WRF模型使用： （1）本文主要聚焦于結(jié)果的訂正，WRF主要提供氣象因子。  摘要應(yīng)用多種機器學(xué)習(xí)算法進(jìn)行時空耦合從而建立一種新的多模式集合預(yù)報訂正算法(簡稱“ET-BPNN算法”)，對4種常規(guī)污染物(NO2、O3、PM2.5和PM10)的空氣質(zhì)量模型預(yù)報結(jié)果進(jìn)行訂正.訂正方法分為兩步，第一步中利用隨機森林、極端隨機樹和梯度提升回歸樹3種機器學(xué)習(xí)算法，采用4個空氣質(zhì)量數(shù)值預(yù)報模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物濃度預(yù)報數(shù)據(jù)、中尺度天氣模式(WRF)的氣象因子預(yù)報數(shù)據(jù)(包括2m溫度、2m相對濕度、10m風(fēng)速、10m風(fēng)向、氣壓和小時累計降水量)以及污染物濃度觀測數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練結(jié)果進(jìn)入基于均方根誤差的擇優(yōu)選擇器，選取3種機器學(xué)習(xí)算法中優(yōu)化效果最好的算法；在第二步中利用了BP神經(jīng)網(wǎng)絡(luò)算法，通過加權(quán)平均獲得集合模式訂正預(yù)報結(jié)果.結(jié)果表明：①與模式集合平均算法相比，ET-BPNN算法使NO2、O3、PM2.5和PM10濃度預(yù)報值與觀測值之間的均方根誤差分別減小了30.4%、18.9%、43.3%和38.1%.②ET-BPNN算法的優(yōu)化效果較隨機森林、極端隨機樹和梯度提升回歸樹3個機器學(xué)習(xí)算法有明顯提升，與極端隨機樹算法相比，ET-BPNN算法使NO2、O3、PM2.5和PM10濃度預(yù)報值與觀測值之間的均方根誤差分別降低了42.7%、20.1%、19.7%和9.7%.③在易發(fā)生污染的秋冬季，ET-BPNN算法對PM2.5濃度的預(yù)報具有明顯的優(yōu)化效果，此外該算法明顯縮小了不同站點預(yù)報和不同預(yù)報時效之間的偏差，具有較好的魯棒性.④對O3和PM2.5濃度預(yù)報而言，經(jīng)ET-BPNN算法優(yōu)化后的預(yù)報結(jié)果能夠更好地把握污染過程，對污染物峰值濃度的預(yù)報也較模式集合平均算法更準(zhǔn)確.研究顯示，ET-BPNN算法提高了空氣質(zhì)量模式對污染物濃度的預(yù)報效果。 研究方法  多模式集合預(yù)報設(shè)置 該研究單模式數(shù)據(jù)源自長三角區(qū)域空氣質(zhì)量預(yù)報多模式集合預(yù)報系統(tǒng)，模式區(qū)域的中心經(jīng)緯度為105°E、36°N。 第一區(qū)域取東亞地區(qū)，水平分辨率為27km，水平網(wǎng)格點數(shù)為240×200； 第二區(qū)域為中國東南沿海地區(qū)，水平分辨率為9km，水平網(wǎng)格點數(shù)為238×223； 第三區(qū)域取長江下游地區(qū)，水平分辨率為3km，水平網(wǎng)格點數(shù)為223×202. 4個空氣質(zhì)量模型分別為CMAQ、CAMx、NAQPMS和WRFChem，模式中采用的參數(shù)化方案分別為CBMZ、RADMS、CB05和CB05，排放模型SMOKE為集合系統(tǒng)提供同樣區(qū)域設(shè)置的3層網(wǎng)格化排放源. 算法運行流程 1 第一次優(yōu)化（基于三種算法） 1.1 訓(xùn)練階段 1.2 數(shù)據(jù)準(zhǔn)備
1.3 建模與訓(xùn)練
1.4 預(yù)報階段
2 第二次優(yōu)化（基于BP神經(jīng)網(wǎng)絡(luò)集成） 2.1 輸入數(shù)據(jù)準(zhǔn)備 * * 輸入向量：第一次優(yōu)化后的結(jié)果集，共12個向量來源：
|
|
|
