| 基于神经网络模型对城市空气质量预报方法的优化研究 |
| |
| 引用本文： | 杨留明,高帅鹏,黄飞,岑路娟.基于神经网络模型对城市空气质量预报方法的优化研究[J].环境监控与预警,2023,15(2):33-39. |
| |
| 作者姓名： | 杨留明 高帅鹏 黄飞 岑路娟 |
| |
| 作者单位： | 1.河南广电计量检测有限公司，河南 郑州 450001；2.农业部南方耕地污染防控重点实验室，湖南 长沙 410128 |
| |
| 基金项目： | 安徽省重点研发计划项目（2022107020025） |
| |
| 摘 要： | 基于郑州市2017年1月1日—2022年2月28日环境空气细颗粒物(PM_(2.5))逐日质量浓度监测数据和同期气象数据,利用反向传播(BP)神经网络构建了环境空气PM_(2.5)质量浓度预报模型,实现了对郑州市后1日环境空气PM_(2.5)质量浓度日均值进行预报。构建了考虑大气氧化性因素(情景一)和不考虑大气氧化性因素(情景二)这2种情景,并对2种情景下的预报效果进行评价。结果显示,在情景一下,各季节PM_(2.5)预报质量浓度与实况质量浓度的标准化平均偏差(NMB)和均方根误差(RMSE)均处于较低水平,表明预报效果均具有较好的稳定性;各季节PM_(2.5)实况质量浓度与预报质量浓度之间的相关系数(r)、一致性指数(IA)、准确率(Q)和级别预报准确率(G)均处于较高水平,其中Q值均>79%,G值均>80%,表明各季节PM_(2.5)实况质量浓度与预报质量浓度趋势的吻合程度较高。情景一各季节PM_(2.5)预报质量浓度与实况质量浓度的NMB和RMSE均低于情景二,降幅分别为0.8%~2.3%和2.3~4.2μg/m 3;r值、IA、Q值和G值均高于情景二,增幅分别为3.5%~36.1%,2.2%~14.6%,6.4%~9.4%和3.5%~9.1%,表明考虑大气氧化性因素能够优化该模型。
|
| 关 键 词： | 细颗粒物预报 反向传播神经网络 统计模型 大气氧化性 MATLAB软件 |
| 收稿时间： | 2022/6/24 0:00:00 |
| 修稿时间： | 2022/7/27 0:00:00 |
Optimization of Urban Air Quality Prediction Method Based on Neural Network Model |
| |
| YANG Liu-ming,GAO Shuai-peng,HUANG Fei,CEN Lu-juan.Optimization of Urban Air Quality Prediction Method Based on Neural Network Model[J].Environmental Monitoring and Forewarning,2023,15(2):33-39. |
| |
| Authors: | YANG Liu-ming GAO Shuai-peng HUANG Fei CEN Lu-juan |
| |
| Institution: | 1.Henan GRG Metrology & Test Co. Ltd., Zhengzhou,Henan 450001, China; 2.Key Laboratory of Southern Farmland Pollution Prevention and Control, Ministry of Agriculture, Changsha, Hunan 410128, China |
| |
| Abstract: | |
| |
| Keywords: | PM2 5 forecast BP neural network Statistical model Atmospheric oxidation MATLAB |
| 本文献已被 维普 等数据库收录！ |
| 点击此处可从《环境监控与预警》浏览原始摘要信息 |
| 点击此处可从《环境监控与预警》下载免费的PDF全文 |
|
