基于多种机器学习的模式PM2.5订正预报方法
刘超1
宫宇2
张碧辉2
柯华兵3
1.国家气象中心,北京 100081;中国气象局高影响天气(专项)重点开放实验室,湖南 长沙 4100732.国家气象中心,北京 1000813.中国气象科学研究院人工智能气象应用研究所,北京 100081
摘要：大气细颗粒物污染深刻影响着人体健康、大气能见度以及气候变化等诸多方面,对PM2.5浓度进行精细化预报至关重要.因此,本研究基于随机森林(Random Forest,RF)、LightGBM(Light Gradient Boosting Machine)和XGBoost(Extreme Gradient Boosting Machine)等多种机器学习方法,分别构建了基于中国气象局雾-霾数值预报系统(CMA Unified Atmospheric Chemistry Environment,CUACE)V3.0版本的京津冀地区PM2.5订正预报模型,并对比分析各个机器学习模型的预报效果和性能差异.研究结果表明:三种机器学习算法误差(ME)和平均绝对误差(MAE)均较CUACE雾霾模式明显降低,而且在不同预报时效下的ME和MAE变化幅度更小,反映出基于机器学习算法得到的PM2.5订正预报稳定性较好.此外,在三种机器学习算法中,RF算法预报性能最佳,ME和MAE分别为-3.0 μg•m-3和23.6 μg•m-3,RF平均绝对误差的改善幅度最为突出,达到11.5%,而且对区域内"正订正"的站点比例达到97.7%,明显优于LightGBM和XGBoost算法.另外,对2024年3月9日至12日雾霾天气过程进行预报检验评估,RF算法的TS评分最高,其轻度污染、中度污染以及重度污染及以上TS评分分别为0.43、0.19和0.03.由此可以看出,RF算法的预报效果更为突出,研究结果在实际业务预报中具有一定参考意义.
关键词：机器学习PM2.5中国气象局雾-霾数值预报系统订正
分类号：P45(天气预报)P457(天气预报)
资助基金：国家重点研发计划(2022YFC3701205)中国气象局第二批揭榜挂帅项目(CMAJBGS202308)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 896-905 )
英文信息