基于機器學習的蘭州市空氣質(zhì)量預報方法研究.pdf

1、空氣污染物（特別是PM2.5）嚴重危害人體健康。本文利用2001-2011、2013-2015年蘭州市空氣污染逐日監(jiān)測資料，在分析了蘭州市2001-2011年3種主要污染物SO2、NO2、PM10，2013-2015年6種主要污染物PM10、PM2.5、NO2、SO2、CO和O3的污染特征的基礎上、以2014-2015年歐洲中期天氣預報中心(ECMWF)與T639預報產(chǎn)品為預報因子，并引入小波分解方法，分別建立了基于BP神經(jīng)網(wǎng)絡、最小二

2、乘法支持向量機(LS-SVM)和Elman神經(jīng)網(wǎng)絡的蘭州市6種主要空氣污染物濃度未來2日預報模型，并對預報結果進行檢驗，分析了各建模方法的優(yōu)劣；最后結合以上模型以支持向量回歸方法(SVR)建立了6種主要污染物集合預報模型，并進行仿真業(yè)務化預報檢驗。結果表明:
　　(1)2013-2015年間PM10依然蘭州市的主要污染物，是造成春季重污染天氣的首要原因；2013-2015年SO2年平均濃度相比2001-2011年下降明顯，并且從2

3、013年起低于同期NO2的年平均濃度；O3的年平均濃度逐年增加，在2015年作為首要污染物的天數(shù)大幅度增加，成為夏季的最重要的污染物之一。
　　(2)以LS-SVM建立的6種污染物24h和48h預報模型的評價指標整體好于BP神經(jīng)網(wǎng)絡和Elman神經(jīng)網(wǎng)絡；以BP神經(jīng)網(wǎng)絡建立的模型的穩(wěn)定性相對較差，48h的預報精度衰減幅度最高。
　　(3)以ECMWF建立的預報模型對未來2d的PM10、PM2.5、NO2、SO2和CO的日均質(zhì)量

4、濃度的預報效果好于T639，而T639對預報O3有一定優(yōu)勢。
　　(4)通過小波分解方法對污染物資料進行預處理后，LS-SVM的24h和48h預報模型的預測精度得到有效改善。
　　(5)集合預報模型對6種主要污染物的日均質(zhì)量濃度的24h和48h預報精度比未進行集合處理的模型高；集合預報模型預測的AQI與實際AQI相比，24h和48h預報的平均誤差為9.874和12.315，平均相對誤差為12.4％和15.1%，均方根誤差為1