论文部分内容阅读
随着气象科技的不断发展,空气质量预报技术也在不断完善。空气质量数值预报方法主要是通过气象模式模拟大气运作流程,考虑大气中各个因素的相互影响进而预报污染物浓度,最终预报空气质量。由于数值预报的初始条件存在不确定性,以及模式本身误差和大气混沌特性等,导致模式预报存在较大误差。多模式集成技术是解决数值预报不确定性问题的一种方法,能够综合各模式优点,减小模式预报误差。神经网络集成方法在降水和温度预报中已有应用,但在空气质量模式集成预报上的研究较少。本文提出了基于神经网络的空气质量预报多模式集成技术,比较了多个神经网络集成模型对每个污染物的适用性,找出适用于空气质量预报的集成方法。进而对该模型的学习算法进行改进,并利用改进的粒子群算法对模型进行优化。本文的核心内容如下:(1)评估了 CUACE、BREMPS和WRF-Chem三个环境气象模式在京津冀重点城市的预报能力。研究了算术平均集成、权重集成以及多元线性回归集成等传统集成方法,实验结果表明,传统的方法存在明显不足。(2)建立了基于BP神经网络的多模式集成模型,通过敏感性实验确定了训练样本长度和BP网络参数,实验结果表明,该方法相对于单一业务模式而言,有效改善了模式预报结果,提高了空气质量预报的准确率。(3)为了找到预报精度更高的神经网络集成方法,本文研究了 RBF神经网络、Elman神经网络、小波神经网络和T-S模糊神经网络集成方法在空气质量多模式集成预报中的适用性。通过敏感性实验确定各类型神经网络模型预报PM2.5、PM10、CO、NO2、O3和SO2的最佳参数,然后将不同类型集成模型预报的6种污染物结果与BP神经网络模型进行比较。实验结果表明,小波神经网络集成方法更适用于空气质量多模式集成预报。(4)针对小波神经网络训练速度缓慢,本文提出对小波神经网络算法添加动量因子以满足业务时效性需求。实验结果表明,改进的小波神经网络集成模型提高了网络学习效率,且预报效果优于原模型。(5)针对小波神经网络的训练容易陷入局部最优的问题,本文研究了粒子群算法,采用带变异算子的非线性惯性权重对粒子群算法进行改进,并将其用于改进后的小波神经网络的连接权值和参数的自适应学习和确定。实验结果表明,改进后的粒子群算法和改进的小波神经网络的结合有效地提高了模型的预报精度,降低了预报误差。本文提出了基于神经网络的多模式集成技术,丰富了空气质量集成预报方法。通过大量对比实验,证明本文多模式集成技术能够有效提高污染物浓度预报准确性,降低预报误差,为政府防控和人们出行提供科学参考。