文献类型：期刊文章

作　　者：李娟[1] 尉鹏[2] 戴学之[2] 赵森[3] 张博雅[2] 吕玲玲[2] 胡京南[2]

LI Juan;WEI Peng;DAI Xuezhi;ZHAO Sen;ZHANG Boya;Lü Lingling;HU Jingnan(College of Geomatics,Xi′an University of Science and Technology,Xi′an 710054,China;Atmospheric Sciences Research Center,Chinese Research Academy of Environmental Sciences,Beijing 100021,China;Hefei Meteorological Bureau,Hefei 230041,China)

机构地区：[1]西安科技大学测绘科学与技术学院,陕西西安710054 [2]中国环境科学研究院大气环境研究所,北京100021 [3]合肥市气象局,安徽合肥230041

出　　处：《环境科学研究》

基　　金：国家重点研发计划项目(No.2017YFC0212202)。

年　　份：2021

卷　　号：34

期　　号：4

起止页码：872-881

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、NSSD、PROQUEST、RCCSE、RWSKHX、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为提高西安市ρ(PM_(2.5))及ρ(O_(3))预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_(2.5))及ρ(O_(3))观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_(2.5)及O_(3)模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_(2.5))及ρ(O_(3))的均方根误差(RMSE)由174.00、37.11μg/m^(3)分别降至34.36~39.37、24.77~28.82μg/m^(3),相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_(2.5)优化效果显著,优化提高率为80%;支持向量机对O_(3)的优化效果最理想,优化提高率为36%;线性回归方法对O_(3)的优化效果较好,但对PM_(2.5)的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.

关 键 词：WRF CAMX 机器学习  PM_(2.5)  O_(3)  

分 类 号：X513]