| 支持向量机回归在臭氧预报中的应用 |
| 摘要点击 2556 全文点击 1064 投稿时间：2018-09-17 修订日期：2018-11-12 |
| 查看HTML全文
查看全文 查看/发表评论 下载PDF阅读器 |
| 中文关键词 支持向量机回归 臭氧预报 臭氧小时值 臭氧日最大值 臭氧日最大8h滑动平均 |
| 英文关键词 support vector machine regression (SVMr) O3 prediction hourly O3 concentrations daily maximum O3 concentrations maximum 8 h moving average O3 concentrations |
| 作者 | 单位 | E-mail | | 苏筱倩 | 南京信息工程大学气象灾害教育部重点实验室, 气候与环境变化国际合作联合实验室, 气象灾害预报预警与评估协同创新中心, 南京 210044 | xiaoqiansue@163.com | | 安俊琳 | 南京信息工程大学气象灾害教育部重点实验室, 气候与环境变化国际合作联合实验室, 气象灾害预报预警与评估协同创新中心, 南京 210044 | junlinan@nuist.edu.cn | | 张玉欣 | 青海省人工影响天气办公室, 西宁 810001 | | | 梁静舒 | 中国气象局气象探测中心, 北京 100081 | | | 刘静达 | 南京信息工程大学气象灾害教育部重点实验室, 气候与环境变化国际合作联合实验室, 气象灾害预报预警与评估协同创新中心, 南京 210044 | | | 王鑫 | 南京信息工程大学气象灾害教育部重点实验室, 气候与环境变化国际合作联合实验室, 气象灾害预报预警与评估协同创新中心, 南京 210044 | |
|
| 中文摘要 |
| 采用南京工业区2016年5月20日~8月15日这一高臭氧（O3）期的O3、O3前体物和常规气象资料数据，利用支持向量机回归（SVMr）方法分别预报O3的小时值、日最大值和最大8 h滑动平均值.结果表明，O3小时值预报的相关系数（R2）为0.84，平均绝对误差（MAE）和平均绝对百分误差（MAPE）分别为3.44×10-9和24.48，O3前期浓度、紫外B波段辐射（UVB）和NO2浓度是关键因子.O3日最大值预报的主要因子是NOx在07：00的浓度和UVB.预报O3 8 h时UVB和气温起重要作用.加入前体物项能够使O3的预报精度提升10%~28%.与多元线性回归方法相比，SVMr对O3浓度的预报有明显优势. |
| 英文摘要 |
| Support vector machine regression (SVMr) was proposed to forecast hourly ozone (O3) concentrations, daily maximum O3 concentrations, and maximum 8 h moving average O3 concentrations (O3 8 h) by employing the observations of meteorological variables and O3 and its precursors during the high O3 periods from May 20 to August 15, 2016 at an industrial area in Nanjing. The squared correlation coefficient (R2) of the hourly O3 concentrations forecast was 0.84. The mean absolute error (MAE) and mean absolute percentage error (MAPE) were 3.44×10-9 and 24.48, respectively. The key factors for the hourly O3 forecast were the O3 pre-concentrations, amount of ultraviolet radiation B (UVB), and the NO2 concentration. The main factors for the O3 daily maximum forecast were the NOx concentrations at 07:00 and the UVB level. Temperature and UVB played an important role in predicting O3 8 h. In general, taking precursors into account could increase the accuracy of O3 prediction by 10%-28%. For O3 concentration forecasting, SVMr gave significantly better predictions than multiple linear regression methods. |
|
|
|
