System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机器学习结合臭氧浓度预测和臭氧污染天预报的,涉及一种基于气象主导的多因子预测未来臭氧多目标超级集成学习方法。
技术介绍
1、臭氧(ozone,o3)是对流层大气中的二次污染物,由氮氧化物(nox)和挥发性有机物(vocs)等前体物在大气中发生光化学反应生成,是光化学雾霾的主要组成部分,高浓度臭氧具有强氧化性,臭氧长期暴露会对人体呼吸道和心血管系统造成损伤,增加患病和死亡的风险,还会降低植物的光合作用效率,从而影响植被正常生长,降低农作物产量。
2、本专利技术的意义在于发展长时间臭氧预测模型,提升臭氧预测预报准确率,为臭氧污染防治提供技术支持。
3、大气中臭氧浓度受前体物排放与气象因素的共同影响,其前体物来源可分为自然源和人为源。在人口集中的城市及周边地区,人为活动排放是臭氧生成的主要贡献之一。另一方面,包括温度、湿度、风速、风向、边界层高度等在内的气象因素也是影响臭氧生成、转化与扩散的重要因素。此外,大尺度的大气环流通过影响臭氧及其前体物的远程输送,以及局部地点前体物本身的光化学反应,对区域臭氧污染水平具有重要影响。在不同的环流形势控制下,污染物的生成、输送、积累特征及其对应的敏感气象因子均不相同。
4、利用臭氧生成机制与规律对臭氧浓度进行准确预测有助于为污染防治提供精确的支持,从而预防或减轻臭氧污染对人类健康和环境的有害影响。传统的预测方法通过建立多元线性回归等模型表征臭氧浓度与相关参数的关系,以预测不同时间段的臭氧浓度,但臭氧浓度与前体物排放和气象因素之间存在复杂的非线性关系
5、综上,为积极响应省市层面开展未来7-10天空气质量预报,72小时级别预报准确率达到70%以上的迫切需求,有必要发展并集成多种机器学习的方法优势,结合当下可获取的气象及环流等多种臭氧影响因素建立预测数据集,发展可实际应用的未来长时间多预测目标的臭氧水平预测预报模型。深入探究臭氧的浓度及污染水平预测方法,对于大气科学研究和环境监管都具有重要的意义和价值。
技术实现思路
1、本专利技术提供了一种包含气象参数如温度湿度、环流参数如涡度、臭氧数据、监测站点时空数据等多参数协同的可实际预测未来大气中臭氧浓度、臭氧日最大8小时滑动均值及污染水平的多种机器学习算法集成的超级集成学习方法。该方法的预测数据集选取自开源的实时可获取数据库,以保证本方法可实际应用于现实预测,且应用超级集成学习模型,集成了随机森林、极致梯度提升和类别特征提升3种预测性能优异的机器学习方法的优势。本专利技术可实际应用于臭氧污染水平多目标预测,输入当下小时的臭氧、土地利用及时空数据和未来5天中预测目标小时的气象、环流参数,得到未来5天内预测小时的臭氧浓度。该方法不仅能够有效预测未来5天内臭氧小时级别浓度,同时也能获得臭氧日最大8小时滑动均值。同时,实现了未来臭氧污染天水平的及时预报预警,并且该预测框架可仅凭借气象数据的可获得性发展未来14天及更长时间臭氧浓度的预测模型,也可以结合k均值方法聚类预测范围,以进一步提升区域臭氧的预测精度。本专利技术可保证未来长时间预测臭氧水平精度稳定、预测性能好、应用范围广泛。该方法提出的面向未来5天小时分辨的臭氧预测框架有望对臭氧的预测预报提供方法参考,并为生态环境等管理部门政策制定和污染天气应急响应提供数据及技术支持。
2、本专利技术的技术方案:
3、基于气象主导的多因子预测未来臭氧多目标超级集成学习方法,包括数据采集、数据处理、模型训练和模型预测四个步骤;
4、(1)数据采集
5、收集包括表达预测变量和预测目标物范围尺度一一对应的数据;首先通过筛选影响臭氧生成、积累、运输以及扩散的关联参数,收集来自中国国家环境监测中心(cnemc,http://www.cnemc.cn)空气质量监管站的实时小时级别o3及日最大8小时滑动均值浓度观测值作为空气污染指标数据,并且收集与站点相匹配的经度、纬度、年、月、日以及小时信息作为时间参数和空间参数输入;气象参数来自于可公开访问的全球化学输运模型数据库geos-cf(https://gmao.gsfc.nasa.gov/),该数据库可提供实时以及未来5天的小时级别分辨的气象数据,包括总云面积分数、地面气压(pa)、10m比湿度(kg/kg)、10m气温(k)、总降水量(kg/m2/s)、基于混合估算的对流层顶压(pa)、体感温度(k)、10m东/北风(m/s)、行星边界层高度(m)、海平面压力(pa)、中间层高度(m)、相对湿度(%)、臭氧柱浓度(kg/m2)。在预测模型中,这些气象参数作为时空变化的预测因子输入训练。本专利技术也使用了以月份为时间分辨的土地利用参数作为预测模型的二维空间变化的预测因子,即归一化差分植被指数(normalized difference vegetation index,ndvi)。
6、表1.模型输入变量及分类含义信息<本文档来自技高网...
【技术保护点】
1.一种基于气象主导的多因子预测未来臭氧多目标超级集成学习方法,其特征在于,该基于气象主导的多因子预测未来臭氧多目标超级集成学习方法包括数据采集、数据处理、模型训练和模型预测四个步骤;
2.根据权利要求1所述的基于气象主导的多因子预测未来臭氧多目标超级集成学习方法,其特征在于,结合K均值方法,将监测站点通过其空间特征,即各监测站点的空间参数包括经度和纬度,将预测目标区域内的站点,聚类划分为不同的子集合,最终分别应用各子集合内的预测数据集训练超级集成学习模型。
【技术特征摘要】
1.一种基于气象主导的多因子预测未来臭氧多目标超级集成学习方法,其特征在于,该基于气象主导的多因子预测未来臭氧多目标超级集成学习方法包括数据采集、数据处理、模型训练和模型预测四个步骤;
2.根据权利要求1所述的基于气象主导的多...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。