海口市臭氧浓度统计预报模型的构建与效果评估

作者：符传博; 林建兴^*; 唐家翔; 丹利

来源：环境科学, 2023, 1-14.

DOI：10.13227/j.hjkx.202306035

• 臭氧(O_(3))
• 多元线性回归
• 支持向量机
• BP神经网络
• 预报评估
• 海口市

主要利用2015～2020年海口市臭氧(O3)浓度资料和ERA5再分析资料，基于污染物浓度控制方程挑选出海口市O3-8h 浓度(日最大8h滑动平均)的15个关键预报因子，构建了多元线性回归模型(MLR)、支持向量机模型(SVM)和BP神经网络模型(BPNN)，并对2021年海口市O3-8h 浓度进行预测和效果检验。结果表明，O3-8h 浓度与关键预报因子的相关系数绝对值主要分布在0.2～0.507之间，其中1000hPa的相对湿度(RH1000)和风向(WD1000)，875hPa的经向风(v875)的相关系数绝对值超过了0.4，具有较好的指示作用。3个预报模型基本能预报出海口市O3-8h浓度冬半年偏高，夏半年偏低的变化趋势，其中BPNN模型的标准误差(RMSE)数值最小(22.29 μg·m-3)。实测值与3个统计模型预报值的相关系数从大到小排列为：0.733(BPNN)＞0.724(SVM)＞0.591(MLR)，均通过了99.9%的信度检验。O3-8h浓度等级预报的结果检验表明，3个预报模型的TS评分均随着O3-8h浓度等级的上升而下降，而漏报率(PO)和空报率(NH)随着O3-8h浓度等级的上升而上升。SVM和BPNN模型在3个等级预报中TS评分均略高于MLR模型，特别是在轻度污染等级，TS评分还维持在70%以上，具有较好的预报性能。

• 单位
  中国科学院大气物理研究所; 海南省气象科学研究所; 海南省气象台