《表6 有无场景参与建模时的GWR-ANN模型拟合效果》
![《表6 有无场景参与建模时的GWR-ANN模型拟合效果》](http://bookimg.mtoou.info/tubiao/gif/ZGHJ201911012_07300.gif)
本系列图表出处文件名:随高清版一同展现
《面向场景的城市PM_(2.5)浓度空间分布精细模拟》
从不同污染情景来看,重度污染情景下的有场景模型检验效果优于轻度污染情景.轻度污染情景下,PM2.5浓度有场景GWR-ANN模型检验R2介于0.59~0.82之间,平均为0.75,MRE介于6.98%~9.10%之间,平均为8.32%,RMSE介于6.87~9.33μg/m3之间,平均为7.74μg/m3.重度污染情景下,检验R2介于0.67~0.84之间,平均为0.79,MRE介于2.78%~5.08%之间,平均为3.62%,RMSE介于6.03~12.97μg/m3之间,平均为8.58μg/m3.这与重度污染情景下城市PM2.5浓度的场景间差异更为显著的结论一致,进一步表明城市微环境场景的污染特征会随着污染情景的不同而发生改变.但通过对比模型拟合与检验R2可知,GWR-ANN模型存在一定过拟合现象,通过加入更符合实际状况的动态变化的场景变量以及时间变量、污染情景变量等,或引入其他方法改进优化模型,提高模型的泛化能力仍有待进一步的研究.
图表编号 | XD00113877100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.20 |
作者 | 许珊、邹滨、胡晨霞 |
绘制单位 | 中南大学地球科学与信息物理学院、中南大学地球科学与信息物理学院、中南大学地球科学与信息物理学院 |
更多格式 | 高清、无水印(增值服务) |