报误差持续减小,反演4次后预报误差达到比较低的稳定的水平,其均方根误差均低于20 μg/m3. 5次反演后SO2源排放量用于2014年10月24-29日每天起始预报,其预报的站点、时间平均的均方根误差从100~400 μg/m3降至30 μg/m3以下.反演中应用局地化尺度减少集合取样误差影响,54与81 km两个局地化尺度反演结果对预报改善效果相当,表明主要影响重庆主城ρ(SO2)的源排放位于主城及周边地区,也说明内源排放对重庆主城ρ(SO2)起主要影响.反演后面源排放量主城区降幅约为30 kg/(d·km2),周边地区减少10~20 kg/(d·km2),主城区部分SO2点源排放量降幅约为25 kg/(d·km2),说明2010年MEIC排放清单高估了试验时段重庆地区的SO2排放.   相似文献   
2.
空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式(WRF)和空气质量数值预报模式(CMAQ)的预报产品,采用2018年4个代表月份(1、4、7、10月,分别代表冬、春、夏和秋季)成渝地区22个观测站点的PM2.5浓度和气象要素观测数据,建立基础特征变量数据集(包括训练数据集和测试数据集),通过调整模型参数,并利用训练数据集采用机器学习方法(Lasso回归、随机森林回归、深度学习RNN-LSTM)进行模型训练,订正了成渝地区PM2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM2.5浓度的大气污染预报能力提供有益参考.  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号