论文部分内容阅读
开展基于空气质量数值模式CMAQ(社区多尺度空气质量模型)预报结果的后校正算法研究.利用集合深度学习方法,对CMAQ的PM2.5(细颗粒物)原始预报结果进行误差订正,以期提高预报准确率.该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型,在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量,对PM2.5预报浓度进行校正,最后求取4个模型的集合结果.将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果,利用2018年的独立样本进行评估,订正预报结果的准确性显著提升,站点5天预报的决定系数R2为0.41～0.60,比原始预报提高60％～160％,均方根误差RMSE降低40％左右;交叉验证的站点预报R2同样提升50％～80％,RMSE下降30％左右.该订正方法的计算效率高,可以部署于业务化预报平台,进行可靠的运行.