典型文献
基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用
文献摘要：
应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称"ET-BPNN算法"),对4种常规污染物(NO2、O3、PM2.5和PM10)的空气质量模型预报结果进行订正.订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果.结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别减小了30.4％、18.9％、43.3％和38.1％.②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别降低了42.7％、20.1％、19.7％和9.7％.③在易发生污染的秋冬季,ET-BPNN算法对PM2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性.④对O3和PM2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确.研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.
文献关键词：
机器学习;模式集合平均算法;多模式集合预报订正算法(ET-BPNN算法)
中图分类号：
作者姓名：
肖宇
作者机构：
上海市环境监测中心,上海 200030
文献出处：
引用格式：
[1]肖宇-.基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用)[J].环境科学研究,2022(12):2693-2701
A类：
WRFChem,模式集合平均算法
B类：
多机器学习,机器学习算法,质量数,数值预报订正,订正方法,研究及应用,时空耦合,多模式集合,集合预报,正算法,ET,BPNN,常规污染物,NO2,O3,PM2,PM10,空气质量模型,两步,第一步,极端随机树,梯度提升回归树,数值预报模式,CMAQ,CAMx,NAQPMS,污染物浓度,报数,中尺度,气模,气象因子,相对湿度,降水量,观测数据,训练集,择优,选择器,优化效果,第二步,神经网络算法,加权平均,模式订正,订正预报,报值,观测值,秋冬季,同站,报时,算法优化,污染过程,预报效果
AB值：
0.274278
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
