| 基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型 |
| |
| 引用本文： | 石佳超,罗坤,樊建人,张峻溪,王晴,高翔,倪智振. 基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型[J]. 环境科学学报, 2018, 38(11): 4480-4489 |
| |
| 作者姓名： | 石佳超 罗坤 樊建人 张峻溪 王晴 高翔 倪智振 |
| |
| 作者单位： | 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027,浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027 |
| |
| 基金项目： | 环保部公益项目（No.201409008-4）；浙江省社会发展重大专项（No.2014C03025） |
| |
| 摘 要： | 建立大气污染可控源排放-复合污染水平的函数关系,实现给定排放情景下环境污染物浓度的实时响应,是大气污染物浓度预测与减排效果评估等的重要技术前提.本研究对污染物浓度影响因子变化空间进行拉丁超立方采样,使用CMAQ区域多尺度空气质量模型的预测值作为输入数据,通过前馈神经网络模型构建基于统计机器学习的长三角区域污染物浓度快速响应模型.结果表明经过模型结构选择与参数调整,基于前馈神经网络的快速响应模型能够快速准确还原出不同减排情景下长三角区域PM_(2.5)浓度的预测值.外部验证情景下相关系数CORR达到0.999以上,MB与ME均值达到了-0.046μg·m~(-3)和0.6162μg·m~(-3),实现了比RSM更加快速与准确的预测,不同时段与不同污染物浓度的准确预测则验证了其普适性.
|
| 关 键 词： | CMAQ 拉丁超立方采样 前馈神经网络 快速响应 外部验证 |
| 收稿时间： | 2018-05-10 |
| 修稿时间： | 2018-06-12 |
Rapid response model of regional air pollutant concentration based on CMAQ and feed forward neural network |
| |
| SHI Jiachao,LUO Kun,FAN Jianren,ZHANG Junxi,WANG Qing,GAO Xiang and NI Zhizhen. Rapid response model of regional air pollutant concentration based on CMAQ and feed forward neural network[J]. Acta Scientiae Circumstantiae, 2018, 38(11): 4480-4489 |
| |
| Authors: | SHI Jiachao LUO Kun FAN Jianren ZHANG Junxi WANG Qing GAO Xiang NI Zhizhen |
| |
| Affiliation: | State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027,State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027,State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027,State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027,State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027,State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027 and State Key Laboratory of Clean Energy Utilization, College of Energy Engineering, Zhejiang University, Hangzhou 310027 |
| |
| Abstract: | |
| |
| Keywords: | CMAQ Latin hypercube sampling feed forward neural network rapid response model external verification |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《环境科学学报》浏览原始摘要信息 |
|
点击此处可从《环境科学学报》下载全文 |
|
