Page 161 - 生态环境保护与环境监测研究

第六章 空气质量预测预报

三、集成模型

在数值模拟和统计学的基础上，有学者尝试把两类方法结合，以实现快速、
准确的实时大气污染物浓度模拟。这类模型主要是通过统计学的方法对数值模拟

结果进行评估、修正，大量的数值模拟历史数据可以作为统计模型的输入。国
内相关研究从 20 世纪 90 年代开始逐渐起步，王芳等构建的北京市 PM 的遗传
10
神经网络预测模型的预测精度与美国第三代空气质量模型 CMAQ 进行比较，结
果表明两者预测结果精度相当；Zhu 等使用 ARMA 预测 PM 2.5 的浓度，并使用

BP 神经网络模型学习 ARMA 预测的误差，最终 PM 2.5 浓度的预测值即为二者加
和。这些基于数值预测构建的模型科学性极强，能够对空间污染物浓度的时间和

空间进行定量分析，但是需要很多相关数据，且计算困难，同时海量数据的输入

也需要大量的时间。经过一段时间的耦合，可以通过统计模型替代一部分数值模
拟运算，以达到减少数值模拟次数、降低运算成本的效果。清华大学王书肖教
授课题组借助统计方法对“排放—浓度”非线性关系进行了显示表征，建立了

高阶多项式的响应曲面模型（pf-RSM），将化学传输模式（CTM）仿真次数减少

60％。基于该成果，王书肖课题组与微软亚太研究院合作采用卷积神经网络的方
法（CNN）建立了基于深度学习方法的响应曲面模型（deepRSM），该研究基于

两个 CTM 模拟的浓度空间分布建立各网格点“排放—浓度”响应函数，大大提
高了计算效率，扩展了该模型的应用范围。

153