10.16251/j.cnki.1009-2307.2020.03.014
气流后向轨迹和门限重复单元的PM2.5预报
针对目前我国实时的空气质量预报不适合重污染天气的问题,该文提出了一种基于气流后向轨迹模型和门限重复单元神经网络的PM2.5浓度预报方法.该方法通过气流后向轨迹模型将区域异地传输效应进行量化,从而为待预报站点提供额外的区域传输预后因子(预后因子即是对未来情况的预估),将待预报站点区域传输预后因子和气象因子加入预报模型,利用GRU模型模拟区域PM2.5浓度的时序连续变化特征,建立1~72 h的PM2.5浓度实时预报模型.实验结果表明,区域传输预后因子的加入,能够很好地量化其他站点对于待预报站点的PM2.5浓度预报影响,提高PM2.5预报模型整体预报精度.
PM2.5实时预报、气流轨迹、门限重复单元、深度学习
45
P237(摄影测量学与测绘遥感)
2020-05-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
87-94