文献类型：期刊文章

作　　者：王黎明[1] 吴香华[1] 赵天良[2] 程国胜[1] 张祥志[3] 汤莉莉[3] 贾梦唯[2] 陈煜升[2]

机构地区：[1]南京信息工程大学数学与统计学院,南京210044 [2]南京信息工程大学气象灾害预报预警与评估协同创新中心中国气象局气溶胶-云-降水重点实验室,南京210044 [3]江苏省环境监测中心,南京210036

出　　处：《环境科学学报》

基　　金：国家科技支撑计划项目(No.2014BAC22B04);国家自然科学青年基金(No.41505118);国家自然科学基金联合重大研究计划项目(No.91544109);国家环境保护公益性行业科研专项项目(No.201509001)~~

年　　份：2017

卷　　号：37

期　　号：4

起止页码：1268-1276

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSA-PROQEUST、CSCD、CSCD2017_2018、GEOBASE、IC、JST、PROQUEST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：针对目前空气质量统计预报方法存在的主要缺陷,本文提出了距离相关系数和支持向量机回归相结合的统计预报方案DC-SVR.利用淮安市2013年1—12月PM_(2.5)观测资料和常规气象观测资料,首先在选入预报当日气象要素的基础上,增加选取前期污染物和气象要素作为预报因子,再采用距离相关系数分季节从预报因子中筛选出重要预报因子,最后采用支持向量机回归对PM_(2.5)浓度值进行逐日滚动统计预报.研究发现,淮安地区气温和气压对PM_(2.5)的距离相关性要高于其他气象要素,夏秋季PM_(2.5)与气象要素的距离相关性较春冬季好.基于距离相关系数和支持向量机回归建立DC-SVR模型,PM_(2.5)的试预报值和实测值的全年相关系数高达0.76,平均偏差仅为1.13μg·m^(-3),平均绝对误差为23.47μg·m^(-3).通过与支持向量机回归、人工神经网络的统计预报效果对比,DC-SVR模型有效降低预报因子维数且能自适应选取最佳参数,预报精度显著优于其他3种统计预报方案,可为业务化预报提供参考.

关 键 词：PM2.5浓度 距离相关系数  支持向量机回归 统计模型

分 类 号：X513]