基于BP神经网络的污染物浓度多模式集成预报

来源：中国环境科学杂志2018年第4期北京时间：

作者：张恒德, 张庭玉, 李涛, 张天航

单位：1. 中国气象局国家气象中心, 北京 100081; /\r\n2. 南京信息工程大学电子与信息工程学院, 江苏 南京 210044

摘要：基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品，利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明：（1）相对于单模式，BP神经网络集成预报的3~72h逐3h污染物浓度和观测之间的归一化平均偏差从-100%~200%降低到-20%~20%，污染物浓度和观测的均方根误差比各单模式降低15%以上，相关系数从0.1~0.8提升到0.3~0.85之间，说明其预报结果优于各单模式.（2）2016年AQI等级评估表明，集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22%和10%，在天津重度污染的空报率和漏报率分别降低31%和25%.（3）2016年12月份的重污染过程评估发现，集成模型预报的PM2.5浓度的演变趋势和实况基本相符.

关键词：多模式集成预报,污染物浓度,BP神经网络

基金资助：

国家重点研发计划课题（2016YFC0203301）；公益性行业（气象）科研专项项目（GYHY201306070）