福州市环境空气质量预报误差分析

介绍了福州市环境空气质量预报系统，分析了预报产生误差的原因，指出SO2、NOx预报误差相对较小，TSP预报误差相对较大，误差主要由局地污染源的不确定和特殊天气情况造成，具此提出了提高预报准确性的改进方法和措施。     

广州市污染季节空气质量预报效果评估及误差分析

基于广州市2016年第四季度空气质量实测及预报数据,对广州市污染季节空气质量预报效果进行了评估,结果表明,2016年第四季度广州市空气质量级别预报准确率83.7%、AQI范围预报准确率67.4%、首要污染物预报准确率67.2%、综合考核评分87.4分、相关系数0.78,预报效果总体良好,预报准确率在优良级别时相对较高,而在轻度污染以上级别时相对较低。预报误差分析表明,气象预报精细化程度不足、模式预报不确定性等客观因素,预报员缺乏对污染过程物理化学机制的深入理解等主观因素共同导致了预报的误差。     

空气中PM_(10)浓度的BP神经网络预报研究

BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010～0.010mg/m3范围内,相对误差在-20%～20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

基于WRF-NAQPMS的一次沙尘天气预报评估

为提高沙尘天气的预报准确率,利用ECWMF再分析资料和近地面PM₁₀小时质量浓度监测数据,评估WRFNAQPMS模式对2021年3月15—21日甘肃强沙尘过程的预报能力。结果表明,WRF-NAQPMS能够在一定程度上模拟此次污染过程:WRF对“3· 15”天气系统的模拟与实况整体趋势较为一致,随着预报时效延长,气象模拟场移动偏快,导致沙尘预报场发展偏快、沙尘二次传输影响下游时间提前;近地面风向的局地偏差是导致甘肃中东部地区沙尘浓度出现预报误差的主要气象因素。NAQPMS模式对PM₁₀小时质量浓度的模拟随着预报时效增加和离沙源地距离的增大,预报误差逐步增大:在河西地区,沙尘影响时段和起沙浓度的模拟值均接近监测值,其中嘉峪关、酒泉、张掖的PM₁₀小时质量浓度模拟值与监测值相关系数r>0.8;中部地区城市的沙尘影响时段预报略有偏差,且模拟值低于监测值;受复杂下垫面和气象场预报误差影响,省内其他地区沙尘预报结果参考性较低。     

空气质量预报在世界互联网大会中的应用

为支持世界互联网大会期间大气污染管控工作，利用人工结合数值模式预报的方式在第二届到第五届世界互联网大会期间开展空气质量预报工作。多模式系统中WRF-CMAQ对乌镇及浙北区域大气污染变化的趋势模拟最好，2016—2018年对AQI日均值模拟的平均分数偏差（MFB）和平均分数误差（MFE）分别为-1.3%~1.6%和24.3%~28.3%。会前48 h、72 h和96 h空气质量等级预报准确率分别为37.5%~83.3%、33.3%~90.0%和0~89.9%。会议期间乌镇的AQI日均值48 h预报准确率为33.3%~100%，等级预报准确率为66.7%~100%。与日常空气质量预报不同，会议期间预报还应重点关注大气污染过程，如有污染可能性，需要给出污染过程的起始时间、持续范围和浓度峰值等情况及其关键时间节点，有针对性地提出大气污染管控的措施建议，为会议期间空气质量保障提供技术支撑。     

最优化集成方法在城市臭氧数值预报中的应用研究

基于多模式(NAQPMS、CMAQ、CAMx、WRF-Chem)空气质量数值预报业务系统的滚动预报结果,结合站点观测资料,评估了最优化集成方法在城市臭氧数值预报中的可行性和预报效果。一年的评估结果表明:当训练期为15 d时,最优化集成方法能够得到相对较好的结果。总体而言,最优化集成方法对城市臭氧浓度变化趋势和浓度水平的预报效果明显优于单个模式,且在大部分城市优于多模式的最优预报,其预报值和观测的相关系数提高0.11以上,均方根误差降低约10μg/m~3;该方法对城市臭氧污染等级的预报能力也明显优于单个模式,特别是轻、中度污染。此外,在模拟偏差较大的城市,最优化集成方法对预报效果的改进更为显著;在模拟偏差较小的城市,该方法仍可进一步提升预报效果。     

三维空气质量模型初始场VOCs同化对臭氧预报的影响

于2023年2月15日—3月8日，采用中尺度数值预报模式/嵌套网格空气质量模式系统（WRF/NAQPMS），分析了初始场同化6项常规大气污染物及挥发性有机物（VOCs）对广东省臭氧（O₃）预报的改进效果。 结果表明，同化6项常规污染物可显著降低O₃预报的标准化平均偏差（NMB）和均方根误差（RMSE），NMB从-26%改善为-8%，RMSE从50.6μg/m³下降到35.0μg/m³。但对相关系数（r）的改善效果不佳，从0.51下降到0.49。相比于只同化常规6项污染物，同时同化VOCs对O₃的预报效果改善较为明显，r从0.49提高到0.63。此外，对NMB和RMSE的改善效果也较好，NMB从-8%改善为-3%，RMSE从35.0μg/m³下降到30.1μg/m³。相比于不同化，同化6项常规污染物的改善效果显著，空气质量指数（AQI）等级预报准确率可提升10%以上，AQI范围预报准确率可提升40%以上。相比于仅同化6项常规污染物，再增加同化VOCs，AQI等级预报准确率和范围预报准确率均提升5%左右，改善程度不高。     

江苏省级区域空气质量数值预报模式效果评估

采用中国科学院大气物理研究所开发的嵌套网格空气质量模式系统(NAQPMS),搭建江苏省级区域空气质量数值预报模式系统,并测试了该系统对2013年夏季江苏省PM2.5质量浓度未来24 h预报以及7 d潜势预测的效果。结果表明,该系统成功应用于江苏省的空气质量预报;所有地市的24 h预报效果均在合理范围内(平均分数偏差小于±60%且平均分数误差小于75%);7 d潜势预测效果比24 h预报效果略差,整体能准确把握PM2.5质量浓度的变化趋势。     

兰州市大气污染气象潜势预报研究

介绍了大气污染气象潜势预报方法和兰州市大气污染气象潜势预报系统。通过2001年9－12月兰州市空气质量预报检验分析，表明该系统对首要污染物等级预报准确率在60％以上，对兰州空气质量预报具有较好的指示性。     

江苏省空气质量预报与实测结果比对研究

选取2015年1—8月江苏地区NAQPMS、CMAQ、CAMx、WRF-Chem 4个模式预报结果与实测值进行比对分析,结果表明,标准化分数偏差(MFB)为-0.066 5~0.201 1,标准化分数误差(MFE)最大值为0.381 8,均在理想范围内,其中CAMx预报效果相对较好,WRF-Chem有一定误差。4个模式相比,NAQPMS对于PM_(10)的模拟性能较好,各模式对PM_(2.5)模拟性能相近,CMAQ和CAMx对O_3模拟较好,WRF-Chem对CO模拟较好,各模式对SO_2和NO_2的模拟都需进一步优化。     

东平湖及上游河段水质分析预测

运用水质数学模型,对东平湖及上游河段各控制断面的水质进行了预测和验证,说明了该预测方案的科学性和可行性。并分析了预测中误差存在的原因,提出了改进措施。     

基于自回归GA-BP神经网络的AQI预测

基于徐州市2013年12月—2018年11月的空气质量指数日均值,建立了时间序列自回归输入的GA-BP神经网络模型用于空气质量指数预测。结果表明,所建立的网络模型能够准确预测徐州市空气质量指数的变化趋势,其中夏季预测相对误差18. 23%,仿真均方根误差(RMSE)为14. 59;冬季预测相对误差9. 14%,仿真RMSE为11. 47。     

A Wavelet-based Neural Network Model to Predict Ambient Air Pollutants’ Concentration

The present paper proposes a wavelet based recurrent neural network model to forecast one step ahead hourly, daily mean and daily maximum concentrations of ambient CO, NO₂, NO, O₃, SO₂ and PM_2.5 — the most prevalent air pollutants in urban atmosphere. The time series of each air pollutant has been decomposed into different time-scale components using maximum overlap wavelet transform (MODWT). These time-scale components were made to pass through Elman network. The number of nodes in the network was decided on the basis of the strength (power) of the corresponding input signals. The wavelet network model was then used to obtain one-step ahead forecasts for a period extending from January 2009 to June 2010. The model results for out of sample forecast are reasonably good in terms of model performance parameters such as mean absolute error (MAE), mean absolute percentage error (MAPE), root mean square error (RMSE), normalized mean absolute error (NMSE), index of agreement (IOA) and standard average error (SAE). The MAPE values for daily maximum concentrations of CO, NO₂, NO, O₃, SO₂ and PM2.5 were found to be 9.5%, 17.37%, 21.20%, 13.79%, 17.77% and 11.94%, respectively, at ITO, Delhi, India. Bearing in mind that the forecasts are for daily maximum concentrations tested over a long validation period, the forecast performance of the model may be considered as reasonably good. The model results demonstrate that a judicious selection of wavelet network design may be employed successfully for air quality forecasting.     

Grey Box and Component Models to Forecast Ozone Episodes: A Comparison Study

For the purpose of short-term forecasting of high ozone concentration episodes stochastic models have been suggested and developed in the literature. The present paper compares the quality of forecasts produced by a grey box and a component time-series model. The summer ozone patterns for three European urban areas (two continental and one mediterranean) are processed. By means of forecast performance indices according to EC and WHO guidelines, the following features of the models could be found: The grey box model is highly adaptive and produces forecasts with low error variance that increases with the time horizon of forecast. The component model is more 'stiff' that results in a higher forecast-error variance and poorer adaption in detail. The forecast horizon, however, could be enlarged with this model. The accuracy of predicting threshold exceedance is similar for both models. This can be understood from the assumption of a cyclical time development of ozone that was made for both models.     

基于BP神经网络的贵阳市空气质量指数预报模型

采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。     

江苏省空气质量预报准确度及改进方法分析

介绍了江苏省重污染天气监测预报预警系统以及大气重污染预警会商流程,将2015年13个地级市的模式预报、人工预报结果分别与实际观测值进行比较。结果表明:人工预报更准确,PM_(2.5)日均值、臭氧日最大8 h平均值、AQI 3个指标人工预报和实况的相关性分别比模式预报高出12.8%、0.3%、11.4%,平均标准误差(MNE)分别低20.7%、3.1%、23.1%。依据国家空气质量预报技术指南评分办法,对各市2015年全年空气质量级别为"良"时进行评分。通过开展07∶00预报更新,使2015年上半年空气质量预报级别得分平均提高了0.9分,全年级别得分平均提高了2.6分;通过改进模式预报参数,使PM_(2.5)日均预报值、臭氧日最大8 h平均预报值、AQI预报值和实际观测值的相关性比上年同期分别提高26.0%、5.0%、33.9%,MNE分别降低3.6%、31.3%、7.6%。     

基于决策树技术及在线监测的水质预测

利用北方某城市水源的水质在线监测系统,建立了基于决策树技术,具有较强可视性和实际应用,以及能预测次日源水中叶绿素水平的决策树模型.该模型将某城市水源在线监测的溶解氧和太阳辐射照度数据转换计算为每日平均标准偏差及均值,并与每日定时取样测定的叶绿素含量一起作为预测因子,通过将115组数据的前100组数据作为训练集建立预测次日叶绿素水平决策树模型,并采用后15组数据进行模型的仿真预测检验,结果只有3 d的预测出错,预测准确率达80%.并讨论了模型建立对数据的要求及解读预测规则等问题.