论文部分内容阅读
空气污染物(特别是PM2.5)严重危害人体健康。本文利用2001-2011、2013-2015年兰州市空气污染逐日监测资料,在分析了兰州市2001-2011年3种主要污染物SO2、NO2、PM10,2013-2015年6种主要污染物PM10、PM2.5、NO2、SO2、CO和O3的污染特征的基础上、以2014-2015年欧洲中期天气预报中心(ECMWF)与T639预报产品为预报因子,并引入小波分解方法,分别建立了基于BP神经网络、最小二乘法支持向量机(LS-SVM)和Elman神经网络的兰州市6种主要空气污染物浓度未来2日预报模型,并对预报结果进行检验,分析了各建模方法的优劣;最后结合以上模型以支持向量回归方法(SVR)建立了6种主要污染物集合预报模型,并进行仿真业务化预报检验。结果表明:(1)2013-2015年间PM10依然兰州市的主要污染物,是造成春季重污染天气的首要原因;2013-2015年SO2年平均浓度相比2001-2011年下降明显,并且从2013年起低于同期NO2的年平均浓度;O3的年平均浓度逐年增加,在2015年作为首要污染物的天数大幅度增加,成为夏季的最重要的污染物之一。(2)以LS-SVM建立的6种污染物24h和48h预报模型的评价指标整体好于BP神经网络和Elman神经网络;以BP神经网络建立的模型的稳定性相对较差,48h的预报精度衰减幅度最高。(3)以ECMWF建立的预报模型对未来2d的PM10、PM2.5、NO2、SO2和CO的日均质量浓度的预报效果好于T639,而T639对预报O3有一定优势。(4)通过小波分解方法对污染物资料进行预处理后,LS-SVM的24h和48h预报模型的预测精度得到有效改善。(5)集合预报模型对6种主要污染物的日均质量浓度的24h和48h预报精度比未进行集合处理的模型高;集合预报模型预测的AQI与实际AQI相比,24h和48h预报的平均误差为9.874和12.315,平均相对误差为12.4%和15.1%,均方根误差为14.033和17.095;空气质量指数等级的24h预报率为76.7%,漏报率为9.1%,误报率为14.2%;48h的预报率为71.5%,漏报率为11.0%,误报率为17.5%;集合模型对首要污染物的24h预报率为76.3%,48h预报率为70.0%。本文研究结果对提高兰州空气质量业务预报能力具有一定参考价值。