首页 / 资料库 / 文献详情

基于机器学习的成渝地区空气质量数值预报PM 2.5 订正方法研究

芦华、Lu Hua、Min Xie、Min Xie、吴钲、Wu Zheng、刘伯骏、Liu Bojun

2020Environmental Science被引 1

摘要

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品，采用2018年4个代表月份（1、4、7、10月，分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM2.5浓度和气象要素观测数据，建立基础特征变量数据集（包括训练数据集和测试数据集），通过调整模型参数，并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练，订正了成渝地区PM2.5数值预报.其中，通过Lasso回归算法对成渝地区4个区域分别进行变量优选，优化模型，利用测试数据集对模型进行测试并检验评估.结果表明，基于3种机器学习方法订正后的PM2.5小时浓度相比CMAQ模式模拟预报结果，偏差显著降低，相关系数显著提高.其中，随机森林回归和RNN-LSTM的订正效果优于Lasso回归，区域统计与站点统计结果较为一致；Lasso回归订正后的均方根误差减小50%左右，相关系数达70%，随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右，相关系数达90%，随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄，最大概率分布更集中；3种方法对不同季节的订正效果与全年一致，其中，冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM2.5浓度的大气污染预报能力提供有益参考.

引用本文（GB/T 7714）

DOI：https://doi.org/10.13671/j.hjkxxb.2020.0317