通过结合数据同化和基于深度学习的偏差校正,改进WRF-Chem PM2.5预测
Xingxing Ma1, Hongnian Liu1, Zhen Peng1
1School of Atmospheric Sciences, Nanjing University, Nanjing 210023, China.
Environment international
|December 25, 2024
概括
结合数据同化和偏差校正,可以显著改善PM2.5预测. 综合方法的表现优于单个方法,在空气质量预测方面提供了显著的准确性增长.
科学领域:
- 大气科学 大气科学
- 环境建模环境建模
- 数据同化数据同化
背景情况:
- 数字模型模拟对于预测PM2.5度至关重要.
- 数据同化 (DA) 和偏差校正 (BC) 是提高模型准确性的既定方法.
- 在PM2.5预测中同时应用DA和BC需要进一步调查.
研究的目的:
- 为了比较DA和BC在改善PM2.5预测方面的有效性.
- 开发和评估一个新的方案,同时结合DA和BC.
- 评估综合方法在不同地理区域的表现.
主要方法:
- 在2019年冬季使用WRF-Chem模型进行了四次并行实验.
- 实验包括对照运行,使用GSI的DA,基于深度学习的BC和结合DA-BC方法.
- 用PM2.5预测的根平均平方误差 (RMSE) 评估性能.
主要成果:
- 每个DA和BC都在前24小时内单独改善了PM2.5预测.
- 与单个DA或BC相比,联合DA-BC方法显示出更高的性能.
- 与对照组相比,综合方法减少了RMSE的38.90%48.86%,区域改善显著.
结论:
- 同时的数据同化和偏差校正是提高PM2.5预测准确性的最有效策略.
- 集成的DA-BC方法显著优化了在不同城市聚集区的空气质量预测.
- 这项研究强调了将DA和BC结合用于PM2.5预测系统的协同效益.
更多相关视频
10:29Calibrated Passive Sampling - Multi-plot Field Measurements of NH3 Emissions with a Combination of Dynamic Tube Method and Passive Samplers
Published on: March 21, 2016
12.3K
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
2.2K
