基于BP神经网络的污染物浓度多模式集成预报

摘要：

基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品,利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明:(1)相对于单模式,BP神经网络集成预报的3～72h逐3h污染物浓度和观测之间的归一化平均偏差从-100％～200％降低到-20％～20％,污染物浓度和观测的均方根误差比各单模式降低15％以上,相关系数从0.1～0.8提升到0.3～0.85之间,说明其预报结果优于各单模式.(2)2016年AQI等级评估表明,集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22％和10％,在天津重度污染的空报率和漏报率分别降低31％和25％.(3)2016年12月份的重污染过程评估发现,集成模型预报的PM25浓度的演变趋势和实况基本相符.

关键词：多模式集成预报、污染物浓度、BP神经网络

所属期刊栏目：38

分类号：X513(大气污染及其防治)

资助基金：国家重点研发计划课题2016YFC0203301;公益性行业气象科研专项项目GYHY201306070

在线出版日期：2018-07-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：1243-1256