气流后向轨迹和门限重复单元的PM2.5预报     

《测绘科学》2020,(3)

针对目前我国实时的空气质量预报不适合重污染天气的问题,该文提出了一种基于气流后向轨迹模型和门限重复单元神经网络的PM2.5浓度预报方法。该方法通过气流后向轨迹模型将区域异地传输效应进行量化,从而为待预报站点提供额外的区域传输预后因子(预后因子即是对未来情况的预估),将待预报站点区域传输预后因子和气象因子加入预报模型,利用GRU模型模拟区域PM2.5浓度的时序连续变化特征,建立1～72 h的PM2.5浓度实时预报模型。实验结果表明,区域传输预后因子的加入,能够很好地量化其他站点对于待预报站点的PM2.5浓度预报影响,提高PM2.5预报模型整体预报精度。  相似文献   

融机器学习与WRF大气模式的PM2.5预报方法     

侯俊雄  李琦  朱亚杰  冯逍  林绍福 《测绘科学》2018,(2):114-120,141

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0~72h的PM2.5浓度实时预报模型。实验证明,该模型能够对0~72h单站点的PM2.5浓度进行较高精度的实时预报,且在24~72h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。  相似文献   

融合机器学习与WRF大气模式的PM2.5预报方法     

侯俊雄  李琦  朱亚杰  冯逍  林绍福 《测绘科学》2018,(2)

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0～72 h的PM2.5浓度实时预报模型。实验证明,该模型能够对0～72 h单站点的PM2.5浓度进行较高精度的实时预报,且在24～72 h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。  相似文献   

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究          下载免费PDF全文

王勇  任栋  刘严萍  李江波 《武汉大学学报(信息科学版)》2019,44(8):1198-1204

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知,但PM2.5浓度监测积累时间较短,且受到排放强度和气象因素的影响,因此可融合全球导航卫星系统（Global Navigation Satellite System,GNSS）天顶可降水量（precipitable water vapor,PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例,首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析;然后将大气污染物、GNSSPWV和风速作为输入,PM2.5浓度作为输出,利用逆传播（back propagation,BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型;最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现,预测PM2.5浓度等级准确率高,相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。  相似文献   

基于支持向量回归的PM2.5浓度实时预报     

朱亚杰  李琦  侯俊雄  冯逍  范竣翔 《测绘科学》2016,41(1):12-17,22

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归方法对北京市地面空气质量监测数据和气象数据进行分析,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。  相似文献   

基于随机森林的PM2.5实时预报系统     

侯俊雄  李琦  朱亚杰  冯逍  毛曦 《测绘科学》2017,42(1)

针对我国当前重污染天气PM2.5浓度的实时预报问题,该文提出了一种基于随机森林算法的PM2.5浓度实时预报方法,并利用此方法对北京市地面空气质量监测数据和气象数据进行分析,建立了基于随机森林算法的PM2.5浓度实时预报模型。实验证明,该模型能够对72h内PM2.5浓度进行较高精度的实时预报,通过使用Spark分布式计算框架,能够有效降低算法耗时,文章基于此模型与Spark分布式计算框架建立了PM2.5实时预报系统。  相似文献   

卷积神经网络的PM2.5预报模型     

吴春霖  李琦  侯俊雄  KARIMIAN Hamed  陈工 《测绘科学》2018,(8):68-75

针对目前基于机器学习的PM2.5预报模型无法充分利用研究区域内其他相关站点的数据问题,该文提出了一种区域时空点数据的表示方法,并在此基础上提出了基于卷积神经网络的PM2.5预报模型。该模型利用了区域内多站点的历史PM2.5实测数据以及相应的气象预报数据,对区域内任一站点PM2.5浓度进行预报。实验结果显示,该模型在京津冀区域内能对未来至少3d内的PM2.5浓度进行较高精度的预报。与基于单站点的前馈神经网络预报结果对比表明,对区域整体污染及气象状况建模的卷积神经网络模型预报精度更高。该模型对区域内所有站点的预测结果与地面实测值的分布基本一致,表明了该模型具有对区域内PM2.5浓度进行时空预报的能力。  相似文献   

基于RNN的空气污染时空预报模型研究   总被引：2，自引：0，他引：2  

范竣翔  李琦  朱亚杰  侯俊雄  冯逍 《测绘科学》2017,42(7)

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。  相似文献   

基于深度学习的中国连续空间覆盖PM2.5浓度预报     

毛文婧  王卫林  焦利民  刘安宝 《测绘学报》2022,51(3):361-372

实现全国连续空间覆盖未来小时尺度的PM_2.5浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM_2.5浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM_2.5浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM_2.5浓度精细化制图。然后,利用2016—2019年中国PM_2.5监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R²分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM_2.5浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。  相似文献   

基于数据同化的长春市雾霾反演与空间特征分析     

徐则双  王明常  牛雪峰  王凤艳  李启源 《测绘与空间地理信息》2018,(4):33-36

近年随着长春地区冬季雾霾天气的频繁出现,大气可吸入颗粒物(PM2.5)已成为长春地区的主要空气污染物之一。遥感技术与污染物模型相结合是近年来预报空气质量的一种有效方法。本文以2015—2016年长春市冬季雾霾天气为例,利用MODIS遥感影像获取的气溶胶光学厚度(AOD),反演长春市地表PM2.5浓度值,得到长春市空气污染物空间分布图,并分析长春市空气污染物的时空分布特征。同时利用AOD反演的PM2.5浓度值作为数据同化资料,对长春市地表PM2.5浓度值进行预报,预测结果令人满意。研究结果表明:数据同化与遥感信息技术结合进行雾霾预测是一种有效的手段,可为雾霾反演的数据提供可靠的信息。  相似文献