研究报告

  • 石佳超,罗坤,樊建人,张峻溪,王晴,高翔,倪智振.基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型[J].环境科学学报,2018,38(11):4480-4489

  • 基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型
  • Rapid response model of regional air pollutant concentration based on CMAQ and feed forward neural network
  • 基金项目:环保部公益项目(No.201409008-4);浙江省社会发展重大专项(No.2014C03025)
  • 作者
  • 单位
  • 石佳超
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 罗坤
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 樊建人
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 张峻溪
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 王晴
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 高翔
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 倪智振
  • 浙江大学能源工程学院, 能源清洁利用国家重点实验室, 杭州 310027
  • 摘要:建立大气污染可控源排放-复合污染水平的函数关系,实现给定排放情景下环境污染物浓度的实时响应,是大气污染物浓度预测与减排效果评估等的重要技术前提.本研究对污染物浓度影响因子变化空间进行拉丁超立方采样,使用CMAQ区域多尺度空气质量模型的预测值作为输入数据,通过前馈神经网络模型构建基于统计机器学习的长三角区域污染物浓度快速响应模型.结果表明经过模型结构选择与参数调整,基于前馈神经网络的快速响应模型能够快速准确还原出不同减排情景下长三角区域PM2.5浓度的预测值.外部验证情景下相关系数CORR达到0.999以上,MB与ME均值达到了-0.046 μg·m-3和0.6162 μg·m-3,实现了比RSM更加快速与准确的预测,不同时段与不同污染物浓度的准确预测则验证了其普适性.
  • Abstract:It is a fundamental technical support for the assessment of prediction and reduction about atmospheric pollutant concentration to establish a functional relationship between the atmospheric pollution emission control and compound pollution level, and achieve real-time response of environmental pollutant concentration under a given emission scenario. In the present study, performing Latin hypercube sampling for contaminant influence factor, using the predictive values from the CMAQ as inputs, and utilizing the feed forward neural network, we constructed a rapid response model for environmental pollutant concentration based on the statistical machine learning. The results show that via reasonable model selection and parameter adjustment, the rapid response model based on feed forward neural network can rapidly give accurate predictive values of PM2.5 concentration in Yangtze River Delta under different emission reduction scenarios. The correlation coefficient (CORR) reaches 0.999 under external verification scenario, and the mean values of MB and ME respectively reaches -0.046 μg·m-3 and 0.6162 μg·m-3, which is faster and more accurate than the RSM, demonstrating its universality based on the accurate prediction of concentration for different time periods and pollutant types.

  • 摘要点击次数: 49 全文下载次数: 84