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。

基于机器学习的珠三角秋季臭氧浓度预测

基于2015~2022年珠三角地区的臭氧(O_(3))日最大8 h浓度平均值[MDA8-O_(3),ρ(O_(3)-8h)]的观测数据和气象再分析数据,运用支持向量回归(SVR)、随机森林(RF)、多层感知机(MLP)和轻量级梯度提升机(LG)这4种机器学习方法,建立MDA8-O_(3)预测模型.结果表明,对于全年MDA8-O_(3)预测而言,SVR模型的效果最好,决定系数(R^(2))达0.86,均方根误差(RMSE)和平均绝对误差(MAE)分别为16.3μg·m^(-3)和12.3μg·m^(-3);对于秋季MDA8-O_(3)预测而言,SVR模型的效果依然略优于LG和MLP,其R2、RMSE和MAE分别为0.88、19.8μg·m^(-3)和16.1μg·m^(-3),RF模型在秋季的预测效果最差.采用全年数据构建的模型对秋季MDA8-O_(3)的预测效果比仅采用秋季数据构建的模型效果好,R2相差0.08~0.14.