排序方式： 共有3条查询结果，搜索用时 46 毫秒
1
1.
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
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
3.
针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。 相似文献
1
