利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

张斌¹, 吕宝磊², 王馨陆³, 张雯娴^3,?, 胡泳涛⁴

1. 新疆生产建设兵团环境保护科学研究所, 乌鲁木齐 8300022. 华云升达(北京)气象科技有限责任公司, 北京 1022993. 杭州矮马科技有限公司, 杭州 3111214. School of Civil and Environmental Engineering, Georgia Institute of Technology, Atlanta, GA 30332

收稿日期:2019-09-11修回日期:2019-10-12出版日期:2020-09-20

基金资助:矮马科技自主研发项目(研字2016-003)和华云集团科技项目(HYKJXM-201803)资助

Improving Air Quality Forecast Accuracy in Urumqi-Changji-Shihezi Region Using an Ensemble Deep Learning Approach

ZHANG Bin¹, Lü Baolei², WANG Xinlu³, ZHANG Wenxian^3,?, HU Yongtao⁴

1. Xinjiang Bingtuan Environmental Protection Sciences Research Institute, Urumqi 8300022. Huayun Sounding Meteorological Technology Company, Ltd., Beijing 1022993. Hangzhou AiMa Technologies, Hangzhou 3111214. School of Civil and Environmental Engineering, Georgia Institute of Technology, Atlanta, GA 30332

Received:2019-09-11Revised:2019-10-12Published:2020-09-20

PDF

(1136KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 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PM_2.5 (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PM_2.5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。

引用本文

张斌, 吕宝磊, 王馨陆, 张雯娴, 胡泳涛. 利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例[J]. 北京大学学报自然科学版, 2020, 56(5): 931-938.
ZHANG Bin, Lü Baolei, WANG Xinlu, ZHANG Wenxian, HU Yongtao. Improving Air Quality Forecast Accuracy in Urumqi-Changji-Shihezi Region Using an Ensemble Deep Learning Approach[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(5): 931-938.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3531