基于BP人工神经网络法沈阳市PM_(2.5)质量浓度集成预报试验

基于CUACE(CMA Unified Atmospheric Chemistry Environment)和CMAQ(Community Multiscale Air Quality)空气质量模式预报产品,应用BP(Back-Propagation)人工神经网络法建立沈阳市不同地点小风和高湿条件下PM_(2.5)浓度集成预报模型,并对预报结果进行检验。结果表明:与单一空气质量模式相比,集成模型预报的PM_(2.5)浓度更接近实测值,预报的PM_(2.5)浓度的平均偏差和归一化均方误差均明显减小,预报的PM_(2.5)浓度的模拟值在观测值两倍范围内的百分比(FAC2)明显提高。集成模型能较好地预报PM_(2.5)浓度高值的变化,且显著提高了沈阳市外围城区PM_(2.5)浓度的预报水平。集成预报模型可以实现CUACE和CM AQ两种空气质量模式产品的最优综合,对空气质量的实时预报具有一定的参考价值。

空气质量模式在重庆主城区预报效果检验订正

针对CUACE和CMAQ模式在重庆市主城区对PM_(2.5)、O_(3)和能见度的预报水平,分别进行了统计检验和分级检验分析,结果表明,CUACE模式对PM_(2.5)预报准确度高于CMAQ模式,对O_(3)和能见度的预报水平较低,略差于CMAQ模式,两种模式对于超标污染物和低能见度天气预报的准确率较低,存在一定的虚报和漏报;通过多元线性回归对预报结果进行订正,并对订正结果进行检验,发现订正后的预报值标准化平均偏差降低至0.5以内,平均平方根误差也明显降低,相关系数显著提高,偏差分布范围变窄,对超标污染物和低能见度天气的预报准确度有所提高.