留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

肖宇

肖宇. 基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用[J]. 环境科学研究.
引用本文: 肖宇. 基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用[J]. 环境科学研究.
Research and application of an ensemble forecasting method based on coupled multi-machine learning algorithms[J]. Research of Environmental Sciences.
Citation: Research and application of an ensemble forecasting method based on coupled multi-machine learning algorithms[J]. Research of Environmental Sciences.

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

基金项目: 国家重点研发计划;国家自然科学基金

Research and application of an ensemble forecasting method based on coupled multi-machine learning algorithms

Funds: National Key Research and Development Program of China;National Natural Science Foundation of China
  • 摘要: 应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正方法(简称ET-BPNN),对四种常规污染物(NO2、O3、PM2.5和PM10)的空气质量模型预报结果进行订正。先利用随机森林、极端随机树和梯度提升树算法进行第一次优化,采用四个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2m温度、2m湿度、10m风速、10m风向、气压和小时累计降水量)以及污染物浓度观测数据,训练结果进入基于均方根误差的择优选择器,选取三种决策树算法中优化效果最好的算法,再利用BP神经网络对数据集进行二次优化,最终通过加权平均获得集合模式订正预报结果。结果表明:①ET-BPNN算法与四个模式集合平均算法相比,对四项污染物预报结果订正后的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%;②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升树三个机器学习算法有明显提升,与极端随机树相比,订正后的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%;③ET-BPNN在较易发生污染的秋冬季对PM2.5的预报具有明显的优化效果;此外,该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性;④对O3_8h和PM2.5污染而言,经ET-BPNN优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较集合平均更为准确。

     

  • 加载中
计量
  • 文章访问数:  157
  • HTML全文浏览量:  18
  • PDF下载量:  36
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-07-01
  • 录用日期:  2022-08-31
  • 修回日期:  2022-08-17
  • 网络出版日期:  2022-09-14

目录

    /

    返回文章
    返回