基于逐步回归和神经网络的北京市能见度预报对比

发布时间：2021-12-18 09:59

　　在研究北京市能见度变化特征的基础上,利用北京市环境监测站2015-2017年的空气污染物检测数据及同期美国国家环境预报中心的全球预报系统数值资料,筛选出主要的预报因子,分别用神经网络和多元逐步回归法建立预报模型,并进行试预报检验.结果表明,神经网络预报效果优于多元逐步回归,平均预报准确率达到75%（多元逐步回归为66%）.神经网络在0～10 km能见度预报方面能够取得更好的效果,预测数据与观测值更为接近. 

【文章来源】：兰州大学学报(自然科学版). 2020,56(04)北大核心CSCD

【文章页数】：5 页

【部分图文】：

2015-2017年北京市四季平均能见度日变化

选取北京市2016年12月1日08:00-12月5日08:00由严重雾霾引起的一次持续低能见度天气作为案例.图3为神经网络模型与多元逐步回归方程预报的能见度与此次天气过程能见度观测的实况对比.由图3可见,神经网络对能见度的逼近度比多元逐步回归方程要高,尤其在能见度低于5 km时更能反映大气能见度的实际变化,对持续低能见度天气有更高的预报准确率.图3 北京市2016年12月一次低能见度天气的实况值与两种模型预报值对比

北京市2016年12月一次低能见度天气的实况值与两种模型预报值对比

【参考文献】：
期刊论文
[1]基于MEA-BP神经网络的图像复原方法[J]. 莫思雨,周晴.  电子设计工程. 2018(21)
[2]基于广义高斯过程回归的北京市近五十年能见度分析[J]. 李海蓉,朱晓欣,曹春正.  统计与决策. 2018(20)
[3]气象条件对辽宁省高速公路交通安全的影响研究[J]. 林毅,李倩,张凯,李岚,齐昕,林中冠,林松,张运福.  气象与环境学报. 2018(03)
[4]北京雾霾污染影响因素实证分析[J]. 陈弄祺,许瀛.  中国人口·资源与环境. 2016(S2)
[5]环渤海地区1980—2012年能见度变化特征[J]. 郭军,任雨,傅宁,何群.  气象科技. 2016(03)
[6]北京区域环境气象数值预报系统及PM2.5预报检验[J]. 赵秀娟,徐敬,张自银,张小玲,范水勇,苏捷.  应用气象学报. 2016(02)
[7]基于神经网络的广州市能见度预报[J]. 梁之彦,黎洁仪.  气象研究与应用. 2014(01)
[8]低能见度雾的分级预报方法研究[J]. 周须文,时青格,贾俊妹,武辉芹.  热带气象学报. 2014(01)
[9]2007—2010年北京自动站浓雾特征分析与临近预报初探[J]. 邓长菊,丁德平,韩超,甘璐.  气象科技. 2013(01)
[10]天津地区能见度变化特征及影响因素研究[J]. 刘爱霞,韩素芹,蔡子颖,张敏,李向津.  生态环境学报. 2012(11)

硕士论文
[1]京津冀大气环境质量变化及其影响因素分析[D]. 郭明明.中国地质大学(北京) 2018
[2]环渤海地区云量的时空分布特征及预报研究[D]. 王捷馨.兰州大学 2018



本文编号：3542160