10.3969/j.issn.1000-6923.2023.07.003
上海市PM2.5浓度延伸期预测模型的构建及评估
基于PM2.5浓度、次季节到季节预测项目(S2S)三家模式(CMA、UK和ECMWF)历史回报气象要素(2000-2014年)作为预测因子,利用长短时记忆神经网络(LSTM)深度学习方法和轻量级梯度提升机(LGBM)算法开发了上海PM25延伸期预测模型,并应用LSTM模型建立了上海秋冬季(11月～次年2月)PM2.5浓度延伸期预测融合模型.结果显示:融合模型11～40d逐候预测与实况的相关系数为0.47～0.76,比单一模型相关系数上升23.5％～31.1％;融合模型RMSE介于19～25.1 μg/m3之间,较单一模型下降19％～19.3％.融合模型能够较好地预报出未来11～40d上海秋冬季PM2.5浓度的总体趋势、浓度峰值谷值的变化及发生时间等关键特征,逐候HSS技巧评分在0.18～0.5之间,显示出较好的预测技巧.对于典型污染过程个例的预测而言,融合模型在不同的预测时效预测准确率存在差异,提前11-40d的总体预测准确率为75.5％.对于持续3d及以上的3次污染过程,11～40d预测准确率达到100％.融合模型的预报时效可达40d,是目前污染数值预报模型(一般96～240h)预报时效的近4倍,且运算速度快,能够节省大量计算资源和时间成本.
机器学习、S2S、PM2.5延伸期预测
43
X513(大气污染及其防治)
国家自然科学基金;国家自然科学基金
2023-08-24（万方平台首次上网日期，不代表论文的发表时间）
共9页
3290-3298
