基于深度学习的城市臭氧小时浓度预测模型

摘要：

近地面高浓度臭氧(O3)对城市环境空气质量、植物生长和人体健康等均有较大影响.因此,精准预报臭氧浓度对城市环境管理部门臭氧污染防治、居民出行决策建议、降低健康影响等具有重要意义.深度学习模型对于非线性关系具有较强捕捉和学习能力,因此本研究提出一种基于深度学习算法的混合模型,利用图卷积神经网络(GCN)及长短期记忆神经网络(LSTM)分别捕捉臭氧浓度空间和时间变化特征,耦合气象因子,构建基于时空关联的臭氧小时浓度预测模型GCN-LSTM,并以北京市为例开展应用研究.结果显示,GCN-LSTM模型可较好预测北京市未来72h臭氧浓度,预测值与观测值决定系数为0.86;预测未来24、48、72 h臭氧浓度平均相对偏差分别为18.2％、19.2％和22.9％,RMSE值分别为17.3、23.7、25.4 μg·m3,对于48-72 h的长时预测准确度优于已有机器学习模型;当臭氧观测浓度介于0-80 μg·m-3、80-160μg·m-3和160-200μg·m-3时(共占总数据量的96.3％),预测平均相对偏差分别为20.1％、6.9％和16.4％;预测不同类型站点浓度时发现,城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点的平均相对偏差分别为7.9％、13.2％、24.4％和29.3％,RMSE值分别为10.8、14.9、20.1、31.4μg·m-3,模型对城市清洁对照点和城市环境评价点的预测准确度较高.使用本模型对城市大气臭氧小时浓度预测,将较好助力城市大气臭氧污染防治工作.

关键词：O3、小时浓度预测、深度学习、图卷积神经网络、长短期记忆神经网络

所属期刊栏目：42

分类号：X515;X822;TP391

在线出版日期：2023-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2609-2618