在研究北京市能見度變化特征的基礎(chǔ)上,利用北京市環(huán)境監(jiān)測站2015-2017年的空氣污染物檢測數(shù)據(jù)及同期美國國家環(huán)境預報中心的全球預報系統(tǒng)數(shù)值資料,篩選出主要的預報因子,分別用神經(jīng)網(wǎng)絡(luò)和多元逐步回歸法建立預報模型,并進行試預報檢驗.結(jié)果表明,神經(jīng)網(wǎng)絡(luò)預報效果優(yōu)于多元逐步回歸,平均預報準確率達到75%（多元逐步回歸為66%）.神經(jīng)網(wǎng)絡(luò)在0～10 km能見度預報方面能夠取得更好的效果,預測數(shù)據(jù)與觀測值更為接近. 

【文章來源】：蘭州大學學報(自然科學版). 2020,56(04)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

2015-2017年北京市四季平均能見度日變化

選取北京市2016年12月1日08:00-12月5日08:00由嚴重霧霾引起的一次持續(xù)低能見度天氣作為案例.圖3為神經(jīng)網(wǎng)絡(luò)模型與多元逐步回歸方程預報的能見度與此次天氣過程能見度觀測的實況對比.由圖3可見,神經(jīng)網(wǎng)絡(luò)對能見度的逼近度比多元逐步回歸方程要高,尤其在能見度低于5 km時更能反映大氣能見度的實際變化,對持續(xù)低能見度天氣有更高的預報準確率.圖3 北京市2016年12月一次低能見度天氣的實況值與兩種模型預報值對比

北京市2016年12月一次低能見度天氣的實況值與兩種模型預報值對比

【參考文獻】：
期刊論文
[1]基于MEA-BP神經(jīng)網(wǎng)絡(luò)的圖像復原方法[J]. 莫思雨,周晴.  電子設(shè)計工程. 2018(21)
[2]基于廣義高斯過程回歸的北京市近五十年能見度分析[J]. 李海蓉,朱曉欣,曹春正.  統(tǒng)計與決策. 2018(20)
[3]氣象條件對遼寧省高速公路交通安全的影響研究[J]. 林毅,李倩,張凱,李嵐,齊昕,林中冠,林松,張運福.  氣象與環(huán)境學報. 2018(03)
[4]北京霧霾污染影響因素實證分析[J]. 陳弄祺,許瀛.  中國人口·資源與環(huán)境. 2016(S2)
[5]環(huán)渤海地區(qū)1980—2012年能見度變化特征[J]. 郭軍,任雨,傅寧,何群.  氣象科技. 2016(03)
[6]北京區(qū)域環(huán)境氣象數(shù)值預報系統(tǒng)及PM2.5預報檢驗[J]. 趙秀娟,徐敬,張自銀,張小玲,范水勇,蘇捷.  應(yīng)用氣象學報. 2016(02)
[7]基于神經(jīng)網(wǎng)絡(luò)的廣州市能見度預報[J]. 梁之彥,黎潔儀.  氣象研究與應(yīng)用. 2014(01)
[8]低能見度霧的分級預報方法研究[J]. 周須文,時青格,賈俊妹,武輝芹.  熱帶氣象學報. 2014(01)
[9]2007—2010年北京自動站濃霧特征分析與臨近預報初探[J]. 鄧長菊,丁德平,韓超,甘璐.  氣象科技. 2013(01)
[10]天津地區(qū)能見度變化特征及影響因素研究[J]. 劉愛霞,韓素芹,蔡子穎,張敏,李向津.  生態(tài)環(huán)境學報. 2012(11)

碩士論文
[1]京津冀大氣環(huán)境質(zhì)量變化及其影響因素分析[D]. 郭明明.中國地質(zhì)大學(北京) 2018
[2]環(huán)渤海地區(qū)云量的時空分布特征及預報研究[D]. 王捷馨.蘭州大學 2018



本文編號：3542160