亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        利用多源數(shù)據(jù)建立GA-BP算法模型估算PM2.5的研究

        2021-06-29 03:31:18胡娟鄭軍許文龍邱玉珺胡方超
        氣象科學(xué) 2021年3期
        關(guān)鍵詞:站點(diǎn)神經(jīng)網(wǎng)絡(luò)變量

        胡娟 鄭軍 許文龍 邱玉珺 胡方超

        (1 南京信息工程大學(xué) 環(huán)境科學(xué)與工程學(xué)院,南京 210044;2 南京信息工程大學(xué) 網(wǎng)絡(luò)信息中心,南京 210044; 3 南京信息工程大學(xué) 大氣物理學(xué)院,南京 210044;4 常州市環(huán)境科學(xué)研究院,江蘇 常州 213022)

        引 言

        PM2.5是指懸浮在空中的空氣動(dòng)力學(xué)當(dāng)量直徑小于或等于2.5 μm的細(xì)顆粒物,嚴(yán)重影響環(huán)境、氣候,甚至危害人體健康[1-2]。盡管環(huán)境監(jiān)測(cè)站對(duì)近地面PM2.5直接測(cè)量的精度很高,但在監(jiān)測(cè)樣本點(diǎn)的數(shù)量與分布上有一定的局限性,難以反映PM2.5的時(shí)空變化,而利用遙感衛(wèi)星測(cè)量則可對(duì)其進(jìn)行大范圍的區(qū)域監(jiān)測(cè)。目前諸多研究是在衛(wèi)星遙感反演產(chǎn)品AOD (Aerosol Optical Depth)的基礎(chǔ)上對(duì)PM2.5質(zhì)量濃度進(jìn)行估計(jì)[3]?,F(xiàn)今衛(wèi)星探測(cè)傳感器可為大氣氣溶膠監(jiān)測(cè)提供數(shù)據(jù)產(chǎn)品,尤以MODIS的氣溶膠光學(xué)厚度AOD L2產(chǎn)品Terra MOD04與Aqua MYD04為典型,因其反演算法成熟、產(chǎn)品質(zhì)量可靠、時(shí)間連續(xù)性好,所以應(yīng)用最為廣泛[4],特別是在大氣環(huán)境監(jiān)測(cè)領(lǐng)域。

        利用衛(wèi)星遙感技術(shù)對(duì)PM2.5進(jìn)行長時(shí)間、大范圍、高空間分辨率的監(jiān)測(cè)也是當(dāng)前大氣污染治理的一項(xiàng)重要內(nèi)容。已有研究表明,AOD與近地面PM2.5具有強(qiáng)相關(guān)性[5],利用衛(wèi)星估算近地面PM2.5質(zhì)量濃度幾乎都是基于AOD展開的[6],主要有線性或多元回歸模型[7-8]、地理加權(quán)回歸及神經(jīng)網(wǎng)絡(luò)的高級(jí)統(tǒng)計(jì)模型[9-10]。一般而言,衛(wèi)星AOD包括實(shí)際大氣整層信息,需結(jié)合氣象數(shù)據(jù)或再分析資料做相應(yīng)的高度與濕度訂正,這樣與PM2.5的相關(guān)性更高。

        由于PM2.5的時(shí)空變化會(huì)受到大氣環(huán)境、氣象、地理等諸多因素的影響,隨著近年來機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,已有學(xué)者利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[11]、隨機(jī)森林RF(Random Forest)[12-14]、支持向量機(jī)SVM(Support Vector Machine)[15]等方法來估算中國東部PM2.5[16]。機(jī)器學(xué)習(xí)模型既不需詳細(xì)了解大氣污染的物理化學(xué)過程[17],也不需對(duì)衛(wèi)星遙感的機(jī)理進(jìn)行更深入的研究,只要根據(jù)統(tǒng)計(jì)學(xué)原理,利用機(jī)器學(xué)習(xí)的特定算法即可。理論上,輸入的信息越多,機(jī)器學(xué)習(xí)的效果越好。由于地面PM10包含PM2.5,兩者明顯正相關(guān),且常常是通過AOD一起估算,而能見度(VIS)數(shù)據(jù)包括大氣成分、相對(duì)濕度等多因素,其與PM10很少被用來估算PM2.5,但能見度也代表了近地面信息,與AOD聯(lián)合可用來表示氣溶膠的標(biāo)高,但近年來已有研究在機(jī)器學(xué)習(xí)算法中應(yīng)用VIS與PM10來估算PM2.5[14,18-19]。

        因此,通過機(jī)器學(xué)習(xí)進(jìn)行衛(wèi)星遙感反演PM2.5是一種更具應(yīng)用潛力的監(jiān)測(cè)方法。基于遺傳算法的GA-BP(Genetic Algorithm-Back Propagation)神經(jīng)網(wǎng)絡(luò)作為BP神經(jīng)網(wǎng)絡(luò)的發(fā)展,被用于估算PM2.5的研究還不多見[20]。本文嘗試結(jié)合地面站點(diǎn)的氣象、環(huán)境監(jiān)測(cè)數(shù)據(jù),通過GA-BP機(jī)器學(xué)習(xí)算法來訓(xùn)練表達(dá)衛(wèi)星遙感反演得到的AOD與近地面PM2.5之間復(fù)雜的非線性關(guān)系,從而估計(jì)PM2.5的質(zhì)量濃度。

        1 數(shù)據(jù)來源及算法原理

        1.1 研究區(qū)域

        選取南京地區(qū)各站點(diǎn)所代表的區(qū)域作為研究區(qū)域,研究區(qū)域內(nèi)的氣象觀測(cè)站點(diǎn)(簡(jiǎn)稱氣象站,下同)與環(huán)境監(jiān)測(cè)站點(diǎn)(簡(jiǎn)稱環(huán)保站,下同)分布如圖1所示。在進(jìn)行數(shù)據(jù)站點(diǎn)匹配處理時(shí),按照最近距離原則,即每一個(gè)環(huán)保站總是要找到一個(gè)最近的氣象站與之匹配對(duì)應(yīng)。

        圖1 南京地面站點(diǎn)分布(單位:km)

        1.2 數(shù)據(jù)來源

        衛(wèi)星遙感數(shù)據(jù)來自美國地球觀測(cè)系統(tǒng)EOS(Earth Observation System)系列衛(wèi)星上的Terra和Aqua衛(wèi)星所攜帶的MODIS提供的Level 2產(chǎn)品數(shù)據(jù)AOD,上午為Terra MOD04_3 km, 下午為Aqua MYD04_3 km,地面分辨率均為3 km,每日上、下午各一次,可提取有關(guān)日期(Date)、經(jīng)度(Lon,(°))、緯度(Lat,(°))及AOD等信息。

        氣象數(shù)據(jù)為中國地面氣象站逐小時(shí)觀測(cè)資料,包括日期(Date)、站號(hào)(Station_Id_C)、緯度(Lat,(°))、經(jīng)度(Lon,(°))、氣溫(TEM,℃)、氣壓(PRS,hPa)、相對(duì)濕度(RHU,%)、2 min平均風(fēng)向(角度)(WIN_D_Avg_2 min,(°))、2 min平均風(fēng)速(WIN_ S_Avg_2 min,m·s-1)、能見度(VIS,m)、天氣特征(WEP)。其中WEP表示測(cè)站所觀測(cè)到的各種天氣現(xiàn)象,變化范圍從00~198。

        國家環(huán)保部地面監(jiān)測(cè)站點(diǎn)數(shù)據(jù)來自中國環(huán)境監(jiān)測(cè)總站的全國城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái),使用其逐小時(shí)空氣質(zhì)量數(shù)據(jù),包括日期(Date)、PM2.5、PM10質(zhì)量濃度等。

        1.3 研究方法

        1.3.1 BP神經(jīng)網(wǎng)絡(luò)工作原理

        BP神經(jīng)網(wǎng)絡(luò)(Back Propagation neural network)由Rumelhart,et al[21]提出,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中引入了δ學(xué)習(xí)規(guī)則(用于調(diào)整各層神經(jīng)元的權(quán)值和閾值的方法),是一種按誤差反向傳播算法訓(xùn)練的多層前向反饋神經(jīng)網(wǎng)絡(luò),由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。

        正向傳播過程指的是輸入層各節(jié)點(diǎn)接收輸入信息(如本文輸入AOD、能見度、相對(duì)濕度、氣溫等),并將信息傳遞給隱含層的各個(gè)節(jié)點(diǎn),最后由輸出層向外界輸出信息處理結(jié)果(圖2)。當(dāng)實(shí)際輸出與期望輸出(本文輸出為PM2.5質(zhì)量濃度)沒達(dá)到最小均方誤差(Mean Square Error, MSE)條件時(shí),則進(jìn)入誤差的反向傳播,即誤差通過輸出層,按誤差梯度下降的方式修正各層權(quán)值,向隱含層、輸入層逐層再反向傳遞。就這樣循環(huán)不斷地調(diào)整各層權(quán)值和閾值,進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練一直到MSE減少至可以接受的條件,或?qū)W習(xí)次數(shù)達(dá)到預(yù)設(shè)值為止。

        圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        由于BP神經(jīng)網(wǎng)絡(luò)中的初始權(quán)重和閾值一般是隨機(jī)的,且梯度下降法的自變量范圍被限制在單調(diào)區(qū)間內(nèi),這樣容易導(dǎo)致陷入局部最優(yōu)解而不是全局最優(yōu)解,而且還存在學(xué)習(xí)收斂速度慢、泛化能力弱、存在欠擬合等缺陷[22]。

        1.3.2 GA-BP網(wǎng)絡(luò)算法

        遺傳算法(Genetic Algorithm,GA)是Holland[23]基于生物進(jìn)化規(guī)律演變而得到的一種優(yōu)化算法,它對(duì)復(fù)雜的、無明確關(guān)系的、多變量的、非線性的逼近效率較高,且能夠按照適應(yīng)度函數(shù)進(jìn)行智能搜索以求得全局最優(yōu)解。而遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的GA-BP算法采用優(yōu)化的初始化權(quán)值與閾值,能夠在整個(gè)定義域內(nèi)實(shí)現(xiàn)變量取值最大可能地接近全局最優(yōu)解。

        1.4 GA-BP優(yōu)化算法建模

        本文采用GA-BP算法結(jié)合MODIS AOD、地面氣象站數(shù)據(jù)包括氣溫(℃)、氣壓(hPa)、相對(duì)濕度(%)、2 min平均風(fēng)向(°)、2 min平均風(fēng)速(m·s-1)、能見度(m),以及地面環(huán)保站點(diǎn)PM10等數(shù)據(jù)建模估算地面PM2.5質(zhì)量濃度(μg·m-3)。利用GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,不斷更新BP網(wǎng)絡(luò)的權(quán)值和閾值直至滿足條件判斷并輸出測(cè)試結(jié)果。GA-BP神經(jīng)網(wǎng)絡(luò)流程如圖3所示。

        圖3 GA-BP神經(jīng)網(wǎng)絡(luò)流程

        1.4.1 原始數(shù)據(jù)采集及時(shí)空匹配數(shù)據(jù)源(訓(xùn)練集和測(cè)試集)

        其中,時(shí)空匹配站點(diǎn),獲取數(shù)據(jù)源包括:

        (1)地面環(huán)保站點(diǎn)與氣象站點(diǎn)時(shí)空匹配

        將兩者按時(shí)間和空間(站點(diǎn)經(jīng)緯度最近距離)匹配,匹配后用經(jīng)緯度標(biāo)識(shí)(圖1)。表1為匹配結(jié)果。選取六合、儀征兩個(gè)氣象站點(diǎn),9個(gè)環(huán)保站點(diǎn),其中5個(gè)用于訓(xùn)練,4個(gè)用于測(cè)試,如表1所示。

        表1 國家環(huán)保站點(diǎn)與氣象站點(diǎn)時(shí)空匹配數(shù)據(jù)

        (2)地面站點(diǎn)與MODIS AOD時(shí)空匹配

        表1中的中點(diǎn)經(jīng)度、中點(diǎn)緯度是匹配后的環(huán)保站與氣象站兩站點(diǎn)之間中點(diǎn)的經(jīng)緯度。對(duì)在此中點(diǎn)30 km范圍內(nèi), 15 min時(shí)間內(nèi)相應(yīng)的MODIS AOD數(shù)據(jù)進(jìn)行匹配,所用到的地表兩點(diǎn)間(大圓)距離公式為:

        L=Re×arccos[sin(lat1)sin(lat2)+cos(lat1)cos(lat2)cos(lon1-lon2)]

        (1)

        其中:地球半徑Re=6 378.137 km;(lat1,lon1)、(lat2,lon2)分別為A、B兩點(diǎn)的經(jīng)緯度。

        (3)PM2.5變量因子的相關(guān)性分析

        不同時(shí)空范圍內(nèi),AOD、PM10及氣象條件因子和PM2.5質(zhì)量濃度的相關(guān)性也存在差異,表2為對(duì)各站點(diǎn)某些變量因子與PM2.5作相關(guān)分析確定的網(wǎng)絡(luò)輸入層的特征因子。

        表2 PM2.5與PM10、AOD和氣象條件的相關(guān)性分析(相關(guān)系數(shù)R)

        (4)確定輸入變量組合試驗(yàn)

        為了在模型中考查多源數(shù)據(jù)中地面數(shù)據(jù)的輸入變量對(duì)衛(wèi)星AOD輸入變量的影響,構(gòu)建了9個(gè)組合試驗(yàn)(表3),分別用試驗(yàn)1,2,…,9表示。

        表3 9組試驗(yàn)的各輸入變量

        1.4.2 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及仿真測(cè)試過程

        在網(wǎng)絡(luò)訓(xùn)練前首先要對(duì)樣本數(shù)據(jù)統(tǒng)一進(jìn)行歸一化(Normalization)處理,然后隨機(jī)選取樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,經(jīng)過多次訓(xùn)練確定網(wǎng)絡(luò)優(yōu)化參數(shù)。將網(wǎng)絡(luò)估算的PM2.5質(zhì)量濃度和實(shí)際值的誤差平方和的倒數(shù)作為遺傳算法的個(gè)體適應(yīng)度函數(shù),通過選擇、交叉、變異最終確定適應(yīng)值最優(yōu)的個(gè)體,即確定最優(yōu)的權(quán)值和閾值并將其賦值于BP神經(jīng)網(wǎng)絡(luò),再經(jīng)過網(wǎng)絡(luò)訓(xùn)練進(jìn)行仿真測(cè)試,并將輸出數(shù)據(jù)反歸一化處理,得到網(wǎng)絡(luò)模型估算的PM2.5。

        1.4.3 BP及GA-BP模型性能評(píng)價(jià)

        性能指標(biāo)定義及公式,包括:

        (1)決定系數(shù)(Coefficient of Determination):

        (2)

        其中:E表示估算值;T表示實(shí)際值。

        (2)相對(duì)誤差(ei)、平均絕對(duì)誤差(Mean Absolute Error, MAE):

        ei=|E-T|/T

        (3)

        (4)

        (3)均方根誤差(Root Mean Squared Error, RMSE),用來衡量預(yù)測(cè)值與實(shí)際值之間的偏離程度:

        (5)

        (4)準(zhǔn)確率(Accuracy):把估算值的相對(duì)誤差超過其實(shí)際值的20%視為不準(zhǔn)確數(shù)據(jù)。

        選取樣本采用隨機(jī)選取每個(gè)匹配站點(diǎn)數(shù)據(jù)的90%進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并用匹配數(shù)據(jù)的10%進(jìn)行仿真測(cè)試,并根據(jù)多次訓(xùn)練仿真測(cè)試保存訓(xùn)練最好的網(wǎng)絡(luò)用于南京其他站點(diǎn)的驗(yàn)證試驗(yàn),即在9個(gè)環(huán)保站中選用5個(gè)站點(diǎn)訓(xùn)練選出最好的網(wǎng)絡(luò)來估算其他4個(gè)測(cè)試站點(diǎn)的PM2.5。

        2 結(jié)果與討論

        2.1 影響PM2.5估計(jì)的各相關(guān)因子分析

        以南京各站點(diǎn)為例進(jìn)行分析,試驗(yàn)利用皮爾遜相關(guān)系數(shù)估計(jì)變量x、y間的相關(guān)。公式如下:

        (6)

        就南京地區(qū)2017年和2018年的數(shù)據(jù)分析來看(表2),各變量因子與PM2.5相關(guān)性系數(shù)R按平均值大小依次為: PM10(0.771)、WEP(0.467)、PRS(0.312)、AOD(0.186)、WIN_D_Avg_2 min(0.061)、RHU(0.008)、WIN_S_Avg_2 min(-0.135)、TEM(-0.370)、VIS(-0.625)。從相關(guān)系數(shù)絕對(duì)值的大小劃分相關(guān)強(qiáng)度,PM10、VIS為中度相關(guān),WEP、PRS、TEM、AOD為低度相關(guān),其他因子相關(guān)相對(duì)較弱。不同的年度、季節(jié)和月份相關(guān)性也存在一定的差別,同一站點(diǎn)PM10與PM2.5相關(guān)性,2017年要明顯高于2018年。表2中WEP多數(shù)為無云、有霧或霾的情況,但由于2017年南京夏季W(wǎng)EP匹配后的數(shù)據(jù)全為0(表示未觀測(cè)或觀測(cè)不到云的發(fā)展),故當(dāng)訓(xùn)練模型采取分站點(diǎn)分季節(jié)訓(xùn)練時(shí),不再考慮WEP作為變量因子,最多使用8個(gè)輸入變量作為變量因子,如表3試驗(yàn)6所示。

        由于受到匹配樣品數(shù)量的限制,需要把數(shù)據(jù)分為同站點(diǎn)不同年度、不同季節(jié)進(jìn)行網(wǎng)絡(luò)訓(xùn)練、仿真測(cè)試和驗(yàn)證試驗(yàn)。

        2.2 BP與GA-BP網(wǎng)絡(luò)模型性能比較

        2.2.1 BP網(wǎng)絡(luò)與GA-BP網(wǎng)絡(luò)訓(xùn)練性能指標(biāo)評(píng)價(jià)結(jié)果比較

        對(duì)南京各環(huán)保站和氣象站按最近空間距離匹配,站點(diǎn)匹配結(jié)果并按“環(huán)保站_氣象站”的格式來表示。匹配后的網(wǎng)絡(luò)訓(xùn)練站點(diǎn)(5組)分別為:邁皋橋_儀征、玄武湖_儀征、草場(chǎng)門_六合、瑞金路_儀征、中華門_六合。匹配后的試驗(yàn)測(cè)試站點(diǎn)(4組)分別為:山西路_六合、浦口_六合、奧體中心_六合、仙林大學(xué)城_儀征。

        在輸入數(shù)據(jù)中使用“試驗(yàn)6”的變量組合,對(duì)BP與GA-BP的訓(xùn)練結(jié)果比較見表4,可以看出,GA-BP整體上比BP(除了春季外)性能表現(xiàn)優(yōu)越。盡管在春季時(shí),BP表現(xiàn)較GA-BP好,但在其他大量試驗(yàn)中,春季的BP常出現(xiàn)比GA-BP表現(xiàn)欠佳的情況。

        表4 BP與GA-BP網(wǎng)絡(luò)訓(xùn)練及仿真測(cè)試的主要性能評(píng)價(jià)指標(biāo)值

        2.2.2 網(wǎng)絡(luò)訓(xùn)練及仿真測(cè)試效果

        同上也選擇試驗(yàn)6組合,對(duì)BP網(wǎng)絡(luò)和GA-BP網(wǎng)絡(luò)預(yù)測(cè)樣本的估算值與實(shí)際值進(jìn)行比較,分析兩個(gè)網(wǎng)絡(luò)的訓(xùn)練及仿真測(cè)試的效果,如圖4所示。可以看出,2018年除了春季外,其他3個(gè)季節(jié)GA-BP的R2與RMSE表現(xiàn)均較BP好,尤其是夏秋兩季,特別是在冬季匹配數(shù)據(jù)很少的情況下,BP幾乎不能起到估計(jì)的作用,而GA-BP網(wǎng)絡(luò)R2與RMSE的表現(xiàn),其優(yōu)勢(shì)則比較明顯。故下文就采用GA-BP網(wǎng)絡(luò)設(shè)計(jì)做進(jìn)一步的試驗(yàn)。

        圖4 2018年南京匹配站點(diǎn)樣本BP與GA-BP估算PM2.5結(jié)果對(duì)比:(a)春季;(b)夏季;(c)秋季;(d)冬季

        2.2.3 試驗(yàn)1—9結(jié)果比較

        圖5a、b可以看出,從試驗(yàn)1到試驗(yàn)5,每組試驗(yàn)均增加一個(gè)變量因子,每增加一個(gè)變量因子時(shí),對(duì)輸出PM2.5的R2與RMSE,其影響是不同的。在1—6組試驗(yàn)中,與其他5組試驗(yàn)相比,試驗(yàn)1中AOD的R2較小,RMSE較大。這主要是因?yàn)锳OD表征的是大氣整層的氣溶膠的影響,而其他變量因子均是在近地面幾個(gè)參數(shù)的測(cè)量,均一定程度上反映了近地面的信息,所以與PM2.5有著更好的相關(guān)性。在試驗(yàn)2—5中,由于變量因子PM10的加入,各個(gè)季節(jié)試驗(yàn)2中R2較試驗(yàn)1有大幅度地增加,而在春季試驗(yàn)5中由于TEM的加入使R2較試驗(yàn)4略有下降;在秋季由于PRS(氣壓)加入,試驗(yàn)3中R2較試驗(yàn)2也略有下降;在春季試驗(yàn)4中VIS的加入,較試驗(yàn)3 2018年的R2增加較大,而2017年時(shí)的R2卻略有降低;在試驗(yàn)6中,除了2017年秋季,加入相對(duì)濕度與平均風(fēng)速、平均風(fēng)向后,R2均有所增加。作為試驗(yàn)1—6的對(duì)照試驗(yàn),增加了試驗(yàn)7—9,分別考慮沒有VIS與PM10及兩者都沒有的情況。但從試驗(yàn)7—9的仿真測(cè)試的效果看,對(duì)比試驗(yàn)6,除了2017年秋冬季R2略有增大外,其他季節(jié)大多是R2減小RMSE增大。

        圖5 南京站點(diǎn)9組試驗(yàn)各季節(jié)R2與RMSE的變化:(a)2017年R2;(b)2018年R2;(c)2017年RMSE;(d)2018年RMSE

        總體來看,對(duì)于RMSE幾乎都隨著R2的增大而減小。四季中秋季相關(guān)性最高,2017年的R2與RMSE總體要好于2018年,而且在9組試驗(yàn)中試驗(yàn)6總體也表現(xiàn)較好。

        以仙林大學(xué)城_儀征的匹配站點(diǎn)為例,僅選用了試驗(yàn)1與試驗(yàn)6進(jìn)行比較,如圖6所示??芍?圖6A、C為試驗(yàn)1, 圖6B、D為試驗(yàn)6 ,2017年的R2與RMSE均是試驗(yàn)6較好;四季表現(xiàn)為秋季>冬季>夏季>春季,秋季R2最大為0.91,RMSE=11.79;春季最小R2=0.65,RMSE=8.67。而圖6C、D分別為2018年試驗(yàn)1與試驗(yàn)6分季節(jié)情況,2018年的R2與RMSE也是試驗(yàn)6較好,但四季表現(xiàn)為秋季>春季>冬季>夏季,秋季的最大R2=0.87,RMSE=7.50;夏季最小R2=0.56,RMSE=6.46。總體上看2018年R2雖較2017年小,但RMSE也較小。

        圖6 仙林大學(xué)城_儀征站點(diǎn)試驗(yàn)1 (A:2017;C:2018)與試驗(yàn)6(B:2017;D:2018)網(wǎng)絡(luò)測(cè)試效果(a—d分別為春夏秋冬;橫坐標(biāo)為估算樣本的時(shí)間序列)

        圖5、6均表明,試驗(yàn)6的效果總體上要較前面試驗(yàn)表現(xiàn)較好,這是因?yàn)椋瑢?duì)GA-BP而言,輸入相關(guān)的變量因子越多,用于網(wǎng)絡(luò)學(xué)習(xí)的信息就越多,對(duì)諸多變量因子所組成的非線性關(guān)系就表達(dá)的越好,對(duì)PM2.5的估計(jì)效果也較明顯。

        3 結(jié)論

        (1)在有足夠數(shù)據(jù)樣本的情況下,不同季節(jié)的表現(xiàn)有時(shí)差別很大,需要進(jìn)行分季節(jié)考慮。

        (2)影響PM2.5估計(jì)的多源數(shù)據(jù)的各輸入變量因子中,PM10與VIS(能見度)變量為相對(duì)高相關(guān)因子,其他輸入變量 PRS(氣壓)、TEM(氣溫)、AOD等為低度相關(guān),并在此基礎(chǔ)上構(gòu)建了9組基于衛(wèi)星AOD作為基本輸入變量的多源數(shù)據(jù)分季節(jié)估算PM2.5的試驗(yàn),試驗(yàn)6的整體表現(xiàn)較好。

        (3)利用GA-BP算法估計(jì)PM2.5比BP算法總體表現(xiàn)較好,所建立的多源數(shù)據(jù)GA-BP算法模型也為估算PM2.5的提供了一種新的機(jī)器學(xué)習(xí)的方法。

        猜你喜歡
        站點(diǎn)神經(jīng)網(wǎng)絡(luò)變量
        抓住不變量解題
        也談分離變量
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        基于Web站點(diǎn)的SQL注入分析與防范
        電子制作(2019年14期)2019-08-20 05:43:42
        2017~2018年冬季西北地區(qū)某站點(diǎn)流感流行特征分析
        首屆歐洲自行車共享站點(diǎn)協(xié)商會(huì)召開
        中國自行車(2017年1期)2017-04-16 02:53:52
        怕被人認(rèn)出
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        SL(3,3n)和SU(3,3n)的第一Cartan不變量
        亚洲一区二区三区精品久久| 播放灌醉水嫩大学生国内精品| 亚洲人成亚洲人成在线观看 | 青青草成人免费在线视频| 亚洲高清乱码午夜电影网| 色综合中文综合网| 欧美深夜福利视频| 伊人五月亚洲综合在线| 精品久久久久久无码专区| 午夜一区欧美二区高清三区| 亚洲欧美日韩国产精品网| 在线视频精品少白免费观看| 伊人久久大香线蕉午夜av | 精品黑人一区二区三区| 在线免费看91免费版.| 无人区一码二码三码四码区| 东京热久久综合久久88| 久久久婷婷综合亚洲av| 最新日本人妻中文字幕| 小蜜被两老头吸奶头在线观看| 国产一区曰韩二区欧美三区| 国产三级av在线播放| 手机看片自拍偷拍福利| 久久人与动人物a级毛片| 日本在线观看不卡| 中文字幕久久精品一区二区| 又湿又紧又大又爽a视频国产| a级黑人大硬长爽猛出猛进 | 亚洲AV无码精品色午夜超碰| 精品久久精品久久精品| 精品福利一区二区三区免费视频| 醉酒后少妇被疯狂内射视频 | 中文字幕av一区二区三区诱惑| 一本色道无码不卡在线观看| 亚洲欧洲无码一区二区三区| 国产精品自线在线播放| 婷婷丁香开心五月综合| 国产精品多p对白交换绿帽| 亚洲AV永久无码精品导航| 亚洲av手机在线一区| 久久久久亚洲av成人网人人软件|