典型文献
CNN-SVR用于MAX-DOAS预测对流层NO2廓线
文献摘要：
提出一种基于卷积神经网络(CNN)和支持向量回归机(SVR)的多轴差分光学吸收光谱(MAX-DOAS)对流层NO2垂直分布预测方法.将2019年南京站点采集的原始MAX-DOAS数据通过QDOAS软件拟合获取O4和NO2差分斜柱浓度,结合基于最优估算的气溶胶和痕量气体廓线反演算法——PriAM算法反演了对流层NO2廓线,并将其作为预测模型的输出.此外,通过平均影响值方法进行预测模型输入变量的选择,确定了MAX-DOAS数据、温度、气溶胶光学厚度和低云覆盖率为模型的最佳输入变量.通过实验优化网络结构和参数,最终建立预测模型在测试集与PriAM的平均百分比误差仅为9.14％,与单独建立的CNN、SVR、反向传播模型相比,平均百分比误差分别降低了8.22％、6.00％、32.28％.因此,CNN-SVR能够利用MAX-DOAS数据对对流层NO2廓线进行有效预测.
文献关键词：
大气光学;卷积神经网络;支持向量回归机;多轴差分吸收光谱;对流层NO2廓线
中图分类号：
作者姓名：
潘屹峰;田鑫;谢品华;李昂;徐晋;任博;黄骁辉;田伟;王子杰
作者机构：
安徽大学物质科学与信息技术研究院安徽省信息材料与智能传感实验室,安徽合肥230601;中国科学院安徽光学精密机械研究所环境光学与技术重点实验室,安徽合肥230031;中国科学院区域大气环境研究卓越创新中心,福建厦门361021;中国科学技术大学环境科学与光电技术学院,安徽合肥230026
文献出处：
引用格式：
[1]潘屹峰;田鑫;谢品华;李昂;徐晋;任博;黄骁辉;田伟;王子杰-.CNN-SVR用于MAX-DOAS预测对流层NO2廓线)[J].光学学报,2022(24):1-9
A类：
QDOAS,PriAM,多轴差分吸收光谱
B类：
SVR,MAX,对流层,NO2,支持向量回归机,光学吸收,垂直分布,分布预测,南京站,数据通,O4,斜柱,柱浓度,痕量气体,反演算法,平均影响值,模型输入,气溶胶光学厚度,低云,实验优化,测试集,反向传播,传播模型,对对,大气光学
AB值：
0.274903
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。
