基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O_(3))预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O_(3)污染命中率明显提高,O_(3)污染漏报率明显减少,O_(3)污染空报率略有增加;人工神经网络集合预报对O_(3)污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O_(3)重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。

化工区挥发性有机物与臭氧污染特征分析

为了解上海市奉贤区某化工区挥发性有机物与臭氧污染特征,根据2019-2020年奉贤区空气质量自动监测站O_(3)日最大8 h滑动平均浓度及化工区特征因子站挥发性有机物在线监测数据,本文分析了O_(3)浓度较高时期(5-9月)该区域VOCs与O_(3)的相关性。结果表明,观测期间,VOCs与O_(3)之间变化波动幅度接近,当VOCs日均浓度持续升高时,O_(3)浓度也不断上升。因此,要想实现O_(3)的有效控制,就要优先控制VOCs污染。