看过本文的还看了

相关文献

该作者的其他文献

CADAL相关文献

文献详情 >应用机器学习算法的成都市冬季空气污染预报研究 收藏

应用机器学习算法的成都市冬季空气污染预报研究

Air pollution forecast in winter based on machine learning method in Chengdu

作     者:孙苏琪 王式功 罗彬 杜云松 张巍 SUN Su-qi;WANG Shi-gong;LUO Bin;DU Yun-song;ZHANG Wei;Plateau Atmosphere and Environment Key Laboratory of Sichuan Province/College of Atmospheric Sciences,Chengdu University of Information Technology;Zunyi Academician Center,Chinese Academy of Sciences & Chinese Academy of Engineering;Sichuan Province Environmental Policy Research and Planning Institute;Sichuan Environmental Monitoring Center

作者机构:成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室 贵州省遵义院士工作中心气候环境与医疗康养重点实验室 四川省环境政策研究与规划院 四川省生态环境监测总站 

出 版 物:《气象与环境学报》 (Journal of Meteorology and Environment)

年 卷 期:2020年第36卷第2期

页      面:98-104页

学科分类:07[理学] 0706[理学-大气科学] 070602[理学-大气物理学与大气环境] 

基  金:国家自然科学基金重大研究计划重点支持项目(91644226)和面上项目(41775147) 四川省重大科技专项(2018SZD ZX0023) 国家重点研发计划“全球变化及应对”重点专项(2016YFA0602004)共同资助 

主  题:空气污染预报 递归特征消除法 随机森林方法 

摘      要:利用2014年3月至2017年2月成都市8个环境监测站的PM2. 5、PM10、SO2、NO2、CO、O3共6种污染物质量浓度资料以及T639全球中期数值预报模式产品,采用两种机器学习算法—递归特征消除法(Recursive feature elimination,RFE)和随机森林方法,构建了成都市冬季5种(O3除外,因为其冬季污染较轻)污染物浓度的预报模型,并对模型的预报效果进行了评价。结果表明:基于RFE模型的5种污染物预报值与实测值的均方根误差值分别为47. 58μg·mm-3、72. 10μg·mm-3、8. 87μ·mm-3、0. 59 mg·mm-3、19. 84μg·mm-3;基于随机森林模型的5种污染物预报值与实测值均方根误差值分别为23. 94μg·mm-3、20. 98μg·mm-3、2. 40μg·mm-3、0. 16 mg·mm-3、8. 09μg·mm-3,随机森林模型对各污染物浓度的预报效果均优于RFE模型,说明该预报方法性能良好,可为成都市冬季空气质量业务化预报提供技术支持和防控依据。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分