利用BP神经网络提高奥运会空气质量实时预报系统预报效果

将BP(Back Propagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。     

兰州市空气质量预报系统结构及效果检验

文中从潜势预报、浓度预报、统计预报和数值预报 4方面介绍了兰州市空气质量预报业务系统的研究方法和结构特点。对 2 0 0 1年 4～ 10月兰州市空气质量预报与日报 (实况 )进行了分析研究 ,结果表明 ,该系统对兰州市空气质量预报有较强的预报能力 ,适用于兰州市空气质量预报业务。     

郑州市空气质量统计预报方法探讨

根据2005年、2006年采暖期RegCM 3模式输出产品和郑州市环境监测中心逐日监测资料,利用逐步回归方法建立了PM10、SO2、NO2等污染物质量浓度预报方程。该方法在2007年采暖期的试报中效果不理想,预报准确率明显低于历史拟合率。为了提高预报准确率,针对目前采用的统计方法中存在的不足,即在选择预报因子时没有考虑预报因子之间的相关性,挑选的预报因子由于非正交,使回归计算的结果不稳定。将自然正交分解和多元回归分析结合起来,以采暖期各污染物的日均质量浓度为预报对象,建立预报模型。结果表明,采用新方法制作的空气质量预报准确率有一定程度提高。     

合肥市空气质量预报方法

通过对空气污染预报方法的研究，采用MOS预报方法、卡尔曼滤波方法分别建立适合于合肥市空气污染特点的预报模式，为开展空气污染预报提供了必要的技术基础。     

2007-2008年武汉市空气质量预报和检验

通过开展武汉市空气质量预报研究,研讨武汉市空气质量状况。结果表明：2007-2008年武汉市空气质量优良的出现频率为77.6％,且未出现超过轻度污染的情况,其中夏季空气质量明显好于其他季节。经验证,采用逐步线性回归法建立的预报模型对武汉市空气质量具有一定的预报能力,级别预报准确率达78.1％。统计各级预报准确率发现,此方法较适用于空气质量为Ⅱ级的情况,提出在使用时应结合天气预报和前一日空气质量监测实况对预报结果进行修正。     

武汉市空气质量预报与检验

简单介绍了城市空气污染指数预报系统（CAPPS）的功能和特点；给出了空气污染预报条件分级的评价标准及其内容描述，根据污染指数将污染等级划分为5个级别，并指出了不同程度的空气污染可能对人体造成的不利影响以及相应的预防措施；最后，对武汉市近年来空气质量状况与预报结果进行了讨论。     

CAPPS模式在铜川空气质量预报中的效果检验

通过对2003年1-12月铜川市区、新区污染物监测值与 CAPPS模式预报值的对比分析发现,CAPPS模式预报正确率存在明显的要素差异,NO2预报正确率很高,年平均正确率在90%以上,SO2次之,年平均70%左右,PM10预报正确率较低,年平均55%左右;该模式预报正确率有明显的地域差异,铜川市区的预报正确率比新区明显偏低;同时该模式预报正确率存在明显的季节差异,冬半年比夏半年预报结果差,以SO2表现最明显.该模式空漏报率NO2最低,SO2次之,PM10最高,漏报率存在明显的季节差异,空报率季节之间差异较小,但在地域上空报率差异明显.分析了产生误差的原因.     

商丘市空气质量统计预报方法

利用商丘市2002年5月24日～2003年9月23日的空气污染浓度资料和同期气象观测资料,分析了商丘市空气质量的时间分布规律及影响商丘市空气中PM10、SO2和NO2浓度的气象因子,并用多元线性回归方法建立了商丘市空气质量预报方程.     

利用MM5模式输出产品制作空气质量预报方法探讨

根据2004年中尺度数值预报模式MM5输出产品和临沂市环境监测中心逐日监测资料建立了各污染物浓度预报方程,在2005年夏季的试报中,该方程的试报效果较差,其预报准确率明显低于其历史拟合率。为了提高预报准确率,利用逐步回归筛选的因子及统计模型研究中的有关数据,探讨了使用卡尔曼滤波方法制作空气污染物浓度预报的问题。分析发现,利用卡尔曼滤波方法制作空气质量预报可以取得比较满意的效果。     

商丘市空气质量统计预报方法

利用商丘市2002年5月24日~2003年9月23日的空气污染浓度资料和同期气象观测资料,分析了商丘市空气质量的时间分布规律及影响商丘市空气中PM10、SO2和NO2浓度的气象因子,并用多元线性回归方法建立了商丘市空气质量预报方程。     

忻州市空气质量日报与预报方法

采用环保监测部门大气质量监测点污染物的自动采样数据，根据常规气象观测资料和数值预报产品，输入城市中各监测点的污染物指数后，就可以较为及时准确地预报出未来空气质量，计算结论与环保部门会商后通过电视等多种媒体面向社会公众服务。污染指数的预报准确率达76％。     

气象因子对太原地区空气质量的影响研究

利用2017—2019年太原小店区气象与空气质量指数逐时数据,分析了气象因子对空气质量指数的影响,对易污染月份空气质量进行了深入分析,利用神经网络方法构建了气象因子与空气质量指数的关系模型,并与逐步回归模型进行了对比。结果表明:(1)2017—2019年太原地区空气质量6个等级均出现过,其中,良占比最大,为51.9%;严重污染等级最少,为1.9%。每年8月空气质量最好,1月空气质量最差,11月—次年2月为易污染月份。(2)气温、风速、气压对空气质量指数的影响主要表现为负相关,9月—次年2月呈显著负相关;降水主要表现为负相关;相对湿度对空气质量指数影响较大,8月—次年3月呈显著正相关,6—7月呈显著负相关。(3)易污染月份,太原地区空气质量以良为主,占40.7%;其次为轻度污染,占24.8%;严重污染占4.6%。相对湿度、风速对空气质量影响较大,表现为强相关。(4)神经网络构建的气象因子与空气质量指数的关系模型,与逐步回归分析模型相比,准确率由91%提高到94%。神经网络模型模拟效果更佳,为太原地区治理大气污染提供重要的参考价值。     

冬小麦农田不同高度极端气温预测[ ]

利用2019年1月—2022年6月冬小麦农田小气候自动观测站观测的数据和齐河县国家基本气象观测站同期观测资料,采用多元线性回归和BP神经网络方法,建立冬小麦农田30 cm、60 cm、150 cm日最高和日最低气温预测模型。结果表明:两种模型对农田气温的预测效果均较好,阴天条件下150 cm最高气温预测效果最好;晴天条件下30 cm最高气温预测效果最差。两模型模拟结果分层次看,农田气温的模拟精度150 cm>60 cm>30 cm;分天气类型看,多元回归模型农田各层气温的模拟精度阴天>多云>晴天,BP神经网络模型农田30 cm、60 cm最高气温的模拟精度多云>阴天>晴天,农田30 cm最低气温的模拟精度多云与阴天相同,均大于晴天,农田60 cm最低气温的模拟精度晴天>多云>阴天,农田150 cm最高及最低气温的模拟精度晴天与多云相同,均大于阴天;分要素看,30 cm最低气温的模拟精度高于最高气温、60 cm和150 cm最高气温的模拟精度高于最低气温。通过比较,BP神经网络模型的预测精度比多元线性回归模型的预测精度高。两种模型均能满足冬小麦农田气温的预测需求。     

区域空气质量数值预报模型

给出了区域尺度空气质量数值预报模型的基本物理构架, 重点介绍了欧拉型输送／沉降模式对各种物理 （沉降、输送）、化学 （气相化学与液相化学） 过程、初值与边界条件等问题的处理／简化; 利用本模型作了一周的预报实验, 实验结果与分析说明, 区域空气质量数值预报模型能够较好地反映全国重点城市的空气质量以及污染物随时间的演变态势; 最后, 指出了需要进一步完善的工作。     

一种逐时气温预报方法

利用2006~2010年陕西10地市逐小时的气温和逐日的最高气温、最低气温、平均总云量、降水量资料,通过线性回归方法建立了一种基于日最高气温和最低气温预报以及临近气温实况资料的逐时气温预报模型,并对2011年每天的逐时气温预报进行检验。结果表明:该方法在晴天、多云和阴雨天的预报能力依次减弱,其中晴天和多云天02~18时的预报效果好于19时至次日01时的,而阴雨天01~10时的预报效果好于其它预报时段的;当日最高气温和最低气温预报较为准确时,西安站各预报时刻的准确率均在60%以上,其中14~17时的准确率较高,晴天的达到100%,多云天的在96%~99%之间,阴雨天的准确率偏低一些,特别是11~17时较晴天和多云天偏低了12%~27%;该方法可以将24 h日最高(低)气温预报细化到逐时气温预报,同时考虑了气温日变化的地域差异、季节特征、以及在晴天、多云和阴雨天的不同表现,具有一定的业务应用和推广价值。     

广东省空气质量预报系统

文章介绍了广东省气象系统开展空气质量预报的概况，包括使用的预报工具，其预报能力与业务运行的预报质量分析，以及进一步提高预报水平的一些设想。     

城市空气质量预报质量评估系统的研制及应用

根据《气象部门空气质量预报质量考核和管理暂行办法》中的方法，编制了一套适合全国47个重点环境保护城市的空气质量预报质量评分系统，并在武汉投入了初步应用，该评分标准科学，系统运行稳定。     

广西气象台城市空气质量预报业务系统

介绍广西气象台城市空气质量预报业务系统的流程规范、设计思想、技术路线和功能模块     

全国网格化多模式集成空气质量预报的初步建立

为降低单个模式预报的不确定性和提高多模式集成空气质量预报系统的精细化程度,利用Cressman插值初步建立了我国0.25°X0.25°网格化污染物实况。结合4套空气质量数值预报模式,通过均值集成、权重集成和多元线性回归集成分别逐格点建立了集成预报。在预报当天各单一模式和集成方法前50 d预报效果评估基础上,建立了最优集成预报。对2018年12月19一22日一次重污染过程中集成预报的PM_(2.5)浓度评估结果显示:在污染较重时刻,最优集成预报与观测之间的归一化平均偏差(NMB)值在重污染地区保持在—20%～40%,对污染程度为良及以上区域的预报范围相较于单个模式更接近观测。整个过程中,最优集成在大部分污染区域与观测之间的NMB值为—20%～20%,均方根误差(RMSE)值为35～75μg·m~(-3),相关系数(R)值大于0.4。相较于所有单一模式和其他集成方法,最优集成在全国最多的格点有着较高的总体评分。在污染最重区域的8个城市,最优集成预报的污染过程平均开始和结束时间分别比观测时间早1.8和6.9 h。未来需融合卫星反演和地表观测来提高网格化污染物实况的精细化程度,利用降尺度、主客观融合和滚动订正等方法进一步提高网格化多模式集成空气质量预报的准确率。