PM2.5浓度空间估算的神经网络与克里格方法对比
针对人工神经网络与克里格插值在PM2.5浓度空间估算中精度随样本点数量与耦合因素不同差异较大的问题,基于相关分析与径向基函数(radical basis function,RBF)筛选PM2.5空间变异关键影响因素,对比不同比例训练样本下普通克里格插值(ordinary Kriging,OK),仅考虑地理坐标RBF神经网络,耦合关键因素的协同克里格插值(CoKriging,CK)及RBF神经网络(CoRBF)的效果差异,并基于最优方法开展PM2.5浓度空间制图.结果 表明:4种方法均能有效实现PM2.5浓度空间估算,且精度随训练样本比例增大而波动上升.考虑关键因素人口密度的CoRBF最能表现数据变化趋势,而CK在误差指标上更优越.基于CK与CoRBF的PM2.5浓度空间估算结果较好展示了污染的分异特征,前者较后者更平滑.
径向基函数、人工神经网络、克里格插值、大气污染、空间估算
45
P208(一般性问题)
国家重点研发计划;国家自然科学基金;中南大学创新驱动计划
2020-12-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
1642-1650