| 基于机器学习的短临预报方法及其在空气质量保障中的应用 |
| |
| 引用本文： | 肖林鸿,陈焕盛,陈婷婷,吴剑斌,杨文夷,王文丁,田敬敬,张稳定.基于机器学习的短临预报方法及其在空气质量保障中的应用[J].中国环境监测,2021,37(3):66-74. |
| |
| 作者姓名： | 肖林鸿 陈焕盛 陈婷婷 吴剑斌 杨文夷 王文丁 田敬敬 张稳定 |
| |
| 作者单位： | 中国科学院大气物理研究所, 大气边界层物理和大气化学国家重点实验室, 北京 100029;中科三清科技有限公司, 北京 100029 |
| |
| 基金项目： | 国家重点研发计划（2018YFC0213206） |
| |
| 摘 要： | 基于多个数值模式(NAQPMS、CMAQ)预报结果和站点观测资料,采用岭回归机器学习方法构建了一种多污染物短临预报方法,并应用于2017年厦门金砖国家峰会和2019年武汉军运会空气质量保障工作,评估总结了短临预报方法的可行性和预报效果。结果表明:短临预报表现出很好的预报能力,可以有效改进数值模式的预报趋势和量值。从日均模拟效果来看,短临预报的颗粒物相关系数达到0.9以上,均方根误差小于5μg/m~3,而且预报的臭氧相关系数和均方根误差分别为0.99和2μg/m~3。相较于日均数值模式预报结果,短临预报可使颗粒物和臭氧的预报相关系数至少提升16%和9%,预报均方根误差至少下降50%和86%。对于小时模拟效果,短临预报能够更好地把握颗粒物的小时变化特征,其相关系数较模式提升了0.2以上;同时短临预报能够更好地再现观测到的臭氧日循环特征,对白天的峰值和夜晚的低值预报更好,其相关系数高达0.9。总体来说,短临预报方法可为重大活动空气质量保障提供较为精准的临近预报结果,具有较好的应用价值。
|
| 关 键 词： | 数值预报 机器学习 短临预报 空气质量 |
| 收稿时间： | 2020/5/16 0:00:00 |
| 修稿时间： | 2020/9/5 0:00:00 |
Short-Term Forecast Method Based on Machine Learning and Its Application in Air Quality Assurance |
| |
| XIAO Linhong,CHEN Huansheng,CHEN Tingting,WU Jianbin,YANG Wenyi,WANG Wending,TIAN Jingjing,ZHANG Wending.Short-Term Forecast Method Based on Machine Learning and Its Application in Air Quality Assurance[J].Environmental Monitoring in China,2021,37(3):66-74. |
| |
| Authors: | XIAO Linhong CHEN Huansheng CHEN Tingting WU Jianbin YANG Wenyi WANG Wending TIAN Jingjing ZHANG Wending |
| |
| Institution: | State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China;Three Clear Technology Co, Ltd, Beijing 100029, China |
| |
| Abstract: | |
| |
| Keywords: | numerical forecast machine learning short-term forecast air quality |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《中国环境监测》浏览原始摘要信息 |
| 点击此处可从《中国环境监测》下载免费的PDF全文 |
|
