排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
以江苏省宿迁环境监测中心OPAQ系统为例,基于人工神经网络算法的OPAQ空气质量预报系统的2种模式对O 3预报准确率的进行了分析,结果表明,趋势最优模式(RMSE模式)对预报当天及未来3 d的预报值与监测值的相关性系数均>0.78,相对误差在25%以下,在预测当天及未来24、48及72 h优-良天的预测准确率较高,分别为88.8%、87.2%、86.3%及84.7%,在预测轻度污染-重度污染的准确率较低;极值最优模式(SI模式)对预报当天及未来3 d的预报值与监测值的相关性系数(R)均>0.76,相对误差<32%,预测未来24和48 h的轻度污染-中度污染的级别准确率>60%。OPAQ系统的极值最优模式(SI模式)更适合作为夏季ρ(O 3)较高时的预测工具。 相似文献
2.
基于高斯烟羽模型的输入频率分布模型(IFDM)系统,模拟了2019年4—6月河北省南部平原地区某热电厂对临近2个省控监测站点空气质量的贡献。结果表明,该热电厂4—6月对2个省控监测站点NO2、SO2、PM10、PM2. 5的平均贡献值分别为2. 0,3. 2和4. 4μg/m3,1. 9,3. 1和3. 5μg/m3,0. 45,0. 7和0. 85 g/m3,0. 25,0. 45和0. 55μg/m3。6月份该热电厂对2个省控监测站点各项污染物贡献值最大,与其西南风出现频率较高相吻合。 相似文献
3.
基于OPAQ的城市空气质量预报系统研究 总被引:1,自引:1,他引:0
空气质量预测在国内的关注度日益提高,传统的空气质量预测系统通常运用数值化学传输模型,利用物理方程来计算污染物的扩散、沉降和化学反应。而化学传输模型的预测准确性很大程度上需要依赖详细的污染源排放信息和气象模型的输出结果。基于统计模型的OPAQ空气质量预报业务系统,采用人工神经网络算法,可预测各污染物的日均值或日最大值。并对北京空气质量预报的结果进行了评价,OPAQ空气质量预报业务系统对空气质量预测的准确性较高,能够利用较低的计算资源得到较为准确的预测结果。与数值预报相比,OPAQ空气质量预报业务系统不需要大量的基础数据作为输入,可弥补数值预报的不足,并成为数值预报的有力补充。 相似文献
4.
1