基于组合模型的PM2.5浓度预测及其不确定性分析
运用GIS软件及克里金(Kriging)插值等方法分析合肥城市圈PM2.5浓度的时空分布,根据合肥市环境监测历史数据、地面气象站点数据及历史气象数据,采用多元回归分析、相关分析等方法,研究合肥市PM2.5浓度的影响因素.结果 表明:1)PM2.5浓度整体变化情况为冬季>秋季>春季>夏季,大部分城市PM2.5浓度峰值出现在1月,之后浓度开始逐渐下降,7月达到最低值,此后浓度逐渐升高.2)PM2.5浓度与CO呈高度正相关,相关系数高达0.875;与PM10、SO2、NO2的相关性也较高;与O3呈负相关.PM2.5浓度与气压、风速、降雨量以及能见度呈负相关,与温度、相对湿度呈强正相关.基于2018—2019年合肥市地面站点PM2.5浓度监测数据,构建预测PM2.5浓度的组合模型:对比三次指数平滑模型,确定模拟退火+遗传+三次指数平滑为优组合模型,拟合度达到95％.通过Kappa及MAPE指数对组合模型不确定性进行分析评价,两者分别为0.654和0.072,说明该模型具有高度稳定性.恰当的预测因子组合和模型不确定性研究有助于模型预测精度的提升和改善,从而为大气环境质量监测和评价提供参考.
PM2.5浓度、时空分布、预测、组合模型、不确定性分析
38
国家重点基础研究发展计划;安徽省教育厅重点科研项目
2020-10-20（万方平台首次上网日期，不代表论文的发表时间）
共7页
229-235
