随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型(Community Multi-Scale Air Quality,CMAQ)为工具,结合中尺度WRF(Weather Research and Forecast Model)...随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型(Community Multi-Scale Air Quality,CMAQ)为工具,结合中尺度WRF(Weather Research and Forecast Model)气象预报数据、气象观测数据、污染物浓度观测数据,基于极端随机树方法建立了WRF-CMAQ-MOS(Weather Research and Forecast Model-Community Multi-Scale Air Quality-Model Output Statistics)统计修正模型。结果表明,结合WRF气象预报的CMAQ-MOS方法明显修正了由于模型非客观性产生的模式预报偏差,提高了预报效果。使用线性回归方法不能获得较好的优化效果,选取极端随机树方法和梯度提升回归树方法对模型进行改进和比较,发现极端随机树方法对结合WRF气象要素的CMAQ-MOS模型有较大的提升。针对徐州地区空气质量预报,进一步使用基于极端随机树方法的WRF-CMAQ-MOS模型对2016年1、2、3月的空气质量指数(AQI)及PM_(2.5)、PM_(10)、NO_2、SO_2、O_3、CO六种污染物优化试验进行验证,发现优化效果最为明显的两种污染物分别是NO_2及O_3,2016年1、2、3月整体相关系数NO_2由0.35升至0.63,O_3由0.39升至0.79,均方根误差NO_2由0.0346减至0.0243 mg/m^3,O_3由0.0447减至0.0367 mg/m^3。文中发展的WRFCMAQ-MOS统计修正模型可以有效提升预报精度,在空气质量预报中具有很好的应用前景。展开更多
文摘随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型(Community Multi-Scale Air Quality,CMAQ)为工具,结合中尺度WRF(Weather Research and Forecast Model)气象预报数据、气象观测数据、污染物浓度观测数据,基于极端随机树方法建立了WRF-CMAQ-MOS(Weather Research and Forecast Model-Community Multi-Scale Air Quality-Model Output Statistics)统计修正模型。结果表明,结合WRF气象预报的CMAQ-MOS方法明显修正了由于模型非客观性产生的模式预报偏差,提高了预报效果。使用线性回归方法不能获得较好的优化效果,选取极端随机树方法和梯度提升回归树方法对模型进行改进和比较,发现极端随机树方法对结合WRF气象要素的CMAQ-MOS模型有较大的提升。针对徐州地区空气质量预报,进一步使用基于极端随机树方法的WRF-CMAQ-MOS模型对2016年1、2、3月的空气质量指数(AQI)及PM_(2.5)、PM_(10)、NO_2、SO_2、O_3、CO六种污染物优化试验进行验证,发现优化效果最为明显的两种污染物分别是NO_2及O_3,2016年1、2、3月整体相关系数NO_2由0.35升至0.63,O_3由0.39升至0.79,均方根误差NO_2由0.0346减至0.0243 mg/m^3,O_3由0.0447减至0.0367 mg/m^3。文中发展的WRFCMAQ-MOS统计修正模型可以有效提升预报精度,在空气质量预报中具有很好的应用前景。
