利用PCA-kNN方法改进广州市空气质量模式PM 2.5 预报

为了提高广州市PM 2.5 客观预报能力，采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法，基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM 2.5 观测实况，试验确定PCA-kNN方法的最佳参数方案，建立广州市空气质量模式PM 2.5 预报客观订正方法。结果表明：与CMAQ模式的PM 2.5 预报相比，在第1~3天预报时效上，PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%，均方根误差分别降低17%、16%、20%，平均偏差更接近0，PM 2.5 浓度等级TS评分接近或优于CMAQ预报，PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM 2.5 预报，本研究对其他地区、其他污染物客观预报研究具有借鉴意义。