合理构建PM2.5浓度预测模型是科学、准确地预测PM2.5浓度变化的关键。传统PM2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM2.5浓度时间序列数据,分析PM2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度(天际、月际)构建GRNN模型更具有现实意义;同时,PM2.5对PM10、NO2、O3、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM2.5浓度预测精度,MAE、MAPE、RMSE和R2分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天(PM2.5浓度大于100μg/m3)的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。
类型: 期刊论文
作者: 符海月,张祎婷
关键词: 南京市,本征模函数,时间尺度重构,多尺度响应,集合经验模态分解,广义回归神经网络
来源: 地球信息科学学报 2019年07期
年度: 2019
分类: 基础科学,工程科技Ⅰ辑
专业: 环境科学与资源利用
单位: 南京农业大学土地管理学院
基金: 国家自然科学基金项目(41871319)~~
分类号: X513
页码: 1132-1142
总页数: 11
文件大小: 1533K
下载量: 272
本文来源: https://www.lunwen90.cn/article/249d6e803b8d4262f11b4a7e.html