10.3969/j.issn.1000-6923.2018.04.004
基于BP神经网络的污染物浓度多模式集成预报
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.
多模式集成预报、污染物浓度、BP神经网络
38
X513(大气污染及其防治)
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
2018-07-30(万方平台首次上网日期,不代表论文的发表时间)
共14页
1243-1256