科研之友
微信
新浪微博
Facebook
分享链接
摘要
当前，解释和预测大气污染组分的迁移转化过程，对提高大气环境监测水平和预测能力具有重要意义。本研究结合卷积神经网络（CNN）、支持向量回归机（SVR）和多轴差分吸收光谱技术（MAX-DOAS）的优势，提出一种基于CNN-SVR的MAX-DOAS对流层NO_2垂直分布预测方法。建立的CNN-SVR预测模型简化了MAX-DOAS获取NO_2廓线时需要进行光谱数据的预处理和利用基于大气辐射传输模型的廓线反演算法反演的进程，实现了由观测的光谱数据向NO_2廓线的直接转变。本研究以南京站点为例，将2019年采集到的原始MAX-DOAS光谱数据通过QDOAS拟合获取O4和NO_2差分斜柱浓度（dSCD），结合基于最优估算的气溶胶和痕量气体廓线反演算法——PriAM反演了对流层NO_2廓线，并将其作为预测模型的输出。此外，通过平均影响值（MIV）方法进行预测模型输入变量的选择，确定了MAX-DOAS光谱数据、温度、气溶胶光学厚度（AOD）和低云覆盖率为模型的最佳输入变量。通过试验优化网络结构和各项参数，最终建立的CNN-SVR预测模型在测试集与PriAM的平均百分比误差仅为9.14%，与单独建立的CNN、 SVR、 BP （反向传播）模型相比，平均百分比误差分别降低了8.22%、6.00%、32.28%。因此，CNN-SVR能够利用MAX-DOAS光谱数据对对流层NO_2廓线做出有效预测。
- 单位
